OCR的清洁图像

我一直在尝试清除OCR的图像：（线条）

我需要删除这些行以有时对图像进行进一步处理，并且我已经很接近了，但是在很多情况下，阈值从文本中去除了太多：

    copy = img.copy()
    blur = cv2.GaussianBlur(copy, (9,9), 0)
    thresh = cv2.adaptiveThreshold(blur,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV,11,30)

    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9,9))
    dilate = cv2.dilate(thresh, kernel, iterations=2)

    cnts = cv2.findContours(dilate, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    cnts = cnts[0] if len(cnts) == 2 else cnts[1]

    for c in cnts:
        area = cv2.contourArea(c)
        if area > 300:
            x,y,w,h = cv2.boundingRect(c)
            cv2.rectangle(copy, (x, y), (x + w, y + h), (36,255,12), 3)

编辑：此外，如果字体更改，则使用常数将不起作用。有通用的方法可以做到这一点吗？

这是个主意。我们将此问题分为几个步骤：

1. 确定平均矩形轮廓区域。然后我们阈值确定轮廓并使用轮廓的边界矩形区域进行过滤。我们这样做的原因是因为观察到，任何典型字符都将非常大，而较大的噪声将跨越较大的矩形区域。然后，我们确定平均面积。

2. 删除较大的离群轮廓。我们再次遍历轮廓，如果大轮廓5x大于平均轮廓区域，则通过填充轮廓来删除它们。代替使用固定的阈值区域，我们使用此动态阈值来提高鲁棒性。

3. 用垂直内核扩张来连接角色。这个想法是利用观察到的字符在列中对齐的优势。通过使用垂直内核进行扩展，我们将文本连接在一起，因此噪声不会包含在此组合轮廓中。

4. 消除小噪音。现在，要保留的文本已连接，我们找到轮廓并删除所有小于4x平均轮廓区域的轮廓。

5. 按位-并重建图像。由于我们只有想要的轮廓可以保留在蒙版上，因此可以按位排列并保留文本并得到结果。

这是该过程的可视化：

我们用Otsu的阈值获得二值图像，然后找到轮廓以确定平均矩形轮廓区域。在这里，我们通过填充轮廓来删除以绿色突出显示的较大的离群轮廓

接下来，我们构造一个垂直内核并进行扩张以连接角色。此步骤将保留所有所需的文本，并将噪声隔离为单个斑点。

现在我们找到轮廓并使用轮廓区域进行滤波以消除小噪声

这是以绿色突出显示的所有已删除的噪声粒子

结果

码

import cv2

# Load image, grayscale, and Otsu's threshold
image = cv2.imread('1.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]

# Determine average contour area
average_area = [] 
cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
    x,y,w,h = cv2.boundingRect(c)
    area = w * h
    average_area.append(area)

average = sum(average_area) / len(average_area)

# Remove large lines if contour area is 5x bigger then average contour area
cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
    x,y,w,h = cv2.boundingRect(c)
    area = w * h
    if area > average * 5:  
        cv2.drawContours(thresh, [c], -1, (0,0,0), -1)

# Dilate with vertical kernel to connect characters
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2,5))
dilate = cv2.dilate(thresh, kernel, iterations=3)

# Remove small noise if contour area is smaller than 4x average
cnts = cv2.findContours(dilate, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
    area = cv2.contourArea(c)
    if area < average * 4:
        cv2.drawContours(dilate, [c], -1, (0,0,0), -1)

# Bitwise mask with input image
result = cv2.bitwise_and(image, image, mask=dilate)
result[dilate==0] = (255,255,255)

cv2.imshow('result', result)
cv2.imshow('dilate', dilate)
cv2.imshow('thresh', thresh)
cv2.waitKey()

注意：传统的图像处理仅限于阈值处理，形态运算和轮廓滤波（轮廓近似，面积，纵横比或斑点检测）。由于输入图像会根据字符文本大小而变化，因此很难找到一个单一的解决方案。您可能需要考虑使用机器/深度学习训练自己的分类器，以获得动态解决方案。