在此示例中，用于文档图像阈值处理的最佳算法是什么？

我正在尝试对所示图像实施各种二值化算法：

这是代码：

clc;
clear;
x=imread('n2.jpg');     %load original image

％现在我们调整图像的大小，以便以后的计算工作变得更容易。

size(x);
x=imresize(x,[500 800]);
figure;
imshow(x);
title('original image');

z=rgb2hsv(x);       %extract the value part of hsv plane
v=z(:,:,3);
v=imadjust(v);

现在，我们找到了niblack和％sauvola算法所需的均值和标准差

m = mean(v(:))
s=std(v(:))
k=-.4;
value=m+ k*s;
temp=v;

％实现niblack阈值算法：

for p=1:1:500
    for q=1:1:800
        pixel=temp(p,q);
        if(pixel>value)
            temp(p,q)=1;
        else
            temp(p,q)=0;
        end
    end
end
figure;
imshow(temp);
title('result by niblack');
k=kittlerMet(g);
figure;
imshow(k);
title('result by kittlerMet');

实施Sauvola阈值算法的百分比：

val2=m*(1+.1*((s/128)-1));
t2=v;
for p=1:1:500
for q=1:1:800
    pixel=t2(p,q);
    if(pixel>value)
        t2(p,q)=1;
    else
        t2(p,q)=0;
    end
end

结束

figure;
imshow(t2);
title('result by sauvola');

我获得的结果如下所示：

如您所见，最终图像在较暗的点处退化了。有人可以建议如何优化我的结果吗？

您的图像亮度不统一，因此不应使用统一的阈值。您需要一个自适应阈值。这可以通过预处理图像以使图像上的亮度更加均匀来实现（用Mathematica编写的代码，您必须自己实现Matlab版本）：

一种使亮度均匀的简单方法是使用封闭滤镜从图像中删除实际文本：

white = Closing[src, DiskMatrix[5]]

过滤器的大小应选择为大于字体笔划宽度，并且小于要尝试去除的污点的大小。

编辑： 我在评论中被要求解释关闭操作的作用。这是形态膨胀，然后是形态侵蚀。膨胀实际上将结构元素移动到图像中的每个位置，并在遮罩下拾取最亮的像素，因此：

• 去除小于结构元素的深色结构
• 通过结构元素的尺寸缩小较大的深色结构
• 扩大明亮的结构

腐蚀操作的作用与此相反（它会在结构化元素内部拾取最暗的像素），因此，如果将其应用于膨胀的图像：

• 由于小于结构元素而被删除的深色结构仍然消失了
• 收缩的较暗结构再次放大到其原始大小（尽管它们的形状会更平滑）
• 明亮的结构缩小到其原始大小

因此，关闭操作将删除较小的深色对象，而对较大的深色对象和明亮的对象仅进行很小的更改。

这是一个具有不同结构元素大小的示例：

随着结构元素的大小增加，越来越多的字符被删除。在radius = 5处，所有字符均被删除。如果半径进一步增大，较小的污点也将被去除：

现在，您只需将原始图像除以该“白色图像”即可获得（几乎）均匀亮度的图像：

whiteAdjusted = Image[ImageData[src]/ImageData[white]*0.85]

现在可以使用恒定阈值对该图像进行二值化：

Binarize[whiteAdjusted , 0.6]

Nikie的答案似乎最好，而且似乎正在奏效并产生结果。因此，它无疑是赢家。

但是，仅在文档中添加一个参考即可，这可能非常快。

该技术称为自适应阈值，它不需要显式学习背景。

本质上，除了找到最合适的全局阈值外，我们还可以在局部窗口中分割图像（例如大约7x7或合适的大小），并找到随窗口移动而变化的阈值。

下面的参考详细介绍了确切的方法。 http://homepages.inf.ed.ac.uk/rbf/HIPR2/adpthrsh.htm

此方法在计算上相对较快。

使用带通滤波器的另一种方法（在MATLAB中）。玩弄高斯参数的差异可能会得到更好的结果。该过程基本上是对图像进行带通滤波以去除低频背景斑点，将其标准化为'graythresh'命令阈值图像所需的[0,1]。

加载图像并转换为灰度加倍：

I = imread('hw.jpg');
I = rgb2gray(I);
I = double(I);

使用高斯核的差异进行滤波并归一化：

J = imgaussian(I,1.5) - imgaussian(I,0.5);
J = J - min(J(:));
J = J / max(J(:));

计算阈值并作出010101：

T = J > graythresh(J);

这是用于自适应阈值的很好的Matlab代码：http : //www.mathworks.com/matlabcentral/fileexchange/8647-local-adaptive-thresholding

我会尝试这种编码。但是我没有正确的答案...

clc;
clear;
x=imread('base2.jpg');
size(x);
x=imresize(x,[500 800]);
figure;
imshow(x);
title('original image');
z=rgb2hsv(x);       %extract the value part of hsv plane
v=z(:,:,3);
v=imadjust(v);
m = mean(v(:))
s=std(v(:))
k=-2;
value=m+ k*s;
temp=v;
for p=1:1:500
    for q=1:1:800
        pixel=temp(p,q);
        if(pixel>value)
            temp(p,q)=1;
        else
            temp(p,q)=0;
        end
    end
end
figure;
imshow(temp);
title('result by niblack');
% k=kittlerMet(g);
% figure;
% imshow(k);
% title('result by kittlerMet');

val2=m*(1+.1*((s/128)-1));
t2=v;
for p=1:1:500
for q=1:1:800
    pixel=t2(p,q);
    if(pixel>value)
        t2(p,q)=1;
    else
        t2(p,q)=0;
    end
end

end
figure;
imshow(t2);
title('result by sauvola');