So erhalten Sie Magic Color-Effekte wie Cam Scanner mit OpenCV

Dies ist das Originalbild.

Cam Scanner Magischer Farbeffekt.

Mein Filter auf dem Bild.

Ich ändere den Kontrast des Bildes.

dst.convertTo(dst, -1, 2, 0);

Verwenden Sie dann die Gaußsche Unschärfe zum Glätten.

cv::GaussianBlur(dst,result,cv::Size(0,0),3);
cv::addWeighted(dst, 1.5, result, -0.5, 0, result);

Was sollte ich tun, um diese Art von Effekt auf mein Bild zu erzielen?

AKTUALISIEREN

Nach Histogrammausgleich –

vector<Mat> channels;
Mat img_hist_equalized;
cvtColor(dst, img_hist_equalized, CV_BGR2YCrCb);
split(img_hist_equalized,channels);
equalizeHist(channels[0], channels[0]);
merge(channels,img_hist_equalized);
cvtColor(img_hist_equalized, img_hist_equalized, CV_YCrCb2BGR);

Die Camscanner-Anwendung verwendet möglicherweise einen komplexen Algorithmus, um verschiedene Blitzfälle usw. zu behandeln. Aber ich werde versuchen, einen grundlegenden Ansatz für ein solches Problem zu beschreiben. Die Grundidee hier ist Binarisierung des gegebenen Eingangsbildes, Oder genauer können wir sagen Halten ein bestimmtes Bild, Wenn Sie sich die OpenCV-Dokumentation ansehen, gibt es viele Verweise auf die Schwellenwertbildung für ein bestimmtes Bild. Fangen wir also mit dem an Dokumentation.

• Globale Schwellenwerte: Bei diesem Ansatz gehen wir davon aus, dass der Intensitätswert des Vordergrunds immer unter einem bestimmten Wert liegt. Im Zusammenhang mit bedruckten Blättern gehen wir davon aus, dass die Tintenfarbe immer schwarz und die Papierfarbe gleichmäßig ist und die Intensität größer ist als die Intensität der Tintenfarbe , also nehmen wir sicher einen Schwellenwert an (sagen wir 40) (max. ist 255) und setzen das Eingabebild als Schwellenwert:

   ret, thresh1 = cv2.threshold(img, 100, 255, cv2.THRESH_BINARY)
  

    ret, thresh1 = cv2.threshold(img, 130, 255, cv2.THRESH_BINARY)

There are many disadvantages to this method, First of all it is **NOT** independent of intensity variance, So there is a very less chance that you can accurately estimate  a threshold value which segments text from the given image, It has very limited applications, can be only applied in case where the background paper is exactly white with minimum variation in intensity, so this process cannot be used for **Real world** images.

• Adaptive Schwellenwerte: Diese Methode deckt das Problem der Intensitätsvariation in dem gegebenen Bild ab, hier erfolgt die Schwellenwertbildung auf den Werten benachbarter Pixel. Übergänge von niedrigerer Intensität zu höherer und umgekehrt werden also mit dieser Methode erfolgreich erfasst als:

   thresh = cv2.adaptiveThreshold(original_img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
  

*Further Work*: You may work on various techniques of denoising the binary image, to remove the dots, Or have a look at removing the salt and pepper noise from the image.

• Otus Binarisierung: Dies ist noch ein weiterer netter Ansatz, der den Schwellenwert zwischen den Maxima intelligent berechnet. Es kann in einigen Fällen sehr gut funktionieren, aber es scheint in Ihrem Fall zu scheitern.

   ret2,thresh = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
  

Es tut im Grunde dasselbe globale Schwellenwerte Aber jetzt wird der Schwellenwert automatisch so berechnet, dass der Schwellenwert zwischen 2 Spitzen liegt und somit die Tinte vom Papier segmentiert.

Empfohlene Methode:
Ich denke, der beste Ansatz für den Anfang ist Adaptive SchwellenwerteSie können einige andere Vorverarbeitungstechniken ausprobieren, z. B. das Schärfen von Bildern, Histogrammausgleichusw. und analysieren Sie, wie es eine realistischere Ausgabe erzeugt. Sie können auch versuchen, einige Nachbearbeitungen durchzuführen, z Entrauschen des Bildes, Morphologische Operationen

Ich habe versucht, das Bild zu entrauschen und fand es effektiver als andere Ansätze,

denoised = cv2.fastNlMeansDenoising(thresh, 11, 31, 9) # you may experiment with the constants here

Aber ich begrüße Sie, verschiedene Kombinationen der oben genannten Ansätze auszuprobieren, um zu sehen, welcher für alle Fälle funktioniert.

Notiz: Die obige Technik kann für weniger farbenfrohe Bilder funktionieren. Hier ist jedoch eine weitere hervorragende Antwort, die den Fall farbiger Bilder lösen kann.

Eine sehr einfache, aber effektive Methode, um mit dieser Art von Bild umzugehen, ist eine Flat-Field-Korrektur.

Zuerst erzeugen Sie ein “gefälschtes” Flat-Field-Bild F durch Anwendung von a sehr starken Unschärfefilter auf das Originalbild I. Dann multiplizierst du I mittels Fund teilen Sie das resultierende Bild durch F (Pixel für Pixel), um das korrigierte Bild zu erhalten C. Die Multiplikation ist nur da, um die Gesamthelligkeit zu erhalten, bei der Division passiert die Magie.

Grundsätzlich dies: C = (I * mean(F)) / F

Das resultierende korrigierte Bild C werden die meisten, wenn nicht alle unerwünschten großflächigen Beleuchtungen und Farben entfernt. Dann bleibt nur noch etwas Kontraststreckung, und Sie erhalten ein Ergebnis, das dem bereitgestellten Referenzbild sehr ähnlich ist. (Graustufen, hoher Kontrast, aber ohne Schwellenwert)

Wenn Sie sich fragen, wie das Ergebnis für das bereitgestellte Bild aussieht …

Zuerst das flache Feld:

Dann das korrigierte Bild:

Und schließlich, nach Erhöhung des Kontrasts:

Das Schwierigste daran ist, das flache Feld genau richtig hinzubekommen, da Sie es genug verwischen möchten, um den Text loszuwerden, während gleichzeitig der Hintergrund so weit wie möglich erhalten bleibt. Hier können nichtlineare Filter (zB Median) Abhilfe schaffen.

Ich habe Photoshop verwendet, um die Bearbeitungstechniken herauszufinden, die zum Erzielen des Scan-Effekts erforderlich sind.

In Photoshop kann der Scan-Effekt mit den Operationen „Weißpunkt setzen“ und „Schwarzpunkt setzen“ erreicht werden, die von der Funktion „Tonwertkorrektur“ bereitgestellt werden. Die Kombination dieser beiden Vorgänge führt zu dem Scan-Effekt, der in verschiedenen mobilen Apps oft als „magische Farbe“ angesehen wird.

Abgesehen davon kann der Hochpassfilter zusammen mit den beiden oben genannten Operationen verwendet werden, um einige aufregende Ergebnisse wie das Entfernen von Schatten zu erzielen.

Das Scannen von Dokumenten im “Schwarzweiß”-Modus wird durch die Verarbeitung des Bildes im LAB-Farbraum mit OpenCV erreicht.

Die oben genannten Operationen können in OpenCV unter Verwendung verschiedener Schwellwerttechniken und einiger grundlegender mathematischer Operationen implementiert werden.

Sie können einmal durchgehen dieses Depot um einen vollständigen Einblick in das zu bekommen, was ich zu sagen versuche.

Ich habe eine vollständige Wiki-Dokumentation für das Projekt im obigen Repo hinzugefügt.

Diese Antwort scheint nicht sehr informativ zu sein, aber da das Repo eine ausführliche Diskussion enthält, halte ich diesen Beitrag kurz.

Beispiel für Ergebnisse, die wir mit diesen Techniken erzielen können:

Markierungen in diesem Bild helfen uns, die Art der Ausgabe von jedem Modus zu verstehen, der im GitHub-Repo besprochen wird:

Ich habe Code geschrieben, der so etwas macht, allerdings nicht mit OpenCV.

Normalerweise würde ich ein Histogramm analysieren, basierend auf dem Histogramm schätzen, was “Weiß” und “Schwarz” ist, und dann die Bildwerte so skalieren, dass Schwarz unter 0 und Weiß über 1 skaliert wird (oder 255, je nach Ihrer Darstellung). , schließlich die Farbwerte festklemmen.

Mit OpenCV gibt es jedoch möglicherweise einen einfacheren Weg. Versuchen Sie, den Histogrammausgleich auf Ihrer zugeschnittenen Seite zu verwenden, bevor Sie einen Kontrastfilter anwenden – das sollte die Pixelwerte konsistenter verteilen, sodass die Anpassung des Kontrasts in mehr Situationen zuverlässiger funktioniert. Sie könnten versuchen, zu verwenden lokalisiert Histogrammausgleich, um Farbverläufe auf dem zugeschnittenen Bild aufgrund der Beleuchtung abzumildern, aber dies kann Probleme mit leeren Bereichen der Seite verursachen.

Mir ist klar, dass ich etwas spät zum Spiel komme, aber ich habe diese großartige, einfache Lösung gefunden:

src.convertTo(dst, -1, 1.9, -80);

src und dst können dasselbe Image sein, wenn Sie in einer Verarbeitungspipeline arbeiten.