尼布莱克和索沃拉阈值

NiBlack和Sauvola阈值是局部阈值技术，对于背景不均匀的图像非常有用，尤其是对于文本识别 1, 2. 不是为整个图像计算单个全局阈值，而是通过使用特定公式为每个像素计算多个阈值，这些公式考虑了局部邻域(由以像素为中心的窗口定义)的平均和标准偏差。

在这里，我们使用这些算法对图像进行二值化，并将其与常见的全局阈值技术进行比较。参数 window_size 确定包含周围像素的窗口的大小。

1

尼布莱克，W(1986)，数字图像处理导论，普伦蒂斯霍尔。

2

J.Sauvola和M.Pietikainen，<自适应文档图像二值化>，《模式识别》33(2)，第225-236页，2000。 DOI:10.1016/S0031-3203(99)00055-2

import matplotlib
import matplotlib.pyplot as plt

from skimage.data import page
from skimage.filters import (threshold_otsu, threshold_niblack,
                             threshold_sauvola)


matplotlib.rcParams['font.size'] = 9


image = page()
binary_global = image > threshold_otsu(image)

window_size = 25
thresh_niblack = threshold_niblack(image, window_size=window_size, k=0.8)
thresh_sauvola = threshold_sauvola(image, window_size=window_size)

binary_niblack = image > thresh_niblack
binary_sauvola = image > thresh_sauvola

plt.figure(figsize=(8, 7))
plt.subplot(2, 2, 1)
plt.imshow(image, cmap=plt.cm.gray)
plt.title('Original')
plt.axis('off')

plt.subplot(2, 2, 2)
plt.title('Global Threshold')
plt.imshow(binary_global, cmap=plt.cm.gray)
plt.axis('off')

plt.subplot(2, 2, 3)
plt.imshow(binary_niblack, cmap=plt.cm.gray)
plt.title('Niblack Threshold')
plt.axis('off')

plt.subplot(2, 2, 4)
plt.imshow(binary_sauvola, cmap=plt.cm.gray)
plt.title('Sauvola Threshold')
plt.axis('off')

plt.show()