对已二值化图像多次应用Sauvola算法无效的问题求助

原因分析 #

第一次二值化后的mono_image是纯黑白的二值图像（像素值仅为0和255），而Sauvola阈值算法的核心逻辑是通过局部窗口内的像素均值与标准差计算自适应阈值：

thresh = mean * (1 - k * (1 - std / R))

对于纯二值图像，任意局部窗口的像素标准差要么为0（全黑/全白区域），要么是固定的高值（黑白混合区域），最终计算出的阈值会让mono_image > thresh_sauvola2的结果完全等同于原二值图像，因此第二次处理后图像无变化。这并非算法“无法处理”单色图，而是算法逻辑对纯二值图的处理结果就是保持原图状态。

可行解决方案 #

方案1：基于原始图像直接调整参数二次处理 #

若想得到不同的二值化效果，直接用原始灰度图更换参数重新计算，无需基于第一次的二值结果操作：

# 第一次Sauvola处理
thresh_sauvola = filters.threshold_sauvola(image, window_size=13, k=0.2)
mono_image = (image > thresh_sauvola) * 255
mono_image = mono_image.astype(np.uint8)

# 第二次直接用原图更换参数处理
thresh_sauvola2 = filters.threshold_sauvola(image, window_size=301, k=0.9)
mono_image2 = (image > thresh_sauvola2) * 255
mono_image2 = mono_image2.astype(np.uint8)

方案2：对第一次二值图做预处理后再阈值 #

如果必须基于第一次的二值结果操作，先通过模糊或形态学变换引入灰度过渡，再应用Sauvola算法：

# 对第一次二值图做高斯模糊，引入灰度层次
blurred_mono = cv2.GaussianBlur(mono_image, (5,5), 0)
# 再用Sauvola算法处理
thresh_sauvola2 = filters.threshold_sauvola(blurred_mono, window_size=301, k=0.9)
mono_image2 = (blurred_mono > thresh_sauvola2) * 255
mono_image2 = mono_image2.astype(np.uint8)

方案3：换用其他方法调整二值图 #

对于纯二值图，Sauvola的自适应特性无法发挥作用，可直接用全局阈值或形态学操作调整：

# 示例：全局阈值反转
_, mono_image2 = cv2.threshold(mono_image, 127, 255, cv2.THRESH_BINARY_INV)
# 示例：形态学开运算（去除小噪点）
kernel = np.ones((3,3), np.uint8)
mono_image2 = cv2.morphologyEx(mono_image, cv2.MORPH_OPEN, kernel)

内容的提问来源于stack exchange，提问作者Prometheus