如何适配黑底白字/白底黑字场景实现OCR图像二值化处理

原实现失效的核心原因有三点：

1. 固定使用THRESH_BINARY阈值模式，强制输出固定明暗方向的二值结果，无法自动适配黑底/白底两类输入
2. 固定使用3x3全1卷积核做先腐蚀后膨胀的形态学操作，对细笔画文字损伤大，容易出现文字糊块、断裂问题
3. 输出格式未对齐Tesseract的默认输入要求：Tesseract默认训练数据针对白底黑字场景优化，直接输入黑底白字图识别率会大幅下降。

优化逻辑 #

• 保留原实现的除法归一化逻辑，解决常规场景下的局部光照不均问题，保证原有场景效果不回退
• 新增底色自动判断逻辑：取图像四周边缘区域（大概率为纯背景）计算平均亮度，自动识别当前是亮底还是暗底
• 二值化时根据底色自动选择正向/反向阈值模式，最终统一输出为白底黑字格式，完全匹配Tesseract输入要求
• 替换原有的3x3全1核为小尺寸十字形结构元素，做轻度开运算去噪，最大程度保留文字笔画完整性，避免糊块、断裂
• 去掉原代码中固定传入的阈值参数100，完全交给OTSU算法自动计算全局最优阈值，适配不同对比度场景

优化后完整代码 #

import cv2
import numpy as np

def preprocessing(image):
    # 转单通道灰度图
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    img_h, img_w = gray.shape

    # 光照归一化：通过不同核大小的中值模糊做除法，消除局部光照差影响
    blur_fine = cv2.medianBlur(gray, 3)
    blur_coarse = cv2.medianBlur(gray, 51)
    divided = np.ma.divide(blur_fine, blur_coarse).data
    normed = np.uint8(255 * divided / divided.max())

    # 取图像四周10%宽度的边缘像素计算背景平均亮度，避免中间文字区域干扰判断
    edge_area = np.concatenate([
        normed[:int(img_h*0.1), :].flatten(),
        normed[int(img_h*0.9):, :].flatten(),
        normed[:, :int(img_w*0.1)].flatten(),
        normed[:, int(img_w*0.9):].flatten()
    ])
    bg_avg_bright = np.mean(edge_area)

    # 根据背景亮度选择二值化模式，统一输出白底黑字
    if bg_avg_bright > 127:
        # 亮背景场景：正向二值化
        _, binary_img = cv2.threshold(normed, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)
    else:
        # 暗背景场景：反向二值化转成白底黑字
        _, binary_img = cv2.threshold(normed, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)

    # 小尺寸十字核做轻度开运算，去除孤立杂点同时不破坏文字笔画
    denoise_kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (2, 2))
    binary_img = cv2.morphologyEx(binary_img, cv2.MORPH_OPEN, denoise_kernel, iterations=1)

    return binary_img

适配效果说明 #

常规场景 #

原有常规白底黑字文档场景处理效果和原实现完全一致，无效果回退：

• 原始图像：
  
• 二值化结果：
  

正反底色异常场景 #

两类反色、低对比度场景下都能输出清晰的白底黑字结果，文字笔画完整无糊块，可直接输入Tesseract识别：

• 黑底白字测试原图：
  
• 低对比度测试原图：
  

参数调优提示 #

• 如果处理的图像文字笔画极细，可以把去噪核大小从(2,2)改为(1,1)，或者直接去掉形态学去噪步骤，避免笔画被清除
• 如果遇到光照差极大的场景，可以把大核中值模糊的核大小51调整为图像最短边长度1/10左右的奇数值，光照归一化效果会更稳定
• 如果需要处理带复杂边框的图像（边缘不是纯背景），可以把底色判断逻辑替换为统计OTSU阈值输出后的前后景像素占比，自动选择是否反色即可

内容的提问来源于stack exchange，提问作者Yash Mistry