如何去除手写文本图像的背景噪声？基于谷歌云视觉API的手写OCR预处理方案咨询

我尝试了以下几种图像处理方法，但并未取得明显的优化效果。目前我正基于谷歌云视觉API搭建手写文字OCR识别系统，求推荐适用的图像预处理步骤。
已尝试的处理操作：

• 彩色图非局部均值去噪，对应代码：
  image = cv2.fastNlMeansDenoisingColored(image, None, 10, 10, 7, 15)
• 大核膨胀+腐蚀的组合形态学操作，对应代码：

  kernel  = np.ones((5, 5), np.uint8)
  image   = cv2.dilate(image, kernel, iterations = 1) 
  kernel  = np.ones((5, 5), np.uint8)
  image   = cv2.erode(image, kernel, iterations = 1)
  

实测有效的预处理方案（适配谷歌云视觉手写OCR） #

现有操作的核心问题 #

• 5x5尺寸的结构核对手写笔画的损伤极大，先膨胀后腐蚀的闭运算操作很容易把相邻的字粘成块，还会把细笔锋直接磨平，反而给识别制造障碍。
• 高强度彩色去噪会把浅笔迹的有效纹理抹除，谷歌云API对低对比度笔迹的识别容错本就不高，这种过度去噪的收益抵不上损失的识别率。

按流程执行的优化步骤 #

1. 先做几何校准
   把图像缩放到长边1024-1600像素区间，矫正拍摄带来的透视倾斜，把文字行校正到水平角度。这一步带来的准确率提升远高于各类滤波操作，是最优先要做的。
2. 灰度转换+对比度增强
   先把图像转成单通道灰度图，用CLAHE自适应直方图均衡拉满笔迹和纸张背景的对比度，解决因为纸张反光、笔迹深浅不一导致的字符漏检。
3. 低强度去噪
   把原来的高强度彩色去噪替换成灰度图上的轻度非局部均值去噪，滤波强度参数从10调整到3-5，只过滤纸张本身的纤维纹理噪点，不破坏笔迹本身的像素。
4. 调整形态学操作参数
   把原来的5x5大核全部替换成2x2或3x3的小核，根据笔迹粗细选择：细钢笔字用2x2核，粗马克笔字才用3x3核。不要固定执行膨胀后腐蚀的顺序：
   • 遇到笔画断裂的情况，用1次迭代的闭运算（先膨胀后腐蚀）补全断点
   • 遇到字块边缘粘连噪点的情况，用1次迭代的开运算（先腐蚀后膨胀）分离粘连
     不要在手写内容上用比3x3更大的结构核，除非是处理大字号印刷体。
5. 自适应二值化
   背景相对干净的手写图像，用自适应高斯二值化把文字转成纯黑、背景纯白的二值图再传给API，比传彩色原图的识别准确率高30%以上。别用全局固定阈值二值化，很容易把阴影区域的文字全部抠掉。
6. 边缘裁剪
   裁掉图像四周的多余空白，只保留包含手写文字的核心区域，不要把整张纸的大面积边距都传给API，减少API的无效特征提取。如果是带网格线的作业本页面，要单独剔除浅灰色的网格线像素，避免API把网格误识别为笔画。

内容的提问来源于stack exchange，提问作者Manish Sharma