OpenCV Python：光照不均文档照片的最优阈值处理方案咨询

兄弟，我太懂你这个困扰了！之前做文档扫描工具的时候，Otsu阈值在光照均匀的场景下确实省心，但一碰到那种半边亮半边暗、或者有阴影的文档，直接就崩了。给你几个我亲测有效的改进方向，都是实战里用下来靠谱的：

1. 用自适应阈值替代全局Otsu #

全局Otsu是拿整张图的灰度分布来计算阈值，局部光照不均的时候，这个全局阈值肯定适配不了所有区域。自适应阈值就聪明多了——它会把图像切成一个个小区域，每个区域单独计算阈值，完美适配局部的明暗差异。

代码示例：

import cv2

# 转灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 高斯加权自适应阈值：blockSize必须是奇数，C是微调阈值的常数
thresh = cv2.adaptiveThreshold(
    gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
    cv2.THRESH_BINARY_INV, 11, 2
)

你可以根据文档里文字的大小调整blockSize，比如文字越大，这个值可以设得越大（比如15、21这类奇数）。

2. 先做CLAHE对比度校正再阈值 #

普通的直方图均衡化会把亮部拉得更亮、暗部压得更暗，反而容易丢失文字细节。而**CLAHE（限制对比度自适应均衡）**会限制每个小区域的对比度提升幅度，既能提亮暗部文字，又不会让亮部过曝，对光照不均的文档特别友好。

代码示例：

import cv2

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 创建CLAHE对象：clipLimit控制对比度上限，tileGridSize是分块大小
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
# 应用CLAHE到灰度图
clahe_gray = clahe.apply(gray)
# 再对校正后的图用Otsu阈值
_, thresh = cv2.threshold(clahe_gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

如果你的文档阴影特别重，可以适当调高clipLimit（比如到3.0）试试。

3. 背景建模法抵消光照影响 #

这个思路更直接：先把文档的纯背景（没有文字的区域）提取出来，然后用原图除以背景，就能抵消掉光照的不均匀性——因为背景的灰度变化就是光照的变化，相除后就能得到统一亮度的文字区域。

代码示例：

import cv2

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 用形态学开运算提取背景：kernel要比最大的文字块大，才能完全去掉文字
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (50, 50))
background = cv2.morphologyEx(gray, cv2.MORPH_OPEN, kernel)
# 原图除以背景，再归一化到0-255范围
corrected = cv2.divide(gray, background, scale=255)
# 最后做阈值处理
_, thresh = cv2.threshold(corrected, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

注意kernel的尺寸要根据你的文档调整，如果文字很大，就把这个值调大一些。

4. 彩色文档用Lab颜色空间单独处理亮度 #

如果是彩色文档，直接转灰度处理可能会损失一些颜色相关的信息（比如彩色文字）。这时候可以转成Lab颜色空间，单独对亮度通道（L通道）做校正，再转回BGR，既解决光照问题，又保留颜色。

代码示例：

import cv2

# 转Lab颜色空间
lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
l_channel, a_channel, b_channel = cv2.split(lab)

# 对L通道做CLAHE校正
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
l_clahe = clahe.apply(l_channel)

# 合并通道转回BGR
lab_corrected = cv2.merge((l_clahe, a_channel, b_channel))
img_corrected = cv2.cvtColor(lab_corrected, cv2.COLOR_LAB2BGR)

# 再转灰度做阈值处理
gray = cv2.cvtColor(img_corrected, cv2.COLOR_BGR2GRAY)
_, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

这些方法还可以组合使用，比如先做CLAHE校正，再用自适应阈值，效果会更稳定。你可以根据自己的文档场景选最适合的，或者多试试组合～

内容的提问来源于stack exchange，提问作者Martin Eckleben