图像折痕与扭曲去除

一、前言

去除历史扫描文件图片中的折痕，主要为技术探讨。
参考文献：http://www.doc88.com/p-0886436885083.html
主要使用：二值化与骨架提取

文章基于路径搜索折痕检测方法的系统框图如下：

首先，包含折痕的感兴 趣区域可以根据亮度值的分布提取出来。基于凸包络的算法用于提取出感兴趣区 域的阴影图像。利用折痕两侧的亮度不同对阴影图像进行滤波得到折痕位置图。 对滤波后的图像进行二值化。保留最大连通域。之后运用形态学膨胀和骨骼细化操作产生路径搜索图。最后运用迪杰斯特拉算法进行路径搜索的到折痕的准确位置。

二、统计直方图获取ROI

import cv2    
import numpy as np
import matplotlib.pyplot as plt

def calcAndDrawHist(image):  
    return cv2.calcHist([image], [0], None, [256], [0.0,255.0])


def show_hist(original_img):
    b, g, r = cv2.split(original_img)
    histImgB = calcAndDrawHist(b)  
    histImgG = calcAndDrawHist(g)  
    histImgR = calcAndDrawHist(r)  
    plt.plot(histImgB,'b')
    plt.plot(histImgG,'g')
    plt.plot(histImgR,'r')
    plt.show()
    
def count_colors(original_img): # 测试用
    height,width = original_img.shape[:2]
    b, g, r = cv2.split(original_img)
    b_color = np.multiply(b,65025)
    g_color = np.multiply(g,250)
    colors = b_color + g_color + r
    num_color = colors.reshape(1,-1)[0]
    len_color = int(len(num_color)*(1-0.05))
    print("[num_color]",len(num_color))
    print("[len_color]",len_color)

    histImg = np.bincount(num_color)
    New_Img = np.zeros((height,width),dtype=np.uint8)
    for y in range(height):
        for x in range(width):
            if 55955  < colors[y,x]:
                New_Img[y,x] = 255
    plt.plot(histImg,'b')
    plt.show()

    
def count_gray(original_img):
    height,width = original_img.shape[:2]
    gray_img = cv2.cvtColor(original_img,cv2.COLOR_BGR2GRAY)
    num_color = gray_img.reshape(1,-1)[0]
    len_color = int(len(num_color)*(1-0.05))
    print("[num_color]",len(num_color))
    print("[len_color]",len_color)

    New_Img = np.zeros((height,width),dtype=np.uint8)
    for y in range(height):
        for x in range(width):
            if 190  < gray_img[y,x]:
                New_Img[y,x] = 255
    cv2.imwrite("./count_gray.png",New_Img)
    return New_Img


    
def draw_convexHull(original_img,New_Img):
    height,width = original_img.shape[:2]
    ret, thresh = cv2.threshold(New_Img, 127, 255, cv2.THRESH_BINARY)
    contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
    contours_ok = []
    len_contours = len(contours)
    if 0 < len_contours:
        contours_temp = []
        for c in contours:
            x, y, w, h = cv2.boundingRect(c)
            if w >= 5 and h >= 3:
                contours_temp.append([x, y, x+w, y+h])
        if 0 < len(contours_temp):
            contours_np = np.array(contours_temp)
            col_max = np.max(contours_np,axis=0)
            col_min = np.min(contours_np,axis=0)
            contours_ok = [col_min[0],col_min[1],col_max[2],col_max[3]]
            print("contours_ok",contours_ok)
            cv2.rectangle(original_img, (0,contours_ok[1]+3), (width,contours_ok[3]+3), (255,255,255), 4)
            cv2.imshow('line', original_img)
            cv2.imwrite("./ROI.png",original_img)
            cv2.waitKey(0)
            cv2.destroyAllWindows()

if __name__ == '__main__':  
    original_img = cv2.imread("./2222.jpg")
    show_hist(original_img)
    count_colors(original_img)
    New_Img = count_gray(original_img)
    draw_convexHull(original_img,New_Img)

如下为原图（original_img）与处理后的二值图（count_gray.png）以及ROI

三、提取ROI的阴影图片

待续

总结与说明：
以上为技术探讨，如用于生产需要用C++重写或者Cython加速。