R语言,image.binarization包,对图像进行二值化以增强光学字符识别

机器学习

R语言

R语言与黑白照片

R语言与阈值

OCR文字识别

R语言与OCR文字识别

R语言图像处理

R语言黑白照片

去色

包预设了多个参数,其中一个
# Sun Sep 27 00:27:20 2020 -

# 字符编码:UTF-8
# R 版本:R x64 4.0.2 for window 10
# cgh163email@163.com
# 个人笔记不负责任
# —— 拎了个梨🍐
.rs.restartR()

rm(list=ls());gc()

library(magick)
require(image.binarization)

# image.binarization对图像进行二值化以增强光学字符识别
#它是依赖于magick的
#
f   <- system.file("extdata", "doxa-example.png", package = "image.binarization")
img <- image_read(f)
# Sun Sep 27 00:34:47 2020 -# 去色:-----------------------------

img2 <- image_convert(img, format = "PGM", colorspace = "Gray")
par(mfrow=c(1,2))
plot(img)
plot(img2,main='image_convert去色')

# 灰度直方图的阈值选择方法:
# 请注意,重要的是,您必须以整数形式提供窗口/阈值/对比度限制,minN,字形参数(例如,在75L中),而其他参数则以数字形式提供。
#
binary <- image_binarization(img, type = "otsu")
binary
# 贝恩森:窗口(75L),k(0.2),阈值(100L),对比度极限(25L):
binary <- image_binarization(img,
                             type = "bernsen",
                             opts = list(
                               window = 50L,
                               k = 0.2,
                               threshold = 50L
                             ))
binary
# 尼布莱克: window(75L), k(0.2):
binary <- image_binarization(img, type = "niblack", opts = list(window = 75L, k = 0.2))
binary
# 卫星式样:窗(75L),k(0.2):
binary <- image_binarization(img, type = "sauvola")
binary
# 狼
binary <- image_binarization(img, type = "wolf")
binary
# nick: window(75L), k(-0.2):
binary <- image_binarization(img, type = "nick", opts = list(window = 75L, k = -0.2))
binary
# gatos: window(75L), k(0.2), glyph(60L):
binary <- image_binarization(img, type = "gatos", opts = list(window = 75L, k = 0.2, glyph = 50L))
binary
# su: window(75L), minN(75L)
binary <- image_binarization(img, type = "su", opts = list(window = 20L))
binary
# trsingh: window(75L), k(0.2)
binary <- image_binarization(img, type = "trsingh")
binary
# bataineh:无:
binary <- image_binarization(img, type = "bataineh")
binary
# wan: window(75L), k(0.2):
binary <- image_binarization(img, type = "wan")
binary
# isauvola: window(75L), k(0.2):
binary <- image_binarization(img, type = "isauvola", opts = list(window = 75L, k = 0.2))
binary

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,240评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,328评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,182评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,121评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,135评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,093评论 1 295
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,013评论 3 417
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,854评论 0 273
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,295评论 1 310
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,513评论 2 332
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,678评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,398评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,989评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,636评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,801评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,657评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,558评论 2 352