Локальное пороговое значение или бинаризация текста на изображении

да, используйте niblack (opencv имеет его как функцию) - в основном он использует локальное среднее значение для построения переменной theshold. это лучше всего работает для OCR. в зависимости от разрешения изображения вы также можете бикубически повышать дискретизацию в 2 или 3 раза ДО порогового значения.

Это довольно сложно, поскольку качество ваших изображений очень низкое, но вы можете попробовать итеративный глобальный пороговый подход следующим образом:

1. Произвольно выберите начальный порог оценки T (обычно как среднее значение).
2. Сегментируйте сигнал, используя T, что даст две группы: G1, состоящая из всех точек со значениями‹=T, и G2, состоящая из точек со значением>T.
3. Вычислите среднее расстояние между точками G1 и T и точками G2 и T.
4. Вычислить новое пороговое значение T=(M1+M2)/2
5. Повторяйте шаги со 2 по 4, пока изменение T не станет достаточно меньшим.

Хитрость заключается не в том, чтобы применить его ко всему изображению, а в том, чтобы разбить изображение на блоки (например) 5x5 и применить его к блокам по отдельности, что даст вам:

Ниже приведена реализация на R, которую, я уверен, вы сможете воспроизвести.

getT = function(y){
  t = mean(y)

  mu1 = mean(y[y>=t])
  mu2 = mean(y[y 1){
      cmu1 = mean(y[y>=t])
      cmu2 = mean(y[y 1 & cmu1 == mu1 & cmu2 == mu2){
      print(paste('done t=', t))
      return(t)
      break;
    }else{
      mu1 = cmu1 
      mu2 = cmu2
      t = (mu1 + mu2)/2
      print(paste('new t=', t))
    }
    i = i+1
  }
}


r = seq(1, nrow(image), by=5)
c = seq(1, ncol(image), by=5)
r[length(r)] = nrow(image)
c[length(c)] = ncol(image)
y = image
for(i in 2:length(r) ){
  for(j in 2:length(c) ){
    block = image[r[i-1]:r[i], c[j-1]:c[j]]
    t = getT(block)
    y[r[i-1]:r[i], c[j-1]:c[j]] = (block>t)+0
  }
}

display(y)

Другим вариантом, кроме локального порога, может быть регулировка меняющегося освещения. Существуют методы, которые пытаются исправить освещение и сделать его равномерным по всему изображению. Затем вы можете использовать постоянный порог или продолжать использовать локальный порог, возможно, с большим успехом. Если изображения похожи на то, что вы показываете, вы можете использовать более яркие квадраты вокруг букв в качестве ключа для регулировки освещения.