Niblack 和 Sauvola 閾值化

Niblack 和 Sauvola 閾值是局部閾值化技術，適用於背景不均勻的影像，特別是文字辨識 [1]、 [2]。它不是為整個影像計算單個全域閾值，而是透過使用特定的公式為每個像素計算幾個閾值，這些公式考慮到局部鄰域（由以像素為中心的視窗定義）的平均值和標準差。

在這裡，我們使用這些演算法對影像進行二值化，並將其與常見的全域閾值化技術進行比較。參數 window_size 決定包含周圍像素的視窗大小。

[1]

Niblack, W (1986), An introduction to Digital Image Processing, Prentice-Hall。

[2]

J. Sauvola and M. Pietikainen, “Adaptive document image binarization,” Pattern Recognition 33(2), pp. 225-236, 2000. DOI:10.1016/S0031-3203(99)00055-2

import matplotlib
import matplotlib.pyplot as plt

from skimage.data import page
from skimage.filters import threshold_otsu, threshold_niblack, threshold_sauvola


matplotlib.rcParams['font.size'] = 9


image = page()
binary_global = image > threshold_otsu(image)

window_size = 25
thresh_niblack = threshold_niblack(image, window_size=window_size, k=0.8)
thresh_sauvola = threshold_sauvola(image, window_size=window_size)

binary_niblack = image > thresh_niblack
binary_sauvola = image > thresh_sauvola

plt.figure(figsize=(8, 7))
plt.subplot(2, 2, 1)
plt.imshow(image, cmap=plt.cm.gray)
plt.title('Original')
plt.axis('off')

plt.subplot(2, 2, 2)
plt.title('Global Threshold')
plt.imshow(binary_global, cmap=plt.cm.gray)
plt.axis('off')

plt.subplot(2, 2, 3)
plt.imshow(binary_niblack, cmap=plt.cm.gray)
plt.title('Niblack Threshold')
plt.axis('off')

plt.subplot(2, 2, 4)
plt.imshow(binary_sauvola, cmap=plt.cm.gray)
plt.title('Sauvola Threshold')
plt.axis('off')

plt.show()