如何去除TIFF中的水印以提高OCR

Question

我有一堆未压缩的黑白TIF文档图像。它们的中间都有一个水印。当我通过OCR运行它们时，与水印重叠的文本无法识别。我正在尝试是否可以应用某种类型的清理来删除这些水印，以便能够识别丢失的文本。

同样，图像是黑白的，但当您查看水印时，它显示为灰色，因为它具有黑白像素的图案，这使得水印中的字母不像常规文本那样“密集”。同时，水印字母非常大，比普通文本要大得多。

一个有点类似的图像的例子是this (除了这个是彩色的，在我的例子中水印字符更粗更大；我的水印也短得多:只有3到4个字母长)

似乎有一些清理滤镜类似于从图像中删除大的黑色边框，除了边框在视觉上比水印更“密集”，所以它们看起来“更黑”。

我有3个工具可供选择: GIMP，ImageMagick和IrfanView。你能推荐这些工具的任何子集的任何特定功能，可能对我有帮助吗？

Answer 1

玩对比度等没有帮助，但我找到了一种不同的方法。如上所述，常规文本比水印文本“密集”得多，这意味着常规黑色像素比水印黑色像素具有更多的周围黑色像素。因此，我设计了一个简单的基于窗口的过滤和阈值算法。

下面是我如何在Matlab中使用5X5窗口完成此操作：

im=imread('imageWithWmark.tif');
imInv = ~im;
nr=size(imInv,1);
nc=size(imInv,2);

d = 2;  % for 5X5 window
counts = zeros(nr,nc);
for rr = d+1 : nr-d-1
for cc = d+1 : nc-d-1
    counts(rr,cc) = nnz(imInv(rr-d:rr+d,cc-d:cc+d));
end
end

thresh=10;  % 10 out of 25 -- the larger the thresh the thinner the resulting letters are
imThresh = (counts>=thresh) & imInv;
imwrite(~imThresh,sprintf('Thresh_%d.tif',thresh),'Compression','none','Resolution',300);

当然，窗口的大小、阈值和其他参数取决于页面上常规文本的参数(字母更大/更小、更粗/更细等)，但即使是这个初始版本也工作得很好