Esta pregunta ha sido respondida muy bien desde diferentes perspectivas, y solo quiero resumir mi experiencia y también enfatizar algunos problemas relacionados con la binarización adaptativa.
La binarización adaptativa se puede dividir en tres categorías:
1) Método global: con este método se estima primero el fondo de la imagen; después de eso, se genera una imagen normalizada con la ayuda de la información de fondo. Entonces se emplea el método de binarización global.
2) Método basado en parche: como su nombre indica, el método basado en parche realizará la binarización parche por parche. En cada parche, se estima una binarización con un método de binarización global. Después de eso, se realiza un procesamiento posterior para demandar que el umbral de binarización en parches vecinos tenga una transición suave.
3) Método de ventana móvil: con este método, la binarización se realiza píxel por píxel. Se configura una ventana móvil para calcular las estadísticas de píxeles dentro de la ventana y, en función de las estadísticas, se calcula el umbral para el píxel central dentro de la ventana.
Es muy difícil saber qué método es el mejor, ya que depende de la aplicación. Cuando piense en una binarización adaptativa, no olvide considerar las siguientes preguntas:
1) configuración de parámetros: ¿el método tiene un procedimiento de configuración automática de parámetros? ¿Cómo podemos establecer los parámetros muy bien para que pueda funcionar en la mayoría de los casos?
2) ¿Cuál es el criterio para justificar una buena binarización adaptativa? En muchos casos, la diferencia entre los diferentes métodos de binarización es realmente pequeña. Sin embargo, la pequeña diferencia puede conducir a una gran diferencia al final.
3) ¿puede la binarización funcionar en algunas situaciones particulares? Por ejemplo, supongamos que el objetivo de la binarización adaptativa es extraer mientras los objetos del fondo negro, ¿puede la binarización adaptarse automáticamente a esta situación? O vice visa.
4) los métodos adaptativos tienen la tendencia de enfocarse solo en las configuraciones locales, por lo tanto, el resultado binario no está optimizado. Por ejemplo, el famoso método Sauvola generará un objeto hueco si el objeto a optimizar es mucho más grande que la ventana en movimiento. ¿Puede su método adaptativo conquistar esta limitación?
5) preprocesamiento. Una buena binarización también debe incluir información privilegiada de procesamiento de imágenes. Si la imagen está demasiado borrosa, puede ajustar automáticamente los parámetros del algoritmo o invocar algún preprocesamiento para evitar una mala binarización.