3. 图像去噪处理

任务说明

本案例针对工业OCR场景中常见的图像噪声问题，对一张包含椒盐噪声的字符图像分别实施高斯滤波与中值滤波，通过客观指标与主观视觉对比，确定更适合字符图像预处理的最佳去噪方法。输入图像为模拟含噪字符图，输出为两种滤波结果及量化对比数据。

实现方案

使用OpenCV实现完整处理流程：首先生成含椒盐噪声的字符图像（白底黑字，噪声密度5%），然后分别应用高斯滤波（核5×5，σ=1.5）和中值滤波（核5×5），最后计算两种结果与原始无噪声图像的PSNR和SSIM指标。PSNR越高表示失真越小，SSIM越接近1表示结构保持越好。字符图像边缘信息宝贵，中值滤波在抑制椒盐噪声的同时能更好保留边缘锐度，而高斯滤波虽平滑噪声却易模糊笔画边界。

代码实现

import cv2
import numpy as np
from skimage.metrics import peak_signal_noise_ratio as psnr
from skimage.metrics import structural_similarity as ssim

# 1. 生成原始字符图像（白底黑字）
img_clean = np.full((200, 400), 255, dtype=np.uint8)
cv2.putText(img_clean, 'OCR-3', (50, 130), cv2.FONT_HERSHEY_SIMPLEX,
            3, 0, 8, cv2.LINE_AA)

# 2. 添加5%椒盐噪声
np.random.seed(42)
noisy = img_clean.copy()
mask = np.random.rand(*img_clean.shape)
noisy[mask < 0.025] = 0      # 椒噪声
noisy[mask > 0.975] = 255    # 盐噪声

# 3. 应用两种滤波
gauss = cv2.GaussianBlur(noisy, (5, 5), 1.5)
median = cv2.medianBlur(noisy, 5)

# 4. 计算客观评价指标
psnr_gauss = psnr(img_clean, gauss)
psnr_median = psnr(img_clean, median)
ssim_gauss = ssim(img_clean, gauss)
ssim_median = ssim(img_clean, median)

# 5. 输出对比结果
print(f"高斯滤波  PSNR={psnr_gauss:.2f}dB  SSIM={ssim_gauss:.4f}")
print(f"中值滤波  PSNR={psnr_median:.2f}dB  SSIM={ssim_median:.4f}")

# 6. 保存结果供视觉检查
cv2.imwrite('noisy.png', noisy)
cv2.imwrite('gauss_result.png', gauss)
cv2.imwrite('median_result.png', median)

运行与验证

依赖安装：需安装OpenCV和scikit-image，执行pip install opencv-python scikit-image numpy。

运行方式：将上述代码保存为denoise_compare.py，在命令行执行python denoise_compare.py。

验证方法：程序运行后观察终端输出的PSNR与SSIM数值，并打开保存的三张图片进行视觉对比。判定标准：

• 若中值滤波的PSNR和SSIM均高于高斯滤波，且视觉上字符边缘更清晰、无模糊重影，则判定中值滤波为更优方法；
• 若高斯滤波指标更高且视觉上笔画更平滑，则选择高斯滤波；
• 两种方法均应显著降低噪声（PSNR较含噪图明显提升），若某方法指标异常低，需检查核尺寸或σ参数是否合理。

预期输出：基于椒盐噪声特性，中值滤波的PSNR通常比高斯滤波高5～10dB，SSIM也更接近1，因此预期选择中值滤波作为字符图像去噪的最佳方案。具体数值以实际运行为准。