文字图像识别前的预处理是提升识别率的关键，本文以文字图像为例，演示 "灰度化→二值化→闭运算" 的标准化预处理流程，解决文字笔画断裂、孔洞问题，新手可直接复用。
核心代码实现
python
import cv2 as cv
import numpy as np
# 1. 读取图像并校验
src = cv.imread(".\image\8.bmp")
if src is None:
print('could not load image')
exit()
# 2. 自适应窗口显示原图（适配不同屏幕）
cv.namedWindow('src', cv.WINDOW_NORMAL)
cv.resizeWindow('src', 700, 400)
cv.imshow("src", src)
# 3. 预处理核心流程
gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY) # 转灰度图
ret, binary = cv.threshold(gray, 120, 255, cv.THRESH_BINARY) # 二值化
kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3)) # 3×3矩形核
closed1 = cv.morphologyEx(binary, cv.MORPH_CLOSE, kernel) # 闭运算填补笔画孔洞
# 4. 显示处理后图像
cv.namedWindow('outimage', cv.WINDOW_NORMAL)
cv.resizeWindow('outimage', 700, 400)
cv.imshow('outimage', closed1)
cv.waitKey(0)
cv.destroyAllWindows()关键知识点解析
1. 文字图像预处理逻辑
| 步骤 | 核心作用 | 调优要点 |
|---|---|---|
| 灰度化 | 去除颜色干扰，简化后续计算 | 必选步骤，无参数可调 |
| 二值化 | 将文字（前景）与背景分离，转为黑白图像 | 阈值 120 可根据文字明暗调整 |
| 闭运算 | 填补文字笔画中的小孔洞、连接断裂笔画 | 3×3 核适配常规文字，避免过度膨胀 |
2. 实用细节说明
- 窗口自适应 ：
cv.WINDOW_NORMAL+resizeWindow解决高分辨率文字图像显示不全问题，固定 700×400 适配大部分屏幕； - 核大小选择：文字预处理优先用 3×3 小核，过大的核会导致文字笔画粘连，影响后续识别；
- 阈值调整：若文字偏暗，可降低二值化阈值（如 100）；若背景噪点多，可提高阈值（如 140）。
3. 扩展优化方向
- 若文字有白色噪点：在闭运算前增加开运算（
cv.MORPH_OPEN）消除噪点； - 若光照不均：替换固定阈值二值化为自适应二值化（
cv.adaptiveThreshold）； - 批量处理：封装为函数，遍历文件夹实现多文字图像自动预处理。
总结
- 文字图像预处理核心是 "灰度→二值化→闭运算"，闭运算可有效修复文字笔画断裂问题；
- 3×3 小核是文字处理的最优选择，避免核过大导致笔画粘连；
- 窗口自适应显示是提升实操体验的小技巧，适配不同分辨率图像。