接一篇，聯系人工智能講師葉梓老師課程合作，可點選 個人首頁
最後講解下深度學習方法
以全卷積為基礎的深度學習方法是一種二值化方法，具體讀者可以閱讀論文《Multi-Scale Fully Convolution NeuralNetwork》，該論文由 Chris Tensmeyer等人于2017年提出，該論文利用多尺度全卷積神經網絡對文檔圖像進行二值化，并在 DIBCO和 PLM這兩個資料集上取得了良好的效果。
本文指出，傳統的全局門檻值和局部門檻值都忽略了像素點的排列，邊緣檢測和馬爾科夫随機場算法對前景形狀有很大的偏置，但 FCN能夠通過訓練資料學習和挖掘出像素點在空間上的聯系，而不是依靠人工設定的局部形狀的偏置。
其他辦法
2016年， RupinderKaur等人提出了一種基于形态學和門檻值的文檔圖像二值化方法，主要步驟如下：
RGB圖象轉換為灰階圖象；
二、是圖像濾波處理；
三、數學形态運算；
四、是門檻值操作。
更多課程，及老師資料可點選 個人首頁
![Nacos 2.0 更新前後性能對比壓測[圖]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)