Python圖片驗證碼降噪和8鄰域降噪
Python圖片驗證碼降噪 和8鄰域降噪
一、簡介
圖片驗證碼識別的可以分為幾個步驟,一般用 Pillow 庫或 OpenCV 來實現:
1.灰度處理&二值化
2.降噪
3.字符分割
4.標準化
5.識別
所謂降噪就是把不需要的信息通通去除,比如背景,干擾線,干擾像素等等,只留下需要識別的字符,讓圖片變成2進制點陣,方便代入模型訓練。
二、8鄰域降噪
8鄰域降噪 的前提是將圖片灰度化,即將彩色圖像轉化為灰度圖像。以RGN色彩空間為例,彩色圖像中每個像素的顏色由R 、G、B三個分量決定,每個分量由0到255種取值,這個一個像素點可以有一千多萬種顏色變化。而灰度則是將三個分量轉化成一個,使每個像素點只有0-255種取值,這樣可以使后續(xù)的圖像計算量變得少一些。
以上面的灰度圖片為例,圖片越接近白色的點像素越接近255,越接近黑色的點像素越接近0,而且驗證碼字符肯定是非白色的。對于其中噪點大部分都是孤立的小點的,而且字符都是串聯在一起的。8鄰域降噪 的原理就是依次遍歷圖中所有非白色的點,計算其周圍8個點中屬于非白色點的個數,如果數量小于一個固定值,那么這個點就是噪點。對于不同類型的驗證碼這個閾值是不同的,所以可以在程序中配置,不斷嘗試找到最佳的閾值。
經過測試8鄰域降噪 對于小的噪點的去除是很有效的,而且計算量不大,下圖是閾值設置為4去噪后的結果:
三、Pillow實現
下面是使用 Pillow 模塊的實現代碼:
from PIL import Image def noise_remove_pil(image_name, k): """ 8鄰域降噪 Args: image_name: 圖片文件命名 k: 判斷閾值 Returns: """ def calculate_noise_count(img_obj, w, h): """ 計算鄰域非白色的個數 Args: img_obj: img obj w: width h: height Returns: count (int) """ count = 0 width, height = img_obj.size for _w_ in [w - 1, w, w + 1]: for _h_ in [h - 1, h, h + 1]: if _w_ > width - 1: continue if _h_ > height - 1: continue if _w_ == w and _h_ == h: continue if img_obj.getpixel((_w_, _h_)) < 230: # 這里因為是灰度圖像,設置小于230為非白色 count += 1 return count img = Image.open(image_name) # 灰度 gray_img = img.convert('L') w, h = gray_img.size for _w in range(w): for _h in range(h): if _w == 0 or _h == 0: gray_img.putpixel((_w, _h), 255) continue # 計算鄰域非白色的個數 pixel = gray_img.getpixel((_w, _h)) if pixel == 255: continue if calculate_noise_count(gray_img, _w, _h) < k: gray_img.putpixel((_w, _h), 255) return gray_img if __name__ == '__main__': image = noise_remove_pil("test.jpg", 4) image.show()
四、OpenCV實現
使用OpenCV可以提高計算效率:
import cv2 def noise_remove_cv2(image_name, k): """ 8鄰域降噪 Args: image_name: 圖片文件命名 k: 判斷閾值 Returns: """ def calculate_noise_count(img_obj, w, h): """ 計算鄰域非白色的個數 Args: img_obj: img obj w: width h: height Returns: count (int) """ count = 0 width, height = img_obj.shape for _w_ in [w - 1, w, w + 1]: for _h_ in [h - 1, h, h + 1]: if _w_ > width - 1: continue if _h_ > height - 1: continue if _w_ == w and _h_ == h: continue if img_obj[_w_, _h_] < 230: # 二值化的圖片設置為255 count += 1 return count img = cv2.imread(image_name, 1) # 灰度 gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) w, h = gray_img.shape for _w in range(w): for _h in range(h): if _w == 0 or _h == 0: gray_img[_w, _h] = 255 continue # 計算鄰域pixel值小于255的個數 pixel = gray_img[_w, _h] if pixel == 255: continue if calculate_noise_count(gray_img, _w, _h) < k: gray_img[_w, _h] = 255 return gray_img if __name__ == '__main__': image = noise_remove_cv2("test.jpg", 4) cv2.imshow('img', image) cv2.waitKey(10000)
到此這篇關于Python圖片驗證碼降噪和8鄰域降噪的文章就介紹到這了,更多相關Python驗證碼降噪和8鄰域降噪內容請搜索本站以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持本站!
版權聲明:本站文章來源標注為YINGSOO的內容版權均為本站所有,歡迎引用、轉載,請保持原文完整并注明來源及原文鏈接。禁止復制或仿造本網站,禁止在非www.sddonglingsh.com所屬的服務器上建立鏡像,否則將依法追究法律責任。本站部分內容來源于網友推薦、互聯網收集整理而來,僅供學習參考,不代表本站立場,如有內容涉嫌侵權,請聯系alex-e#qq.com處理。