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。
關注官方微信