Python圖片驗(yàn)證碼降噪和8鄰域降噪
Python圖片驗(yàn)證碼降噪 和8鄰域降噪
一、簡(jiǎn)介
圖片驗(yàn)證碼識(shí)別的可以分為幾個(gè)步驟，一般用 Pillow 庫(kù)或 OpenCV 來(lái)實(shí)現(xiàn)：
1.灰度處理&二值化
2.降噪
3.字符分割
4.標(biāo)準(zhǔn)化
5.識(shí)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(shí)別的字符，讓圖片變成2進(jìn)制點(diǎn)陣，方便代入模型訓(xùn)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(zhuǎn)化為灰度圖像。以RGN色彩空間為例，彩色圖像中每個(gè)像素的顏色由R 、G、B三個(gè)分量決定，每個(gè)分量由0到255種取值，這個(gè)一個(gè)像素點(diǎn)可以有一千多萬(wàn)種顏色變化。而灰度則是將三個(gè)分量轉(zhuǎn)化成一個(gè)，使每個(gè)像素點(diǎn)只有0-255種取值，這樣可以使后續(xù)的圖像計(jì)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(diǎn)像素越接近255，越接近黑色的點(diǎn)像素越接近0，而且驗(yàn)證碼字符肯定是非白色的。對(duì)于其中噪點(diǎn)大部分都是孤立的小點(diǎn)的，而且字符都是串聯(lián)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(diǎn)，計(jì)算其周圍8個(gè)點(diǎn)中屬于非白色點(diǎn)的個(gè)數(shù)，如果數(shù)量小于一個(gè)固定值，那么這個(gè)點(diǎn)就是噪點(diǎn)。對(duì)于不同類型的驗(yàn)證碼這個(gè)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(jīng)過測(cè)試8鄰域降噪 對(duì)于小的噪點(diǎn)的去除是很有效的，而且計(jì)算量不大，下圖是閾值設(shè)置為4去噪后的結(jié)果：
三、Pillow實(shí)現(xiàn)
下面是使用 Pillow 模塊的實(shí)現(xiàn)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(jì)算鄰域非白色的個(gè)數(shù)
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?yàn)槭腔叶葓D像，設(shè)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(jì)算鄰域非白色的個(gè)數(shù)
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(shí)現(xiàn)
使用OpenCV可以提高計(jì)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(jì)算鄰域非白色的個(gè)數(shù)
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(shè)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(jì)算鄰域pixel值小于255的個(gè)數(shù)
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(guān)于Python圖片驗(yàn)證碼降噪和8鄰域降噪的文章就介紹到這了,更多相關(guān)Python驗(yàn)證碼降噪和8鄰域降噪內(nèi)容請(qǐng)搜索本站以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持本站！
版權(quán)聲明：本站文章來(lái)源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請(qǐng)保持原文完整并注明來(lái)源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非maisonbaluchon.cn所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來(lái)源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來(lái)，僅供學(xué)習(xí)參考，不代表本站立場(chǎng)，如有內(nèi)容涉嫌侵權(quán)，請(qǐng)聯(lián)系alex-e#qq.com處理。
關(guān)注官方微信