Python图片验证码降噪和8邻域降噪

目录

• Python图片验证码降噪 和8邻域降噪

• 一、简介

• 二、8邻域降噪

• 三、Pillow实现

• 四、OpenCV实现

Python图片验证码降噪 和8邻域降噪

一、简介

图片验证码识别的可以分为几个步骤，一般用 Pillow 库或 OpenCV 来实现：

1.灰度处理&二值化
2.降噪
3.字符分割
4.标准化
5.识别

所谓降噪就是把不需要的信息通通去除，比如背景，干扰线，干扰像素等等，只留下需要识别的字符，让图片变成2进制点阵，方便代入模型训练。

二、8邻域降噪

8邻域降噪 的前提是将图片灰度化，即将彩色图像转化为灰度图像。以RGN色彩空间为例，彩色图像中每个像素的颜色由R 、G、B三个分量决定，每个分量由0到255种取值，这个一个像素点可以有一千多万种颜色变化。而灰度则是将三个分量转化成一个，使每个像素点只有0-255种取值，这样可以使后续的图像计算量变得少一些。

以上面的灰度图片为例，图片越接近白色的点像素越接近255，越接近黑色的点像素越接近0，而且验证码字符肯定是非白色的。对于其中噪点大部分都是孤立的小点的，而且字符都是串联在一起的。8邻域降噪 的原理就是依次遍历图中所有非白色的点，计算其周围8个点中属于非白色点的个数，如果数量小于一个固定值，那么这个点就是噪点。对于不同类型的验证码这个阈值是不同的，所以可以在程序中配置，不断尝试找到最佳的阈值。

经过测试8邻域降噪 对于小的噪点的去除是很有效的，而且计算量不大，下图是阈值设置为4去噪后的结果：

三、Pillow实现

下面是使用 Pillow 模块的实现代码:

from PIL import Image

def noise_remove_pil(image_name, k):
   """
   8邻域降噪
   Args:
       image_name: 图片文件命名
       k: 判断阈值

Returns:

"""

def calculate_noise_count(img_obj, w, h):
       """
       计算邻域非白色的个数
       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:  # 这里因为是灰度图像，设置小于230为非白色
                   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
           # 计算邻域非白色的个数
           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实现

使用OpenCV可以提高计算效率:

import cv2

def noise_remove_cv2(image_name, k):
   """
   8邻域降噪
   Args:
       image_name: 图片文件命名
       k: 判断阈值

Returns:

"""

def calculate_noise_count(img_obj, w, h):
       """
       计算邻域非白色的个数
       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:  # 二值化的图片设置为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
           # 计算邻域pixel值小于255的个数
           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)

来源：https://www.cnblogs.com/jhao/p/10345853.html