一、简介
: p" B- R; m& ^8 Z% T) K 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：, J' D" }, H$ c8 {
1.灰度处理&二值化
' w! o4 i# h) t/ `" J" G2.降噪
/ c0 v/ k, S5 _$ R/ l3.字符分割
& h/ ]3 x" a3 K" }4.标准化
. c% b( g9 w/ x- L% _# ~/ R/ G6 t6 K5.识别, Y2 B: N0 j' [& ^3 V
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。+ |8 d0 B8 ^' a3 t7 o
二、8邻域降噪: T% o o" U5 ~2 \+ T( p
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。
) J9 L+ S. d* {" O/ U( t
3 B5 p8 e# H' h$ E
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。
+ V: f& r& v/ g 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：
* T: u7 C; I9 S
9 w s0 X# i7 R三、Pillow实现5 {7 q1 F. P! u$ @, _! x3 @
下面是使用 Pillow 模块的实现代码:
# y5 l. s7 b+ T6 r4 ~( \/ v9 Qfrom 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3 F' t* m8 H& R; o
使用OpenCV可以提高计算效率:
4 t8 z5 {. q6 x0 Limport 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)
| 
|手机版|小黑屋|paopaomj.COM
( 
渝ICP备18007172号|
渝公网安备50010502503914号 )
发表于 2021-8-28 10:25:40