Python图片验证码降噪和8邻域降噪

admin

一、简介
) Q2 h% [5 s$ n       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：
) z3 |8 s8 P0 G& [1.灰度处理&二值化
( Q/ J& r. }+ c2 ^3 P: p" i2.降噪
3.字符分割
9 Z( ~6 H) K- m+ w4.标准化
5.识别
) k4 K- [' A  [2 w- ^       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。
4 F* {! n/ j0 y( x( a% H二、8邻域降噪
  {+ Y1 k; {# X$ v* I# s! 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。
' m  ~4 r' {, O0 F. M
       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。
7 a7 E/ p7 W4 q# |  F, V$ j, }       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：
6 T1 B3 w; f9 i, @7 E
* m1 _9 S7 d) w( Z: ]- m1 F1 R4 g; W三、Pillow实现
& B) o! W3 y; f3 K. `. m5 n       下面是使用 Pillow 模块的实现代码:
- w9 i, J& k. k2 V# E- F3 f

复制代码
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:
8 s* m, e2 J: ?+ U& j) S: [; C

复制代码
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)