目錄
- Python圖片驗證碼降噪 和8鄰域降噪
- 一、簡介
- 二、8鄰域降噪
- 三、Pillow實現
- 四、OpenCV實現
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腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- python對驗證碼降噪的實現示例代碼
- 爬蟲Python驗證碼識別入門
- Python機器學習入門(一)序章
- 6個Python辦公黑科技，助你提升工作效率
- Python機器學習入門(三)之Python數據準備
- 用python寫個顏值評分器篩選最美主播
- Python反射機制實例講解
- Python代碼實現粒子群算法圖文詳解
- 我用Python做個AI出牌器斗地主把把贏
- python通過PyQt5實現登錄界面的示例代碼
