Python圖片驗證碼降噪 — 8鄰域降噪
- 2019 年 12 月 5 日
- 筆記
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，這幾個過程是：
- 1.灰度處理&二值化
- 2.降噪
- 3.字元分割
- 4.標準化
- 5.識別
所謂降噪就是把不需要的資訊通通去除，比如背景，干擾線，干擾像素等等，只留下需要識別的字元，讓圖片變成2進位點陣，方便代入模型訓練。
8鄰域降噪
8鄰域降噪 的前提是將圖片灰度化，即將彩色影像轉化為灰度影像。以RGN色彩空間為例，彩色影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，這樣可以使後續的影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，而且驗證碼字元肯定是非白色的。對於其中噪點大部分都是孤立的小點的，而且字元都是串聯在一起的。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個點中屬於非白色點的個數，如果數量小於一個固定值，那麼這個點就是噪點。對於不同類型的驗證碼這個閾值是不同的，所以可以在程式中配置，不斷嘗試找到最佳的閾值。
經過測試8鄰域降噪 對於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去噪後的結果：
Pillow實現
下面是使用 Pillow 模組的實現程式碼:
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: # 這裡因為是灰度影像，設置小於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()
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值小於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)
