目錄
- Python圖片驗(yàn)證碼降噪 和8鄰域降噪
- 一、簡(jiǎn)介
- 二、8鄰域降噪
- 三、Pillow實(shí)現(xiàn)
- 四、OpenCV實(shí)現(xiàn)
Python圖片驗(yàn)證碼降噪 和8鄰域降噪
一、簡(jiǎn)介
圖片驗(yàn)證碼識(shí)別的可以分為幾個(gè)步驟,一般用 Pillow 庫(kù)或 OpenCV 來(lái)實(shí)現(xiàn):
1.灰度處理二值化
2.降噪
3.字符分割
4.標(biāo)準(zhǔn)化
5.識(shí)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(shí)別的字符,讓圖片變成2進(jìn)制點(diǎn)陣,方便代入模型訓(xùn)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(zhuǎn)化為灰度圖像。以RGN色彩空間為例,彩色圖像中每個(gè)像素的顏色由R 、G、B三個(gè)分量決定,每個(gè)分量由0到255種取值,這個(gè)一個(gè)像素點(diǎn)可以有一千多萬(wàn)種顏色變化。而灰度則是將三個(gè)分量轉(zhuǎn)化成一個(gè),使每個(gè)像素點(diǎn)只有0-255種取值,這樣可以使后續(xù)的圖像計(jì)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(diǎn)像素越接近255,越接近黑色的點(diǎn)像素越接近0,而且驗(yàn)證碼字符肯定是非白色的。對(duì)于其中噪點(diǎn)大部分都是孤立的小點(diǎn)的,而且字符都是串聯(lián)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(diǎn),計(jì)算其周圍8個(gè)點(diǎn)中屬于非白色點(diǎn)的個(gè)數(shù),如果數(shù)量小于一個(gè)固定值,那么這個(gè)點(diǎn)就是噪點(diǎn)。對(duì)于不同類型的驗(yàn)證碼這個(gè)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(jīng)過(guò)測(cè)試8鄰域降噪 對(duì)于小的噪點(diǎn)的去除是很有效的,而且計(jì)算量不大,下圖是閾值設(shè)置為4去噪后的結(jié)果:
三、Pillow實(shí)現(xiàn)
下面是使用 Pillow 模塊的實(shí)現(xiàn)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(jì)算鄰域非白色的個(gè)數(shù)
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?yàn)槭腔叶葓D像,設(shè)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(jì)算鄰域非白色的個(gè)數(shù)
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(shí)現(xiàn)
使用OpenCV可以提高計(jì)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(jì)算鄰域非白色的個(gè)數(shù)
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(shè)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(jì)算鄰域pixel值小于255的個(gè)數(shù)
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(guān)于Python圖片驗(yàn)證碼降噪和8鄰域降噪的文章就介紹到這了,更多相關(guān)Python驗(yàn)證碼降噪和8鄰域降噪內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)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(duì)驗(yàn)證碼降噪的實(shí)現(xiàn)示例代碼
- 爬蟲(chóng)Python驗(yàn)證碼識(shí)別入門
- Python機(jī)器學(xué)習(xí)入門(一)序章
- 6個(gè)Python辦公黑科技,助你提升工作效率
- Python機(jī)器學(xué)習(xí)入門(三)之Python數(shù)據(jù)準(zhǔn)備
- 用python寫個(gè)顏值評(píng)分器篩選最美主播
- Python反射機(jī)制實(shí)例講解
- Python代碼實(shí)現(xiàn)粒子群算法圖文詳解
- 我用Python做個(gè)AI出牌器斗地主把把贏
- python通過(guò)PyQt5實(shí)現(xiàn)登錄界面的示例代碼