Python圖片驗證碼降噪 — 8鄰域降噪

簡介

圖片驗證碼識別的能夠分爲幾個步驟，通常用 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.字符分割
• 4.標準化
• 5.識別

所謂降噪就是把不須要的信息統統去除，好比背景，干擾線，干擾像素等等，只留下須要識別的字符，讓圖片變成2進制點陣，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，即將彩色圖像轉化爲灰度圖像。以RGN色彩空間爲例，彩色圖像中每一個像素的顏色由R 、G、B三個份量決定，每一個份量由0到255種取值，這個一個像素點能夠有一千多萬種顏色變化。而灰度則是將三個份量轉化成一個，使每一個像素點只有0-255種取值，這樣可使後續的圖像計算量變得少一些。

以上面的灰度圖片爲例，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，並且驗證碼字符確定是非白色的。對於其中噪點大部分都是孤立的小點的，並且字符都是串聯在一塊兒的。8鄰域降噪 的原理就是依次遍歷圖中全部非白色的點，計算其周圍8個點中屬於非白色點的個數，若是數量小於一個固定值，那麼這個點就是噪點。對於不一樣類型的驗證碼這個閾值是不一樣的，因此能夠在程序中配置，不斷嘗試找到最佳的閾值。

通過測試8鄰域降噪 對於小的噪點的去除是頗有效的，並且計算量不大，下圖是閾值設置爲4去噪後的結果：

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:  # 這裏由於是灰度圖像，設置小於230爲非白色
                    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能夠提升計算效率:

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:  # 二值化的圖片設置爲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)