这篇教程Python图片验证码降噪和8邻域降噪写得很实用，希望能帮到您。
Python图片验证码降噪 和8邻域降噪
一、简介
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： 1.灰度处理&二值化
2.降噪
3.字符分割
4.标准化
5.识别 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。
二、8邻域降噪
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。 
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。 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： 
三、Pillow实现下面是使用 Pillow 模块的实现代码: from PIL import Imagedef 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_imgif __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: import cv2def 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_imgif __name__ == '__main__': image = noise_remove_cv2("test.jpg", 4) cv2.imshow('img', image) cv2.waitKey(10000)到此这篇关于Python图片验证码降噪和8邻域降噪的文章就介绍到这了,更多相关Python验证码降噪和8邻域降噪内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！
Python音乐爬虫完美绕过反爬
python自动化操作之动态验证码、滑动验证码的降噪和识别 |
