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，这几个过程是：
- 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。
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：
Pillow实现
下面是使用 Pillow 模块的实现代码:
1from PIL import Image 2 3 4def noise_remove_pil(image_name, k): 5 """ 6 8邻域降噪 7 Args: 8 image_name: 图片文件命名 9 k: 判断阈值 10 11 Returns: 12 13 """ 14 15 def calculate_noise_count(img_obj, w, h): 16 """ 17 计算邻域非白色的个数 18 Args: 19 img_obj: img obj 20 w: width 21 h: height 22 Returns: 23 count (int) 24 """ 25 count = 0 26 width, height = img_obj.size 27 for _w_ in [w - 1, w, w + 1]: 28 for _h_ in [h - 1, h, h + 1]: 29 if _w_ > width - 1: 30 continue 31 if _h_ > height - 1: 32 continue 33 if _w_ == w and _h_ == h: 34 continue 35 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 36 count += 1 37 return count 38 39 img = Image.open(image_name) 40 # 灰度 41 gray_img = img.convert('L') 42 43 w, h = gray_img.size 44 for _w in range(w): 45 for _h in range(h): 46 if _w == 0 or _h == 0: 47 gray_img.putpixel((_w, _h), 255) 48 continue 49 # 计算邻域非白色的个数 50 pixel = gray_img.getpixel((_w, _h)) 51 if pixel == 255: 52 continue 53 54 if calculate_noise_count(gray_img, _w, _h) < k: 55 gray_img.putpixel((_w, _h), 255) 56 return gray_img 57 58 59if __name__ == '__main__': 60 image = noise_remove_pil("test.jpg", 4) 61 image.show()
OpenCV实现
使用OpenCV可以提高计算效率:
1import cv2 2 3 4def noise_remove_cv2(image_name, k): 5 """ 6 8邻域降噪 7 Args: 8 image_name: 图片文件命名 9 k: 判断阈值 10 11 Returns: 12 13 """ 14 15 def calculate_noise_count(img_obj, w, h): 16 """ 17 计算邻域非白色的个数 18 Args: 19 img_obj: img obj 20 w: width 21 h: height 22 Returns: 23 count (int) 24 """ 25 count = 0 26 width, height = img_obj.shape 27 for _w_ in [w - 1, w, w + 1]: 28 for _h_ in [h - 1, h, h + 1]: 29 if _w_ > width - 1: 30 continue 31 if _h_ > height - 1: 32 continue 33 if _w_ == w and _h_ == h: 34 continue 35 if img_obj[_w_, _h_] < 230: # 二值化的图片设置为255 36 count += 1 37 return count 38 39 img = cv2.imread(image_name, 1) 40 # 灰度 41 gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 42 w, h = gray_img.shape 43 for _w in range(w): 44 for _h in range(h): 45 if _w == 0 or _h == 0: 46 gray_img[_w, _h] = 255 47 continue 48 # 计算邻域pixel值小于255的个数 49 pixel = gray_img[_w, _h] 50 if pixel == 255: 51 continue 52 53 if calculate_noise_count(gray_img, _w, _h) < k: 54 gray_img[_w, _h] = 255 55 56 return gray_img 57 58 59if __name__ == '__main__': 60 image = noise_remove_cv2("test.jpg", 4) 61 cv2.imshow('img', image) 62 cv2.waitKey(10000)