使用python PIL庫實(shí)現(xiàn)簡(jiǎn)單驗(yàn)證碼的去噪方法步驟
字符型圖片驗(yàn)證碼識(shí)別完整過程及Python實(shí)現(xiàn)的博主，我的大部分知識(shí)點(diǎn)都是從他那里學(xué)來的。
想要識(shí)別驗(yàn)證碼，收集足夠多的樣本后，首先要做的就是對(duì)驗(yàn)證碼原始圖片進(jìn)行處理，對(duì)驗(yàn)證碼識(shí)別分類之前，一般包括：將彩色圖片轉(zhuǎn)換成灰度圖、將灰度圖二值化和去除噪點(diǎn)三個(gè)基本過程。這里僅以比較簡(jiǎn)單的驗(yàn)證碼為例，介紹一下如何通過python的PIL庫對(duì)圖片去噪。
首先看一下未經(jīng)處理的驗(yàn)證碼圖片：
對(duì)圖片處理主要使用了PIL庫的Image類。
1.彩色圖片轉(zhuǎn)換成灰度圖
首先使用Image的open方法打開上面的圖片，可以得到一個(gè)PIL.Image.Image對(duì)象，之后就可以調(diào)用convert、filter、point和putpixel等方法來處理圖片。
我們可以通過convert方法將上面的彩色圖片轉(zhuǎn)換成灰度圖：
# encoding=utf8
from PIL import Image
def main():
image = Image.open('RandomPicture.png')
imgry = image.convert('L')
imgry.save('gray.png')
if __name__ == '__main__':
main()
運(yùn)行結(jié)果：
通過保存的圖片可以看出來，已經(jīng)由原來的彩圖變成了灰度圖，或者也可以認(rèn)為是黑白圖。什么叫灰度圖？我們知道彩色圖片是由不同的顏色的像素組合到一起的，那灰度圖可以類似的認(rèn)為是由不同灰度值的像素組合在一起后呈現(xiàn)出來的。任何顏色都有紅、綠、藍(lán)三原色組成，假如原來某點(diǎn)的顏色為RGB(R，G，B)，那么，我們可以通過下面幾種方法，將其轉(zhuǎn)換為灰度：
1.浮點(diǎn)算法：Gray=R*0.3+G*0.59+B*0.11
2.整數(shù)方法：Gray=(R*30+G*59+B*11)/100
3.移位方法：Gray =(R*76+G*151+B*28)>>8;
4.平均值法：Gray=（R+G+B）/3;
5.僅取綠色：Gray=G；
通過上述任一種方法求得Gray后，將原來的RGB(R,G,B)中的R,G,B統(tǒng)一用Gray替換，形成新的顏色RGB(Gray,Gray,Gray)，用它替換原來的RGB(R,G,B)就是灰度圖了。
用代碼實(shí)現(xiàn)看一下：
# encoding=utf8
from PIL import Image
def main():
image = Image.open('RandomPicture.png')
print 'image mode: ', image.mode
print image.getpixel((0, 0))
print '-' * 40
imgry = image.convert('L')
print 'imgry mode: ', imgry.mode
print imgry.getpixel((0, 0))
if __name__ == '__main__':
main()
運(yùn)行結(jié)果：
image mode: RGB (21, 10, 26) ---------------------------------------- imgry mode: L 15
代碼說明：
通過image.mode方法可以獲得當(dāng)前的PIL.Image.Image對(duì)象（也就是當(dāng)前打開的圖片）的mode值，而mode值表示圖片的單位顏色是由RGB三個(gè)值組成的還是由灰度值組成的；
而getpixel可以獲取某個(gè)像素的RGB值或者灰度值。我們知道圖片是由許多像素組成的，每個(gè)像素在圖片上都有一個(gè)對(duì)應(yīng)的坐標(biāo)x和y，而“(0, 0)”就表示該圖片左上角頂點(diǎn)的像素。
由上面的結(jié)果我們可以知道，在將圖片轉(zhuǎn)換成灰度圖之前，“(0, 0)”代表的像素的顏色是由RGB組成的：(21, 10, 26)；在通過concert將彩色圖片轉(zhuǎn)換成灰度后，“(0, 0)”代表的像素的顏色值就變成了一個(gè)值：“15”，通過打印imgry.mode我們也可以知道，此時(shí)圖片已經(jīng)變成了灰度圖，它的每一個(gè)像素的顏色都變成了一個(gè)灰度值。
其實(shí)這時(shí)候我們也可以簡(jiǎn)單的計(jì)算一下，使用前面說的浮點(diǎn)算法將上面的(21, 10, 26)三個(gè)值帶入計(jì)算：
>>> 21*0.3+10*0.59+26*0.11 15.059999999999999
結(jié)果顯示確實(shí)由浮點(diǎn)算法將RGB值變成了灰度值。
2.灰度圖二值化
我們已經(jīng)得到了灰度圖，接下來就是將灰度圖二值化。所謂二值化就是將灰度圖像轉(zhuǎn)換成由黑白二色組成的圖像。思路就是確定一個(gè)閾值，大于閾值的像素表示為白色，小于閾值的像素表示為黑色，以此將圖片的像素（灰度值）劃分為兩部分：0和1，例如0代表黑色，1代表白色，然后我們就可以用一串0和1組成的數(shù)字來表示一張圖片。
將灰度圖二值化會(huì)用到point方法，它可以接收一個(gè)灰度轉(zhuǎn)二值的映射table，具體原理暫時(shí)還沒弄明白，代碼實(shí)現(xiàn)過程是這樣的：
# encoding=utf8
from PIL import Image
def get_bin_table(threshold=115):
'''
獲取灰度轉(zhuǎn)二值的映射table
0表示黑色,1表示白色
'''
table = []
for i in range(256):
if i < threshold:
table.append(0)
else:
table.append(1)
return table
def main():
image = Image.open('RandomPicture.png')
imgry = image.convert('L')
table = get_bin_table()
binary = imgry.point(table, '1')
binary.save('binary.png')
if __name__ == '__main__':
main()
運(yùn)行結(jié)果：
通過結(jié)果不難看出，我們已經(jīng)將最開始的彩色圖由灰度圖轉(zhuǎn)變成了僅由黑白二色組成的圖片，實(shí)現(xiàn)了二值化。這里需要說明的是，threshold參數(shù)值針對(duì)當(dāng)前的驗(yàn)證碼圖片合適，該值需要根據(jù)驗(yàn)證碼類型不同進(jìn)行調(diào)試來確定。
然后我們?cè)倏纯?0, 0)坐標(biāo)代表的像素的顏色值是什么：
# encoding=utf8
from PIL import Image
def get_bin_table(threshold=115):
'''
獲取灰度轉(zhuǎn)二值的映射table
0表示黑色,1表示白色
'''
table = []
for i in range(256):
if i < threshold:
table.append(0)
else:
table.append(1)
return table
def main():
image = Image.open('RandomPicture.png')
print 'image mode: ', image.mode
print image.getpixel((0, 0))
co = image.getcolors()
print co
print '-' * 40
imgry = image.convert('L')
print 'imgry mode: ', imgry.mode
print imgry.getpixel((0, 0))
co = imgry.getcolors()
print co
print '-' * 40
table = get_bin_table()
binary = imgry.point(table, '1')
print 'binary mode: ', binary.mode
print binary.getpixel((0, 0))
co = binary.getcolors()
print co
if __name__ == '__main__':
main()
運(yùn)行結(jié)果：
image mode: RGB (21, 10, 26) None ---------------------------------------- imgry mode: L 15 [(1, 2), (2, 3), (1, 4), (1, 5), (4, 6), (3, 8), (3, 9), (6, 10), (4, 11), (4, 12), (7, 13), (8, 14), (3, 15), (12, 16), (7, 17), (6, 18), (5, 19), (13, 20), (9, 21), (9, 22), (4, 23), (5, 24), (7, 25), (3, 26), (6, 27), (7, 28), (3, 29), (3, 30), (3, 31), (5, 32), (1, 33), (3, 35), (2, 36), (2, 37), (2, 38), (2, 39), (1, 41), (3, 42), (1, 43), (2, 44), (7, 45), (3, 46), (5, 47), (1, 48), (3, 49), (3, 50), (3, 51), (5, 52), (4, 53), (1, 54), (7, 55), (7, 56), (10, 57), (4, 58), (5, 59), (6, 60), (5, 61), (12, 62), (7, 63), (10, 64), (12, 65), (14, 66), (15, 67), (11, 68), (9, 69), (11, 70), (7, 71), (9, 72), (5, 73), (10, 74), (5, 75), (5, 76), (5, 77), (8, 78), (7, 79), (3, 80), (5, 81), (6, 82), (5, 83), (3, 84), (3, 85), (6, 86), (2, 87), (3, 88), (2, 90), (3, 91), (1, 93), (2, 94), (3, 95), (1, 96), (3, 97), (2, 99), (3, 100), (3, 101), (1, 102), (3, 104), (4, 105), (1, 106), (3, 108), (4, 110), (4, 111), (4, 112), (3, 113), (3, 114), (5, 115), (2, 116), (3, 117), (8, 118), (8, 119), (8, 120), (7, 121), (9, 122), (9, 123), (11, 124), (11, 125), (2, 126), (10, 127), (9, 128), (7, 129), (13, 130), (11, 131), (11, 132), (9, 133), (16, 134), (11, 135), (12, 136), (8, 137), (14, 138), (12, 139), (13, 140), (20, 141), (22, 142), (19, 143), (14, 144), (23, 145), (17, 146), (10, 147), (18, 148), (13, 149), (11, 150), (26, 151), (16, 152), (14, 153), (11, 154), (17, 155), (10, 156), (12, 157), (12, 158), (20, 159), (18, 160), (16, 161), (22, 162), (20, 163), (16, 164), (13, 165), (14, 166), (13, 167), (11, 168), (17, 169), (8, 170), (16, 171), (20, 172), (12, 173), (10, 174), (10, 175), (10, 176), (11, 177), (7, 178), (8, 179), (7, 180), (5, 181), (7, 182), (4, 183), (7, 184), (4, 185), (4, 186), (5, 187), (6, 188), (2, 189), (1, 190), (4, 191), (6, 192), (12, 193), (8, 194), (10, 195), (3, 196), (13, 197), (9, 198), (19, 199), (18, 200), (20, 201), (16, 202), (18, 203), (24, 204), (33, 205), (25, 206), (33, 207), (38, 208), (31, 209), (46, 210), (39, 211), (53, 212), (54, 213), (33, 214), (42, 215), (54, 216), (60, 217), (50, 218), (36, 219), (48, 220), (32, 221), (45, 222), (28, 223), (24, 224), (21, 225), (19, 226), (21, 227), (13, 228), (12, 229), (12, 230), (13, 231), (5, 232), (8, 233), (4, 234), (5, 235), (1, 236), (1, 237), (2, 238), (1, 239), (1, 240), (1, 242), (1, 243)] ---------------------------------------- binary mode: 1 0 [(503, 0), (1993, 1)]
代碼說明：
通過binary mode的值我們可以知道二值化后得到的圖片的像素值由0或1表示，而且當(dāng)前(0, 0)代表的像素值的為0，它代表黑色，通過上面的圖片我們也可以知道，左上角頂點(diǎn)確實(shí)是黑色的。
上面的代碼中我們還使用了getcolors方法，它用來返回像素信息，是一個(gè)含有元素的列表：[(該種像素的數(shù)量，(該種像素)),(...),...]，當(dāng)該列表特別大的時(shí)候，它會(huì)返回None，這也是為什么上面彩色圖片調(diào)用getcolors的時(shí)候會(huì)返回None。而[(503, 0), (1993, 1)]就表示我們得到的二值化黑白圖片，由503個(gè)黑色像素點(diǎn)和1993個(gè)白色像素點(diǎn)組成。
通過binary.size我們可以得到二值化后的黑白圖片的width和height值：(78, 32)，它就表示該圖片由78X32個(gè)像素點(diǎn)組成，正好等于503+1993的和。(78, 32)也說明該圖片橫向上共有32行，每行有78個(gè)像素點(diǎn)。將由0和1表示的圖片打印出來看一下：
# encoding=utf8
from PIL import Image
def get_bin_table(threshold=115):
'''
獲取灰度轉(zhuǎn)二值的映射table
0表示黑色,1表示白色
'''
table = []
for i in range(256):
if i < threshold:
table.append(0)
else:
table.append(1)
return table
def main():
image = Image.open('RandomPicture.png')
imgry = image.convert('L')
table = get_bin_table()
binary = imgry.point(table, '1')
width, height = binary.size
lis = binary.getdata() # 返回圖片所有的像素值，要使用list()才能顯示出具體數(shù)值
lis = list(lis)
start = 0
step = width
for i in range(height):
for p in lis[start: start+step]:
if p == 1: # 將白色的點(diǎn)變成空格，方便人眼看
p = ' '
print p,
print
start += step
if __name__ == '__main__':
main()
運(yùn)行結(jié)果：
通過上面的結(jié)果已經(jīng)大致可以看出該圖片表示的就是“959c”。
3.去除噪點(diǎn)
由上面的結(jié)果也不難看出，除了表示“959c”的“0”，圖片中還有其他的“0”代表的“噪點(diǎn)”，我們要盡可能的去除它們，方便后期的識(shí)別訓(xùn)練。
對(duì)于去除噪點(diǎn)，我這里也是借鑒了字符型圖片驗(yàn)證碼識(shí)別完整過程及Python實(shí)現(xiàn)里面的“九宮格”方法，代碼實(shí)現(xiàn)：
# encoding=utf8
from PIL import Image
def sum_9_region_new(img, x, y):
'''確定噪點(diǎn) '''
cur_pixel = img.getpixel((x, y)) # 當(dāng)前像素點(diǎn)的值
width = img.width
height = img.height
if cur_pixel == 1: # 如果當(dāng)前點(diǎn)為白色區(qū)域,則不統(tǒng)計(jì)鄰域值
return 0
# 因當(dāng)前圖片的四周都有黑點(diǎn)，所以周圍的黑點(diǎn)可以去除
if y < 3: # 本例中，前兩行的黑點(diǎn)都可以去除
return 1
elif y > height - 3: # 最下面兩行
return 1
else: # y不在邊界
if x < 3: # 前兩列
return 1
elif x == width - 1: # 右邊非頂點(diǎn)
return 1
else: # 具備9領(lǐng)域條件的
sum = img.getpixel((x - 1, y - 1)) \
+ img.getpixel((x - 1, y)) \
+ img.getpixel((x - 1, y + 1)) \
+ img.getpixel((x, y - 1)) \
+ cur_pixel \
+ img.getpixel((x, y + 1)) \
+ img.getpixel((x + 1, y - 1)) \
+ img.getpixel((x + 1, y)) \
+ img.getpixel((x + 1, y + 1))
return 9 - sum
def collect_noise_point(img):
'''收集所有的噪點(diǎn)'''
noise_point_list = []
for x in range(img.width):
for y in range(img.height):
res_9 = sum_9_region_new(img, x, y)
if (0 < res_9 < 3) and img.getpixel((x, y)) == 0: # 找到孤立點(diǎn)
pos = (x, y)
noise_point_list.append(pos)
return noise_point_list
def remove_noise_pixel(img, noise_point_list):
'''根據(jù)噪點(diǎn)的位置信息，消除二值圖片的黑點(diǎn)噪聲'''
for item in noise_point_list:
img.putpixel((item[0], item[1]), 1)
def get_bin_table(threshold=115):
'''獲取灰度轉(zhuǎn)二值的映射table,0表示黑色,1表示白色'''
table = []
for i in range(256):
if i < threshold:
table.append(0)
else:
table.append(1)
return table
def main():
image = Image.open('RandomPicture.png')
imgry = image.convert('L')
table = get_bin_table()
binary = imgry.point(table, '1')
noise_point_list = collect_noise_point(binary)
remove_noise_pixel(binary, noise_point_list)
binary.save('finaly.png')
if __name__ == '__main__':
main()
運(yùn)行結(jié)果：
通過截圖可以知道，我們已經(jīng)去除了圖片四周的噪點(diǎn)以及一些孤立的噪點(diǎn)。
還要再說一句的就是，除了上面的步驟，我們還可以通過PIL的ImageEnhance,和ImageFilter對(duì)圖片做其他處理（例如增加對(duì)比度、亮度、銳化等），這里就不舉例說明了，因?yàn)椴煌膱D片經(jīng)過這些處理后，可能效果會(huì)不同。
最后，要感謝這些博主的分享，為我學(xué)習(xí)驗(yàn)證碼識(shí)別相關(guān)知識(shí)提供了不少參考：
字符型圖片驗(yàn)證碼識(shí)別完整過程及Python實(shí)現(xiàn)
Python3.5+sklearn 使用SVM自動(dòng)識(shí)別字母驗(yàn)證碼
以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
- 使用Python的OpenCV模塊識(shí)別滑動(dòng)驗(yàn)證碼的缺口（推薦）
- Python + selenium + requests實(shí)現(xiàn)12306全自動(dòng)搶票及驗(yàn)證碼破解加自動(dòng)點(diǎn)擊功能
- python爬蟲之自動(dòng)登錄與驗(yàn)證碼識(shí)別
- Python使用selenium實(shí)現(xiàn)網(wǎng)頁用戶名 密碼 驗(yàn)證碼自動(dòng)登錄功能
- python驗(yàn)證碼識(shí)別的實(shí)例詳解
- Python爬蟲模擬登錄帶驗(yàn)證碼網(wǎng)站
- Python 200行代碼實(shí)現(xiàn)一個(gè)滑動(dòng)驗(yàn)證碼過程詳解
相關(guān)文章
怎么處理Python分割字符串時(shí)有多個(gè)分隔符
在使用Python處理字符串的時(shí)候，有時(shí)候會(huì)需要分割字符。本文就介紹了Python分割字符串時(shí)有多個(gè)分隔符，感興趣的可以了解一下2021-07-07
這篇文章主要介紹了Python二維數(shù)組不同初始化方式的差異說明,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2023-08-08
使用python telnetlib批量備份交換機(jī)配置的方法
今天小編就為大家分享一篇使用python telnetlib批量備份交換機(jī)配置的方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-07-07
這篇文章主要介紹了如何在PyTorch中使用標(biāo)簽平滑正則化的問題，本文給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2020-04-04
用pushplus+python監(jiān)控亞馬遜到貨動(dòng)態(tài)推送微信
這篇文章主要介紹了用pushplus+python監(jiān)控亞馬遜到貨動(dòng)態(tài)推送微信的示例，幫助大家利用python搶購商品，感興趣的朋友可以了解下2021-01-01
Python?中給請(qǐng)求設(shè)置用戶代理?User-Agent的方法
本文介紹?HTTP?標(biāo)頭用戶代理主題以及如何使用?Python?中的請(qǐng)求設(shè)置用戶代理，您將了解?HTTP?標(biāo)頭及其在理解用戶代理、獲取用戶代理以及學(xué)習(xí)使用?Python?中的請(qǐng)求設(shè)置用戶代理的多種方法方面的重要性，感興趣的朋友跟隨小編一起看看吧2023-06-06
這篇文章主要介紹了pytorch中fuse_modules,fuse_known_modules將給定的模塊列表mod_list中的一些常見模塊進(jìn)行融合，返回融合后的模塊列表，本文通過實(shí)例代碼詳細(xì)講解，需要的朋友可以參考下2023-05-05
Python實(shí)現(xiàn)Opencv cv2.Canny()邊緣檢測(cè)
這篇博客將介紹Canny邊緣檢測(cè)的概念，并利用cv2.Canny()實(shí)現(xiàn)邊緣檢測(cè)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2021-07-07
Python基礎(chǔ)教程之if判斷,while循環(huán),循環(huán)嵌套
這篇文章主要介紹了Python基礎(chǔ)教程之if判斷,while循環(huán),循環(huán)嵌套 的相關(guān)知識(shí)，非常不錯(cuò)，具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2019-04-04
這篇文章主要介紹了python變量前面加星(*)的含義及說明,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2024-06-06