Captcha上的Python图像处理如何去除噪音

Posted 2023-04-17

【中文标题】Captcha上的Python图像处理如何去除噪音

【英文标题】：Python Image Processing on Captcha how to remove noise

【发布时间】：2020-06-03 15:21:32

【问题描述】：

我对图像处理很陌生，我想做的是清除验证码中的噪音；

对于验证码，我有不同的类型：

对于第一个我做的是：

首先，我将每个不是黑色的像素都转换为黑色。然后，我从图像中发现了一个噪声模式并将其删除。对于第一个验证码，很容易清除它，我找到了带有 tesseract 的文本。

但我正在寻找第二个和第三个的解决方案。

这一定是怎样的？我的意思是有什么可能的方法来清除它？

这就是我删除模式的方式：

def delete(searcher,h2,w2):
    h = h2
    w = w2
    search = searcher
    search = search.convert("RGBA")
    herear = np.asarray(search)
    bigar  = np.asarray(imgCropped)

    hereary, herearx = herear.shape[:2]
    bigary,  bigarx  = bigar.shape[:2]

    stopx = bigarx - herearx + 1
    stopy = bigary - hereary + 1

    pix = imgCropped.load()

    for x in range(0, stopx):
        for y in range(0, stopy):
            x2 = x + herearx
            y2 = y + hereary
            pic = bigar[y:y2, x:x2]
            test = (pic == herear)
            if test.all():
                for q in range(h):
                    for k in range(w):
                        pix[x+k,y+q] = (255,255,255,255) 

对不起变量名，我只是在测试函数。

谢谢..

【问题讨论】：

对于单一的基本图像处理方法而言，这些任务相当繁重，但您可以研究“莫尔条纹”和去除它们的方法。此外，您可以使用深度学习方法，例如文本分割或从图像中获取干净的模板，并通过关联删除图像中的任何匹配项。

@SajanGohil 是的，通过模式方法，我做了一些事情。谢谢

@AhmetAzizBeşli 嗨，您能在函数前添加代码吗？我面临一个与你类似的问题，这个函数可能对我有帮助，但是我很难用这个代码 sn-p 来理解这个函数。谢谢

@AhmetAzizBeşli 您是否在此期间找到了第三个（扭曲的）验证码的解决方案？

【参考方案1】：

这是我所能得到的：

您可能知道medianBlur 函数，它在每个内核中找到中间值并将该值替换为内核的中心。我们可以做类似的事情，但不是使用中位数，而是使用最大值然后是最小值。中值也模糊了，我得到了一些结果。我知道它们并不完美，但我希望它能给你一些想法（你可以使用输入图像和内核的大小，它可能会使结果更好一些）。

我现在没有安装 python，所以我分享了我使用的确切 C++ 代码：

Mat im1 = imread("E:/1/3.jpg", 0);
Mat im2, im3;

im2 = Mat::zeros(im1.size(), CV_8U);
for (size_t i = 1; i < im1.rows-1; i++)

    for (size_t j = 1; j < im1.cols-1; j++)
    
        double minVal, maxVal = 0;
        minMaxIdx(im1(Rect(j - 1, i - 1, 3, 3)), &minVal, &maxVal);
        im2.at<uchar>(i, j) = maxVal;
    


imshow("(1) max bluring", im2);

medianBlur(im2, im2, 3);

imshow("(2) median bluring", im2);

im2.copyTo(im1);

im2 = Mat::zeros(im1.size(), CV_8U);
for (size_t i = 1; i < im1.rows - 1; i++)

    for (size_t j = 1; j < im1.cols - 1; j++)
    
        double minVal, maxVal = 0;
        minMaxIdx(im1(Rect(j - 1, i - 1, 3, 3)), &minVal, &maxVal);
        im2.at<uchar>(i, j) = minVal;
    


imshow("(3) min bluring", im2);

Mat tmp;
double st = threshold(im2, tmp, 10, 255, THRESH_OTSU);
threshold(im2, im2, st + 14, 255, THRESH_BINARY_INV);
//dilate(im2, im2, Mat::ones(3, 3, CV_8U));

imshow("(4) final", im2);

waitKey(0);

顺便说一下，在这种情况下，像 YOLO 和 RCNN 这样的深度学习方法是最好的方法。也试试吧。

【讨论】：

你的方法有点好，但是如果卡住还不足以解决我的问题，我混合了你和我的解决方案，并试图让一些更清晰的东西变得更清楚，但它没有用

【参考方案2】：

这是我的解决方案，

首先我得到了背景图案（在油漆上手工编辑）。来自：

之后，我创建了一个空白图像来填充图案和图像之间的差异。

img = Image.open("x.png").convert("RGBA")
pattern = Image.open("y.png").convert("RGBA")

pixels = img.load()
pixelsPattern = pattern.load()

new = Image.new("RGBA", (150, 50))
pixelNew = new.load()

for i in range(img.size[0]):
    for j in range(img.size[1]):
         if(pixels[i,j] != pixelsPattern[i,j]):
             pixelNew[i,j] = pixels[i,j]

new.save("differences.png")

这里有区别..

最后，我添加了模糊并清除了不是黑色的位。

结果：

pytesseract 结果是 2041，这个图像是错误的，但一般比率在 %60 左右。

【参考方案3】：

您可以使用 opencv 库进行图像处理。非常有用可以be this opencv documentation page。然后尝试通过 findCountour 方法提取您的号码，例如：

import cv2 
import numpy as np 

image = cv2.imread('C:\\E0snN.png')
cv2.waitKey(0) 

# Grayscale 
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 
gray = cv2.bitwise_not(gray)

# Threshold
ret,thresh = cv2.threshold(gray,150,255,1)
# Get countours
contours,h = cv2.findContours(thresh,1,2)
# Draw
cv2.drawContours(image, contours, -1, (0, 255, 0), 3) 
cv2.imshow('Contours', image) 
cv2.waitKey(0)

cv2.destroyAllWindows() 

之后有如下结果：

这远非完美，但如果您尝试使用不同的阈值，例如：

ret,thresh = cv2.threshold(gray,127,255,1)

你可以获得更好的结果。