用pythonpil去除Captcha图像中的背景噪声线

Question

我有一个处理过的验证码图像（放大）看起来像：

如您所见，“文本”的字体大小比噪声线的宽度大一点。
所以我需要一个算法或代码来去除图像中的噪声线。

在Python-PIL库的帮助下，利用下面提到的切碎算法，我无法得到输出图像，这很容易被OCRs读取。

下面是我尝试的Python代码：

import PIL.Image
import sys

# python chop.py [chop-factor] [in-file] [out-file]

chop = int(sys.argv[1])
image = PIL.Image.open(sys.argv[2]).convert('1')
width, height = image.size
data = image.load()

# Iterate through the rows.
for y in range(height):
    for x in range(width):

        # Make sure we're on a dark pixel.
        if data[x, y] > 128:
            continue

        # Keep a total of non-white contiguous pixels.
        total = 0

        # Check a sequence ranging from x to image.width.
        for c in range(x, width):

            # If the pixel is dark, add it to the total.
            if data[c, y] < 128:
                total += 1

            # If the pixel is light, stop the sequence.
            else:
                break

        # If the total is less than the chop, replace everything with white.
        if total <= chop:
            for c in range(total):
                data[x + c, y] = 255

        # Skip this sequence we just altered.
        x += total


# Iterate through the columns.
for x in range(width):
    for y in range(height):

        # Make sure we're on a dark pixel.
        if data[x, y] > 128:
            continue

        # Keep a total of non-white contiguous pixels.
        total = 0

        # Check a sequence ranging from y to image.height.
        for c in range(y, height):
            # If the pixel is dark, add it to the total.
            if data[x, c] < 128:
                total += 1

            # If the pixel is light, stop the sequence.
            else:
                break

        # If the total is less than the chop, replace everything with white.
        if total <= chop:
            for c in range(total):
                data[x, y + c] = 255

        # Skip this sequence we just altered.
        y += total

image.save(sys.argv[3])

所以，基本上我想知道一个更好的算法/代码来去除噪声，从而使图像能够被OCR（Tesseract或pytesser）读取。

Answer 1

要快速去除大部分线条，可以将所有黑色像素与相邻的两个或更少的黑色像素转换为白色。那就可以解决那些杂散的线路。然后，当你有很多“积木”的时候，你就可以去掉那些较小的积木。

这是假设样本图像已经放大，并且线条只有一个像素宽。

Answer 2

你可以使用你自己的扩张和侵蚀功能，wich将删除最小的线条。可以找到一个很好的实现here。

Answer 3

我个人使用的扩张和侵蚀如上所述，但结合一些基本的统计宽度和高度，试图找到离群值，并消除这些线需要。在这之后，一个过滤器应该可以工作，它取一个核的最小值，并在使用临时图像作为原始图像之前，在临时图像中改变颜色的中心像素（向下迭代旧图像）。在枕头/PIL中，基于最小值的任务是通过img.filter（ImageFilter.MINFILTER）完成的。

如果这还不够，它应该生成一个可识别的集合，OpenCV的轮廓和最小边界旋转框可以用来旋转一个字母进行比较（此时我建议使用Tesseract或商业OCR，因为它们有大量的字体和额外的功能，如聚类和清理）。