import numpy as np
import cv2
import os
import matplotlib.pyplot as plt
# 去除黑边框
def remove_the_blackborder(image):
image = cv2.imread(image) #读取图片
img = cv2.medianBlur(image, 5) #中值滤波，去除黑色边际中可能含有的噪声干扰
#medianBlur( InputArray src, OutputArray dst, int ksize );
#这里的src代表输入图像，dst代表输出图像，ksize 必须是正数且为奇数
#该函数使用中值滤波器来平滑图像，可以消除图像中的小点，该值越大，则消除的点越大
b = cv2.threshold(img, 3, 255, cv2.THRESH_BINARY) #调整裁剪效果
#大于3 的像素点都处理成第三个参数值，小于3的像素点都处理成0
#大于3的像素点，都替换成纯白色(RGB==255)
binary_image = b[1] #二值图--具有三通道
#彩色图像： 有blue，green，red三个通道，取值范围均为0-255
#灰度图：只有一个通道0-255，所以一共有256种颜色
#二值图像：只有两种颜色，黑色和白色，二值化就是把图像的像素转变为0或者255，只有这两个像素值。0白色 1黑色 。0是黑色，255是白色
binary_image = cv2.cvtColor(binary_image,cv2.COLOR_BGR2GRAY)
#彩色图像，进行RGB到灰度的转换
# print(binary_image.shape) #改为单通道
edges_y, edges_x = np.where(binary_image==255) ##h, w
#选取白色(RGB ==255)点的坐标
#白色(RGB ==255)点的边界就是我们要保留的图片
bottom = min(edges_y)
top = max(edges_y)
height = top - bottom
left = min(edges_x)
right = max(edges_x)
height = top - bottom
width = right - left
#微调
# 实际操作过程中发现，去掉边框的图像，仍然有几个像素数宽度的黑框，这里手动去掉
boder = 3
bottom = bottom + boder
height = height - (boder * 2)
left = left + boder
width = width - (boder * 2)
res_image = image[bottom:bottom+height, left:left+width]
return res_image cv2.medianBlur
img = cv2.medianBlur(image, 5) #中值滤波，去除黑色边际中可能含有的噪声干扰
#medianBlur( InputArray src, OutputArray dst, int ksize );
#这里的src代表输入图像，dst代表输出图像，ksize 必须是正数且为奇数
#该函数使用中值滤波器来平滑图像，可以消除图像中的小点，该值越大，则消除的点越大
cv2.threshold
b = cv2.threshold(img, 3, 255, cv2.THRESH_BINARY) #调整裁剪效果
#大于3 的像素点都处理成第三个参数值，小于3的像素点都处理成0
#大于3的像素点，都替换成纯白色(RGB==255)
https://zhuanlan.zhihu.com/p/511579219?utm_id=0
binary_image = b[1] #二值图--具有三通道
cv2.cvtColor
binary_image = cv2.cvtColor(binary_image,cv2.COLOR_BGR2GRAY)
#彩色图像，进行RGB到灰度的转换 # print(binary_image.shape) #改为单通道
OtherS
print(list(set(edges_y))) 对原列表去重并按从小到大排序
np.argmax(np.bincount(edges_x))
Counter(edges_x).most_common(20) 找出出现次数最多的几个元素
分割清楚脏背景
import cv2
import numpy as np
from skimage.filters import unsharp_mask
from skimage.filters import gaussian
from skimage.restoration import denoise_tv_chambolle
import matplotlib.pyplot as plt
from collections import Counter
#分割图片，提取每一个 方格字 其他的部分，设置成白色RGB==255
def clean_Zang_background_by_Fengge(image):
image = cv2.imread(image) #读取图片
img = cv2.medianBlur(image, 5) #中值滤波，去除黑色边际中可能含有的噪声干扰
#medianBlur( InputArray src, OutputArray dst, int ksize );
#这里的src代表输入图像，dst代表输出图像，ksize 必须是正数且为奇数
#该函数使用中值滤波器来平滑图像，可以消除图像中的小点，该值越大，则消除的点越大
b = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) #调整裁剪效果
#大于190 的像素点都处理成 255 白色
#计算
binary_image = b[1] #二值图--具有三通道
#彩色图像： 有blue，green，red三个通道，取值范围均为0-255
#灰度图：只有一个通道0-255，所以一共有256种颜色
#二值图像：只有两种颜色，黑色和白色，二值化就是把图像的像素转变为0或者255，只有这两个像素值。0白色 1黑色 。0是黑色，255是白色
binary_image = cv2.cvtColor(binary_image,cv2.COLOR_BGR2GRAY)
#彩色图像，进行RGB到灰度的转换
edges_y, edges_x = np.where(binary_image < 127) ##h, w
#选取有颜色(RGB < 127)点的坐标
#直方图统计
# plt.hist(edges_x,bins=1000)
# plt.savefig("./3_edges_x.png")
# plt.hist(edges_y,bins=1000)
# plt.savefig("./3_edges_y.png")
# Step 1 ：使用X轴 先将图片 纵向分割成一条一条
xdict = Counter(edges_x)
#统计edges_x中各个元素的个数-可以反映出 图片像素点在X轴压缩后的分布情况
x_black = sorted(xdict.keys())
#排序
#x_black中的元素，表示对应的y轴这列像素点存在黑色(RGB),反之不存在与black中的X轴对应的一列像素点是纯白色
tmp=0
lnum = 0
n = 10
for a in x_black:
lnum = lnum + 1
if tmp == a:
tmp = tmp + 1
else:
#tmp 到 a之间的区域 是没有数据的，可以清除了
# 由于上面的 127的选取会剪掉多余可用的部分，因此出需要在可用的数据部分基础上多保留 n个像素点，以确保可用部分不丢失
# debug 显示框框,
# image[0:, (tmp+n):(tmp+1+n), :] = (0, 0, 0) #debug
# image[0:, (a-1-n):(a-n), :] = (0, 0, 0) #debug
#清理 分割出来的脏背景
image[0:, (tmp+n):(a-n), :] = (255, 255, 255)
tmp = a + 1
# 最后一条脏区域
image[0:, (tmp+n):, :] = (255, 255, 255)
# 兼容第一条脏区域
image[0:, 0:n, :] = (255, 255, 255)
# Step 2 : 使用Y轴 先将图片 横向分割 清理上下两个区域
#取出最大，最小值即可
ymin = min(edges_y)
ymax = max(edges_y)
yn = 7
image[(ymax+yn):(ymax+1+yn), 0:, :] = (0, 0, 0) #debug
image[(ymin-1-yn):(ymin-yn), 0:, :] = (0, 0, 0) #debug
#清理 分割出来的脏背景
image[(ymax+yn):, 0:, :] = (255, 255, 255)
image[0:(ymin-yn), 0:, :] = (255, 255, 255)
return image
cv2.imwrite("./3_fenge.jpg",remove_the_blackborder("3_biankuang.jpg"))原始图像
纵向清理
纵向+横向清理
上述算法在使用过程中，依然有bug，
- 如果有大块的墨点，影响判断，
- 图像的字迹太淡，会导致图片被清零
下一步优化算法：
1. 计算 一列 或者一行的 RGB avg然后，根据数据统计可以分析出边框，但是对于 图像这种差异不明显的图片，无法分离出；这样方法之实用与文字这种差异比较明显的场景
import numpy as np
import matplotlib.pyplot as plt
import cv2
#分割图片，提取每一个 方格字 其他的部分，设置成白色RGB==255
def clean_Zang_background_by_Fengge(image):
image = cv2.imread(image) #读取图片
img = cv2.medianBlur(image, 5) #中值滤波，去除黑色边际中可能含有的噪声干扰
#medianBlur( InputArray src, OutputArray dst, int ksize );
#这里的src代表输入图像，dst代表输出图像，ksize 必须是正数且为奇数
#该函数使用中值滤波器来平滑图像，可以消除图像中的小点，该值越大，则消除的点越大
b = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) #调整裁剪效果
#大于127 的像素点都处理成 255 白色
#计算
binary_image = b[1] #二值图--具有三通道
#彩色图像： 有blue，green，red三个通道，取值范围均为0-255
#灰度图：只有一个通道0-255，所以一共有256种颜色
#二值图像：只有两种颜色，黑色和白色，二值化就是把图像的像素转变为0或者255，只有这
两个像素值。0白色 1黑色 。0是黑色，255是白色
binary_image = cv2.cvtColor(binary_image,cv2.COLOR_BGR2GRAY)
#彩色图像，进行RGB到灰度的转换
# debug
cv2.imwrite('3_xheibai.jpg',binary_image)
#edges_y, edges_x = np.where(binary_image < 127) ##h, w
#选取有颜色(RGB < 127)点的坐标
# debug
print(len(binary_image))
print(binary_image)
#xavgRGB = {}
xNum=0
xavyRGB=[]
for ils in binary_image:
xNum = xNum+1
mavg =255 - np.mean(ils) #取反
# 去除边框
if(mavg > 250):
mavg=0
xavyRGB.append(mavg)
# debug
plt.bar(xNum, mavg)
print(xNum)
plt.savefig("./3_xavyRGB.png")
clean_Zang_background_by_Fengge("0004_page_0004.jpg")原始图片和 y轴压缩后的avg柱状图
考虑其他方法。
