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(图像，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 kize)；
#这里的源代表输入图像、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图形打印#到灰度的转换(二进制图像.Shape)打印#改为单通道

其他

打印(对原列表去重并按从小到大排序(Set(Edge_Y)。

Np.argmax(np.bincount(Edge_X))。

计数器(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，依然有漏洞，

• 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平均然后，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轴压缩后的平均柱状图

考虑其他方法.

验证使用的图片

标签：蟒蛇图片处理笔记_大五千的博客