用 OpenCV 去除圖片中的水印，騷操作！

點(diǎn)擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時間送達(dá)

本文轉(zhuǎn)自|AI算法與圖像處理

這兩天在 Stackoverflow 上面看到了一個有趣的案例，是關(guān)于OpenCV 的一個討論，討論的主題就是如何用 OpenCV 來去除下面圖片中的水印，原圖如下；

題主想把紙張中的 黑色圓環(huán)去掉只留下背景，因此一些感興趣的 CV 愛好者在下面寫上自己的想法、并貼上自己的解決代碼，看到關(guān)于這個主題的答案后，只能感嘆真正的大佬，都是從實(shí)踐場景出發(fā)來解決問題，因為篇幅有限，在文章中只貼上得票最高的兩個問答思路及代碼， 讓我們感受下他們思路的巧妙之處！

作者：Joel G

這老哥的思路，總體為五部分

• 1，首先將圖像轉(zhuǎn)化為灰度圖記為 A；

• 2，利用霍夫圓在 A 中檢測最大的橢圓，然后在新的圖像中創(chuàng)建相同半徑的圓得到 B；

• 3，對灰度圖和繪制圓的圖像，應(yīng)用OpenCV 的 bitwise_and 與運(yùn)算，在原灰度圖像 A 中提取只包含橢圓圖像區(qū)域記為 C；

• 4，對圖像 C 設(shè)置合適的閾值進(jìn)行文字提取最終得到 D;

• 5, 對 圖像 A 和 D 做bitwise_or 操作，即能夠得到最終圖像 E；

以下是在自己機(jī)子上跑出來的結(jié)果，從左到右依次對應(yīng)上面的 A,C,D,E；效果如下

這個方法整體大概思想，先提取圖像中圓環(huán)部分區(qū)域，對圓環(huán)內(nèi)的文字做閾值分割進(jìn)行提取，最后將提取到的圖像區(qū)域在初始圖像中進(jìn)行替換，這里答主主要用到了三種重要算法:圖像位運(yùn)算(和、或)、閾值分割 、霍夫圓檢測，下面就是這個思路的代碼部分，原答主用的是 C++ ，因為我做的是 Python 教程，就用 Python 轉(zhuǎn)換了一下

import cv2
import numpy as np

if __name__ =='__main__':
    img_path = "F:/Data/Ceshi1/shuiyin.jpg"

    img1 = cv2.imread(img_path)
    cv2.namedWindow('img1',cv2.WINDOW_FREERATIO)
    cv2.imshow('img1',img1)

    # 轉(zhuǎn)化為 灰度圖
    gray = cv2.cvtColor(img1,cv2.COLOR_BGR2GRAY)
    # 創(chuàng)建一個白畫布
    ellipse_img = np.full((img1.shape[0],img1.shape[1],3),0,dtype = np.uint8)
    print(ellipse_img.shape,ellipse_img[0][0])
    gray = cv2.GaussianBlur(gray,(5,5),0) # 高斯處理
    # 應(yīng)用霍夫圓檢測,檢測出所有圓
    circles = cv2.HoughCircles(gray,cv2.HOUGH_GRADIENT,1,gray.shape[0]/8,100,100,100,0)


    # 找到最大的圓
    measure = 0.0
    x = 0.0
    y = 0.0
    for circle in (circles[0]):
        if circle[2] > measure:
            measure = circle[2]
            x = circle[0]
            y = circle[1]

    # 繪制圓
    cv2.circle(img1,(x,y),3,(0,255,0),-1,8,0)
    cv2.circle(img1,(x,y),int(measure),(0,255,0),2,8,0)
    # 繪制相同大小的圓
    ellipse_img =  cv2.ellipse(ellipse_img,(x,y),(int(measure),int(measure)),0,0,360,(255,255,255),-1,8)
    print(f'center x is {x} ,y is {y}, radius is {measure}')
    ellipse_img = cv2.cvtColor(ellipse_img,cv2.COLOR_BGR2GRAY)

    result = cv2.bitwise_and(gray,ellipse_img)


    cv2.namedWindow('bitwise and',cv2.WINDOW_FREERATIO)
    cv2.imshow('bitwise and',result)

    # 估計圓圖像像素強(qiáng)度
    x = result[int(x+30)][int(y)]
    print(f'intensity is  {x}')


    # 閾值分割
    _,ellipse_img = cv2.threshold(result,int(x) - 10,250,cv2.THRESH_BINARY)
    # print('ellipse_img shape is {}'.format(ellipse_img.shape))
    cv2.namedWindow('threshold',cv2.WINDOW_FREERATIO)
    cv2.imshow('threshold',ellipse_img)

    # 使用 bitwise_or 方法
    print('shape ------------\n')
    print(ellipse_img.shape,gray.shape)
    res = cv2.bitwise_or(gray,ellipse_img)

    cv2.namedWindow('bitwise_or',cv2.WINDOW_FREERATIO)
    cv2.imshow('bitwise_or',res)

    cv2.waitKey(0)

最終結(jié)果預(yù)覽比對

上面是第一種實(shí)現(xiàn)方法，這種方法思路主要用到閾值分割，從最終結(jié)果來看確實(shí)去掉了水印，但還是有一定的瑕疵：

• 比如圓內(nèi)文字背景與圓外背景是不一樣的，存在很大色差，并且圓內(nèi)的文字提取結(jié)果來看是不完整的；
• 此方法不具有普遍性，因為這類方法只能針對于圓形水印，假設(shè)水印是不規(guī)則多邊形此方法可能就會失效

下面介紹第二種思路，與第一種有相似的地方，也用到了閾值分割、圖像像素位運(yùn)算 相關(guān)算法，但同卻又有自己的獨(dú)特地方，從客觀角度分析來看，這種方法的最終結(jié)果會更好一點(diǎn)

作者: dhanushka

思路主要分為四部分

• 1，源圖像記為 A，用形態(tài)學(xué)濾波器刪除圖像中文字區(qū)域，得到的圖像記為 B；

• 2，獲取A,B 圖像的之差，用 A-B ，得到區(qū)別后再用閾值分割進(jìn)行處理，得到 C;

• 3，閾值分割背景圖像，提取水印覆蓋的黑色部分記為 D;

• 4，從 A 中提取在區(qū)域 D 中的像素，再用閾值分割方法分割像素，最終將提取到的像素貼到 B 中，得到最終去除水印的圖像

代碼貼在下方

import cv2
import numpy as np

if __name__ =='__main__':
    img_path = "F:/Data/Ceshi1/shuiyin.jpg"
    im = cv2.imread(img_path)

    gray = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)

    background = gray.copy()
    for i in range(1,5):
        kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(2*i+1,2*i+1))
        # print('kernel size is ',kernel)
        background = cv2.morphologyEx(background,cv2.MORPH_CLOSE,kernel)
        background = cv2.morphologyEx(background,cv2.MORPH_CLOSE,kernel)

    diff = background - gray # 計算差距

    cv2.namedWindow('diff',cv2.WINDOW_FREERATIO) # 獲取圖像中前景背景之差
    cv2.imshow('diff',background)
    # 閾值分割獲取黑色字體
    _,bw = cv2.threshold(diff,0,255,cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)
    # 閾值分割獲取黑色區(qū)域
    cv2.namedWindow('bw_before', cv2.WINDOW_FREERATIO)
    cv2.imshow('bw_before', bw)


    _,dark = cv2.threshold(background,0,255,cv2.THRESH_BINARY_INV|cv2.THRESH_OTSU)

    darkpix = cv2.countNonZero(dark)# 獲取 dark非0d圖像像素個數(shù)
    darkpix = [0]*darkpix
    index = 0
    cv2.namedWindow('gray', cv2.WINDOW_FREERATIO)
    cv2.imshow('gray', gray)



    for r in range(dark.shape[0]):
        for c in range(dark.shape[1]):
            if(dark[r][c]):
                darkpix[index]  = gray[r][c]
                index = index +1

    # 閾值分割 dark 區(qū)域 因此我們在里面得到更深的像素
    darkpix = np.array(darkpix)
    _,darkpix = cv2.threshold(darkpix,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)

    cv2.namedWindow('darkpix', cv2.WINDOW_FREERATIO)
    cv2.imshow('darkpix', darkpix)

    # 把 取到的像素粘貼到 其渠道的 darker pixels

    cv2.namedWindow('dark',cv2.WINDOW_FREERATIO)
    cv2.imshow('dark',dark)

    index = 0
    for r in range(dark.shape[0]):
        for c in range(dark.shape[1]):
            if (dark[r][c]):
                bw[r][c] =  darkpix[index]
                index = index +1

    cv2.namedWindow('bw',cv2.WINDOW_FREERATIO)
    cv2.imshow('bw',bw)
    cv2.waitKey(0)

效果預(yù)覽對比

相對第一種方法，第二種方法實(shí)用性更強(qiáng)一點(diǎn)，無論圖像前景水印為什么形狀的，這種方法都可適用（水印區(qū)域與其他背景像素強(qiáng)度差別大，且水印區(qū)域是連接在一起的）。

如果考慮到商用途徑，只用 OpenCV 來解決復(fù)雜場景的圖片水印問題，是不現(xiàn)實(shí)的，還需人工的干涉；但不現(xiàn)實(shí)并不代表它沒有用，對于前后像素值較大、簡單場景的水印，OpenCV 是完全可行的，若是再加上一個批量操作，變得更可了，大大解放我們的雙手！

并且這兩種思路中用到的的一些方法，是值得我們借鑒的，比如 圖像像素或與和操作、形態(tài)學(xué)過濾、霍夫圓檢測等技術(shù)，可借助于這些方法應(yīng)用到其它場景，例如提取圖像中圓形區(qū)域、行人路上斑馬線檢測、去除不規(guī)則圖像連接區(qū)域等。