点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达
本文转自|AI算法与图像处理
这两天在 Stackoverflow 上面看到了一个有趣的案例，是关于OpenCV 的一个讨论，讨论的主题就是如何用 OpenCV 来去除下面图片中的水印，原图如下；
题主想把纸张中的 黑色圆环去掉只留下背景，因此一些感兴趣的 CV 爱好者在下面写上自己的想法、并贴上自己的解决代码，看到关于这个主题的答案后，只能感叹真正的大佬，都是从实践场景出发来解决问题，因为篇幅有限，在文章中只贴上得票最高的两个问答思路及代码， 让我们感受下他们思路的巧妙之处！
作者：Joel G
这老哥的思路，总体为五部分
1，首先将图像转化为灰度图记为 A；
2，利用霍夫圆在 A 中检测最大的椭圆，然后在新的图像中创建相同半径的圆得到 B；
3，对灰度图和绘制圆的图像，应用OpenCV 的bitwise_and与运算，在原灰度图像 A 中提取只包含椭圆图像区域记为 C；
4，对图像 C 设置合适的阈值进行文字提取最终得到 D;
5, 对 图像 A 和 D 做bitwise_or操作，即能够得到最终图像 E；
以下是在自己机子上跑出来的结果，从左到右依次对应上面的 A,C,D,E；效果如下
这个方法整体大概思想，先提取图像中圆环部分区域，对圆环内的文字做阈值分割进行提取，最后将提取到的图像区域在初始图像中进行替换，这里答主主要用到了三种重要算法:图像位运算(和、或)、阈值分割、霍夫圆检测，下面就是这个思路的代码部分，原答主用的是C++，因为我做的是 Python 教程，就用 Python 转换了一下
importcv2importnumpyasnpif__name__=='__main__':img_path="F:/Data/Ceshi1/shuiyin.jpg"img1=cv2.imread(img_path)cv2.namedWindow('img1',cv2.WINDOW_FREERATIO)cv2.imshow('img1',img1)#转化为灰度图gray=cv2.cvtColor(img1,cv2.COLOR_BGR2GRAY)#创建一个白画布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)#高斯处理#应用霍夫圆检测,检测出所有圆circles=cv2.HoughCircles(gray,cv2.HOUGH_GRADIENT,1,gray.shape[0]/8,100,100,100,0)#找到最大的圆measure=0.0x=0.0y=0.0forcirclein(circles[0]):ifcircle[2]>measure:measure=circle[2]x=circle[0]y=circle[1]#绘制圆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)#绘制相同大小的圆ellipse_img=cv2.ellipse(ellipse_img,(x,y),(int(measure),int(measure)),0,0,360,(255,255,255),-1,8)print(f'centerxis{x},yis{y},radiusis{measure}')ellipse_img=cv2.cvtColor(ellipse_img,cv2.COLOR_BGR2GRAY)result=cv2.bitwise_and(gray,ellipse_img)cv2.namedWindow('bitwiseand',cv2.WINDOW_FREERATIO)cv2.imshow('bitwiseand',result)#估计圆图像像素强度x=result[int(x+30)][int(y)]print(f'intensityis{x}')#阈值分割_,ellipse_img=cv2.threshold(result,int(x)-10,250,cv2.THRESH_BINARY)#print('ellipse_imgshapeis{}'.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)
最终结果预览比对
上面是第一种实现方法，这种方法思路主要用到阈值分割，从最终结果来看确实去掉了水印，但还是有一定的瑕疵：
比如圆内文字背景与圆外背景是不一样的，存在很大色差，并且圆内的文字提取结果来看是不完整的；
此方法不具有普遍性，因为这类方法只能针对于圆形水印，假设水印是不规则多边形此方法可能就会失效
下面介绍第二种思路，与第一种有相似的地方，也用到了阈值分割、图像像素位运算相关算法，但同却又有自己的独特地方，从客观角度分析来看，这种方法的最终结果会更好一点
作者: dhanushka
思路主要分为四部分
1，源图像记为 A，用形态学滤波器删除图像中文字区域，得到的图像记为 B；
2，获取A,B 图像的之差，用 A-B ，得到区别后再用阈值分割进行处理，得到 C;
3，阈值分割背景图像，提取水印覆盖的黑色部分记为 D;
4，从 A 中提取在区域 D 中的像素，再用阈值分割方法分割像素，最终将提取到的像素贴到 B 中，得到最终去除水印的图像
代码贴在下方
importcv2importnumpyasnpif__name__=='__main__':img_path="F:/Data/Ceshi1/shuiyin.jpg"im=cv2.imread(img_path)gray=cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)background=gray.copy()foriinrange(1,5):kernel=cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(2*i+1,2*i+1))#print('kernelsizeis',kernel)background=cv2.morphologyEx(background,cv2.MORPH_CLOSE,kernel)background=cv2.morphologyEx(background,cv2.MORPH_CLOSE,kernel)diff=background-gray#计算差距cv2.namedWindow('diff',cv2.WINDOW_FREERATIO)#获取图像中前景背景之差cv2.imshow('diff',background)#阈值分割获取黑色字体_,bw=cv2.threshold(diff,0,255,cv2.THRESH_BINARY_INV|cv2.THRESH_OTSU)#阈值分割获取黑色区域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)#获取dark非0d图像像素个数darkpix=[0]*darkpixindex=0cv2.namedWindow('gray',cv2.WINDOW_FREERATIO)cv2.imshow('gray',gray)forrinrange(dark.shape[0]):forcinrange(dark.shape[1]):if(dark[r][c]):darkpix[index]=gray[r][c]index=index+1#阈值分割dark区域因此我们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)#把取到的像素粘贴到其渠道的darkerpixelscv2.namedWindow('dark',cv2.WINDOW_FREERATIO)cv2.imshow('dark',dark)index=0forrinrange(dark.shape[0]):forcinrange(dark.shape[1]):if(dark[r][c]):bw[r][c]=darkpix[index]index=index+1cv2.namedWindow('bw',cv2.WINDOW_FREERATIO)cv2.imshow('bw',bw)cv2.waitKey(0)
效果预览对比
相对第一种方法，第二种方法实用性更强一点，无论图像前景水印为什么形状的，这种方法都可适用（水印区域与其他背景像素强度差别大，且水印区域是连接在一起的）。
如果考虑到商用途径，只用 OpenCV 来解决复杂场景的图片水印问题，是不现实的，还需人工的干涉；但不现实并不代表它没有用，对于前后像素值较大、简单场景的水印，OpenCV 是完全可行的，若是再加上一个批量操作，变得更可了，大大解放我们的双手！
并且这两种思路中用到的的一些方法，是值得我们借鉴的，比如图像像素或与和操作、形态学过滤、霍夫圆检测等技术，可借助于这些方法应用到其它场景，例如提取图像中圆形区域、行人路上斑马线检测、去除不规则图像连接区域等。
下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。
下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三+上海交大+视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~
