基于OpenCV的人脸、视频、文字检测以及识别的项目（四 图片修复）

1.图片修复

用opencv实现图片修复 基本原理在于： 我们自己标定噪声的特征，然后根据噪声周围区域的颜色特征修复噪声所在的区域
有句话说的很贴切 忘了在哪听的了：
用邻近的像素替换那些坏标记，使其看起来像是邻居
比如这位

要去除这个白框框 主要步骤：

（1）标定噪声特征

先分析白色框框特征，白色区域的值大概处于[240， 240, 240]~[255, 255, 255]之间 图片中其他区域很少有这么高的像素值 所以我们可以把这个白色区域提取出来 表示为前景区域 然后对其膨胀
opencv给我们提供了一个api ,用cv2.inRange进行二值化处理，cv2.inRange 用法如下

把 low-up之间的值变为255 以外的值变成0 （跟大津法阈值不同）
结果如下：（把灯也当做噪点了）

（2）扩展噪声区域 优化处理效果

cv2.dliate

（3）图像修复

直接用opencv的api cv2.inpaint函数 用法如下：
就是在原图基础上 把mask中前景区域部分的图像根据 flags指定的方法 进行修复

结果：

再试一个：

总的来说 这玩意主要是靠opencv里面cv2.inpaint这个函数实现
一句话 对于这个白色框框： 找到它 干掉它！

（4）代码

代码如下

# 图片修复

import cv2
import numpy as np

path = "./6t.jpg"

img = cv2.imread(path)
hight, width, depth = img.shape[0:3]

# 图片二值化处理，把[240, 240, 240]~[255, 255, 255]以外的颜色变成0
thresh = cv2.inRange(img, np.array([240, 240, 240]), np.array([255, 255, 255]))
cv2.imshow("2", thresh)
# 创建形状和尺寸的结构元素
kernel = np.ones((5, 5), np.uint8)

# 扩张待修复区域
# dliate参数：原图 内核 腐蚀次数
hi_mask = cv2.dilate(thresh, kernel, iterations=1)
cv2.imshow("3", hi_mask)
# inpaint
specular = cv2.inpaint(img, hi_mask, 5, flags=cv2.INPAINT_TELEA)

cv2.namedWindow("Image", 0)
cv2.imshow("Image", img)

cv2.namedWindow("newImage", 0)
cv2.imshow("newImage", specular)
cv2.waitKey(0)
cv2.destroyAllWindows()

一看到这 我就想起来各位男同胞们心心念念的马赛克技术
我这个代码去不掉马赛克 因为马赛克区域的RGB值 不是240-255之间
马赛克待我研究研究再说