相应的，验证码识别大体可以分为下面几个步骤
-
灰度处理
-
增加对比度(可选)
-
二值化
-
降噪
-
倾斜校正分割字符
-
建立训练库
-
识别
像素点是最小的图像单元，一张图片由好多的像素点构成， 一个像素点的颜色是由RGB三个值来表现的，
所以一个像素点矩阵对应三个颜色向量矩阵，我们对图像的处理就是对这个像素点矩阵的操作，
想要改变某个像素点的颜色，只要在这个像素点矩阵中找到这个像素点的位置（x, y）,
因为一个像素点的颜色由红、绿、蓝三个颜色变量表示，所以我们通过给这三个变量赋值，来改变这个像素点的颜色.
图片的灰度化,就是让像素点矩阵中的每一个像素点都满足下面的关系：R=G=B,此时的这个值叫做灰度值.
灰度化的转化公式一般为：
R = G = B = 处理前的 R*0.3 + G*0.59 + B*0.11
img = img.convert('L') #转为灰度图
二值化就是让图像的像素点矩阵中的每个像素点的灰度值为0（黑）或者255（白） ，从而实现二值化，
让整个图像呈现只有黑和白的效果。
原理是利用设定的一个阈值来判断图像像素为0还是255，小于阈值的变为0（黑色）， 大于的变为255（白色）。
这个临界灰度值就被称为阈值，阈值的设置很重要。阈值过大或过小都会对图片造成损坏。
选择阈值的原则是：既要尽可能保存图像信息，又要尽可能减少背景和噪声的干扰，
常用方法
-
取阈值为127（0~255的中数，（0+255）/2=127 ）
好处是计算量小速度快，
缺点也是很明显的 ，对于图片中内容色彩分布较大的图片，很容易造成内容的缺失。
-
平均值法
计算像素点矩阵中的所有像素点的灰度值的平均值avg
（像素点1灰度值+...+像素点n灰度值）/ n = 像素点平均值avg
这样做比方法1好一些。 但可能导致部分对象像素或者背景像素丢失。
def averageThreshold(img): pixdata = img.load() width,height = img.size threshold = sum(img.getdata())/(width*height) #计算图片的平均阈值 # 遍历所有像素，大于阈值的为白色 for y in range(height): for x in range(width): if pixdata[x, y] < threshold: pixdata[x, y] = 0 else: pixdata[x,y] = 255 return img
-
图像由前景和背景组成，在灰度直方图上，前后二景都形成高峰，在双峰之间的最低谷处就是图像的阈值所在。
-
当前后景的对比较为强烈时，分割效果较好；否则基本无效。
-
迭代法
首先选择一个近似阈值作为估计值的初始值，然后进行分割，产生子图像，并根据子图像的特性来选取新的阈值，
再利用新的阈值分割图像，经过几次循环，使错误分割的图像像素点降到最少。这样做的效果好于用初始阈值直接分割图像的效果。
-
求出图象的最大灰度值和最小灰度值，分别记为Pmax和Pmin，令初始阈值T0=(Pmax+Pmin)/2
-
根据阈值TK将图象分割为前景和背景，（小于 T0 的像素部分，大于T0的背景部分），并分别求其均值 avgPix, avgBac
-
求出新阈值TK = ( avgPix+avgBac) / 2；
-
若T0=TK，则所得即为阈值；否则转2，迭代计算 。
from PIL import Image def iterGetThreshold(img, pixdata, width, height): pixPrs = pixBac = [] #用于统计前景和背景平均阈值 threshold = 0 pixel_min, pixel_max = img.getextrema() # 获得图片中最大和最小灰度值 newThreshold = int((pixel_min + pixel_max) / 2) # 初始阈值 while True: if abs(threshold - newThreshold) < 5: #差值小于5,退出 break for y in range(height): for x in range(width): if pixdata[x, y] >= newThreshold: pixBac.append(pixdata[x,y]) #大于阈值 为背景 else: pixPrs.append(pixdata[x,y]) #小于， 前景 avgPrs = sum(pixPrs)/len(pixPrs) avgBac = sum(pixBac)/len(pixBac) threshold = newThreshold newThreshold = int((avgPrs+avgBac)/2) return newThreshold def binary(img, threshold=None): img = img.convert('L') #转为灰度图 pixdata = img.load() width, height = img.size if not threshold: threshold = iterGetThreshold(img, pixdata,width, height) # 遍历所有像素，大于阈值的为白色 for y in range(height): for x in range(width): if pixdata[x, y] < threshold: pixdata[x, y] = 0 else: pixdata[x,y] = 255 return img img = Image.open('test-1.jpg') img.show() new_img = Binary(img)new_img.show()
-
2. 降噪
从前面经过二值化处理，如果一个像素点是图片或者干扰因素的一部分，那么它的灰度值一定是0，
即黑色； 如果一个点是背景，则其灰度值应该是255，白色。
因此对于孤立的噪点，其周围应该都是白色，或者大多数点都是白色pixel
如果图片分辨率够高，一个噪点实际上可能是有很多个点组成 ，所以此时的判断条件应该放宽，
即一个点是黑色的并且相邻的8个点为白色点的个数大于一个固定值，那么这个点就是噪点 。
常见的4邻域、8邻域算法。所谓的X邻域算法，可以参考手机九宫格输入法，按键5为要判断的像素点，
4邻域就是判断上下左右，8邻域就是判断周围8个像素点。如果这4或8个点中255的个数大于某个阈值则判断这个点为噪音，
阈值可以根据实际情况修改。
这个方法对小噪点比较好，如果阀值设的比较大，很多验证码字符也会受到很大影响，
因为验证码可能就是一些断断续续的点连出来的，阀值设太大，尽管噪点没了，验证码也会没了。
def depoint(img, N=2): pixdata = img.load() width, height = img.size for y in range(1, height - 1): for x in range(1, width - 1): count = 0 if pixdata[x, y - 1] == 255: # 上 count = count + 1 if pixdata[x, y + 1] == 255: # 下 count = count + 1 if pixdata[x - 1, y] == 255: # 左 count = count + 1 if pixdata[x + 1, y] == 255: # 右 count = count + 1 # if pixdata[x-1, y-1] == 255: #左上 # count = count + 1 # if pixdata[x+1, y-1] == 255: #右上 # count = count + 1 # if pixdata[x-1, y+1] == 255: #左下 # count = count + 1 # if pixdata[x+1, y+1] == 255: #右下 # count = count + 1 if count > N: pixdata[x, y] = 255 #设置为白色 return img depoint(img).show()
OCR （Optical Character Recognition）光学字符识别， 指的是对文本资料的图像文件进行分析识别处理，获取文集及版面信息的过程
Tesseract-OCR是一个开源的字符识别引擎，我们可以用他来识别一些简单的验证码。
Windows安装：
安装文件点击下载
Linux安装：
sudo apt-get install tesseract-ocr
sudo apt-get install libtesseract-dev
Mac安装：
brew install tesseract
Pytesser3是一个在Python内使用Tesseract-Ocr的库，安装非常简单：
pip install Pytesser3
然后需要进行配置， 将pytesser3包下面__init__文件内tesseract_exe_name的值设置为为你的tesseract.exe的路径
使用：
用Pillow打开图片，
调用image_to_string()方法
注意：自动识别能力有限，属于人工智障级别