非黑即白--谷歌OCR光学字符识别

# coding=utf-8
#非黑即白--谷歌OCR光学字符识别

# 颜色的世界里，非黑即白。computer表示深信不疑。
# 今天研究一下OCR光学识别庞大领域中的众多分支里的一个开源项目的一个包-tesseract。
#
# 能让机器识别图片是无数工程师梦寐以求的事
# 任何物体只有成功转为二进制才有可能被机器识别，而识别是做出一系列智能行为的前提
#
# 下面以一张验证码为例梳理一下机器识别的思路：
#
# 准备工作：
# 1、取到图片地址，在线转化为图片流或者下载到本地
# 2、PIL, pytesseract 两个包，其实主要用他们中各一个函数，前者是用Image将图片做像素级处理，以便后者用image_to_string将图片转化为字符串
# 3、图像基础知识：RGB所代表的红绿蓝色域均为0-255，三色叠加0代表黑色，255代表白色，区间值即为灰度
#
# 流程：
# 1、读取图片转为Image函数的对象
# 2、转化为灰度图（即黑白图片），进行二值化（强化黑白）
# 3、坐标系去除噪点，继续强化黑白
# 4、转化为字符串（涉及到分割、识别，image_to_string自动做了）

from PIL import Image
from pytesseract import image_to_string

#  接收图片地址,和int类型的灰度值作为阈值，返回黑白图
def parse(img_address, g):
    img = Image.open(img_address)
    # 转化为灰度图
    imgL = img.convert('L')
    # imgL.show()
    img_load = imgL.load()
    print(imgL.size)
    # 遍历宽与高中的每一个像素并依据阈值判断，进行二值化
    for y in range(imgL.size[1]):
        for x in range(imgL.size[0]):
            # 阈值就是寻找灰度的平衡点
            # 小于阈值的数就是向黑色靠拢，直接赋值为黑，大于阈值即向255靠拢，直接赋值为白
            if img_load[x, y] <= g:
                img_load[x, y] = 0
            else:
                img_load[x, y] = 255
    return imgL

# 擦除噪点，对L模式下的图处理
# x,y 像素点坐标
# g 阈值（0-255之间的灰度值）
# n 强度（周围有几个符合阈值的像素点才留下）
def wipe_spot(img, x, y, g, n):
    count = 0
    if img[x - 1, y + 1] == g:
        count += 1
    if img[x, y + 1] == g:
        count += 1
    if img[x + 1, y + 1] == g:
        count += 1
    if img[x - 1, y] == g:
        count += 1
    if img[x + 1, y] == g:
        count += 1
    if img[x + 1, y - 1] == g:
        count += 1
    if img[x, y - 1] == g:
        count += 1
    if img[x + 1, y - 1] == g:
        count += 1
    if count < n:
        img[x, y] = 255


# 示例
imgl = parse("D://1111.jpg", 150)
imgload = imgl.load()
for y in xrange(imgl.size[1]):
    for x in xrange(imgl.size[0]):
        if imgload[x, y] == 0:
            wipe_spot(imgload, x, y, 0, 1)
imgl.show()
print image_to_string(imgl).replace(' ', '')