验证码识别之图片处理（一些细节处理）

上一篇我们聊到了图片验证码处理的基本流程，已经可以应付绝大多数图片验证码了。

验证码识别之图片处理（基础流程）------ 链接戳这里

我们来看一下成果：

可以看到应付我们的学习算法需求已经足够。

今天我们来看看一些特殊图片的处理方法：

1、带边框验证码：

例如：

这种处理方式比较显而易见，循环遍历时直接将

i<2 or i>rows-3 or j<2 or j>cols-3

的点置为白色即可，代码我就不上了。

2、背景色为深色的验证码：

例如：

背景颜色比字母颜色深一些，阈值不好定。

这时我们需要获取图片背景色，处理依据：

一般背景色都为图片中颜色占比最多，我们只要获取出现最多的颜色，然后全部置为白色即可。

即将其变为：

后续就都一样了：

python代码如下：

# 获取图片中像素点数量最多的像素并置为白色
def get_threshold(image):
    pixel_dict = defaultdict(int)

    # 像素及该像素出现次数的字典
    rows, cols = image.size
    for i in range(rows):
        for j in range(cols):
            pixel = image.getpixel((i, j))
            pixel_dict[pixel] += 1

    count_max = max(pixel_dict.values()) # 获取像素出现出多的次数
    pixel_dict_reverse = {v:k for k,v in pixel_dict.items()}
    threshold = pixel_dict_reverse[count_max] # 获取出现次数最多的像素点

    for i in range(rows):
        for j in range(cols):
            #剔除边框
            if image.getpixel((i, j)) == threshold or i<2 or i>rows-3 or j<2 or j>cols-3:
                image.putpixel((i, j), (255, 255, 255, 255))
    return image

3、验证码中带有粗粗的干扰线：

我们之前的干扰线处理方式依据为：

干扰线一般相比较于字母来说比较细，在去除噪点的时候就将其一起去除了。

比如这种：

或者是这种（红线是我自己画的。。）：

可以看出，我们可以分为两种类型：

        ①颜色和字母同色

        ②颜色不和字母同色

1、先看第一种，既然颜色，粗细都和字母差不多，也就是说我们无法从外形上直接区分出来，就算是人工来看，区分的依据也是和我们脑海中的字母一个个匹配，这时候我们只能寄希望于我们的学习算法了，这时候我们图片处理能做的只能是提高图片切割时候的阈值，来保证图片的正确切割：

2、再看第二种，粗细和字母差不多，但是颜色则可以有明显的区分，这时候我们明显第一感觉就可以将其过滤掉，那同样，我们的代码中也是可以实现的。

我们看看干扰线的特点：

    ①颜色有明显区分度；

    ②跨X轴很长；

所以我们的处理依据就出来了：

除背景色外，在X轴上投影上出现次数最多的即为干扰线，将该颜色转为白色即可。

注意，这里是在X轴投影上出现过的次数，而不是总次数。（统计X=N的线上出现的颜色，不管在这条线上出现了多少个，都算1次）

python代码如下：

def clear_node_rgb(image):
    pixel_list = []
    rows, cols = image.size
    for i in range(rows):
        pixel_rgb = []
        for j in range(cols):
            rgb = image.getpixel((i, j))
            if rgb != (255,255,255) and rgb not in pixel_rgb:
                pixel_list.append(rgb)
                pixel_rgb.append(rgb)
    max_rgb = Counter(pixel_list).most_common(1)[0][0]

    for i in range(rows):
        for j in range(cols):
            pixel = image.getpixel((i, j))
            if pixel == max_rgb:
                image.putpixel((i, j), (255, 255, 255, 255))
    return image

这里我们处理后的图片都有一个很明显的问题：被分割线挡住的部分断掉了。

那追求完美的我们就需要想办法去弥补一下了。

在opencv中有一对图片处理的方法，叫做腐蚀和膨胀。

腐蚀的意思为将图片上的内容边界消除；

膨胀的意思为将图片上的内容边界加粗。

举个例子：

原图：

膨胀后：

腐蚀后：

所以，先膨胀后腐蚀，就能消除图片中的白点，断层等等。

我们来看看效果：

先膨胀，消除断层：

再腐蚀，回到原来的比例即可：

python代码：

import cv2
import numpy as np


def ercode_dilate(img, threshold):
    #腐蚀参数， (threshold, threshold)为腐蚀矩阵大小
    kernel = np.ones((threshold, threshold), np.uint8)

    # 膨胀图片
    erosion = cv2.erode(img, kernel, iterations=1)

    # 腐蚀图片
    eroded = cv2.dilate(erosion, kernel, iterations=1)

    return eroded

img = cv2.imread('test.png', 0)
ercode_dilate(img, 6)