验证码识别的一些方法（未完成）

爬虫程序

# 爬取图片的爬虫
import requests
import time
import os
import uuid

'''
生成 uuid 作为文件名
'''
def generate_uuid():
    return str(uuid.uuid4()).replace('-', '')

'''
生成请求验证码的 url
'''
def generate_url():
    base_url = 'https://jxfw.gdut.edu.cn/yzm?d='
    return base_url + str(round(time.time() * 1000))

def get_images():
    url = generate_url()
    try:
        response = requests.get(url)
        # 获取的文本实际上是图片的二进制文本
        img = response.content
        # 将他拷贝到本地文件 w 写  b 二进制  wb代表写入二进制文本
        #保存路径
        path= os.path.join('imgs/OriginalPicture/', generate_uuid() + '.jfif')
        with open(path, 'wb') as f:
            f.write(img)
    except Exception as err:
        print('请求出现异常！')
        print('请求 url：{}'.format(url))
        print(err)

if __name__ == '__main__':
    i = 0;
    while(i < 1000):
        get_images()
        time.sleep(0.02)
        i+=1

图片示例：

图像预处理

灰度化

常用方法有分量法、加权平均法等，这里已经是灰度图片，所以不作处理。

分量法

分量法的主要思想便是取彩色图像三通道其中的任意一个通道分量，将它作为灰度图像的灰度值，按照现实应用选择一个通道。

>#encoding:utf-8
>import cv2  
>import numpy as np  
>import matplotlib.pyplot as plt

>#读取原始图像
>img = cv2.imread('miao.png')
>b = image[:, :, 0]
>g = image[:, :, 1]
>r = image[:, :, 2]
>#也可以直接用opencv的split函数
>#(b, g, r) = cv2.split(image)
>cv2.imshow("b", b)
>cv2.imshow("g", g)
>cv2.imshow("r", r)
>#等待显示
>cv2.waitKey(0)
>cv2.destroyAllWindows()

二值化

简单阈值法

如果像素值大于阈值，则为其分配一个值（可以是白色），否则分配另一个值（可以是黑色）。

使用的函数是cv2.threshold。 第一个参数是源图像，它应该是灰度图像。 第二个参数是用于对像素值进行分类的阈值。 第三个参数是maxVal，它表示像素值大于（有时小于）阈值时要给定的值。 OpenCV提供了不同的阈值样式，它由函数的第四个参数决定。 不同的类型是：

• cv2.THRESH_BINARY
• cv2.THRESH_BINARY_INV
• cv2.THRESH_TRUNC
• cv2.THRESH_TOZERO
• cv2.THRESH_TOZERO_INV

Two outputs are obtained. First one is a retval which will be explained later. Second output is our thresholded image.

第四个参数决定的不同类型效果为：

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('gradient.png',0)
ret,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret,thresh2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)

titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]

for i in xrange(6):
    plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])

plt.show()

自适应阈值法

上面的方法使用全局值作为阈值。 但是，在图像在不同区域具有不同照明条件的所有条件下，可能并不总是一件好事。 在这种情况下，我们采用自适应阈值。 在这种情况下，算法会为图像的一小部分计算阈值。 因此，对于同一图像的不同区域，我们获得了不同的阈值，对于光照变化的图像，它可以提供更好的结果。

It has three ‘special’ input params and only one output argument.

• Adaptive Method - It decides how thresholding value is calculated.

  cv2.ADAPTIVE_THRESH_MEAN_C : threshold value is the mean of neighbourhood area.cv2.ADAPTIVE_THRESH_GAUSSIAN_C : threshold value is the weighted sum of neighbourhood values where weights are a gaussian window.

• Block Size - It decides the size of neighbourhood area.

• C - It is just a constant which is subtracted from the mean or weighted mean calculated.

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('dave.jpg',0)
img = cv2.medianBlur(img,5)

ret,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,2)
th3 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)

titles = ['Original Image', 'Global Thresholding (v = 127)',
            'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding']
images = [img, th1, th2, th3]

for i in xrange(4):
    plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

otsus-binarization

在第一部分中，我告诉您有第二个参数retVal。 当我们进行Otsu的Binarization时，就会使用它。 那是什么

在全局阈值化中，我们对阈值使用了任意值，对吧？ 因此，我们如何知道我们选择的值是好还是不好？ 答案是，反复试验的方法。 但是考虑双峰图像（简单地说，双峰图像是直方图具有两个峰值的图像）。 对于该图像，我们可以近似地将这些峰中间的值作为阈值，对吧？ 这就是Otsu二值化所做的。 因此，简单来说，它会自动根据双峰图像的图像直方图计算阈值。 （对于非双峰图像，二值化将不准确。）

为此，使用了我们的cv2.threshold()函数，但传递了一个额外的标志cv2.THRESH_OTSU。 对于阈值，只需传递零即可。 然后，算法找到最佳阈值，并将您作为第二个输出retVal返回。 如果未使用Otsu阈值，则retVal与您使用的阈值相同。

看看下面的例子。 输入图像为噪点图像。 在第一种情况下，我将全局阈值设置为127。在第二种情况下，我直接应用了Otsu的阈值设置。 在第三种情况下，我使用5x5高斯核对图像进行了滤波以去除噪声，然后应用Otsu阈值处理。 了解噪声过滤如何改善结果。

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('noisy2.png',0)

# global thresholding
ret1,th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)

# Otsu's thresholding
ret2,th2 = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

# Otsu's thresholding after Gaussian filtering
blur = cv2.GaussianBlur(img,(5,5),0)
ret3,th3 = cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

# plot all the images and their histograms
images = [img, 0, th1,
          img, 0, th2,
          blur, 0, th3]
titles = ['Original Noisy Image','Histogram','Global Thresholding (v=127)',
          'Original Noisy Image','Histogram',"Otsu's Thresholding",
          'Gaussian filtered Image','Histogram',"Otsu's Thresholding"]

for i in xrange(3):
    plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray')
    plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])
    plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),256)
    plt.title(titles[i*3+1]), plt.xticks([]), plt.yticks([])
    plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray')
    plt.title(titles[i*3+2]), plt.xticks([]), plt.yticks([])
plt.show()