上一篇我們聊到了圖片驗證碼處理的基本流程，已經可以應付絕大多數圖片驗證碼了。

驗證碼識別之圖片處理（基礎流程）------ 連結戳這裡

我們來看一下成果：

可以看到應付我們的學習演算法需求已經足夠。

今天我們來看看一些特殊圖片的處理方法：

1、帶邊框驗證碼：

例如：

這種處理方式比較顯而易見，迴圈遍歷時直接將

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

的點置為白色即可，程式碼我就不上了。

2、背景色為深色的驗證碼：

例如：

背景顏色比字母顏色深一些，閾值不好定。

這時我們需要獲取圖片背景色，處理依據：

一般背景色都為圖片中顏色佔比最多，我們只要獲取出現最多的顏色，然後全部置為白色即可。

即將其變為：

後續就都一樣了：

python程式碼如下：

# 獲取圖片中畫素點數量最多的畫素並置為白色
def get_threshold(image):
    pixel_dict = defaultdict(int)

    # 畫素及該畫素出現次數的字典
    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()) # 獲取畫素出現出多的次數
    pixel_dict_reverse = {v:k for k,v in pixel_dict.items()}
    threshold = pixel_dict_reverse[count_max] # 獲取出現次數最多的畫素點

    for i in range(rows):
        for j in range(cols):
            #剔除邊框
            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、驗證碼中帶有粗粗的干擾線：

我們之前的干擾線處理方式依據為：

干擾線一般相比較於字母來說比較細，在去除噪點的時候就將其一起去除了。

比如這種：

或者是這種（紅線是我自己畫的。。）：

可以看出，我們可以分為兩種型別：

        ①顏色和字母同色

        ②顏色不和字母同色

1、先看第一種，既然顏色，粗細都和字母差不多，也就是說我們無法從外形上直接區分出來，就算是人工來看，區分的依據也是和我們腦海中的字母一個個匹配，這時候我們只能寄希望於我們的學習演算法了，這時候我們圖片處理能做的只能是提高圖片切割時候的閾值，來保證圖片的正確切割：

2、再看第二種，粗細和字母差不多，但是顏色則可以有明顯的區分，這時候我們明顯第一感覺就可以將其過濾掉，那同樣，我們的程式碼中也是可以實現的。

我們看看干擾線的特點：

    ①顏色有明顯區分度；

    ②跨X軸很長；

所以我們的處理依據就出來了：

除背景色外，在X軸上投影上出現次數最多的即為干擾線，將該顏色轉為白色即可。

注意，這裡是在X軸投影上出現過的次數，而不是總次數。（統計X=N的線上出現的顏色，不管在這條線上出現了多少個，都算1次）

python程式碼如下：

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

這裡我們處理後的圖片都有一個很明顯的問題：被分割線擋住的部分斷掉了。

那追求完美的我們就需要想辦法去彌補一下了。

在opencv中有一對圖片處理的方法，叫做腐蝕和膨脹。

腐蝕的意思為將圖片上的內容邊界消除；

膨脹的意思為將圖片上的內容邊界加粗。

舉個例子：

原圖：

膨脹後：

腐蝕後：

所以，先膨脹後腐蝕，就能消除圖片中的白點，斷層等等。

我們來看看效果：

先膨脹，消除斷層：

再腐蝕，回到原來的比例即可：

python程式碼：

import cv2
import numpy as np


def ercode_dilate(img, threshold):
    #腐蝕引數， (threshold, threshold)為腐蝕矩陣大小
    kernel = np.ones((threshold, threshold), np.uint8)

    # 膨脹圖片
    erosion = cv2.erode(img, kernel, iterations=1)

    # 腐蝕圖片
    eroded = cv2.dilate(erosion, kernel, iterations=1)

    return eroded

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