在學習之前，我們先了解OCR、tesseract、tesserocr、pytesseract和opencv這幾個跟圖片處理有關的庫。

OCR(Optical Character Recognition)光學字元識別，是指通過掃描字元，然後通過其形狀將其翻譯成電子文字的過程。

tesseract是一個OCR，在Windows、Linux和Mac OS下均可安裝。

tesserocr 和 pytesseract 是對tesseract封裝的一個Python庫，可以用來識別圖片中的字元。pytesseract是Google的Tesseract-OCR引擎包裝器。所以在使用tesserocr和pytesseract之前，我們需要安裝tesseract。至於怎麼安裝我就不說了，網上一搜一大把。

opencv是一個基於BSD許可（開源）發行的跨平臺計算機視覺庫，也可以用於圖片處理。

既然是破解圖形驗證碼，我們就得先了解一下圖片的有關知識。

絕大部分圖片是 RGB 型別的，即是用RGB(紅綠藍)三原色組成的圖片。在影象處理中，用RGB三個分量（R：Red，G：Green，B：Blue），即紅、綠、藍三原色來表示真彩色，R分量，G分量，B分量的取值範圍均為0~255，比如電腦螢幕上的一個紅色的畫素點的三個分量的值分別為：255，0，0

畫素點

我們的圖片是由一個一個的畫素點組成的，畫素是影象的最小單元，我們右鍵——>屬性去檢視圖片的資訊，看到圖片的尺寸1024*1024

即寬度是1024個畫素，高度也是1024個畫素，也就是說這張圖片是由一個1024 * 1024的畫素點矩陣構成的，這個矩陣是1024行，1024列，共有1024 * 1024 = 1048576個畫素點。

因為一個畫素點的顏色是由RGB三個值來表現的，所以一個畫素點矩陣對應三個顏色向量矩陣，分別是R矩陣，G矩陣，B矩陣，它們也都是1024 *1024大小的矩陣。我們可以理解為這張圖片是由3個1024*1024的矩陣重和起來的，才形成了這張圖片最後的效果。

如下：

這個是R矩陣中的一部分

這個是G矩陣中的一部分

這個是B矩陣中的一部分

比如每個矩陣的第一行第一列的值分別為：R：240，G：223，B：204，所以這個畫素點的顏色就是（240,223,204）。如果圖片某個地方顯示的是紅色，那麼這個地方的畫素值就是：R：255  G：0 B：0   (255,0,0) 。

圖片的灰度化

在理解了一張圖片是由一個畫素點矩陣構成之後，我們就知道我們對影象的處理就是對這個畫素點矩陣的操作，想要改變某個畫素點的顏色，我們只要在這個畫素點矩陣中找到這個畫素點的位置，比如第x行，第y列，所以這個畫素點在這個畫素點矩陣中的位置就可以表示成（x，y）,因為一個畫素點的顏色由紅、綠、藍三個顏色變量表示，所以我們通過給這三個變數賦值，來改變這個畫素點的顏色，比如改成紅色（255，0，0），可以表示為（x，y，（R=255，G=0，B=0））x行y列的畫素值為(255,0,0)。

      那麼什麼叫圖片的灰度化呢？其實很簡單，就是讓畫素點矩陣中的每一個畫素點都滿足下面的關係：R=G=B（就是紅色變數的值，綠色變數的值，和藍色變數的值，這三個值相等），此時的這個值叫做灰度值。

一般灰度處理經常使用下面幾種方法來進行處理。

方法1 平均值法：

• 灰度化後的R=（處理前的R + 處理前的G +處理前的B）/ 3
• 灰度化後的G=（處理前的R + 處理前的G +處理前的B）/ 3
• 灰度化後的B=（處理前的R + 處理前的G +處理前的B）/ 3

方法2 加權平均法(處理效果最好)：

• 灰度化後的R =  處理前的R * 0.3+ 處理前的G * 0.59 +處理前的B * 0.11
• 灰度化後的G =  處理前的R * 0.3+ 處理前的G * 0.59 +處理前的B * 0.11
• 灰度化後的B =  處理前的R * 0.3+ 處理前的G * 0.59 +處理前的B * 0.11

方法3 最大值發：

   灰度化後的R、G、B=處理前的R、G、B中的最大值

https://blog.csdn.net/L0_o_0f/article/details/80180111

如下是利用python將圖片進行灰度化處理後的效果，直接利用的PIL庫Image類的方法(應該用的是方法2來進行灰度化)

from PIL import Image
img=Image.open("1.jpg")
img.convert("L").show()  #將圖片進行灰度化處理並且顯示

圖片的二值化

什麼叫影象的二值化？二值化就是讓影象的畫素點矩陣中的每個畫素點的灰度值為0（黑色）或者255（白色），也就是讓整個影象呈現只有黑和白的效果。在灰度化的影象中灰度值的範圍為0~255，在二值化後的影象中的灰度值範圍是0或者255。

• 黑色：二值化後的R = 二值化後的G = 二值化後的B =  0
• 白色：二值化後的R = 二值化後的G = 二值化後的B =  255

那麼一個畫素點在灰度化之後的灰度值怎麼轉化為 0 或者255呢？比如灰度值為120，那麼在二值化後到底是0還是255?

這就涉及到取一個閥值的問題。

常用的二值化方法：

方法1：

          取閥值為127（相當於0~255的中數），讓灰度值小於等於127的變為0（黑色），灰度值大於127的變為255（白色），這樣做的好處是計算量小速度快，但是缺點也是很明顯的，因為這個閥值在不同的圖片中均為127。但是不同的圖片，他們的顏色 分佈差別很大，所以用127做閥值，效果肯定是不好的。

方法2：

          取閥值為計算畫素點矩陣中的所有畫素點的灰度值的平均值

        （畫素點1灰度值+...+畫素點n灰度值）/ n = 畫素點平均值avg

         然後讓每一個畫素點與畫素點平均值比較，小於等於avg的畫素點就為0（黑色），大於avg的 為255（白色）

方法3：

          使用直方圖方法（也叫雙峰法）來尋找閥值，直方圖是影象的重要特質。直方圖方法認為影象由前景和背景組成，在灰度直方圖上，前景和背景都形成高峰，在雙峰之間的最低谷處就是閥值所在。取到閥值之後再一 一比較就可以了。

# 圖片二值化
from PIL import Image
img = Image.open('1.jpg')
Img = img.convert('L')   #灰度化處理
Img.save("test1.jpg")   #將灰度化圖片儲存為test1.jpg
 
threshold = 127           #我們自己定義的閾值
table = []
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)
# 圖片二值化
photo = Img.point(table, '1')
photo.save("test2.jpg")  #得到二值化處理後圖片test2.jpg
Image.open("test2.jpg").show()   #顯示二值化處理後的圖片