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）------ 鏈接戳這裏
我們來看一下成果：
可以看到應付我們的學習算法需求已經足夠。
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，循環遍歷時直接將
i<2 or i>rows-3 or j<2 or j>cols-3
的點置爲白色即可，代碼我就不上了。
2、背景色爲深色的驗證碼：
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：
一般背景色都爲圖片中顏色佔比最多，我們只要獲取出現最多的顏色，然後全部置爲白色即可。
即將其變爲：
後續就都一樣了：
python代碼如下：
# 獲取圖片中像素點數量最多的像素並置爲白色
def get_threshold(image):
pixel_dict = defaultdict(int)
# 像素及該像素出現次數的字典
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()) # 獲取像素出現出多的次數
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像素點
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爲：
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，我們可以分爲兩種類型：
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，我們的代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爲干擾線，將該顏色轉爲白色即可。
注意，這裏是在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代碼如下：
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
這裏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。
腐蝕的意思爲將圖片上的內容邊界消除；
膨脹的意思爲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代碼：
import cv2
import numpy as np
def ercode_dilate(img, threshold):
#腐蝕參數， (threshold, threshold)爲腐蝕矩陣大小
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)