在此之前我收到了一些读者对我的反应，他们期望我能够在文中解说相关解析器的开发流程。为了满意我们的需求，我决议和你们共享一个我非常重要的项目的完好施行进程。话不多说，让我们现在就开端！
当我开发这些脚本时，我对图画处理或其间的算法没有任何的了解或认知。最开端时我所能想到的便是：
图画根本上是一个矩阵，像素作为独自的单米格。
五颜六色图画具有每个像素的米组（红，绿，蓝）值，灰度图画具有单个值，而且一般图画中每个像素值的范围在（0,255）。
以下是我大学网站的登录界面：

首要，我对验证码做了开始的调查剖析。总结如下：

验证码中的字符位数一直为6位，而且是灰度图画；
字符之间的距离看起来一直保持相同的距离；
每个字符都是彻底界说的；
图画有许多杂散的暗像素，以及穿过图画的线条
我决议下载一个图片验证码，并凭借这款东西以二进制可视化图画（0表明黑色，1表明白色像素）。

我的调查是正确的 – 图画尺度为45×180，每个字符被分配一个30像素的空间来拟合，从而使它们均匀距离。
因而，我的第1步是
将图画裁剪成6个不同的部分，每部分的宽度为30像素。
这儿我挑选运用Python作为我的开发言语，由于它的库最易运用和完成。
经过简略的搜索后，我找到了PIL库。我决议运用Image模块，由于我的操作仅限于裁剪并将图画作为矩阵加载。
所以，依据文档，裁剪图画的根本语法如下：
from PIL import Image
image = Image.open("filename.xyz")
cropped_image = image.crop((left, upper, right, lower))
在本例中，假如你想裁剪榜首个字符，
from PIL import Image
image = Image.open("captcha.png").convert("L") # Grayscale conversion
cropped_image = image.crop((0, 0, 30, 45))
cropped_image.save("cropped_image.png")
被裁剪保存的图画：

我将其包装在一个循环中，写了一个简略的脚本，从该站点获取500个验证码图画，并将一切裁剪后的字符保存到一个文件夹中。
第三次调查 – 每个字符都有明晰的界说。为了“整理”图画中的裁剪字符（删去不必要的线和点），我运用了以下办法。
字符中的一切像素都是纯黑色(0)。我用了一个简略的逻辑 – 假如它不是彻底黑色的，就视为白色。因而，关于值大于0的每个像素，将其重新分配为255。运用load()函数将图画转换为45×180矩阵，然后对其进行处理。
pixel_matrix = cropped_image.load()
for col in range(0, cropped_image.height):
    for row in range(0, cropped_image.width):
        if pixel_matrix[row, col] != 0:
            pixel_matrix[row, col] = 255
image.save("thresholded_image.png")
为了愈加明晰，我将代码使用至原始图画上。
原图：

处理后：

能够看到处理后的图画中的非纯黑像素都已被移除，其间包含交叉图画的线条。
直到项目完成后，我才知道上述办法被称为图画处理中的阈值处理。
第四次调查 – 图画中有许多杂散像素。
循环遍历图画矩阵，假如相邻像素为白色，与相邻像素相对的像素也为白色，且中心像素为黑色的，则使中心像素为白色。
for column in range(1, image.height - 1):
    for row in range(1, image.width - 1):
        if pixel_matrix[row, column] == 0
            and pixel_matrix[row, column - 1] == 255 and pixel_matrix[row, column + 1] == 255 :
            pixel_matrix[row, column] = 255
        if pixel_matrix[row, column] == 0
            and pixel_matrix[row - 1, column] == 255 and pixel_matrix[row + 1, column] == 255:
            pixel_matrix[row, column] = 255
输出：

能够看到，此刻图画中的字符根本已被独自分离出来了。

[1] [2] [3]  黑客接单网