前言

二值化顧名思義就是將數變成兩種值，一般非0即1。而在驗證碼處理中，如果直接使用灰度圖，那么每個像素的值會在0-255，這樣肯定會增加計算時間，而二值化后每個像素的值只是0和1。

在前面的簡單驗證碼識別中，我的二值化代碼是這樣寫的：a = (a > 180) * 255，至于這里為什么不乘1而乘255，因為我要顯示圖片看看效果。如果只是用于算法識別的話，乘1會更好。但是，這里的180也就是二值化的閾值是如何得到的，開始是通過一個一個試然后看效果哪個好就選哪個，因為我們一般只識別某個網站的驗證碼，這樣只要測試幾次得到結果后便可用于這個網站其他的驗證碼。

這樣測試有點浪費時間，雖然是一次性的，但是你手動測出的驗證碼不一定是最合適的。所以我們需要算法去自動計算出驗證碼的閾值，算法有很多，這里我們使用迭代法和最大類間方差法，通過這兩個算法計算出來的閾值基本差不多。

迭代法

1. 求出圖像中的最小灰度值和最大灰度值，分別記為Gmin和Gmax,則閾值初值T0=(Gmin+Gmax)/2;
2. 根據閾值T0將圖像分割成前景和背景兩部分，求出兩部分的平均灰度值m1和m2,平均灰度值=總灰度值/像素個數
3. 求出新閾值T1=(m1+m2)/2
4. 如果T0=T1，則結束，否則將T1的值賦予T0，從第2步重新計算。

算法實現如下：

import numpy as np
from PIL import Image

def iteration(img_path):
    img = Image.open(img_path).convert('L')
    a = np.array(img)
    a = a.ravel()
    k = int((int(a.max()) + int(a.min()))/2) # 即初始閾值T0
    m = -1
    while k != m:
        # C1和C2為前景和背景的像素
        C1 = a[a >= k]   
        C2 = a[a < k]
        k = m
        m1 = np.sum(C1)/len(C1) if len(C1) else 0
        m2 = np.sum(C2)/len(C2) if len(C2) else 0
        m = int((m1 + m2)/2)
    return k 

最大類間方差法(OTSU)

存在閾值T將圖像所有像素分為前景和背景，則這兩類像素各自的均值就為m1、m2，圖像全局均值為mG。同時像素被分為前景和背景的概率分別為p1、p2。因此就有：
p1*m1+p2*m2=mG 和 p1+p2=1 則類間方差表達式為：

使得上式值最大時的閾值T就是最佳的閾值。

算法實現如下：

import numpy as np
from PIL import Image

def otsu(img_path):
    img = Image.open(img_path).convert('L')
    a = np.array(img)
    a = a.ravel()
    L = []
    for k in range(0, 256):
        C1 = a[a >= k]
        C2 = a[a < k]
        if not(len(C1) and  len(C2)):
            L.append(0)
            continue
        m1 = np.sum(C1)/len(C1)
        m2 = np.sum(C2)/len(C2)
        p1 = len(C1)/len(a)
        p2 = len(C2)/len(a)
        x = p1 * p2 * (m1 - m2) * (m1 - m2)
        L.append(x)
    return L.index(max(L))

最后，我正在學習一些機器學習的算法，對于一些我需要記錄的內容我都會分享到博客和微信公眾號(python成長路)，歡迎關注。平時的話一般分享一些爬蟲或者Python的內容。

審核編輯 黃昊宇