前言二值化，顾名思义，就是把一个数变成两个值，一般不是0就是1。在验证码处理中，如果直接使用灰度图，每个像素点的值会为0-255，肯定会增加计算时间，二值化后每个像素点的值只有0和1。在之前简单的验证码识别中，我的二值化代码是这样写的：a=(a>180)*255，至于这里为什么不乘1而是乘255，因为我要显示图片看看效果。如果只用于算法识别，乘以1会更好。但是，这里的180是如何获得二值化的阈值。一开始我们一个一个的试，然后选择哪个效果最好，因为我们一般只识别某个网站的验证码，所以我们只需要多试几次就可以得到结果，然后就可以用于这个上的其他验证码了地点。这种测试有点浪费时间。虽然是一次性的，但是你手动测的验证码不一定是最合适的。因此，我们需要一种算法来自动计算验证码的阈值。有很多算法。这里我们使用迭代法和最大类间方差法。这两种算法计算出的阈值基本相同。采用迭代法寻找图像中的最小灰度值和最大灰度值，分别记为Gmin和Gmax，则阈值初值T0=(Gmin+Gmax)/2；将图像分为前景和背景两部分，根据阈值T0，求两部分的平均灰度值m1和m2，平均灰度值=总灰度值/像素数求新的阈值T1=(m1+m2)/2如果T0=T1，则结束，否则将T1的值赋给T0，从第2步重新计算。算法实现如下：importnumpyasnpfromPILimportImagedefiteration(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)#即初始阈值T0m=-1whilek!=m:#C1和C2是前景和背景像素C1=a[a>=k]C2=a[a
