首先进行二值化处理。由于图片中的噪点颜色比较浅，所以可以设定一个阈值直接过滤掉。这里我设置的阈值是150，像素大于150的赋值为1，小于的赋为0.
defset_table(a):table=[]foriinrange(256):ifi
处理后的图片如下。
阈值不同产生的不同效果：
接下来对图片进行分割。遍历图片中所有像素点，计算每一列像素为0的点的个数（jd）。对于相邻两列，若其中一列jd=0,而另一列jd!=0,则可以认为这一列是验证码中字符边界，由此对验证码进行分割。这样分割能达到比较好的效果，分割后得到的字符图片几乎能与模板完全相同。
(Width,Height)=img2.sizepix2=img2.load()x0=[]y0=[]forxinrange(1,Width):jd=0#printxforyinrange(1,Height):#printyifpix2[x,y]==0:jd+=1y0.append(jd)ifjd>0:x0.append(x)#分别对各个字符边界进行判断，这里只举出一个forainrange(1,Width):if(y0[a]!=0)&(y0[a+1]!=0):sta1=a+1break123456789101112131415161718192021
分割完成后，对于识别，目前有几种方法。可以遍历图片的每一个像素点，获取像素值，得到一个字符串，将该字符串与模板的字符串进行比较，计算汉明距离或者编辑距离（即两个字符串的差异度），可用Python-Levenshtein库来实现。
我采用的是比较特征向量来进行识别的。首先设定了4个竖直特征向量，分别计算第0、2、4、6列每一列像素值为0的点的个数，与模板进行比较，若小于阈值则认为该字符与模板相同。为了提高识别率，如果通过竖直特征向量未能识别成功，引入水平特征向量继续识别，原理与竖直特征向量相同。
另外，还可以通过局部特征进行识别。这对于加入了旋转干扰的验证码有很好效果。由于我写的脚本识别率已经达到了要求，所以并没有用到这个。
最后的结果是这样的：
最终在模板库只有25条的情况下，识别率在92%左右（总共测试了一万六千张验证码）。好吧，只能说验证码太简单。。
下载验证码验证码分析，图片上有折线，验证码有数字，有英文字母大小写，分类的时候需要更多的样本，验证码的字母是彩色的，图片上有雪花等噪点，因此识别改验证码难度较大二值化和降噪：切割：分类测试识别率综合识别率在70%左右，对于这个识别率我觉得还是挺高的，因为这个验证码的识别难度还是很大
