convert二值化处理,二值化处理是什么意思
c#图像灰度处理及二值化处理代码解释
这代码写的很低效，不过还算清晰。
灰度处理那个很简单吧，基本上C#都自动帮你做了，你那代码就是手动遍历其中每个像素然后读取其灰度值（这里代码偷懒直接让C#帮忙计算了）然后重新把像素设置为RGB都是灰度值的颜色而已。
二值化的其实也不复杂，也是逐个遍历像素，判断某个像素的亮度是否大于给定阈值，如果大于则设置为白色否则设置为黑色。唯一有点麻烦的是要把8个像素合并到一个字节里面，于是代码里面搞了个scan数组，然后八个像素为一组填进去，每个像素占字节的一个位（白1黑0）。使用位运算0x80
(x
%
8)保证像素从左到右依次保存在字节的8个位上。你这个二值化代码回填像素信息的时候用的是Marshal的字节拷贝而已，你只要知道了位图的结构这个理解也很简单。
对图像进行二值化的处理方法，求源代码，最好是C++/C或者OPENCV
//声明IplImage指针
IplImage* pFrame = NULL;
IplImage* pFrImg = NULL;
IplImage* pBkImg = NULL;
CvMat* pFrameMat = NULL;
CvMat* pFrMat = NULL;
CvMat* pBkMat = NULL;
pBkImg = cvCreateImage(cvSize(pFrame-width, pFrame-height), IPL_DEPTH_8U,1);
pFrImg = cvCreateImage(cvSize(pFrame-width, pFrame-height), IPL_DEPTH_8U,1);
pBkMat = cvCreateMat(pFrame-height, pFrame-width, CV_32FC1);
pFrMat = cvCreateMat(pFrame-height, pFrame-width, CV_32FC1);
pFrameMat = cvCreateMat(pFrame-height, pFrame-width, CV_32FC1);
//转化成单通道图像再处理
cvCvtColor(pFrame, pBkImg, CV_BGR2GRAY);
cvCvtColor(pFrame, pFrImg, CV_BGR2GRAY);
cvConvert(pFrImg, pFrameMat);
cvConvert(pFrImg, pFrMat);
cvConvert(pFrImg, pBkMat);
//二值化前景图
cvThreshold(pFrMat, pFrImg, 60, 255.0, CV_THRESH_BINARY);
不知道你说的什么意思，要对一个图像进行二值化处理用OpenCV的话就是
void cvThreshold( const CvArr* src, CvArr* dst, double threshold,
double max_value, int threshold_type );
这个函数是定阈值二值化处理，比较粗略吧。另外可以用自适应阈值二值化，那样的话就会比这个更精细。
如何利用Python做简单的验证码识别
最近在折腾验证码识别。最终的脚本的识别率在92%左右，9000张验证码大概能识别出八千三四百张左右。好吧，其实是验证码太简单。下面就是要识别的验证码。
?
我主要用的是Python中的PIL库。
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.
def set_table(a):
table = []
for i in range(256): ? ? ? ?if i a:
table.append(0) ? ? ? ?else:
table.append(1) ? ?return table
img = Image.open("D:/python/单个字体/A"+str(i)+".jpg")
pix = img.load()#将图片进行灰度化处理img1 = img.convert('L')#阈值为150，参数为1，将图片进行二值化处理img2 = img1.point(set_table(150),'1') ?1234567891011121314151617
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.size
pix2 = img2.load()
x0 = []
y0 = []for x in range(1,Width):
jd = 0
# print x
for y in range(1,Height): ? ? ? ?# print y
if pix2[x,y] == 0:
jd+=1
y0.append(jd) ? ?if jd 0:
x0.append(x)#分别对各个字符边界进行判断，这里只举出一个 ? ? ? ?for a in range(1,Width): ? ?if (y0[a] != 0)(y0[a+1] != 0):
sta1 = a+1
break123456789101112131415161718192021
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。。
以上。
python怎么用PIL模块处理BMP图像 二值化
用PIL载入BMP格式图像之后 进行灰度处理 可是 返回值是
PIL.Image.Image image mode=L size=1280x960 at 0x3034F98
并不是像素点的值
因为我想对这个图像进行 二值化处理
写了 一段
image = Image.open('E:\\0.2.bmp').convert("L")
for i in image:
if i 125:
i=255
else:
i=0
可是 并不成功 错误是 TypeError: 'Image' object is not iterable
遍历图片对象？可是怎么个遍历法呢？Pillow 提供了一个 .load() 方法，用来处理像素。图片嘛，当然是二维的，有宽和高的。
pixels = image.load()
for x in ramge(image.width):
for y in range(image.height):
pixsels[x, y] = 255 if pixsels[x, y] 125 else 0
当然了，只是最简单的二值化的话，直接 image.convert('1') 就可以了 :-)