GitHub 欢迎提 pr，如果有 bug 或新需求 请反馈 issue
pycapt 是我在处理验证码时编写的一系列图像处理的算法包，你可以使用它来为图像去噪点、干扰线 以及分割验证码，pycapt 封装了一些关于图形矩阵的方法，例如将图片分割为标准化的矩阵、生成您所需要的训练集图片等，有助于您使用深度学习来进行图像识别。
pycapt 包括处理验证码和生成验证码两部分，多谢我的好友 exqlnet ZhouYingSASA 的共同帮助 发布 pycapt 1.0.1
Pillow
numpypip3 install pycapt
import pycapt
from PIL import Imagetwo_valve : 二值化方法，必选参数 img 为图片，可选参数 Threshold 是灰度阀值，这里可以选择适合的值，默认值是 100 . 返回新处理过的图片
img = Image.open('./img/frcc0.png')
img = pycapt.two_value(img,Threshold=100)
img.show()
dele_noise ：消除噪点方法，该方法使用的是八领域去噪点法，N 是领域异点个数，Z 是处理次数，处理次数越多 图形越圆滑。
img = pycapt.dele_noise(img,N=5,Z=2)
img.show()
dele_line : 去除干扰线，删除连续的 N 个竖直像素。配合 dele_noise 方法使用效果更佳。
img = pycapt.dele_line(img,N=4)
img.show()配合 dele_noise 方法使用效果更佳。
img = pycapt.dele_line(img,4)
img = pycapt.dele_noise(img,N=4,Z=2)
img = pycapt.dele_line(img,3)
img = pycapt.dele_noise(img,N=4,Z=2)
img = pycapt.dele_line(img,3)
img = pycapt.dele_line(img,2)
img = pycapt.dele_line(img,1)
img.show()
想要更好的效果，你还可以先使用转置图片的 tran_90(img) 方法 再次使用去除干扰线的方法，最后再转置回来
img = pycapt.tran_90(img)
img.show()
img = pycapt.dele_line(img,3)
img = pycapt.dele_line(img,2)
img = pycapt.dele_line(img,1)
img = pycapt.tran_90(img)
img.show()
**斜体矫正的目的是为了更好的分割与识别。**原理是平移，将每一行向左或向右平移不同距离，最后形成矫正的效果。pans 就是矫正列表，正左负右平移。pans 列表的元素个数需要是图片的高度，例子中图片 height 是 40.
rectify_img(img,pans) 返回新的图片。
pan = [18, 18, 18, 18, 17, 17, 17,\
16, 16, 16, 15, 15, 15, 15, 14,\
14, 14, 14, 13, 13, 10, 10,\
10, 9, 9, 8, 7, 6, 5, 5, 4, \
4, 4, 4, 4, 3, 1, 0, 0, 0]
img = pycapt.rectify_img(img,pans=pan)
img.show()
如果你觉得太难看了，可以提前使用矫正再使用 dele_line 和 dele_noise, 当然亡羊补牢也不太坏。
img = pycapt.rectify_img(img,pans=pan)
img = pycapt.dele_line(img,3)
img = pycapt.dele_line(img,2)
img = pycapt.dele_line(img,1)
img.show()
cut_img_to_img_list 设置单个图片合适长度后切割，返回该长度的切割图片，该长度可以设置的比较大，该方法会在切割图片的两边补白。你可以将这作为一种标准化图片的方法。
img = Image.open('1.png')
img_list = pycapt.cut_img_to_img_list(img,max_width=30,background=255)
for i in img_list:
i.show()
当你使用深度学习时，还可以使用 **cut_img_to_mode_list(image,max_width) **来获得标准化的数组。
当你的图片 height 可以压缩时，可以使用 small_img(img,box) 来裁剪图片，这样可以减少之后学习的计算量。
例如
width 验证码图片长度，height 验证码高度，num_of_str 验证码上字符数量 默认 4，font 字体大小 默认 30，gray_value 灰度值 默认 255，font_family 字体文件，在这里可以选择你需要的粗细，样式等，但前提是你电脑上有这种字体。
如果你不知道自己电脑有哪些字体，请点击 这里 。
name,img = pycapt.do_captcha(
my_str_list=['A','B','C','D','1','2','3'],
width=160,
height=40,
num_of_str=4,
font=30,
gray_value=255,
font_family='ヒラギノ角ゴシック W8.ttc')
print(name)
img.show()
# output： ['C', 'D', '2', 'A']
more_noise ：N 是加噪率，0 < N < 1，Z 为处理次数
img = pycapt.more_noise(img,N=0.5,Z=2)
img = pycapt.img_pan(img,10,3)
还是和之前一样 使用 rectify_img
pan = [18, 18, 18, 18, 17, 17, 17,\
16, 16, 16, 15, 15, 15, 15, 14,\
14, 14, 14, 13, 13, 10, 10,\
10, 9, 9, 8, 7, 6, 5, 5, 4, \
4, 4, 4, 4, 3, 1, 0, 0, 0]
img = pycapt.rectify_img(img,pans=pan)
clear_train_img 相当于 dele_line(line,N) 分别对 line 消除了 N=4，3，2，1 的 4 次噪点，也就相当于纵向变平滑了
img = pycapt.show_noise_img(img,0.1,1)
img = pycapt.dele_noise(img,5,2)
img = pycapt.clear_train_img(img)
这里 你完全可以使用 pycapt 生成深度学习验证码的训练集了。
那如果想要更方便点呢？ 请看这里。
train_img 返回训练集图片，my_str_list，你的字符集列表，width height 长度高度，num_of_str 显示在验证码图片上的字符串个数，会从你的 my_str_list 中随机挑选，font 显示的字体大小，xpan ypan 左右与上下随机偏移尺寸，rotate 字符随机旋转尺度，noise_N 加噪率（0 < N < 1），noise_Z 加噪次数，gray_value 背景灰度，默认白色，font_family 字体样式，如果你不知道自己电脑有哪些字体，请点击 这里 。
filename,img = pycapt.train_img(
my_str_list=['A','B','C','D','E'],
width=30,
height=32,
num_of_str=1,
font=30,
xpan=3,
ypan=2,
rotate=15,
noise_N=0.3,
noise_Z=2,
gray_value=255,
font_family='ヒラギノ角ゴシック W8.ttc')只要你再写一个循环，img.save('train_img/{}.png'.format(file_name)) 就可以生成成千上万张训练集图片 获取标签只需要 name = file_name[0] 就可以惹。
理论上只要你使用 pycapt 处理图片，调用各方法，并使用 train_img 方法 ,理论上可以解决 90%验证码处理和模拟生成问题，欢迎 star pr 和提 issue，如果你想更了解其中的原理，点击这里，期望听见你的想法或 pr。
如果有所帮助 请我喝一碗茶~