在学习之前，我们先了解OCR、tesseract、tesserocr、pytesseract和opencv这几个跟图片处理有关的库。
OCR(Optical Character Recognition)光学字符识别，是指通过扫描字符，然后通过其形状将其翻译成电子文本的过程。
tesseract是一个OCR，在Windows、Linux和Mac OS下均可安装。
tesserocr 和 pytesseract 是对tesseract封装的一个Python库，可以用来识别图片中的字符。pytesseract是Google的Tesseract-OCR引擎包装器。所以在使用tesserocr和pytesseract之前，我们需要安装tesseract。至于怎么安装我就不说了，网上一搜一大把。
opencv是一个基于BSD许可（开源）发行的跨平台计算机视觉库，也可以用于图片处理。
既然是破解图形验证码，我们就得先了解一下图片的有关知识。
绝大部分图片是 RGB 类型的，即是用RGB(红绿蓝)三原色组成的图片。在图像处理中，用RGB三个分量（R：Red，G：Green，B：Blue），即红、绿、蓝三原色来表示真彩色，R分量，G分量，B分量的取值范围均为0~255，比如电脑屏幕上的一个红色的像素点的三个分量的值分别为：255，0，0
像素点
我们的图片是由一个一个的像素点组成的，像素是图像的最小单元，我们右键——>属性去查看图片的信息，看到图片的尺寸1024*1024
即宽度是1024个像素，高度也是1024个像素，也就是说这张图片是由一个1024 * 1024的像素点矩阵构成的，这个矩阵是1024行，1024列，共有1024 * 1024 = 1048576个像素点。
因为一个像素点的颜色是由RGB三个值来表现的，所以一个像素点矩阵对应三个颜色向量矩阵，分别是R矩阵，G矩阵，B矩阵，它们也都是1024 *1024大小的矩阵。我们可以理解为这张图片是由3个1024*1024的矩阵重和起来的，才形成了这张图片最后的效果。
如下：
这个是R矩阵中的一部分
这个是G矩阵中的一部分
这个是B矩阵中的一部分
比如每个矩阵的第一行第一列的值分别为：R：240，G：223，B：204，所以这个像素点的颜色就是（240,223,204）。如果图片某个地方显示的是红色，那么这个地方的像素值就是：R：255 G：0 B：0 (255,0,0) 。
图片的灰度化
在理解了一张图片是由一个像素点矩阵构成之后，我们就知道我们对图像的处理就是对这个像素点矩阵的操作，想要改变某个像素点的颜色，我们只要在这个像素点矩阵中找到这个像素点的位置，比如第x行，第y列，所以这个像素点在这个像素点矩阵中的位置就可以表示成（x，y）,因为一个像素点的颜色由红、绿、蓝三个颜色变量表示，所以我们通过给这三个变量赋值，来改变这个像素点的颜色，比如改成红色（255，0，0），可以表示为（x，y，（R=255，G=0，B=0））x行y列的像素值为(255,0,0)。
那么什么叫图片的灰度化呢？其实很简单，就是让像素点矩阵中的每一个像素点都满足下面的关系：R=G=B（就是红色变量的值，绿色变量的值，和蓝色变量的值，这三个值相等），此时的这个值叫做灰度值。
一般灰度处理经常使用下面几种方法来进行处理。
方法1 平均值法：
- 灰度化后的R=（处理前的R + 处理前的G +处理前的B）/ 3
- 灰度化后的G=（处理前的R + 处理前的G +处理前的B）/ 3
- 灰度化后的B=（处理前的R + 处理前的G +处理前的B）/ 3
方法2 加权平均法(处理效果最好)：
- 灰度化后的R = 处理前的R * 0.3+ 处理前的G * 0.59 +处理前的B * 0.11
- 灰度化后的G = 处理前的R * 0.3+ 处理前的G * 0.59 +处理前的B * 0.11
- 灰度化后的B = 处理前的R * 0.3+ 处理前的G * 0.59 +处理前的B * 0.11
方法3 最大值发：
灰度化后的R、G、B=处理前的R、G、B中的最大值
https://blog.csdn.net/L0_o_0f/article/details/80180111
如下是利用python将图片进行灰度化处理后的效果，直接利用的PIL库Image类的方法(应该用的是方法2来进行灰度化)
from PIL import Image
img=Image.open("1.jpg")
img.convert("L").show() #将图片进行灰度化处理并且显示
图片的二值化
什么叫图像的二值化？二值化就是让图像的像素点矩阵中的每个像素点的灰度值为0（黑色）或者255（白色），也就是让整个图像呈现只有黑和白的效果。在灰度化的图像中灰度值的范围为0~255，在二值化后的图像中的灰度值范围是0或者255。
- 黑色：二值化后的R = 二值化后的G = 二值化后的B = 0
- 白色：二值化后的R = 二值化后的G = 二值化后的B = 255
那么一个像素点在灰度化之后的灰度值怎么转化为 0 或者255呢？比如灰度值为120，那么在二值化后到底是0还是255?
这就涉及到取一个阀值的问题。
常用的二值化方法：
方法1：
取阀值为127（相当于0~255的中数），让灰度值小于等于127的变为0（黑色），灰度值大于127的变为255（白色），这样做的好处是计算量小速度快，但是缺点也是很明显的，因为这个阀值在不同的图片中均为127。但是不同的图片，他们的颜色 分布差别很大，所以用127做阀值，效果肯定是不好的。
方法2：
取阀值为计算像素点矩阵中的所有像素点的灰度值的平均值
（像素点1灰度值+...+像素点n灰度值）/ n = 像素点平均值avg
然后让每一个像素点与像素点平均值比较，小于等于avg的像素点就为0（黑色），大于avg的 为255（白色）
方法3：
使用直方图方法（也叫双峰法）来寻找阀值，直方图是图像的重要特质。直方图方法认为图像由前景和背景组成，在灰度直方图上，前景和背景都形成高峰，在双峰之间的最低谷处就是阀值所在。取到阀值之后再一 一比较就可以了。
# 图片二值化
from PIL import Image
img = Image.open('1.jpg')
Img = img.convert('L') #灰度化处理
Img.save("test1.jpg") #将灰度化图片保存为test1.jpg
threshold = 127 #我们自己定义的阈值
table = []
for i in range(256):
if i < threshold:
table.append(0)
else:
table.append(1)
# 图片二值化
photo = Img.point(table, '1')
photo.save("test2.jpg") #得到二值化处理后图片test2.jpg
Image.open("test2.jpg").show() #显示二值化处理后的图片