Python图像处理库，该库支持多种文件格式，提供强大的图像处理功能。

PIL中最重要的类是Image类，该类在Image模块中定义。

从文件加载图像：

如果成功，这个函数返回一个Image对象。现在你可以使用该对象的属性来探索文件的内容。

format 属性指定了图像文件的格式，如果图像不是从文件中加载的则为 None 。

size 属性是一个2个元素的元组，包含图像宽度和高度（像素）。

mode 属性定义了像素格式，常用的像素格式为：“L” (luminance) - 灰度图, “RGB” , “CMYK”。

如果文件打开失败, 将抛出IOError异常。

一旦你拥有一个Image类的实例，你就可以用该类定义的方法操作图像。比如：显示

( show() 的标准实现不是很有效率，因为它将图像保存到一个临时文件，然后调用外部工具（比如系统的默认图片查看软件）显示图像。该函数将是一个非常方便的调试和测试工具。)

接下来的部分展示了该库提供的不同功能。

PIL支持多种图像格式。从磁盘中读取文件，只需使用 Image 模块中的 open 函数。不需要提供文件的图像格式。PIL库将根据文件内容自动检测。

如果要保存到文件，使用 Image 模块中的 save 函数。当保存文件时，文件名很重要，除非指定格式，否则PIL库将根据文件的扩展名来决定使用哪种格式保存。

** 转换文件到JPEG **

save 函数的第二个参数可以指定使用的文件格式。如果文件名中使用了一个非标准的扩展名，则必须通过第二个参数来指定文件格式。

** 创建JPEG缩略图 **

需要注意的是，PIL只有在需要的时候才加载像素数据。当你打开一个文件时，PIL只是读取文件头获得文件格式、图像模式、图像大小等属性，而像素数据只有在需要的时候才会加载。

这意味着打开一个图像文件是一个非常快的操作，不会受文件大小和压缩算法类型的影响。

** 获得图像信息 **

Image 类提供了某些方法，可以操作图像的子区域。提取图像的某个子区域，使用 crop() 函数。

** 复制图像的子区域 **

定义区域使用一个包含4个元素的元组，(left, upper, right, lower)。坐标原点位于左上角。上面的例子提取的子区域包含300x300个像素。

该区域可以做接下来的处理然后再粘贴回去。

** 处理子区域然后粘贴回去 **

当往回粘贴时，区域的大小必须和参数匹配。另外区域不能超出图像的边界。然而原图像和区域的颜色模式无需匹配。区域会自动转换。

** 滚动图像 **

paste() 函数有个可选参数，接受一个掩码图像。掩码中255表示指定位置为不透明，0表示粘贴的图像完全透明，中间的值表示不同级别的透明度。

PIL允许分别操作多通道图像的每个通道，比如RGB图像。 split() 函数创建一个图像集合，每个图像包含一个通道。 merge() 函数接受一个颜色模式和一个图像元组，然后将它们合并为一个新的图像。接下来的例子交换了一个RGB图像的三个通道。

** 分离和合并图像通道 **

对于单通道图像， split() 函数返回图像本身。如果想处理各个颜色通道，你可能需要先将图像转为RGB模式。

resize() 函数接受一个元组，指定图像的新大小。

rotate() 函数接受一个角度值，逆时针旋转。

** 基本几何变换 **

图像旋转90度也可以使用 transpose() 函数。 transpose() 函数也可以水平或垂直翻转图像。

** transpose **

transpose() 和 rotate() 函数在性能和结果上没有区别。

更通用的图像变换函数为 transform() 。

PIL可以转换图像的像素模式。

** 转换颜色模式 **

PIL库支持从其他模式转为“L”或“RGB”模式，其他模式之间转换，则需要使用一个中间图像，通常是“RGB”图像。

ImageFilter 模块包含多个预定义的图像增强过滤器用于 filter() 函数。

** 应用过滤器 **

point() 函数用于操作图像的像素值。该函数通常需要传入一个函数对象，用于操作图像的每个像素：

** 应用点操作 **

使用以上技术可以快速地对图像像素应用任何简单的表达式。可以结合 point() 函数和 paste 函数修改图像。

** 处理图像的各个通道 **

注意用于创建掩码图像的语法：

Python计算逻辑表达式采用短路方式，即：如果and运算符左侧为false，就不再计算and右侧的表达式，而且返回结果是表达式的结果。比如 a and b 如果a为false则返回a，如果a为true则返回b，详见Python语法。

对于更多高级的图像增强功能，可以使用 ImageEnhance 模块中的类。

可以调整图像对比度、亮度、色彩平衡、锐度等。

** 增强图像 **

PIL库包含对图像序列（动画格式）的基本支持。支持的序列格式包括 FLI/FLC 、 GIF 和一些实验性的格式。 TIFF 文件也可以包含多个帧。

当打开一个序列文件时，PIL库自动加载第一帧。你可以使用 seek() 函数 tell() 函数在不同帧之间移动。

** 读取序列 **

如例子中展示的，当序列到达结尾时，将抛出EOFError异常。

注意当前版本的库中多数底层驱动只允许seek到下一帧。如果想回到前面的帧，只能重新打开图像。

以下迭代器类允许在for语句中循环遍历序列：

** 一个序列迭代器类 **

PIL库包含一些函数用于将图像、文本打印到Postscript打印机。以下是一个简单的例子。

** 打印到Postscript **

如前所述，可以使用 open() 函数打开图像文件，通常传入一个文件名作为参数：

如果打开成功，返回一个Image对象，否则抛出IOError异常。

也可以使用一个file-like object代替文件名（暂可以理解为文件句柄）。该对象必须实现read，seek，tell函数，必须以二进制模式打开。

** 从文件句柄打开图像 **

如果从字符串数据中读取图像，使用StringIO类：

** 从字符串中读取 **

如果图像文件内嵌在一个大文件里，比如 tar 文件中。可以使用ContainerIO或TarIO模块来访问。

** 从tar文档中读取 **

** 该小节不太理解，请参考原文 **

有些解码器允许当读取文件时操作图像。通常用于在创建缩略图时加速解码（当速度比质量重要时）和输出一个灰度图到激光打印机时。

draft() 函数。

** Reading in draft mode **

输出类似以下内容：

注意结果图像可能不会和请求的模式和大小匹配。如果要确保图像不大于指定的大小，请使用 thumbnail 函数。

Python2.7 教程 PIL

http://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000/00140767171357714f87a053a824ffd811d98a83b58ec13000

Python 之 使用 PIL 库做图像处理

http://www.cnblogs.com/way_testlife/archive/2011/04/17/2019013.html

来自 http://effbot.org/imagingbook/introduction.htm

下面是具体步骤。

读取图片：

# -*- coding: utf-8 -*-

import cv2

import numpy as np

img = cv2.imread("C:/Users/Administrator/Desktop/ball.png")

cv2.imshow("a",img)

cv2.waitKey(0)

cv2.imshow("a",img)

打开一个图片窗口。

python读取图片，实际上是读取了离散的图片数据：

print(img)

运行，就会给出图片数据。

显示反色图片，只要进行简单的计算：

255-img

这是2*img的效果。

分离通道，图片的第一个通道是：

img[:,:,0]

成图是灰度图。

第二个通道的灰度图：

img[:,:,1]

第三个通道的灰度图：

img[:,:,2]

一、验证码识别的概念

机器识别图片主要的三个步骤为消去背景、切割字符、识别字符。而现有的字符验证码也针对这三个方面来设计强壮的验证码。

以下简图帮助大家理解验证码识别的流程： 

二、处理流程

其中最为关键的就是好图像处理这一步了。图像处理功能模块包括图像的灰度化、二值化、离散噪声点的去除、倾斜度校正、字符的切割、图像的归一化等图像处理技术 。

1、 图像的灰度化 

由于 256 色的位图的调色板内容比较复杂，使得图像处理的许多算法都没有办法展开，因此有必要对它进行灰度处理。所谓灰度图像就是图像的每一个像素的 R、G、B 分量的值是相等的。彩色图像的每个像素的 R、G、B 值是不相同的，所以显示出红绿蓝等各种颜色。灰度图像没有这些颜色差异，有的只是亮度上的不同。灰度值大的像素点比较亮（像素值最大为 255，为白色），反之比较暗（像素值最小为 0，为黑色）。图像灰度化有各种不同的算法，比较直接的一种就是给像素的 RGB 值各自一个加权系数，然后求和；同时还要对调色板表项进行相应的处理。

2、 图像的二值化 

要注意的是，最后得到的结果一定要归一到 0－255 之内。因为这是每个字节表示 

图像数据的极限。

3、 去噪 

图像可能在生成、传输或者采集过程中夹带了噪声，去噪声是图像处理中常用的手法。通常去噪声用滤波的方法，比如中值滤波、均值滤波。但是那样的算法不适合用在处理字符这样目标狭长的图像中，因为在滤波的过程中很有可能会去掉字符本身的像素。

一个采用的是去除杂点的方法来进行去噪声处理的。具体算法如下：扫描整个图像，当发现一个黑色点的时候，就考察和该黑色点间接或者直接相连接的黑色点的个数有多少，如果大于一定的值，那就说明该点不是离散点，否则就是离散点，把它去掉。在考察相连的黑色点的时候用的是递归的方法。此处，我简单的用python实现了,大家可以参考以下。

#coding=utf-8"""

creat time:2015.09.14

"""import cv2import numpy as npfrom matplotlib import pyplot as pltfrom PIL import Image,ImageEnhance,ImageFilter

img_name = '2+.png'#去除干扰线im = Image.open(img_name)#图像二值化enhancer = ImageEnhance.Contrast(im)

im = enhancer.enhance(2)

im = im.convert('1')

data = im.getdata()

w,h = im.size#im.show()black_point = 0for x in xrange(1,w-1):    for y in xrange(1,h-1):

mid_pixel = data[w*y+x] #中央像素点像素值

if mid_pixel == 0: #找出上下左右四个方向像素点像素值

top_pixel = data[w*(y-1)+x]

left_pixel = data[w*y+(x-1)]

down_pixel = data[w*(y+1)+x]

right_pixel = data[w*y+(x+1)]            #判断上下左右的黑色像素点总个数

if top_pixel == 0:

black_point += 1

if left_pixel == 0:

black_point += 1

if down_pixel == 0:

black_point += 1

if right_pixel == 0:

black_point += 1

if black_point >= 3:

im.putpixel((x,y),0)            #print black_point

black_point = 0im.show()1234567891011121314151617181920212223242526272829303132333435363738394041424344

原验证码： 

处理后：

4、分割 

图像中一般会含有多个数字，识别的时候只能根据每个字符的特征来进行判断，所以还要进行字符切割的工作。这一步工作就是把图像中的字符独立的切割出来。

具体的算法如下：

第一步，先自下而上对图像进行逐行扫描直至遇到第一个黑色的像素点。记录下来。然后再自上而下对图像进行逐行扫描直至找到第一个黑色像素，这样就找到图像大致的高度范围。

第二步，在这个高度范围之内再自左向右逐列进行扫描，遇到第一个黑色像素时认为是字符切割的起始位置，然后继续扫描，直至遇到有一列中没有黑色像素，则认为这个字符切割结束，然后继续扫描，按照上述的方法一直扫描直至图像的最右端。这样就得到了每个字符的比较精确宽度范围。

第三步，在已知的每个字符比较精确的宽度范围内，按照第一步的方法，分别进行自上而下和自下而上的逐行扫描来获取每个字符精确的高度范围。

5、 图像的归一化 

因为采集的图像中字符大小有可能存在较大的差异，或者是经过切割后的字符尺寸不统一，而相对来说，统一尺寸的字符识别的标准性更强，准确率自然也更高，归一化图像就是要把原来各不相同的字符统一到同一尺寸，在系统实现中是统一到同一高度，然后根据高度来调整字符的宽度。具体算法如下：先得到原来字符的高度，跟系统要求的高度做比较，得出要变换的系数，然后根据得到的系数求得变换后应有得宽度。在得到宽度和高度之后，把新图像里面的点按照插值的方法映射到原图像中。

不少人认为把每个字符图像归一化为 5×9 像素的二值图像是最理想的，因为图像的尺寸越小，识别速度就越高，网络训练也越快。而实际上，相对于要识别的字符图像， 5×9 像素图太小了。归一化后，图像信息丢失了很多，这时进行图像识别，准确率不高。实验证明，将字符图像归一化为 10×18 像素的二值图像是现实中是比较理想的，达到了识别速度快和识别准确率高的较好的平衡点。

三、识别

图像识别包括特征提取、样本训练和识别三大块内容。

验证码识别其中最为关键的就是去噪和分割，这对你的训练和识别的精度都有着很大的影响。这里只讲了大致的流程，其中每个细节都有很多工作要做，这里码字也很难讲清楚，大家可以以这个流程为主线，一步步的实现，最终也就能完成你的需求。