验证码去噪 分离背景 分离文字 最大类间方差

对验证码这一块很少了解，但拜读了别人的文章，忍不住转为AS代码试试。原文：http://www.cnblogs.com/yuanbao/archive/2007/11/14/958488.html

 

一般都是直接转为灰度图，根据128（中值）做黑白二值化。但是这样有些暗一些或者亮一些的图片，就无法正确分离。。

 

所以有一些动态方式计算阀值。例如最大类间方差。

 

对比一下以下两个图：第一个用最大类间方差，第二个用128做固定阀值。

 

最大类间方差：

 

 

固定阀值：

 

public function getThresholdGrayValue(bitmapData:BitmapData):int

{

        var pixelNum:Array = new Array();           //图象直方图，共256个点

        var n:int, n1:int, n2:int;

        var total:int;                              //total为总和，累计值

        var m1:Number, m2:Number, sum:Number, csum:Number, fmax:Number, sb:Number;     //sb为类间方差，fmax存储最大方差值

        var k:int, t:int, q:int;

        var threshValue:int = 1;                      // 阈值

        var step:int = 1;

        //生成直方图

        for (var i:int = 0; i < bitmapData.width; i++)

       {

               for (var j:int = 0; j < bitmapData.height; j++)

              {

                      //返回各个点的颜色，以RGB表示

                      var color:uint = bitmapData.getPixel(i,j);

                      var gray:int = Number(color>>16)*0.3 + Number((color>>8)&0xff)*0.6 + Number(color&0xff)*0.1;

                      if(pixelNum[gray])

                           pixelNum[gray]++;            //相应的直方图加1

                      else

                           pixelNum[gray] = 1;

              }

       }

        //直方图平滑化

        for (k = 0; k <= 255; k++)

       {

              total = 0;

               for (t = -2; t <= 2; t++)              //与附近2个灰度做平滑化，t值应取较小的值

              {

                     q = k + t;

                      if (q < 0)                     //越界处理

                           q = 0;

                      if (q > 255)

                           q = 255;

                     total = total + pixelNum[q];    //total为总和，累计值

              }

              pixelNum[k] = int(Number(total) / 5.0 + 0.5);    //平滑化，左边2个+中间1个+右边2个灰度，共5个，所以总和除以5，后面加0.5是用修正值

       }

        //求阈值

       sum = csum = 0.0;

       n = 0;

        //计算总的图象的点数和质量矩，为后面的计算做准备

        for (k = 0; k <= 255; k++)

       {

              sum += Number(k) * Number(pixelNum[k]);     //x*f(x)质量矩，也就是每个灰度的值乘以其点数（归一化后为概率），sum为其总和

              n += pixelNum[k];                       //n为图象总的点数，归一化后就是累积概率

       }

       

       fmax = -1.0;                          //类间方差sb不可能为负，所以fmax初始值为-1不影响计算的进行

       n1 = 0;

        for (k = 0; k < 256; k++)                  //对每个灰度（从0到255）计算一次分割后的类间方差sb

       {

              n1 += pixelNum[k];                //n1为在当前阈值遍前景图象的点数

               if (n1 == 0) { continue; }            //没有分出前景后景

              n2 = n - n1;                        //n2为背景图象的点数

               if (n2 == 0) { break; }               //n2为0表示全部都是后景图象，与n1=0情况类似，之后的遍历不可能使前景点数增加，所以此时可以退出循环

              csum += Number(k) * pixelNum[k];    //前景的“灰度的值*其点数”的总和

              m1 = csum / n1;                     //m1为前景的平均灰度

              m2 = (sum - csum) / n2;               //m2为背景的平均灰度

              sb = Number(n1) * Number(n2) * (m1 - m2) * (m1 - m2);   //sb为类间方差

               if (sb > fmax)                  //如果算出的类间方差大于前一次算出的类间方差

              {

                     fmax = sb;                    //fmax始终为最大类间方差（otsu）

                     threshValue = k;              //取最大类间方差时对应的灰度的k就是最佳阈值

              }

       }

        return threshValue;

}