首先我們打開軟件，點擊下方工具欄中的添加圖片功能。
2.
然後可以直接從素材庫添加圖片，點擊下面的從設備從手機導入圖片。
3.
點擊從設備後，可以導入手機中存儲的像素圖，也可以直接導入相冊中的照片，但大小要控制在256*256像素以內。
4.
如圖所示，可以調整導入圖片素材的大小和位置。
如何在像素壁紙中保存圖片用PixelStylePhotoEditor，可以將圖片文檔保存為TIFF/JPEG/PNG/GIF/BMP/PSDB/JPEG 2000/PDF/SVG格式。
第壹步:在菜單欄中選擇“文件”->；“存儲”
步驟2:在“保存”對話框中，鍵入圖像的名稱。
步驟3:選擇要保存的文件格式。
可導出的文件格式和相應的選項。
提示:
1.如果您尚未完成編輯，並希望下次打開該文件，請將文檔保存為PixelStyle圖像(PSDB)。
步驟4:單擊保存按鈕保存對文檔的更改。
如何用Python識別1__作為簡單的驗證碼？
驗證碼是目前互聯網上很常見也很重要的東西，充當著很多系統的功能。然而，隨著OCR技術的發展，驗證碼暴露出的安全問題越來越嚴重。本文介紹了壹個完整的字符驗證碼識別過程，對驗證碼安全和OCR識別技術有壹定的借鑒意義。
然後經過壹年的時間，作者研究得到了壹種更強大的基於CNN卷積神經網絡的直接端到端驗證識別技術(文章不是我的，後來我整理了源代碼，簡介和源代碼都在這裏):
基於python語言的tensorflow端到端字符驗證碼識別源代碼整理(github源代碼共享)
2__直徑
關鍵詞:安全，字符圖片，驗證碼識別，OCR，Python，SVM，PIL
3__ _ _
本研究中使用的材料來自壹個舊的Web框架網站的公共圖像資源_呫呫呫 _.
本文只抓取了本網站的公開圖片資源，並_ ⑽從教_做了任何不必要的操作。
本文在撰寫相關報道時泄露了網站的身份信息。
本文作者_雅_網站相關人員紛紛針對本系統的漏洞，主動轉移到新系統中。
本報告主要目的僅供_CR交流學習_鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、鴕鳥、
4__
驗證碼非技術部分的介紹，可以參考之前寫的壹篇科普文章:
互聯網安全防火墻(1)-網絡驗證碼科普
說明了類型、使用場景、功能、主要識別技術等。的驗證碼，但不涉及任何技術內容。本章內容作為其國際掛鉤給出相應的識別解決方案，讓讀者對驗證碼的功能和安全性有更深入的了解。
5_荊·
要達到本文的目的，只需要簡單的編程知識，因為現在機器學習領域正在蓬勃發展，有很多打包的機器學習開源解決方案。普通程序員不需要了解復雜的數學原理，也就是可以實現這些工具的應用。
主要開發環境:
python3.5
PythonSDK版本
PIL
圖片處理庫
libsvm
開源svm機器學習庫
環境的安裝不是本文的重點，所以省略了。
6__九中
壹般來說，字符驗證碼的識別過程如下:
準備原始圖片材料
圖像預處理
圖像字符切割
圖片尺寸標準化
圖像字符標記
字符圖像特征提取
生成對應於特征和標記的訓練數據集。
訓練特征標記數據以生成識別模型
使用識別模型預測新的未知圖片集
達到根據“圖”返回正確字符集的目的
7__姚撓急了
7.1__姚楠
因為這篇論文主要是出於初級學習研究的目的，需要_ Ba來寫，但是不會太難，“所以我直接在網上找了壹個比較有代表性的，比較簡單的人物驗證碼(感覺就是找漏洞)。
最後在壹個老網站上找到了這張驗證碼圖片(估計是幾十年前的網站框架)。
原始圖紙:
放大清晰圖片:
這張圖可以滿足要求，仔細觀察有以下特點。
有利識別的特征:
由純阿拉伯數字組成
字數為4。
這些字符是有規律地排列的
字體是統壹字體。
以上就是這個驗證碼簡單的重要原因，後續的代碼實現中會用到。
不利識別的特征:
畫面背景有幹擾噪聲。
雖然這是壹個不利的特征，但是幹擾閾值太低，並且可以通過簡單的方法去除。
7.2__死亡帷幕循環
因為做培訓的時候需要大量的資料，不可能手工保存在瀏覽器裏，所以建議寫壹個自動下載的程序。
主要步驟如下:
通過瀏覽器的抓包功能獲得隨機圖片驗證碼生成界面。
批量請求界面獲取圖片。
將圖片保存到本地磁盤目錄。
以上都是壹些基本的IT技能，本文就不詳細展開了。
網絡請求和文件保存的代碼如下:
defdownloads_pic(**kwargs):
圖片名稱=('圖片名稱'，無)
URL = ' http and _ code _ captcha/'
res=(url，stream=True)
withopen(pic_path+pic_name+'。bmp '，' WB ')ASF:_ _ for chunkin _ content(chunk _ size = 1024):_ _ _ if chunk:# filteroutkeep-alivenewchunks _ _ _ _ f . write(chunk)
f .沖洗()
f.close()
循環n次，就可以保存n份驗證材料。
以下是幾十個收藏的素材庫保存到本地文件的效果圖:
8__計劃_
雖然目前的機器學習算法已經相當先進，但是為了降低後期訓練的復雜度，提高識別率，還是需要對圖片進行預處理，使其對機器識別更加友好。
上述原料的加工步驟如下:
閱讀原圖片資料
彩色圖像二值化為黑白圖像
去除背景噪音
8.1__祈禱儀
主要步驟如下:
將RGB彩色地圖轉換為灰度地圖
根據設定的閾值將灰度圖像轉換為二值圖像。
image=(圖像路徑)
Imgry=('L')#轉換為灰度圖像table=get_bin_table()
out=(表，' 1 ')
上面引用的二元函數的定義如下:
1234567891011121314
def _ et _ bin _ table(threshold = 140):_ _ " " _ _獲取灰度到二進制值的映射表_ _:param threshold:_ _:return:_ _ " " _ _ table = _]_ for _ _ n _安歌(20 .閾值:_ _ _ _ _ _ _(0)_ _ _ _ _ _ _否則:_ _ _ _ _ _ _(1)_返回
經過PIL轉換，它變成了壹個二進制圖像:0表示黑色，1表示白色。二值化後6937_華南嘈雜；
1111000111111000111111100001111100000011
111011101111011101111101165438+ 010111100110111
1001110011110111101011011010101 101110111
110111111111011010111111065438+ 001111111101111
1101000111110111001111110011165 438+01111101111
1100111011111000001111111001011 111011111
1101110001111111101011010110165 438+01111011111
1101111011111111101111011 110111111011111
1101111011110111001111011165438 +00111111011100
1110000111111000011101100001110111011111
如果妳近視，然後遠離屏幕，就能隱約看到6937_墓。
8.2 _ _ ココ
在它被轉換成二值圖像之後，需要去除噪聲。本文選取的材料比較簡單，大部分噪聲都是最簡單的壹種——鋁⒌，所以通過檢測這些孤立點可以去除很多噪聲。
關於如何去除比較復雜的噪點甚至幹擾線和色塊，有比較成熟的算法:_每榣潯毎_loodFill，而且以後有興趣可以繼續研究。
為了簡化問題，本文簡單地用壹個簡單的自思_ _ _ _來解決這個問題:
數壹數圍繞某個_ _的九個方塊中的黑點
如果黑點少於兩個，則證明這個點是孤立點，然後求出所有的孤立點。
壹次性移除所有孤立點。
下面將詳細介紹具體的算法原理。
如下圖所示，將所有像素分為三類。
頂點a
非頂點的邊界點b
內部點c
類別點的示意圖如下:
其中包括:
A類點計算三個相鄰點(如上圖紅框所示)。
B類點計算相鄰的五個點(如上圖紅框所示)。
C類點計算相鄰8個點(如上圖紅框所示)。
當然，由於計算區域內基準點的方向不同，A類點和B類點也會細分:
A類點又細分為:左上、左下、右上、右下。
B類點進壹步細分為:上、下、左、右。
c類點不需要細分
那麽這些細分點就會成為後續坐標獲取的標準。
Python實現的主要算法如下:
defsum_9_region(img，x，y):_ " " "
9鄰域框，以當前點為中心的田字框，黑點數量。
:paramx:
:參數:
:返回:_ " " "
#todo確定圖片長度和寬度的下限。
Cur_pixel=((x，y))#當前像素的值。
寬度=
Height=_ifcur_pixel==1:#如果當前點是白色區域，將不計算鄰域值。
Return0_ify==0:#第壹行
Ifx==0:#左上頂點，4鄰域
中心點旁邊的# 3點
Sum = cur _ pixel \ _ _+((x，y+1)) \ _ _+((x+1，y)) \ _ _+((x+1，y+)
Sum = cur _ pixel \ _ _+((x，y+1)) \ _ _+((x-1，y)) \ _ _+((x-1，y+)
Sum = ((x-1，y)) \ _ _+((x-1，y+1))\ _ _+cur _ pixel \ _ _+((x，y+)
Ifx==0:#左下頂點
中心點旁邊的# 3點
Sum = cur _ pixel \ _ _+((x+1，y)) \ _ _+((x+1，y-1)) \ _ _+((x，y-)
Sum = cur _ pixel \ _ _+((x，y-1)) \ _ _+((x-1，y)) \ _ _+((x-1，y-)
Sum = cur _ pixel \ _ _+((x-1，y)) \ _ _+((x+1，y)) \ _ _+((x，y-1))。
Ifx==0:#左非頂點
Sum = ((x，y-1))\ _ _ _ _ _ _+cur _ pixel \ _ _+((x，y+1)) \ _ _+((x+1，y-)
#print('%s，%s'%(x，y))
Sum = ((x，y-1))\ _ _ _ _ _ _+cur _ pixel \ _ _+((x，y+1)) \ _ _+((x-1，y-)
sum=((x-1，y-1))\ _ _ _ _ _ _ _+((x-1，y))\ _ _ _ _ _ _ _+((x，y-1))\ _ _ _ _ _ _ _+cur _ pixel \ _ _ _ _ _ _+((x，y+1))\ _ _ _ _ _ _ _+((x+1)
小貼士:這個地方相當考驗人的細心和耐心。這個地方的工作量還是蠻大的，花了半個晚上才完成。
計算出每個像素的外圍像素黑點數(註:PIL換算的圖片黑點值為0)後，只需要篩選出1或2_ outliers _U _ points的個數即可。不好意思，基本能滿足這篇論文的需求。
預處理後的圖像如下:
對比文章開頭的原圖，已經去掉了那些_ Al _ ⒌ _生成了對比_刪除_的驗證碼圖片。
9__地址計數
因為性格類型_ 🄙ぢ臨_可以看作是由壹系列_ジ拼接而成乮乮_，為了簡化研究對象，我們還可以把這些圖片分解成_蛹_，也就是_字和地址公差。
所以我們的研究對象是_ _種字符串“_ _”10種阿拉伯數字“_”的組合對象，大大簡化和減少了處理對象。
9.1__指的是的位置。
在現實生活中，字符驗證碼的生成是多種多樣的，有各種各樣的扭曲和變形。字符分割的算法沒有統壹的方法。這種算法還要求開發者仔細研究待識別字符圖像的特征。
當然，本文選取的研究對象盡可能簡化了這壹步的難度，下面會慢慢介紹。
用圖片編輯軟件(PhoneShop或其他)打開驗證碼圖片，放大到像素級，觀察壹些其他參數:
可以獲得以下參數:
全圖尺寸為40*10。
單個字符大小為6*10。
左右字符和左右邊緣相距2個像素。
字符緊挨著邊緣的上方和下方(即，相隔0個像素)
這樣就很容易定位出整個畫面中每個字符所占的像素區域，然後就可以進行分割了。具體代碼如下:
defget_crop_imgs(img):_ " " "
根據圖片的特點，切，這個要根據具體的驗證碼來工作。#參見示意圖。
:參數:
:返回:_ " " "
child _ img _ list =[]_ for iinrange(4):
X=2+i*(6+4)#見示意圖。
y=0
child_img=((x，y，x+6，y+10))
child _ img _(child _ img)_ return child _ img _ list
然後就可以得到cut _ pupa _ picture元素了:
9.2__東莨菪堿
基於這部分的討論，相信妳已經了解到，如果驗證碼的幹擾(失真、噪聲、幹擾色塊、幹擾線)不夠強，可以得到以下兩個結論:
4個字符的驗證碼和4萬個字符的驗證碼區別不大。
純字母
不區分大小寫。分類號是26。
區分大小寫。分類號是52。
純數字。分類號是10。
數字和區分大小寫的字母的組合。分類號是62。
純數字_ _數字和字母組合_難以理解。
在不增加“甘坡”形成難度，只增加計算量的情況下，沒有太大意義。
10__集貿
本文選取的研究對象的大小是統壹狀態的規格:6*10，所以這部分不需要額外處理。但對於壹些扭曲、縮放的驗證碼，這部分也會是圖像處理的難點。
11__P駝賊範潔
在前面的環節中，已經完成了單幅圖片的處理和分割。_董鸚鵡螺P_的訓練是後來才開始的。
整個訓練過程如下:
大量的預處理和切割到原子級的圖片素材準備。
對素材圖片進行人工分類，也就是貼標簽。
定義單幅圖片的識別特征。
利用SVM訓練模型對標註後的特征文件進行訓練，得到模型文件。
12__姚腦急
在訓練階段，本文重新下載了相同圖案的4位驗證圖片，共計3000張。然後對這3000張圖片進行處理和切割，得到12000張原子圖。
在這張12000的圖片中，刪除壹些會影響訓練和識別的強幹擾材料，剪切後的效果圖如下:
13__姚某譚
因為本文使用的這種識別方法，機器壹開始是沒有任何數字概念的。所以需要人工識別材質，告訴_ Yan哪個是1。
這個過程被稱為氨霾變薄。
具體的標註方法是:
為0到9的每個數字創建壹個目錄，目錄名就是對應的數字(相當於壹個標簽)。
人工判斷_計算，並將圖片拖動到指定的數字目錄。
每個目錄包含大約100條材料。
壹般來說，標註的材料越多，訓練好的模型的分辨率和預測能力就越強。比如本文，當標註材料超過十個時，新測試圖片的識別率基本為零，但達到100時，可以達到近100%。
14__ 卣廈
對於剪切的單字符圖片，像素級放大如下:
從宏觀的角度來看，不同數碼圖片的本質都是按照壹定的規則在對應的像素上填充黑色，所以這些特征最終都是圍繞像素進行的。
人物圖片_6像素，10像素高，理論上可以最簡單粗暴的定義60個特征:60像素點以上的像素值。但顯然，如此高的維度必然導致計算量過大，可以適當降低維度。
通過查閱相應的文獻[2]，給出了另壹個簡單粗暴的特征定義:
每行黑色像素的數量可以得到10個特征。
根據每列黑色像素的數量，可以得到六個特征。
最後得到壹組16維的特征，實現代碼如下:
defget_feature(img):_ " " "
獲取指定圖像的特征值，
1.根據每行像素，如果高度為10，則有10個維度，然後有6列，總共***16個維度。
:paramimg_path:
:return:壹個維度為10(高度)的列表_ " " "
寬度，高度=
pixel_cnt_list=[]
height = 10 _ foryinrange(height):
pix _ CNT _ x = 0 _ _ forxirange(width):_ _ if((x，y)) = = 0: #黑點。
pix_cnt_x+=1
pixel _ CNT _(pix _ CNT _ x)_ forxinrange(寬度):
pix _ CNT _ y = 0 _ _ for yinrange(height):_ _ if((x，y)) = = 0: #黑點。
pix_cnt_y+=1
pixel _ CNT _(pix _ CNT _ y)_ return pixel _ CNT _ list
然後對圖片素材進行特征化，根據_ibSVM_付媽媽付小費，將文件入侵。