首先我们要去除它的背景，对于这样稍微复杂的背景，用过去的方法很难做到，上图的例子还不是很明显，我发现很多图片背景色和字母色近似，而且字母颜色是不断变化的，背景也是不断变化的
那我初始的想法是找到图片中使用颜色最多的方法，于是我们用HSL表示各点颜色，接着进行统计，得到最大的几个峰值，这里便是图片中几个最丰富的颜色的L值得累加值
其余的都可以认为是噪音，我们对每个峰值进行分割，得到如下图片
你看这样就把单个颜色图片分割出来了，接下来就是找到图片中除去黑色和白色后的图片
然后进行灰化处理，阀值处理，降噪，得到
接着根据边界检测出来的最左侧x位置，来排序字母顺序
接下来的事情就轻车熟路了，把图片转成标准模板，通过少量学习就达到了95%以上的识别率
c:15 j:8 8:7 t:9 9:4 x:7 4:6 2:4 h:7 f:8 e:18 b:5 y:3 k:4 w:3 g:5 3:5 7:6 r:2 m:3 q:4 v:2 p:3 6:2
以上数据表示 c学习15次 j学习8次…
只要字符不粘连，大部分验证码干扰技术都是可以有办法，所以为什么google验证码看起来很简单，但是没有人能够很好的破解它得原因。
补充，
rise在留言中发现有一些字符加入杂点的问题，由于这种验证码不是很普遍，稍微做了研究
CY3E 这个图片3字中有杂点，其他没有，按照文章中介绍的办法，怎么知道这个3不是像其他颜色杂点一样的图片呢？
我觉得需要加入一个步骤，就是对每次过滤颜色生成出来的图片，进行填充
找到3的杂点原图：
然后我们进行算法填充
这个图片与其他全部是杂点的图片之间的差别进行过滤，我考虑可以通过以下方法：
1、连贯点的宽度
2、连贯点的个数
这样剩下的就只剩下CY3E的过滤后的图片
至于字符倾斜的问题，我觉得完全可以在机器学习过程中，我们自己旋转正在学习的图片一定角度，例如从-10到+10度，只不过这样的学习库会大一些，但是就10个数字的验证码来说，这点性能损失应该可以忽略不计。
