老實了解了灰度化的原理：
灰度數字圖像是每個像素只有一個采樣顏色的圖像。這類圖像通常顯示為從最暗黑色到最亮的白色的灰度。
可以通過下面幾種方法，將圖像轉換為灰度：
- 1.浮點算法：Gray=R*0.3+G*0.59+B*0.11
- 2.整數方法：Gray=(R*30+G*59+B*11)/100
- 3.移位方法：Gray =(R*76+G*151+B*28)>>8;
- 4.平均值法：Gray=（R+G+B）/3;
- 5.僅取綠色：Gray=G；
通過上述任一種方法求得Gray后，將原來的RGB(R,G,B)中的R,G,B統一用Gray替換，形成新的顏色RGB(Gray,Gray,Gray)，用它替換原來的RGB(R,G,B)就是灰度圖了。即是，R,G,B三色值相等成為灰度圖。
圖像的二值化處理就是將圖像上的點的灰度值置為0或255，也就是將整個圖像呈現出明顯的黑白效果。即將256個亮度等級的灰度圖像通過適當的
閾值選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。在數字圖像處理中，二值圖像占有非常重要的地位，特別是在實用的圖像處理中，以二值圖像處理實現而構成的系統是很多的，要進行二值圖像的處理與分析，首先要把灰度圖像二值化，得到二值化圖像，這樣子有利於在對圖像做進一步處理時，圖像的集合性質只與
像素值為0或255的點的位置有關，不再涉及像素的多級值，使處理變得簡單，而且數據的處理和壓縮量小。為了得到理想的二值圖像，一般采用封閉、連通的邊界定義不交疊的區域。所有灰度大於或等於閾值的像素被判定為屬於特定物體，其灰度值為255表示，否則這些像素點被排除在物體區域以外，灰度值為0，表示背景或者例外的物體區域。
如果某特定物體在內部有均勻一致的灰度值，並且其處在一個具有其他等級
灰度值的均勻背景下，使用閾值法就可以得到比較的分割效果。如果物體同背景的差別表現不在灰度值上（比如
紋理不同），可以將這個差別特征轉換為灰度的差別，然后利用閾值選取技術來分割該圖像。動態調節閾值實現圖像的二值化可動態觀察其分割圖像的具體結果。
說白了就是將灰度圖像，根據閾值划分為黑和白。大於閾值為黑色，小於閾值為白色。
import tesserocr
from PIL import Image
from numpy import array
image = Image.open("check.png")
result = tesserocr.image_to_text(image)
print('之前：' + result)
threshold = 40
def book_clear(image, threshold):
image = image.convert("L")#灰度化，采用(R+G+B)/3的到R,G,B三色。
table = []
for i in range(256):
if i < threshold:
table.append(0)
else:
table.append(1)
img = image.point(table, "1")#二值化
img.save("img1.jpg")
img.show()
result = tesserocr.image_to_text(img)
print('之后：' + result)
book_clear(image, threshold)