首先为了方便处理，我们通常会对图片进行灰度转换（即将图片转换成只有一个图层的灰色图像）。

然后我们分析一下，在上面的图片中有三个主色调，分别是字体颜色（黑色）、纸张颜色（偏白）、阴影颜色（灰色）。知道这点后我们就好办了。我们只需要把灰色和白色部分都处理为白色就好了。

那要我怎么才知道白色和灰色区域呢？对于一个8位的灰度图，黑色部分的像素大致在0-30左右。白色和灰色应该在31-255左右（这个范围只是大致估计，实际情况需要看图片）。如图：

左边是原图，右边是处理后的图片。我们将灰色和接近白色的部分都处理成了白色。

那下面我们就开始处理吧。

三、numpy的ndarray数组

可能有些读者没有接触过numpy，这里简单说一下。

numpy是一个第三方的模块，用它我们可以很方便的处理多维数组（ndarray数组）。而图片在OpenCV中的存储方式正好是ndarray，所以我们对数组的操作就是对图片的操作。

在使用之前我们需要安装一下OpenCV模块：

pip install opencv-python

在安装OpenCV时会自动安装numpy。

下面我们主要是看看布尔索引的操作，先看下面代码：

import numpy as np
# 创建一个元素为1, 0, 1, 1的ndarray数组
arr = np.array([1, 0, 1, 1])
# 判断数组中有没有0
res = arr == 0
# 将数组中为0的元素赋值为10
arr[res] = 10

如果没有接触过numpy会不太理解上面的语法。我们来详细说一下：

1.创建ndarray数组：我们通过np.array可以将现有的列表转换成一个ndarray对象，这个很好理解

2.判断数组中有没有0：我们可以直接用ndarray对象来判断，比如：arr == 0，他会返回一个元素结构和数量一样的ndarray对象。但是返回的对象原始类型是bool，我们来看看res的输出：

[False True False False]

从结果可以看出，我们比较arr==0就是对数组中每个元素进行比较，并返回比较的布尔值。

3.将数组中为0的元素赋值为10：而最难理解的arr[res]操作。它其实就是拿到res中为True的视图，比如上面的结果是第二个为True则只会返回第二个元素的视图。我们执行下面的代码：

arr[res] = 10

就是把对应res为True的部分赋值为10，也就是将arr中值为0的部分赋值为10。

下面是arr最后的结果：

[ 1 10 1 1]

可以看到原本的0处理为了10。

四、去除阴影

现在我们知道了布尔索引，我们可以对图片进行处理了。我们只需要读取图片，然后将像素值大于30的部分处理为白色就好了。下面是我们的代码：

import cv2
# 读取图片
img = cv2.imread('page.jpg', 0)
# 将像素值大于30的部分修改为255（白色）
img[img > 30] = 255
# 保存修改后的图片
cv2.imwrite('res.jpg', img)

上面的代码非常简单，我们使用cv2.imread函数读取图片，第一个参数是图片路径，第二个参数表示读取为灰度图。我们来看看效果图：

可以看到阴影部分被很好地去除了。有些字比较模糊，我们可以通过调节灰白色的范围调整。比如：

img[img > 40] = 255

具体的值就要根据要处理的图片来决定了。

五、改进

对于上面的处理，还可以做一个小小的改进。我们可以让纸张颜色不那么白，我们来看改进后的代码：

import cv2
import numpy as np
img = cv2.imread('page.jpg', 0)
# 计算灰白色部分像素的均值
pixel = int(np.mean(img[img > 140]))
# 把灰白色部分修改为与背景接近的颜色
img[img > 30] = pixel
cv2.imwrite('res.jpg', img)

在上面的代码中我们不再是将灰白色部分设置为255，而是事先计算了一个数值。

pixel = int(np.mean(img[img > 140]))