大致介紹

　　在python爬蟲爬取某些網站的驗證碼的時候可能會遇到驗證碼識別的問題，現在的驗證碼大多分為四類：

　　　　1、計算驗證碼

?　　? ? ?2、滑塊驗證碼

　　　　3、識圖驗證碼

　　　　4、語音驗證碼

　　這篇博客主要寫的就是識圖驗證碼，識別的是簡單的驗證碼，要想讓識別率更高，識別的更加準確就需要花很多的精力去訓練自己的字體庫。

　　識別驗證碼通常是這幾個步驟：

　　　　1、灰度處理

　　　　2、二值化

　　　　3、去除邊框（如果有的話）

　　　　4、降噪

　　　　5、切割字符或者傾斜度矯正

　　　　6、訓練字體庫

　　　　7、識別

　　這6個步驟中前三個步驟是基本的，4或者5可根據實際情況選擇是否需要，并不一定切割驗證碼，識別率就會上升很多有時候還會下降

　　這篇博客不涉及訓練字體庫的內容，請自行搜索。同樣也不講解基礎的語法。

　　用到的幾個主要的python庫： Pillow(python圖像處理庫)、OpenCV(高級圖像處理庫)、pytesseract(識別庫)

　　

?

灰度處理&二值化

　　灰度處理，就是把彩色的驗證碼圖片轉為灰色的圖片。

　　二值化，是將圖片處理為只有黑白兩色的圖片，利于后面的圖像處理和識別

　　在OpenCV中有現成的方法可以進行灰度處理和二值化，處理后的效果：

　　

?

　　代碼：

1 # 自適應閥值二值化2 def _get_dynamic_binary_image(filedir, img_name):3 filename = './out_img/' + img_name.split('.')[0] + '-binary.jpg'4 img_name = filedir + '/' + img_name5 print('.....' + img_name)6 im = cv2.imread(img_name)7 im = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY) #灰值化8 # 二值化9 th1 = cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1) 10 cv2.imwrite(filename,th1) 11 return th1

?

去除邊框

　　如果驗證碼有邊框，那我們就需要去除邊框，去除邊框就是遍歷像素點，找到四個邊框上的所有點，把他們都改為白色，我這里邊框是兩個像素寬

　　注意：在用OpenCV時，圖片的矩陣點是反的，就是長和寬是顛倒的

　　代碼：

# 去除邊框 def clear_border(img,img_name):filename = './out_img/' + img_name.split('.')[0] + '-clearBorder.jpg'h, w = img.shape[:2]for y in range(0, w):for x in range(0, h):if y < 2 or y > w - 2:img[x, y] = 255if x < 2 or x > h -2:img[x, y] = 255cv2.imwrite(filename,img)return img

　　

　　效果：

降噪

　　降噪是驗證碼處理中比較重要的一個步驟，我這里使用了點降噪和線降噪

　　

　　線降噪的思路就是檢測這個點相鄰的四個點（圖中標出的綠色點），判斷這四個點中是白點的個數，如果有兩個以上的白色像素點，那么就認為這個點是白色的，從而去除整個干擾線，但是這種方法是有限度的，如果干擾線特別粗就沒有辦法去除，只能去除細的干擾線

　　代碼：

1 # 干擾線降噪2 def interference_line(img, img_name):3 filename = './out_img/' + img_name.split('.')[0] + '-interferenceline.jpg'4 h, w = img.shape[:2]5 # ！！！opencv矩陣點是反的6 # img[1,2] 1:圖片的高度，2：圖片的寬度7 for y in range(1, w - 1):8 for x in range(1, h - 1):9 count = 0 10 if img[x, y - 1] > 245: 11 count = count + 1 12 if img[x, y + 1] > 245: 13 count = count + 1 14 if img[x - 1, y] > 245: 15 count = count + 1 16 if img[x + 1, y] > 245: 17 count = count + 1 18 if count > 2: 19 img[x, y] = 255 20 cv2.imwrite(filename,img) 21 return img

?

　　點降噪的思路和線降噪的差不多，只是會針對不同的位置檢測的點不一樣,注釋寫的很清楚了

　　代碼：

# 點降噪 def interference_point(img,img_name, x = 0, y = 0):"""9鄰域框,以當前點為中心的田字框,黑點個數:param x::param y::return:"""filename = './out_img/' + img_name.split('.')[0] + '-interferencePoint.jpg'# todo 判斷圖片的長寬度下限cur_pixel = img[x,y]# 當前像素點的值height,width = img.shape[:2]for y in range(0, width - 1):for x in range(0, height - 1):if y == 0: # 第一行if x == 0: # 左上頂點,4鄰域# 中心點旁邊3個點sum = int(cur_pixel) \+ int(img[x, y + 1]) \+ int(img[x + 1, y]) \+ int(img[x + 1, y + 1])if sum <= 2 * 245:img[x, y] = 0elif x == height - 1: # 右上頂點sum = int(cur_pixel) \+ int(img[x, y + 1]) \+ int(img[x - 1, y]) \+ int(img[x - 1, y + 1])if sum <= 2 * 245:img[x, y] = 0else: # 最上非頂點,6鄰域sum = int(img[x - 1, y]) \+ int(img[x - 1, y + 1]) \+ int(cur_pixel) \+ int(img[x, y + 1]) \+ int(img[x + 1, y]) \+ int(img[x + 1, y + 1])if sum <= 3 * 245:img[x, y] = 0elif y == width - 1: # 最下面一行if x == 0: # 左下頂點# 中心點旁邊3個點sum = int(cur_pixel) \+ int(img[x + 1, y]) \+ int(img[x + 1, y - 1]) \+ int(img[x, y - 1])if sum <= 2 * 245:img[x, y] = 0elif x == height - 1: # 右下頂點sum = int(cur_pixel) \+ int(img[x, y - 1]) \+ int(img[x - 1, y]) \+ int(img[x - 1, y - 1])if sum <= 2 * 245:img[x, y] = 0else: # 最下非頂點,6鄰域sum = int(cur_pixel) \+ int(img[x - 1, y]) \+ int(img[x + 1, y]) \+ int(img[x, y - 1]) \+ int(img[x - 1, y - 1]) \+ int(img[x + 1, y - 1])if sum <= 3 * 245:img[x, y] = 0else: # y不在邊界if x == 0: # 左邊非頂點sum = int(img[x, y - 1]) \+ int(cur_pixel) \+ int(img[x, y + 1]) \+ int(img[x + 1, y - 1]) \+ int(img[x + 1, y]) \+ int(img[x + 1, y + 1])if sum <= 3 * 245:img[x, y] = 0elif x == height - 1: # 右邊非頂點sum = int(img[x, y - 1]) \+ int(cur_pixel) \+ int(img[x, y + 1]) \+ int(img[x - 1, y - 1]) \+ int(img[x - 1, y]) \+ int(img[x - 1, y + 1])if sum <= 3 * 245:img[x, y] = 0else: # 具備9領域條件的sum = int(img[x - 1, y - 1]) \+ int(img[x - 1, y]) \+ int(img[x - 1, y + 1]) \+ int(img[x, y - 1]) \+ int(cur_pixel) \+ int(img[x, y + 1]) \+ int(img[x + 1, y - 1]) \+ int(img[x + 1, y]) \+ int(img[x + 1, y + 1])if sum <= 4 * 245:img[x, y] = 0cv2.imwrite(filename,img)return img

?

　　效果：

?

　　其實到了這一步，這些字符就可以識別了，沒必要進行字符切割了，現在這三種類型的驗證碼識別率已經達到50%以上了

?

字符切割

　　字符切割通常用于驗證碼中有粘連的字符，粘連的字符不好識別，所以我們需要將粘連的字符切割為單個的字符，在進行識別

　　字符切割的思路就是找到一個黑色的點，然后在遍歷與他相鄰的黑色的點，直到遍歷完所有的連接起來的黑色的點，找出這些點中的最高的點、最低的點、最右邊的點、最左邊的點，記錄下這四個點，認為這是一個字符，然后在向后遍歷點，直至找到黑色的點，繼續以上的步驟。最后通過每個字符的四個點進行切割

　　

　　圖中紅色的點就是代碼執行完后，標識出的每個字符的四個點，然后就會根據這四個點進行切割（圖中畫的有些誤差，懂就好）

　　但是也可以看到，m2是粘連的，代碼認為他是一個字符，所以我們需要對每個字符的寬度進行檢測，如果他的寬度過寬，我們就認為他是兩個粘連在一起的字符，并將它在從中間切割

　　確定每個字符的四個點代碼：

def cfs(im,x_fd,y_fd):'''用隊列和集合記錄遍歷過的像素坐標代替單純遞歸以解決cfs訪問過深問題'''# print('**********')xaxis=[]yaxis=[]visited =set()q = Queue()q.put((x_fd, y_fd))visited.add((x_fd, y_fd))offsets=[(1, 0), (0, 1), (-1, 0), (0, -1)]#四鄰域while not q.empty():x,y=q.get()for xoffset,yoffset in offsets:x_neighbor,y_neighbor = x+xoffset,y+yoffsetif (x_neighbor,y_neighbor) in (visited):continue # 已經訪問過了visited.add((x_neighbor, y_neighbor))try:if im[x_neighbor, y_neighbor] == 0:xaxis.append(x_neighbor)yaxis.append(y_neighbor)q.put((x_neighbor,y_neighbor))except IndexError:pass# print(xaxis)if (len(xaxis) == 0 | len(yaxis) == 0):xmax = x_fd + 1xmin = x_fdymax = y_fd + 1ymin = y_fdelse:xmax = max(xaxis)xmin = min(xaxis)ymax = max(yaxis)ymin = min(yaxis)#ymin,ymax=sort(yaxis)return ymax,ymin,xmax,xmindef detectFgPix(im,xmax):'''搜索區塊起點'''h,w = im.shape[:2]for y_fd in range(xmax+1,w):for x_fd in range(h):if im[x_fd,y_fd] == 0:return x_fd,y_fddef CFS(im):'''切割字符位置'''zoneL=[]#各區塊長度L列表zoneWB=[]#各區塊的X軸[起始，終點]列表zoneHB=[]#各區塊的Y軸[起始，終點]列表xmax=0#上一區塊結束黑點橫坐標,這里是初始化for i in range(10):try:x_fd,y_fd = detectFgPix(im,xmax)# print(y_fd,x_fd)xmax,xmin,ymax,ymin=cfs(im,x_fd,y_fd)L = xmax - xminH = ymax - yminzoneL.append(L)zoneWB.append([xmin,xmax])zoneHB.append([ymin,ymax])except TypeError:return zoneL,zoneWB,zoneHBreturn zoneL,zoneWB,zoneHB

?

　　分割粘連字符代碼：

# 切割的位置im_position = CFS(im)maxL = max(im_position[0])minL = min(im_position[0])# 如果有粘連字符，如果一個字符的長度過長就認為是粘連字符，并從中間進行切割if(maxL > minL + minL * 0.7):maxL_index = im_position[0].index(maxL)minL_index = im_position[0].index(minL)# 設置字符的寬度im_position[0][maxL_index] = maxL // 2im_position[0].insert(maxL_index + 1, maxL // 2)# 設置字符X軸[起始，終點]位置im_position[1][maxL_index][1] = im_position[1][maxL_index][0] + maxL // 2im_position[1].insert(maxL_index + 1, [im_position[1][maxL_index][1] + 1, im_position[1][maxL_index][1] + 1 + maxL // 2])# 設置字符的Y軸[起始，終點]位置im_position[2].insert(maxL_index + 1, im_position[2][maxL_index])# 切割字符，要想切得好就得配置參數，通常 1 or 2 就可以cutting_img(im,im_position,img_name,1,1)

?

　　切割粘連字符代碼：

def cutting_img(im,im_position,img,xoffset = 1,yoffset = 1):filename = './out_img/' + img.split('.')[0]# 識別出的字符個數im_number = len(im_position[1])# 切割字符for i in range(im_number):im_start_X = im_position[1][i][0] - xoffsetim_end_X = im_position[1][i][1] + xoffsetim_start_Y = im_position[2][i][0] - yoffsetim_end_Y = im_position[2][i][1] + yoffsetcropped = im[im_start_Y:im_end_Y, im_start_X:im_end_X]cv2.imwrite(filename + '-cutting-' + str(i) + '.jpg',cropped)

?

　　效果：

?

　　識別

　　識別用的是typesseract庫，主要識別一行字符和單個字符時的參數設置，識別中英文的參數設置，代碼很簡單就一行，我這里大多是filter文件的操作

　　代碼：

# 識別驗證碼cutting_img_num = 0for file in os.listdir('./out_img'):str_img = ''if fnmatch(file, '%s-cutting-*.jpg' % img_name.split('.')[0]):cutting_img_num += 1for i in range(cutting_img_num):try:file = './out_img/%s-cutting-%s.jpg' % (img_name.split('.')[0], i)# 識別字符str_img = str_img + image_to_string(Image.open(file),lang = 'eng', config='-psm 10') #單個字符是10，一行文本是7except Exception as err:passprint('切圖：%s' % cutting_img_num)print('識別為：%s' % str_img)

　　

　　最后這種粘連字符的識別率是在30%左右，而且這種只是處理兩個字符粘連，如果有兩個以上的字符粘連還不能識別，但是根據字符寬度判別的話也不難，有興趣的可以試一下

　　無需切割字符識別的效果：
?

　

?

　　需要切割字符的識別效果：

?

?

　　這種只是能夠識別簡單驗證碼，復雜的驗證碼還要靠大家了

　　參考資料：

　　　　1、http://www.jianshu.com/p/41127bf90ca9

　　本來參考了挺多的資料，但是時間長了就找不到了，如果有人發現了，可以告訴我，我再添加

　　使用方法：

?

　　　　1、將要識別的驗證碼圖片放入與腳本同級的img文件夾中，創建out_img文件夾
　　　　2、python3 filename
　　　　3、二值化、降噪等各個階段的圖片將存儲在out_img文件夾中，最終識別結果會打印到屏幕上

?

　　最后附上源碼（帶切割，不想要切割的就自己修改吧）：

?View Code

?

不要在該奮斗的年紀而選擇了安逸

分類:?Python

標簽:?python

好文要頂?關注我?收藏該文??

老板丶魚丸粗面
關注 - 36
粉絲 - 84

+加關注

10

1

??上一篇：python定時利用QQ郵件發送天氣預報
??下一篇：博客更改通知！！！博客更改通知！！！

posted @?2017-11-20 16:41?老板丶魚丸粗面?閱讀(11782) 評論(7)?編輯?收藏

?

總結

以上是生活随笔為你收集整理的python 验证码识别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。