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

　　這篇部落格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型庫。

　　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、切割字元或者傾斜度矯正

　　　　6、訓練字型庫

　　　　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，並不一定切割驗證碼，識別率就會上升很多有時候還會下降

　　這篇部落格不涉及訓練字型庫的內容，請自行搜尋。同樣也不講解基礎的語法。

　　用到的幾個主要的python庫： Pillow(python影象處理庫)、OpenCV(高階影象處理庫)、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，利於後面的影象處理和識別

　　在OpenCV中有現成的方法可以進行灰度處理和二值化，處理後的效果：

　　程式碼：

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

去除邊框

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

　　注意：在用OpenCV時，圖片的矩陣點是反的，就是長和寬是顛倒的

　　程式碼：

# 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] = 255
  if x < 2 or x > h -2:
  img[x,y] = 255

 cv2.imwrite(filename,img)
 return img

降噪

　　降噪是驗證碼處理中比較重要的一個步驟，我這裡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畫素點，那麼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，如果幹擾線特別粗就沒有辦法去除，只能去除細的干擾線

　　程式碼：

# 干擾線降噪
def interference_line(img,img_name):
 filename = './out_img/' + img_name.split('.')[0] + '-interferenceline.jpg'
 h,w = img.shape[:2]
 # ！！！opencv矩陣點是反的
 # img[1,2] 1:圖片的高度，2：圖片的寬度
 for y in range(1,w - 1):
 for x in range(1,h - 1):
  count = 0
  if img[x,y - 1] > 245:
  count = count + 1
  if img[x,y + 1] > 245:
  count = count + 1
  if img[x - 1,y] > 245:
  count = count + 1
  if img[x + 1,y] > 245:
  count = count + 1
  if count > 2:
  img[x,y] = 255
 cv2.imwrite(filename,img)
 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,註釋寫的很清楚了

　　程式碼：

# 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]# 當前畫素點的值
 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] = 0
   elif 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] = 0
   else: # 最上非頂點,6鄰域
    sum = int(img[x - 1,y + 1]) \
      + int(cur_pixel) \
      + int(img[x,y + 1])
    if sum <= 3 * 245:
     img[x,y] = 0
  elif 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 - 1]) \
      + int(img[x,y - 1])
    if sum <= 2 * 245:
     img[x,y] = 0
   elif x == height - 1: # 右下頂點
    sum = int(cur_pixel) \
      + int(img[x,y - 1]) \
      + int(img[x - 1,y - 1])

    if sum <= 2 * 245:
     img[x,y] = 0
   else: # 最下非頂點,6鄰域
    sum = int(cur_pixel) \
      + int(img[x - 1,y]) \
      + int(img[x,y - 1]) \
      + int(img[x + 1,y - 1])
    if sum <= 3 * 245:
     img[x,y] = 0
  else: # 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])

    if sum <= 3 * 245:
     img[x,y] = 0
   elif x == height - 1: # 右邊非頂點
    sum = int(img[x,y] = 0
   else: # 具備9領域條件的
    sum = int(img[x - 1,y + 1]) \
      + int(img[x,y + 1])
    if sum <= 4 * 245:
     img[x,y] = 0
 cv2.imwrite(filename,img)
 return img

　　效果：

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

字元切割 　　

字元切割通常用於驗證碼中有粘連的字元，粘連的字元不好識別，所以我們需要將粘連的字元切割為單個的字元，在進行識別

　　字元切割的思路就是找到一個黑色的點，然後在遍歷與他相鄰的黑色的點，直到遍歷完所有的連線起來的黑色的點，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，認為這是一個字元，然後在向後遍歷點，直至找到黑色的點，繼續以上的步驟。最後通過每個字元的四個點進行切割

　　圖中紅色的點就是程式碼執行完後，標識出的每個字元的四個點，然後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，程式碼認為他是一個字元，所以我們需要對每個字元的寬度進行檢測，如果他的寬度過寬，我們就認為他是兩個粘連在一起的字元，並將它在從中間切割

　　確定每個字元的四個點程式碼：

def cfs(im,x_fd,y_fd):
 '''用佇列和集合記錄遍歷過的畫素座標代替單純遞迴以解決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,-1)]#四鄰域

 while not q.empty():
  x,y=q.get()

  for xoffset,yoffset in offsets:
   x_neighbor,y_neighbor = x+xoffset,y+yoffset

   if (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 + 1
 xmin = x_fd
 ymax = y_fd + 1
 ymin = y_fd

 else:
 xmax = max(xaxis)
 xmin = min(xaxis)
 ymax = max(yaxis)
 ymin = min(yaxis)
 #ymin,ymax=sort(yaxis)

 return ymax,ymin,xmax,xmin

def detectFgPix(im,xmax):
 '''搜尋區塊起點
 '''

 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_fd

def CFS(im):
 '''切割字元位置
 '''

 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座標,這裡是初始化
 for i in range(10):

  try:
   x_fd,y_fd = detectFgPix(im,xmax)
   # print(y_fd,x_fd)
   xmax,xmin,ymax,ymin=cfs(im,y_fd)
   L = xmax - xmin
   H = ymax - ymin
   zoneL.append(L)
   zoneWB.append([xmin,xmax])
   zoneHB.append([ymin,ymax])

  except TypeError:
   return zoneL,zoneWB,zoneHB

 return zoneL,zoneHB

　　分割粘連字元程式碼：

# 切割的位置
  im_position = CFS(im)

  maxL = max(im_position[0])
  minL = min(im_position[0])

  # 如果有粘連字元，如果一個字元的長度過長就認為是粘連字元，並從中間進行切割
  if(maxL > minL + minL * 0.7):
  maxL_index = im_position[0].index(maxL)
  minL_index = im_position[0].index(minL)
  # 設定字元的寬度
  im_position[0][maxL_index] = maxL // 2
  im_position[0].insert(maxL_index + 1,maxL // 2)
  # 設定字元X軸[起始，終點]位置
  im_position[1][maxL_index][1] = im_position[1][maxL_index][0] + maxL // 2
  im_position[1].insert(maxL_index + 1,[im_position[1][maxL_index][1] + 1,im_position[1][maxL_index][1] + 1 + maxL // 2])
  # 設定字元的Y軸[起始，終點]位置
  im_position[2].insert(maxL_index + 1,im_position[2][maxL_index])

  # 切割字元，要想切得好就得配置引數，通常 1 or 2 就可以
  cutting_img(im,im_position,1,1)

　　切割粘連字元程式碼：

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

識別

　　識別用的是typesseract庫，主要識別一行字元和單個字元時的引數設定，識別中英文的引數設定，程式碼很簡單就一行，我這裡大多是filter檔案的操作

　　程式碼：

# 識別驗證碼
  cutting_img_num = 0
  for file in os.listdir('./out_img'):
  str_img = ''
  if fnmatch(file,'%s-cutting-*.jpg' % img_name.split('.')[0]):
   cutting_img_num += 1
  for 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') #單個字元是10，一行文字是7
  except Exception as err:
   pass
  print('切圖：%s' % cutting_img_num)
  print('識別為：%s' % str_img)

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

　　無需切割字元識別的效果：

　　需要切割字元的識別效果：

　　這種只是能夠識別簡單驗證碼，複雜的驗證碼還要靠大家了

　　參考資料：

　　　　1、https://www.jb51.net/article/141621.htm

　　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，我再新增

　　使用方法：

　　　1、將要識別的驗證碼圖片放入與指令碼同級的img資料夾中，建立out_img資料夾
　　　2、python3 filename
　　3、二值化、降噪等各個階段的圖片將儲存在out_img資料夾中，最終識別結果會列印到螢幕上

　　最後附上原始碼（帶切割，不想要切割的就自己修改吧）：

from PIL import Image
from pytesseract import *
from fnmatch import fnmatch
from queue import Queue
import matplotlib.pyplot as plt
import cv2
import time
import os





def clear_border(img,img_name):
 '''去除邊框
 '''

 filename = './out_img/' + img_name.split('.')[0] + '-clearBorder.jpg'
 h,h):
  # if y ==0 or y == w -1 or y == w - 2:
  if y < 4 or y > w -4:
  img[x,y] = 255
  # if x == 0 or x == h - 1 or x == h - 2:
  if x < 4 or x > h - 4:
  img[x,img)
 return img


def interference_line(img,img_name):
 '''
 干擾線降噪
 '''

 filename = './out_img/' + img_name.split('.')[0] + '-interferenceline.jpg'
 h,img)
 return img

def interference_point(img,y = 0):
 """點降噪
 9鄰域框,img)
 return img

def _get_dynamic_binary_image(filedir,img_name):
 '''
 自適應閥值二值化
 '''

 filename = './out_img/' + img_name.split('.')[0] + '-binary.jpg'
 img_name = filedir + '/' + img_name
 print('.....' + img_name)
 im = cv2.imread(img_name)
 im = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)

 th1 = cv2.adaptiveThreshold(im,th1)
 return th1

def _get_static_binary_image(img,threshold = 140):
 '''
 手動二值化
 '''

 img = Image.open(img)
 img = img.convert('L')
 pixdata = img.load()
 w,h = img.size
 for y in range(h):
 for x in range(w):
  if pixdata[x,y] < threshold:
  pixdata[x,y] = 0
  else:
  pixdata[x,y] = 255

 return img


def cfs(im,zoneHB


def cutting_img(im,cropped)



def main():
 filedir = './easy_img'

 for file in os.listdir(filedir):
 if fnmatch(file,'*.jpeg'):
  img_name = file

  # 自適應閾值二值化
  im = _get_dynamic_binary_image(filedir,img_name)

  # 去除邊框
  im = clear_border(im,img_name)

  # 對圖片進行干擾線降噪
  im = interference_line(im,img_name)

  # 對圖片進行點降噪
  im = interference_point(im,img_name)

  # 切割的位置
  im_position = CFS(im)

  maxL = max(im_position[0])
  minL = min(im_position[0])

  # 如果有粘連字元，如果一個字元的長度過長就認為是粘連字元，並從中間進行切割
  if(maxL > minL + minL * 0.7):
  maxL_index = im_position[0].index(maxL)
  minL_index = im_position[0].index(minL)
  # 設定字元的寬度
  im_position[0][maxL_index] = maxL // 2
  im_position[0].insert(maxL_index + 1,1)

  # 識別驗證碼
  cutting_img_num = 0
  for file in os.listdir('./out_img'):
  str_img = ''
  if fnmatch(file,i)
   # 識別驗證碼
   str_img = str_img + image_to_string(Image.open(file),config='-psm 10') #單個字元是10，一行文字是7
  except Exception as err:
   pass
  print('切圖：%s' % cutting_img_num)
  print('識別為：%s' % str_img)

if __name__ == '__main__':
 main()

以上就是Python實現驗證碼識別的詳細內容，更多關於Python驗證碼識別的資料請關注我們其它相關文章！