由於公司需要，最近開始學習驗證碼的識別
我選用的是tesseract-ocr進行識別，據說以前是惠普公司開發的排名前三的，現在開源了。到目前為止已經出到3.0.2了
當然了，前期我們還是需要對驗證碼進行一些操作，讓他對機器更友好，這樣才能提高識別率。
步驟基本上是這樣的
第一步對驗證碼進行灰度圖以及二值化
需要用到pil庫可以pip下載
代碼如下
def binarization(image): #轉成灰度圖 imgry = image.convert('L') #二值化，閾值可以根據情況修改 threshold = 128 table = [] for i in range(256): if i < threshold: table.append(0) else: table.append(1) out = imgry.point(table, '1') return out
接着是去噪，因為我研究的驗證碼基本不需要去噪，所以省略，需要去噪的小伙伴們，請自行谷歌。
還有傾斜度調整，推薦使用旋轉卡殼算法
原理是對圖片進行-30度到30度的旋轉，寬度最大的一般就是正的了。(網上這樣說的，我試過了，對大部分是可以，小部分如c啥的貌似效果不好)
歸一化
可以用腐蝕算法對驗證碼進行細化
腐蝕算法請自行谷歌。
第二步對驗證碼進行切割
對不同的驗證碼有不同的算法
目前我只研究了這幾種
一
垂直像素直方圖
原理是根據每個x的黑塊數量進行切割，黑塊數量大於某個值開始切割，小於某個值結束切割。適用於驗證碼之間有間隔或者間隔較大的，對那種粘連在一起的驗證碼效果不好。
二
平均分割法
原理是找到黑塊開始出現的x，y軸和黑塊不出現的x，y軸，切割。然后平均分割成n等分。適用於驗證碼大小比較固定的，對粘連在一起的驗證碼效果比上一種方法要好一點。
三
波谷分割法
原理和垂直像素直方圖類似，記錄每個x的黑塊數量，找到局部的極小值，切割。適用於驗證碼之間有間隔或者間隔較大的，對那種粘連在一起的驗證碼效果比垂直像素直方圖要好。
四
滴水算法
原理是模擬水滴的流動，記錄水滴的流動路徑，然后進行切割。要注意的是，起始點的確定很重要，對那種粘連在一起的驗證碼效果很好。
以上的四種算法以后我會將代碼貼在另一個隨筆里
第三步對驗證碼進行識別
終於到了重頭戲了
需要導入pytesser，調用image_to_string(image)即可識別。
不過識別率實在是低的可憐。
所以需要我們對機器進行訓練。
下面簡要介紹下如果對機器進行訓練。
首先下載tesseract-ocr，必須的沒有怎么識別對吧。
找盡量多的驗證碼，最好是二值化后的或者按照上面的步驟切割下來的。
下載jTessBoxEditor選擇Tools中的merge-tiff，選擇要訓練的圖片，按下shift選擇多個，然后保存起來名字如下[lang].[fontname].exp[num].tif
生成 .box文件
tesseract ec.ufont.exp0.tif ec.ufont.exp0 batch.nochop makebox
然后可以通過jTessBoxEditor的Box Editor進行調整可以一張張調整。
以下摘自http://www.cnblogs.com/wolfray/p/5547267.html
為了方便 ，將tif命名格式設為[lang].[fontname].exp[num].tif
lang是語言
fontname是字體
比如我們要訓練自定義字庫 ec 字體名:unfont
那么我們把tif文件重命名 ec.ufont.exp0.tif
生成 .box文件
tesseract ec.ufont.exp0.tif ec.ufont.exp0 batch.nochop makebox
使用訓練過的字庫生成.box文件
tesseract ec.ufont.exp0.tif ec.ufont.exp0 -l ufont batch.nochop makebox
然后寫一個腳本批量運行以下命令
腳本內容如下
num.font.exp0.tif應該改成你自己的文件名字
rem 執行改批處理前先要目錄下創建font_properties文件 echo Run Tesseract for Training.. tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train echo Compute the Character Set.. unicharset_extractor.exe num.font.exp0.box mftraining -F font_properties.txt -U unicharset -O num.unicharset num.font.exp0.tr echo Clustering.. cntraining.exe num.font.exp0.tr echo Rename Files.. rename normproto num.normproto rename inttemp num.inttemp rename pffmtable num.pffmtable rename shapetable num.shapetable echo Create Tessdata.. combine_tessdata.exe num.
1. 產生字符特征文件 .tr
tesseract ec.ufont.exp0.tif ec.ufont.exp0 nobatch box.train
這一步將會產生 ec.ufont.exp0.tr文件和一個 ec.ufont.exp0.txt文件,txt文件貌似沒什么用，看看而以。
2.計算字符集(生成unicharset文件）
unicharset_extractor ec.ufont.exp0.box
3.定義字體特征文件
—Tesseract-OCR3.01以上的版本在訓練之前需要創建一個名稱為font_properties.txt的字體特征文件
手工建立一個文件font_properties.txt
內容如：ufont 0 0 0 0 0
注意:這里 必須與訓練名中的名稱保持一致,填入下面內容 ,這里全取值為0，表示字體不是粗體、斜體等等。
4.聚集字符特征
1) shapeclustering -F font_properties.txt -U unicharset ec.ufont.exp0.tr
注意：如果font_properties不加擴展名.txt，可能會報錯
2) mftraining -F font_properties.txt -U unicharset -O ufont.unicharset ec.ufont.exp0.tr
使用上一步產生的字符集文件unicharset，來生成當前新語言的字符集文件ec.unicharset。同時還會產生圖形原型文件inttemp和每個字符所對應的字符
特征數文件pffmtable。最重要的就是這個inttemp文件了，他包含了所有需要產生的字的圖形原型。
3)cntraining ec.ufont.exp0.tr
這一步產生字符形狀正常化特征文件normproto。
shapeclustering 操作不是必須的，若沒有進行此步，在mftraining的時候 會自動進行。
5.改名字
把目錄下的unicharset、inttemp、pffmtable、shapetable、normproto這五個文件前面都加上ufont.
6.執行combine_tessdata ufont.
然后把ufont.traineddata放到tessdata目錄
7.測試
必須確定的是第type 1、3、4、5的數據不是-1，那么一個新的字典就算生成了。
tesseract ec.ufont.exp0.tif papapa -l ufont
tesseract也提出，通過使用多個語言訓練庫聯合使用。如此，新的字體訓練庫也可以與原有的數據訓練庫聯合使用。如參數 -l 之后 tesseract input.tif output -l eng+newfont。
cntraining和mftraining只能最多采用32個.tr文件，因此，對於相同的字體，你必須從多種語言中，以字體獨立的方式，將所有的文件cat到一起來讓32種語言結合在一起。cntraining/mftraining以及unicharset_extractor命令行工具必須各自由給定的.tr和.box文件，以相同的順序，為不同的字體進行不同的過濾。可以提供一個程序來完成以上的事情，並在字符集表中挑出相同字符集。這樣會將事情更簡單些。
寫批處理bat命令的時候，要靈活使用excel里面的填充功能。
最后記錄下訓練時遇到的問題
tesseract.exe eng.font.exp0.tif eng.font.exp0 nobatch box.train
運行上述命令是可能會遇到could not find a matching blob問題
請調整你的box大小，或者更換圖片
在此隨便解釋下box里面的值的含義
第一個是識別出的值+空格+box起始x坐標+空格+不知道什么鬼的坐標，貌似不是起始y坐標+空格+box終點x坐標即起始x坐標加上寬度+空格+起始y坐標加上高度
一般來說如果調整了box大小都還報錯的話，建議換圖
另一個問題是運行
mftraining -F font_properties -U unicharset eng.font.exp0.tr
會報錯
改成運行
mftraining -F font_properties.txt -U unicharset eng.font.exp0.tr
就是font_proerties加上.txt
在這里感謝下很多大神在網站的解答和記錄，對我的學習起了很大的作用。謝謝。