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，識別的更加准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，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，利於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_name
5 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] = 255
if x < 2 or x > h -2:
img[x, y] = 255
cv2.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] = 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 + 1])
if sum <= 2 * 245:
img[x, y] = 0
else: # 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] = 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]) \
+ 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]) \
+ 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 + 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] = 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]) \
+ int(img[x + 1, y - 1]) \
+ int(img[x + 1, y]) \
+ int(img[x + 1, y + 1])
if sum <= 3 * 245:
img[x, y] = 0
elif 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] = 0
else: # 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] = 0
cv2.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
字符切割通常用於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，並將它在從中間切割
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+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_fd
def 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 - xmin
H = ymax - ymin
zoneL.append(L)
zoneWB.append([xmin,xmax])
zoneHB.append([ymin,ymax])
except TypeError:
return zoneL,zoneWB,zoneHB
return 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，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)
# 設置字符的寬度
im_position[0][maxL_index] = maxL // 2
im_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 // 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] - 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)
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 = 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') #單個字符是10，一行文本是7
except Exception as err:
pass
print('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）：
1 from PIL import Image
2 from pytesseract import *
3 from fnmatch import fnmatch
4 from queue import Queue
5 import matplotlib.pyplot as plt
6 import cv2
7 import time
8 import os
9
10
11
12
13
14 def clear_border(img,img_name):
15 '''去除邊框
16 '''
17
18 filename = './out_img/' + img_name.split('.')[0] + '-clearBorder.jpg'
19 h, w = img.shape[:2]
20 for y in range(0, w):
21 for x in range(0, h):
22 # if y ==0 or y == w -1 or y == w - 2:
23 if y < 4 or y > w -4:
24 img[x, y] = 255
25 # if x == 0 or x == h - 1 or x == h - 2:
26 if x < 4 or x > h - 4:
27 img[x, y] = 255
28
29 cv2.imwrite(filename,img)
30 return img
31
32
33 def interference_line(img, img_name):
34 '''
35 干擾線降噪
36 '''
37
38 filename = './out_img/' + img_name.split('.')[0] + '-interferenceline.jpg'
39 h, w = img.shape[:2]
40 # ！！！opencv矩陣點是反的
41 # img[1,2] 1:圖片的高度，2：圖片的寬度
42 for y in range(1, w - 1):
43 for x in range(1, h - 1):
44 count = 0
45 if img[x, y - 1] > 245:
46 count = count + 1
47 if img[x, y + 1] > 245:
48 count = count + 1
49 if img[x - 1, y] > 245:
50 count = count + 1
51 if img[x + 1, y] > 245:
52 count = count + 1
53 if count > 2:
54 img[x, y] = 255
55 cv2.imwrite(filename,img)
56 return img
57
58 def interference_point(img,img_name, x = 0, y = 0):
59 """點降噪
60 9鄰域框,以當前點為中心的田字框,黑點個數
61 :param x:
62 :param y:
63 :return:
64 """
65 filename = './out_img/' + img_name.split('.')[0] + '-interferencePoint.jpg'
66 # todo 判斷圖片的長寬度下限
67 cur_pixel = img[x,y]# 當前像素點的值
68 height,width = img.shape[:2]
69
70 for y in range(0, width - 1):
71 for x in range(0, height - 1):
72 if y == 0: # 第一行
73 if x == 0: # 左上頂點,4鄰域
74 # 中心點旁邊3個點
75 sum = int(cur_pixel) \
76 + int(img[x, y + 1]) \
77 + int(img[x + 1, y]) \
78 + int(img[x + 1, y + 1])
79 if sum <= 2 * 245:
80 img[x, y] = 0
81 elif x == height - 1: # 右上頂點
82 sum = int(cur_pixel) \
83 + int(img[x, y + 1]) \
84 + int(img[x - 1, y]) \
85 + int(img[x - 1, y + 1])
86 if sum <= 2 * 245:
87 img[x, y] = 0
88 else: # 最上非頂點,6鄰域
89 sum = int(img[x - 1, y]) \
90 + int(img[x - 1, y + 1]) \
91 + int(cur_pixel) \
92 + int(img[x, y + 1]) \
93 + int(img[x + 1, y]) \
94 + int(img[x + 1, y + 1])
95 if sum <= 3 * 245:
96 img[x, y] = 0
97 elif y == width - 1: # 最下面一行
98 if x == 0: # 左下頂點
99 # 中心點旁邊3個點
100 sum = int(cur_pixel) \
101 + int(img[x + 1, y]) \
102 + int(img[x + 1, y - 1]) \
103 + int(img[x, y - 1])
104 if sum <= 2 * 245:
105 img[x, y] = 0
106 elif x == height - 1: # 右下頂點
107 sum = int(cur_pixel) \
108 + int(img[x, y - 1]) \
109 + int(img[x - 1, y]) \
110 + int(img[x - 1, y - 1])
111
112 if sum <= 2 * 245:
113 img[x, y] = 0
114 else: # 最下非頂點,6鄰域
115 sum = int(cur_pixel) \
116 + int(img[x - 1, y]) \
117 + int(img[x + 1, y]) \
118 + int(img[x, y - 1]) \
119 + int(img[x - 1, y - 1]) \
120 + int(img[x + 1, y - 1])
121 if sum <= 3 * 245:
122 img[x, y] = 0
123 else: # y不在邊界
124 if x == 0: # 左邊非頂點
125 sum = int(img[x, y - 1]) \
126 + int(cur_pixel) \
127 + int(img[x, y + 1]) \
128 + int(img[x + 1, y - 1]) \
129 + int(img[x + 1, y]) \
130 + int(img[x + 1, y + 1])
131
132 if sum <= 3 * 245:
133 img[x, y] = 0
134 elif x == height - 1: # 右邊非頂點
135 sum = int(img[x, y - 1]) \
136 + int(cur_pixel) \
137 + int(img[x, y + 1]) \
138 + int(img[x - 1, y - 1]) \
139 + int(img[x - 1, y]) \
140 + int(img[x - 1, y + 1])
141
142 if sum <= 3 * 245:
143 img[x, y] = 0
144 else: # 具備9領域條件的
145 sum = int(img[x - 1, y - 1]) \
146 + int(img[x - 1, y]) \
147 + int(img[x - 1, y + 1]) \
148 + int(img[x, y - 1]) \
149 + int(cur_pixel) \
150 + int(img[x, y + 1]) \
151 + int(img[x + 1, y - 1]) \
152 + int(img[x + 1, y]) \
153 + int(img[x + 1, y + 1])
154 if sum <= 4 * 245:
155 img[x, y] = 0
156 cv2.imwrite(filename,img)
157 return img
158
159 def _get_dynamic_binary_image(filedir, img_name):
160 '''
161 自適應閥值二值化
162 '''
163
164 filename = './out_img/' + img_name.split('.')[0] + '-binary.jpg'
165 img_name = filedir + '/' + img_name
166 print('.....' + img_name)
167 im = cv2.imread(img_name)
168 im = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)
169
170 th1 = cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1)
171 cv2.imwrite(filename,th1)
172 return th1
173
174 def _get_static_binary_image(img, threshold = 140):
175 '''
176 手動二值化
177 '''
178
179 img = Image.open(img)
180 img = img.convert('L')
181 pixdata = img.load()
182 w, h = img.size
183 for y in range(h):
184 for x in range(w):
185 if pixdata[x, y] < threshold:
186 pixdata[x, y] = 0
187 else:
188 pixdata[x, y] = 255
189
190 return img
191
192
193 def cfs(im,x_fd,y_fd):
194 '''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
195 '''
196
197 # print('**********')
198
199 xaxis=[]
200 yaxis=[]
201 visited =set()
202 q = Queue()
203 q.put((x_fd, y_fd))
204 visited.add((x_fd, y_fd))
205 offsets=[(1, 0), (0, 1), (-1, 0), (0, -1)]#四鄰域
206
207 while not q.empty():
208 x,y=q.get()
209
210 for xoffset,yoffset in offsets:
211 x_neighbor,y_neighbor = x+xoffset,y+yoffset
212
213 if (x_neighbor,y_neighbor) in (visited):
214 continue # 已經訪問過了
215
216 visited.add((x_neighbor, y_neighbor))
217
218 try:
219 if im[x_neighbor, y_neighbor] == 0:
220 xaxis.append(x_neighbor)
221 yaxis.append(y_neighbor)
222 q.put((x_neighbor,y_neighbor))
223
224 except IndexError:
225 pass
226 # print(xaxis)
227 if (len(xaxis) == 0 | len(yaxis) == 0):
228 xmax = x_fd + 1
229 xmin = x_fd
230 ymax = y_fd + 1
231 ymin = y_fd
232
233 else:
234 xmax = max(xaxis)
235 xmin = min(xaxis)
236 ymax = max(yaxis)
237 ymin = min(yaxis)
238 #ymin,ymax=sort(yaxis)
239
240 return ymax,ymin,xmax,xmin
241
242 def detectFgPix(im,xmax):
243 '''搜索區塊起點
244 '''
245
246 h,w = im.shape[:2]
247 for y_fd in range(xmax+1,w):
248 for x_fd in range(h):
249 if im[x_fd,y_fd] == 0:
250 return x_fd,y_fd
251
252 def CFS(im):
253 '''切割字符位置
254 '''
255
256 zoneL=[]#各區塊長度L列表
257 zoneWB=[]#各區塊的X軸[起始，終點]列表
258 zoneHB=[]#各區塊的Y軸[起始，終點]列表
259
260 xmax=0#上一區塊結束黑點橫坐標,這里是初始化
261 for i in range(10):
262
263 try:
264 x_fd,y_fd = detectFgPix(im,xmax)
265 # print(y_fd,x_fd)
266 xmax,xmin,ymax,ymin=cfs(im,x_fd,y_fd)
267 L = xmax - xmin
268 H = ymax - ymin
269 zoneL.append(L)
270 zoneWB.append([xmin,xmax])
271 zoneHB.append([ymin,ymax])
272
273 except TypeError:
274 return zoneL,zoneWB,zoneHB
275
276 return zoneL,zoneWB,zoneHB
277
278
279 def cutting_img(im,im_position,img,xoffset = 1,yoffset = 1):
280 filename = './out_img/' + img.split('.')[0]
281 # 識別出的字符個數
282 im_number = len(im_position[1])
283 # 切割字符
284 for i in range(im_number):
285 im_start_X = im_position[1][i][0] - xoffset
286 im_end_X = im_position[1][i][1] + xoffset
287 im_start_Y = im_position[2][i][0] - yoffset
288 im_end_Y = im_position[2][i][1] + yoffset
289 cropped = im[im_start_Y:im_end_Y, im_start_X:im_end_X]
290 cv2.imwrite(filename + '-cutting-' + str(i) + '.jpg',cropped)
291
292
293
294 def main():
295 filedir = './easy_img'
296
297 for file in os.listdir(filedir):
298 if fnmatch(file, '*.jpeg'):
299 img_name = file
300
301 # 自適應閾值二值化
302 im = _get_dynamic_binary_image(filedir, img_name)
303
304 # 去除邊框
305 im = clear_border(im,img_name)
306
307 # 對圖片進行干擾線降噪
308 im = interference_line(im,img_name)
309
310 # 對圖片進行點降噪
311 im = interference_point(im,img_name)
312
313 # 切割的位置
314 im_position = CFS(im)
315
316 maxL = max(im_position[0])
317 minL = min(im_position[0])
318
319 # 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，並從中間進行切割
320 if(maxL > minL + minL * 0.7):
321 maxL_index = im_position[0].index(maxL)
322 minL_index = im_position[0].index(minL)
323 # 設置字符的寬度
324 im_position[0][maxL_index] = maxL // 2
325 im_position[0].insert(maxL_index + 1, maxL // 2)
326 # 設置字符X軸[起始，終點]位置
327 im_position[1][maxL_index][1] = im_position[1][maxL_index][0] + maxL // 2
328 im_position[1].insert(maxL_index + 1, [im_position[1][maxL_index][1] + 1, im_position[1][maxL_index][1] + 1 + maxL // 2])
329 # 設置字符的Y軸[起始，終點]位置
330 im_position[2].insert(maxL_index + 1, im_position[2][maxL_index])
331
332 # 切割字符，要想切得好就得配置參數，通常 1 or 2 就可以
333 cutting_img(im,im_position,img_name,1,1)
334
335 # 識別驗證碼
336 cutting_img_num = 0
337 for file in os.listdir('./out_img'):
338 str_img = ''
339 if fnmatch(file, '%s-cutting-*.jpg' % img_name.split('.')[0]):
340 cutting_img_num += 1
341 for i in range(cutting_img_num):
342 try:
343 file = './out_img/%s-cutting-%s.jpg' % (img_name.split('.')[0], i)
344 # 識別驗證碼
345 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7
346 except Exception as err:
347 pass
348 print('切圖：%s' % cutting_img_num)
349 print('識別為：%s' % str_img)
350
351 if __name__ == '__main__':
352 main()
不要在該奮斗的年紀選擇了安逸
本文轉自:http://www.cnblogs.com/qqandfqr/p/7866650.html