基於SVM的python簡單實現驗證碼識別

 

驗證碼識別是一個適合入門機器學習的項目，之前用knn 做過一個很簡單的，這次用svm來實現。svm直接用了開源的庫libsvm。驗證碼選的比較簡單，代碼也寫得略亂，大家看看就好。

 

1. 爬取驗證碼圖片

import urllib
from urllib import request


def download_pics(pic_name):
    url = 'http://smart.gzeis.edu.cn:8081/Content/AuthCode.aspx'
    res = request.urlopen(url)
    get_img = res.read()

    with open( 'D:\python\驗證碼\%s.jpg'%(pic_name),'wb') as f:
        f.write(get_img)

if __name__ == '__main__':
    for i in range(100):
        pic_name = i
        download_pics(pic_name)

 

 

2. 二值化

 接下來要做的工作就是二值化驗證碼，所謂二值化，就是將每一個像素點用0或1來表示，圖像的每個像素點都有rgb三個值，我們首先轉化成灰度圖，這樣每個像素點就只有一個灰度值了。接下來根據自己設定的閾值來確定每個像素點是該為0還是為1。

我的思路是首先將圖像轉化為array處理，當然完全可以直接圖像處理。

def binarization(im):  #二值化
    imgry = im.convert('L')
    imgry = np.array(imgry)  #將圖像轉化為數組
    height, width = imgry.shape
    #f = open('s.txt','w')
    for i in range(height):
        for j in range(width):
            gray = imgry[i,j]
            if gray <= 220:  #閾值設為220
                imgry[i, j] = 0
            else:
                imgry[i, j] = 1
            #f.write(str(imgry[i,j]))  #輸出到txt查看
        #f.write('\n')
    '''
    plt.figure('')
    plt.imshow(imgry, cmap='gray')
    plt.axis('off')
    plt.show()
    '''
    return imgry

在二值化處理之后，處理結果如下所示：

                   

在txt的結果如下所示，可以很明顯的看到0413：

 

3. 去除噪點

在二值化之后，還存在一個問題就是圖像之中還有許多黑點，這成為噪點，是干擾項，去除噪點有很多不同的方法，由於我只是一個小菜鳥，所以我就用了最簡單的8-鄰域去除噪點法。依次檢查每個像素點周圍8個點的情況，如果黑點少於閾值時，那么就可以認為該點是噪點。其實這樣的處理效果是比較差的，只是適用於去除小點，但是對於干擾線條這種可能就沒什么作用了。

def noiseReduction(imgry):  #去除噪點
    global dx, dy
    height, width = imgry.shape
    for i in range(height):
        for j in range(width):
            cnt = 0
            if imgry[i, j] == 1:  #白點不用管
                continue
            else:
                for k in range(8):
                    x = dx[k] + i
                    y = dy[k] + j
                    if x < 0 or x >= height or y < 0 or y >= width:
                        continue
                    if imgry[x, y] == 0:
                        cnt += 1
            if cnt < 4:  #周圍少於4點就算噪點
                imgry[i, j] = 1
    return imgry

處理之后可以明顯的看到黑點基本上都被處理掉了。

 

4. 圖片分割

 接下來要做的就是將這四個數字分割開來形成訓練集，這個操作並不難。因為這些驗證碼的位置都是差不多的，如果驗證碼字符位置比較亂的話就會比較麻煩。。

def cutImg(img):  #圖像切割
    s = 12
    w = 40
    h = 81
    t = 0
    cut_img = []
    for i in range(4):
        pic = img.crop((s + w * i, t, s + w * (i + 1), h))
        cut_img.append(pic)
    return cut_img

 

5. 圖片分類

這個步驟的目的就是人為的給訓練集打上標簽。 將相同的數字放在同一個文件夾下面。

             

 

6.  訓練模型

 訓練模型很簡單，因為直接就是使用libsvm庫，我們只需要按照數據格式生成一些特征值即可。在切割完圖片並保存之后，我發現我圖片的像素值有略微的改變，可能是重新保存了的原因，所有我這里又進行了一次二值化。。。

這里說明依稀libsvm數據格式的要求：

[label]   [index:value]   [index:value]   [index:value].....

每一個數據都是這樣的格式，label是標簽，[index:value]是數據的特征值，index就是從0開始的編號，value是特征值。

在這里對於每一張圖片，我就把特征值設為每行每列的黑點個數了。如第一個特征值就是第一行黑點個數。。。

import os
from PIL import *
from PIL import Image
import numpy as np
from libsvm.python.svmutil import *
from libsvm.python.svm import *


address = 'D:\python\驗證碼-sort\\'
f = open('train.txt', 'w')

def get_feature(dir, file):
    f.write(dir)
    im = Image.open(address + dir +'\\' + file)
    imarr = np.array(im)
    height, width = imarr.shape
    for i in range(height):
        for j in range(width):
            gray = imarr[i,j]
            if gray <= 150:
                imarr[i, j] = 0
            else:
                imarr[i, j] = 255
    im = Image.fromarray(imarr)
    count = 0
    width, height = im.size
    for i in range(height):
        c = 0
        for j in range(width):
            if im.getpixel((j, i)) == 0: c += 1
        f.write(' %d:%d'%(count, c))
        count += 1
    for i in range(width):
        c = 0
        for j in range(height):
            if im.getpixel((i, j)) == 0: c += 1
        f.write(' %d:%d'%(count, c))
        count += 1
    f.write('\n')

def train_svm_model():
    y, x = svm_read_problem('train.txt')
    model = svm_train(y, x)
    svm_save_model('model_file', model)

if __name__ == '__main__':
    dirs = os.listdir(address)
    for dir in dirs:
        files = os.listdir(address + dir)
        for file in files:
            get_feature(dir, file)
    train_svm_model()

 

7.  測試模型

 用測試數據對模型進行測試。

from libsvm.python.svmutil import *
from libsvm.python.svm import *
import image_slove

if __name__ == '__main__':
    model = svm_load_model('model_file')
    yt, xt = svm_read_problem('test.txt')
    p_label, p_acc, p_val = svm_predict(yt, xt, model)

還是不錯的，畢竟驗證碼很簡單。。。

 

8.  預測驗證碼

終於走到最后一步了，得到一張驗證碼后先按照之前的操作根據該圖片生成特征值，這里標簽還是需要的，可以隨便填一個，反正這個不重要。或許有別的方法，反正我暫時還不知道。

from libsvm.python.svmutil import *
from libsvm.python.svm import *
from PIL import Image
import image_slove

if __name__ == '__main__':
    '''
      在這里處理圖片生成特征值
    '''
    model = svm_load_model('model_file')
    yt, xt = svm_read_problem('predict.txt')
    p_label, p_acc, p_val = svm_predict(yt, xt, model)
    print('該驗證碼為：', end='')
    for label in p_label:
        print(int(label), end='')

最后成功的驗證出來了。

 

9.  總結

通過這個實驗對於驗證碼識別流程有了一定的了解，這次也是直接使用了支持向量機，后續需要稍微學習一下。