python驗證碼識別教程之灰度處理、二值化、降噪與tesserocr識別
我要評論
前言
寫爬蟲有一個繞不過去的問題就是驗證碼，現在驗證碼分類大概有4種：
- 圖像類
- 滑動類
- 點擊類
- 語音類
今天先來看看圖像類，這類驗證碼大多是數字、字母的組合，國內也有使用漢字的。在這個基礎上增加噪點、干擾線、變形、重疊、不同字體顏色等方法來增加識別難度。
相應的，驗證碼識別大體可以分為下面幾個步驟：
- 灰度處理
- 增加對比度(可選)
- 二值化
- 降噪
- 傾斜校正分割字符
- 建立訓練庫
- 識別
由於是實驗性質的，文中用到的驗證碼均為程序生成而不是批量下載真實的網站驗證碼，這樣做的好處就是可以有大量的知道明確結果的數據集。
當需要真實環境下需要獲取數據時，可以使用結合各個大碼平台來建立數據集進行訓練。
生成驗證碼這里我使用Claptcha （本地下載）這個庫，當然Captcha（本地下載）這個庫也是個不錯的選擇。
為了生成最簡單的純數字、無干擾的驗證碼，首先需要將claptcha.py的285行_drawLine做一些修改，我直接讓這個函數返回None，然后開始生成驗證碼：
|
1
2
3
4
|
from
claptcha
import
Claptcha
c
=
Claptcha(
"8069"
,
"/usr/share/fonts/truetype/freefont/FreeMono.ttf"
)
t,_
=
c.write(
'1.png'
)
|
這里需要注意ubuntu的字體路徑，也可以在網上下載其他字體使用。生成驗證碼如下：
可以看出，驗證碼有形變。對於這類最簡單的驗證碼，可以直接使用谷歌開源的tesserocr來識別。
首先安裝：
|
1
2
|
apt-get
install
tesseract-ocr libtesseract-dev libleptonica-dev
pip
install
tesserocr
|
然后開始識別：
|
1
2
3
4
5
6
7
|
from
PIL
import
Image
import
tesserocr
p1
=
Image.
open
(
'1.png'
)
tesserocr.image_to_text(p1)
'8069\n\n'
|
可以看出，對於這種簡單的驗證碼，基本什么都不做識別率就已經很高了。有興趣的小伙伴可以用更多的數據來測試，這里我就不展開了。
接下來，在驗證碼背景添加噪點來看看：
|
1
2
|
c
=
Claptcha(
"8069"
,
"/usr/share/fonts/truetype/freefont/FreeMono.ttf"
,noise
=
0.4
)
t,_
=
c.write(
'2.png'
)
|
生成驗證碼如下：
識別：
|
1
2
3
|
p2
=
Image.
open
(
'2.png'
)
tesserocr.image_to_text(p2)
'8069\n\n'
|
效果還可以。接下來生成一個字母數字組合的：
|
1
2
|
c2
=
Claptcha(
"A4oO0zZ2"
,
"/usr/share/fonts/truetype/freefont/FreeMono.ttf"
)
t,_
=
c2.write(
'3.png'
)
|
生成驗證碼如下：
第3個為小寫字母o，第4個為大寫字母O，第5個為數字0，第6個為小寫字母z，第7個為大寫字母Z，最后一個是數字2。人眼已經跪了有木有！但現在一般驗證碼對大小寫是不做嚴格區分的，看自動識別什么樣吧：
|
1
2
3
|
p3
=
Image.
open
(
'3.png'
)
tesserocr.image_to_text(p3)
'AMOOZW\n\n'
|
人眼都跪的計算機當然也廢了。但是，對於一些干擾小、形變不嚴重的，使用tesserocr還是十分簡單方便的。然后將修改的claptcha.py的285行_drawLine還原，看添加干擾線的情況。
|
1
2
3
|
p4
=
Image.
open
(
'4.png'
)
tesserocr.image_to_text(p4)
''
|
加了條干擾線就完全識別不出來了，那么有沒有什么辦法去除干擾線呢？
雖然圖片看上去是黑白的，但還需要進行灰度處理，否則使用load()函數得到的是某個像素點的RGB元組而不是單一值了。處理如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
def
binarizing(img,threshold):
"""傳入image對象進行灰度、二值處理"""
img
=
img.convert(
"L"
)
# 轉灰度
pixdata
=
img.load()
w, h
=
img.size
# 遍歷所有像素，大於閾值的為黑色
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
|
處理后的圖片如下：
可以看出處理后圖片銳化了很多，接下來嘗試去除干擾線，常見的4鄰域、8鄰域算法。所謂的X鄰域算法，可以參考手機九宮格輸入法，按鍵5為要判斷的像素點，4鄰域就是判斷上下左右，8鄰域就是判斷周圍8個像素點。如果這4或8個點中255的個數大於某個閾值則判斷這個點為噪音，閾值可以根據實際情況修改。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
|
def
depoint(img):
"""傳入二值化后的圖片進行降噪"""
pixdata
=
img.load()
w,h
=
img.size
for
y
in
range
(
1
,h
-
1
):
for
x
in
range
(
1
,w
-
1
):
count
=
0
if
pixdata[x,y
-
1
] >
245
:
#上
count
=
count
+
1
if
pixdata[x,y
+
1
] >
245
:
#下
count
=
count
+
1
if
pixdata[x
-
1
,y] >
245
:
#左
count
=
count
+
1
if
pixdata[x
+
1
,y] >
245
:
#右
count
=
count
+
1
if
pixdata[x
-
1
,y
-
1
] >
245
:
#左上
count
=
count
+
1
if
pixdata[x
-
1
,y
+
1
] >
245
:
#左下
count
=
count
+
1
if
pixdata[x
+
1
,y
-
1
] >
245
:
#右上
count
=
count
+
1
if
pixdata[x
+
1
,y
+
1
] >
245
:
#右下
count
=
count
+
1
if
count >
4
:
pixdata[x,y]
=
255
return
img
|
處理后的圖片如下：
好像……根本沒卵用啊？！確實是這樣的，因為示例中的圖片干擾線的寬度和數字是一樣的。對於干擾線和數據像素不同的，比如Captcha生成的驗證碼：
從左到右依次是原圖、二值化、去除干擾線的情況，總體降噪的效果還是比較明顯的。另外降噪可以多次執行，比如我對上面的降噪后結果再進行依次降噪，可以得到下面的效果：
再進行識別得到了結果：
|
1
2
3
|
p7
=
Image.
open
(
'7.png'
)
tesserocr.image_to_text(p7)
'8069 ,,\n\n'
|
另外，從圖片來看，實際數據顏色明顯和噪點干擾線不同，根據這一點可以直接把噪點全部去除，這里就不展開說了。
第一篇文章，先記錄如何將圖片進行灰度處理、二值化、降噪，並結合tesserocr來識別簡單的驗證碼，剩下的部分在下一篇文章中和大家一起分享。
總結
以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，如果有疑問大家可以留言交流，謝謝大家對腳本之家的支持。