python 验证码识别

Python验证码识别的法子,python验证码辨识

本文实例陈述了Python验证码识别的秘技。分享给我们供大家参照他事他说加以考察。具体落到实处情势如下:

#encoding=utf-8
import Image,ImageEnhance,ImageFilter
import sys
image_name = "./22.jpeg"
#去处 干扰点
im = Image.open(image_name)
im = im.filter(ImageFilter.MedianFilter())
enhancer = ImageEnhance.Contrast(im)
im = enhancer.enhance(2)
im = im.convert('1')
#im.show() #测试查看
s = 12   #启始 切割点 x
t = 2    #启始 切割点 y
w = 10   #切割 宽 +y
h = 15   #切割 长 +x
im_new = []
for i in range(4): #验证码切割
  im1 = im.crop((s+w*i+i*2,t,s+w*(i+1)+i*2,h))
  im_new.append(im1)
#im_new[0].show()#测试查看
xsize, ysize = im_new[0].size
gd = []
for i in range(ysize):
  tmp=[]
  for j in range(xsize):
    if( im_new[0].getpixel((j,i)) == 255 ):
      tmp.append(1)
    else:
      tmp.append(0)
  gd.append(tmp)
#看效果
for i in range(ysize):
  print gd[i]

可望本文所述对我们的Python程序设计具备扶助。

本文实例叙述了Python验证码辨识的点子。分享给我们供大家参照他事他说加以考察。具体落到实处情势如下:
#encoding=…

Python验证码识别,python验证码

Python网址验证码识别,python验证码识别

0x00 识别涉及本事

验证码辨识涉及比很多方面包车型客车剧情。动手难度大,可是出手后,可拓宽性又十一分广阔,可玩性极强,成就感也很足。

验证码图像管理

验证码图像识别工夫主若是操作图片内的像素点,通过对图片的像素点实行一连串的操作,最后输出验证码图像内的各类字符的文本矩阵。

读取图片
图形降噪
图片切割
图像文本输出

验证字符识别

验证码内的字符识别首要以机器学习的归类算法来完结,近些日子自己所运用的字符识别的算法为KNN(K相近算法)和SVM
(辅助向量机算法),前边作者 会对那三个算法的适用场景进行详细描述。

得到字符矩阵
矩阵步入分拣算法
输出结果

涉及的Python库

本次研讨入眼选择了以下那多少个库

numpy(数学管理库)
Image(图像管理库)
ImageEnhance(图像管理库)

验证码识别技艺难关

验证码辨识由两片段组成,分别是验证码图片管理和验证码字符学习。

在编码进程中,小编认为难度最大的有个别是识别算法的求学和利用。
在写文书档案的时候,小编觉着难度最大的部分是图像管理部分,图像管理局地要求对抗各样困扰因素,对抗分化品种的验证码要求区别的算法支持,由此图像管理程序须求对种种验证码具体难题具体分析,不可能抱有大而全的构思,必得重视细节管理。

0x01 学习与识别

验证码识其他进度分成读书进度与识别进程

学习

图片 1

识别

图片 2

图片 3

上海体育地方代码运用的是SVM的识别进度

0x02 图像管理

验证码图像管理脑图

图片 4

如上图所示,验证码图像管理模块是贰个构造规整、内部分支复杂的模块,整个验证码识别准确率全靠这些模块,可谓是整整验证码辨识的向来。如
上文所说,图像管理模块玩的是图片内的每多个像素百度百科:像素,由此那些模块好上手。

图片 5

地方这两句便足以张开八个图像对象,im对象放置大多措施有意思味能够查看Image库源码也许参考Python
Imaging Library Handbook
图片扩张相比较度、锐化、调度亮度、二值化,那四块是比较规整的模块,管理调用库函数就能够。上面重要说说图片降噪和清楚单像素苦恼线。

图片清除噪点

图片降噪的法规是运用9宫格内新闻点(消息像素,一般通过预管理的音讯像素为月光蓝)。

图片 6

上海体育场所酱色部分为(x,y),单像素噪点管理时分别证实周边的三个点是或不是为深海蓝,假若为白色就可以推断(x,y)为噪点。同理双像素噪点需求思索七个像
素的排列是横向照旧纵向恐怕是斜向,之后判定其附近十三个像素是不是均为紫色像素就能够。同理三像素噪点也是这样,笔者尝试的气象三像素噪点不包含横向排列和纵向排列。

图片清除苦恼线

对此单像素的苦恼线近日能够消除,可是小幅度面干扰线则会爆发判定上的基值误差,目前倒霉化解。

图片 7

上航海用教室的搅扰线为单像素,因而通过算法就可以缓慢解决。

图片 8

干扰线管理后的图纸如上海体育场面所示。

图片切割

对此去噪后的图样,大家供给对图纸实行切割,切割的目标是为着提取新闻,方便把图纸中的数字转化为01试样的文件。
小编所使用的切割格局是投影法.

图片 9

如上海教室所示,对于切割数字3,首先须要找到垂线A和B,判定步骤是:纵向从左向右扫描图片,找到第一条含有信息点的直线记为A,继续向右扫描,
当从A起先,找到第一条无新闻点的直线记为B,从阴影的角度来看,A与B之间X轴上的黑影的新闻值均大于0,切割A与B之间的图像后,以新图像为
基础,搜索C与D,至此便可切割出数字3。

图表切割近来得以仅可对非粘连字符进行切割,对于粘连字符,小编的前后相继并未能很好的拍卖。

消息输出

当获得了切割好的图片,由于图片独有玛瑙红与铁蓝,因而遍历每贰个像素点,根据像素点的颜料来举办0,1输出,一般感到石绿像素输出1,茄皮紫像素
输出0。

图片 10

0x03 识别算法概述

字符识别算法全部流程很好领悟,譬如,字符像素文本A步向识别算法,通过对算法的结果实行判定,便能够达成辨认进度。小编实践了二种识别算
法,第一种是KNN算法,第三种是SVM算法,下边笔者将以私家的角度来论述下那三种算法的规律以及适用场景,个人水平有限,算法细节能够参谋小编之后给出的链接。

KNN(K附近算法)

KNN算法是一种简易的算法,KNN算法基本思考是把数据转载为点,通过测算两点之间的偏离来举办剖断。
在n维度下,两点间距离能够象征为 S =
math.sqrt((x1-y1)^2+(x2-y2)^2+.+(xn-yn)^2)。

SVM(援助向量机)

SVM算法相相比较KNN算法来讲,原理上要复杂复杂的多,SVM算法基本思虑是把数量转载为点,通过把点映射到n维空间上,通过n-1维的超平面
切割,找到最好切割超平面,通过推断点在超平面包车型大巴哪一端,来推断点属于哪类字符。

图片 11

可是SVM算法的风味只好在两类其中比较,因而把字符识别运用到该算法上,还须求在比较进程中加以二个遍历算法,遍历算法能够削减大气无效计算,遍历的气象是贰个有向无环图。

算法细节文书档案链接

jerrylead 的blog : Machine Learning
支撑向量机通俗导论(驾驭SVM的三层境界)

0x04 识别算法适用场景

KNN与SVM的适用场景存在一定分裂。

KNN算法在运作进度上的话,并官样文章学习进程,只是遍历已知分类开展距离上的判别,遵照待测数据与已知分类实行比较,寻找与待测距离近期的n个数据来开展相称,因而当已分类的范本更增添,KNN算法的运算时间会越来越长。

SVM算法在运作进度中,是存在学习的进程的,通过对已知分类标签举行两两组合,寻觅每一个组合的切割方程。待测数据只须求三个贰个谋算切割方程,依据切割方程的再次来到值来决断下贰个实施的是哪位方程就能够。0-9数字的决断,只必要试行9次方程总括就能够。SVM多类分类方法

因而即使广泛识别验证码,笔者提出适用SVM作为识别算法。

0x05 实施细节注意事项

那部分内容是自身所碰着的主题材料。

准则化图像

当切割的验证码以数字表今后文件里,他们的像素是各分裂的,须求把这一个规范,笔者选用原则在27*30像素是一个经历值。其余,还索要把新图
像放置在准绳像素的正大旨。

图片 12

动用SVM创设超平面方程

SVM算法的首若是寻找切割方程,首先供给把待决断的二种因素存入到dataArr和labelArr中,通smoP方程寻觅b和阿尔法s。

图片 13

动用方程组预测——遍历dag图

出于svm是二分类器,只可以推断是仍然不是,只必要选择k一1个决策函数就可以得出结果,官样文章误分、拒分区域;别的,由于其优良的构造,故有早晚的容错性,分类精度较一般的二叉树方法高。

对于0123456789 共12个字符
共有45种非重复组合。利用dag只需推断9次就能够寻觅目的。

图片 14

0x06 实践总括

使用机械学习算法时,要是不知晓贯彻原理,先直接套接口,可想而知先完成效果与利益,不必强求对算法的根技艺略。

  1. 分辨算法是通用的。

拍卖分裂验证码,应该有例外的拍卖政策。

测量检验开掘,重要耗费时间产生在营造方程进程中,塑造方程耗费时间105s,识别1s。

图像去噪时对于大幅面包车型客车困扰线未有好的消除办法(烦扰线宽度大于3像素)。 6.
图像切割在面前蒙受图像粘连时,前段时间无很好的拍卖措施。

详解Python验证码辨识,详解python验证码

开端写过一个刷校内网的人气的工具,Java的(现在再也十三分Java程序了),里面用到了验证码辨识,这段代码不是本身要好写的:-)
校内的求证是全然单色未有别的干挠的验证码,识别起来比较便于,可是从这段代码中得以看到主旨的验证码辨识格局。这段时间在写叁个先后的时候必要识别验证码,因为程序是Python写的本来盘算用Python举办验证码的辨识。

先前没用Python管理过图像,不太了然PIL(Python Image
Library)的用法,这段日子看了看PIL,开采它太壮大了,几乎和ImageMagic,PS能够相比了。(这里有PIL不错的文书档案)

鉴于地点的验证码是25位的jpeg图像,并且包涵了噪点,所以大家要做的正是去噪和去色,笔者拿PS找了张验证码试了试,使用PS滤镜中的去噪效果勉强能够,
可是没有在PIL找到去噪的函数,后来发觉中值过滤后得以去掉大多数的噪点,况且PIL里有现有的函数,接下去自身试着直接把图像调换为单色,结果发掘依然会有不过的噪点留了下来,因为中值过滤时把无数噪点淡化了,但改换为音色时这几个噪点又被强化展现了,于是在中值过滤后对图像亮度进行加强拍卖,然后再调换为单色,那样验证码图片就变得相比便于辨别了:

上边那些管理利用Python才几行:

im = Image.open(image_name)
im = im.filter(ImageFilter.MedianFilter())
enhancer = ImageEnhance.Contrast(im)
im = enhancer.enhance(2)
im = im.convert('1')
im.show()

接下去就是提取那个数字的字样,使用shell脚本下载100幅图片,收取三张图片获取字模:

#!/usr/bin/env python
#encoding=utf-8
import Image,ImageEnhance,ImageFilter
import sys
image_name = "./images/81.jpeg"
im = Image.open(image_name)
im = im.filter(ImageFilter.MedianFilter())
enhancer = ImageEnhance.Contrast(im)
im = enhancer.enhance(2)
im = im.convert('1')
#im.show()
#all by pixel
s = 12 #start postion of first number
w = 10 #width of each number
h = 15 #end postion from top
t = 2 #start postion of top
im_new = []
#split four numbers in the picture
for i in range(4):
im1 = im.crop((s+w*i+i*2,t,s+w*(i+1)+i*2,h))
im_new.append(im1)
f = file("data.txt","a")
for k in range(4):
l = []
#im_new[k].show()
for i in range(13):
for j in range(10):
if (im_new[k].getpixel((j,i)) == 255):
l.append(0)
else:
l.append(1)
f.write("l=[")
n = 0
for i in l:
if (n%10==0):
f.write("/n")
f.write(str(i)+",")
n+=1
f.write("]/n")

把字模保存为list,用于接下去的协作;

领到完字模后剩下来的便是对亟待处理的图片举行与数据库中的字模进行相配了,基本的思路便是看相应点的重合率,不过由于噪点的熏陶在对(6,8)
(8,3)(5,9)的相当时轻巧失误,作者自个儿针对已部分100幅图片数据搜罗进行深入分析,采纳了双向相配(图片与字模分别作为重头戏),做了半天的测量检验终于
能够兑现百分之百的识别率。

#!/usr/bin/env python
#encoding=utf-8
import Image,ImageEnhance,ImageFilter
import Data
DEBUG = False
def d_print(*msg):
global DEBUG
if DEBUG:
for i in msg:
print i,
print
else:
pass
def Get_Num(l=[]):
min1 = []
min2 = []
for n in Data.N:
count1=count2=count3=count4=0
if (len(l) != len(n)):
print "Wrong pic"
exit()
for i in range(len(l)):
if (l[i] == 1):
count1+=1
if (n[i] == 1):
count2+=1
for i in range(len(l)):
if (n[i] == 1):
count3+=1
if (l[i] == 1):
count4+=1
d_print(count1,count2,count3,count4)
min1.append(count1-count2)
min2.append(count3-count4)
d_print(min1,"/n",min2)
for i in range(10):
if (min1[i] <= 2 or min2[i] <= 2):
if ((abs(min1[i] - min2[i])) <10):
return i
for i in range(10): 
if (min1[i] <= 4 or min2[i] <= 4):
if (abs(min1[i] - min2[i]) <= 2):
return i
for i in range(10):
flag = False
if (min1[i] <= 3 or min2[i] <= 3):
for j in range(10):
if (j != i and (min1[j] <5 or min2[j] <5)):
flag = True
else:
pass
if (not flag):
return i
for i in range(10): 
if (min1[i] <= 5 or min2[i] <= 5):
if (abs(min1[i] - min2[i]) <= 10):
return i
for i in range(10):
if (min1[i] <= 10 or min2[i] <= 10):
if (abs(min1[i] - min2[i]) <= 3):
return i
#end of function Get_Num
def Pic_Reg(image_name=None):
im = Image.open(image_name)
im = im.filter(ImageFilter.MedianFilter())
enhancer = ImageEnhance.Contrast(im)
im = enhancer.enhance(2)
im = im.convert('1')
im.show()
#all by pixel
s = 12 #start postion of first number
w = 10 #width of each number
h = 15 #end postion from top
t = 2 #start postion of top
im_new = []
#split four numbers in the picture
for i in range(4):
im1 = im.crop((s+w*i+i*2,t,s+w*(i+1)+i*2,h))
im_new.append(im1)
s = ""
for k in range(4):
l = []
#im_new[k].show()
for i in range(13):
for j in range(10):
if (im_new[k].getpixel((j,i)) == 255):
l.append(0)
else:
l.append(1)
s+=str(Get_Num(l))
return s
print Pic_Reg("./images/22.jpeg")

此间再提一下验证码辨识的核心方式:截图,二值化、中值滤波去噪、分割、紧缩重排(让高矮统一)、字库特征相配识别。
那边只是对准一般的验证码,高端验证码的辨别这里有篇不错的稿子,太复杂的话涉及的事物就多了,那作者就没兴趣了,人工智能(好恐怖),小编只喜欢简单的事物。

 先写上三个轻巧无脑操作的辨别

大概介绍

  在python爬虫爬取有个别网址的验证码的时候或许会凌驾验证码辨识的主题素材,以后的验证码好多分为四类:

    1、总计验证码

        2、滑块验证码

    3、识图验证码

    4、语音验证码

  那篇博客首要写的正是识图验证码,识其他是轻松的验证码,要想让识别率越来越高,识其余一发纯粹就要求花非常的多的精力去陶冶本身的字体库。

  识别验证码日常是那多少个步骤:

    1、灰度管理

    2、二值化

    3、去除边框(借使局地话)

    4、降噪

    5、切割字符大概倾斜度订正

    6、磨炼字体库

    7、识别

  那6个步骤中前四个步骤是主导的,4依旧5可依附实际情形采取是或不是要求,并不一定切割验证码,识别率就能够回涨相当多一时还有大概会减弱

  那篇博客不关乎陶冶字体库的剧情,请自行检索。一样也不上课基础的语法。

  用到的多少个第一的python库:
Pillow(python图像管理库)、OpenCV(高档图像管理库)、pytesseract(识别库)

  

 

您大概感兴趣的篇章:

  • Python验证码辨识的秘籍
  • Python验证码辨识管理实例
  • 详解Python验证码辨识

0x00
识别涉及才具验证码识别涉及众多上面的剧情。入手难度大,可是出手后,可拓宽性又不行布满…

你只怕感兴趣的稿子:

  • Python验证码辨识的艺术
  • Python验证码辨识管理实例
  • Python网址验证码识别

从前写过三个刷校内网的名气的工具,Java的(未来再也丰硕Java程序了),里面用到了验证码辨识,那…

"""
需要安装
pillow、pytesseract、tesseract-ocr
windows testeract-ocr安装失败方法:
https://www.cnblogs.com/hupeng1234/p/7136442.html
"""

import pytesseract
from PIL import Image
image = Image.open('wm.gif')
pytesseract.pytesseract.tesseract_cmd = r'D:\Program Files (x86)\Tesseract-OCR\tesseract.exe'
vcode = pytesseract.image_to_string(image)
print(vcode)

灰度管理&二值化

  灰度管理,就是把五花八门的验证码图片转为石黄的图纸。

  二值化,是将图片管理为独有黑白两色的图纸,利于前边的图像管理和辨识

  在OpenCV中有现存的艺术能够扩充灰度管理和二值化,管理后的效果与利益:

  图片 15

 

  代码:

 1 # 自适应阀值二值化
 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

 

 后续会补上一个职业版的

除去边框

  如若验证码有边框,那大家就要求去除边框,去除边框正是遍历像素点,找到多个边框上的全部一点点,把他们都改为浅灰,作者那边边框是三个像素宽

  注意:在用OpenCV时,图片的矩阵点是反的,正是长和宽是颠倒的

  代码:

# 去除边框
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:

图片 16

降噪

  降噪是验证码管理中相当的重大的一个手续,作者那边运用了点降噪和线降噪

  图片 17

  线降噪的思绪正是检验这一个点隔壁的多少个点(图中标明的中湖蓝点),推断这八个点中是白点的个数,固然有四个以上的反革命像素点,那么就以为那些点是木色的,进而去除整个搅扰线,不过这种格局是有限度的,假诺苦恼线极度粗就不曾艺术去除,只好去除细的搅扰线

  代码:

 1 # 干扰线降噪
 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矩阵点是反的
 6   # img[1,2] 1:图片的高度,2:图片的宽度
 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

 

  点降噪的思路和线降噪的比非常多,只是会指向差异的地点检查实验的点不雷同,注释写的很了然了

  代码:

# 点降噪
def interference_point(img,img_name, x = 0, y = 0):
    """
    9邻域框,以当前点为中心的田字框,黑点个数
    :param x:
    :param y:
    :return:
    """
    filename =  './out_img/' + img_name.split('.')[0] + '-interferencePoint.jpg'
    # todo 判断图片的长宽度下限
    cur_pixel = img[x,y]# 当前像素点的值
    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:  # 左上顶点,4邻域
                # 中心点旁边3个点
                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:  # 右上顶点
                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:  # 最上非顶点,6邻域
                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:  # 左下顶点
                # 中心点旁边3个点
                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:  # 右下顶点
                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:  # 最下非顶点,6邻域
                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不在边界
            if x == 0:  # 左边非顶点
                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:  # 右边非顶点
                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:  # 具备9领域条件的
                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:

图片 18

 

  其实到了这一步,那么些字符就能够辨认了,没要求开展字符切割了,以后那三体系型的验证码识别率已经达到百分之五十上述了

 

字符切割

  字符切割常常用于验证码中有结合的字符,粘连的字符不佳识别,所以大家要求将整合的字符切割为单个的字符,在进展鉴定分别

  字符切割的思绪正是找到一个黄铜色的点,然后在遍历与她相邻的土红的点,直到遍历完全数的连接起来的绛紫的点,寻找那么些点中的参天的点、最低的点、最左边的点、最左边的点,记录下那三个点,以为这是二个字符,然后在向后遍历点,直至找到木色的点,继续以上的步调。末了经过各类字符的八个点开展切割

  图片 19

  图中革命的点正是代码试行完后,标记出的每一个字符的多少个点,然后就能够依照这四个点实行切割(图中画的有一些标称误差,懂就好)

  然则也能够观看,m2是整合的,代码感到他是一个字符,所以大家须要对各类字符的急剧举办检查实验,假如他的增长幅度过宽,大家就感到她是四个粘连在一同的字符,并将它在从中间切割

  显明每一个字符的四个点代码:

def cfs(im,x_fd,y_fd):
  '''用队列和集合记录遍历过的像素坐标代替单纯递归以解决cfs访问过深问题
  '''

  # 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)]#四邻域

  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  # 已经访问过了

          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):
  '''搜索区块起点
  '''

  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=[]#各区块长度L列表
  zoneWB=[]#各区块的X轴[起始,终点]列表
  zoneHB=[]#各区块的Y轴[起始,终点]列表

  xmax=0#上一区块结束黑点横坐标,这里是初始化
  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

 

  分割粘连字符代码:

      # 切割的位置
      im_position = CFS(im)

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

      # 如果有粘连字符,如果一个字符的长度过长就认为是粘连字符,并从中间进行切割
      if(maxL > minL + minL * 0.7):
        maxL_index = im_position[0].index(maxL)
        minL_index = im_position[0].index(minL)
        # 设置字符的宽度
        im_position[0][maxL_index] = maxL // 2
        im_position[0].insert(maxL_index + 1, maxL // 2)
        # 设置字符X轴[起始,终点]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])
        # 设置字符的Y轴[起始,终点]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参数,通常 1 or 2 就可以
      cutting_img(im,im_position,img_name,1,1)

 

  切割粘连字符代码:

def cutting_img(im,im_position,img,xoffset = 1,yoffset = 1):
  filename =  './out_img/' + img.split('.')[0]
  # 识别出的字符个数
  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:

图片 20 

 

  识别

  识别用的是typesseract库,首要辨认一行字符和单个字符时的参数设置,识别中克罗地亚语的参数设置,代码很简短就一行,笔者那边大概是filter文件的操作

  代码:

      # 识别验证码
      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)
          # 识别字符
          str_img = str_img + image_to_string(Image.open(file),lang = 'eng', config='-psm 10') #单个字符是10,一行文本是7
        except Exception as err:
          pass
      print('切图:%s' % cutting_img_num)
      print('识别为:%s' % str_img)

  

  最后这种粘连字符的识别率是在十分二左右,并且这种只是管理四个字符粘连,假使有多个以上的字符粘连还不可能分辨,不过依据字符宽度判别的话也简单,有意思味的能够试一下

  没有须求切割字符识其他效果:

 图片 21图片 22

 

  须要切割字符的甄别成效:

图片 23图片 24

 

 

  这种只是能够分辨简单验证码,复杂的验证码还要靠大家了

  参照他事他说加以考察资料:

    1、

  本来参谋了挺多的质感,可是时间长了就找不到了,假如有人开掘了,可以告知自己,笔者再加多

  使用格局:

 

    1、将在识别的验证码图片放入与剧本同级的img文件夹中,创建out_img文件夹
    2、python3 filename
    3、二值化、降噪等相继阶段的图样将积攒在out_img文件夹中,最后识别结果会打字与印刷到荧屏上

 

  最后附上源码(带切割,不想要切割的就和煦修改吧):

图片 25

  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   '''去除边框
 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   干扰线降噪
 36   '''
 37 
 38   filename =  './out_img/' + img_name.split('.')[0] + '-interferenceline.jpg'
 39   h, w = img.shape[:2]
 40   # !!!opencv矩阵点是反的
 41   # img[1,2] 1:图片的高度,2:图片的宽度
 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     """点降噪
 60     9邻域框,以当前点为中心的田字框,黑点个数
 61     :param x:
 62     :param y:
 63     :return:
 64     """
 65     filename =  './out_img/' + img_name.split('.')[0] + '-interferencePoint.jpg'
 66     # todo 判断图片的长宽度下限
 67     cur_pixel = img[x,y]# 当前像素点的值
 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:  # 左上顶点,4邻域
 74                 # 中心点旁边3个点
 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:  # 右上顶点
 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:  # 最上非顶点,6邻域
 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:  # 左下顶点
 99                 # 中心点旁边3个点
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:  # 右下顶点
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:  # 最下非顶点,6邻域
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不在边界
124             if x == 0:  # 左边非顶点
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:  # 右边非顶点
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:  # 具备9领域条件的
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   自适应阀值二值化
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   手动二值化
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   '''用队列和集合记录遍历过的像素坐标代替单纯递归以解决cfs访问过深问题
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)]#四邻域
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  # 已经访问过了
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   '''搜索区块起点
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=[]#各区块长度L列表
257   zoneWB=[]#各区块的X轴[起始,终点]列表
258   zoneHB=[]#各区块的Y轴[起始,终点]列表
259 
260   xmax=0#上一区块结束黑点横坐标,这里是初始化
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   # 识别出的字符个数
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       # 自适应阈值二值化
302       im = _get_dynamic_binary_image(filedir, img_name)
303 
304       # 去除边框
305       im = clear_border(im,img_name)
306 
307       # 对图片进行干扰线降噪
308       im = interference_line(im,img_name)
309 
310       # 对图片进行点降噪
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       # 如果有粘连字符,如果一个字符的长度过长就认为是粘连字符,并从中间进行切割
320       if(maxL > minL + minL * 0.7):
321         maxL_index = im_position[0].index(maxL)
322         minL_index = im_position[0].index(minL)
323         # 设置字符的宽度
324         im_position[0][maxL_index] = maxL // 2
325         im_position[0].insert(maxL_index + 1, maxL // 2)
326         # 设置字符X轴[起始,终点]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         # 设置字符的Y轴[起始,终点]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参数,通常 1 or 2 就可以
333       cutting_img(im,im_position,img_name,1,1)
334 
335       # 识别验证码
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           # 识别验证码
345           str_img = str_img + image_to_string(Image.open(file),lang = 'eng', config='-psm 10') #单个字符是10,一行文本是7
346         except Exception as err:
347           pass
348       print('切图:%s' % cutting_img_num)
349       print('识别为:%s' % str_img)
350 
351 if __name__ == '__main__':
352   main()

View Code

 

大概介绍
在python爬虫爬取有个别网址的验证码的时候大概会超出验证码识其他主题材料,未来的验证码非常多分为四…

相关文章