字符型验证码识别

字符型验证码

1. 什么是验证码

在开发爬虫的过程中会遇到一种常见的反爬措施，验证码。验证码（CAPTCHA）是“Completely Automated Public Turing test to tell Computers and Humans Apart”（全自动区分计算机和人类的图灵测试）的缩写，是一种区分用户是计算机还是人的公共全自动程序。

2. pillow

Python传统的图像处理库PIL(Python Imaging Library )，可以说基本上是Python处理图像的标准库，功能强大，使用简单。

官方文档：https://pillow.readthedocs.io/en/latest/installation.html

Pillow的安装比较的简单，直接pip安装即可：

pip install Pillow

由于是继承自PIL的分支，所以Pillow的导入是这样的：

import PIL 
# 或者
from PIL import Image

3.常用属性

PIL.Image.filename
图像源文件的文件名或者路径，只有使用open()方法创建的对象有这个属性。
类型：字符串
PIL.Image.format
图像源文件的文件格式。
PIL.Image.mode
图像的模式，一般来说是“1”, “L”, “RGB”, 或者“CMYK” 。
PIL.Image.size
图像的大小
PIL.Image.width
图像的宽度
PIL.Image.height
图像的高度
PIL.Image.info
图像的一些信息，为字典格式

字符串验证码的处理

这是code.png

4.1 灰度化

一张图片由很多像素点构成，一个像素点的颜色是由RGB三个值来表现的
R=G=B 这个值就叫做灰度值白色255 黑色0

R * 0.3 +G * 0.59 + B * 0.11

from PIL import Image
image = Image.open('code.png')
im = image.convert('L')
im.show()

效果如下

4.2 二值化

先灰度在二值化

利用一个阈值来判断一个图像的像素点是0还是255，小于阈值像素点就变为0，大于阈值像素点编程255

常用阈值选择的方法是：

灰度平局值法：取127 （0~255的中数，（0+255）/2 = 127）

平均值法：

计算像素点矩阵中的所有像素点的灰度值的平均值avg

from PIL import Image
def binazing(image):
    '''
    对图片进行灰度和二值化
    :param image:
    :return:
    '''
    image = image.convert('L')
    # 增强对比度
    image = image.point(lambda x: 1.2 * x)
    w,h = image.size
    # print(w,h)
    ### 二值化
    pixdata = image.load()
    for i in range(h):
        for j in range(w):

            if pixdata[j,i] > 170:
                pixdata[j,i] = 255
            else:
                pixdata[j, i] = 0
    return image
if __name__ == '__main__':
    image = Image.open('code.png')
    image = binazing(image)
    image.show()

效果如下

4.3 降噪

经过了二值化处理，整个图片像素就被分为了两个值0和255，如果一个像素点是图片或者干扰因素的一部分，那么她的灰度值一定是0（黑色），如果一个点是背景，其灰度值应该是255，白色

所以对于孤立的噪点，他的周围应该都是白色，或者大多数点都是白色的，所以在判断的时候条件应该放宽，一个点是黑色并且相邻的点为白色的点的个数大于一个固定的值，那么这个点就是噪点。

说白了就是一个黑点周围都是白色的就是噪点

def depoint(image):
    '''
    对图片进行降噪
    :param image:
    :return:
    '''
    pixdata = image.load()
    w,h = image.size
    for y in range(1,h-1):
        for x in range(1,w-1):
            count = 0 # 用来判断是否达到噪点的要求
            # 一个点的八个方向，就是3X3矩阵中，噪点是5的位置
            # 245是可以变的值，但最好不要是250以上
            if pixdata[x,y-1] >245:
                count =count +1
            if pixdata[x,y+1] >245:
                count =count +1
            if pixdata[x-1,y] >245:
                count =count +1
            if pixdata[x+1,y] >245:
                count =count +1
            if pixdata[x-1, y - 1] > 245:
                count = count + 1
            if pixdata[x+1, y + 1] > 245:
                count = count + 1
            if pixdata[x - 1, y+1] > 245:
                count = count + 1
            if pixdata[x + 1, y-1] > 245:
                count = count + 1
            if count>4:
                pixdata[x,y] =255
    return image

效果如下

识别

下面是用比较古老的pytesser3识别验证码

github地址：https://github.com/tesseract-ocr/tesseract/wiki

下载地址：https://github.com/UB-Mannheim/tesseract/wiki

注意记得添加环境变量

新建TESSDATA_PREFIX 环境变量

cmd下可以运行tesseract

安装

pip install pytesseract

只需要就可以了

pytesseract.image_to_string(image)

最终识别出来了，TBQ还有一个L没有识别出来，这是我调了很多次的对比度最好的结果

6. 反思

对于需要准确度高的识别，需要使用百度的api，而不是使用传统的方法。

一直原创，从未转载

请认准我，将我置标

转发，好看支持一下，感谢