验证码识别

图片下载

首先是下载素材图片

# coding:utf-8
import requests


def downloads_pic(path,name):
    url = "http://www.xxx/"
    pic = requests.get(url, stream=True)
    # save file
    with open(path + name + '.png', 'wb') as _stream :
        for chunk in pic.iter_content(1024):
            if chunk:
                _stream.write(chunk)
                _stream.flush()
        _stream.close()
pass
# 执行下载
for i in range(20):
    file_name = "%03d" % (i+1)
    downloads_pic('./hundr/', file_name)
pass

下载好图片后如下图

观察图片

如下图所示，每个字符的颜色是固定的，位置也是固定的(多张图对比)


其中字符’w’可以得出一个字符占的宽度，’p’可以得出高度
从图片中可以分析出该验证码图片的生成原理:

1. 固定4个区域(6,3,19,20),之后宽度13一个一个取
2. 同时每个字符生成的颜色也是固定的，没有渐变
3. 可以简单的推断图片先是生成背景，然后随机产生干扰点，再在图片上绘画字体,生成标量的图片，所以没有颜色的渐变，处理起来更加简单

那么思路就很清楚了

1. 通过位置分割4块小的区域得到子图片
2. 每个子图片查找到字体的颜色进行二值化

查找字体颜色可以通过计算颜色直方图找出占比最大的颜色，又由于背景色的存在，所以需要先统计全张图片的颜色得到背景色，然后在子图片中剔除掉背景颜色即可得到

处理图片

先将图片分割成4块小的图片，然后通过直方图二值化图片，最后转换成字符串特征(因为处理的结果是精确结果,所以不需要分类,本文这里粗处理一下)

# coding:utf-8
# python:2.7.x
from PIL import Image
from collections import defaultdict
import os
import os.path

def get_histogram(img):
    # 统计最多出现次数
    dicts = defaultdict(int)
    pixels = img.load()
    for x in range(img.width):
        for y in range(img.height):
            col = pixels[x,y]
            dicts[col] += 1
    # 排序
    return sorted(dicts.iteritems(), key=lambda d: d[1], reverse=True)
pass

def thresholding(img, _threshold):
    # 指定阈值二值化
    _str = ""
    pixels = img.load()
    for x in range(img.width):
        for y in range(img.height):
            _str += "1" if(pixels[x, y] == _threshold) else "0"
            # just for view it.
            pixels[x, y] = (255, 0, 0, 0) if(pixels[x, y] == _threshold) else (255, 255, 255, 0)
            # 255-前景为红色,0-背景黑色,这里修改了,下面一处必须修改
    return _str
pass

def handle_image(filename, out_im_list=None):
    # 处理图像: 分割并二值化,返回4个特征码的list
    # 读取文件
    im = Image.open(filename)
    # 统计全局背景
    bk_col, tmp = get_histogram(im)[0]
    # 切成4块
    im_list = []
    for i in range(4):
        box = (6 + i * 13, 3, 19 + i * 13, 20)
        im_list.append(im.crop(box))
    # 统计4块区域直方图二值化
    cc_str = []
    for i in range(4):
        _hist = get_histogram(im_list[i])
        # 去掉背景
        k, v = _hist[0]
        if k == bk_col:
            _hist.remove((k, v))
        threshold, v = _hist[0]
        # 简单保存到字符串里
        cc_str.append(thresholding(im_list[i], threshold))
        # im_list[i].save("%s_%d.png" % i)
        if out_im_list is not None:
            out_im_list.append(im_list[i])
    return cc_str
pass

特征码识别

处理一张图片得到4个特征码，每个特征码对应了一个字符，那么哪个特征码对应哪个字符呢？对于该问题，肯定不能一个一个取对应(虽然只有26个字符+10个数字字符)，这里我想了一个简单的实现方式处理该问题：

1. 绑定特征码到二值化后的子图像
2. 通过处理N个样本，得到全部已存在的特征码，合成全部特征码对应的子图像
3. 通过肉眼观察合成的图片，人去识别里面的字符(仅需几秒)，得到一个字符串
4. 程序通过该字符串可以一一对应到特征码关系，读取图片然后比较特征码得出验证码
5. *这步不是必须的，按照a-z0-9顺序重新排列图片然后合成图片生成特征码图片作为参考

在这个过程中，程序是可以知道每张图片对应了哪4个特征码，但是这些特征码程序并不知道意味着什么，所以需要人去翻译特征码与验证码(a-z0-9)的关系，然后程序就可以准确的返回对应的验证码

合成图片

def merge_cc(path):
    # 自动合成指定目录里的特征码为一副图片
    # 手动识别修改配置文件里的 file->
    cc_str_list = []
    im = Image.new("RGBA", (13 * 6, 17 * 6))
    for parent, dirname, filename in os.walk(path):
        for f_name in filename:
            # 仅遍历path
            im_list = []
            # 获取特征码 此处简易实现
            cc_str = handle_image(os.path.join(parent, f_name), im_list)
            # 去掉重复的然后贴到图片上
            for i in range(4):
                if cc_str[i] in cc_str_list:
                    continue
                # print cc_str[i]  # 输出特征码
                cc_str_list.append(cc_str[i])
                # 合成图片
                index = len(cc_str_list) + 5
                x, y = (index % 6, int(index / 6) - 1)
                im.paste(im_list[i], (x * 13, y * 17))
    im.save(os.path.join(parent, "merge.png"))
pass

重建验证-特征码图片

def reduce_cc(filename, cc_str):
    # 根据提供的字符串重新排列图片得到标准图片
    # 切割图片
    im = Image.open(filename)
    save_im = Image.new("RGBA", (13 * 6, 17 * 6))
    im_list = []
    for j in range(6):
        for i in range(6):
            im_list.append(im.crop((13 * i, 17 * j, 13 * (i + 1), 17 * (j + 1))))
    # 通过字符串重新排序
    codes = list(cc_code)
    idx = 0
    for s in cc_str:
        index = codes.index(s) + 6
        x, y = (index % 6, int(index / 6) - 1)
        save_im.paste(im_list[idx], (x * 13, y * 17))
        idx += 1
    # 保存文件
    save_im.save("reduce.png")
pass

调用方式

# 分析验证码并合并
# merge_cc("2027")
# 重新排序图片,使图片与文字产生联系(一一对应)
# reduce_cc("merge.png", "nt5dwps39qy8hmax7fge24zbkr6c")
# reduce_cc("merge.png", "64xyd59febnk3pc27hszmaqwtg8r")

加载特征码-验证码图片

def load_cc_tab(out_cc_tab):
    # 通过标准图片得到对应的验证码表
    im = Image.open("cc.png")
    for j in range(6):
        for i in range(6):
            _im = im.crop((13 * i, 17 * j, 13 * (i + 1), 17 * (j + 1)))
        # 获取cc码
            out_cc_tab.append(thresholding(_im, (255, 0, 0, 255)))
pass

读取文件并进行识别

def recognise_from_file(filename, cc_tab):
    # 读取图片文件识别验证码
    # cc_tab -- 识别表
    # 返回IM句柄用于输出未识别验证码(人工优化)
    im_list = []
    rc_code = [] # 返回验证码
    cc_str = handle_image(filename, im_list)
    for i in range(4):
        if cc_str[i] in cc_tab:
            index = cc_tab.index(cc_str[i])
            rc_code.append(cc_code[index])
        else:
            # 输出图片到err目录
            im_list[i].save("./err/%s.png" %
                            ''.join(random.sample('abcdefghijklmnopqrstuvwxyz', 5)))
            print "have one cannot recognised."
    return rc_code
pass

简单的测试

def test(path):
    # 简单测试: 将指定目录所有文件进行识别并修改文件名为验证码
    cc_tab = []
    load_cc_tab(cc_tab)
    for parent, dirname, filename in os.walk(path):
        for f_name in filename:
            rc = recognise_from_file(
                os.path.join(parent, f_name), cc_tab)
            str_filename = ''.join(rc) + '_'\
                           + ''.join(random.sample('abcdefghijklmnopqrstuvwxyz', 2))\
                           + '_.png'
            os.rename(
                os.path.join(parent, f_name),
                os.path.join(parent, str_filename)
            )
            print ''.join(rc)
pass

结果

合成特征码图片结果如下：

重新排序特征码图片：

测试的识别结果

相关资源下载

http://t.cn/RVEYEKM

一些说明

1. 图片合成是按照6*6设置的，因为26个字母加上10个数字正好36
2. 图片转换特征码粗暴的将二值化(0,255)转换为01字串，很粗暴，也意味着简单
3. 可以将特征码(13*17)压缩为28字节,然后再hash映射到一个字节(能表达36个)
4. 本文的验证码识别不具有通用性，只是特定的图片特定的处理，仅仅提供思路，因为讲道理所有的图片验证码都是程序生成的，都是有迹可循的
5. 由于是精确的图片处理，所以本文没用到常规的图片处理，以及分类器。
6. 本文仅供研究使用，严禁用于他途