Python验证码识别

大致介绍

　　在python爬虫爬取某些网站的验证码的时候可能会遇到验证码识别的问题，现在的验证码大多分为四类：

　　　　1、计算验证码

 　　     2、滑块验证码

　　　　3、识图验证码

　　　　4、语音验证码

　　主要写的就是识图验证码，识别的是简单的验证码，要想让识别率更高，识别的更加准确就需要花很多的精力去训练自己的字体库。

　　识别验证码通常是这几个步骤：

　　　　1、灰度处理

　　　　2、二值化

　　　　3、去除边框（如果有的话）

　　　　4、降噪

　　　　5、切割字符或者倾斜度矫正

　　　　6、训练字体库

　　　　7、识别

　　这6个步骤中前三个步骤是基本的，4或者5可根据实际情况选择是否需要，并不一定切割验证码，识别率就会上升很多有时候还会下降

　　用到的几个主要的python库： Pillow(python图像处理库)、OpenCV(高级图像处理库)、pytesseract(识别库)

灰度处理&二值化

　　灰度处理，就是把彩色的验证码图片转为灰色的图片。

　　二值化，是将图片处理为只有黑白两色的图片，利于后面的图像处理和识别

　　在OpenCV中有现成的方法可以进行灰度处理和二值化，处理后的效果：

　　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

去除边框

　　如果验证码有边框，那我们就需要去除边框，去除边框就是遍历像素点，找到四个边框上的所有点，把他们都改为白色，我这里边框是两个像素宽

　　注意：在用OpenCV时，图片的矩阵点是反的，就是长和宽是颠倒的

　　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：

降噪

　　降噪是验证码处理中比较重要的一个步骤，我这里使用了点降噪和线降噪

　　线降噪的思路就是检测这个点相邻的四个点（图中标出的绿色点），判断这四个点中是白点的个数，如果有两个以上的白色像素点，那么就认为这个点是白色的，从而去除整个干扰线，但是这种方法是有限度的，如果干扰线特别粗就没有办法去除，只能去除细的干扰线

　　代码：

 1 # 干扰线降噪
 2 def interference_line(img, img_name):
 3   filename =  './out_img/'