python使用PIL，pytesseract识别验证码图片（2）

pytesseract虽然功能很强大，但是现在验证码图片也越来越复杂，仅仅使用pytesseract中的方法pytesseract.image_to_string()去识别往往无法获得正确的验证码，本篇文章主要介绍怎么利用Python的图像处理模块PIL和OCR模块pytesseract来识别稍复杂的验证码。

主要方法如下：

1.遍历存放验证码的文件夹，找到png或jpg文件

2.将图片进行灰度处理，转化为灰度图像，即每个像素只有一个采样颜色的图像

3.获取图片中像素点数量最多的像素，一般为背景图片的颜色，以该像素为阈值进行二值化处理，将灰度图像转换为黑白图像

4.去掉黑白图像中的噪声，噪声可根据图片进行自定义，本篇文章中定义为：以该点为中心的九宫格的黑点的数量小于等于4

5.利用pytesseract模块识别，去掉识别结果中的特殊字符，获得识别结果。

具体代码如下：

import pytesseract
from PIL import Image
import os
from collections import defaultdict

#tesseract.ext所在的文件路径
pytesseract.tesseract_cmd = 'D://Program Files (x86)/Tesseract-OCR/tesseract.exe'

#获取图片中像素点数量最多的像素，一般为背景图片
def get_threshold(image):
    '''
    defaultdict()在dict()的基础上添加了一个missing(key)的方法，
    在调用一个不存在的key的时候，defaultdict函数会调用“missing”，
    返回一个int,set,list,dict对应的默认数值，不会出现keyerror的情况。
    '''
    pixel_dict=defaultdict(int)
    #像素及像素出现次数的字典
    rows,cols=image.size
    for i in range(rows):
        for j in range(cols):
            pixel=image.getpixel((i,j))#检索指定坐标点的像素的RGB颜色值
            pixel_dict[pixel]+=1
    count_max=max(pixel_dict.values())#获取像素出现最多的次数
    pixel_dict_reverse={v:k for  k,v in pixel_dict.items()}# items()函数以列表返回可遍历的(键, 值) 元组数组   
    threshold=pixel_dict_reverse[count_max]#获取出现次数最多的像素点
    return threshold

#按照阈值进行二值化处理
#threshold:像素阈值
def get_bin_table(threshold):
    #获取灰度转二值的映射table
    table=[]
    for i in range(256):
        rate=0.1#在threshold的适当范围内进行处理
        if threshold*(1-rate)<=i<=threshold*(1+rate):
            table.append(1)
        else:
            table.append(0)
    return table

#去掉二值化处理后的图片中的噪声点
def cut_noise(image):
    rows,cols=image.size 
    change_pos=[]#记录噪声点的位置
    #遍历图片中的每个点，除掉边缘
    for i in range(1,rows-1):
        for j in range(1,cols-1):
            #pixel_set用来记录该点附近的黑色像素的数量
            pixel_set=[]
            #取该点的领域为该点附近的黑色像素的数量
            for m in range(i-1,i+2):
                for n in range(j-1,j+2):
                    if image.getpixel((m,n))!=1:#1为白色，0为黑色
                        pixel_set.append(image.getpixel((m,n)))
                        
            #如果该位置的九宫格内的黑色数量小于等于4，则判断为噪音
            if len(pixel_set)<=4:
                change_pos.append((i,j)) 
    #对相应位置进行像素修改，将噪声处的像素置为1（白色）
    for pos in change_pos:
        image.putpixel(pos,1)           
    return image #返回修改后的图片

#识别图片中的数字加字母
#传入参数为图片路径，返回结果为识别结果
def OCR_Img(img_path):
    image=Image.open(img_path)#打开图片文件
    imgry=image.convert('L')#转化为灰度图
    
    #获取图片中的出现次数最多的像素即为该图片的背景
    max_pixel=get_threshold(imgry)
    
    #将图片进行二值化处理，阈值为图片背景颜色
    table=get_bin_table(threshold=max_pixel)
    out=imgry.point(table,'1') #???
    
    #去掉图片中的噪声（孤立点）
    out=cut_noise(out)
    
    #保存图片
#     out.save('E://figures/img_gray.jpg')
    #仅识别图片中的数字
#     text=pytesseract.image_to_string(out,config='digits')
    #识别图片中的数字和字母
    text=pytesseract.image_to_string(out)
    
    #去掉识别结果中的特殊字符
    exclude_char_list='.:\\|\'\"?![],()~@#$%^&*_+-={};<>/¥‘ '
    text=''.join([x for x in text if x not in exclude_char_list])
    return text

       
def main():
    #识别指定文件目录下的图片
    #图片存放目录img
    dir='./img'
    correct_count=0 #图片总数
    total_count=0 #识别正确的图片数量
    #遍历img下的png,jpg文件
    for file in os.listdir(dir):
        if file.endswith('.png') or file.endswith('.jpg'):
            image_path='%s/%s'%(dir,file)#图片路径
            
            anwser=file.split('.')[0]#图片名称，即验证码的正确文字
            recognizition=OCR_Img(image_path)#图片识别的文字结果
            
            print((anwser,recognizition))
            if recognizition==anwser:
                correct_count+=1
            total_count+=1
    print('Total count:%d,correct:%d.'%(total_count,correct_count))


main()

测试验证码特意挑了5种不同类型的验证码，如图：

很遗憾运行结果只成功识别了2个：

('0480', '')
('101659', '101659')
('2HED', 'ZHED')
('3n3D', '')
('Python3WebSpider', 'Python3WebSpider')
Total count:5,correct:2.

结论：识别验证码还是需要根据不同的验证码采用不同的识别方式才行，想用一套方法实现识别所有的验证码貌似不太现实，说实话我也对这个结果有点小失落，看来工具也不是万能的哈。