tesseract 训练入门--记一次50张简单验证码的训练过程

省略各种tesseract和各种包的安装，默认有python基础

需要有java环境以便操作训练工具jTessboxeditor，jdk和训练辅助工具的安装此处不讨论.

 本人使用ubuntu18.04   环境，训练工具是在windows虚拟机上安装java后使用的

1. 得到验证码图片

    发现安居客的验证码较为简单，这里借用安居客验证码接口下载验证码，代码仅供参考，验证接口也许以后会变，这里主要阐述方法

#num =你想获取的验证码数目
def gen_captcha_from_url(num):

    # https://login.anjuke.com/general/captcha?timestamp=15580192349965467 安居客

    if not os.path.exists('code_pic/'):
        os.mkdir('code_pic/')
    pic = []
    for i in range(0, num):
        fake_timestamp = get_random_string(8, 8, 0, 0)
        url = 'https://login.anjuke.com/general/captcha?timestamp=' + fake_timestamp
        print(url)
        response = requests.get(url)
        filename = 'code_pic/' + str(i) + '.jpg'
        pic.append(filename)
        with open(filename, 'wb')as f:
            f.write(response.content)

    return pic

2. 将图片二值化处理

由于得到的验证码图片为彩色内容，需要将其进行二值化处理，形成黑白影像，以便tesseract 识别

def two_value(pic):
    img = Image.open(pic)
    # 模式L”为灰色图像，它的每个像素用8个bit表示，0表示黑，255表示白，其他数字表示不同的灰度。
    Img = img.convert('L')
    Img.save(pic)

    # 自定义灰度界限，大于这个值为黑色，小于这个值为白色
    threshold = 200

    table = []
    for i in range(256):
        if i < threshold:
            table.append(0)
        else:
            table.append(1)

    # 图片二值化
    photo = Img.point(table, '1')
    photo.save(pic)

3.先自己手动识别一遍，填入人工处理的结果（非必须，只是为了方便计算识别率）

 

4. 将其转换成tiff格式的文件，并调用tesseract进行识别

 

#