手工识别还是有点麻烦,尝试一下Tesseract-OSR,windows直接下载,其他版本在官网wiki上有。安装路径如果直接用默认的比较省事,我安到了D盘。win+X打开命令行,输入tesseract,如果提示”不是内部或外部命令,也不是可运行的程序或批处理文件“,需要在环境变量里为Path添加tesseract的安装路径,具体如图:
设置成功后,我们可以试用一下,在网上随便拉一个验证码也可以自己画一个,在验证码图片目录shift+右键 打开命令行/powershell,输入
tesseract xxx output
xxx为图片文件名,然后在目录下的output.txt可以看到识别结果
可以看到识别率75%还是不错的,但是显然还没达到我们的要求,那么我们就要用到tesseract的学习功能了,听说它利用了卷积神经网络技术,不懂。。
学习功能当然需要大量样本,这里我们需求不大,100个足够了。学习的结果肯定和样本质量和数量有很大关系,那么从哪里找样本能保证质量也能保证数量呢,我们这里直接从我们要识别的验证码拿就是了,这是一个获取验证码的小脚本
from PIL import Image
from io import BytesIO
import requests
err = 0
for i in range(1,100):
session = requests.session()
res = session.get('http://opac.lib.ustc.edu.cn/reader/captcha.php')
try:
image = Image.open(BytesIO(res.content))
image = image.convert('RGB')
image.save('D:/trainimg/%d.tif' % i)
print('%d/100 done!'%i)
except:
print('something error!')
err+=1
print(&