python 验证码字符分割

用tesseract-ocr 识别率不高，想要自己训练字体

这里用的是中国知网注册页面的验证码

• 中国知网注册页
• 验证码

实现思路，图片二值化后，遍历每一个像素点找到起始像素，向上下左右寻找相邻像素直至结束。有个问题就是若两个字符挨着就会把全部相邻的字符都找到

加了个简单的判断，限制字体长度

然而效果不是很好，如果是两个长度较短的字符相邻还是没有用，w字符容易丢失像素，没有太好的解决办法。另一个解决方法把像素点过多的图片去除，剩下的图片可以用来训练字体

# 下载验证码
import requests
import os

path = os.path.dirname(__file__)

for i in range(10):
    url = 'https://my.cnki.net/Register/CheckCode.aspx?id=1605429917005'

    response = requests.get(url)
    file_path = path + '/jpg/{}.jpg'.format(i)

    with open(file_path,'wb') as f:
        f.write(response.content)

图片处理

from PIL import Image
import sys
import os

sys.setrecursionlimit(1000000)
pixel_list = []
all_pixel_list = []

#二值化
def Binarization(image):

    threshold = 160
    table = []
    for i in range(256):
        if i < threshold:
            table.append(0)
        else:
            table.append(1)
    image = image.point(table, '1'