概述
- 简介
- 坑!
- 安装 Tesseract-OCR
- 使用 pytesseract 识别验证码
- 高级玩法 - 除线
简介
首先呢,简单的验证码是这样的:
不是这样的:
这里使用了 pytesseract 来进行验证码识别,它是基于 Google 的 Tesseract-OCR ,所以在使用之前需要先安装 Tesseract-OCR。使用 PIL 来进行图像处理。pytesseract 默认支持 tiff、bmp 图片格式,使用 PIL 库之后,能够支持 jpeg、gif、png 等其他图片格式;
坑!
PIL(Python Imaging Library) 库只支持 32 位的系统,如果要在 64 位系统中使用,请安装 pillow。嗯,这个真是坑死我了,为了安装这个倒腾了很久。希望能帮到你。
pillow 的缘由:由于PIL仅支持到Python 2.7,加上年久失修,于是一群志愿者在PIL的基础上创建了兼容的版本,名字叫Pillow,支持最新Python 3.x,又加入了许多新特性。
32 位系统
pip install PIL
复制代码
64 位系统
pip install pillow
复制代码
安装 Tesseract-OCR
在使用 pytesseract 之前,必须安装 tesseract-ocr ,因为 pytesserat 依赖于 tesseract-ocr ,否则无法使用
Mac
brew install tesseract
复制代码
centos7
yum-config-manager --add-repo https://download.opensuse.org/repositories/home:/Alexander_Pozdnyakov/CentOS_7/
yum update
yum install tesseract
yum install tesseract-langpack-deu
复制代码
windows
使用 pytesseract 识别验证码
首先将图像灰度化
#使用路径导入图片
im = Image.open(imgimgName)
#使用 byte 流导入图片
# im = Image.open(io.BytesIO(b))
# 转化到灰度图
imgry = im.convert('L')
# 保存图像
imgry.save('gray-' + imgName)
复制代码
灰度化的图像是这个样子的:
然后将图像二值化
# 二值化,采用阈值分割法,threshold为分割点
threshold = 140
table = []
for j in range(256):
if j < threshold:
table.append(0)
else:
table.append(1)
out = imgry.point(table, '1')
out.save('b' + imgName)
复制代码
二值化的图像是这个样子的:
最后进行识别
# 识别
text = pytesseract.image_to_string(out)
print("识别结果:"+text)
复制代码
识别结果是这样的:
高级玩法 - 除线
上面的知识简单的处理,在日常网络冲浪中,我们还会遇到这样的验证码:
这个给我们的识别增加了难度,我们要做的就是将这条线去掉。详细代码如下:
def removeLine(imgName):
(img, pixdata) = open_img(imgName)
for x in range(img.size[0]): # x坐标
for y in range(img.size[1]): # y坐标
if pixdata[x, y][0] < 8 or pixdata[x, y][1] < 6 or pixdata[x, y][2] < 8 or (
pixdata[x, y][0] + pixdata[x, y][1] + pixdata[x, y][2]) <= 30: # 确定颜色阈值
if y == 0:
pixdata[x, y] = (255, 255, 255)
if y > 0:
if pixdata[x, y - 1][0] > 120 or pixdata[x, y - 1][1] > 136 or pixdata[x, y - 1][2] > 120:
pixdata[x, y] = (255, 255, 255) # ?
# 二值化处理
for y in range(img.size[1]): # 二值化处理,这个阈值为R=95,G=95,B=95
for x in range(img.size[0]):
if pixdata[x, y][0] < 160 and pixdata[x, y][1] < 160 and pixdata[x, y][2] < 160:
pixdata[x, y] = (0, 0, 0)
else:
pixdata[x, y] = (255, 255, 255)
img.filter(ImageFilter.EDGE_ENHANCE_MORE) # 深度边缘增强滤波,会使得图像中边缘部分更加明显(阈值更大),相当于锐化滤波
img.resize(((img.size[0]) * 2, (img.size[1]) * 2), Image.BILINEAR) # Image.BILINEAR指定采用双线性法对像素点插值#?
img.save('remove-' + imgName)
print("除线成功!")
recognize('remove-' + imgName)
复制代码
那么我们的运行结果是这样的:
总结
经过这么一些折腾,我们总算是看到了我们想要的结果,但是我很遗憾地告诉你,pytesseract 还是无法识别处理过的图片,他的识别结果是这样的:
结果有点令人痛心,不过我们也算是为我们的目标踏进了一小步。你以为这篇文章就这样完了吗?嗯,是的,这篇文章就这样完了。不过好在 pytesseract 提供了自定义训练功能,来提高识别能力(也可以自建神经网络进行识别),这个暂且放到下一篇文章来写吧,因为今天是七夕耶。
参考文档: Verification-code-crack
后台回复:【验证码源码】获取源码
往期推荐:
工具推荐: