linux环境下pytesseract的安装和央行征信中心的登录验证码识别

首先是安装，我参考的是这个 http://blog.csdn.net/xinghun_4/article/details/47860645

 

我是centos，使用yum

yum install python-devel libjpeg libjpeg-devel freetype freetype-devel zlib zlib-devel littlecms littlecms-devel libwebp libwebp-devel libfreetype libfreetype-devel giflib-devel automake libtool

 tesseract安装包我下载的是3.0.4，安装的时候提示搭配的leptonica的版本必须是1.7.2以上，所以不能使用1.6.9的leptonica，这点要注意。

 

 

上一些央行征信征信的验证码例子，这是截图

 

 可以看到，字迹是相当的工整，但是直接使用image_to_string这个方法几乎是不可能是别的，只有少数图片可以转换输出文字。

需要做点处理，找规律可以发现这些噪点都是一些暗淡的像素点，可以把他们去掉（就是转换成白色的）。

 

#coding=utf-8
import pytesseract
from PIL import Image
import re

class YzmDiscern():
    def __init__(self, threshold):
        #self.threshold = threshold
        self.table = [0 if _ < threshold  else 1 for _ in range(256)]

    def pic2text(self,picture_name):
        im=Image.open(picture_name+'.jpg')
        imgry = im.convert('L')
        out = imgry.point(self.table,'1')
        out = imgry.point(self.table,'1')
        out.save(picture_name+'b.jpg')
        # i = Image.open(name+'b.jpg')
        # i.show()
        text= pytesseract.image_to_string(out)
        #print text
        text2=re.sub('[^a-z0-9A-Z]','',text)
        return text2


if __name__=="__main__":
    yzmDiscern=YzmDiscern(threshold=140)
    print yzmDiscern.pic2text('pictures/150873460574')

 

这是pycharmm调用的是远程linux环境的截图，如果要在linxu直接执行./do_yzm.py，那就需要在代码第一行指明解释器路径，然后修改do_yzm.py的权限为可执行的权限.

 

实际识别率几乎达到了95%，效果还可以。如果错了再换个验证码登录就可以了。

 

这是原图

 

threshold这个值要设置合理，设置太大了，那些噪点全部变成黑色了。

 

设置小了也不行，虽然噪点都去掉了，但会把字母也弄残了。

 

这样就会识别不出来了。

这是设置140的结果