python-opencv识别验证码_Python3 识别验证码（opencv-python）

Python3 识别验证码(opencv-python)

一、准备工作

使用opencv做图像处理，所以需要安装下面两个库：

pip3 install opencv-python

pip3 install numpy

二、识别原理

采取一种有监督式学习的方法来识别验证码，包含以下几个步骤：

图片处理 - 对图片进行降噪、二值化处理

切割图片 - 将图片切割成单个字符并保存

人工标注 - 对切割的字符图片进行人工标注，作为训练集

训练数据 - 用KNN算法训练数据

检测结果 - 用上一步的训练结果识别新的验证码

1，图片处理

先来看一下要识别的验证码是长什么样的：

字符做了一些扭曲变换。仔细观察，还可以发现图片中间的部分添加了一些颗粒化的噪声。

先读入图片，并将图片转成灰度图，代码如下：

mport cv2

im=cv2.imread(filepath)

im_gray= cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)

经过上面的处理，我们的彩色图片变成了下面这样：

将图片做二值化处理，代码如下：

ret, im_inv = cv2.threshold(im_gray,127,255,cv2.THRESH_BINARY_INV)

127是设定的阈值，像素值大于127被置成了0，小于127的被置成了255。处理后的图片变成了这样：

接下来，我们应用高斯模糊对图片进行降噪。高斯模糊的本质是用高斯核和图像做卷积，代码如下：

kernel = 1/16*np.array([[1,2,1], [2,4,2], [1,2,1]])

im_blur= cv2.filter2D(im_inv,-1,kernel)

降噪后的图片如下:

可以看到一些颗粒化的噪声被平滑掉了。

降噪后，对图片再做一轮二值化处理：

ret, im_res = cv2.threshold(im_blur,127,255,cv2.THRESH_BINARY)

现在图片变成了这样：

好了，接下来，要开始切割图片了。

2，切割图片

这一步是所有步骤里最复杂的一步。我们的目标是把最开始的图片切