强智科技教务系统验证码识别

强智科技验证码识别

前言

由于近期在写一个教务系统的爬虫程序，但是网站的验证码让人很头疼，所以笔者临时找了一些资料学习了一下，本人python用的很少，而且在机器学习这块也是新手，从来没有接触过，所以写的不好还请指点出来。

环境

	python3.6
		PIL
		sklearn

准备

使用一个简单的脚本下载1000张验证码，然后做好标记

	import requests

	url = "http://****/verifycode.servlet"
	
	for i in range(1000):
		filename = "./code/"+str(i)+".png"
		response = requests.get(url)
		with open(filename , "wb") as f:
			f.write(response.content)

图像处理

实例图片

1.二值化，这里我们进行手动利用一个阈值进行二值化，处理完成以后的图片如下

2.降噪，思路是，当一个点他为黑色时，周围8（这个数字改小一点还可以完成线去除干扰线的功能，我这里就是使用这种方式将干扰点和干扰线去除的）个点都是白色则认为这是一个噪点

我们发现还是有一个点没有去除，没有关系，下面我们做字符分割的时候还是会进行一次降噪

3.字符分割，思路是找出每个数字的边缘坐标，如果上下边缘相差太小的话则认为这里为噪点，直接去除

图片转换为数据

上面已经分割好了，我们现在需要将图片转换成数据，方便我们下面传入机器学习，我用的方式是遍历分割好的方形区域，黑色为1，白色为0，拼接成一个类似于“0011010100000101111111111”的字符串，然后将字符串转换成int型数值

最后生成的数据是下面这种样子
图片数据：[“61256415613215646512” , “61256415613215646512” , “61256415613215646512” , “61256415613215646512”]
结果数据：[‘1’ , ‘j’ , ‘k’ , ‘d’]

训练模型

我是用的是knn分类算法

代码

1.图像处理类

	from PIL import Image , ImageDraw
import cv2

'''
	图片处理类
'''
class ImageHandler():
	threshold = 130 #二值化处理阈值
	im = None 		#保存当前类所处理的图片
	spliter = []
	data = []
	labels = []
	
	def __init__(self , filename):
		self.filename = filename 
		self.data = []
		self.labels = []
		self.spliter = []
		self.im = None
	
	'''