python驗證碼識別的示例代碼
寫爬蟲有一個繞不過去的問題就是驗證碼,現(xiàn)在驗證碼分類大概有4種:
- 圖像類
- 滑動類
- 點擊類
- 語音類
今天先來看看圖像類,這類驗證碼大多是數(shù)字、字母的組合,國內也有使用漢字的。在這個基礎上增加噪點、干擾線、變形、重疊、不同字體顏色等方法來增加識別難度。
相應的,驗證碼識別大體可以分為下面幾個步驟:
- 灰度處理
- 增加對比度(可選)
- 二值化
- 降噪
- 傾斜校正分割字符
- 建立訓練庫
- 識別
由于是實驗性質的,文中用到的驗證碼均為程序生成而不是批量下載真實的網(wǎng)站驗證碼,這樣做的好處就是可以有大量的知道明確結果的數(shù)據(jù)集。
當需要真實環(huán)境下需要獲取數(shù)據(jù)時,可以使用結合各個大碼平臺來建立數(shù)據(jù)集進行訓練。
生成驗證碼這里我使用Claptcha這個庫,當然Captcha這個庫也是個不錯的選擇。
為了生成最簡單的純數(shù)字、無干擾的驗證碼,首先需要將claptcha.py的285行_drawLine做一些修改,我直接讓這個函數(shù)返回None,然后開始生成驗證碼:
from claptcha import Claptcha c = Claptcha("8069","/usr/share/fonts/truetype/freefont/FreeMono.ttf") t,_ = c.write('1.png')
這里需要注意ubuntu的字體路徑,也可以在網(wǎng)上下載其他字體使用。生成驗證碼如下:
可以看出,驗證碼有形變。對于這類最簡單的驗證碼,可以直接使用谷歌開源的tesserocr來識別。
首先安裝:
apt-get install tesseract-ocr libtesseract-dev libleptonica-dev pip install tesserocr
然后開始識別:
from PIL import Image import tesserocr p1 = Image.open('1.png') tesserocr.image_to_text(p1) '8069\n\n'
可以看出,對于這種簡單的驗證碼,基本什么都不做識別率就已經(jīng)很高了。有興趣的小伙伴可以用更多的數(shù)據(jù)來測試,這里我就不展開了。
接下來,在驗證碼背景添加噪點來看看:
c = Claptcha("8069","/usr/share/fonts/truetype/freefont/FreeMono.ttf",noise=0.4) t,_ = c.write('2.png')
生成驗證碼如下:
識別:
p2 = Image.open('2.png') tesserocr.image_to_text(p2) '8069\n\n'
效果還可以。接下來生成一個字母數(shù)字組合的:
c2 = Claptcha("A4oO0zZ2","/usr/share/fonts/truetype/freefont/FreeMono.ttf") t,_ = c2.write('3.png')
生成驗證碼如下:
第3個為小寫字母o,第4個為大寫字母O,第5個為數(shù)字0,第6個為小寫字母z,第7個為大寫字母Z,最后一個是數(shù)字2。人眼已經(jīng)跪了有木有!但現(xiàn)在一般驗證碼對大小寫是不做嚴格區(qū)分的,看自動識別什么樣吧:
p3 = Image.open('3.png') tesserocr.image_to_text(p3) 'AMOOZW\n\n'
人眼都跪的計算機當然也廢了。但是,對于一些干擾小、形變不嚴重的,使用tesserocr還是十分簡單方便的。然后將修改的claptcha.py的285行_drawLine還原,看添加干擾線的情況。
p4 = Image.open('4.png') tesserocr.image_to_text(p4)
加了條干擾線就完全識別不出來了,那么有沒有什么辦法去除干擾線呢?
雖然圖片看上去是黑白的,但還需要進行灰度處理,否則使用load()函數(shù)得到的是某個像素點的RGB元組而不是單一值了。處理如下:
def binarizing(img,threshold): """傳入image對象進行灰度、二值處理""" img = img.convert("L") # 轉灰度 pixdata = img.load() w, h = img.size # 遍歷所有像素,大于閾值的為黑色 for y in range(h): for x in range(w): if pixdata[x, y] < threshold: pixdata[x, y] = 0 else: pixdata[x, y] = 255 return img
處理后的圖片如下:
可以看出處理后圖片銳化了很多,接下來嘗試去除干擾線,常見的4鄰域、8鄰域算法。所謂的X鄰域算法,可以參考手機九宮格輸入法,按鍵5為要判斷的像素點,4鄰域就是判斷上下左右,8鄰域就是判斷周圍8個像素點。如果這4或8個點中255的個數(shù)大于某個閾值則判斷這個點為噪音,閾值可以根據(jù)實際情況修改。
def depoint(img): """傳入二值化后的圖片進行降噪""" pixdata = img.load() w,h = img.size for y in range(1,h-1): for x in range(1,w-1): count = 0 if pixdata[x,y-1] > 245:#上 count = count + 1 if pixdata[x,y+1] > 245:#下 count = count + 1 if pixdata[x-1,y] > 245:#左 count = count + 1 if pixdata[x+1,y] > 245:#右 count = count + 1 if pixdata[x-1,y-1] > 245:#左上 count = count + 1 if pixdata[x-1,y+1] > 245:#左下 count = count + 1 if pixdata[x+1,y-1] > 245:#右上 count = count + 1 if pixdata[x+1,y+1] > 245:#右下 count = count + 1 if count > 4: pixdata[x,y] = 255 return img
處理后的圖片如下:
好像……根本沒卵用?。?!確實是這樣的,因為示例中的圖片干擾線的寬度和數(shù)字是一樣的。對于干擾線和數(shù)據(jù)像素不同的,比如Captcha生成的驗證碼:
從左到右依次是原圖、二值化、去除干擾線的情況,總體降噪的效果還是比較明顯的。另外降噪可以多次執(zhí)行,比如我對上面的降噪后結果再進行依次降噪,可以得到下面的效果:
再進行識別得到了結果:
p7 = Image.open('7.png') tesserocr.image_to_text(p7) '8069 ,,\n\n'
另外,從圖片來看,實際數(shù)據(jù)顏色明顯和噪點干擾線不同,根據(jù)這一點可以直接把噪點全部去除,這里就不展開說了。
第一篇文章,先記錄如何將圖片進行灰度處理、二值化、降噪,并結合tesserocr來識別簡單的驗證碼,剩下的部分在下一篇文章中和大家一起分享。
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支持腳本之家。
相關文章
Python?Matplotlib實現(xiàn)三維數(shù)據(jù)的散點圖繪制
這篇文章主要為大家詳細介紹了Python?Matplotlib實現(xiàn)三維數(shù)據(jù)的散點圖繪制,文中示例代碼介紹的非常詳細,具有一定的參考價值,感興趣的小伙伴們可以參考一下2019-03-03Python利用卡方Chi特征檢驗實現(xiàn)提取關鍵文本特征
卡方檢驗最基本的思想就是通過觀察實際值與理論值的偏差來確定理論的正確與否。本文將利用卡方Chi特征檢驗實現(xiàn)提取關鍵文本特征功能,感興趣的可以了解一下2022-12-12python使用xlsxwriter實現(xiàn)有向無環(huán)圖到Excel的轉換
這篇文章主要為大家詳細介紹了python使用xlsxwriter實現(xiàn)有向無環(huán)圖到Excel的轉換,具有一定的參考價值,感興趣的小伙伴們可以參考一下2018-12-12python3?http.client?網(wǎng)絡請求方式
這篇文章主要介紹了python3?http.client?網(wǎng)絡請求方式,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-09-09使用Python通過oBIX協(xié)議訪問Niagara數(shù)據(jù)的示例
這篇文章主要介紹了使用Python通過oBIX協(xié)議訪問Niagara數(shù)據(jù)的示例,幫助大家更好的理解和學習python,感興趣的朋友可以了解下2020-12-12