最近在折騰驗證碼識別。最終的腳本的識別率在92%左右，9000張驗證碼大概能識別出八千三四百張左右。好吧，其實是驗證碼太簡單。下面就是要識別的驗證碼。

我主要用的是Python中的PIL庫。

首先進(jìn)行二值化處理。由于圖片中的噪點顏色比較淺，所以可以設(shè)定一個閾值直接過濾掉。這里我設(shè)置的閾值是150，像素大于150的賦值為1，小于的賦為0.

def set_table(a):
  table = []     
  for i in range(256):
    if i < a:
      table.append(0)
    else:
      table.append(1)
  return table

img = Image.open("D:/python/單個字體/A"+str(i)+".jpg")
pix = img.load()

#將圖片進(jìn)行灰度化處理
img1 = img.convert('L')

#閾值為150，參數(shù)為1，將圖片進(jìn)行二值化處理
img2 = img1.point(set_table(150),'1') 

處理后的圖片如下。

閾值不同產(chǎn)生的不同效果：

接下來對圖片進(jìn)行分割。遍歷圖片中所有像素點，計算每一列像素為0的點的個數(shù)（jd）。對于相鄰兩列，若其中一列jd=0,而另一列jd!=0,則可以認(rèn)為這一列是驗證碼中字符邊界，由此對驗證碼進(jìn)行分割。這樣分割能達(dá)到比較好的效果，分割后得到的字符圖片幾乎能與模板完全相同。

(Width,Height) = img2.size
pix2 = img2.load()
x0 = []
y0 = []

for x in range(1,Width):
  jd = 0
  # print x
  for y in range(1,Height):
    # print y
    if pix2[x,y] == 0:
      jd+=1
  y0.append(jd)
  if jd > 0:
    x0.append(x)

#分別對各個字符邊界進(jìn)行判斷，這里只舉出一個    
for a in range(1,Width):
  if (y0[a] != 0)&(y0[a+1] != 0):
    sta1 = a+1
    break

分割完成后，對于識別，目前有幾種方法?？梢员闅v圖片的每一個像素點，獲取像素值，得到一個字符串，將該字符串與模板的字符串進(jìn)行比較，計算漢明距離或者編輯距離（即兩個字符串的差異度），可用Python-Levenshtein庫來實現(xiàn)。

我采用的是比較特征向量來進(jìn)行識別的。首先設(shè)定了4個豎直特征向量，分別計算第0、2、4、6列每一列像素值為0的點的個數(shù)，與模板進(jìn)行比較，若小于閾值則認(rèn)為該字符與模板相同。為了提高識別率，如果通過豎直特征向量未能識別成功，引入水平特征向量繼續(xù)識別，原理與豎直特征向量相同。

另外，還可以通過局部特征進(jìn)行識別。這對于加入了旋轉(zhuǎn)干擾的驗證碼有很好效果。由于我寫的腳本識別率已經(jīng)達(dá)到了要求，所以并沒有用到這個。

最后的結(jié)果是這樣的：

最終在模板庫只有25條的情況下，識別率在92%左右（總共測試了一萬六千張驗證碼）。好吧，只能說驗證碼太簡單。

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。