Python實(shí)現(xiàn)驗(yàn)證碼識(shí)別
更新時(shí)間：2020年06月15日 16:22:32 作者：老板丶魚(yú)丸粗面
這篇文章主要介紹了Python實(shí)現(xiàn)驗(yàn)證碼識(shí)別的方法，文中講解非常詳細(xì)，代碼幫助大家更好的理解和學(xué)習(xí)，感興趣的朋友可以了解下
大致介紹
在python爬蟲(chóng)爬取某些網(wǎng)站的驗(yàn)證碼的時(shí)候可能會(huì)遇到驗(yàn)證碼識(shí)別的問(wèn)題，現(xiàn)在的驗(yàn)證碼大多分為四類：
1、計(jì)算驗(yàn)證碼
2、滑塊驗(yàn)證碼
3、識(shí)圖驗(yàn)證碼
4、語(yǔ)音驗(yàn)證碼
這篇博客主要寫(xiě)的就是識(shí)圖驗(yàn)證碼，識(shí)別的是簡(jiǎn)單的驗(yàn)證碼，要想讓識(shí)別率更高，識(shí)別的更加準(zhǔn)確就需要花很多的精力去訓(xùn)練自己的字體庫(kù)。
識(shí)別驗(yàn)證碼通常是這幾個(gè)步驟：
1、灰度處理
2、二值化
3、去除邊框（如果有的話）
4、降噪
5、切割字符或者傾斜度矯正
6、訓(xùn)練字體庫(kù)
7、識(shí)別
這6個(gè)步驟中前三個(gè)步驟是基本的，4或者5可根據(jù)實(shí)際情況選擇是否需要，并不一定切割驗(yàn)證碼，識(shí)別率就會(huì)上升很多有時(shí)候還會(huì)下降
這篇博客不涉及訓(xùn)練字體庫(kù)的內(nèi)容，請(qǐng)自行搜索。同樣也不講解基礎(chǔ)的語(yǔ)法。
用到的幾個(gè)主要的python庫(kù)： Pillow(python圖像處理庫(kù))、OpenCV(高級(jí)圖像處理庫(kù))、pytesseract(識(shí)別庫(kù))
灰度處理&二值化
灰度處理，就是把彩色的驗(yàn)證碼圖片轉(zhuǎn)為灰色的圖片。
二值化，是將圖片處理為只有黑白兩色的圖片，利于后面的圖像處理和識(shí)別
在OpenCV中有現(xiàn)成的方法可以進(jìn)行灰度處理和二值化，處理后的效果：
代碼：
# 自適應(yīng)閥值二值化
def _get_dynamic_binary_image(filedir, img_name):
filename = './out_img/' + img_name.split('.')[0] + '-binary.jpg'
img_name = filedir + '/' + img_name
print('.....' + img_name)
im = cv2.imread(img_name)
im = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY) #灰值化
# 二值化
th1 = cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1)
cv2.imwrite(filename,th1)
return th1
去除邊框
如果驗(yàn)證碼有邊框，那我們就需要去除邊框，去除邊框就是遍歷像素點(diǎn)，找到四個(gè)邊框上的所有點(diǎn)，把他們都改為白色，我這里邊框是兩個(gè)像素寬
注意：在用OpenCV時(shí)，圖片的矩陣點(diǎn)是反的，就是長(zhǎng)和寬是顛倒的
代碼：
# 去除邊框
def clear_border(img,img_name):
filename = './out_img/' + img_name.split('.')[0] + '-clearBorder.jpg'
h, w = img.shape[:2]
for y in range(0, w):
for x in range(0, h):
if y < 2 or y > w - 2:
img[x, y] = 255
if x < 2 or x > h -2:
img[x, y] = 255
cv2.imwrite(filename,img)
return img
降噪
降噪是驗(yàn)證碼處理中比較重要的一個(gè)步驟，我這里使用了點(diǎn)降噪和線降噪
線降噪的思路就是檢測(cè)這個(gè)點(diǎn)相鄰的四個(gè)點(diǎn)（圖中標(biāo)出的綠色點(diǎn)），判斷這四個(gè)點(diǎn)中是白點(diǎn)的個(gè)數(shù)，如果有兩個(gè)以上的白色像素點(diǎn)，那么就認(rèn)為這個(gè)點(diǎn)是白色的，從而去除整個(gè)干擾線，但是這種方法是有限度的，如果干擾線特別粗就沒(méi)有辦法去除，只能去除細(xì)的干擾線
代碼：
# 干擾線降噪
def interference_line(img, img_name):
filename = './out_img/' + img_name.split('.')[0] + '-interferenceline.jpg'
h, w = img.shape[:2]
# ?。?！opencv矩陣點(diǎn)是反的
# img[1,2] 1:圖片的高度，2：圖片的寬度
for y in range(1, w - 1):
for x in range(1, h - 1):
count = 0
if img[x, y - 1] > 245:
count = count + 1
if img[x, y + 1] > 245:
count = count + 1
if img[x - 1, y] > 245:
count = count + 1
if img[x + 1, y] > 245:
count = count + 1
if count > 2:
img[x, y] = 255
cv2.imwrite(filename,img)
return img
點(diǎn)降噪的思路和線降噪的差不多，只是會(huì)針對(duì)不同的位置檢測(cè)的點(diǎn)不一樣,注釋寫(xiě)的很清楚了
代碼：
# 點(diǎn)降噪
def interference_point(img,img_name, x = 0, y = 0):
"""
9鄰域框,以當(dāng)前點(diǎn)為中心的田字框,黑點(diǎn)個(gè)數(shù)
:param x:
:param y:
:return:
"""
filename = './out_img/' + img_name.split('.')[0] + '-interferencePoint.jpg'
# todo 判斷圖片的長(zhǎng)寬度下限
cur_pixel = img[x,y]# 當(dāng)前像素點(diǎn)的值
height,width = img.shape[:2]
for y in range(0, width - 1):
for x in range(0, height - 1):
if y == 0: # 第一行
if x == 0: # 左上頂點(diǎn),4鄰域
# 中心點(diǎn)旁邊3個(gè)點(diǎn)
sum = int(cur_pixel) \
+ int(img[x, y + 1]) \
+ int(img[x + 1, y]) \
+ int(img[x + 1, y + 1])
if sum <= 2 * 245:
img[x, y] = 0
elif x == height - 1: # 右上頂點(diǎn)
sum = int(cur_pixel) \
+ int(img[x, y + 1]) \
+ int(img[x - 1, y]) \
+ int(img[x - 1, y + 1])
if sum <= 2 * 245:
img[x, y] = 0
else: # 最上非頂點(diǎn),6鄰域
sum = int(img[x - 1, y]) \
+ int(img[x - 1, y + 1]) \
+ int(cur_pixel) \
+ int(img[x, y + 1]) \
+ int(img[x + 1, y]) \
+ int(img[x + 1, y + 1])
if sum <= 3 * 245:
img[x, y] = 0
elif y == width - 1: # 最下面一行
if x == 0: # 左下頂點(diǎn)
# 中心點(diǎn)旁邊3個(gè)點(diǎn)
sum = int(cur_pixel) \
+ int(img[x + 1, y]) \
+ int(img[x + 1, y - 1]) \
+ int(img[x, y - 1])
if sum <= 2 * 245:
img[x, y] = 0
elif x == height - 1: # 右下頂點(diǎn)
sum = int(cur_pixel) \
+ int(img[x, y - 1]) \
+ int(img[x - 1, y]) \
+ int(img[x - 1, y - 1])
if sum <= 2 * 245:
img[x, y] = 0
else: # 最下非頂點(diǎn),6鄰域
sum = int(cur_pixel) \
+ int(img[x - 1, y]) \
+ int(img[x + 1, y]) \
+ int(img[x, y - 1]) \
+ int(img[x - 1, y - 1]) \
+ int(img[x + 1, y - 1])
if sum <= 3 * 245:
img[x, y] = 0
else: # y不在邊界
if x == 0: # 左邊非頂點(diǎn)
sum = int(img[x, y - 1]) \
+ int(cur_pixel) \
+ int(img[x, y + 1]) \
+ int(img[x + 1, y - 1]) \
+ int(img[x + 1, y]) \
+ int(img[x + 1, y + 1])
if sum <= 3 * 245:
img[x, y] = 0
elif x == height - 1: # 右邊非頂點(diǎn)
sum = int(img[x, y - 1]) \
+ int(cur_pixel) \
+ int(img[x, y + 1]) \
+ int(img[x - 1, y - 1]) \
+ int(img[x - 1, y]) \
+ int(img[x - 1, y + 1])
if sum <= 3 * 245:
img[x, y] = 0
else: # 具備9領(lǐng)域條件的
sum = int(img[x - 1, y - 1]) \
+ int(img[x - 1, y]) \
+ int(img[x - 1, y + 1]) \
+ int(img[x, y - 1]) \
+ int(cur_pixel) \
+ int(img[x, y + 1]) \
+ int(img[x + 1, y - 1]) \
+ int(img[x + 1, y]) \
+ int(img[x + 1, y + 1])
if sum <= 4 * 245:
img[x, y] = 0
cv2.imwrite(filename,img)
return img
效果：
其實(shí)到了這一步，這些字符就可以識(shí)別了，沒(méi)必要進(jìn)行字符切割了，現(xiàn)在這三種類型的驗(yàn)證碼識(shí)別率已經(jīng)達(dá)到50%以上了
字符切割
字符切割通常用于驗(yàn)證碼中有粘連的字符，粘連的字符不好識(shí)別，所以我們需要將粘連的字符切割為單個(gè)的字符，在進(jìn)行識(shí)別
字符切割的思路就是找到一個(gè)黑色的點(diǎn)，然后在遍歷與他相鄰的黑色的點(diǎn)，直到遍歷完所有的連接起來(lái)的黑色的點(diǎn)，找出這些點(diǎn)中的最高的點(diǎn)、最低的點(diǎn)、最右邊的點(diǎn)、最左邊的點(diǎn)，記錄下這四個(gè)點(diǎn)，認(rèn)為這是一個(gè)字符，然后在向后遍歷點(diǎn)，直至找到黑色的點(diǎn)，繼續(xù)以上的步驟。最后通過(guò)每個(gè)字符的四個(gè)點(diǎn)進(jìn)行切割
圖中紅色的點(diǎn)就是代碼執(zhí)行完后，標(biāo)識(shí)出的每個(gè)字符的四個(gè)點(diǎn)，然后就會(huì)根據(jù)這四個(gè)點(diǎn)進(jìn)行切割（圖中畫(huà)的有些誤差，懂就好）
但是也可以看到，m2是粘連的，代碼認(rèn)為他是一個(gè)字符，所以我們需要對(duì)每個(gè)字符的寬度進(jìn)行檢測(cè)，如果他的寬度過(guò)寬，我們就認(rèn)為他是兩個(gè)粘連在一起的字符，并將它在從中間切割
確定每個(gè)字符的四個(gè)點(diǎn)代碼：
def cfs(im,x_fd,y_fd):
'''用隊(duì)列和集合記錄遍歷過(guò)的像素坐標(biāo)代替單純遞歸以解決cfs訪問(wèn)過(guò)深問(wèn)題
'''
# print('**********')
xaxis=[]
yaxis=[]
visited =set()
q = Queue()
q.put((x_fd, y_fd))
visited.add((x_fd, y_fd))
offsets=[(1, 0), (0, 1), (-1, 0), (0, -1)]#四鄰域
while not q.empty():
x,y=q.get()
for xoffset,yoffset in offsets:
x_neighbor,y_neighbor = x+xoffset,y+yoffset
if (x_neighbor,y_neighbor) in (visited):
continue # 已經(jīng)訪問(wèn)過(guò)了
visited.add((x_neighbor, y_neighbor))
try:
if im[x_neighbor, y_neighbor] == 0:
xaxis.append(x_neighbor)
yaxis.append(y_neighbor)
q.put((x_neighbor,y_neighbor))
except IndexError:
pass
# print(xaxis)
if (len(xaxis) == 0 | len(yaxis) == 0):
xmax = x_fd + 1
xmin = x_fd
ymax = y_fd + 1
ymin = y_fd
else:
xmax = max(xaxis)
xmin = min(xaxis)
ymax = max(yaxis)
ymin = min(yaxis)
#ymin,ymax=sort(yaxis)
return ymax,ymin,xmax,xmin
def detectFgPix(im,xmax):
'''搜索區(qū)塊起點(diǎn)
'''
h,w = im.shape[:2]
for y_fd in range(xmax+1,w):
for x_fd in range(h):
if im[x_fd,y_fd] == 0:
return x_fd,y_fd
def CFS(im):
'''切割字符位置
'''
zoneL=[]#各區(qū)塊長(zhǎng)度L列表
zoneWB=[]#各區(qū)塊的X軸[起始，終點(diǎn)]列表
zoneHB=[]#各區(qū)塊的Y軸[起始，終點(diǎn)]列表
xmax=0#上一區(qū)塊結(jié)束黑點(diǎn)橫坐標(biāo),這里是初始化
for i in range(10):
try:
x_fd,y_fd = detectFgPix(im,xmax)
# print(y_fd,x_fd)
xmax,xmin,ymax,ymin=cfs(im,x_fd,y_fd)
L = xmax - xmin
H = ymax - ymin
zoneL.append(L)
zoneWB.append([xmin,xmax])
zoneHB.append([ymin,ymax])
except TypeError:
return zoneL,zoneWB,zoneHB
return zoneL,zoneWB,zoneHB
分割粘連字符代碼：
# 切割的位置 im_position = CFS(im) maxL = max(im_position[0]) minL = min(im_position[0]) # 如果有粘連字符，如果一個(gè)字符的長(zhǎng)度過(guò)長(zhǎng)就認(rèn)為是粘連字符，并從中間進(jìn)行切割 if(maxL > minL + minL * 0.7): maxL_index = im_position[0].index(maxL) minL_index = im_position[0].index(minL) # 設(shè)置字符的寬度 im_position[0][maxL_index] = maxL // 2 im_position[0].insert(maxL_index + 1, maxL // 2) # 設(shè)置字符X軸[起始，終點(diǎn)]位置 im_position[1][maxL_index][1] = im_position[1][maxL_index][0] + maxL // 2 im_position[1].insert(maxL_index + 1, [im_position[1][maxL_index][1] + 1, im_position[1][maxL_index][1] + 1 + maxL // 2]) # 設(shè)置字符的Y軸[起始，終點(diǎn)]位置 im_position[2].insert(maxL_index + 1, im_position[2][maxL_index]) # 切割字符，要想切得好就得配置參數(shù)，通常 1 or 2 就可以 cutting_img(im,im_position,img_name,1,1)
切割粘連字符代碼：
def cutting_img(im,im_position,img,xoffset = 1,yoffset = 1):
filename = './out_img/' + img.split('.')[0]
# 識(shí)別出的字符個(gè)數(shù)
im_number = len(im_position[1])
# 切割字符
for i in range(im_number):
im_start_X = im_position[1][i][0] - xoffset
im_end_X = im_position[1][i][1] + xoffset
im_start_Y = im_position[2][i][0] - yoffset
im_end_Y = im_position[2][i][1] + yoffset
cropped = im[im_start_Y:im_end_Y, im_start_X:im_end_X]
cv2.imwrite(filename + '-cutting-' + str(i) + '.jpg',cropped)
識(shí)別
識(shí)別用的是typesseract庫(kù)，主要識(shí)別一行字符和單個(gè)字符時(shí)的參數(shù)設(shè)置，識(shí)別中英文的參數(shù)設(shè)置，代碼很簡(jiǎn)單就一行，我這里大多是filter文件的操作
代碼：
# 識(shí)別驗(yàn)證碼
cutting_img_num = 0
for file in os.listdir('./out_img'):
str_img = ''
if fnmatch(file, '%s-cutting-*.jpg' % img_name.split('.')[0]):
cutting_img_num += 1
for i in range(cutting_img_num):
try:
file = './out_img/%s-cutting-%s.jpg' % (img_name.split('.')[0], i)
# 識(shí)別字符
str_img = str_img + image_to_string(Image.open(file),lang = 'eng', config='-psm 10') #單個(gè)字符是10，一行文本是7
except Exception as err:
pass
print('切圖：%s' % cutting_img_num)
print('識(shí)別為：%s' % str_img)
最后這種粘連字符的識(shí)別率是在30%左右，而且這種只是處理兩個(gè)字符粘連，如果有兩個(gè)以上的字符粘連還不能識(shí)別，但是根據(jù)字符寬度判別的話也不難，有興趣的可以試一下
無(wú)需切割字符識(shí)別的效果：
需要切割字符的識(shí)別效果：
這種只是能夠識(shí)別簡(jiǎn)單驗(yàn)證碼，復(fù)雜的驗(yàn)證碼還要靠大家了
參考資料：
1、http://www.dbjr.com.cn/article/141621.htm
本來(lái)參考了挺多的資料，但是時(shí)間長(zhǎng)了就找不到了，如果有人發(fā)現(xiàn)了，可以告訴我，我再添加
使用方法：
1、將要識(shí)別的驗(yàn)證碼圖片放入與腳本同級(jí)的img文件夾中，創(chuàng)建out_img文件夾
2、python3 filename
3、二值化、降噪等各個(gè)階段的圖片將存儲(chǔ)在out_img文件夾中，最終識(shí)別結(jié)果會(huì)打印到屏幕上
最后附上源碼（帶切割，不想要切割的就自己修改吧）：
from PIL import Image
from pytesseract import *
from fnmatch import fnmatch
from queue import Queue
import matplotlib.pyplot as plt
import cv2
import time
import os
def clear_border(img,img_name):
'''去除邊框
'''
filename = './out_img/' + img_name.split('.')[0] + '-clearBorder.jpg'
h, w = img.shape[:2]
for y in range(0, w):
for x in range(0, h):
# if y ==0 or y == w -1 or y == w - 2:
if y < 4 or y > w -4:
img[x, y] = 255
# if x == 0 or x == h - 1 or x == h - 2:
if x < 4 or x > h - 4:
img[x, y] = 255
cv2.imwrite(filename,img)
return img
def interference_line(img, img_name):
'''
干擾線降噪
'''
filename = './out_img/' + img_name.split('.')[0] + '-interferenceline.jpg'
h, w = img.shape[:2]
# ?。?！opencv矩陣點(diǎn)是反的
# img[1,2] 1:圖片的高度，2：圖片的寬度
for y in range(1, w - 1):
for x in range(1, h - 1):
count = 0
if img[x, y - 1] > 245:
count = count + 1
if img[x, y + 1] > 245:
count = count + 1
if img[x - 1, y] > 245:
count = count + 1
if img[x + 1, y] > 245:
count = count + 1
if count > 2:
img[x, y] = 255
cv2.imwrite(filename,img)
return img
def interference_point(img,img_name, x = 0, y = 0):
"""點(diǎn)降噪
9鄰域框,以當(dāng)前點(diǎn)為中心的田字框,黑點(diǎn)個(gè)數(shù)
:param x:
:param y:
:return:
"""
filename = './out_img/' + img_name.split('.')[0] + '-interferencePoint.jpg'
# todo 判斷圖片的長(zhǎng)寬度下限
cur_pixel = img[x,y]# 當(dāng)前像素點(diǎn)的值
height,width = img.shape[:2]
for y in range(0, width - 1):
for x in range(0, height - 1):
if y == 0: # 第一行
if x == 0: # 左上頂點(diǎn),4鄰域
# 中心點(diǎn)旁邊3個(gè)點(diǎn)
sum = int(cur_pixel) \
+ int(img[x, y + 1]) \
+ int(img[x + 1, y]) \
+ int(img[x + 1, y + 1])
if sum <= 2 * 245:
img[x, y] = 0
elif x == height - 1: # 右上頂點(diǎn)
sum = int(cur_pixel) \
+ int(img[x, y + 1]) \
+ int(img[x - 1, y]) \
+ int(img[x - 1, y + 1])
if sum <= 2 * 245:
img[x, y] = 0
else: # 最上非頂點(diǎn),6鄰域
sum = int(img[x - 1, y]) \
+ int(img[x - 1, y + 1]) \
+ int(cur_pixel) \
+ int(img[x, y + 1]) \
+ int(img[x + 1, y]) \
+ int(img[x + 1, y + 1])
if sum <= 3 * 245:
img[x, y] = 0
elif y == width - 1: # 最下面一行
if x == 0: # 左下頂點(diǎn)
# 中心點(diǎn)旁邊3個(gè)點(diǎn)
sum = int(cur_pixel) \
+ int(img[x + 1, y]) \
+ int(img[x + 1, y - 1]) \
+ int(img[x, y - 1])
if sum <= 2 * 245:
img[x, y] = 0
elif x == height - 1: # 右下頂點(diǎn)
sum = int(cur_pixel) \
+ int(img[x, y - 1]) \
+ int(img[x - 1, y]) \
+ int(img[x - 1, y - 1])
if sum <= 2 * 245:
img[x, y] = 0
else: # 最下非頂點(diǎn),6鄰域
sum = int(cur_pixel) \
+ int(img[x - 1, y]) \
+ int(img[x + 1, y]) \
+ int(img[x, y - 1]) \
+ int(img[x - 1, y - 1]) \
+ int(img[x + 1, y - 1])
if sum <= 3 * 245:
img[x, y] = 0
else: # y不在邊界
if x == 0: # 左邊非頂點(diǎn)
sum = int(img[x, y - 1]) \
+ int(cur_pixel) \
+ int(img[x, y + 1]) \
+ int(img[x + 1, y - 1]) \
+ int(img[x + 1, y]) \
+ int(img[x + 1, y + 1])
if sum <= 3 * 245:
img[x, y] = 0
elif x == height - 1: # 右邊非頂點(diǎn)
sum = int(img[x, y - 1]) \
+ int(cur_pixel) \
+ int(img[x, y + 1]) \
+ int(img[x - 1, y - 1]) \
+ int(img[x - 1, y]) \
+ int(img[x - 1, y + 1])
if sum <= 3 * 245:
img[x, y] = 0
else: # 具備9領(lǐng)域條件的
sum = int(img[x - 1, y - 1]) \
+ int(img[x - 1, y]) \
+ int(img[x - 1, y + 1]) \
+ int(img[x, y - 1]) \
+ int(cur_pixel) \
+ int(img[x, y + 1]) \
+ int(img[x + 1, y - 1]) \
+ int(img[x + 1, y]) \
+ int(img[x + 1, y + 1])
if sum <= 4 * 245:
img[x, y] = 0
cv2.imwrite(filename,img)
return img
def _get_dynamic_binary_image(filedir, img_name):
'''
自適應(yīng)閥值二值化
'''
filename = './out_img/' + img_name.split('.')[0] + '-binary.jpg'
img_name = filedir + '/' + img_name
print('.....' + img_name)
im = cv2.imread(img_name)
im = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)
th1 = cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1)
cv2.imwrite(filename,th1)
return th1
def _get_static_binary_image(img, threshold = 140):
'''
手動(dòng)二值化
'''
img = Image.open(img)
img = img.convert('L')
pixdata = img.load()
w, h = img.size
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
def cfs(im,x_fd,y_fd):
'''用隊(duì)列和集合記錄遍歷過(guò)的像素坐標(biāo)代替單純遞歸以解決cfs訪問(wèn)過(guò)深問(wèn)題
'''
# print('**********')
xaxis=[]
yaxis=[]
visited =set()
q = Queue()
q.put((x_fd, y_fd))
visited.add((x_fd, y_fd))
offsets=[(1, 0), (0, 1), (-1, 0), (0, -1)]#四鄰域
while not q.empty():
x,y=q.get()
for xoffset,yoffset in offsets:
x_neighbor,y_neighbor = x+xoffset,y+yoffset
if (x_neighbor,y_neighbor) in (visited):
continue # 已經(jīng)訪問(wèn)過(guò)了
visited.add((x_neighbor, y_neighbor))
try:
if im[x_neighbor, y_neighbor] == 0:
xaxis.append(x_neighbor)
yaxis.append(y_neighbor)
q.put((x_neighbor,y_neighbor))
except IndexError:
pass
# print(xaxis)
if (len(xaxis) == 0 | len(yaxis) == 0):
xmax = x_fd + 1
xmin = x_fd
ymax = y_fd + 1
ymin = y_fd
else:
xmax = max(xaxis)
xmin = min(xaxis)
ymax = max(yaxis)
ymin = min(yaxis)
#ymin,ymax=sort(yaxis)
return ymax,ymin,xmax,xmin
def detectFgPix(im,xmax):
'''搜索區(qū)塊起點(diǎn)
'''
h,w = im.shape[:2]
for y_fd in range(xmax+1,w):
for x_fd in range(h):
if im[x_fd,y_fd] == 0:
return x_fd,y_fd
def CFS(im):
'''切割字符位置
'''
zoneL=[]#各區(qū)塊長(zhǎng)度L列表
zoneWB=[]#各區(qū)塊的X軸[起始，終點(diǎn)]列表
zoneHB=[]#各區(qū)塊的Y軸[起始，終點(diǎn)]列表
xmax=0#上一區(qū)塊結(jié)束黑點(diǎn)橫坐標(biāo),這里是初始化
for i in range(10):
try:
x_fd,y_fd = detectFgPix(im,xmax)
# print(y_fd,x_fd)
xmax,xmin,ymax,ymin=cfs(im,x_fd,y_fd)
L = xmax - xmin
H = ymax - ymin
zoneL.append(L)
zoneWB.append([xmin,xmax])
zoneHB.append([ymin,ymax])
except TypeError:
return zoneL,zoneWB,zoneHB
return zoneL,zoneWB,zoneHB
def cutting_img(im,im_position,img,xoffset = 1,yoffset = 1):
filename = './out_img/' + img.split('.')[0]
# 識(shí)別出的字符個(gè)數(shù)
im_number = len(im_position[1])
# 切割字符
for i in range(im_number):
im_start_X = im_position[1][i][0] - xoffset
im_end_X = im_position[1][i][1] + xoffset
im_start_Y = im_position[2][i][0] - yoffset
im_end_Y = im_position[2][i][1] + yoffset
cropped = im[im_start_Y:im_end_Y, im_start_X:im_end_X]
cv2.imwrite(filename + '-cutting-' + str(i) + '.jpg',cropped)
def main():
filedir = './easy_img'
for file in os.listdir(filedir):
if fnmatch(file, '*.jpeg'):
img_name = file
# 自適應(yīng)閾值二值化
im = _get_dynamic_binary_image(filedir, img_name)
# 去除邊框
im = clear_border(im,img_name)
# 對(duì)圖片進(jìn)行干擾線降噪
im = interference_line(im,img_name)
# 對(duì)圖片進(jìn)行點(diǎn)降噪
im = interference_point(im,img_name)
# 切割的位置
im_position = CFS(im)
maxL = max(im_position[0])
minL = min(im_position[0])
# 如果有粘連字符，如果一個(gè)字符的長(zhǎng)度過(guò)長(zhǎng)就認(rèn)為是粘連字符，并從中間進(jìn)行切割
if(maxL > minL + minL * 0.7):
maxL_index = im_position[0].index(maxL)
minL_index = im_position[0].index(minL)
# 設(shè)置字符的寬度
im_position[0][maxL_index] = maxL // 2
im_position[0].insert(maxL_index + 1, maxL // 2)
# 設(shè)置字符X軸[起始，終點(diǎn)]位置
im_position[1][maxL_index][1] = im_position[1][maxL_index][0] + maxL // 2
im_position[1].insert(maxL_index + 1, [im_position[1][maxL_index][1] + 1, im_position[1][maxL_index][1] + 1 + maxL // 2])
# 設(shè)置字符的Y軸[起始，終點(diǎn)]位置
im_position[2].insert(maxL_index + 1, im_position[2][maxL_index])
# 切割字符，要想切得好就得配置參數(shù)，通常 1 or 2 就可以
cutting_img(im,im_position,img_name,1,1)
# 識(shí)別驗(yàn)證碼
cutting_img_num = 0
for file in os.listdir('./out_img'):
str_img = ''
if fnmatch(file, '%s-cutting-*.jpg' % img_name.split('.')[0]):
cutting_img_num += 1
for i in range(cutting_img_num):
try:
file = './out_img/%s-cutting-%s.jpg' % (img_name.split('.')[0], i)
# 識(shí)別驗(yàn)證碼
str_img = str_img + image_to_string(Image.open(file),lang = 'eng', config='-psm 10') #單個(gè)字符是10，一行文本是7
except Exception as err:
pass
print('切圖：%s' % cutting_img_num)
print('識(shí)別為：%s' % str_img)
if __name__ == '__main__':
main()
以上就是Python實(shí)現(xiàn)驗(yàn)證碼識(shí)別的詳細(xì)內(nèi)容，更多關(guān)于Python驗(yàn)證碼識(shí)別的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
您可能感興趣的文章:
- 用python實(shí)現(xiàn)一個(gè)簡(jiǎn)單的驗(yàn)證碼
- Python利用Pillow(PIL)庫(kù)實(shí)現(xiàn)驗(yàn)證碼圖片的全過(guò)程
- python圖片驗(yàn)證碼識(shí)別最新模塊muggle_ocr的示例代碼
- 使用python創(chuàng)建生成動(dòng)態(tài)鏈接庫(kù)dll的方法
- python調(diào)用動(dòng)態(tài)鏈接庫(kù)的基本過(guò)程詳解
- ubuntu中python調(diào)用C/C++方法之動(dòng)態(tài)鏈接庫(kù)詳解
- Python在Windows和在Linux下調(diào)用動(dòng)態(tài)鏈接庫(kù)的教程
- Python調(diào)用易語(yǔ)言動(dòng)態(tài)鏈接庫(kù)實(shí)現(xiàn)驗(yàn)證碼功能
相關(guān)文章
python GUI庫(kù)圖形界面開(kāi)發(fā)之PyQt5選項(xiàng)卡控件QTabWidget詳細(xì)使用方法與實(shí)例
這篇文章主要介紹了python GUI庫(kù)圖形界面開(kāi)發(fā)之PyQt5選項(xiàng)卡控件QTabWidget詳細(xì)使用方法與實(shí)例,需要的朋友可以參考下2020-03-03
今天小編就為大家分享一篇python遍歷文件夾,指定遍歷深度與忽略目錄的方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-07-07
使用Python實(shí)現(xiàn)批量發(fā)送個(gè)性化郵件
在現(xiàn)代工作環(huán)境中,我們經(jīng)常需要向多個(gè)收件人發(fā)送個(gè)性化的郵件,因此本文小編為大家整理了Python實(shí)現(xiàn)批量發(fā)送個(gè)性化郵件的示例代碼,希望對(duì)大家有所幫助2023-11-11
本篇閱讀的三份代碼的功能分別是判斷列表中的元素是否都符合給定的條件；判斷列表中是否存在符合給定的條件的元素；以及判斷列表中的元素是否都不符合給定的條件,下面小編將在文章里詳細(xì)介紹，需要的朋友可以參考下2021-09-09
Python?pydash庫(kù)處理大規(guī)模數(shù)據(jù)集執(zhí)行復(fù)雜操作
在數(shù)據(jù)處理和分析領(lǐng)域,Python一直是一種強(qiáng)大的編程語(yǔ)言,然而,在處理大規(guī)模數(shù)據(jù)集和執(zhí)行復(fù)雜操作時(shí),有時(shí)候需要更高效的工具,在本文中,我們將深入探討pydash庫(kù),這是一個(gè)專注于提高Python代碼性能的工具2023-12-12
Git 是一個(gè)開(kāi)源的分布式版本控制系統(tǒng)，用于敏捷高效地處理任何或小或大的項(xiàng)目。本文通過(guò)實(shí)例代碼給大家介紹如何使用python代碼操作git，感興趣的朋友一起看看吧2020-02-02
Python爬取網(wǎng)易云音樂(lè)熱門(mén)評(píng)論
本文將詳細(xì)介紹了Python獲取網(wǎng)易云音樂(lè)熱門(mén)評(píng)論的實(shí)例。具有很好的參考價(jià)值，下面跟著小編一起來(lái)看下吧2017-03-03
這篇文章主要介紹了Python基礎(chǔ)之Socket通信原理,文中有非常詳細(xì)的代碼示例,對(duì)正在學(xué)習(xí)python基礎(chǔ)的小伙伴們有非常好的幫助,需要的朋友可以參考下2021-04-04
python學(xué)習(xí)之plot函數(shù)的使用教程
這篇文章主要給大家介紹了關(guān)于python學(xué)習(xí)之plot函數(shù)的使用教程，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-04-04
python操作MySQL數(shù)據(jù)庫(kù)的方法分享
堅(jiān)持每天學(xué)一點(diǎn)，每天積累一點(diǎn)點(diǎn)，作為自己每天的業(yè)余收獲，這個(gè)文章是我在吃飯的期間寫(xiě)的，利用自己零散的時(shí)間學(xué)了一下python操作MYSQL，所以整理一下2012-05-05