python验证码识别的示例代码


Posted in Python onSeptember 21, 2017

写爬虫有一个绕不过去的问题就是验证码,现在验证码分类大概有4种:

  • 图像类
  • 滑动类
  • 点击类
  • 语音类

今天先来看看图像类,这类验证码大多是数字、字母的组合,国内也有使用汉字的。在这个基础上增加噪点、干扰线、变形、重叠、不同字体颜色等方法来增加识别难度。

相应的,验证码识别大体可以分为下面几个步骤:

  • 灰度处理
  • 增加对比度(可选)
  • 二值化
  • 降噪
  • 倾斜校正分割字符
  • 建立训练库
  • 识别

由于是实验性质的,文中用到的验证码均为程序生成而不是批量下载真实的网站验证码,这样做的好处就是可以有大量的知道明确结果的数据集。

当需要真实环境下需要获取数据时,可以使用结合各个大码平台来建立数据集进行训练。

生成验证码这里我使用Claptcha这个库,当然Captcha这个库也是个不错的选择。

为了生成最简单的纯数字、无干扰的验证码,首先需要将claptcha.py的285行_drawLine做一些修改,我直接让这个函数返回None,然后开始生成验证码:

from claptcha import Claptcha
c = Claptcha("8069","/usr/share/fonts/truetype/freefont/FreeMono.ttf")
t,_ = c.write('1.png')

这里需要注意ubuntu的字体路径,也可以在网上下载其他字体使用。生成验证码如下:

python验证码识别的示例代码 

可以看出,验证码有形变。对于这类最简单的验证码,可以直接使用谷歌开源的tesserocr来识别。

首先安装:

apt-get install tesseract-ocr libtesseract-dev libleptonica-dev
pip install tesserocr

然后开始识别:

from PIL import Image
import tesserocr
p1 = Image.open('1.png')
tesserocr.image_to_text(p1)
'8069\n\n'

可以看出,对于这种简单的验证码,基本什么都不做识别率就已经很高了。有兴趣的小伙伴可以用更多的数据来测试,这里我就不展开了。

接下来,在验证码背景添加噪点来看看:

c = Claptcha("8069","/usr/share/fonts/truetype/freefont/FreeMono.ttf",noise=0.4)
t,_ = c.write('2.png')

生成验证码如下:

python验证码识别的示例代码 

识别:

p2 = Image.open('2.png')
tesserocr.image_to_text(p2)
'8069\n\n'

效果还可以。接下来生成一个字母数字组合的:

c2 = Claptcha("A4oO0zZ2","/usr/share/fonts/truetype/freefont/FreeMono.ttf")
t,_ = c2.write('3.png')

生成验证码如下:

python验证码识别的示例代码 

第3个为小写字母o,第4个为大写字母O,第5个为数字0,第6个为小写字母z,第7个为大写字母Z,最后一个是数字2。人眼已经跪了有木有!但现在一般验证码对大小写是不做严格区分的,看自动识别什么样吧:

p3 = Image.open('3.png')
tesserocr.image_to_text(p3)
'AMOOZW\n\n'

人眼都跪的计算机当然也废了。但是,对于一些干扰小、形变不严重的,使用tesserocr还是十分简单方便的。然后将修改的claptcha.py的285行_drawLine还原,看添加干扰线的情况。

python验证码识别的示例代码 

p4 = Image.open('4.png')
tesserocr.image_to_text(p4)

加了条干扰线就完全识别不出来了,那么有没有什么办法去除干扰线呢?

虽然图片看上去是黑白的,但还需要进行灰度处理,否则使用load()函数得到的是某个像素点的RGB元组而不是单一值了。处理如下:

def binarizing(img,threshold):
 """传入image对象进行灰度、二值处理"""
 img = img.convert("L") # 转灰度
 pixdata = img.load()
 w, h = img.size
 # 遍历所有像素,大于阈值的为黑色
 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

处理后的图片如下:

python验证码识别的示例代码 

可以看出处理后图片锐化了很多,接下来尝试去除干扰线,常见的4邻域、8邻域算法。所谓的X邻域算法,可以参考手机九宫格输入法,按键5为要判断的像素点,4邻域就是判断上下左右,8邻域就是判断周围8个像素点。如果这4或8个点中255的个数大于某个阈值则判断这个点为噪音,阈值可以根据实际情况修改。

def depoint(img):
 """传入二值化后的图片进行降噪"""
 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

处理后的图片如下:

python验证码识别的示例代码 

好像……根本没卵用啊?!确实是这样的,因为示例中的图片干扰线的宽度和数字是一样的。对于干扰线和数据像素不同的,比如Captcha生成的验证码:

python验证码识别的示例代码 

从左到右依次是原图、二值化、去除干扰线的情况,总体降噪的效果还是比较明显的。另外降噪可以多次执行,比如我对上面的降噪后结果再进行依次降噪,可以得到下面的效果:

python验证码识别的示例代码 

再进行识别得到了结果:

p7 = Image.open('7.png')
tesserocr.image_to_text(p7)
'8069 ,,\n\n'

另外,从图片来看,实际数据颜色明显和噪点干扰线不同,根据这一点可以直接把噪点全部去除,这里就不展开说了。

第一篇文章,先记录如何将图片进行灰度处理、二值化、降噪,并结合tesserocr来识别简单的验证码,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内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
详解Python之数据序列化(json、pickle、shelve)
Mar 30 Python
python @property的用法及含义全面解析
Feb 01 Python
Python实现Kmeans聚类算法
Jun 10 Python
python3实现随机数
Jun 25 Python
python算法与数据结构之单链表的实现代码
Jun 27 Python
python写入文件自动换行问题的方法
Jul 05 Python
python selenium 执行完毕关闭chromedriver进程示例
Nov 15 Python
使用python-pptx包批量修改ppt格式的实现
Feb 14 Python
Python调用shell cmd方法代码示例解析
Jun 18 Python
pytorch加载语音类自定义数据集的方法教程
Nov 10 Python
python3访问字典里的值实例方法
Nov 18 Python
python正则表达式re.match()匹配多个字符方法的实现
Jan 27 Python
Python优先队列实现方法示例
Sep 21 #Python
python虚拟环境virtualenv的安装与使用
Sep 21 #Python
基于python socketserver框架全面解析
Sep 21 #Python
基于python select.select模块通信的实例讲解
Sep 21 #Python
Python实现小数转化为百分数的格式化输出方法示例
Sep 20 #Python
Python实现字符串格式化输出的方法详解
Sep 20 #Python
Python+Selenium+PIL+Tesseract自动识别验证码进行一键登录
Sep 20 #Python
You might like
高分R级DC动画剧《哈莉·奎茵》第二季正式预告首发
2020/04/09 欧美动漫
使用 php4 加速 web 传输
2006/10/09 PHP
php中通过smtp发邮件的类,测试通过
2007/01/22 PHP
使用PHP获取网络文件的实现代码
2010/01/01 PHP
有关phpmailer的详细介绍及使用方法
2013/01/28 PHP
php中session定期自动清理的方法
2015/11/12 PHP
微信支付开发订单查询实例
2016/07/12 PHP
php的laravel框架快速集成微信登录的方法
2016/12/12 PHP
Laravel学习教程之从入口到输出过程详解
2017/08/27 PHP
jquery 简短右键菜单 多浏览器兼容
2010/01/01 Javascript
js实现Select列表各项上移和下移的方法
2015/08/14 Javascript
seajs模块压缩问题与解决方法实例分析
2017/10/10 Javascript
vue watch普通监听和深度监听实例详解(数组和对象)
2018/08/16 Javascript
vue cli3 调用百度翻译API翻译页面的实现示例
2019/09/13 Javascript
详解小程序云开发攻略(解决最棘手的问题)
2019/09/30 Javascript
Vue数据双向绑定原理实例解析
2020/05/15 Javascript
JS模拟实现京东快递单号查询
2020/11/30 Javascript
[01:56]《DOTA2》中文配音CG
2013/04/22 DOTA
Python OpenCV 直方图的计算与显示的方法示例
2018/02/08 Python
python 用下标截取字符串的实例
2018/12/25 Python
对Python定时任务的启动和停止方法详解
2019/02/19 Python
PyQt5实现简单数据标注工具
2019/03/18 Python
对python特殊函数 __call__()的使用详解
2019/07/02 Python
200行python代码实现2048游戏
2019/07/17 Python
python UDP(udp)协议发送和接收的实例
2019/07/22 Python
python进阶之自定义可迭代的类
2019/08/20 Python
Pytorch保存模型用于测试和用于继续训练的区别详解
2020/01/10 Python
Python 解决相对路径问题:&quot;No such file or directory&quot;
2020/06/05 Python
详解python logging日志传输
2020/07/01 Python
html5标记文字_动力节点Java学院整理
2017/07/11 HTML / CSS
汽车队司机先进事迹材料
2014/02/01 职场文书
世界遗产的导游词
2015/02/13 职场文书
2016年五一劳动节专题校园广播稿
2015/12/17 职场文书
2019秋季运动会口号
2019/06/25 职场文书
Python爬取科目四考试题库的方法实现
2021/03/30 Python
Nginx的gzip相关介绍
2022/05/11 Servers