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
Linux环境下MySQL-python安装过程分享
Feb 02 Python
在Python中用split()方法分割字符串的使用介绍
May 20 Python
利用matplotlib+numpy绘制多种绘图的方法实例
May 03 Python
python中关于for循环的碎碎念
Jun 30 Python
机器学习10大经典算法详解
Dec 07 Python
tensorflow获取变量维度信息
Mar 10 Python
简单了解python 生成器 列表推导式 生成器表达式
Aug 22 Python
Python字典常见操作实例小结【定义、添加、删除、遍历】
Oct 25 Python
python 利用toapi库自动生成api
Oct 19 Python
微软开源最强Python自动化神器Playwright(不用写一行代码)
Jan 05 Python
在pycharm中无法import所安装的库解决方案
May 31 Python
Python Pandas模块实现数据的统计分析的方法
Jun 24 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
社区(php&amp;&amp;mysql)四
2006/10/09 PHP
FirePHP 推荐一款PHP调试工具
2011/04/23 PHP
PHP下通过QRCode类库创建中间带网站LOGO的二维码
2014/07/12 PHP
php身份证号码检查类实例
2015/06/18 PHP
WordPress中对访客评论功能的一些优化方法
2015/11/24 PHP
yii去掉必填项中星号的方法
2015/12/28 PHP
jquery 选取方法都有哪些
2014/05/18 Javascript
JS倒计时代码汇总
2014/11/25 Javascript
js漂浮广告实现代码
2015/08/15 Javascript
jquery实现手风琴效果
2015/11/20 Javascript
jQuery自定义数值抽奖活动代码
2016/06/11 Javascript
第九篇Bootstrap导航菜单创建步骤详解
2016/06/21 Javascript
Angularjs结合Bootstrap制作的一个TODO List
2016/08/18 Javascript
js本地图片预览实现代码
2016/10/09 Javascript
Vue实例简单方法介绍
2017/01/20 Javascript
Node.js中.pfx后缀文件的处理方法
2017/03/10 Javascript
Vue.js实现模拟微信朋友圈开发demo
2017/04/20 Javascript
基于rollup的组件库打包体积优化小结
2018/06/18 Javascript
浅谈Vue.js中如何实现自定义下拉菜单指令
2019/01/06 Javascript
利用Electron简单撸一个Markdown编辑器的方法
2019/06/10 Javascript
小程序click-scroll组件设计
2019/06/18 Javascript
微信小程序如何调用图片接口API并居中显示
2019/06/29 Javascript
基于canvas实现手写签名(vue)
2020/05/21 Javascript
彻底搞懂并解决vue-cli4中图片显示的问题实现
2020/08/31 Javascript
用python实现面向对像的ASP程序实例
2014/11/10 Python
Python基本语法经典教程
2016/03/11 Python
python中使用PIL制作并验证图片验证码
2018/03/15 Python
python3 实现一行输入,空格隔开的示例
2018/11/14 Python
详解使用python绘制混淆矩阵(confusion_matrix)
2019/07/14 Python
解决Django删除migrations文件夹中的文件后出现的异常问题
2019/08/31 Python
如何用python免费看美剧
2020/08/11 Python
scrapy处理python爬虫调度详解
2020/11/23 Python
2015年建筑工作总结报告
2015/05/04 职场文书
会议开幕致辞怎么写
2016/03/03 职场文书
祝福语集锦:送给毕业同学祝福语
2019/11/21 职场文书
分享五个Node.js开发的优秀实践 
2022/04/07 NodeJs