这篇文章主要介绍python验证码识别之灰度处理,二值化,降噪与tesserocr识别的示例分析,文中介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们一定要看完!
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
<李>增加对比度(可选)
<李>二值化
<李>降噪
<李>倾斜校正分割字符
<李>建立训练库
<李>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 (本地下载)这个库,当然验证码(本地下载)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没有,然后开始生成验证码:
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:
apt-get install tesseract-ocr libtesseract-dev libleptonica-dev
pip install tesserocr
<强>然后开始识别:
可以看的出,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:
生成验证码如下:
p2 =, Image.open (& # 39; 2. png # 39;)
tesserocr.image_to_text (p2)
& # 39;8069 \ n \ n # 39;
效果还可以。接下来生成一个字母数字组合的:
生成验证码如下:
第3个为小写字母啊,第4个为大写字母啊,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:
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。
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:
