Python验证码识别实战：从灰度处理到TesserOCR识别全流程
本文详细讲解利用Python进行图像类验证码识别的完整流程。从生成测试验证码入手，依次演示灰度处理、二值化及基于邻域算法的降噪技术，并结合TesserOCR库实现自动识别。文章通过对比不同干扰程度下的识别效果，提供了处理简单至中等复杂度验证码的实用代码与策略。
前言
在开发爬虫程序时，验证码是一个无法回避的技术难点。目前的验证码主要可以分为四类：
- 图像类
- 滑动类
- 点击类
- 语音类
本文将重点探讨图像类验证码。这类验证码通常由数字、字母混合组成，部分国内网站甚至使用汉字。为了增加识别难度，生成时往往会加入噪点、干扰线、字符变形、重叠以及不同字体颜色等干扰因素。
针对此类验证码的识别，通常遵循以下处理步骤：
- 灰度处理
- 增加对比度（可选）
- 二值化
- 降噪处理
- 倾斜校正与字符分割
- 建立训练库
- 最终识别
出于实验目的，本文使用的验证码均由程序自动生成，而非从真实网站批量抓取。这样做的主要优势在于拥有大量已知准确结果的数据集，便于验证算法效果。
若需在真实环境中获取数据进行训练，可结合各大打码平台来构建数据集。
在生成验证码环节，本文使用Claptcha库（本地下载），Captcha库（本地下载）也是不错的替代选择。
为了生成最基础的纯数字且无干扰的验证码，需要对claptcha.py源码第285行的_drawLine函数进行修改，直接使其返回None，随后即可开始生成验证码：
from claptcha import Claptcha
c = Claptcha("8069","/usr/share/fonts/truetype/freefont/FreeMono.ttf")
t,_ = c.write('1.png')
请注意Ubuntu系统的字体路径配置，也可自行下载其他字体文件使用。生成的验证码效果如下：
从图中可见，验证码存在形变。针对这类最简单的验证码，可以直接使用谷歌开源的tesserocr库进行识别。
首先执行安装命令：
apt-get install tesseract-ocr libtesseract-dev libleptonica-dev pip install tesserocr
接着进行识别测试：
from PIL import Image
import tesserocr
p1 = Image.open('1.png')
tesserocr.image_to_text(p1)
'8069\n\n'
结果显示，对于此类简单验证码，即使不做任何预处理，识别率也已经相当高。有兴趣的读者可以使用更多数据进行测试，此处不再展开。
接下来，我们在验证码背景中添加噪点，观察效果：
c = Claptcha("8069","/usr/share/fonts/truetype/freefont/FreeMono.ttf",noise=0.4)
t,_ = c.write('2.png')
生成的验证码如下：
识别结果：
p2 = Image.open('2.png')
tesserocr.image_to_text(p2)
'8069\n\n'
效果尚可。随后生成一个包含字母和数字组合的验证码：
c2 = Claptcha("A4oO0zZ2","/usr/share/fonts/truetype/freefont/FreeMono.ttf")
t,_ = c2.write('3.png')
生成的验证码如下：
其中第3个字符是小写字母o，第4个是大写字母O，第5个是数字0，第6个是小写字母z，第7个是大写字母Z，最后一个字符是数字2。这种混淆对人眼极具挑战，但大多数现代验证码对大小写并不做严格区分，我们来看看自动识别的效果：
p3 = Image.open('3.png')
tesserocr.image_to_text(p3)
'AMOOZW\n\n'
既然人眼都难以分辨，计算机识别自然更加困难。然而，对于干扰较小、形变不严重的场景，使用tesserocr依然简单有效。接下来，我们将claptcha.py第285行的_drawLine函数还原，观察添加干扰线的情况。
p4 = Image.open('4.png')
tesserocr.image_to_text(p4)
''
一旦加入干扰线，识别率便完全失效。那么，是否有办法去除这些干扰线呢？
尽管图片看起来是黑白的，但仍需进行灰度处理。否则，使用load()函数获取的是像素点的RGB元组而非单一灰度值。处理代码如下：
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
处理后的图片效果如下：
可以看出，处理后图像锐度显著提升。接下来尝试去除干扰线，常用方法包括4邻域和8邻域算法。所谓X邻域算法，可参考手机九宫格输入法：以按键5为待判断像素点，4邻域即判断其上下左右四个方向，8邻域则判断周围8个像素点。若这4或8个点中值为255（白色）的数量超过设定阈值，则判定该点为噪声，阈值可根据实际情况调整。
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：
结果似乎……毫无作用？确实如此，因为示例图片中干扰线的宽度与数字宽度一致。对于干扰线与数据像素宽度不同的情况，例如Captcha生成的验证码：
从左至右依次展示原图、二值化后图像及去除干扰线后的效果，总体降噪效果较为明显。此外，降噪操作可多次执行。例如，我对上述降噪后的结果再次执行一次降噪，可获得如下效果：
再次进行识别，得到结果：
p7 = Image.open('7.png')
tesserocr.image_to_text(p7)
'8069 ,,\n\n'
另外，从图片观察，实际数据颜色与噪点及干扰线颜色差异明显，据此可直接剔除噪点，此处不再展开。 作为系列文章的第一篇，本文主要记录如何将图片进行灰度处理、二值化及降噪，并结合tesserocr识别简单验证码。剩余内容将在下一篇文章中与大家分享。
总结
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对本站的支持。
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
