前言
最近在研究驗證碼相關的操作，所以準備記錄下安裝以及使用的過程。雖然之前對驗證碼的破解有所了解的，但是之前都是簡單使用之后就不用了，沒有記錄一個詳細的過程，所以后面再用起來也要重新從網上查找資料比較麻煩，所以這里準備對研究過程的關鍵點做一個記錄。
首先這篇文章，主要是研究圖形驗證碼，后期會不定時拓展內容。
在網上查了很多版本的圖形驗證碼識別，目前看到最多的兩個模塊是pytesseract和tesserocr，但是因為我這里安裝tesserocr的時候各種出錯，所以最終我鎖定了使用pytesseract。
那么接下來，就記錄下安裝以及使用過程。這里的系統環境是mac os 10.14.
安裝tesserocr
brew install tesserocr
因為pytesseract依賴于tesserocr所以首先需要先安裝tesserocr這個軟件。接下來就是安裝python相關的包
安裝python所需要的包
pip3 install pytesseract pip3 install pillow
安裝pytesseract是ocr識別圖片上的字，因為驗證碼的識別難度高低不同，所以在這個過程中需要對圖片做一定的處理，這就需要使用處理圖片的模塊pillow。
一個簡單的demo
import pytesseract
from PIL import Image
import os
def binarizing(img, threshold):
"""傳入image對象進行灰度、二值處理"""
pixdata = img.load()
w, h = img.size
# 遍歷所有像素，大于閾值的為黑色
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
_temp = os.path.dirname(__file__)
file_path = os.path.join(_temp, 'code2.jpg')
print("file_path", file_path)
image = Image.open(file_path)
image = image.convert('L')
threshold = 157
table = []
# 接下來是二值化處理
# 遍歷所有像素，大于閾值的為黑色，threshold是閥值
image = binarizing(image, threshold)
result = pytesseract.image_to_string(image)
print(result)
示例中的圖片
需要用到的圖像知識：
對于彩色圖像，不管其圖像格式是PNG，還是BMP，或者JPG，在PIL中，使用Image模塊的open()函數打開后，返回的圖像對象的模式都是“RGB”。而對于灰度圖像，不管其圖像格式是PNG，還是BMP，或者JPG，打開后，其模式為“L”也就是我們說的灰度化的一個操作。除此之外，還有其他的模式，不過我們在處理驗證碼的時候是將其轉為灰度模式，所以就不強調其他的模式了。
模式“L”
模式“L”為灰色圖像，它的每個像素用8個bit表示，0表示黑，255表示白，其他數字表示不同的灰度。在PIL中，從模式“RGB”轉換為“L”模式是按照下面的公式轉換的：
L = R * 299/1000 + G * 587/1000+ B * 114/1000
通過灰度化之后的圖片變為
灰度化我們還要對其進行二值化操作
二值化操作
二值化故名思議，就是整個圖像所有像素只有兩個值可以選擇，一個是黑（灰度為0），一個是白（灰度為255）。二值化的好處就是將圖片上的有用信息和無用信息區分開來，比如二值化之后的驗證碼圖片，驗證碼像素為黑色，背景和干擾點為白色，這樣后面對驗證碼像素處理的時候就會很方便。對于簡單的圖形驗證碼，到這里基本上就夠了，但是如果有干擾線，還要進行除干擾線的操作。
對應的代碼為
def binarizing(img, threshold): """傳入image對象進行灰度、二值處理""" pixdata = img.load() w, h = img.size # 遍歷所有像素，大于閾值的為黑色 for y in range(h): for x in range(w): if pixdata[x, y] < threshold: pixdata[x, y] = 0 #小于閥值設為0，0是黑色 else: pixdata[x, y] = 255 0 #大于閥值設為255，255是白色 return img
此時的圖片效果為
可以看到圖片變得銳化了很多，這個時候再去識別就比較好識別了。
去干擾線
常見的4鄰域、8鄰域算法。所謂的X鄰域算法，可以參考手機九宮格輸入法，按鍵5為要判斷的像素點，4鄰域就是判斷上下左右，8鄰域就是判斷周圍8個像素點。如果這4或8個點中255的個數大于某個閾值則判斷這個點為噪音，閾值可以根據實際情況修改。
使用cv2處理
除此之外還可以使用cv2模塊進行處理。
安裝
pip install opencv-python
代碼示例
# -*- coding: utf-8 -*-
import cv2
import numpy as np
import os
_temp = os.path.dirname(__file__)
file_path = os.path.join(_temp, 'code2.jpg')
def remove_noise(img, k=4):
###8領域過濾
img2 = img.copy()
# img處理數據，k過濾條件
w, h = img2.shape
def get_neighbors(img3, r, c):
count = 0
for i in [r - 1, r, r + 1]:
for j in [c - 1, c, c + 1]:
if img3[i, j] > 10: # 純白色
count += 1
return count
# 兩層for循環判斷所有的點
for x in range(w):
for y in range(h):
if x == 0 or y == 0 or x == w - 1 or y == h - 1:
img2[x, y] = 255
else:
n = get_neighbors(img2, x, y) # 獲取鄰居數量，純白色的鄰居
if n > k:
img2[x, y] = 255
return img2
img = cv2.imread(file_path)
# 將圖片灰度化處理,降維,加權進行灰度化c
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
t, gray2 = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY)
cv2.imshow('threshold', gray2)
result = remove_noise(gray2)
cv2.imshow('8neighbors', result)
cv2.waitKey(0)
#cv2.destroyAllWindows()
總結
以上所述是小編給大家介紹的mac使用python識別圖形驗證碼功能，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復大家的。在此也非常感謝大家對億速云網站的支持！如果你覺得本文對你有幫助，歡迎轉載，煩請注明出處，謝謝！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
