使用 Python 和 Tesseract 实现验证码识别

验证码（CAPTCHA）是用来验证用户是否为人类的常见技术，但在某些场景下，我们希望能够通过自动化手段识别验证码。本文将介绍如何使用 Python 和 Tesseract OCR 引擎实现验证码的自动识别，处理图像并提取其中的文字。

1. 环境准备
   安装 Tesseract OCR
   首先，我们需要安装 Tesseract OCR 引擎。可以从 Tesseract 官网 下载并安装。安装后，确认是否成功安装，可以在终端中运行：

bash
tesseract --version更多内容访问ttocr.com或联系1436423940
如果返回了版本信息，表示安装成功。

安装 Python 库
接着，安装所需的 Python 库。我们需要安装 pytesseract、Pillow 和 opencv-python 等库：

bash

pip install pytesseract pillow opencv-python
pytesseract 是 Tesseract OCR 的 Python 包，允许我们在 Python 中调用 Tesseract 引擎。
Pillow 用于图像的基本处理。
opencv-python 用于图像处理和读取。
2. 编写验证码识别代码
以下是一个简单的 Python 脚本，展示如何加载图像，进行预处理，并使用 Tesseract 进行验证码识别。

python

import pytesseract
from PIL import Image
import cv2
import numpy as np

设置 Tesseract 可执行文件的路径

pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' # Windows 示例路径

读取图像

img = cv2.imread('captcha.png')

图像预处理：转为灰度图像

gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

图像二值化：将灰度图像转换为黑白图像，去除噪声

_, binary_img = cv2.threshold(gray_img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

去噪：使用中值滤波减少图像中的噪声

denoised_img = cv2.medianBlur(binary_img, 3)

保存处理后的图像（可选）

cv2.imwrite('processed_captcha.png', denoised_img)

使用 Tesseract OCR 进行识别

text = pytesseract.image_to_string(denoised_img)

输出识别的验证码

print("识别的验证码是:", text.strip())
3. 图像预处理
验证码图像常常包含噪声，且背景复杂，直接识别可能会导致错误。为了提高识别率，我们可以通过以下步骤进行图像预处理：

灰度化：将彩色图像转换为灰度图，减少颜色干扰。
二值化：将灰度图像转换为黑白图像，增加字符的对比度。
去噪：使用滤波算法减少图像中的噪声，使文字更加突出。
在上述代码中，首先使用 cv2.cvtColor() 将图像转为灰度图，随后使用 cv2.threshold() 进行二值化，并通过 cv2.medianBlur() 进行去噪。

4. 提高识别准确率
   虽然 Tesseract 很强大，但对某些复杂的验证码，它可能识别不准确。以下是一些常见的提高识别准确率的方法：

5. 使用字符白名单
   如果验证码只包含数字或字母，可以通过设置字符白名单来限制 Tesseract 只识别这些字符，从而提高识别准确度：

custom_config = r'--oem 3 --psm 6 tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ'
text = pytesseract.image_to_string(denoised_img, config=custom_config)
2. 调整 OCR 参数
Tesseract 提供了许多参数，可以帮助提高识别率。其中，最常用的参数是 psm（页面分割模式）：

psm 6：适用于单行文本。
psm 11：适用于稀疏文本。
psm 3：适用于常规文档。
你可以尝试调整这些参数，找到最适合验证码的模式：

python

custom_config = r'--psm 6'
text = pytesseract.image_to_string(denoised_img, config=custom_config)
3. 图像分割
如果验证码中包含多个字符并且字符之间有间隔，可以将图像分割成多个小图，分别进行识别，最后拼接识别结果。

例如，使用 OpenCV 对图像进行轮廓检测，将每个字符分割出来进行单独识别。

4. 自定义训练
   如果验证码的字体非常特殊，Tesseract 的默认模型可能无法准确识别。在这种情况下，你可以通过提供自定义训练数据来提高识别精度。Tesseract 支持训练模型来识别自定义字体或特定类型的验证码。

5. 运行程序
   保存代码为 captcha_recognition.py，并确保验证码图像（如 captcha.png）与代码文件位于同一目录。然后，运行 Python 程序：

bash

python captcha_recognition.py
成功运行后，你将看到类似以下的输出：

makefile

识别的验证码是: X9D2A