Python 和 Tesseract 实现验证码自动识别

验证码（CAPTCHA）是广泛应用于网站、应用程序等平台中的一种安全措施，旨在防止机器人自动提交表单、注册账号或进行其他自动化操作。为了让程序自动化识别验证码，我们可以使用光学字符识别（OCR）技术。Tesseract 是一个强大的开源 OCR 引擎，本文将介绍如何利用 Python 和 Tesseract 来识别验证码中的文字。

1. 环境准备
   安装 Python 和必要的库
   首先确保你已经安装了 Python。如果尚未安装，可以从 Python 官网 下载并安装。

在使用 Tesseract 进行 OCR 之前，我们需要安装以下几个 Python 库：

pytesseract：Python 的 Tesseract OCR 接口。
opencv-python：用于图像处理的库，特别是图像读取、预处理和图像变换。
Pillow：Python 的图像处理库，用于打开和保存图像。
可以通过 pip 安装这些库：

bash
更多内容访问ttocr.com或联系1436423940
pip install pytesseract opencv-python pillow
安装 Tesseract OCR 引擎
Tesseract 是一个开源的 OCR 引擎，需要在本地安装。安装方式如下：

Linux（Ubuntu）：

bash

sudo apt install tesseract-ocr
macOS（使用 Homebrew）：

bash

brew install tesseract
Windows： 访问 Tesseract GitHub 页面 下载适用于 Windows 的安装包。安装后，需要将 Tesseract 的安装路径添加到系统的环境变量中。

在命令行中输入以下命令，检查是否成功安装 Tesseract：

bash

tesseract --version
2. 编写验证码识别代码
在本节中，我们将展示如何编写一个 Python 程序，使用 Tesseract OCR 引擎识别验证码。以下是一个基本示例：

python

import pytesseract
from PIL import Image
import cv2

设置 Tesseract 的路径（Windows 用户需要配置路径）

pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

读取验证码图像

image_path = 'captcha_image.png' # 你的验证码图像路径
image = cv2.imread(image_path)

转换为灰度图像

gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

去噪处理：高斯模糊

blurred_image = cv2.GaussianBlur(gray_image, (5, 5), 0)

自适应阈值化处理

binary_image = cv2.adaptiveThreshold(blurred_image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

可选：保存预处理后的图像

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

使用 Tesseract 进行 OCR 识别

text = pytesseract.image_to_string(binary_image, config='--psm 6')

打印识别的验证码内容

print(f"识别的验证码是：{text.strip()}")
3. 代码解析
图像处理
加载图像：

使用 OpenCV 的 cv2.imread() 函数加载图像文件。image_path 变量是图像的路径，可以根据需要修改为实际文件路径。
灰度化：

使用 cv2.cvtColor() 将图像转换为灰度图像。灰度化可以去除颜色信息，仅保留亮度信息，从而减少干扰。
去噪声：

使用高斯模糊（cv2.GaussianBlur()）对图像进行平滑处理，这有助于去除背景噪声，使字符边缘更加清晰。
二值化：

cv2.adaptiveThreshold() 对图像进行自适应阈值化处理，将图像转换为黑白二值图像。此操作有助于突出文本部分，使得 OCR 引擎更容易识别。
OCR 识别
pytesseract.image_to_string() 函数用于将图像传递给 Tesseract 引擎进行 OCR 识别，返回识别的文本结果。
参数 config='--psm 6' 是 Tesseract 的页面分割模式（Page Segmentation Mode），指定了 OCR 引擎对图像进行识别时的页面布局模式。--psm 6 适用于文本内容为单一块的图像，这通常适合验证码类型的图像。
输出结果
程序将输出 Tesseract 识别的验证码内容。如果验证码是 A1B2C3，程序的输出将是：
text

识别的验证码是：A1B2C3
4. 运行程序
将上述代码保存为 Python 文件（例如 captcha_recognition.py），并确保验证码图像（如 captcha_image.png）在同一目录下。然后，在命令行中运行以下命令：

bash

python captcha_recognition.py
程序会加载图像，进行处理并输出识别结果。

5. 提高识别准确度
   如果在某些情况下，OCR 识别的精度不够高，你可以尝试以下方法来提高识别准确度：

6. 更改阈值化方法
   除了自适应阈值化外，你还可以尝试 Otsu 阈值化方法：

python

ret, binary_image = cv2.threshold(gray_image, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
2. 去噪声
如果验证码图像有较多的噪声，可以尝试其他去噪方法，如中值滤波：

python

denoised_image = cv2.medianBlur(binary_image, 3)
3. 调整 Tesseract 配置
Tesseract 提供了多种页面分割模式（PSM）。根据图像的结构，你可以尝试不同的 PSM 来提高识别准确度。例如：

--psm 3：适用于单行文本。
--psm 6：适用于文本块。
--psm 11：适用于稀疏文本。
python

text = pytesseract.image_to_string(binary_image, config='--psm 3')
4. 使用深度学习 OCR 模型
对于复杂或极度扭曲的验证码，传统的 Tesseract 引擎可能难以识别。这时，你可以考虑使用基于深度学习的 OCR 模型，例如 EasyOCR 或 PaddleOCR，这些模型对于处理具有噪声、扭曲的图像有更好的表现。