Python验证码识别

大致介绍

  在python爬虫爬取某些网站的验证码的时候可能会遇到验证码识别的问题,现在的验证码大多分为四类:

    1、计算验证码

        2、滑块验证码

    3、识图验证码

    4、语音验证码

  这篇博客主要写的就是识图验证码,识别的是简单的验证码,要想让识别率更高,识别的更加准确就需要花很多的精力去训练自己的字体库。

  识别验证码通常是这几个步骤:

    1、灰度处理

    2、二值化

    3、去除边框(如果有的话)

    4、降噪

    5、切割字符或者倾斜度矫正

    6、训练字体库

    7、识别

  这6个步骤中前三个步骤是基本的,4或者5可根据实际情况选择是否需要,并不一定切割验证码,识别率就会上升很多有时候还会下降

  这篇博客不涉及训练字体库的内容,请自行搜索。同样也不讲解基础的语法。

  用到的几个主要的python库: Pillow(python图像处理库)、OpenCV(高级图像处理库)、pytesseract(识别库)

  

 

灰度处理&二值化

  灰度处理,就是把彩色的验证码图片转为灰色的图片。

  二值化,是将图片处理为只有黑白两色的图片,利于后面的图像处理和识别

  在OpenCV中有现成的方法可以进行灰度处理和二值化,处理后的效果:

  

 

  代码:

 1 # 自适应阀值二值化
 2 def _get_dynamic_binary_image(filedir, img_name):
 3   filename =   './out_img/' + img_name.split('.')[0] + '-binary.jpg'
 4   img_name = filedir + '/' + img_name
 5   print('.....' + img_name)
 6   im = cv2.imread(img_name)
 7   im = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY) #灰值化
 8   # 二值化
 9   th1 = cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1)
10   cv2.imwrite(filename,th1)
11   return th1

 

去除边框

  如果验证码有边框,那我们就需要去除边框,去除边框就是遍历像素点,找到四个边框上的所有点,把他们都改为白色,我这里边框是两个像素宽

  注意:在用OpenCV时,图片的矩阵点是反的,就是长和宽是颠倒的

  代码:

# 去除边框
def clear_border(img,img_name):
  filename = './out_img/' + img_name.split('.')[0] + '-clearBorder.jpg'
  h, w = img.shape[:2]
  for y in range(0, w):
    for x in range(0, h):
      if y < 2 or y > w - 2:
        img[x, y] = 255
      if x < 2 or x > h -2:
        img[x, y] = 255

  cv2.imwrite(filename,img)
  return img

  

  效果:

降噪

  降噪是验证码处理中比较重要的一个步骤,我这里使用了点降噪和线降噪

  

  线降噪的思路就是检测这个点相邻的四个点(图中标出的绿色点),判断这四个点中是白点的个数,如果有两个以上的白色像素点,那么就认为这个点是白色的,从而去除整个干扰线,但是这种方法是有限度的,如果干扰线特别粗就没有办法去除,只能去除细的干扰线

  代码:

 1 # 干扰线降噪
 2 def interference_line(img, img_name):
 3   filename =  './out_img/' + img_name.split('.')[0] + '-interferenceline.jpg'
 4   h, w = img.shape[:2]
 5   # !!!opencv矩阵点是反的
 6   # img[1,2] 1:图片的高度,2:图片的宽度
 7   for y in range(1, w - 1):
 8     for x in range(1, h - 1):
 9       count = 0
10       if img[x, y - 1] > 245:
11         count = count + 1
12       if img[x, y + 1] > 245:
13         count = count + 1
14       if img[x - 1, y] > 245:
15         count = count + 1
16       if img[x + 1, y] > 245:
17         count = count + 1
18       if count > 2:
19         img[x, y] = 255
20   cv2.imwrite(filename,img)
21   return img

 

  点降噪的思路和线降噪的差不多,只是会针对不同的位置检测的点不一样,注释写的很清楚了

  代码:

# 点降噪
def interference_point(img,img_name, x = 0, y = 0):
    """
    9邻域框,以当前点为中心的田字框,黑点个数
    :param x:
    :param y:
    :return:
    """
    filename =  './out_img/' + img_name.split('.')[0] + '-interferencePoint.jpg'
    # todo 判断图片的长宽度下限
    cur_pixel = img[x,y]# 当前像素点的值
    height,width = img.shape[:2]

    for y in range(0, width - 1):
      for x in range(0, height - 1):
        if y == 0:  # 第一行
            if x == 0:  # 左上顶点,4邻域
                # 中心点旁边3个点
                sum = int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x + 1, y]) \
                      + int(img[x + 1, y + 1])
                if sum <= 2 * 245:
                  img[x, y] = 0
            elif x == height - 1:  # 右上顶点
                sum = int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x - 1, y]) \
                      + int(img[x - 1, y + 1])
                if sum <= 2 * 245:
                  img[x, y] = 0
            else:  # 最上非顶点,6邻域
                sum = int(img[x - 1, y]) \
                      + int(img[x - 1, y + 1]) \
                      + int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x + 1, y]) \
                      + int(img[x + 1, y + 1])
                if sum <= 3 * 245:
                  img[x, y] = 0
        elif y == width - 1:  # 最下面一行
            if x == 0:  # 左下顶点
                # 中心点旁边3个点
                sum = int(cur_pixel) \
                      + int(img[x + 1, y]) \
                      + int(img[x + 1, y - 1]) \
                      + int(img[x, y - 1])
                if sum <= 2 * 245:
                  img[x, y] = 0
            elif x == height - 1:  # 右下顶点
                sum = int(cur_pixel) \
                      + int(img[x, y - 1]) \
                      + int(img[x - 1, y]) \
                      + int(img[x - 1, y - 1])

                if sum <= 2 * 245:
                  img[x, y] = 0
            else:  # 最下非顶点,6邻域
                sum = int(cur_pixel) \
                      + int(img[x - 1, y]) \
                      + int(img[x + 1, y]) \
                      + int(img[x, y - 1]) \
                      + int(img[x - 1, y - 1]) \
                      + int(img[x + 1, y - 1])
                if sum <= 3 * 245:
                  img[x, y] = 0
        else:  # y不在边界
            if x == 0:  # 左边非顶点
                sum = int(img[x, y - 1]) \
                      + int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x + 1, y - 1]) \
                      + int(img[x + 1, y]) \
                      + int(img[x + 1, y + 1])

                if sum <= 3 * 245:
                  img[x, y] = 0
            elif x == height - 1:  # 右边非顶点
                sum = int(img[x, y - 1]) \
                      + int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x - 1, y - 1]) \
                      + int(img[x - 1, y]) \
                      + int(img[x - 1, y + 1])

                if sum <= 3 * 245:
                  img[x, y] = 0
            else:  # 具备9领域条件的
                sum = int(img[x - 1, y - 1]) \
                      + int(img[x - 1, y]) \
                      + int(img[x - 1, y + 1]) \
                      + int(img[x, y - 1]) \
                      + int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x + 1, y - 1]) \
                      + int(img[x + 1, y]) \
                      + int(img[x + 1, y + 1])
                if sum <= 4 * 245:
                  img[x, y] = 0
    cv2.imwrite(filename,img)
    return img

 

  效果

 

  其实到了这一步,这些字符就可以识别了,没必要进行字符切割了,现在这三种类型的验证码识别率已经达到50%以上了

 

字符切割

  字符切割通常用于验证码中有粘连的字符,粘连的字符不好识别,所以我们需要将粘连的字符切割为单个的字符,在进行识别

  字符切割的思路就是找到一个黑色的点,然后在遍历与他相邻的黑色的点,直到遍历完所有的连接起来的黑色的点,找出这些点中的最高的点、最低的点、最右边的点、最左边的点,记录下这四个点,认为这是一个字符,然后在向后遍历点,直至找到黑色的点,继续以上的步骤。最后通过每个字符的四个点进行切割

  

  图中红色的点就是代码执行完后,标识出的每个字符的四个点,然后就会根据这四个点进行切割(图中画的有些误差,懂就好)

  但是也可以看到,m2是粘连的,代码认为他是一个字符,所以我们需要对每个字符的宽度进行检测,如果他的宽度过宽,我们就认为他是两个粘连在一起的字符,并将它在从中间切割

  确定每个字符的四个点代码

def cfs(im,x_fd,y_fd):
  '''用队列和集合记录遍历过的像素坐标代替单纯递归以解决cfs访问过深问题
  '''

  # print('**********')

  xaxis=[]
  yaxis=[]
  visited =set()
  q = Queue()
  q.put((x_fd, y_fd))
  visited.add((x_fd, y_fd))
  offsets=[(1, 0), (0, 1), (-1, 0), (0, -1)]#四邻域

  while not q.empty():
      x,y=q.get()

      for xoffset,yoffset in offsets:
          x_neighbor,y_neighbor = x+xoffset,y+yoffset

          if (x_neighbor,y_neighbor) in (visited):
              continue  # 已经访问过了

          visited.add((x_neighbor, y_neighbor))

          try:
              if im[x_neighbor, y_neighbor] == 0:
                  xaxis.append(x_neighbor)
                  yaxis.append(y_neighbor)
                  q.put((x_neighbor,y_neighbor))

          except IndexError:
              pass
  # print(xaxis)
  if (len(xaxis) == 0 | len(yaxis) == 0):
    xmax = x_fd + 1
    xmin = x_fd
    ymax = y_fd + 1
    ymin = y_fd

  else:
    xmax = max(xaxis)
    xmin = min(xaxis)
    ymax = max(yaxis)
    ymin = min(yaxis)
    #ymin,ymax=sort(yaxis)

  return ymax,ymin,xmax,xmin

def detectFgPix(im,xmax):
  '''搜索区块起点
  '''

  h,w = im.shape[:2]
  for y_fd in range(xmax+1,w):
      for x_fd in range(h):
          if im[x_fd,y_fd] == 0:
              return x_fd,y_fd

def CFS(im):
  '''切割字符位置
  '''

  zoneL=[]#各区块长度L列表
  zoneWB=[]#各区块的X轴[起始,终点]列表
  zoneHB=[]#各区块的Y轴[起始,终点]列表

  xmax=0#上一区块结束黑点横坐标,这里是初始化
  for i in range(10):

      try:
          x_fd,y_fd = detectFgPix(im,xmax)
          # print(y_fd,x_fd)
          xmax,xmin,ymax,ymin=cfs(im,x_fd,y_fd)
          L = xmax - xmin
          H = ymax - ymin
          zoneL.append(L)
          zoneWB.append([xmin,xmax])
          zoneHB.append([ymin,ymax])

      except TypeError:
          return zoneL,zoneWB,zoneHB

  return zoneL,zoneWB,zoneHB

 

  分割粘连字符代码

      # 切割的位置
      im_position = CFS(im)

      maxL = max(im_position[0])
      minL = min(im_position[0])

      # 如果有粘连字符,如果一个字符的长度过长就认为是粘连字符,并从中间进行切割
      if(maxL > minL + minL * 0.7):
        maxL_index = im_position[0].index(maxL)
        minL_index = im_position[0].index(minL)
        # 设置字符的宽度
        im_position[0][maxL_index] = maxL // 2
        im_position[0].insert(maxL_index + 1, maxL // 2)
        # 设置字符X轴[起始,终点]位置
        im_position[1][maxL_index][1] = im_position[1][maxL_index][0] + maxL // 2
        im_position[1].insert(maxL_index + 1, [im_position[1][maxL_index][1] + 1, im_position[1][maxL_index][1] + 1 + maxL // 2])
        # 设置字符的Y轴[起始,终点]位置
        im_position[2].insert(maxL_index + 1, im_position[2][maxL_index])

      # 切割字符,要想切得好就得配置参数,通常 1 or 2 就可以
      cutting_img(im,im_position,img_name,1,1)

 

  切割粘连字符代码

def cutting_img(im,im_position,img,xoffset = 1,yoffset = 1):
  filename =  './out_img/' + img.split('.')[0]
  # 识别出的字符个数
  im_number = len(im_position[1])
  # 切割字符
  for i in range(im_number):
    im_start_X = im_position[1][i][0] - xoffset
    im_end_X = im_position[1][i][1] + xoffset
    im_start_Y = im_position[2][i][0] - yoffset
    im_end_Y = im_position[2][i][1] + yoffset
    cropped = im[im_start_Y:im_end_Y, im_start_X:im_end_X]
    cv2.imwrite(filename + '-cutting-' + str(i) + '.jpg',cropped)

 

  效果:

 

 

  识别

  识别用的是typesseract库,主要识别一行字符和单个字符时的参数设置,识别中英文的参数设置,代码很简单就一行,我这里大多是filter文件的操作

  代码

      # 识别验证码
      cutting_img_num = 0
      for file in os.listdir('./out_img'):
        str_img = ''
        if fnmatch(file, '%s-cutting-*.jpg' % img_name.split('.')[0]):
          cutting_img_num += 1
      for i in range(cutting_img_num):
        try:
          file = './out_img/%s-cutting-%s.jpg' % (img_name.split('.')[0], i)
          # 识别字符
          str_img = str_img + image_to_string(Image.open(file),lang = 'eng', config='-psm 10') #单个字符是10,一行文本是7
        except Exception as err:
          pass
      print('切图:%s' % cutting_img_num)
      print('识别为:%s' % str_img)

  

  最后这种粘连字符的识别率是在30%左右,而且这种只是处理两个字符粘连,如果有两个以上的字符粘连还不能识别,但是根据字符宽度判别的话也不难,有兴趣的可以试一下

  无需切割字符识别的效果:

 

 

  需要切割字符的识别效果:

 

 

  这种只是能够识别简单验证码,复杂的验证码还要靠大家了

  参考资料:

    1、http://www.jianshu.com/p/41127bf90ca9

  本来参考了挺多的资料,但是时间长了就找不到了,如果有人发现了,可以告诉我,我再添加

  使用方法:

 

    1、将要识别的验证码图片放入与脚本同级的img文件夹中,创建out_img文件夹
    2、python3 filename
    3、二值化、降噪等各个阶段的图片将存储在out_img文件夹中,最终识别结果会打印到屏幕上

 

  最后附上源码(带切割,不想要切割的就自己修改吧):

  1 from PIL import Image
  2 from pytesseract import *
  3 from fnmatch import fnmatch
  4 from queue import Queue
  5 import matplotlib.pyplot as plt
  6 import cv2
  7 import time
  8 import os
  9 
 10 
 11 
 12 
 13 
 14 def clear_border(img,img_name):
 15   '''去除边框
 16   '''
 17 
 18   filename = './out_img/' + img_name.split('.')[0] + '-clearBorder.jpg'
 19   h, w = img.shape[:2]
 20   for y in range(0, w):
 21     for x in range(0, h):
 22       # if y ==0 or y == w -1 or y == w - 2:
 23       if y < 4 or y > w -4:
 24         img[x, y] = 255
 25       # if x == 0 or x == h - 1 or x == h - 2:
 26       if x < 4 or x > h - 4:
 27         img[x, y] = 255
 28 
 29   cv2.imwrite(filename,img)
 30   return img
 31 
 32 
 33 def interference_line(img, img_name):
 34   '''
 35   干扰线降噪
 36   '''
 37 
 38   filename =  './out_img/' + img_name.split('.')[0] + '-interferenceline.jpg'
 39   h, w = img.shape[:2]
 40   # !!!opencv矩阵点是反的
 41   # img[1,2] 1:图片的高度,2:图片的宽度
 42   for y in range(1, w - 1):
 43     for x in range(1, h - 1):
 44       count = 0
 45       if img[x, y - 1] > 245:
 46         count = count + 1
 47       if img[x, y + 1] > 245:
 48         count = count + 1
 49       if img[x - 1, y] > 245:
 50         count = count + 1
 51       if img[x + 1, y] > 245:
 52         count = count + 1
 53       if count > 2:
 54         img[x, y] = 255
 55   cv2.imwrite(filename,img)
 56   return img
 57 
 58 def interference_point(img,img_name, x = 0, y = 0):
 59     """点降噪
 60     9邻域框,以当前点为中心的田字框,黑点个数
 61     :param x:
 62     :param y:
 63     :return:
 64     """
 65     filename =  './out_img/' + img_name.split('.')[0] + '-interferencePoint.jpg'
 66     # todo 判断图片的长宽度下限
 67     cur_pixel = img[x,y]# 当前像素点的值
 68     height,width = img.shape[:2]
 69 
 70     for y in range(0, width - 1):
 71       for x in range(0, height - 1):
 72         if y == 0:  # 第一行
 73             if x == 0:  # 左上顶点,4邻域
 74                 # 中心点旁边3个点
 75                 sum = int(cur_pixel) \
 76                       + int(img[x, y + 1]) \
 77                       + int(img[x + 1, y]) \
 78                       + int(img[x + 1, y + 1])
 79                 if sum <= 2 * 245:
 80                   img[x, y] = 0
 81             elif x == height - 1:  # 右上顶点
 82                 sum = int(cur_pixel) \
 83                       + int(img[x, y + 1]) \
 84                       + int(img[x - 1, y]) \
 85                       + int(img[x - 1, y + 1])
 86                 if sum <= 2 * 245:
 87                   img[x, y] = 0
 88             else:  # 最上非顶点,6邻域
 89                 sum = int(img[x - 1, y]) \
 90                       + int(img[x - 1, y + 1]) \
 91                       + int(cur_pixel) \
 92                       + int(img[x, y + 1]) \
 93                       + int(img[x + 1, y]) \
 94                       + int(img[x + 1, y + 1])
 95                 if sum <= 3 * 245:
 96                   img[x, y] = 0
 97         elif y == width - 1:  # 最下面一行
 98             if x == 0:  # 左下顶点
 99                 # 中心点旁边3个点
100                 sum = int(cur_pixel) \
101                       + int(img[x + 1, y]) \
102                       + int(img[x + 1, y - 1]) \
103                       + int(img[x, y - 1])
104                 if sum <= 2 * 245:
105                   img[x, y] = 0
106             elif x == height - 1:  # 右下顶点
107                 sum = int(cur_pixel) \
108                       + int(img[x, y - 1]) \
109                       + int(img[x - 1, y]) \
110                       + int(img[x - 1, y - 1])
111 
112                 if sum <= 2 * 245:
113                   img[x, y] = 0
114             else:  # 最下非顶点,6邻域
115                 sum = int(cur_pixel) \
116                       + int(img[x - 1, y]) \
117                       + int(img[x + 1, y]) \
118                       + int(img[x, y - 1]) \
119                       + int(img[x - 1, y - 1]) \
120                       + int(img[x + 1, y - 1])
121                 if sum <= 3 * 245:
122                   img[x, y] = 0
123         else:  # y不在边界
124             if x == 0:  # 左边非顶点
125                 sum = int(img[x, y - 1]) \
126                       + int(cur_pixel) \
127                       + int(img[x, y + 1]) \
128                       + int(img[x + 1, y - 1]) \
129                       + int(img[x + 1, y]) \
130                       + int(img[x + 1, y + 1])
131 
132                 if sum <= 3 * 245:
133                   img[x, y] = 0
134             elif x == height - 1:  # 右边非顶点
135                 sum = int(img[x, y - 1]) \
136                       + int(cur_pixel) \
137                       + int(img[x, y + 1]) \
138                       + int(img[x - 1, y - 1]) \
139                       + int(img[x - 1, y]) \
140                       + int(img[x - 1, y + 1])
141 
142                 if sum <= 3 * 245:
143                   img[x, y] = 0
144             else:  # 具备9领域条件的
145                 sum = int(img[x - 1, y - 1]) \
146                       + int(img[x - 1, y]) \
147                       + int(img[x - 1, y + 1]) \
148                       + int(img[x, y - 1]) \
149                       + int(cur_pixel) \
150                       + int(img[x, y + 1]) \
151                       + int(img[x + 1, y - 1]) \
152                       + int(img[x + 1, y]) \
153                       + int(img[x + 1, y + 1])
154                 if sum <= 4 * 245:
155                   img[x, y] = 0
156     cv2.imwrite(filename,img)
157     return img
158 
159 def _get_dynamic_binary_image(filedir, img_name):
160   '''
161   自适应阀值二值化
162   '''
163 
164   filename =   './out_img/' + img_name.split('.')[0] + '-binary.jpg'
165   img_name = filedir + '/' + img_name
166   print('.....' + img_name)
167   im = cv2.imread(img_name)
168   im = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)
169 
170   th1 = cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1)
171   cv2.imwrite(filename,th1)
172   return th1
173 
174 def _get_static_binary_image(img, threshold = 140):
175   '''
176   手动二值化
177   '''
178 
179   img = Image.open(img)
180   img = img.convert('L')
181   pixdata = img.load()
182   w, h = img.size
183   for y in range(h):
184     for x in range(w):
185       if pixdata[x, y] < threshold:
186         pixdata[x, y] = 0
187       else:
188         pixdata[x, y] = 255
189 
190   return img
191 
192 
193 def cfs(im,x_fd,y_fd):
194   '''用队列和集合记录遍历过的像素坐标代替单纯递归以解决cfs访问过深问题
195   '''
196 
197   # print('**********')
198 
199   xaxis=[]
200   yaxis=[]
201   visited =set()
202   q = Queue()
203   q.put((x_fd, y_fd))
204   visited.add((x_fd, y_fd))
205   offsets=[(1, 0), (0, 1), (-1, 0), (0, -1)]#四邻域
206 
207   while not q.empty():
208       x,y=q.get()
209 
210       for xoffset,yoffset in offsets:
211           x_neighbor,y_neighbor = x+xoffset,y+yoffset
212 
213           if (x_neighbor,y_neighbor) in (visited):
214               continue  # 已经访问过了
215 
216           visited.add((x_neighbor, y_neighbor))
217 
218           try:
219               if im[x_neighbor, y_neighbor] == 0:
220                   xaxis.append(x_neighbor)
221                   yaxis.append(y_neighbor)
222                   q.put((x_neighbor,y_neighbor))
223 
224           except IndexError:
225               pass
226   # print(xaxis)
227   if (len(xaxis) == 0 | len(yaxis) == 0):
228     xmax = x_fd + 1
229     xmin = x_fd
230     ymax = y_fd + 1
231     ymin = y_fd
232 
233   else:
234     xmax = max(xaxis)
235     xmin = min(xaxis)
236     ymax = max(yaxis)
237     ymin = min(yaxis)
238     #ymin,ymax=sort(yaxis)
239 
240   return ymax,ymin,xmax,xmin
241 
242 def detectFgPix(im,xmax):
243   '''搜索区块起点
244   '''
245 
246   h,w = im.shape[:2]
247   for y_fd in range(xmax+1,w):
248       for x_fd in range(h):
249           if im[x_fd,y_fd] == 0:
250               return x_fd,y_fd
251 
252 def CFS(im):
253   '''切割字符位置
254   '''
255 
256   zoneL=[]#各区块长度L列表
257   zoneWB=[]#各区块的X轴[起始,终点]列表
258   zoneHB=[]#各区块的Y轴[起始,终点]列表
259 
260   xmax=0#上一区块结束黑点横坐标,这里是初始化
261   for i in range(10):
262 
263       try:
264           x_fd,y_fd = detectFgPix(im,xmax)
265           # print(y_fd,x_fd)
266           xmax,xmin,ymax,ymin=cfs(im,x_fd,y_fd)
267           L = xmax - xmin
268           H = ymax - ymin
269           zoneL.append(L)
270           zoneWB.append([xmin,xmax])
271           zoneHB.append([ymin,ymax])
272 
273       except TypeError:
274           return zoneL,zoneWB,zoneHB
275 
276   return zoneL,zoneWB,zoneHB
277 
278 
279 def cutting_img(im,im_position,img,xoffset = 1,yoffset = 1):
280   filename =  './out_img/' + img.split('.')[0]
281   # 识别出的字符个数
282   im_number = len(im_position[1])
283   # 切割字符
284   for i in range(im_number):
285     im_start_X = im_position[1][i][0] - xoffset
286     im_end_X = im_position[1][i][1] + xoffset
287     im_start_Y = im_position[2][i][0] - yoffset
288     im_end_Y = im_position[2][i][1] + yoffset
289     cropped = im[im_start_Y:im_end_Y, im_start_X:im_end_X]
290     cv2.imwrite(filename + '-cutting-' + str(i) + '.jpg',cropped)
291 
292 
293 
294 def main():
295   filedir = './easy_img'
296 
297   for file in os.listdir(filedir):
298     if fnmatch(file, '*.jpeg'):
299       img_name = file
300 
301       # 自适应阈值二值化
302       im = _get_dynamic_binary_image(filedir, img_name)
303 
304       # 去除边框
305       im = clear_border(im,img_name)
306 
307       # 对图片进行干扰线降噪
308       im = interference_line(im,img_name)
309 
310       # 对图片进行点降噪
311       im = interference_point(im,img_name)
312 
313       # 切割的位置
314       im_position = CFS(im)
315 
316       maxL = max(im_position[0])
317       minL = min(im_position[0])
318 
319       # 如果有粘连字符,如果一个字符的长度过长就认为是粘连字符,并从中间进行切割
320       if(maxL > minL + minL * 0.7):
321         maxL_index = im_position[0].index(maxL)
322         minL_index = im_position[0].index(minL)
323         # 设置字符的宽度
324         im_position[0][maxL_index] = maxL // 2
325         im_position[0].insert(maxL_index + 1, maxL // 2)
326         # 设置字符X轴[起始,终点]位置
327         im_position[1][maxL_index][1] = im_position[1][maxL_index][0] + maxL // 2
328         im_position[1].insert(maxL_index + 1, [im_position[1][maxL_index][1] + 1, im_position[1][maxL_index][1] + 1 + maxL // 2])
329         # 设置字符的Y轴[起始,终点]位置
330         im_position[2].insert(maxL_index + 1, im_position[2][maxL_index])
331 
332       # 切割字符,要想切得好就得配置参数,通常 1 or 2 就可以
333       cutting_img(im,im_position,img_name,1,1)
334 
335       # 识别验证码
336       cutting_img_num = 0
337       for file in os.listdir('./out_img'):
338         str_img = ''
339         if fnmatch(file, '%s-cutting-*.jpg' % img_name.split('.')[0]):
340           cutting_img_num += 1
341       for i in range(cutting_img_num):
342         try:
343           file = './out_img/%s-cutting-%s.jpg' % (img_name.split('.')[0], i)
344           # 识别验证码
345           str_img = str_img + image_to_string(Image.open(file),lang = 'eng', config='-psm 10') #单个字符是10,一行文本是7
346         except Exception as err:
347           pass
348       print('切图:%s' % cutting_img_num)
349       print('识别为:%s' % str_img)
350 
351 if __name__ == '__main__':
352   main()
View Code

 

posted @ 2017-11-20 16:41  老板丶鱼丸粗面  阅读(101002)  评论(29编辑  收藏  举报