Python驗證碼識別

大體介紹

　　在python爬蟲爬取某些網站的驗證碼的時候可能會遇到驗證碼識別的問題，如今的驗證碼大多分爲四類：

　　　　一、計算驗證碼

 　　     二、滑塊驗證碼

　　　　三、識圖驗證碼

　　　　四、語音驗證碼

　　這篇博客主要寫的就是識圖驗證碼，識別的是簡單的驗證碼，要想讓識別率更高，識別的更加準確就須要花不少的精力去訓練本身的字體庫。

　　識別驗證碼一般是這幾個步驟：

　　　　一、灰度處理

　　　　二、二值化

　　　　三、去除邊框（若是有的話）

　　　　四、降噪

　　　　五、切割字符或者傾斜度矯正

　　　　六、訓練字體庫

　　　　七、識別

　　這6個步驟中前三個步驟是基本的，4或者5可根據實際狀況選擇是否須要，並不必定切割驗證碼，識別率就會上升不少有時候還會降低

　　這篇博客不涉及訓練字體庫的內容，請自行搜索。一樣也不講解基礎的語法。

　　用到的幾個主要的python庫： Pillow(python圖像處理庫)、OpenCV(高級圖像處理庫)、pytesseract(識別庫)

　　

 

灰度處理&二值化

　　灰度處理，就是把彩色的驗證碼圖片轉爲灰色的圖片。

　　二值化，是將圖片處理爲只有黑白兩色的圖片，利於後面的圖像處理和識別

　　在OpenCV中有現成的方法能夠進行灰度處理和二值化，處理後的效果：

　　

 

　　代碼：

 1 # 自適應閥值二值化
 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

 

去除邊框

　　若是驗證碼有邊框，那咱們就須要去除邊框，去除邊框就是遍歷像素點，找到四個邊框上的全部點，把他們都改成白色，我這裏邊框是兩個像素寬

　　注意：在用OpenCV時，圖片的矩陣點是反的，就是長和寬是顛倒的

　　代碼：

# 去除邊框
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

　　降噪是驗證碼處理中比較重要的一個步驟，我這裏使用了點降噪和線降噪

　　

　　線降噪的思路就是檢測這個點相鄰的四個點（圖中標出的綠色點），判斷這四個點中是白點的個數，若是有兩個以上的白色像素點，那麼就認爲這個點是白色的，從而去除整個干擾線，可是這種方法是有限度的，若是干擾線特別粗就沒有辦法去除，只能去除細的干擾線

　　代碼：

 1 # 干擾線降噪
 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矩陣點是反的
 6   # img[1,2] 1:圖片的高度，2：圖片的寬度
 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

 

　　點降噪的思路和線降噪的差很少，只是會針對不一樣的位置檢測的點不同,註釋寫的很清楚了

　　代碼：

# 點降噪
def interference_point(img,img_name, x = 0, y = 0):
    """
    9鄰域框,以當前點爲中心的田字框,黑點個數
    :param x:
    :param y:
    :return:
    """
    filename =  './out_img/' + img_name.split('.')[0] + '-interferencePoint.jpg'
    # todo 判斷圖片的長寬度下限
    cur_pixel = img[x,y]# 當前像素點的值
    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:  # 左上頂點,4鄰域
                # 中心點旁邊3個點
                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:  # 右上頂點
                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:  # 最上非頂點,6鄰域
                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:  # 左下頂點
                # 中心點旁邊3個點
                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:  # 右下頂點
                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:  # 最下非頂點,6鄰域
                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不在邊界
            if x == 0:  # 左邊非頂點
                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:  # 右邊非頂點
                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:  # 具有9領域條件的
                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：

 

　　其實到了這一步，這些字符就能夠識別了，不必進行字符切割了，如今這三種類型的驗證碼識別率已經達到50%以上了

 

字符切割

　　字符切割一般用於驗證碼中有粘連的字符，粘連的字符很差識別，因此咱們須要將粘連的字符切割爲單個的字符，在進行識別

　　字符切割的思路就是找到一個黑色的點，而後在遍歷與他相鄰的黑色的點，直到遍歷完全部的鏈接起來的黑色的點，找出這些點中的最高的點、最低的點、最右邊的點、最左邊的點，記錄下這四個點，認爲這是一個字符，而後在向後遍歷點，直至找到黑色的點，繼續以上的步驟。最後經過每一個字符的四個點進行切割

　　

　　圖中紅色的點就是代碼執行完後，標識出的每一個字符的四個點，而後就會根據這四個點進行切割（圖中畫的有些偏差，懂就好）

　　可是也能夠看到，m2是粘連的，代碼認爲他是一個字符，因此咱們須要對每一個字符的寬度進行檢測，若是他的寬度過寬，咱們就認爲他是兩個粘連在一塊兒的字符，並將它在從中間切割

　　肯定每一個字符的四個點代碼：

def cfs(im,x_fd,y_fd):
  '''用隊列和集合記錄遍歷過的像素座標代替單純遞歸以解決cfs訪問過深問題
  '''

  # 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)]#四鄰域

  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  # 已經訪問過了

          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):
  '''搜索區塊起點
  '''

  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=[]#各區塊長度L列表
  zoneWB=[]#各區塊的X軸[起始，終點]列表
  zoneHB=[]#各區塊的Y軸[起始，終點]列表

  xmax=0#上一區塊結束黑點橫座標,這裏是初始化
  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

 

　　分割粘連字符代碼：

      # 切割的位置
      im_position = CFS(im)

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

      # 若是有粘連字符，若是一個字符的長度過長就認爲是粘連字符，並從中間進行切割
      if(maxL > minL + minL * 0.7):
        maxL_index = im_position[0].index(maxL)
        minL_index = im_position[0].index(minL)
        # 設置字符的寬度
        im_position[0][maxL_index] = maxL // 2
        im_position[0].insert(maxL_index + 1, maxL // 2)
        # 設置字符X軸[起始，終點]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])
        # 設置字符的Y軸[起始，終點]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參數，一般 1 or 2 就能夠
      cutting_img(im,im_position,img_name,1,1)

 

　　切割粘連字符代碼：

def cutting_img(im,im_position,img,xoffset = 1,yoffset = 1):
  filename =  './out_img/' + img.split('.')[0]
  # 識別出的字符個數
  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：

 

 

　　識別

　　識別用的是typesseract庫，主要識別一行字符和單個字符時的參數設置，識別中英文的參數設置，代碼很簡單就一行，我這裏大可能是filter文件的操做

　　代碼：

      # 識別驗證碼
      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)
          # 識別字符
          str_img = str_img + image_to_string(Image.open(file),lang = 'eng', config='-psm 10') #單個字符是10，一行文本是7
        except Exception as err:
          pass
      print('切圖：%s' % cutting_img_num)
      print('識別爲：%s' % str_img)

　　

　　最後這種粘連字符的識別率是在30%左右，並且這種只是處理兩個字符粘連，若是有兩個以上的字符粘連還不能識別，可是根據字符寬度判別的話也不難，有興趣的能夠試一下

　　無需切割字符識別的效果：

　

 

　　須要切割字符的識別效果：

 

 

　　這種只是可以識別簡單驗證碼，複雜的驗證碼還要靠你們了

　　參考資料：

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

　　原本參考了挺多的資料，可是時間長了就找不到了，若是有人發現了，能夠告訴我，我再添加

　　使用方法：

 

　　　　一、將要識別的驗證碼圖片放入與腳本同級的img文件夾中，建立out_img文件夾
　　　　二、python3 filename
　　　　三、二值化、降噪等各個階段的圖片將存儲在out_img文件夾中，最終識別結果會打印到屏幕上

 

　　最後附上源碼（帶切割，不想要切割的就本身修改吧）：

  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   '''去除邊框
 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   干擾線降噪
 36   '''
 37 
 38   filename =  './out_img/' + img_name.split('.')[0] + '-interferenceline.jpg'
 39   h, w = img.shape[:2]
 40   # ！！！opencv矩陣點是反的
 41   # img[1,2] 1:圖片的高度，2：圖片的寬度
 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     """點降噪
 60     9鄰域框,以當前點爲中心的田字框,黑點個數
 61     :param x:
 62     :param y:
 63     :return:
 64     """
 65     filename =  './out_img/' + img_name.split('.')[0] + '-interferencePoint.jpg'
 66     # todo 判斷圖片的長寬度下限
 67     cur_pixel = img[x,y]# 當前像素點的值
 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:  # 左上頂點,4鄰域
 74                 # 中心點旁邊3個點
 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:  # 右上頂點
 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:  # 最上非頂點,6鄰域
 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:  # 左下頂點
 99                 # 中心點旁邊3個點
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:  # 右下頂點
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:  # 最下非頂點,6鄰域
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不在邊界
124             if x == 0:  # 左邊非頂點
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:  # 右邊非頂點
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:  # 具有9領域條件的
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   自適應閥值二值化
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   手動二值化
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   '''用隊列和集合記錄遍歷過的像素座標代替單純遞歸以解決cfs訪問過深問題
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)]#四鄰域
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  # 已經訪問過了
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   '''搜索區塊起點
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=[]#各區塊長度L列表
257   zoneWB=[]#各區塊的X軸[起始，終點]列表
258   zoneHB=[]#各區塊的Y軸[起始，終點]列表
259 
260   xmax=0#上一區塊結束黑點橫座標,這裏是初始化
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   # 識別出的字符個數
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       # 自適應閾值二值化
302       im = _get_dynamic_binary_image(filedir, img_name)
303 
304       # 去除邊框
305       im = clear_border(im,img_name)
306 
307       # 對圖片進行干擾線降噪
308       im = interference_line(im,img_name)
309 
310       # 對圖片進行點降噪
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       # 若是有粘連字符，若是一個字符的長度過長就認爲是粘連字符，並從中間進行切割
320       if(maxL > minL + minL * 0.7):
321         maxL_index = im_position[0].index(maxL)
322         minL_index = im_position[0].index(minL)
323         # 設置字符的寬度
324         im_position[0][maxL_index] = maxL // 2
325         im_position[0].insert(maxL_index + 1, maxL // 2)
326         # 設置字符X軸[起始，終點]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         # 設置字符的Y軸[起始，終點]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參數，一般 1 or 2 就能夠
333       cutting_img(im,im_position,img_name,1,1)
334 
335       # 識別驗證碼
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           # 識別驗證碼
345           str_img = str_img + image_to_string(Image.open(file),lang = 'eng', config='-psm 10') #單個字符是10，一行文本是7
346         except Exception as err:
347           pass
348       print('切圖：%s' % cutting_img_num)
349       print('識別爲：%s' % str_img)
350 
351 if __name__ == '__main__':
352   main()

View Code