一次簡單粗暴的驗證碼識別經歷

  最近爬取一個網站時，遇到了驗證碼的狀況。驗證碼形式是計算題，10之內的數字(可能有少許十以上)，加減乘計算。

  開始懶得搞，第一批須要的數據量並不大，想着直接平臺打碼。

  緣由是之前登陸新浪微博的時候也是直接打碼的，比較熟練，也簡便。但打碼成本比較高，後續需求量大，因此最好本身能識別。

  看了幾篇識別驗證碼的文章，基本處理流程以下：

    1.去掉顏色；灰度處理，二值化等

    2.去掉干擾，降噪；噪點，線等的處理

    3.切割字符，單獨識別

    4.訓練字體

    5.自動識別

  我須要識別的驗證碼形式以下：

  

  通過反覆試驗，定了如下幾個步驟：

    1.去除干擾，將圖片中的干擾點線等刪除

    2.識別圖片，使用pytesseract識別圖片

    3.計算結果，使用識別出來的字符數字計算結果

  以上是代碼的流程，實際操做中還須要訓練字體，這裏留在最後說明。

  使用這張圖片爲例，簡要介紹一下流程：

  以上幾個步驟的基本操做思想：

    1.去噪。一般的思想是根據像素點的相鄰關係等去除，我在識別的過程當中發現，這裏的圖片像素值比較單一，

                  噪點的顏色比數字的顏色要淺。簡單打印一下RGB值，能夠發現除了(255,255,255)表示的白色之外，大體顏色值有如下幾種：

　　　　　 (140,140,140)

　　　　　 (112,112,112)

　　　　     (117,117,117)

                   因而，我經過判斷像素點的RGB值，把以上幾種點用白色替換（即去掉該點），示例圖片轉換後獲得圖像以下

     　　　　

                   能夠看到這個結果，基本上就能夠拿去識別了。這也是爲何我稱此次驗證碼識別爲簡單粗暴。

    2.識別。識別使用的是tesseract直接識別，沒什麼好講的，貼幾個連接本身看。

          　　 關於數據訓練，也是直接照着教程作的，連文件名都沒改，所幸過程當中並未出錯。

 

from pytesseract import image_to_string
im = Image.open("1_no_noise.png")
str_img = image_to_string(im, lang='eng', config='-psm 6')
print('識別爲：%s' % str_img)

 

 

                   使用原裝英文庫識別結果以下：

識別爲：7x3:?

　　            使用訓練過的庫識別：

from pytesseract import image_to_string
im = Image.open("1_no_noise.png")
str_img = image_to_string(im, lang='fontyp', config='-psm 70')
print('識別爲：%s' % str_img)

# 識別爲：7x3=?

                  ※在使用過程當中，嘗試修改config的配置，能夠幫助更準確地識別。

    3.計算結果。計算結果就是拿識別出來的字符串，簡單拆分，分析操做符，作出對應計算，由於識別的時候沒有切圖，因此直接切割字符串。

  　　　　         在切割字符串以後的數字轉換作了簡單的矯正。

  總體代碼以下：

 

# encoding=utf-8
__author__ = 'Masako'

from PIL import Image
from io import BytesIO
from pytesseract import image_to_string

NOISE_RGB_LIST = [117, 140, 112]    # 噪點像素值列表
OPERATE_LIST = ['+', 'x', 'X',  '-', '—']


# 去除噪點
def del_point(img):
    pix = img.load()
    width = img.size[0]
    height = img.size[1]
    for x in range(width):
        for y in range(height):
            r, g, b = pix[x, y]
            # print(r, g, b)
            if r in NOISE_RGB_LIST:
                 pix[x, y] = 255, 255, 255
    return img


# 數字識別
def data_ident(data_str):
    num = None
    if data_str == 'q':
        num = 9
    elif data_str == 'z' or data_str == 'Z':
        num = 2
    elif data_str == 'G':
        num = 6
    else:
        try:
            num = int(data_str)
        except Exception as e:
            print("can't identify:" + data_str)
    return num


# 計算結果
def deal_img_str(img_str):
    # str_list = img_str.split(' ')
    # print(str_list)
    calculate_result = None
    try:
        data_str = img_str[:img_str.rindex('=')]
    except Exception as e:
        print(img_str)
        return

    # print(data_str)
    for operate in OPERATE_LIST:
        if operate in data_str:     # 判斷操做符
            data_list = data_str.split(operate)
            if len(data_list) == 2:  # 正確分割時的處理
                data_left = data_ident(data_list[0])
                data_right = data_ident(data_list[1])
                if data_left and data_right:
                    if operate == '+':
                        calculate_result = data_left + data_right
                    elif operate == 'x' or operate == 'X':
                        calculate_result = data_left * data_right
                    else:
                        calculate_result = data_left - data_right
        if calculate_result != None:
            break

    return calculate_result


def img_to_captcha_code(img_content):

    image_data = BytesIO(img_content)
    im = Image.open(image_data)
    im = del_point(im)

    str_img = image_to_string(im, lang='fontyp', config='-psm 70')

    result = deal_img_str(str_img)

    return result


if __name__ == "__main__":
    im = Image.open("a.jpg")
    im = del_point(im)
    im.save('a_no.jpg')
    str_img = image_to_string(im, lang='fontyp', config='-psm 70')
    print('識別爲：%s' % str_img)

  參考文章連接：

    https://www.cnblogs.com/qqandfqr/p/7866650.html

    http://www.cnblogs.com/cnlian/p/5765871.html