Python教学|Python验证码识别

这篇具有很好参考价值的文章主要介绍了Python教学|Python验证码识别。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

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:

python 识别验证码,python,opencv,开发语言

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:

python 识别验证码,python,opencv,开发语言

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

python 识别验证码,python,opencv,开发语言

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:

python 识别验证码,python,opencv,开发语言

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

python 识别验证码,python,opencv,开发语言

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:

python 识别验证码,python,opencv,开发语言

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:

python 识别验证码,python,opencv,开发语言python 识别验证码,python,opencv,开发语言

需要切割字符的识别效果:

python 识别验证码,python,opencv,开发语言python 识别验证码,python,opencv,开发语言

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

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):

python 识别验证码,python,opencv,开发语言python 识别验证码,python,opencv,开发语言

  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

写在最后

今天小编也给大家分享一份Python学习资料和公开课,里面的内容都是适合零基础小白的笔记和资料,不懂编程也能听懂、看懂。
朋友们如果需要可以点击这里【免费获取】

python 识别验证码,python,opencv,开发语言

一、Python所有方向的学习路线

刚开始学习python,如果你连完整的学习步骤都没有规划好,基本不可能学会python。他把Python所有方向路线做了整理,形成各个领域的知识点汇总。(图片太太太太太大了,这里放不了没完整版可以文末免费领取)
python 识别验证码,python,opencv,开发语言

二、入门学习视频

我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
python 识别验证码,python,opencv,开发语言

三、实践是检验真理的唯一标准

学python就与学数学一样,是不能只看书不做题的,直接看步骤和答案会让人误以为自己全都掌握了,但是碰到生题的时候还是会一筹莫展。

因此在学习python的过程中一定要记得多动手写代码,教程只需要看一两遍即可。
python 识别验证码,python,opencv,开发语言

四、面试资料

我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
python 识别验证码,python,opencv,开发语言文章来源地址https://www.toymoban.com/news/detail-658342.html

到了这里,关于Python教学|Python验证码识别的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【功能超全】基于OpenCV车牌识别停车场管理系统软件开发【含python源码+PyqtUI界面+功能详解】-车牌识别python 深度学习实战项目

    摘要: 车牌识别系统(Vehicle License Plate Recognition,VLPR) 是指能够检测到受监控路面的车辆并自动提取车辆牌照信息(含汉字字符、英文字母、阿拉伯数字及号牌颜色)进行处理的技术。车牌识别是现代智能交通系统中的重要组成部分之一,应用十分广泛。本文详细介绍了 车牌

    2024年02月09日
    浏览(66)
  • C++&Python&C# 三语言OpenCV从零开发(1):环境配置

    由于老王我想转机器视觉方向的上位机行业,我就打算开始从零学OpenCV。但是目前OpenCV有两个官方语言,C++和Pyhont。C# 有大佬做了对应的OpenCV的版本的适配。目前三个语言的特点是 C++:运行效率最快,但是语法难度极大,开发难度极大 Python:开发效率极快,但是运行效率极慢,

    2024年01月16日
    浏览(63)
  • C++&Python&C# 三语言OpenCV从零开发(2):教程选择

    C++PythonCsharp in OpenCV OpenCV 有官方的教程和简单的视频教程: OpenCV 官方教程 B站也有相关的视频教学 OpenCV4 C++ 快速入门视频30讲 - 系列合集 OpenCV4 C++ 课程笔记 那么选择文本教程还是视频教程呢?我个人建议是 视频教程:零基础,一点都没有接触过 文本教程:有一定的基础,

    2024年01月21日
    浏览(59)
  • C++&Python&C# 三语言OpenCV从零开发(5):ROI截取

    C++PythonCsharp in OpenCV 专栏 【2022B站最好的OpenCV课程推荐】OpenCV从入门到实战 全套课程(附带课程课件资料+课件笔记) ROI,本意是感兴趣区域。但是使用起来就和PS的截取部分区域差不多。 我之前写过一篇Python 的代码 Python+OpenCV 零基础学习笔记(6):ROI 其它的相关文章 OpenCV之感

    2024年01月25日
    浏览(49)
  • C++&Python&C# 三语言OpenCV从零开发(6):边界填充+Csharp调用Python matplotlib代码

    C++PythonCsharp in OpenCV 专栏 【2022B站最好的OpenCV课程推荐】OpenCV从入门到实战 全套课程(附带课程课件资料+课件笔记) 今天来接着学习OpenCV,现在主要是以Python代码为主了,所以先实现Python,在用C++/Csharp重现一遍。 边界填充就是向外填充图片信息,将图片扩大。填充分为上下

    2024年01月23日
    浏览(66)
  • python3一篇学会人脸识别(详细教学篇(附源码))

    说明:         本章用到的模块与软件:windows10 + Pycharm专业版 + python3.10 + opencv-python(版本4.6.0.66)模块 + Numpy(版本1.24.0)模块         模块可以通过pycharm软件下 文件  设置 项目 python解释器 左上角 加号 搜索opencv-python和Numpy 下载即可         一般安装OpenCV(opencv-pyth

    2024年02月08日
    浏览(40)
  • C++&Python&C# 三语言OpenCV从零开发(3):图像读取和显示

    C++PythonCsharp in OpenCV 专栏 【2022B站最好的OpenCV课程推荐】OpenCV从入门到实战 全套课程(附带课程课件资料+课件笔记) OpenCV4 C++ 快速入门视频30讲 - 系列合集 OpenCV4 C++ 课程笔记 在上一章纠结过教程的选择之后,还是觉得老老实实从零开始学OpenCV,从OpenCV C++视频教程开始。 这

    2024年01月21日
    浏览(59)
  • C++&Python&C# 三语言OpenCV从零开发(4):视频流读取

    C++PythonCsharp in OpenCV 专栏 【2022B站最好的OpenCV课程推荐】OpenCV从入门到实战 全套课程(附带课程课件资料+课件笔记) OpenCV 教程中文文档|OpenCV中文 OpenCV教程中文文档|W3Cschool OpenCV基础教程——视频的读取与写入(超详细+附代码) 我之前写过一篇基于Python的,我现在重新写一次

    2024年01月21日
    浏览(72)
  • Python系列之图片验证码识别

    图片验证码已经成为现代网络应用中常见的一种身份验证形式。本文将介绍如何使用 Python 进行图片验证码的识别。我们将使用基于机器学习的方法,通过训练模型来自动识别验证码图片。 1. 数据收集 首先,我们需要收集用于训练和测试的验证码图片数据。可以通过各种方式

    2024年02月11日
    浏览(49)
  • 使用python库解决登录的验证码识别-图片验证码

    前言: 在UI自动化测试和爬虫测试中,验证码是个比较头疼的问题,包括:图片验证码,滑块验证码,等一些常见的验证码场景。 识别验证码的python 库有很多,用起来也并不简单,这里推荐一个简单实用的识别验证码的库 ddddocr (带带弟弟ocr)库。 今天先用一个图片验证码示

    2023年04月11日
    浏览(43)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包