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</pre>
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)<div class="hide-preCode-box"><span class="hide-preCode-bt"><img class="look-more-preCode contentImg-no-view" src="https://csdnimg.cn/release/blogv2/dist/pc/img/newCodeMoreWhite.png" alt="" title=""></span></div></pre>
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
源码:
- 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()
浙公网安备 33010602011771号