python验证码识别教程之灰度处理、二值化、降噪与tesserocr识别
40 浏览量
2020-12-25
10:51:19
上传
评论
收藏 112KB PDF 举报
python验证码识别教程之灰度处理、二值化、降噪与验证码识别教程之灰度处理、二值化、降噪与
tesserocr识别识别
前言前言
写爬虫有一个绕不过去的问题就是验证码，现在验证码分类大概有4种：
图像类
滑动类
点击类
语音类
今天先来看看图像类，这类验证码大多是数字、字母的组合，国内也有使用汉字的。在这个基础上增加噪点、干扰线、变形、
重叠、不同字体颜色等方法来增加识别难度。
相应的，验证码识别大体可以分为下面几个步骤：
灰度处理
增加对比度(可选)
二值化
降噪
倾斜校正分割字符
建立训练库
识别
由于是实验性质的，文中用到的验证码均为程序生成而不是批量下载真实的网站验证码，这样做的好处就是可以有大量的知道
明确结果的数据集。
当需要真实环境下需要获取数据时，可以使用结合各个大码平台来建立数据集进行训练。
生成验证码这里我使用Claptcha （本地下载）这个库，当然Captcha（本地下载）这个库也是个不错的选择。
为了生成最简单的纯数字、无干扰的验证码，首先需要将claptcha.py的285行_drawLine做一些修改，我直接让这个函数返回
None，然后开始生成验证码：
from claptcha import Claptcha
c = Claptcha("8069","/usr/share/fonts/truetype/freefont/FreeMono.ttf")
t,_ = c.write('1.png')
这里需要注意ubuntu的字体路径，也可以在网上下载其他字体使用。生成验证码如下：
可以看出，验证码有形变。对于这类最简单的验证码，可以直接使用谷歌开源的tesserocr来识别。
首先安装：首先安装：
apt-get install tesseract-ocr libtesseract-dev libleptonica-dev
pip install tesserocr
然后开始识别：然后开始识别：
from PIL import Image
import tesserocr
p1 = Image.open('1.png')
tesserocr.image_to_text(p1)
'8069'
可以看出，对于这种简单的验证码，基本什么都不做识别率就已经很高了。有兴趣的小伙伴可以用更多的数据来测试，这里我
就不展开了。
接下来，在验证码背景添加噪点来看看：
资源评论
