寫爬蟲有一個繞不過去的問題就是驗證碼，現(xiàn)在驗證碼分類大概有4種：

• 圖像類
• 滑動類
• 點擊類
• 語音類

今天先來看看圖像類，這類驗證碼大多是數(shù)字、字母的組合，國內也有使用漢字的。在這個基礎上增加噪點、干擾線、變形、重疊、不同字體顏色等方法來增加識別難度。

相應的，驗證碼識別大體可以分為下面幾個步驟：

• 灰度處理
• 增加對比度(可選)
• 二值化
• 降噪
• 傾斜校正分割字符
• 建立訓練庫
• 識別

由于是實驗性質的，文中用到的驗證碼均為程序生成而不是批量下載真實的網站驗證碼，這樣做的好處就是可以有大量的知道明確結果的數(shù)據(jù)集。

當需要真實環(huán)境下需要獲取數(shù)據(jù)時，可以使用結合各個大碼平臺來建立數(shù)據(jù)集進行訓練。

生成驗證碼這里我使用Claptcha這個庫，當然Captcha這個庫也是個不錯的選擇。

為了生成最簡單的純數(shù)字、無干擾的驗證碼，首先需要將claptcha.py的285行_drawLine做一些修改，我直接讓這個函數(shù)返回None，然后開始生成驗證碼：

from claptcha import Claptcha
c = Claptcha("8069","/usr/share/fonts/truetype/freefont/FreeMono.ttf")
t,_ = c.write('1.png')

這里需要注意ubuntu的字體路徑，也可以在網上下載其他字體使用。生成驗證碼如下：

可以看出，驗證碼有形變。對于這類最簡單的驗證碼，可以直接使用谷歌開源的tesserocr來識別。

首先安裝：

apt-get install tesseract-ocr libtesseract-dev libleptonica-dev
pip install tesserocr

然后開始識別：

from PIL import Image
import tesserocr
p1 = Image.open('1.png')
tesserocr.image_to_text(p1)
'8069\n\n'

可以看出，對于這種簡單的驗證碼，基本什么都不做識別率就已經很高了。有興趣的小伙伴可以用更多的數(shù)據(jù)來測試，這里我就不展開了。

接下來，在驗證碼背景添加噪點來看看：

c = Claptcha("8069","/usr/share/fonts/truetype/freefont/FreeMono.ttf",noise=0.4)
t,_ = c.write('2.png')

生成驗證碼如下：

識別：

p2 = Image.open('2.png')
tesserocr.image_to_text(p2)
'8069\n\n'

效果還可以。接下來生成一個字母數(shù)字組合的：

c2 = Claptcha("A4oO0zZ2","/usr/share/fonts/truetype/freefont/FreeMono.ttf")
t,_ = c2.write('3.png')

生成驗證碼如下：

第3個為小寫字母o，第4個為大寫字母O，第5個為數(shù)字0，第6個為小寫字母z，第7個為大寫字母Z，最后一個是數(shù)字2。人眼已經跪了有木有！但現(xiàn)在一般驗證碼對大小寫是不做嚴格區(qū)分的，看自動識別什么樣吧：

p3 = Image.open('3.png')
tesserocr.image_to_text(p3)
'AMOOZW\n\n'

人眼都跪的計算機當然也廢了。但是，對于一些干擾小、形變不嚴重的，使用tesserocr還是十分簡單方便的。然后將修改的claptcha.py的285行_drawLine還原，看添加干擾線的情況。

p4 = Image.open('4.png')
tesserocr.image_to_text(p4)

加了條干擾線就完全識別不出來了，那么有沒有什么辦法去除干擾線呢？

雖然圖片看上去是黑白的，但還需要進行灰度處理，否則使用load()函數(shù)得到的是某個像素點的RGB元組而不是單一值了。處理如下：

def binarizing(img,threshold):
 """傳入image對象進行灰度、二值處理"""
 img = img.convert("L") # 轉灰度
 pixdata = img.load()
 w, h = img.size
 # 遍歷所有像素，大于閾值的為黑色
 for y in range(h):
  for x in range(w):
   if pixdata[x, y] < threshold:
    pixdata[x, y] = 0
   else:
    pixdata[x, y] = 255
 return img

處理后的圖片如下：

可以看出處理后圖片銳化了很多，接下來嘗試去除干擾線，常見的4鄰域、8鄰域算法。所謂的X鄰域算法，可以參考手機九宮格輸入法，按鍵5為要判斷的像素點，4鄰域就是判斷上下左右，8鄰域就是判斷周圍8個像素點。如果這4或8個點中255的個數(shù)大于某個閾值則判斷這個點為噪音，閾值可以根據(jù)實際情況修改。

def depoint(img):
 """傳入二值化后的圖片進行降噪"""
 pixdata = img.load()
 w,h = img.size
 for y in range(1,h-1):
  for x in range(1,w-1):
   count = 0
   if pixdata[x,y-1] > 245:#上
    count = count + 1
   if pixdata[x,y+1] > 245:#下
    count = count + 1
   if pixdata[x-1,y] > 245:#左
    count = count + 1
   if pixdata[x+1,y] > 245:#右
    count = count + 1
   if pixdata[x-1,y-1] > 245:#左上
    count = count + 1
   if pixdata[x-1,y+1] > 245:#左下
    count = count + 1
   if pixdata[x+1,y-1] > 245:#右上
    count = count + 1
   if pixdata[x+1,y+1] > 245:#右下
    count = count + 1
   if count > 4:
    pixdata[x,y] = 255
 return img

處理后的圖片如下：

好像……根本沒卵用??？！確實是這樣的，因為示例中的圖片干擾線的寬度和數(shù)字是一樣的。對于干擾線和數(shù)據(jù)像素不同的，比如Captcha生成的驗證碼：

從左到右依次是原圖、二值化、去除干擾線的情況，總體降噪的效果還是比較明顯的。另外降噪可以多次執(zhí)行，比如我對上面的降噪后結果再進行依次降噪，可以得到下面的效果：

再進行識別得到了結果：

p7 = Image.open('7.png')
tesserocr.image_to_text(p7)
'8069 ,,\n\n'

另外，從圖片來看，實際數(shù)據(jù)顏色明顯和噪點干擾線不同，根據(jù)這一點可以直接把噪點全部去除，這里就不展開說了。

第一篇文章，先記錄如何將圖片進行灰度處理、二值化、降噪，并結合tesserocr來識別簡單的驗證碼，剩下的部分在下一篇文章中和大家一起分享。

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

最新評論