Python3.5 + sklearn利用SVM自動識別字母驗證碼方法示例
前言
最近正在研究人工智能，為了加深對算法的理解，決定寫個自動設(shè)別驗證碼的程序?？戳丝淳W(wǎng)上的demo，大部分都是python2的寫法，而且驗證碼的識別都是用的數(shù)字做例子，那我就寫個基于python3字母識別的程序，不過一路寫下來碰到不少坑，大家感興趣的話可以慢慢看。
圖片識別有幾個比較大的步驟是必須完成的：
1、有大量的驗證碼圖片作為樣本
2、圖片要進(jìn)行處理 流程是：灰度化==》二值化==》字符切割==》識別分類
3、圖像識別要提取特征值，然后把圖片二值化的數(shù)據(jù)當(dāng)做樣本做訓(xùn)練，最后基于樣本完成對新驗證碼的識別
一、大量驗證碼準(zhǔn)備
因為要寫字母識別，所以需要大量的字母驗證碼，正好之前做過某電商的項目，印象中是純字母的查了下果然是的所以就用那個網(wǎng)站作為例子了。
獲取驗證碼方法很簡單，找到驗證碼動態(tài)生成的地址，
然后調(diào)用python的urllib.request獲得圖片然后保存就好了
二、圖片的灰度化和二值化
其實為了增強識別率，我們將彩色的圖片灰度化，
這樣就變成了黑白兩色，黑的是255白的是0，這樣更容易讓機器來識別。
灰度化和二值化之前、后的效果圖
三、圖片的分割
經(jīng)過觀察驗證碼可以發(fā)現(xiàn)，驗證碼是4位的字母，
同時驗證碼直接是有空白分隔的（后面的驗證碼有黏連的單獨講）
這里使用垂直投影法，根據(jù)投影進(jìn)行圖片的切割。這個算法講起來太復(fù)雜，看代碼吧。。。
效果如下，反正就是切成了4個圖片
四、識別分類
這里因為圖片太多了，要對每個圖片分26個字母的哪一個太麻煩，所以借用Google的tesseract這個OCR的軟件，用它來幫我識別下圖片是哪個字母（當(dāng)然它識別的成功率不高，不然也不用人工智能了），然后識別錯誤的我再手動分類。
經(jīng)過ocr識別和人工分類后，我的temp目錄下就變成了這樣的，每個目錄下都是正確的字母圖片
五、提取特征值
將字母的文件夾圖片取出，提取特征值然后存儲到文本文件里
六、機器訓(xùn)練
這里使用sklearn.svm這個支持向量機的算法，來對數(shù)據(jù)進(jìn)行分類。
SVM的算法是啥，可以看看知乎大神的講解https://www.zhihu.com/question/21094489 ，
通過fit進(jìn)行訓(xùn)練后，將訓(xùn)練的結(jié)果保存到pkl文件里，其實里面都是0和1的特征值
七、最后的驗證就很簡單了
找個驗證碼圖片，調(diào)用之前的方法，變成二值化的數(shù)據(jù)，然后用SVM進(jìn)行識別，就能得到正確的結(jié)果了
八、滴水算法（解決黏連問題）
這個驗證碼也不是完全都有空格分割好的，可能是長這樣的，字母直接黏在一起了
這樣的字母為了分割出來，就要用滴水算法，模擬水滴重力下落的過程，自動切分圖片。
可以看我的water.py文件里面是詳細(xì)的算法。
講講碰到的坑
1、python3不能用opencv了，尤其是cv2.cv方法只是python2用的，不用他換個python寫法一樣可以實現(xiàn)
2、原始圖片有藍(lán)色邊，剛開始老識別錯誤，后來發(fā)現(xiàn)問題后，要先進(jìn)行切割，保證只有字母是有顏色的，其它區(qū)域是白色的。
這個是cutImg方法的作用
3、使用Google的ocr時，使用了python的pytesseract，這個要先在電腦安裝Tesseract-OCR,然后要在程序里指定路徑才行，
不然會報錯誤的。pytesseract.pytesseract.tesseract_cmd = 'E:/Program Files (x86)/Tesseract-OCR/tesseract'
4、pytesseract.image_to_string(cur_img, config='-psm 7 outputbase letters')
這個letters是我自己創(chuàng)建的，位置在E:\Program Files (x86)\Tesseract-OCR\tessdata\configs 這里的letters是用來
約束識別范圍的，比如我設(shè)置tessedit_char_whitelist abcdefghijklmnopqrstuvwxyz 這就表示只識別字母，這樣
就會把1，0之類的變成l和o了
最后附上github的源碼地址 https://github.com/zjy090/verifyCode （本地下載）
下次研究遺傳算法GA的實現(xiàn)等寫好了也寫個demo分享給大家
總結(jié)
以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，謝謝大家對腳本之家的支持。
相關(guān)文章
面向?qū)ο笞钪匾母拍罹褪穷悾–lass）和實例（Instance），必須牢記類是抽象的模板，比如Student類，而實例是根據(jù)類創(chuàng)建出來的一個個具體的“對象”，每個對象都擁有相同的方法，但各自的數(shù)據(jù)可能不同2022-08-08
這篇文章主要介紹了Django框架的中的setting.py文件說明詳解，這個文件包含了所有有關(guān)這個Django項目的配置信息，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-10-10
python 統(tǒng)計list中各個元素出現(xiàn)的次數(shù)的幾種方法
這篇文章主要介紹了python 統(tǒng)計list中各個元素出現(xiàn)的次數(shù)的幾種方法，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-02-02
這篇文章主要介紹了Python如何查看數(shù)據(jù)的類型方式,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2025-03-03
下面小編就為大家?guī)硪黄猵ython魔法方法-自定義序列詳解。小編覺得挺不錯的，現(xiàn)在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2016-07-07
使用Python高效獲取網(wǎng)絡(luò)數(shù)據(jù)的操作指南
網(wǎng)絡(luò)爬蟲是一種自動化程序,用于訪問和提取網(wǎng)站上的數(shù)據(jù),Python是進(jìn)行網(wǎng)絡(luò)爬蟲開發(fā)的理想語言,擁有豐富的庫和工具,使得編寫和維護(hù)爬蟲變得簡單高效,本文將詳細(xì)介紹如何使用Python進(jìn)行網(wǎng)絡(luò)爬蟲開發(fā),包括基本概念、常用庫、數(shù)據(jù)提取方法、反爬措施應(yīng)對以及實際案例2025-03-03
這篇文章主要為大家詳細(xì)介紹了python抓取網(wǎng)頁中鏈接的靜態(tài)圖片，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-01-01
關(guān)于python爬蟲應(yīng)用urllib庫作用分析
這篇文章主要介紹了關(guān)于python爬蟲應(yīng)用urllib庫作用分析，想要進(jìn)行python爬蟲首先我們需要先將網(wǎng)頁上面的信息給獲取下來，這就是utllib庫的作用，有需要的朋友可以借鑒參考下2021-09-09
在本篇文章里小編給大家整理的是一篇關(guān)于python字典添加值的方法及實例代碼講解，有興趣的朋友們可以學(xué)習(xí)下。2022-11-11
這篇文章主要介紹了僅利用30行Python代碼來展示X算法,同時還有對算法實現(xiàn)的復(fù)雜度的說明,需要的朋友可以參考下2015-04-04