詳解Python驗證碼識別

更新時間：2016年01月25日 10:32:22 作者：不得閑

這幾天在寫一個程序的時候需要識別驗證碼，因為程序是Python寫的自然打算用Python進行驗證碼的識別。下面把實現(xiàn)思路分享在腳本之家平臺，感興趣的朋友可以參考下

以前寫過一個刷校內(nèi)網(wǎng)的人氣的工具，Java的(以后再也不行Java程序了)，里面用到了驗證碼識別，那段代碼不是我自己寫的:-) 校內(nèi)的驗證是完全單色沒有任何干撓的驗證碼，識別起來比較容易，不過從那段代碼中可以看到基本的驗證碼識別方式。這幾天在寫一個程序的時候需要識別驗證碼，因為程序是Python寫的自然打算用Python進行驗證碼的識別。

以前沒用Python處理過圖像，不太了解PIL(Python Image Library)的用法，這幾天看了看PIL，發(fā)現(xiàn)它太強大了，簡直和ImageMagic，PS可以相比了。(這里有PIL不錯的文檔)

由于上面的驗證碼是24位的jpeg圖像，并且包含了噪點，所以我們要做的就是去噪和去色，我拿PS找了張驗證碼試了試，使用PS濾鏡中的去噪效果還行，但是沒有在PIL找到去噪的函數(shù)，后來發(fā)現(xiàn)中值過濾后可以去掉大部分的噪點，而且PIL里有現(xiàn)成的函數(shù)，接下來我試著直接把圖像轉(zhuǎn)換為單色，結(jié)果發(fā)現(xiàn)還是會有不過的噪點留了下來，因為中值過濾時把不少噪點淡化了，但轉(zhuǎn)換為音色時這些噪點又被強化顯示了，于是在中值過濾后對圖像亮度進行加強處理，然后再轉(zhuǎn)換為單色，這樣驗證碼圖片就變得比較容易識別了:

上面這些處理使用Python才幾行：

im = Image.open(image_name)
im = im.filter(ImageFilter.MedianFilter())
enhancer = ImageEnhance.Contrast(im)
im = enhancer.enhance(2)
im = im.convert('1')
im.show()

接下來就是提取這些數(shù)字的字模，使用shell腳本下載100幅圖片，抽出三張圖片獲取字模：

#!/usr/bin/env python
#encoding=utf-8
import Image,ImageEnhance,ImageFilter
import sys
image_name = "./images/81.jpeg"
im = Image.open(image_name)
im = im.filter(ImageFilter.MedianFilter())
enhancer = ImageEnhance.Contrast(im)
im = enhancer.enhance(2)
im = im.convert('1')
#im.show()
#all by pixel
s = 12 #start postion of first number
w = 10 #width of each number
h = 15 #end postion from top
t = 2 #start postion of top
im_new = []
#split four numbers in the picture
for i in range(4):
im1 = im.crop((s+w*i+i*2,t,s+w*(i+1)+i*2,h))
im_new.append(im1)
f = file("data.txt","a")
for k in range(4):
l = []
#im_new[k].show()
for i in range(13):
for j in range(10):
if (im_new[k].getpixel((j,i)) == 255):
l.append(0)
else:
l.append(1)
f.write("l=[")
n = 0
for i in l:
if (n%10==0):
f.write("/n")
f.write(str(i)+",")
n+=1
f.write("]/n")

把字模保存為list，用于接下來的匹配；

提取完字模后剩下來的就是對需要處理的圖片進行與數(shù)據(jù)庫中的字模進行匹配了，基本的思路就是看相應點的重合率，但是由于噪點的影響在對(6,8) (8,3)(5,9)的匹配時容易出錯，俺自己針對已有的100幅圖片數(shù)據(jù)采集進行分析，采用了雙向匹配(圖片與字模分別作為基點)，做了半天的測試終于可以實現(xiàn)100%的識別率。

#!/usr/bin/env python
#encoding=utf-8
import Image,ImageEnhance,ImageFilter
import Data
DEBUG = False
def d_print(*msg):
global DEBUG
if DEBUG:
for i in msg:
print i,
print
else:
pass
def Get_Num(l=[]):
min1 = []
min2 = []
for n in Data.N:
count1=count2=count3=count4=0
if (len(l) != len(n)):
print "Wrong pic"
exit()
for i in range(len(l)):
if (l[i] == 1):
count1+=1
if (n[i] == 1):
count2+=1
for i in range(len(l)):
if (n[i] == 1):
count3+=1
if (l[i] == 1):
count4+=1
d_print(count1,count2,count3,count4)
min1.append(count1-count2)
min2.append(count3-count4)
d_print(min1,"/n",min2)
for i in range(10):
if (min1[i] <= 2 or min2[i] <= 2):
if ((abs(min1[i] - min2[i])) <10):
return i
for i in range(10): 
if (min1[i] <= 4 or min2[i] <= 4):
if (abs(min1[i] - min2[i]) <= 2):
return i
for i in range(10):
flag = False
if (min1[i] <= 3 or min2[i] <= 3):
for j in range(10):
if (j != i and (min1[j] <5 or min2[j] <5)):
flag = True
else:
pass
if (not flag):
return i
for i in range(10): 
if (min1[i] <= 5 or min2[i] <= 5):
if (abs(min1[i] - min2[i]) <= 10):
return i
for i in range(10):
if (min1[i] <= 10 or min2[i] <= 10):
if (abs(min1[i] - min2[i]) <= 3):
return i
#end of function Get_Num
def Pic_Reg(image_name=None):
im = Image.open(image_name)
im = im.filter(ImageFilter.MedianFilter())
enhancer = ImageEnhance.Contrast(im)
im = enhancer.enhance(2)
im = im.convert('1')
im.show()
#all by pixel
s = 12 #start postion of first number
w = 10 #width of each number
h = 15 #end postion from top
t = 2 #start postion of top
im_new = []
#split four numbers in the picture
for i in range(4):
im1 = im.crop((s+w*i+i*2,t,s+w*(i+1)+i*2,h))
im_new.append(im1)
s = ""
for k in range(4):
l = []
#im_new[k].show()
for i in range(13):
for j in range(10):
if (im_new[k].getpixel((j,i)) == 255):
l.append(0)
else:
l.append(1)
s+=str(Get_Num(l))
return s
print Pic_Reg("./images/22.jpeg")

這里再提一下驗證碼識別的基本方法：截圖，二值化、中值濾波去噪、分割、緊縮重排（讓高矮統(tǒng)一）、字庫特征匹配識別。
這里只是針對一般的驗證碼，高級驗證碼的識別這里有篇不錯的文章，太復雜的話涉及的東西就多了，那俺就沒興趣了，人工智能(好恐怖)，俺只喜歡簡單的東西。

您可能感興趣的文章: