Python 只需20行代碼即可實現(xiàn)驗證碼識別

一、探討

識別圖形驗證碼可以說是做爬蟲的必修課，涉及到計算機圖形學(xué)，機器學(xué)習(xí)，機器視覺，人工智能等等高深領(lǐng)域……

簡單地說，計算機圖形學(xué)的主要研究內(nèi)容就是研究如何在計算機中表示圖形、以及利用計算機進行圖形的計算、處理和顯示的相關(guān)原理與算法。圖形通常由點、線、面、體等幾何元素和灰度、色彩、線型、線寬等非幾何屬性組成。計算機涉及到的幾何圖形處理一般有 2維到n維圖形處理，邊界區(qū)分，面積計算，體積計算，扭曲變形校正。對于顏色則有色彩空間的計算與轉(zhuǎn)換，圖形上色，陰影，色差處理等等。

在破解驗證碼中需要用到的知識一般是 像素，線，面等基本2維圖形元素的處理和色差分析。常見工具為：

支持向量機(SVM)

OpenCV

圖像處理軟件(Photoshop,Gimp…)

Python Image Library

二、PIL安裝

PIL： Python Imaging Library, 是Python平臺的圖像處理標(biāo)準(zhǔn)庫，功能非常強大。

在Debian/Ubantu Linux下直接通過apt安裝：

$sudo apt-get install python-imaging

Max和其他版本的Linux可以直接使用easy_install或pip安裝，安裝前需要把編譯環(huán)境裝好：

$ sudo easy_install PIL

Windos平臺可以直接去PIL官網(wǎng)下載exe安裝包。http://pythonware.com/products/pil/

注：官網(wǎng)提供的安裝包是32位的，64位系統(tǒng)請前往這里http://www.lfd.uci.edu/~gohlke/pythonlibs/#pillow下載替代包pillow。

三、一般思路

驗證碼識別的一般思路為：

1、圖片降噪

2、圖片切割

3、圖像文本輸出

3.1 圖片降噪

所謂降噪就是把不需要的信息通通去除，比如背景，干擾線，干擾像素等等，只剩下需要識別的文字，讓圖片變成2進制點陣最好。

對于彩色背景的驗證碼：每個像素都可以放在一個5維的空間里，這5個維度分別是，X,Y,R,G,B，也就是像素的坐標(biāo)和顏色，在計算機圖形學(xué)中，有很多種色彩空間，最常用的比如RGB，印刷用的CYMK，還有比較少見的HSL或者HSV，每種色彩空間的維度都不一樣，但是可以通過公式互相轉(zhuǎn)換。在RGB空間中不好區(qū)分顏色，可以把色彩空間轉(zhuǎn)換為HSV或HSL。色彩空間參見http://baike.baidu.com/view/3427413.htm

驗證碼圖片7039.jpg：

1、導(dǎo)入Image包，打開圖片：

fromPIL importImage

im = Image.open('7039.jpg')

2、把彩色圖像轉(zhuǎn)化為灰度圖像。RBG轉(zhuǎn)化到HSI彩色空間，采用I分量：

imgry = im.convert('L')

imgry.show()

灰度看起來是這樣的：

3、二值化處理

二值化是圖像分割的一種常用方法。在二值化圖象的時候把大于某個臨界灰度值的像素灰度設(shè)為灰度極大值，把小于這個值的像素灰度設(shè)為灰度極小值，從而實現(xiàn)二值化（一般設(shè)置為0-1）。根據(jù)閾值選取的不同，二值化的算法分為固定閾值和自適應(yīng)閾值，這里選用比較簡單的固定閾值。

把像素點大于閾值的設(shè)置,1，小于閾值的設(shè)置為0。生成一張查找表，再調(diào)用point()進行映射。

threshold = 140

table = []

foriinrange(256):

ifi < threshold:

table.append(0)

else:

table.append(1)

out = imgry.point(table,'1')

out.show()

處理結(jié)果看起來是這樣的：

3.2 圖片切割

識別驗證碼的重點和難點就在于能否成功分割字符，對于顏色相同又完全粘連的字符，比如google的驗證碼，目前是沒法做到5%以上的識別率的。不過google的驗證碼基本上人類也只有30%的識別率。本文使用的驗證碼例子比較容易識別?？梢圆挥们懈?，有關(guān)圖片切割的方法參見這篇博客：http://www.cnblogs.com/apexchu/p/4231041.html

四、利用pytesser模塊實現(xiàn)識別

pytesser是谷歌OCR開源項目的一個模塊，在python中導(dǎo)入這個模塊即可將圖片中的文字轉(zhuǎn)換成文本。

鏈接：https://code.google.com/p/pytesser/

pytesser 調(diào)用了 tesseract。在python中調(diào)用pytesser模塊，pytesser又用tesseract識別圖片中的文字。

4.1 pytesser安裝

如果沒有安裝PIL，請到這里下載安裝：http://www.pythonware.com/products/pil/

安裝pytesser，下載地址：http://code.google.com/p/pytesser/ ，下載后直接將其解壓到項目代碼下，或者解壓到python安裝目錄的Libsite-packages下，并將其添加到path環(huán)境變量中，不然在導(dǎo)入模塊時會出錯。

下載Tesseract OCR engine：http://code.google.com/p/tesseract-ocr/ ，下載后解壓，找到tessdata文件夾，用其替換掉pytesser解壓后的tessdata文件夾即可。

另外如果現(xiàn)在都是從PIL庫中運入Image，沒有使用Image模塊，所以需要把pytesser.py中的import Image改為from PIL import Image, 其次還需要在pytesser文件夾中新建一個__init__.py的空文件。

ps：如果覺得后面兩步比較麻煩，可以直接到云盤中下載 http://yun.baidu.com/s/1jHJvNiI，操作如步驟2。

4.2 調(diào)用pytesser識別

pytesser提供了兩種識別圖片方法，通過image對象和圖片地址，代碼判斷如下：

fromPIL importImage

frompytesser importpytesser

image = Image.open('7039.jpg')

printpytesser.image_file_to_string('7039.jpg')

printpytesser.image_to_string(image)