Python 识别验证码

首先，打开命令行或者终端，输入以下命令：

virtualenv venv --no-site-packages --python=X:\xxx\python.exe

各参数解释：

• venv 虚拟环境所在位置
• --no-site-packages 不复制主环境的库
• --python 指定虚拟环境的 python 版本

然后在命令行输入以下命令，激活虚拟环境

• Linux

  cd venv
  source ./bin/activate

• Windows

  cd venv
  .\Scripts\activate

如果要退出虚拟环境的话则输入

deactivate
或
.\Scripts\deactivate

安装依赖包
在当前虚拟环境中输入

pip install PIL
pip install Pillow
pip install pytesseract

安装完成后进入python，import一下看是否安装成功。

图片处理

Captcha.jpg

from PIL import Image
im = Image.open('Captcha.jpg')

im = im.convert('L')

转化为灰度图是为了减少图片的色彩，处理起来更方便

为了消除背景对文字的影响，可以通过设置一个阈值来将文字与背景分隔开来。而阈值可以参考图片灰度的直方图来得出，又或者试出来。

这里将阈值设置为 140，然后将大于阈值的像素置 1，小于阈值的置 0。

def initTable(threshold=140):
 table = []
 for i in range(256):
     if i < threshold:
         table.append(0)
     else:
         table.append(1)

 return table

再使用 im.point() 可以将灰度图二值化，结果如下：

binaryImage = im.point(initTable(), '1')
binaryImage.show()

Captcha1.jpg

识别文本

可以通过 pytesseract 的 image_to_string() 函数将图片转化为文本，该函数还可以接受参数 config，config 设置的是 Tesseract-OCR 引擎的参数，可自行查阅引擎的帮助文本。不过我们只需要用到 psm 参数，具体的 psm 参数值如下：

-psm N
  Set Tesseract to only run a subset of layout analysis and assume a certain form of image. The options for N are:

  0 = Orientation and script detection (OSD) only.
  1 = Automatic page segmentation with OSD.
  2 = Automatic page segmentation, but no OSD, or OCR.
  3 = Fully automatic page segmentation, but no OSD. (Default)
  4 = Assume a single column of text of variable sizes.
  5 = Assume a single uniform block of vertically aligned text.
  6 = Assume a single uniform block of text.
  7 = Treat the image as a single text line.
  8 = Treat the image as a single word.
  9 = Treat the image as a single word in a circle.
  10 = Treat the image as a single character.

识别图片的代码如下：

print(image_to_string(binaryImage, config='-psm 7')

识别结果为

7226

误差修正

经过测试发现，Tesseract-OCR 对于纯数字的验证码识别有一定误差，因为该引擎识别的是英文文本，所以会将数字识别为字母。这时候就需要建立一个替换表，将识别错误的字母替换为数字，提高识别正确率。