爬虫Python验证码识别入门

目录

• 爬虫Python验证码识别

•  1、批量下载验证码图片

• 2、识别代码看看效果

•  3、折腾降噪、去干扰

爬虫Python验证码识别

前言：

二值化、普通降噪、8邻域降噪
tesseract、tesserocr、PIL
参考文献--代码地址：https://github.com/liguobao/python-verify-code-ocr

 1、批量下载验证码图片

import shutil
import requests
from loguru import logger

for i in range(100):
   url = 'http://xxxx/create/validate/image'
   response = requests.get(url, stream=True)
   with open(f'./imgs/{i}.png', 'wb') as out_file:
       response.raw.decode_content = True
       shutil.copyfileobj(response.raw, out_file)
       logger.info(f"download {i}.png successfully.")
   del response

2、识别代码看看效果

from PIL import Image
import tesserocr
img = Image.open("./imgs/98.png")
img.show()
img_l = img.convert("L")# 灰阶图
img_l.show()
verify_code1 = tesserocr.image_to_text(img)
verify_code2 = tesserocr.image_to_text(img_l)
print(f"verify_code1:{verify_code1}")
print(f"verify_code2:{verify_code2}")

毫无疑问，无论是原图还是灰阶图，一无所有。

 3、折腾降噪、去干扰

Python图片验证码降噪 - 8邻域降噪

from PIL import Image
# https://www.cnblogs.com/jhao/p/10345853.html Python图片验证码降噪 — 8邻域降噪

def noise_remove_pil(image_name, k):
   """
   8邻域降噪
   Args:
       image_name: 图片文件命名
       k: 判断阈值
   Returns:
   """

def calculate_noise_count(img_obj, w, h):
       """
       计算邻域非白色的个数
       Args:
           img_obj: img obj
           w: width
           h: height
       Returns:
           count (int)
       """
       count = 0
       width, height = img_obj.size
       for _w_ in [w - 1, w, w + 1]:
           for _h_ in [h - 1, h, h + 1]:
               if _w_ > width - 1:
                   continue
               if _h_ > height - 1:
                   continue
               if _w_ == w and _h_ == h:
                   continue
               if img_obj.getpixel((_w_, _h_)) < 230:  # 这里因为是灰度图像，设置小于230为非白色
                   count += 1
       return count

img = Image.open(image_name)
   # 灰度
   gray_img = img.convert('L')

w, h = gray_img.size
   for _w in range(w):
       for _h in range(h):
           if _w == 0 or _h == 0:
               gray_img.putpixel((_w, _h), 255)
               continue
           # 计算邻域非白色的个数
           pixel = gray_img.getpixel((_w, _h))
           if pixel == 255:
               continue

if calculate_noise_count(gray_img, _w, _h) < k:
               gray_img.putpixel((_w, _h), 255)
   return gray_img

if __name__ == '__main__':
   image = noise_remove_pil("./imgs/1.png", 4)
   image.show()

看下图效果：

这样差不多了，不过还可以提升

提升新思路：

这边的干扰线是从某个点发出来的红色线条，

其实我只需要把红色的像素点都干掉，这个线条也会被去掉。

from PIL import Image
import tesserocr
img = Image.open("./imgs/98.png")
img.show()

# 尝试去掉红像素点
w, h = img.size
for _w in range(w):
   for _h in range(h):
       o_pixel = img.getpixel((_w, _h))
       if o_pixel == (255, 0, 0):
           img.putpixel((_w, _h), (255, 255, 255))
img.show()

img_l = img.convert("L")
# img_l.show()
verify_code1 = tesserocr.image_to_text(img)
verify_code2 = tesserocr.image_to_text(img_l)
print(f"verify_code1:{verify_code1}")
print(f"verify_code2:{verify_code2}")

看起来OK，上面还有零星的蓝色像素掉，也可以用同样的方法一起去掉。

甚至OCR都直接出效果了
好了，完结撒花。
不过，后面发现，有些红色线段和蓝色点，是和验证码重合的。
这个时候，如果直接填成白色，就容易把字母切开，导致识别效果变差。
当前点是红色或者蓝色，判断周围点是不是超过两个像素点是黑色。
是，填充为黑色。
否，填充成白色。

最终完整代码：

from PIL import Image
import tesserocr
from loguru import logger

class VerfyCodeOCR():
   def __init__(self) -> None:
       pass

def ocr(self, img):
       """ 验证码OCR

Args:
           img (img): imgObject/imgPath

Returns:
           [string]: 识别结果
       """
       img_obj = Image.open(img) if type(img) == str else img
       self._remove_pil(img_obj)
       verify_code = tesserocr.image_to_text(img_obj)
       return verify_code.replace("\n", "").strip()

def _get_p_black_count(self, img: Image, _w: int, _h: int):
       """ 获取当前位置周围像素点中黑色元素的个数

Args:
           img (img): 图像信息
           _w (int): w坐标
           _h (int): h坐标

Returns:
           int: 个数
       """
       w, h = img.size
       p_round_items = []
       # 超过了横纵坐标
       if _w == 0 or _w == w-1 or 0 == _h or _h == h-1:
           return 0
       p_round_items = [img.getpixel(
           (_w, _h-1)), img.getpixel((_w, _h+1)), img.getpixel((_w-1, _h)), img.getpixel((_w+1, _h))]
       p_black_count = 0
       for p_item in p_round_items:
           if p_item == (0, 0, 0):
               p_black_count = p_black_count+1
       return p_black_count

def _remove_pil(self, img: Image):
       """清理干扰识别的线条和噪点

Args:
           img (img): 图像对象

Returns:
           [img]: 被清理过的图像对象
       """
       w, h = img.size
       for _w in range(w):
           for _h in range(h):
               o_pixel = img.getpixel((_w, _h))
               # 当前像素点是红色(线段) 或者 绿色（噪点）
               if o_pixel == (255, 0, 0) or o_pixel == (0, 0, 255):
                   # 周围黑色数量大于2，则把当前像素点填成黑色；否则用白色覆盖
                   p_black_count = self._get_p_black_count(img, _w, _h)
                   if p_black_count >= 2:
                       img.putpixel((_w, _h), (0, 0, 0))
                   else:
                       img.putpixel((_w, _h), (255, 255, 255))

logger.info(f"_remove_pil finish.")
       # img.show()
       return img

if __name__ == '__main__':
   verfyCodeOCR = VerfyCodeOCR()
   img_path = "./imgs/51.png"
   img= Image.open(img_path)
   img.show()
   ocr_result = verfyCodeOCR.ocr(img)
   img.show()
   logger.info(ocr_result)

来源：https://www.cnblogs.com/liguobao/p/15111849.html