python 简单验证码识别

背景

简单，即验证码简单，仅有数字，没有太大的干扰，每个数字都有固定的样子
还有就是识别的算法简单，可以说没有算法，主要是识别验证码的整个思想过程

环境

• python 2.7
• 我使用的是 windows 10系统
• python 的图片处理库 PIL
• python 的 requests 库，一个很方便的处理 HTTP 的库，这里仅仅是为了得到验证码图片

使用 pip 命令便可安装所需要的库，如果没有 pip 建议去安装下，python 的一个包管理工具，安装第三方包很方便

pip install Pillow //安装 PIL
pip install requests //安装 requests

取得验证码样本

分析网站的 html ，得到验证码地址，若是谷歌浏览器，右键审查元素即可看到

验证码地址是我们学校的，所以该地址只有用内网才可访问
这里提供些样本 百度云链接 密码：hj8t

#!/usr/bin/python  
#coding=utf-8    
import requests
from PIL import Image

#下载
s = requests.session()  
captcha_url='http://card.cug.edu.cn/Login/GetValidateCode?time=1498660044478'  #验证码地址
for i in range(0,20): #得到 20 张验证码
	captcha = s.get(captcha_url) # get 请求得到验证码
	file='G:\\newcard\\Num\\'+str(i)+'.jpg' #写入本地文件 
	f = open(file, 'wb')
	for line in captcha.iter_content():
		f.write(line)
	f.close()

然后就有了好多图片，可以先观察下

这些图片看起来似乎对数字进行了变形，但仔细观察无非每个数字有两个字体，一个居中，一个下沉

二值化并且去噪

转为灰度图

所谓灰度图就是有 0 ~ 255 共 256 种不同灰度的颜色
RGB 的颜色图转为灰度图其实有个公式 Gray = R*0.299 + G*0.587 + B*0.114，但我们直接用 Python 提供的函数即可

for num in range(0,20):
    file='G:\\newcard\\Num\\'+str(num)+'.jpg'
    im = Image.open(file)
    im  = im.convert('L') # 转为灰度图

可以看到有许多噪点，就是点啊点啊点，还有线啊线啊线，下边的目的是让他变得干净点

二值化去噪

我们下载的图片是有颜色的，所以要将图片二值化，也就是变成黑白图，而且是只有两种颜色的黑白图，0 黑色，255白色，所以叫二值化。
而去噪，我们只需要选定一个阙值，这个阙值的确定，试试就出来了，更科学的方法是看图片的直方图，看看灰度的分布，可以更快的得到阙值，反正最终目的是得到的图片清晰无噪音，不管黑猫白猫，抓住老鼠就是好猫，所以我是试出来的。直接了当，小于这个阙值，把值变为 0（黑），否则变 255 （白），如果效果不理想，可以更细致的划分范围

for num in range(0,20):
    file='G:\\newcard\\Num\\'+str(num)+'.jpg'
    im = Image.open(file)
    im  = im.convert('L') #变为灰度图
    pixdata = im.load()  #加载所有像素点
    w, h = im.size #得到高和宽
    for y in range(h):
        for x in range(w):
            if pixdata[x, y] < 190: #小于变 0
                pixdata[x, y] = 0
            else:                   #否则变 255
                pixdata[x, y] = 255
    im.save("G:\\newcard\\two\\"+str(num)+'.jpg', "GIF")

切割

这步没的说，就是为了取得每个数字的样本，0 ~ 9，每个的两种字体
下边 代码 x ,y 的确定 就是给个初始值，然后一个循环，一个矩形一个矩形的切，在纸上画一画，确定一个大体范围，具体的值就得一次一次看效果，一次一次微调了，最终目的是把一个数字切下来，最好是刚刚把数字包裹，但由于这个验证码一个是居中字体，一个是下沉字体，所以切出来要么下边留空，要么上边留空

nume=0
for num in range(0,20):
    file='G:\\newcard\\Num\\'+str(num)+'.jpg'
    im = Image.open(file)
    im  = im.convert('L') #变为灰度图
    pixdata = im.load()  #加载所有像素点
    w, h = im.size #得到高和宽
    for y in range(h):
        for x in range(w):
            if pixdata[x, y] < 190: #小于变 0
                pixdata[x, y] = 0
            else:                   #否则变 255
                pixdata[x, y] = 255
    im.save("G:\\newcard\\two\\"+str(num)+'.jpg', "GIF")
	
    for i in range(0,5):
		x = 8+i*42 #这里的数字参数需要自己
		y = 19           #根据验证码图片的像素进行
		temp = im.crop((x, y, x+42, y+49))
		temp.save("G:\\newcard\\Temp\\%d.gif" % nume)
		nume=nume+1

然后将 0 ~ 9 挑出来

神奇的是这个网站的验证码里没有 4 和 9 ，不抓不知道，一抓吓一跳

识别验证码

实时的取得当前的验证码，然后将其切割成一个一个，然后与上边步骤取得的 0 ~ 9 18个 数字依次比对，这里用到的算法就是最容易想到的，就是对应的像素点依次比较，相等变量值减一，然后从这些里找最小的，也就是匹配最多的那个。在测试中发现，当然只针对这个网站的验证码，先和下沉的9个数字比较，然后发现好几个数字都错误识别为0，然后再如果等于 0，就再用居中的数字就行比较，选出最佳，此时识别率最高。

#!/usr/bin/python  
# coding=utf-8
import requests
from PIL import Image

import webbrowser #打开图片需要，为了方便看结果

def re(dir,temp,numx,numy):
    """返回当前的切割后的图片识别结果
       参数
       ----------
       arg1 : char
           '0' 代表选用下沉字体的目录， '1'代码选用居中字体的目录
       arg2 : image
            切割的图片
        arg3: int
            要观察的宽度
        arg4: int
            要观察的高度

       返回值
       -------
       int
           识别的值
       """

    errcount_array = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0] #记录每个样本的匹配的值
    for j in range(10):  #10个样本
        if (j == 4 or j == 9): #除去 4 和 9
            continue;
        fontMods = Image.open("G:\\newcard\\Temp\\"+dir+"\\%d.gif" % j)
        fontMods_black = 0 
        for k in range(numx):
            for l in range(numy):
                b = fontMods.getpixel((k, l)) #取得样本的像素值
                a = temp.getpixel((k, l))  #取得切割图片，也就是要判断图片的像素值
                if (b == a): #如果相等就减一
                    fontMods_black -= 1
        errcount_array[j] = fontMods_black #赋值给对应的值

    min = 0 #找出最小的值，也就是最符合的，然后返回
    for m in range(10):
        if (m == 4 or m == 9):
            continue;
        if (errcount_array[m] < errcount_array[min]):
            min = m
    return min

# 下载
s = requests.session()  # 保持回话， 让 requests 库去处理 cookies
captcha_url = 'http://card.cug.edu.cn/Login/GetValidateCode?time=1498660044478'

captcha = s.get(captcha_url)
file = 'G:\\newcard\\Num\\temp.jpg'
f = open(file, 'wb')
for line in captcha.iter_content():
    f.write(line)
f.close() 
webbrowser.open('G:\\newcard\\Num\\temp.jpg')  #打开图片

im = Image.open(file)
im = im.convert('L')
pixdata = im.load()
w, h = im.size
for y in range(h):
    for x in range(w):
        if pixdata[x, y] < 190:
            pixdata[x, y] = 0
        else:
            pixdata[x, y] = 255
yingshe = []
#切割
for i in range(0, 5):
    x = 8 + i * 42  # 这里的数字参数需要自己
    y = 19  # 根据验证码图片的像素进行
    temp = im.crop((x, y, x + 42, y + 49))
    #每切割出一个就判断一个
    min=re('0',temp,42,49)
    if (min == 0):
        min=re('1',temp,42,49)
	yingshe.append(str(min))
print yingshe

增加识别率到 100%

经过上边的步骤你会发现，总会把某些数字错认为固定的数字，电脑还真是固执。而不同的网站，错认的还不一样，所以为了达到更高的识别率，这一步是最耗时的了，而且还真的是只能靠运气，不停的改数字，不停的试。它的思想就是，之前我们比较的是一个图片的全部像素，在 min=re(‘1’,temp,42,49) 函数中传入切割图片的大小，42*49,现在我们可以改变这个值，将切割图片的部分像素和样本的对应像素进行比较，然后选最佳。
举个例子，就是它把 下沉的 3，居中的 2，下沉的 0 都认成 8，所以如果结果是 8，我们再对其进行判断，当然这又会引起本来认对的数字认错，这是写一些 if 语句进行纠正，就是如果本来是 3，然后此时认成了 5，我们再把值变回 3。然后再不停的试，也就是 改函数的最后两个参数，并且加 if 直到完全正确。

if (min == 6):
    t = re("1", temp, 42, 23)
    if (t == 8 or t == 5):
        min = 0

if(min==8):
    t=re("1",temp,35,35)
    min = t
    if(t==5):
        min=3
    if(t==0):
        min=8
    if(t==6 ):
        min=0

if(min==8):
    t = re('0', temp, 30, 20)
    if(t==7):
        min=8
    if(t==0):
        min=0
if(min==0):
    t = re('0', temp, 30, 20)
    if(t==2 or t==6):
        min=6

对结果不停的判断，不停的试，不同网站也不一样，理解其思想即可。

总结

基本思想就是，不管是样本还是要判断的验证码将其用同样的方式二值化 去噪 切割，得到验证码的所有样本，然后将切割的每个数字和样本利用某个算法进行比较，进行判断，得出结果。最后再利用某些算法，修正部分固定的一些错误。