摘要：用到的几个主要的库图像处理库高级图像处理库识别库灰度处理二值化灰度处理，就是把彩色的验证码图片转为灰色的图片。
今天学长向大家介绍一个机器视觉项目
基于python的验证码识别
毕设帮助，开题指导，技术解答?746876041在python爬虫爬取某些网站的验证码的时候可能会遇到验证码识别的问题，现在的验证码大多分为四类：
1、计算验证码
2、滑块验证码
3、识图验证码
4、语音验证码
学长这李主要写的就是识图验证码，识别的是简单的验证码，要想让识别率更高，识别的更加准确就需要花很多的精力去训练自己的字体库。
1、灰度处理
2、二值化
3、去除边框（如果有的话）
4、降噪
5、切割字符或者倾斜度矫正
6、训练字体库
7、识别
这6个步骤中前三个步骤是基本的，4或者5可根据实际情况选择是否需要，并不一定切割验证码，识别率就会上升很多有时候还会下降
这篇博客不涉及训练字体库的内容，请自行搜索。同样也不讲解基础的语法。
用到的几个主要的python库： Pillow(python图像处理库)、OpenCV(高级图像处理库)、pytesseract(识别库)
灰度处理，就是把彩色的验证码图片转为灰色的图片。
二值化，是将图片处理为只有黑白两色的图片，利于后面的图像处理和识别
在OpenCV中有现成的方法可以进行灰度处理和二值化，处理后的效果：
# 自适应阀值二值化def _get_dynamic_binary_image(filedir, img_name): filename = "./out_img/" + img_name.split(".")[0] + "-binary.jpg" img_name = filedir + "/" + img_name print("....." + img_name) im = cv2.imread(img_name) im = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY) #灰值化 # 二值化 th1 = cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1) cv2.imwrite(filename,th1) return th1如果验证码有边框，那我们就需要去除边框，去除边框就是遍历像素点，找到四个边框上的所有点，把他们都改为白色，我这里边框是两个像素宽
注意：在用OpenCV时，图片的矩阵点是反的，就是长和宽是颠倒的
代码：
# 去除边框def clear_border(img,img_name): filename = "./out_img/" + img_name.split(".")[0] + "-clearBorder.jpg" h, w = img.shape[:2] for y in range(0, w): for x in range(0, h): if y < 2 or y > w - 2: img[x, y] = 255 if x < 2 or x > h -2: img[x, y] = 255 cv2.imwrite(filename,img) return img效果
降噪是验证码处理中比较重要的一个步骤，我这里使用了点降噪和线降噪
线降噪的思路就是检测这个点相邻的四个点（图中标出的绿色点），判断这四个点中是白点的个数，如果有两个以上的白色像素点，那么就认为这个点是白色的，从而去除整个干扰线，但是这种方法是有限度的，如果干扰线特别粗就没有办法去除，只能去除细的干扰线
# 干扰线降噪def interference_line(img, img_name): filename = "./out_img/" + img_name.split(".")[0] + "-interferenceline.jpg" h, w = img.shape[:2] # ！！！opencv矩阵点是反的 # img[1,2] 1:图片的高度，2：图片的宽度 for y in range(1, w - 1): for x in range(1, h - 1): count = 0 if img[x, y - 1] > 245: count = count + 1 if img[x, y + 1] > 245: count = count + 1 if img[x - 1, y] > 245: count = count + 1 if img[x + 1, y] > 245: count = count + 1 if count > 2: img[x, y] = 255 cv2.imwrite(filename,img) return img点降噪的思路和线降噪的差不多，只是会针对不同的位置检测的点不一样,注释写的很清楚了
# 点降噪def interference_point(img,img_name, x = 0, y = 0): """ 9邻域框,以当前点为中心的田字框,黑点个数 :param x: :param y: :return: """ filename = "./out_img/" + img_name.split(".")[0] + "-interferencePoint.jpg" # todo 判断图片的长宽度下限 cur_pixel = img[x,y]# 当前像素点的值 height,width = img.shape[:2] for y in range(0, width - 1): for x in range(0, height - 1): if y == 0: # 第一行 if x == 0: # 左上顶点,4邻域 # 中心点旁边3个点 sum = int(cur_pixel) / + int(img[x, y + 1]) / + int(img[x + 1, y]) / + int(img[x + 1, y + 1]) if sum <= 2 * 245: img[x, y] = 0 elif x == height - 1: # 右上顶点 sum = int(cur_pixel) / + int(img[x, y + 1]) / + int(img[x - 1, y]) / + int(img[x - 1, y + 1]) if sum <= 2 * 245: img[x, y] = 0 else: # 最上非顶点,6邻域 sum = int(img[x - 1, y]) / + int(img[x - 1, y + 1]) / + int(cur_pixel) / + int(img[x, y + 1]) / + int(img[x + 1, y]) / + int(img[x + 1, y + 1]) if sum <= 3 * 245: img[x, y] = 0 elif y == width - 1: # 最下面一行 if x == 0: # 左下顶点 # 中心点旁边3个点 sum = int(cur_pixel) / + int(img[x + 1, y]) / + int(img[x + 1, y - 1]) / + int(img[x, y - 1]) if sum <= 2 * 245: img[x, y] = 0 elif x == height - 1: # 右下顶点 sum = int(cur_pixel) / + int(img[x, y - 1]) / + int(img[x - 1, y]) / + int(img[x - 1, y - 1]) if sum <= 2 * 245: img[x, y] = 0 else: # 最下非顶点,6邻域 sum = int(cur_pixel) / + int(img[x - 1, y]) / + int(img[x + 1, y]) / + int(img[x, y - 1]) / + int(img[x - 1, y - 1]) / + int(img[x + 1, y - 1]) if sum <= 3 * 245: img[x, y] = 0 else: # y不在边界 if x == 0: # 左边非顶点 sum = int(img[x, y - 1]) / + int(cur_pixel) / + int(img[x, y + 1]) / + int(img[x + 1, y - 1]) / + int(img[x + 1, y]) / + int(img[x + 1, y + 1]) if sum <= 3 * 245: img[x, y] = 0 elif x == height - 1: # 右边非顶点 sum = int(img[x, y - 1]) / + int(cur_pixel) / + int(img[x, y + 1]) / + int(img[x - 1, y - 1]) / + int(img[x - 1, y]) / + int(img[x - 1, y + 1]) if sum <= 3 * 245: img[x, y] = 0 else: # 具备9领域条件的 sum = int(img[x - 1, y - 1]) / + int(img[x - 1, y]) / + int(img[x - 1, y + 1]) / + int(img[x, y - 1]) / + int(cur_pixel) / + int(img[x, y + 1]) / + int(img[x + 1, y - 1]) / + int(img[x + 1, y]) / + int(img[x + 1, y + 1]) if sum <= 4 * 245: img[x, y] = 0 cv2.imwrite(filename,img) return img效果：
其实到了这一步，这些字符就可以识别了，没必要进行字符切割了，现在这三种类型的验证码识别率已经达到50%以上了
字符切割通常用于验证码中有粘连的字符，粘连的字符不好识别，所以我们需要将粘连的字符切割为单个的字符，在进行识别
字符切割的思路就是找到一个黑色的点，然后在遍历与他相邻的黑色的点，直到遍历完所有的连接起来的黑色的点，找出这些点中的最高的点、最低的点、最右边的点、最左边的点，记录下这四个点，认为这是一个字符，然后在向后遍历点，直至找到黑色的点，继续以上的步骤。最后通过每个字符的四个点进行切割
图中红色的点就是代码执行完后，标识出的每个字符的四个点，然后就会根据这四个点进行切割（图中画的有些误差，懂就好）
但是也可以看到，m2是粘连的，代码认为他是一个字符，所以我们需要对每个字符的宽度进行检测，如果他的宽度过宽，我们就认为他是两个粘连在一起的字符，并将它在从中间切割
确定每个字符的四个点代码：
def cfs(im,x_fd,y_fd): """用队列和集合记录遍历过的像素坐标代替单纯递归以解决cfs访问过深问题 """ # print("**********") xaxis=[] yaxis=[] visited =set() q = Queue() q.put((x_fd, y_fd)) visited.add((x_fd, y_fd)) offsets=[(1, 0), (0, 1), (-1, 0), (0, -1)]#四邻域 while not q.empty(): x,y=q.get() for xoffset,yoffset in offsets: x_neighbor,y_neighbor = x+xoffset,y+yoffset if (x_neighbor,y_neighbor) in (visited): continue # 已经访问过了 visited.add((x_neighbor, y_neighbor)) try: if im[x_neighbor, y_neighbor] == 0: xaxis.append(x_neighbor) yaxis.append(y_neighbor) q.put((x_neighbor,y_neighbor)) except IndexError: pass # print(xaxis) if (len(xaxis) == 0 | len(yaxis) == 0): xmax = x_fd + 1 xmin = x_fd ymax = y_fd + 1 ymin = y_fd else: xmax = max(xaxis) xmin = min(xaxis) ymax = max(yaxis) ymin = min(yaxis) #ymin,ymax=sort(yaxis) return ymax,ymin,xmax,xmindef detectFgPix(im,xmax): """搜索区块起点 """ h,w = im.shape[:2] for y_fd in range(xmax+1,w): for x_fd in range(h): if im[x_fd,y_fd] == 0: return x_fd,y_fddef CFS(im): """切割字符位置 """ zoneL=[]#各区块长度L列表 zoneWB=[]#各区块的X轴[起始，终点]列表 zoneHB=[]#各区块的Y轴[起始，终点]列表 xmax=0#上一区块结束黑点横坐标,这里是初始化 for i in range(10): try: x_fd,y_fd = detectFgPix(im,xmax) # print(y_fd,x_fd) xmax,xmin,ymax,ymin=cfs(im,x_fd,y_fd) L = xmax - xmin H = ymax - ymin zoneL.append(L) zoneWB.append([xmin,xmax]) zoneHB.append([ymin,ymax]) except TypeError: return zoneL,zoneWB,zoneHB return zoneL,zoneWB,zoneHB切割粘连字符代码：
def cutting_img(im,im_position,img,xoffset = 1,yoffset = 1): filename = "./out_img/" + img.split(".")[0] # 识别出的字符个数 im_number = len(im_position[1]) # 切割字符 for i in range(im_number): im_start_X = im_position[1][i][0] - xoffset im_end_X = im_position[1][i][1] + xoffset im_start_Y = im_position[2][i][0] - yoffset im_end_Y = im_position[2][i][1] + yoffset cropped = im[im_start_Y:im_end_Y, im_start_X:im_end_X] cv2.imwrite(filename + "-cutting-" + str(i) + ".jpg",cropped)效果：
识别用的是typesseract库，主要识别一行字符和单个字符时的参数设置，识别中英文的参数设置，代码很简单就一行，我这里大多是filter文件的操作
# 识别验证码 cutting_img_num = 0 for file in os.listdir("./out_img"): str_img = "" if fnmatch(file, "%s-cutting-*.jpg" % img_name.split(".")[0]): cutting_img_num += 1 for i in range(cutting_img_num)
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/125400.html
摘要：选题推荐持续性更新中以下为学长精选整理的智能科相关的毕设选题，供大家参考。最后毕设帮助毕设帮助，开题指导，技术解答 文章目录 1 前言2 选题注意事项2.1 选择...
摘要：验证码旨在确认访问者是人还是程序，并防止恶意程序的入侵。自年以来，改为在我不是机器人的方框中打勾，进而完成判别。 选自 Github 作者：George Hughey 机器之心编译 每个人都讨厌验证码，这些恼人的图片中包含你必须输入的字符，我们只有正确地填写才能继续访问网站。验证码旨在确认访问者是人还是程序，并防止恶意程序的入侵。然而，随着深度学习和计算机视觉技术的发展，现在这些认证方...
摘要：验证码旨在确认访问者是人还是程序，并防止恶意程序的入侵。自年以来，改为在我不是机器人的方框中打勾，进而完成判别。 选自 Github 作者：George Hughey 机器之心编译 每个人都讨厌验证码，这些恼人的图片中包含你必须输入的字符，我们只有正确地填写才能继续访问网站。验证码旨在确认访问者是人还是程序，并防止恶意程序的入侵。然而，随着深度学习和计算机视觉技术的发展，现在这些认证方...
阅读 3310·2023-01-11 11:02
阅读 3884·2023-01-11 11:02
阅读 2717·2023-01-11 11:02
阅读 4894·2023-01-11 11:02
阅读 4400·2023-01-11 11:02
阅读 5109·2023-01-11 11:02
阅读 4889·2023-01-11 11:02
阅读 3366·2023-01-11 11:02
