转:python：验证码识别入门

验证码识别是一个有意思的项目，很多时候多用于非法抓取，批量处理之类的，给网站运营者造成了一定的损失，这里我们研究验证码识别单纯研究图像识别技术。

文章主要利用python代码演示，就算你不懂，相信python简洁的自然语言话的语法也能让你理解，图像处理主要用PIL库

先来看看一个验证码，来自http://www.ruanko.com/validateImage.jsp

利用一些图像处理或者图像查看软件来看看，验证码尺寸为60×20每个字母的尺寸为13×9而且验证码位置相对固定，这就是一个很适合我们初学者学习的一个例子，对于字体的分割相对容易一点

我们批量下载50个验证码来取字库，python提供方便的下载功能，脚本如下

import urllib
for i in range(50):
    url = 'http://www.ruanko.com/validateImage.jsp'
    print "download", i
    file("./code/%04d.jpg" % i, "wb").write(urllib.urlopen(url).read())

这样你就可以在code目录找到这50个验证码了

然后适当处理图片将其二值化，这里可以利用我前面一篇文章里面的算法（python图像处理之二值去噪）代码不罗列了，处理之后会得到这样的效果

然后分割字符，这里利用PIL中图像分割的一块

import urllib
for i in range(50):
    url = 'http://www.ruanko.com/validateImage.jsp'
    print "download", i
    file("./code/%04d.jpg" % i, "wb").write(urllib.urlopen(url).read())

50个验证码就被分别分割成四个字母了，如图

手工从其中选出比较完整的一套字模，如图

这样我们一个字库就完成了，在来谈谈匹配算法，相似度匹配，我们马上想法哦了异或算法，即把不同的去出来，然后进行一个计数，不同的点越少，相似读越高，例如这样一个图
进行异或运算,得到

在PIL中实现如下

for yi in range(13):
    for xi in range(9):
        if mod[1].getpixel((xi, yi)) != target.getpixel((xi, yi)):
            diffs += 1

 

diffs表示不同的点的个数，然后取diff最小的那个图片的值作为识别的值

总结一下前面的步骤，我们来看看完整代码

#!/usr/bin/env python
# −*− coding: UTF−8 −*−
import os, Image
def binary(f):
    img = Image.open(f)
    #img = img.convert('1')
    pixdata = img.load()
    for y in xrange(img.size[1]):
        for x in xrange(img.size[0]):
            if pixdata[x, y][0] < 90:
                pixdata[x, y] = (0, 0, 0, 255)
    for y in xrange(img.size[1]):
        for x in xrange(img.size[0]):
            if pixdata[x, y][1] < 136:
                pixdata[x, y] = (0, 0, 0, 255)
    for y in xrange(img.size[1]):
        for x in xrange(img.size[0]):
            if pixdata[x, y][2] > 0:
                pixdata[x, y] = (255, 255, 255, 255)
    return img
def division(img):
    font=[]
    for i in range(4):
        x=7+i*13
        y=3
        font.append(img.crop((x,y,x+9,y+13)))
    return font
def recognize(img):
    fontMods = []
    for i in range(10):
        fontMods.append((str(i), Image.open("./num/%d.bmp" % i)))
    result=""
    font=division(img)
    for i in font:
        target=i
        points = []
        for mod in fontMods:
            diffs = 0
            for yi in range(13):
                for xi in range(9):
                    if mod[1].getpixel((xi, yi)) != target.getpixel((xi, yi)):
                        diffs += 1
            points.append((diffs, mod[0]))
        points.sort()
        result += points[0][1]
    return result
if __name__ == '__main__':
    codedir="./code/"
    for imgfile in os.listdir(codedir):
        if imgfile.endswith(".jpg"):
            dir="./result/"
            img=binary(codedir+imgfile)
            num=recognize(img)
            dir += (num+".png")
            print "save to", dir
            img.save(dir)

 

我把字库放在了num目录里，然后会识别出来存放在result目录结果如下

http://blog.feshine.net/technology/1163.html