在上一篇博客Python图像处理之图片文字识别（OCR）中我们介绍了在Python中如何利用Tesseract软件来识别图片中的英文与中文，本文将具体介绍如何在Python中利用Tesseract软件来识别验证码（数字加字母）。
我们在网上浏览网页或注册账号时，会经常遇到验证码（CAPTCHA）,如下图：
- 将原图像进行灰度处理，转化为灰度图像；
- 获取图片中像素点数量最多的像素（此为图片背景），将该像素作为阈值进行二值化处理，将灰度图像转化为黑白图像（用来提高识别的准确率）；
- 去掉黑白图像中的噪声，噪声定义为：以该点为中心的九宫格的黑点的数量小于等于4；
- 利用pytesseract模块识别，去掉识别结果中的特殊字符，获得识别结果。
我们的图片如下（共66张图片）：
完整的Python代码如下：
import os
import pytesseract
from PIL import Image
from collections import defaultdict
# tesseract.exe所在的文件路径
pytesseract.pytesseract.tesseract_cmd = \'C://Program Files (x86)/Tesseract-OCR/tesseract.exe\'
# 获取图片中像素点数量最多的像素
def get_threshold(image):
pixel_dict = defaultdict(int)
# 像素及该像素出现次数的字典
rows, cols = image.size
for i in range(rows):
for j in range(cols):
pixel = image.getpixel((i, j))
pixel_dict[pixel] += 1
count_max = max(pixel_dict.values()) # 获取像素出现出多的次数
pixel_dict_reverse = {v:k for k,v in pixel_dict.items()}
threshold = pixel_dict_reverse[count_max] # 获取出现次数最多的像素点
return threshold
# 按照阈值进行二值化处理
# threshold: 像素阈值
def get_bin_table(threshold):
# 获取灰度转二值的映射table
table = []
for i in range(256):
rate = 0.1 # 在threshold的适当范围内进行处理
if threshold*(1-rate)<= i <= threshold*(1+rate):
table.append(1)
else:
table.append(0)
return table
# 去掉二值化处理后的图片中的噪声点
def cut_noise(image):
rows, cols = image.size # 图片的宽度和高度
change_pos = [] # 记录噪声点位置
# 遍历图片中的每个点，除掉边缘
for i in range(1, rows-1):
for j in range(1, cols-1):
# pixel_set用来记录该店附近的黑色像素的数量
pixel_set = []
# 取该点的邻域为以该点为中心的九宫格
for m in range(i-1, i+2):
for n in range(j-1, j+2):
if image.getpixel((m, n)) != 1: # 1为白色,0位黑色
pixel_set.append(image.getpixel((m, n)))
# 如果该位置的九宫内的黑色数量小于等于4，则判断为噪声
if len(pixel_set) <= 4:
change_pos.append((i,j))
# 对相应位置进行像素修改，将噪声处的像素置为1（白色）
for pos in change_pos:
image.putpixel(pos, 1)
return image # 返回修改后的图片
# 识别图片中的数字加字母
# 传入参数为图片路径，返回结果为：识别结果
def OCR_lmj(img_path):
image = Image.open(img_path) # 打开图片文件
imgry = image.convert(\'L\') # 转化为灰度图
# 获取图片中的出现次数最多的像素，即为该图片的背景
max_pixel = get_threshold(imgry)
# 将图片进行二值化处理
table = get_bin_table(threshold=max_pixel)
out = imgry.point(table, \'1\')
# 去掉图片中的噪声（孤立点）
out = cut_noise(out)
#保存图片
# out.save(\'E://figures/img_gray.jpg\')
# 仅识别图片中的数字
#text = pytesseract.image_to_string(out, config=\'digits\')
# 识别图片中的数字和字母
text = pytesseract.image_to_string(out)
# 去掉识别结果中的特殊字符
exclude_char_list = \' .:\\|\\'\"?![],()~@#$%^&*_+-={};<>/¥\'
text = \'\'.join([x for x in text if x not in exclude_char_list])
#print(text)
return text
def main():
# 识别指定文件目录下的图片
# 图片存放目录figures
dir = \'E://figures\'
correct_count = 0 # 图片总数
total_count = 0 # 识别正确的图片数量
# 遍历figures下的png,jpg文件
for file in os.listdir(dir):
if file.endswith(\'.png\') or file.endswith(\'.jpg\'):
# print(file)
image_path = \'%s/%s\'%(dir,file) # 图片路径
answer = file.split(\'.\')[0] # 图片名称，即图片中的正确文字
recognizition = OCR_lmj(image_path) # 图片识别的文字结果
print((answer, recognizition))
if recognizition == answer: # 如果识别结果正确，则total_count加1
correct_count += 1
total_count += 1
print(\'Total count: %d, correct: %d.\'%(total_count, correct_count))
\'\'\'
# 单张图片识别
image_path = \'E://figures/code (1).jpg\'
OCR_lmj(image_path)
\'\'\'
main()
运行结果如下：
(\'101659\', \'101659\')
(\'111073\', \'111073\')
(\'114510\', \'114510\')
(\'118235\', \'118235\')
(\'124677\', \'124677\')
(\'147291\', \'147291\')
(\'169147\', \'169147\')
(\'185302\', \'185302\')
(\'23YB\', \'23YB\')
(\'262051\', \'262051\')
(\'2HED\', \'2MED\')
(\'315386\', \'315386\')
(\'3D7K\', \'3D7K\')
(\'3DYH\', \'3DYH\')
(\'3QG8\', \'30G8\')
(\'3XNR\', \'EXNR\')
(\'44G5\', \'44G5\')
(\'470259\', \'470259\')
(\'515413\', \'515413\')
(\'522351\', \'522351\')
(\'539824\', \'539824\')
(\'5CVL\', \'SCVL\')
(\'642689\', \'642689\')
(\'671991\', \'671991\')
(\'672838\', \'672838\')
(\'6F5Y\', \'6F5Y\')
(\'6USB\', \'GUSB\')
(\'703167\', \'703167\')
(\'765120\', \'765120\')
(\'779931\', \'779931\')
(\'8UEF\', \'8SUEF\')
(\'905857\', \'905857\')
(\'9H4H\', \'9H4H\')
(\'9SK1\', \'OSK1\')
(\'BDP4\', \'BDP4\')
(\'DXV3\', \'DXV3\')
(\'E78Y\', \'E78Y\')
(\'EAHR\', \'EAHR\')
(\'F585\', \'Fss§\')
(\'FBV8\', \'FBV8\')
(\'FJKK\', \'FJKK\')
(\'GXKQ\', \'GXKQ\')
(\'H7Y9\', \'H7Y9\')
(\'J4LJ\', \'J4LJ\')
(\'J8YH\', \'J8YH\')
(\'JCDL\', \'JCDL\')
(\'JTX2\', \'JTX2\')
(\'JYLH\', \'JYLH\')
(\'KFYA\', \'KFYA\')
(\'L3VZ\', \'L3VZ\')
(\'LCGV\', \'LCGV\')
(\'LKEK\', \'LKEK\')
(\'N3FJ\', \'N3FJ\')
(\'PJZN\', \'PJZN\')
(\'PNDQ\', \'PNDQ\')
(\'Q7HP\', \'Q7HP\')
(\'QSHU\', \'QSHU\')
(\'R1RN\', \'RLRN\')
(\'RPNX\', \'RPNX\')
(\'TUKG\', \'TUKG\')
(\'U9G3\', \'U9G3\')
(\'UZAH\', \'UZAH\')
(\'V6P9\', \'very\')
(\'Y18D\', \'18D\')
(\'Y237\', \'Y237\')
(\'ZZT5\', \'2215\')
Total count: 66, correct: 54.
我们可以看到图片识别的正确率为80%以上，其中数字类图片的识别正确率为100%.
我们可以在图片识别方面的算法再加改进，以提高图片识别的正确率。当然，以上算法并不是对所有验证码都适用，不同的验证码需要用不同的图片处理算法。
注意：本人现已开通两个微信公众号： 因为Python（微信号为：python_math）以及轻松学会Python爬虫（微信号为：easy_web_scrape）， 欢迎大家关注哦~~