驗證碼識別

驗證碼識別是爬蟲必不可少的一項技能，但是目前的驗證碼花樣百出，此教程只能做到識別較簡單的，那些人眼都很難識別，或者字符扭曲混合在一起的驗證碼也很難做到正確識別。
我們不追求百分百的識別正確率，能達到10%已經是很好的結果。

識別思路：

graph LR
opencv圖像預處理-->pytesseract進行識別

如果正確率很差，可以考慮在圖像預處理后進行人工訓練，使用訓練的語言包進行識別

識別過程

graph LR
灰度圖轉換-->去噪
去噪-->otsu's二值化
otsu's二值化-->pytesseract識別

1.灰度圖轉換

灰度圖轉換有多重不同的算法實現，這里使用的算法對應的函數為imread

import cv2
img = cv2.imread('image.png', 0)

第一個參數為文件名，第二個參數有兩個值，0代表cv2.IMREAD_RRATSCALE,表示讀入灰度圖
1代表cv2.IMREAD_COLOR,表示讀入彩色圖像

2. 去噪

常用圖片平滑即圖像模糊的方式進行去噪，opencv提供了4種圖片平滑的方式：

1）均值濾波器 hamogeneous blur

blur = cv2.blur(img,(5,5))

2) 高斯濾波器 guassian blur

blur = cv2.GaussianBlur(img,(5,5),0)

3) 中值濾波器 median blur

median = cv2.medianBlur(img,5)

4) 雙邊濾波器 bilatrial blur

blur = cv2.bilateralFilter(img,9,75,75)

兩外還有內置的4個函數也可以進行去噪

1. cv2.fastNlMeansDenoising() - works with a single grayscale images
2. cv2.fastNlMeansDenoisingColored() - works with a color image.
3. cv2.fastNlMeansDenoisingMulti() - works with image sequence captured in short period of time (grayscale images)
4. cv2.fastNlMeansDenoisingColoredMulti() - same as above, but for color images.

在遇到的驗證碼中經過測試，選定高斯濾波器和雙邊濾波器進行去噪效果較好

3. otsu's二值化

ret, th = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

4. pytesseract進行識別

pytesseract.image_to_string(image1, lang='eng')

其中lang為指定eng語言包

示例代碼

# -*- coding:utf-8 -*-

"""
File Name : 'test'.py
Description:
Author: 'chengwei'
Date: '2016/5/24' '10:17'
python:2.7.10
"""
# coding=utf-8
import cv2
import numpy as np
from matplotlib import pyplot as plt
from PIL import Image
import pytesseract
import os
import time


# 獲取指定目錄下驗證碼文件列表
image_path = "D:\\test_img"

def get_files(path):
    file_list = []
    files = os.listdir(path)
    for f in files:
        if(os.path.isfile(path + '\\' + f)):
            file_list.append(path + '\\' + f)
    return file_list

# 高斯濾波器
def guassian_blur(img, a, b):
    #（a,b）為高斯核的大小，0 為標準差, 一般情況a,b = 5
    blur = cv2.GaussianBlur(img,(a,b),0)
    # 閾值一定要設為 0！
    ret, th = otsu_s(blur)
    return ret, th

# 均值濾波器
def hamogeneous_blur(img):
    blur = cv2.blur(img,(5,5))
    ret, th = otsu_s(blur)
    return ret, th

# 中值濾波器
def median_blur(img):
    blur = cv2.medianBlur(img,5)
    ret, th = otsu_s(blur)
    return ret, th

#雙邊濾波器
def bilatrial_blur(img):
    blur = cv2.bilateralFilter(img,9,75,75)
    ret, th = otsu_s(blur)
    return ret, th

def otsu_s(img):
    ret, th = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
    return ret, th

def main():
    """
    測試模糊處理后otsu's二值化
    :return:
    """
    file_list = get_files(image_path)
    for filename in file_list:
        print filename
        img = cv2.imread(filename, 0)
        ret1, th1 = guassian_blur(img, 5, 5)
        ret2, th2 = bilatrial_blur(img)

        cv2.imwrite('temp1.png', th1)
        cv2.imwrite('temp2.png', th2)

        titles = ['original', 'guassian', 'bilatrial']
        images = [img, th1, th2]
        for i in xrange(3):
            plt.subplot(1,3,i+1),plt.imshow(images[i], 'gray')
            plt.title(titles[i])
            plt.xticks([]),plt.yticks([])
        plt.show()

        image1 = Image.open("temp1.png")
        image2 = Image.open("temp2.png")
        image3 = Image.open(filename)

        print pytesseract.image_to_string(image1, lang='eng')
        print pytesseract.image_to_string(image2, lang='eng')
        print pytesseract.image_to_string(image3, lang='eng')

if __name__ == '__main__':
    main()

補充說明：

1. 精度不夠可以通過人工訓練提高,訓練方法參考http://www.cnblogs.com/samlin/p/Tesseract-OCR.html
2. opencv有很多強大的功能，這只是冰山一角，有興趣可以到官方主頁
3. 更好的庫？scikit？