聲明：沃貝簽到網(wǎng)站已經(jīng)在10月初歸西， 但技術(shù)是不過時的哦。
前言叨B叨
我不知道有多少同學(xué)知道沃貝,用聯(lián)通的同學(xué)也不見得都知道, 因?yàn)槲乙彩呛髞韯e人科普給我才知道聯(lián)通旗下有這么個網(wǎng)站, 每天簽到,一個月到頭可以得950M流量. 對于我這種14塊月租套餐的用戶來說,還是很不錯的福利. 但是, 問題來了, 每天簽到, 很煩躁的說, 于是就想著做個自動簽到, 順便以 python 機(jī)器學(xué)習(xí) 的名義, 廢話路上說, 來不及了, 快上車!
如下圖所示, 驗(yàn)證碼識別一般分為如下幾個步驟, 今天我們主要說下紅框部分, 圖像采集和處理.
一. 采集圖像
先去到網(wǎng)站上的登錄窗口, 找到二維碼的地址, 然后寫個循環(huán)把圖片下載下來做樣本, 多多益善,我這只下了50張.
在截圖中可以看到, 這個驗(yàn)證碼還不是個一般的驗(yàn)證碼, 是個二般的. 特征為: 純數(shù)字, 字體有旋轉(zhuǎn), 背景有雜色, 還有干擾線. 所有這些特征, 除了純數(shù)字以外, 全部是來阻止程序自動識別的絆腳石. 接下來, 我們就來一步一步地掃清障礙, 還我4個清純的數(shù)字s.
二.圖像處理
處理圖像之前, 先把pillow裝上:
pip install pillow
2. 首先來灰度化,二值化, 就是把背景雜色過濾掉變得非黑即白.這里的閾值設(shè)置的是170, 可根據(jù)不同的驗(yàn)證碼設(shè)置不同的值.
然后圖像會變成這樣:
3. 接下來去噪. 這個去噪不比ps里, 用橡皮擦擦就沒了, 里面還是有些門道(算法)的. 比如[鄰域像素算法]:
即對于像素值>245的鄰域像素，判別為屬于背景色，如果一個像素上下左右4各像素值有超過2個像素屬于背景色，那么該像素就是噪聲。這里還需要考慮到邊界問題.
去噪后, 效果如下圖. 對于以上鄰域算法僅僅是針對像素為1的干擾線, 對于像素大于一的干擾線沒做處理. 不過這個對于機(jī)器學(xué)習(xí)的話問題不大, 因?yàn)槲覀冏詈笊傻臉颖緯泻芏喾N類, 然后讓程序去推測當(dāng)前識別的對象的可信度.
4. 接下來應(yīng)該是切割驗(yàn)證碼(開始那個流程圖感覺不太對, 應(yīng)該是先分割后再校正傾斜度)
切割驗(yàn)證碼用的是投影算法, 即坐標(biāo)從上到下, 從左到右遍歷, 如果發(fā)現(xiàn)是空白,就跳過,直到掃描到像素值為255的點(diǎn),開始輸出, 輸出到縱坐標(biāo)上沒有像素值為255的點(diǎn),如下圖所示:
相關(guān)代碼呢, 太長了, 貼上來估計你也不愿意看. 我在后面把所有代碼上傳到GitHub(地址附在文章底部), 大家有興趣就down下來研究研究.
5. 校正傾斜度, 然后重新調(diào)整大小. 校正傾斜度這里用的是旋轉(zhuǎn)卡殼算法, 如下圖所示, 當(dāng)兩條平行線之間的舉例最短的時候, 就認(rèn)為是字符正確的方向.
代碼如下:
這里在旋轉(zhuǎn)的時候是從-60度到60度, 是依據(jù)當(dāng)前驗(yàn)證碼傾斜規(guī)律設(shè)定的. 調(diào)整完后效果如圖. 可以發(fā)現(xiàn)有些字符并不是很正, 但是將就吧
其實(shí)如果是用機(jī)器學(xué)習(xí)的去識別字符的話, 校正傾斜度可做可不做, 因?yàn)闄C(jī)器學(xué)習(xí)是靠大量樣本來對比識別的, 如果你的歪歪扭扭的樣本足夠多, 一樣可以識別.
6. 歸一化. 把以上的幾個步驟寫到一個循環(huán)里, 跑他個N遍, 這時候, 我們就有了好多好多的數(shù)字圖片, 這時苦力活來了...我們需要將每張數(shù)字圖片歸類, 在本地創(chuàng)建0-9十個文件夾, 將數(shù)字圖片按顯示值放入相應(yīng)的文件夾里.
其實(shí)這里在我們校正傾斜度的時候可以先使用tesseract先識別一下數(shù)字, 然后將其存放在相應(yīng)文件夾里, 這樣可以減輕一部分工作量, 但是有時候識別的不準(zhǔn)確,或者是無法識別, 所以還得我們手工去檢查一下.
pip install pytessearct
Pytessearct說明:
a、Python-tesseract是一個基于google's Tesseract-OCR的獨(dú)立封裝包；
b、Python-tesseract功能是識別圖片文件中文字，并作為返回參數(shù)返回識別結(jié)果；
c、Python-tesseract默認(rèn)支持tiff、bmp格式圖片，只有在安裝PIL之后，才能支持jpeg、gif、png等其他圖片格式；
使用如下python 語句識別字符后,存入對應(yīng)文件夾
recNum = pytesseract.image_to_string(cur_img,config='-psm 10 outputbase digits')
最后整理完揍是這個樣子
結(jié)語
至此, 識別驗(yàn)證碼的第一部分港完了, 得到了一堆小小的數(shù)字圖片.
后面將會進(jìn)一步講講驗(yàn)證碼識別部分. 敬請期待.
說好的GitHub鏈接
https://github.com/shark526/WowSign
