机器学习项目案例简单的数字验证码自动识别

本篇文章将实现一个识别验证码的案例。
基本思路及步骤：
1.先写一个关于验证码生成器的代码，得到一个有关验证码的库
2.对验证码库中的验证码图片进行处理并对其分割
3.训练数据，得到模型
4.对未知的验证码图片进行预测

由于目前的验证码的形式比较多样，但是验证的思路都是类似的，因此就先从简单的数字开始进行识别。我们先需要写一个验证码生成器，生成验证码库。
验证码需要有5个数字，并且有不同的颜色，还要再图片上加一些噪点和一些随机的线。
代码如下：

from PIL import Image
from PIL import ImageDraw
from PIL import ImageFont
import randomdef getRandomColor():"""获取一个随机颜色(r,g,b)格式的:return:"""c1 = random.randint(0, 255)c2 = random.randint(0, 255)c3 = random.randint(0, 255)if c1 == 255:c1 = 0if c2 == 255:c2 = 0if c3 == 255:c3 = 0return(c1, c2, c3)def getRandomStr():"""获取一个随机数字，每个数字的颜色也是随机的:return:"""random_num = str(random.randint(0, 9))return random_numdef generate_captcha():# 获取一个Image对象，参数分别是RGB模式。宽150，高30， 随机颜色image = Image.new('RGB', (150, 50), (255,255,255))# 获取一个画笔对象，将图片对象传过去draw = ImageDraw.Draw(image)# 获取一个font字体对象参数是ttf的字体文件的目录，以及字体的大小font = ImageFont.truetype("ARLRDBD.TTF", size=32)label = ""for i in range(5):random_char = getRandomStr()label += random_char# 在图片上写东西，参数是：定位，字符串，颜色，字体draw.text((10+i*30, 0), random_char, getRandomColor(), font=font)# 噪点噪线width = 150height = 30# 画线for i in range(3):x1 = random.randint(0, width)x2 = random.randint(0, width)y1 = random.randint(0, height)y2 = random.randint(0, height)draw.line((x1, y1, x2, y2), fill=(0, 0, 0))# 画点for i in range(5):draw.point([random.randint(0, width), random.randint(0, height)], fill=getRandomColor())x = random.randint(0, width)y = random.randint(0, height)draw.arc((x, y, x + 4, y + 4), 0, 90, fill=(0, 0, 0))# 保存到硬盘，名为test.png格式为png的图片image.save(open(''.join(['captcha_images/', label, '.png']), 'wb'), 'png')# image.save(open(''.join(['captcha_predict/', label, '.png']), 'wb'), 'png')
if __name__ == '__main__':for i in range(150):generate_captcha()

运行程序之后生成150个验证码图片，会将验证码保存到文件夹中，相当于一个库，如下：

生成验证码之后，我们需要对验证码图片进行处理，具体处理的步骤如下：
1.对验证码图片二值化，首先把图像从RGB 三通道转化成Gray单通道，然后把灰度图（0～255）转化成二值图（0，1）。
2.对二值化验证码图片进行降噪处理，把干扰的点和线去掉
3.对处理后的验证码图片进行分割，根据像素格，把图片中的所有（5个）数字，分别保存到对应的0～9文件夹下。

具体代码如下：

from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
import osdef binarization(path):img = Image.open(path)img_gray = img.convert('L')img_gray = np.array(img_gray)w, h = img_gray.shapefor x in range(w):for y in range(h):gray = img_gray[x, y]if gray <= 220:img_gray[x, y] = 0else:img_gray[x, y] = 1return img_gray# plt.figure('')# plt.imshow(img_gray, cmap='gray')# plt.axis('off')# plt.show()def noiseReduction(img_gray, label):height, width = img_gray.shapefor x in range(height-1):for y in range(width-1):cnt = 0if img_gray[x, y] == 1:continueelse:for i in [-1, 0, 1]:n = xn += iif n < 0:n = 0for j in [-1, 0, 1]:m = ym += jif m < 0:m = 0if img_gray[n, m] == 0:cnt += 1if cnt <= 4:img_gray[x, y] = 1plt.figure('')plt.imshow(img_gray, cmap='gray')plt.axis('off')plt.savefig(''.join(['clean_captcha_img/', label, '.png']))def img_2_clean():captchas = os.listdir(''.join(['captcha_images/']))for captcha in captchas:label = captcha.split('.')[0]img_path = ''.join(['captcha_images/', captcha])im = binarization(img_path)noiseReduction(im, label)def cutImg(label):labels = list(label)img = Image.open(''.join(['clean_captcha_img/', label, '.png']))for i in range(5):pic = img.crop((100*(1+i), 170, 100*(1+i)+100, 280))plt.imshow(pic)seq = get_save_seq(label[i])pic.save(''.join(['cut_number/', str(label[i]), '/', str(seq), '.png']))def get_save_seq(num):numlist = os.listdir(''.join(['cut_number/', num, '/']))if len(numlist) == 0 or numlist is None:return 0else:max_file = 0for file in numlist:if int(file.split('.')[0]) > max_file:max_file = int(file.split('.')[0])return int(max_file)+1def create_dir():for i in range(10):os.makedirs(''.join(['cut_number/', str(i)]))def clean2cut():clean_img = os.listdir(''.join(['clean_captcha_img/']))for img in clean_img:label = img.split('.')[0]cutImg(label)if __name__ == '__main__':img_2_clean()create_dir()clean2cut()

二值化并且降噪后的图片如下：

切割后的图片会保存在对应的数字文件夹中，

比如切割后的数字 6 如下：

1.把数据带入逻辑回归进行建模

（1）把切割好的数据，按照x(二位数组)，y（一维数组）的方式传入logisticRegression.fit()函数进行拟合
我们可以通过网格搜索（GridSearch）来进行调参
（2）通过joblib包，把模型保存到本地

2.得到模型后，进行图像验证
（1）根据之前处理图像的步骤，重复操作新的图像
（2）对切割好的每个图像，独立的进行预测
（3）把最后预测结果进行拼接

注意在代码中需要导入之前写的函数，
代码如下：

import os
from PIL import Image
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.externals import joblib
from CAPTCHA.captcha_logistic import *def load_data():# 假设20*5像素块构成 20*5 = 100# [[11...1111]#  [111...111]#  ....#  [11111111]]# X = [[11111.....11111]] 100位 Y = [0]X, Y = [], []cut_list = os.listdir('cut_number')for numC in cut_list:num_list_dir = ''.join(['cut_number/', str(numC), '/'])nums_dir = os.listdir(num_list_dir)for num_file in nums_dir:img = Image.open(''.join(['cut_number/', str(numC), '/', num_file]))img_gray = img.convert('L')img_array = np.array(img_gray)w, h = img_array.shapefor x in range(w):for y in range(h):gray = img_array[x, y]if gray <= 240:img_array[x, y] = 0else:img_array[x, y] = 1img_re = img_array.reshape(1, -1)X.append(img_re[0])Y.append(int(numC))return np.array(X), np.array(Y)def generate_model(X, Y):X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.3)log_clf = LogisticRegression(multi_class='ovr', solver='sag', max_iter=10000)# 利用交叉验证选择参数# param_grid = {"tol": [1e-4, 1e-3, 1e-2],#               "C": [0.4, 0.6, 0.8]}# grid_search = GridSearchCV(log_clf, param_grid=param_grid, cv=3)# grid_search.fit(X_train, Y_train)log_clf.fit(X_train, Y_train)# 将模型持久化joblib.dump(log_clf, 'captcha_model/captcha_model.model')def get_model():model = joblib.load('captcha_model/captcha_model.model')return modeldef capthca_predict():path = 'captcha_predict/unknown.png'pre_img_gray = binarizaion(path)noiseReduction(pre_img_gray, 'unknown')# cut imagelabels = ['0', '1', '2', '3', '4']img = Image.open(''.join(['clean_captcha_img/unknown.png']))for i in range(5):pic = img.crop((100*(1+i), 170, 100*(1+i)+100, 280))plt.imshow(pic)pic.save(''.join(['captcha_predict/', labels[i], '.png']))result = ''model = get_model()for i in range(5):path = ''.join(['captcha_predict/', labels[i], '.png'])img = Image.open(path)img_gray = img.convert('L')img_array = np.array(img_gray)w, h = img_array.shapefor x in range(w):for y in range(h):gray = img_array[x, y]if gray <= 220:img_array[x, y] = 0else:img_array[x, y] = 1img_re = img_array.reshape(1, -1)X = img_re[0]y_pre = model.predict([X])result = ''.join([result, str(y_pre[0])])return resultif __name__ == '__main__':X, Y = load_data()generate_model(X, Y)model = get_model()result = capthca_predict()print(result)

将要预测识别的验证码图片：

最终识别结果：

可以看到对给出的验证码图片进行了成功识别。

机器学习项目案例简单的数字验证码自动识别相关推荐

VB简单的数字验证码
VB简单的数字验证码工程包下载地址:https://download.csdn.net/download/ty5858/15095172
机器学习入门案例简单理解——Tensorflow之MNIST解析
深度学习简单介绍首先要简单区别几个概念:人工智能,机器学习,深度学习,神经网络.这几个词应该是出现的最为频繁的,但是他们有什么区别呢? 人工智能:人类通过直觉可以解决的问题,如:自然语言理解,图像识 ...
音频转换通项目案例简单过程分享
文章目录音频通转换 1.要求 2.BUG分享 3.问题 4.总结 5.二轮测试 6.音屏转换通项目收获音频通转换 1.要求测试音频转换通软件,采用尽可能的测试方法去测试软件,找出更多的缺陷不少 ...
按键精灵+大漠插件简单数字验证码识别实践笔记
因为资源短缺,公司用了一个很老的系统分配资源,每个项目每天都要经历上演一次像抢火车票一样的经历,而往往又空手而归,搞得大家疲惫不堪.而其中的关键在于几个简单的数字验证码的识别,于是在业余时间看了一些验 ...
基于CNN的四位数字验证码识别
前言验证码技术作为一种反自动化技术,使得很多程序的自动化工作止步.今天作者采用一些数字图像处理和CNN方法来识别较为简单的数字验证码实验步骤实验步骤主要围绕以下展开图像预处理即滤除噪声和字符分 ...
【验证码识别】基于遗传算法优化OUST结合BP神经网络实现数字验证码识别含Matlab源码
1 简介本项目基于MATLAB完成数字验证码识别的GUI设计,图像处理,验证码生成.识别等功能.采用BP神经网络来实现对验证码图像的识别.验证码的识别,大概分为图片预处理.分割字符.识别字符三个过程 ...
（第42册）Python项目案例开发从入门到实战——爬虫、游戏和机器学习（第2版）夏敏捷郑秋生尚展垒著
本书由Python基础开发入手,延伸至爬虫技术开发.游戏开发.人工智能开发.网络应用开发.图像处理和可视化开发6个Python经典开发方向: 全书共提供25个项目案例,以项目驱动方式展开各知识点的讲解 ...
python智慧城市_智慧城市背景下Python机器学习项目实战案例分享
首先,何为智慧城市?智慧城市的"智慧"源自何处? 智慧城市的特征在于运用大数据和数字技术提高居民生活质量. 机构获得的数据越全面.越实时,它们就越有能力观测事件发生的详情.分析需求 ...
智慧城市背景下Python机器学习项目实战案例分享
首先,何为智慧城市?智慧城市的"智慧"源自何处? 智慧城市的特征在于运用大数据和数字技术提高居民生活质量. 机构获得的数据越全面.越实时,它们就越有能力观测事件发生的详情.分析需求 ...

机器学习项目案例简单的数字验证码自动识别

机器学习项目案例简单的数字验证码自动识别相关推荐

最新文章

热门文章

机器学习项目案例 简单的数字验证码自动识别

机器学习项目案例 简单的数字验证码自动识别相关推荐

最新文章

热门文章

机器学习项目案例简单的数字验证码自动识别

机器学习项目案例简单的数字验证码自动识别相关推荐