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：

 

本文将具体介绍如何利用Python的图像处理模块pillow和OCR模块pytesseract来识别上述验证码(数字加字母)。

我们识别上述验证码的算法过程如下：

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~~