python利用Tesseract識別驗證碼

無論是是自動化登錄還是爬蟲,總繞不開驗證碼,這次就來談談python中光學識別驗證碼模塊
tesserocr
pytesseract
tesserocr
pytesseract是Python的一個OCR識別庫,但其實是對
tesseract做的一層Python API封裝,
pytesseract是Google的
Tesseract-OCR引擎包裝器;所以它們的核心是
tesseract,因此在安裝
tesserocr之前,我們需要先安裝
tesseract

下載安裝

下載地址:https://digi.bib.uni-mannheim…

下載完成后,雙擊安裝,可以勾選Additional language data(download)選項來安裝OCR識別支持的語言包,但下載語言包實在是慢,我們可以直接從https://github.com/tesseract-… 下載zip的語言包壓縮文件,解壓后將tessdata-master中的文件複製到Tesseract的安裝目錄C:\Program Files (x86)\Tesseract-OCR\tessdata目錄下,最後我們配置下環境變量,我們將C:\Program Files (x86)\Tesseract-OCR添加到環境變量中。進入命令提示符,輸入tesseract,显示下圖結果,說明配置完成

《python利用Tesseract識別驗證碼》

查看安裝了的語言包:tesseract --list-langs

《python利用Tesseract識別驗證碼》

显示我一共安裝了167種語言包,裡邊包含英文或者其他字符。

測試

實驗用的二維碼
《python利用Tesseract識別驗證碼》

基本使用語法
tesseract image.png result (tesseract 圖片名稱 生成文件名稱)

結果
《python利用Tesseract識別驗證碼》

由結果來看,識別出來了P、2和X,但是把C識別成了G,識別度還是比較高,接下來看在python中的使用

python引入tesseract

在python下使用pip命令即可完成下載安裝 pip install pytesseract

識別驗證碼腳本

import pytesseract
from PIL import Image

im=Image.open('pin.png')
print(pytesseract.image_to_string(im))

結果
《python利用Tesseract識別驗證碼》

這樣識別的結果同樣跟上文一樣,個別字符識別的不是很準確

圖像處理

現在網站上的二維碼設計的通常很難複雜,如果直接識別的話很難識別出來,下面這段代碼是進行灰度處理和二值化

import pytesseract
from PIL import Image

im=Image.open('5.jpg')
#進行置灰處理
im=im.convert('L')
#這個是二值化閾值
threshold=150
table=[]
for i in range(256):
    if i<threshold:
        table.append(0)
    else:
        table.append(1)
#通過表格轉換成二進製圖片,1的作用是白色,0就是黑色
im=im.point(table,"1")
im.show()
print(pytesseract.image_to_string(im))

原圖
《python利用Tesseract識別驗證碼》

置灰和二值化后
《python利用Tesseract識別驗證碼》

想要提高識別率只能下載訓練好的語言包,如上述所說,或者用深度學習的方法訓練機器

原文地址:
https://nolon.xyz/archives/77/

点赞

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *