0801OCR识别验证码

用tesserocr对一个非常简单的验证码识别实例

前置工作

• retrying:提供了一些装饰器，方便配置重试机制。安装:pip3 install retrying
• Pillow:Python的一个支持图像处理的库。安装:pip3 install Pillow
• Numpy:Python中的一个科学计算库(文档、中文教程)。安装:pip3 install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
• Tesserocr(文档):是Python的一个 OCR识别库,它的核心是Tesseract
  • Mac下安装

    #ImageMagick是一款免费开源的图片编辑软件。既可以通过命令行使用，也可以通过C/C++、Java、Python或Ruby调用库编程来完
      
    brew install tesseract      #brew install imagemagick
    brew install tesseract-lang #brew install tesseract --all-languages
    pip3 install tesserocr
  
    #配置环境变量
    export TESSDATA_PREFIX="/usr/local/share/tessdata"
  

图片干扰处理。

实例中验证造成干扰的点，其颜色大多比文本的颜色更浅，因此可通过颜色将造成干扰的点排除掉：先将图片转换成8位的黑白图，再通过一个阈值过滤掉干扰点。

Image.mode 属性（PIL的Image）定义了图片的类型和像素的位宽

mode值	含义
1	像素用1位表示，Python 中表示为 True 或 False，即二值化。
L	像素用8位表示，取值 0~255，表示灰度图像，数字越小，颜色越黑。
P	像素用8位表示，即调色板数据
RGB	像素用 3x8位表示，即真彩色
RGBA	像素用 4x8 位表示，即有透明通道的真彩色。
CMYK	像素用 4x8 位表示，即印刷四色模式。
YCbCr	像素用 3x8 位表示，即彩色视频格式。
I	像素用 32 位整型表示。
F	像素用 32 位浮点型表示。

去干扰代码

from PIL import Image
import numpy as np
import tesserocr
def preprocess(image):
    image = image.convert('L')          #L：像素用8位表示，取值[0,255].即灰度图片。数值越小，颜色越黑（下面的where用到）
    array = np.array(image)             #转换成Numpy数组
    array = np.where(array > 50, 255, 0)#>50的设置成255(白色)，否则设置成0(黑色).也就是将图片完全黑白画
    image = Image.fromarray(array.astype('uint8'))#
    return image

pytesseract:

同样是基于tesseract的ocr（识别貌似比tesserocr好很多）

Mac下安装

brew install tesseract 
brew install tesseract-lang
pip3 install pytesseract

#配置环境变量
export TESSDATA_PREFIX="/usr/local/share/tessdata"

实例中的干扰用pytesseract不用做处理就可识别

captcha=pytesseract.image_to_string(image, lang='chi_sim+eng') #lang参数可不传。chi_tra=繁体中文