使用Python和Tesseract实现验证码识别功能！
使用Python和Tesseract实现验证码识别功能！
一、验证码识别的背景与难点
1.1 什么是验证码？
验证码（CAPTCHA, Completely Automated Public Turing test to tell Computers and Humans Apart）是一种区分用户是人类还是计算机程序的技术。常见的验证码类型包括：
- 文本验证码：图片中包含扭曲或噪声干扰的字符。
- 图片验证码：用户需要选择特定内容的图片。
- 行为验证码：要求用户拖动滑块或完成特定任务。
1.2 验证码识别的应用场景
- 自动化测试：绕过验证码验证，以便进行完整的自动化测试。
- 数据采集：识别网页中的验证码，自动登录或提交表单。
- 辅助功能：为视障用户提供验证码读取功能。
1.3 验证码识别的挑战
- 图像噪声：许多验证码包含背景噪声、干扰线条或色块。
- 字符扭曲：为了增加识别难度，字符通常被扭曲或旋转。
- 字符连体：字符之间的分隔不明确，需要精确分割。
二、Tesseract 简介
Tesseract 是一个由 Google 维护的开源 OCR 引擎，支持多种语言和字符识别。它可以通过 Python 的 pytesseract 库调用，轻松实现文字识别功能。
2.1 Tesseract 的主要特点
- 多语言支持：Tesseract 支持超过 100 种语言。
- 易于扩展：支持自定义训练，适应特定场景的需求。
- 开源免费：无需授权费用，适用于商业项目。
2.2 Tesseract 的核心流程
- 图像预处理：将图像转化为适合 OCR 的格式。
- 文字区域检测：识别图像中的文字区域。
- 字符识别：将文字区域的像素转换为字符。
- 输出文本：生成最终的文字结果。
三、环境准备
在开始编码之前，需要完成以下环境的配置。
3.1 安装 Tesseract
1. Linux
|
1
2
3
|
sudo apt updatesudo apt install tesseract-ocrsudo apt install libtesseract-dev |
2. macOS
通过 Homebrew 安装：
|
1
|
brew install tesseract |
3. Windows
从 Tesseract 官方 GitHub 下载 Windows 安装包，并配置环境变量。
3.2 安装 Python 库
安装 pytesseract 和图像处理相关库：
|
1
|
pip install pytesseract pillow opencv-python |
四、验证码识别的实现
4.1 读取并显示图片
我们将使用 Pillow 和 OpenCV 库来加载和显示验证码图片。
|
1
2
3
4
5
6
7
8
9
10
11
|
from PIL import Imageimport cv2# 加载验证码图片image_path = "captcha.png"image = cv2.imread(image_path)# 使用 OpenCV 显示图片cv2.imshow("Captcha", image)cv2.waitKey(0)cv2.destroyAllWindows() |
4.2 图像预处理
为了提高识别率，我们需要对验证码图片进行预处理，包括灰度化、二值化和噪声去除。
1. 转灰度图像
灰度化将彩色 图片转换为黑白图片，简化处理。
|
1
2
3
4
|
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)cv2.imshow("Gray Image", gray)cv2.waitKey(0)cv2.destroyAllWindows() |
2. 二值化
二值化通过阈值将图片转换为黑白两色，突出文字部分。
|
1
2
3
4
|
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)cv2.imshow("Binary Image", binary)cv2.waitKey(0)cv2.destroyAllWindows() |
3. 去噪声
使用形态学操作（如开运算）去除图片中的干扰点。
|
1
2
3
4
5
|
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))denoised = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)cv2.imshow("Denoised Image", denoised)cv2.waitKey(0)cv2.destroyAllWindows() |
4.3 调用 Tesseract 进行识别
使用 pytesseract 调用 Tesseract 识别处理后的验证码图片。
|
1
2
3
4
5
6
7
8
9
|
import pytesseractfrom PIL import Image# 将处理后的图片保存为临时文件cv2.imwrite("processed_captcha.png", denoised)# 使用 pytesseract 识别text = pytesseract.image_to_string("processed_captcha.png", config="--psm 6")print(f"识别结果: {text}") |
五、优化识别效果
5.1 调整 Tesseract 参数
通过修改 Tesseract 的 --psm 参数，可以改变文字布局分析模式，例如：
--psm 6：假设为一个块的文字。--psm 7：将图像作为一行文字处理。
5.2 设置白名单字符
如果验证码的字符范围已知，可以设置白名单，提高识别准确率。
|
1
2
3
|
custom_config = r'--oem 3 --psm 6 -c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyz'text = pytesseract.image_to_string("processed_captcha.png", config=custom_config)print(f"识别结果: {text}") |
5.3 自定义训练模型
如果验证码的字符样式特殊，可以通过 Tesseract 的训练工具定制模型，以提升识别率。
六、完整代码示例
以下是整合图像预处理和验证码识别的完整代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
|
import cv2import pytesseract# 加载图片image_path = "captcha.png"image = cv2.imread(image_path)# 转为灰度图像gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 二值化处理_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 去除噪声kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))denoised = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)# 保存预处理后的图片cv2.imwrite("processed_captcha.png", denoised)# 使用 pytesseract 进行文字识别custom_config = r'--oem 3 --psm 6 -c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyz'text = pytesseract.image_to_string("processed_captcha.png", config=custom_config)# 输出识别结果print(f"识别结果: {text}")# 显示处理后的图片cv2.imshow("Processed Image", denoised)cv2.waitKey(0)cv2.destroyAllWindows() |
七、总结
通过本文的介绍，我们学习了如何使用 Python 和 Tesseract 实现验证码识别，并通过图像预处理和参数优化提高识别率。在实际项目中，结合深度学习模型可以进一步提升复杂验证码的识别效果。
学习资料见知识星球。
以上就是今天要分享的技巧，你学会了吗？若有什么问题，欢迎在下方留言。
快来试试吧，小琥 my21ke007。获取 1000个免费 Excel模板福利！
更多技巧， www.excelbook.cn
欢迎 加入 零售创新 知识星球，知识星球主要以数据分析、报告分享、数据工具讨论为主；
1、价值上万元的专业的PPT报告模板。
2、专业案例分析和解读笔记。
3、实用的Excel、Word、PPT技巧。
4、VIP讨论群，共享资源。
5、优惠的会员商品。
6、一次付费只需129元，即可下载本站文章涉及的文件和软件。
共有 0 条评论