【爬蟲系列】1. 無事，Python驗證碼識別入門

李國寶發表於2021-08-07
爬蟲Python

最近在匯入某站資料（正經需求），看到他們的登入需要驗證碼，

本來並不想折騰的，然而Cookie有效期只有一天。

【爬蟲系列】1. 無事，Python驗證碼識別入門

已經收到了幾次夜間報警推送之後，實在忍不住。

得嘞，還是得研究下模擬登入。

於是，禿頭了兩個小時gang出來了。

 

預警

  • 二值化、普通降噪、8鄰域降噪
  • tesseract、tesserocr、PIL

如果都瞭解這些東西，這文章就不用看了，直接跳到參考文獻咯。

程式碼地址：

 

開始搞事

批量下載驗證碼圖片

import shutil
import requests
from loguru import logger

for i in range(100):
    url = 'http://xxxx/create/validate/image'
    response = requests.get(url, stream=True)
    with open(f'./imgs/{i}.png', 'wb') as out_file:
        response.raw.decode_content = True
        shutil.copyfileobj(response.raw, out_file)
        logger.info(f"download {i}.png successfully.")
    del response

 

【爬蟲系列】1. 無事，Python驗證碼識別入門

 

【爬蟲系列】1. 無事，Python驗證碼識別入門

 

第一步，直接上識別程式碼看看效果。

from PIL import Image
import tesserocr
img = Image.open("./imgs/98.png")
img.show()
img_l = img.convert("L")# 灰階圖
img_l.show()
verify_code1 = tesserocr.image_to_text(img)
verify_code2 = tesserocr.image_to_text(img_l)
print(f"verify_code1:{verify_code1}")
print(f"verify_code2:{verify_code2}")

 

【爬蟲系列】1. 無事，Python驗證碼識別入門【爬蟲系列】1. 無事，Python驗證碼識別入門

毫無疑問，無論是原圖還是灰階圖，一無所有。

 

 

折騰降噪、去干擾

Python圖片驗證碼降噪 - 8鄰域降噪

第一個找到有用的文章是這個，沒記錯的話幾年前也看到過。

from PIL import Image
# https://www.cnblogs.com/jhao/p/10345853.html Python圖片驗證碼降噪 — 8鄰域降噪

def noise_remove_pil(image_name, k):
    """
    8鄰域降噪
    Args:
        image_name: 圖片檔案命名
        k: 判斷閾值
    Returns:
    """

    def calculate_noise_count(img_obj, w, h):
        """
        計算鄰域非白色的個數
        Args:
            img_obj: img obj
            w: width
            h: height
        Returns:
            count (int)
        """
        count = 0
        width, height = img_obj.size
        for _w_ in [w - 1, w, w + 1]:
            for _h_ in [h - 1, h, h + 1]:
                if _w_ > width - 1:
                    continue
                if _h_ > height - 1:
                    continue
                if _w_ == w and _h_ == h:
                    continue
                if img_obj.getpixel((_w_, _h_)) < 230:  # 這裡因為是灰度影像，設定小於230為非白色
                    count += 1
        return count

    img = Image.open(image_name)
    # 灰度
    gray_img = img.convert('L')

    w, h = gray_img.size
    for _w in range(w):
        for _h in range(h):
            if _w == 0 or _h == 0:
                gray_img.putpixel((_w, _h), 255)
                continue
            # 計算鄰域非白色的個數
            pixel = gray_img.getpixel((_w, _h))
            if pixel == 255:
                continue

            if calculate_noise_count(gray_img, _w, _h) < k:
                gray_img.putpixel((_w, _h), 255)
    return gray_img


if __name__ == '__main__':
    image = noise_remove_pil("./imgs/1.png", 4)
    image.show()

 

跑起來看下效果。

【爬蟲系列】1. 無事，Python驗證碼識別入門

嘖嘖嘖，很是可以。

不過扔過去識別...

依舊不太行。

 

研讀了一下程式碼，有了思路。

 

 

新思路

 

【爬蟲系列】1. 無事，Python驗證碼識別入門

 

這邊的干擾線是從某個點發出來的紅色線條，

其實我只需要把紅色的畫素點都幹掉，這個線條也會被去掉。

from PIL import Image
import tesserocr
img = Image.open("./imgs/98.png")
img.show()

# 嘗試去掉紅畫素點
w, h = img.size
for _w in range(w):
    for _h in range(h):
        o_pixel = img.getpixel((_w, _h))
        if o_pixel == (255, 0, 0):
            img.putpixel((_w, _h), (255, 255, 255))
img.show()

img_l = img.convert("L")
# img_l.show()
verify_code1 = tesserocr.image_to_text(img)
verify_code2 = tesserocr.image_to_text(img_l)
print(f"verify_code1:{verify_code1}")
print(f"verify_code2:{verify_code2}")
【爬蟲系列】1. 無事，Python驗證碼識別入門

看起來OK，上面還有零星的藍色畫素掉，也可以用同樣的方法一起去掉。

【爬蟲系列】1. 無事，Python驗證碼識別入門【爬蟲系列】1. 無事，Python驗證碼識別入門

 

甚至OCR都直接出效果了。

好了，完結撒花。

不過，後面發現，有些紅色線段和藍色點，是和驗證碼重合的。

這個時候，如果直接填成白色，就容易把字母切開，導致識別效果變差。

Python圖片驗證碼降噪 - 8鄰域降噪

想起這個文章的做法，所以改進了一下：

當前點是紅色或者藍色，判斷周圍點是不是超過兩個畫素點是黑色。

是，填充為黑色。

否，填充成白色。

最終完整程式碼：

from PIL import Image
import tesserocr
from loguru import logger


class VerfyCodeOCR():
    def __init__(self) -> None:
        pass

    def ocr(self, img):
        """ 驗證碼OCR

        Args:
            img (img): imgObject/imgPath

        Returns:
            [string]: 識別結果
        """
        img_obj = Image.open(img) if type(img) == str else img
        self._remove_pil(img_obj)
        verify_code = tesserocr.image_to_text(img_obj)
        return verify_code.replace("\n", "").strip()

    def _get_p_black_count(self, img: Image, _w: int, _h: int):
        """ 獲取當前位置周圍畫素點中黑色元素的個數

        Args:
            img (img): 影像資訊
            _w (int): w座標
            _h (int): h座標

        Returns:
            int: 個數
        """
        w, h = img.size
        p_round_items = []
        # 超過了橫縱座標
        if _w == 0 or _w == w-1 or 0 == _h or _h == h-1:
            return 0
        p_round_items = [img.getpixel(
            (_w, _h-1)), img.getpixel((_w, _h+1)), img.getpixel((_w-1, _h)), img.getpixel((_w+1, _h))]
        p_black_count = 0
        for p_item in p_round_items:
            if p_item == (0, 0, 0):
                p_black_count = p_black_count+1
        return p_black_count

    def _remove_pil(self, img: Image):
        """清理干擾識別的線條和噪點

        Args:
            img (img): 影像物件

        Returns:
            [img]: 被清理過的影像物件
        """
        w, h = img.size
        for _w in range(w):
            for _h in range(h):
                o_pixel = img.getpixel((_w, _h))
                # 當前畫素點是紅色(線段) 或者 綠色（噪點）
                if o_pixel == (255, 0, 0) or o_pixel == (0, 0, 255):
                    # 周圍黑色數量大於2，則把當前畫素點填成黑色；否則用白色覆蓋
                    p_black_count = self._get_p_black_count(img, _w, _h)
                    if p_black_count >= 2:
                        img.putpixel((_w, _h), (0, 0, 0))
                    else:
                        img.putpixel((_w, _h), (255, 255, 255))

        logger.info(f"_remove_pil finish.")
        # img.show()
        return img


if __name__ == '__main__':
    verfyCodeOCR = VerfyCodeOCR()
    img_path = "./imgs/51.png"
    img= Image.open(img_path)
    img.show()
    ocr_result = verfyCodeOCR.ocr(img)
    img.show()
    logger.info(ocr_result)
【爬蟲系列】1. 無事，Python驗證碼識別入門

 

總結：

  • 識別率大概是80%左右，部分連起來的字元會被識別錯誤，需要切割字元後單獨識別
  • 降噪演算法只適用於當前圖片，其他場景需要自行適配

 

程式碼地址：

 

參考文章：

 

釋出於剛剛

相關文章