python利用Tesseract識別驗證碼

無論是是自動化登入還是爬蟲，總繞不開驗證碼，這次就來談談python中光學識別驗證碼模組tesserocr和pytesseract。tesserocr和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：digi.bib.uni-mannheim.de/tesseract/t…

下載完成後，雙擊安裝，可以勾選Additional language data(download)選項來安裝OCR識別支援的語言包，但下載語言包實在是慢，我們可以直接從https://github.com/tesseract-ocr/tessdata/ 下載zip的語言包壓縮檔案，解壓後將tessdata-master中的檔案複製到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數，我們將C:\Program Files (x86)\Tesseract-OCR新增到環境變數中。進入命令提示符，輸入tesseract，顯示下圖結果，說明配置完成

檢視安裝了的語言包：tesseract --list-langs

顯示我一共安裝了167種語言包，裡邊包含英文或者其他字元。

#測試#

實驗用的二維碼

基本使用語法 tesseract image.png result （tesseract 圖片名稱 生成檔名稱）

結果

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

識別驗證碼指令碼

import pytesseract
from PIL import Image

im=Image.open('pin.png')
print(pytesseract.image_to_string(im))
複製程式碼

結果

這樣識別的結果同樣跟上文一樣，個別字元識別的不是很準確 #影象處理# 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，下面這段程式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位制圖片，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))
複製程式碼

原圖

置灰和二值化後

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

原文連結:nolon.xyz/archives/77…