图片验证码识别 Python版

这几天在用Python做数据采集的时候碰到了图片验证码的问题,于是在Redice的博客中找到了非常好用的方法,在此我转载过来并做简单说明。

首先,你的python必须装有Python Image Library(PIL)的库。如果你没有安装,那你需要下载安装一个,可能你从官网下载下来的是32位的,如果你的是64位操作系统,你可以在这里下载http://pan.baidu.com/s/1mgHQh2g

拿一个简单的例子讲,如下图。

53329798a62e6

这是一个较为简单的验证码图片,内容为纯数字0-9,单个字符宽度固定,字符垂直位置固定,背景有很少的杂色。

1. 提取特征库。
下载足够多的验证码图片(至少包含0-9所有数字)。截取每个数字(8×20像素矩阵)单独存储作为特征库。为什么是8*20的像素矩阵,因为上图的单个数字宽度是8像素,图片的高度是20像素,所以我这么截取。如果你的宽度和高度与我的不一样,你需要稍作修改。
实现截取的方法如下(用到了Python的PIL库):

import Image
 
def make_lib():
    img = Image.open('code.jpg')
    gray_img = img.convert('1')
    gray_img.save('gray.jpg')
     
    width, height = gray_img.size
     
    # find each number
    w = 0
    while w < width:
        column = []
        for h in range(height):
            column.append(gray_img.getpixel((w, h)))
 
        # begining of a number
        if sum(column)/height < 245:
            box = (w, 0, w+8, 20)
            region = gray_img.crop(box)
            region.save('%s.jpg' % w)
            w = w + 10
        else:
            w = w + 1
 
if __name__ == '__main__':
    make_lib()

将验证么图片命名为code.jpg,放在同一目录下,执行程序后会看到验证码中的数字被截取。

注:img.convert(‘1’)作用是将彩色图二值化(只有0和255两种像素值)。

原理是:按列扫描,依次找到每个数字的起始位置,截取宽度为8像素,高度为20像素的区域保存。
如何识别字符的开始位置?
测试发现,列像素之合小于245的是有数字的部分。
最终建立如下特征库:

53329a0d7104e

2. 匹配

按列扫描,依次找到每个数字的起始位置,获取宽度为8像素,高度为20像素的矩阵A。(8*20像素在上已经说明)

拿矩阵A一次跟特征库矩阵进行对比,以差值数(详见下面Captcha类中的_cmpmatrix方法)最小的特征字符为匹配字符。

# coding: utf-8
# captcha.py
 
import Image
 
class Captcha:
    def __init__(self):
        self.imglib = {}
        self._loadlib()
     
    def _loadlib(self):
        """Load characteristic image lib"""
         
        import os
        if not os.path.exists('imglib'):
            print 'Can not find imglib dir.'
            return
         
        for i in range(10):
            self.imglib[i] = []
            img = Image.open('imglib/%d.jpg' % i).convert('1')
            width, height = img.size
            for w in range(width):
                # store all pixels in a column
                column = []
                for h in range(height):
                    column.append(img.getpixel((w, h)))
                self.imglib[i].append(column)
         
    def _cmpmatrix(self, listA, listB):
        """Return the count of difference between two list"""
         
        if len(listA) != len(listB): return
         
        num = 0
        for i, column in enumerate(listA):
            if len(column) != len(listB[i]): return
            for j, pixel in enumerate(column):
                if pixel != listB[i][j]:
                    num += 1
        return num
     
    def _whichnum(self, piexls_matrix):
        """Identify single number"""
 
        minnum = None
        index = 0
        for i in range(10):
            ret = self._cmpmatrix(self.imglib.get(i, []), piexls_matrix)
            if ret!= None:
                if minnum == None or minnum > ret:
                    minnum = ret
                    index = i
   
        if minnum != None:
            return str(index)
        else:
            return '?'
     
    def identify(self, filepath=None, fileobj=None):
        """Identify captcha"""
 
        if filepath:
            img = Image.open(filepath)
        elif fileobj:
            img = Image.open(fileobj)
        else:
            print 'Invalid input.'
            return
         
        img = img.convert('1')
         
        width, height = img.size
         
        w = 0
        number = ''
        while w < width:
            column = []
            for h in range(height):
                column.append(img.getpixel((w, h)))
 
            # begining of a number
            if sum(column)/height < 245:
                piexls_matrix = []
                for i in range(8):
                    piexls_column = []
                    for j in range(20):
                        piexls_column.append(img.getpixel((w + i, j)))
                    piexls_matrix.append(piexls_column)
                     
                number += self._whichnum(piexls_matrix)
                w = w + 10
            else:
                w = w + 1
 
        return number
        
if __name__ == '__main__':
    """Test performance of Captcha Class"""
    captcha = Captcha()
 
    try:
        import urllib2
        response = urllib2.urlopen('这里填写图片验证码地址') # 如response = urllib2.urlopen('https://sn.ac.10086.cn/SSO/servlet/CreateImage')
        open('code.jpg', 'wb').write(response.read())
        Image.open('code.jpg').show()
        print captcha.identify('code.jpg')
    except Exception, e:
        print 'Download captcha fail.', e

OK了,试一下吧。

发表评论

电子邮件地址不会被公开。 必填项已用*标注