验证码识别

验证码识别是爬虫必不可少的一项技能，但是目前的验证码花样百出，此教程只能做到识别较简单的，那些人眼都很难识别，或者字符扭曲混合在一起的验证码也很难做到正确识别。
我们不追求百分百的识别正确率，能达到10%已经是很好的结果。

识别思路：

graph LR
opencv图像预处理-->pytesseract进行识别

如果正确率很差，可以考虑在图像预处理后进行人工训练，使用训练的语言包进行识别

识别过程

graph LR
灰度图转换-->去噪
去噪-->otsu's二值化
otsu's二值化-->pytesseract识别

1.灰度图转换

灰度图转换有多重不同的算法实现，这里使用的算法对应的函数为imread

import cv2
img = cv2.imread('image.png', 0)

第一个参数为文件名，第二个参数有两个值，0代表cv2.IMREAD_RRATSCALE,表示读入灰度图
1代表cv2.IMREAD_COLOR,表示读入彩色图像

2. 去噪

常用图片平滑即图像模糊的方式进行去噪，opencv提供了4种图片平滑的方式：

1）均值滤波器 hamogeneous blur

blur = cv2.blur(img,(5,5))

2) 高斯滤波器 guassian blur

blur = cv2.GaussianBlur(img,(5,5),0)

3) 中值滤波器 median blur

median = cv2.medianBlur(img,5)

4) 双边滤波器 bilatrial blur

blur = cv2.bilateralFilter(img,9,75,75)

两外还有内置的4个函数也可以进行去噪

1. cv2.fastNlMeansDenoising() - works with a single grayscale images
2. cv2.fastNlMeansDenoisingColored() - works with a color image.
3. cv2.fastNlMeansDenoisingMulti() - works with image sequence captured in short period of time (grayscale images)
4. cv2.fastNlMeansDenoisingColoredMulti() - same as above, but for color images.

在遇到的验证码中经过测试，选定高斯滤波器和双边滤波器进行去噪效果较好

3. otsu's二值化

ret, th = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

4. pytesseract进行识别

pytesseract.image_to_string(image1, lang='eng')

其中lang为指定eng语言包

示例代码

# -*- coding:utf-8 -*-

"""
File Name : 'test'.py
Description:
Author: 'chengwei'
Date: '2016/5/24' '10:17'
python:2.7.10
"""
# coding=utf-8
import cv2
import numpy as np
from matplotlib import pyplot as plt
from PIL import Image
import pytesseract
import os
import time


# 获取指定目录下验证码文件列表
image_path = "D:\\test_img"

def get_files(path):
    file_list = []
    files = os.listdir(path)
    for f in files:
        if(os.path.isfile(path + '\\' + f)):
            file_list.append(path + '\\' + f)
    return file_list

# 高斯滤波器
def guassian_blur(img, a, b):
    #（a,b）为高斯核的大小，0 为标准差, 一般情况a,b = 5
    blur = cv2.GaussianBlur(img,(a,b),0)
    # 阈值一定要设为 0！
    ret, th = otsu_s(blur)
    return ret, th

# 均值滤波器
def hamogeneous_blur(img):
    blur = cv2.blur(img,(5,5))
    ret, th = otsu_s(blur)
    return ret, th

# 中值滤波器
def median_blur(img):
    blur = cv2.medianBlur(img,5)
    ret, th = otsu_s(blur)
    return ret, th

#双边滤波器
def bilatrial_blur(img):
    blur = cv2.bilateralFilter(img,9,75,75)
    ret, th = otsu_s(blur)
    return ret, th

def otsu_s(img):
    ret, th = cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
    return ret, th

def main():
    """
    测试模糊处理后otsu's二值化
    :return:
    """
    file_list = get_files(image_path)
    for filename in file_list:
        print filename
        img = cv2.imread(filename, 0)
        ret1, th1 = guassian_blur(img, 5, 5)
        ret2, th2 = bilatrial_blur(img)

        cv2.imwrite('temp1.png', th1)
        cv2.imwrite('temp2.png', th2)

        titles = ['original', 'guassian', 'bilatrial']
        images = [img, th1, th2]
        for i in xrange(3):
            plt.subplot(1,3,i+1),plt.imshow(images[i], 'gray')
            plt.title(titles[i])
            plt.xticks([]),plt.yticks([])
        plt.show()

        image1 = Image.open("temp1.png")
        image2 = Image.open("temp2.png")
        image3 = Image.open(filename)

        print pytesseract.image_to_string(image1, lang='eng')
        print pytesseract.image_to_string(image2, lang='eng')
        print pytesseract.image_to_string(image3, lang='eng')

if __name__ == '__main__':
    main()

补充说明：

1. 精度不够可以通过人工训练提高,训练方法参考http://www.cnblogs.com/samlin/p/Tesseract-OCR.html
2. opencv有很多强大的功能，这只是冰山一角，有兴趣可以到官方主页
3. 更好的库？scikit？