python图形验证码识别_一起学python-opencv三十（图像验证码识别）

上一讲我们学习的是人脸检测，只是检测到人脸所在的区域，这一讲说的是图片验证码识别，是要有识别在里面的。先介绍什么叫做OCR：

利用pytesseract实现图片验证码识别

我们用到的核心模块是pytesseract，关于这个模块如何配置，参考：https://www.cnblogs.com/zhangxinqi/p/9297292.html#_label1

这个地方我的选择是把所有的都勾上了，当然你可以选择自己想要的勾上，我只是觉得这样省事。这个安装位置也不一定非要在c盘，只要配置一下环境变量就行了。下载过程中可能会出现很多次：

不过没有问题的，点确定就行了，这样只是有一些小语种的包安装错误。或者你可以按照上面说的用github装，然后解压到安装的文件夹。配置环境变量我们已经很熟悉了，这个过程相当于在linux下把bin文件放在/usr/bin或者/usr/sbin下面。在命令行输入tesseract，显示

说明已经配置成功了。

这是一些帮助信息。

-l是指定语言的，eng是英语，指定语言应该会识别速度快很多了。我们来试一张：

结果为什么是这样的呢？这是因为图片中有噪声，所以需要在opencv里面或者其它可以图像处理软件中先进行预处理，我们用的是python-opencv，我们想要实现的是用python实现一条龙处理，而不是用python-opencv预处理，然后再在命令行里处理。这也是我们为什么要安装pytesseract的原因，因为不安装这个tesseract和python之间没有接口。

看来我以前已经装过了。如果配置了环境变量，在用的时候是不会出现上述问题的。

这里读图像用的是PIL而不是opencv自带的，我们需要安装。参考了：https://jingyan.baidu.com/article/fea4511a20d98af7ba912551.html

PIL这个模块的介绍，参考：https://www.liaoxuefeng.com/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000/00140767171357714f87a053a824ffd811d98a83b58ec13000

感兴趣的可以去看原文，我比较好奇它读进来的数据和opencv读进来的有什么不同吗？

这个读进来并不是一个数组，而是一个文件对象。看来都是可以识别到的啊，无论是opencv读进来的还是PIL读进来的，只不过结果稍微不太一样，虽然都是错的，这需要我们先预处理。先来简单看一下pytesseract有哪些函数：

我们常用的是image_to_string，这个函数应该是用现成

原文中还有和爬虫结合实现验证码识别的，不过这种方式其实会有很多问题的，下面试验的时候就会看得到了。我们要先对这张图片进行一些预处理。我上豆瓣找了一些图片验证码，说实话，现在用图片验证码的其实比较少，很多都是拼图形式的或者是扫码，因为图片验证码确实太容易被破解了。我们可以随便找几个验证码来试一试，我用的是tx的一个网站：http://captcha.qq.com/getimage?aid=10079010r=0.38687027756482356

只需要改aid就可以得到不同的验证码，用这个的原因是这个比较纯净。

这个验证码就很好，噪声几乎没有，这个字母的封闭性很好。

前两个字母识别的是有问题的。怎么看都是DawZ。两种识别的结果都一样，都是错的。指定

语言也是错的。

输入彩色图像还是这样：

其实识别错很正常，毕竟没有方法可以做到百分百识别的。我们再试一个：

这个识别不出来？这个字母的封闭性就差一些。没关系，再试一个：

还是识别不了。enmmm，再试一个：

效果还是特别差。

这个视频里面做例子用的都是：

这种验证码，这种验证码最大的特点就是数字和字母都是没有倾斜的，但是现在基本上不会有这么好的验证码。我又找了豆瓣的两个验证码：

这识别难度都挺大的，不仅是字母是歪的，还有很多噪声。我们也不用试tesseract自带的字库了，它用的训练集估计就没有这样歪的字，或者它用的方法没有考虑到字体歪斜，前面的光是字母歪就难识别，还要带噪声更是识别不了，不过姑且还是试验一下：

效果果然很差。我在网上又找了一个OCR的网站：

https://www.onlineocr.net/

我们可以试一试:

效果也很差。我来看看大企业的表现。

用百度的API识别

参考https://cloud.baidu.com/doc/OCR/OCR-Python-SDK.html#.AD.45.25.42.6F.4C.89.80.FE.B7.28.00.A2.07.E8.17

先创建一个百度云账号，然后进入控制台：

https://console.bce.baidu.com/ai/#/ai/ocr/overview/index

一开始这个已建应用应该是0个，这个是我已经创建好的，点击创建应用就可以创建，然后填几个空就可以。

然后立即创建。

我们就算用高精度的，一天也可以免费用500次，这完全足够我们个人用了，下面我们要试一试效果：

创建成功后，点击管理应用

这里有几个东西我们待会要用。

按照上面步骤做好。

好，我们来写一下这段代码：

看看结果还不错，

但是还是错了一个字母，这个识别出来试一个单词，因为中间没有空格，总得来说，效果要比上面好多了，这种输出格式叫做json，以前也是见过的。如果我们只要结果。

再试几个：

完全正确。

错了两个字母。

这个效果就不太理想了。其实前面用的并不是高精度，因为函数是basicGeneral，这个是通用的，basicAccurate才是高精度的。

效果更差了。

效果还是不是很好，不过感觉其实已经很不错了，可能需要预处理一下图片，不过预处理没有通用的办法啊，这个事其实还是挺难办，不过百度做的确实已经很好了。图像处理这东西本来其实就挺难的，因为有很强的环境性，如果你想破解某个网站的验证码，最好的办法就是用这个网站的验证码做数据集去训练一个神经网络，因为每家网站图片加噪声的方式可能都不一样。不过数据集的标记是个问题，要想网络泛化性强，就必须要有足够大的数据集，图片验证码可以用爬虫，但是标记就得人为标记，这个比较费时间，虽然网上有可以花钱请人标记的，不过我是花不起。