小白专属:Python破解验证码技术,识别率高达百分之80!

Posted Python学习交流乐园

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了小白专属:Python破解验证码技术,识别率高达百分之80!相关的知识,希望对你有一定的参考价值。

我们介绍了在Python中如何利用Tesseract软件来识别图片中的英文与中文,本文将具体介绍如何在Python中利用Tesseract软件来识别验证码(数字加字母)。


学习Python中有不明白推荐加入交流群

                号:960410445

                群里有志同道合的小伙伴,互帮互助,

                群里有不错的视频学习教程和PDF!

  我们在网上浏览网页或注册账号时,会经常遇到验证码(CAPTCHA),如下图:


 本文将具体介绍如何利用Python的图像处理模块pillow和OCR模块pytesseract来识别上述验证码(数字加字母)。

  我们识别上述验证码的算法过程如下:


将原图像进行灰度处理,转化为灰度图像;

获取图片中像素点数量最多的像素(此为图片背景),将该像素作为阈值进行二值化处理,将灰度图像转化为黑白图像(用来提高识别的准确率);

去掉黑白图像中的噪声,噪声定义为:以该点为中心的九宫格的黑点的数量小于等于4;

利用pytesseract模块识别,去掉识别结果中的特殊字符,获得识别结果。

  我们的图片如下(共66张图片):



  完整的Python代码如下:


import os

import pytesseract

from PIL import Image

from collections import defaultdict

 

# tesseract.exe所在的文件路径

pytesseract.pytesseract.tesseract_cmd = 'C://Program Files (x86)/Tesseract-OCR/tesseract.exe'

 

# 获取图片中像素点数量最多的像素

def get_threshold(image):

    pixel_dict = defaultdict(int)

 

    # 像素及该像素出现次数的字典

    rows, cols = image.size

    for i in range(rows):

        for j in range(cols):

            pixel = image.getpixel((i, j))

            pixel_dict[pixel] += 1

 

    count_max = max(pixel_dict.values()) # 获取像素出现出多的次数

    pixel_dict_reverse = {v:k for k,v in pixel_dict.items()}

    threshold = pixel_dict_reverse[count_max] # 获取出现次数最多的像素点

 

    return threshold

 

# 按照阈值进行二值化处理

# threshold: 像素阈值

def get_bin_table(threshold):

    # 获取灰度转二值的映射table

    table = []

    for i in range(256):

        rate = 0.1 # 在threshold的适当范围内进行处理

        if threshold*(1-rate)<= i <= threshold*(1+rate):

            table.append(1)

        else:

            table.append(0)

    return table

 

# 去掉二值化处理后的图片中的噪声点

def cut_noise(image):

 

    rows, cols = image.size # 图片的宽度和高度

    change_pos = [] # 记录噪声点位置

 

    # 遍历图片中的每个点,除掉边缘

    for i in range(1, rows-1):

        for j in range(1, cols-1):

            # pixel_set用来记录该店附近的黑色像素的数量

            pixel_set = []

            # 取该点的邻域为以该点为中心的九宫格

            for m in range(i-1, i+2):

                for n in range(j-1, j+2):

                    if image.getpixel((m, n)) != 1: # 1为白色,0位黑色

                        pixel_set.append(image.getpixel((m, n)))

 

            # 如果该位置的九宫内的黑色数量小于等于4,则判断为噪声

            if len(pixel_set) <= 4:

                change_pos.append((i,j))

 

    # 对相应位置进行像素修改,将噪声处的像素置为1(白色)

    for pos in change_pos:

        image.putpixel(pos, 1)

 

    return image # 返回修改后的图片

 

# 识别图片中的数字加字母

# 传入参数为图片路径,返回结果为:识别结果

def OCR_lmj(img_path):

 

    image = Image.open(img_path) # 打开图片文件

    imgry = image.convert('L')  # 转化为灰度图

 

    # 获取图片中的出现次数最多的像素,即为该图片的背景

    max_pixel = get_threshold(imgry)

 

    # 将图片进行二值化处理

    table = get_bin_table(threshold=max_pixel)

    out = imgry.point(table, '1')

 

    # 去掉图片中的噪声(孤立点)

    out = cut_noise(out)

 

    #保存图片

    # out.save('E://figures/img_gray.jpg')

 

    # 仅识别图片中的数字

    #text = pytesseract.image_to_string(out, config='digits')

    # 识别图片中的数字和字母

    text = pytesseract.image_to_string(out)

 

    # 去掉识别结果中的特殊字符

    exclude_char_list = ' .:\\|\'\"?![],()~@#$%^&*_+-={};<>/¥'

    text = ''.join([x for x in text if x not in exclude_char_list])

    #print(text)

 

    return text

 

def main():

    

    # 识别指定文件目录下的图片

    # 图片存放目录figures

    dir = 'E://figures'

 

    correct_count = 0  # 图片总数

    total_count = 0    # 识别正确的图片数量

 

    # 遍历figures下的png,jpg文件

    for file in os.listdir(dir):

        if file.endswith('.png') or file.endswith('.jpg'):

            # print(file)

            image_path = '%s/%s'%(dir,file) # 图片路径

 

            answer = file.split('.')[0]  # 图片名称,即图片中的正确文字

            recognizition = OCR_lmj(image_path) # 图片识别的文字结果

 

            print((answer, recognizition))

            if recognizition == answer: # 如果识别结果正确,则total_count加1

                correct_count += 1

 

            total_count += 1

 

    print('Total count: %d, correct: %d.'%(total_count, correct_count))

    '''

    # 单张图片识别

    image_path = 'E://figures/code (1).jpg'

    OCR_lmj(image_path)

    '''

 

main()

运行结果如下:


('101659', '101659')

('111073', '111073')

('114510', '114510')

('118235', '118235')

('124677', '124677')

('147291', '147291')

('169147', '169147')

('185302', '185302')

('23YB', '23YB')

('262051', '262051')

('2HED', '2MED')

('315386', '315386')

('3D7K', '3D7K')

('3DYH', '3DYH')

('3QG8', '30G8')

('3XNR', 'EXNR')

('44G5', '44G5')

('470259', '470259')

('515413', '515413')

('522351', '522351')

('539824', '539824')

('5CVL', 'SCVL')

('642689', '642689')

('671991', '671991')

('672838', '672838')

('6F5Y', '6F5Y')

('6USB', 'GUSB')

('703167', '703167')

('765120', '765120')

('779931', '779931')

('8UEF', '8SUEF')

('905857', '905857')

('9H4H', '9H4H')

('9SK1', 'OSK1')

('BDP4', 'BDP4')

('DXV3', 'DXV3')

('E78Y', 'E78Y')

('EAHR', 'EAHR')

('F585', 'Fss§')

('FBV8', 'FBV8')

('FJKK', 'FJKK')

('GXKQ', 'GXKQ')

('H7Y9', 'H7Y9')

('J4LJ', 'J4LJ')

('J8YH', 'J8YH')

('JCDL', 'JCDL')

('JTX2', 'JTX2')

('JYLH', 'JYLH')

('KFYA', 'KFYA')

('L3VZ', 'L3VZ')

('LCGV', 'LCGV')

('LKEK', 'LKEK')

('N3FJ', 'N3FJ')

('PJZN', 'PJZN')

('PNDQ', 'PNDQ')

('Q7HP', 'Q7HP')

('QSHU', 'QSHU')

('R1RN', 'RLRN')

('RPNX', 'RPNX')

('TUKG', 'TUKG')

('U9G3', 'U9G3')

('UZAH', 'UZAH')

('V6P9', 'very')

('Y18D', '18D')

('Y237', 'Y237')

('ZZT5', '2215')

Total count: 66, correct: 54.

我们可以看到图片识别的正确率为80%以上,其中数字类图片的识别正确率为100%.

  我们可以在图片识别方面的算法再加改进,以提高图片识别的正确率。当然,以上算法并不是对所有验证码都适用,不同的验证码需要用不同的图片处理算法。


以上是关于小白专属:Python破解验证码技术,识别率高达百分之80!的主要内容,如果未能解决你的问题,请参考以下文章

Keras知网验证码识别(上)-python实现

贴吧旋转验证码---python破解代码

口令破解之验证码识别技术探究

(原创)牛逼!通过Python做文字识别到破解图片验证码

人机识别技术再升级,AIGC为验证码带来万亿种新变化

Python大佬手把手带你用爬虫破解——滑动验证码识别