python简单验证码识别的实现方法

利用SVM向量机进行4位数字验证码识别

主要是思路和步骤如下：

一，素材收集

检查环境是否包含有相应的库：

1.在cmd中，通过 pip list命令查看安装的库

2.再使用pip installRequests 安装Requests库

3.再次使用pip list 命令

4.利用python/' target='_blank'>python获取验证码资源

编写代码：_DownloadPic.py

#!/usr/bin/nev Python3#利用python从站点下载验证码图片import requests## 1.在 http://www.xxx.com# 获取验证码URLdef Downloads_Pic(strPath, strName): #设置url url = 'http://www.xxx.com' #以二进制方式发送Get请求， #将stream = True， #数据读取完成前不要断开链接 rReq = requests.get(url, stream = True) #尝试保存图片 with open(strPath + strName + '.png', 'wb') as fpPic:  #循环读取1024Byte到byChunk中，读完则跳出  for byChunk in rReq.iter_content(chunk_size = 1024):   if byChunk:    fpPic.write(byChunk)    fpPic.flush()  fpPic.close()for i in range(1, 10 + 1): strFileName = "%03d" % i Downloads_Pic('D:/1/', strFileName)

二，素材处理

1.二值化处理，增加对比度，锐化，增加亮度，滤镜，转为黑白

2.去除噪点

3.切割图片

编写代码：_PicDealWith.py

#!/usr/bin/env python3import osimport os.pathfrom PIL import Image, ImageEnhance, ImageFilterimport random#二值化处理#strImgPath 图片路径def BinaryzationImg(strImgPath): #打开图片 imgOriImg = Image.open(strImgPath) #增加对比度 pocEnhance = ImageEnhance.Contrast(imgOriImg) #增加255%对比度 imgOriImg = pocEnhance.enhance(2.55) #锐化 pocEnhance = ImageEnhance.Sharpness(imgOriImg) #锐化200% imgOriImg = pocEnhance.enhance(2.0) #增加亮度 pocEnhance = ImageEnhance.Brightness(imgOriImg) #增加200% imgOriImg = pocEnhance.enhance(2.0) #添加滤镜效果 imgGryImg = imgOriImg.convert('L').filter(ImageFilter.DETAIL) #二值化处理 imgBinImg = imgGryImg.convert('1') return imgBinImg#去除噪点def ClearNoise(imgBinImg): for x in range(1, (imgBinImg.size[0]-1)):  for y in range(1,(imgBinImg.size[1] - 1)):  #一个点为黑色，周围8个点为白色，则此点为噪点，设置为白色   if imgBinImg.getpixel((x, y)) == 0 \    and imgBinImg.getpixel(((x - 1), (y + 1))) == 255 \    and imgBinImg.getpixel(((x - 1), y)) == 255 \    and imgBinImg.getpixel(((x - 1), (y - 1))) == 255 \    and imgBinImg.getpixel(((x + 1), (y + 1))) == 255 \    and imgBinImg.getpixel(((x + 1), y)) == 255 \    and imgBinImg.getpixel(((x + 1), (y - 1))) == 255 \    and imgBinImg.getpixel((x, (y + 1))) == 255 \    and imgBinImg.getpixel((x, (y - 1))) == 255:    imgBinImg.putpixel([x, y], 255) return imgBinImg#切割图片def GetCropImgs(imgClrImg): ImgList = [] for i in range(4):  x = 6 + i * 13  y = 3  SubImg = imgClrImg.crop((x, y, x + 13, y + 15))  ImgList.append(SubImg) return ImgList#调用部分def main(): g_Count = 0 strStep1Dir = 'D:/1/step1/' strStep2Dir = 'D:/1/step2/' for ParentPath, DirName, FileNames in os.walk(strStep1Dir):  for i in FileNames:   #图片文件路径信息   strFullPath = os.path.join(ParentPath, i)   imgBinImg = BinaryzationImg(strFullPath)   imgClrImg = ClearNoise(imgBinImg)   ImgList = GetCropImgs(imgClrImg)   for img in ImgList:    strImgName = "%04d%04d.png" % (g_Count, random.randint(0, 9999))    strImgPath = os.path.join(strStep2Dir, strImgName)    img.save(strImgPath)    g_Count += 1 print("OK！")if __name__ == '__mian__': main()

三，手工分类

将第二步切割好的图片进行分类，体力活

四，利用SVM向量机建立模型

1.安装svm库

下载libsvm库，并解压

将库中的windows目录的路径添加到path环境变量中

将libsvm下的python文件夹中的svm.py和svmutil.py文件拷贝到你的python的路径中lib文件夹中

from svmutil import *

2.生成模型文件

2.1.将分好类的图片信息进行提取，生成特征值

2.2.输出向量数据

2.3.根据数据输出SVM模型文件

编写代码：_SVMDemo.py

#!/usr/bin/env python3#SVM,验证码识别import osimport sysimport randomimport os.pathfrom PIL import Image, ImageEnhance, ImageFilterfrom svmutil import *##记录像素点的值，描述特征，采用遍历每个像素点统计黑色点的数量def GetFeature(imgCropImg, nImgHeight, nImgWidth): PixelCountList = [] for y in range(nImgHeight):  CountX = 0  for x in range(nImgWidth):   if imgCropImg.getpixel((x, y)) == 0:    CountX += 1  PixelCountList.append(CountX) for x in range(nImgWidth):  CountY = 0  for y in range(nImgHeight):   if imgCropImg.getpixel((x, y)) == 0:    CountY += 1  PixelCountList.append(CountY) return PixelCountList##输出向量数据def OutPutVectorData(strID, strMaterialDir, strOutPath): for ParentPath, DirNames, FileNames in os.walk(strMaterialDir):  with open(strOutPath, 'a') as fpFea:   for fp in FileNames:    #图片文件路径信息    strFullPath = os.path.join(ParentPath, fp)    #打开图片    imgOriImg = Image.open(strFullPath)    #生成特征值    FeatureList = GetFeature(imgOriImg, 15, 13)    strFeature = strID + ' '    nCount = 1    for i in FeatureList:     strFeature = '%s%d:%d ' % (strFeature, nCount, i)     nCount += 1    fpFea.write(strFeature + '\n')    fpFea.flush()  fpFea.close()#训练SVM模型def TrainSvmModel(strProblemPath, strModelPath): Y, X = svm_read_problem(strProblemPath) Model = svm_train(Y, X) svm_save_model(strModelPath, Model)#SVM模型测试def SvmModelTest(strProblemPath, strModelPath): TestY, TestX = svm_read_problem(strProblemPath) Model = svm_load_model(strModelPath) #返回识别结果 pLabel, pAcc, pVal = svm_predict(TestY, TestX, Model) return pLabel##输出测试向量数据def OutPutTestVectorData(strID, strDir, strOutPath): fileList = [] for parentPath, strDir, fileName in os.walk(strDir):  fileList = fileName with open(strOutPath, 'a') as fpFea:  for fp in fileList:   #图片文件路径信息   strFullPath = os.path.join(parentPath, fp)   #打开图片   imgOriImg = Image.open(strFullPath)   #生成特征值   FeatureList = GetFeature(imgOriImg, 15, 13)   strFeature = strID + ' '   nCount = 1   for i in FeatureList:    strFeature = '%s%d:%d ' % (strFeature, nCount, i)    nCount += 1   fpFea.write(strFeature + '\n')   fpFea.flush()  fpFea.close()def main():# 1.循环输出向量文件 for i in range(0, 10):  strID = '%d' % i  OutPutVectorData(strID, 'D:/1/step3/' + strID, 'D:/1/step4/Vector.txt')# 2.调用函数训练SVM模型 TrainSvmModel('D:/1/step4/Vector.txt', 'D:/1/step5/Model.txt')# 3.调用函数识别结果 pLabel = SvmModelTest('D:/1/step6/Vector.txt', 'D:/1/step5/Model.txt') for i in pLabel:  print('%d' % i)if __name__ == '__main__': main()

五，测试

1.利用模型文件和向量文件进行测试验证码识别

##1.获取一张验证码图片

##2.对图片进行处理

## 2.1.二值化处理，增加对比度，锐化，增加亮度，滤镜，转为黑白，

## 2.2.去除噪点

## 2.3.切割图片

##3.生成向量文件

##4.再利用之前的模型文件进行识别测试

编写代码：_SVMTest.py

#!/usr/bin/env python3#对一张验证码图片进行识别测试##1.获取一张验证码图片##2.对图片进行处理## 2.1.二值化处理，增加对比度，锐化，增加亮度，滤镜，转为黑白，## 2.2.去除噪点## 2.3.切割图片##3.生成向量文件##4.再利用之前的模型文件进行识别测试################import _PicDealWithimport osimport randomimport _SVMDemo##测试g_Count = 0strDirPath = 'D:/1/test/'strFileName = '001.png'#1.图片文件路径信息strFullPath = os.path.join(strDirPath, strFileName)#2.对图片进行处理#2.1二值化处理imgBinImg = _PicDealWith.BinaryzationImg(strFullPath)#2.2去除噪点imgClrImg = _PicDealWith.ClearNoise(imgBinImg)#2.3切割图片ImgList = _PicDealWith.GetCropImgs(imgClrImg)#2.3循环写入文件for img in ImgList: strImgName = "%04d%04d.png" % (g_Count, random.randint(0, 9999)) strImgPath = os.path.join(strDirPath, strImgName) img.save(strImgPath) g_Count += 1print("OK")os.remove(strFullPath)#3.生成向量文件_SVMDemo.OutPutTestVectorData('0', 'D:/1/test/', 'D:/1/test/Vector.txt')#4.利用之前的模型文件进行识别测试pLabel = _SVMDemo.SvmModelTest('D:/1/test/Vector.txt', 'D:/1/step5/Model.txt')for i in pLabel: print('%d' % i, end = '')

效果图:

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对脚本之家的支持。