在上一篇博客Python图像处理之图片文字识别（OCR）中我们介绍了在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）。

  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：

1. 将原图像进行灰度处理，转化为灰度图像；
2. 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）；
3. 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；
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。

注意：本人现已开通两个微信公众号： 因为Python（微信号为：python_math）以及轻松学会Python爬虫（微信号为：easy_web_scrape）， 欢迎大家关注哦~~