字符型驗證碼（十四）

一、驗證碼簡介

1.什么是驗證碼

在開發(fā)爬蟲的過程中會遇到一種常見的反爬措施，驗證碼沟优。驗證碼（CAPTCHA）是“Completely Automated Public Turing test to tell Computers and Humans Apart”（全自動區(qū)分計算機和人類的圖靈測試）的縮寫岔擂，是一種區(qū)分用戶是計算機還是人的公共全自動程序。

2.驗證碼種類

驗證碼自面世以來惩嘉，不斷發(fā)展罢洲，圖形驗證碼可以分為以下幾類：

字符型驗證碼：這類驗證碼大多是計算機隨機產(chǎn)生一個字符串，在把字符串增加噪點文黎、干擾線惹苗、變形、重疊耸峭、不同顏色桩蓉、扭曲組成一張圖片來增加識別難度。
滑動驗證碼：也叫行為驗證碼劳闹，比較流行的一種驗證碼院究，通過用戶的操作行為來完成驗證，其中最出名的就是極驗本涕。

滑動驗證碼的原理就是使用機器學(xué)習(xí)中的深度學(xué)習(xí)技術(shù)业汰，根據(jù)一些特征來區(qū)分是否為正常用戶。通過記錄用戶的滑動速度菩颖，還有每一小段時間的瞬時速度样漆，用戶鼠標點擊情況，以及滑動后的匹配程度來識別位他。而且氛濒，不是說滑動到正確位置就是驗證通過，而是根據(jù)特征識別來區(qū)分是否為真用戶鹅髓，滑到正確位置只是一個必要條件舞竿。
點觸驗證碼：點擊類驗證碼都是給出一張包含文字的圖片，通過文字提醒用戶點擊圖中相同字的位置進行驗證窿冯。

二骗奖、圖像處理庫

pillow（http://www.reibang.com/p/cd6f4e138af6

）
官方文檔：https://pillow.readthedocs.io/en/latest/installation.html

三、簡單字符串驗證碼的處理

1.灰度化

像素點是最小的圖片單元，一張圖片由很多像素點構(gòu)成执桌，一個像素點的顏色是由RGB三個值來表現(xiàn)的鄙皇，所以一個像素點對應(yīng)三個顏色向量矩陣，我們對圖像的處理就是對這個像素點的操作仰挣。

圖片的灰度化伴逸，就是讓像素點矩陣中的每一個像素點滿足 R=G=B，此時這個值叫做灰度值膘壶，白色為255错蝴，黑色為0
灰度轉(zhuǎn)化一般公式為：

R=G=B = 處理前的 RX0.3 + GX0.59 + B*0.11

from PIL import Image
image = Image.open('code.jpg')
im = image.convert('L')

2.二值化

圖像的二值化，就是將圖像的像素點矩陣中的每個像素點的灰度值設(shè)置為0（黑色）或255（白色）颓芭，從而實現(xiàn)二值化顷锰，將整個圖像呈現(xiàn)出明顯的只有黑和白的視覺效果。

二值化原理是利用設(shè)定的一個閾值來判斷圖像像素是0還是255亡问，一般小于閾值的像素點變?yōu)?官紫，大于的變成255。

這個臨界灰度值就被稱為閾值州藕，閾值的設(shè)置很重要束世，閾值過大或過小都會對圖片造成損壞。

選擇閾值的原則是：既要盡可能保存圖片信息慎框，又要盡可能減少背景和噪聲的干擾良狈。

二值化的優(yōu)點：進一步的減小數(shù)據(jù)量后添，盡可能保存圖片的信息笨枯，盡可能的減少背景的噪聲干擾。

常用閾值選擇的方法是：
?----灰度平局值法：取127 （0~255的中數(shù)遇西，（0+255）/2 = 127）
平均值法：
? ----計算像素點矩陣中的所有像素點的灰度值的平均值avg
-----迭代法：選擇一個近似閾值作為估計值的初始值馅精，然后進行分割圖像，根據(jù)產(chǎn)生的子圖像的特征來選取新的閾值粱檀，在利用新的閾值分割圖像洲敢，經(jīng)過多次循環(huán)，使得錯誤分割的圖像像素點降到最小茄蚯。

from PIL import Image


def to_value(img):
    # 獲取尺寸
    w, h = img.size
    print('這個寬為%s,高為%s' % (w, h))
    # 獲取像素
    pixes = img.load()
    total = []
    for i in range(w):
        for j in range(h):
            total.append(pixes[i, j])
    print(total)
    # 計算平均值
    avg = sum(total)//len(total)
    #進行二值化處理（使圖像顯示出來要么是白色压彭，要么是黑色）
    for i in range(w):
        for j in range(h):
            if pixes[i, j] < avg:
                pixes[i, j] = 0
            else:
                pixes[i, j] = 255
    # return img.point(lambda x: 0 if x < avg else 255)返回一個新的img對象


img = Image.open('genimage.png')
# # 增強對比度
img = img.point(lambda x: 1.2*x)
# 進行圖像灰度化處理
img = img.convert('L')
to_value(img)
img.show()

3.降噪

經(jīng)過了二值化處理，整個圖片像素就被分為了兩個值0和255渗常，如果一個像素點是圖片或者干擾因素的一部分壮不，那么她的灰度值一定是0（黑色），如果一個點是背景皱碘，其灰度值應(yīng)該是255（白色）询一。

所以對于孤立的噪點，他的周圍應(yīng)該都是白色，或者大多數(shù)點都是白色的健蕊，所以在判斷的時候條件應(yīng)該放寬菱阵，一個點是黑色并且相鄰的點為白色的點的個數(shù)大于一個固定的值，那么這個點就是噪點缩功。

from PIL import Image

def noise_reduction(img):
    w, h = img.size
    pixes = img.load()
    # 先處理4條邊
    # 頂邊
    for i in range(w):
        if pixes[i,0] == 0:
            if pixes[i, 1] == 255:
                pixes[i, 0] = 255
    # 底邊
    for i in range(w):
        if pixes[i,h-1] == 0:
            if pixes[i, h-2] == 255:
                pixes[i, h-1] = 255

    # 左邊
    for i in range(h):
        if pixes[0, i] == 0:
            if [1, i] == 255:
                pixes[0, i] = 255

    # 右邊
    for i in range(h):
        if pixes[w-1, i] == 0:
            if [w-2, i] == 255:
                pixes[w-1, i] = 255

    # 處理其他的點
    for i in range(1, w-1):
        for j in range(1, h-1):
            if pixes[i, j] == 0:
                sum = pixes[i+1, j] + pixes[i, j+1] + pixes[i-1, j] + pixes[i, j-1] + pixes[i-1, j-1] + pixes[i+1, j-1] + pixes[i+1, j+1] + pixes[i-1, j+1]
                if sum // 255 > 4:
                    pixes[i, j] = 255

    return img

四晴及、識別

字符識別可使用谷歌開源項目------Tesseract OCR。

1.工具安裝

1.1Tesseract OCR引擎安裝

github地址：https://github.com/tesseract-ocr/tesseract/wiki

windows

下載地址：https://github.com/UB-Mannheim/tesseract/wiki
ubuntu安裝

1.2 Python Tesseract安裝

Python -Tesseract是一種用于Python的光學(xué)字符識別（OCR）工具嫡锌。也就是說抗俄，它將識別和“讀取”圖像中嵌入的文本。Python-tesseract是對谷歌Tesseract OCR引擎的python封裝世舰。它還可用作Tesseract的獨立調(diào)用腳本动雹，因為它可以讀取Pillow和Leptonica圖像庫支持的所有圖像類型，包括jpeg跟压、png胰蝠、gif、bmp震蒋、tiff等茸塞。

官方文檔：https://github.com/madmaze/pytesseract

安裝:

pip install pytesseract

簡單使用：

try:
    from PIL import Image
except ImportError:
    import Image
import pytesseract

# If you don't have tesseract executable in your PATH, include the following:
pytesseract.pytesseract.tesseract_cmd = r'<full_path_to_your_tesseract_executable>'
# Example tesseract_cmd = r'C:\Program Files (x86)\Tesseract-OCR\tesseract'

# Simple image to string
print(pytesseract.image_to_string(Image.open('test.png')))

# French text image to string
print(pytesseract.image_to_string(Image.open('test-european.jpg'), lang='fra'))