分享一篇文章泣特，原文來自：j_hao104的個人頁面浩姥。
一、探討
識別圖形驗證碼可以說是做爬蟲的必修課状您，涉及到計算機圖形學勒叠，機器學習，機器視覺膏孟，人工智能等等高深領域……
簡單地說眯分，計算機圖形學的主要研究內容就是研究如何在計算機中表示圖形、以及利用計算機進行圖形的計算柒桑、處理和顯示的相關原理與算法弊决。圖形通常由點、線、面飘诗、體等幾何元素和灰度与倡、色彩、線型昆稿、線寬等非幾何屬性組成纺座。計算機涉及到的幾何圖形處理一般有 2維到n維圖形處理，邊界區(qū)分溉潭，面積計算净响，體積計算，扭曲變形校正喳瓣。對于顏色則有色彩空間的計算與轉換馋贤，圖形上色，陰影畏陕，色差處理等等配乓。
在破解驗證碼中需要用到的知識一般是 像素，線蹭秋，面等基本2維圖形元素的處理和色差分析扰付。常見工具為：
- 支持向量機(SVM)
- OpenCV
- 圖像處理軟件(Photoshop,Gimp…)
- Python Image Library
二、PIL安裝
PIL： Python Imaging Library, 是Python平臺的圖像處理標準庫仁讨，功能非常強大。
在Debian/Ubantu Linux下直接通過apt安裝：
$sudo apt-get install python-imaging
Max和其他版本的Linux可以直接使用easy_install或pip安裝实昨，安裝前需要把編譯環(huán)境裝好：
$ sudo easy_install PIL
Windos平臺可以直接去PIL官網下載exe安裝包洞豁。http://pythonware.com/products/pil/
注：官網提供的安裝包是32位的，64位系統(tǒng)請前往這里 http://www.lfd.uci.edu/~gohlke/pythonlibs/#pillow 下載替代包pillow荒给。
三丈挟、一般思路
驗證碼識別的一般思路為：
1、圖片降噪
2志电、圖片切割
3曙咽、圖像文本輸出
3.1 圖片降噪
所謂降噪就是把不需要的信息通通去除，比如背景挑辆，干擾線例朱，干擾像素等等，只剩下需要識別的文字鱼蝉，讓圖片變成2進制點陣最好洒嗤。
對于彩色背景的驗證碼：每個像素都可以放在一個5維的空間里，這5個維度分別是魁亦，X,Y,R,G,B渔隶，也就是像素的坐標和顏色，在計算機圖形學中洁奈，有很多種色彩空間间唉，最常用的比如RGB绞灼，印刷用的CYMK，還有比較少見的HSL或者HSV呈野，每種色彩空間的維度都不一樣低矮，但是可以通過公式互相轉換。在RGB空間中不好區(qū)分顏色际跪，可以把色彩空間轉換為HSV或HSL商佛。色彩空間參見 http://baike.baidu.com/view/3427413.htm
驗證碼圖片7039.jpg：
1、導入Image包姆打，打開圖片：
from PIL import Image
im = Image.open('7039.jpg')
2良姆、把彩色圖像轉化為灰度圖像。RBG轉化到HSI彩色空間幔戏，采用I分量：
imgry = im.convert('L')
imgry.show()
灰度看起來是這樣的：
3玛追、二值化處理
二值化是圖像分割的一種常用方法。在二值化圖象的時候把大于某個臨界灰度值的像素灰度設為灰度極大值闲延，把小于這個值的像素灰度設為灰度極小值痊剖，從而實現(xiàn)二值化（一般設置為0-1）。根據(jù)閾值選取的不同垒玲，二值化的算法分為固定閾值和自適應閾值陆馁，這里選用比較簡單的固定閾值。
把像素點大于閾值的設置,1合愈，小于閾值的設置為0叮贩。生成一張查找表，再調用point()進行映射佛析。
threshold = 140
table = []
for i in range(256):
if i < threshold:
table.append(0)
else:
table.append(1)
out = imgry.point(table, '1')
out.show()
處理結果看起來是這樣的：
3.2 圖片切割
識別驗證碼的重點和難點就在于能否成功分割字符益老，對于顏色相同又完全粘連的字符，比如google的驗證碼寸莫，目前是沒法做到5%以上的識別率的捺萌。不過google的驗證碼基本上人類也只有30%的識別率。本文使用的驗證碼例子比較容易識別膘茎√掖浚可以不用切割，有關圖片切割的方法參見這篇博客：http://www.cnblogs.com/apexchu/p/4231041.html
四辽狈、利用pytesser模塊實現(xiàn)識別
pytesser是谷歌OCR開源項目的一個模塊慈参，在python中導入這個模塊即可將圖片中的文字轉換成文本。
鏈接：https://code.google.com/p/pytesser/
pytesser 調用了 tesseract刮萌。在python中調用pytesser模塊驮配，pytesser又用tesseract識別圖片中的文字。
4.1 pytesser安裝
- 如果沒有安裝PIL，請到這里下載安裝：http://www.pythonware.com/products/pil/
- 安裝pytesser壮锻，下載地址：http://code.google.com/p/pytesser/ 琐旁，下載后直接將其解壓到項目代碼下，或者解壓到python安裝目錄的Libsite-packages下猜绣，并將其添加到path環(huán)境變量中灰殴，不然在導入模塊時會出錯。
- 下載Tesseract OCR engine：http://code.google.com/p/tesseract-ocr/ 掰邢，下載后解壓牺陶，找到tessdata文件夾，用其替換掉pytesser解壓后的tessdata文件夾即可辣之。
- 另外如果現(xiàn)在都是從PIL庫中運入Image掰伸，沒有使用Image模塊，所以需要把pytesser.py中的import Image改為from PIL import Image, 其次還需要在pytesser文件夾中新建一個init.py的空文件怀估。
ps：如果覺得后面兩步比較麻煩狮鸭，可以直接到云盤中下載 http://yun.baidu.com/s/1jHJvNiI ，操作如步驟2多搀。
4.2 調用pytesser識別
pytesser提供了兩種識別圖片方法歧蕉，通過image對象和圖片地址，代碼判斷如下：
from PIL import Image
from pytesser import pytesser
image = Image.open('7039.jpg')
print pytesser.image_file_to_string('7039.jpg')
print pytesser.image_to_string(image)
同時pytesser還支持其他語言的識別康铭，比如中文惯退。具體參見：http://blog.csdn.net/hk_jh/article/details/8961449
