前言
本文訓練數(shù)據(jù)部分參考：https://blog.csdn.net/ruyulin/article/details/89046148
只能識別字母與數(shù)字比較正的圖片內(nèi)容侮腹，不正的基本無法識別，就算訓練也是一樣
這種基本能識別：
需要更精準的識別广恢，可以使用tensorflow框架凯旋，進行模型建立及訓練呀潭，但是需要學習的東西會比較多钉迷。
一、環(huán)境準備
1.安裝jTessBoxEditor
官網(wǎng)：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/
- 下載jTessBoxEditor钠署，我是在腳本之家下載的（網(wǎng)上隨便找的）
- 解壓jTessBoxEditor放在自己的軟件目錄
- 將jTessBoxEditorFX的tesseract-ocr文件夾內(nèi)容清空（用于安裝tesseract）
我的路徑（E盤根目錄下）：E:\jTessBoxEditorFX
注意：
- 使用此軟件需要安裝JDK
- 啟動文件train.bat
2.安裝tesseract
官網(wǎng)：https://digi.bib.uni-mannheim.de/tesseract/
下載tesseract
-
安裝到jTessBoxEditorFX的tesseract-ocr文件夾下
image.png -
添加環(huán)境變量：TESSDATA_PREFIX糠聪，路徑為：tesseract-ocr的tessdata文件夾
image.png 將tesseract-ocr目錄加入path
3.安裝pytesseract模塊
pip install pytesseract
- 在Python安裝目錄下，找到pytesseract.py 文件
- 修改pytesseract.py文件的第二十七行tesseract_cmd的值為實際安裝路徑：
image.png
注意：需要使用ｒ轉(zhuǎn)為原始字符串谐鼎，或者使用雙＼
若未安裝tesseract舰蟆，在Python中使用時會出現(xiàn)如下錯誤信息提示：
pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your PATH. See README file for more information.
二、準備數(shù)據(jù)
（一）獲取數(shù)據(jù)
以古詩文網(wǎng)的登錄頁面為例狸棍，獲取驗證碼數(shù)據(jù)：
from PIL import Image
import pytesseract
import re
from selenium import webdriver
driver=webdriver.Chrome()
driver.maximize_window()
driver.get('https://so.gushiwen.cn/user/login.aspx?from=http://so.gushiwen.cn/user/collect.aspx')
for i in range(10):
#注意拼接路徑身害，前面的點號 . 表示相對當前路徑
driver.find_element_by_xpath('//*[@id="imgCode"]').screenshot('.\\verification_code\\' + 'code' + str(i) + '.png')
driver.refresh()
結(jié)果圖片：
（二）處理數(shù)據(jù)
三、訓練數(shù)據(jù)
1.訓練數(shù)據(jù)
打開 jTessBoxEditor（啟動文件為train.bat）草戈，合并圖片產(chǎn)生一個tif文件
產(chǎn)生一個box文件用于訓練
tesseract VeriCode.font.exp1.tif VeriCode.font.exp1 batch.nochop makebox人工檢查不能識別的數(shù)據(jù)塌鸯，進行修正。（具體如何訓練查看其他文章）
產(chǎn)生一個tr尾綴文件
tesseract VeriCode.font.exp1.tif VeriCode.font.exp1 nobatch box.train新建一個名為font_properties的文件（注意：不需要尾綴）唐片，內(nèi)容為：
font 0 0 0 0 0生成一個unicharset文件
unicharset_extractor VeriCode.font.exp1.box生成一個shapetable文件
shapeclustering -F font_properties -U unicharset VeriCode.font.exp1.tr生成字符特征文件（得到inttemp丙猬，pffmtable）
mftraining -F font_properties -U unicharset -O unicharset VeriCode.font.exp1.tr合并處理后的tr尾綴文件（得到normproto）
cntraining VeriCode.font.exp1.tr
注意：合并多個直接后面加空格再加文件名就行修改文件名
rename normproto VeriCode.normproto
rename unicharset VeriCode.unicharset
rename inttemp VeriCode.inttemp
rename pffmtable VeriCode.pffmtable
rename shapetable VeriCode.shapetablecombine_tessdata VeriCode.（得到訓練結(jié)果：VeriCode.traineddata文件）
注意VeriCode后面有個點號
2.遷移訓練結(jié)果
復制VeriCode.traineddata，放到tessdata（Tesseract安裝目錄的一個文件夾）文件夾下
3.訓練數(shù)據(jù)注意事項
- 生成tif尾綴文件時费韭，嚴格按照name.fontname.expNum命名茧球，否則會報加載字體錯誤
- 不要漏掉重命名文件的步驟
- 如果自己把步驟加入bat文件中自動執(zhí)行，需要確定文件路勁與文件名是否正確
4.如何訓練數(shù)據(jù)
4.1合并出tif尾綴文件星持，用于產(chǎn)生box文件（訓練用）
tesseract VeriCode.font.exp1.tif VeriCode.font.exp1 batch.nochop makebox
4.1產(chǎn)生box文件用于訓練
- 打開cmd矾飞，切換到存放tr尾綴文件的目錄
- 執(zhí)行tesseract VeriCode.font.exp1.tif VeriCode.font.exp1 batch.nochop makebox
執(zhí)行指令圖：
image.png
結(jié)果圖
image.png
4.3 打開tr尾綴文件
4.4訓練詳細步驟
4.4.1修改char值
雙擊需要修改值的char，修改之后需要回車
4.4.2修改單個char的坐標與參數(shù)
- 鼠標選中需要修改的char行
- 點擊character的>>
- 鼠標選中需要修改的參數(shù)剂习，上下方向鍵修改（鼠標點擊變化一個數(shù)據(jù)就消失了）
4.4.3預覽修改數(shù)據(jù)
- 紅色方框內(nèi)的小綠色框就是設置的字符寬度傻谁，可以用于查看寬度是否合適
-
點擊不同數(shù)字，可以切換到不同的字符view頁
image.png
4.4.4字符的合并损痰、分割福侈、插入、刪除
例如卢未，該D字符肪凛，寬度很寬堰汉，占據(jù)多個字符位置，可以使用分割split伟墙，分割成多個再刪除不需要的翘鸭，或者修改寬度，再調(diào)整坐標
四戳葵、Python中使用
前面步驟全部完成就乓，我們就可以使用pytesseract進行圖片識別了
from PIL import Image
import pytesseract
import re
from selenium import webdriver
#下面兩個函數(shù)用于處理圖片，進行灰度處理拱烁，與降噪
def clear_image(image):
image = image.convert('RGB')
width = image.size[0]
height = image.size[1]
noise_color = get_noise_color(image)
for x in range(width):
for y in range(height):
# 清除邊框和干擾色
rgb = image.getpixel((x, y))
if (x == 0 or y == 0 or x == width - 1 or y == height - 1
or rgb == noise_color or rgb[1] > 100):
image.putpixel((x, y), (255, 255, 255))
return image
def get_noise_color(image):
for y in range(1, image.size[1] - 1):
# 獲取第2列非白的顏色
(r, g, b) = image.getpixel((2, y))
if r < 255 and g < 255 and b < 255:
return (r, g, b)
driver=webdriver.Chrome()
driver.maximize_window()
driver.get('https://so.gushiwen.cn/user/login.aspx?from=http://so.gushiwen.cn/user/collect.aspx')
driver.find_element_by_xpath('//*[@id="imgCode"]').screenshot('verification_code.png')
image = Image.open('verification_code.png')
image = clear_image(image)
# 轉(zhuǎn)化為灰度圖
imgry = image.convert('L')
imgry.save('verification_code_grey.png')
print('未使用訓練數(shù)據(jù)源處理之前：')
code=pytesseract.image_to_string('verification_code_grey.png')
print(code)
print('使用訓練數(shù)據(jù)源處理之后：')
text=pytesseract.image_to_string('verification_code_grey.png',lang='VeriCode')
print('使用訓練數(shù)據(jù)源處理之后：未使用正則處理')
print(text)
#正則表達式提取
print('使用訓練數(shù)據(jù)源處理之后：使用正則處理')
result=re.findall(r'[\dA-Za-z]{4}',text)
print(result)
2.使用注意
若未安裝：tesseract生蚁，則會報錯
pytesseract.pytesseract.TesseractNotFoundError: tesseract is not installed or it's not in your PATH. See README file for more information.
