一、探討
識別圖形驗證碼可以說是做爬蟲的必修課莺褒，涉及到計算機圖形學(xué)白粉，機器學(xué)習(xí)传泊，機器視覺，人工智能等等高深領(lǐng)域……
簡單地說鸭巴，計算機圖形學(xué)的主要研究內(nèi)容就是研究如何在計算機中表示圖形眷细、以及利用計算機進行圖形的計算、處理和顯示的相關(guān)原理與算法鹃祖。圖形通常由點溪椎、線、面、體等幾何元素和灰度池磁、色彩奔害、線型楷兽、線寬等非幾何屬性組成地熄。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)分芯杀，面積計算端考，體積計算，扭曲變形校正揭厚。對于顏色則有色彩空間的計算與轉(zhuǎn)換却特，圖形上色，陰影筛圆，色差處理等等裂明。
在破解驗證碼中需要用到的知識一般是 像素，線太援，面等基本2維圖形元素的處理和色差分析闽晦。常見工具為：
支持向量機(SVM)
OpenCV
圖像處理軟件(Photoshop,Gimp…)
Python Image Library
推薦下我自己創(chuàng)建的Python學(xué)習(xí)交流群960410445，這是Python學(xué)習(xí)交流的地方提岔，不管你是小白還是大牛仙蛉，小編都?xì)g迎，不定期分享干貨碱蒙，包括我整理的一份適合零基礎(chǔ)學(xué)習(xí)Python的資料和入門教程荠瘪。
PIL： Python Imaging Library, 是Python平臺的圖像處理標(biāo)準(zhǔn)庫赛惩，功能非常強大哀墓。
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，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(wǎng)下載exe安裝包喷兼。http://pythonware.com/products/pil/
注：官網(wǎng)提供的安裝包是32位的篮绰，63位系統(tǒng)請前往這里http://www.lfd.uci.edu/~gohlke/pythonlibs/#pillow下載替代包pillow。
驗證碼識別的一般思路為：
1阶牍、圖片降噪
2、圖片切割
3星瘾、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走孽，比如背景，干擾線琳状，干擾像素等等磕瓷，只剩下需要識別的文字，讓圖片變成2進制點陣最好。
對于彩色背景的驗證碼：每個像素都可以放在一個5維的空間里困食，這5個維度分別是边翁，X,Y,R,G,B，也就是像素的坐標(biāo)和顏色硕盹，在計算機圖形學(xué)中符匾，有很多種色彩空間，最常用的比如RGB瘩例，印刷用的CYMK啊胶，還有比較少見的HSL或者HSV，每種色彩空間的維度都不一樣垛贤，但是可以通過公式互相轉(zhuǎn)換焰坪。在RGB空間中不好區(qū)分顏色，可以把色彩空間轉(zhuǎn)換為HSV或HSL聘惦。
驗證碼圖片7039.jpg：
1某饰、導(dǎo)入Image包，打開圖片：
fromPIL importImage
im =Image.open('7039.jpg')
2善绎、把彩色圖像轉(zhuǎn)化為灰度圖像黔漂。RBG轉(zhuǎn)化到HSI彩色空間，采用I分量：
imgry =im.convert('L')
imgry.show()
灰度看起來是這樣的：
3涂邀、二值化處理
二值化是圖像分割的一種常用方法瘟仿。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(shè)為灰度極大值，把小于這個值的像素灰度設(shè)為灰度極小值比勉，從而實現(xiàn)二值化（一般設(shè)置為0-1）劳较。根據(jù)閾值選取的不同，二值化的算法分為固定閾值和自適應(yīng)閾值浩聋，這里選用比較簡單的固定閾值观蜗。
把像素點大于閾值的設(shè)置,1，小于閾值的設(shè)置為0衣洁。生成一張查找表墓捻，再調(diào)用point()進行映射。
處理結(jié)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坊夫，對于顏色相同又完全粘連的字符砖第，比如google的驗證碼，目前是沒法做到5%以上的識別率的环凿。不過google的驗證碼基本上人類也只有30%的識別率梧兼。本文使用的驗證碼例子比較容易識別。
四智听、利用pytesser模塊實現(xiàn)識別
pytesser是谷歌OCR開源項目的一個模塊羽杰，在python中導(dǎo)入這個模塊即可將圖片中的文字轉(zhuǎn)換成文本渡紫。
pytesser 調(diào)用了 tesseract。在python中調(diào)用pytesser模塊考赛，pytesser又用tesseract識別圖片中的文字惕澎。
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颜骤，下載地址：http://code.google.com/p/pytesser/ 唧喉，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下复哆，并將其添加到path環(huán)境變量中欣喧，不然在導(dǎo)入模塊時會出錯。
下載Tesseract OCR engine：http://code.google.com/p/tesseract-ocr/? 梯找，下載后解壓，找到tessdata文件夾益涧，用其替換掉pytesser解壓后的tessdata文件夾即可锈锤。
另外如果現(xiàn)在都是從PIL庫中運入Image，沒有使用Image模塊闲询，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的空文件久免。
ps：如果覺得后面兩步比較麻煩，可以直接到云盤中下載? ??http://yun.baidu.com/s/1jHJvNiI?扭弧，操作如步驟2阎姥。
4.2 調(diào)用pytesser識別
pytesser提供了兩種識別圖片方法，通過image對象和圖片地址鸽捻，代碼判斷如下：
