【成长笔记】图片验证码识别

记得很早以前，我对如携程飞猪等第三方平台购买火车票不用输入验证码感到很……牛！百度后发现其可能是实现了自动打码，或者说机器自动识别验证码，我很好奇。

后来，当我觉得我必须要给自己找些有趣的知识来学习的时候，脑海里萌生了去实现一个简单的验证码识别程序的想法。在一切未知以前，我觉得很难，甚至望而却步。但，真正一点点地行动下来，我发现，其实慢慢深入后，无论多么困难的问题，都能一点点解决。

不要着急，不要慌张，一点点地啃下来，一个方式不通，换个思路解决，不要轻易放弃。这个过程中，世上无难事，只怕有心人，古人诚不欺我。任何事情，流于表面而不做，是永远不会成长的——谨以告诫自己。 

好了，废话不多说。

-----------------------------------------------------我是萌萌的分割线--------------------------------------------------------准备：

• 语言：python
• python库：opencv，sklearn，requests等

流程：整体大致流程为四部分，预处理，字符分割，字符标记分类，字符识别

• 预处理：对原始验证码图片进行如灰度处理，二值化，降噪等处理，为下一步的字符分割提供一个好的素材
• 字符分割：将预处理后的图片中的每个字符单独分割出来，本次分割的图片比较取巧，当预处理后，图片中各个字符的位置是相对固定的，所以，采用的分割方法为等距分割。
• 字符标记分类：当字符分割好后，需要人为为字符进行分类标记，这个过程属于体力活，比较繁琐。我尝试过直接调用谷歌的ocr（光学字符识别）工具库pytesseract来代替人工识别，但是结果非常不好，无奈，还是只能先人工仔细分类。
• 字符识别：分类好后，图片经过二值化转换为01的数据，写入一个txt格式文件中，作为训练集，其结果类似如下所示：

图片转换为可训练的数字文本数据

再利用机器学习算法对之进行训练，本文使用的是经典的svm（支持向量机）算法对图片验证码进行训练。支持向量机的原理以及优势百度谷歌均可详细查到。

实现：

• 获取图片验证码

巧妇难为无米之炊，首先，我们要有原材料。在网上，我们可以很轻易地找到图片验证码。本文找的是csdn上的图片验证码。当然了，我们需要的验证码素材至少也要百张以上吧。如果傻乎乎地鼠标刷新保存图片，那效率太低了。要充分利用好可以利用的工具，python中的url库，requests库等都是很强大的工具库。用来爬取网络资源数据可以说是无往不利，哈哈，莫笑我略装*哈～

# coding=utf8
import requests

res = requests.get('img_code_url') # 这是一个get请求，获取图片资源
with open(file_path + "/%d.jpg" % num, "wb") as f: # 将图片保存在本地
    f.write(res.content)
    print("%d" % num + "获取成功")

如何获取图片验证码呢，我们可以利用浏览器的开发者模式（一般F12快捷键即可打开）或者利用专业的抓包软件如Charles（收费）等来查看获取。以上是个简单地将网上的图片验证码保存到本地的程序代码。

如果我们选择的图片验证码本身是十分清晰的没有太多混淆的状态，我们可以考虑用pytesseract直接对它进行识别。比如此类图片：

可以看出，以上这张图片验证码并未经过太多复杂处理，文本清晰，所以可以很容易ocr直接识别。但是如此类验证码则不然：

可以看出，这类验证码被经过了很多噪声处理，很多像素点在混淆，如果不经过处理直接用ocr识别会很糟糕。

• 图片预处理

对图片进行灰度化，二值化，等距切割。

# coding=utf8
import cv2

def pre_img(file_name):  # 图片灰度，二值化处理
   img = cv2.imread(file_name, 0)
   img = cv2.threshold(img, 180, 255, 1)

以上是对图片进行灰度化以及二值化的处理程序，利用的opencv库，opencv的使用方法可以看它的官方文档，或者百度搜索相应的博客等等。

然后，图片变成这样的了：