Python:利用tesseract自动识别网站验证码

以这个验证码为例子：

如果直接进行文本识别：

import pytesseract
print pytesseract.image_to_string('VCode.jpg')

结果会很痛苦：
zmxx

将验证码放大来看：

可以很清楚看到是由于干扰线影响了文本识别，所以这里首先对图片进行预处理，即二值化，并消去噪点和干扰线。

利用Photoshop的“颜色取样器工具”会发现验证码中字母的RGB值和噪点及干扰线的RGB值差异很大：

注意到图片有黑色边框，这里首先去除黑色边框：

import pytesseract
from PIL import Image  # 需要加载PIL库
import os

img = Image.open('VCode.jpg')  # PIL库加载图片
img = img.convert('RGBA')  # 转换为RGBA
pix = img.load()  # 转换为像素
for x in range(img.size[0]):  # 处理上下黑边框，size[0]即图片长度
    pix[x, 0] = pix[x, img.size[1] - 1] = (255, 255, 255, 255)
for y in range(img.size[1]):  # 处理左右黑边框，size[1]即图片高度
    pix[0, y] = pix[img.size[0] - 1, y] = (255, 255, 255, 255)
img.save('VCode_frame.jpg')

效果如下：

接下来进行二值化处理，RGB阈值均为95，即RGB值全部大于95则认为是白色，否则认为是黑色：

for y in range(img.size[1]):  # 二值化处理，这个阈值为R=95，G=95，B=95
    for x in range(img.size[0]):
        if pix[x, y][0] < 95 or pix[x, y][1] < 95 or pix[x, y][2] < 95:
            pix[x, y] = (0, 0, 0, 255)
        else:
            pix[x, y] = (255, 255, 255, 255)

效果如下：

再进行文本识别：

import pytesseract
print pytesseract.image_to_string('VCode_reedit.jpg')

结果：
2nvx

---

下面是全部代码：

# -*- coding: utf-8 -*-
"""
这个代码只用来识别如下URL的验证码，仅通过二值化处理即可进行文本识别，这里需要安装PIL库，需要安装tesseract并加入环境变量。
"""
from PIL import Image  # 需要加载PIL库
import os
import urllib
import StringIO
import pytesseract  # 这是我自己写的
url = 'http://202.119.81.113:8080/verifycode.servlet'  # 验证码URL
r = urllib.urlopen(url)
# f = open('VCode.jpg', 'wb')    #这里是将验证码图片写入到本地文件
# f.write(r.read())
# f.close()
imgBuf = StringIO.StringIO(r.read())  # 采用StringIO直接将验证码文件写到内存，省去写入硬盘
img = Image.open(imgBuf)  # PIL库加载图片
print img.format, img.size, img.mode  # 打印图片信息，可以删去
img = img.convert('RGBA')  # 转换为RGBA
pix = img.load()  # 读取为像素
for x in range(img.size[0]):  # 处理上下黑边框
    pix[x, 0] = pix[x, img.size[1] - 1] = (255, 255, 255, 255)
for y in range(img.size[1]):  # 处理左右黑边框
    pix[0, y] = pix[img.size[0] - 1, y] = (255, 255, 255, 255)
for y in range(img.size[1]):  # 二值化处理，这个阈值为R=95，G=95，B=95
    for x in range(img.size[0]):
        if pix[x, y][0] < 95 or pix[x, y][1] < 95 or pix[x, y][2] < 95:
            pix[x, y] = (0, 0, 0, 255)
        else:
            pix[x, y] = (255, 255, 255, 255)
img.save("temp.jpg")  # 由于tesseract限制，这里必须存到本地文件
text=pytesseract.image_to_string("temp.jpg")
os.remove('temp.jpg')
if len(text) == 4:  # 正确的验证码只含有4个字符
    text.replace('l', '1')  # 消除‘1’识别为‘l’的错误
    print text  # 这里即为最终识别的验证码
else:
    print '0'  # 如果识别错误

注意：

1. 必须安装Tesseract-OCR，并加入环境变量；
2. 关于StringIO，参考这里：Python:StringIO模块；
3. pytesseract是我自己写的函数，参考这里：Python:文本识别抛弃pytesser，直接使用Tesseract-OCR；
4. 上面代码中RGB阈值应根据自身需要进行修改；
5. 这里的预处理只是非常简单的处理，如果验证码本身干扰较多，还需要进行其他更复杂的处理。