python简单验证码识别

利用SVM向量机进行4位数字验证码识别

       主要是思路和步骤如下：

一，素材收集

检查环境是否包含有相应的库：

1.在cmd中，通过 pip list命令查看安装的库

2.再使用pip installRequests 安装Requests库

3.再次使用pip list 命令

4.利用python获取验证码资源

编写代码：_DownloadPic.py

 

#!/usr/bin/nev python3#利用python从站点下载验证码图片import requests## 1.在 http://www.xxx.com#  获取验证码URLdef Downloads_Pic(strPath, strName):    #设置url    url = 'http://www.xxx.com'    #以二进制方式发送Get请求，    #将stream = True，    #数据读取完成前不要断开链接    rReq = requests.get(url, stream = True)    #尝试保存图片    with open(strPath + strName + '.png', 'wb') as fpPic:        #循环读取1024Byte到byChunk中，读完则跳出        for byChunk in rReq.iter_content(chunk_size = 1024):            if byChunk:                fpPic.write(byChunk)                fpPic.flush()        fpPic.close()for i in range(1, 10 + 1):    strFileName = "%03d" % i    Downloads_Pic('D:/1/', strFileName)

二，素材处理

1.二值化处理，增加对比度，锐化，增加亮度，滤镜，转为黑白

2.去除噪点

3.切割图片

编写代码：_PicDealWith.py

 

#!/usr/bin/env python3import osimport os.pathfrom PIL import Image, ImageEnhance, ImageFilterimport random#二值化处理#strImgPath 图片路径def BinaryzationImg(strImgPath):    #打开图片    imgOriImg = Image.open(strImgPath)    #增加对比度    pocEnhance = ImageEnhance.Contrast(imgOriImg)    #增加255%对比度    imgOriImg = pocEnhance.enhance(2.55)    #锐化    pocEnhance = ImageEnhance.Sharpness(imgOriImg)    #锐化200%    imgOriImg = pocEnhance.enhance(2.0)    #增加亮度    pocEnhance = ImageEnhance.Brightness(imgOriImg)    #增加200%    imgOriImg = pocEnhance.enhance(2.0)    #添加滤镜效果    imgGryImg = imgOriImg.convert('L').filter(ImageFilter.DETAIL)    #二值化处理    imgBinImg = imgGryImg.convert('1')    return imgBinImg#去除噪点def ClearNoise(imgBinImg):    for x in range(1, (imgBinImg.size[0]-1)):        for y in range(1,(imgBinImg.size[1] - 1)):        #一个点为黑色，周围8个点为白色，则此点为噪点，设置为白色            if imgBinImg.getpixel((x, y)) == 0 \                and imgBinImg.getpixel(((x - 1), (y + 1))) == 255 \                and imgBinImg.getpixel(((x - 1), y)) == 255 \                and imgBinImg.getpixel(((x - 1), (y - 1))) == 255 \                and imgBinImg.getpixel(((x + 1), (y + 1))) == 255 \                and imgBinImg.getpixel(((x + 1), y)) == 255 \                and imgBinImg.getpixel(((x + 1), (y - 1))) == 255 \                and imgBinImg.getpixel((x, (y + 1))) == 255 \                and imgBinImg.getpixel((x, (y - 1))) == 255:                imgBinImg.putpixel([x, y], 255)    return imgBinImg#切割图片def GetCropImgs(imgClrImg):    ImgList = []    for i in range(4):        x = 6 + i * 13        y = 3        SubImg = imgClrImg.crop((x, y, x + 13, y + 15))        ImgList.append(SubImg)    return ImgList#调用部分def main():    g_Count = 0    strStep1Dir = 'D:/1/step1/'    strStep2Dir = 'D:/1/step2/'    for ParentPath, DirName, FileNames in os.walk(strStep1Dir):        for i in FileNames:            #图片文件路径信息            strFullPath = os.path.join(ParentPath, i)            imgBinImg = BinaryzationImg(strFullPath)            imgClrImg = ClearNoise(imgBinImg)            ImgList = GetCropImgs(imgClrImg)            for img in ImgList:                strImgName = "%04d%04d.png" % (g_Count, random.randint(0, 9999))                strImgPath = os.path.join(strStep2Dir, strImgName)                img.save(strImgPath)                g_Count += 1    print("OK！")if __name__ == '__mian__':    main()

三，手工分类

将第二步切割好的图片进行分类，体力活

四，利用SVM向量机建立模型

1.安装svm库

  下载libsvm库，并解压

  将库中的windows目录的路径添加到path环境变量中

将libsvm下的python文件夹中的svm.py和svmutil.py文件拷贝到你的python的路径中lib文件夹中

from svmutil import *

2.生成模型文件

  2.1.将分好类的图片信息进行提取，生成特征值

  2.2.输出向量数据

  2.3.根据数据输出SVM模型文件

 

编写代码：_SVMDemo.py

 

#!/usr/bin/env python3#SVM,验证码识别import osimport sysimport randomimport os.pathfrom PIL import Image, ImageEnhance, ImageFilterfrom svmutil import *##记录像素点的值，描述特征，采用遍历每个像素点统计黑色点的数量def GetFeature(imgCropImg, nImgHeight, nImgWidth):    PixelCountList = []    for y in range(nImgHeight):        CountX = 0        for x in range(nImgWidth):            if imgCropImg.getpixel((x, y)) == 0:                CountX += 1        PixelCountList.append(CountX)    for x in range(nImgWidth):        CountY = 0        for y in range(nImgHeight):            if imgCropImg.getpixel((x, y)) == 0:                CountY += 1        PixelCountList.append(CountY)    return PixelCountList##输出向量数据def OutPutVectorData(strID, strMaterialDir, strOutPath):    for ParentPath, DirNames, FileNames in os.walk(strMaterialDir):        with open(strOutPath, 'a') as fpFea:            for fp in FileNames:                #图片文件路径信息                strFullPath = os.path.join(ParentPath, fp)                #打开图片                imgOriImg = Image.open(strFullPath)                #生成特征值                FeatureList = GetFeature(imgOriImg, 15, 13)                strFeature = strID + ' '                nCount = 1                for i in FeatureList:                    strFeature = '%s%d:%d ' % (strFeature, nCount, i)                    nCount += 1                fpFea.write(strFeature + '\n')                fpFea.flush()        fpFea.close()#训练SVM模型def TrainSvmModel(strProblemPath, strModelPath):    Y, X = svm_read_problem(strProblemPath)    Model = svm_train(Y, X)    svm_save_model(strModelPath, Model)#SVM模型测试def SvmModelTest(strProblemPath, strModelPath):    TestY, TestX = svm_read_problem(strProblemPath)    Model = svm_load_model(strModelPath)    #返回识别结果    pLabel, pAcc, pVal = svm_predict(TestY, TestX, Model)    return pLabel##输出测试向量数据def OutPutTestVectorData(strID, strDir, strOutPath):    fileList = []    for parentPath, strDir, fileName in os.walk(strDir):        fileList = fileName    with open(strOutPath, 'a') as fpFea:        for fp in fileList:            #图片文件路径信息            strFullPath = os.path.join(parentPath, fp)            #打开图片            imgOriImg = Image.open(strFullPath)            #生成特征值            FeatureList = GetFeature(imgOriImg, 15, 13)            strFeature = strID + ' '            nCount = 1            for i in FeatureList:                strFeature = '%s%d:%d ' % (strFeature, nCount, i)                nCount += 1            fpFea.write(strFeature + '\n')            fpFea.flush()        fpFea.close()def main():# 1.循环输出向量文件    for i in range(0, 10):        strID = '%d' % i        OutPutVectorData(strID, 'D:/1/step3/' + strID, 'D:/1/step4/Vector.txt')# 2.调用函数训练SVM模型    TrainSvmModel('D:/1/step4/Vector.txt', 'D:/1/step5/Model.txt')# 3.调用函数识别结果    pLabel = SvmModelTest('D:/1/step6/Vector.txt', 'D:/1/step5/Model.txt')    for i in pLabel:        print('%d' % i)if __name__ == '__main__':    main()

五，测试

1.利用模型文件和向量文件进行测试验证码识别

    ##1.获取一张验证码图片

    ##2.对图片进行处理

    ##  2.1.二值化处理，增加对比度，锐化，增加亮度，滤镜，转为黑白，

    ##  2.2.去除噪点

    ##  2.3.切割图片

    ##3.生成向量文件

    ##4.再利用之前的模型文件进行识别测试

编写代码：_SVMTest.py

#!/usr/bin/env python3#对一张验证码图片进行识别测试##1.获取一张验证码图片##2.对图片进行处理##  2.1.二值化处理，增加对比度，锐化，增加亮度，滤镜，转为黑白，##  2.2.去除噪点##  2.3.切割图片##3.生成向量文件##4.再利用之前的模型文件进行识别测试################import _PicDealWithimport osimport randomimport _SVMDemo##测试g_Count = 0strDirPath = 'D:/1/test/'strFileName = '001.png'#1.图片文件路径信息strFullPath = os.path.join(strDirPath, strFileName)#2.对图片进行处理#2.1二值化处理imgBinImg = _PicDealWith.BinaryzationImg(strFullPath)#2.2去除噪点imgClrImg = _PicDealWith.ClearNoise(imgBinImg)#2.3切割图片ImgList = _PicDealWith.GetCropImgs(imgClrImg)#2.3循环写入文件for img in ImgList:    strImgName = "%04d%04d.png" % (g_Count, random.randint(0, 9999))    strImgPath = os.path.join(strDirPath, strImgName)    img.save(strImgPath)    g_Count += 1print("OK")os.remove(strFullPath)#3.生成向量文件_SVMDemo.OutPutTestVectorData('0', 'D:/1/test/', 'D:/1/test/Vector.txt')#4.利用之前的模型文件进行识别测试pLabel = _SVMDemo.SvmModelTest('D:/1/test/Vector.txt', 'D:/1/step5/Model.txt')for i in pLabel:    print('%d' % i, end = '')

效果图: