开发笔记:opencv验证码识别

1 # coding=utf-8
2 # !/usr/bin/python
3 """
4 opencv 验证码识别
5 Created on: 2018/7/31 16:12
6 @author: 虫子慢慢爬
7 Email: [email&＃160;protected]
8 """
9 # -*- coding=GBK -*-
10
11 from PIL import Image
12 import hashlib
13 import time
14
15 im = Image.open("C:/Users/admin/Desktop/image/p.jpg")
16
17 # (将图片转换为8位像素模式)
18
19 im = im.convert("P")
20
21 # 打印颜色直方图
22
23 print(im.histogram())
24 """颜色直方图的每一位数字都代表了在图片中含有对应位的颜色的像素的数量。
25 ?? 每个像素点可表现256种颜色,你会发现白点是最多
26 （白色序号255的位置,也就是最后一位,可以看到,有625个白色像素）。
27 红像素在序号200左右,我们可以通过排序,得到有用的颜色。
28 """
29 his = im.histogram()
30
31 values = {}
32
33 for i in range(256):
34 values[i] = his[i]
35
36 for j, k in sorted(values.items(), key=lambda x: x[1], reverse=True)[:10]:
37 print(j, k)
38 """
39 我们得到了图片中最多的10种颜色,
40 其中 220 与 227 才是我们需要的红色和灰色,
41 可以通过这一讯息构造一种黑白二值图片
42 """
43 im2 = Image.new("P", im.size, 255)
44
45 for x in range(im.size[1]):
46
47 for y in range(im.size[0]):
48 pix = im.getpixel((y, x))
49 if pix == 225: # these are the numbers to get
50 im2.putpixel((y, x), 0)
51
52 im2.show()
53 # time.sleep(3)
54 """?接下来的工作是要得到单个字符的像素集合,由于例子比较简单,我们对其进行纵向切割:"""
55
56 inletter = False
57
58 foundletter = False
59
60 start = 0
61
62 end = 0
63
64 letters = []
65
66 for y in range(im2.size[0]):
67
68 for x in range(im2.size[1]):
69 pix = im2.getpixel((y, x))
70
71 if pix != 255:
72 inletter = True
73
74 if foundletter == False and inletter == True:
75 foundletter = True
76 start = y
77
78 if foundletter == True and inletter == False:
79 foundletter = False
80 end = y
81 letters.append((start, end))
82
83 inletter = False
84
85 print(letters)
86
87 # [(6, 14), (15, 25), (27, 35), (37, 46), (48, 56), (57, 67)]
88
89 """??得到每个字符开始和结束的列序号。"""
90
91 count = 0
92
93 for letter in letters:
94 m = hashlib.md5()
95
96 im3 = im2.crop((letter[0], 0, letter[1], im2.size[1]))
97 ss1 = str(time.time()) + str(count)
98 print(ss1)
99 m.update(ss1.encode(‘utf-8‘))
100 # 对图片进行切割,得到每个字符所在的那部分图片。
101 im3.save("./%s.gif" % (m.hexdigest()))
102
103 count += 1
104 """
105 在这里我们使用向量空间搜索引擎来做字符识别,它具有很多优点:
106
107 不需要大量的训练迭代
108
109 不会训练过度
110
111 你可以随时加入／移除错误的数据查看效果
112
113 很容易理解和编写成代码
114
115 提供分级结果,你可以查看最接近的多个匹配
116
117 对于无法识别的东西只要加入到搜索引擎中,马上就能识别了。
118
119 ??当然它也有缺点,例如分类的速度比神经网络慢很多,它不能找到自己的方法解决问题等等。
120
121 ??向量空间搜索引擎名字听上去很高大上其实原理很简单。拿文章里的例子来说:
122
123 ??你有 3 篇文档,我们要怎么计算它们之间的相似度呢？两篇文档所使用的相同的单词越多,那这两篇文章就越相似!但是这单词太多怎么办,就由我们来选择几个关键单词,选择的单词又被称作特征,每一个特征就好比空间中的一个维度（x,y,z 等）,一组特征就是一个矢量,每一个文档我们都能得到这么一个矢量,只要计算矢量之间的夹角就能得到文章的相似度了。
124
125 ??用 Python 类实现向量空间:
126 """
127
128 import math
129
130
131 class VectorCompare:
132
133 # 计算矢量大小
134
135 def magnitude(self, concordance):
136
137 total = 0
138
139 for word, count in concordance.iteritems():
140 total += count ** 2
141
142 return math.sqrt(total)
143
144 # 计算矢量之间的 cos 值
145
146 def relation(self, concordance1, concordance2):
147
148 relevance = 0
149
150 topvalue = 0
151
152 for word, count in concordance1.iteritems():
153
154 if concordance2.has_key(word):
155 topvalue += count * concordance2[word]
156
157 return topvalue / (self.magnitude(concordance1) * self.magnitude(concordance2))
158
159 # ??它会比较两个 python 字典类型并输出它们的相似度（用 0～1 的数字表示）
160
161 """
162 将之前的内容放在一起
163 ??还有取大量验证码提取单个字符图片作为训练集合的工作,但只要是有好好读上文的同学就一定知道这些工作要怎么做,在这里就略去了。可以直接使用提供的训练集合来进行下面的操作。
164
165 ??iconset目录下放的是我们的训练集。
166
167 ??最后追加的内容:
168
169 """
170
171 # 将图片转换为矢量
172
173 def buildvector(im):
174
175 d1 = {}
176
177 count = 0
178
179 for i in im.getdata():
180 d1[count] = i
181
182 count += 1
183
184 return d1
185
186
187 v = VectorCompare()
188
189 icOnset= [‘0‘, ‘1‘, ‘2‘, ‘3‘, ‘4‘, ‘5‘, ‘6‘, ‘7‘, ‘8‘, ‘9‘, ‘0‘, ‘a‘, ‘b‘, ‘c‘, ‘d‘, ‘e‘, ‘f‘, ‘g‘, ‘h‘, ‘i‘, ‘j‘, ‘k‘,
190 ‘l‘, ‘m‘, ‘n‘, ‘o‘, ‘p‘, ‘q‘, ‘r‘, ‘s‘, ‘t‘, ‘u‘, ‘v‘, ‘w‘, ‘x‘, ‘y‘, ‘z‘]
191
192 import os
193
194 # 加载训练集
195
196 imageset = []
197
198 for letter in iconset:
199
200 for img in os.listdir(‘./iconset/%s/‘ % (letter)):
201
202 temp = []
203
204 if img != "Thumbs.db" and img != ".DS_Store":
205 temp.append(v.buildvector(Image.open("./iconset/%s/%s" % (letter, img))))
206
207 imageset.append({letter: temp})
208
209 count = 0
210
211 # 对验证码图片进行切割
212
213 for letter in letters:
214 m = hashlib.md5()
215
216 im3 = im2.crop((letter[0], 0, letter[1], im2.size[1]))
217
218 guess = []
219
220 # 将切割得到的验证码小片段与每个训练片段进行比较
221
222 for image in imageset:
223
224 for x, y in image.iteritems():
225
226 if len(y) != 0:
227 guess.append((v.relation(y[0], v.buildvector(im3)), x))
228
229 guess.sort(reverse=True)
230
231 print("", guess[0])
232
233 count += 1