Error message here!

Hide Error message here!

忘记密码?

Error message here!

请输入正确邮箱

Hide Error message here!

密码丢失?请输入您的电子邮件地址。您将收到一个重设密码链接。

Error message here!

返回登录

Close

验证码识别

明说 2019-10-31 00:20:00 阅读数:25 评论数:0 点赞数:0 收藏数:0

验证码识别

1、前言

工作关系,在做自动化测试的时候,不可避免要碰到验证码,如果中途暂停手动输入的话,未免太繁琐,所以我在这里总结了自己搜索到的资料,结合实践经验,与各位分享。


 

2、解决的问题

本次我解决的问题主要是比较传统的图片验证码识别,类似下图这样的:

      

滑块验证和顺序点击图片那种逆天的验证码本次不涉及。


 

3、方法

我这里有java和python的不同实现,背后的思路大体一致:

① 图片二值化

② 去噪点

③ 识别

下面通过代码给大家讲解,相关代码已上传至github,可在文末查看。


 

4、java实现

首先列出工程目录:

 

 

 Entrance是程序入口,DT是一些配置信息,PictureOcr是识别用到的一些方法。

① 去噪点 

     /**
      * 图片去噪点
      * @param picPath
      * @return
      * @throws IOException
      */
     public static void removeBackground(String picPath) throws IOException {
         BufferedImage bufferedImage = ImageIO.read(new File(picPath));
         int width = bufferedImage.getWidth();
         int height = bufferedImage.getHeight();
         for (int x = 0; x < width; ++x) {
             for (int y = 0; y < height; ++y) {
                 if (isWrite(bufferedImage.getRGB(x, y)) == 1) {
                     bufferedImage.setRGB(x, y, Color.white.getRGB());
                 } else {
                     bufferedImage.setRGB(x, y, Color.black.getRGB());
                 }
             }
         }
         ImageIO.write(bufferedImage, picType, new File(picPath));
     }
     /**
      * 如果某个像素的三原色值大于所设定的阈值,就将此像素设为白色,即为背景
      * @param colorInt
      * @return
      */
     public static int isWrite(int colorInt) {
 
         Color color = new Color(colorInt);
         if (color.getRed() + color.getGreen() + color.getBlue() > DT.DictOfOcr.threshold) {
             return 1;
         }
         return 0;
     }

 先取得图片的分辨率(长 * 宽),然后设定一个阈值,阈值就是某个像素的R,G,B三原色值的和,大家可以使用截图工具来分析要识别图像的验证码阈值是多少,以微信为例,验证码待识别区域的RGB值即可设定为阈值,大于此阈值的像素均设为白色,否则即设为黑色,这样便可以有效去除噪点。

② 裁剪边框

裁剪边框是为了尽可能大的保留图片特征,提高识别率

     /**
      * 裁剪边角
      * @param picPath
      * @throws IOException
      */
     public static void cutPic(String picPath) throws IOException {
 
         BufferedImage bufferedimage=ImageIO.read(new File(picPath));
         int width = bufferedimage.getWidth();
         int height = bufferedimage.getHeight();
 
 
         bufferedimage = cropPic(bufferedimage, (cutWidth / 2),0, (width - cutWidth / 2), height);
         bufferedimage = cropPic(bufferedimage,0, (cutHeight / 2),(width - cutWidth), (height - cutHeight / 2));
         ImageIO.write(bufferedimage, picType, new File(picPath));
     }
 
     /**
      * 根据参数裁剪图片
      * @param bufferedImage
      * @param startX
      * @param startY
      * @param endX
      * @param endY
      * @return
      */
     public static BufferedImage cropPic(BufferedImage bufferedImage, int startX, int startY, int endX, int endY) {
         int width = bufferedImage.getWidth();
         int height = bufferedImage.getHeight();
         if (startX == -1) {
             startX = 0;
         }
         if (startY == -1) {
             startY = 0;
         }
         if (endX == -1) {
             endX = width - 1;
         }
         if (endY == -1) {
             endY = height - 1;
         }
         BufferedImage result = new BufferedImage(endX - startX, endY - startY, 4);
         for (int x = startX; x < endX; ++x) {
             for (int y = startY; y < endY; ++y) {
                 int rgb = bufferedImage.getRGB(x, y);
                 result.setRGB(x - startX, y - startY, rgb);
             }
         }
         return result;
     }

③ 执行OCR识别

     /**
      * 执行Ocr识别
      * @param picPath
      * @return
      * @throws TesseractException
      */
     public static String executeOcr(String picPath) throws TesseractException {
 
         ITesseract iTesseract = new Tesseract();
         iTesseract.setDatapath(tessdataPath);
         //iTesseract.setLanguage("eng");
         //可根据需要引入相关的训练集
         String ocrResult = iTesseract.doOCR(new File(picPath));
         return ocrResult;
     }

用到了tessdata数据包

④ 效果

对于规范的验证码来说,识别率还是很不错的,80%左右。我在工程resources路径下建立了一个image文件夹,里面有些图片,大家可以自行尝试。


 

 

5、python实现

思路如下:

构建一定数量的数据集(被打上标签的验证码图片),然后进行模型的训练:

1、二值化图片

2、分割并保存每一张图片中的字符

3、“提取分割出的中的特征值”

4、生成训练集

5、定义分类模型

6、测试分类效果

 

 def capt_process(capt):
     """
     图像预处理,将验证码图片转为二值型图片,按字符切割
     :param capt: image
     :return: 一个数组包含四个元素,每个元素是一张包含单个字符的二值型图片
     """
     # 转为灰度图
     capt_gray = capt.convert("L")
     # 取得图片阈值
     threshold = get_threshold(capt_gray)
     # 二值化图片
     table = get_bin_table(threshold)
     capt_bw = capt_gray.point(table, "")
     capt_per_char_list = []
     for i in range(4):
         x = 5 + i * 15
         y = 2
         capt_per_char = capt_bw.crop((x, y, x + 13, y + 24))
         capt_per_char_list.append(capt_per_char)
 
     return capt_per_char_list
View Code

 

 def get_threshold(capt):
     """
     获取一张图片中,像素出现次数最多的像素,作为阈值
     :param capt:
     :return:
     """
     pixel_dict = defaultdict(int)
     # 取得图片长、宽
     rows, cols = capt.size
     for i in range(rows):
         for j in range(cols):
             # 取得这一点的(r,g,b)
             pixel = capt.getpixel((i, j))
             # 以像素做key,出现的次数做value
             pixel_dict[pixel] += 1
     # 取得字典中像素出现最多的次数
     count_max = max(pixel_dict.values())
     # 反转字典,改为以出现次数做key,方便后面取得像素
     pixel_dict_reverse = {v: k for k, v in pixel_dict.items()}
     # 取得出现次数最多的像素
     threshold = pixel_dict_reverse[count_max]
     return threshold
View Code
 def get_bin_table(threshold):
     """
     按照阈值进行二值化处理
     :param threshold:
     :return:
     """
     table = []
     rate = 0.1
     for i in range(256):
         if threshold * (1 - rate) <= i <= threshold * (1 + rate):
             table.append(1)
         else:
             table.append(0)
     return table
View Code

 

代码里都有注释,就不详细解释了。

本人python实现大量参考了这篇博文:

https://blog.csdn.net/weixin_38641983/article/details/80899354

具体每一步怎么做的,为什么这么做,都有清楚地解释,我在这里不再赘述,感谢这位博主。

我要说明的是,训练集可能每个人都不一样,图片切割尺寸也可能都不一样,这些需要在使用时随机应变。


 

6、结语

以上提供的方法只能识别简单的验证码,但是它为我们提供了一种问题解决范式,今后遇到类似的问题,不至于手忙脚乱。

相关代码还参考了以下博文:

https://segmentfault.com/a/1190000015240294?utm_source=tag-newest

 

https://blog.csdn.net/problc/article/details/5794460

 

再次感谢以上博主。

本文相关代码已上传至github,有问题欢迎与我交流。

https://github.com/Thinker-Mars/Demo/tree/master/picture-ocr

 

版权声明
本文为[明说]所创,转载请带上原文链接,感谢
https://www.cnblogs.com/cone/p/11767355.html