Python 轻松去除验证码干扰点，让识别不再犯难

作者：高玉涵
时间：2024.8.29 21:52
博客：blog.csdn.net/cg_i
环境：Windows10、Python 3.11.3、PIL、Tesseract-OCR

山高月小，水落石出。

引言

在进行爬虫开发或自动化操作时，我们经常会遇到需要登录网页（或软件）的情况。而在登录过程中，验证码是一个常见且需要特别处理的问题。验证码（CAPTCHA）作为一种区分用户是计算机还是真实人类的程序，经常要求用户输入一些只有真实人类才能轻松解读的信息，以此来有效阻止自动化工具或机器人的恶意操作。处理验证码成为了爬虫和自动化操作过程中的一只拦路虎。验证码按展现形式，又分为静态验证码和动态验证码，本文主要讨论关于静态验证码的识别。

随着OCR（光学字符识别）技术日趋完善，有些组织或个人免费（大善）提供了开源的OCR引擎（如，Tesseract-OCR），使得从验证码图片中识别出文字变得容易了些。然而，”道高一尺，魔高一丈“，在此消彼长之时，验证码也相应的增加了多种”噪声“技术以干扰OCR的识别。

限于篇幅，本文关于”噪声“技术的讨论，仅限于干扰点噪声。淡到验证码，必然会涉及验证码字符的识别，我给出的例子代码中会出现Tesseract-OCR引擎的调用。这里我不会详细讨论如何使用它们以及环境搭建，此举旨在突出讨论的重心（对图像操作），我只会在实在绕不过的地方，着以笔墨，稍作解释。关于缺失部分，我会另找时间，单独开一篇另行讨论。这里提前声明，也请大家谅解。

一、干扰点噪声

干扰点噪声，作为一种常见的图像降质现象，表现为图像中随机散布的大量孤立点。这些点的灰度值与周围像素点的灰度值存在显著差异，呈现出类似椒盐噪声的特征。如图（1-1）所示为一个登录界面的示例，而图（1-2）则展示了一个带有干扰点噪声的验证码图片。

（1-1 登录界面示例）

（1-2 带干扰点的验证码）

在未经任何预处理的情况下，我们尝试使用Tesseract-OCR来识别图（1-2）中的验证码。首先，将验证码图片下载到本地，然后在图片所在的目录下执行了以下命令：

tesseract 2.png output

然而，执行结果却显示页面为空，如下所示：

Estimating resolution as 150
Empty page!!
Estimating resolution as 150
Empty page!!

从这一提示中，我们可以明显看出OCR识别未能成功。进一步查看输出文件output.txt，其内容果然为空。这是因为干扰点噪声会严重影响OCR算法的识别效果。OCR算法依赖于图像中的文字具有相对清晰和连贯的轮廓，而噪声点的存在会破坏这些轮廓，使得算法无法正确识别文字。

二、图片降噪

通过观察，我发现验证码图片中的干扰点相对简单，因为所有干扰点的颜色都相同。针对这一特点，我可以先获取干扰点的颜色，然后清除它，以达到清除干扰点的目的。具体操作是，首先使用Windows自带的画图工具打开验证码图片，接着使用颜色选取器选取干扰点的颜色值（图2-1），之后点击编辑颜色，此时就可以查看到该颜色的RGB值（图2-2）。

（2-1 颜色选取器）

（2-2 RGB值）

干扰点清除代码：

from PIL import Imagedef get_noise_color(image):w = image.size[0]h = image.size[1]for x in range(w):for y in range(h):(r, g, b) = image.getpixel((x, y))# 干扰点颜色if (r,g,b) == (44,90,60):# 用它前面像素颜色填充它,思想:相近的颜色对原图影响最小image.putpixel((x, y), image.getpixel((x - 1, y)))return imagedef clear_save_image(image_path):image = Image.open(image_path)image = image.convert('RGB')image = get_noise_color(image)image.save("2_clear.png")if __name__ == '__main__':clear_save_image(r'2.png')

这段代码的具体步骤和代码解释如下：

1. 导入库：

• from PIL import Image：从PIL（Python Imaging Library，现在称为Pillow）库中导入Image模块，用于图片处理。

2. 定义get_noise_color函数：

• 这个函数接收一个Image对象作为输入。
• 首先，获取图片的宽度w和高度h。
• 然后，遍历图片中的每一个像素。对于每个像素，获取其RGB颜色值。
• 如果某个像素的颜色是(44, 90, 60)（噪点颜色），则将这个像素的颜色替换为其前一个像素的颜色（即(x - 1, y)位置的颜色）。
• 最后，返回处理后的Image对象。

3. 定义clear_save_image函数：

• 这个函数接收一个图片路径image_path作为输入。
• 使用Image.open(image_path)打开并读取图片。
• 使用image.convert('RGB')将图片转换为RGB模式，确保图片有三个颜色通道。
• 调用get_noise_color函数去除图片中的噪点。
• 将处理后的图片保存为"2_clear.png"。

4. 主函数：

• 如果直接运行这个脚本，将调用clear_save_image函数，传入一个图片路径（这里是’2.png’），对图片进行处理并保存。

三、测试运行结果

首先，执行这个Pyhton程序：

python .\clear_noisy.py

执行后，会生成一个名为2_clear.png的图片（如图3-1所示），这是清除噪点后的验证码图片。

（图 3-1 清除噪点后的验证码图片）

接着，我们使用Tesseract-OCR来识别处理后的图像。执行以下命令：

tesseract 2_clear.png output
Estimating resolution as 133

此时，明显可以看出较上次，输出的结果明显不同。为了进一步验证，我们打开output.txt文件，可以看出验证码已被正常识别出来了（如图 3-2 所示）。

（图 3-2 验证码值）

写在最后

首先，衷心感谢你坚持阅读至此。或许在你看来，这篇文章的内容并不复杂，甚至觉得不过如此。但无论你信不信，上述提供的代码背后，是我耗费了大量精力、历经诸多曲折、不断尝试与修正的成果。在无数次的测试与修改中，我删除了大量代码，经历了无数次的失败。最终，在灵光一闪的瞬间，我才得出了这几行简洁而有效的代码。这个过程虽然充满挑战，但也让我深刻体会到了编程的魅力与乐趣。希望我的分享能对你有所启发，也期待你在编程的道路上不断探索与成长。