用 Python 处理这种验证码有没好的点子？

[snoopy1024]

验证码

验证码字符只有 英文加数字； 我的思路：转为灰度，二值化处理，除去干扰横线（正在做），然后用 pytesseract 识别。干扰线除去有点儿复杂 正在做还不知道识别率有多大...

干掉干扰线 你们有没有啥头绪？ 干扰线纵向都是 3 个像素，我目前的想法就是：纵向检测 3 像素的黑线

这是简单处理后的 还没有解决干扰线

楼下多个老哥提议使用 CNN，我昨晚上尝试了下 3 楼老哥写的脚本；由于这只是个个人项目 项目里有多个地方验证码识别，上线了之后验证码识别的需求量有点儿大，打码平台我有点负担不起。谢谢各位老哥的提议

[loadingimg]

用 CNN

[hitrust]

直接用 OCR 呢

[Nick2VIPUser]

安利一下简单粗暴的卷积神经网络脚本： https://github.com/nickliqian/cnn_captcha

[crystom]

这个是用谷歌开源的 kaptcha 生成的，可以使用机器学习进行训练

[crystom]

似乎不是，但方法是一样的

[crystom]

不用机器学习的话，看上去字比线粗，可以使用一个像素周围一定范围不是黑就去掉的办法，结果是线没了，字变细

[wdc63]

这种样本量少的话真不好做，建议使用收费的打码平台 api。

[Procumbens]

pytesseract 暑假里面用的时候发现其对手写文本的识别率极差，这种倾斜变形的字体可能识别效果也不会很好。

[Northxw]

如果没有图像处理的知识，建议还是打码吧！ 简单粗暴效率超高！

[kanex]

图像处理里有一个操作叫 erosion，你可以试试看

[szxczyc]

一楼说的对，cnn 比较好。

[glacer]

这种类型的验证码用传统的图像算法和 tesseract 效果应该都不会好。会算法技术就试下训练网络，不行的话找打码平台吧

[martyartrt1]

看了以后，我还是选择第三方的接口吧

[SeaRecluse]

只有数字和字母？？ CNN100 张就够，在线训练的网址也有

[kuangwinnie]

打码平台挺便宜的，可以考虑一下，30 块可以打 1000 张。。。

[snoopy1024]

@kuangwinnie 不行的 老哥，项目上线了远不止 1000 张 而且只是个 个人项目，没有收入来源。

[snoopy1024]

@crystom 我了解一下

[hubqin]

之前写爬虫用过 pytesseract，用各种常规方法处理验证码图片，最后效果反而不好，我最终的解决方案是不处理图片，直接识别，识别失败则重新请求验证码，再识别，无限循环。一般十几次之内能识别出来。

[hakono]

@snoopy1024 个人项目的话如果不是后台跑着帮用户 24 小时收集数据的项目的话，就直接把验证码扔给用户让用户填啊。

剩下打码平台用不起的话，那就只能自己学图像处理了。或者简单粗暴上 cnn

[snoopy1024]

@hubqin 这有干扰线的 根本识别不出来。有干扰线的 肯定要解决干扰线

[snoopy1024]

@SeaRecluse 老哥 求个链接

[sigmaxp]

把高为 3 个像素的黑点都去掉，然后正常的字母中间会有白色的空白线，然后在把上线都有黑色像素点且空白宽度为 3 的空白像素点置为黑色，这样字母部分就补齐了。不知道行不行

[crawl3r]

pytesseract 不能识别这种会变形的文字，所以还是上 cnn 吧

[Marsss]

好的点子就是悬赏。。。出个 500、800 的，问题就解决了。。。

[Destiny97]

腐蚀再膨胀说不定能去掉

[loryyang]

有个问题，你能写出生成这种验证码的代码吗？可以的话，就可以用 CNN 开心的训练了
数据量足够的话，这种的 case 肯定能解决的

[loryyang]

https://github.com/CharlesLiuyx/verificationCode

[kuangwinnie]

@snoopy1024 那我就爱莫能助了

[Marsss]

你或许需要一些 hacker 思维，寻找干扰线与正常字符之间的差别规律，然后针对这个规律写处理代码。其实还挺有意思的，这是测试效果：





只要能做到有效分割，也就基本意味着破解成功了，分割之后大概只需要标注 100 张左右，这点体力活比起直接用 CNN 撸（需要标注上万张）还是很容易接受的，后面再随便在 sklearn 里挑一个算法来训练就行了。

[Marsss]

对了，对于你这种验证码，如上图连在一起的，直接从中间分开就行了，不会差很多，对于单个字符，只要你人能认出来，多层感知器训练后认出来没问题。大不了就跳过，从新刷新一张。识别成功率能到 50%就能用了。

[ChangHaoWei]

@Marsss 思路很棒，谢谢