太囂張了！他竟用 Python 繞過了“驗證碼”

接下來，我們開始訓練數據。

訓練數據

首先，我們從label目錄中加載已標註的數據

filenames = os.listdir("label")

samples = np.empty((0, 900))

labels = []

for filename in filenames:

filepath = os.path.join("label", filename)

label = filename.split(".")[0].split("_")[-1]

labels.append(label)

im = cv2.imread(filepath, cv2.IMREAD_GRAYSCALE)

sample = im.reshape((1, 900)).astype(np.float32)

samples = np.append(samples, sample, 0)

samples = samples.astype(np.float32)

unique_labels = list(set(labels))

unique_ids = list(range(len(unique_labels)))

label_id_map = dict(zip(unique_labels, unique_ids))

id_label_map = dict(zip(unique_ids, unique_labels))

label_ids = list(map(lambda x: label_id_map[x], labels))

label_ids = np.array(label_ids).reshape((-1, 1)).astype(np.float32)

接下來，訓練我們的模型

model = cv2.ml.KNearest_create()model.train(samples, cv2.ml.ROW_SAMPLE, label_ids)

訓練完，我們用這個模型來識別一下新的驗證碼。

檢測結果

下面是我們要識別的驗證碼

對於每一個要識別的驗證碼，我們都需要對圖片做降噪、二值化、分割的處理（代碼和上面的一樣，這裡不再重複）。假設處理後的圖片存在變量im_res中，分割後的字符的輪廓信息存在變量boxes中，識別驗證碼的代碼如下

for box in boxes:

roi = im_res[box[0][1]:box[3][1], box[0][0]:box[1][0]]

roistd = cv2.resize(roi, (30, 30))

sample = roistd.reshape((1, 900)).astype(np.float32)

ret, results, neighbours, distances = model.findNearest(sample, k = 3)

label_id = int(results[0,0])

label = id_label_map[label_id]

print(label)

運行上面的代碼，可以看到程序輸出

yy4e

圖片中的驗證碼被成功地識別出來。

我們測試了下識別的準確率，取100張驗證碼圖片（存在test目錄下）進行識別，識別的準確率約為82%。看到有人說用神經網絡識別驗證碼，準確率可以達到90%以上，下次有機會可以嘗試一下。

---

分享到:

---

閱讀更多 編程導師 的文章

關鍵字: 算法 圖像處理 我想靜靜

---