前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Python项目实战篇——常用验证码标注&识别(数据采集/预处理/字符图切割)

Python项目实战篇——常用验证码标注&识别(数据采集/预处理/字符图切割)

作者头像
Python进阶者
发布2021-09-15 16:19:41
7150
发布2021-09-15 16:19:41
举报

大家好,我是Snowball。

一、前言

上一篇文章小编给大家讲解了需求分析和实现思路,Python项目实战篇——常用验证码标注和识别(需求分析和实现思路),这篇文章继续沿着上一篇文章的内容,给大家讲解下数据采集/预处理/字符图切割内容。

二、数据采集

数据采集:根据图片验证码链接进行批量下载图片,最开始时下载个20张先进行手动改文件名进行标注,下载这块代码编写不难,这里不贴代码了,见image_download.py文件。

三、预处理

预处理:根据需求分析中的字符切割描述,针对笔者的图片验证码案例情况,需要先进行常规验证码图片预处理,预处理通过OpenCV库实现,处理过程为:

代码语言:javascript
复制
原始图->灰度图->中值滤波->二值化->轮廓检测绘制(部分情况才可以加)->字符切割填充

大概过程功能简单描述如下,详细原理可以参考OpenCV相关文章和视频,引用链接:

代码语言:javascript
复制
[3.OpenCV文章专栏](https://blog.csdn.net/yukinoai/category_9283880.html)
[4.OpenCV-Python视频](https://www.bilibili.com/video/BV1tb4y1C7j7)

原始图(RGB)转灰度图:去除颜色信息,减少图片大小,单通道值方便滤波处理。读者可以脑洞一下,不去除颜色信息,能提取到指定字符颜色的轮廓吗?

灰度图中值滤波:进行噪音去除,取中间像素平均值

二值化:只留下0、255二种值,方便轮廓检测

轮廓检测:这一步主要用于提取字符轮廓矩形坐标,不适合字符挨得特别紧的情况

字符切割填充:根据生成的字符轮廓图片矩形坐标进行切割再填充对齐到指定宽高

具体执行效果如下:

下面是预处理过程部分核心代码,详细代码见image_split.py文件。

代码语言:javascript
复制
def pre_process_image(img, file_name):
    # 去除边缘
    img = img[2:-2, 2:-2]
    # print(img.shape)

    #得到灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # show("gray", gray)

    #去除噪音
    blur = cv2.medianBlur(gray, 3)
    # show("blur", blur)

    temp = gray.mean().item()
    #二值化
    ret, threshold = cv2.threshold(blur, temp, 255, cv2.THRESH_BINARY)
    # show("threshold", threshold)

    #保存二值化图片
    if IS_SAVE_FILE:
        cv2.imwrite(DST_IMG_DIR + file_name + "_threshold.png", threshold)
    return threshold

执行图片预处理程序后具体效果图1-3如下:

轮廓检测绘制结果1:

根据图片轮廓进行字符切割结果2:

根据字符切割图片进行文件分类结果3:

以上就是字符图片切割的全部过程了,核心过程代码如下:

代码语言:javascript
复制
def split_image(file_path):
    file_name = get_file_name(file_path)
    img = read_image(file_path)

    #验证码预处理
    threshold = pre_process_image(img, file_name)

    #查找轮廓边界列表
    contours = find_counters(threshold)

    #过滤合适的轮廓矩形列表
    rect_list,result_rect = get_filter_rect(contours, img, file_name)

    #分割矩形图片
    return split_rect_img(file_path, threshold, rect_list, result_rect)

详细代码可以阅读源码,这里说一下这个过程中笔者编写预处理代码遇到的几个问题:

  1. 部分图片轮廓检测可以检测到多个轮廓,部分图片只有1-2个轮廓,部分可能一个轮廓都没有,这里代码进行了相应的调整处理,比如过滤大的外部轮廓和较小的内部轮廓,根据剩下的轮廓进行坐标排序,根据部分坐标得到所有字符轮廓
  2. 得到4个字符轮廓图片后,每个图片大小不一致,需要进行大小补齐,这个宽高参数需要根据数据集进行调整

以上就是数据采集/预处理的实现过程了,这里稍微说下学习OpenCV相关知识过程的情况,笔者是采用文章+视频间断性学习,大概是20-40个小时左右,然后再开始写具体字符图片切割的代码,读者可根据自己的时间安排学习速度,建议工具类的东西是快速学习,现学现用。好的,接下来介绍高效率、可复用的通用图片验证码数据标注功能实现。

四、总结

我是Snowball。上一篇文章给大家分享了,Python项目实战篇——常用验证码标注和识别(需求分析和实现思路),这篇内容主要讲解了常用验证码标注&识别的数据采集/预处理的实现过程。下一篇文章,小编给大家介绍高效率、可复用的通用图片验证码数据标注功能实现。

小伙伴们,快快用实践一下吧!如果在学习过程中,有遇到任何问题,欢迎加我好友,我拉你进Python学习交流群共同探讨学习。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2021-09-11,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 Python爬虫与数据挖掘 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 大家好,我是Snowball。
  • 一、前言
  • 二、数据采集
  • 三、预处理
  • 四、总结
相关产品与服务
验证码
腾讯云新一代行为验证码(Captcha),基于十道安全栅栏, 为网页、App、小程序开发者打造立体、全面的人机验证。最大程度保护注册登录、活动秒杀、点赞发帖、数据保护等各大场景下业务安全的同时,提供更精细化的用户体验。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档