当前位置: 主页 > 日志 > Webscraping >

陕西移动网上营业厅验证码识别方案

验证码识别,一直是我想实现的。今天终于实现了一个简单的。

 

// 转载请注明出处  鲲鹏数据 http://www.site-digger.com

 

陕西移动网厅:http://www.sn.10086.cn/

验证码生成链接:https://sn.ac.10086.cn/SSO/servlet/CreateImage

验证码示例:

该验证码较为简单:内容为四位纯数字(0-9),单个字符宽度固定,字符垂直位置固定,背景有很少的杂色。

 

识别方案:

1)提取特征库。

下载足够多的验证码图片(至少包含0-9所有数字)。截取每个数字(8×20像素矩阵)单独存储作为特征库。

实现方法如下(用到了Python的PIL库):

import Image

def make_lib():
    img = Image.open('code.jpg')
    gray_img = img.convert('1') 
    gray_img.save('gray.jpg')
    
    width, height = gray_img.size
    
    # find each number
    w = 0
    while w < width:
        column = []
        for h in range(height):
            column.append(gray_img.getpixel((w, h)))

        # begining of a number
        if sum(column)/height < 245:
            box = (w, 0, w+8, 20)
            region = gray_img.crop(box)
            region.save('%s.jpg' % w)
            w = w + 10
        else:
            w = w + 1

注:img.convert('1')作用是将彩色图二值化(只有0和255两种像素值)。
 
原理?
按列扫描,依次找到每个数字的起始位置,截取宽度为8像素,高度为20像素的区域保存。
 
如何识别字符的开始位置?
测试发现,列像素之合小于245的是有数字的部分。
 
最终建立如下特征库:
 
2) 匹配方案。
 
按列扫描,依次找到每个数字的起始位置,获取宽度为8像素,高度为20像素的矩阵A。
拿矩阵A一次跟特征库矩阵进行对比,以差值数(详见下面Captcha类中的_cmpmatrix方法)最小的特征字符为匹配字符。
 
下面给出我们实现的Captcha类。
# coding: utf-8
# captcha.py
# http://www.site-digger.com
# service@site-digger.com
# Identify captcha on http://www.sn.10086.cn/

import Image

class Captcha:
    def __init__(self):
        self.imglib = {}
        self._loadlib()
    
    def _loadlib(self):
        """Load characteristic image lib"""
        
        import os
        if not os.path.exists('imglib'):
            print 'Can not find imglib dir.'
            return
        
        for i in range(10):
            self.imglib[i] = []
            img = Image.open('imglib/%d.jpg' % i).convert('1')
            width, height = img.size
            for w in range(width):
                # store all pixels in a column
                column = []
                for h in range(height):
                    column.append(img.getpixel((w, h)))
                self.imglib[i].append(column)
        
    def _cmpmatrix(self, listA, listB):
        """Return the count of difference between two list"""
        
        if len(listA) != len(listB): return
        
        num = 0
        for i, column in enumerate(listA):
            if len(column) != len(listB[i]): return
            for j, pixel in enumerate(column):
                if pixel != listB[i][j]:
                    num += 1
        return num
    
    def _whichnum(self, piexls_matrix):
        """Identify single number"""

        minnum = None
        index = 0
        for i in range(10):
            ret = self._cmpmatrix(self.imglib.get(i, []), piexls_matrix)
            if ret!= None:
                if minnum == None or minnum > ret:
                    minnum = ret
                    index = i
  
        if minnum != None:
            return str(index)
        else:
            return '?'
    
    def identify(self, filepath=None, fileobj=None):
        """Identify captcha"""

        if filepath:
            img = Image.open(filepath)
        elif fileobj:
            img = Image.open(fileobj)
        else:
            print 'Invalid input.'
            return
        
        img = img.convert('1')
        
        width, height = img.size
        
        w = 0
        number = ''
        while w < width:
            column = []
            for h in range(height):
                column.append(img.getpixel((w, h)))

            # begining of a number
            if sum(column)/height < 245:
                piexls_matrix = []
                for i in range(8):
                    piexls_column = []
                    for j in range(20):
                        piexls_column.append(img.getpixel((w + i, j)))
                    piexls_matrix.append(piexls_column)
                    
                number += self._whichnum(piexls_matrix)
                w = w + 10
            else:
                w = w + 1

        return number
       
if __name__ == '__main__':
    """Test performance of Captcha Class"""
    captcha = Captcha()

    try:
        import urllib2
        response = urllib2.urlopen('https://sn.ac.10086.cn/SSO/servlet/CreateImage')
        open('code.jpg', 'wb').write(response.read())
        Image.open('code.jpg').show()
        print captcha.identify('code.jpg')
    except Exception, e:
        print 'Download captcha fail.', e

 
 
测试用例说明: 动态下载陕西移动网厅的验证码,首先显示,然后调用Captcha类对其进行识别、打印。效果如下图所示。
 
 
 
 

 

[日志信息]

该日志于 2011-06-08 19:29 由 redice 发表在 redice's Blog ,你除了可以发表评论外,还可以转载 “陕西移动网上营业厅验证码识别方案” 日志到你的网站或博客,但是请保留源地址及作者信息,谢谢!!    (尊重他人劳动,你我共同努力)
   
验证(必填):   点击我更换验证码

redice's Blog  is powered by DedeCms |  Theme by Monkeii.Lee |  网站地图 |  本服务器由西安鲲之鹏网络信息技术有限公司友情提供

返回顶部