简单的验证码解决

Question

我正在尝试使用 OpenCV 和 pytesseract 解决一些简单的验证码问题。一些验证码样本是：

我尝试使用一些过滤器去除噪声点：

import cv2
import numpy as np
import pytesseract

img = cv2.imread(image_path)
_, img = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
img = cv2.morphologyEx(img, cv2.MORPH_OPEN, np.ones((4, 4), np.uint8), iterations=1)
img = cv2.medianBlur(img, 3)
img = cv2.medianBlur(img, 3)
img = cv2.medianBlur(img, 3)
img = cv2.medianBlur(img, 3)
img = cv2.GaussianBlur(img, (5, 5), 0)
cv2.imwrite('res.png', img)
print(pytesseract.image_to_string('res.png'))

生成的转换图像是：

不幸的是，pytesseract 只能正确识别第一个验证码。还有其他更好的改造吗？

最终更新：

正如@Neil 所建议的，我尝试通过检测连接的像素来消除噪声。为了找到连接的像素，我找到了一个名为 connectedComponentsWithStats 的函数，它检测连接的像素并为组（组件）分配一个标签。通过找到连接的组件并删除像素数量较少的组件，我设法使用 pytesseract 获得了更好的整体检测精度。

这是新生成的图像：

Answer 1

我采用了更直接的方法来过滤 pdf 文档中的墨迹。我不会分享整个事情，因为它有很多代码，但这是我采用的一般策略：

使用 Python Pillow 库获取图像对象，您可以在其中直接操作像素。
将图像二值化。
找出所有连接的像素以及每组连接的像素中有多少像素。您可以使用扫雷算法来执行此操作。哪个好找。
设置所有合法字母应具有的像素阈值。这将取决于您的图像分辨率。
用白色像素替换低于阈值的组中的所有黑色像素。
转换回图像。

Answer 2

您的最终输出图像太模糊了。要提高 pytesseract 的性能，您需要对其进行改进。

锐化不像模糊那么容易，但存在一些代码片段/教程（例如 http://datahacker.rs/004-how-to-smooth-and-sharpen-an-image-in-opencv/）。

与其链接模糊，不如使用高斯模糊或中值模糊模糊一次，试验参数以获得您需要的模糊量，或许可以尝试一种方法又一种方法，但没有理由将相同方法的模糊链接起来。

Answer 3

python 中有一个检测字符的 OCR 示例。保存多张图像并应用过滤器并训练 SVM 算法。这可能对你有帮助。我确实用很少的图像训练了一个算法，但结果是可以接受的。检查此 link。祝你好运

Answer 4

我知道 post 有点旧，但我建议您试试我不久前开发的 library。如果您有一组带标签的验证码，该服务将适合您。看一看：https://github.com/punkerpunker/captcha_solver

README 中有一个您可能感兴趣的“基于外部数据训练模型”部分。

简单的验证码解决

Simple Captcha Solving

captcha

python-tesseract

opencv-python