python 关于GMU官网验证码的识别(附详细过程)

2024-01-15 08:59

本文主要是介绍python 关于GMU官网验证码的识别(附详细过程),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

一、开发环境与所需的库

-开发环境: python 3.8
-库:PIL,matplotlib.pyplot,sklearn,opencv等
-编译器:pycharm

二、爬取需要识别图片

1.获得想要爬取验证码的网址
在这里插入图片描述(由此图片给出的信息,由此可以判断,想要的验证码的图片需要发起请求的网址)

2.爬取图片

url = "http://117.21.221.123/gnyxy/other/CheckCode.aspx"#需要发起请求的网址header = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1;Win64;x64;rv:81.0) Gecko/20100101 Firefox/81.0","Cookie": "ASP.NET_SessionId=mzmcjd45dyhbow55al3w4xmm; rootPath=http://117.21.221.123/gnyxy","Referer": "http://117.21.221.123/gnyxy/"}#设置请求头response = requests.get(url=url, headers=header).content#获得响应内容with open(path, 'wb')as fp:fp.write(response)#将图片保存至指定路径下

这样就就能批量获得验证码了

三、验证码的加工与修饰

之前爬取的验证码有大量的干扰线与干扰点,并且验证码颜色较为复杂,所以需要对图片进行加工
在这里插入图片描述
(类似图片)

1.灰度化处理
实现代码:

lim = image.convert('L')pixdata = lim.load()#创建一个二维列表存放图片每个像素的RGB值

或者

im = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

2.二值化处理
实现代码:

 w, h = lim.size#此处lim指的是灰度处理后图片对象# 遍历所有像素,大于阈值的为黑色for y in range(h):for x in range(w):if pixdata[x, y] < threshold:#threshold指的是一定阈值pixdata[x, y] = 0#将像素改为黑色else:pixdata[x, y] = 255

(或者)

lim = lim.point(lambda x: 255 if x > 134 else 0)

因为只是进行简单灰度处理,所以导致图片还有大量的干扰点与干扰线,会导致出现下面图片类似的情况
在这里插入图片描述
3. 降噪
原理:
降噪当前已经有了较好的算法能处理此类问题--------洪水填充法 洪水填充法洪水填充法分为四邻域与八邻域算法。笔者在这里使用的是八邻域算法。

实现代码:

    for i in range(0, Z):pixdata[0, 0] = 255  # 将左顶点改为白色色块pixdata[(image.size[0] - 1, image.size[1] - 1)] = 255  # 将右脚点改为白色模块for x in range(1, image.size[0] - 1):for y in range(1, image.size[1] - 1):nearDots = 0L = pixdata[x, y]  # 获去该坐标的颜色RGB是否是1还是0# 用的是八领域算法if L == pixdata[x - 1, y - 1]:nearDots += 1if L == pixdata[x - 1, y]:nearDots += 1if L == pixdata[x - 1, y + 1]:nearDots += 1if L == pixdata[x, y - 1]:nearDots += 1if L == pixdata[x, y + 1]:nearDots += 1if L == pixdata[x + 1, y - 1]:nearDots += 1if L == pixdata[x + 1, y]:nearDots += 1if L == pixdata[x + 1, y + 1]:nearDots += 1if nearDots < N:  # 有四个相邻的点与该点的颜色是一样的pixdata[x, y] = 255  # 判断如果有的话,将其变为白点

效果图如下在这里插入图片描述
(图片处理好了,可是为了简化对象,所以我们需要将图片进行分割)

四、图片的分割

原理:通过再次加载图片,获取每一个像素点的颜色RGB是1还是0。通过起始寻找上下左右,是否有黑色的像素点。如果有则寻找该像素点的前后左右是否黑色像素点,以此类推,直至找不到黑色点,则为该字符的边界。

实现代码

def get_crop_imgs(im,num,path,pixdata):zoneWB = CFS(im,pixdata)# print(zoneWB)cutting_img(im,num,path,zoneWB)def CFS(im,pixdata):'''切割字符位置'''xmax = 0  # 上一区块结束黑点横坐标,这里是初始化zoneWB = []  # 各区块的X轴[起始,终点]列表for i in range(4):try:# print(xmax)x_fd,y_fd = detectFgPix(im,xmax,pixdata)# print(y_fd,x_fd)xmax,xmin=cfs(x_fd,y_fd,pixdata)# if(xmax>20):#     xmax //= 2zoneWB.append([xmin,xmax])except TypeError:return zoneWBreturn zoneWB
def detectFgPix(im,xmax,pixdata):'''搜索区块起点'''h = im.size[1]w = im.size[0]for x_fd in range(xmax+1,w):for y_fd in range(h):if pixdata[x_fd,y_fd] == 0:return x_fd,y_fddef cfs(x_fd,y_fd,pixdata):'''用队列和集合记录遍历过的像素坐标代替单纯递归以解决cfs访问过深问题'''# print('**********')xaxis=[]visited = set()q = Queue()q.put((x_fd, y_fd))visited.add((x_fd, y_fd))offsets=[(1, 0), (0, 1) ,(-1, 0), (0, -1)]#四邻域while not q.empty():x,y=q.get()for xoffset,yoffset in offsets:x_neighbor = x+xoffsety_neighbor = y+yoffsetif (x_neighbor,y_neighbor) in (visited):continue  # 已经访问过了else:visited.add((x_neighbor, y_neighbor))try:if pixdata[x_neighbor, y_neighbor] == 0:xaxis.append(x_neighbor)q.put((x_neighbor,y_neighbor))except IndexError:pass# print(xaxis)if (len(xaxis) == 0 ):xmax = x_fd + 1xmin = x_fdelse:xmax = max(xaxis)xmin = min(xaxis)#ymin,ymax=sort(yaxis)return xmax,xmindef cutting_img(img,num,path,zoneWB):img_arr = plt.imread(path)for i in range(4):image_child_name = str(num)+'_'+str(i)+'.jpg'image_path='D://idcodes/' + image_child_namex_min_postion = zoneWB[i][0] - 1x_max_postion = zoneWB[i][1] +1cropped = img_arr[0:22,x_min_postion:x_max_postion]#获取需要剪切图片的位置cv2.imwrite(image_path,cropped)# tuple_child = (x_min_postion,0,x_max_postion,22)#进行图片的切割,并保存到指定路径下# plt.savefig(image_path)# img = img.crop(tuple_child)# img.save(image_path)if os.path.exists(path):os.remove(path)else:print('未找到此文件')

在这里插入图片描述在这里插入图片描述
分割之后出现类似的图片表示成功了

五、模型的训练

我在这里运用的是knn算法(分类算法)对验证码的每个字符进行识别以及分类

易错点:因为图片大小不同,所以运用 cv2.imread获取的数据的shape是不同的,所以不能将不同大小的图片作为同一个训练集使用,因为上述分割算法,分出来的图片大小是不一的。所以knn算法是不行的吗?

解决方法
1.将所有的图片转化为统一大小

img_ls=["2","3","4","5","6","7","8","9","A","B","C","D","E","F","G","H","J","K","L","M","N","P","Q","R","S","T","U","W","X","Y","Z"]
for name in img_ls:data_width = []path = os.path.join(img_path, name)# print(path)img_names = os.listdir(path)for i in range(len(img_names)):path1 = os.path.join(path, img_names[i])img = Image.open(path1)type = "png"out = img.resize((13, 22), Image.ANTIALIAS)# # resize image with high-qualityos.remove(path1)out.save(path1, type)

2.分别获得数据的目标值和特征值

data_sum = []labels = []img_path = "D:\img_src"img_ls = os.listdir(img_path)for name in img_ls:path = os.path.join(img_path,name)# print(path)img_names =os.listdir(path)for i in range(len(img_names)):path1 = os.path.join(path,img_names[i])image = cv2.imread(path1)image = image.reshape(-1)#将数据转化为一维数组data_sum.append(image)#提供特征值labels.append(name)#提供目标值

3.将特征值和目标值数组化并分化成训练集和测试集:

 	y = LabelBinarizer().fit_transform(labels)#标签规范化x = np.array(data_sum,dtype=object)y = np.array(y)x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2)

4.训练模型:

 # 训练KNN分类器model = neighbors.KNeighborsClassifier()model.fit(x_train, y_train)

5.测试并保存模型

 dirs = 'D:/testModel'if not os.path.exists(dirs):os.makedirs(dirs)joblib.dump(model,dirs + '/LR.pkl')#测试结果打印pre_y_train = model.predict(x_train)pre_y_test = model.predict(x_test)class_name = [ 'class2', 'class3', 'class4', 'class5', 'class6', 'class7', 'class8', 'class9',         'classa','classb','classc','classd','classe','classf','classg','classh','classj','classk','classl','classm','classn','classp','classq', 'classr','classs','classt','classu','classw','classx','classy','classz']print(classification_report(y_train, pre_y_train, target_names=class_name))print(classification_report(y_test, pre_y_test, target_names=class_name))

6.结果截图

改进方法:可以利用网格搜索与交叉验证提高准确率

通过这几个步骤就能得到比较准确的模型了

这篇关于python 关于GMU官网验证码的识别(附详细过程)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/608349

相关文章

讯飞webapi语音识别接口调用示例代码(python)

《讯飞webapi语音识别接口调用示例代码(python)》:本文主要介绍如何使用Python3调用讯飞WebAPI语音识别接口,重点解决了在处理语音识别结果时判断是否为最后一帧的问题,通过运行代... 目录前言一、环境二、引入库三、代码实例四、运行结果五、总结前言基于python3 讯飞webAPI语音

基于Python开发PDF转PNG的可视化工具

《基于Python开发PDF转PNG的可视化工具》在数字文档处理领域,PDF到图像格式的转换是常见需求,本文介绍如何利用Python的PyMuPDF库和Tkinter框架开发一个带图形界面的PDF转P... 目录一、引言二、功能特性三、技术架构1. 技术栈组成2. 系统架构javascript设计3.效果图

IDEA连接达梦数据库的详细配置指南

《IDEA连接达梦数据库的详细配置指南》达梦数据库(DMDatabase)作为国产关系型数据库的代表,广泛应用于企业级系统开发,本文将详细介绍如何在IntelliJIDEA中配置并连接达梦数据库,助力... 目录准备工作1. 下载达梦JDBC驱动配置步骤1. 将驱动添加到IDEA2. 创建数据库连接连接参数

Python如何在Word中生成多种不同类型的图表

《Python如何在Word中生成多种不同类型的图表》Word文档中插入图表不仅能直观呈现数据,还能提升文档的可读性和专业性,本文将介绍如何使用Python在Word文档中创建和自定义各种图表,需要的... 目录在Word中创建柱形图在Word中创建条形图在Word中创建折线图在Word中创建饼图在Word

Python Excel实现自动添加编号

《PythonExcel实现自动添加编号》这篇文章主要为大家详细介绍了如何使用Python在Excel中实现自动添加编号效果,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1、背景介绍2、库的安装3、核心代码4、完整代码1、背景介绍简单的说,就是在Excel中有一列h=会有重复

Python FastAPI入门安装使用

《PythonFastAPI入门安装使用》FastAPI是一个现代、快速的PythonWeb框架,用于构建API,它基于Python3.6+的类型提示特性,使得代码更加简洁且易于绶护,这篇文章主要介... 目录第一节:FastAPI入门一、FastAPI框架介绍什么是ASGI服务(WSGI)二、FastAP

Python中Windows和macOS文件路径格式不一致的解决方法

《Python中Windows和macOS文件路径格式不一致的解决方法》在Python中,Windows和macOS的文件路径字符串格式不一致主要体现在路径分隔符上,这种差异可能导致跨平台代码在处理文... 目录方法 1:使用 os.path 模块方法 2:使用 pathlib 模块(推荐)方法 3:统一使

Spring Security注解方式权限控制过程

《SpringSecurity注解方式权限控制过程》:本文主要介绍SpringSecurity注解方式权限控制过程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、摘要二、实现步骤2.1 在配置类中添加权限注解的支持2.2 创建Controller类2.3 Us

一文教你解决Python不支持中文路径的问题

《一文教你解决Python不支持中文路径的问题》Python是一种广泛使用的高级编程语言,然而在处理包含中文字符的文件路径时,Python有时会表现出一些不友好的行为,下面小编就来为大家介绍一下具体的... 目录问题背景解决方案1. 设置正确的文件编码2. 使用pathlib模块3. 转换路径为Unicod

2025最新版Python3.13.1安装使用指南(超详细)

《2025最新版Python3.13.1安装使用指南(超详细)》Python编程语言自诞生以来,已经成为全球最受欢迎的编程语言之一,它简单易学易用,以标准库和功能强大且广泛外挂的扩展库,为用户提供包罗... 目录2025最新版python 3.13.1安装使用指南1. 2025年Python语言最新排名2.