字符图像识别——数字字母混合
须要识别的验证码图像，其中包含 4 个字符（数字字母）python
验证码图片来源：http://my.cnki.net/elibregist...网络
思路
- 灰度化：将图像转为灰度图像，即一个像素只有一种色阶（有 256 种不一样灰度），值为 0 表示像素最黑，值为 255 表示像素最白。
- 二值化：将图像转为黑白图像，即一个像素只有黑白两种状态，不是黑就是白，没有灰色，值为 0 表示像素最黑，值为 1 表示像素最白.
- 图像转字符串：利用工具将图像中的字符串识别出来
前面两步都是对图像进行识别前处理，目的是提升计算机识别的准确度，毕竟计算机自己不能理解图像，一个像素值的微小变化都有可能致使错误识别机器学习
代码
import tesserocr
from PIL import Image
image = Image.open("87FW.jpg")
# 灰度化
image = image.convert("L")
# 二值化，传入的是数字 1，默认阈值是 127。通常不推荐使用，由于不够灵活
# image = image.convert("1")
# 另外一种二值化。自定义灰度，将灰度值在 115 以上的设置 1（白色），其它设为 0（黑色），至关于将阈值设置成了 115
table = [1] * 256
for i in range(256):
table[i] = 0
if i > 115:
break
image = image.point(table, "1")
print(tesserocr.image_to_text(image))
打印：工具
87FW
所谓的阈（yu）值是指将不一样的像素值分开的那个临界值学习
上面的代码没有保存图片，为了直观得看到通过不一样的处理后图像的区别，下面展现的是两张图像分别是灰度处理和二值化（阈值 115）后的图像测试
下面将每种不一样阈值的图像保存至本地，主要代码以下：优化
...
image = Image.open("87FW.jpg")
image = image.convert("L")
table = [1] * 256
for i in range(256):
table[i] = 0
image.point(table, "1").save(f"87FW_{i}.jpg")
阈值为 0 表明将全部像素处理成白色（没有黑色）；阈值为 255 表明将全部像素处理成黑色。spa
能够发现阈值设置得越低，白色越多，能看获得的验证码（黑色）就少了，由于大部分灰度都处理成白色；反之，若阈值设置越大，黑色越多，更多的干扰像素处理成和验证码同样的黑色。.net
如下是将上面不一样阈值的图片制做成的一个 gif 动态图像，能够看到若是阈值设定在 0 至 255 这个过程当中，验证码会呈现出不一样效果code
阈值是一个很难把控的关键，阈值设置大或小都会影响识别的准确性，如下是遍历全部阈值，测试阈值在哪一个区间能够识别出正确的验证码。注：因为没有作优化，整个过程会比较慢
>>> for i in range(256):
... if tesserocr.image_to_text(Image.open(f"87FW_{i}.jpg")).strip()=="87FW":
... print(i, end=" ")
...
109 110 112 113 114 115 116 117 118 119 120 122 123 124 169 170 171 172 173
在 256 个阈值中只有 19 个（不足 7.42%）阈值能够正确识别出验证码，仔细察觉能够发现阈值区间被分红了多个，分别是 109～1十、112～120、122～12四、169～173，说明阈值区间不必定具备连续性。更糟糕的是，不一样的验证码图片，能准确识别出其中验证码的阈值的数量、区间范围、区间数等都极可能不一样。固然还有不少问题，好比选择一个“不恰当”的阈值致使图像处理过分，只识别出其中 3 个字符，不要试图随机添加一个字母或数字，由于须要考虑具体是哪一个位置的字符没识别出来，这样瞎猜几乎是很难一次就命中的，好点的作法是：当识别出来的字符不足时能够尝试换一个阈值处理图像，因此能识别出验证码是几率事件。毕竟在正常的人机识别中，识别一个验证码一般只有一次机会，识别错了就会出现新的验证码，没有换阈值再从新试一次的机会，不过好在一般阈值的范围都是能够缩小的，好比能够忽略小于 70 和大于 200 的这些图像处理过分的阈值（正常人都很难识别是什么数字、字母），这样能命中的几率就会大大提升。
image.convert("1") 的默认阈值是 127，在上面 19 个能够准确识别验证码的阈值中没有 127，这也就是为何直接使用 image.convert("1") 方法二值化的图像没法被准确识别出其中的验证码
上面的验证码还算容易处理的，若是干扰像素的灰度值与验证码灰度差异比较大，可用上面的方法；但若是遇到干扰线条的灰度与验证码差很少、验证码重叠等状况，上面对图像仅作简单处理的方法就很难奏效了。这时就须要用到机器学习技术对识别器进行训练，据说识别率几乎 100%！
参考资料：
- 《Python3网络爬虫开发实战》——8.1 图形验证码的识别