常用验证码标注&amp;识别(数据采集/预处理/字符图切割）

来源：Python爬虫与数据挖掘

作者：Python进阶者

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：

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：

[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。

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：

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：

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
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。