Python实现图形验证码

Pytorch之验证码识别

本⽂主要实现了两个⼯作：1.验证码⽣成 2.Pytorch识别验证码

⼀. 验证码⽣成

⽅法1. 利⽤PIL库的ImageDraw实现绘图，此法参考实现：

#!/usr/bin/env python3

# -*- coding: utf-8 -*-

"""

Created on Tue Mar 27 15:45:04 2018

@author: lps

"""

from PIL import Image, ImageDraw, ImageFont, ImageFilter

import random

import cv2

import numpy as np

import matplotlib.pyplot as plt

path = '/media/lps/python-3.5.2.amd64/Lib/site-packages/matplotlib/mpl-data/fonts/ttf/' # 选择字体

data_path = '/home/lps/yanzm/'

# random chr

def rndChar():

return chr(random.randint(65, 90)) # 随机字母

def rndInt():

return str(random.randint(0,9)) # 随机数字

def rndColor():

return (random.randint(64, 255), random.randint(64, 255), random.randint(64, 255)) # 随机颜⾊

def rndColor2():

return (random.randint(32, 127), random.randint(32, 127), random.randint(32, 127)) # 随机颜⾊

def gaussian_noise(): # ⾼斯噪声

mu = 125

sigma = 20

python3对图⽚进⾏局部切割验证码图⽚识别图⽚操作

#——————————————图⽚切割截图

——————————————————————————————————

⽅式⼀

先拿个图⽚举例⼦，⽐如说截取途中⽅框内的图⽚：

# 导⼊相关的库

from PIL import Image

# 打开⼀张图

img = Image.open('test.jpg')

# 图⽚尺⼨

img_size = img.size

h = img_size[1] # 图⽚⾼度

w = img_size[0] # 图⽚宽度

x = 0.25 * w

y = 0.16 * h

w = 0.5 * w

h = 0.2 * h

# ###不填参数直接复制

# region = img.crop()

# ###保存图⽚

# region.save("test123.jpg")

# 开始截取

region = img.crop((x, y, x + w, y + h))

# 保存图⽚

region.save("test.jpg")最终结果：

⽅式⼆：

#从坐标为(x1,y1)的点到坐标为(x2,y2)的点连成⼀条斜线，最后以这条斜线为对⾓线的矩形

from PIL import Image

img = Image.open(r"C:\Users\Administrator\Desktop\chen.png")

print(img.size)#图⽚尺⼨

cropped = img.crop((222, 110, 310, 180)) # (x1, y1, x2, y2)

cropped.save(r"C:\Users\Administrator\Desktop\test.png")最终结果：

⽅式三：

利⽤OpenCV对其进⾏裁剪

#此⽅法和⽅法⼆类似是基于坐标定位，只是使⽤函数不同

import cv2

img = cv2.imread(r"C:\Users\Administrator\Desktop\chen.png")

python 登录识别验证码算法-概述说明以及解释

1. 引言

1.1 概述

验证码（Captcha）是一种用于识别用户是否为机器人的技术。它通常通过在登录、注册或其他需要验证身份的页面上展示一串随机生成的字符或图像，要求用户正确输入或点击相关对象，以证明自己是真实的用户。验证码的存在旨在防止自动化程序或恶意黑客攻击，保护网站和用户的安全。

在当前互联网的发展背景下，登录系统的验证码已经成为很多网站必备的安全措施之一。然而，由于验证码的人工智能性质，很多传统的自动化操作和爬虫程序无法绕过验证码的阻拦，从而给网站的自动运营和数据采集带来了一定的困难。因此，开发一种高效、准确的Python验证码识别算法成为了迫切需求。

本文将着重研究基于Python的验证码识别算法，探究其识别原理和应用方法。首先，我们将详细介绍验证码的概念和其在用户身份验证中的重要性。随后，我们将调研现有的验证码识别算法，分析其优缺点和应用场景。最后，我们将重点讨论基于Python的验证码识别算法的研究，探索其在实际应用中的可行性和效果。

通过本文的阅读，读者将能够全面了解到验证码识别算法在Python中的实现方式，为解决网站登录阻碍和数据采集问题提供了一种切实可行的解决方案。同时，本文也可作为对验证码算法感兴趣的读者的参考，为他们进一步深入学习和研究验证码识别领域提供了一个起点。

1.2 文章结构

本文主要分为以下几个部分来介绍Python登录识别验证码算法。

第一部分是引言，通过概述、文章结构和目的三个小节来介绍本文要阐述的内容。

第二部分是正文，其中包括验证码的概念和Python登录识别验证码的重要性两个小节。

在验证码的概念部分，将介绍验证码的定义、作用和常见类型等内容，为读者提供对验证码的基本了解。

在Python登录识别验证码的重要性部分，将探讨验证码在登录系统中的重要性，并介绍为何有必要使用Python来实现验证码识别算法。

python3图⽚验证码识别种类最多第三⽅模块-MuggleOCR

pip install muggle_ocrpip install muggle_ocr -i --trusted-host

案例1导⼊包

import time# 1. 导⼊包

import muggle_ocr"""

使⽤预置模型，预置模型包含了[ModelType.OCR, ModelType.Captcha] 两种

其中 ModelType.OCR ⽤于识别普通印刷⽂本, ModelType.Captcha ⽤于识别4-6位简单英数验证码

"""# 打开印刷⽂本图⽚

with open(r"test1.png", "rb") as f:

ocr_bytes = f.read()# 打开验证码图⽚

with open(r"test2.jpg", "rb") as f:

captcha_bytes = f.read()# 2. 初始化；model_type 可选: [ModelType.OCR, ModelType.Captcha]

sdk = muggle_ocr.SDK(model_type=muggle_ocr.ModelType.OCR)# ModelType.Captcha 可识别光学印刷⽂本

for i in range(5):

st = time.time()

# 3. 调⽤预测函数

text = sdk.predict(image_bytes=ocr_bytes)

print(text, time.time() - st)# ModelType.Captcha 可识别4-6位验证码

sdk = muggle_ocr.SDK(model_type=muggle_ocr.ModelType.Captcha)

for i in range(5):

st = time.time()

# 3. 调⽤预测函数

text = sdk.predict(image_bytes=captcha_bytes)