tesseract-orc训练 结合python3图像识别验证码

##前言
其实就是用到tesseract-ocr这个引擎来识别，只不过我们需要做一些在此之前的工作
将图片用pillow进行初步处理，将图片中的验证码显示的清晰一些，关于这些教程可以查看我的另一篇文章（现在还没写）
然后用tesseract-ocr将处理完的图片进行识别，当然不训练tesseract-ocr是不行的，还需要对其进行训练，后面我会说明怎么训练

windows 平台

1.安装

######安装tesseract-ocr
地址： ​点我点我！​注意：如果你要识别中文的需要在安装时把中文包勾选上
######安装python第三方库
我这里用的是python3,python3怎么安装我就不多说了。
安装必要的 python第三方库：

pip install Pillow pytesseract -i https://mirrors.aliyun.com/pypi/simple/

Pillow是一个python图像处理的第三方库
pytesseract 我的理解是调用刚才安装的tesseract-ocr的一个接口吧
######安装训练矫正的工具（jTessBoxEditorFX）
地址：​点我点我！

2.编写python处理图片函数

######二值化

from PIL import Image
from pytesseract import *
im = Image.open('1.jpg') #用pil打开这个图片

im = im.convert('L')
im = im.point(lambda x: 0 if x<100 else x>=100, '1') # 二值化 100为分割灰度的点（阀值），二值化就是将图片的颜色转换成非黑即白的图片
im.show() #查看图片

图片资源

经过上述处理应该这样的生成图片

如果显示的图片中线没有去掉，可以调整阀值来去掉线
######去除噪点
把图片中的黑点去掉

def getPixel(image,x,y):
L = image.getpixel((x,y)) #获取当前像素点的像素
if L == 0: #判读此像素点是否为黑，因为如果是白的就没必要处理了
nearDots = 0 #初始化记录周围有没有黑像素数量的值
#判断周围像素点
if L - image.getpixel((x - 1,y - 1)):
nearDots += 1
if L - image.getpixel((x - 1,y)):
nearDots += 1
if L - image.getpixel((x - 1,y + 1)):
nearDots += 1
if L - image.getpixel((x,y - 1)):
nearDots += 1
if L - image.getpixel((x,y + 1)):
nearDots += 1
if L - image.getpixel((x + 1,y - 1)):
nearDots += 1
if L - image.getpixel((x + 1,y)):
nearDots += 1
if L - image.getpixel((x + 1,y + 1)):
nearDots += 1
if nearDots ==8: #这里如果周围八个全是白点那么就返回一个白点，实现去黑点的操作
return 1
#这里主要是有俩个黑点连在一起，所有周围会有七个黑点扩大范围进一步判断
elif nearDots ==7:
nearDots = 0
if L - image.getpixel((x - 2,y - 2)):
nearDots += 1
if L - image.getpixel((x - 2,y)):
nearDots += 1
if L - image.getpixel((x - 2,y + 2)):
nearDots += 1
if L - image.getpixel((x,y - 2)):
nearDots += 1
if L - image.getpixel((x,y + 2)):
nearDots += 1
if L - image.getpixel((x + 2,y - 2)):
nearDots += 1
if L - image.getpixel((x + 2,y)):
nearDots += 1
if L - image.getpixel((x + 2,y + 2)):
nearDots += 1
if nearDots == 8:
return 1 #返回白点
else:
return 0 #返回黑点
else:
return 1

def clearNoise(image):
draw = ImageDraw.Draw(image)
#循环遍历每个像素点
for x in range(0,image.size[0]):
for y in range(0,image.size[1]):
color = getPixel(image,x,y)
draw.point((x,y),color)


#将上一步处理完成的im对象传给clearNoise()函数
im = clearNoise(im)
im.show()

代码挺简单的应该可以看懂
不出意外的话处理完成的图片变成这样：

处理到这一步就已经可以了，当然你也可以进行进一步处理，例如局部放大
######调用 tesseract-ocr识别图片
在上面的代码中加入

# lang只用哪个库来识别 默认有个eng库，config 指代识别单行还是多行-psm 7只的是单行
result = pytesseract.image_to_string(im,lang='eng',config="-psm 7")
print(result)

不出意外的话识别结果应该是：o 3 o 4
但是我图像都已经处理到这一步了，怎么还识别出错？？
答：因为你没有训练！

3.训练tesseract-ocr

######合成tif文件
打开安装的 Jtessboxedit ,点击tools——Merge TiFF然后选中经过处理的验证码图片（因为最终识别的是经过python处理完的，所以也拿处理完成的验证码来训练在原函数中加入im.save(保存路径)即可保存），随便找到另一个地方生成tif，命名为num.font.exp0.tif保存
注意：这里的文件名不是瞎起的，文件名有要求的，取和我相同的名字就行了，因为后面运行的命令都是依靠这个文件名的
######生成box文件
生成好后，进入tif文件所在的文件夹
运行命令

tesseract num.font.exp0.tif num.font.exp0 -psm 7 batch.nochop makebox

在文件夹就会生成一个 .box的文件
######训练
然后在jtessboxedit中Box Editor选项卡中点击open按钮打开上一步生成的tif文件

如果位置不对就调整x y,w,h的值，字符不对就修改字符，这里我把俩个o修改成0
然后save
######生成训练的库文件
进入到tif和box所在的文件夹
运行以下命令

tesseract.exe num.font.exp0.tif num.font.exp0 -psm 7 nobatch box.train
unicharset_extractor.exe num.font.exp0.box
echo font 0 0 0 0 0 > font_properties.txt
mftraining -F font_properties.txt -U unicharset -O num.unicharset num.font.exp0.tr
cntraining.exe num.font.exp0.tr
rename normproto num.normproto
rename inttemp num.inttemp
rename pffmtable num.pffmtable
rename shapetable num.shapetable
combine_tessdata.exe num.

把生成的num.traineddata这个文件拷贝到 你的C:\Program Files (x86)\Tesseract-OCR\tessdata下，大工告成！

4.用训练好的库来识别python处理后的图片

只需修改一下代码即可

asd = pytesseract.image_to_string(image,lang='num',config="-psm 7")#将eng修改为你训练好的库，也就是num

备注: 评论有几个人问我代码,相关代码已经上次到CSDN了(资源名称为 ​​python验证码识别​​), 原本我想上传到github, 但是我觉得我的github不能放这种半成品的代码, 所以很抱歉, 现在属于审核中, 后期审核通过我会把地址放上的

作者：Hello_wshuo​