Python 验证码识别：用 Pillow+Tesseract 破解图形验证码

验证码识别是自动化测试和数据分析中的常见需求。通过结合 Pillow（图像处理库）和 Tesseract（OCR引擎），可高效破解简单图形验证码。以下是完整实现流程：

1. 核心工具原理

• Pillow：处理图像预处理（裁剪、二值化、降噪）
• Tesseract：光学字符识别引擎，支持多语言
• 识别成功率公式：
  $$识别准确率 = \frac{\text{正确识别字符数}}{\text{总字符数}} \times 100%$$

2. 实现步骤

(1) 安装依赖

pip install pillow pytesseract
# 需单独安装 Tesseract-OCR 引擎（官网下载）

(2) 图像预处理（关键步骤）

使用 Pillow 进行：

• 灰度化：$Gray = 0.299R + 0.587G + 0.114B$
• 二值化：$Pixel = \begin{cases} 255 & \text{if } value > threshold \ 0 & \text{otherwise} \end{cases}$
• 降噪：去除孤立像素点

(3) OCR 识别

调用 Tesseract 提取文本

3. 完整代码示例

from PIL import Image, ImageFilter
import pytesseract

def crack_captcha(image_path):
    # 1. 图像预处理
    img = Image.open(image_path)
    img = img.convert("L")  # 灰度化
    img = img.point(lambda x: 255 if x > 180 else 0)  # 二值化 (阈值180)
    img = img.filter(ImageFilter.MedianFilter())  # 中值滤波降噪
    
    # 2. OCR识别
    text = pytesseract.image_to_string(img, config="--psm 7")
    return text.strip()

# 使用示例
result = crack_captcha("captcha.png")
print(f"识别结果: {result}")

4. 关键参数说明

5. 优化方向

1. 复杂验证码处理：
   • 添加形态学操作（膨胀/腐蚀）
   • 分割字符后单独识别
2. 训练自定义模型：

   tesseract --train [训练数据]
   

3. 对抗干扰线：
   • 使用傅里叶变换去除周期性噪声
   • 颜色通道分离（针对彩色干扰）

注意：该方法适用于简单验证码（如纯文本无扭曲）。高级验证码需结合CNN等深度学习方案，准确率可达 $90%+$。