17370845950

Python简单验证码识别可不用深度学习，通过预处理降噪、二值化、字符分割、模板匹配四步实现：先灰度化+中值滤波+开运算去噪；再用Otsu法二值化并反色；接着垂直投影切分字符；最后用cv2.matchTemplate与标准模板匹配识别。

Python验证码识别不一定要用深度学习，很多简单验证码（比如字母+数字、无扭曲、低噪点）靠基础图像处理就能搞定。核心思路是：预处理降噪 → 二值化 → 字符分割 → 模板匹配或简单分类。

一、预处理：去噪和灰度化

多数验证码图片带干扰线、噪点或背景色块。先转灰度，再用高斯模糊或中值滤波削弱随机噪点；接着用形态学操作（如开运算）断开粘连细线。

• 用 cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 转灰度
• 用 cv2.medianBlur(gray, 3) 去椒盐噪点（3 是核大小）
• 若干扰线较细，可尝试 cv2.morphologyEx(gray, cv2.MORPH_OPEN, kernel)，kernel 用 3×3 方形

二、二值化：突出字符主体

选对阈值很关键。固定阈值（cv2.THRESH_BINARY）适合对比强的图；Otsu 自动阈值（cv2.THRESH_BINARY + cv2.THRESH_OTSU）更鲁棒，尤其当背景亮度不均时。

• 推荐先试 Otsu：_, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
• 如果字符发虚，可反色（cv2.bitwise_not(binary)），确保字符为白色（像素值 255）、背景为黑

三、字符分割：按列投影切分

对齐良好、字符不粘连的验证码，可用水平/垂直投影法。统计每列白色像素个数，找连续非零区作为单字符区域。

• 计算垂直投影：proj = np.sum(binary, axis=0)
• 设定阈值（如 proj > 5），找出所有“有内容”的列区间
• 合并邻近区间（间隔小于 2 像素可视为同一字符），再适当左右扩 1–2 像素防裁剪过紧

四、识别：模板匹配最简单

准备 0–9、a–z（或大写 A–Z）共 36 个标准字符图片（尺寸统一，如 20×30），保存为 PNG。对每个分割出的字符图，用 cv2.matchTemplate 计算与各模板的相似度，取最高分对应字符。

• 模板图要和待识图尺寸、二值化方式一致
• 用 cv2.TM_CCOEFF_NORMED 方法，返回值在 [-1, 1]，越接近 1 越匹配
• 注意：字符旋转/缩放会失效，此法仅适用于规整验证码

不复杂但容易忽略：预处理顺序和参数微调影响极大，建议用 OpenCV 的 cv2.imshow 分步查看中间结果，比盲目调参快得多。