Python 实现验证码识别：Tesseract OCR 实践指南

验证码（CAPTCHA）广泛用于防止自动化提交，但在自动化测试、数据采集等场景下，我们可能需要自动识别验证码。本文将介绍如何使用 Python 结合 Tesseract OCR 解析验证码，并通过图像处理优化识别效果。

1. 环境准备
在编写代码前，我们需要安装 Python 和 Tesseract OCR，并安装必要的 Python 库。

1.1 安装 Python
如果尚未安装 Python，可以前往 Python 官方网站 下载最新版本，并确保 pip 可用：

bash

python --version
pip --version
1.2 安装 Tesseract OCR
Windows 用户
访问 Tesseract 官方 GitHub 下载 Windows 安装包。
按照安装向导完成安装，并将 Tesseract 添加到系统环境变量。
Linux 用户（Ubuntu 示例）

sudo apt update
sudo apt install tesseract-ocr
macOS 用户（使用 Homebrew）
bash

brew install tesseract
安装完成后，运行以下命令检查是否安装成功：

bash

tesseract --version
1.3 安装 Python 依赖库
在 Python 中使用 Tesseract OCR，需要安装 pytesseract，以及用于图像处理的 Pillow 和 OpenCV：

bash

pip install pytesseract pillow opencv-python
2. 代码实现：解析验证码
下面的 Python 代码示例展示了如何读取验证码图像，进行预处理，并使用 Tesseract 进行 OCR 解析。

2.1 代码示例
python

import cv2
import pytesseract
from PIL import Image

# 配置 Tesseract 路径（Windows 用户需修改为安装路径）
# pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

def preprocess_image(image_path):
    """加载验证码图片并进行预处理"""
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)  # 转换为灰度图像
    
    # 二值化处理，增强字符对比度
    _, binary_img = cv2.threshold(img, 128, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    
    # 可选：降噪处理
    binary_img = cv2.medianBlur(binary_img, 3)
    
    return binary_img

def recognize_captcha(image_path):
    """使用 Tesseract OCR 解析验证码"""
    processed_img = preprocess_image(image_path)
    
    # 将 OpenCV 图像转换为 PIL 格式
    pil_img = Image.fromarray(processed_img)
    
    # 设定 Tesseract 识别模式，适用于验证码
    custom_config = r'--oem 3 --psm 6'
    
    # 进行 OCR 识别
    text = pytesseract.image_to_string(pil_img, config=custom_config)
    
    return text.strip()

if __name__ == "__main__":
    captcha_image = "captcha.png"  # 替换为你的验证码图片路径
    result = recognize_captcha(captcha_image)
    print(f"识别出的验证码: {result}")
3. 代码解析
3.1 图像预处理
为了提高 OCR 识别准确率，代码对图像进行了以下优化处理：

灰度化：使用 cv2.IMREAD_GRAYSCALE 去除颜色干扰。
二值化：通过 cv2.threshold() 提高字符对比度，使 OCR 更容易识别。
降噪（可选）：使用 cv2.medianBlur() 平滑图像，去除干扰噪点。
3.2 OCR 识别
通过 pytesseract.image_to_string() 调用 Tesseract 进行字符识别。
使用 --psm 6 设定页面分割模式，适用于单行验证码文本。
4. 运行程序
将代码保存为 captcha_reader.py，并确保 captcha.png 图片位于同一目录下，然后运行：

bash

python captcha_reader.py
程序将自动加载验证码图片，进行预处理，并输出识别的验证码文本。

5. 提高 OCR 识别准确率
如果验证码较复杂，Tesseract 可能无法精准识别，可以尝试以下优化方法：

5.1 调整 PSM 模式
Tesseract 提供不同的页面分割模式（PSM），验证码通常是一行文本，因此可以使用 PSM 6：

python

custom_config = r'--oem 3 --psm 6'
5.2 选择合适的 OCR 语言
如果验证码只包含数字和英文字母，可以指定 eng（英语）：

python
更多内容访问ttocr.com或联系1436423940
text = pytesseract.image_to_string(pil_img, lang="eng", config=custom_config)
5.3 进一步优化图像
去除噪点：可使用 高斯模糊 或 形态学处理 过滤背景干扰。
字符分割：如果验证码字符相互粘连，可以尝试分割算法，提高单字符识别率。
5.4 采用深度学习 OCR 方案
如果 Tesseract 识别效果不佳，可以尝试基于深度学习的 OCR 方案，例如：

EasyOCR
PaddleOCR