Skip to content

使用python + opencv + pytesseract 來分析captcha

必要套件

  • PIL => pip install pillow
  • numpy => pip install numpy
  • cv2 => pip install opencv-python
  • pytesseract => pip install pytesseract

tesseract for Windows

使用 tesseract 工具必須要先從官方網站下載安裝檔，或者從網站下載其他版本。

點擊安裝下載後的安裝檔，預設安裝路徑為C:\Program Files\Tesseract-OCR，必須要在系統環境變數增加此路徑，否則pytesseract會找不到執行檔。

開始寫程式處理

以下程式會從檔案中讀取圖片，經由處理後轉為另外的檔案，再丟給pytesseract去判讀。

def ocr(filename):
    img = cv2.imread(filename, cv2.IMREAD_GRAYSCALE)

    img = cv2.GaussianBlur(img, (3, 3), 0)
    img = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]

    kernel = numpy.ones((1,1), numpy.uint8)
    img = cv2.dilate(img, kernel, iterations=1)

    cv2.imwrite('processed.jpg', img)


    # psm: 
    #  6    Assume a single uniform block of text.
    #  8    Treat the image as a single word.
    text = pytesseract.image_to_string(
        img, lang='eng', config="--psm 6 --oem 3 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ")

參數

psm

psm 是最重要的參數，用來決定圖片中的文字形式，以上方我們要處理的圖片為例，使用不同的參數，可能會判讀失敗，或是判讀不正確，例如：

  • psm:6 => 判讀為YEP8
  • psm:8 => 判讀為YEPS

不同的psm參數，導致正確資料從8變成s。

oem

tessedit_char_whitelist

告訴tesseract允許的字元範圍

參考資料