猿人学第8题-验证码图文点选

猿人学Web端爬虫攻防刷题平台/猿人学第8题-验证码图文点选/README.md

@@ -0,0 +1,147 @@
+# 知识点:图像识别、去除干扰线、降噪
+
+## 一、解决点选坐标问题
+
+需要的破解的验证码图片
+
+![debugger](./img/2.png)
+
+查看响应内容，可以正常返回明文的数据，那就证明搞定验证码就可以解开这道题目。
+
+![debugger](./img/4.png)
+
+再查看请求内容，存在请求参数`answer`，仔细观察你会发现请求内容`785|466|746|156|`类似于点选验证码的坐标。
+
+![debugger](./img/5.png)
+
+这里我用审查元素查看点选验证码的`html`，不难发现这不就是div组合成的一个矩阵。
+
+![debugger](./img/1.png)
+
+多次点击验证图片的坐标，做了下面这张图，可以清楚的知道图片具体的坐标范围
+
+![debugger](./img/3.png)
+
+由此推断
+
+    第1个图片坐标值可以是（0～9）
+    第2个图片坐标值可以是（10～19）
+    第3个图片坐标值可以是（20～29）
+    第4个图片坐标值可以是（300～309）
+    第5个图片坐标值可以是（310～319）
+    第6个图片坐标值可以是（320～329）
+    第7个图片坐标值可以是（600～609）
+    第8个图片坐标值可以是（610～619）
+    第9个图片坐标值可以是（620～629）
+
+## 二、图像去噪点处理
+
+### 选出rgp颜色最多2个，进行降噪处理
+
+    def noise_image(img_file):
+        """选出rgp颜色最多2个，进行降噪处理"""
+        img = Image.open(img_file)
+        # colors所有像素rgb值，counts对应的数量
+        colors, counts = np.unique(np.array(img).reshape(-1, 3), axis=0, return_counts=True)
+        # 排序
+        ct = np.sort(counts)
+        # 找到出现最多的2种颜色的个数
+        top2_counts = ct[-2:].tolist()
+        # 找到出现最多的2种颜色的下标
+        subscript_list = []
+        for k, v in list(enumerate(counts, start=0)):
+            if v in top2_counts:
+                subscript_list.append(k)
+        # 找到出现最多的2种颜色的rgb值
+        for subscript in subscript_list:
+            color = colors[subscript]
+            # 去除颜色
+            turn_white(img, color[0], color[1], color[2])
+        return img
+
+![debugger](./img/a-test.png)
+
+### 移除干扰线条
+
+    def interference(img_file):
+        """移除干扰线条"""
+        img = Image.open(img_file)
+        # 读取图片高，宽
+        height, width = img.height, img.width
+        # 首先创建一个空列表,用来存放出现在间隔当中的像素点
+        line_list = []
+        # 两个for循环,遍历9000次
+        for x in range(width):
+            for y in range(height):
+                r, g, b = img.getpixel((x, y))
+                if 0 < y < 10 or 96 < y < 105 or 199 < y < 209 or 292 < y < 299:
+                    line_list.append([r, g, b])
+                if 0 < x < 20 or 109 < x < 120 or 209 < x < 220:
+                    line_list.append([r, g, b])
+    
+        arr = np.array(line_list)
+        line_list = np.array(list(set([tuple(t) for t in arr])))
+        # 处理像素 RGB 值
+        for line in line_list:
+            r = line[0]
+            g = line[1]
+            b = line[2]
+            if not (r == 255 and g == 255 and b == 255):
+                turn_white(img, r, g, b)
+        return img
+
+![debugger](./img/b-test.png)
+
+### 灰度转换
+
+    def binary(img_file, standard=205):
+        """灰度转换"""
+        img = Image.open(img_file)
+        img = img.convert('L')
+        pixels = img.load()
+        for x in range(img.width):
+            for y in range(img.height):
+                if pixels[x, y] > standard:
+                    pixels[x, y] = 255
+                else:
+                    pixels[x, y] = 0
+        return img
+
+![debugger](./img/c-test.png)
+
+### 增强字体显示效果
+
+    def enhance(img_file):
+        """增强字体显示效果"""
+        img = cv2.imread(img_file, 0)
+        kernel = np.ones((2, 3), 'uint8')
+        img = cv2.erode(img, kernel, iterations=2)
+        return img
+
+![debugger](./img/d-test.png)
+
+### 图片切割成单个字体便于识别
+
+    def image_clip(img_file):
+        """图片切割成单个字体便于识别"""
+        img = cv2.imread(img_file, 0)
+        clip_imgs = []
+        num = 1
+        for y in range(0, 300, 100):
+            for x in range(10, 300, 100):
+                # 裁剪坐标为[y0:y1, x0:x1]
+                cropped = img[y:y + 100, x:x + 100]
+                clip_imgs.append(cropped)
+                cv2.imwrite(f"./img_a/f-{num}.jpg", cropped)
+                num += 1
+        return clip_imgs
+
+图片1
+
+![debugger](./img/f-1.jpg)
+
+图片2
+
+![debugger](./img/f-2.jpg)
+
+## 三、图像识别

猿人学Web端爬虫攻防刷题平台/猿人学第8题-验证码图文点选/gan_rao_xian.py

@@ -1,6 +1,5 @@
 from PIL import Image
 import numpy as np
-import ddddocr
 import cv2
 
 
@@ -85,25 +84,31 @@ def enhance(img_file):
     return img
 
 
-def ocr(img_file):
-    ocr = ddddocr.DdddOcr()
-    with open(img_file, 'rb') as f:
-        image = f.read()
-    res = ocr.classification(image)
-    return res
+def image_clip(img_file):
+    """图片切割成单个字体便于识别"""
+    img = cv2.imread(img_file, 0)
+    clip_imgs = []
+    num = 1
+    for y in range(0, 300, 100):
+        for x in range(10, 300, 100):
+            # 裁剪坐标为[y0:y1, x0:x1]
+            cropped = img[y:y + 100, x:x + 100]
+            clip_imgs.append(cropped)
+            cv2.imwrite(f"./img_a/f-{num}.jpg", cropped)
+            num += 1
+    return clip_imgs
 
 
 def run():
-    image_a = noise_image('./img/1.png')
-    image_a.save('./img/1-test.png')
-    image_b = interference('./img/1-test.png')
-    image_b.save('./img/2-test.png')
-    image_c = binary('./img/2-test.png')
-    image_c.save('./img/3-test.png')
-    image_d = enhance('./img/3-test.png')
-    cv2.imwrite('./img/4-test.png', image_d)
-    res = ocr('./img/4-test.png')
-    print(res)
+    image_a = noise_image('img_a/a.png')
+    image_a.save('./img_a/a-test.png')
+    image_b = interference('./img_a/a-test.png')
+    image_b.save('./img_a/b-test.png')
+    image_c = binary('./img_a/b-test.png')
+    image_c.save('./img_a/c-test.png')
+    image_d = enhance('./img_a/c-test.png')
+    cv2.imwrite('./img_a/d-test.png', image_d)
+    image_clip('./img_a/d-test.png')
 
 
 if __name__ == '__main__':