今天就跟大家聊聊有關(guān)Serverless中火絨使用云函數(shù)SCF快速部署驗證碼識別接口，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結(jié)了以下內(nèi)容，希望大家根據(jù)這篇文章可以有所收獲。

網(wǎng)站設(shè)計制作、做網(wǎng)站的關(guān)注點不是能為您做些什么網(wǎng)站，而是怎么做網(wǎng)站，有沒有做好網(wǎng)站，給創(chuàng)新互聯(lián)公司一個展示的機(jī)會來證明自己，這并不會花費您太多時間，或許會給您帶來新的靈感和驚喜。面向用戶友好，注重用戶體驗，一切以用戶為中心。

驗證碼識別是搞爬蟲實現(xiàn)自動化腳本避不開的一個問題。通常驗證碼識別程序要么部署在本地，要么部署在服務(wù)器端。如果部署在服務(wù)器端就需要自己去搭建配置網(wǎng)絡(luò)環(huán)境并編寫調(diào)用接口，這是一個極其繁瑣耗時的過程。

但是現(xiàn)在我們通過騰訊云云函數(shù) SCF，就可以快速將本地的驗證碼識別程序發(fā)布上線，極大地提高了開發(fā)效率。

效果展示

可以看到，識別效果還是蠻好的，甚至超過了肉眼識別率。

操作步驟

傳統(tǒng)的驗證碼識別流程是

1. 圖像預(yù)處理（灰化，去噪，切割，二值化，去干擾線等）

2. 驗證碼字符特征提取（SVM，CNN 等）

3. 驗證碼識別

下面我就帶大家一起來創(chuàng)建、編寫并發(fā)布上線一個驗證識別云函數(shù)

第一步：新建 python 云函數(shù)

參見系列文章《萬物皆可Serverless之使用 SCF+COS 快速開發(fā)全棧應(yīng)用》

第二步：編寫驗證識別云函數(shù)

Life is short, show me the code.

這里我就以一個最簡單的驗證碼識別程序為例，直接上代碼

import io
import os
import time
from PIL import Image as image
import json

#字符特征
chars = {
    '1': [1, 1, 1, 0, 1, ...],
    '2': [1, 0, 0, 1, 0, ...],
    '3': [0, 1, 0, 0, 1, ...],
    # 其他字符特征...
}


# 灰度處理
def covergrey(img):
    return img.convert('L')

# 去除驗證碼邊框
def clearedge(img):
    for y in range(img.size[1]):
        img.putpixel((0, y), 255)
        img.putpixel((1, y), 255)
        img.putpixel((2, y), 255)
        img.putpixel((img.size[0]-1, y), 255)
        img.putpixel((img.size[0]-2, y), 255)
        img.putpixel((img.size[0]-3, y), 255)
    for x in range(img.size[0]):
        img.putpixel((x, 0), 255)
        img.putpixel((x, 1), 255)
        img.putpixel((x, 2), 255)
        img.putpixel((x, img.size[1]-1), 255)
        img.putpixel((x, img.size[1]-2), 255)
        img.putpixel((x, img.size[1]-3), 255)
    return img

# 去除干擾線并轉(zhuǎn)換為黑白照片
def clearline(img):
    for y in range(img.size[1]):
        for x in range(img.size[0]):
            if int(img.getpixel((x, y))) >= 110:
                img.putpixel((x, y), 0xff)
            else:
                img.putpixel((x, y), 0x0)
    return img

# 去噪/pnum-去噪效率
def del_noise(im, pnum=3):
    w, h = im.size
    white = 255
    black = 0
    for i in range(0, w):
        im.putpixel((i, 0), white)
        im.putpixel((i, h - 1), white)
    for i in range(0, h):
        im.putpixel((0, i), white)
        im.putpixel((w - 1, i), white)
    for i in range(1, w - 1):
        for j in range(1, h - 1):
            val = im.getpixel((i, j))
            if val == black:
                cnt = 0
                for ii in range(-1, 2):
                    for jj in range(-1, 2):
                        if im.getpixel((i + ii, j + jj)) == black:
                            cnt += 1
                if cnt < pnum:
                    im.putpixel((i, j), white)
            else:
                cnt = 0
                for ii in range(-1, 2):
                    for jj in range(-1, 2):
                        if im.getpixel((i + ii, j + jj)) == black:
                            cnt += 1
                if cnt >= 7:
                    im.putpixel((i, j), black)
    return im

# 圖片數(shù)據(jù)二值化
def two_value(code_data):
    table = [serverless]
    for i in code_data:
        if i < 140:  # 二值化分界線140
            table.append(0)
        else:
            table.append(1)
    return table

# 圖片預(yù)處理
def pre_img(img):
    img = covergrey(img)  # 去色
    img = clearedge(img)  # 去邊
    img = clearline(img)  # 去線
    img = del_noise(img)  # 去噪
    return img

# 處理圖片數(shù)據(jù)
def data_img(img):
    code_data = [serverless]  # 驗證碼數(shù)據(jù)列表
    for i in range(4):  # 切割驗證碼
        x = 5 + i * 18  # 可用PS確定圖片切割位置
        code_data.append(img.crop((x, 9, x + 18, 33)).getdata())
        code_data[i] = two_value(code_data[i])  # 二值化數(shù)據(jù)
    return code_data

# 驗證碼識別
def identify(data):
    code = ['']*4  # 驗證碼字符列表
    diff_min = [432]*4  # 初始化最小距離--不符合的數(shù)據(jù)點個數(shù)（共120數(shù)據(jù)點）
    for char in chars:  # 遍歷驗證碼字符（每個字符比較一次4個驗證碼）
        diff = [0]*4  # 各驗證碼差距值(每個字符判斷前重置此距離)
        for i in range(4):  # 計算四個驗證碼
            for j in range(432):  # 逐個像素比較驗證碼特征
                if data[i][j] != chars[char][j]:
                    diff[i] += 1  # 距離+1
        for i in range(4):
            if diff[i] < diff_min[i]:  # 比已有距離還要小（更加符合）
                diff_min[i] = diff[i]  # 刷新最小距離
                code[i] = char  # 刷新最佳驗證碼
    return ''.join(code)  # 輸出結(jié)果


def predict(imgs):
    code = ''
    img = imgs.read()
    img = image.open(io.BytesIO(img))
    img = pre_img(img)  # 預(yù)處理圖片
    data = data_img(img)  # 獲取圖片數(shù)據(jù)
    code = identify(data)  # 識別驗證碼
    return code


def apiReply(reply, code=200):
    return {
        "isBase64Encoded": False,
        "statusCode": code,
        "headers": {'Content-Type': 'application/json', "Access-Control-Allow-Origin": "*"},
        "body": json.dumps(reply, ensure_ascii=False)
    }


def main_handler(event, context):
    main_start = time.time()
    flag = True if 'image' in event['queryString'] else False
    code = predict(event['queryString']['image']) if 'image' in event['queryString'] else '無效的請求'
    return apiReply({
        'ok': flag,
        'code': code,
        'spendTime': str(time.time()-main_start)
    })

老規(guī)矩，先捋一下整個云函數(shù)的流程。

def main_handler(event, context):
    main_start = time.time()
    flag = True if 'image' in event['queryString'] else False
    code = predict(event['queryString']['image']) if 'image' in event['queryString'] else '無效的請求'
    return apiReply({
        'ok': flag,
        'code': code,
        'spendTime': str(time.time()-main_start)
    })

首先，我們通過 event 事件拿到 api 請求的驗證碼 image 數(shù)據(jù)，然后判斷一下 image 參數(shù)是否存在，若不存在就返回請求無效的提示

def predict(imgs):
    code = ''
    img = imgs.read()
    img = image.open(io.BytesIO(img))
    img = pre_img(img)  # 預(yù)處理圖片
    data = data_img(img)  # 獲取圖片數(shù)據(jù)
    code = identify(data)  # 識別驗證碼
    return code

如果 image 請求參數(shù)存在就調(diào)用 predict 函數(shù)解析識別驗證碼，流程如下：

1. 讀取驗證碼圖像

2. 驗證碼圖像預(yù)處理

3. 識別處理后的驗證碼

# 圖片預(yù)處理
def pre_img(img):
    img = covergrey(img)  # 去色
    img = clearedge(img)  # 去邊
    img = clearline(img)  # 去線
    img = del_noise(img)  # 去噪
    return img

我們來看一下圖像預(yù)處理過程

1. 將驗證碼去色，轉(zhuǎn)為灰度圖

2. 去除驗證碼黑色邊框

3. 去除驗證碼干擾線

4. 去除驗證碼噪點

#字符特征
chars = {
    '1': [1, 1, 1, 0, 1, ...],
    '2': [1, 0, 0, 1, 0, ...],
    '3': [0, 1, 0, 0, 1, ...],
    # 其他字符特征...
}

# 驗證碼識別
def identify(data):
    code = ['']*4  # 驗證碼字符列表
    diff_min = [432]*4  # 初始化最小距離--不符合的數(shù)據(jù)點個數(shù)（共120數(shù)據(jù)點）
    for char in chars:  # 遍歷驗證碼字符（每個字符比較一次4個驗證碼）
        diff = [0]*4  # 各驗證碼差距值(每個字符判斷前重置此距離)
        for i in range(4):  # 計算四個驗證碼
            for j in range(432):  # 逐個像素比較驗證碼特征
                if data[i][j] != chars[char][j]:
                    diff[i] += 1  # 距離+1
        for i in range(4):
            if diff[i] < diff_min[i]:  # 比已有距離還要小（更加符合）
                diff_min[i] = diff[i]  # 刷新最小距離
                code[i] = char  # 刷新最佳驗證碼
    return ''.join(code)  # 輸出結(jié)果

PS：文章中的字符特征 chars 并不完整，你可能需要自行提取所有特征。

最后來看一下驗證碼的識別過程：這里我們直接簡單粗暴地取處理后圖像數(shù)據(jù)的所有像素點作為字符的特征（所謂大道至簡），然后將每個待識別字符處理后圖像的數(shù)據(jù)與所有字符的特征逐個比較，取最相似的那個字符作為識別結(jié)果。

嗯，沒什么問題的話，你就可以得到正確的識別結(jié)果了。

看完上述內(nèi)容，你們對Serverless中火絨使用云函數(shù)SCF快速部署驗證碼識別接口有進(jìn)一步的了解嗎？如果還想了解更多知識或者相關(guān)內(nèi)容，請關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝大家的支持。

文章標(biāo)題：Serverless中火絨使用云函數(shù)SCF快速部署驗證碼識別接口
網(wǎng)頁路徑：http://chinadenli.net/article30/ppchso.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供外貿(mào)建站、品牌網(wǎng)站建設(shè)、用戶體驗、ChatGPT、網(wǎng)站維護(hù)、品牌網(wǎng)站設(shè)計

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)