复杂图像（验证码）OCR识别失败求助及技术学习需求

一、目标验证码识别结果 #

目标验证码的文字为：7241

二、原代码问题分析 #

• 阈值设置过于严苛：35的阈值会丢失部分文字细节，导致字符断裂
• 形态学操作的kernel尺寸不合理：(6,3)的开运算过度侵蚀文字，破坏字符结构
• 未针对性处理干扰：原验证码存在背景噪点和干扰线，预处理环节未覆盖这类干扰的清除

三、改进后的图像预处理与识别代码 #

import pytesseract
from PIL import Image, ImageFilter
import numpy as np
import cv2

pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

# 读取图像并转灰度
image_path = 'captcha.jpg'
img = Image.open(image_path).convert('L')

# 1. 中值滤波去除背景噪点
img_filtered = img.filter(ImageFilter.MedianFilter(size=3))

# 2. 自适应阈值处理，适配复杂背景
img_array = np.array(img_filtered)
img_thresholded = cv2.adaptiveThreshold(
    img_array, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2
)

# 3. 闭运算去除垂直干扰线
kernel = np.ones((1, 3), np.uint8)
img_morph = cv2.morphologyEx(img_thresholded, cv2.MORPH_CLOSE, kernel)

# 4. 限定识别范围并调整页面分割模式
text = pytesseract.image_to_string(img_morph, config='--psm 8 -c tessedit_char_whitelist=0123456789')
print(f"识别结果：{text.strip()}")

# 展示处理后的图像
Image.fromarray(img_morph).show()

四、复杂验证码识别学习路径 #

• 图像预处理核心：掌握全局/自适应阈值、开/闭运算、各类滤波（高斯、中值）的适用场景，根据验证码的干扰类型（噪点、干扰线、字符扭曲）选择对应处理方法
• OCR参数优化：熟悉Tesseract的--psm页面分割模式，短文本验证码常用psm 7（单行）、psm 8（单字符块）；通过tessedit_char_whitelist限定识别字符范围，大幅提升准确率
• 机器学习进阶：针对传统方法无法处理的扭曲、粘连类验证码，学习搭建CNN卷积神经网络，通过验证码数据集训练专属识别模型

内容的提问来源于stack exchange，提问作者srygusse