驗(yàn)證碼往往是爬蟲路上的一只攔路虎，而其花樣也是層出不窮：圖片驗(yàn)證、滑塊驗(yàn)證、交互式驗(yàn)證、行為驗(yàn)證等。隨著OCR技術(shù)的成熟，圖片驗(yàn)證已經(jīng)漸漸淡出主流，而滑塊驗(yàn)證越來越多地出現(xiàn)在大眾視野?！斑@么厲害，這小子長(zhǎng)啥樣呢？”沒錯(cuò)，它就長(zhǎng)這損sai:

解決它的方法也很直觀，首先找到缺口的位置（通常只需要X軸的位置），然后拖動(dòng)滑塊即可。今天kimol君將帶領(lǐng)大家用python識(shí)別出滑塊驗(yàn)證中的缺口位置。

識(shí)別圖片中的缺口，主要是利用python中的圖像處理庫cv2，其安裝方法如下：

pip install opencv-python

注：這里并不是“pip install cv2”哦~

滑塊驗(yàn)證的圖片分為兩部分，一個(gè)是背景圖片：

另一個(gè)是缺口圖片：

利用imread函數(shù)將其讀?。?/p>

# 讀取背景圖片和缺口圖片bg_img = cv2.imread(’bg.jpg’) # 背景圖片tp_img = cv2.imread(’tp.png’) # 缺口圖片2.識(shí)別圖片邊緣

為了更好地將缺口與背景匹配，我們首先得識(shí)別出圖片的邊緣：

# 識(shí)別圖片邊緣bg_edge = cv2.Canny(bg_img, 100, 200)tp_edge = cv2.Canny(tp_img, 100, 200)

這一步很關(guān)鍵！否則缺口匹配將不準(zhǔn)確。

這里得到了圖片邊緣的灰度圖，進(jìn)一步將其圖片格式轉(zhuǎn)為RGB格式：

# 轉(zhuǎn)換圖片格式bg_pic = cv2.cvtColor(bg_edge, cv2.COLOR_GRAY2RGB)tp_pic = cv2.cvtColor(tp_edge, cv2.COLOR_GRAY2RGB)

轉(zhuǎn)換后的背景圖為：

轉(zhuǎn)換后的缺口圖為：

利用cv2中的matchTemplate函數(shù)，可以在背景圖片中搜索對(duì)應(yīng)的缺口，具體代碼如下：

# 缺口匹配res = cv2.matchTemplate(bg_pic, tp_pic, cv2.TM_CCOEFF_NORMED)

res為每個(gè)位置的匹配結(jié)果，代表了匹配的概率，選出其中概率最高的點(diǎn)，即為缺口匹配的位置：

min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) # 尋找最優(yōu)匹配

min_val，max_val，min_loc，max_loc分別為匹配的最小值、匹配的最大值、最小值的位置、最大值的位置。ps.當(dāng)然，這里完全可以自己寫一個(gè)循環(huán)來實(shí)現(xiàn)，但是有現(xiàn)成的函數(shù)為什么不用呢？

至此，我們已經(jīng)有了缺口的位置，其X軸坐標(biāo)為：

X = max_loc[0]

為了更直觀地展示缺口的位置，我們將缺口用矩形框標(biāo)注出來：

# 繪制方框th, tw = tp_pic.shape[:2] tl = max_loc # 左上角點(diǎn)的坐標(biāo)br = (tl[0]+tw,tl[1]+th) # 右下角點(diǎn)的坐標(biāo)cv2.rectangle(bg_img, tl, br, (0, 0, 255), 2) # 繪制矩形cv2.imwrite(’out.jpg’, bg_img) # 保存在本地

結(jié)果如下：

完美~ 收工?。。?/p>二、完整代碼

為了在實(shí)際應(yīng)用中更方便的使用，我們將代碼封裝為一個(gè)函數(shù)：

def identify_gap(bg,tp,out): ’’’ bg: 背景圖片 tp: 缺口圖片 out:輸出圖片 ’’’ # 讀取背景圖片和缺口圖片 bg_img = cv2.imread(bg) # 背景圖片 tp_img = cv2.imread(tp) # 缺口圖片 # 識(shí)別圖片邊緣 bg_edge = cv2.Canny(bg_img, 100, 200) tp_edge = cv2.Canny(tp_img, 100, 200) # 轉(zhuǎn)換圖片格式 bg_pic = cv2.cvtColor(bg_edge, cv2.COLOR_GRAY2RGB) tp_pic = cv2.cvtColor(tp_edge, cv2.COLOR_GRAY2RGB) # 缺口匹配 res = cv2.matchTemplate(bg_pic, tp_pic, cv2.TM_CCOEFF_NORMED) min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) # 尋找最優(yōu)匹配 # 繪制方框 th, tw = tp_pic.shape[:2] tl = max_loc # 左上角點(diǎn)的坐標(biāo) br = (tl[0]+tw,tl[1]+th) # 右下角點(diǎn)的坐標(biāo) cv2.rectangle(bg_img, tl, br, (0, 0, 255), 2) # 繪制矩形 cv2.imwrite(out, bg_img) # 保存在本地 # 返回缺口的X坐標(biāo) return tl[0]

這里選擇了讀取本地圖片文件，在爬蟲過程中其實(shí)不是特別方便。如果有感興趣的小伙伴，可以自己改動(dòng)一下，將輸入改為圖片流即可。

以上就是如何用python識(shí)別滑塊中的缺口的詳細(xì)內(nèi)容，更多關(guān)于python識(shí)別滑塊中的缺口的資料請(qǐng)關(guān)注好吧啦網(wǎng)其它相關(guān)文章！