在自动化测试、数据爬取等场景中，验证码（CAPTCHA）经常用于防止机器人操作。但在某些合法场景下，如自动化测试，我们需要识别验证码。本篇文章介绍如何使用 Python + Tesseract OCR 解析验证码，并优化识别准确度。

1. 环境准备
1.1 安装 Tesseract OCR
Windows 用户
从 Tesseract OCR GitHub 下载并安装。
记下安装路径（例如 C:\Program Files\Tesseract-OCR\）。
将其添加到 环境变量 PATH。
Linux/macOS 用户
bash

# Ubuntu
sudo apt update && sudo apt install tesseract-ocr  

# macOS（使用 Homebrew）
brew install tesseract
安装完成后，检查是否成功：

bash

tesseract --version
1.2 安装 Python 依赖
我们需要安装 pytesseract（Tesseract OCR 的 Python 封装库）以及 Pillow（Python 图像处理库）。

bash

pip install pytesseract pillow opencv-python numpy
2. 代码实现：识别验证码
下面是一个 Python 示例，展示如何加载验证码图像、进行预处理，并使用 Tesseract OCR 解析验证码。

2.1 代码示例
python

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

# 指定 Tesseract 安装路径（Windows 用户需要配置）
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

def preprocess_image(image_path):
    """ 预处理验证码，提高 OCR 识别率 """
    # 读取图像
    image = cv2.imread(image_path)

    # 转换为灰度图像
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # 二值化处理（阈值设定）
    _, binary = cv2.threshold(gray, 128, 255, cv2.THRESH_BINARY)

    # 去噪（可选）
    denoised = cv2.medianBlur(binary, 3)

    # 保存处理后的图片（可选）
    cv2.imwrite("processed_captcha.png", denoised)

    return denoised

def recognize_captcha(image):
    """ 识别验证码 """
    # 配置 OCR 选项
    custom_config = r'--oem 3 --psm 6 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ'

    # 使用 Tesseract 识别
    text = pytesseract.image_to_string(image, config=custom_config).strip()
    return text

if __name__ == "__main__":
    image_path = "captcha.png"  # 替换为你的验证码图片路径
    processed_image = preprocess_image(image_path)
    result = recognize_captcha(processed_image)
    print(f"识别出的验证码: {result}")
3. 代码解析
3.1 图像预处理
为了提高 OCR 识别率，代码对图像进行了以下优化：

灰度化：去除颜色干扰，保留亮度信息。
二值化：转换为黑白图像，提高字符对比度。
去噪处理（可选）：使用 中值滤波 去除背景噪点。
python

_, binary = cv2.threshold(gray, 128, 255, cv2.THRESH_BINARY)
denoised = cv2.medianBlur(binary, 3)
3.2 OCR 解析
使用 Tesseract 解析验证码文本，并通过 -c 参数设定 只识别数字和大写字母，避免误识别。

python

custom_config = r'--oem 3 --psm 6 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ'
text = pytesseract.image_to_string(image, config=custom_config).strip()
4. 运行程序
确保 captcha.png 存在于代码目录中，然后执行：

bash

python captcha_reader.py
程序会加载验证码图像，进行预处理并输出识别出的文本。

5. 提高 OCR 识别准确率
5.1 选择合适的 PSM 模式
Tesseract 提供多种 页面分割模式（PSM），验证码通常使用 PSM 6 或 7：

python

custom_config = r'--psm 6'
常见 PSM 模式：

模式编号    适用场景
3    默认模式
6    适用于单行文本（推荐）
7    纯文本，无特殊布局
8    单个字符（适用于分割验证码）
5.2 进一步图像优化
去除噪点：可以使用 形态学处理 进一步去除干扰像素。
字符分割：对于粘连字符，可使用 轮廓检测 + 投影分割。
5.3 采用深度学习 OCR
如果 Tesseract 识别率不高，可使用 深度学习 OCR，如：

EasyOCR（Python）
PaddleOCR（Python）
Google Vision API（云端 OCR）
例如，使用 EasyOCR：

python
更多内容访问ttocr.com或联系1436423940
import easyocr

reader = easyocr.Reader(['en'])
result = reader.readtext('captcha.png')
print(result)