【kimol君的无聊小发明】—用python识别滑块中的缺口
- 前言
- 一、缺口识别
-
- 1.读取图片
- 2.识别图片边缘
- 3.缺口匹配
- 二、完整代码
- 写在最后
前言
某个夜深人静的夜晚，夜微凉风微扬，月光照进我的书房~
当我打开文件夹以回顾往事之余，惊现许多看似杂乱的无聊代码。我拍腿正坐，一个想法油然而生：“生活已然很无聊，不如再无聊些叭”。
于是，我决定开一个专题，便称之为kimol君的无聊小发明。
妙…啊~~~
验证码往往是爬虫路上的一只拦路虎，而其花样也是层出不穷：图片验证、滑块验证、交互式验证、行为验证等。随着OCR技术的成熟，图片验证已经渐渐淡出主流，而滑块验证越来越多地出现在大众视野。
“这么厉害，这小子长啥样呢？”没错，它就长这损sai:
解决它的方法也很直观，首先找到缺口的位置（通常只需要X轴的位置），然后拖动滑块即可。
今天kimol君将带领大家用python识别出滑块验证中的缺口位置。
一、缺口识别
识别图片中的缺口，主要是利用python中的图像处理库cv2，其安装方法如下：
pip install opencv-python
注：这里并不是“pip install cv2”哦~
1.读取图片
滑块验证的图片分为两部分，一个是背景图片：
另一个是缺口图片：
利用imread函数将其读取：
# 读取背景图片和缺口图片
bg_img = cv2.imread('bg.jpg') # 背景图片
tp_img = cv2.imread('tp.png') # 缺口图片
2.识别图片边缘
为了更好地将缺口与背景匹配，我们首先得识别出图片的边缘：
# 识别图片边缘
bg_edge = cv2.Canny(bg_img, 100, 200)
tp_edge = cv2.Canny(tp_img, 100, 200)
这一步很关键！否则缺口匹配将不准确。
这里得到了图片边缘的灰度图，进一步将其图片格式转为RGB格式：
# 转换图片格式
bg_pic = cv2.cvtColor(bg_edge, cv2.COLOR_GRAY2RGB)
tp_pic = cv2.cvtColor(tp_edge, cv2.COLOR_GRAY2RGB)
转换后的背景图为：
转换后的缺口图为：
3.缺口匹配
利用cv2中的matchTemplate函数，可以在背景图片中搜索对应的缺口，具体代码如下：
# 缺口匹配
res = cv2.matchTemplate(bg_pic, tp_pic, cv2.TM_CCOEFF_NORMED)
res为每个位置的匹配结果，代表了匹配的概率，选出其中概率最高的点，即为缺口匹配的位置：
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res) # 寻找最优匹配
min_val，max_val，min_loc，max_loc分别为匹配的最小值、匹配的最大值、最小值的位置、最大值的位置。
ps.当然，这里完全可以自己写一个循环来实现，但是有现成的函数为什么不用呢？
至此，我们已经有了缺口的位置，其X轴坐标为：
X = max_loc[0]
为了更直观地展示缺口的位置，我们将缺口用矩形框标注出来：
# 绘制方框
th, tw = tp_pic.shape[:2]
tl = max_loc # 左上角点的坐标
br = (tl[0]+tw,tl[1]+th) # 右下角点的坐标
cv2.rectangle(bg_img, tl, br, (0, 0, 255), 2) # 绘制矩形
cv2.imwrite('out.jpg', bg_img) # 保存在本地
结果如下：
完美~ 收工！！！
二、完整代码
为了在实际应用中更方便的使用，我们将代码封装为一个函数：
def identify_gap(bg,tp,out):
''' bg: 背景图片 tp: 缺口图片 out:输出图片 '''
# 读取背景图片和缺口图片
bg_img = cv2.imread(bg) # 背景图片
tp_img = cv2.imread(tp) # 缺口图片
# 识别图片边缘
bg_edge = cv2.Canny(bg_img, 100, 200)
tp_edge = cv2.Canny(tp_img, 100, 200)
# 转换图片格式
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) # 寻找最优匹配
# 绘制方框
th, tw = tp_pic.shape[:2]
tl = max_loc # 左上角点的坐标
br = (tl[0]+tw,tl[1]+th) # 右下角点的坐标
cv2.rectangle(bg_img, tl, br, (0, 0, 255), 2) # 绘制矩形
cv2.imwrite(out, bg_img) # 保存在本地
# 返回缺口的X坐标
return tl[0]
这里选择了读取本地图片文件，在爬虫过程中其实不是特别方便。如果有感兴趣的小伙伴，可以自己改动一下，将输入改为图片流即可。
写在最后
最后，感谢各位大大的耐心阅读，咋们下次再会~
创作不易，大侠请留步… 动起可爱的双手，来个赞再走呗 (๑◕ܫ￩๑)
