python3 使用OpenCV計(jì)算滑塊拼圖驗(yàn)證碼缺口位置(場(chǎng)景示例)
滑塊拼圖驗(yàn)證碼的失敗難度在于每次圖片上缺口位置不一樣，需識(shí)別圖片上拼圖的缺口位置，使用python的OpenCV庫(kù)來(lái)識(shí)別到
環(huán)境準(zhǔn)備
pip 安裝 opencv-python
pip installl opencv-python
OpenCV（Open Source Computer Vision Library）是一個(gè)開源的計(jì)算機(jī)視覺(jué)庫(kù)，提供了很多處理圖片、視頻的方法。
OpenCV庫(kù)提供了一個(gè)方法（matchTemplate()）：從一張較大的圖片中搜索一張較小圖片，計(jì)算出這張大圖上各個(gè)區(qū)域和小圖相似度。
調(diào)用這個(gè)方法后返回一個(gè)二維數(shù)組（numpy庫(kù)中ndarray對(duì)象），從中就能拿到最佳匹配區(qū)域的坐標(biāo)。
這種使用場(chǎng)景就是滑塊驗(yàn)證碼上背景圖片是大圖，滑塊是小圖。
準(zhǔn)備2張圖片
場(chǎng)景示例
先摳出2張圖片，分別為background.png 和 target.png
計(jì)算缺口位置
import cv2
# 作者-上海悠悠 QQ交流群:717225969
# blog地址 https://www.cnblogs.com/yoyoketang/
def show(name):
'''展示圈出來(lái)的位置'''
cv2.imshow('Show', name)
cv2.waitKey(0)
cv2.destroyAllWindows()
def _tran_canny(image):
"""消除噪聲"""
image = cv2.GaussianBlur(image, (3, 3), 0)
return cv2.Canny(image, 50, 150)
def detect_displacement(img_slider_path, image_background_path):
"""detect displacement"""
# # 參數(shù)0是灰度模式
image = cv2.imread(img_slider_path, 0)
template = cv2.imread(image_background_path, 0)
# 尋找最佳匹配
res = cv2.matchTemplate(_tran_canny(image), _tran_canny(template), cv2.TM_CCOEFF_NORMED)
# 最小值，最大值，并得到最小值, 最大值的索引
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
top_left = max_loc[0] # 橫坐標(biāo)
# 展示圈出來(lái)的區(qū)域
x, y = max_loc # 獲取x,y位置坐標(biāo)
w, h = image.shape[::-1] # 寬高
cv2.rectangle(template, (x, y), (x + w, y + h), (7, 249, 151), 2)
show(template)
return top_left
if __name__ == '__main__':
top_left = detect_displacement("target.png", "background.png")
print(top_left)
運(yùn)行效果看到黑色圈出來(lái)的地方就說(shuō)明找到了缺口位置
調(diào)試完成后去掉 show 的這部分代碼
# 展示圈出來(lái)的區(qū)域 # x, y = max_loc # 獲取x,y位置坐標(biāo) # w, h = image.shape[::-1] # 寬高 # cv2.rectangle(template, (x, y), (x + w, y + h), (7, 249, 151), 2) # show(template)
缺口的位置只需得到橫坐標(biāo)，距離左側(cè)的位置top_left為184
參考博客：
https://zhuanlan.zhihu.com/p/65309386
https://blog.csdn.net/weixin_42081389/article/details/87935735
https://blog.csdn.net/qq_30815237/article/details/86812716
ps:python opencv破解滑動(dòng)驗(yàn)證碼之獲取缺口位置的示例代碼
破解滑塊驗(yàn)證碼的思路主要有2種：
- 一張完整的背景圖和一張有缺口的圖片的場(chǎng)景，解決思路：兩張圖片同一個(gè)坐標(biāo)位置進(jìn)行像素上的一一對(duì)比，找出不一樣的坐標(biāo)。
- 一張有缺口的圖片和需要驗(yàn)證的小圖，解決思路：1.兩張圖片進(jìn)行二極化以及歸一化，確定小圖在圖片中間的坐標(biāo)。這種辦法我沒(méi)有驗(yàn)證通過(guò)，可以參考這里。2.通過(guò)opencv獲得缺口位置
- 之后就要使用初中物理知識(shí)了，使用先加速后減速模仿人手動(dòng)拖動(dòng)
- 通過(guò)opencv獲得圖片的缺口位置
#coding=utf-8
import cv2
import numpy as np
from PIL import Image
def get_element_slide_distance():
otemp = 'captcha2.png'
oblk = 'captcha1.png'
target = cv2.imread(otemp, 0) # 讀取進(jìn)行色度圖片，轉(zhuǎn)換為numpy中的數(shù)組類型數(shù)據(jù)
template = cv2.imread(oblk, 0)
width, height = target.shape[::-1] # 獲取缺口圖數(shù)組的形狀 -->缺口圖的寬和高
temp = 'temp.jpg' # 將處理之后的圖片另存
targ = 'targ.jpg'
cv2.imwrite(temp, template)
cv2.imwrite(targ, target)
target = cv2.imread(targ) # 讀取另存的滑塊圖
target = cv2.cvtColor(target, cv2.COLOR_BGR2GRAY) # 進(jìn)行色彩轉(zhuǎn)換
# 去除白色部分 獲取滑塊正常大小
target = target[target.any(1)]
target = abs(255 - target) # 獲取色差的絕對(duì)值
cv2.imwrite(targ, target) # 保存圖片
target = cv2.imread(targ) # 讀取滑塊
template = cv2.imread(temp) # 讀取背景圖
result = cv2.matchTemplate(target, template, cv2.TM_CCOEFF_NORMED) # 比較兩張圖的重疊區(qū)域
top, left = np.unravel_index(result.argmax(), result.shape) # 獲取圖片的缺口位置
#缺口位置
print((left, top, left + width, top + height)) # 背景圖中的圖片缺口坐標(biāo)位置
#調(diào)用PIL Image 做測(cè)試
image = Image.open("captcha1.png")
rectangle = (left + 3, top + 3, left + width - 3, top + height - 3) #去掉白色塊的影響(上面去掉白色部分的功能并沒(méi)有真的起作用)
#切割
imagecrop = image.crop(rectangle)
#保存切割的缺口
imagecrop.save("new_image.jpg")
return left+3
distance = get_element_slide_distance()
# 滑動(dòng)距離誤差校正，滑動(dòng)距離*圖片在網(wǎng)頁(yè)上顯示的縮放比-滑塊相對(duì)的初始位置
distance = distance*(280/680) - 22
拖動(dòng)軌跡
def generate_tracks1(XCoordinates):
element = browser.find_element_by_xpath("http://div[@class='secsdk-captcha-drag-icon sc-jKJlTe fsBatO']")
ActionChains(browser).click_and_hold(on_element = element).perform()
#
# ActionChains(browser).move_by_offset(xoffset=0, yoffset=y - 445).perform()
#
# time.sleep(0.15)
# print("第二步，拖動(dòng)元素")
distance = XCoordinates - 60
# 初速度
v = 0
# 單位時(shí)間為0.2s來(lái)統(tǒng)計(jì)軌跡，軌跡即0.2內(nèi)的位移,越低看起來(lái)越絲滑??！
t = 0.08
# 位移/軌跡列表，列表內(nèi)的一個(gè)元素代表0.2s的位移
tracks = []
# 當(dāng)前的位移
current = 0
# 到達(dá)mid值開始減速
mid = distance * 5 / 8
distance += 10 # 先滑過(guò)一點(diǎn)，最后再反著滑動(dòng)回來(lái)
# a = random.randint(1,3)
while current < distance:
if current < mid:
# 加速度越小，單位時(shí)間的位移越小,模擬的軌跡就越多越詳細(xì)
a = random.randint(100, 200) # 加速運(yùn)動(dòng)
else:
a = -random.randint(2, 10) # 減速運(yùn)動(dòng)
# 初速度
v0 = v
# 0.2秒時(shí)間內(nèi)的位移
s = v0 * t + 0.5 * a * (t ** 2)
# 當(dāng)前的位置
current += s
# 添加到軌跡列表
tracks.append(round(s))
# 速度已經(jīng)達(dá)到v,該速度作為下次的初速度
v = v0 + a * t
if current > distance:
break
# 反著滑動(dòng)到大概準(zhǔn)確位置
# for i in range(4):
# tracks.append(-random.randint(1, 3))
# for i in range(4):
# tracks.append(-random.randint(1,3))
random.shuffle(tracks)
count = 0
for item in tracks:
print(item)
count += item
ActionChains(browser).move_by_offset(xoffset = item, yoffset = random.randint(-2, 2)).perform()
# ActionChains(browser).move_to_element_with_offset(to_element=element, xoffset=XCoordinates-18,yoffset=y - 445).perform()
# time.sleep(2)
# # 釋放鼠標(biāo)
print(count)
ActionChains(browser).release(on_element = element).perform()
到此這篇關(guān)于python3 使用OpenCV計(jì)算滑塊拼圖驗(yàn)證碼缺口位置的文章就介紹到這了,更多相關(guān)python滑塊拼圖驗(yàn)證碼內(nèi)容請(qǐng)搜索本站以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持本站！
版權(quán)聲明：本站文章來(lái)源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請(qǐng)保持原文完整并注明來(lái)源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非maisonbaluchon.cn所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來(lái)源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來(lái)，僅供學(xué)習(xí)參考，不代表本站立場(chǎng)，如有內(nèi)容涉嫌侵權(quán)，請(qǐng)聯(lián)系alex-e#qq.com處理。
關(guān)注官方微信