Python验证码识别需先图像预处理再OCR，关键在去噪、二值化、校正等步骤；简单验证码用Tesseract即可，复杂场景推荐EasyOCR或自训练CRNN模型。
Python验证码识别的核心在于图像预处理 + OCR识别，不是直接扔给OCR就能搞定，关键在把干扰多、变形大的验证码图片“洗干净”再喂给识别模型。
一、常见验证码类型决定处理策略
数字字母混合（无干扰）→ 简单二值化 + Tesseract即可；带噪点/线段/背景色块的 → 需去噪+降噪+轮廓提取；有扭曲/粘连/旋转的 → 要做倾斜校正+字符切分；极简或超复杂（如滑动拼图、语义验证）→ 不适合纯OCR，得换思路（模型训练或API）。
二、图像预处理是成败关键
原始图往往太“脏”，直接OCR准确率可能低于20%。常用操作按顺序建议：
- 转灰度图（cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)）
- 高斯模糊降噪（cv2.GaussianBlur，核大小视噪点大小定）
- 自适应阈值二值化（cv2.adaptiveThreshold，比固定阈值更稳）
- 开运算去孤立噪点（cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)）
- 可选：投影法或连通域分析切分单个字符（尤其对横向排列较规整的验证码）
三、OCR识别推荐组合方案
轻量级项目优先用 Tesseract + Python封装（pytesseract），安装后加中文字库支持即可识别多数简单验证码：
立即学习“Python免费学习笔记（深入）”；
pip install pytesseract opencv-python
调用示例：
text = pytesseract.image_to_string(img, lang='eng', config='--psm 8 --oem 3')
其中 psm 8 表示“单行文本”，oem 3 是默认OCR引擎，对短验证码更准。
若Tesseract效果差，可试 EasyOCR（支持多语言、自带去噪，对扭曲/低对比度图更鲁棒）：
pip install easyocr
reader = easyocr.Reader(['en'])
result = reader.readtext(img, detail=0)
四、进阶：自训练模型应对复杂验证码
当验证码有固定样式（比如某网站长期用同一字体+固定扭曲逻辑），手工标注300+张图，用CRNN或CNN+CTC训练专用识别模型，准确率可超95%。工具链推荐：
• 数据生成：用Python+PIL批量合成带噪声/扭曲的样本
• 训练框架：PyTorch + torchocr 或 PaddleOCR 的自定义训练模块
• 注意：别跳过数据增强（旋转、仿射、颜色抖动），这是泛化能力的关键
