### 生成并处理包含加减乘除计算逻辑的图像验证码 为了实现这一目标，可以按照以下方法构建完整的流程： #### 验证码生成部分 通过 Python 的 `Pillow` 库来创建带有算术表达式的图像验证码。以下是具体代码示例[^1]。 ```python from PIL import Image, ImageDraw, ImageFont import random def generate_arithmetic_captcha(): operators = ['+', '-', '*', '/'] num1 = random.randint(1, 10) num2 = random.randint(1, 10) operator = random.choice(operators) expression = f"{num1} {operator} {num2}" # 计算结果 result = eval(expression.replace('/', '//')) # 使用整数除法防止浮点数 width, height = 150, 50 image = Image.new('RGB', (width, height), color=(random.randint(0, 255), random.randint(0, 255), random.randint(0, 255))) draw = ImageDraw.Draw(image) font = ImageFont.truetype("arial.ttf", size=30) # 字体文件需自行准备 text_width, text_height = draw.textsize(expression, font=font) position = ((width - text_width) / 2, (height - text_height) / 2) draw.text(position, expression, fill='black', font=font) return image, str(result) image, answer = generate_arithmetic_captcha() image.save("captcha.png") # 存储为文件以便后续使用 print(f"Captcha Answer: {answer}") ``` 上述代码实现了随机生成两个数字以及一个运算符，并将其绘制到一张图片上。最终返回该图片对象及其对应的正确答案字符串形式。 --- #### 数据预处理与分割 对于已有的大量验证码图片库，可以通过 OpenCV 或 Pillow 对其进行灰度化、二值化等基础操作后再切割成单字符或符号区域[^2]。下面是一个简单的例子展示如何完成这些步骤: ```python import cv2 import numpy as np def preprocess_image(image_path): img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) _, binary_img = cv2.threshold(img, 128, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) contours, _ = cv2.findContours(binary_img.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) chars = [] for contour in sorted(contours, key=lambda c: cv2.boundingRect(c)[0]): x,y,w,h = cv2.boundingRect(contour) char_img = binary_img[y:y+h,x:x+w] chars.append(char_img) return chars chars = preprocess_image("captcha.png") for i,char in enumerate(chars): cv2.imwrite(f"char_{i}.png", char) ``` 此函数读取指定路径下的黑白图档，执行阈值转换使其成为只有黑白色调的新影像；接着找出所有外部轮廓并将它们依据水平位置排序后逐一裁剪出来保存至单独档案里供下一步骤利用。 --- #### 模型训练阶段 采用机器学习框架 TensorFlow/Keras 构建卷积神经网络(CNN)，用于分类不同类型的字符/符号。这里提供了一个简化版架构说明: ```python from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense model = Sequential([ Conv2D(filters=32, kernel_size=(3,3), activation="relu", input_shape=(28,28,1)), MaxPooling2D(pool_size=(2,2)), Conv2D(filters=64, kernel_size=(3,3), activation="relu"), MaxPooling2D(pool_size=(2,2)), Flatten(), Dense(units=128, activation="relu"), Dense(units=len(unique_characters)+len(operators), activation="softmax") ]) model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"]) model.fit(X_train, y_train, epochs=10, validation_data=(X_test, y_test)) ``` 此处定义了一款典型的 CNN 结构，包含了两层卷积池化组合加上全连接层来做最后预测工作。注意这里的类别数量应该等于实际存在的唯一字符数目再加上四种基本数学运算符的数量总和。 --- #### 实际应用场合——自动化登录场景下解决动态验证码问题 当面对某些网站或者 API 接口要求输入图形验证码才能继续访问资源的时候，如果单纯依靠人为干预显然效率低下且难以规模化部署。因此借助 OCR 技术配合之前提到过的模型就可以自动解析网页上的验证码内容进而提交表单达成目的[^3]。 例如，在 Selenium 浏览器驱动程序控制浏览器加载页面之后定位到验证码显示框截图下来传给我们的识别服务端获得解密后的文本串再填入相应字段即可顺利完成整个过程无需任何手动参与其中任何一个环节都可高度定制满足特定业务需求。 ---