在編碼過程中,我認(rèn)為難度最大的部分是識別算法的學(xué)習(xí)和使用。
在寫文檔的時候,我認(rèn)為難度最大的部分是圖像處理部分,圖像處理部分需要對抗各種干擾因素,對抗不同類型的驗(yàn)證碼需要不同的算法支持,因此圖像處理程序需要對各種驗(yàn)證碼具體問題具體分析,不能抱有大而全的思想,務(wù)必注重細(xì)節(jié)處理。

0x01 學(xué)習(xí)與識別

驗(yàn)證碼識別的過程分為學(xué)習(xí)過程與識別過程

學(xué)習(xí)

識別

上圖代碼運(yùn)用的是SVM的識別過程

0x02 圖像處理

驗(yàn)證碼圖像處理腦圖

如上圖所示,驗(yàn)證碼圖像處理模塊是一個結(jié)構(gòu)規(guī)整、內(nèi)部分支復(fù)雜的模塊,整個驗(yàn)證碼識別準(zhǔn)確率全靠這個模塊,可謂是整個驗(yàn)證碼識別的根本。如上文所說,圖像處理模塊玩的是圖片內(nèi)的每一個像素百度百科:像素,因此這個模塊好上手。

上面這兩句便可以打開一個圖像對象,im對象內(nèi)置許多方法有興趣可以查看Image庫源碼或者參考Python Imaging Library Handbook 圖片增加對比度、銳化、調(diào)整亮度、二值化,這四塊是比較規(guī)整的模塊,處理調(diào)用庫函數(shù)即可。下面主要說說圖片降噪和清楚單像素干擾線。

圖片清除噪點(diǎn)

圖片降噪的原理是利用9宮格內(nèi)信息點(diǎn)(信息像素,一般經(jīng)過預(yù)處理的信息像素為黑色)。

上圖黑色部分為(x,y),單像素噪點(diǎn)處理時分別驗(yàn)證周圍的八個點(diǎn)是否為白色,如果為白色即可判斷(x,y)為噪點(diǎn)。同理雙像素噪點(diǎn)需要考慮兩個像素的排列是橫向還是縱向或者是斜向,之后判斷其周圍10個像素是否均為白色像素即可。同理三像素噪點(diǎn)也是這樣,我嘗試的情況三像素噪點(diǎn)不包括橫向排列和縱向排列。

圖片清除干擾線

對于單像素的干擾線目前可以解決,但是大寬度干擾線則會產(chǎn)生判斷上的誤差,目前不好解決。

上圖的干擾線為單像素,因此通過算法即可解決。

干擾線處理后的圖片如上圖所示。

圖片切割

對于去噪后的圖片,我們需要對圖片進(jìn)行切割,切割的目的是為了提取信息,方便把圖片中的數(shù)字轉(zhuǎn)化為01形式的文本。我所采用的切割方式是投影法.

如上圖所示,對于切割數(shù)字3,首先需要找到垂線A和B,判斷步驟是:縱向從左向右掃描圖片,找到第一條含有信息點(diǎn)的直線記為A,繼續(xù)向右掃描, 當(dāng)從A開始,找到第一條無信息點(diǎn)的直線記為B,從投影的角度來看,A與B之間X軸上的投影的信息值均大于0,切割A(yù)與B之間的圖像后,以新圖像為基礎(chǔ),找出C與D,至此便可切割出數(shù)字3。

圖片切割目前可以僅可對非粘連字符進(jìn)行切割,對于粘連字符,我的程序并沒能很好的處理。

信息輸出

當(dāng)獲取了切割好的圖片,由于圖片只有黑色與白色,因此遍歷每一個像素點(diǎn),根據(jù)像素點(diǎn)的顏色來進(jìn)行0,1輸出,一般認(rèn)為黑色像素輸出1,白色像素輸出0。

0x03 識別算法概述

字符識別算法整體流程很好理解,舉個例子,字符像素文本A進(jìn)入識別算法,通過對算法的結(jié)果進(jìn)行判斷,便可以完成識別過程。我實(shí)踐了兩種識別算法,第一種是KNN算法,第二種是SVM算法,下面我將以個人的角度來闡述下這兩種算法的原理以及適用場景,個人水平有限,算法細(xì)節(jié)可以參考我之后給出的鏈接。

KNN(K鄰近算法)

KNN算法是一種簡單的算法,KNN算法基本思想是把數(shù)據(jù)轉(zhuǎn)化為點(diǎn),通過計算兩點(diǎn)之間的距離來進(jìn)行判斷。在n維度下,兩點(diǎn)間距離可以表示為 S = math.sqrt((x1-y1)^2+(x2-y2)^2+.+(xn-yn)^2)。

SVM(支持向量機(jī))

SVM算法相比較KNN算法來說,原理上要復(fù)雜復(fù)雜的多,SVM算法基本思想是把數(shù)據(jù)轉(zhuǎn)化為點(diǎn),通過把點(diǎn)映射到n維空間上,通過n-1維的超平面切割,找到最佳切割超平面,通過判斷點(diǎn)在超平面的哪一邊,來判斷點(diǎn)屬于哪一類字符。

但是SVM算法的特點(diǎn)只能在兩類中間比較,因此把字符識別運(yùn)用到該算法上,還需要在比較過程中加以一個遍歷算法,遍歷算法可以減少大量無效計算,遍歷的場景是一個有向無環(huán)圖。

算法細(xì)節(jié)文檔鏈接

jerrylead 的blog : Machine Learning
支持向量機(jī)通俗導(dǎo)論(理解SVM的三層境界)

0x04 識別算法適用場景

KNN與SVM的適用場景存在一定區(qū)別。

KNN算法在運(yùn)行過程上來說,并不存在學(xué)習(xí)過程,只是遍歷已知分類進(jìn)行距離上的判斷,根據(jù)待測數(shù)據(jù)與已知分類進(jìn)行比較,找出與待測距離最近的n個數(shù)據(jù)來進(jìn)行匹配,因此當(dāng)已分類的樣本越來越多,KNN算法的運(yùn)算時間會越來越長。

SVM算法在運(yùn)行過程中,是存在學(xué)習(xí)的過程的,通過對已知分類標(biāo)簽進(jìn)行兩兩組合,找出每個組合的切割方程。待測數(shù)據(jù)只需要一個一個計算切割方程,根據(jù)切割方程的返回值來判斷下一個執(zhí)行的是哪個方程即可。0-9數(shù)字的判斷,只需要執(zhí)行9次方程計算即可。SVM多類分類方法

因此如果大規(guī)模識別驗(yàn)證碼,我建議適用SVM作為識別算法。

0x05 實(shí)踐細(xì)節(jié)注意事項(xiàng)

這部分內(nèi)容是我所遇到的問題。

規(guī)則化圖像

當(dāng)切割的驗(yàn)證碼以數(shù)字呈現(xiàn)在文本里,他們的像素是各不相同的,需要把這些標(biāo)準(zhǔn)化,我選擇標(biāo)準(zhǔn)化在27*30像素是一個經(jīng)驗(yàn)值。此外,還需要把新圖像放置在標(biāo)準(zhǔn)化像素的正中央。