验证码识别入门

基础概念

  • 灰度

使用黑色调表示物体，不同的饱和度的黑色来显示图像，灰度值范围为0～255。

  • 图像灰度化

图像灰度化就是让像素点矩阵中的每个像素点满足关系： R=G=B

  • 图像二值化

将图像上的像素点的灰度值设置为0 || 255

常见图像二值化(Binarisation)方法

  • 全局阈值法

手动选定灰度值（阀值）将图像中低于某个阈值的像素设置为黑色，而其他的设置为白色。

缺点：直接阈值化操作是一种一刀切的方式，对于亮度分布差异较大的图像，常常无法找到一个合适的阈值。

  • 自适应阈值

根据自适应阈值算法选择灰度值（阀值）,阀值根据算法改变而改变

1）局部邻域块的平均值；ADAPTIVE_THRESHOLD_MEAN_C

2）局部邻域块的高斯加权和：ADAPTIVE_THRESHOLD_GAUSSIAN_C

3）根据双峰法、P 参数法、迭代法、OTSU 等算法计算阀值

  • 根据图像色系范围

根据图像色系排序，将排序好的前几个色系最为阀值

降噪(Noise Removal)、去除干扰线

  • 中值滤波

    用像素点邻域灰度值的中值来代替该像素点的灰度值，让周围的像素值接近真实的值从而消除孤立的噪声点

  • 高斯滤波

    高斯滤波是一种线性平滑滤波，适用于消除高斯噪声。
    高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。
    高斯曲线越平滑。去噪能力越强，图像越模糊

  • 有效连接点

    根据噪点周围的 4 个正向点、 据噪点周围的 8 个点的数目去除噪点

Tesseract

Tesseract（OCR）Optical character recognition 光学字符识别引擎（指对文本资料进行扫描，然后对图像文件进行分析处理，获取文字和版面信息的过程），
是 Google 发布的一款 OCR 开源库，它支持多个变成语言环境，以及运行环境。

tesseract --list-langs

jTessEditorBox

  1. 准备训练文本

    meger tiff

  2. 生成 box 文档

    tesseract -l yy -psm 7 code.yy.tif code.yy batch.nochop makebox

  3. 较正 box 文档

  4. 生成 unicharset 文档

    tesseract code.yy.tif code.yy nobatch box.train unicharset_extractor code.yy.box

  5. 生成字典数据

    1
    2
    3
    4
    vi font_properties
    yy  0 0 0 0 0
    mftraining -F font_properties  -U unicharset code.yy.tr
    cntraining code.yy.tr

  6. 合并数据文档

    1
    2
    3
    4
    5
    6
    rename normproto yy.normproto
    rename inttemp yy.inttemp
    rename pffmtable yy.pffmtable
    rename shapetable  yy.shapetable
    rename unicharset yy.unicharset
    combine_tessdata yy.

参考资料

Traing的介绍

Training Tesseract

如何提高tesseract识别度

Testdata

tesseract+JTessBoxEditor训练

JTessBoxEditor