OpenCV 数字验证码识别

更新后代码下载链接在此！

！！

点我下载

本文针对OpenCv入门人士。由于我也不是专门做图像的，仅仅是为了完毕一次模式识别的小作业。

主要完毕的功能就是自己主动识别图片中的数字。图片包含正常图片，有划痕图像和有噪点图像。

分别例如以下

先上图。看识别效果！

接下来開始来点干货了：

opencv的安装与配置：这个要是展开讲能够再写一篇博文了，我当时什么都不会配个opencv麻烦死了，最后參考网上studio2012的配置方法成功了，在此略过。看到这里你的opencv还不能用的话，赶紧别往下看了，先把opencv配好再来吧！

opencv基本图片操作：

由于opencv有2.0 和 3.0 的版本号差别，所以网上搜到的函数或类型都是两种格式，建议用新版的，什么impImage* 类型的都是2.0版本号的写法。我所有使用的是Mat。一定要统一好，不要一会新的一会旧的，会报错的。

读图片imread，显示imshow，等待waitKey等等。这些要先熟悉

opencv的强大之处在于差点儿所有的图像操作它都有现成的函数可供调用，非常方便。多谷歌，一定会有函数已经实现了你想完毕的功能。

二值化：不论是原图还是有划痕或噪点的图，背景都不干净。这对识别的影响还是挺不好的，所以要先二值化。把黑白像素点区分的开一些。可是图片右側明显要比左側更暗，所以在阈值选取的时候比較难办，非常难用一个固定的值将两部分图像都二值化得非常理想，所以就用到了逼格更高的自适应二值化（adaptiveThreshold），tips：二值化前先直方图均衡一下效果会更好。

中值滤波：针对有噪点和有划痕的图像，中值滤波是非常好的处理方案。中值的參数可调，能够非常好的消除噪音的影响。缺点就是參数不好调啊，调的想死。。

模板匹配：模板的来源能够是自己从待识别的图片中抠图，只是我们作业提供了模板图片，所以这一步就能够省掉了。opencv提供了非常强大的matchTemplate函数。能够将给定图片与模板依照你规定的计算方法计算一个类似度的值。并将相应的坐标存储下来。你须要做的仅仅是将值比較大（或小，与你规定计算类似度的函数有关）的图像框出来就可以

窗体扫描：为了提高识别率。我设定了一个窗体对原图进行扫描，扫描窗体的移动设定了一点规则，就是假设前一个窗体没有匹配到数字就微调窗体位置，假设匹配到数字就将窗体左轴移动到匹配到的数字的右側。再反复扫描。

基本干货就这么多了。剩下的就是不断的调參数和扫描窗体的位置了，这种方法的缺陷就是针对不同的图片。參数和扫描窗都要变，比方来一张一行或三行的数字，那就必须改动扫描窗体的函数了。还有每一步的步长之类的。还是相当蛋疼的！

以下是部分核心代码

预处理。包含自适应二值化和中值滤波

void preProcess(){          //自适应二值化&中值滤波
Mat out;
//自适应二值化
adaptiveThreshold(source, source, 255, CV_ADAPTIVE_THRESH_MEAN_C, CV_THRESH_BINARY, adaptiveBiSize, adaptiveBiParam);
//中值滤波
namedWindow("binary");
imshow("binary",source);
waitKey(0);
medianBlur( source, out, medianBlurSize);
namedWindow("medianblur");
imshow("medianblur",out);
waitKey(0);
source = out;
srcResult = out;  //用来显示
}

匹配

bool match(Mat src){
int srcW,srcH,templatW, templatH, curtemplatW,curtemplatH,resultH, resultW;
Mat templat,result;
srcW = src.cols;
srcH = src.rows;
double currentMin = 1;
int    currentIndex=0;
double minValue, maxValue;
Point minLoc, maxLoc,matchLoc;
/*
** 类似度计算方法
** 0：CV_TM_SQDIFF        平方差匹配法。最好的匹配值为0；匹配越差，匹配值越大
** 1：CV_TM_SQDIFF_NORMED 归一化平方差匹配法
** 2：CV_TM_CCORR         相关匹配法：该方法採用乘法操作；数值越大表明匹配程度越好
** 3：CV_TM_CCORR_NORMED  归一化相关匹配法
** 4：CV_TM_CCOEFF        相关系数匹配法：1表示完美的匹配。-1表示最差的匹配。
** 5：CV_TM_CCOEFF_NORMED 归一化相关系数匹配法
*/
int methodType=1;
//循环推断8个数字哪个数字模板最为接近被測试图像
for (int i=0;i<8;i++){
templat = templatVec[i];
templatW = templat.cols;
templatH = templat.rows;
if(srcW < templatW || srcH < templatH)
{
cout <<"模板不能比原图像大" << endl;
return 0;
}
resultW = srcW - templatW + 1;
resultH = srcH - templatH + 1;
result = cvCreateImage(cvSize(resultW, resultH), 1, 1);

matchTemplate(src, templat, result, methodType);

minMaxLoc(result, &minValue, &maxValue, &minLoc, &maxLoc,Mat() );
//假设比当前最小还小，则储存该值,下标和坐标
if (minValue<currentMin){
currentMin = minValue;
currentIndex=i;
matchLoc.x=minLoc.x+window_x;
matchLoc.y=minLoc.y+window_y;
curtemplatW = templatW;
curtemplatH = templatH;
}
}
//cout<<"Min:"<<currentMin<<endl;
//最小值比设定阈值小。则推断识别出这个数字
if (currentMin<threshold){
numresult.push_back(index[currentIndex]);
cout<<"第"<<countnumbers<<"个数字是："<<index[currentIndex]<<endl;
/*cout<<"左上角坐标为：("<<matchLoc.x<<","<<matchLoc.y<<")"<<endl;
cout<<"右上角坐标：（"<<matchLoc.x+templatW<<","<<matchLoc.y<<")"<<endl;
cout<<"左下角坐标：（"<<matchLoc.x<<","<<matchLoc.y+templatH<<")"<<endl;*/
countnumbers++;
rectangle(srcResult, matchLoc, cvPoint(matchLoc.x + curtemplatW, matchLoc.y+ curtemplatH), cvScalar(0,0,255));
/*namedWindow("tmpresult");
imshow("tmpresult",srcResult);
waitKey(0);*/
window_x =matchLoc.x+curtemplatW-1;
return true;
}
//比阈值大则判定为非字符。扫描窗右移一个单位
window_x++;
return false;

}

窗体扫描，虚函数须要被实现

virtual void processScan(){
sourceW = source.cols;
sourceH = source.rows;
window_x = 0;
window_y = 3;
//加十以提高容错率
bool last = false;
while(window_x<sourceW-scanWindowW+5){
if (window_x+scanWindowW>sourceW){
window_x = sourceW - scanWindowW;
last = true;
}
Mat tmp = scanWindow(window_x,window_y);
match(tmp);
if (last) break;
}
window_x = 30;
scanWindowH = 35;
window_y=sourceH - scanWindowH;
while (window_x<=sourceW - scanWindowW-10){

Mat tmp = scanWindow(window_x,window_y);
match(tmp);
}

}

针对不同图片建立了不同的类来实现：

//识别有噪点的图像
class noisyPic:public Picture{
public:
noisyPic(){
Picture();
threshold = 0.5;
path="test\\noisy.bmp";
adaptiveBiSize = 17;
adaptiveBiParam= 19;
medianBlurSize = 5;
scanWindowW = 38;
scanWindowH = 38;
}
void displayResult(){
cout<<"当前识别的是有噪点的图像。识别结果为："<<endl;
for (unsigned int i=0;i<numresult.size();i++){cout<<numresult[i]<<" ";}
cout<<endl;
cout<<"====================================================="<<endl;
namedWindow("final");
imshow("final", srcResult);
waitKey(0);
}

};

//有划痕的图像
class dirtyPic:public Picture{
public:
dirtyPic(){
Picture();
threshold = 0.48;
path="test\\dirty.bmp";
adaptiveBiSize = 21;
adaptiveBiParam= 23;
medianBlurSize = 7;
scanWindowW = 36;
scanWindowH = 38;
}
virtual void displayResult(){
cout<<"当前识别的是有划痕的图像，识别结果为："<<endl;
for (unsigned int i=0;i<numresult.size();i++){cout<<numresult[i]<<" ";}
cout<<endl;
cout<<"====================================================="<<endl;
namedWindow("final");
imshow("final", srcResult);
waitKey(0);
}
};

主函数

int main()
{
//正常图像,构造函数不指定參数时。默认识别第一张图
//构造函数能够指定识别第几张图。以下以第三张为例
Picture pic = Picture(3);
pic.startRecognize();

//识别有噪声图像
noisyPic noisyPic;
noisyPic.startRecognize();

//识别有划痕图像
dirtyPic dirtyPic;
dirtyPic.startRecognize();

//识别放大缩小图像
scalePic scale = scalePic(1);
scale.startRecognize();

return 0;
}

为了方便童鞋们參考，提供了下载链接,只是要花一点积分的哦！（LZ下别的也是要积分的啊！

）

戳我戳我