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，因为我也不是专门做图像的，只是为了完成一次模式识别的小作业。
主要完成的功能就是自动识别图片中的数字，图片包括正常图片，有划痕图像和有噪点图像。分别如下
先上图，看识别效果！
接下来开始来点干货了：
- opencv的安装与配置：这个要是展开讲可以再写一篇博文了，我当时什么都不会配个opencv麻烦死了，最后参考网上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：
- 因为opencv有2.0 和 3.0 的版本区别，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版本的写法，我全部使用的是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的强大之处在于几乎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成的功能。
- 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。但是图片右侧明显要比左侧更暗，所以在阈值选取的时候比较难办，很难用一个固定的值将两部分图像都二值化得很理想，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，中值的参数可调，可以很好的消除噪音的影响。缺点就是参数不好调啊，调的想死。。
- 模板匹配：模板的来源可以是自己从待识别的图片中抠图，不过我们作业提供了模板图片，所以这一步就可以省掉了。opencv提供了非常强大的matchTemplate函数，可以将给定图片与模板按照你规定的计算方法计算一个相似度的值，并将对应的坐标存储下来，你需要做的只是将值比较大（或小，与你规定计算相似度的函数有关）的图像框出来即可
- 窗口扫描：为了提高识别率，我设定了一个窗口对原图进行扫描，扫描窗口的移动设定了一点规则，就是如果前一个窗口没有匹配到数字就微调窗口位置，如果匹配到数字就将窗口左轴移动到匹配到的数字的右侧，再重复扫描。
基本干货就这么多了，剩下的就是不断的调参数和扫描窗口的位置了，这个方法的缺陷就是针对不同的图片，参数和扫描窗都要变，比如来一张一行或三行的数字，那就必须修改扫描窗口的函数了，还有每一步的步长之类的，还是相当蛋疼的！
下面是部分核心代码
预处理，包括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;
/*
** 相似度计算方法
** 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：该方法采用乘法操作；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;
//循环判断8个数字哪个数字模板最为接近被测试图像
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() );
//如果比当前最小还小，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，则判断识别出这个数字
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;
}窗口扫描，虚函数需要被实现
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,构造函数不指定参数时，默认识别第一张图
//构造函数可以指定识别第几张图，下面以第三张为例
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;
}