内容导航:在待识别的图像中去匹配模板,有一张10x10的模板图像,模板匹配是在图像中寻找目标的方法之一,求模板与图像的相似度有多种方法
{image}
一 、如何用c语言实现验证码的校验
什么校验方法?
CRC检验如扒拿下:
include
int binaryToDec(char str)
{
unsigned n=0;
while(str!='\0')
{
if(str<'0'||str>'9')return -1;
n=n2+(str-'0');
str++;
}
return n;
}
void printBinary(int n)
{
if(n>1)printBinary(n/2);
printf("%d",n%2);
}
void main()
{
unsigned n,m,CRC=0x1A8000,;
char CRC16[32];
while(1)
{
printf("输春手搭入16位校验码:");
gets(CRC16);
n=binaryToDec(CRC16);
if(n>)
printf("输入值过长,请重新输入\n");
else break;
}
n<<=5;//n左移5位
m=n;//m等于n
while(fD>0x20)
{
while( !(m&fD) && !(CRC&1) )//保证被除数第一位为1
{
CRC>>=1;//除数右移一位
fD>>=1;//被除数首位的标志位右移一位
}
m=m^CRC;//被除数与除数相异或
}
n+=m;//薯闭模二余数相加
printf("输出21位校验码:");
printBinary(n);
printf("\n");
getchar();
}
二、如何做到C程序进行验证码识别
如果是简单的图片验证码,上面仅是数字与字母 ,可以使用OCR识别生成验证码可以查看以下代码:
/产生验证码/
public string createcode(int codelength)
{
string code = "";
random rand = new random();
for (int i = 0; i < codelength; i++)
{
code += (char)(65, 90);
}
return code;
}
然后在使用的时候把它加到 session里就可以了啊
string checkcode = createcode(6); session["checkcode"] = checkcode;
最后比较 session里的值和用户输入的值
三、送分:想注册网站新用户,需提供图形验证码,啥叫图形验证码
就是方框里的数字或者字母按图索骥就是旁边的那些数字和英文!照着输入就行了!
四 、验证码识别之模板匹配方法
在写爬虫的时候难免会遇到验证码识别的问题 ,常见的验证码识别的流程为:
- 图像灰度化
- 图像去噪(如图像二值化)
- 切割图片
- 提取特征
- 训练
但这种方法要切割图片,而且破解验证码的重点和难点就在于 能否成功分割字符 。
本文要介绍的算法 不需要进行图片切割,也不需要进行机器训练 ,这种方法就是模板匹配:将待识别的文字切割成一个个模板 ,在待识别的图像中去匹配模板 。
这篇文章将分为两个部分:
第一部分介绍模板匹配的基本概念以及模板匹配的一种实现算法:快速归一化互相关匹配算法;
第二部分是一键枯个具体实例。
模板匹配是在图像中寻找目标的方法之一,目的就是在一幅图像中寻找和模板图像最相似的区域。
模板匹配的大致过程是这样的:通过在输入图像上滑动图像块对实际的图像块和输入图像进行匹配 。
假设我们有一张100x100的输入图像,有一张10x10的模板图像 ,查找的过程是这样的:
从输入图像的左上角(0,0)开缺亮耐始,切割一块(0,0)至(10,10)的临时图像;
用某种方法得出临时图像与模板的相似度c,存放到相似度矩阵中(矩阵大小为91 x91);
切割输入图像从(0,1)至(10,11)的临时图像,对比 ,并记录到相似度矩阵;
重复上述步骤,直到输入图像的右下角。
最终得到一个相似度矩阵,找到矩阵中的最大或最小值 ,最大值(最小值)对应的临时图像即为与模板最相似的图像。
在步骤b中,求模板与图像的相似度有多种方法,如平均绝对差算法(MAD)、绝对误差和算法(SAD)、误差平方和算法(SSD) 、归一化互相关算法(NCC) ,本文使用的是归一化互相关算法 。
什么是归一化互相关?
从几何图形上来看,空间中的两个向量,同方向平行时 ,归一化互相关系数为1 ,表示两个向量最相似,反方向平行时归一化互相关系数为-1,垂直时为0 ,表示最不相似(用互相垂直的三个向量来代表整个空间也是这个道理,垂直的向量之间不包含对方的信息,相关系数为伏春0) ,存在一定夹角时处于(-1,1),是不是跟余弦函数很像 ,cos(0)=1,cos(pi/2)=0,cos(pi)=-1。就是这个样子的,相关系数可以看作是两个向量之间夹角的cosine函数。
在数学中是这么计算cosine函数的,假设两个n维向量X,Y ,对应的坐标分别为(x1,x2,…xn), (y1 ,y2 ,…yn) 则:
(如果想要了解更多,请参考文献【2】)
但这是一维的,在模板匹配中要再加一个维度 (具体算法请参考文献【3】) ,简要说一下文献【3】的内容:如果直接计算二维相似度的话计算复杂度会非常高,文献【3】利用快速傅里叶变换与积分图像快速算法来降低计算复杂度 。
接下来让我们看一个具体的应用 。
模板匹配识别验证码的具体步骤为:
1. 找出图片中所有可能出现的字符,制作成模板集合
2. 图像灰度化
3. 图片去噪(二值化)
4. 模板匹配
5. 匹配结果优化
要识别的图片如下 ,以识别图片中的加字为例:
要从image中找到与模板最匹配的部分,Template图像是事先从image图像中截取的一部分。所用的为python模块skimage中的match_template方法,match_template方法使用的是快速归一化互相关算法 【2】 。
遍历模板图像集合 ,与图像匹配,如果dist大于阈值h,则认为此模板在图像中存在 ,否则不存在,继续匹配下一个模板,直到遍历完所有模板 。
以模板‘加’为例 ,图像大小为40x260 ,模板大小27x27,result是一个大小为(14,234)的矩阵 ,即上文提到的相似度矩阵,矩阵中的数值属于[-1,1],找到result中最大值所处的对应位置即为与模板最匹配的图像位置:x=66,y=11 ,正好对应模板图像在image中所处的位置。 (更多内容请参阅参考文献【4】)
但这是比较好的情况,因为在匹配时遍历了所有的模板,而一张图片中出现的模板数量是有限的 ,比如数字’四’在图片中是没有的,这时就要根据某种规则去掉这些在图片中没有出现的模板:程序中使用dist变量来过滤匹配结果,如果dist变量大于某个值则认为此模板在图像中不存在。
最后的result_list中可能仍然存在一些图片中不存在的模板或者匹配不精确的模板 ,比如数字‘一’在模板中不存在,但仍然可以匹配到,因为数字‘二’中可以匹配到‘一’ ,需要进一步优化 ,优化方法有很多,比如当匹配到的两个模板距离过近时,选择较大的那个模板 ,其余方法留给读者自行考虑吧 。
后续将会推出如何使用深度学习识别验证码,敬请期待~
参考文献:
.html
_/blog/2013/03/cosine__
J. P. Lewis, “Fast Normalized Cross-Correlation”, Industrial Light and Magic.
_/docsjinhqin/dev/auto_examples/plot__
本文作者 :李晖(点融黑帮),毕业于电子科技大学 ,现就职于点融成都Data部门,对一切新鲜事物充满好奇,对跳舞毫无抵抗力的活力女青年一枚。