推荐学习书目 Learn Python the Hard Way Python Sites PyPI - Python Package Index http://diveintopython.org/toc/index.html Pocoo 值得关注的项目 PyPy Celery Jinja2 Read the Docs gevent pyenv virtualenv Stackless Python Beautiful Soup 结巴中文分词 Green Unicorn Sentry Shovel Pyflakes pytest Python 编程 pep8 Checker Styles PEP 8 Google Python Style Guide Code Style from The Hitchhiker's Guide
这是一个创建于 3839 天前的主题，其中的信息可能已经有所发展或是发生改变。
先讲讲我的想法:
1. 豆瓣验证码都是英文单词类型, 就想用OCR识别. Python上的库有: pytesseract
2. 图片背景太花, 单词颜色都是黑色. 就用图像图 Pillow 讲图片非纯黑 变成白色. 当然给了一点缓冲余地, 用RGBA的颜色, 每个色标正负5之内都算符合.
3. 然后获取只有黑色点阵图像, 会发现噪点很多. 写了一个递归遍历算法 类似于 Flood fill 算法 , 将可以连接在一起的黑色点算出最大面积, 面积小于一个阈值的全部置为白色.
4. 然后通过OCR识别.
代码在 https://github.com/awanabe/douban_captcha_identify
原图:
去掉背景杂色之后:
转换成点阵:
去除噪点:
问题:
1. 发现pytesseract 对于扭曲的字母识别度很低
2. 去背景色, 去噪点太粗暴, 容易把字母弄破. 每次图片识别都要通过调整好几次阈值, 然后用识别出来的单词去对比英文单词库. 有些肯定就无解了.
请问那些地方可以改进来提高准确率
1. 豆瓣验证码都是英文单词类型, 就想用OCR识别. Python上的库有: pytesseract
2. 图片背景太花, 单词颜色都是黑色. 就用图像图 Pillow 讲图片非纯黑 变成白色. 当然给了一点缓冲余地, 用RGBA的颜色, 每个色标正负5之内都算符合.
3. 然后获取只有黑色点阵图像, 会发现噪点很多. 写了一个递归遍历算法 类似于 Flood fill 算法 , 将可以连接在一起的黑色点算出最大面积, 面积小于一个阈值的全部置为白色.
4. 然后通过OCR识别.
代码在 https://github.com/awanabe/douban_captcha_identify
原图:
去掉背景杂色之后:
转换成点阵:
去除噪点:
问题:
1. 发现pytesseract 对于扭曲的字母识别度很低
2. 去背景色, 去噪点太粗暴, 容易把字母弄破. 每次图片识别都要通过调整好几次阈值, 然后用识别出来的单词去对比英文单词库. 有些肯定就无解了.
请问那些地方可以改进来提高准确率
 | 1 int64ago 2015-04-10 14:55:33 +08:00  1 前提：分割为当个字母 1、通过长宽比过滤一些 2、通过黑白像素点比值过滤一些 3、？ |
 | 2 TangMonk 2015-04-10 14:58:00 +08:00 豆瓣的好像都是单词。。看下这个点能不能入手 |
 | 3 hao123yinlong 2015-04-10 15:00:22 +08:00 楼主，降噪、二值化后，针对处理后的图片进行字库训练，识别率可达百分之九十九点九九九。。训练很伤眼睛，自己训练的话请先买几箱眼药水备用 |
 | 4 awanabe OP @hao123yinlong 就是不会搞图形化的那一套..才想走走别的途径..通过OCR识别.. |
 | 7 dingyaguang117 2015-04-10 15:06:03 +08:00 LZ 我觉得我们可以加个友情链接 https://github.com/dingyaguang117/ImageRecognizeOf58 |
 | 8 gowithwind 2015-04-10 15:13:54 +08:00 这个验证码的边缘比较强,可以先进行边缘检测吧.确定字符的位置.应该对分离字符有帮助. 对于扭曲的情况可以适当进行矫正.计算字符的重心.根据偏向做相反的调整. 建议还是使用高级点的机器学习技术. |
| 9 hao123yinlong 2015-04-10 15:23:42 +08:00 @awanabe OCR识别是需要根据字库（训练库）来进行识别的。豆瓣特定的字体，如果没有相应的训练库，你把图片质量做得再高，也一样识别率低 |
 | 10 liboyue 2015-04-10 15:34:00 +08:00 via Android 要是用点深度学习的东西正确率应该会很高 参考LeNet-5，90年代商用的手写数字识别算法 |
 | 11 superhack 2015-04-10 15:35:43 +08:00 『去掉背景杂色之后』直接切分（按垂直投影），切分之后的求出来个最小矩形闭包，之后的结果就可以作为训练集了，每个字符积累几百个，直接 KNN 算法，你的预处理效果看起来能做到单字符 85% 的正确率，五六个字符几乎能做到 3、4 次成功登录一次。 |
| 12 awanabe OP @dingyaguang117 哟西...思路差不多 |
| 14 awanabe OP @hao123yinlong 扭曲的字体确要训练 |
 | 15 h4x3rotab 2015-04-12 15:00:29 +08:00 对于单词的话还可以利用字典提高识别率，尤其是这种严格出现在字典里的词，只要拿字典里的每个词套进来，然后计算整体的准确率，取最高就好了 |
 | 16 pythoner 2015-05-13 14:08:57 +08:00 春节的时候我用楼主的思路做过，识别率不是特别好。 正好有两篇博客简单记录了以下，欢迎交流： http://t-y.me/p/233 |
Select Language