# ImageRecognition

**Repository Path**: rx_z/ImageRecognition

## Basic Information

- **Project Name**: ImageRecognition
- **Description**: 基于机器学习的验证码识别，使用支持向量机（SVM），添加学习样本后识别能力不错
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 40
- **Forks**: 7
- **Created**: 2016-06-04
- **Last Updated**: 2023-01-25

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

#ImageRecognition

简单验证码识别
-------------

简单验证码程序使用Python语言编写，图形界面使用PyQt4开发。    
初衷用于机器识别效果的验证，对于不是特别复杂的验证码图片，程序可以做到自动获取图片阈值。     
预置验证码长度为4的粘连切割（虽然很废。。），如果自动获取的阈值失效，使用者也可以手动输入阈值范围再次分割。    
这个程序是个人第一个PyQt程序，刚上手Python几个月，界面设计和代码都有很多不太合理的地方。    
希望大家提出一些意见，如果能够看得下去代码的话 -_=:    
![image](http://git.oschina.net/rx_z/ImageRecognition/raw/master/docfile/screenshots/imgrec.png)     

> **Note:**

> - Python版本为2.7.x，使用时进入PYQT文件夹，在终端运行UITest.py文件即可
> - 依赖库有：
> PIL, skimage(matplotlib), pyqt4, sklearn, numpy    
> - 图片文件存放在pictures文件夹中，为了测试方便，所有图片的后缀名都为png。    
程序默从PYQT/picture_source/中认读取图片，支持自定义路径选取文件。   
程序中处理过的文件存放在相应的xx_cache文件夹中

#### <i class="icon-trash"></i> 可能会出现的错误

pyqt4与skimage中import的冲突
> **pyqt4与skimage:**

> - 由于需要使用skimage阈值计算公式，在UITest.py文件中无法引用imgRec1.py文件
> - 需要解决无法引用skimage.io问题（from skimage import filter, data都不产生问题），即使用skimage中矩阵方式读取图片
> - 已经尝试过将：from PyQt4.xxx import * 改为 from PyQt4 import xxx
> - 实际上是matplotlib引用问题，修改了skimage代码，文件位置（以本机为例）：     
> /usr/lib/python2.7/site-packages/matplotlib/backends/qt_compat.py   
> 代码位置：   
> 114：from PyQt5 import QtCore, QtGui, QtWidgets   
> ->   
> 114：from PyQt4 import QtCore, QtGui, QtWidgets

虽然不算是什么错误
> 调整了一次ui文件之后程序的icon就显示不出来啊，


#### <i class="icon-file"></i> 前期代码参考
 博客园 IvanPc：    
http://www.cnblogs.com/IvanPc/p/4835817.html     
读像素点，分割逻辑和阈值部分进行了参考，但是读像素点的方法不够好，有空完善


#### <i class="icon-file"></i> 图像文本转换
在机器学习模块使用SVM支持向量机，学习样本和测试数据都要将图像文件转换成32x32的文本。      
以某字符为例：    
![image](http://git.oschina.net/rx_z/ImageRecognition/raw/master/docfile/screenshots/pic2txt.png)    
具体实现在PYQT/pic2text.py中，生成的文本存储在txt_cache文件夹中。


#### <i class="icon-file"></i> 手动输入阈值
在很多情况下使用自动阈值函数不是那么靠谱，这时需要使用者根据灰度值直方图手动输入阈值。    
以乌云验证码为例：    
![image](http://git.oschina.net/rx_z/ImageRecognition/raw/master/docfile/screenshots/wuyun1.png)    
自动返回的阈值为191，此时干扰部分仍然被保留，手动输入阈值范围：0~150     
确认后点击载入阈值再次分割验证码      
![image](http://git.oschina.net/rx_z/ImageRecognition/raw/master/docfile/screenshots/wuyun2.png)    
即可得到理想的分割效果。但是由于机器学习样本中没有储存相应的文本，   
对于前四个字符判断全部出错，而储存了'M'字符后，虽然周围有干扰，依旧可以识别。


#### <i class="icon-file"></i> 支持向量机
SVM，即支持向量机（support vector machine），是机器学习中常用的分类器，或算法。    
理论非常高深啊，核函数各种看不懂，简单来说是将低维度的复杂问题转为高维度的简单问题从而解决 or 寻找某个分割的超平面。。（应该是吧）    
在学习机器学习过程中实现过SVM，在这个程序中使用了sklearn中的svm，具体代码在UITest.py文件的    
p2tTest和loadData函数中，其中loadData为svm加载学习样本，样本储存路径见代码。    
学习结果在样本足够充足的情况下是比较乐观的，基本可以排除大部分干扰线情况。


#### <i class="icon-file"></i> 部分图像处理截图
二值化实例图如下，这类是简单型验证码，直接使用函数返回灰度阈值即可         
![image](http://git.oschina.net/rx_z/ImageRecognition/raw/master/docfile/screenshots/test1.png)   
这类验证码识别、分割较难，或者根本无法进行分割操作       
![image](http://git.oschina.net/rx_z/ImageRecognition/raw/master/docfile/screenshots/test2_1.png)
![image](http://git.oschina.net/rx_z/ImageRecognition/raw/master/docfile/screenshots/test4.png)