深度学习破解验证码流程

总体来说

验证码识别包括2个部分，一部分是图像处理，一部分是图像识别，图像处理的好坏从根本上决定了最后是否能够识别成功。

图像处理

观察验证码 尝试处理

例如这8张图，我们应该观察出以下几个特征

• 图片存在噪点
• 存在干扰线
• 都是大写字母
• 字母是斜体
• 字母之间又粘连现象
• 图片是彩色 但字母颜色较深

下面从信息与算法的角度展开图像处理的介绍

处理噪点

一般有两种处理噪点的方法。

一种是 8临域去噪点法，原理是通过判断像素点与临近8个背景像素点的区别来去除噪点，当周围超过n个（一般设置5～7）与自身不同当像素时，则判断这个像素为噪点，将噪点转化为与周围大多数像素一样的像素。这次实战感受非常深的一点 就是 从众法则：只要和大多数一样 那就看上去没有什么错。

第二种是连通域去噪点法，（也称种子染色法、洪水去噪点法…），原理就像它的名字，计算连通域的面积，如果面积太小就认为它是噪点，同理将它去除。

如果你仔细思考两种算法，应该会有这样的感觉：连通域去噪点法似乎好于八临域去噪点法，因为它可以除去更大的噪点。事实上确实是这样的，但是可以通过多次使用八临域去噪点法来达到相似的效果，不过这样造成的其他影响是识别部分变得比较臃肿，多次使用后图形边缘的曲率变化会逐渐减小，渐渐拥有“圆”的轮廓。

干扰线处理

看到干扰线，我曾经冒出过这样的想法，就是能不能从图片的边缘定位干扰线，然后根据其走势将其去除呢？

世界上干扰线又千万种，如果我们更具趋势来写算法，那么这个算法的复用性就太低了一点，那么能不能退而求其次呢？于是想到了判断一列种连续黑色相似点的个数，如果连续个数不超过4（通常2～6）那么我们便认为这是干扰线的一部分，同理将其变为其他的大多数一样的像素点。

斜体矫正

斜体矫正的目的是为了更好的分割与识别。原理是平移，将每一行向左或向右平移不同距离，最后形成矫正的效果。pans就是矫正列表，正左负右平移。pans列表的元素个数需要是图片的高度，例子中图片 height 是40.

图像分割

我的思路是扫描空白的列，选取两个边缘空白列中间的列数组成一个包含若干个数组的列表，判断列表的长度，去除数组长度小于3（列）的数组。如果列表长度大于所需要的列表长度（这个例子中是4），那么返回最长的4个，如果列表个数小于4个，判断其中数组长度 大于所需要数组长度1.3 小于所需要数组长度2.3的列表，将其平均分为2个列表，同理大于所需要数组长度2.3倍的列表将会被平均分为3份。