• 图像处理与机器学习(验证码的识别)


    这个东西,从放寒假的前一天,老师叫我做起,已经快2个月了,开学一个星期后,在陈老师的督促下,算是做的差不多了。

    这个的应用领域主要是自动化程序,验证码可以说是网络安全的一道防火墙,自动化程序的难点。

    但是,对于这个图像识别这个技术来说,还远远不够,至于应用的角度,更是狭窄,因此这不是一个终点,恰恰是一个起点。

    机器学习有监督学习和无监督学习两种;我这里是监督学习,当然就得我手动的写每一张验证码的正确值了。

    语言:   python

    工具:   opencv

    总体思路:样本学习,测试;

    1、样本学习:

    •   首先要对样本去噪,去噪将干扰线删除,对于一个像素点来说,他的四周的其余的点,有5个,或者较多的像素点是空白,那么将可以判断他是噪点,而将他删除掉。
    •   扭曲矫正,我这里的扭曲矫正,是片面的,真正是很难有较好的效果,对于不同的验证码,有不同的特点,有一些验证码的产生,就有这样的特点,角落处,有阴影,这使得字符有扭曲,根据这里,来实现不同程度的扭曲矫正。
    •       切割图像,将每个字符切割下来,这里也是相对的了,粘连较严重即将影响字符的正确。
    •       二进制化图像,是字符的地方是0,没有的地方是1(这里相反没有问题)。生成训练集。
    •       训练模型制作,字符,二进制的像素点,joblib持久化保存,将模型保存到本地,进行预测,速度更快。
    •       通过随机森林算法将样本数据训练。


    2、测试:

    •   测试的步骤和学习的步骤类似。
    •       通过训练模型得到的分类结果计算正确率。

    最后识别率在100%

  • 相关阅读:
    leetcode 92. 反转链表 II
    leetcode记录1 快速排序
    Jmeter入门总结
    Jmeter 元件作用域、集合点、检查点
    Jmeter 实例
    badboy脚本开发
    Jmeter 常用功能介绍
    简单的自创线程池
    多线程
    IO多路复用
  • 原文地址:https://www.cnblogs.com/TreeDream/p/6523400.html
Copyright © 2020-2023  润新知