OpenCV 数字验证码识别

最新推荐文章于 2025-07-22 20:25:28 发布
原创 最新推荐文章于 2025-07-22 20:25:28 发布 · 2.1w 阅读 · 42 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#opencv #数字识别 #划痕 #配置 #验证码

本文介绍使用OpenCV进行数字验证码识别的方法，包括opencv的安装配置、图像预处理（二值化、中值滤波）、模板匹配和窗口扫描等步骤。适合OpenCV初学者，提供核心代码及下载链接。

更新后代码下载链接在此！！！

点我下载
本文针对OpenCv入门人士，因为我也不是专门做图像的，只是为了完成一次模式识别的小作业。

主要完成的功能就是自动识别图片中的数字，图片包括正常图片，有划痕图像和有噪点图像。分别如下

正常图像

有划痕

有噪点

先上图，看识别效果！

这里写图片描述

接下来开始来点干货了：

  • opencv的安装与配置：这个要是展开讲可以再写一篇博文了，我当时什么都不会配个opencv麻烦死了，最后参考网上studio2012的配置方法成功了，在此略过。看到这里你的opencv还不能用的话，赶紧别往下看了，先把opencv配好再来吧！
  • opencv基本图片操作：
    • 因为opencv有2.0 和 3.0 的版本区别，所以网上搜到的函数或类型都是两种格式，建议用新版的，什么impImage* 类型的都是2.0版本的写法，我全部使用的是Mat。一定要统一好，不要一会新的一会旧的，会报错的。
    • 读图片imread，显示imshow，等待waitKey等等，这些要先熟悉
    • opencv的强大之处在于几乎所有的图像操作它都有现成的函数可供调用，非常方便。多谷歌，一定会有函数已经实现了你想完成的功能。
  • 二值化：不论是原图还是有划痕或噪点的图，背景都不干净，这对识别的影响还是挺不好的，所以要先二值化，把黑白像素点区分的开一些。但是图片右侧明显要比左侧更暗，所以在阈值选取的时候比较难办，很难用一个固定的值将两部分图像都二值化得很理想，所以就用到了逼格更高的自适应二值化（adaptiveThreshold），tips：二值化前先直方图均衡一下效果会更好。
  • 中值滤波：针对有噪点和有划痕的图像，中值滤波是非常好的处理方案，中值的参数可调，可以很好的消除噪音的影响。缺点就是参数不好调啊，调的想死。。
  • 模板匹配：模板的来源可以是自己从待识别的图片中抠图，不过我们作业提供了模板图片，所以这一步就可以省掉了。opencv提供了非常强大的matchTemplate函数，可以将给定图片与模板按照你规定的计算方法计算一个相似度的值，并将对应的坐标存储下来，你需要做的只是将值比较大（或小，与你规定计算相似度的函数有关）的图像框出来即可
  • 窗口扫描：为了提高识别率，我设定了一个窗口对原图进行扫描，扫描窗口的移动设定了一点规则，就是如果前一个窗口没有匹配到数字就微调窗口位置，如果匹配到数字就将窗口左轴移动到匹配到的数字的右侧，再重复扫描。

基本干货就这么多了，剩下的就是不断的调参数和扫描窗口的位置了，这个方法的缺陷就是针对不同的图片，参数和扫描窗都要变，比如来一张一行或三行的数字，那就必须修改扫描窗口的函数了，还有每一步的步长之类的，还是相当蛋疼的！

下面是部分核心代码

预处理，包括自适应二值化和中值滤波

void preProcess(){          //自适应二值化&中值滤波
        Mat out;
        //自适应二值化
        adaptiveThreshold(source, source, 255, CV_ADAPTIVE_THRESH_MEAN_C, CV_THRESH_BINARY, adaptiveBiSize, adaptiveBiParam); 
        //中值滤波
        namedWindow("binary");
        imshow("binary",source);
        waitKey(0);
        medianBlur( source, out, medianBlurSize);
        namedWindow("medianblur");
        imshow("medianblur
最低0.47元/天 解锁文章

200万优质内容无限畅学
Python 识别验证码数字
LILAIQUN博客
02-03 6493
问题： 识别验证码中的运算 最终识别效果不好，仍在想方法 环境： 1. Ubuntu 16.04 2. Python 3.5.2 使用了百度的OCR（optical character recognition）接口，发现无法识别验证码中的数字，无法使用。 1.安装项目依赖 #1.tesseract-ocr安装 sudo apt-get install tesser
OpenCV-验证码识别
卷心菜的博客
10-17 2103
OpenCV-验证码识别(Python)
通过OpenCV实现的全自动图形图片验证码识别软件
01-02
通过OpenCV实现的全自动图形图片验证码识别软件，可以识别出绝大多数验证码，操作简单方便。
从零搭建 OpenCV 项目（新手向）--第一天初识OpenCV与图像基础
最新发布
m0_74898821的博客
07-22 1209
本文介绍了OpenCV-Python的基本使用方法，包括环境安装、图像表示、读取保存以及基本操作。OpenCV是一个开源的计算机视觉库，支持多种语言和平台，提供丰富的图像处理功能。文章详细讲解了如何安装OpenCV-Python，并验证安装；解释了图像在计算机中的表示方式，包括像素、通道等概念；演示了图像读取、显示和保存的具体操作；最后展示了包括裁剪、缩放、翻转等在内的基本图像处理技巧，并提供了完整的示例代码。这些内容为初学者提供了OpenCV-Python的基础入门知识。
使用 OpenCV 和 KNN 进行验证码识别
asfdsgdf的博客
02-21 441
在本教程中，我们将使用 OpenCV 和 K最近邻算法（KNN） 来实现一个简单的验证码识别系统。验证码图像通常包含多个字符，我们将通过图像预处理步骤提取每个字符，并将其转化为 KNN 可用的特征向量。验证码中的每个字符通常由轮廓框住。我们将每个字符图像调整为固定大小（例如 20x20），然后将其展平为一个 400 维的特征向量。假设我们的验证码包含数字和字母（例如 0-9 和 A-Z），我们可以为每个字符分配标签。我们将验证码图像转换为灰度图，并进行二值化处理，去除图像中的噪点，使得字符更加突出。
opencv 验证码 识别
zhiwei_bian的博客
07-31 558
示例图片 ： 主要应用原理为：1 1、先识别出图片中每个像素的数量 例如 红色在200左右 2、将红色的像素单独提出来 这样起到去除噪点的作用 3、分割图片并保存 4、识别图片 具体代码如下： 1 # coding=utf-8 2 # !/usr/bin/python 3 """ 4 opencv 验证码识别 5 C...
使用OpenCV识别简单的验证码
RL优快云3402的博客
01-09 1122
图片通道挑选：由于图片的背景具有一些噪声，因此需要对图片进行适当处理。由于图片是将像素分为红绿蓝三个通道，像素的值以正整数（值在0-255之间，可以简单理解为像素值越大越"亮"）的方式进行存储，因此可以将图片的三个通道像素值分别计算平均数，取平均数较小的通道（平均数越小说明越"暗"，浅色的噪声就越少）进行处理。图片标注：将图片以图片内容进行命名，方便后续处理。例如：图片内容是6970，则将图片命名为6970.jpg。训练模型：遍历文件夹，将图片读取后进行处理，并将图片作为标签进行处理。
OpenCV中的验证码识别
remakeprogramer的博客
02-20 907
OpenCV中的验证码识别 ocr环境搭建没有说明，如读者有兴趣可以单独出一章。 代码实现： import cv2 import os import numpy as np import matplotlib.pyplot as plt import cv2 as cv from PIL import Image import pytesseract as tess #验证码识别 img = cv2.imread('yzm4.png') # x,y = img.shape[:2] # img = cv2
python opencv pytesseract 验证码识别的实现
09-16
### Python OpenCV Pytesseract 验证码识别的实现 #### 概述 本文将详细介绍如何使用Python结合OpenCV和Pytesseract库实现验证码的自动识别。验证码是一种用于防止计算机程序自动填写表单的安全措施，通常由数字和...
基于opencv的数字识别
09-12
在计算机视觉领域，基于OpenCV的数字识别是一项重要的技术，广泛应用于自动车牌识别、验证码识别、银行支票读取等场景。OpenCV（Open Source Computer Vision Library）是一个跨平台的计算机视觉库，提供了丰富的...
使用 Python 和 OpenCV 进行验证码识别
asfdsgdf的博客
02-02 337
pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe" # 修改为你的 Tesseract 安装路径。Windows：从 Tesseract 官方 GitHub 下载并安装，并确保将安装路径（如 C:\Program Files\Tesseract-OCR）添加到环境变量中。Tesseract 是一个开源的 OCR（光学字符识别）引擎，我们需要先安装它。
OpenCV—案例（数字验证码识别）
Ms_X_Zi的博客
07-25 609
只是做个笔记 案例为实现想要的效果 (#^.^#) import cv2 as cv from PIL import Image import pytesseract as tess # opencv + Tesserct-ORC def text(): gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY) ret, binar...
OpenCV---数字验证码识别
weixin_30436891的博客
07-10 413
推文：Python验证码识别 安装Pillow、tesseract-ocr与pytesseract模块的安装以及错误解决 一：依赖环境安装 pip install Pillow pip3 install pytesseract 二：安装tesseract-ocr （一）介绍 其中pytesseract会直接调用tesseract模块，我们需要进行安装 不然可会报错...
OpenCV优化验证码识别
ThinkStu的博客
03-28 5801
没有绝对完美的验证码识别策略，只能因时因地的进行适配调整。首先请确保本地已经安装 OpenCV。
openCV编程基础27--数字验证码识别
TFZ941214的博客
09-09 411
OpenCV+Tesserct-OCR OpenCV预处理 Tesserct-OCR验证码识别 import cv2 as cv import numpy as np from PIL import Image import pytesseract as tess def recognize_text(): gray = cv.cvtColor(src, cv.COLOR_BGR2...
【滑动验证码识别】基于opencv实现对滑动验证码的识别及处理
2301_78753314的博客
05-04 2544
【代码】基于opencv实现京东滑动验证码的简单识别及处理。
OpenCV + svmutil 验证码识别
Qton_优快云的博客
05-14 905
1 主程序# -*- coding: utf-8 -*- import cv2 import time import numpy as np import pandas as pd # 1 抓取2000张训练图片放在MIS文件夹，200张测试图片放在TEST文件夹 ''' url='http://mis.sgu.edu.cn/WaterMark.ashx' for i in rang...
OpenCV和Tesseract OCR识别复杂验证码喽~~
WenJGo的博客
09-15 1723
复杂验证码识别，从复杂到简单！！！
opencv数字验证码
01-21
### 使用OpenCV处理或生成数字验证码 #### 处理数字验证码 对于处理数字验证码的任务，可以采用一系列图像处理技术来优化输入给机器学习模型或其他识别算法的数据质量。具体来说，在接收一张带有噪声和其他干扰因素的原始验证码图片之后，可以通过以下步骤对其进行预处理： - **灰度转换**：将彩色图像转化为单通道灰度图像是减少计算复杂性和去除颜色差异影响的有效手段之一[^3]。 ```python import cv2 as cv def convert_to_grayscale(image_path): image = cv.imread(image_path) gray_image = cv.cvtColor(image, cv.COLOR_BGR2GRAY) return gray_image ``` - **高斯滤波降噪**：通过应用高斯平滑滤波器可以在一定程度上去除随机分布的小范围内的像素波动，从而达到降低噪音的目的。 ```python def apply_gaussian_blur(gray_image): blurred_image = cv.GaussianBlur(gray_image, (9, 9), 0) return blurred_image ``` - **自适应阈值二值化**：此过程旨在突出显示目标对象（即验证码中的字符），并将其余部分设为背景色。这里采用了Otsu's Binarization方法自动确定最佳阈值。 ```python def binarize_image(blurred_image): _, binary_image = cv.threshold( blurred_image, 0, 255, cv.THRESH_BINARY_INV + cv.THRESH_OTSU ) return binary_image ``` - **形态学操作——腐蚀膨胀**：这些操作有助于清理掉一些细小连接点以及填补断开的文字线条之间的间隙，使得后续特征提取更加容易。 ```python import numpy as np def morphological_operations(binary_image): kernel = np.ones((3, 3), dtype=np.uint8) eroded_image = cv.erode(binary_image, kernel) dilated_image = cv.dilate(eroded_image, kernel) return dilated_image ``` 经过上述几个阶段的操作后，最终获得了一张较为清晰、易于解析的黑白二值图像作为下一步分析的基础材料。 #### 生成数字验证码 另一方面，如果目的是创建新的验证码，则可以根据特定需求定制生成逻辑。下面是一个简单例子展示如何利用Python与OpenCV库构建包含随机数字符号组合而成的新颖图形验证字符串[^5]。 ```python from random import choice import string import os def generate_random_string(length=6): characters = string.ascii_uppercase + string.digits captcha_text = ''.join([choice(characters) for _ in range(length)]) return captcha_text def draw_captcha(text, output_folder='captchas'): font_face = cv.FONT_HERSHEY_SIMPLEX scale_factor = 1.5 thickness = 2 # 创建空白白色底板用于绘制文字 width, height = int(70 * len(text)), 100 blank_canvas = 255 * np.ones(shape=[height, width], dtype=np.uint8) text_size, baseline = cv.getTextSize(text, font_face, scale_factor, thickness)[0] org_x = (width - text_size[0]) // 2 org_y = (height + text_size[1]) // 2 colored_canvas = cv.merge([blank_canvas]*3) for i, char in enumerate(text): color = tuple(map(int, np.random.randint(0, 255, size=(3,), dtype=int))) position = ( org_x + sum(cv.getTextSize(c, font_face, scale_factor, thickness)[0][0] for c in text[:i]), org_y ) cv.putText(colored_canvas, str(char), position, font_face, scale_factor, color, thickness) filename = f"{text}.png" filepath = os.path.join(output_folder, filename) if not os.path.exists(output_folder): os.makedirs(output_folder) cv.imwrite(filepath, colored_canvas) if __name__ == '__main__': generated_code = generate_random_string() print(f"Generated CAPTCHA code: {generated_code}") draw_captcha(generated_code) ``` 这段脚本首先定义了一个辅助函数`generate_random_string()`用来生产指定长度由大小写字母加阿拉伯数字构成的一串随机码；接着实现了另一个名为`draw_captcha()`的方法负责接受前述产生的序列参数，并据此渲染出相应视觉效果存入磁盘文件之中。最后主程序调用了这两个功能完成整个流程执行。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值