中國知網(CNKI)驗證碼識別
- 2019 年 10 月 3 日
- 筆記
中國知網(CNKI)是最重要的中文學術資源資料庫，收錄絕大多數中文學術刊物。我們可以檢索論文，也可以導出檢索結果前6000條論文的題錄數據。
在CNKI檢索結果翻頁10次以上，用戶需要手動輸入驗證碼才能繼續。為了實現自動化題錄數據導出，我們就需要通過程式識別驗證碼。最終，基於Eugu.CV實現驗證碼識別，正確率在70%以上，能保證自動化導出過程的連貫。
CNKI驗證碼識別主要分為四個步驟：
1 去掉灰色干擾線
2 去掉干擾點
3 二值化
4 基於Tesseract識別
CNKI驗證碼是長這個樣子。
首先，要去掉驗證碼圖片的灰色干擾線，如圖：
去掉干擾線的思路：干擾線都是灰色，而灰色的RGB三色的值相對來說都比較大，所以將RGB三色值均大於150的點的顏色設置成白色。程式碼如下：
Bitmap bmp = (Bitmap)Image.FromFile(imagePath); for (int i = 0; i < bmp.Width; i++) { for (int j = 0; j < bmp.Height; j++) { Color color = bmp.GetPixel(i, j); int threshold = 150; if (color.R > threshold && color.G > threshold && color.B > threshold) { Color newColor = Color.FromArgb(255, 255, 255); bmp.SetPixel(i, j, newColor); } } }
然後，去掉干擾點，如圖：
去掉干擾點的思路很簡單，遍歷每個點，如果它上下左右8個鄰居點，有6個以上是白色的點，就把這個點也設置成白色。
for (int i = 0; i < bmp.Width; i++) { for (int j = 0; j < bmp.Height; j++) { var colorList = GetColorList(bmp, i, j); var count = colorList.Count(x => x.R == 255 && x.G == 255 && x.B == 255); if (count >= 6) { bmp.SetPixel(i, j, Color.FromArgb(255, 255, 255)); } } }
圖片識別前需要二值化，也就是把圖片變成黑白兩色，即把所有的點都變成黑色。
Eugu.CV提供了二值化的方法。
var gray = new Image<Gray, Byte>(bmp); var image = gray.CopyBlank(); CvInvoke.Threshold(gray, image, 120, 255, ThresholdType.Triangle);
最後，就是用Eugu.CV集成的Tesseract-OCR識別二值化圖片。
Tesseract是非常強大的OCR開源庫，Eumu.CV集成了Tesseract 4.0，可以用lstm識別模式提供識別效率。
Emgu.CV.OCR.Tesseract ocr = new Emgu.CV.OCR.Tesseract(path, "eng", Emgu.CV.OCR.OcrEngineMode.LstmOnly, whitelist, true);
ocr.PageSegMode = Emgu.CV.OCR.PageSegMode.SingleLine;
var gray = new Image<Gray, Byte>(image);
ocr.SetImage(gray);
if (ocr.Recognize() != 0) throw new Exception("Failed to recognizer image"); var list = ocr.GetCharacters().Select(x => x.Text); textBox.Text = string.Join("", list);
如果你對識別結果的精確度不夠滿意，還可以通過Tesseract自己訓練提高識別精度。
