规则教程之八58图片识别，验证码识别插件原理

lypying

这是我最近研究的，其实网上也有各种识别代码，因为最近遇见58同城又一次的升级了防采集系统，以前的规则全部挂掉了。多页采集下来的号码全是110，NND 58同城这是在挑衅我们采集的人啊，所以决定研究图片识别，此图片识别原理不仅可以识别58的图-片-电-话，还可以识别其他的图-片-电-话验证码，甚至是汉字。本文仅就原理与大家分析，因为核心代码和思想不是我本人的。只是通过读别人的代码 理解原理用通俗的语言写给大家
首先谈下图-片的构成在计算机里图-片是用RGB表示的。具体如何表示问百度。
分别是三个255 255 255的值。具体颜色什么值可以继续查百度，就不在这里科普了
来个实例

1. http://wap.58.com/ImageResize.JPG?w=100&h=30&c=4868893903106
   

复制代码

这个是58同城的一个WAP地址的手-机-电-话-图

用任何一款图-片编辑软件打开可以看到背景是白色的，我们暂时称之为背景色。文字是红色的 我们这里称之为前景色
我们要的 就是前景色的信息。我们可以这样看，如果背景色全是数字0前景色都是数字1那么很容易的可以看出这个图-片上面的前景色表示的是什么数字。
如图

如果你看不出这个是什么数字....你就距离屏幕远一些，就可以很清楚的看出来是什么数字了，当然是这个电-话-号-码了。因为做的就是-电-话-号-码-么
通过对这组数的处理就可以达到好的效果下面我详细说下步骤。将用很通俗的语言，尽量不用术语
一、图片的数字化，就是二值化把图片编程0和1组成的数组。
详细说下原理 前景色和背景色前面提到了。都是RGB的值通过不同的RGB的值按照像素点把图片数字化。红色的RGB的值和白色一定是不一样的。
二、建立字模
二值化后，可以建立识别字的模型。那么什么是模型那 来看附图

看不清的点击图放大就好了。红色框的就是每个数字的字体模型，理论上说如果图片上某个数字的形态是一样的话，那么字体模型也是一页的。
三、字体模型与原图的匹配
得到字体模型以后就可以做匹配了。首先要对原图二值化的数字矩阵分组。每个字都有高度和宽度，字间距，可以按照这个通过操作数组把不同位数的字取出来，与做好的字模进行匹配。
四、去除干扰，与验证码相比，图片的电-话还是比较好做的，至少没有干扰点和杂色。
如果想去除干扰也很简单。我将干扰分为两类。一类是杂点，就是图片上的小点点，这个再电-话图片上还没有遇见过，在一个就是连续的这个很常见。在58里很多都是这样的比如0571-12345678中间的-就是需要处理的。当然-也可以匹配下
就58同城的WAP页的电-话图片这是我按照以上方法做的效果

这就是效果，在制作的过程中要注意XY轴上的空白0这个可以通过循环排除掉的。不同的网站的图片是不一样的，字模当然也不一样，所以如果写识别不同网站一般是不同的。当然这个思想也可以用在验证码上。其他简单的图片识别上。如果有汉字我个人建议用别人做好的识别接口。结合这个再验证码以及图片识别方向就会有很多的扩展。比如输入验证码后才可见的。

因为不同网站的字模以及很多参数都不同。我附件附上了根据此种思想设计的程序。这个程序在论坛里也发过。
本文仅作算法以及程序思想的讲解，具体问题具体分析。欢迎在这领域研究的朋友或用到识别的朋友与我联系QQ 1754-7523

晚些时候已经将这个程序做成火车采集器的插件了。因为.NET实在是不会 VS装个也特别大我笔记本承受不了啦。还是PHP把，做成PHP插件了。效果还是可以的

1. http://wap.58.com/ImageResize.JPG?w=100&h=30&c=4877859529731
   

复制代码

写程序在乎算法，只要算法和思想有，您用什么语言表述。用什么语言开发这个都没任何关系。本文仅作算法与思想的讨论，附件是按照本算法实现的一个例程。源于网络。

zhouchanglin

厉害，还看不懂

专业收费采集

年前也在研究这个，转载到我的博客去了

303718

不错。支持两下

growhacker

这个感觉挺有难度的吧。学习下复杂点的插件。

liuxing8z

顶一个。。。。　了

Hialipy

过来看看

gobox

有没有方案解决的，给个地址

wxdrager

有没有方案解决的，给个地址

xuepeng

进来看看！是什么东西还不明白！