分享好友 编程语言首页 频道列表

Matlab神经网络验证码识别

matlab  2023-02-09 07:500

本文，将会简述如何利用Matlab的强大功能，调用神经网络处理验证码的识别问题。 
预备知识，Matlab基础编程，神经网络基础。 
可以先看下：

Matlab基础视频教程

Matlab经典教程——从入门到精通

神经网络入门

验证码识别原理

Matlab对图像读入处理，去掉噪声点和较浅的点，进行二值化，将图像转变为0/1矩阵，这样就完成了预处理。 
然后要对图像进行切割，取到每个数字的小图片位置，将其缩放至等大小，方便神经网络进一步处理。 
最后将图片转成神经网络能够识别的格式，例如BP网络，则将其转为行向量，深卷积网络，则将其转为矩阵即可。

识别预处理

Matlab对验证码的识别是基于神经网络的，但预处理工作还是占了整体工作的大半，将数据整理好并处理成对应可用的格式，问题就简单了很多。 
Matlab的一大缺陷是不注重数据结构，其结构体无比难用，所以我们这里将尽可能使用矩阵进行处理，而参数较多时，我们也只是简单的将其放入到元胞数组中，不优雅之处，敬请见谅。

首先介绍一下matlab的图像基本处理函数：

img = imread('path') # 返回一个图像的矩阵，其每个元素的值，包含rgb三个通道的数据。
imshow(img) # 显示图像
imgGray = rgb2gray(img) # 转为灰度图像
thresh = graythresh(imgGray); % 自动确定二值化阀值
BW = 1 - im2bw(imgGray,thresh);   % 二值化，且取反，黑的部分是0，白的部分是1,
I2 = bwareaopen(BW, 8, 8);   % 去除连通分量中小于10的离散点
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

我们看看目标的图片： 
Matlab神经网络验证码识别

有很多随机的像素点干扰，我们需要将这些像素点去除，然后进行图像切割。

切割图片实际上很简单，就是对图片中每行每列进行统计，然后将形成的波形进行扫描，每个从0上升又下降到0的区域，就是一个字符。

Matlab神经网络验证码识别

切割后的图片：

Matlab神经网络验证码识别

下面我们来写一个完整的函数分割器函数，为了检测正确性，我们这里提供了isshow标记，如果设置为true，将会打印中间的调试信息。


% 图片分割器

function y = cutting(img, isshow)
    if nargin < 2; isshow = false; end
    if isshow;
        imshow(img); % 显示彩色图像
    end
    imgGray = rgb2gray(img); % 转为灰度图像

    thresh = graythresh(imgGray); % 自动确定二值化阀值 （这个不太好，有时会整体删除一个字）
    BW = 1 - im2bw(imgGray,thresh);   % 二值化
    I2 = bwareaopen(BW, 8, 8);   % 去除连通分量中小于10的离散点

    varray = sum(I2); 
    imgsize = size(I2);

    if isshow
        figure; % 打开一个新的窗口显示灰度图像
        imshow(imgGray); % 显示转化后的灰度图像

        harray = sum(I2');
        x1 = 1 : imgsize(1, 1);
        x2 = 1 : imgsize(1, 2);
        figure; % 打开一个新的窗口显示分割图
        plot(x1, harray, 'r+-', x2, varray, 'y*-');

        figure; % 打开一个新的窗口显示灰度图像
        imshow(I2); % 显示转化后的灰度图像
    end

    va = mean(varray);    % 计算平均值
    harray = sum(I2'); 
    vb = mean(harray);

    %% matlab 设计的实在太烂！真是我有史以来见过的最烂的语言
    %% 函数只有搅成一坨的情况下才能正确运行
    %% 他们根部不知道如何用闭包，以及合理的封装对象

    isanum = false; 
    sumy = 0;
    for i = 1 : imgsize(1, 1)
        if harray(i) > vb;
            if isanum == false;
                isanum = true;
                cvb = i;
            end
        else
            if isanum;
                isanum = false;
                cve = i;
                sumy = sumy + 1;
                if isshow;
                    hold on;
                    plot([0 imgsize(1,2)], [cvb cvb],'r--');
                    plot([0 imgsize(1,2)], [cve cve], 'r--');
                end
            end
        end
    end

    y = {}
    sumy = 0;
    for i = 1 : imgsize(1, 2);
        if varray(i) > va;
            if isanum == false;
                isanum = true;
                ctb = i;
            end
        else
            if isanum;
                isanum = false;
                cte = i;
                sumy = sumy + 1;
                if isshow;
                    hold on;
                    plot([ctb ctb], [0 imgsize(1,1)],'r--');
                    plot([cte cte], [0 imgsize(1,1)],'r--');
                end
                t = I2(cvb:cve, ctb:cte);
                y{sumy} = t;
            end
        end
    end
end
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69
  • 70
  • 71
  • 72
  • 73
  • 74
  • 75
  • 76
  • 77
  • 78
  • 79
  • 80
  • 81
  • 82
  • 83
  • 84
  • 85
  • 86

我们这个函数实现了对图片的预处理工作，成功的将大部分图片分割成了小图片，放到返回的元胞数组中，但这还有一个重要的问题，就是切割后的图片并不等大小。

并且，我们为了让这些图片能够方便的进行训练，希望将他们归好类别，方便标记。将图像等大小十分简单，只需要将图像的最大的长和宽找到，然后对矩阵进行扩展，多余的位置补0即可。

%% 将数字分类放置
for i = 1 : length(imgs_name)
    img_name = imgs_name{i};
    imgs = cutting(imread(['train/',img_name,'.jpg']), false);
    if (length(imgs) == length(img_name))
        imgs_num_size = length(img_name);
        for j = 1 : imgs_num_size
            tmp_num = str2num(img_name(j)) + 1;
            imgs_sample_num(tmp_num) = imgs_sample_num(tmp_num) + 1;
            imgs_sample{tmp_num, imgs_sample_num(tmp_num)} = imgs{j};
            tmp_size = size(imgs{j});
        end
    end
end

max_size = [16 16];

%% 归一化所有样本，使其等大小
for i = 1 : 10
    for j = 1 : imgs_sample_num(i)
        temp = zeros(max_size);
        imgs_size = size(imgs_sample{i, j});
        temp(1:imgs_size(1,1), 1:imgs_size(1,2)) = imgs_sample{i, j};
        imgs_sample{i, j} = temp;
        % figure;
        % imshow(temp);
    end
end
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28

分别用BP网络和深卷积网络来进行图像识别

BP网络结构

由于已经做好了充足的预处理工作，那么接下来的识别就十分简单了，BP网络和深卷积网络都有对应的库支持操作，所以我们只需要编写配置代码就可以了。

BP网络就是简单的三层结构，由于层数太大可能带来误差残差太小等问题，造成训练困难，我们这里使用足够多的隐层节点保障BP网络的精度就可以了。

输入就是整个图像转为1维向量，输出则是可能属于的类别的概率，是一个10维的向量，要确定分类结果，就将其中最大的数字找到即可。

BP网络的训练及识别

那么，我们就可以开始组织训练数据了。


% 创建数据集
%% buildtrainset: 用来创建神经网络适合的训练集
function [inputs outputs] = buildtrainset(imgs, number)
    i = 1;
    for k = 1 : 10
        for j = 1 : number(k)
            input = imgs{k, j};
            input_size = numel(input);
            inputs(i, :) = reshape(input', input_size, 1);
            outputs(i, :) = zeros(10, 1);
            outputs(i, k) = 1;
            i = i + 1;
        end
    end
end
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16

然后训练并比较正确与否：

function y = runbp(imgs_sample, imgs_sample_num, max_size)
    % bp 网络训练
    [a, b] = buildtrainset(imgs_sample, imgs_sample_num);
    net = bpann(a', b');

    % bp 测试
    image_dir=dir('image/*.jpg');
    for i = 1: length(image_dir)
        str_name = image_dir(i).name;
        imgs_test{i} = str_name(1:4);
    end

    rightnum = 0;
    sumnum = 0;

    for i = 1 : length(imgs_test)
        img_name = imgs_test{i};
        imgs = cutting(imread(['image/',img_name,'.jpg']), false);
        if (length(imgs) == length(img_name))
            for j = 1 : length(img_name)
                tmp_num = str2num(img_name(j)) + 1;

                %% 等大小化
                temp = zeros(max_size);
                imgs_size = size(imgs{j});
                temp(1:imgs_size(1,1), 1:imgs_size(1,2)) = imgs{j};
                imgs{j} = temp;

                input_size = numel(temp);
                testInput(j, :) = reshape(temp', input_size, 1);
            end
            size(testInput)
            Y = sim( net , testInput' );

            mans = [1:4];
            for j = 1 : length(img_name)
                ymax = 0;
                yans = NaN;
                for k = 1 : 10
                    if (ymax < Y(k, j))
                        ymax = Y(k, j);
                        yans = k;
                    end
                end
                mans(j) = yans-1;

                sumnum = sumnum + 1;
                if (mans(j) == str2num(img_name(j)))
                    rightnum = rightnum + 1;
                end
            end

            img_name
            mans

        end
    end
    rightdata = [rightnum, sumnum-rightnum]
    pie(rightdata, {'right', 'wrong'});

end
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61

经过1500次左右的迭代，收敛精度基本达到了要求：

Matlab神经网络验证码识别

Matlab神经网络验证码识别

识别结果：

1830
mans =
     1     8     3     0

2940
mans =
     2     9     4     0

3742
mans =
     3     7     4     2

5980
mans =
     5     9     8     0

6739
mans =
     6     7     3     9

8240
mans =
     8     2     4     0

8324
mans =
     8     3     2     4
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28

但遗憾的是，识别正确率并不是100%，而是70%，由于有3组数据在预处理时失败了，并没有被正确的二值化，造成了无法识别，但可以看出，神经网络的识别正确率还是相当高的。

深度卷积网络的图像识别

我们这里使用了一个流行的深度学习工具包DeepLearnToolbox，这个工具包可以在github上被找到。 
将其下载下来，然后添加两个path路径，将其引用：

path(path, 'DeepLearnToolbox-master/CNN/')
path(path, 'DeepLearnToolbox-master/util/')
  • 1
  • 2

然后我们构建一个卷积网络的结构struct，并利用类似BP的方式，将数据集构造好：

    % 网络训练集构造
    [a, b] = buildtrainset_cnn(imgs_sample, imgs_sample_num);

    % 16×16的原图片

    cnn.layers = {
        struct('type', 'i') %input layer
        struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer
        struct('type', 's', 'scale', 2) %sub sampling layer
        struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer
        struct('type', 's', 'scale', 2) %sub sampling layer
    };
    cnn = cnnsetup(cnn, a, b);
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13

而卷积网络的配置如下：

    % 学习率  
    opts.alpha = 2;  
    % 每次挑出一个batchsize的batch来训练，也就是每用batchsize个样本就调整一次权值，而不是  
    % 把所有样本都输入了，计算所有样本的误差了才调整一次权值  
    opts.batchsize = size(a, 3);   
    % 训练次数，用同样的样本集。我训练的时候：  
    % 1的时候 11.41% error  
    % 5的时候 4.2% error  
    % 10的时候 2.73% error  
    opts.numepochs = 2000;

    % cnn = cnntrain(cnn, a, b, opts);  % 如果是还未训练
    load cnn_save cnn;  %如果已经训练过，载入保存的网络就可以了
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13

这样我们来观察一下网络的结构，这是一个复杂的网络，input是一个16×16的图片，而每次卷积的核都是5×5的，还会有两个降维层。

然后我们会进行测试，和BP网络几乎一样

% 测试
    image_dir=dir('image/*.jpg');
    for i = 1: length(image_dir)
        str_name = image_dir(i).name;
        imgs_test{i} = str_name(1:4);
    end


    rightnum = 0;
    sumnum = 0;

    for i = 1 : length(imgs_test)
        img_name = imgs_test{i};
        imgs = cutting(imread(['image/',img_name,'.jpg']), false);
        if (length(imgs) == length(img_name))
            for j = 1 : length(img_name)
                tmp_num = str2num(img_name(j)) + 1;

                %% 等大小化
                temp = zeros(max_size);
                imgs_size = size(imgs{j});
                temp(1:imgs_size(1,1), 1:imgs_size(1,2)) = imgs{j};
                imgs{j} = temp;

                input_size = size(temp);
                testInput(:, :, j) = reshape(temp', input_size(1,1), input_size(1,2));
            end

            % 然后就用测试样本来测试  

            cnn = cnnff(cnn, testInput);
            cnn.o
            [~, mans] = max(cnn.o);

            img_name
            mans = mans-1
            % [~, a] = max(y);
            % bad = find(mans ~= a);
        end
    end

    %plot mean squared error  
    plot(cnn.rL);
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43

Matlab神经网络验证码识别

附: 源码仓库

https://github.com/sunxfancy/ANN2

查看更多关于【matlab】的文章

展开全文
相关推荐
反对 0
举报 0
评论 0
图文资讯
热门推荐
优选好物
更多热点专题
更多推荐文章
如何在Abaqus的python中调用Matlab程序
目录1. 确定版本信息2. 备份python3. 设置环境变量4. 安装程序5. 调试运行参考资料Abaqus2018操作系统Win10 64位Python版本2.7（路径C:\SIMULIA\CAE\2018\win_b64\tools\SMApy\python2.7）2. 备份python将上述的“python2.7”文件夹复制出来，避免因操作错误

0评论2023-03-16608

ROS与Matlab系列：一个简单的运动控制 基于matlab的运动控制系统
转自：http://blog.exbot.net/archives/2594Matlab拥有强大的数据处理、可视化绘图能力以及众多成熟的算法函数，非常适合算法开发；在控制系统设计中，Simulink也是普遍使用的设计和仿真工具。而ROS系统，则是一种新的标准化机器人系统软件框架。通过ROS，你

0评论2023-02-10920

matlab 遍历结构体struc的成员
MATLAB中专门用于对结构数组的操作的函数并不多，通过 help datatypes获取数据类型列表，可以看到其中的结构数据类型的有关的函数，主要如表4.3.1所示。表4.3.1 结构数组的操作函数函数名             功能描述 deal                 把输入处

0评论2023-02-09712

matlab编程如何换行 matlab怎么换行
空格+三个点+逗号

0评论2023-02-09691

C/C++中调用matlab引擎计算 matlab转c
原帖地址：http://blog.sina.com.cn/s/blog_6adcb3530101cvot.html一，在linux环境使用matlab引擎必须先进行一些必要的配置1，matlab引擎依赖/bin/csh启动，所以不管你使用何种shell，都必须安装csh。＊＊2，matlab引擎依赖的动态库文件目录必须在系统当前的

0评论2023-02-09451

matlab几何纠正，间接法，双线性内插
超简洁，超级快，两个文件datapre.m文件代码:global X;global Y;global A;global l;global i;global I;global m;global n;global k;global dx;  A=[];l=[];i=0;m=[];n=[];dx=[]; fig=figure;subplot(1,2,1);I=imread('编程实习2-待纠正图像.bmp');imshow(I

0评论2023-02-09482

Matlab 根号的输入
二次根号：sqrt(a)或a^0.5三次根号：x^(1/3)或者x.^(1/3)根据x的数据结构类型矩阵、数组需要.^

0评论2023-02-09969

命令视频Matlab下查看摄像头设备信息
时间紧张，先记一笔，后续优化与完善。    应用如下2个命令：         info = imaqhwinfo('winvideo')    每日一道理 俄国作家契诃夫说：“有大狗，有小狗，小狗不该因为大狗的存在而心慌意乱。所有的狗都应该叫，就让他各自用上帝给他的声音

0评论2023-02-09957

How to use the HMM toolbox (Matlab)
一、离散输出的隐马尔科夫模型（DHMM，HMM with discrete outputs）最大似然参数估计EM（Baum Welch算法）The script dhmm_em_demo.m gives an example of how to learn an HMM with discrete outputs. Let there be Q=2 states and O=3 output symbols. We c

0评论2023-02-09459

permutation 随机置换检验的Matlab程序
假定a为某指标在10个样本中的值，5个一组，看以两组均值的差为例（统计量），随机置换检验程序 example: a: 230 -1350 -1580 -400 -760 970 110 -50 -190 -200v1=sum(a(1:5))/5;v2=sum(a(6:10))/5;T=abs(v1-v2);x=perms(a);      %矩阵a的全排列（随机全

0评论2023-02-09662

MATLAB学习1 之画图函数
ezplot适用条件“ezplot”命令可以用于显函数、隐函数和参数方程作图。不同函数的使用格式显函数y=f(x),ezplot函数的调用格式为ezplot(f, [xmin xmax]);              例：ezplot(\'sin(10*pi*x)/x\',[1 2]);%画出函数曲线隐函数f(x,y)=0,ezplot函数的

0评论2023-02-09591

Matlab 之 数据元素访问
Matlab的含义是矩阵实验室，其特征之一就是数据的向量化操作，借此提升软件运行效率。那么，必然会涉及数据元素的访问。Matlab主要支持下面一些形式的访问：（1）array-inde： A（i）（2）cell-index： C{i}（3）struct field: S.fieldname不同的访问方式，效

0评论2023-02-09994

更多推荐