中国知网(CNKI)验证码识别

中国知网(CNKI)是最重要的中文学术资源数据库，收录绝大多数中文学术刊物。我们可以检索论文，也可以导出检索结果前6000条论文的题录数据。

在CNKI检索结果翻页10次以上，用户需要手动输入验证码才能继续。为了实现自动化题录数据导出，我们就需要通过程序识别验证码。最终，基于Eugu.CV实现验证码识别，正确率在70%以上，能保证自动化导出过程的连贯。

CNKI验证码识别主要分为四个步骤：

1 去掉灰色干扰线

2 去掉干扰点

3 二值化

4 基于Tesseract识别

CNKI验证码是长这个样子。

首先，要去掉验证码图片的灰色干扰线，如图：

去掉干扰线的思路：干扰线都是灰色，而灰色的RGB三色的值相对来说都比较大，所以将RGB三色值均大于150的点的颜色设置成白色。代码如下：

            Bitmap bmp = (Bitmap)Image.FromFile(imagePath);

            for (int i = ; i < bmp.Width; i++)
            {
                for (int j = ; j < bmp.Height; j++)
                {
                    Color color = bmp.GetPixel(i, j);
                    int threshold = ;
                    if (color.R > threshold && color.G > threshold && color.B > threshold)
                    {
                        Color newColor = Color.FromArgb(, , );
                        bmp.SetPixel(i, j, newColor);
                    }
                }
            }

然后，去掉干扰点，如图：

去掉干扰点的思路很简单，遍历每个点，如果它上下左右8个邻居点，有6个以上是白色的点，就把这个点也设置成白色。

            for (int i = ; i < bmp.Width; i++)
            {
                for (int j = ; j < bmp.Height; j++)
                {
                    var colorList = GetColorList(bmp, i, j);

                    var count = colorList.Count(x => x.R ==  && x.G ==  && x.B == );

                    if (count >= )
                    {
                        bmp.SetPixel(i, j, Color.FromArgb(, , ));
                    }
                }
            }

图片识别前需要二值化，也就是把图片变成黑白两色，即把所有的点都变成黑色。

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, , , ThresholdType.Triangle);

最后，就是用Eugu.CV集成的Tesseract-OCR识别二值化图片。

Tesseract是非常强大的OCR开源库，Eumu.CV集成了Tesseract 4.0，可以用lstm识别模式提供识别效率。

            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() != )
                throw new Exception("Failed to recognizer image");

            var list = ocr.GetCharacters().Select(x => x.Text);

            textBox.Text = string.Join("", list);

如果你对识别结果的精确度不够满意，还可以通过Tesseract自己训练提高识别精度。