Java 验证码识别（3）验证码切割1 CFS连通域分割法

我就是我 2023-10-06 21:07 7阅读 0赞

这一步是最难的，参考了很多论文和博文，最终选择 X 轴投影法（垂直投影法）、CFS连通域法、惯性滴水算法。惯性大水滴滴水算法效果不明显舍弃。验证码切割最怕的就是黏连字符，相比干扰线和噪点就难多了。像这种黏连字符就很难了。

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5bCP55m-6I-c_size_20_color_FFFFFF_t_70_g_se_x_16][]

## 1、CFS连通域法 ##

缺点：某些字符分割错误，比如 "回" 会被 分割成 一个外框 "口" 和 一个内部 "口"，这里验证码没有这个问题。

黏连字符没法分割。

优点：优点还是很明显的，只要字符之间不黏连，不论是旋转或者扭曲都能准确的分割。

这里可以用来初步的切割，先把能切割的字符切出来。

分割前，先将图片处理成灰度图片

package com.demo.verify;
    
    
    import java.awt.Color;
    import java.awt.Point;
    import java.awt.image.BufferedImage;
    import java.io.File;
    import java.util.ArrayList;
    import java.util.HashMap;
    import java.util.List;
    
    import javax.imageio.ImageIO;
    
    /**
     * CFS连通域法分割
     */
    public class CFS {
    
        private static int minPix = 50;// 单个图片最小的像素数width*height,下面会抛弃小于这个像素数的小图块
    
        public static void main(String[] args) throws Exception {
            String imageFile = "C:/verify/6097.png";
            File file = new File(imageFile);
            BufferedImage sourceImage = ImageIO.read(file);
            List<BufferedImage> list = new ArrayList<>();
            getImgCell(sourceImage, list);
            for (int j = 0; j < list.size(); j++) {
                BufferedImage subImg = list.get(j);
                String prex = file.getName().split("\\.")[0];
                String suffix = file.getName().split("\\.")[1];
                String filename = prex + "-" + j + "." + suffix;
                ImageIO.write(subImg, "png", new File(file.getParentFile().getPath(), filename));
            }
        }
    
        /**
         * CFS连通域法
         * @param img     需要拆解的图(java.awt.image.BufferedImage)
         * @param subImgs
         * @throws Exception
         * @author lihuaishu
         * @date 2021年12月22日 下午12:57:22
         */
        public static void getImgCell(BufferedImage img, List<BufferedImage> subImgs) throws Exception {
            // 获取图片宽高
            if (img != null) {
                int width = img.getWidth();
                int height = img.getHeight();
                HashMap<Point, Integer> pointMap;// 一个图块的点（黑色点）
                Point point;
                // 用于装填每个图块的点数据
                List<HashMap<Point, Integer>> pointList = new ArrayList<HashMap<Point, Integer>>();
                // 根据宽高遍历图片中的所有点进行计算
                for (int x = 0; x < width; ++x) {
                    for (int y = 0; y < height; ++y) {
                        // 找到一个点
                        label:
                        if (isBlack(img.getRGB(x, y))) {
                            point = new Point(x, y);// java.awt.Point
                            for (HashMap<Point, Integer> pointHashMap : pointList) {
                                if (pointHashMap.get(point) != null) {
                                    break label;// 跳到标签处,此时不会再执行下面的内容.
                                }
                            }
    
                            pointMap = new HashMap<Point, Integer>();
                            // 这个用法很关键,根据Map的KEY值不能重复的特点避免重复填充point
                            pointMap.put(point, 1);
                            // 根据当前坐标点，递归获取与该点连接的所有点
                            getAllPoint(x, y, img, pointMap, 0);
                            pointList.add(pointMap);
                            break;
                        }
                    }
                }
    
                BufferedImage imgCell;
                int l, t, r, b, w, h, index;
                // 根据提取出来的point创建各个碎图块
                for (int i = 0; i < pointList.size(); ++i) {
                    pointMap = pointList.get(i);
                    // 图片的左,上,右,下边界以及宽,高
                    l = t = r = b = w = h = index = 0;
                    for (Point p : pointMap.keySet()) {
                        if (index == 0) {
                            // 用第一个点来初始化碎图的四个边界
                            l = p.x;
                            t = p.y;
                            r = p.x;
                            b = p.y;
                        } else {
                            // 再根据每个点与原有的点进行比较取舍四个边界的值
                            l = Math.min(l, p.x);
                            t = Math.min(t, p.y);
                            r = Math.max(r, p.x);
                            b = Math.max(b, p.y);
                        }
                        index++;
                    }
                    w = r - l + 1;
                    h = b - t + 1;
                    // 去除杂点(小于50像素数量的点集不要)
                    if (w * h < minPix)
                        continue;
                    // 创建个图片空壳子(里面的所有点值都是0,即黑色)
                    imgCell = new BufferedImage(w, h, BufferedImage.TYPE_INT_RGB);
                    // 先将所有点替换成白色(反正我没有找到new BufferedImage的时候可以初始化像素色值的)
                    for (int x = 0; x < w; ++x) {
                        for (int y = 0; y < h; ++y) {
                            imgCell.setRGB(x, y, 0xffffffff);// 图片换成白底
                        }
                    }
                    // 图像对应点换成黑色(如果上面换成白底的一步不做的话下面这里可以替换成白色,就变成了黑底白色的碎图了)
                    for (Point p : pointMap.keySet()) {
                        imgCell.setRGB(p.x - l, p.y - t, 0);
                    }
                    // 将切好的图放入上文传入的容器中(不传入容器的话这里可以用于返回)
                    subImgs.add(imgCell);
                }
            }
    
        }
    
        /**
         * 根据当前坐标点，递归获取与该点连接的所有点
         * @param x         当前点x轴坐标
         * @param y         当前点y轴坐标
         * @param img       原图
         * @param pointMap  一个图块的点（黑色点），可能是一个字符也可能是多个字符
         * @param diguiTime 递归次数
         */
        private static void getAllPoint(int x, int y, BufferedImage img, HashMap<Point, Integer> pointMap, int diguiTime) {
            diguiTime++;// 递归次数
            if (diguiTime >= 500) {
                throw new RuntimeException("递归次数大于500");
            }
            // 左边
            Point pl = new Point(x - 1, y);
            if (x - 1 >= 0 && isBlack(img.getRGB(x - 1, y)) && pointMap.get(pl) == null) {
                pointMap.put(pl, 1);
                getAllPoint(x - 1, y, img, pointMap, diguiTime);
            }
            // 右边
            Point pr = new Point(x + 1, y);
            if (x + 1 < img.getWidth() && isBlack(img.getRGB(x + 1, y)) && pointMap.get(pr) == null) {
                pointMap.put(pr, 1);
                getAllPoint(x + 1, y, img, pointMap, diguiTime);
            }
            // 上边
            Point pt = new Point(x, y - 1);
            if (y - 1 >= 0 && isBlack(img.getRGB(x, y - 1)) && pointMap.get(pt) == null) {
                pointMap.put(pt, 1);
                getAllPoint(x, y - 1, img, pointMap, diguiTime);
            }
            // 下边
            Point pb = new Point(x, y + 1);
            if (y + 1 < img.getHeight() && isBlack(img.getRGB(x, y + 1)) && pointMap.get(pb) == null) {
                pointMap.put(pb, 1);
                getAllPoint(x, y + 1, img, pointMap, diguiTime);
            }
    
            diguiTime--;
        }
    
        /**
         * 判断是否为黑色像素点
         * @param rgb
         * @return
         */
        private static boolean isBlack(int rgb) {
            Color color = new Color(rgb);
            if (color.getRed() + color.getGreen() + color.getBlue() <= 300) {
                return true;
            }
            return false;
        }
    
    }

这里需要注意一下，minPix = 50;// 单个图片最小的像素数width\*height,这个用来剔除不需要的毛刺。

效果：![09c0d6c2398e4f639883eb97f442f5b3.png][]

切割后有3个块：![6cfe42f8ac4842f995cdb2a4c5f9dffa.png][] ![ab085285b8724e35833465a87d11ef84.png][]![59f0bc1668934b749a868980d013ac9a.png][]

##  ##

[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBA5bCP55m-6I-c_size_20_color_FFFFFF_t_70_g_se_x_16]: https://img-blog.csdnimg.cn/12fc7f36ebc44014954a9ea12e1f9bb8.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBA5bCP55m-6I-c,size_20,color_FFFFFF,t_70,g_se,x_16
[09c0d6c2398e4f639883eb97f442f5b3.png]: https://img-blog.csdnimg.cn/09c0d6c2398e4f639883eb97f442f5b3.png
[6cfe42f8ac4842f995cdb2a4c5f9dffa.png]: https://img-blog.csdnimg.cn/6cfe42f8ac4842f995cdb2a4c5f9dffa.png
[ab085285b8724e35833465a87d11ef84.png]: https://img-blog.csdnimg.cn/ab085285b8724e35833465a87d11ef84.png
[59f0bc1668934b749a868980d013ac9a.png]: https://img-blog.csdnimg.cn/59f0bc1668934b749a868980d013ac9a.png