基于MATLAB完成数字验证码识别的GUI设计，图像处理，验证码识别等功能，采用多种方法完成图像二值化，最终验证码图像识别效果好

# -概要 ​ 本项目基于MATLAB完成数字验证码识别的GUI设计，图像处理，验证码生成、识别等功能。采用BP神经网络来实现对验证码图像的识别。验证码的识别，大概分为图片预处理、分割字符、识别字符三个过程，其中分割字符最为困难。本文采用基于遗传算法和最大熵优化的图像分割技术、大津法（OTSU）、自定义阈值三种技术进行字符分割，并作进一步分析。利用英国萨里大学提供的印刷体数字数据集，共10160张图片，90%的数据用于训练BP神经网络，剩余10%的数据用于测试，最终识别准确率达到93.47%，利用训练所得BP模型完成识别字符，最终验证码图像识别效果较佳。 # -成果  # -说明 1. 项目内img目录下为0-9十类数字图片各1016张，code_source为验证码生成所用0-9十类数字图片各10张，code_img为生成的验证码图片，md_img存放README.md所用的图片。项目内"\*.m"皆为MATLAB源代码文件，"\*.mat"为已处理好的数据文件。 2. 程序内所有路径为必填项，若没有路径单击对于按钮将弹出警告框； 3. 程序内BPNN的参数都有默认取值，若不填写则按默认取值，如图，鼠标悬停输入框内，出现提示信息。  同样的，验证码个数及灰度值都有默认取值。但是要注意，训练样本占比为必填项，没有默认取值。 4. 若项目路径下已有数据集文件，包括训练集、测试集数据，如“X_train.mat”时，不需要重新创建数据集再分割，单击载入已有数据按钮，设定参数即可继续。 5. 程序做了一定的异常处理，错误操作均会弹出提示信息（输入数据并没有作校验~~）。 6. 由于图片数据大，创建分割训练集、测试集耗时很长~~~~ # -演示 1. 打开MATLAB，运行“appgui.m”文件，即出现程序的主界面。 2. 第一模块“BPNN模型构建”中，在创建数据集中输入数据路径，**注意填入绝对路径，且最后必须有'\\'**，单击确定，弹出窗口，实时显示当前处理的图片。当创建数据集完成后，弹出提示框提示创建成功。将在项目路径下生成文件“inputs.mat”、“outputs.mat”。 <img src="./md_img/image-20220121114557125.png" alt="image-20220121114557125" style="zoom: 50%;" /> 3. 第一模块“BPNN模型构建”中，在分割数据集中输入训练样本占比(小数形式)，单击确定，等待分割完成。将在项目路径下生成文件“X_train.mat”、“y_train.mat”、“X_test.mat”、“y_test.mat”。 4. 第一模块“BPNN模型构建”中，在参数设定及网络训练中输入各个参数的值，单击训练，神经网络训练完成后，将在项目路径下生成文件“bp.mat”。 5. 第一模块“BPNN模型构建”中，单击测试，不可编辑的文本框内将产生测试结果。 6. 若对测试结果不满意，可返回步骤4，重新设定参数，重新训练网络。 7. 第二模块“生成验证码”中，输入字符数据路径，单击生成数据集，稍等片刻，将在项目路径下生成文件“codeInputs.mat”、“codeOutputs.mat”。 8. 第二模块“生成验证码”中，输入验证码存储路径，输入验证码个数，单击生成验证码，等待弹出提示框。即可在存储路径下生成指定个数的验证码图片。  9. 第二模块“识别验证码”中，单击选择验证码按钮，选择一张验证码图片。单击识别按钮即可完成验证码识别。 10. 当验证码识别效果不佳时，可采用其他二值化方法，在二值化区域右侧的弹出式菜单可以选择二值化方法，若改用自定义level，默认取值0.9。再次点击识别即可重新识别验证码。 11. 若默认灰度level二值化效果同样不佳，此时可以修改灰度level取值。重新点击识别即可。 # -不足 ​ 由于验证码种类繁多，目前的验证码识别应用往往只能识别一类验证码，不具有普遍性。本文所完成的验证码识别仅仅**针对非粘连的数字验证码**，应用领域受限。毫无疑问，粘连验证码的字符分割与识别将更为困难，本项目尚未涉及该部分内容，这也是目前存在的不足之处。