内容导航：在待识别的图像中去匹配模板,有一张10x10的模板图像,模板匹配是在图像中寻找目标的方法之一,求模板与图像的相似度有多种方法
{image}
一、如何用c语言实现验证码的校验
什么校验方法？
CRC检验如扒拿下：
include
int binaryToDec(char str)
{
unsigned n=0;
while(str!='\0')
{
if(str<'0'||str>'9')return -1;
n=n2+(str-'0');
str++;
}
return n;
}
void printBinary(int n)
{
if(n>1)printBinary(n/2);
printf("%d",n%2);
}
void main()
{
unsigned n,m,CRC=0x1A8000,;
char CRC16[32];
while(1)
{
printf("输春手搭入16位校验码:");
gets(CRC16);
n=binaryToDec(CRC16);
if(n>)
printf("输入值过长,请重新输入\n");
else break;
}
n<<=5;//n左移5位
m=n;//m等于n
while(fD>0x20)
{
while( !(m&fD) && !(CRC&1) )//保证被除数第一位为1
{
CRC>>=1;//除数右移一位
fD>>=1;//被除数首位的标志位右移一位
}
m=m^CRC;//被除数与除数相异或
}
n+=m;//薯闭模二余数相加
printf("输出21位校验码:");
printBinary(n);
printf("\n");
getchar();
}
二 、如何做到C程序进行验证码识别
如果是简单的图片验证码 ，上面仅是数字与字母，可以使用OCR识别生成验证码可以查看以下代码：
/产生验证码/
public string createcode(int codelength)
{
string code = "";
random rand = new random();
for (int i = 0; i < codelength; i++)
{
code += (char)(65, 90);
}
return code;
}
然后在使用的时候把它加到 session里就可以了啊
string checkcode = createcode(6); session["checkcode"] = checkcode;
最后比较 session里的值和用户输入的值
三 、送分：想注册网站新用户 ，需提供图形验证码 ，啥叫图形验证码
就是方框里的数字或者字母按图索骥就是旁边的那些数字和英文！照着输入就行了！
四、验证码识别之模板匹配方法
在写爬虫的时候难免会遇到验证码识别的问题，常见的验证码识别的流程为：
- 图像灰度化
- 图像去噪(如图像二值化)
- 切割图片
- 提取特征
- 训练
但这种方法要切割图片 ，而且破解验证码的重点和难点就在于 能否成功分割字符 。
本文要介绍的算法 不需要进行图片切割 ，也不需要进行机器训练 ，这种方法就是模板匹配：将待识别的文字切割成一个个模板 ，在待识别的图像中去匹配模板。
这篇文章将分为两个部分：
第一部分介绍模板匹配的基本概念以及模板匹配的一种实现算法：快速归一化互相关匹配算法；
第二部分是一键枯个具体实例 。
模板匹配是在图像中寻找目标的方法之一 ，目的就是在一幅图像中寻找和模板图像最相似的区域 。
模板匹配的大致过程是这样的：通过在输入图像上滑动图像块对实际的图像块和输入图像进行匹配。
假设我们有一张100x100的输入图像，有一张10x10的模板图像 ，查找的过程是这样的：
从输入图像的左上角(0,0)开缺亮耐始 ，切割一块(0,0)至(10,10)的临时图像；
用某种方法得出临时图像与模板的相似度c,存放到相似度矩阵中（矩阵大小为91 x91）；
切割输入图像从(0,1)至(10,11)的临时图像，对比，并记录到相似度矩阵；
重复上述步骤 ，直到输入图像的右下角 。
最终得到一个相似度矩阵 ，找到矩阵中的最大或最小值，最大值（最小值）对应的临时图像即为与模板最相似的图像 。
在步骤b中 ，求模板与图像的相似度有多种方法 ，如平均绝对差算法（MAD） 、绝对误差和算法（SAD） 、误差平方和算法（SSD）、归一化互相关算法（NCC），本文使用的是归一化互相关算法。
什么是归一化互相关？
从几何图形上来看 ，空间中的两个向量 ，同方向平行时，归一化互相关系数为1 ，表示两个向量最相似 ，反方向平行时归一化互相关系数为-1，垂直时为0 ，表示最不相似（用互相垂直的三个向量来代表整个空间也是这个道理 ，垂直的向量之间不包含对方的信息，相关系数为伏春0），存在一定夹角时处于（-1 ，1） ，是不是跟余弦函数很像，cos(0)=1,cos(pi/2)=0,cos(pi)=-1 。就是这个样子的 ，相关系数可以看作是两个向量之间夹角的cosine函数 。
在数学中是这么计算cosine函数的 ，假设两个n维向量X,Y，对应的坐标分别为(x1 ，x2 ，…xn), (y1，y2 ，…yn) 则：
（如果想要了解更多 ，请参考文献【2】）
但这是一维的，在模板匹配中要再加一个维度 （具体算法请参考文献【3】） ，简要说一下文献【3】的内容：如果直接计算二维相似度的话计算复杂度会非常高 ，文献【3】利用快速傅里叶变换与积分图像快速算法来降低计算复杂度。
接下来让我们看一个具体的应用 。
模板匹配识别验证码的具体步骤为：
1. 找出图片中所有可能出现的字符，制作成模板集合
2. 图像灰度化
3. 图片去噪（二值化）
4. 模板匹配
5. 匹配结果优化
要识别的图片如下，以识别图片中的加字为例：
要从image中找到与模板最匹配的部分 ，Template图像是事先从image图像中截取的一部分 。所用的为python模块skimage中的match_template方法 ，match_template方法使用的是快速归一化互相关算法 【2】 。
遍历模板图像集合，与图像匹配 ，如果dist大于阈值h ，则认为此模板在图像中存在，否则不存在 ，继续匹配下一个模板 ，直到遍历完所有模板 。
以模板‘加’为例，图像大小为40x260 ，模板大小27x27 ，result是一个大小为（14，234）的矩阵 ，即上文提到的相似度矩阵 ，矩阵中的数值属于[-1,1]，找到result中最大值所处的对应位置即为与模板最匹配的图像位置:x=66,y=11，正好对应模板图像在image中所处的位置 。 （更多内容请参阅参考文献【4】）
但这是比较好的情况 ，因为在匹配时遍历了所有的模板 ，而一张图片中出现的模板数量是有限的，比如数字’四’在图片中是没有的 ，这时就要根据某种规则去掉这些在图片中没有出现的模板：程序中使用dist变量来过滤匹配结果 ，如果dist变量大于某个值则认为此模板在图像中不存在。
最后的result_list中可能仍然存在一些图片中不存在的模板或者匹配不精确的模板，比如数字‘一’在模板中不存在 ，但仍然可以匹配到 ，因为数字‘二’中可以匹配到‘一’，需要进一步优化 ，优化方法有很多 ，比如当匹配到的两个模板距离过近时，选择较大的那个模板 ，其余方法留给读者自行考虑吧。
后续将会推出如何使用深度学习识别验证码 ，敬请期待~
参考文献：
.html
_/blog/2013/03/cosine__
J. P. Lewis, “Fast Normalized Cross-Correlation”, Industrial Light and Magic.
_/docsjinhqin/dev/auto_examples/plot__
本文作者 ：李晖（点融黑帮），毕业于电子科技大学，现就职于点融成都Data部门 ，对一切新鲜事物充满好奇 ，对跳舞毫无抵抗力的活力女青年一枚 。
