IT博客-textbox-随笔分类-验证码

RGB

零度 — Mon, 26 Jul 2010 09:14:00 GMT

　RGB色彩模式使用RGB模型为图像中每一个像素的RGB分量分配一个0~255范围内的强度值。RGB图像只使用三种颜色，就可以使它们按照不同的比例混合，在屏幕上重现16777216种颜色。

　　在 RGB 模式下，每种 RGB 成分都可使用从 0（黑色）到 255（白色）的值。例如，亮红色使用 R 值 255、G 值 0 和 B 值 0。当所有三种成分值相等时，产生灰色阴影。当所有成分的值均为 255 时，结果是纯白色；当该值为 0 时，结果是纯黑色

对一种颜色进行编码的方法统称为“颜色空间”或“色域”。用最简单的话说，世界上任何一种颜色的“颜色空间”都可定义成一个固定的数字或变量。RGB（红、绿、蓝）只是众多颜色空间的一种。采用这种编码方法，每种颜色都可用三个变量来表示-红色绿色以及蓝色的强度。记录及显示彩色图像时，R GB是最常见的一种方案。但是，它缺乏与早期黑白显示系统的良好兼容性。因此，件多电子电器厂商普遍采用的做法是，将RGB转换成YUV 颜色空同，以维持兼容，再根据需要换回RGB格式，以便在电脑显示器上显示彩色图形。　　　由于网页(WEB)是基于计算机浏览器开发的媒体，所以颜色以光学颜色RGB（红、绿、蓝）为主。网页颜色是以16进制代码表示，一般格式为#DEFABC （字母范围从A-F,数字从0-9 ）;如黑色，在网页代码中便是：#000000(在css编写中可简写为#000)。当颜色代码为#AABB11时，可以简写为#AB1表示，如#135与#113355表示同样的颜色。

格式简介

　　RGB1、RGB4、RGB8都是调色板类型的RGB格式，在描述这些媒体类型的格式细节时，通常会在BITMAPINFOHEADER数据结构后面跟着一个调色板（定义一系列颜色）。它们的图像数据并不是真正的颜色值，而是当前像素颜色值在调色板中的索引。以RGB1（2色位图）为例，比如它的调色板中定义的两种颜色值依次为0x000000（黑色）和0xFFFFFF（白色），那么图像数据001101010111…（每个像素用1位表示）表示对应各像素的颜色为：黑黑白白黑白黑白黑白白白…。

RGB565

　　¨ RGB565使用16位表示一个像素，这16位中的5位用于R，6位用于G，5位用于B。程序中通常使用一个字（WORD，一个字等于两个字节）来操作一个像素。当读出一个像素后，这个字的各个位意义如下：　　高字节低字节　　R R R R R G G G G G G B B B B B 　　可以组合使用屏蔽字和移位操作来得到RGB各分量的值：　　
#define RGB565_MASK_RED 0xF800 　　
#define RGB565_MASK_GREEN 0x07E0 　　
#define RGB565_MASK_BLUE 0x001F 　　
R = (wPixel & RGB565_MASK_RED) >> 11; // 取值范围0-31 　　
G = (wPixel & RGB565_MASK_GREEN) >> 5; // 取值范围0-63 　　
B = wPixel & RGB565_MASK_BLUE; // 取值范围0-31 　　
#define RGB(r,g,b) (unsigned int)( (r/0x08 << 11) | (g/0x08 << 6) | b/0x08 ) 　　
#define RGB(r,g,b) (unsigned int)( (r/0x08 << 10) | (g/0x08 << 5) | b/0x08 ) 　　该代码可以解决24位与16位相互转换的问题

RGB555

　　¨ RGB555是另一种16位的RGB格式，RGB分量都用5位表示（剩下的1位不用）。使用一个字读出一个像素后，这个字的各个位意义如下：　　高字节低字节　　X R R R R G G G G G B B B B B （X表示不用，可以忽略）可以组合使用屏蔽字和移位操作来得到RGB各分量的值：　　
#define RGB555_MASK_RED 0x7C00 　　
#define RGB555_MASK_GREEN 0x03E0 　　
#define RGB555_MASK_BLUE 0x001F 　　
R = (wPixel & RGB555_MASK_RED) >> 10; // 取值范围0-31 　　
G = (wPixel & RGB555_MASK_GREEN) >> 5; // 取值范围0-31 　　
B = wPixel & RGB555_MASK_BLUE; // 取值范围0-31

RGB24

　　¨ RGB24使用24位来表示一个像素，RGB分量都用8位表示，取值范围为0-255。注意在内存中RGB各分量的排列顺序为：BGR BGR BGR…。通常可以使用RGBTRIPLE数据结构来操作一个像素，它的定义为：　　
typedef struct tagRGBTRIPLE { 　　
BYTE rgbtBlue; // 蓝色分量　　
BYTE rgbtGreen; // 绿色分量　　
BYTE rgbtRed; // 红色分量　　
} RGBTRIPLE;

RGB32

　　¨ RGB32使用32位来表示一个像素，RGB分量各用去8位，剩下的8位用作Alpha通道或者不用。（ARGB32就是带Alpha通道的 RGB32。）注意在内存中RGB各分量的排列顺序为：
BGRA BGRA BGRA…。通常可以使用RGBQUAD数据结构来操作一个像素，它的定义为：　　
typedef struct tagRGBQUAD { 　　
BYTE rgbBlue; // 蓝色分量　　
BYTE rgbGreen; // 绿色分量　　
BYTE rgbRed; // 红色分量　　
BYTE rgbReserved; // 保留字节（用作Alpha通道或忽略）　　
} RGBQUAD。

零度 2010-07-26 17:14 发表评论

为了弄出验证码的识别程序还真需要花功夫

零度 — Mon, 26 Jul 2010 09:10:00 GMT

验证码是如何被识别出来的呢?

验证码在服务器端随即产生的以组字符并经过特殊处理以图片格式输出到客户端.给用户输入验证码.
主要的作用是防止"机器人"自动操作.但是盗高一尺魔高一仗.你给我图片我照样读给你看.
验证码的识别说实在的就是利用图片识别技术.为了让图片更准确就才用很多图片处理方法,比如(灰化,二值,滤色等等),然后比对字库取出最大相似度的字符.

主要需要了解的知识点:
1.了解验证码识别原理
2.了解图片处理方法原理.(灰化,二值,消噪,滤色,切图,取色等等)
3.掌握一门编程语言.
4. 理解神经网络模型

零度 2010-07-26 17:10 发表评论

二值化处理基本原理介绍(转)

零度 — Mon, 26 Jul 2010 08:35:00 GMT

二值化处理基本原理介绍

文章来源 http://blog.sina.com.cn/s/blog_4e45b84301009qof.html

◆ 二值化过程

1. 影像中通滤波或低通滤波

首先实施中通滤波或低通滤波，以降低像素的噪声，如有必要，则再以线性化来改变像素的灰度值分布图，并加强明暗对比，像素的灰度值分布图可予以展延 (extension) 处理加强对比，但对人眼区别瑕疵和背景之所在有帮助，对数字影像切割并无影响。

2. 影像灰度分划

二值化又称为灰度分划 (Threshold) ，一般影像的灰度分划成只有两种灰度值，亦即设定一个灰度值，凡是影像本身灰度大于它的便令其为亮点而灰度值低于设定值的，便令其为暗点，如此可得到一个二元的影像，凡是需要作文字识别或条纹辨认的影像，皆可利用此方式，先将一个复杂的图面简单化，分划法切割影像常用以侦测平滑表面工件的瑕疵、钢板表面瑕疵之机器视觉系统和印刷电路板的测量等。假设 m 为二值化之阀值 (thresholding value) ，例如设定影像灰度分划值 m 为

在此 f ：输入之影像 n ：所有像素之数目 f(x,y) ：像素坐标 (x,y) 的灰度值

凡是影像的灰度值低于分划值 m 的令为 0 ，影像的灰度值高于分划值 m 的令为 1 ，这种技巧称之为二值阀值撷取 (bilevel thresholding) 。如图 2 在一灰度为 8 阶之影像中，如欲将图像分成二个群集 ( 物体与背景 ) ，则选定适当的二值化之阀值 m ，令 f(x,y)>m 则 f(x,y) 设为 255 。 f(x,y) £ m 则 f(x,y) 设为 0( 图 3 ) 。

图 2 一个 8-bit 之影像二值化分析

图 3 一个 8-bit 之影像二值化后之结果

大部分的二值化影像是以一个特定的阀值将不同的物体加以分割，在实际应用上欲就一影像找出其特定的阀值之大小的方法有很多。如果二元影像之灰阶统计图具有双峰特性，那就可以利用机率统计的原理来找出最佳的阀值以分割二元影像中两个群集的像素，以达到自动阀值撷取之目的。

图 4 光场不均的影像

由于影像光场不均的情形很常见，例如图 4 为一雷射光干涉影像，由于激光束中心亮度值最大，边缘则亮度很小，因此在实际的作法上一个特定的阀值也许不能有效的处理这类影像二值化的问题。二值化临界值的大小常关系到是否正确的侦测目标物，一般说来浓度分布图可以作选择临界值的依据，如果浓度分布图呈现着双峰的形状时，则两峰间谷点对应之灰度值即是适当的二值化临界值，但如果影像在取像时为不均匀的光场所照射，假设物体为亮，背景为暗，这时如果只使用一个二值化临界值，可能会使点处背景中的物体也沦为背景，而明亮外的背景则也有转变为物体的可能 ( 图 5) ，因此必须使用动态的临界值，亦即在明亮处临界值须高些，而黑暗处临界值不妨低些，才能得到良好的二值化结果。

图 5 影像光场不均时只取一个特定的阀值的二值化情形

动态二值化临界点的方法也有很多，一种是针对已知光场的不均匀程度事先调查好，例如在未放入物体时即对此不均匀光场先取像，然后对此影像求取各部位适当的临界值。动态二值化临界点的方法也有很多，一种是针对已知光场的不均匀程度事先调查好，例如在未放入物体时即对此不均匀光场先取像，然后对此影像求取各部位适当的临界值。如果对于无法预知的光场，则可将影像取成若干小区块，然后求其这些小区块的平均值，这点可利用现成的点素合并处理 (pixelize) 程序来作，然后定出每一小区块的临界值，不过这么做还是会有问题，因为如果区块取得太小，则无法压抑掉背景中的微量起伏的噪声，届时这些微小的亮度起伏变化都可能变成物体，导致错误。如果我们将区块取得太大，则各区块间的临界值可能产生陡升或陡降的现象，如此也造成在区块与区块二值化图形边缘处会有明显不连续的现象。因此比较理想的情况是使用类似屏蔽运算的方式来解决二值化临界值的问题，亦即这些区块会随着点素来移动，随着点素所在区域之不同，二值化临界值的大小亦随之而改变 ( 图 6) ，大致上可以将点素所在区域之平均灰度值加上某一常数作为该点二值化临界值的大小，这个方法所使用之区块面积不能太小，否则仍可能出现无法压抑掉背景中的微量起伏的噪声之情形，由于区块的面积不能太小，因此整体的计算量将很可观，这也是此法最大的缺点。

图 6 影像光场不均时使用动态阀值的二值化情形

零度 2010-07-26 16:35 发表评论