Python基于OpenCV实现验证码字符分割的方案

def split_picture(imagepath):
    # 读取图片：以灰度模式（0）读取，减少色彩干扰
    gray = cv2.imread(imagepath, 0)
    if gray is None:
        print(f"错误：无法读取图片，请检查路径 '{imagepath}' 是否正确")
        return

# 边缘处理：仅轻微处理边缘（避免过度裁剪字符）
height, width = gray.shape
# 只处理最外层1像素，避免大面积修改边缘导致字符丢失
for i in range(width):
    gray[0, i] = 255
    gray[height - 1, i] = 255
for j in range(height):
    gray[j, 0] = 255
    gray[j, width - 1] = 255

# 中值滤波：减小模板（避免模糊字符细节）
blur = cv2.medianBlur(gray, 3)  # 3*3模板，保留更多字符细节

# 二值化：降低阈值（确保字符被正确识别为黑色）
# 尝试更低的阈值（150），避免字符因亮度问题被误判为背景
ret, thresh1 = cv2.threshold(blur, 150, 255, cv2.THRESH_BINARY)

# 查找轮廓：保留所有轮廓（包括内部结构，避免漏检）
contours, hierarchy = cv2.findContours(thresh1, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
 
# 打印所有轮廓信息（方便调试）
print("所有轮廓信息（x, y, 宽, 高, 面积）：")
for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    area = w * h
    print(f"轮廓：x={x}, y={y}, 宽={w}, 高={h}, 面积={area}, 宽高比={w / h:.2f}")

# 大幅放宽过滤条件（优先确保目标轮廓被保留）
valid_contours = []
for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    area = w * h
    # 边缘排除：几乎不排除（只排除紧贴边缘的1像素）
    if x < 1 or y < 1 or x + w > width - 1 or y + h > height - 1:
        continue
    # 面积范围：覆盖之前的大轮廓（上限提高到40000，下限200）
    if area < 200 or area > 40000:
        continue
    # 宽高比：允许更宽的字符（如M）
    if w / h < 0.3 or w / h > 3:
        continue
    valid_contours.append((x, y, w, h))

# 按x坐标排序（确保字符顺序与验证码一致）
valid_contours.sort(key=lambda c: c[0])
 
# 输出结果并保存
if not valid_contours:
    print("\n未找到有效字符区域！请根据上面的轮廓信息进一步放宽条件。")
else:
    print(f"\n共找到 {len(valid_contours)} 个有效区域：")
    for i, (x, y, w, h) in enumerate(valid_contours, 1):
        print(f"有效区域 {i}：(x={x}, y={y}, 宽={w}, 高={h})")
        # 裁剪并保存单个字符
        cv2.imwrite(f'char{i}.jpg', thresh1[y:y + h, x:x + w])

def main():
    imagepath = 'Verification_Code.png'
    split_picture(imagepath)
 
if __name__ == "__main__":
    main()

import cv2
 
 
def split_picture(imagepath):
    # 读取图片
    gray = cv2.imread(imagepath, 0)
    if gray is None:
        print(f"错误：无法读取图片，请检查路径 '{imagepath}' 是否正确")
        return
 
    # 边缘处理：仅轻微处理边缘（避免过度裁剪字符）
    height, width = gray.shape
    # 只处理最外层1像素，避免大面积修改边缘导致字符丢失
    for i in range(width):
        gray[0, i] = 255
        gray[height - 1, i] = 255
    for j in range(height):
        gray[j, 0] = 255
        gray[j, width - 1] = 255
 
    # 中值滤波：减小模板（避免模糊字符细节）
    blur = cv2.medianBlur(gray, 3)  # 3*3模板，保留更多字符细节
 
    # 二值化：降低阈值（确保字符被正确识别为黑色）
    # 尝试更低的阈值（150），避免字符因亮度问题被误判为背景
    ret, thresh1 = cv2.threshold(blur, 150, 255, cv2.THRESH_BINARY)
 
    # 查找轮廓：保留所有轮廓（包括内部结构，避免漏检）
    contours, hierarchy = cv2.findContours(thresh1, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
 
    # 打印所有轮廓信息（方便调试）
    print("所有轮廓信息（x, y, 宽, 高, 面积）：")
    for cnt in contours:
        x, y, w, h = cv2.boundingRect(cnt)
        area = w * h
        print(f"轮廓：x={x}, y={y}, 宽={w}, 高={h}, 面积={area}, 宽高比={w / h:.2f}")
 
    # 大幅放宽过滤条件（优先确保目标轮廓被保留）
    valid_contours = []
    for cnt in contours:
        x, y, w, h = cv2.boundingRect(cnt)
        area = w * h
        # 边缘排除：几乎不排除（只排除紧贴边缘的1像素）
        if x < 1 or y < 1 or x + w > width - 1 or y + h > height - 1:
            continue
        # 面积范围：覆盖之前的大轮廓（上限提高到40000，下限200）
        if area < 200 or area > 40000:
            continue
        # 宽高比：允许更宽的字符（如M）
        if w / h < 0.3 or w / h > 3:
            continue
        valid_contours.append((x, y, w, h))
 
    # 按x坐标排序
    valid_contours.sort(key=lambda c: c[0])
 
    # 输出结果
    if not valid_contours:
        print("\n未找到有效字符区域！请根据上面的轮廓信息进一步放宽条件。")
    else:
        print(f"\n共找到 {len(valid_contours)} 个有效区域：")
        for i, (x, y, w, h) in enumerate(valid_contours, 1):
            print(f"有效区域 {i}：(x={x}, y={y}, 宽={w}, 高={h})")
            cv2.imwrite(f'char{i}.jpg', thresh1[y:y + h, x:x + w])
 
 
def main():
    imagepath = 'Verification_Code.png'
    split_picture(imagepath)
 
 
if __name__ == "__main__":
    main()