一、引言

在自動(dòng)化驗(yàn)證碼識(shí)別流程中，字符分割是連接圖片預(yù)處理與字符識(shí)別的關(guān)鍵環(huán)節(jié)。本文將詳細(xì)解析一段基于 OpenCV 的驗(yàn)證碼分割代碼，該代碼通過(guò)灰度處理、邊緣優(yōu)化、輪廓檢測(cè)等步驟，精準(zhǔn)提取驗(yàn)證碼中的單個(gè)字符，同時(shí)兼顧靈活性與細(xì)節(jié)保留，適用于多數(shù)簡(jiǎn)單印刷體驗(yàn)證碼場(chǎng)景。

本文用到驗(yàn)證碼的圖片

樣例：

二、核心功能拆解

該代碼的核心目標(biāo)是將一張包含多個(gè)字符的驗(yàn)證碼圖片，分割為單個(gè)字符圖片并保存。整體流程遵循 “預(yù)處理→特征提取→篩選→分割” 的技術(shù)路徑，具體包含 6 個(gè)關(guān)鍵步驟：

• 圖片讀取與灰度轉(zhuǎn)換
• 邊緣噪聲優(yōu)化處理
• 中值濾波去噪
• 二值化突出字符輪廓
• 輪廓檢測(cè)與有效區(qū)域篩選
• 按順序分割并保存字符

三、代碼逐段深度解析

1. 函數(shù)入口與圖片讀取

def split_picture(imagepath):
    # 讀取圖片：以灰度模式（0）讀取，減少色彩干擾
    gray = cv2.imread(imagepath, 0)
    if gray is None:
        print(f"錯(cuò)誤：無(wú)法讀取圖片，請(qǐng)檢查路徑 '{imagepath}' 是否正確")
        return

• 核心作用：作為函數(shù)入口，接收?qǐng)D片路徑并完成初始化讀取。
• 關(guān)鍵細(xì)節(jié)：
  • 使用cv2.imread(imagepath, 0)以灰度模式讀取圖片，相比彩色模式（默認(rèn) 1），可減少通道數(shù)，降低后續(xù)計(jì)算復(fù)雜度。
  • 增加圖片讀取校驗(yàn)（gray is None），當(dāng)路徑錯(cuò)誤或文件損壞時(shí)，直接提示錯(cuò)誤并退出，避免后續(xù)代碼報(bào)錯(cuò)。

2. 邊緣噪聲優(yōu)化

# 邊緣處理：僅輕微處理邊緣（避免過(guò)度裁剪字符）
height, width = gray.shape
# 只處理最外層1像素，避免大面積修改邊緣導(dǎo)致字符丟失
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

• 核心作用：消除圖片邊緣的少量噪聲（如黑邊、雜點(diǎn)），同時(shí)避免破壞邊緣字符。
• 設(shè)計(jì)思路：
  • 僅將圖片最外層 1 像素設(shè)為白色（255，對(duì)應(yīng)背景色），而非大面積裁剪邊緣。
  • 避免因邊緣裁剪導(dǎo)致字符不完整（如驗(yàn)證碼字符緊貼圖片邊緣的場(chǎng)景）。

3. 中值濾波去噪

# 中值濾波：減小模板（避免模糊字符細(xì)節(jié)）
blur = cv2.medianBlur(gray, 3)  # 3*3模板，保留更多字符細(xì)節(jié)

• 核心作用：去除圖片中的椒鹽噪聲（如驗(yàn)證碼中的隨機(jī)黑點(diǎn)），同時(shí)保留字符邊緣細(xì)節(jié)。
• 參數(shù)選擇邏輯：
  • 選用3*3濾波模板（第二個(gè)參數(shù)），相比5*5或更大模板，能最大限度減少字符模糊（如 “1”“7” 等細(xì)線條字符不會(huì)被濾除）。
  • 中值濾波對(duì)椒鹽噪聲的抑制效果優(yōu)于均值濾波，更適合驗(yàn)證碼這類高對(duì)比度圖片。

4. 二值化處理

# 二值化：降低閾值（確保字符被正確識(shí)別為黑色）
# 嘗試更低的閾值（150），避免字符因亮度問(wèn)題被誤判為背景
ret, thresh1 = cv2.threshold(blur, 150, 255, cv2.THRESH_BINARY)

• 核心作用：將灰度圖轉(zhuǎn)換為黑白二值圖，使字符（黑色）與背景（白色）完全分離，為后續(xù)輪廓檢測(cè)做準(zhǔn)備。
• 關(guān)鍵參數(shù)解析：
  • 閾值150：低于 150 的像素設(shè)為 0（黑色，字符），高于 150 的設(shè)為 255（白色，背景）。選擇較低閾值是為了應(yīng)對(duì)亮度不均的驗(yàn)證碼（如字符偏灰的情況），避免字符被誤判為背景。
  • cv2.THRESH_BINARY：基礎(chǔ)二值化模式，直接區(qū)分黑白，適合對(duì)比度明顯的驗(yàn)證碼。

5. 輪廓檢測(cè)與信息打印

# 查找輪廓：保留所有輪廓（包括內(nèi)部結(jié)構(gòu)，避免漏檢）
contours, hierarchy = cv2.findContours(thresh1, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
 
# 打印所有輪廓信息（方便調(diào)試）
print("所有輪廓信息（x, y, 寬, 高, 面積）：")
for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    area = w * h
    print(f"輪廓：x={x}, y={y}, 寬={w}, 高={h}, 面積={area}, 寬高比={w / h:.2f}")

• 核心作用：檢測(cè)二值圖中所有閉合區(qū)域（輪廓），并打印輪廓細(xì)節(jié)用于調(diào)試。
• 關(guān)鍵設(shè)置：
  • cv2.RETR_LIST：提取所有輪廓，不建立輪廓間的層級(jí)關(guān)系（如字符內(nèi)部的孔洞輪廓也會(huì)被保留），避免漏檢復(fù)雜字符（如 “0”“8”）。
  • 打印輪廓的x/y坐標(biāo)（左上角）、寬高、面積和寬高比，方便用戶根據(jù)實(shí)際輸出調(diào)整后續(xù)篩選條件（如某類驗(yàn)證碼字符面積普遍為 500-1000，可據(jù)此優(yōu)化面積閾值）。

6. 有效輪廓篩選

# 大幅放寬過(guò)濾條件（優(yōu)先確保目標(biāo)輪廓被保留）
valid_contours = []
for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    area = w * h
    # 邊緣排除：幾乎不排除（只排除緊貼邊緣的1像素）
    if x < 1 or y < 1 or x + w > width - 1 or y + h > height - 1:
        continue
    # 面積范圍：覆蓋之前的大輪廓（上限提高到40000，下限200）
    if area < 200 or area > 40000:
        continue
    # 寬高比：允許更寬的字符（如M）
    if w / h < 0.3 or w / h > 3:
        continue
    valid_contours.append((x, y, w, h))

• 核心作用：從所有輪廓中篩選出 “符合字符特征” 的區(qū)域，排除噪聲輪廓（如小雜點(diǎn)、大面積背景塊）。
• 篩選條件設(shè)計(jì)：
  • 邊緣排除：僅排除緊貼圖片邊緣 1 像素的輪廓，避免誤刪邊緣字符。
  • 面積篩選：保留面積 200-40000 的輪廓，覆蓋多數(shù)驗(yàn)證碼字符大小（小到 “1”，大到 “W”）。
  • 寬高比篩選：保留寬高比 0.3-3 的輪廓，既排除過(guò)細(xì)的噪聲（如寬高比 <0.3 的細(xì)線），也排除過(guò)寬的背景塊（如寬高比> 3 的長(zhǎng)條），同時(shí)兼容 “M”“W” 等寬字符。

7. 排序與分割保存

# 按x坐標(biāo)排序（確保字符順序與驗(yàn)證碼一致）
valid_contours.sort(key=lambda c: c[0])
 
# 輸出結(jié)果并保存
if not valid_contours:
    print("\n未找到有效字符區(qū)域！請(qǐng)根據(jù)上面的輪廓信息進(jìn)一步放寬條件。")
else:
    print(f"\n共找到 {len(valid_contours)} 個(gè)有效區(qū)域：")
    for i, (x, y, w, h) in enumerate(valid_contours, 1):
        print(f"有效區(qū)域 {i}：(x={x}, y={y}, 寬={w}, 高={h})")
        # 裁剪并保存單個(gè)字符
        cv2.imwrite(f'char{i}.jpg', thresh1[y:y + h, x:x + w])

• 核心作用：按字符在驗(yàn)證碼中的橫向順序排序，并將每個(gè)有效區(qū)域裁剪為單獨(dú)圖片保存。
• 關(guān)鍵邏輯：
  • 按x坐標(biāo)排序：驗(yàn)證碼字符通常橫向排列，x 坐標(biāo)越小越靠左，排序后保存的圖片（char1.jpg、char2.jpg）與實(shí)際字符順序一致，方便后續(xù)識(shí)別。
  • 保存路徑：以char+序號(hào).jpg命名（如 char1.jpg），默認(rèn)保存在代碼運(yùn)行目錄，便于批量處理。

8. 主函數(shù)調(diào)用

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

• 核心作用：定義默認(rèn)驗(yàn)證碼路徑，作為代碼入口，直接運(yùn)行即可執(zhí)行分割流程。
• 使用提示：用戶只需將imagepath改為實(shí)際驗(yàn)證碼圖片路徑（如'D:/test/yzm.png'），即可快速測(cè)試。

四、關(guān)鍵優(yōu)化點(diǎn)總結(jié)

相比傳統(tǒng)驗(yàn)證碼分割代碼，該實(shí)現(xiàn)的核心優(yōu)勢(shì)在于 “保留細(xì)節(jié) + 靈活可調(diào)”，具體優(yōu)化點(diǎn)如下：

1. 最小化邊緣處理：僅處理最外層 1 像素，避免字符裁剪，適配邊緣字符場(chǎng)景。
2. 小模板濾波：3*3 中值濾波在去噪的同時(shí)，最大程度保留字符細(xì)節(jié)（如細(xì)線條、拐角）。
3. 低閾值二值化：150 的閾值適配亮度不均的驗(yàn)證碼，減少字符誤判。
4. 寬松篩選條件：大面積范圍（200-40000）和寬高比（0.3-3），兼容多數(shù)驗(yàn)證碼類型，降低用戶調(diào)試成本。
5. 調(diào)試友好：打印所有輪廓信息，方便用戶根據(jù)實(shí)際場(chǎng)景調(diào)整參數(shù)（如某類驗(yàn)證碼字符面積偏小，可降低面積下限）。

五、使用說(shuō)明與調(diào)試建議

1. 基礎(chǔ)使用步驟

1. 安裝 OpenCV 庫(kù)：執(zhí)行pip install opencv-python。
2. 將驗(yàn)證碼圖片命名為Verification_Code.png，與代碼放在同一目錄；或修改main()中的imagepath為實(shí)際路徑。
3. 運(yùn)行代碼，分割后的字符圖片會(huì)以char1.jpg、char2.jpg等名稱保存在當(dāng)前目錄。

2. 常見問(wèn)題調(diào)試

• 問(wèn)題 1：未找到有效字符區(qū)域解決方案：查看 “所有輪廓信息”，若目標(biāo)字符輪廓存在但被篩選掉，可調(diào)整valid_contours中的條件（如降低面積下限、放寬寬高比）。
• 問(wèn)題 2：分割出多余噪聲塊解決方案：若存在小噪聲塊（面積 < 200），可適當(dāng)提高面積下限（如改為 300）；若存在寬高比異常的塊，可調(diào)整寬高比范圍（如改為 0.5-2）。
• 問(wèn)題 3：字符順序錯(cuò)亂解決方案：確認(rèn)驗(yàn)證碼為橫向排列（若為縱向排列，需將排序鍵改為lambda c: c[1]，按 y 坐標(biāo)排序）。

六、完整Python代碼展示

import cv2
 
 
def split_picture(imagepath):
    # 讀取圖片
    gray = cv2.imread(imagepath, 0)
    if gray is None:
        print(f"錯(cuò)誤：無(wú)法讀取圖片，請(qǐng)檢查路徑 '{imagepath}' 是否正確")
        return
 
    # 邊緣處理：僅輕微處理邊緣（避免過(guò)度裁剪字符）
    height, width = gray.shape
    # 只處理最外層1像素，避免大面積修改邊緣導(dǎo)致字符丟失
    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
 
    # 中值濾波：減小模板（避免模糊字符細(xì)節(jié)）
    blur = cv2.medianBlur(gray, 3)  # 3*3模板，保留更多字符細(xì)節(jié)
 
    # 二值化：降低閾值（確保字符被正確識(shí)別為黑色）
    # 嘗試更低的閾值（150），避免字符因亮度問(wèn)題被誤判為背景
    ret, thresh1 = cv2.threshold(blur, 150, 255, cv2.THRESH_BINARY)
 
    # 查找輪廓：保留所有輪廓（包括內(nèi)部結(jié)構(gòu)，避免漏檢）
    contours, hierarchy = cv2.findContours(thresh1, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
 
    # 打印所有輪廓信息（方便調(diào)試）
    print("所有輪廓信息（x, y, 寬, 高, 面積）：")
    for cnt in contours:
        x, y, w, h = cv2.boundingRect(cnt)
        area = w * h
        print(f"輪廓：x={x}, y={y}, 寬={w}, 高={h}, 面積={area}, 寬高比={w / h:.2f}")
 
    # 大幅放寬過(guò)濾條件（優(yōu)先確保目標(biāo)輪廓被保留）
    valid_contours = []
    for cnt in contours:
        x, y, w, h = cv2.boundingRect(cnt)
        area = w * h
        # 邊緣排除：幾乎不排除（只排除緊貼邊緣的1像素）
        if x < 1 or y < 1 or x + w > width - 1 or y + h > height - 1:
            continue
        # 面積范圍：覆蓋之前的大輪廓（上限提高到40000，下限200）
        if area < 200 or area > 40000:
            continue
        # 寬高比：允許更寬的字符（如M）
        if w / h < 0.3 or w / h > 3:
            continue
        valid_contours.append((x, y, w, h))
 
    # 按x坐標(biāo)排序
    valid_contours.sort(key=lambda c: c[0])
 
    # 輸出結(jié)果
    if not valid_contours:
        print("\n未找到有效字符區(qū)域！請(qǐng)根據(jù)上面的輪廓信息進(jìn)一步放寬條件。")
    else:
        print(f"\n共找到 {len(valid_contours)} 個(gè)有效區(qū)域：")
        for i, (x, y, w, h) in enumerate(valid_contours, 1):
            print(f"有效區(qū)域 {i}：(x={x}, y={y}, 寬={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()

程序運(yùn)行截圖如下：

七、總結(jié)

本文詳細(xì)解析了一個(gè)基于OpenCV的驗(yàn)證碼字符分割方案。該方案通過(guò)灰度轉(zhuǎn)換、邊緣處理、中值濾波、二值化、輪廓檢測(cè)和篩選等步驟，實(shí)現(xiàn)驗(yàn)證碼字符的精準(zhǔn)分割。核心特點(diǎn)包括：僅處理1像素邊緣保護(hù)字符完整性、3×3中值濾波保留細(xì)節(jié)、150低閾值二值化適應(yīng)亮度不均、寬松篩選條件（面積200-40000，寬高比0.3-3）兼容多種字符類型。代碼提供調(diào)試信息輸出功能，便于參數(shù)調(diào)整，適用于多數(shù)簡(jiǎn)單驗(yàn)證碼場(chǎng)景，最終按x坐標(biāo)排序輸出分割后的字符圖片。

以上就是Python基于OpenCV實(shí)現(xiàn)驗(yàn)證碼字符分割的方案的詳細(xì)內(nèi)容，更多關(guān)于Python OpenCV驗(yàn)證碼字符分割的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！