目前，我对图像处理和光学字符识别有着极大的兴趣。经过一些基本的识别和一些过滤后，我决定开始更加困难的事情。
我正试图从这些验证码中读取价值： http://img851.imageshack.us/img851/9579/57859946.png
我已经为预处理编写了一些过滤器： - 替换颜色（白色） 删除蓝线 删除通过文本的行（两个） - 阈值图像（255）
Wich输出这样的图像; http://img232.imageshack.us/img232/2325/00i3q45j1zt.png
正如您所看到的，某些字母中有洞。我首先想到的可能是通过字母留下线条会更好但这会让情况更糟。我正在使用tesseract OCR引擎 我使用Elephant字体（验证码使用的字体）训练它。我也试过了 使用其他OCR引擎，如GOCR，但它会使一切变得更糟。有了tesseract，我现在有20％的认可。我在C＃（.NET 4.0）中编码。
验证码由名为PHPCaptcha的软件包生成。
现在我的问题是： 是否有任何算法或刻度来填补字母中的孔？还有其他方法可以获得更好的认可吗？
我很高兴收到你们的来信：）
问候，
答案 0 :(得分：2)
第0部分 - 前言
i）在此之前，您可能需要阅读我的OCR相关答案here，这可能会为您提供使用tesseract的一些技巧
ii）我假设您可以将所有内容都变成黑白（在您的情况下，处理颜色不会给您带来优势）
第1部分 - 预处理
在移除蓝线后填充“孔洞”。您可以随时扩张或执行“扩张 - 然后侵蚀”操作。在这里，扩张意味着您在8个方向上放大每个像素（制作更大的像素）。一旦你扩大了像素，看看你是否可以让它们被识别，或者看看角色是否“过度填充”（扩张太多）。如果无法识别字符或字符扩张太多，则可以应用侵蚀操作。当然有先进的综合算法，但我认为最好先从简单的图像处理操作开始。
第2部分 - OCR / Tesseract
使用Tesseract，如果您将整个图像输入Tesseract，它将执行线分析，依此类推。由于验证码中的字符不像普通文本那样，因此进行线分析或在组中识别它们可能会在一定程度上确定识别率。所以我的建议是先逐个字符地识别。
