第一步: 二值化

所谓二值化就是把不需要的信息通通去除，比如背景，干扰线，干扰像素等等，只剩下需要识别的文字，让图片变成2进制点阵。

第二步: 文字分割

为了能识别出字符，需要对要识别的文字图图片进行分割，把每个字符作为单独的一个图片看待。

第三步: 标准化

对于部分特殊的验证码，需要对分割后的图片进行标准化处理，也就是说尽量把每个相同的字符都变成一样的格式，减少随机的程度。最简单的比如旋转还原，复杂点的比如扭曲还原等等。比如本文中分割后的数字1和8宽度不一致，把他们的宽度填充一致，就是标准化的一种。

可以看到上面切割后的字符1最右边一列像素都为0。

第四步: 学习 & 识别

这一步可以用很多种方法，最简单的就是模板对比，对每个出现过的字符进行处理后把点阵变成字符串，标明是什么字符后，通过字符串对比来判断相似度。

在文章的后半部分会详细解释我采用的算法。

训练集学习tran.m

width = 132; height = 20;

%共10张验证码 x 11个数字 共分割出 110张字符图片
%每个字符图片 高度20 x 宽度9 共 180个像素
data = zeros(110, 180);

chars = zeros(180, 10);     %用于存储10个数字字符的特征值 每个字符大小为20x9

for name = 0:9
    im = imread(sprintf(\'%d.jpg\', name));    %读取图片
    im = im2bw(im) == 0;                     %第一步：二值化 黑色1 白色0

    %第二步： 分割
    black = sum(im) ~= 0;    %20x132矩阵 从上向下求和为 1x132  不等于0 则横坐标对应的一列有字符像素
    white = sum(im) == 0;    %20x132矩阵 从上向下求和为 1x132  等于0 则横坐标对应的一列没有字符像素

    lower = find(min([black 0],[1 white]));     %获取11个字符的开始下标
    upper = find(min([0 black],[white 1])) - 1; %获取11个字符的结束下标

    for i=1:11
        ch = im(:,lower(i):upper(i));   %截取单个字符
        ch(20, 9) = 0;                  %第三步： 字符二值化矩阵大小标准化为20x9
        data(name*11 + i ,:) = ch(:);   %字符图片数据存入data
    end
end

%第四步： 学习 & 识别
class = clusterdata(data, 10);   %将110个字符图片分为10类

%各个分类号对应的实际数字（人工识别后写进去的- -）
num  = [5 3 6 8 9 0 7 2 1 4];

for i = 1:10
    %各类中的字符图片取均值
    im = mean(data(class == i, :)) > 0.5;  
    chars(:, num(i) + 1) = im; %存储
end

验证码识别ocr.m

function ret = ocr(filename)
    load;
    ret = zeros(1, 11);
    im = imread(filename);
    im = im2bw(im) == 0;        %第一步： 二值化

    %第二步： 分割
    black = sum(im) ~= 0;
    white = sum(im) == 0;

    lower = find(min([black 0],[1 white]));
    upper = find(min([0 black],[white 1])) - 1;

    for i=1:11
        ch = im(:,lower(i):upper(i));
        ch = ch(:);
        ch(180) = 0;    %第三步标准化

        %第四步： 识别
        [~, num] = max(sum(min(repmat(ch, 1, 10), chars)));
        ret(i) = num-1;
    end
end