数据挖掘（八）

数据挖掘（八）


  
   从图像中抽取信息很难，图像包罗大量原始数据，图像的尺度编码单元像素提供的信息量很少。图像特别是照片可能存在一系列标题，比如含糊不清、离目标太近、光线太亮或太暗、比例失真、残缺、扭曲等，这会增加计算机体系抽取有用信息的难度。本文先容如何用神经网络辨认图像中的字母，从而主动辨认验证码CAPTCHA。
  人工神经网络

• 神经网络由一些列相互毗连的神经元构成，每个神经元都是一个简单的函数，接收一定输入，给出相应输出。神经元可以利用任何尺度函数来处理数据比如线性函数，这些函数统称为激活函数。一样平常来说，神经网络学习算法要能正常工作，激活函数应当是可导和光滑的。常用的激活函数由逻辑斯蒂函数，x为神经元的输入，k、L通常为1，这时函数达到最大值。每个神经元接收几个输入，计算输出，如许的一个个神经元毗连起来构成了神经网络。
  

  f ( x ) = L 1 + e − k ( x − x 0 ) f(x) = \frac{L}{1 + e^-k(x-x0)} f(x)=1+e−k(x−x0)L​

• 用于数据挖掘应用的神经网络，神经元按照层级进行排列。第一层是输入层，接收来子数据集的输入。第一层中的每个神经元对输入进行计算，把得到的结果通报给第二层的神经元，这种叫做前向神经网络。在神经网络中，上一层的输出作为下一层的输入，直到到达最后一层。输出结果表示的是神经网络分类器给出的分类结果。输入层和输出层之间的全部层称为隐含层。
  
• 我们优先考虑利用全毗连层，也就是上一层中每个神经元的输出都输入到下一层的全部神经元。现实构建神经网络时，练习过程中，很多权重都会被设置为0，有用地淘汰边的数量。神经元激活函数通常利用逻辑斯蒂函数，每层神经元之间为全毗连，创建和练习神经网络还需要用到其他几个参数。创建过程指定神经网络的规模需要用到两个参数，神经网络共有多少层和隐含层每层有多少个神经元。练习过程中还会用到神经元之间边的权重参数。一个神经元毗连到另一个神经元，两者之间的边具有一定的权重，在计算输出时，用边的权重乘以信号的巨细。如果边的权重为0.8，神经元激活后，输出值为1，那么下一个神经元从前面这个神经元得到的输入就是0.8。如果第一个神经元没有激活，值为0，那么输出到第二个神经元的值就是0。
  
• 神经网络巨细合适而且权重经过充分练习，它的分类效果才气精确。通常开始时利用随机选取的权重，练习过程中再渐渐更新。设置好网络巨细后，再从练习集中练习得到边的权重参数后，就能构造分类器。然后我们可以利用分类器分类。
  

创建数据集

   我们以破解网站4个字母的英文单词的验证码为例，编写步伐还原图像中的单词。步骤是把大图像分成只包罗一个字母的4张小图像，为每个字母分类，把字母重新组合为单词，用词典修正单词辨认错误。假设验证码中的单词是一个完备的有用的英文单词，长度为4个字母，现实上我们利用同一个词典生成和破解验证码；单词全部字母均为大写情势，不实用符号、数字或空格。为了增加难度，再生成图像时对单词利用差异的错切变化效果。
  绘制验证码

• 我们编写创建验证码的函数，绘制一张含有单词的图像，对单词利用错切变化效果。绘制图像利用PIL库，错切变化需要利用scikit-image库。
  

1. import numpy as np
2. from PIL import Image, ImageDraw, ImageFont
3. from skimage import transform as tf
4. from matplotlib import pyplot as plt
5. # 生成验证码的基础函数，接收一个单词和错切值(通常在0到0.5之间)，还可以指定图像大小
6. def create_captcha(text, shear=0, size=(100, 24)):
7.     # 使用字母L生成一张黑白图像，为ImageDraw类初始化一个实例
8.     im = Image.new('L', size, 'black')
9.     draw = ImageDraw.Draw(im)
10.     # 指定验证码文字所使用的字体
11.     font = ImageFont.truetype(r'C:\Windows\Fonts\Gabriola.ttf', 22)
12.     draw.text((2, 2), text, fill=1, font=font)
13.     # 把PIL图像转换为numpy数组
14.     image = np.array(im)
15.     # 应用错切变化效果，返回图像
16.     affine_tf = tf.AffineTransform(shear=shear)
17.     # 根据给定的坐标变换图像
18.     image = tf.warp(image, affine_tf)
19.     # 对图像特征进行归一化处理，确保特征值落在0~1之间
20.     return image/image.max()
22. image = create_captcha('JOHN', shear=0.5)
23. plt.imshow(image, cmap='gray')
24. plt.show()

复制代码

• 固然验证码是单词，但是我们可以把大标题转换为辨认字母的小的标题，验证码辨认算法的下一步是分割单词，找出其中的字母。创建函数探求图像中连续的黑色像素，抽取他们作为新的小图像，这些小图像就是我们要找的字母。
  

1. from skimage.measure import label, regionprops
2. # 图像分割函数接收图像，返回小图像列表，每张小图像为单词的一个字母
3. def segment_iamge(image):
4.     # 检测每个字母的位置，使用label函数能找出图像中像素值相同且由连接在一起的像素块
5.     # label函数参数是图像数组，返回跟输入同型的数组，在返回的数组中图像连接在一起的区域用不同的值表示，在这些区域以外的像素用0表示
6.     labeled_image = label(image > 0)
7.     subimages = []
8.     # regionprops函数可以抽取连续区域，遍历这些区域分别处理，通过region对象获取到当前区域的相关信息
9.     for region in regionprops(labeled_image):
10.         # 用当前区域的起始位置坐标作为索引就能抽取到小图像
11.         start_x, start_y, end_x, end_y = region.bbox
12.         subimages.append(image[start_x:end_x, start_y:end_y])
13.     # 没有找到小图像就把原图像作为子图返回
14.     if len(subimages) == 0:
15.         return [image,

复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。