某像差异在个别全家桶验证方便有使用，对于这种验证码类型如下：

首先还是目标检测，直接用 dddd 自带的detection 就足够了。

特征提取

其次经过观察，差异答案与其他三个无非就是颜色，字体，方向，所以余弦相似度也是一种解决办法。

• 通过检测框将图像先转为灰度图，然后提取出1D向量。（为什么要提取，因为后面要进行余弦计算，转灰度图是因为只包含亮度信息，特征提取足够了）

def extract_features(image):
    resized_image = cv2.resize(image, (128, 128))  # 缩放到统一大小
    gray_image = cv2.cvtColor(resized_image, cv2.COLOR_BGR2GRAY)  # 转灰度
    return gray_image.flatten()
    
features = [extract_features(img) for img in images]

提取特征结果如下：

features = [
[特征1, 特征2, 特征3, …], # 第一张图像
[特征1, 特征2, 特征3, …], # 第二张图像
…
]

特征降维（PCA）

提取出来的特征我们需要从中拿出最主要的特征，利用 pca 进行降维，保留主要特征，减少噪声干扰

n_components = min(len(features), len(features[0]))
pca = PCA(n_components=n_components)
reduced_features = pca.fit_transform(features)

相似度计算

将上面特征降维的图像列表传入进行余弦相似度计算

from sklearn.metrics.pairwise import cosine_similarity

similarity_matrix = cosine_similarity(reduced_features)

如何计算？

similarity_matrix = [
[1.0, 0.98, 0.85], # 第一张图像与第 1, 2, 3 张图像的相似度
[0.98, 1.0, 0.90], # 第二张图像与第 1, 2, 3 张图像的相似度
[0.85, 0.90, 1.0] # 第三张图像与第 1, 2, 3 张图像的相似度

ps：自己和自己对比永远是1，所以对角线永远是1,那么当差异大的图像和其他图像相比时，相似度必然下降

]

那么趁热打铁，直接计算平均相似度

average_similarity = np.mean(similarity_matrix, axis=1)

可能结果如下： array([ 0.33247589, 0.34121216, 0.29035055, -0.38125554])

谁是正确答案一目了然

直接用 np.argmin(average_similarity) 找到正确答案的索引，然后根据索引从dddd检测出来的框去找答案就行了，再就没有然后了。
这里就不得不提提某J逆向了，整那些没用的，花拳绣腿，啥成功率也敢发。
完整代码如下：

import ddddocr
import cv2
想啥呢 自己看文章组合吧