首先我得承認，關(guān)注tesseract-ocr， 是沖著下面這篇文章的噱頭去的，26行g(shù)roovy代碼破解網(wǎng)站驗證碼?
http://www.kellyrob99.com/blog/2010/03/14/breaking-weak-captcha-in-slightly-more-than-26-lines-of-groovy-code/?

當然，看了之后才知道，原來是調(diào)用了三方庫tesseract-ocr……?
http://code.google.com/p/tesseract-ocr/?

盡管如此，本著鄧爺爺?shù)摹安还馨棕埡谪?#xff0c;能抓住老鼠的就是好貓”的原則，趁著假期也開始了“文字識別”的初級研究?

HP的tesseract最近被Google支持并開支持英文字母和數(shù)字，據(jù)說辨識程度是世界排名第三的；更難能可貴的是，提供多國語言包下載（包括中文，精度不咋的倒是真的……），并自帶訓練工具。?

安裝完并跑過自帶例子之后，首先想到的應(yīng)用自然是用于驗證碼分析?

?

按照說明，送入tesseract的圖片的質(zhì)量直接影響識別的效果，因此，簡單的預(yù)處理是不可或缺的?

1.首先灰度化，灰度值=0.3R+0.59G+0.11B：?
Java代碼??

???

for?(int?y?=?minY;?y?<?height;?y++)?{??

????for?(int?x?=?minX;?x?<?width;?x++)?{??

????????int?rgb?=?srcImg.getRGB(x,?y);??

????????Color?color?=?new?Color(rgb);?//?根據(jù)rgb的int值分別取得r,g,b顏色。??

????????int?gray?=?(int)?(0.3?*?color.getRed()?+?0.59??

????????????*?color.getGreen()?+?0.11?*?color.getBlue());??

????????Color?newColor?=?new?Color(gray,?gray,?gray);??

????????srcImg.setRGB(x,?y,?newColor.getRGB());??

????}??

}??

結(jié)果如圖：?
?

2.其次是灰度反轉(zhuǎn)：?
Java代碼??

for?(int?y?=?minY;?y?<?height;?y++)?{??

????for?(int?x?=?minX;?x?<?width;?x++)?{??

????????int?rgb?=?buffImg.getRGB(x,?y);??

????????Color?color?=?new?Color(rgb);?//?根據(jù)rgb的int值分別取得r,g,b顏色。??

????????Color?newColor?=?new?Color(255?-?color.getRed(),?255?-?color??

????????????.getGreen(),?255?-?color.getBlue());??

????????buffImg.setRGB(x,?y,?newColor.getRGB());??

????}??

}??

結(jié)果如圖：?
?

3.再次是二值化，取圖片的平均灰度作為閾值，低于該值的全都為0，高于該值的全都為255：?
Java代碼??

for?(int?y?=?minY;?y?<?height;?y++)?{??

????for?(int?x?=?minX;?x?<?width;?x++)?{??

????????int?rgb?=?buffImg.getRGB(x,?y);??

????????Color?color?=?new?Color(rgb);?//?根據(jù)rgb的int值分別取得r,g,b顏色。??

????????int?value?=?255?-?color.getBlue();??

????????if?(value?>?average)?{??

????????????Color?newColor?=?new?Color(0,?0,?0);??

????????????buffImg.setRGB(x,?y,?newColor.getRGB());??

????????}?else?{??

????????????Color?newColor?=?new?Color(255,?255,?255);??

????????????buffImg.setRGB(x,?y,?newColor.getRGB());??

????????}??

????}??

}??

結(jié)果如圖：?
?

看看效果還湊合，就省卻尺寸調(diào)整、中值濾波以及噪點去除等步驟了。?

以上完成圖片預(yù)處理工作；Tesseract沒有開放api，純命令行調(diào)用：?
Java代碼??

List<String>?cmd?=?new?ArrayList<String>();?//?存放命令行參數(shù)的數(shù)組??

cmd.add(tessPath?+?"\\tesseract");??

cmd.add("");??

cmd.add(outputFile.getName());?//?輸出文件位置??

cmd.add(LANG_OPTION);?//?字符類別??

cmd.add("eng");?//?英文，找到tessdata里對應(yīng)的字典文件。??

ProcessBuilder?pb?=?new?ProcessBuilder();??

pb.directory(imageFile.getParentFile());??

??

cmd.set(1,?tempImage.getName());?//?把圖片文件位置放在第一個位置??

??

pb.command(cmd);?//?執(zhí)行命令行??

pb.redirectErrorStream(true);?//?通知進程生成器是否合并標準錯誤和標準輸出,把進程錯誤保存起來。??

Process?process?=?pb.start();?//?開始執(zhí)行進程??

??

int?w?=?process.waitFor();?//?當前進程停止,直到process停止執(zhí)行，返回執(zhí)行結(jié)果.??

結(jié)果輸出表示一切正常?

當然，真正要用好tesseract-ocr，還需用到其強大地訓練工具，就是后話了……?

另外，關(guān)于文字識別，除去作為破解驗證碼的反制手段之外，我們是否也有相關(guān)的應(yīng)用呢？?

• 大小: 1.1 KB

• 大小: 1.3 KB

• 大小: 1.3 KB

• 大小: 1.4 KB

總結(jié)

以上是生活随笔為你收集整理的使用tesseract-ocr破解网站验证码的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。