使用tesseract-ocr破解网站验证码

首先我得承认，关注tesseract-ocr， 是冲着下面这篇文章的噱头去的，26行groovy代码破解网站验证码 
http://www./blog/2010/03/14/breaking-weak-captcha-in-slightly-more-than-26-lines-of-groovy-code/ 

当然，看了之后才知道，原来是调用了三方库tesseract-ocr…… 
http://code.google.com/p/tesseract-ocr/ 

尽管如此，本着邓爷爷的“不管白猫黑猫，能抓住老鼠的就是好猫”的原则，趁着假期也开始了“文字识别”的初级研究 

HP的tesseract最近被Google支持并开支持英文字母和数字，据说辨识程度是世界排名第三的；更难能可贵的是，提供多国语言包下载（包括中文，精度不咋的倒是真的……），并自带训练工具。 

安装完并跑过自带例子之后，首先想到的应用自然是用于验证码分析 

 

按照说明，送入tesseract的图片的质量直接影响识别的效果，因此，简单的预处理是不可或缺的 

1.首先灰度化，灰度值=0.3R+0.59G+0.11B： 

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); // 根据rgb的int值分别取得r,g,b颜色。
        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());
    }
}

结果如图： 
 

2.其次是灰度反转： 

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); // 根据rgb的int值分别取得r,g,b颜色。
        Color newColor = new Color(255 - color.getRed(), 255 - color
            .getGreen(), 255 - color.getBlue());
        buffImg.setRGB(x, y, newColor.getRGB());
    }
}

结果如图： 
 

3.再次是二值化，取图片的平均灰度作为阈值，低于该值的全都为0，高于该值的全都为255： 

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); // 根据rgb的int值分别取得r,g,b颜色。
        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());
        }
    }
}

结果如图： 
 

看看效果还凑合，就省却尺寸调整、中值滤波以及噪点去除等步骤了。 

以上完成图片预处理工作；Tesseract没有开放api，纯命令行调用： 

List<String> cmd = new ArrayList<String>(); // 存放命令行参数的数组
cmd.add(tessPath + "\\tesseract");
cmd.add("");
cmd.add(outputFile.getName()); // 输出文件位置
cmd.add(LANG_OPTION); // 字符类别
cmd.add("eng"); // 英文，找到tessdata里对应的字典文件。
ProcessBuilder pb = new ProcessBuilder();
pb.directory(imageFile.getParentFile());

cmd.set(1, tempImage.getName()); // 把图片文件位置放在第一个位置

pb.command(cmd); // 执行命令行
pb.redirectErrorStream(true); // 通知进程生成器是否合并标准错误和标准输出,把进程错误保存起来。
Process process = pb.start(); // 开始执行进程

int w = process.waitFor(); // 当前进程停止,直到process停止执行，返回执行结果.

结果输出表示一切正常 

当然，真正要用好tesseract-ocr，还需用到其强大地训练工具，就是后话了…… 

另外，关于文字识别，除去作为破解验证码的反制手段之外，我们是否也有相关的应用呢？