使用tesseract-ocr破解网站验证码

?

?

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？