使用tesseract-ocr破解网站验证码

时间:2021-11-10 09:02:02

使用tesseract-ocr破解网站验证码

GroovyHPGoogleBlog 
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.kellyrob99.com/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 

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: 
Java代码  使用tesseract-ocr破解网站验证码
  1.    
  2. for (int y = minY; y < height; y++) {  
  3.     for (int x = minX; x < width; x++) {  
  4.         int rgb = srcImg.getRGB(x, y);  
  5.         Color color = new Color(rgb); // 根据rgb的int值分别取得r,g,b颜色。  
  6.         int gray = (int) (0.3 * color.getRed() + 0.59  
  7.             * color.getGreen() + 0.11 * color.getBlue());  
  8.         Color newColor = new Color(gray, gray, gray);  
  9.         srcImg.setRGB(x, y, newColor.getRGB());  
  10.     }  
  11. }  

结果如图: 
使用tesseract-ocr破解网站验证码 

2.其次是灰度反转: 
Java代码  使用tesseract-ocr破解网站验证码
  1. for (int y = minY; y < height; y++) {  
  2.     for (int x = minX; x < width; x++) {  
  3.         int rgb = buffImg.getRGB(x, y);  
  4.         Color color = new Color(rgb); // 根据rgb的int值分别取得r,g,b颜色。  
  5.         Color newColor = new Color(255 - color.getRed(), 255 - color  
  6.             .getGreen(), 255 - color.getBlue());  
  7.         buffImg.setRGB(x, y, newColor.getRGB());  
  8.     }  
  9. }  

结果如图: 
使用tesseract-ocr破解网站验证码 

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: 
Java代码  使用tesseract-ocr破解网站验证码
  1. for (int y = minY; y < height; y++) {  
  2.     for (int x = minX; x < width; x++) {  
  3.         int rgb = buffImg.getRGB(x, y);  
  4.         Color color = new Color(rgb); // 根据rgb的int值分别取得r,g,b颜色。  
  5.         int value = 255 - color.getBlue();  
  6.         if (value > average) {  
  7.             Color newColor = new Color(000);  
  8.             buffImg.setRGB(x, y, newColor.getRGB());  
  9.         } else {  
  10.             Color newColor = new Color(255255255);  
  11.             buffImg.setRGB(x, y, newColor.getRGB());  
  12.         }  
  13.     }  
  14. }  

结果如图: 
使用tesseract-ocr破解网站验证码 

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: 
Java代码  使用tesseract-ocr破解网站验证码
  1. List<String> cmd = new ArrayList<String>(); // 存放命令行参数的数组  
  2. cmd.add(tessPath + "\\tesseract");  
  3. cmd.add("");  
  4. cmd.add(outputFile.getName()); // 输出文件位置  
  5. cmd.add(LANG_OPTION); // 字符类别  
  6. cmd.add("eng"); // 英文,找到tessdata里对应的字典文件。  
  7. ProcessBuilder pb = new ProcessBuilder();  
  8. pb.directory(imageFile.getParentFile());  
  9.   
  10. cmd.set(1, tempImage.getName()); // 把图片文件位置放在第一个位置  
  11.   
  12. pb.command(cmd); // 执行命令行  
  13. 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。  
  14. Process process = pb.start(); // 开始执行进程  
  15.   
  16. 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