利用開源程序（ImageMagick+tesseract-ocr）實現圖像驗證碼識別

利用開源程序（ImageMagick+tesseract-ocr）實現圖像驗證碼識別

分類： 開放項目2012-07-23 17:28 6712人閱讀 評論(0) 收藏 舉報

tiff image compression 引擎 pascal character

--------------------------------------------------低調的分割線---------------------------------------------------

　 　Linux下有兩個重要的編程準則，甚至是設計哲學，就是：模塊原則（使用簡潔的藉口拼合簡單的部件）和組合原則（設計時考慮拼接組合）。在Linux 下面有無數個小程序，體積小，功能簡單。可是當咱們將它們按必定的方式組合起來之後，它們 幾乎無所不能。命令行的一個很大的好處就是方便組合。試想一下你要處理一萬個文本文件，並替換其中的部份內容，若是是使用圖形界面的Word，恐怕沒有人 可以乾的下來。
　　今天咱們要用到兩個開源軟件：ImageMagick+tesseract-ocr。

--------------------------------------------------ImageMagick---------------------------------------------------

　　首先是一點簡介（英文原文源於官方網站）：

　    ImageMagick是一個適用於建立、編輯和組合位圖的軟件。它可以讀、寫和轉換超過百餘種格式的圖片。

　　另外，ImageMagick針對主流的編程語言都有藉口，包括G2F (Ada), MagickCore (C), MagickWand (C), ChMagick (Ch), ImageMagickObject (COM+), Magick++ (C++), JMagick (Java), L-Magick (Lisp), NMagick (Neko/haXe), MagickNet (.NET), PascalMagick (Pascal), PerlMagick (Perl), MagickWand for PHP (PHP), IMagick (PHP), PythonMagick (Python), RMagick (Ruby), 和 TclMagick (Tcl/TK)。固然，你也能夠經過命令行的方式將它與其它程序組合起來。

　　ImageMagick是一個開源軟件，以可運行的二進制文件和源代碼兩種方式發佈。你能夠在公開和私有的程序中隨意地使用、複製、修改和分發它。它基於Apache 2.0風格的協議發佈。

　　其次，貌似ImageMagick的官方網站是被功夫牆了的（這但是純技術的網站啊！），因此咱們沒法直接去獲取該程序，這裏是國內的下載。

　　最後是安裝，沒的什麼說的，最簡單一路next就能夠，固然你也能夠改改安裝目錄啥的。放心，沒有捆綁百度工具欄的~

--------------------------------------------------tesseract-ocr---------------------------------------------------

　　先來介紹下tesseract-ocr，老規矩，英文原文源於官方網站

　　tesseract-ocr是一個OCR（Optical Character Recognition，光學字符識別）引擎，最初由惠普實驗室在1985到1995年間開發維護，如今歸Google管了。

　　tesseract-ocr引擎曾是1995年UNLV準確度測試中最頂尖的三個引擎之一。在1995年到2006年期間，它幾乎沒有什麼改動，可是它可能仍然是如今最準確的開源OCR引擎之一。它（原文是source code，源代碼，應該是筆誤）會讀取二進制的灰度或者彩色的圖像，並輸出文字。一個內建的tiff閱讀器讓它能夠讀取未壓縮的TIFF圖像，可是若是要讀取壓縮過的TIFF圖像，它還須要一個附加的libtiff庫。

　　因爲官方沒有被封，直接在官網就能夠下載了。 咱們須要下載tesseract-2.04.exe.tar.gz和tesseract-2.00.eng.tar.gz。tesseract- 2.04.exe.tar.gz是主程序。tesseract-2.00.eng.tar.gz是識別英文和數字須要用的特徵庫，有點相似於殺毒軟件的病 毒庫。tesseract-ocr還能夠識別荷蘭語、西班牙語和德語等等等等，咱們用不着就不用下了。

　 　最後，這個軟件是不用安裝的，解壓就能夠用了。先解壓tesseract-2.04.exe.tar.gz，而後解壓tesseract- 2.00.eng.tar.gz的內容到tesseract的根目錄，就能夠了。若是解壓tesseract-2.00.eng.tar.gz的位置沒有 放好，運行tesseract 會出錯：Unable to load unicharset file ./tessdata/eng.unicharset。

---------------------------------------------------驗證碼識別----------------------------------------------------

　　兩個軟件的關係：

　　tesseract是圖盲，默認狀況下只能看得懂未壓縮的TIFF圖像，若是直接用tesseract處理其它格式的圖片，會報錯以下：
　　　　Tesseract Open Source OCR Engine
　　　　name_to_image_type:Error:Unrecognized image type:code.jpg
　　　　IMAGE::read_header:Error:Can’t read this image type:code.jpg
　　　　tesseract:Error:Read of file failed:code.jpg

　　因此咱們須要用ImageMagick來轉換圖片格式，固然ImageMagick還有其它用處。

　　假設須要識別的圖片驗證碼爲code.jpg，咱們須要作的只有兩步：

　　　    命令行下 convert.exe -compress none -depth 8 -alpha off code.gif code.tif
　　　　命令行下  tesseract.exe code.tif result

　　OK，結果就在文本文件result.txt裏面了，tesseract會自動地在result後面添加上後綴名.txt。

 

         而後再對兩個命令作點解釋。

　　convert.exe：ImageMagick套件的一部分，負責圖片格式轉換，各個參數的意義以下：
　　　　-compress none：轉換後的圖片不要壓縮，若是沒有加這一項，後續tesseract處理的時候會報錯：read_tif_image:Error:Illegal image format:Compression
　　　　-depth 8：設置轉換後圖像的色深爲8位，也就是bpp爲8。若是沒有此參數，後果以下：
　　　　　　Tesseract Open Source OCR Engine
　　　　　　check_legal_image_size:Error:Only 1,2,4,5,6,8 bpp are supported:16
　　　　　　Segmentation fault
　　　　-alpha off：在轉換後的圖像中不要添加alpha圖層。若是沒有此參數，後果同上。 
　　　　緊跟着就是待轉換的圖片的文件名，最後是轉換後的圖片的文件名。

　　tesseract.exe：OCR就這樣被咱們「濫用」作驗證碼識別了~。
　　　　code.tif：待識別的圖像
　　　　result：存放結果的文件的文件名，tesseract會自動在其後添加後綴.txt。

　　就這麼簡單，僅僅兩個命令，驗證碼的內容就乖乖地在result文件中等咱們了。

----------------------------------------------------優化大法-----------------------------------------------------

　　在黃師傅的博客看到了一些可能的優化方法（未驗證），記錄以下：

　　爲提升識別率，能夠先把圖片轉換爲灰度。即弄黑白的：在convert的時候加上參數-monochrome（單色，非黑即白）或者-colorspace Gray（灰度圖，黑的程度還會不同哦，效果會好點）。

　　作放大處理（以150%爲例）：convert in.tif -scale 150% in2.tif

　　若是要裁剪圖像，使用參數-crop從一個圖片截取一個指定區域的子圖片【參見這裏】。 格式以下：-crop widthxheight{+-}x{+-}y{%}，width 子圖片寬度，height 子圖片高度，x 爲正數時爲從區域左上角的x座標,爲負數時,左上角座標爲0,而後從截出的子圖片右邊減去x象素寬度，y 爲正數時爲從區域左上角的y座標,爲負數時,左上角座標爲0,而後從截出的子圖片上邊減去y象素高度。

---------------------------------------------------識別中文字符----------------------------------------------------- 

此時中文識別很差，要下載一箇中文包：http://code.google.com/p/tesseract-ocr/downloads/detail?name=chi_sim.traineddata.gz&can=2&q=

而後找到tessdata目錄，把eng.traineddata替換爲chi_sim.traineddata,而且把chi_sim.traineddata重命名爲eng.traineddata

ok,如今中文識別基本達到90%以上了