用Asprise的OCR包，处理验证码

今天要介绍Java的OCR（图片字符识别）包，由Asprise出品。它甚至可以读条形码。

请从下面的链接下载包含破解的zip文件。

 

Asprise-OCR-Java-Windows_XP_32bit-4.0.zip

 

 

这个包用起来非常简单。

解开上面的zip后，里面有demo-src.jar，把这个jar也解开，打开 com/asprise/util/ocr/demo/Demo.java 看看，就全明白了：

 

[java]  view plain  copy

1. /* 
2.  * $Id$ 
3.  *  
4.  */  
5. package com.asprise.util.ocr.demo;  
6. import java.awt.image.BufferedImage;  
7. import java.io.File;  
8. import java.io.IOException;  
9. import javax.imageio.ImageIO;  
10. import com.asprise.util.ocr.OCR;  
11. public class Demo {  
12.     public static void main(String[] args) throws IOException {  
13.         if(("1.4").compareTo(System.getProperty("java.vm.version")) > 0) {  
14.             System.err.println("Warining: /n/nYou need Java version 1.4 or above for ImageIO to run this demo.");  
15.             System.err.println("Your current Java version is: " + System.getProperty("java.vm.version"));  
16.             System.err.println("/nSolutions: /n");  
17.             System.err.println("(1) Download JRE/JDK version 1.4 or above; OR /n");  
18.             System.err.println("(2) Run DemoUI, which can run on your current Java virtual machine.");  
19.             System.err.println("    Double click the 'runDemoUI' to invoke it./n");  
20.             return;  
21.         }  
22.         System.out.println("Welcome to Asprise OCR v4.0 Demo!/n");  
23.         if(args.length < 1) {  
24.             System.err.println("Usage: java Demo PATH_TO_IMAGE [Description]");  
25.             return;  
26.         }  
27.           
28.         if(args.length >= 2) {  
29.             System.out.println("-----------------------------------------------------------");  
30.             for(int i=1; i<args.length; i++)  
31.                 System.out.println(args[i]);  
32.             System.out.println("-----------------------------------------------------------/n");  
33.         }  
34.       
35.         File file = new File(args[0]);  
36.       
37.         System.out.println("Trying to perform OCR on image: " + file.getAbsolutePath());  
38.           
39.         //OCR.setLibraryPath("E:/Twain/OCR/OCR+i/Release/AspriseOCR.dll");  
40.         BufferedImage image =  
41.             ImageIO.read(file);  
42.         String s = new OCR().recognizeEverything(image);  
43.         System.out.println("/n---- RESULTS: ------- /n" + s);  
44.     }  
45.       
46. }  

 

用ImageIO的read方法从File读入BufferedImage，然后把Image传个OCR类的recognizeEverything方法，这个方法会返回分析出来的字符串（英文和数字）。

 

核心的方法就是这些了，但是用它来处理大多数网站的验证码，都不太好使。

原因很简单，大多数网站的验证码都加入不同程度的噪音，以防止OCR软件的自动分析。

所谓的噪音就是，加入背景颜色，或者加入杂七杂八的点，或者加入横七竖八的线，然后就是扭曲文字等等。

 

那么怎么才能去掉这些噪音，从而让OCR可读呢？

这里以我以前做开心网外挂时用到的程序片段来做例子，给出点思路。

这个程序现在已经不能用了，因为开心网现在的验证码是由汉字组成的了，Asprise只能识别英文和数字。

 

 

 

[java]  view plain  copy

1. BufferedImage image;  
2.         image = ImageIO.read(new ByteArrayInputStream(buffer));  
3.         int width = image.getTileWidth();  
4.         int height = image.getTileHeight();  

 

首先，看一下上面的代码，其中 buffer是一个 byte[]，它可以是用File打开的二进制文件，用InputStream的read方法读出的byte的全部，也可以是给出的网站的图片的URL，用HttpClient或者其他方法读入的图片二进制流。用ByteArrayInputStream转换后，被ImageIO的read方法转成Image。

 

 

[java]  view plain  copy

1. Map<Integer, Integer> mapColor = new HashMap<Integer, Integer>();  
2. for (int i = 0; i < width; i++)  
3.     for (int j = 0; j < height; j++) {  
4.         int color = image.getRGB(i, j);  
5.         Integer count = mapColor.get(color);  
6.         if (count == null)  
7.             count = 0;  
8.         count++;  
9.         mapColor.put(color, count);  
10.     }  

 

上面的代码是对Image进行处理。一个二重循环，用image.getRGB方法来取得每个点的颜色，然后对颜色计数，并放到一个HashMap里去。

这是为后面的去噪音做准备。

 

后面的代码，针对不同的噪音，要用同的方法。这里只是给个思路。

[java]  view plain  copy

1. List<Map.Entry<Integer, Integer>> list = new ArrayList<Map.Entry<Integer, Integer>>(  
2.         mapColor.entrySet());  
3. Collections.sort(list, new Comparator<Map.Entry<Integer, Integer>>() {  
4.     @Override  
5.     public int compare(Entry<Integer, Integer> o1,  
6.             Entry<Integer, Integer> o2) {  
7.         return o2.getValue() - o1.getValue();  
8.     }  
9. });  
10. list = list.subList(0, 5);  

上面是把，已经处理过的HashMap（key是颜色，value该颜色的点的个数）进行排序得到 list。

开心网的验证码是4位，然后每个的颜色不同。那么取list的前5项，必然是背景色和4位验证码的颜色。

 

list = list.subList(0, 5);

 

然后再来个二重循环，把不属于这5种颜色的点，全变成背景色，也就是去噪音了。

[java]  view plain  copy

1. int intBack = list.get(0).getKey();  
2. Set<Integer> setColor = new HashSet<Integer>();  
3. for (Map.Entry<Integer, Integer> entry : list) {  
4.     setColor.add(entry.getKey());  
5. }  
6. for (int i = 0; i < width; i++)  
7.     for (int j = 0; j < height; j++) {  
8.         int color = image.getRGB(i, j);  
9.         if (setColor.contains(color))  
10.             continue;  
11.         image.setRGB(i, j, intBack);  
12.     }  

上面的程序，首先取出list的第一项（背景）的颜色：int intBack = list.get(0).getKey();

循环体中，如果是背景色或者验证码的颜色（if (setColor.contains(color))），那么继续循环；否则，该点为噪音，要设置成背景色（image.setRGB(i, j, intBack)）。

 

最后，当然就是把处理过的Image交个OCR了。

[java]  view plain  copy

1. String strCode = ocr.recognizeEverything(image).trim().toLowerCase()  
2.                 .replaceAll(" ", "");  

由于分析的来的字符里出现空格的可能很大，所以要删除。

 

以上的程序，对加入横七竖八的别的颜色的线的加噪音方法比较有效，加别的颜色的点，也可以处理。

 

然后对于别的噪音，这里只给点思路，就不给出算法实现了。

 

比方说，对于那些加入和验证码颜色一致的杂七杂八的点的处理。前面的方法不能去除这种噪音。

我们可以做这么个二重循环，分析每个点，如果这个点颜色的四周（上下左右4个点，或者包括斜角共8个点）的颜色不同，而四周的颜色都一致，那么就判定这个点是噪音点，把它设置成和四周颜色一致。

当然，这个噪音未必是一个点，也许是个块，比方说2*2个点，或者3*3个点。如果这样，处理稍微麻烦点。可以用围棋博弈算法里的分块算法，取得每个小块，那些特别小的就判定为噪音。

 

然后说说关于扭曲，通常是把字母的上下往左右拉升。如果要其归位，比较难，未必一定可以实现。

可以考虑，用分块算法，取得的每一块，一个一个处理。处理时，把最左上和最左下画连线，算斜率；最右上和最右下也算斜率。取平均值，然后以平均斜率为base进行纠正。