用imagemagick和tesseract-ocr破解简单验证码
Tesseract是Ray Smith 于1985到1995年间在惠普布里斯托实验室开发的一个OCR引擎,曾经在1995 UNLV精确度测试中名列前茅。但1996年后基本停止了开发。2006年,Google邀请Smith加盟,重启该项目。目前项目的许可证是Apache 2.0。
该项目目前支持Windows、Linux和Mac OS等主流平台。但作为一个引擎,它只提供核心功能,没有界面。
有兴趣参加该项目的同学,可以加入:http://groups.google.com/group/tesseract-dev/,或者与Smith联系。
下载工具:imagemagick + tesseract-ocr
Tesseract-ocr据说辨识程度是世界排名第三,可谓神器啊。
准备工作:
1.安装tesseract-ocr
1 | sudo apt-get install tesseract |
2.安装imagemagick
1 | sudo apt-get install imagemagick |
3.安装rmagick
1 | sudo apt-get remove --purge librmagick-ruby-doc librmagick-ruby1.8 |
2 | sudo apt-get install libmagick9-dev ruby1.8-dev |
3 | sudo gem install rmagick |
先试一个简单的:
1 | require 'rubygems' |
2 | require 'rtesseract' |
3 | img = RTesseract. new ( "tmp/test.jpg" ) |
4 | img.to_s.sub(/\s+$/, "" ) # => "3R8Z" |
很成功,但这个太简单了。一般破解复杂点的验证码处理步骤是先用imagemagick灰度化,灰度反转,提高对比度,二值化等。然后再用ocr去识别。ocr识别黑白图片效果比较好些。
这个的验证码:
1 | img = MiniMagick::Image. new ( "tmp/people.jpg" ) |
2 | img.colorspace( "GRAY" ) #灰度化 |
3 | image = RTesseract. new (img.path) |
4 | image.to_s.sub(/\s+$/, "" ) # => "254369" |
这个还是简单,再复杂一点的,这个验证码:
有黑色边框,有背景色,文字稍微扭曲。
1 | img = MiniMagick::Image. new ( "tmp/4399.jpg" ) |
2 | img.crop( "#{img[:width] - 2}x#{img[:height] - 2}+1+1" ) #去掉边框(上下左右各 1 像素) |
3 | img.colorspace( "GRAY" ) #灰度化 |
4 | img.monochrome #二值化 |
5 | image = RTesseract. new (img.path) #ocr识别 |
6 | image.to_s.sub(/\s+$/, "" ) #=> "5692" |
像上面这样简单的识别率几乎能达到80%以上,扭曲太严重的识别率就很低了。有轻微噪点的就得自己写去噪算法了。。
破解图片验证码限制的一般思路:
http://www.williamlong.info/archives/347.html