利用开源程序（ImageMagick+tesseract-ocr）实现图像验证码识别

--------------------------------------------------低调的分割线---------------------------------------------------

　 　Linux下有两个重要的编程准则，甚至是设计哲学，就是：模块原则（使用简洁的借口拼合简单的部件）和组合原则（设计时考虑拼接组合）。在Linux 下面有无数个小程序，体积小，功能简单。但是当我们将它们按一定的方式组合起来以后，它们 几乎无所不能。命令行的一个很大的好处就是方便组合。试想一下你要处理一万个文本文件，并替换其中的部分内容，如果是使用图形界面的Word，恐怕没有人 能够干的下来。
　　今天我们要用到两个开源软件：ImageMagick+tesseract-ocr。

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

　　首先是一点简介（英文原文源于官方网站）：

　    ImageMagick是一个适用于创建、编辑和组合位图的软件。它能够读、写和转换超过百余种格式的图片。

　　另外，ImageMagick针对主流的编程语言都有借口，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)。当然，你也可以通过命令行的方式将它与其它程序组合起来。

　　ImageMagick是一个开源软件，以可运行的二进制文件和源代码两种方式发布。你可以在公开和私有的程序中随意地使用、复制、修改和分发它。它基于Apache 2.0风格的协议发布。

　　其次，貌似ImageMagick的官方网站是被功夫墙了的（这可是纯技术的网站啊！），所以我们无法直接去获取该程序，这里是国内的下载。

　　最后是安装，没的什么说的，最简单一路next就可以，当然你也可以改改安装目录啥的。放心，没有捆绑百度工具栏的~

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

　　先来介绍下tesseract-ocr，老规矩，英文原文源于官方网站

　　tesseract-ocr是一个OCR（Optical Character Recognition，光学字符识别）引擎，最初由惠普实验室在1985到1995年间开发维护，现在归Google管了。

　　tesseract-ocr引擎曾是1995年UNLV准确度测试中最顶尖的三个引擎之一。在1995年到2006年期间，它几乎没有什么改动，但是它可能仍然是现在最准确的开源OCR引擎之一。它（原文是source code，源代码，应该是笔误）会读取二进制的灰度或者彩色的图像，并输出文字。一个内建的tiff阅读器让它可以读取未压缩的TIFF图像，但是如果要读取压缩过的TIFF图像，它还需要一个附加的libtiff库。

　　由于官方没有被封，直接在官网就可以下载了。 我们需要下载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是识别英文和数字需要用的特征库，有点类似于杀毒软件的病 毒库。tesseract-ocr还可以识别荷兰语、西班牙语和德语等等等等，我们用不着就不用下了。

　 　最后，这个软件是不用安装的，解压就可以用了。先解压tesseract-2.04.exe.tar.gz，然后解压tesseract- 2.00.eng.tar.gz的内容到tesseract的根目录，就可以了。如果解压tesseract-2.00.eng.tar.gz的位置没有 放好，运行tesseract 会出错：Unable to load unicharset file ./tessdata/eng.unicharset。

---------------------------------------------------验证码识别----------------------------------------------------

　　两个软件的关系：

　　tesseract是图盲，默认情况下只能看得懂未压缩的TIFF图像，如果直接用tesseract处理其它格式的图片，会报错如下：
　　　　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

　　所以我们需要用ImageMagick来转换图片格式，当然ImageMagick还有其它用处。

　　假设需要识别的图片验证码为code.jpg，我们需要做的只有两步：

　　　    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，结果就在文本文件result.txt里面了，tesseract会自动地在result后面添加上后缀名.txt。

 

         然后再对两个命令做点解释。

　　convert.exe：ImageMagick套件的一部分，负责图片格式转换，各个参数的意义如下：
　　　　-compress none：转换后的图片不要压缩，如果没有加这一项，后续tesseract处理的时候会报错：read_tif_image:Error:Illegal image format:Compression
　　　　-depth 8：设置转换后图像的色深为8位，也就是bpp为8。如果没有此参数，后果如下：
　　　　　　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：在转换后的图像中不要添加alpha图层。如果没有此参数，后果同上。
　　　　紧跟着就是待转换的图片的文件名，最后是转换后的图片的文件名。

　　tesseract.exe：OCR就这样被我们“滥用”做验证码识别了~。
　　　　code.tif：待识别的图像
　　　　result：存放结果的文件的文件名，tesseract会自动在其后添加后缀.txt。

　　就这么简单，仅仅两个命令，验证码的内容就乖乖地在result文件中等我们了。

----------------------------------------------------优化大法-----------------------------------------------------

　　在黄师傅的博客看到了一些可能的优化方法（未验证），记录如下：

　　为提高识别率，可以先把图片转换为灰度。即弄黑白的：在convert的时候加上参数-monochrome（单色，非黑即白）或者-colorspace Gray（灰度图，黑的程度还会不一样哦，效果会好点）。

　　做放大处理（以150%为例）：convert in.tif -scale 150% in2.tif

　　如果要裁剪图像，使用参数-crop从一个图片截取一个指定区域的子图片【参见这里】。 格式如下：-crop widthxheight{+-}x{+-}y{%}，width 子图片宽度，height 子图片高度，x 为正数时为从区域左上角的x坐标,为负数时,左上角坐标为0,然后从截出的子图片右边减去x象素宽度，y 为正数时为从区域左上角的y坐标,为负数时,左上角坐标为0,然后从截出的子图片上边减去y象素高度。

---------------------------------------------------识别中文字符----------------------------------------------------- 

此时中文识别不好，要下载一个中文包：http://code.google.com/p/tesseract-ocr/downloads/detail?name=chi_sim.traineddata.gz&can=2&q=

然后找到tessdata目录，把eng.traineddata替换为chi_sim.traineddata,并且把chi_sim.traineddata重命名为eng.traineddata

ok,现在中文识别基本达到90%以上了