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
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：
-
- for (int y = minY; y < height; y++) {
- for (int x = minX; x < width; x++) {
- int rgb = srcImg.getRGB(x, y);
- Color color = new Color(rgb);
- int gray = (int) (0.3 * color.getRed() + 0.59
- * color.getGreen() + 0.11 * color.getBlue());
- Color newColor = new Color(gray, gray, gray);
- srcImg.setRGB(x, y, newColor.getRGB());
- }
- }
结果如图：
2.其次是灰度反转：
- for (int y = minY; y < height; y++) {
- for (int x = minX; x < width; x++) {
- int rgb = buffImg.getRGB(x, y);
- Color color = new Color(rgb);
- Color newColor = new Color(255 - color.getRed(), 255 - color
- .getGreen(), 255 - color.getBlue());
- buffImg.setRGB(x, y, newColor.getRGB());
- }
- }
结果如图：
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：
- for (int y = minY; y < height; y++) {
- for (int x = minX; x < width; x++) {
- int rgb = buffImg.getRGB(x, y);
- Color color = new Color(rgb);
- int value = 255 - color.getBlue();
- if (value > average) {
- Color newColor = new Color(0, 0, 0);
- buffImg.setRGB(x, y, newColor.getRGB());
- } else {
- Color newColor = new Color(255, 255, 255);
- buffImg.setRGB(x, y, newColor.getRGB());
- }
- }
- }
结果如图：
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：
- List<String> cmd = new ArrayList<String>();
- cmd.add(tessPath + "\\tesseract");
- cmd.add("");
- cmd.add(outputFile.getName());
- cmd.add(LANG_OPTION);
- cmd.add("eng");
- ProcessBuilder pb = new ProcessBuilder();
- pb.directory(imageFile.getParentFile());
-
- cmd.set(1, tempImage.getName());
-
- pb.command(cmd);
- pb.redirectErrorStream(true);
- Process process = pb.start();
-
- int w = process.waitFor();
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？
