利用開來源程式（ImageMagick+tesseract-ocr）實現映像驗證碼識別

標籤：

利用開來源程式（ImageMagick+tesseract-ocr）實現映像驗證碼識別分類： 開放項目2012-07-23 17:28 6712人閱讀 評論(0) 收藏 舉報tiffimagecompression引擎pascalcharacter

--------------------------------------------------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：模組原則（使用簡潔的借口拼合簡單的組件）和組合原則（設計時考慮拼接組合）。在Linux 下面有無數個小程式，體積小，功能簡單。但是當我們將它們按一定的方式組合起來以後，它們 幾乎無所不能。命令列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字檔，並替換其中的部分內容，如果是使用圖形介面的Word，恐怕沒有人 能夠乾的下來。
　　今天我們要用到兩個開源軟體：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、編輯和組合位元影像的軟體。它能夠讀、寫和轉換超過百餘種格式的圖片。

　　另外，ImageMagick針對主流的程式設計語言都有借口，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)。當然，你也可以通過命令列的方式將它與其它程式組合起來。

　　ImageMagick是一個開源軟體，以可啟動並執行二進位檔案和原始碼兩種方式發布。你可以在公開和私人的程式中隨意地使用、複製、修改和分發它。它基於Apache 2.0風格的協議發布。

　　其次，貌似ImageMagick的官方網站是被功夫牆了的（這可是純技術的網站啊！），所以我們無法直接去擷取該程式，這裡是國內的下載。

　　最後是安裝，沒的什麼說的，最簡單一路next就可以，當然你也可以改改安裝目錄啥的。放心，沒有捆綁百度工具列的~

--------------------------------------------------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，光學字元辨識）引擎，最初由惠普實驗室在1985到1995年間開發維護，現在歸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，但是它可能仍然是現在最準確的開源OCR引擎之一。它（原文是source code，原始碼，應該是筆誤）會讀取二進位的灰階或者彩色的映像，並輸出文字。一個內建的tiff閱讀器讓它可以讀取未壓縮的TIFF映像，但是如果要讀取壓縮過的TIFF映像，它還需要一個附加的libtiff庫。

　　由於官方沒有被封，直接在官網就可以下載了。 我們需要下載tesseract-2.04.exe.tar.gz和tesseract-2.00.eng.tar.gz。tesseract- 2.04.exe.tar.gz是主程式。tesseract-2.00.eng.tar.gz是識別英文和數字需要用的特徵庫，有點類似於殺毒軟體的病 毒庫。tesseract-ocr還可以識別荷蘭語、西班牙語和德語等等等等，我們用不著就不用下了。

　 　最後，這個軟體是不用安裝的，解壓就可以用了。先解壓tesseract-2.04.exe.tar.gz，然後解壓tesseract- 2.00.eng.tar.gz的內容到tesseract的根目錄，就可以了。如果解壓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----------------------------------------------------

　　兩個軟體的關係：

　　tesseract是圖盲，預設情況下只能看得懂未壓縮的TIFF映像，如果直接用tesseract處理其它格式的圖片，會報錯如下：
　　　　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

　　所以我們需要用ImageMagick來轉換圖片格式，當然ImageMagick還有其它用處。

　　假設需要識別的圖片驗證碼為code.jpg，我們需要做的只有兩步：

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

　　OK，結果就在文字檔result.txt裡面了，tesseract會自動地在result後面添加上尾碼名.txt。

 

         然後再對兩個命令做點解釋。

　　convert.exe：ImageMagick套件的一部分，負責圖片格式轉換，各個參數的意義如下：
　　　　-compress none：轉換後的圖片不要壓縮，如果沒有加這一項，後續tesseract處理的時候會報錯：read_tif_image:Error:Illegal image format:Compression
　　　　-depth 8：設定轉換後映像的色深為8位，也就是bpp為8。如果沒有此參數，後果如下：
　　　　　　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：在轉換後的映像中不要添加alpha圖層。如果沒有此參數，後果同上。 
　　　　緊跟著就是待轉換的圖片的檔案名稱，最後是轉換後的圖片的檔案名稱。

　　tesseract.exe：OCR就這樣被我們“濫用”做驗證碼識別了~。
　　　　code.tif：待識別的映像
　　　　result：存放結果的檔案的檔案名稱，tesseract會自動在其後添加尾碼.txt。

　　就這麼簡單，僅僅兩個命令，驗證碼的內容就乖乖地在result檔案中等我們了。

----------------------------------------------------最佳化大法-----------------------------------------------------

　　在黃師傅的部落格看到了一些可能的最佳化方法（未驗證），記錄如下：

　　為提高識別率，可以先把圖片轉換為灰階。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（灰階圖，黑的程度還會不一樣哦，效果會好點）。

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

　　如果要裁剪映像，使用參數-crop從一個圖片截取一個指定地區的子圖片【參見這裡】。 格式如下：-crop widthxheight{+-}x{+-}y{%}，width 子圖片寬度，height 子圖片高度，x 為正數時為從地區左上方的x座標,為負數時,左上方座標為0,然後從截出的子圖片右邊減去x象素寬度，y 為正數時為從地區左上方的y座標,為負數時,左上方座標為0,然後從截出的子圖片上邊減去y象素高度。

---------------------------------------------------識別中文字元----------------------------------------------------- 

此時中文識別不好，要下載一個中文包：http://code.google.com/p/tesseract-ocr/downloads/detail?name=chi_sim.traineddata.gz&can=2&q=

然後找到tessdata目錄，把eng.traineddata替換為chi_sim.traineddata,並且把chi_sim.traineddata重新命名為eng.traineddata

ok,現在中文識別基本達到90%以上了

利用開來源程式（ImageMagick+tesseract-ocr）實現映像驗證碼識別