使用Tesseract-OCR 做验证码识别浅析

使用工具jTessBoxEditor-0.7(这个是在java平台下开发的,所以它只支持java平台 ,在使用前应该先配置好java环境) tesseract

程序集(因为该程序集是在.net 2.0平台下开发的,所以只能支持到2.0 在使用时请注意(也可以自己去网上找别人用更高的版本编译好的)) tesseract-ocr-setup-3.01-1 使用开发语言.net 辅助工具 Visual Studio 至少能支持.net 2.0即可

首先,我们要找到自己需要做验证识别的验证码图片(因为只有图片才需要做些操作识别!!!!)或是别的需要识别的图片, 因为在要它能识别之前我们需要做一个用于识别时用的资料库(后面叫训练集),所以我们要收集大量的图片(尺寸大小尽量一致,有共同的特征才方便处理) 然后找出,图片中除了要用的内容之外的一些共同特征因为后面我们要把它干掉!

准备好图片之后 , 我们打开vs 来对这些图片做初步去噪处理(除我们需要的内容外的东西都认为是噪点),我以这种类型的验证码为例,先创建一个应用窗体或都可以,因为这里只是对图片做一个初步的处理,我们先使用

得到这个数组后,我们再使用循环遍历来处理,我们得到ma之后再对它来做处理首先我们如果放大的话可以看到这个图片边上的都是白色的,而中间组成文字的是黑色, 这是我们需要的, 而其它的杂色就有好几种为了偷下懒呢,我就先只去这三种主要的好了,这里之所以标出了RGB值是因为我们要用这些值来比较颜色再做替换的,这个我是用一个小工具来做的

另外我们一般是对一个新的图来作操作而不是改原图所以我们做以下操作因为上面三个去不尽所以我又多找了几个,并把边上的也干成白色了代码如下,这里是写的一个单独的方法

 1    private static Bitmap cor(Bitmap ma) 
 2         {
 3             Bitmap bi = new Bitmap(ma.Width,ma.Height);
 4             for (int i = 0; i < ma.Width; i++)
 5             {
 6                 for (int j = 0; j < ma.Height; j++)
 7                 {
 8                     if (i==0||j==0||i==ma.Width-1||j==ma.Height-1)
 9                     {
10                         bi.SetPixel(i,j,Color.White);
11                         continue;
12                     }
13                     Color cl = ma.GetPixel(i,j);
14                     if (cl.Equals(Color.FromArgb(204, 204, 51)) ||
15                        cl.Equals(Color.FromArgb(153, 204, 51)) ||
16                         cl.Equals(Color.FromArgb(204, 255, 102)) ||
17                         cl.Equals(Color.FromArgb(204, 204, 204))||
18                         cl.Equals(Color.FromArgb(204, 255, 51))||
19                         cl.Equals(Color.FromArgb(102, 102, 51)))
20                     {
21                         bi.SetPixel(i, j, Color.White);
22                     }
23                     else
24                     {
25                         bi.SetPixel(i,j,cl);
26                     }
27                 }
28                 
29             }
30             return bi;
31         }

   String [] files = Directory.GetFiles(@"E:imgyb","*.gif");
           for (int i = 0; i < files.Length; i++)
           {
               Bitmap bi = Image.FromFile(files[i]) as Bitmap;
               cor(bi).Save(@"E:imgOK" + i + ".tiff", ImageFormat.Tiff);
           }
           MessageBox.Show("OK");
//通过这个去掉用图片处理的方法

之后我们把新的图片保存在一个文件夹里,处理完好我们第一步的工作就做好了

那么我们开始第二步, (先确保已经搞定了java的运行环境)打开jTessBoxEditor-0.7这个工具jTessBoxEditor.jar这个文件! 然后选择我画起来那里

然后出现这个界面打开刚刚生成的图的文件夹,把图片全选打开,然后再保存到一个文件夹里去, (可以是同一个),然后就会生成一个包含了所有图片的tiff文件

我这里是做了100个样品图来做训练集的,然后我们再打这个文件导入到该软件中做校验(都要检验完哦!!!,如果没校验后面会出错的.出现找不到tr文件的错的时候你就回来看看),当我们做到这里的时候就完成一半了接下来需要先安装好tesseract-ocr-setup-3.01-1然后打开命令行也就是cmd

–tesseract.exe XX(刚刚合并的tif文件名) YY（新生成文件名）batch.nochop makebox // 下面的XX YY无论大写小的,都是和这里的一样,这里是YY那么下面也是YY要注意我做的时候用的YES

–xxYY 这两个文件名要保持一致此两处前后有空格注意这两文件要同名并在同一文件夹下

•然后打开jTessBoxEditor软件打开刚刚编辑好的tif文件，开始校正刚刚识别的box文件校正完后，保存再回到命令行执行

–tesseract.exe xx.tif yy nobatch box.train 如无报错继续执行

–unicharset_extractor.exe yy.box

–然后在同目录下新建一个名字为font_properties的文件（文本文件不保留后缀）然后在里面输入

–n 0 0 0 0 0

–命令行执行cntraining.exe yy.tr

–mftraining.exe -F font_properties -U unicharset YY.tr

为了时间我就只上一个图,因为我这不知道什么情况上图特慢

当上面的都执行完后如果没有报错那么在•把该目录下的unicharset， inttemp ，normproto， pfftable 这四个文件加上训练名前缀(就是你刚刚写的YY的那个)

•命令执行 combine_tessdata 训练名. 生成的训练名.traineddata就可以用来进行识别了

            OpenFileDialog fi = new OpenFileDialog();
            if (fi.ShowDialog()==DialogResult.OK)
            {
                Bitmap bi = cor((Bitmap) Image.FromFile(fi.FileName));
                TesseractProcessor p = new TesseractProcessor();
                p.SetPageSegMode(ePageSegMode.PSM_SINGLE_LINE);
                p.Init(@"E:imgOK","n",(int)eOcrEngineMode.OEM_DEFAULT);
             String s=   p.Recognize(bi);
             MessageBox.Show(s);
            }

上面是做识别块的代码Tesseractpocessor这是前面说要用到的那个程序集的在使用使要先导入,..

欢迎大家能共同探讨交流 QQ 315695792