imagemagick tesseract-ocr破解简单验证码

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

 sudoapt-getinstalltesseract

2.安装imagemagick

 sudoapt-getinstallimagemagick

3.安装rmagick

 sudoapt-getremove--purgelibrmagick-ruby-doclibrmagick-ruby1.8
 sudoapt-getinstalllibmagick9-devruby1.8-dev
 sudogeminstallrmagick

先试一个简单的：

 require'rubygems'
 require'rtesseract'
 img=RTesseract.new("tmp/test.jpg")
 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。

这个是人民网的验证码：

 img=MiniMagick::Image.new("tmp/people.jpg")
 img.colorspace("GRAY")#灰度化
 image=RTesseract.new(img.path)
 image.to_s.sub(/\s+$/,"")#=>"254369"

这个还是简单，再复杂一点的，这个是4399.com的验证码：

有黑色边框，有背景色，文字稍微扭曲。

 img=MiniMagick::Image.new("tmp/4399.jpg")
 img.crop("#{img[:width]-2}x#{img[:height]-2}+1+1")#去掉边框（上下左右各1像素）
 img.colorspace("GRAY")#灰度化
 img.monochrome#二值化
 image=RTesseract.new(img.path)#ocr识别
 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。。

还有一些验证码看起来很变态但是是纸老虎。像当当的。刷新了几次发现结果在1-20之间,选中一个数暴力破解每次也有1/20正确的概率。

还有139的：。答案就12种1-4A-Da-d。而且不区分大小写。选中一个字母每次有1/6的概率命中。