用Asprise的OCR包，处理验证码

今天要介绍Java的OCR（图片字符识别）包，由Asprise出品。它甚至可以读条形码。

请从下面的链接下载包含破解的zip文件。 

 

这个包用起来非常简单。

解开上面的zip后，里面有demo-src.jar，把这个jar也解开，打开 com/asprise/util/ocr/demo/Demo.java 看看，就全明白了：

/* 

 * $Id$
 *
 */
package com.asprise.util.ocr.demo;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import javax.imageio.ImageIO;
import com.asprise.util.ocr.OCR;
public class Demo {
    public static void main(String[] args) throws IOException {
        if(("1.4").compareTo(System.getProperty("java.vm.version")) > 0) {
            System.err.println("Warining: /n/nYou need Java version 1.4 or above for ImageIO to run this demo.");
            System.err.println("Your current Java version is: " + System.getProperty("java.vm.version"));
            System.err.println("/nSolutions: /n");
            System.err.println("(1) Download JRE/JDK version 1.4 or above; OR /n");
            System.err.println("(2) Run DemoUI, which can run on your current Java virtual machine.");
            System.err.println("    Double click the 'runDemoUI' to invoke it./n");
            return;
        }
        System.out.println("Welcome to Asprise OCR v4.0 Demo!/n");
        if(args.length < 1) {
            System.err.println("Usage: java Demo PATH_TO_IMAGE [Description]");
            return;
        }

        if(args.length >= 2) {
            System.out.println("-----------------------------------------------------------");
            for(int i=1; i<args.length; i++)
                System.out.println(args[i]);
            System.out.println("-----------------------------------------------------------/n");
        }

        File file = new File(args[0]);

        System.out.println("Trying to perform OCR on image: " + file.getAbsolutePath());

        //OCR.setLibraryPath("E:/Twain/OCR/OCR+i/Release/AspriseOCR.dll");
        BufferedImage image =
            ImageIO.read(file);
        String s = new OCR().recognizeEverything(image);
        System.out.println("/n---- RESULTS: ------- /n" + s);
    }

}

/* * $Id$ * */ package com.asprise.util.ocr.demo; import java.awt.image.BufferedImage; import java.io.File; import java.io.IOException; import javax.imageio.ImageIO; import com.asprise.util.ocr.OCR; public class Demo { public static void main(String[] args) throws IOException { if(("1.4").compareTo(System.getProperty("java.vm.version")) > 0) { System.err.println("Warining: /n/nYou need Java version 1.4 or above for ImageIO to run this demo."); System.err.println("Your current Java version is: " + System.getProperty("java.vm.version")); System.err.println("/nSolutions: /n"); System.err.println("(1) Download JRE/JDK version 1.4 or above; OR /n"); System.err.println("(2) Run DemoUI, which can run on your current Java virtual machine."); System.err.println(" Double click the 'runDemoUI' to invoke it./n"); return; } System.out.println("Welcome to Asprise OCR v4.0 Demo!/n"); if(args.length < 1) { System.err.println("Usage: java Demo PATH_TO_IMAGE [Description]"); return; } if(args.length >= 2) { System.out.println("-----------------------------------------------------------"); for(int i=1; i<args.length; i++) System.out.println(args[i]); System.out.println("-----------------------------------------------------------/n"); } File file = new File(args[0]); System.out.println("Trying to perform OCR on image: " + file.getAbsolutePath()); //OCR.setLibraryPath("E:/Twain/OCR/OCR+i/Release/AspriseOCR.dll"); BufferedImage image = ImageIO.read(file); String s = new OCR().recognizeEverything(image); System.out.println("/n---- RESULTS: ------- /n" + s); } }

 

用ImageIO的read方法从File读入BufferedImage，然后把Image传个OCR类的recognizeEverything方法，这个方法会返回分析出来的字符串（英文和数字）。

 

核心的方法就是这些了，但是用它来处理大多数网站的验证码，都不太好使。

原因很简单，大多数网站的验证码都加入不同程度的噪音，以防止OCR软件的自动分析。

所谓的噪音就是，加入背景颜色，或者加入杂七杂八的点，或者加入横七竖八的线，然后就是扭曲文字等等。

 

那么怎么才能去掉这些噪音，从而让OCR可读呢？

这里以我以前做开心网外挂时用到的程序片段来做例子，给出点思路。

这个程序现在已经不能用了，因为开心网现在的验证码是由汉字组成的了，Asprise只能识别英文和数字。

 

 

 

        image = ImageIO.read(new ByteArrayInputStream(buffer));
        int width = image.getTileWidth();
        int height = image.getTileHeight();

BufferedImage image; image = ImageIO.read(new ByteArrayInputStream(buffer)); int width = image.getTileWidth(); int height = image.getTileHeight();

 

首先，看一下上面的代码，其中 buffer是一个 byte[]，它可以是用File打开的二进制文件，用InputStream的read方法读出的byte的全部，也可以是给出的网站的图片的URL，用HttpClient或者其他方法读入的图片二进制流。用ByteArrayInputStream转换后，被ImageIO的read方法转成Image。

 

 

Map<Integer, Integer> mapColor = new HashMap<Integer, Integer>();
for (int i = 0; i < width; i++)
    for (int j = 0; j < height; j++) {
        int color = image.getRGB(i, j);
        Integer count = mapColor.get(color);
        if (count == null)
            count = 0;
        count++;
        mapColor.put(color, count);
    }

Map<Integer, Integer> mapColor = new HashMap<Integer, Integer>(); for (int i = 0; i < width; i++) for (int j = 0; j < height; j++) { int color = image.getRGB(i, j); Integer count = mapColor.get(color); if (count == null) count = 0; count++; mapColor.put(color, count); }

 

上面的代码是对Image进行处理。一个二重循环，用image.getRGB方法来取得每个点的颜色，然后对颜色计数，并放到一个HashMap里去。

这是为后面的去噪音做准备。

 

后面的代码，针对不同的噪音，要用同的方法。这里只是给个思路。

        mapColor.entrySet());
Collections.sort(list, new Comparator<Map.Entry<Integer, Integer>>() {
    @Override
    public int compare(Entry<Integer, Integer> o1,
            Entry<Integer, Integer> o2) {
        return o2.getValue() - o1.getValue();
    }
});
list = list.subList(0, 5);

List<Map.Entry<Integer, Integer>> list = new ArrayList<Map.Entry<Integer, Integer>>( mapColor.entrySet()); Collections.sort(list, new Comparator<Map.Entry<Integer, Integer>>() { @Override public int compare(Entry<Integer, Integer> o1, Entry<Integer, Integer> o2) { return o2.getValue() - o1.getValue(); } }); list = list.subList(0, 5);

上面是把，已经处理过的HashMap（key是颜色，value该颜色的点的个数）进行排序得到 list。

开心网的验证码是4位，然后每个的颜色不同。那么取list的前5项，必然是背景色和4位验证码的颜色。

 

list = list.subList(0, 5);

 

然后再来个二重循环，把不属于这5种颜色的点，全变成背景色，也就是去噪音了。

Set<Integer> setColor = new HashSet<Integer>();
for (Map.Entry<Integer, Integer> entry : list) {
    setColor.add(entry.getKey());
}
for (int i = 0; i < width; i++)
    for (int j = 0; j < height; j++) {
        int color = image.getRGB(i, j);
        if (setColor.contains(color))
            continue;
        image.setRGB(i, j, intBack);
    }

int intBack = list.get(0).getKey(); Set<Integer> setColor = new HashSet<Integer>(); for (Map.Entry<Integer, Integer> entry : list) { setColor.add(entry.getKey()); } for (int i = 0; i < width; i++) for (int j = 0; j < height; j++) { int color = image.getRGB(i, j); if (setColor.contains(color)) continue; image.setRGB(i, j, intBack); }

上面的程序，首先取出list的第一项（背景）的颜色：int intBack = list.get(0).getKey();

循环体中，如果是背景色或者验证码的颜色（if (setColor.contains(color))），那么继续循环；否则，该点为噪音，要设置成背景色（image.setRGB(i, j, intBack)）。

 

最后，当然就是把处理过的Image交个OCR了。

                .replaceAll(" ", "");

String strCode = ocr.recognizeEverything(image).trim().toLowerCase() .replaceAll(" ", "");

由于分析的来的字符里出现空格的可能很大，所以要删除。

 

以上的程序，对加入横七竖八的别的颜色的线的加噪音方法比较有效，加别的颜色的点，也可以处理。

 

然后对于别的噪音，这里只给点思路，就不给出算法实现了。

 

比方说，对于那些加入和验证码颜色一致的杂七杂八的点的处理。前面的方法不能去除这种噪音。

我们可以做这么个二重循环，分析每个点，如果这个点颜色的四周（上下左右4个点，或者包括斜角共8个点）的颜色不同，而四周的颜色都一致，那么就判定这个点是噪音点，把它设置成和四周颜色一致。

当然，这个噪音未必是一个点，也许是个块，比方说2*2个点，或者3*3个点。如果这样，处理稍微麻烦点。可以用围棋博弈算法里的分块算法，取得每个小块，那些特别小的就判定为噪音。

 

然后说说关于扭曲，通常是把字母的上下往左右拉升。如果要其归位，比较难，未必一定可以实现。

可以考虑，用分块算法，取得的每一块，一个一个处理。处理时，把最左上和最左下画连线，算斜率；最右上和最右下也算斜率。取平均值，然后以平均斜率为base进行纠正。