Tesseract Ocr 引擎识别图形验证码

1、Tesseract介绍tesseract 是一个google支持的开源ocr项目，其项目地址：https://github.com/tesseract-ocr/tesseract，目前最新的源码可以在这里下载。实际使用tesseract ocr也有两种方式：1- 动态库方式 libtesseract 2 - 执行程序方式 tesseract.exe2、Tesseract安装包下载Tesseract的release版本下载地址：https://github.com/tesseract-ocr/tesseract/wiki/DownloadsCurrently, there is no official Windows installer for newer versions. 意思就是官方不提供最新版windows平台安装包，只有相对略老的3.02.02版本，其下载地址：https://sourceforge.net/projects/tesseract-ocr-alt/files/。最新版3.03和3.05版本，都是三方维护和管理的安装包，有好几个发行机构，分别是：3rd party Windows exe's/installerbinaries compiled by @egorpugin (ref issue # 209)https://www.dropbox.com/s/8t54mz39i58qslh/tesseract-3.05.00dev-win32-vc19.zip?dl=1 You have to install VC2015 x86 redist from microsoft.com in order to run them. Leptonica is built with all libs except for libjp2k. https://github.com/UB-Mannheim/tesseract/wikihttp://domasofan.spdns.eu/tesseract/3、Tesseract ocr 的使用安装之后，默认目录C:\Program Files (x86)\Tesseract-OCR，你需要把这个路径放到你操作系统的path搜索路径中，这样用起来比较方便。在安装目录C:\Program Files (x86)\Tesseract-OCR下可以看到 tesseract.exe这个命令行执行程序。注：安装后的目录，你可以打包成压缩包拷贝到别的地方或别的电脑直接解压使用。tesseract语法如下：例如：tesseract 1.png output -l eng -psm 7 ，表示采取单行文本方式，使用英语字库识别1.png这个图片文件，识别结果输出到当前目录output.txt文件中。其中 -psm 7 表示用单行文本识别，-l eng 表示使用英语语言。所以默认选项直接使用 “tesseract 1.png output” 即可。4、Tesseract ocr 的 Java 工具类[java] view plain copy 在CODE上查看代码片派生到我的代码片package com.shanhy.unifiedintegral.common.ocr; import java.io.BufferedReader; import java.io.File; import java.io.FileInputStream; import java.io.InputStreamReader; import java.util.ArrayList; import java.util.List; import org.jdesktop.swingx.util.OS; import org.springframework.beans.factory.annotation.Value; import org.springframework.stereotype.Component; /** * 图形验证码识别 * * @author 单红宇(365384722) * @myblog http://blog.csdn.net/catoop/ * @create 2016年9月2日 */ @Component public class OCRHelper { private final String LANG_OPTION = "-l"; private final String EOL = System.getProperty("line.separator"); /** * tesseract安装目录 */ @Value("${tesseractDirPath:C://Program Files (x86)//Tesseract-OCR}")//默认值C://Program Files (x86)//Tesseract-OCR private String tessPath; /** * @param imageFile * 传入的图像文件 * @param imageFormat * 传入的图像格式 * @return 识别后的字符串 */ public String recognizeText(File imageFile) throws Exception { /** * 设置输出文件的保存的文件目录 */ File outputFile = new File(imageFile.getParentFile(), "output"); StringBuffer strB = new StringBuffer(); List cmd = new ArrayList(); if (OS.isWindowsXP()) { cmd.add(tessPath + "\\tesseract"); } else if (OS.isLinux()) { cmd.add("tesseract"); } else { cmd.add(tessPath + "\\tesseract"); } cmd.add(""); cmd.add(outputFile.getName()); cmd.add(LANG_OPTION); // 设置语言参数 // cmd.add("chi_sim");// 中文简体（需要额外安装） cmd.add("eng");// 英文（安装默认自带） ProcessBuilder pb = new ProcessBuilder(); /** * Sets this process builder's working directory. */ pb.directory(imageFile.getParentFile()); cmd.set(1, imageFile.getName()); pb.command(cmd); pb.redirectErrorStream(true); Process process = pb.start(); // tesseract.exe 1.jpg 1 -l chi_sim // Runtime.getRuntime().exec("tesseract.exe 1.jpg 1 -l chi_sim"); /** * the exit value of the process. By convention, 0 indicates normal * termination. */ // System.out.println(cmd.toString()); int w = process.waitFor(); if (w == 0)// 0代表正常退出 { BufferedReader in = new BufferedReader( new InputStreamReader(new FileInputStream(outputFile.getAbsolutePath() + ".txt"), "UTF-8")); String str; while ((str = in.readLine()) != null) { strB.append(str).append(EOL); } in.close(); } else { String msg; switch (w) { case 1:// 大部分是权限问题，当前运行的java执行权限不够 msg = "Errors accessing files. There may be spaces in your image's filename."; break; case 29: msg = "Cannot recognize the image or its selected region."; break; case 31: msg = "Unsupported image format."; break; default: msg = "Errors occurred."; } throw new RuntimeException(msg); } new File(outputFile.getAbsolutePath() + ".txt").delete(); return strB.toString().replaceAll("\\s*", ""); } public void setTessPath(String path){ this.tessPath = path; } // public static void main(String[] args) { // try { // OCRHelper ocr = new OCRHelper(); // ocr.setTessPath("D://Tesseract-OCR"); // System.out.println(ocr.recognizeText(new File("G://vcode.jpg"))); // } catch (Exception e) { // e.printStackTrace(); // } // } } 其中的 tesseractDirPath 的是我把这个安装目录放到配置文件中了。一般看起来比较正常的验证码基本可以直接识别，如果是有噪度的图片，可以自己先对图片处理，降噪后再使用该工具类识别。