用imagemagick和tesseract-ocr破解簡單驗證碼

　　Tesseract是Ray Smith于1985到1995年間在惠普布里斯托實驗室開發的一個OCR引擎，曾經在1995 UNLV精確度測試中名列前茅。但1996年后基本停止了開發。2006年，Google邀請Smith加盟，重啟該項目。目前項目的許可證是Apache 2.0。

　　該項目目前支持Windows、Linux和Mac OS等主流平臺。但作為一個引擎，它只提供核心功能，沒有界面。

　　有興趣參加該項目的同學，可以加入：http://groups.google.com/group/tesseract-dev/，或者與Smith聯系。

下載工具：imagemagick + tesseract-ocr

 

Tesseract-ocr據說辨識程度是世界排名第三,可謂神器啊。

準備工作：

1.安裝tesseract-ocr

sudo apt-get install tesseract

2.安裝imagemagick

sudo apt-get install imagemagick

3.安裝rmagick

sudo apt-get remove --purge librmagick-ruby-doc librmagick-ruby1.8
sudo apt-get install libmagick9-dev ruby1.8-dev
sudo gem install rmagick

先試一個簡單的：

require 'rubygems'
require 'rtesseract'
img = RTesseract.new("tmp/test.jpg")
img.to_s.sub(/\s+$/, "") # => "3R8Z" 

很成功，但這個太簡單了。一般破解復雜點的驗證碼處理步驟是先用imagemagick灰度化，灰度反轉，提高對比度，二值化等。然后再用ocr去識別。ocr識別黑白圖片效果比較好些。

這個的驗證碼：

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

這個還是簡單，再復雜一點的，這個驗證碼：

有黑色邊框，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") #去掉邊框（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識別
image.to_s.sub(/\s+$/, "") #=> "5692" 

像上面這樣簡單的識別率幾乎能達到80%以上，扭曲太嚴重的識別率就很低了。有輕微噪點的就得自己寫去噪算法了。。

 

還有一些驗證碼看起來很變態但是是紙老虎。像當當的。刷新了幾次發現結果在1-20之間,選中一個數暴力破解每次也有1/20正確的概率。

還有139的：。答案就12種1-4A-Da-d。而且不區分大小寫。選中一個字母每次有1/6的概率命中。

轉自：http://hooopo.iteye.com/blog/993538