Python识别验证码，基于Tesseract实现图片文字识别

一.简介

Tesseract是一个开源的文本识别【OCR】引擎，可通过Apache 2.0许可获得。它可以直接使用，或者使用API从图像中提取打印的文本，支持多种语言。该软件包包含一个ORC引擎【libtesseract】和一个命令行程序【tesseract】。Tesseract4添加了一个新的基于LSTM的OCR引擎，该引擎专注于行识别，但仍支持Tesseract 3的传统Tesseract OCR引擎，该引擎通过识别字符模式进行工作。通过使用传统OCR引擎模式【--oem 0】，可以与Tesseract 3兼容。它还需要训练好的数据文件对旧引擎进行支持，例如tessdata目录下的数据文件。

特点：

1.具有Unicode【UTF-8】支持，并且可以“开箱即用”地识别100多种语言。

2.支持各种输出格式，纯文本，hOCR【HTML】，PDF，仅不可见文本的PDF，TSV。Master分支还对ALTO【XML】输出提供实验性支持。

3.在许多情况下，要想获得更好的OCR结果，需要提高提供给Tesseract的图像的质量。

二.在python环境中安装pytesseract

安装成功！

三.在Windows系统下安装Tesseract

配置环境变量：

备注：最新的为4.1.0，建议安装4.x版本，根据一可知，版本4有重大升级，系统性能显著提升，特别是在对中文的识别上更是明显！

四.python代码实现

 1 # -*- coding: utf-8 -*-2 """3 Spyder Editor4 5 This is a temporary script file.6 """7 8 import  pytesseract9 from PIL import Image
10
11 #打开验证码图片
12 image = Image.open('E:\\testData\\tess\\1.png')
13 #加载一下图片防止报错，此处可以省略
14 #image.load()
15 #调用show来展示图片，调试用此处可以省略
16 #image.show()
17 text = pytesseract.image_to_string(image,lang='chi_sim')
18 print(text)

五.Python环境执行结果【无数据清洗】

20
a
志
口
吴
吊
5
达
吊
园康 阮 随 阮 随 随 阮 隆 随 阮 阮 庞
应 阮 院 阮 阮 际 阮 阮 院 院 阮 庞宇
B
B
B
B
B
B
B
B
B
B
E胡
胡
胡
胡
胡
胡
胡
胡
胡
胡
脱 医剧 澈 剖 剖 亨 亨 定 亨 宣 河宇
B
B
B
B
E
E
E
E
E
E
振产 莲主
主
主
主
主
主
主
主
主
主
生 交E
E
E
E
E
E
E
E
E
E
E35653职
职
职
职
职
职
职
职
职
职
EE
E
E
E
E
E
E
E
E
E
093View Code

部分示例：

可知对中文的识别一塌糊涂，因此建议还是使用版本4进行识别！

六.使用Java程序调用ImageIO进行数据预处理

  1 package zhen;2 import java.awt.Color;3 import java.awt.image.BufferedImage;4 import java.io.File;5 import java.io.FileInputStream;6 import java.io.IOException;7 8 import javax.imageio.ImageIO;9  10  11 public class LineMark{12     public static void clean(String fromPath,String toPath) throws IOException{13         File file1 = new File(fromPath);14         BufferedImage image = ImageIO.read(file1);15         16         BufferedImage sourceImg =ImageIO.read(new FileInputStream(file1));  // 获取图片的长宽17         int width = sourceImg.getWidth();18         int height = sourceImg.getHeight();19         20         /**21          * 创建3维数组用于保存图片rgb数据22          */23         int[][][] array = new int[width][height][3];24         for(int i=0;i<width;i++){ // 获取图片中所有像素点的rgb25             for(int j=0;j<height;j++){26                 int pixel = image.getRGB(i, j); //获得坐标(i,j)的像素27                 int red = (pixel & 0xff0000) >> 16; 28                 int green = (pixel & 0xff00) >> 8;29                 int blue = (pixel & 0xff);  //通过坐标(i,j)的像素值获得r,g,b的值   30                 array[i][j][0] = red;31                 array[i][j][1] = green;32                 array[i][j][2] = blue;33             }34         }35         36         /**37          * 清除表格线：38          * 竖线：绝大多数点的x值都为25539          */40         for(int i=0;i<width;i++){41             int nums = 0;42             for(int j=0;j<height;j++){43                 if(array[i][j][0]<128 && array[i][j][1]<128 && array[i][j][2]<128){44                     nums += 1;45                 }46             }47             if(nums > height * 0.8){48                 for(int n=0;n<height;n++){49                     array[i][n][0] = 255;50                     array[i][n][1] = 255;51                     array[i][n][2] = 255;52                 }53             }54         }55         /**56          * 清除表格线：57          *     横线：绝大多数点的y值都为25558          */59         for(int j=0;j<height;j++){60             int nums = 0;61             for(int i=0;i<width;i++){62                 if(array[i][j][0]<128 && array[i][j][1]<128 && array[i][j][2]<128){63                     nums += 1;64                 }65             }66             if(nums > height * 0.8){67                 for(int n=0;n<width;n++){68                     array[n][j][0] = 255;69                     array[n][j][1] = 255;70                     array[n][j][2] = 255;71                 }72             }73         }74         /**75          * 大点76          */77         for(int i=0;i<width;i++){78             for(int j=0;j<height;j++){79                 int cover = new Color(array[i][j][0],array[i][j][1],array[i][j][2]).getRGB();80                 image.setRGB(i,j,cover);81             }82         }83         File file2 = new File(toPath);84         ImageIO.write(image, "png", file2);85     }86     87     /**88      * 测试89      * @param args90      */91     public static void main(String[] args){92         String fromPath = "E:\\testData\\tess\\111.png";93         String toPath = "E:\\testData\\tess\\112.png";94         try {95             LineMark.clean(fromPath,toPath);96         } catch (IOException e) {97             e.printStackTrace();98         }99     }
100 }

七.执行结果

处理之前：

处理之后：

八.使用Tesseract 4 API进行文字识别

 1 package zhen;2 import java.awt.Rectangle;3 import java.awt.image.BufferedImage;4 import java.io.File;5 import java.io.FileInputStream;6 import java.io.FileOutputStream;7 import java.io.IOException;8 import javax.imageio.ImageIO;9 import net.sourceforge.tess4j.*;
10 import org.apache.poi.xssf.usermodel.*;
11
12 public class RP {
13     private String a0="";
14
15         public void toExcel(int i,XSSFWorkbook wb,XSSFSheet sheet,int len)  //将文字信息做成表格
16         {
17             for(int j=0;j<len;j++){
18                 String[] array = this.a0.split("\n"); // 分行
19                 for(int k=0;k<array.length;k++){
20                     XSSFRow row = sheet.createRow(k);  // 创建一行
21                     String[] array2 = array[k].split(" ");
22                     for(int m=0;m<array2.length;m++){
23                         row.createCell(m).setCellValue(array2[m]);
24                     }
25                 }
26             }
27         }
28     public static void main(String[] args) throws IOException {
29         RP rp = new RP();
30         int num = 1;
31
32         File root = new File("E:\\testData\\tess2");//存放处理后的图片，imgs文件夹
33         File res = new File("E:\\testData\\tess");//源图片位置，res文件夹下
34
35         ITesseract instance = new Tesseract();
36         instance.setLanguage("chi_sim");              //使用训练好中文字库识别
37
38         XSSFWorkbook wb = new XSSFWorkbook();
39         XSSFSheet sheet = wb.createSheet("信息汇总");
40         try {
41             File[] ress = res.listFiles();
42             int i=0;
43             for(File file : ress){
44                 i++;
45                 LineMark.clean(file.getAbsolutePath(),"E:\\testData\\tess2\\"+i+".png");
46             }        //去除源图片表格线，处理后的图片放到img文件夹
47
48             File[] files = root.listFiles();
49             for (File file : files) { //对去除水印后的图片逐个处理
50                 BufferedImage sourceImg =ImageIO.read(new FileInputStream(file));  // 获取图片的长宽
51                 int width = sourceImg.getWidth();
52                 int height = sourceImg.getHeight();
53                 Rectangle ret = new Rectangle(0,0,width,height); //识别全部数据
54
55                 String result = instance.doOCR(file, ret);  //开始采用doOCR(file)效率很低，因为图片内容太多
56                 int len = 0;
57                 if(result != null){
58                     len = result.split(" ").length;
59                     rp.a0 = result;
60                 }
61                 System.out.print(result);
62                 rp.toExcel(num,wb,sheet,len);      //调用toExcel函数，将提取到的信息写入
63                 num++;
64             }
65         } catch (TesseractException e) {
66             System.err.println(e.getMessage());
67         }
68
69          try {
70                 FileOutputStream fout = new FileOutputStream("D:\\software\\company.xlsx");
71                 wb.write(fout);
72                 fout.close();
73             } catch (IOException e) {
74                 e.printStackTrace();
75             }                 //把写好信息的表输出
76     }
77
78 }

九.不数据清洗执行结果

十.数据清洗执行结果

经过对比可以明显看出，表格线对识别的影响很大【其它形式的干扰也同样如此，例如：验证码上的干扰线、图案等】，因此，数据清洗必不可少！

十一.分析

从上面的执行结果可知，在使用Tesseract 4时，在数据尽可能的清晰的情况下，大部分汉字还是能识别出来的，只是在【数字0】和【标点符号。】，【英语g】和【数字9】等外形相识的地方识别不清楚！当然，模型还有提升的空间，下一步将提升对存在格式倾斜或拍照的图片进行识别的能力！