Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/scscms/ocr
利用tesseract-ocr,GraphicsMagick进行图片文本识别
https://github.com/scscms/ocr
Last synced: 16 days ago
JSON representation
利用tesseract-ocr,GraphicsMagick进行图片文本识别
- Host: GitHub
- URL: https://github.com/scscms/ocr
- Owner: scscms
- Created: 2018-04-28T03:13:54.000Z (over 6 years ago)
- Default Branch: master
- Last Pushed: 2018-05-02T05:53:04.000Z (over 6 years ago)
- Last Synced: 2024-11-11T03:36:46.389Z (2 months ago)
- Language: JavaScript
- Size: 353 KB
- Stars: 0
- Watchers: 2
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Tsseract文字识别shine
前言
>Tesseract的OCR引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。然而，HP不久便决定放弃OCR业务，Tesseract也从此尘封。 数年以后，HP意识到，与其将Tesseract束之高阁，不如贡献给开源软件业，让其重焕新生–2005年，Tesseract由美国内华达州信息技术研究所获得，并求诸于Google对 Tesseract进行改进、消除Bug、优化工作。
### Windows环境安装tesseract-ocr 4.00并配置环境变量
- 下载地址：[tesseract-ocr-setup-4.00.00dev安装文件](http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe "点击下载")
- 安装：直接运行`tesseract-ocr-setup-4.00.00dev.exe`文件，下一步、同意协议下一步、所有用户使用下一步、安装。
- 选择语言：默认只有英文字体。选择所有字体安装有1G多，也没必要。所以我们只新增`简体`和`繁体`中文。
安装过程中会自动下载字体，可能会有点慢（视网络情况）。所以特别注意不要安装一些无需的字体！
- 配置环境变量：因为我们需要命令式执行文件，所以安装好后需要配置环境变量。在我的电脑上右键选择“属性-->高级属性设置-->环境变量”，给系统变量Path追加`;C:\Program Files (x86)\Tesseract-OCR`(根据你的安装目录相应变化)。同时在系统变量下面新建一个变量`TESSDATA_PREFIX`，其值一样为`C:\Program Files (x86)\Tesseract-OCR`配置好了点击保存，并重启电脑。
>`TESSDATA_PREFIX`变量是解决跨盘读取字库问题。如果没有新建将不能在其他盘调用字库。
- 测试安装：打开CMD命令终端，输入：`tesseract -v` 可以看到版本信息说明安装成功。
- 识别图片：识别图片命令`tesseract 图片名称 生成结果的文件名称 -l 字体库`，如：
```
tesseract img/txt.png result -l chi_sim --psm 6
```
不出意外的话就会得到一个含有结果的`result.txt`文件。
### 文字识别应用:破解验证码
废话少说，让程序自动识别验证码可用于自动登录。在此我准备了一张真实网站上的验证码
此验证码可以变色，所以我截图了好几个。让我们尝试一下：
```
tesseract img/code.jpg result -l chi_sim --psm 6
```
破解为`少 85237581 40`可见这结果并不理想。
在此我们故意仍使用中文字体破解，如果使用英文字体破解效果会稍好。
其实也不难理解，因为彩色图片识别度不高。如果我们对图片先`去色`，并调整`阈值`为130再去识别效果就会好很多。
>分别为：原图、去色、阈值130的效果。
测试代码[test.js](test.js)
当然，你肯定会说：“那总不能让程序自己搞PS软件去处理阈值呀！”。是的，所以我们要再安装一个自动处理图片的工具`GraphicsMagick`。
#### GraphicsMagick安装
>GraphicsMagick号称图像处理领域的瑞士军刀。 短小精悍的代码却提供了一个鲁棒、高效的工具和库集合，来处理图像的读取、写入和操作，支持超过88种图像格式，包括重要的DPX、GIF、JPEG、JPEG-2000、PNG、PDF、PNM和TIFF。
[GraphicsMagick](http://www.graphicsmagick.org/download.html "下载页面")里面含有各种系统的下载文件，而我使用的是[window64位版本](ftp://ftp.graphicsmagick.org/pub/GraphicsMagick/windows/ "windows各版本下载FTP")其文件只有4.26M。安装过程很简单，直接下一步、下一步即可。安装完后同样设置一下系统变量为新增`;C:\Program Files\GraphicsMagick-1.3.28-Q8`(根据你的安装目录相应变化)，并重启电脑。
- 测试安装
在CMD命令里输入`gm`回车，如果能看到以下信息表示安装成功：
```
GraphicsMagick 1.3.28 2018-01-20 Q8 http://www.GraphicsMagick.org/
Copyright (C) 2002-2018 GraphicsMagick Group.
Additional copyrights and licenses apply to this software.
See http://www.GraphicsMagick.org/www/Copyright.html for details.
Usage: gm command [options ...]
Where commands include:
batch - issue multiple commands in interactive or batch mode
benchmark - benchmark one of the other commands
compare - compare two images
composite - composite images together
conjure - execute a Magick Scripting Language (MSL) XML script
convert - convert an image or sequence of images
help - obtain usage message for named command
identify - describe an image or image sequence
mogrify - transform an image or sequence of images
montage - create a composite image (in a grid) from separate images
time - time one of the other commands
version - obtain release version
register - register this application as the source of messages
```
扩展：更多[gm](https://github.com/aheckmann/gm "github gm官网")介绍看官方文档。
- 编写执行脚本
参见：[index.js](index.js)
- 查看效果
```
node index
```
查看控制台是否正常把验证码打印出来？
### 验证码安全对策
- 增加验证码复杂度，比如镂空字体，复杂的干扰线条等；
- 语音验证码：随机生成的验证码使用语音读出。缺点：应用阻力比较大，不是所有电脑都有声音，和兼容性问题大。
```
let speech = new SpeechSynthesisUtterance();
speech.text = '验证码：23abc';
speech.lang = 'zh-CN';
speechSynthesis.speak(speech);
```
- 滑块验证：目前比较流行的拖动向右滑动滑块填充拼图。缺点：就是过分依赖第三方网站，同时也不是完全安全可靠。
- 手机验证码：把验证码发到手机里。缺点：成本比较高，容易被刷爆。