使用 Java 和 Tesseract 进行验证码识别：基础实现与优化

验证码（CAPTCHA）是防止自动化攻击的常见手段。然而，在某些场景下，如自动化测试或者爬虫平台，可能需要识别和处理验证码图像。本文将指导你如何使用 Java 和 Tesseract OCR（光学字符识别）库来实现验证码识别，并提供一些优化建议。

🧰 环境准备
安装 Java 和 Maven：
确保 Java 和 Maven 已经安装好。可以通过命令行检查 Java 和 Maven 版本：

java -version
mvn -v
安装 Tesseract OCR：
Tesseract 是开源的 OCR 引擎，用于提取图像中的文本。

Windows 用户： 下载并安装 Tesseract，配置环境变量。

Linux 用户（Ubuntu）：

sudo apt install tesseract-ocr
macOS 用户：

brew install tesseract
添加 Maven 依赖：

在你的 pom.xml 中添加以下依赖来使用 Tesseract：

net.sourceforge.tess4j tess4j 5.4.0 🧩 核心代码实现 1. 创建 OCR 服务

import net.sourceforge.tess4j.*;
import java.awt.image.BufferedImage;
import javax.imageio.ImageIO;
import java.io.File;
import java.io.IOException;

public class OcrService {

public static String recognizeCaptcha(File imageFile) {
    ITesseract instance = new Tesseract();
    instance.setDatapath("tessdata");  // Tesseract OCR 数据路径
    instance.setLanguage("eng");        // 选择语言
    instance.setTessVariable("tessedit_pageseg_mode", "6");  // 单行文本模式

    try {
        BufferedImage image = ImageIO.read(imageFile);  // 读取图片文件
        return instance.doOCR(image).trim();            // 执行 OCR 识别
    } catch (TesseractException | IOException e) {
        e.printStackTrace();
        return "识别失败";
    }
}

}
2. 创建控制器接口

import org.springframework.web.bind.annotation.*;
import org.springframework.web.multipart.MultipartFile;

import java.io.File;

@RestController
@RequestMapping("/captcha")
public class CaptchaController {

@PostMapping("/recognize")
public String recognizeCaptcha(@RequestParam("file") MultipartFile file) throws Exception {
    // 临时保存文件
    File tempFile = File.createTempFile("captcha_", ".png");
    file.transferTo(tempFile);

    // 调用 OCR 服务进行识别
    String result = OcrService.recognizeCaptcha(tempFile);
    
    // 删除临时文件
    tempFile.delete();
    
    return "识别结果: " + result;
}

}
🛠️ 图像预处理提升识别准确度
在某些情况下，验证码图像包含噪点或较低的对比度，直接进行 OCR 识别可能不够理想。你可以对图像进行预处理来提升识别准确性。

1. 灰度化与二值化处理

import java.awt.Color;
import java.awt.image.BufferedImage;

public class ImagePreprocessor {

public static BufferedImage preprocessImage(BufferedImage image) {
    // 灰度化处理
    BufferedImage grayImage = new BufferedImage(image.getWidth(), image.getHeight(), BufferedImage.TYPE_BYTE_GRAY);
    for (int x = 0; x < image.getWidth(); x++) {
        for (int y = 0; y < image.getHeight(); y++) {
            Color color = new Color(image.getRGB(x, y));
            int gray = (int)(0.3 * color.getRed() + 0.59 * color.getGreen() + 0.11 * color.getBlue());
            grayImage.setRGB(x, y, new Color(gray, gray, gray).getRGB());
        }
    }

    // 二值化处理
    BufferedImage binaryImage = new BufferedImage(grayImage.getWidth(), grayImage.getHeight(), BufferedImage.TYPE_BYTE_BINARY);
    for (int x = 0; x < grayImage.getWidth(); x++) {
        for (int y = 0; y < grayImage.getHeight(); y++) {
            int rgb = grayImage.getRGB(x, y);
            int value = rgb == Color.BLACK.getRGB() ? 0 : 255;
            binaryImage.setRGB(x, y, new Color(value, value, value).getRGB());
        }
    }

    return binaryImage;
}

}
2. 在 OcrService 中集成图像预处理

public static String recognizeCaptcha(File imageFile) {
ITesseract instance = new Tesseract();
instance.setDatapath("tessdata");
instance.setLanguage("eng");
instance.setTessVariable("tessedit_pageseg_mode", "6");

try {
    BufferedImage image = ImageIO.read(imageFile);
    BufferedImage processedImage = ImagePreprocessor.preprocessImage(image);  // 预处理图像
    return instance.doOCR(processedImage).trim();  // 执行 OCR
} catch (TesseractException | IOException e) {
    e.printStackTrace();
    return "识别失败";
}

}
📈 提升识别率的其他方法
训练自定义语言模型：
如果你的验证码中包含特定字体或字符，可以通过训练 Tesseract 来识别特定类型的验证码。你可以通过 Tesseract 提供的训练工具自定义语言模型。

调整 tessedit_pageseg_mode：
Tesseract 提供了多个页面分割模式（PSM）。例如，如果验证码是单行文本，使用 tessedit_pageseg_mode=6 可以提高识别准确率。

去噪声与字符分割：
如果验证码字符之间存在粘连或噪声，可以使用图像处理技术（如高斯模糊或形态学运算）对图像进行进一步清理。

使用深度学习模型：
如果 Tesseract 无法满足需求，可以考虑基于深度学习的 OCR 方案，如 EasyOCR 或 PaddleOCR，它们在复杂验证码识别中通常能提供更好的准确度。