用 Java 和 Tesseract 进行验证码识别

验证码（CAPTCHA）常用于防止机器人滥用网站资源，但在某些自动化测试或数据处理场景中，我们需要自动识别验证码。本文将介绍如何使用 Java + Tesseract OCR 进行验证码解析，并优化识别准确度。

1. 环境准备

在开始之前，请确保你的开发环境已安装以下工具：
更多内容访问ttocr.com或联系1436423940
Java 8+

Tesseract OCR

Tess4J（Java 的 Tesseract OCR 封装库）

1.1 安装 Tesseract OCR

根据你的操作系统选择适合的安装方式：

Windows：

从 Tesseract 官方 GitHub
下载并安装。

安装完成后，配置环境变量，将 Tesseract-OCR 目录添加到 PATH。

Linux（Ubuntu 示例）：

sudo apt update
sudo apt install tesseract-ocr

macOS（使用 Homebrew）：

brew install tesseract

安装完成后，运行以下命令检查 Tesseract 是否可用：

tesseract --version

1.2 添加 Tess4J 依赖

如果使用 Maven，在 pom.xml 中添加：

net.sourceforge.tess4j tess4j 4.5.5

如果使用 Gradle：

dependencies {
implementation 'net.sourceforge.tess4j:tess4j:4.5.5'
}

2. 代码实现：识别验证码
   import net.sourceforge.tess4j.ITesseract;
   import net.sourceforge.tess4j.Tesseract;
   import net.sourceforge.tess4j.TesseractException;

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

public class CaptchaRecognizer {

public static void main(String[] args) {
    String imagePath = "captcha.png";  // 替换为你的验证码图片路径
    try {
        // 预处理验证码
        File processedImage = preprocessImage(imagePath);

        // 进行 OCR 识别
        String recognizedText = recognizeCaptcha(processedImage);

        System.out.println("识别出的验证码: " + recognizedText);
    } catch (IOException | TesseractException e) {
        e.printStackTrace();
    }
}

// 预处理图像，提高 OCR 识别率
public static File preprocessImage(String imagePath) throws IOException {
    BufferedImage image = ImageIO.read(new File(imagePath));

    // 转换为灰度图
    BufferedImage grayImage = new BufferedImage(image.getWidth(), image.getHeight(), BufferedImage.TYPE_BYTE_GRAY);
    Graphics g = grayImage.getGraphics();
    g.drawImage(image, 0, 0, null);
    g.dispose();

    // 二值化处理
    for (int x = 0; x < grayImage.getWidth(); x++) {
        for (int y = 0; y < grayImage.getHeight(); y++) {
            int rgb = grayImage.getRGB(x, y);
            int gray = (rgb & 0xFF);
            int binary = gray > 128 ? 0xFFFFFF : 0x000000;
            grayImage.setRGB(x, y, binary);
        }
    }

    // 保存处理后的图像
    File outputFile = new File("processed_captcha.png");
    ImageIO.write(grayImage, "png", outputFile);
    return outputFile;
}

// 使用 Tesseract 进行 OCR 识别
public static String recognizeCaptcha(File imageFile) throws TesseractException {
    ITesseract tesseract = new Tesseract();
    
    // 设置 Tesseract-OCR 的安装路径（Windows 需要手动设置）
    tesseract.setDatapath("C:/Program Files/Tesseract-OCR/tessdata");  // 请根据实际路径修改

    // 设定识别语言（默认 "eng"）
    tesseract.setLanguage("eng");

    // 设定 PSM（页面分割模式），对于验证码推荐使用 PSM 6（单行文本）
    tesseract.setTessVariable("tessedit_pageseg_mode", "6");

    return tesseract.doOCR(imageFile);
}

}

3. 代码解析
   3.1 预处理验证码图像

为了提高 OCR 识别率，我们对验证码图像进行了以下处理：

转换为灰度图：去除颜色干扰，仅保留亮度信息。

二值化处理：将图像转换为黑白，提高字符清晰度，使 OCR 更容易识别。

3.2 OCR 解析

我们使用 Tess4J 作为 Java 的 OCR 解决方案，核心 API 解析：

tesseract.setDatapath("路径")：设置 Tesseract-OCR 的安装路径（Windows 必须手动指定）。

tesseract.setLanguage("eng")：设定识别语言为 英语（验证码通常是数字或英文字母）。

tesseract.setTessVariable("tessedit_pageseg_mode", "6")：设置 页面分割模式，6 适用于验证码识别（假设单行文本）。

tesseract.doOCR(imageFile)：执行 OCR 识别，并返回识别出的文本。

4. 运行程序

将 captcha.png 放入代码目录下，然后执行：

javac CaptchaRecognizer.java
java CaptchaRecognizer

示例输出：

识别出的验证码: 7YHD2

5. 提高 OCR 识别准确率
   5.1 选择合适的 Tesseract 语言模型

如果验证码包含大量数字，可以使用 digits.traineddata 进行识别：

tesseract.setLanguage("eng+osd");

Tesseract 默认使用 eng（英语），但可以结合其他训练数据，如：

tesseract.setLanguage("eng+digits");

5.2 进一步优化图像处理

除了灰度化和二值化，可以使用 OpenCV 进行噪声去除，提高识别率：

// 高斯模糊去噪
BufferedImage denoisedImage = new BufferedImage(width, height, BufferedImage.TYPE_BYTE_GRAY);
Graphics2D g2d = denoisedImage.createGraphics();
g2d.drawImage(grayImage, 0, 0, null);
g2d.dispose();

5.3 训练 Tesseract 适应特定验证码

如果 Tesseract 识别率仍然不高，可以训练一个专用的验证码模型：

收集样本：准备 1000+ 张验证码及其文本标签。

使用 Tesseract 训练工具 进行模型训练（参考 官方文档
）。

训练完成后，加载自定义训练数据：

tesseract.setLanguage("custom");