使用 PHP 和 Tesseract OCR 实现验证码识别

验证码识别是一个常见的技术应用，可以用于自动化登录、爬虫等场景。本文将介绍如何通过 PHP 和 Tesseract OCR 实现验证码的自动识别。Tesseract 是一个强大的开源 OCR 工具，支持多种语言的文本识别。

1. 环境准备
   安装 Tesseract OCR
   在开始之前，需要确保系统已经安装 Tesseract OCR：

Windows：从 Tesseract OCR 官方页面下载安装包。
Linux：运行以下命令安装：
bash
更多内容访问ttocr.com或联系1436423940
sudo apt install tesseract-ocr
macOS：通过 Homebrew 安装：
bash

brew install tesseract
安装完成后，运行以下命令确保安装成功：

bash

tesseract --version
2. 配置 PHP 环境
确保你已安装 PHP，并可以运行 PHP 脚本。接下来，安装 imagick 扩展，用于处理图像（如验证码的预处理）。

安装 imagick 扩展
Linux：
bash

sudo apt install php-imagick
Windows：在 PHP 配置文件 (php.ini) 中启用 extension=imagick，然后重启服务器。
3. 编写验证码识别代码
以下是一个 PHP 示例代码，展示如何通过 Tesseract OCR 识别验证码图像：

示例代码
php

modulateImage(100, 0, 100); // 应用二值化处理 $image->thresholdImage(128); // 保存处理后的图像 $image->writeImage($outputPath); echo "图像已处理并保存为: $outputPath\n"; } // 预处理图像 $processedImage = "processed_captcha.png"; preprocessImage($imagePath, $processedImage); // 调用 Tesseract OCR 进行文字识别 $output = null; $returnVar = null; exec("tesseract $processedImage output -l eng", $output, $returnVar); // 读取识别结果 if (file_exists("output.txt")) { $text = file_get_contents("output.txt"); echo "识别的验证码是: " . trim($text) . "\n"; } else { echo "未能识别验证码。\n"; } ?>

4. 图像预处理
   为了提高 OCR 的识别准确率，对验证码进行预处理非常重要。以下是一些常用的图像处理方法：

灰度化：将彩色图像转换为灰度图像，减少颜色干扰。
二值化：将图像转为黑白图像，使字符更突出。
去噪：移除背景噪点或干扰线条。
上述代码中的 preprocessImage 函数已经实现了灰度化和二值化处理。

5. 提高识别准确率
   指定字符集

如果验证码只包含特定字符，可以通过 Tesseract 的白名单设置来限制识别范围：
bash

exec("tesseract $processedImage output -l eng --psm 7 tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ");
调整页面分割模式

Tesseract 支持多种页面分割模式，可以根据验证码的特点选择合适模式。例如，--psm 7 表示将图片识别为一行文本。
分割图像

如果验证码中的字符间距较大，可以先将图像分割成多个小图，再分别进行识别。
自定义训练模型

对于复杂的验证码，可以使用 Tesseract 提供的训练工具生成专用模型。
6. 运行代码
将代码保存为 captcha_recognition.php，确保验证码图片 captcha.png 位于同一目录中。然后运行以下命令：

bash

php captcha_recognition.php
运行成功后，程序会输出识别的验证码结果，例如：

makefile

图像已处理并保存为: processed_captcha.png
识别的验证码是: X7A9B