Разбор картинки в текст: простой алгоритм

[@xsash]

Надеюсь за капчу «2812» для автора уже готов свой маленький ад

[@jishi]

Автор сломал четыре глаза, чтобы её разглядеть. Это самая читаемая из капч той серии, остальные просто ломают мозг.

[@xsash]

К сожалению, у разработчиков в погоне за «кто придумает защиту от ботов», получается все чаще «кто придумает защиту от людей»

[@StopDesign]

А до сих пор существует такая текстовая капча, которую средний пользователь распознает с вероятностью хотя бы лучше 90%, а робот не распознает (хуже 5%)? Мне кажется, разработчикам пора признать, что распознать текстовую капчу чуть ли не проще, чем написать приличный парсер сайта.

[@samodum]

Перенаправляем её на антикапчу pixodrom pixodrom.com и глаза ломают уже китайцы :)

[@ohifck]

2812 дискриминирует дальтоников.

[@Dima_Sharihin]

10 минут пытался разобрать, где же цифры.
Это та самая капча, которая парсится машиной легче, чем компьютером.

Но моя любимая эта:, проскакивала 31 июля 2011 в комментариях к статье на Хабре

[@bethrezen]

Машиной легче, чем компьютером говорите?

[@Dima_Sharihin]

ну, по крайней мере, здесь моноширинный текст, точки находятся строго в ячейках, фон одного цвета, а цифры другого.
Тем более, в капче может быть только [0-9]{4,4}, следовательно, парсер не будет слишком большим.

Это если формат картинки не сменится

[@jishi]

На тот момент алгоритм парсера подразумевал перевод изображения в greyscale и проверку границы. Данная капча только от этого парсера и защищена, если её перевести в серый, то все кружки будут одного цвета. Взламывали её тоже элегантно — проверкой контрольных точек.

[@colonel]

Ну а чем, все-же компьютер от машины отличается?
Чем он тупее ее ;)

[@Dima_Sharihin]

Понимаю сарказм, но во время учебы и вообще под машиной подразумеваю «электронную вычислительную»

[@colonel]

А, да.
От ЭВМ компьютер отличается, точно. Как я сразу не понял!

[@zoommy]

Спасибо, что прочитали — у меня не получилось.

[@someoneisusingmyusualnick]

Алгоритм без кода — это как пиво без водки… Ну вы поняли.

[@jishi]

Кода полно, но в правилах Песочницы:

«С большой вероятностью не пройдут премодерацию:
…
— куски программного кода;»

[@StopDesign]

Это если только куски, без статьи.

[@akalend]

пиво тоже вкусно…
а самому влом алгоритм написать?

спасибо за идею, сам когда-то занимался разбором капчи,
использовал немного другой, более трудоемкий подход… потом надоело

[@jishi]

Спасибо на добром слове!

[@1Tiger1]

Не знаю, может я излишне щепетилен, но ломать собственную капчу, как то неправильно это. Все равно что взламывать сайт который сам писал, имея все исходники, зная уязвимости. Вам заплатили за защиту, вы ее сделали, деньги получили, а потом сами же сломали. При этом клиент продолжает думать что он защищен, и мучать пользователей уже бесполезной вещью. Ну должна же быть какая-то профессиональная этика.

Что-то я не могу понять почему разбор собственной капчи, с известным алгоритмом, и довольно простой (судя по виду) занял много времени, зачем все эти сложности, вырезали мусор (алгоритм формирования знаете), если там конечно есть хоть какая-то случайность в мусоре, разбили на цифры, сравнили с эталонами. Если количество цифр фиксированное, можно даже не бить на цифры, сравнивать эти 10000 комбинаций через тот же md5 например. Сравнить 10К строк — копейки по времени, md5 только 1 раз посчитать надо. Думаю есть и более эффективные способы, я капчами сильно не занимался.

Ну и таким алгоритмом можно сломать только капчи без особого рандома в символах, если в капче случайные искажения шрифта, или как у рекапчи вообще шрифт неизвестен (скан книг), т.е. рандом абсолютный, алгоритм не работает. Ну и память конечно, не знаю как дела у перла с этим, но такие матрицы могут сожрать очень много.

Ну а последняя конечно вставляет, действительно комьютеру справится с ней проще чем человеку. В чем смысл?

[@jishi]

Ломалось как black box, иначе неспортивно. Неэтично использовать бэкдоры и неэтично быть гадом, а из спортивного азарта пройти несколько итераций совершенствования навыка забавно.

На самом деле, смысл не в ломании капчи, а в OCR. Принципиально, я уже несколько раз думал этот алгоритм положить в основу какой-нибудь онлайн OCR-системы, почему бы и нет?

[@jishi]

Кстати, спасибо за совет про md5, даже не подумал.

[@debug22]

очень доставляет тег PHP. при чем это здесь? ну да. вы реализовали алгоритм на пхп. но ни листинга кода. ни нюансов языка, ни каких-либо ништячков. думаете сам факт выбора языка и фраза про сравнение строк за n^3 с помощью встроенной функции php — это повод?

[@jishi]

Если честно — язык мог быть любым, вот совсем-совсем. Изначально алгоритм был на Perl, но для удобства был переписан на PHP. Никаких «фишечек», никаких особенностей — код очень простой, и любой девелопер сможет этот алгоритм повторить хоть на бейсике.

[@someoneisusingmyusualnick]

Так вы и не ответили — а причем тут тогда хаб пхп? Писали бы в хаб с алгоритмами.
Мой заминусованный комментарий о том же.
Пост в хабе где предполагается в большинстве своем готовое решние, код. А у вас чистая теория — алгоритм. Переместите что ли.

[@jishi]

Спасибо за подсказку, переместил. К сожалению, код правда никакого интереса не представляет.
Вот для интереса пример аппроксимации. Говорят, её ещё можно как-то рассчитывать методом среднеквадратичного отклонения, но я так не умею.

function unify($pix_arr, $width, $height)
{
GLOBAL $maincolors, $approx_lvl;

reset($pix_arr);
$new_arr=array();

$nw=0;
for ($w=1; $w<=$width; $w+=$approx_lvl)
	{
	$nh=0;
	
	for ($h=1; $h<=$height; $h+=$approx_lvl)
		{
		$pix1=$pix_arr[$h][$w];
		$pix2=$pix_arr[$h][$w+1];
		$pix3=$pix_arr[$h+1][$w];
		$pix4=$pix_arr[$h+1][$w+1];
		
		if (!$maincolors[$pix1] || !$maincolors[$pix2] || !$maincolors[$pix3] || !$maincolors[$pix4]) 
			{
			$new_arr[$nh][$nw]=1;
			}
		else $new_arr[$nh][$nw]=0;
		$nh++;
		}
	$nw++;
	}
	
return $new_arr;	
}

[@akalend]

> Теперь бы сделать алгоритм более универсальным — и миллион у нас в кармане, правда?
надеюсь рублей, а не пикселей

[@jishi]

Как показывает единичный кейс, даже миллион пикселей может стать миллионом долларов.

[@UglyKid]

прикрутить простенькую нейросеть, и алгоритм станет намного более универсальным

[@Aliance]

Эх, Бойцовский Клуб… скоро будет 9 лет, как я там зарегистрирован :)