东京大学招生海报上的那些事（下）
我也跟着搞了搞，下面把感受和过程贴下。
我选了妹子打伞的那一张，首先就是OCR识别01，在linux下用的tesseract-ocr，具体使用方法在这篇帖子里提到了，很详细，不过稍微有些旧，具体配置过程参见里面提到的官方文档。
提前说一下，偶用tesseract-ocr识别的并不足够准确==！（看STAGE1里面人家用的是汉王搞的，我后来就没有再试，直接用的人家搞下来的01继续了下一步。。）我是这么做的。
首先在google code上下载了tesseract-ocr源码，按文档解决好依赖，然后配置安装。接着下载语言包，在列表里可以看到一个Math/Equation的，不是因为要识别数字就下载这个包，我们只要eng的就可以。然后解压到tessdata下，如果你有自己的安装目录，要export一下tessdata的副文件夹（如果找不到训练集，tesseract也会提示你设一下），不然的话就放在/user/local/share/tessdata下。最新的tesseract已经支持不少图片格式了，因此没必要在convert格式。
执行tesseract 1.png 1.out -l eng。结果只有一点点乱七八糟的东西，一点意义也没有。。为了提高识别准确度，可以把每一行截个图，逐行处理。甚至可以用PS，总之提高图片里数字的对比度跟清晰度，然后再给tesseract识别。
这回好多了，不过发现结果里面有好多字母，我们明明只需要数字的，没必要让它把字母也包进来，况且还是错的。。可以给tesseract加个配置项digits，这样它就只会识别数字了，执行tesseract 1.png 1.out -l eng digits，结果里有一些94.。。再缩小范围，让tesseract只识别01. 不过默认文件没有这个配置项，我们可以手工写一个。
在/usr/local/share/tessdata/configs里，sudo cp digits binarys，然后修改一下binarys，使其只识别01. binarys最终内容如下：tessedit_char_whitelist 01
现在执行tesseract 1.png 1.out -l eng binarys，结果已经好很多了。不过苦B之处在于，这个结果总归是不可信的，你还得一个一个去比对tesseract是不是识别对了。
总结，OCR识别有意义的文字，对准确度要求并不高。但是识别二进制码要求就相当高了，错一个都没的进行下一步==！
接下来就是把识别的文本的二进制码转化成一些有意义的东西。在（上）中，可以看到作者对每行几个，一共几行，总数是不是8的倍数等都统计了一遍，要想出这些二进制码到底是什么感觉是最最难的一步，得有足够的想象力。妹子打伞的这个还好说，直接写成二进制文件就是下一步的结果，红衣端庄全身照的那个，作者最后说搞出来一段二进制码是重复的，并且最后一次重复还有点噪声，然后作者就直接扣出那一段分析，不管其它的了，总觉得不够完美啊，恩。。果然还是这一步最难了。
下面把文本二进制码写成二进制文件的代码贴下，需要说明的是，这段代码不通用，因为我默认的二进制码总数是8的倍数（太烂了，好久不写cpp）。
#include<stdio.h>int main(){ int arr[42]; int x,i; for(i=0;i<42;i++){ arr[i]=0; } for(i=0;i<50;i++){ x = i * 6 % 41; printf("%d",x); if(arr[x]==0){ arr[x]=1; }else{ printf("collision!"); } printf("\n"); } return 0;}输出结果发现，前41个根本没有冲突，接下来才会发生冲突。而www.i.u-tokyo.ac.jp/fun/hikari-loveletter，这段URL长度正好是41！因此只要对URL每个字符换到新的位置，就是w-aurlwtcniewo./-t.kjhltiypioe.o/kvru.fae这段混乱的字符了。东京大学这么用心，给跪了。。情报，和服，妹子，诗跟音乐，这海报牛大了。