應用筆畫寬度變換（SWT）來檢測自然情境中的文本

標籤：style   blog   http   ext   com   使用   

Introduction：

應用背景：是盲人輔助系統，城市環境中的機器導航等電腦視覺系統應用的重要一步。擷取文本能夠為許多視覺任務提供內容相關的線索，並且，映像檢索演算法的效能很大部分都依賴於對應的文本檢測模組。

意義：傳統的OCR應用於掃描文本，所以其依賴於把文本從背景像素中正確分離。這對於掃描文本來說是很簡單的，但是自然映像由於存在色彩雜訊，模糊，遮擋，很難將文本從背景中分離。

文章提出的方法：文本有著固定的筆畫寬度，利用這一特性就夠從背景中將其恢複。首先求映像的筆畫寬度變換即每個像素都分配了一個筆畫寬度，然後利用靈活的幾何推理，把有著相似比劃寬度的位置都被彙總成詞。這相似並不是很嚴格，在一定範圍內變化都是可以的。

優點:1.沒有提取分離每個像素特徵如：顏色，梯度等，而是提出像素組的特徵。2.沒有使用在多尺度金字塔上滑動的視窗，而是基於自底向上的方式，把有著相似筆畫寬度的像素歸併成連通域。3.沒有利用特定的語言資訊濾除機制，所有能夠用於多語言的文本檢測。

previous work :1.基於紋理的

在多個尺度上掃描映像，然後利用一些文本的特性如：高密度的邊緣，文本上下的低梯度，灰階變化明顯，波形的分布，離散餘弦變換係數等來分類像素。其缺點是大計算量，缺乏精度。

2.基於地區的

利用像素存在著相似的特性如一樣的顏色來組織像素成連通域。然後利用幾何或者紋理資訊來排除那些不可能是文本的連通域。優點是：同時在各個尺度檢測文本，並且不限制於水平方向的文本。

The flowchart of the algorithms:

流程首先計算映像的canny 邊緣，然後根據邊緣的方向資訊計算映像的SWT ,根據筆畫寬度資訊將像素聚整合連通域，利用幾何推理如連通域的高寬比，連通域筆畫的方差，均值，中值等來過濾連通域，將連通域聚整合文本行，最後將文本行分割成一個個詞。流程的核心為SWT和濾除連通域。下面給出這些步驟的詳細闡述，並給出matlab和C++代碼。

1.筆畫寬度變換

輸入的是原始彩色映像，輸出的是對每個像素都分配了筆畫寬度的映像。

First pass:

 

 

這個流程圖有兩個問題1.如果一個點被多個路徑掃描到，那麼就賦值為最小路徑距離即筆畫寬度。2.在筆畫的轉彎處會出現問題，如右邊，從上到下和從左至右的兩條路徑經過這點，假設從上到下的筆畫寬度為50，從左至右為40，那麼這點的筆畫寬度為40.這顯然不符合實際情況。這就需要第二次掃描。

Second pass：

 

第二次掃描流程是，對於所有第一次掃描到的路徑，求出路徑上的中值，將所有這條路徑上大於中值的點全部賦值為中值。

2.像素聚成連通域

從第一步我們得到的是筆畫寬度映像，這時也還是一個個像素，所以我們要根據一些規則把像素合并成地區（即自底向上的一個過程）這個主要通過改變傳統連通域分析的串連條件得到，傳統連通是像素周圍4串連或者8串連的像素都是同一值則是同一連通域，而這裡改變了這一條件，中心像素和周圍像素SW（筆畫寬度）比不能超過3.0.

3.連通域濾除

第二步得到的連通域中存在著許多明顯不是字元的地區，我們需要根據一些先驗的知識濾除這些地區。主要是根據以上幾個規則

varianceSW：連通域筆畫的方差。meanSW：連通域筆畫的均值。aspectRatio：連通域高寬比。diameter：連通域直徑。width：連通域寬。height：連通域高

1). 10<height<300;

2).varianceSW/meanSW > .5

3).diameter/medianSW >= 10

4).aspectRatio < 0.1 && aspectRatio > 10

5).連通域的boudingbox不能包含超過兩個的連通組件

4.字元成文本行

同第三步一樣，從上面得到的是一個個候選的字元（連通域），我們需要把字元合并成文本行。依據以下的規則

1).兩個候選字元的中值筆畫寬度比不超過2.0.

2).字元的寬度不超過3倍於最寬的字元寬度。

3).字元的顏色一致

5.文本行分割成詞

通過文本行的水平距離長條圖來分割（？？）

論文地址：http://www.math.tau.ac.il/~turkel/imagepapers/text_detection.pdf

核心部分的c++和matlab見下篇。