OCR相关工作都有一个第一步，那就是检测图像中的文本区域，只有找到了文本区域，才能对其内容进行识别，也只有找到了文本区域，才能更有针对性地判断该文本图像的质量好坏，我们期望达到如下的文本区域检测效果：
MSER
MSER就是一种检测图像中文本区域的方法，这是一种传统算法，所谓传统算法，是相对于现在大行其道的机器学习技术来说的，就准确率来说，MSER对文本区域的检测效果自然是不能和深度学习如CTPN、Pixellink等相比的，但是如果只是想要对文本图像的文本区域图像质量做一个前置检查，那么使用这样一个传统算法来在效果和效率之间求取一个平衡，是不错的。
MSER全称叫做最大稳定极值区域（MSER-Maximally Stable Extremal Regions），该算法是2002提出的，主要是基于分水岭的思想来做图像中斑点的检测。
形象一点解释这个原理就是：MSER对一幅已经处理成灰度的图像做二值化处理，这个处理的阈值从0到255递增，这个阈值的递增类似于在一片土地上做水平面的上升，随着水平面上升，高高低低凹凸不平的土地区域就会不断被淹没，这就是分水岭算法，而这个高低不同，就是图像中灰度值的不同。而在一幅含有文字的图像上，有些区域（比如文字）由于颜色（灰度值）是一致的，因此在水平面（阈值）持续增长的一段时间内都不会被覆盖，直到阈值涨到文字本身的灰度值时才会被淹没，这些区域就叫做最大稳定极值区域。
该算法可以用来粗略地寻找图像中的文字区域，虽然算法思想简单，但要做到效果又快又好还是需要一定基础的，好在opencv直接提供了该算法的接口，它使用了一种比算法作者要快的实现方式，有兴趣的可以看这篇文章：Opencv2.4.9源码分析——MSER。一般来说我们只用知道怎么用它就行了。
要使用也很简单：
import cv2
img = cv2.imread('img1.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 得到灰度图
mser = cv2.MSER_create() # 得到mser算法对象
regions, _ = mser.detectRegions(gray) # 获取文本区域
hulls = [cv2.convexHull(p.reshape(-1, 1, 2)) for p in regions] # 绘制文本区域
cv2.polylines(img, hulls, 1, (0, 255, 0))
cv2.namedWindow("img",0)
cv2.resizeWindow("img", 800, 640) # 限定显示图像的大小
cv2.imshow('img', img)
cv2.waitKey(0) # 显示图像直到按键盘任意键
cv2.destroyAllWindows()
效果像这样：
注意上面代码中我们是用“cv2.MSER_create()”得到了一个默认的MSER算法对象，但其实这个对象也是可以设置参数的：
- _delta it compares (sizei−sizei−delta)/sizei−delta
- _min_area prune the area which smaller than minArea
- _max_area prune the area which bigger than maxArea
- _max_variation prune the area have similar size to its children
- _min_diversity for color image, trace back to cut off mser with diversity less than min_diversity
- _max_evolution for color image, the evolution steps
- _area_threshold for color image, the area threshold to cause re-initialize
- _min_margin for color image, ignore too small margin
- _edge_blur_size for color image, the aperture size for edge blur
更多的使用细节可以参考cv::MSER官方文档。
但是上面效果中的文本框形状太多变了，我们检测文本区域一般都会设法得到一个包含文本的矩形框，以便于后续从图像中通过坐标获取该区域，那怎么把这些区域转换成矩形框呢？我们借用opencv的“cv2.boundingRect”和“cv2.rectangle”函数就可以了：
# 绘制目前的矩形文本框
vis = img.copy()
for c in hulls:
x, y, w, h = cv2.boundingRect(c)
cv2.rectangle(vis, (x, y), (x + w, y + h), (255, 255, 0), 1)
cv2.namedWindow("hulls",0)
cv2.resizeWindow("hulls", 800, 640)
cv2.imshow("hulls", vis)
cv2.waitKey(0)
cv2.destroyAllWindows()
得到效果如下：
但问题又出现了，这么多矩形框，而且还互相包含，很明显很多框是没有必要的，要全部处理也很麻烦，能不能去掉重复的矩形框呢？这就要用到NMS算法了。
NMS
NMS是经常伴随图像区域检测的算法，作用是去除重复的区域，在人脸识别、物体检测等领域都经常使用，全称是非极大值抑制（non maximum suppression），顾名思义就是抑制不是极大值的元素，所以用在这里就是抑制不是最大框的框，也就是去除大框中包含的小框。
NMS的基本思想是遍历将所有的框得分排序，选中其中得分最高的框，然后遍历其余框找到和当前最高分的框的重叠面积（IOU）大于一定阈值的框，删除。然后继续这个过程，找另一个得分高的框，再删除IOU大于阈值的框，循环。
在这个例子中，就是设定一个IOU阈值（比如0.5，也就是如果两个框的重叠面积大于其中一个框的50%，那么就删除那个框），然后遍历所有框，对剩下的每个框，遍历判断其余框中与他重叠面积大于阈值的，则删除。最后剩下的就是不包含重叠部分的文本框了。
def non_max_suppression_fast(boxes, overlapThresh):
# 空数组检测
if len(boxes) == 0:
return []
# 将类型转为float
if boxes.dtype.kind == "i":
boxes = boxes.astype("float")
pick = []
# grab the coordinates of the bounding boxes
# 四个坐标数组
x1 = boxes[:,0]
y1 = boxes[:,1]
x2 = boxes[:,2]
y2 = boxes[:,3]
area = (x2 - x1 + 1) * (y2 - y1 + 1) # 计算面积数组
idxs = np.argsort(y2) # 返回的是右下角坐标从小到大的索引值
# 开始遍历删除重复的框
while len(idxs) > 0:
# 将最右下方的框放入pick数组
last = len(idxs) - 1
i = idxs[last]
pick.append(i)
# 找到剩下的其余框中最大的坐标x1y1，和最小的坐标x2y2,
xx1 = np.maximum(x1[i], x1[idxs[:last]])
yy1 = np.maximum(y1[i], y1[idxs[:last]])
xx2 = np.minimum(x2[i], x2[idxs[:last]])
yy2 = np.minimum(y2[i], y2[idxs[:last]])
# 计算重叠面积占对应框的比例
w = np.maximum(0, xx2 - xx1 + 1)
h = np.maximum(0, yy2 - yy1 + 1)
overlap = (w * h) / area[idxs[:last]]
# 如果占比大于阈值，则删除
idxs = np.delete(idxs, np.concatenate(([last], np.where(overlap > overlapThresh)[0])))
return boxes[pick].astype("int")
pick = non_max_suppression_fast(keep, 0.5)
示意图如上。
使用NMS算法后，就可以去除我们重复的文本框了，效果如下：
完整代码如下：
import cv2
import numpy as np
def non_max_suppression_fast(boxes, overlapThresh):
# 空数组检测
if len(boxes) == 0:
return []
# 将类型转为float
if boxes.dtype.kind == "i":
boxes = boxes.astype("float")
pick = []
# 四个坐标数组
x1 = boxes[:,0]
y1 = boxes[:,1]
x2 = boxes[:,2]
y2 = boxes[:,3]
area = (x2 - x1 + 1) * (y2 - y1 + 1) # 计算面积数组
idxs = np.argsort(y2) # 返回的是右下角坐标从小到大的索引值
# 开始遍历删除重复的框
while len(idxs) > 0:
# 将最右下方的框放入pick数组
last = len(idxs) - 1
i = idxs[last]
pick.append(i)
# 找到剩下的其余框中最大的坐标x1y1，和最小的坐标x2y2,
xx1 = np.maximum(x1[i], x1[idxs[:last]])
yy1 = np.maximum(y1[i], y1[idxs[:last]])
xx2 = np.minimum(x2[i], x2[idxs[:last]])
yy2 = np.minimum(y2[i], y2[idxs[:last]])
# 计算重叠面积占对应框的比例
w = np.maximum(0, xx2 - xx1 + 1)
h = np.maximum(0, yy2 - yy1 + 1)
overlap = (w * h) / area[idxs[:last]]
# 如果占比大于阈值，则删除
idxs = np.delete(idxs, np.concatenate(([last], np.where(overlap > overlapThresh)[0])))
return boxes[pick].astype("int")
img = cv2.imread('1501728414965.png')
vis = img.copy() # 用于绘制矩形框图
orig = img.copy() # 用于绘制不重叠的矩形框图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 得到灰度图
mser = cv2.MSER_create() # 得到mser算法对象
regions, _ = mser.detectRegions(gray) # 获取文本区域
hulls = [cv2.convexHull(p.reshape(-1, 1, 2)) for p in regions] # 绘制文本区域
cv2.polylines(img, hulls, 1, (255, 0, 0))
cv2.namedWindow("img",0)
cv2.resizeWindow("img", 800, 640) # 限定显示图像的大小
cv2.imshow('img', img)
keep = []
# 绘制目前的矩形文本框
for c in hulls:
x, y, w, h = cv2.boundingRect(c)
keep.append([x, y, x + w, y + h])
cv2.rectangle(vis, (x, y), (x + w, y + h), (255, 255, 0), 1)
print("[x] %d initial bounding boxes" % (len(keep)))
cv2.namedWindow("hulls",0)
cv2.resizeWindow("hulls", 800, 640)
cv2.imshow("hulls", vis)
# 筛选不重复的矩形框
keep2=np.array(keep)
pick = non_max_suppression_fast(keep2, 0.5)
print("[x] after applying non-maximum, %d bounding boxes" % (len(pick)))
for (startX, startY, endX, endY) in pick:
cv2.rectangle(orig, (startX, startY), (endX, endY), (255, 185, 120), 2)
cv2.namedWindow("After NMS",0)
cv2.resizeWindow("After NMS", 800, 640)
cv2.imshow("After NMS", orig)
cv2.waitKey(0)
cv2.destroyAllWindows()
参考文章：
//www.greatytc.com/p/1b9c275698c9
https://blog.csdn.net/zhaocj/article/details/40742191
https://blog.csdn.net/pandav5/article/details/50997272
https://blog.csdn.net/shuzfan/article/details/52711706
