Stroke filter: 一种用于OCR预处理的文字滤波器

　　近几个月我在一家公司的研发部做模式识别实习生，学习了很多OCR相关的知识和技术，在此谢谢陆老师，孙老师以及其它各位老师的指导，我很喜欢这里，你们让我收获了很多

　　OCR(Optical Character Recognition)光学字符识别是一种获取图像中的字符信息的处理技术，用通俗一点的话说，就是把带有文字信息的图像数据变成文本数据的一种技术。在我们的生活中很多地方都有它的身影，如高速路上的电子眼（车牌识别），有道词典（图像单词识别）等等。

　　OCR的识别过程大致有以下几个步骤：字符检测，去噪，倾斜校正，版面分析，文字切割，字符识别，修正，后处理等。Stroke filter 正是一种用于OCR预处理去噪的滤波器，它能够滤除图像中那些文字特征不明显的部分，而保留那些文字较明显的部分。它是字符检测和背景去噪的一种常用方法。

　　

　　Stroke filter的定义很简单：

　　首先定义stroke响应，对于一个给定的角度alpha和距离参数d（上图）, 一个像素点的响应response(此处用小r表示）为：

 

　　其中u1,u2,u3表示1号2号3号矩形内的像素和， 分母是正比于1号矩形内像素方差分布的一个参数，B表示bright,即白底黑字的情况。从直观上来看，如果当前像素点(x,y)为笔划像素点时，1号矩形的像素和与2号3号矩形的像素和之差会比较大，2号和3号矩形像素和之差会较小，因此response会在笔划像素点的位置达到极大值。但是这个值会因为当前笔划的方向和字体大小有所不同，这时就需要调整alpha和d来寻找这个最大值。

　　下面的任务就是要找出这个最大值了，如下图第一行所示（后两行不用看，是为了后续svm分类用的，具体内容可以看这篇paper)，一个像素点的Response（此处用大R表示)值为：在所有的alpha,d的可能取值所对应的response的集合中，最大的一个r值，即为该像素点的R。可以想像，这种滤波器很符合文字的纹理特点，文字都是由条状的笔划组成，一张图片如果含有文字，则文字笔划处的Response会比较大，其它地方的Response会较小，利用这一特点就可以把文字滤出来了。

　　以下是部分实验结果：

首先是输入图像：

 

 

Response:

 

二值化：

 

注意到文章中的参数比较死板，效果不是太好，在我的实验中，一组较合理的参数如下图所示

d=1,2,3,4, alpha interval = 45度，其中stroke的长度不要超过两倍的d，不然文字边界的response会出现振铃效应

 

速度方面，上面的测试图长宽为722 * 535 pixels ，在我的i5小黑上跑，大概1300ms, 环境是windows,x64,opencv, c++。影响速度最重要的参数是alpha的选取，每隔45度计算一个response和每隔10度计算一个response在精度上不会有太大差别，同样地，如果alpha interval设为90也不会损失太多的精度，而速度却可以降到600ms。如果想要做实时视频处理的话，最好先把字幕所在矩形提取出来，然后在处理，这样的话速度可以保证在50ms以内。