光学字符识别OCR-4

Posted 2020-11-19 zhibei

 经过第一部分，我们已经较好地提取了图像的文本特征，下面进行文字定位。 主要过程分两步： 
        1、邻近搜索，目的是圈出单行文字； 
        2、文本切割，目的是将单行文本切割为单字。 

邻近搜索 

我们可以对提取的特征图进行连通区域搜索，得到的每个连通区域视为一个汉字。 这对于大多数汉字来说是适用，但是对于一些比较简单的汉字却不适用，比如“小”、“旦”、“八”、“元”这些字，由于不具有连通性，所以就被分拆开了，如图13。 因此，我们需要通过邻近搜索算法，来整合可能成字的区域，得到单行的文本区域。

邻近搜索的目的是进行膨胀，以把可能成字的区域“粘合”起来。如果不进行搜索就膨胀，那么膨胀是各个方向同时进行的，这样有可能把上下行都粘合起来了。因此，我们只允许区域向单一的一个方向膨胀。我们正是要通过搜索邻近区域来确定膨胀方向(上、下、左、右)：

 邻近搜索* 从一个连通区域出发，可以找到该连通区域的水平外切矩形，将连通区域扩展到整个矩形。 当该区域与最邻近区域的距离小于一定范围时，考虑这个矩形的膨胀，膨胀的方向是最邻近区域的所在方向。 

既然涉及到了邻近，那么就需要有距离的概念。下面给出一个比较合理的距离的定义

距离

如上图，通过左上角坐标(x,y)和右下角坐标(z,w)就可以确定一个矩形区域，这里的坐标是以左上角为原点来算的。 这个区域的中心是( (x+z)/2, (y+w)/2 )。对于图中的两个区域S和S′，可以计算它们的中心向量差

如果直接使用作为距离是不合理的，因为这里的邻近应该是按边界来算，而不是中心点。因此，需要减去区域的长度： 

  距离定义为 

至于方向，由的幅角进行判断即可。

然而，按照前面的“邻近搜索*”方法，容易把上下两行文字粘合起来，因此，基于我们的横向排版假设，更好的方法是只允许横向膨胀：  
        邻近搜索 从一个连通区域出发，可以找到该连通区域的水平外切矩形，将连通区域扩展到整个矩形。 当该区域与最邻近区域的距离小于一定范围时，考虑这个矩形的膨胀，膨胀的方向是最邻近区域的所在方向，当且仅当所在方向是水平的，才执行膨胀操作。

 
结果 

        有了距离之后，我们就可以计算每两个连通区域之间的距离，然后找出最邻近的区域。 我们将每个区域向它最邻近的区域所在的方向扩大4分之一，这样邻近的区域就有可能融合为一个新的区域，从而把碎片整合。 
        实验表明，邻近搜索的思路能够有效地整合文字碎片，结果如图15。