唐思源， 苗 玥，王晓琴

包头医学院计算机科学与技术系，内蒙古 包头 014060

0 引言

图像中的文本包含丰富﹑明确的信息。如果这些文本能被自动地提取出来，则对图像高层语义的自动理解﹑索引和检索是非常有价值的。图像中的文本提取可概括为两个步骤：1）文本定位[1]。即找出图像中文本所在的位置或刚好包围文本的矩形区域；2）文本识别[2]。对定位出的文本区域进行二值化﹑增强处理，再送入光学字符识别系统（OCR）中进行字符识别。文本定位是文本识别的前提，是文本提取的关键，本文主要提出了一种文本定位技术的改进方法。

1 视频字幕的特点

图像中文字可以分为人工文本和场景文本[1]。人工文本是指通过图像处理工具对图像进行编辑，人工加在图像上的文本。场景文本是指拍摄场景中所包含的文字。它是场景的一部分，随场景一同被拍摄到图像中，如广告牌﹑车牌等。场景文字的方向﹑大小没有限制，颜色千变万化，图像的光照情况与场景所在的环境有很大关系；而且由于摄影机的投影变换关系，图像中的文字有可能会发生移动﹑旋转﹑缩放等变形，定位难度较大，所以本文主要是针对人工文本进行定位。

2 文本区域的检测

字幕要被正确识别就必须和背景有区分，也就是需要呈现一定的边缘特征和强度带，所以通过对视频帧边缘强度进行分析来检测字幕是一个有效的办法。本文的方法如下：我们处理的都是灰度图像，如果是彩色图像，先转换成灰度图像。……