艾合麦提江·麦提托合提，艾斯卡尔·艾木都拉，阿布都萨拉木·达吾提

1.新疆大学 信息科学与工程学院，乌鲁木齐 830046

2.新疆大学 软件学院，乌鲁木齐 830046

1 引言

近几年，随着各种多媒体技术以及互联网技术的迅速发展，各类图像的数量大幅增加。图像中不仅包含丰富的色彩、形状、图案等物体视觉信息，还可能包含大量丰富而精确的文本信息，准确有效地提取这些文本信息对基于内容的图像检索、图像自动分类、人机交互和工业自动化等应用具有重要价值，因此从图像中自动提取文本信息已成为模式识别领域研究的热点[1]。

图像中的文本根据其形成方式可以划分为两类，场景文本和图像文本。场景文本是指文本作为固有的自然场景内容随机地存在于图像中，比如广告牌、道路指示牌、商品名称等；而图像文本则是指有目的地加入图像以便于对视觉内容进行补充的文本，例如电影海报、互联网广告图像等。通常从图像中提取文本都需要精确定位包含文本的图像区域，然后从定位区域把文本提取出来，为进一步的文本识别做好准备，因此图像中文本区域的定位是文本提取和识别的基础和核心工作。然而，图像本身以及图像中的文本具有多变性，图像中的文本种类比较多，方向任意排列，文本行的组成方式、大小以及长宽比也不确定，图像中文本与背景也有一定的相似性，这些因素增加了图像中文本区域定位的难度。为了准确有效地定位到文本区域，许多学者提出了很多相应的文本区域定位方法，主要分为基于连通域分析的方法、基于滑动检测窗口的方法和基于深度学习的方法[2]。……