4、文本检测技术（上）：传统方法（MSER、SWT）、基于连通域的文本定位、我在项目中踩过的坑
各位同学，今天咱们聊聊文本检测里的传统方法。说实话，现在深度学习大行其道，很多人觉得传统方法过时了。但我个人习惯是，不管新方法多牛，老底子功夫不能丢。你想想看，很多实际场景下，传统方法反而更稳、更快。
4.1 文本检测的本质是什么？
说白了，文本检测就是在一张图里找到「哪里写着字」。深度学习之前，大家主要靠图像特征来猜。嗯，这里要注意，传统方法的核心思路就两条：找连通域 和 找笔画规律。
我刚开始做OCR那会儿，接了个身份证识别的项目。那时候哪有GPU啊，全靠CPU硬扛。用传统方法跑一遍，虽然慢点，但效果其实还行。后来我才明白，传统方法不是不行，是看你怎么用。
4.2 MSER：最大稳定极值区域
MSER 全称是 Maximally Stable Extremal Regions。名字挺唬人，其实原理很简单——找那些在不同阈值下形状都稳定的区域。
怎么理解呢？你想象一下，把一张灰度图从黑到白不断调阈值。有些区域（比如文字）会在很宽的阈值范围内保持形状不变。这些区域就是 MSER。
MSER 的核心步骤：
- 对图像进行灰度化处理
- 从0到255遍历所有阈值
- 记录每个连通区域在不同阈值下的面积变化
- 面积变化率最小的区域，就是「最大稳定极值区域」
我在项目中遇到过一个问题：MSER 对光照不均匀特别敏感。有一次做户外广告牌识别，阳光从侧面照过来，文字一半亮一半暗。MSER 直接崩了，把亮的部分和暗的部分当成两个区域。
后来怎么解决的？我加了一步预处理——先做高斯模糊，再用局部自适应阈值。效果立竿见影。
MSER 的优缺点
| 优点 | 缺点 |
|---|---|
| 对旋转、缩放不敏感 | 对光照变化敏感 |
| 能检测多尺度文字 | 容易检测到非文字区域（如纹理） |
| 算法成熟，OpenCV 直接调用 | 速度较慢，尤其大图 |
小技巧：用 MSER 时，建议把检测到的区域做一次「宽高比过滤」。文字一般不是正方形，也不是细长条。我一般保留宽高比在 0.2 到 5 之间的区域。
4.3 SWT：笔画宽度变换
SWT 是另一个经典方法。它的思路很巧妙——文字笔画通常有近似一致的宽度。
你想想看，英文字母的横竖笔画，宽度是不是差不多？中文虽然复杂点，但大部分字的笔画宽度也相对均匀。SWT 就是利用这个特点来区分文字和非文字。
具体怎么做呢？
- 先用 Canny 边缘检测找到所有边缘
- 对每个边缘点，沿着梯度方向找对应的另一个边缘点
- 计算这两个点之间的距离，就是笔画宽度
- 把笔画宽度相近的像素归为一类
// 伪代码示意
for each edge pixel p:
ray = p + n * gradient_direction(p)
while ray not hit another edge:
ray += step
if ray hit edge q:
width = distance(p, q)
if width < max_width:
mark all pixels on ray as text
嗯，这里要注意，SWT 对参数很敏感。我记得有一次做车牌识别，SWT 死活检测不到汉字。折腾了半天，发现是 Canny 的阈值设得太高了，汉字笔画太细直接被滤掉了。
我曾经踩过的坑：SWT 对背景复杂的图像效果很差。比如树叶、砖墙这种纹理丰富的场景，SWT 会检测出大量假阳性。我的建议是：先用 MSER 粗筛，再用 SWT 精筛，两者结合效果更好。
4.4 基于连通域的文本定位
不管是 MSER 还是 SWT，最终得到的都是一堆「候选区域」。接下来要做的，就是把这些区域合并成真正的文本行。
基于连通域的方法，说白了就是把相邻的、特征相似的区域连起来。
常用的特征包括：
- 颜色相似度：文字颜色通常一致
- 距离：相邻文字间距不会太大
- 大小比例：同一行文字大小相近
- 基线对齐：文字底部基本在一条线上
我一般用「最小生成树」来做区域合并。把每个候选区域当成一个节点，区域之间的相似度作为边的权重。然后不断合并权重最小的边，直到形成完整的文本行。
合并策略示例：
1. 计算所有候选区域的中心点
2. 对每个区域，找到最近的3个邻居
3. 如果邻居满足：颜色差 < 30，距离 < 3倍区域宽度
4. 则合并这两个区域
5. 重复直到没有新的合并4.5 我在项目中踩过的坑
做传统文本检测，坑真的不少。我挑几个印象深刻的说说。
坑一：MSER 把背景纹理当成文字
有一次做古籍数字化，书页上的水渍被 MSER 检测成了一大片「文字」。我一开始还纳闷，怎么检测出这么多区域？后来发现是水渍的灰度值变化很慢，恰好符合「稳定区域」的定义。
解决办法：加一个「凸度」过滤。文字通常是凸的，水渍形状不规则，凸度很低。
坑二：SWT 对中文不友好
中文笔画复杂，横竖撇捺的宽度差异很大。SWT 默认假设笔画宽度一致，结果中文检测效果很差。我后来改了一下算法——对每个方向分别计算笔画宽度，横笔画用一个宽度，竖笔画用另一个宽度。效果好了不少。
坑三：光照变化导致漏检
这个前面提过。我的经验是：不要只用一种方法。MSER 对光照敏感，但 SWT 对光照不敏感。两者互补，能覆盖大部分场景。
我的建议：如果你刚接触文本检测，先别急着上深度学习。用 MSER + SWT + 连通域合并，搭一个简单的 pipeline。跑通之后，你就能深刻理解文本检测的难点在哪里。这时候再学深度学习，你会知道它解决了什么问题，又带来了什么新问题。
4.6 小结
传统方法虽然老了，但思路值得学习。MSER 教我们「找稳定的区域」，SWT 教我们「利用笔画特征」，连通域合并教我们「如何把碎片拼成整体」。这些思想，放到今天的深度学习方法里依然适用。
下一节，我会讲深度学习时代的文本检测方法。到时候你会发现，很多新方法其实是在传统方法的基础上「升级」的。底层的逻辑，没变。
好了，今天就到这儿。有问题欢迎留言讨论。