Matlab提取文字部分MSER特征并初步分类

一、介绍MATLAB中detectMSERFeatures函数：

算法—强度阈值级别

MSER检测器逐步跨越输入图像的强度范围，以检测稳定区域。该ThresholdDelta参数确定检测器测试稳定性的增量数。您可以将阈值增量值视为杯子的大小，以便用水填充桶。杯子越小，填充桶所需的增量越多。桶可以被认为是该区域的强度分布。



MSER对象检查不同强度阈值之间的区域区域大小的变化。该变化必须小于MaxAreaVariation被认为是稳定的参数的值。

在高层次上，可以通过考虑表示一系列桶的图像的强度分布来解释MSER。想象一下，水桶的顶部与地面齐平，并在其中一个水桶上打开软管。当水装入桶中时，它溢出，下一个桶开始填满。较小的水域加入并成为较大的水体，最后整个区域都被填满。当水充满桶时，会根据MSER稳定性标准进行检查。区域以不同的强度阈值出现，增长和合并。

函数使用示意：

句法：

regions = detectMSERFeatures(I)

[regions,cc] = detectMSERFeatures(I)

[_] = detectMSERFeatures(I,Name,Value)

描述：

1. regions = detectMSERFeatures(I)返回一个MSERRegions对象，regions包含有关在2-D灰度输入图像中检测到的MSER特征的信息I。该对象使用最大稳定极值区域（MSER）算法来查找区域。

2. [regions,cc] = detectMSERFeatures(I)可选地返回连接的组件结构中的MSER区域。

3. [_] = detectMSERFeatures(I,Name,Value)设置由一个或多个Name,Value对参数指定的附加选项。

举例：

读取图像并检测MSER区域。

I = imread（'cameraman.tif'）;
region = detectMSERFeatures（I）;
%可视化由存储在返回的“区域”对象内的像素列表描述的MSER区域。
figure; imshow（I）; 抱上 ;
plot（区域，'showPixelList'，true，'showEllipses'，false）;
%显示区域椭圆轮廓及重心
figure; imshow(I);
hold on;
plot(regions);

二、MSER提取文字区域并初步筛选分类

在之前区域提取的基础上，手工建立正负样本集：（包括样本图片集与标签文件）





对所有样本提取hog特征并进行SVM分类，代码如下：

ReadList1  = textread('pos_label.txt','%s','delimiter','\n');%载入正样本列表
sz1=size(ReadList1);

label1=ones(sz1(1),1); %正阳本标签
ReadList2  = textread('neg_label.txt','%s','delimiter','\n');%载入负样本列表
sz2=size(ReadList2);
label2=zeros(sz2(1),1);%负样本标签
label=[label1',label2']';%标签汇总
total_num=length(label);
data=zeros(total_num,324);

%读取正样本并计算hog特征
for i=1:sz1(1)
name= char(ReadList1(i,1));
image=imread(strcat('C:\Users\赵晋媛\Desktop\MSER\pos\',name));
im=imresize(image,[64,64]);
% % %    img=rgb2gray(im);
hog =hogcalculator(im);
c1=cell2mat(hog);
c1=double(c1);
data(i,:)=c1;
end

%读取负样本并计算hog特征
for j=1:sz2(1)
name= char(ReadList2(j,1));
image=imread(strcat('C:\Users\赵晋媛\Desktop\MSER\neg\',name));
im=imresize(image,[64,64]);
% % %    img=rgb2gray(im);
hog =hogcalculator(im);
c1=cell2mat(hog);
c1=double(c1);
data(sz1(1)+j,:)=c1;
end

[train, test] = crossvalind('holdOut',label);
cp = classperf(label);
svmStruct = svmtrain(data(train,:),label(train));
save svmStruct svmStruct
classes = svmclassify(svmStruct,data(test,:));
classperf(cp,classes,test);
cp.CorrectRate
%
% %% 训练完成后保存 svmStruct即可对新输入的对象进行分类了无需再执行上面训练阶段代码

之后生成svmStruct文件，调用该文件进行测试：

% load svmStruct
% test=imread('te1.bmp');
%
% im=imresize(test,[64,64]);
% % img=rgb2gray(im);
% hogt =hogcalculator(im);
%    c2=cell2mat(hog);
%    c2=double(c2);
% classes = svmclassify(svmStruct,c2);%classes的值即为分类结果

其中，对图片提取hog特征的代码为：

function [ feature ] = hogcalculator( img )
%UNTITLED3 此处显示有关此函数的摘要
%   此处显示详细说明
% imshow(img,[]);
[m n]=size(img);
img=double(
4000
img);
img=sqrt(img);      %伽马校正

%下面是求边缘
fy=[-1 0 1];        %定义竖直模板
fx=fy';             %定义水平模板
Iy=imfilter(img,fy,'replicate');    %竖直边缘
Ix=imfilter(img,fx,'replicate');    %水平边缘
Ied=sqrt(Ix.^2+Iy.^2);              %边缘强度
Iphase=Iy./Ix;              %边缘斜率，有些为inf,-inf,nan，其中nan需要再处理一下

%下面是求cell
step=16;                %step*step个像素作为一个单元
orient=9;               %方向直方图的方向个数
jiao=360/orient;        %每个方向包含的角度数
Cell=cell(1,1);              %所有的角度直方图,cell是可以动态增加的，所以先设了一个
ii=1;
jj=1;
for i=1:step:m          %如果处理的m/step不是整数，最好是i=1:step:m-step
ii=1;
for j=1:step:n      %注释同上
tmpx=Ix(i:i+step-1,j:j+step-1);
tmped=Ied(i:i+step-1,j:j+step-1);
tmped=tmped/sum(sum(tmped));        %局部边缘强度归一化
tmpphase=Iphase(i:i+step-1,j:j+step-1);
Hist=zeros(1,orient);               %当前step*step像素块统计角度直方图,就是cell
for p=1:step
for q=1:step
if isnan(tmpphase(p,q))==1  %0/0会得到nan，如果像素是nan，重设为0
tmpphase(p,q)=0;
end
ang=atan(tmpphase(p,q));    %atan求的是[-90 90]度之间
ang=mod(ang*180/pi,360);    %全部变正，-90变270
if tmpx(p,q)<0              %根据x方向确定真正的角度
if ang<90               %如果是第一象限
ang=ang+180;        %移到第三象限
end
if ang>270              %如果是第四象限
ang=ang-180;        %移到第二象限
end
end
ang=ang+0.0000001;          %防止ang为0
Hist(ceil(ang/jiao))=Hist(ceil(ang/jiao))+tmped(p,q);   %ceil向上取整，使用边缘强度加权
end
end
Hist=Hist/sum(Hist);    %方向直方图归一化
Cell{ii,jj}=Hist;       %放入Cell中
ii=ii+1;                %针对Cell的y坐标循环变量
end
jj=jj+1;                    %针对Cell的x坐标循环变量
end

%下面是求feature,2*2个cell合成一个block,没有显式的求block
[m n]=size(Cell);
feature=cell(1,(m-1)*(n-1));
for i=1:m-1
for j=1:n-1
f=[];
f=[f Cell{i,j}(:)' Cell{i,j+1}(:)' Cell{i+1,j}(:)' Cell{i+1,j+1}(:)'];
feature{(i-1)*(n-1)+j}=f;
end
end

%到此结束，feature即为所求
%下面是为了显示而写的
% l=length(feature);
% f=[];
% for i=1:l
%     f=[f;feature{i}(:)'];
% end
% figure
% mesh(f)
end

由此，初步实现了对MSER提取的特征进行SVM分类的结果。