不用GPU也能做文本检测：MATLAB中SWT+MSER+SVM组合方案-北京尧图网络

简介一个面向本科毕业设计的Matlab文本检测源码包聚焦英文场景下基于SWT笔画宽度变换与MSER最大稳定极值区域的文本定位并通过SVM分类器区分文本与非文本区域适合计算机视觉、模式识别方向的学生参考项目实现。整个压缩包共13个文件其中4个.m脚本覆盖区域检测、笔画宽度变换、HOG特征提取与SVM分类等核心流程1个.mat文件保存了可直接加载的SVM模型7张jpg图片既有测试样本也有流程示意图另有README说明文档整体约20MB。目前已有93人浏览学习。下载后可拿到完整的算法步骤代码、训练好的SVM模型以及对应测试图像便于对照理解MSERSWT到HOGSVM的文本检测实现思路也可用于后续扩展和改进。1. 不用GPU也能做文本检测SWT、MSER与SVM在MATLAB里的组合打法很多人在接到文本检测需求时第一反应是上深度学习但现实往往是手里只有MATLAB、没有显卡任务还得交。这套基于SWTStroke Width Transform笔画宽度变换和MSER最大稳定极值区域的源码把“找候选文本”和“判断是不是文本”拆成两步先用SWT和MSER生成候选框再用SVM分类器把树叶、窗框这类假目标过滤掉。整个过程在MATLAB里就能跑通既适合图像处理大作业的完整选题也适合把它作为OCR流水线的前置模块。如果你正在找一个不依赖深度学习框架就能落地的检测方案这条技术路线值得花时间看完。2. 候选生成阶段SWT的笔画宽度先验与MSER的稳定区域检测2.1 为什么文本检测要先做候选生成而不是直接滑窗直接在整幅图像上做滑窗SVM分类计算量是很恐怖的。一张1280×720的图窗口步长4个像素等于要跑几十万次分类预测MATLAB下基本卡死。所以传统方案必须先做候选生成也就是用廉价特征把“可能是文字的像素块”召回出来。召回阶段可以误报但漏检的代价更高因为后面分类器没法把丢掉的目标找回来。SWT和MSER就是两个互补的候选生成器。SWT利用的是笔画宽度恒定这个先验字符笔画两侧边缘近似平行笔画内部的宽度波动很小。MSER利用的是灰度连通性字符内部灰度均匀在灰度阈值变化时能形成长时间保持稳定的极值区域。实际工程里常见做法是两条线都跑把两组候选框合并进同一个分类器因为SWT对清晰边缘敏感MSER对低对比度图像更稳。前期的误检率到50%以上都不用慌那是SVM要收拾的场面。2.2 SWT在像素层面如何计算笔画宽度SWT的核心想法不复杂Epshtein那篇Stroke Width Transform论文里讲得很清楚先用Canny提取边缘再对每个边缘像素沿梯度方向搜索找到对面的边缘像素同时要求两边的梯度方向近似相反这时两个边缘像素之间的距离就是这一段的笔画宽度。文本区域的所有笔画宽度会高度一致而树叶、窗框这些干扰物的宽度分布很散后面就靠这个差异把它们筛掉。MATLAB里没有现成的SWT函数这段是源码包里最值得自己实现的部分。下面代码是按论文思路写的简化版function swtMap swtBasic(gray, cannyRange, maxWidth) % 简化版笔画宽度变换 % gray : double型灰度图范围 [0,1] % cannyRange: Canny双阈值例如 [0.08 0.2] % maxWidth : 笔画宽度搜索上界场景文本建议取到50 [E, ~] edge(gray, canny, cannyRange); [Gx, Gy] imgradientxy(gray); [~, Gdir] imgradient(Gx, Gy); % 边缘梯度方向弧度 [h, w] size(gray); swtMap zeros(h, w); [ey, ex] find(E); for k 1:numel(ex) x ex(k); y ey(k); a Gdir(y, x); for t 1:maxWidth nx round(x t * cos(a)); ny round(y t * sin(a)); if nx 1 || ny 1 || nx w || ny h break; end if E(ny, nx) % 对侧梯度方向应近似反向方向差小于30度pi/6 d mod(Gdir(ny, nx) - (a pi), 2 * pi); if d pi, d d - 2 * pi; end if abs(d) pi / 6 % 把路径上所有像素写成当前宽度取最小值 dxv (nx - x) / t; dyv (ny - y) / t; for s 0:t sx round(x s * dxv); sy round(y s * dyv); if swtMap(sy, sx) 0 swtMap(sy, sx) t; else swtMap(sy, sx) min(swtMap(sy, sx), t); end end end break; end end end end这段代码的逻辑是先通过Canny找到边缘再沿梯度方向发射一条射线碰到对侧边缘就验证方向是否反向通过后把整条线段像素赋为宽度值。maxWidth是搜索上界设太小会漏掉大号字体设太大又会在复杂背景里误配对一般经验值取图中最大字符高度的三分之一到一半。注意这是一个纯MATLAB循环实现速度不会好看。实际使用前先把图像长边缩到1600像素以内否则一张2000万像素的图能跑几分钟。另一个常见做法是只对MSER候选框内部区域计算SWT而不是全图速度能快一个数量级。2.3 MSER什么时候比SWT更稳场景与参数选择MSER的意思是最大稳定极值区域它把图像按灰度阈值做一系列二值化那些在很大一段阈值范围内面积保持稳定的连通区域就是候选。文本内部灰度均匀所以字符天然满足这个稳定性。MATLAB的Computer Vision Toolbox里直接封装了detectMSERFeatures这是源码包里最省事的环节。SWT和MSER的适用边界值得想清楚SWT依赖Canny边缘图像模糊或光照剧烈变化时边缘响应弱SWT的输出会断成碎片MSER走的是灰度连通性路线模糊对它的影响小得多。反过来MSER遇到渐变背景容易把大面积区域标成候选这时候SWT反而干净。所以源码里两者并存不是功能冗余而是互相兜底。调用MSER的代码非常短但参数直接影响候选质量mser detectMSERFeatures(gray, ... ThresholdDelta, 1.2, ... RegionAreaRange, [80 10000], ... MaxAreaVariation, 0.3, ... NeighborhoodRange, 4);参数含义要对着文档理解参数作用建议初值说明ThresholdDelta灰度阈值步长0.8~1.5越小越敏感但误检也越多RegionAreaRange区域像素面积范围[80 10000]按图像分辨率和目标字号调MaxAreaVariation区域面积最大变化率0.25~0.5越小越严格区域越容易分裂NeighborhoodRange并查集邻域搜索半径4一般保持默认调参有个经验顺序先固定ThresholdDelta在1.0左右把RegionAreaRange上下限摆好再看MaxAreaVariation。文本区域如果碎成小块就把MaxAreaVariation往上抬如果大块非文本区域混进来就该收紧RegionAreaRange的上限。参数这东西一半看经验一半是玄学但每次都只动一个变量才能知道是谁在起作用。3. 训练SVM分类器特征向量、正负样本与MATLAB代码闭环3.1 自建数据集时正负样本怎么凑候选生成之后每个候选框要被SVM判定为“文本”或“非文本”。训练数据是绕不开的环节。正样本来源有几个公开场景文本数据集如ICDAR 2013的车牌、招牌、路牌也可以自己在照片上框出文字区域。负样本不需要额外采集直接让MSER和SWT在纯背景图上跑把它们产出的所有候选框全部标为负样本这种自动挖负样本的做法叫hard negative mining。正负样本的比例是个坑。负样本数量通常是正样本的两到三倍这是合理的因为真实场景里非文本候选永远比文本多。但如果负样本全部来自同一批照片的同一类背景SVM就会学偏以为“纹理少的就是文本”。我习惯在负样本里混入树叶、砖墙、水波纹、栅栏、车胎这类高纹理图片让分类器见过足够多的干扰形态。数据量方面几百个正样本加一两千个负样本就能把二分类SVM训到可用的程度。想再稳一点就对正样本做增广左右翻转、小角度旋转、加高斯模糊、调整亮度每张正样本扩成五张。增广之后的训练集会明显提升跨场景的泛化能力。3.2 选哪些特征喂给SVM才不虚SVM不知道什么是“文字”它只能看到特征向量。特征选得不好SVM参数调出花来也没用。文本检测这个场景里三类特征最常用第一是几何特征。文本候选框的宽高比通常在0.2到10之间横排文本基本都是宽大于高的填充率也就是区域实际像素面积和包围盒面积之比文本一般在0.3到0.8之间笔画宽度均值和标准差之比是SWT直接给出的信号文本接近1杂乱的背景远大于1。第二是灰度与边缘特征。灰度均值、灰度方差、Canny边缘密度这些能区分“光滑的文本内部”和“混乱的纹理背景”。第三是HOG特征。提取HOG之前把候选区resize成统一尺寸它捕捉的是局部梯度方向的分布。字符笔画形成稳定的边缘方向模式HOG对字体变化和轻微形变相对鲁棒。我一般会在源码里把特征拼成一个向量几何特征6维加上HOG输出。HOG维度跟图片尺寸和CellSize绑定32×32的patch配8×8的CellSize默认参数下输出324维。训练和预测阶段必须用同一个resize尺寸和CellSize否则特征维度对不上MATLAB会直接报矩阵维度错误。3.3 fitcsvm的训练与预测闭环数据准备好了特征也拼出来了训练代码反而短。MATLAB里二分类SVM的正规入口是fitcsvm老代码里的svmtrain已经废弃别再用了。判断一个候选框是不是文本其实是二分类问题所以不需要fitcecoc那个是多分类用的。rng(42); % X : NxD 特征矩阵每行一个候选框 % Y : Nx1值为0或11表示文本 svmModel fitcsvm(X, Y, ... KernelFunction, rbf, ... BoxConstraint, 1, ... KernelScale, auto, ... Standardize, true, ... ClassNames, [0 1], ... Prior, [0.3 0.7]); % 交叉验证看稳定度不要只看训练集精度 cvModel crossval(svmModel, KFold, 5); cvLoss kfoldLoss(cvModel); % 预测label是类别score第二列是正类分数 [label, score] predict(svmModel, Xtest);代码里几个参数要解释清楚。BoxConstraint是惩罚系数越大越容易过拟合一般从1开始试。KernelScale用auto让MATLAB自己估一个初始值之后可以再做一次贝叶斯优化。Standardize必须设为trueHOG和几何特征的量纲差异很大不标准化的话几何特征会主导距离计算。Prior按正负样本的先验概率给负样本多就给负类更高的权重这里写的[0.3 0.7]对应ClassNames [0 1]也就是负类0占30%、正类1占70%实际比例要按你的数据集调整。predict返回的score是N×2矩阵第一列对应ClassNames的第一个元素第二列对应第二个元素。因为这里ClassNames写的是[0 1]score第二列就是正类“文本”的分数。很多人栽在这个细节上ClassNames顺序一换阈值方向整个反掉。训练完成之后不要急着拿去跑测试图。先用crossval做五折交叉验证如果交叉验证损失明显高于训练集精度就是过拟合信号优先检查特征标准化和数据增广而不是继续调SVM参数。SVM的核参数像个黑匣子但它救不了特征和样本的先天不足。4. 把源码跑起来处理流程、参数标定与NMS合并4.1 最小可运行流程从读图到输出检测框拿到源码zip之后先别急着研究算法细节第一步是跑通demo。我习惯把工程按candidate、features、train、demo四个模块分开这样训练和推理能互相独立。下面这段是最小闭环直接从读图到输出检测框% 读图并统一到灰度 I imread(scene.jpg); if ismatrix(I) gray im2double(I); else gray im2double(rgb2gray(I)); end % 长边超过1600先缩放速度敏感 if size(gray, 2) 1600 gray imresize(gray, 1600 / size(gray, 2)); end % 1. MSER候选生成 mser detectMSERFeatures(gray, ... ThresholdDelta, 1.2, ... RegionAreaRange, [80 10000], ... MaxAreaVariation, 0.3); % 2. MSER像素转掩膜再取连通域包围盒 mask false(size(gray)); pix mser.PixelList; % 每行是 [x y]注意sub2ind要反过来 idx sub2ind(size(gray), pix(:,2), pix(:,1)); mask(idx) true; stats regionprops(mask, BoundingBox, Area); boxes round(reshape([stats.BoundingBox], 4, [])); % 包围盒往外扩4像素避免切掉笔画边缘 boxes(:,3:4) boxes(:,3:4) 4; % 3. 对每个候选框提取特征 nBox size(boxes, 1); feats zeros(nBox, 324 6); % HOG 324维几何特征6维 for i 1:nBox x max(1, boxes(i,1)); y max(1, boxes(i,2)); w min(size(gray,2) - x, boxes(i,3)); h min(size(gray,1) - y, boxes(i,4)); patch imresize(gray(y:yh, x:xw), [32 32]); hog extractHOGFeatures(patch, CellSize, [8 8]); areaFrac stats(i).Area / (boxes(i,3) * boxes(i,4)); geo [w/h, w*h, areaFrac, mean(patch(:)), std(patch(:)), ...]; feats(i,:) [hog, geo]; end % 4. SVM预测正类分数大于0.6才保留 [label, score] predict(svmModel, feats); keep label 1 score(:,2) 0.6; boxes boxes(keep, :); % 5. NMS去重后画框nms函数见4.3 keepIdx nms(boxes, score(keep,2), 0.45); imshow(I); hold on; for i 1:numel(keepIdx) rectangle(Position, boxes(keepIdx(i),:), ... EdgeColor, r, LineWidth, 2); end流程拆开看就是四件事MSER生成候选区域把区域像素变成掩膜再取包围盒对每个包围盒提HOG和几何特征最后SVM打分并画框。代码里有两处容易翻车像素坐标和矩阵行列的顺序关系以及包围盒越界问题。mser.PixelList返回的是[x y]坐标而sub2ind要求先给行也就是y坐标顺序写反了掩膜就是乱的。regionprops的BoundingBox可能落在图像边界外裁剪前必须用min/max夹紧不然imresize直接报错。特征维度也要盯住我注释里写的是HOG的324维加几何6维如果你改了CellSize或者resize尺寸这里的列数必须跟着变。4.2 SWT与MSER的关键参数和调节顺序候选生成阶段参数多但不需要一上来就全调。我的调节顺序是先让MSER的输出基本覆盖所有文本再调SVM分类阈值最后才动SWT。因为MSER候选是SVM的输入来源MSER漏检了后面全白搭。MSER侧这组参数在2.3写过了实际使用里最值得反复试的是ThresholdDelta和RegionAreaRange。ThresholdDelta太小一张图能爆出几千个区域SVM直接被特征矩阵撑死。RegionAreaRange的上限对应最大字符的面积下限对应最小字符按你的使用场景估别拍脑袋。SWT侧需要盯的就三个Canny低阈值、maxWidth、方向一致性容差。Canny低阈值设太低会把噪声都当边缘设太高文本内部边缘断裂。maxWidth按目标最大字号估。方向容差固定在pi/6就行这个很少动。SVM分类阈值是最后调的。常见做法是先把阈值设到0.5看检测结果里误检多还是漏检多。误检多就往上抬漏检多就往下放。这个阈值最终应该由PR曲线来定而不是拍脑袋第六章会讲。4.3 候选框合并与重复框消除SWT和MSER两条流水线同时跑的话同一个文本行会被多个候选框覆盖必须做非极大值抑制。这里的逻辑是所有候选框按SVM正类分数从高到低排序从最高分开始凡是与当前框IoU重合度超过一定阈值的框直接丢弃保留高分框。function keep nms(boxes, scores, iouThr) % boxes : Nx4 [x y w h] % scores: Nx1SVM正类分数 [~, order] sort(scores, descend); keep true(size(boxes,1), 1); for i 1:numel(order) if ~keep(order(i)), continue; end for j i1:numel(order) if ~keep(order(j)), continue; end if bboxOverlapRatio(boxes(order(i),:), boxes(order(j),:)) iouThr keep(order(j)) false; end end end keep find(keep); endbboxOverlapRatio是计算机视觉工具箱自带的函数直接算两个矩形框的IoU。没有这个工具箱的话用Pascal VOC的IoU公式手写也就十几行。NMS的IoU阈值建议从0.4到0.5之间试阈值太紧会让同一文本行拆成多个框太松又会把相邻的不同文本块错误合并。这个函数是O(N^2)复杂度候选框几百个的时候没问题。如果候选框上千先按分数截断只留前200个再做NMS速度能快很多对结果影响很小。5. 复现避坑手册SWT、MSER与SVM三个阶段的高频问题5.1 一行文字被切成七八块检测框碎到没法看现象文本行里的字符被拆成多个独立候选框一个完整的词组变成散落的小框NMS合不回来。原因MSER的MaxAreaVariation设得太小灰度阈值微变时区域就分裂或者SWT的maxWidth上限小于字符实际笔画宽度还有一种可能是候选生成后直接做regionprops字符之间间距过大的文本被天然切开。解决先把MaxAreaVariation从0.25抬到0.4左右看区域是否连续。SWT的maxWidth按最大字符高度的一半估算。最后在生成候选掩膜后加一次形态学膨胀imdilate(mask, strel(rectangle, [5 3]))让同一行内相邻字符的像素粘连起来再取连通域包围盒。NMS阈值也别收太紧0.4到0.45是一个比较平衡的范围。5.2 复杂背景下误检爆炸MSER一口气吐几千个候选现象单张图上MSER输出了几千个区域SVM跑得极慢检测框满屏都是。原因ThresholdDelta设得太低灰度上的微小波动都会被当成稳定区域RegionAreaRange下限太低把大量小噪点区域都收进来了原图完全没有做降噪处理。解决进MSER之前先做一次imgausgefilt(gray, 1.2)平滑ThresholdDelta提到1.0到1.5之间RegionAreaRange下限提到100以上。更关键的是在SVM之前加一道低成本粗筛填充率低于0.2的候选框直接丢弃宽高比小于0.1或大于20的也丢这几刀砍下去通常能去掉一半以上的干扰候选。5.3 SVM训练集精度95%一上现场图就全在乱框现象训练集交叉验证和分类准确率都很漂亮拿陌生场景图一测树叶、砖墙、汽车轮胎全部被标成文本。原因正负样本来自同一批图片场景单一特征分布过窄。HOG和几何特征没有标准化量纲差异导致分类边界偏移。类别不平衡时SVM会倾向把样本判成多数类。解决负样本要主动混入高纹理背景照片不要只在候选生成结果里挖。Standardize设成true让MATLAB自己处理特征标准化。Prior按实际正负样本比例给比如[0.3 0.7]。最有效的一招是hard negative mining先拿初版模型去跑几十张新图把误检框追加进训练集再重新训练一轮这个流程反复两次误检率会明显下降。5.4 报错还是工具箱问题detectMSERFeatures未定义现象脚本刚跑第一行就提示Undefined function detectMSERFeatures或者HOG、SVM相关函数找不到。原因detectMSERFeatures和extractHOGFeatures属于Computer Vision Toolboxfitcsvm属于Statistics and Machine Learning Toolbox。缺其中任何一个都会报未定义函数而不是语法错误。解决先执行ver(vision)和ver(stats)确认工具箱是否安装。如果只有基础MATLABHOG可以换成灰度直方图加几何特征SVM可以换线性核效果差一些但至少能跑。还要注意MATLAB版本fitcsvm是R2014a之后才有的网上大量老帖子里的svmtrain已经废弃不要新旧函数混着用。6. 进阶验证用PR曲线评估文本检测效果交方案的时候只放几张效果图是不够的别人要问“召回率多少、误检率多少”你得拿数据说话。文本检测是典型的类别极端不平衡任务负样本远多于正样本用准确率衡量没有意义PR曲线才是这个场景的标准评估方式。评估口径是框级的预测框和真值框的IoU大于等于0.5就算检测成功否则算误检。真值框可以用MATLAB的imageLabeler手动标也可以用公开数据集自带的标签。ICDAR数据集的标签是四点坐标格式要换算成[x y w h]才能喂给评估脚本。function [prec, rec] evaluatePR(boxesCell, scoresCell, gtCell, iouThr) % boxesCell{i} : 第i张图的候选框 Nx4 % scoresCell{i}: 第i张图对应的SVM正类分数 % gtCell{i} : 第i张图的真值框 Mx4 thrList linspace(-1, 1, 40); prec zeros(size(thrList)); rec zeros(size(thrList)); for t 1:numel(thrList) tp 0; fp 0; fn 0; for i 1:numel(boxesCell) pick scoresCell{i}(:) thrList(t); det boxesCell{i}(pick, :); gt gtCell{i}; if isempty(det) fn fn size(gt, 1); continue; end ov bboxOverlapRatio(det, gt); matched false(size(gt,1), 1); for d 1:size(det,1) [m, gi] max(ov(d,:)); if m iouThr ~matched(gi) tp tp 1; matched(gi) true; else fp fp 1; end end fn fn sum(~matched); end prec(t) tp / max(tp fp, eps); rec(t) tp / max(tp fn, eps); end plot(rec, prec, o-); xlabel(Recall); ylabel(Precision); end阈值扫描范围要按SVM实际输出的分数分布调整fitcsvm的score通常分布在-1到1附近但不同模型差异很大先看一眼score的直方图再定扫描范围。对每张图逐阈值累计TP、FP、FN最终画出来的PR曲线越靠近右上角越好。我最早在这类方案上吃过亏只看准召率不看PR曲线跨场景一测就翻车。后来养成了习惯训练完先跑三百张图生成PR曲线再决定要不要调阈值和NMS参数。如果你拿到的源码包里没有评估脚本就用上面这个函数补上。这套SWT加MSER加SVM的流程交作业或者做传统OCR前置模块足够了但要说投入商用级文本检测复杂场景下的天花板也在这里后续要加文本行聚类和识别模块才能接得住。希望帮到你。本文还有配套的精品资源点击获取

不用GPU也能做文本检测：MATLAB中SWT+MSER+SVM组合方案

相关推荐

数据抽象的核心原理与工程实践指南

YOLOv8实例分割在塑料瓶罐识别中的应用与优化

通信专业英语备考指南：从术语体系到阅读翻译的实操路径

更多资讯

GESP 2025年3月原根判断题解｜数论详细讲解

工业级爬虫数据存储优化与数据湖实践

GESP 2023年12月小杨的幸运数题解｜二分详细讲解

没有ISO的cloudflare-os：边缘计算如何重构“操作系统”

GESP 2023年9月真题巧夺大奖完整题解（贪心）

Spring Boot中Redis缓存穿透、击穿与雪崩解决方案

今日更新

微信个人号API开发案例：图片/语音/视频消息怎么下载解析存到本地？

Python股票自动交易系统源码解析：从行情获取到风控的完整链路

视酷酷信IM源码部署指南：Java 17+MySQL 8.0.33实战配置

本周精选

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？