- 综合排序
- 最热优先
- 最新优先
- 来自专栏码出名企路
OpenCV项目(21)|mser车牌识别
输入原始车牌信息 输出mser识别结果 具体算法步骤 第1步：mser结构体定义 struct MSERParams { MSERParams(int _delta = 5, int 参数定义 vector<String> typeDesc; vector<MSERParams> pMSER; //创建mser对象 MSERParams params; (params); params.delta = 100; typeDesc.push_back("MSER"); pMSER.push_back(params); 第3步：mser = typeDesc.end(); ++itDesc) { if (*itDesc == "MSER") { if (img.type() >().get()) { Ptr<MSER> sbd = b.dynamicCast<MSER>(); //检测Region
1.6K20编辑于 2022-06-16 - 来自专栏月亮与二进制
MSER+NMS检测图像中文本区域
OCR相关工作都有一个第一步，那就是检测图像中的文本区域，只有找到了文本区域，才能对其内容进行识别，也只有找到了文本区域，才能更有针对性地判断该文本图像的质量好坏，我们期望达到如下的文本区域检测效果： MSER MSER就是一种检测图像中文本区域的方法，这是一种传统算法，所谓传统算法，是相对于现在大行其道的机器学习技术来说的，就准确率来说，MSER对文本区域的检测效果自然是不能和深度学习如CTPN、Pixellink MSER全称叫做最大稳定极值区域（MSER-Maximally Stable Extremal Regions），该算法是2002提出的，主要是基于分水岭的思想来做图像中斑点的检测。 = cv2.MSER_create() # 得到mser算法对象 regions, _ = mser.detectRegions(gray) # 获取文本区域 hulls = [cv2.convexHull = cv2.MSER_create() # 得到mser算法对象 regions, _ = mser.detectRegions(gray) # 获取文本区域 hulls = [cv2.convexHull
1.3K10发布于 2021-11-23 - 来自专栏算法+
mser 最大稳定极值区域(文字区域定位)算法 附完整C代码
256 /** @brief MSER Filter ** ** The MSER filter computes the Maximally Stable Extremal Regions of @{ **/ void mser_process(MserFilt *f, unsigned char const *im); void mser_ell_fit(MserFilt *f); \n", mser_get_delta(filt)); printf("mser: max_area = %g\n", mser_get_max_area(filt)); printf("mser: min_area = %g\n", mser_get_min_area(filt)); printf("mser: max_variation = %g\n", mser_get_max_variation(filt)); printf("mser: min_diversity = %g\n", mser_get_min_diversity
3K70发布于 2018-04-12 - 来自专栏我的机器学习之路
基于分割思想的文本检测算法
使用人工特征 文本检测领域常见的人工特征算法有两种：SWT和MSER，这些方法的效率比滑窗法更高，精度也更好。 SWT算法思路：图片中的文本都具有一致宽度的线条。 MSER算法的思路：单个文本内部的像素值不会有太大差异, 类似于分水岭算法 其计算步骤如下： 从0到255，选择不同的阈值对图片进行二值化； 记录下不同阈值下的二值化图像的各个连通域的面积变化； 寻找在一定阈值范围内 ，面积变化较为稳定的连通域； 根据人工规则从这些稳定连通域中筛选出文本区域； opencv里面有MSER的实现，可以直接拿来用。
2.1K20发布于 2020-10-23 - 来自专栏深度学习和计算机视觉
基于OpenCV的多位数检测器
数字定位使用最大稳定的外部区域（MSER）方法完成，该方法用作稳定的特征检测器。MSER主要用于图像内的斑点检测。斑点是像素的连续集合，其外边界像素强度高于内边界像素强度（给定阈值）。 MSER的运行时复杂度较低，为O（nlog（log（n））），其中n是图像上像素的总数。该算法对于模糊和缩放也很鲁棒。这使其非常适合提取文本/数字。
1.4K10发布于 2020-12-07 - 来自专栏镁客网
科普时间：OCR是人工智能的基础之一
文本检测首先要从图像中切割出可能存在的文字，即候选连通区域，目前被采取最多的方法是MSER（最大平稳极值区域）。 当然，也有团队在此基础上开发出了自己的一套算法，比如微软研究院在传统检测方法ER（极值区域）和MSER基础之上采用了对比极值区域CER（Contrasting Extremal Region），CER是跟周围的背景有一定对比度的极值区域 ，在低对比度的图像上比MSER效果更好，而且获得的候选连通区域数量远小于ER，提高了算法的效率，并且，为了提高所获得连通区域的质量，微软又增加一个算法环节去增强CER。
3K60发布于 2018-05-29 《数字图像处理》第 11 章 - 特征提取
11.6.2 最大稳定极值区域（MSER） 原理 MSER（Maximally Stable Extremal Regions）是一种基于灰度阈值的区域检测方法，核心是： 对图像进行多阈值二值化（从 0 到 255）； 提取每个阈值下的极值区域（亮区域或暗区域）； 计算区域面积随阈值的变化率，变化率最小的区域即为 MSER（具有稳定性）； MSER 具有仿射不变性，适用于物体检测和图像匹配。 创建MSER检测器并检测区域 mser = cv2.MSER_create() # 参数：灰度图像、检测到的区域、区域的边界框 regions, _ = mser.detectRegions(gray) 绘制MSER区域 img_mser = img_rgb.copy() for region in regions: # 绘制区域轮廓 hull = cv2.convexHull(region.reshape ) ax2.set_title(f"MSER检测结果（绿色为稳定区域）\n区域数量：{len(regions)}") ax2.axis("off") plt.show() # 输出MSER信息 print
18010编辑于 2026-01-21- 来自专栏腾讯Bugly的专栏
【Dev Club 分享】深度学习在 OCR 中的应用
通常这类方法利用文字颜色、亮度、边缘信息进行聚类的方式来快速分离文字区域与非文字区域，而以MSER和SWT为代表的连通域分析方法在自然场景文字检测中表现优异，在获得高鲁棒性的同时性能也比滑动窗口的形式提高不少 我们首先基于MSER（最大稳定极值区域）的方法来设计我们的检测方案，如下图。 ? 由于MSER基于分水岭迭代的方式来寻找候选框，能有效提取候选文字区域的同时也容易产生非常多的非文字区域。 MSER产生的干扰区域往往跟文字享有类似的纹理特征（如窗户，草地，头发等），我们需要强有力的分类器来滤除干扰。SVM/adaboost等传统手法往往基于人工设计特征训练分类器，很难适应复杂多变场景。
4K80发布于 2018-03-23 - 来自专栏3D视觉从入门到精通
pySLAM：多深度学习特征集成SLAM
5] (improvements of ORB-SLAM2 to ORB detector) SIFT[6] SURF[7] KAZE[8] AKAZE[9] BRISK[10] AGAST[11] MSER www.margaritachli.com/papers/ICCV2011paper.pdf [11] AGAST: http://www.i6.in.tum.de/Main/ResearchAgast [12] MSER
2.5K20发布于 2020-11-11 深度伪造到深度信任：揭露AI安全的攻防
山东大学（威海）机电与信息工程学院的研究团队提出了多阶段边缘优化网络MSER-Net，通过VMamba主干网络和通道残差图像（CRI）捕捉伪造痕迹。 MSER-Net在FF++、CDF等数据集上准确率（ACC）达95.82%，AUC达98.72%，抗后处理攻击性能优异。 例如，MSER-Net在WildDeepfake上的AUC为92.60%，比DFD-NAScross提高了6.19%。 布达佩斯技术与经济大学的Deepfake Guard平台已获得Frost & Sullivan颁发的2025全球新产品创新奖；山东大学的MSER-Net在多个数据集上ACC达95.82%，AUC达98.72%
83310编辑于 2025-08-22- 来自专栏数据派THU
【经典书】数字图像处理算法介绍, 第三版
主题和特点: 包含关于几何基元拟合，随机特征检测(RANSAC)，和最大稳定极值区域(MSER)的新章节 包括大多数章节的练习，并在相关网站上提供额外的补充材料和软件实现 所有示例都使用ImageJ，这是一种广泛使用的开源图像环境
35510编辑于 2022-08-29 - 来自专栏贾志刚-OpenCV学堂
OpenCV 3.1.0中特征检测与描述算法接口改动
现总结如下(不敢保证没有遗漏，但是已经够多了) - BRISK: detector + descriptor - ORB: detector + descriptor - MSER: detector
1.6K80发布于 2018-04-04 - 来自专栏TEL18600524535
一种基于深度学习算法的维吾尔文OCR技术，支持高精度识别、多场景适配、跨平台应用
（2）文本检测（Text Detection）传统方法：使用滑动窗口、连通域分析（如MSER）定位文本区域。
38510编辑于 2025-06-24 - 来自专栏Python学习必看
一篇文章就梳理清楚了 Python OpenCV 的知识体系
库； “SURF” SURF(nonfree module) Opencv3 移除，需调用 xfeature2d 库； “ORB” ORB Opencv3 移除，需调用 xfeature2d 库； “MSER ” MSER； “GFTT” GoodFeaturesToTrackDetector； “HARRIS” (配合 Harris detector)； “Dense” DenseFeatureDetector
2K30编辑于 2021-12-27 - 来自专栏人工智能头条
模式识别新研究：微软OCR两层优化提升自然场景下的文字识别精度
在确定候选连通区域阶段，微软亚洲研究院团队在传统检测方法ER（Extremal Region，极值区域）和MSER（Maximally Stable Extremal Region，最大平稳极值区域）基础之上采用了对比极值区域 CER（Contrasting Extremal Region），CER是跟周围的背景有一定对比度的极值区域，这个对比度至少要强到能够被人眼感知到，在低对比度的图像上比MSER效果更好，而且获得的候选连通区域数量远小于
2.2K50发布于 2018-06-05 - 来自专栏用户2442861的专栏
Scene Text Localization & Recognition Resources
Text Detection paper [2014-ECCV] Robust Scene Text Detection with Convolution Neural Network Induced MSER
80520发布于 2018-09-19 - 来自专栏我爱计算机视觉
力荐！计算机视觉开源工具中的瑞士军刀—Dlib最新高级特性教程
——边缘检测并找直线； 025-026——通过梯度计算亮斑； 027——霍夫变换； 028-034——通过霍夫变换定位图像中的纸张； 035——通过mbd方法定位视频中旋转的指尖陀螺； 036——通过MSER
74310发布于 2019-12-27 - 来自专栏点云PCL
VO视觉里程计
., MSER, LOG, DOG (SIFT), SURF, CenSurE ? ? ?
2.7K50发布于 2019-07-30 - 来自专栏李蔚蓬的专栏
计算机视觉 OpenCV Android | 特征检测与匹配 之 Feature2D中的检测器与描述子
而在OpenCV本身包含的feature2d模块中也包含了几个非常有用的特征检测器与描述子， 其所支持的特征点检测器（FeatureDetector）如下： FAST=1 STAR=2 ORB=5 MSER
2.3K20发布于 2019-03-04 - 来自专栏刘君君
docker部署基于nodejs的vue应用
#指定我们的基础镜像是node，版本是v8.0.0 指定的基础image可以是官方远程仓库中的，也可以位于本地仓库 FROM node:8.0.0 #指定维护者的信息 MAINTAINER mser
3.2K40发布于 2018-05-21
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号