近幾個月我在一家公司的研發部做模式識別實習生，學習了很多OCR相關的知識和技術，在此謝謝陸老師，孫老師以及其它各位老師的指導，我很喜歡這里，你們讓我收獲了很多
OCR(Optical Character Recognition)光學字符識別是一種獲取圖像中的字符信息的處理技術，用通俗一點的話說，就是把帶有文字信息的圖像數據變成文本數據的一種技術。在我們的生活中很多地方都有它的身影，如高速路上的電子眼（車牌識別），有道詞典（圖像單詞識別）等等。
OCR的識別過程大致有以下幾個步驟：字符檢測，去噪，傾斜校正，版面分析，文字切割，字符識別，修正，后處理等。Stroke filter 正是一種用於OCR預處理去噪的濾波器，它能夠濾除圖像中那些文字特征不明顯的部分，而保留那些文字較明顯的部分。它是字符檢測和背景去噪的一種常用方法。
Stroke filter的定義很簡單：
首先定義stroke響應，對於一個給定的角度alpha和距離參數d（上圖）, 一個像素點的響應response(此處用小r表示）為：
其中u1,u2,u3表示1號2號3號矩形內的像素和， 分母是正比於1號矩形內像素方差分布的一個參數，B表示bright,即白底黑字的情況。從直觀上來看，如果當前像素點(x,y)為筆划像素點時，1號矩形的像素和與2號3號矩形的像素和之差會比較大，2號和3號矩形像素和之差會較小，因此response會在筆划像素點的位置達到極大值。但是這個值會因為當前筆划的方向和字體大小有所不同，這時就需要調整alpha和d來尋找這個最大值。
下面的任務就是要找出這個最大值了，如下圖第一行所示（后兩行不用看，是為了后續svm分類用的，具體內容可以看這篇paper)，一個像素點的Response（此處用大R表示)值為：在所有的alpha,d的可能取值所對應的response的集合中，最大的一個r值，即為該像素點的R。可以想像，這種濾波器很符合文字的紋理特點，文字都是由條狀的筆划組成，一張圖片如果含有文字，則文字筆划處的Response會比較大，其它地方的Response會較小，利用這一特點就可以把文字濾出來了。
以下是部分實驗結果：
首先是輸入圖像：
Response:
二值化：
注意到文章中的參數比較死板，效果不是太好，在我的實驗中，一組較合理的參數如下圖所示
d=1,2,3,4, alpha interval = 45度，其中stroke的長度不要超過兩倍的d，不然文字邊界的response會出現振鈴效應
速度方面，上面的測試圖長寬為722 * 535 pixels ，在我的i5小黑上跑，大概1300ms, 環境是windows,x64,opencv, c++。影響速度最重要的參數是alpha的選取，每隔45度計算一個response和每隔10度計算一個response在精度上不會有太大差別，同樣地，如果alpha interval設為90也不會損失太多的精度，而速度卻可以降到600ms。如果想要做實時視頻處理的話，最好先把字幕所在矩形提取出來，然后在處理，這樣的話速度可以保證在50ms以內。