特征变换：为什么高特征值表示文本区域？
许多论文提到，在将图像划分为 mxm 矩阵块后，文本区域会产生根据灰度像素值计算出的高特征值。此外，特征值是图像纹理“粗糙度”的度量。
这与获取文本有什么关系？文本区域通常有两种颜色，背景和前景，并且字母笔画颜色统一。这种粗糙度在哪里 - 可能有许多其他特征会更粗糙并触发高特征值。有人能指出哪里可以获得连接这些事物的数学吗？
编辑： 有几篇论文提到了自然场景中文本检测的特征值。
实时框架文本的检测和跟踪使用灰度图像上的特征变换。
一种基于特征值的视频文本检测方法提到计算特征值梯度图像的协方差矩阵。
Many papers mention that text regions give rise to high eigenvalues calculated from the greylevel pixel values after the image has been divided into blocks of mxm matrices. Also that eigenvalues are a measure of the 'roughness' of the texture of the image.
How is that related to getting text? Text areas are generally of two colors, background and foreground with the letter-strokes of uniform color. Where is this roughness - there could be many other features that would be more rough and trigger high eigenvalues. Could someone point out where to get the math that connects these things?
EDITS:
A few papers included that mention eigenvalues in the context of text detection in natural scenes.
A framework towards realtime detection and tracking of text uses the Eigentransform on greyscale image.
An eigenvalue-based approach to text detection in video mentions calculating eigenvalues from the covariance matrix of gradient image.
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（1）
只是一个方向，这样您就可以开始阅读并最终更好地定位您的下一个问题：
您正在谈论 主成分分析
这里有一个示例应用程序：
HTH 可以帮助您开始了。
Just an orientation, so you can start reading and eventually target your next question better:
You are talking about Principal Component Analysis
Here you have an example application:
HTH to get you started.