简介：一份英文文本检测MATLAB源码，核心思路是结合SWT（笔画宽度变换）与MSER（最大稳定极值区域）两种经典算法，并引入HOG特征与SVM分类器来判别候选区域。资源面向计算机视觉方向的学生，尤其适合本科毕业设计作为起点，也适合作为传统文本检测算法的入门样例。压缩包共包含13个文件，体积约20MB：其中有4个以m为后缀的MATLAB脚本，分别负责MSER候选区域提取、SWT变换、HOG特征计算以及最终检测流程；1个以mat为后缀的SVM模型文件；7张jpg格式图片，用于输入样例和结果对比；还有1个markdown格式的说明文档。目前已有93人学习下载。从内容预览看，项目目录结构清晰，包含完整流程；需要说明的是，该方案主要针对字体规范的英文文本，对复杂场景的适应能力有限。读者下载后可以快速复现实验，理解每一步算法如何衔接，也可替换测试图进行扩展验证，是一份兼顾教学与实战的入门素材。
1. 从标题认识这条经典文本检测路线：SWT、MSER与SVM各管哪一段
做过自然场景文本检测的工程师，大概率在某个项目里翻过这个文件名：基于SWT和MSER算法的文本检测用到了SVM分类器matlab源码.zip。这套组合是深度学习普及之前，场景文本检测里最经典的工程化方案之一。它的核心思路并不复杂：用MSER把图像里可能含文字的候选区域全部捞出来，用SWT计算笔画宽度分布来过滤掉明显不像文字的区域，最后把剩下的候选区域用SVM按特征向量做二分类，判断到底是不是文本。对于需要立刻在MATLAB里跑通一个可解释、可调参的文本检测流程的从业者来说，这套方法至今仍然有价值，尤其是在样本少、算力受限、要求流程白盒化的场合。
标题里三个算法各管一段，任何人拿到这套源码，第一步不是急着运行，而是先弄清楚MSER负责召回候选、SWT负责基于笔画宽度的一致性过滤、SVM负责在高维特征上做最终判定。能把这个分工讲清楚，后面调参数才有方向。这篇笔记就按"原理分工 → 样本特征 → MATLAB实现 → 避坑 → 调优验收"的顺序，把这套流程彻底拆开。
2. 算法分工与选型理由：为什么是SWT+MSER而不是纯深度学习
2.1 SWT：笔画宽度变换在检测里的真正作用
SWT（Stroke Width Transform，笔画宽度变换）的核心假设非常朴素：自然场景里的文字，其笔画宽度在一个字符内部是基本一致的；而树枝、栏杆、砖缝这些干扰物，它们的"笔画宽度"分布是杂乱的。SWT做的就是逐像素计算每个像素属于哪一段笔画，并把这段笔画的宽度值赋给该像素，最终生成一张与原始图像等尺寸的笔画宽度图。
具体做法是先对灰度图做Canny边缘检测，拿到边缘像素和对应的梯度方向。对每一个边缘像素p，沿着梯度方向发射射线，直到碰到另一个边缘像素q才算命中。如果q处的梯度方向与p处近似相反（即两侧边缘是平行的），那么p到q路径上所有像素都被赋予这个距离值，这个距离就是局部笔画宽度。路径上每个像素最终会收到多个候选宽度，实现时取最小值，再对每个连通区域取中值来抵抗噪声。
在检测流程里SWT的定位是过滤器，不是检测器。它不负责告诉你哪里有文字，而是告诉你某个区域内的笔画宽度分布是不是像文字。文本区域的笔画宽度方差很小，而背景纹理区域方差很大。因此常见做法是提取候选区域后，计算区域内SWT像素的均值、方差、中值，用这几个统计量把不符合文字特征的区域直接扔掉。这个过滤操作计算量小，能砍掉大量MSER误检，让后续SVM分类器的负担大大减轻。
2.2 MSER：候选区域召回的主力，也是误检的源头
MSER（Maximally Stable Extremal Regions，最大稳定极值区域）是一种基于分水岭思想的区域检测算法。它通过对图像进行一系列从暗到亮的阈值二值化，记录每个连通区域在不同阈值下的面积变化率，把那些在很大阈值范围内面积几乎不变的区域标记为"最大稳定极值区域"。文字不管在亮背景还是暗背景里，字符内部灰度相对均匀，边缘对比度明显，因此字符区域天然地满足MSER的稳定性条件。
在MATLAB里不需要自己实现遍历阈值的过程，直接调用detectMSERFeatures就能拿回候选区域列表。但这带来一个关键问题：MSER的召回范围太宽了，树上晒的轮胎、墙上的污渍、栅栏的横杆，只要结构稳定都会成为候选，误检率经常超过70%。这就是为什么标题里SWT必须和MSER搭配使用——MSER负责把所有可能的东西都捞出来，SWT负责把不是文字的稳定区域尽量过滤掉。
2.3 SVM为什么被放进这条流程：分类器的边界与取舍
到这里流程已经走了两步，但SWT过滤后的候选区域仍然包含不少误检，因为某些背景纹理的笔画宽度也可能均匀。这时就需要分类器来做最终决定。SVM在少量样本、高维特征、二分类场景下的表现非常稳，而且训练和推理在CPU上跑完全没问题。对MATLAB用户来说，fitcsvm函数开箱即用，参数解释清晰，结果可复现，这比当时需要搭环境、调GPU的深度学习方案务实得多。
SVM在这个流程里负责的是"判定"而不是"检测"。它看到的输入不是原始像素，而是每个候选区域的特征向量，比如宽高比、面积、笔画宽度均值与方差、占空比、凸包面积比等。这里有个容易理解错的地方：SVM的分类精度上限取决于特征设计得好不好，而不是SVM本身调得有多玄。特征能区分文字和背景，SVM才有发挥空间；特征本身区分度不够，换什么核函数都救不回来。
用表格概括这条流程的分工：
| 阶段 | 算法 | 输入 | 输出 | 职责 |
|---|---|---|---|---|
| 候选召回 | MSER | 灰度图 | 连通区域集合 | 宁可多检，不可漏检 |
| 过滤 | SWT | 候选区域 | 文本疑似区域 | 基于笔画宽度一致性砍掉明显误检 |
| 判定 | SVM | 特征向量 | 文本/非文本标签 | 在高维特征上做最终二分类 |
3. 训练SVM分类器：样本准备与特征设计
3.1 正负样本怎么来：标注与半自动挖掘
训练SVM的第一步是准备正负样本。正样本是真实的文本区域，负样本是MSER检出来但实际不是文字的区域。手动逐张截取正样本的效率太低，我一般会采用"半自动挖掘"的流程：先用MSER+SWT跑一批真实场景图片，把检出的候选区域全部保存成图像块，然后写一个简单的标注脚本，人工只标记是/否，正负样本就有了。这个流程的核心优势在于负样本来自MSER的实际误检分布，而不是随便从图像里裁剪的背景块，SVM学到的边界更贴近真实场景。
样本量不需要很大，每类三千到五千个候选块通常就够。但这有一个前提：样本要覆盖足够多的场景。如果把所有训练图都来自干净的室内文档，模型到了户外标牌上就会明显退化。某公司做车牌识别辅助模块时，一开始只用了白天图片训练，实际跑夜间的样本时误检率直接翻倍，后来补充了不同光照、不同拍摄角度的样本才压下来。数据分布代表不了目标场景时，SVM的泛化能力并没有网上传的那么神奇。
3.2 特征向量怎么设计：从几何特征到笔画宽度统计
特征向量是这套方案里最值得花时间的部分。我常用的特征组合大致分四类：几何特征包含候选区域的宽高比、面积、周长；形状特征包含占空比（区域面积占外接矩形面积的比例）、凸包面积比、欧拉数；SWT统计特征包含笔画宽度均值、标准差、中值；灰度特征包含区域内灰度均值与标准差。其中宽高比是最直接的抗干扰特征，因为大多数文字块都不是极端细长或接近正方的形状。
还有一个容易被忽略的特征：区域内部SWT像素比例。文字区域内部绝大多数像素都会被SWT赋值，而边缘噪声区域往往只有边界部分有合法的笔画宽度值。把"SWT有效像素占区域总像素的比例"作为特征加入向量，过滤效果非常明显。特征设计完成后，记得做标准化处理，因为宽高比的量纲是像素级，而面积达到了几千像素，如果不做标准化，SVM的RBF核会天然忽略小数值特征。
% 计算候选区域特征向量，供SVM训练/预测使用 function feat = extractFeaturesFromRegion(region, swtMap, grayImg) % 区域边界框 bbox = region.BoundingBox; % [x, y, w, h] % 区域像素索引 pixIdx = region.PixelIdxList; % 几何特征 area = length(pixIdx); aspectRatio = bbox(3) / max(bbox(4), 1); perimeter = region.Perimeter; % SWT统计特征：先取区域内的SWT像素值 swtValues = swtMap(pixIdx); swtValid = swtValues(swtValues > 0); % 过滤掉未赋值的背景 swtMean = mean(swtValid); swtStd = std(swtValid); % 占空比：区域面积占外接矩形面积的比值 solidity = area / (bbox(3) * bbox(4)); % 灰度特征 grayValues = grayImg(pixIdx); grayMean = mean(grayValues); grayStd = std(grayValues); % 拼接为一维行向量 feat = [aspectRatio, area, perimeter, swtMean, swtStd, solidity, grayMean, grayStd]; end代码里的region来自MSER检测返回的mserRegions对象，它自带PixelIdxList属性，可以直接索引图像像素，比先取掩模再找连通域快得多。swtMap是SWT变换后得到的笔画宽度图，为了保留原始语义，我把没有命中的像素置为0，特征提取时统一排除。注意纵横比的计算用的是宽除以高，如果检测到的是竖排文字，这个值会很小，因此训练数据里最好同时包含横排和竖排样本，否则SVM会给这类特征学习到错误的边界。
3.3 用MATLAB训练SVM：fitcsvm与交叉验证
MATLAB的fitcsvm是统计和机器学习工具箱里的标准接口，直接传特征矩阵和标签向量就能完成训练。核函数我优先选RBF核，因为它能处理特征和目标之间是非线性关系的情况。线性核作为对照也值得跑一次，如果线性核的结果已经足够好，说明特征本身可分性很强，没有必须上非线性核。RBF核需要重点关注两个参数：惩罚系数BoxConstraint和核尺度KernelScale，前者控制分类错误和间隔的权衡，后者控制RBF核的作用半径。
首次训练时不要手动一个个调参，直接上网格搜索配合交叉验证。把训练集分成5折，每个参数组合跑一遍，取平均准确率。这一步计算量不大，因为样本量和特征维度都不高，普通台式机几分钟就能出结果。交叉验证还有另一个价值：能直观看到特征设计是否合理。如果所有参数组合下准确率都不到85%，先回头补特征或补样本，而不是继续细化参数网格。
% 训练集特征矩阵和标签（1为正样本，0为负样本） % features: N x 8 矩阵，每个候选区域一行 % labels: N x 1 列向量，0/1二分类标签 % 标准化特征，避免量纲差异 [featuresNorm, mu, sigma] = zscore(features); % 网格搜索 RBF 核参数 boxConstraint = [0.1, 1, 10]; kernelScale = [0.5, 1, 2, 5]; bestAcc = 0; for bc = boxConstraint for ks = kernelScale % 创建SVM模板并做5折交叉验证 t = templateSVM('KernelFunction', 'rbf', ... 'BoxConstraint', bc, 'KernelScale', ks, ... 'Standardize', false); % 已手动标准化，避免重复处理 cvModel = fitcecoc(featuresNorm, labels, ... 'Learners', t, 'CrossVal', 'on', 'KFold', 5); acc = 1 - kfoldLoss(cvModel); if acc > bestAcc bestAcc = acc; bestModel = cvModel.Trained{1}; bestParams = [bc, ks]; end end end % 用全部训练集重训最终模型 finalModel = fitcecoc(featuresNorm, labels, ... 'Learners', templateSVM('KernelFunction', 'rbf', ... 'BoxConstraint', bestParams(1), 'KernelScale', bestParams(2)), ... 'Standardize', false);代码里有个细节值得说明：先用zscore手动做标准化，再在templateSVM里设置Standardize为false，这么做是防止fitcsvc内部再标准一次，两次标准化并不会等价钱性错误，但会让mu和sigma的语义混乱。在实际项目中，后续预测新候选区域时也要用训练时的mu和sigma做同一步标准化，这步漏掉的话，模型的判定结果大概率是错的。交叉验证选的参数组合只是全局较优，不是对某个测试集过拟合的最优，这一点在参数说明里必须讲清楚。
4. 在MATLAB里跑通完整检测流程：从图像到文本框
4.1 MSER候选区域提取与参数初设
接下来把整条检测流程在MATLAB里串起来。第一步是读入图像并转灰度，然后调用detectMSERFeatures提取候选区域。这个函数有多个参数，其中对结果影响最大的是RegionAreaRange、ThresholdDelta和MaxAreaVariation。
RegionAreaRange指定候选区域的面积范围，单位是像素。场景文本的大小差异很大，我把下界设在20左右以保留小字号，上界根据图像分辨率调整，常见取值是图像总像素数的百分之一左右。ThresholdDelta是灰度阈值的变化步长，取值越大，能捕获的灰度变化越剧烈，区域稳定性要求越高，副作用是可能漏掉低对比度的字符。MaxAreaVariation控制区域面积变化率，默认0.25，调小会让MSER更挑剔，候选区域更少，但漏检风险增加。
% 读取图像并灰度化 img = imread('scene.jpg'); grayImg = im2gray(img); % MSER候选区域检测 [mserRegions, mserConnComp] = detectMSERFeatures(grayImg, ... 'RegionAreaRange', [20 10000], ... 'ThresholdDelta', 4, ... 'MaxAreaVariation', 0.2, ... 'MaxNumRegions', 8000);这里要特别注意mserConnComp这个输出参数，很多初学者只用第一个输出mserRegions，忽略了连通域信息。mserConnComp的PixelIdxList属性直接给出了每个MSER区域的像素索引列表，后面做SWT统计时不需要额外转换。MaxNumRegions的作用是防止MSER在纹理丰富的图像上产生上万个区域，导致后续SVM特征提取耗时爆炸。设成8000是个稳妥的值，场景越复杂，这个值的合理性越需要验证。
4.2 SWT计算与文本候选过滤
SWT在MATLAB里没有内置函数，需要自己实现或者复用开源实现。核心流程是：先对灰度图做Canny边缘检测，再计算每个边缘像素的梯度方向，沿梯度方向做射线投射。完整实现比较长，这里给出一个能跑的简化版本，重点在讲清楚计算流程和参数含义。
% 简化版SWT实现：对灰度图计算笔画宽度图 % 完整版需要处理多射线命中、方向校验和连通域中值滤波 function swtMap = computeSWT(grayImg) % 参数 rayStep = 1; % 射线步长，单位像素 maxRayLen = 500; % 最大射线长度 similarAngle = pi / 3; % 边缘方向夹角阈值 % Canny边缘检测和梯度计算 edges = edge(grayImg, 'canny', [0.1 0.2]); [gx, gy] = gradient(double(grayImg)); % 初始化笔画宽度图 [h, w] = size(grayImg); swtMap = zeros(h, w); % 提取边缘像素坐标 [edgeRows, edgeCols] = find(edges); edgeCount = length(edgeRows); % 遍历每个边缘像素 for idx = 1:edgeCount r = edgeRows(idx); c = edgeCols(idx); % 梯度方向归一化 gradNorm = norm([gx(r, c), gy(r, c)]); if gradNorm < 1e-6 continue; end dirX = gx(r, c) / gradNorm; dirY = gy(r, c) / gradNorm; % 沿梯度方向搜索 currX = c + dirX * rayStep; currY = r + dirY * rayStep; stepCount = 1; while stepCount < maxRayLen % 超出图像边界则终止 roundX = round(currX); roundY = round(currY); if roundX < 1 || roundX > w || roundY < 1 || roundY > h break; end % 碰到另一个边缘像素 if edges(roundY, roundX) % 校验对方梯度方向是否与当前方向近似相反 oppGradNorm = norm([gx(roundY, roundX), gy(roundY, roundX)]); if oppGradNorm > 1e-6 oppDirX = gx(roundY, roundX) / oppGradNorm; oppDirY = gy(roundY, roundX) / oppGradNorm; dotProd = dirX * oppDirX + dirY * oppDirY; % 判断两条边缘是否近似平行 if dotProd < -0.5 strokeW = sqrt((currX - c)^2 + (currY - r)^2); % 把路径上所有像素设为笔画宽度 linePixels = int32(linspace(c, currX, stepCount)); lineRows = int32(linspace(r, currY, stepCount)); for k = 1:stepCount swtMap(lineRows(k), linePixels(k)) = strokeW; end break; end end end % 沿着梯度方向继续走 currX = currX + dirX * rayStep; currY = currY + dirY * rayStep; stepCount = stepCount + 1; end end end这段简化代码能跑通，但性能不是最优，因为逐像素循环在MATLAB里比较慢。实际项目里我会对边缘像素做矢量化批量处理，或者用MEX重写内层循环来提速。参数上最重要的是similarAngle对应的dotProd阈值，这里取-0.5意味着两条边缘的梯度方向夹角在120度以上才认为是平行边缘。调小这个阈值能增加笔画宽度命中数量，但同时会引入错误的宽度赋值，对文本区域影响不大，对背景纹理区域影响很明显。
拿到swtMap之后，就可以结合MSER候选区域做过滤。对每个候选区域，计算其SWT有效像素比例和宽度标准差，如果标准差过大或有效比例过低，直接剔除。这一步通常能删掉一半以上的误检区域。
% 用SWT统计量过滤MSER候选区域 keepIdx = false(length(mserRegions), 1); for i = 1:length(mserRegions) pixIdx = mserConnComp.PixelIdxList{i}; swtVals = swtMap(pixIdx); validVals = swtVals(swtVals > 0); if length(validVals) < 10 continue; % 区域内SWT有效像素太少，放弃 end swtStd = std(validVals); swtMean = mean(validVals); validRatio = length(validVals) / length(pixIdx); % 文本区域宽度一致性要求标准差小，有效占比高 if swtStd / swtMean < 0.6 && validRatio > 0.3 keepIdx(i) = true; end end filteredRegions = mserRegions(keepIdx); filteredConnComp = mserConnComp(keepIdx);过滤阈值的设置要结合训练集范围来定。我这里使用swtStd与swtMean的比值而非绝对标准差，是为了对不同尺寸的文字保持尺度不变。如果用绝对标准差，大字号文字的笔画宽度天生就大，标准差也会大，容易被误删。validRatio下界0.3意味着区域内至少有30%的像素被SWT赋予了有效值，这个值来自对多场景文本区域的经验统计，换数据集时需要重新验证。
4.3 SVM分类与文本框合并
过滤后的候选区域送进训练好的SVM模型做逐区域分类。这一步同样需要先用训练时的mu和sigma做标准化，再调用predict函数。分类输出除了标签之外，还有后验概率，实际工程中我通常把概率阈值设在0.5到0.7之间的某个点，通过调整这个阈值可以在召回率和精确率之间做权衡。
% 提取过滤后区域的特征矩阵 featMat = zeros(length(filteredRegions), 8); for i = 1:length(filteredRegions) featMat(i, :) = extractFeaturesFromRegion(... filteredRegions(i), swtMap, grayImg); end % 用训练集的标准化参数处理新特征 featNorm = (featMat - mu) ./ sigma; % SVM预测，得到标签和后验概率 [label, score] = predict(finalModel, featNorm); % score是N x 2矩阵，第二列为正类（文本）的概率 textProb = score(:, 2); % 保留概率大于阈值的候选区域 keepMask = textProb > 0.6; textRegions = filteredRegions(keepMask);最后一步是文本框合并。字符级候选区域需要被合成单词级或行级文本框，否则输出的是零散的字符框，后处理和使用都很困难。常见做法是基于区域的质心位置做水平方向聚类，两个相邻区域的质心距离小于阈值且垂直方向重叠较多时，合并为同一行。
% 基于质心距离的水平方向合并 centroids = textRegions.Centroid; % N x 2矩阵 [x, y] boxes = textRegions.BoundingBox; mergedBoxes = []; used = false(length(textRegions), 1); for i = 1:length(textRegions) if used(i) continue; end used(i) = true; currentBox = boxes(i, :); changed = true; while changed changed = false; for j = i+1:length(textRegions) if used(j) continue; end % 检查当前框与候选框是否在同一水平带且距离近 verticalOverlap = min(currentBox(4), boxes(j, 4)) / ... max(currentBox(4), boxes(j, 4)); centerDist = abs(centroids(j, 1) - centroids(i, 1)); if verticalOverlap > 0.7 && centerDist < currentBox(3) * 1.5 % 合并边界框 x1 = min(currentBox(1), boxes(j, 1)); y1 = min(currentBox(2), boxes(j, 2)); x2 = max(currentBox(1) + currentBox(3), boxes(j, 1) + boxes(j, 3)); y2 = max(currentBox(2) + currentBox(4), boxes(j, 2) + boxes(j, 4)); currentBox = [x1, y1, x2 - x1, y2 - y1]; used(j) = true; changed = true; end end end mergedBoxes = [mergedBoxes; currentBox]; end合并逻辑里的两个参数值得推敲：verticalOverlap要求两个字符框高度方向重叠超过70%，centerDist限制质心水平距离不超过当前字符框宽度的1.5倍。这两个值适合中英文混排的场景，如果目标场景是文字间距很大的标牌或横幅广告，需要把1.5倍放宽到2倍以上；如果场景是密集小字号说明文字，收紧到1.2倍更合适。合并后的文本框还可以做一次基于长宽比的过滤，排除掉明显不成比例的错误合并框。
5. 避坑：SWT+MSER路线最常见的5个翻车现场
5.1 MSER在低对比度小字上召回率惨淡
现象是图像里的小字号文字在检测结果里大面积缺失，换上高分辨率图之后又能检出来。这通常不是MSER本身失效，而是图像压缩或光照导致字符边缘与背景的灰度差不明显，MSER的稳定性条件无法满足。
原因是ThresholdDelta和MaxAreaVariation设置得过于严格。很多人在默认参数下跑一次，发现误检太多，就直接调小MaxAreaVariation，结果误检少了，召回率也掉下去了。解决思路是先放宽区域稳定性限制，把ThresholdDelta降到2或3，MaxAreaVariation提高到0.3，先把文字捞回来，再靠SWT和SVM过滤误检——召回率应该由MSER负责，过滤应该交给后面的SWT和SVM来管，两者不要互相越权。
5.2 SWT因边缘噪声导致笔画宽度统计失真
现象是过滤后保留的候选区域很零碎，字符区域被拆成多个碎片，有时候只有一笔被保留，其余部分被当成背景丢掉了。原因是简化版SWT的射线投射要求精确命中另一个边缘像素，真实图像中边缘往往因为模糊或压缩出现断层，射线找不到对面的边缘，很多有效像素没有被赋值。
解决方法是放松射线命中条件，允许在射线终点附近一个小邻域内搜索边缘像素，而不是严格等值命中。另一个非常有效的补丁是在SWT计算完成后对swtMap做一次高斯平滑，让宽度值在空间上连续传播。注意平滑核不能过大，否则会把笔画宽度抹平，导致相邻字符的宽度差异无从分辨。
5.3 正负样本不平衡让SVM变成"背景预测器"
现象是模型跑出来的精确率看着还可以，但实际漏检很多，检查预测结果发现几乎所有候选区域都被判成了负样本。原因是训练集里正样本数量远小于负样本，且特征重合度低，SVM为了最小化整体损失，会倾向于把边界附近的样本都分到数量更多的一类。
解决方式有两个层面。数据层面把正负样本比例控制在1:1到1:2之间，如果负样本过多，采用欠采样或聚类后再抽样的方式降量；模型层面在fitcsvm里设置'Cost'参数，把假阴性的代价设成假阳性的2到3倍。实践中我会两个手段配合用，单纯调Cost不解决数据分布偏斜的根本问题，单纯配平样本会丢失负样本的多样性。
5.4 字符粘连导致候选区域误合并
现象是多个字符连成一个整体，输出一个超级大的文本框，SVM把这个区域识别成非文本。原因是MSER在二值化过程中把相邻而灰度相似的字符连通了，这种情况在低分辨率图像和手写体上尤其常见。
解决办法是先对候选区域的构造做形态学处理，用小于字符间隙尺寸的结构元素做开运算，尝试切断细窄的连接点。另一个更稳妥的思路是从不合并开始，先用较小面积的MSER参数把区域切碎，然后在文本框合并阶段用距离阈值将他们拼回去。这样字符级区域不会被粘连问题毁掉，合并逻辑本身带有容错能力。
5.5 模糊图像上梯度方向计算不可靠
现象是在运动模糊或景深浅的图像上，SWT统计特征完全失去区分能力，过滤后的候选区域杂乱无章。原因是Canny边缘检测在模糊图像上检测到的边缘位置不再准确，梯度方向也被抹平，射线投射很难找到方向相反的对侧边缘。
处理方式是在SWT计算之前先对灰度图做一次锐化或者对比度增强，一定程度弥补模糊带来的边缘扩散。如果图像模糊程度严重，这套传统流程的上限很有限，更现实的策略是提前设一个清晰度阈值，判定图像过模糊时直接跳过SWT过滤，靠MSER几何特征+SVM兜底。清晰度阈值可以用拉普拉斯算子的方差来近似估计，方差过小就认定图像模糊。
6. 参数调优与验收技巧：把召回率和精确率一起拉起来
这套流程的参数太多了，MSER有四个参数，SWT有三四个参数，SVM还有核参数和概率阈值，如果一个个盲调，很容易陷入局部最优。我习惯把调参分成三个独立阶段，每阶段只动一组参数，用固定评估集看指标变化。
第一阶段调MSER的召回优先参数，目标是把评估集里的文字尽可能全检出来，哪怕误检堆积如山。第二阶段调SWT过滤阈值和SVM概率阈值，目标是在保持召回率的前提下压低误检。第三阶段做细网格搜索SVM的BoxConstraint和KernelScale。三个阶段之间不要穿插调参，否则参数之间相互干扰，出了问题根本定位不到根源。
指标评估上，建议把检测结果保存成图像叠加框的形式，用脚本统计四个数字：召回率、精确率、F1值、平均IOU。有时候精确率下不去，问题不在分类器，而在文本框合并逻辑把多个散落字符框合并成了错误的四边形区域。这时候打开合并后的可视化逐帧查看，比盯着矩阵里的数字更高效。
有个习惯我保留到现在：使用固定评估集保持版本回归。每次改完一组参数或一段预处理逻辑，跑一遍完整测试集并把指标记录到一个文本文件里。下次调参时先看这组数据，确认没有让之前的场景退化。这套方法救人无数次——有次我调整了MSER的MaxNumRegions上限想加速处理，加速成功了，但夜间场景的召回率悄悄掉了5个点，靠版本日志才定位到问题。
参数调完后别忘了做一次边界检查，用几张训练集里没出现的极端场景测试：强光照、阴影覆盖、镜头畸变、复杂背景。SWT+MSER+SVM这条路线在光线稳定、背景清晰的环境下能到90%以上的准确率，但极端场景会暴露各种问题。某项目在室内广告屏文字检测上F1值做到了0.92，一到户外阳光下书写的涂鸦文字就直接掉到0.6，原因在于涂鸦字体的笔画宽度不一致，SWT的均匀性假设天然不成立——这是算法选择层面的限制，不是调参能解决的。
这套流程的定位是白盒、可解释、低算力约束下的工程化方案。如果你想快速给一个文本检测Demo做原型验证，或者在算力受限的嵌入式设备上跑轻量模型，它依然是不错的起点。而这套源码最值得学习的地方，不在于某个算法有多精妙，而是三种方法组合时"谁负责召回、谁负责过滤、谁负责判定"的分层逻辑。把这个分层逻辑吃透，你以后设计其他检测流程也会受益。希望这篇笔记能帮你顺利跑通这套MATLAB源码，少踩几个我当年踩过的坑。
本文还有配套的精品资源，点击获取
