自然场景下的文本检测是自然场景图像信息提取的基础,在车牌识别、实时翻译、图像检索等领域具有广泛的应用价值及研究意义。基于连通区域的方法是自然场景文本检测中最为常见的方法,其中最大稳定极值区域(Maximally Stable Extremal Regions,MSER)算法和颜色聚类算法都有着广泛的应用。针对传统MSER算法及传统颜色聚类算法的局限性,本文提出基于图像增强MSER与改进颜色聚类的自然场景文本检测算法,主要内容如下:(1)图像预处理。自然场景图像来源于真实的生活场景,图像的质量参差不齐,图中存在着大量的噪声,对原始图像进行双边滤波,并对彩色图像进行尺度缩放及灰度化处理。为了提升MSER算法在提取初始文本区域时的效果,提出基于暗通道先验理论与光照平均化的图像对比度增强方法。(2)候选区域提取。采用MSER算法提取初始文本区域,考虑到具有相似颜色的背景像素对颜色聚类存在较大的干扰,使用笔画宽度变换(Stroke Width Transform,SWT)与角度特征在初始文本区域中筛选出稳定文本像素;为了解决K-means聚类算法需要人工设置初始K值的问题,提出一种两级分组策略对稳定文本像素进行像素分组、确定初始颜色中心,并通过多尺度的颜色聚类获取候选字符区域。相比于传统的颜色聚类算法,所提算法取得的文本覆盖率更高。(3)非文本滤除。在提取出的候选区域中含有大量的非文本区域,通过提取候选区域的几何、笔画、角点及纹理特征并结合支持向量机进行字符区域验证,并针对Harris角点检测会产生误检点的问题,提出改进方案。另外,为提升字符检测的召回率,减少文本被错误分类的现象,提出一种基于文本位置关系的误分类召回策略。(4)文本行聚合与验证。由于多尺度的颜色聚类会导致颜色变化稳定的区域重复出现,针对这一问题,采用候选区域的外接矩形位置及颜色变化率进行区域滤重。另外,相对于单个字符,具有语义信息的词语更能体现图像所表达的意义,通过同一文本行中字符的相似性对候选字符区域进行文本行聚合,并使用垂直轮廓统计的方式将文本行分割成词,从而实现文本检测的目标。本文算法在ICDAR2013公共数据集上进行了性能评估,实验结果表明所提算法对自然场景图像中不同条件的文本均能获得较好的检测结果。算法的召回率与准确率分别为73.2%与82.3%,与其他文本检测算法相比,所提算法获得了较好的检测性能。