イメージ内のテキストの検出と認識は、コンピューター ビジョン アプリケーションで実行される一般的なタスクです。たとえば、走行中の車両から路上シーンのビデオをキャプチャし、キャプチャしたシーンの標識を認識して、ドライバーに標識について知らせることができます。ツールボックスは、複数の言語でテキストの検出と認識を行う機能を提供します。

テキスト認識の最初のステップは、イメージ内のテキスト領域を検出してセグメント化することです。テキスト領域を検出するには、局所的なイメージ特徴検出器と記述子、または複雑なイメージ シーン内のテキストを検出するように学習させた事前学習済みの深層学習モデルを使用します。ツールボックス内の例では、ブロブ解析、maximally stable extremal regions (MSER) 特徴検出器、および character region awareness for text detection (CRAFT) 深層学習モデルを使用してテキストを検出する方法を示しています。

テキスト検出の精度を向上させるための前処理または後処理のステップとして、テキストのセグメンテーションを実行できます。イメージ領域からテキストをセグメント化するには、イメージのしきい値処理やクラスタリングなどのイメージ セグメンテーション手法を使用します。イメージ セグメンテーション用の MATLAB^® 関数の詳細については、イメージのセグメンテーションを参照してください。または、色のしきい値アプリとイメージの領域分割アプリを使用して、イメージ内の目的のテキスト領域を対話的にセグメント化することもできます。

次のステップは、機械学習 (ML) ベースの分類や光学式文字認識 (OCR) 法を使用して、検出された領域やセグメント化された領域のテキストを認識することです。関数 ocr は、OCR エンジンのページ Tesseract オープン ソース OCR エンジンからの OCR 言語データ サポート ファイルを使用します。サポート ファイルには、複数の言語で文字を認識するよう事前学習済みの言語データ ファイルが含まれています。追加の言語ファイルは、関数 visionSupportPackages またはアドオン エクスプローラーを使用してダウンロードできます。アドオンのダウンロードの詳細は、アドオンの取得と管理を参照してください。Tesseract オープン ソース OCR エンジンから OCR 言語データ サポート ファイルをインストールして使用する方法については、OCR 言語データ ファイルのインストールを参照してください。