自然场景OCR（YOLOv3+CTPN+CRNN）,附带整个项目代码，详细代码注释挺不错的一个资源，亲测可用，如果需要的话，就赶紧来下载吧!!

自然场景 文本行定位 pixel-link PixelLink放弃了边框回归的思想，采用实例分割的方法，分割出文本行区域，然后直接找对应文本行的外接矩形框．

mser场景文字块检测，优化后的tesseract识别引擎对单行进行识别

dct变换matlab代码介绍 此存储库包含以下技术报告的源代码： @inproceedings{NBIQA2019, author = {Fu-Zhao {Ou} and Yuan-Gen {Wang} and Guopu {Zhu}}, title = {A Novel Blind Image Quality Assessment Method Based on Refined Natural Scene Statistics}, booktitle = {2019 IEEE International Conference on Image Processing (ICIP)}, pages = {1004-1008}, year = {2019}, } 摘要：自然场景统计（NSS）模型由于其对图像失真的高度敏感性而在图像质量评估（IQA）社区中受到了相当大的关注。 然而，大多数现有的基于 NSS 的 IQA 方法从空间域或变换域提取特征。 同时考虑这两个领域的特征的工作很少。 在本文中，提出了一种基于精化 NSS 的新型盲 IQA 方法（NBIQA）。 提议的 NBIQA 首先

OpenCV自然场景文本检测（附Python代码）-附件资源

图像滤波;边缘检测;二值化处理;区域标记

针对新冠肺炎防控期间肉眼识别判断行人是否佩戴口罩效率低且存在较大风险的问题, 提出一种改进检测目标边框损失的自然场景下行人是否佩戴口罩的检测算法. 该算法对YOLOv3损失函数进行改进, 应用GIoU计算目标边界框损失, 完成自然场景下行人是否佩戴口罩的检测. 算法在开源的WIDER FACE数据集和MAFA数据集上训练, 采集自然场景图片进行测试, 行人是否佩戴口罩的mAP (mean Average Precision)达到了88.4%, 取得了较高的检测准确率, 在自然场景视频检测中平均每秒传输帧数达到38.69, 满足实时检测的要求.

本文工作基于faster RCNN , 区别在于 1.改进了rpn，anchor产生的window的宽度固定为3。 2.rpn后面不是直接接全连接+分类/回归，而是再通过一个LSTM，再接全连接层。 3.坐标仅仅回归一个y，而不是x1, y1, x2, y2 4.添加 side-refinement offsets（可能这个就是4个回归值中的其中2个）

EAST: An Efficient and Accurate Scene Text Detector 自然场景下的文字识别算法 预训练文件 part2

Unity 超好看的！精品四季蔚蓝自然场景模型 ，让我们离二次元开发更近一步！ 模型展示可以参考我的资源演示文章查看效果！