该代码是实现MSER特征提取的算法，用到opencv

使用OpenCV中的feature2D模块实现mser（最大稳定极值区域）检测与绘制

自然场景图像中的文本检测和识别是计算机视觉问题，长期以来一直是计算机工程师面临的挑战。 深度学习的新进步彻底改变了计算机视觉的世界。 本文尝试建立基于深度学习（DL）的文本检测和识别模型，以解释自然场景图像中的文本。 所提出的模型包括三个阶段，即候选文本区域检测，文本区域提取和文本识别。 首先将自然场景图像馈送到候选文本区域检测机制，该机制提取包含文本字符的潜在区域。 在处理的第一阶段中引入的包含非文本的区域在第二阶段中进行过滤。 然后，第二阶段产生的文本区域集将在最后阶段被识别。 候选文本区域检测中使用了最大稳定极值区域（MSER）算法。 该模型使用了两个卷积神经网络，一个在文本区域提取阶段，另一个在文本识别阶段。 看起来自然场景中的文本检测不是一个容易的问题。 在自然场景图像中检测和识别文本字符的复杂性主要是由于文本字符和自然场景的多样性，各种干扰的存在，不同的照明条件，文本的颜色，大小和区域的不同。 ICDAR-2011，ICDAR-2013，CHARS-74K和CIFAR-100数据集用于训练和验证我们的模型。

通过MSER等方法场景图像中的文字定位，并对定位出的文字进行分割

基于MSER的高速公路交通标志提取仿真，matlab2021a测试。

基于MSER的车牌提取和字符分割和车牌识别仿真，matlab2021a测试。

环境是opencv2.4.9，将已有的一些提取方式进行了总结，对一些参数也进行了标注，部分算法的参数含义并未标注，但将其默认参数和默认值进行了标注，共11种提取方式，未使用simpleblob.

mser文字matlab代码球衣号码识别 使用MSER检测和识别球衣号码。 。 当前代码不使用skimage.measure.regionprops

本程序的编写环境为VS2017和win10，是用最大值稳定区域匹配MSER提取方法来进行编写的，通过MSER+和MSER-来提取目标图像的

Github上下载的一个算法源码, VS建了一个测试工程。这个算法具有较好时间效率比较高。