文本的定义

首先，文本在一般情况下就是文字，或我们所谓的Text，它的功能就是：

1. 沟通（从以前墨汁版本的书信交流，到现在电子版本的SMS，LINE，Facebook Message等）
2. 记录（从古代诗歌的留传、记载历史的史书、传教的经文、实验与理论的发表，到现在的电子时代衍生物如电子书籍、Blog的文章分享、论坛留言、电子版的策划书、交易记录、年报、招股书，甚至网上订购的戏票、飞机票，Invoice，Receipt等）

文本的历史与变化这里就不一一叙述了。反正最后演变出来的文本有千千万万种，较常用的就有：

• 拉丁字母（Latin），也就是我们常用的ABCD...
• 西里尔字母（Cyrillic），类似ABCD，常出现在俄文，就是那些倒反的L，倒反的N，头上有多几个点的E等等。
• 阿拉伯字母（Arab），就是回教可兰经里面出现的文字。
• 汉字，就是象形文字如中文、日文、韩文等。

文本是由人类本身创造出来，本身就会附带一些含义。当在某个地方、某个场所出现文本时（先不管我们是否看得懂那是什么字），那个文本肯定是人为添加上去的，并且肯定是要把某些信息带给阅读的人。比如当你去到一个高压电场，你可能会看到以下的东西：

Signboard 1

Signboard 2

Signboard 3

懂得英文的人，基本上一看就知道那些Signboard要表达的意义：危险！高电压！
不过如果不懂的英文的人呢？他们看得懂吗？

仔细一看，其实除了英文拉丁字之外，

Signboard 1还有一个骷髅的图案。

Signboard 2则有一条家伙被一团电攻击图案。

Signboard 3有一条闪电的图案。

如果你稍微有一点点生活常识，应该都知道那些图案代表着什么吧！

那么，那些图案可不可以说他们是“文本”呢？会不会刚好有哪一个原住民，他们使用的文字也是象形文字，不过还没有进化到我们这种地步，也许他们所谓的“危险”二字就长的很像骷髅的图案呢？

就拿中国古代的象形文字来说吧，举个小小的例子：

日、月、耳、雨的变化史

就说很久很久以前，在文字系统还是未知数的时候，如果你要记录一个事情，比如说昨天是放晴还是下雨，没有文字，你写不了，怎么办？画出来吧！如果昨天放晴，就画个太阳意思意思一下，“昨天”这个词还真不容易画，就省略掉吧，反正跟别人说，你看到我画“太阳”，就代表昨天放晴；你看到我画乌云和雨滴，就代表昨天下雨，就这么简单。（至于早上下雨晚上放晴等等那种烦人的组合，算了吧，古代的人谁计较那么多？）

那么在若干年后，考古学家无意间发现了这个壁画，什么又太阳又乌云的，你多多少少猜得到画这个壁画的人是在记录天气吧。那么问题来了，这些“太阳”、“乌云”能不能归纳为文字的一种呢？他们算不算是一种文本呢？

在回答这个问题之前，我们不妨再看看一个现代的例子吧。

相信会用电脑的人都知道和用过Microsoft Word吧，如果你有留意的话，Microsoft Word其实有很多很好看的Font。有玩过那些Font的人应该知道，其中几种Font，其实不是字，而是图案来的，就比如Webdings这个Font。

左：不同的Font，右：Webdings Font

从上面的图我们可以看到，其实“M”是一座“小山”；“N”是一个“眼睛”；“O”是一个“耳朵”，虽然不知道他们如何定义这些关系，不过如果一张纸上画着“小山”、“耳朵”、“耳朵”、“眼睛”，你会联想到他其实是在写“MOON”这个词吗？当然这又回归到你懂不懂这种文字，就像不会中文的人看中文字一样，其实对他们来说，就和我们看Webdings Font的字一样，看不懂，不过那些字却实际上带有他本身的涵义与信息。那么，“小山”、“耳朵”、“耳朵”、“眼睛”，是不是文字，该不该归类为文本呢？

基于一些图像文本提取（Image Text Extraction）的研究，如果你不定义什么是“文本”，那么图像里的任何东西，任何图案，任何纹路都可以是“文本”，就比如以下的红包封图像，你可以说出图像里那些东西是文本吗？

红包封

首先，左右红包的下方有发行公司的名字“广东省福利彩票发行中心”和网址“http://www.gdic.org.cn”，这些都是文本，没有问题。左边红包的上方“HAPPY NEW YEAR”，还有“年年如意 天天好运”；右边红包的上方“如意吉祥”也都是文本，这也应该没有什么疑问。不过，两个红包中间那个大大的“福”字是不是文本呢？右边的还好一点，左边的分明就是一个吊饰和一条龙，他们也许刚好长得像一个字而已，但他们真的是一个字吗？不管你认为是字或不是字，那么我再问你，右边红包右上角的莲花，他是字吗？右边红包大福字的右下方的小格子，他是字吗？如果你认为不是字的话，那你凭什么认为他们都不是字？你难道不给我发明一个新的文字系统，“A”就长得像那堆莲花？

哇，这么说，不是不管什么东西都可以是一个字了！？

当然，我们要制定一个文本的定义，不然真的什么东西都可以当成是一个字来看待。而文本的定义则会随着自己研究的方向而定夺，并不是适用于每一种研究。

目前我的研究是如何从视频与图像中提取文本（Text Extraction from Video and Image）。而我自己也对文本提出了以下的定义：

1. 文本是可以被机器创建和再创建。（Text is created and can be re-created by machine）
2. 我们假设在同一的区域内，文本只能有固定的格式。（Text will always have the same format in the same interest area）

第一个定义，机器多数是指电脑，电脑运用ASCII Code，Unicode等创建出来的字就属于文本。那些字必须有在ASCII Code的List或Unicode的List里面。那些字只是Plain Text，若再加以格式如大小、颜色、字形家族等等，那么他就变成Rich Text，只要那部电脑持续拥有那些格式的定义，那么那些文字就可以无限被创造出来，并且在有这样条件之下，他才被承认为“文本”。

基于第一定义，如果任何手写的字出现在图像里，他不被承认为文本，因为我们机器（电脑）没有如此唯一（Unique）的格式定义，所以那些文字是无法被再创建，也就不符合文本的定义。所以，右边红包封的“福”字，甚至他左上的“如意吉祥”字其实也不被承认是文本。

第二定义是指在同一区域内，我们不可能有不同格式的文本。也就是说，假设有一行字“MOON”，基于他们是同一格式，所以第一个“O”和第二个“O”将会是完全一模一样的字。如果两个“O”是不一样的，那么他们应该是两个文本，而不是一个。这一个定义其实对寻找文本位置的算法没有多大的影响，不过却能更有效的分辨不同涵义的文字。这些在之后的例子里将会一一重现出来。