从古至今,文字是人类记录各种信息的核心载体,也是人与人交流的主要媒介,在如今的人工智能时代,为了有效发挥计算设备在信息录入、拍照翻译以及资料检索等辅助任务上的优势,对光学字符识别（Optical Character Recognition,OCR）技术的研究一直备受关注。通常地,对文本图像进行二值化（Document Image Binarization,DIB）是识别文本的预处理步骤,然而,由于非均匀光照、反射光以及伪影等自然场景下常见问题的干扰,导致现有DIB算法的二值化结果不够理想,严重影响后续文字检测与识别的性能。本文针对手机摄像头所获取的非均匀光照文本图像（校友墙）进行二值化处理,通过对现有DIB算法的复现发现,其结果存在明显的噪声点、文字背景与前景相互混淆以及亮暗文字同时出现时结果混乱等问题。因此,本文提出了一种基于边缘引导聚类的二值化方法,在有效降噪同时保证了文字完整性。此外,课题中进一步利用百度Paddle OCR识别上述校友墙,墙中的文本以中文姓名为主,同时包含年级和专业等标注内容,由于该工具不能精确定位和区分姓名与其它文字,导致识别结果出现文字混淆,为此,本文提出了一种反馈优化和文字区域优化策略,能够进一步提升Paddle OCR在姓名识别上的准确率。本文的主要工作与创新点如下:1.对非均匀光照条件下的文本图像进行二值化。我们将文本图像划分为等大小的小区域,通过边缘检测算法计算边缘图,以边缘点最多的原则选取初始二值化区域。在二值化过程中,以初始区域为中心,提出逐步将小区域划分为包含文字的区域或者背景的算法,利用K-means聚类算法对文本区域的像素点进行分类和标注。为了提高二值化速度,我们借助包含文字的区域中已知的两个聚类中心,来初始化当前区域的K-means聚类器。针对较暗和较亮文本同时出现的情况,我们提出标签翻转算法对误标注的文字背景像素点进行纠正,将二值化结果转换为白纸黑字的样式。对从DIBCO数据集中的挑选的九张非均匀光照图片进行实验,我们提出的算法在没有进行后续优化处理的情况下,各项指标在六个具有代表性的算法中综合排名第三。在实景拍摄的非均匀光照图片中,从直观角度看,二值化效果明显优于其他六种方法,且文字的完整性较高。2.提出文字检测区域优化算法,提升实景拍摄的校友墙图片中名字识别的准确率。我们分割出误检测区域,计算其边缘图,根据文字区域大小,提出自适应卷积核Ks计算方法,经膨胀操作将文字左右相连,提出名字分割算法分割图片中的文字区域。单个文字的区域进行匹配连接,最终得到基于区域优化算法的文字识别流程。在我们拍摄的自然场景下的文本视频中,每隔40帧选取一张图片,对比使用区域优化算法前后的文字区域检测和文字识别效果,结果证明效果有明显的提升。