با افزایش تعداد دوربین ها و پردازش تصویر داخلی، استخراج متن از تصاویر صحنه طبیعی به عنوان مساله کلیدی در آمده است.مساله تشخیص متن در تصاویر صحنه های طبیعی به دلیل نامعین بودن اندازه، رنگ، پسزمینه و همترازی کاراکترها چالشبرانگیز است. بسیاری ازروشهای موجود در ابتدا نواحی متن را مکانیابی می کنند. سپس آنها به بسته های تشخیص کاراکترنوریبرای شناسایی داده میشود که در تصاویر با پس زمینه های پیچیده عملکرد خوبی ندارد. ویژگی ها و روابط مبتنی بر کاراکترمانند رنگ، لبه، استروک و زمینه در استخراج متن تصاویر صحنه طبیعی نقش دارند، ولی هیچ ویژگی یا رابطه به تنهایی برایانجام این کار کافی نیست. در مقاله های مروری راهکار نوینی برای ترکیب ویژگی ها و روابط در چارچوب میدان های شرطیتصادفی ارائه شده است. بر خلاف بسیاری از روشهای موجود که تنها از ویژگی های کاراکتر استفاده می کنند، مقاله های مرورشده از ترکیب ویژگی کاراکتر و ویژگی های شکاف استفاده می کند. همچنین یکی از روشها برای استخراج و شناسایی متن درتصاویر مرکب، استفاده ازخوشه بندی رنگ را پیشنهاد کرده است که به تقسیم تصاویر به لایه های چندگانه براساس کلاس رنگاصلی می پردازد و دارای عملکرد بهتری است.