چکیده: متن اطلاعات زیادی را در صحنه های طبیعی به بیننده انتقال می دهد. جستجوی خودکار متن اولین قدم برای درک اطلاعات متنی در صحنه های طبیعی است. از کاربرد های مهم این مسئله کمک به گردشگران که آشنا به زبان محل بازدید نیستند، کمک به نابینایان جهت گرفتن اطلاعات از اطراف خود و تفسیر محتویات ویدیو می باشد. شناسایی و موقعیت یابی متن در تصاویر دنیای واقعی مشکلی محسوب می شود که کاملاً رفع نشده است. این موضوع، طی سال های اخیر مورد توجه بسیاری از محققان قرار گرفته است. در این پژوهش یک روش برای موقعیت یابی متون فارسی در تصاویر صحنه های طبیعی ارائه داده شده است. در این روش ابتدا با استفاده از آشکار ساز مناطق اکسترمم، مناطق متنی به همراه مناطق غیر متنی آشکار می شوند. این آشکار ساز نسبت به ماتی، تغییرات روشنایی و تصاویر با کیفیت پایین مقاوم می باشد. پس از آشکار سازی مناطق اکسترمم، در دو مرحله کلاسه بندی برخی از مناطق اکسترمم به عنوان متن در نظر گرفته می شود و برخی دیگر حذف خواهند شد. در مرحله ی اول کلاسه بندی احتمال اینکه هر کدام از مناطق اکسترمم یک نویسه یا یک منطقه ی متنی باشد، تخمین زده می شود. اگر این احتمال بزرگتر از یک مقدار از پیش تعریف شده باشد، این مناطق وارد مرحله ی دوم کلاسه بندی می شوند. در مرحله دوم کلاسه بندی مناطق غیر متنی بیشتری حذف می شوند اما در نهایت باز هم مناطق غیر متنی نیز وجود دارد. برای حذف بیشتر مناطق غیر متنی از لبه یاب گرادیان تطبیقی استفاده خواهد شد. در نهایت مناطقی که تقریبا در یک ردیف وجود دارند به عنوان مناطق متنی در نظر گرفته می شوند. این روش روی تعدادی از مجموعه داده های جمع آوری شده ارزیابی شده است. این تصاویر چالش برانگیز، دارای ماتی، کیفیت پایین و پیش زمینه ی پیچیده بوده که ارزیابی روی این تصاویر دارای نتیجه ای رضایت بخش می باشد.