Dans cet article, nous proposons une méthode pixel par pixel nommée TextCohesion pour la détection de texte en scène, qui divise une instance de texte en cinq composants clés : un Squelette de Texte et quatre Régions Pixelaires Directionnelles. Ces composants sont plus faciles à gérer que l'instance de texte complète. Un mécanisme de notation de confiance est conçu pour filtrer les caractères similaires au texte. Notre méthode peut intégrer intensivement les contextes textuels lorsque les arrière-plans sont complexes. Des expériences menées sur deux benchmarks courbés difficiles montrent que TextCohesion surpasse les méthodes de pointe actuelles, atteignant un F-mesure de 84,6 % sur Total-Text et 86,3 % sur SCUT-CTW1500.