一种表格文档图像中字符提取方法

摘要

本发明涉及图像处理、计算机视觉技术领域，具体涉及一种表格文档图像中字符提取方法，包括以下步骤：通过边缘检测与Hough变换算法提取出图像中的线段；根据线段的方向分布估计整幅图像的倾斜角度，对图像进行倾斜校正；对水平和垂直方向上的线段进行连接，定位出表格的单元格；针对每个单元格，采用最大类间方差方法进行图像二值化，分割出单元格中的整行字符，通过滑动窗口法提取出单元格中的每个字符；根据单元格框线的统计特征，对字符的笔画缺失进行恢复。本发明具有较好的灵活性，能够有效处理字符间粘连以及字符与表格线重叠的情况，大大减少粘连和重叠问题对OCR字符识别的影响。

主权项

一种表格文档图像中字符提取方法，其特征在于包括以下步骤：步骤一，将采集的彩色表格图像转化为灰度图像，对灰度图像进行高斯平滑，去除图像中的噪声；步骤二，利用边缘检测算子对图像进行卷积运算，再采用最大类间方差方法对图像进行二值化处理，然后采用Hough算法检测出边缘上的直线段；步骤三，将上一步得到的直线段按长度从大到小排序，选择最长的几个直线段，计算直线段相对于水平方向的倾斜角度；对这些倾斜角度排序，取中值作为图像的倾斜角度，通过旋转图像对其进行倾斜校正；步骤四，在倾斜校正后的图像中，保留水平方向和垂直方向上的直线段，去除其他直线段；计算不同直线段端点之间的距离，如果小于设定的阈值，则对直线段进行连接，获得表格的单元格图像；步骤五，针对每个单元格图像，分别采用最大类间方差方法进行图像分割，将单元格上像素灰度值设为背景灰度，使得区域中仅保留字符；设置滑动窗口，通过从左到右对窗口进行滑动搜索，分割出单元格中的每个字符；步骤六，针对上一步骤中提取出的单个字符，如果该字符没有与单元格框线重叠，则直接作为结果输出，否则根据字符与框线的重叠情况，对上述步骤中去除框线造成的笔画缺失进行恢复。