[发明专利]一种识别扫描图像中表格单元的方法及装置

说明书

技术领域

本发明属于图像识别技术领域，具体涉及一种识别扫描图像中表格单元的方法及装置。

背景技术

表格是文档中常用的数据资料载体，大量应用于各种场合。为了便于对纸质表格处理进行自动化和电子化，需要一种快速的表格自动识别方法来确定表格中各个单元的位置和大小，其目的是便于下一步获取表格单元中的内容，送交后续模块进行OCR(Optical Character Recognition，光字符识别)、自动填表等处理。

现有技术中常用的表格识别方法有投影法、搜索法、直线检测法等。

投影法是对表格图像纵、横向进行投影，根据得到的投影值中的峰值变化来判断表格线。这种方法的不足在于：很难处理表格线较细且稍有歪斜或复杂表格。

搜索法是沿表格线进行周游遍历，这种方法的不足在于：对毛刺、断线和字符粘连很难处理。

直线检测法是使用Hough变换、矢量化等方法检测表格中的直线，然后利用这些直线重构表格结构。这类方法的不足在于：对表格单元的识别成功率很高，但缺点是运算量大，运算速度慢，这限制了其应用场合。

因此，目前的现有技术中还没有一种对表格单元进行自动识别的方案能在保证高识别率的前提下，提高扫描图像中表格单元识别速度。

发明内容

本发明提供一种识别扫描图像中表格单元的方法及装置，用以在保证高识别率的前提下，提高扫描图像中表格单元识别速度。

本发明实施中提供了一种识别扫描图像中表格单元的方法，包括如下步骤：

获取表格文档的扫描图像中的水平线段和垂直线段；

去除扫描图像中小于第一阈值的水平线段和垂直线段，所述第一阈值根据扫描图像中的最小字符高度和扫描图像的分辨率设定；

根据剩余的水平线段和垂直线段识别扫描图像中的表格单元。

较佳地，在获取表格文档的扫描图像中的水平线段和垂直线段前，进一步包括：

获取扫描图像后，对扫描图像进行包括噪音去除操作、图像纠偏操作、图像二值化操作之一或者其组合的预处理操作。

较佳地，所述第一阈值为根据线状型噪音线段长度和/或表格内部文字图像区域线段长度进行设定。

较佳地，在获取剩余的水平线段和垂直线段的交点前，进一步包括：

合并线段有重叠的水平线段，和/或线段有重叠的垂直线段。

较佳地，在获取剩余的水平线段和垂直线段的交点前，进一步包括：

合并线段间距小于第二阈值的水平线段，和/或线段间距小于第二阈值的垂直线段，所述第二阈值大于断裂表格线之间的距离。

较佳地，获取剩余的水平线段和垂直线段的交点前，进一步包括：

去除扫描图像中小于第三阈值的水平线段和垂直线段，所述第三阈值小于最短的表格线的长度。

较佳地，根据剩余的水平线段和垂直线段识别扫描图像中的表格单元，具体为：

获取剩余的水平线段和垂直线段的交点；

根据表示交点在周围四个方向上的水平线段与垂直线段的存在与否的第一位置关系，以及表示交点是否属于同一水平线段和/或垂直线段的第二位置关系，识别扫描图像中的表格单元。

较佳地，根据第一位置关系及第二位置关系识别扫描图像中的表格单元，具体为：

确定一个交点；

确定与该交点相邻的交点，所述相邻的交点与该交点属于不同种类的第一位置关系，所述种类根据交点在周围四个方向上的水平线段与垂直线段的存在与否进行判断；

根据该交点及该交点相邻的交点识别出该交点的表格单元；

按所述确定该交点的表格单元的方式，根据第二位置关系确定该交点以外的其它交点的表格单元。

本发明实施中还提供了一种识别扫描图像中表格单元的装置，包括：

线段获取模块，用于获取表格文档的扫描图像中的水平线段和垂直线段；

第一线段去除模块，用于去除扫描图像中小于第一阈值的水平线段和垂直线段，所述第一阈值根据扫描图像中的最小字符高度和扫描图像的分辨率设定；

表格识别模块，用于根据剩余的水平线段和垂直线段识别扫描图像中的表格单元。

较佳地，进一步包括：

预处理模块，用于获取扫描图像后，在获取表格文档的扫描图像中的水平线段和垂直线段前，对扫描图像进行包括噪音去除操作、图像纠偏操作、图像二值化操作之一或者其组合的预处理操作。

较佳地，所述第一线段去除模块进一步用于根据线状型噪音线段长度和/或表格内部文字图像区域线段长度进行设定第一阈值。

较佳地，进一步包括：