[发明专利]一种表格文档图像中字符提取方法

权利要求书

1.一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。

2.根据权利要求1所述的一种表格文档图像中字符提取方法，其特征在于：所述步骤二具体为：利用Sobel一阶微分算子，分别在水平和垂直方向上对图像做平面卷积，获得水平和垂直方向上的灰度差分近似值，根据灰度差分值建立边缘图像，采用Otsu算法计算边缘图像的分割阈值，将图像进行二值化处理，利用Hough变换算法检测边缘图像中的直线段。

3.根据权利要求1所述的一种表格文档图像中字符提取方法，其特征在于：所述步骤三具体是：计算上一步得到的每个线段两个端点间的欧氏距离，获得线段的长度，根据线段长度对所有线段从大到小进行排序；令线段的总数为N，根据排序结果选择最长的N/4条线段，计算这些线段相对于水平方向的倾斜角度；对这些角度值进行排序，取排序后的第N/8个角度值作为图像的倾斜角度；根据倾斜角度对图像做旋转变换，从而实现图像的倾斜校正。

4.根据权利要求1所述的一种表格文档图像中字符提取方法，其特征在于：所述步骤四具体为：假定图像中表格是由水平和垂直方向上的线段组成，根据上述步骤得到的线段及其倾斜角度，保留水平和垂直方向的线段，去除其他直线段；然后对相邻线段进行连接，通过行扫描将处在同一行的水平直线段进行连接，再通过列扫描，将处于同一列的垂直直线段进行连接，最后得到的封闭方格即为表格的单元格。

5.根据权利要求4所述的一种表格文档图像中字符提取方法，其特征在于：所述线段及其倾斜角度有两个，取小的倾斜角度进行判断，若小于5.0度或大于85.0度则保留该线段,否则去除该线段；所述对相邻线段进行连接是对图像进行行扫描，对处于同一行的线段，计算相邻线段端点之间的距离，如果小于两个线段总长的1/4,则连接这两个线段，再对图像进行列扫描，对处于同一列的线段，按照行扫描的方式进行连接。

6.根据权利要求1所述的一种表格文档图像中字符提取方法，其特征在于：所述步骤五具体为：首先将单元格框线上像素的灰度值设为背景灰度值以消除框线，从而避免单元格中字符之间发生连接；从单元格中提取出整行字符，建立字符行在垂直方向上的投影直方图；设置字符的搜索窗口，窗口的初始尺寸为单元格中所有字符的平均尺寸，根据投影直方图，将搜索窗口从左向右进行滑动，同时调整窗口尺寸，从窗口中分割出字符行中的每个字符。