[发明专利]基于图像中表格分析技术的表格鉴别和定位方法

说明书

技术领域

本发明涉及图像处理中表格分析技术领域，尤其涉及一种基于图像中表格分析技术的表格鉴别和定位方法。

背景技术

纸质文档是一种常见的信息表现，并且具有较高的稳定性和安全性，但是随着信息技术的发展，其难以进行信息管理和分析的缺点日益凸显。利用图像处理技术对纸质文档信息进行数字化处理已经成为必然趋势。

目前，国内外主要的文档数字化方法是将纸质文档扫描成包含各种信息的图像，根据数字图像技术提取图像信息。在图像信息提取的过程中，表格数据的提取是非常关键的一步，如果表格被误鉴别或是内部定位不准确，不仅会导致丢失表格结构信息，还会导致产生错误的OCR识别结果。

常用的表格鉴别方法是找到图像中的直线，根据直线进行倾斜校正，在倾斜校正的图像中如果水平直线和垂直直线满足表格特征，则认为是表格，但这种方法一方面容易校正不准确，另一方面，会有一些类似表格图像被误检，导致误检率较高。而且常用的表格定位是通过寻找直线信息定位表格单元格，这种方法会由于直线的中断导致定位不准确。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足提供一种基于图像中表格分析技术的表格鉴别和定位方法，本基于图像中表格分析技术的表格鉴别和定位方法，通过找到疑似表格区域并在内部找到满足数目的水平和垂直直线的方法鉴别外包围框是否为表格，剔除了非表格图像，鉴别表格的准确率较高，而且采用寻找表格内每个包围框的方法，表格内的每个包围框都会形成一个轮廓，根据轮廓的位置进行排序，最终定位表格，为之后的还原表格信息打下了基础，表格定位非常准确。

为实现上述技术目的，本发明采取的技术方案为：

基于图像中表格分析技术的表格鉴别和定位方法，包括以下步骤：

1）将类似表格样本扫描成图像，提取图像中所有的包围框；

（2）设定包围框的最小长度阈值、最大长度阈值、最小宽度阈值和最大宽度阈值，设定面积比例最大阈值和面积比例最小阈值；

（3）从图像的所有的包围框中选取长度在包围框的最大长度阈值和最小长度阈值之间且宽度在包围框的最大宽度阈值和最小宽度阈值之间且面积最大的包围框；

（4）通过由步骤（3）得到的包围框对图像进行倾斜校正；

（5）提取已倾斜校正的图像中所有的外包围框，提取长度在包围框的最大长度阈值和最小长度阈值之间且宽度在包围框的最大宽度阈值和最小宽度阈值之间的所有的外包围框，并将提取的每一个外包围框均标注为疑似表格区域；

（6）对步骤(5)得到的疑似表格区域的内部进行找包围框操作，提取包围框的面积与自身的外接矩形面积的比例在面积比例最大阈值和面积比例最小阈值之间的所有的包围框；

（7）设定疑似表格区域内包含的水平线段数目的最小数目阈值和最大数目阈值，设定疑似表格区域内包含的垂直线段数目的最小数目阈值和最大数目阈值，通过Hough变换检测直线的方法检测由步骤（6）得到的疑似表格区域中所有的包围框包含的水平线段数目和垂直线段数目，提取包含的水平线段数目在水平线段数目的最小数目阈值和最大数目阈值之间且包含的垂直线段数目在垂直线段数目的最小数目阈值和最大数目阈值之间的疑似表格区域并将提取的疑似表格区域标注为表格；

（8）根据依次寻找表格内每个包围框的方法对步骤（7）得到的表格进行表格定位。

作为本发明进一步改进的技术方案，所述从图像的所有的包围框中选取长度在包围框的最大长度阈值和最小长度阈值之间且宽度在包围框的最大宽度阈值和最小宽度阈值之间且面积最大的包围框，包括：

从图像的所有的包围框中选取面积最大的包围框，将面积最大的包围框的长度分别与包围框的最小长度阈值和最大长度阈值对比，将面积最大的包围框的宽度分别与包围框的最小宽度阈值和最大宽度阈值对比，若面积最大的包围框的长度小于包围框的最小长度阈值或者面积最大的包围框的宽度小于包围框的最小宽度阈值，则将此图像标注为非表格图像并剔除非表格图像，否则标注为待检测表格图像；