[发明专利]一种基于连通域分析和形态学操作的框线检测方法

权利要求书

1.一种基于连通域分析和形态学操作的框线检测方法，其特征在于，包括如下步骤：

步骤S1、对读入的待检测图像先进行灰度化处理，而后对得到的灰度图像进行二值化处理，得到原图像的二值图像；

步骤S2、对步骤S1中得到的二值图像进行形态学膨胀操作，然后对膨胀操作后的二值图像进行连通域检测，最后将检测到的连通域内部进行填充，得到框线增强的图像；

步骤S3：对框线增强后的图像进行基于深度学习方法的图像去噪；

步骤S4：对经步骤S3处理后的图像分别定义两个不同的结构元素进行先腐蚀后膨胀的形态学操作，以分别得到表格图像的横纵框线，而后将得到的横纵框线进行交叉，最终得到完整的框线结构图；

所述步骤S1具体包括如下步骤：

步骤S11、读入三通道RGB彩色图像；

步骤S12、对读入图像的颜色空间进行转换，使之转换为只有单通道灰度图像，三通道RGB图像经过灰度化处理，变为单通道灰度图像的所用的公式为：

Y＝0.299×R+0.587×G+0.114×B

其中，其中Y代表亮度，即灰度值，R、G、B是图像中每一个像素的三个颜色分量；

步骤S13、选取阈值对单通道灰度图像进行处理，获得能反映出图像特征的二值图像，局部自适应阈值法的二值化阈值可变，像素的邻域块像素值的分布情况决定阈值的选取，图像进行二值化操作时，二值化阈值根据图像区域的特征自动调整，自适应阈值算法将灰度图像变换为二值图像所用的公式为：

其中，src(u,v)为原始值，dst(u,v)为输出值，T(u,v)为自适应阈值，max_value是自适应灰度值；

步骤S14、输出原图像对应的二值化图像；

所述步骤S2具体包括如下步骤：

步骤S21：将原图的二值化图像进行形态学膨胀操作，将图形A与核B卷积，计算核B覆盖的区域的像素点的最大值，并把这个最大值赋值给参考点指定的像素，膨胀操作公式为：

其中，Z和B是进行膨胀操作的两个结构元素，z是结构元素B平移的距离，B[z]是结构元素平移z后得到的点，φ是空集符号；

步骤S22、读入膨胀后的二值图像并进行扫描，当扫描到的像素点(i，j)是外边界或者孔边界时停止扫描，如果像素点(i，j)既是外边界又是孔边界时，将此像素点设置为外边界起始点，并且把最新发现的边界单独赋值并编号，边界的序列号称为NBD，根据给出的规则确定边界的母边界，从起始点开始跟踪已检测到的边界，扫描到最后一个像素点时结束；

步骤S23、将检测到的连通域内部用黑色像素进行填充；

所述步骤S3具体包括如下步骤：

步骤S31、收集高质量噪声图像数据，拍摄15个静态场景的训练图像，每个场景800张jpeg图像，并计算每个场景的平均图像，生成无噪音的地面真实图像，对于每个数据集，每个像素的协方差与其(R,G,B)值和8×8×4补丁信息一起输入模型，其中95％的图像数据用于训练，5％的图像数据用于验证；

步骤S32、通过多层感知器训练向量值输入层的非线性变换，输入层通过几个隐藏层映射到输出层，得到图像中的噪声分布情况，MLPs的定义式为：

x⁽ⁿ⁺¹⁾＝g(b⁽ⁿ⁾+W⁽ⁿ⁾x⁽ⁿ⁾)

其中，x⁽ⁿ⁺¹⁾是第n+1层到该层的值且x⁽ⁿ⁾是第n层到该层的值，x⁽¹⁾是输入层，W⁽ⁿ⁾是可训练权重，b⁽ⁿ⁾是可训练偏差，g是非线性激活函数；

步骤S33、根据得到的噪声分布情况，用贝叶斯非局部均值滤波器去除图像噪声，输出去除噪声之后的图像。