[发明专利]一种复杂场景下的试卷分割算法

说明书

一种复杂场景下的试卷分割算法，其步骤为：1)由原始图像通过灰度变换以及边缘检测算法得到图像边缘；2)通过图像边缘计算连通区域以及其外接矩形；3)根据不同连通区域外接矩形的IOU合并连通区域；4)基于卷积神经网络构建字符判别模型，指导连通区域合并，合并后连通区域外接矩形分割字符区域；5)利用步骤4)分割结果，通过文本线构造法分割文本行区域；6)基于卷积神经网络构建题号判别模型，结合步骤5)分割结果分割试题区域。本发明提供的分割算法，在复杂场景下的试卷分割任务中具有很好的分割效果，可以很好的把字符区域、文本行区域、试题区域分割出来。

技术领域

本发明属于电子图像分割技术以及卷积神经网络领域，特别涉及一种复杂场景下的试卷分割算法。

背景技术

随着智慧教育以及人工智能的发展，在诸多应用场景中，移动设备拍摄的试卷图像分割是其中一个关键环节。由于移动设备拍摄场景和角度不固定，图像的尺寸、清晰度、局部曝光程度往往具有不确定性，试卷本身存在手写体打印体混合等复杂场景。目前已经出现了上千种图像分割的方法，但是在复杂场景下的试卷分割任务中，对于字符区域、文本行区域、试题区域分割效果往往难以满足需求。

发明内容

为了解决上述问题，本发明针对复杂场景下的试卷图像，提供一种能够很好的将字符区域、文本行区域、试题区域分割出来的复杂场景下的试卷分割算法。

为了实现上述目的，本发明创造采用的技术方案为：一种复杂场景下的试卷分割算法，其特征在于，其步骤为：

1)由原始图像通过灰度变换以及边缘检测算法得到图像边缘；

2)通过图像边缘计算连通区域以及其外接矩形；

3)根据不同连通区域外接矩形的IOU合并连通区域；

4)基于卷积神经网络构建字符判别模型，指导连通区域合并，合并后连通区域外接矩形分割字符区域；

5)利用步骤4)分割结果，通过文本线构造法分割文本行区域；

6)基于卷积神经网络构建题号判别模型，结合步骤5)分割结果分割试题区域。

所述的步骤1)中，具体方法为：

1.1)将原始图像O通过颜色图像空间转换为灰度图像G；

1.2)通过边缘检测算法提取G的图像边缘E。

所述的步骤2)中，具体方法为：

2.1)提取E的连通区域集A,其中A由n个小连通区域A_i组成，即A＝{A_i},i∈[1,n]，且当i≠j时A_i≠A_j；

2.2)计算A_i的外接矩形D_i，记作D_i＝F(A_i)，其中D_i＝(X_i,Y_i,W_i,H_i)，X_i,Y_i,W_i,H_i分别表示D_i左上顶点横坐标、左上顶点纵坐标、D_i的宽度、D_i的高度。

所述的步骤3)中，具体方法为：

3.1)计算D_i与D_j的IOU，其中D_j∈{Di|i∈[1,n],i≠j}；

3.2)设置阀值α，如果IOU＞α，则D_i←F(A_i∪A_j)且D←D-{D_j}。