[发明专利]一种基于深度学习的面向差异化背景网格的曲线提取方法

权利要求书

1.一种基于深度学习的面向差异化背景网格的曲线提取方法，其特征在于：

步骤一、图像收集与处理

拍摄带有网格线的纸质报告图像，利用掩模寻找纸质报告图像中的最大面积轮廓，定位得到曲线信号区域，然后将其转换为二值化图像；

步骤二、曲线提取

使用DeepLabV3+模型，对步骤一输出的曲线信号区域进行图像分割，得到曲线信号部分、背景网格线部分和其他部分；若得到的曲线信号连续，则完成曲线提取；若得到的曲线信号存在断点，进入步骤三；

步骤三、曲线重构

s3.1、提取断点的端部区域

使用两条相距M个像素的平行线，分别对断点两侧的信号线进行框选，得到断点两侧的端部区域R1、R2。然后以1个像素为单位长度，得到同一个坐标系下区域R1中信号线4个顶点的坐标(R1_LH，R1_HL)、(R1_LD，R1_DL)、(R1_RH，R1_HR)、(R1_RD，R1_DR)，以及区域R2中信号线4个顶点的坐标(R2_LH，R2_HL)、(R2_LD，R2_DL)、(R2_RH，R2_HR)、(R2_RD，R2_DR)。

s3.2、断点分类修复

①当|max(R1_RH，R1_RD)-min(R1_LH，R1_LD)|＝|max(R2_RH，R2_RD)-min(R2_LH，R2_LD)|时，将一个底边为L、高为H、夹角为θ的平行四边形放置在断点位置，实现区域R1、R2的连接，其中：

L＝|max(R1_RH，R1_RD)-min(R1_LH，R1_LD)|

H＝|min(R1_DL，R1_DR)-max(R2_HL，R2_HR)|

②当|max(R1_RH，R1_RD)-min(R1_LH，R1_LD)|≠|max(R2_RH，R2_RD)-min(R2_LH，R2_LD)|时，分布式使用底边为L1、夹角为θ₁和底边为L2、夹角为θ₂的平行四边形与区域R1、R2相接，然后向断点方向延伸，当两个平行四边形相交时停止，其中：

L1＝|max(R1_RH，R1_RD)-min(R1_LH，R1_LD)|

L2＝|max(R1_RH，R1_RD)-min(R1_LH，R1_LD)|

H＝|min(R1_DL，R1_DR)-max(R2_HL，R2_HR)|

s3.3、重复s3.1、s3.2，依次完成曲线信号中所有断点的修复，得到完整的曲线信号。

2.如权利要求1所述的一种基于深度学习的面向差异化背景网格的曲线提取方法，其特征在于：在步骤一中，使用最大轮廓算法搜索纸质报告图像中的所有外轮廓，并按照面积进行排序，选择面积最大的外轮廓作为目标区域；将目标区域照片转化为灰度图像，然后对灰度图像进行二值化处理，得到二值图。

3.如权利要求1所述的一种基于深度学习的面向差异化背景网格的曲线提取方法，其特征在于：还包括对提取到的完整曲线信号进行骨架化操作，得到单像素连接的目标曲线。