[发明专利]一种形变表格结构识别方法

说明书

本发明公开了一种形变表格结构识别方法，其特征在于，该方法包括以下步骤：图像预处理、字符去除、角点定位、轮廓获取、单元格定位。本发明的优点在于：该方法对于形变表格存在的背景、光照、物理形变等干扰，提供一种形变表格结构识别方法。该方法能够有效去除图像中的字符，准确获取图像中的角点信息，同时定位单元格的位置。此方法能够有效适用于形变表格的结构识别，不仅抗干扰能力强、准确率高，还具有较好的应用前景。

技术领域

本发明属于计算机信息技术领域，具体涉及一种形变表格结构识别方法。

背景技术

表格结构识别是图像处理和文档识别领域中的重要研究内容。表格的样式、类型多种多样，使得表格图像的结构识别成为一大难题。如今成熟的表格结构识别方法大多针对PDF、HTML或扫描类表格图像，如名称为“一种基于图像识别的PDF表格结构识别方法”(公开号为CN111144300A)的专利文献和名称为“一种基于图注意力机制的PDF表格结构识别方法”(公开号为CN110751038A)的专利文献分别公开了针对PDF表格图像的结构识别方法。这些方法仅针对于PDF表格图像，适用范围较为局限。

也有专利提出了针对拍照类表格图像的结构识别方法，如名称为“一种表格结构提取方法”(公开号为CN111368695A)的专利文献公开了一种基于图像的表格结构提取方法，通过直线检测、查找角点、断线续连等步骤获取表格单元格。虽然该方法能够完整提取表格，但当图像的表格线弯曲时便不再适用。名称为“一种基于表格节点识别的表格结构补全算法”(公开号为CN109447007A)的专利文献公开了一种通过识别表格节点，尽可能还原表格本身结构化特征的方法。虽然该方法能够对有透视角度的图像进行矫正，但对于存在卷曲、褶皱的图像仍然很难获得较高的准确度。

发明内容

为解决上述技术问题，本发明提出一种形变表格结构识别方法，对存在背景、光照、物理形变等因素干扰的表格图像进行结构识别；通过图像预处理、字符去除、角点定位、轮廓获取、单元格定位等方法识别表格图像的结构。

本发明提出的一种形变表格结构识别方法，其特征在于，该方法包括以下步骤：

(1)图像预处理；对输入的含有表格的原始图像I进行图像增强、二值化及骨架提取，得到第一二值图像I₁；

(2)字符去除；采用字符去除算法将第一二值图像I₁中存在的大部分字符去除，得到第二二值图像I₂；然后进一步判断像素点四个邻接矩形区域中黑色像素点的个数，将第二二值图像I₂中的所有字符去除，得到第三二值图像I₃；

(3)角点定位；首先采用角点检测算法对第三二值图像I₃中的角点进行检测，得到第一角点集合P₁；然后对第一角点集合P₁中的角点进行聚类，得到第二角点集合P₂；最后对第二角点集合P₂中不符合条件的角点进行筛选，得到原始图像I的角点集合P₃；

(4)轮廓获取；将第三二值图像I₃水平方向上宽度为1的像素删除，获取只保留水平线的第四二值图像I₄；获取第四二值图像I₄中所有的轮廓Con₁,Con₂,...,Con_β，其中β为第四二值图像I₄中的轮廓总数；