一種圖像表格文字切分方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像識別領(lǐng)域，特別涉及一種圖像表格文字切分方法。
【背景技術(shù)】
[0002] 圖像識別技術(shù)是目前智能識別技術(shù)領(lǐng)域中非常重要的發(fā)展方向，圖像識別的發(fā)展 經(jīng)歷了三個階段:文字識別、數(shù)字圖像處理與識別、物體識別；其中在眾多的圖像識別技術(shù) 中，對圖像文字的識別技術(shù)顯得尤為重要，這是因為圖像文字往往比單純圖像包含更加重 要的可利用信息，而且圖像文字識別技術(shù)所應(yīng)用的領(lǐng)域也很重要。文字識別一般是識別文 字、字母、數(shù)字和符號，從印刷文字識別到手寫文字識別，應(yīng)用非常廣泛。圖像識別問題的數(shù) 學(xué)本質(zhì)屬于模式空間到類別空間的映射問題。目前，在圖像識別的發(fā)展中，主要有三種識別 方法:統(tǒng)計模式識別、結(jié)構(gòu)模式識別、模糊模式識別。
[0003] 隨著圖像文字的深入發(fā)展，越來越多種類的圖像文字資料，被納入圖像文字識別 的范疇中，其中表格作為文字?jǐn)?shù)據(jù)記錄匯總最精簡表達(dá)方式，或者數(shù)據(jù)統(tǒng)計、結(jié)果分析中最 常用的表達(dá)格式，是各種數(shù)據(jù)分析工具中基礎(chǔ)工具。表格在各行各業(yè)應(yīng)用的廣泛性不言而 喻。不難看出對于表格式圖像文字識別的重要性，比如對一個企業(yè)年度業(yè)績報表，可能包含 企業(yè)年度業(yè)績中最重要的統(tǒng)計數(shù)據(jù)和分析結(jié)果，這些信息的重要性和概括性是其他任何材 料所比擬不了的，目前的網(wǎng)絡(luò)信息中充斥著各種表格資料，但是很多表格都是以圖片的形 式提供，比如各種掃描檔案文件、PDF文件，自動識別這些圖像表格資料，將圖片類型的表格 內(nèi)容還原成數(shù)字資料是將這些資料進(jìn)行快速處理和分析的基礎(chǔ)。
[0004] 但是，由于表格資料本身的表格結(jié)構(gòu)特征，使得表格圖像文字的識別比一般的普 通圖像文字資料更加困難。現(xiàn)有文字識別技術(shù)在對圖像中文字識別時，首先需要將圖像中 的字符串切分開，形成包含單個文字的小圖片，然后使用一定的方法對切分后的文字進(jìn)行 識別。而進(jìn)行文字切分最常用的方法為投影法，即是將圖像文字二值化處理后，通過垂直投 影找到兩個文字之間的分界線，根據(jù)分界線將文字切分開來。由于表格的框線的存在，直接 使用傳統(tǒng)的投影法所實現(xiàn)的文字切分和識別就不太現(xiàn)實。同時由于表格本身結(jié)構(gòu)的復(fù)雜多 變，復(fù)雜多變的輪廓框線使得投影法難以實現(xiàn)將表格文字信息的切分。面對大量的圖像表 格數(shù)據(jù)的快速分析需要，亟待一種快速，準(zhǔn)確，完整的圖像表格文字切分方法。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)中所存在的上述不足，提供一種圖像表格文字切 分方法，能夠快速準(zhǔn)確的將圖像表格中的文字信息切分出來。本發(fā)明首先檢測出待識別圖 像表格中的單元格，提取出單元格的輪廓點集，根據(jù)單元格的輪廓點集，構(gòu)造出包含單元格 輪廓點集的面積最小的矩形區(qū)域，提取出該矩形區(qū)域的四角頂點坐標(biāo)，根據(jù)該四角頂點坐 標(biāo)將對應(yīng)單元格中的文字信息切分提取出來，在單元格內(nèi)容整體切分出來的基礎(chǔ)上，通過 側(cè)向投影實現(xiàn)單元格中的行切分，再通過垂直投影實現(xiàn)每一行的單個文字切分。通過本發(fā) 明方法實現(xiàn)的圖像表格文字切分，單元格切分準(zhǔn)確，切分效率高;克服了一直以來圖像表格 文字識別中切分困難的問題。
[0006] 為了實現(xiàn)上述發(fā)明目的，本發(fā)明提供以下技術(shù)方案，
[0007] 一種圖像表格文字切分方法，包含以下實現(xiàn)過程：
[0008] 將待處理圖片進(jìn)行二值化處理，檢測出所述圖像表格中的單元格，依次將各單元 格中的內(nèi)容作為一個整體切分出來，形成對應(yīng)的子圖片；
[0009] 再使用投影法將子圖片中的文字信息切分出來。
[0010] 具體的，本圖像表格文字切分方法采用以下實現(xiàn)步驟：
[0011] (1)將待處理圖像表格進(jìn)行二值化處理，使用openCV圖像處理工具中的 f indcontours函數(shù)檢測出圖像表格單元格輪廓;將檢測出的單元格輪廓的點集提取出來放 置在對應(yīng)的點類中（如：用Vectorl，Vector2，Vector3......來表示）；f indcontours函數(shù)能 夠根據(jù)表格框線輪廓的特點將單元格的輪廓檢測出來，并將檢測出的單元格輪廓點集提取 出來，檢測效率高。
[0012] (2)對所述步驟（1)提取出的單元格輪廓點集，調(diào)用minAreaRect函數(shù)構(gòu)建出包含 單元格輪廓點集的面積最小的旋轉(zhuǎn)矩形區(qū)域;并提取出該旋轉(zhuǎn)矩形區(qū)域的四角頂點坐標(biāo) 占 .
[0013] (3)根據(jù)四角頂點坐標(biāo)值將對應(yīng)單元格中的文字信息作為整體切分出來，形成對 應(yīng)的子圖片；
[0014] (4)采用投影法將所述子圖片中的文字信息依次切分出來。
[0015]進(jìn)一步的，所述步驟(3)中根據(jù)minAreaRect函數(shù)提取出的旋轉(zhuǎn)矩形區(qū)域的四角頂 點坐標(biāo)，計算出表格單元文字信息切分點，比如提取出的四角頂點坐標(biāo)分別是:左下角頂點 的坐標(biāo)為(xl，yl)，右下角頂點的坐標(biāo)為(x2，y2)，右上角頂點的坐標(biāo)為(x3，y3)，左上角頂 點的坐標(biāo)為(x4，y4);在四角頂點坐標(biāo)的基礎(chǔ)上，比較X1、x4的大小，選取其中的較大值Max (X1，x4)，比較x2、x3的大小，選取其中的較小值Min(x2，x3)，比較y 1、y2的大小，選取其中的 較大值Max(yl，y2)，比較y3、y4的大小，選取其中的較小值Min(y3，y4)，根據(jù)X = Max(xl， x4)，X=Min(x2，x3)，Y = Max(yl，y2)，Y=Min(y3，y4);將這四條直線所圍成的矩形區(qū)域?qū)?單元格中的文字信息作為整體切分出來，形成對應(yīng)子圖片。實際應(yīng)用中圖像表格在進(jìn)行識 別時，不帶任何傾斜角度的情況極其少見，即使經(jīng)過初步的矯正，仍然可能帶有小角度的傾 斜，此外利用minAreaRect函數(shù)提取出的旋轉(zhuǎn)矩形區(qū)域也有可能具有小角度的傾斜，本發(fā)明 利用這種圖像表格識別的特點，通過上述單元格內(nèi)容切分方法，在進(jìn)行單元格文字信息切 分過程中，巧妙的將單元格子圖片的邊框線去除了，為后續(xù)步驟的單元格文字信息切分創(chuàng) 造了有利的條件。
[0016] 進(jìn)一步的，所述步驟(4)中，根據(jù)橫向投影和縱向投影坐標(biāo)確定每個文字的坐標(biāo)位 置，根據(jù)坐標(biāo)位置可以依次把單個文字切分出來，子圖片中切分出來的文字可以按照原有 的順序進(jìn)行識別，保證了子圖片中文字識別的順序和邏輯準(zhǔn)確性。
[0017] 進(jìn)一步的，所述步驟(4)中對切分出來的單元格文字圖像進(jìn)行側(cè)向投影，計算出一 行的非〇像素的個數(shù)，并將該值放到pro jection_y類中。每一行非0像素的計算方法為：
,i是行數(shù)，j是列數(shù)，pix(i，j)是對應(yīng)像素值，n+1是總的列數(shù)。
[0018] 進(jìn)一步的，所述步驟(4)中對projection_y類中的元素進(jìn)行遍歷，變量k遍歷范圍 為從1開始到pro jection_y · size( )-1結(jié)束。如果pro jection_y[k] =0，pro jection_y[k+l ] >0, project ion_y[k+2]>0,則判斷k為某一行的起始切分點，并將其放到類vector〈int> top中；如果pro jection_y[k] = 0，pro jection_y[k_l] >0，pro jection_y [k_2] >0，則判斷 k為某一行的終點切分點，并將其放到類vector〈int>bottom中；top. size() = bottom, size ()?；陬恡op和bottom中的元素值即可將單元格中的文字行向切分出來，對應(yīng)的兩個坐標(biāo) 值也就是該行所有文字的上下兩個y坐標(biāo)。
[0019]進(jìn)一步的，對于切分出來的每一行的文字圖像進(jìn)行垂直投影，計算出一列的非0像 素的個數(shù)，并將該值放到P r 0 j e c t i ο η _ X類中。每一列非0像素的計算方法為：
:j是列數(shù)，i是行數(shù)，PiX(i，j)是對應(yīng)像素值，m+1是總的行數(shù)。
[0020] 進(jìn)一步的，對pro jection_x類中的元素進(jìn)行遍歷，變量k遍歷范圍為從1開始到 pro jection_x .size()_l結(jié)束。如果pro ject ion_x[k] = 0，pro ject ion_x [k+Ι ] >0， projection_x[k+2]>0,則判斷k為某一文字塊的起始切分點，并將其放到類vector〈int> left中；如果pro jection_x[k] = 0，pro jection_x[k_l ] >0，pro jection_x[k_2] >0，則判 斷k為某一文字塊的終點切分點，并將其放到類vector〈int>right中；遍歷完后left. size ()應(yīng)該等于right. size()。類left和right中的元素值就是單文字可選用切分位置。
[0021] 經(jīng)過上述投影過程，根據(jù)橫向投影和縱向投影坐標(biāo)就可以確定每個文字的坐標(biāo)位 置。根據(jù)坐標(biāo)位置可以把單個文字切分出來，根據(jù)切分出的子圖片順序位置，進(jìn)行對應(yīng)的文 字識別，可以保證圖像表格中每個單元表格中識別出的文字順序的準(zhǔn)確，識別出的文字邏 輯還原準(zhǔn)確率高。
[0022] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果:本發(fā)明提供一種圖像表格文字切分方法，本 方法首先檢測出待識別圖像表格中的