[发明专利]一种针对表格字体的识别方法

权利要求书

1.一种针对表格字体的识别方法，其特征在于，包括以下步骤：

S1、获取表格图像，对表格图像进行预处理，所述预处理包括：图像灰度化、图像去噪、图像倾斜校正；

所述预处理具体为：

使用平均值法进行图像灰度化，得到灰度化图像；

使用中值滤波器进行图像去噪；

图像倾斜校正具体为：使用傅里叶倾斜变换得到图像的频域图，对频域图进行霍夫变换直线检测，得到频域图中直线的倾斜角度，进行图像延扩得到延扩图像并填充背景色；使用warpAffine函数对延扩图像进行旋转，得到倾斜校正图像；

S2、对预处理后的表格图像进行表格提取，提取表格横线、提取表格竖线、合并表格线段，去除不合格的表格线，得到完整表格；

所述表格提取具体为：

通过膨胀腐蚀，将表格框线和文字分离，从而对表格进行提取；将已经灰度化的图像进行二值化处理：对表格图像做反操作，将白色背景变成黑色，黑色字体变成白色，采用自适应阈值化函数adaptiveThreshol将所有像素点根据周围邻近局域的像素点灰度值自适应加权，转成二值化图片binaryImage；再对所有的图像元素进行膨胀处理；得到能提取信息的图像；

对表格横线和竖线进行提取：

提取图像所有横线，取横线一个合适的子集长方体，对图像进行腐蚀，用子集长方体对图像剩下的像素集合进行膨胀，得到图像的横线，再使用一个竖线子集长方体作为膨胀对象，对横线进行膨胀，得到饱满的横线；

提取图像所有竖线，取竖线一个合适的子集长方体，对图像进行腐蚀，用子集长方体对图像剩下的像素集合进行膨胀，得到图像的竖线，再使用一个横线子集长方体作为膨胀对象，对竖线进行膨胀，得到饱满的竖线；

根据饱满的横线和饱满的竖线，得到完整表格；

合并表格线段：

将提取得到的横线和竖线两个图像做或运算，将表格的边框和表格里的内容分离，对表格的冗余线段进行消除，具体如下：

设最小表格长宽为表总长宽的0.005，将距离小于最小表格长宽的表格线合为一条，去掉长度小于最小表格长的线段，再对筛选出来的表格线段进行遍历，并将表格的线段长度按垂直线段和水平线段，分别取各自长度的中位数，将其他线段长度归一化，得到统一表格；

S3、对完整表格进行定位截取，获取表格内容在完整表格中的定位；

S4、对定位截取内容进行表格内容提取，获取表格内容；

S5、使用识别技术对表格内容进行识别，得到初步识别结果，并分别训练对应的语言库，使用对应的语言库对初步识别结果进行选举，得到最终识别结果。

2.根据权利要求1所述的一种针对表格字体的识别方法，其特征在于，所述对完整表格进行定位截取，具体为：对水平线段按照Y轴坐标进行排序，得到一个从上到下的水平线段集合；对垂直线段按照X轴坐标由小到大进行排序，得到一个从左到右的垂直线段集合；分别对水平线段集合和垂直线段集合进行遍历，根据两条相邻水平线段和两条相邻垂直线段得到一个表格的四边，进而得到该表格的四个顶点坐标，依据表格的四个顶点坐标，对表格进行定位截取。

3.根据权利要求1所述的一种针对表格字体的识别方法，其特征在于，所述对定位截取内容进行表格内容提取，具体为：将原来图片减去表格的所有线段，获得没有表格边框的内容；对于文字与表格线段相交的，对提取出来的表格内容做膨胀处理，获得完整字体。

4.根据权利要求1所述的一种针对表格字体的识别方法，其特征在于，所述识别技术为OCR识别技术。

5.根据权利要求1所述的一种针对表格字体的识别方法，其特征在于，所述分别训练对应的语言库，具体为：将需要训练的样本图像分成2n+1组，分别训练对应的语言库，得到语言库特征文件，使用识别技术随机选择2k+1个语言库进行识别，对识别结果进行统计，数量最多的识别结果选举为本次识别的最终识别结果；如果数量最多的识别结果不止一个，则添加对应的语言库进行识别，再进行选举，直到训练的语言库都识别完。

6.根据权利要求5所述的一种针对表格字体的识别方法，其特征在于，所述语言库包括：英文语言库、中文语言库、数字语言库。

7.根据权利要求5所述的一种针对表格字体的识别方法，其特征在于，所述训练采用Tesseract-OCR工具进行训练，对于制作训练的样本，使用jTessBoxEditor训练工具生成。