表格中的文本检测
- preprocess
def preprocess(gray):
# 1. Sobel算子，x方向求梯度
# 设置1,1,代表两个方向都进行滤波算子梯度计算
# 可以只进行一个方向的梯度计算减少某个方向的线的数量
sobel = cv2.Sobel(gray, cv2.CV_8U, 1, 1, ksize=3)
# 2. 二值化
# 调整二值化的范围，比如195,255
ret, binary = cv2.threshold(sobel, 0, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY)
# 3. 膨胀和腐蚀操作的核函数
# 更改膨胀腐蚀的内核，在某方向上膨胀或者腐蚀增强
element1 = cv2.getStructuringElement(cv2.MORPH_RECT, (30, 10))
element2 = cv2.getStructuringElement(cv2.MORPH_RECT, (24, 6))
# 4. 膨胀一次，让轮廓突出
dilation = cv2.dilate(binary, element2, iterations=1)
# 5. 腐蚀一次，去掉细节，如表格线等。注意这里去掉的是竖直的线
# 可以控制迭代的次数，使得膨胀和腐蚀程度，以及去除噪声效果
erosion = cv2.erode(dilation, element1, iterations=1)
# 6. 再次膨胀，让轮廓明显一些
dilation2 = cv2.dilate(erosion, element2, iterations=1)
# 7. 存储中间图片
# 观察中间结果，查看哪一步进行的效果影响较大
cv2.imwrite("binary.png", binary)
cv2.imwrite("dilation.png", dilation)
cv2.imwrite("erosion.png", erosion)
cv2.imwrite("dilation2.png", dilation2)
return dilation2
- 去除面积较小的矩形，或者加入其他的决定
def findTextRegion(img):
region = []
# 1. 查找轮廓
_, contours, hierarchy = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # opencv3.4
# 2. 筛选那些面积小的
for i in range(len(contours)):
cnt = contours[i]
# 计算该轮廓的面积
area = cv2.contourArea(cnt)
# 面积小的都筛选掉
if area < 500:
continue