如何有效地检测和删除扫描图像/文档中的引导线？

Question

对于我的项目，我正在为扫描的文档编写一个图像预处理库。截至目前，我坚持使用线路删除功能。

问题描述： 样本扫描表格：

Name*  : ______________________________
Age* : ______________________________

Email-ID: |_|_|_|_|_|_|_|_|_|_|_|_|_|_|_|_|

注意： 以下是进一步的条件：

• 扫描的文档可能包含更多的垂直和水平引导线。
• 线条粗细可能超过 1px
• 文档本身打印不正确，可能会出现墨水膨胀或厚度不均等形式的噪音
• 文档可能有彩色背景或线条

现在我要做的是检测这些行并将其删除。在这样做的同时，手写内容不应丢失。

解决方案： 当前的解决方案是用 Java 实现的。

通过结合使用 canny/sobel 边缘检测器和阈值过滤器（使图像双色调）来检测这些线条。从上一个动作中，我得到了一个黑白像素阵列。遍历数组并检查该像素的亮度是否低于指定的 bin 值。如果我发现 30 个（以像素为单位的最小线长）这样的像素，我会删除它们。我对垂直线重复相同的操作，但考虑到由于水平线移除会造成切割。

虽然解决方案似乎有效。但是有一些问题，例如，

• 删除重叠字符
• 如果图像中的字符间距不正确，那么它也是 视为一条线。
• 边缘检测的输出图像为黑白。
• 有点慢。 2480*3508 的图像通常需要 40 秒左右。

请指导如何正确有效地进行操作。如果有开源库，请直接指导。

谢谢

Answer 1

首先，我想提一下，我对一般图像处理一无所知，尤其是对 OCR。

不过，我还是想到了一个非常简单的启发式方法：

1. 将图像中的像素分离为连通分量。
2. 对于每个连接的组件，使用以下一种或多种启发式方法确定它是否是一条线：
   1. 是否比平均字母长度更长？
   2. 它是否出现在其他字母附近？ （去除墨水膨胀或伪影）。
   3. 它的X梯度和Y梯度是否足够大？这可以确保这个连接的组件不仅仅包含水平线。

我能看到的唯一问题是，如果有人在水平线上写字母，像这样：

   /\     ___
  /  \   /   \
  |__|   |___/
 -|--|---|---|------------------
  |  |    \__/

在这种情况下，这条线会保留，但无论如何你必须处理这种情况。

正如我所提到的，我绝不是图像处理专家，但有时非常简单的技巧也能奏效。