opencv水平线与垂直线清除(表格线清除)

 1.腐蚀(Erosing)

　　腐蚀是一种常见的形态学操作，它通过将图像中的物体边界向内部腐蚀来减小物体的大小。腐蚀操作通常用于去除图像中的小白噪声、分离物体等。在腐蚀操作中，我们需要定义一个结构元素（通常是一个小的矩形或圆形），然后将这个结构元素在图像上滑动，当结构元素完全覆盖物体时，该像素点保持原值，否则置为0。这里原图如下图所示。

 　　现在选取一个核，我这里想要将白色竖线腐蚀掉，所以选取宽大于高的这种核运算，尽量保留白色横线。步骤如下：

　　当腐蚀核（绿色框）运算时，紫色?处的值为核内最小的值，随意?处的值为0(黑色)。

 　　腐蚀核继续遍历像素值:

　　继续遍历所有像素点，最后得到整个图经过核(宽=3，高=1)腐蚀后的图如下图所示：

2.膨胀(dilation)

　　形态学操作膨胀其基本原理是将图像与结构元素进行卷积，计算结构元素覆盖下图像的最大像素值，并用这个最大值替换结构元素锚点位置的像素值。这样可以使图像中的高亮区域逐渐增长，实现“领域扩张”的效果。可以用于消除噪声、分割独立的图像元素、连接相邻的图像元素，以及寻找图像中明显的极大值区域等。在实际应用中，可以根据需要选择不同大小和形状的结构元素，以达到最佳的膨胀效果。

　　膨胀是针对图像中的高亮部分（即白色部分）进行的，而不是黑色部分。因此，膨胀操作可以使图像中的高亮区域逐渐增长，但不会影响黑色区域的大小和形状。

　　膨胀与腐蚀相反，如图（一个方格就是一个像素）：对于该二值图（0代表黑色，255代表白色），只有黑色背景与白色前景。假设 有一个膨胀的核（图中绿色框），紫色为使用核膨胀后的元素，由于绿色框中最大值为0（黑色），所以该值膨胀后仍然为黑色（右图），以此遍历所有像素值就可以得到整个图被核（绿色框）膨胀后的图。

 　　最后整个图膨胀为下图所示。

2.开运算(Opening)

　　开运算是形态学操作中的一种组合操作，它是先进行腐蚀操作，再进行膨胀操作。开运算的主要作用是去除图像中的噪声，平滑物体的边界，并且可以分离物体。开运算可以消除小的亮点（白噪声），并且可以将不同物体分开。在开运算中，首先对图像进行腐蚀操作，然后再对腐蚀后的图像进行膨胀操作。与其相反的是闭运算（先膨胀，再腐蚀），这里不讲解。

3.实现表格线的删除

　　利用开运算就可以达到删除水平线或者垂直线，这里用电脑绘图自己绘制了一个简易的表格图

　删除水平线

import cv2
image = cv2.imread('opencv.png')
result = image.copy()
gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]#自适应
cv2.imshow('binary_INV',thresh)#显示反转后二值图

# Remove horizontal lines
horizontal_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (20,1))
remove_horizontal = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, horizontal_kernel, iterations=2)
cnts = cv2.findContours(remove_horizontal, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
    cv2.drawContours(result, [c], -1, (255,255,255), 5)
cv2.imwrite('img_remove_horizontal_lines.png',result)#保存结果图片
cv2.imshow('result',result)
cv2.waitKey(0)
cv2.destroyWindow()

'''
cv2.THRESH_BINARY_INV：表示进行反转的二值化操作，即像素值高于阈值的区域将被设置为0（黑色），而像素值低于阈值的区域将被设置为指定的最大值（这里是255，即白色）。
cv2.THRESH_OTSU：表示使用Otsu方法自动计算阈值。Otsu方法是一种通过计算类间方差来确定图像二值化最佳阈值的方法。
cv2.threshold函数返回一个包含两个元素的元组，第一个元素是计算得到的阈值，第二个元素是二值化后的图像。
这里使用[1]来索引元组中的第二个元素，即二值化后的图像，并将其存储在thresh变量中。

cnts = cnts[0] if len(cnts) == 2 else cnts[1]是为了兼容OpenCV的不同版本。在OpenCV 3中，cv2.findContours 返回三个值：图像、轮廓和层次结构。而在OpenCV 4中，它只返回两个值：轮廓和层次结构。这行代码检查cv2.findContours的返回值数量，并据此提取轮廓列表。 

'''

　　运行后，得到的二值图像与保存的删除水平线的图像如下：

　　删除垂直线

import cv2
image = cv2.imread('opencv.png')
result = image.copy()
gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]#自适应
cv2.imshow('binary_INV',thresh)#显示反转后二值图

# Remove vertical lines
vertical_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1,20))
remove_vertical = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, vertical_kernel, iterations=2)
cnts = cv2.findContours(remove_vertical, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
    cv2.drawContours(result, [c], -1, (255,255,255), 5)

cv2.imwrite('img_remove_vertical_lines.png',result)#保存结果图片
cv2.imshow('result',result)
cv2.waitKey(0)
cv2.destroyWindow()

　　小结：注意核的选取不一定是常见的3x3，可以根据自己的需要选取核的形状与大小。图像形态学操作除了本文介绍的膨胀、腐蚀、还有其他包括形态学梯度、礼帽运算等。本文可以还可以继续调节不同的核大小与形状继续观察效果，至于为什么上图中得到的线条是断断续续的，就留给读者自己思考与解决了。

　　若存在不足或错误之处，欢迎指出与评论!