目标图像的倾斜角检测方法及倾斜角检测设备

摘要

本发明公开了一种目标图像的倾斜角检测方法及倾斜角检测设备，属于图像处理技术领域，解决了现有的倾斜角检测方法的运算量较大，导致运算效率较低的技术问题。该倾斜角检测方法包括：将目标图像转化为灰度图像；对所述灰度图像进行二值化处理，获得二值化图像；对所述二值化图像进行降噪处理，获得降噪后的图像；对所述降噪后的图像进行膨胀处理，获得膨胀图像；对所述膨胀图像进行边缘检测，获得边缘图像；利用生长算法对所述边缘图像进行扩展，找到预定方向上最长的生长区域；由所述区域里的点，拟合出一条直线；获取所述直线与所述预定方向之间的夹角。本发明可应用于图像处理系统。

说明书

技术领域

本发明涉及图像处理技术领域，具体地说，涉及一种目标图像的倾斜角检测 方法及倾斜角检测设备。

背景技术

随着图像处理技术的发展，图像识别技术已经广泛的应用在银行、财税、证 券、金融票据电子影像系统、汽车牌照的抓拍识别系统、选票自动识别系统、光 学字符识别(Optical Character Recognition，简称OCR)系统等领域中。在通过 采集设备获取图像后，通常要对其进行预处理，但是采集设备获得图像时不可避 免的会发生倾斜，这给后面的图像分割、字符识别等图像处理与分析带来了很大 困难。因此，对图像进行倾斜校正是图像预处理过程中的重要组成部分。

倾斜校正的核心在于如何检测出图像的倾斜角。目前，倾斜角检测的方法主 要有以下几种：

Hough变换是最常用的检测倾斜角的方法，由于基于Hough变换算法计算量 非常大，因此一些专门用于倾斜角检测的Hough变换改进的算法被提出来。虽然 这些改进的算法的核心思想是减少Hough变换的数据量，但由于Hough变换本身 计算量很大，因此改进后的算法的运算速度仍然较慢。

交叉相关性算法是基于等距离的竖直(或水平)平行线上像素点的相关性的 方法，以平行线上的像素点建立相关矩阵，并对矩阵在竖直方向上作投影，投影 图的全局最大值对应于倾斜角，该方法虽然准确率高，但相关矩阵的计算量较大。

基于投影的方法是利用投影的某些特征进行判断，如均方差、第一特征矢量 以及梯度等统计特征。但是，由于该方法需要对整个图像统计特征值，因此计算 量和复杂度都较高。

Fourier变换方法是利用页面倾角对应于使Fourier空间密度最大的方向角的 特征，将目标图像的所有像素点进行Fourier变换，其计算量非常大，因此目前很 少采用。

K-最近邻簇方法是先找出所有连通区中心点的K个最近邻点，计算每对近邻 点的矢量方向并统计生成直方图，直方图的峰值对应于整个页面的倾角，其计算 复杂度为O(N×N)，其中N为连通区个数。该方法的一个不足之处是计算量 较大，因为对每一个待分类的文本都要计算它到全体已知样本的距离，才能求得 它的K个最近邻点。

本发明人在实现本发明的过程中发现，现有技术至少存在以下技术问题：现 有的倾斜角检测方法普遍运算量较大，导致运算效率较低的技术问题。

发明内容

本发明的目的在于提供一种目标图像的倾斜角检测方法及倾斜角检测设备， 以解决现有的倾斜角检测方法的运算量较大，导致运算效率较低的技术问题。

本发明提供一种目标图像的倾斜角检测方法，包括：

将目标图像转化为灰度图像I_gray；

对所述灰度图像I_gray进行二值化处理，获得二值化图像I_bin；

对所述二值化图像I_bin进行降噪处理，获得降噪后的图像I_deno；

对所述降噪后的图像I_deno进行膨胀处理，获得膨胀图像I_bulge；

对所述膨胀图像I_bulge进行边缘检测，获得边缘图像I_edge；

利用生长算法对所述边缘图像I_edge进行扩展，找到预定方向上最长的生长区 域R_max-L；

由所述区域R_max-L里的点，拟合出一条直线L；

获取所述直线L与所述预定方向之间的夹角θ。

优选的是，对所述灰度图像I_gray进行二值化处理，获得二值化图像I_bin，具体 为：

采用类间方差最大化、双峰直方图或全局阈值方法，对所述灰度图像I_gray进 行二值化处理，获得二值化图像I_bin。

优选的是，对所述二值化图像I_bin进行降噪处理，获得降噪后的图像I_deno， 具体为：

遍历所述二值化图像I_bin，对目标像素点进行[5×5]降噪处理，获得降噪后的 图像I_deno。

优选的是，对所述降噪后的图像I_deno进行膨胀处理，获得膨胀图像I_bulge，具 体为：

遍历所述降噪后的图像I_deno，对目标像素点进行[9×9]膨胀处理，获得膨胀 图像I_bulge。

优选的是，对所述膨胀图像I_bulge进行边缘检测，获得边缘图像I_edge，具体为：

使用Canny算法，采用卷积算子$S_x=\left(\begin{array}{cc}-1& 1\\ -1& 1\end{array}\right),S_y=\left(\begin{array}{cc}1& 1\\ -1& -1\end{array}\right),$对所述膨胀 图像I_bulge进行边缘检测，获得边缘图像I_edge。

优选的是，利用生长算法对所述边缘图像I_edge进行扩展，找到预定方向上最 长的生长区域R_max-L，具体为：

遍历所述边缘图像I_edge，以第一个目标点作为种子，利用3-邻域$\left(\begin{array}{ccc}0& 0& 1\\ 0& 1& 1\\ 0& 0& 1\end{array}\right)$生 长算法对所述边缘图像I_edge进行扩展，找到预定方向上最长的生长区域R_max-L。

优选的是，所述预定方向为水平方向、竖直方向、45°斜向方向或﹣45°斜 向方向。

进一步的是，该倾斜角检测方法还包括：

以所述夹角θ的大小对目标图像进行旋转，使所述直线L与所述预定方向的 方向一致。

本发明还提供一种目标图像的倾斜角检测设备，包括：

灰度转化单元，用于将目标图像转化为灰度图像I_gray；

二值化单元，用于对所述灰度图像I_gray进行二值化处理，获得二值化图像I_bin；

降噪单元，用于对所述二值化图像I_bin进行降噪处理，获得降噪后的图像I_deno；

膨胀单元，用于对所述降噪后的图像I_deno进行膨胀处理，获得膨胀图像I_bulge；

边缘检测单元，用于对所述膨胀图像I_bulge进行边缘检测，获得边缘图像I_edge；

生长算法单元，用于利用生长算法对所述边缘图像I_edge进行扩展，找到预定 方向上最长的生长区域R_max-L；

拟合单元，用于由所述区域R_max-L里的点，拟合出一条直线L；

获取单元，用于获取所述直线L与所述预定方向之间的夹角θ。

进一步的是，该倾斜角检测设备还包括：

旋转单元，用于以所述夹角θ的大小对目标图像进行旋转，使所述直线L与 所述预定方向的方向一致。

本发明带来了以下有益效果：本发明提供的技术方案中，通过对二值化的目 标图像进行膨胀处理，再进行边缘检测，然后基于种子生长，找到预定方向上跨 度最大的区域，并获得该区域的两个端点。这两个端点的连线与预定方向的夹角 就是目标图像的倾斜角，以此角度旋转图像，即可获得倾斜校正后的图像。对目 标图像进行二值化和膨胀处理，能够显著降低后续边缘检测、生长算法的运算量， 从而解决了现有的倾斜角检测方法的运算量较大的技术问题，提高了倾斜角检测 的运算效率。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书 中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过 在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需 要的附图做简单的介绍：

图1是本发明实施例提供的目标图像的倾斜角检测方法的流程图；

图2是本发明实施例提供的目标图像的倾斜角检测设备的示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何 应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实 施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的 各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

实施例一：

本发明实施例提供一种目标图像的倾斜角检测方法，可应用于图像处理系统 中，具体用于对图像内容进行识别之前的预处理过程。如图1所示，该倾斜角检 测方法包括：

S1：将目标图像转化为灰度图像I_gray。

图像处理系统的采集设备通常能够采集到彩色的图像。为了方便于对其进行 倾斜角检测，所以需要先将彩色的目标图像转化为黑白的灰度图像I_gray。

S2：对灰度图像I_gray进行二值化处理，获得二值化图像I_bin。

目前，二值化处理的具体方法很多，本实施例中优选采用类间方差最大化、 双峰直方图或全局阈值方法，对灰度图像I_gray进行二值化处理，并获得黑白两色 且无灰度的二值化图像I_bin。

S3：对二值化图像I_bin进行降噪处理，获得降噪后的图像I_deno。

具体的，遍历二值化图像I_bin，对白色的目标像素点进行[5×5]降噪处理，从 而去除孤立的噪点，获得降噪后的图像I_deno。

S4：对降噪后的图像I_deno进行膨胀处理，获得膨胀图像I_bulge。

具体的，遍历降噪后的图像I_deno，对白色的目标像素点进行[9×9]膨胀处理， 获得膨胀图像I_bulge。

S5：对膨胀图像I_bulge进行边缘检测，获得边缘图像I_edge。

本实施例中，使用Canny算法，采用卷积算子$S_x=\left(\begin{array}{cc}-1& 1\\ -1& 1\end{array}\right),S_y=\left(\begin{array}{cc}1& 1\\ -1& -1\end{array}\right),$对膨胀图像I_bulge进行边缘检测，获得边缘图像I_edge。

S6：利用生长算法对边缘图像I_edge进行扩展，找到预定方向上最长的生长区 域R_max-L。

本实施例中，遍历边缘图像I_edge，以边缘上的第一个目标点作为种子，利用 3-邻域$\left(\begin{array}{ccc}0& 0& 1\\ 0& 1& 1\\ 0& 0& 1\end{array}\right)$生长算法对边缘图像I_edge进行扩展，找到预定方向上最长的生长 区域R_max-L。其中，预定方向可以是水平方向、竖直方向、45°斜向方向或﹣45 °斜向方向。本实施例中以水平方向作为预定方向，最终得到了水平方向上最长 的生长区域R_max-L。

S7：由区域R_max-L里的点，拟合出一条直线L。

具体的，可以采用最小二乘法，由区域R_max-L里的点线性拟合出一条直线L， 即获得区域R_max-L的左上点和右上点，并将这两点连成直线L。

S8：获取直线L与预定方向之间的夹角θ。

直线L与水平方向之间的夹角θ就是目标图像的倾斜角，直接获取该夹角θ 即可。

进一步的是，本发明实施例提供的倾斜角检测方法中，还包括：

S9：以夹角θ的大小对目标图像进行旋转，使直线L与预定方向(即水平方 向)的方向一致，从而在检测出目标图像的倾斜角之后，还实现了目标图像的校 正。

本发明实施例提供的倾斜角检测方法中，通过对二值化的目标图像进行膨胀 处理，再进行边缘检测，然后基于种子生长，找到水平方向上跨度最大的区域， 并获得该区域的两个端点(左上点和右上点)。这两个端点的连线L与水平方向 的夹角θ就是目标图像的倾斜角，以此角度旋转图像，即可获得倾斜校正后的图 像。对目标图像进行二值化和膨胀处理，能够显著降低后续边缘检测、生长算法 的运算量，从而解决了现有的倾斜角检测方法的运算量较大的技术问题，提高了 倾斜角检测的运算效率。

实施例二：

如图2所示，本发明实施例提供一种目标图像的倾斜角检测设备，主要包括 灰度转化单元、二值化单元、降噪单元、膨胀单元、边缘检测单元、生长算法单 元、拟合单元、获取单元、旋转单元等部分。

灰度转化单元用于将目标图像转化为灰度图像I_gray。

二值化单元用于对灰度图像I_gray进行二值化处理，获得二值化图像I_bin。

降噪单元用于对二值化图像I_bin进行降噪处理，获得降噪后的图像I_deno。

膨胀单元用于对降噪后的图像I_deno进行膨胀处理，获得膨胀图像I_bulge。

边缘检测单元用于对膨胀图像I_bulge进行边缘检测，获得边缘图像I_edge。

生长算法单元用于利用生长算法对边缘图像I_edge进行扩展，找到预定方向上 最长的生长区域R_max-L。其中，预定方向可以是水平方向、竖直方向、45°斜向 方向或﹣45°斜向方向。

拟合单元用于由区域R_max-L里的点，拟合出一条直线L。

获取单元用于获取直线L与预定方向之间的夹角θ。

旋转单元用于以夹角θ的大小对目标图像进行旋转，使直线L与预定方向的 方向一致。

本发明实施例提供的目标图像的倾斜角检测设备，与上述实施例一提供的目 标图像的倾斜角检测方法具有相同的技术特征，所以也能解决相同的技术问题， 达到相同的技术效果。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明 而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人 员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节 上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所 界定的范围为准。