今天上午，朋友发来一张图片如下。没错，这就是原图，他希望可以通过一些简单的算法将图中这条穿过单词间的直线去掉，使得到的结果能够通过他的文字识别算法并得出正确结果——The Techniques of Machine Vision。

乍一看这似乎挺简单，(1)将图像二值化；(2)找出这条直线；(3)将直线区域填成背景色（即白色）；(4)再通过膨胀、腐蚀等操作将单词缺失的部分给补全。以上4步似乎可以满足要求，但测试发现，效果不尽人意。

一、按上述方法实现过程

二值化结果如图1.1所示，可以看到图像并不标准，直线粗细也不一，我们尝试用霍夫变换找一下直线，代码如下

void findLines(IplImage* raw, IplImage* dst){ IplImage* src = cvCloneImage(raw); IplImage* canny = cvCreateImage(cvGetSize(src), IPL_DEPTH_8U, 1); cvCanny(src, canny, 20, 200, 3); CvMemStorage* stor = cvCreateMemStorage(0); CvSeq* lines = NULL; lines = cvHoughLines2(canny, stor, CV_HOUGH_PROBABILISTIC, 1, CV_PI / 180, 80, 200, 30); cvZero(dst); CvPoint maxStart, maxEnd; int maxDistance = 0; for (int i = 0; i < lines->total; i++) { CvPoint* line = (CvPoint*)cvGetSeqElem(lines, i); if (abs(line[0].x - line[1].x) > maxDistance) { maxDistance = abs(line[0].x - line[1].x); maxStart = line[0]; maxEnd = line[1]; } } cvLine(dst, maxStart, maxEnd, cvScalar(255), 1); cvReleaseImage(&src); cvReleaseMemStorage(&stor);}

简要解释一下这段代码。函数的功能是在输入图像中找出一条直线，输入的图像是灰度图raw，返回值为dst，返回值是以图片的形式，将找到的直线画上图中。

函数lines = cvHoughLines2(canny, stor, CV_HOUGH_PROBABILISTIC, 1, CV_PI / 180, 80, 200, 30);的参数表明，要求直线长度在200个像素以上，且两条在同一直线上的线段，如果相隔不到30个像素，就把它们连起来【注：图片尺寸为1066×148】。对于找到的多条直线，认为最长的一条是我们要找的那条。找距离时用了abs(line[0].x - line[1].x);是不严格的，严格来讲应该是

sqrt((line[0].x - line[1].x)*(line[0].x - line[1].x)+(line[0].y - line[1].y)*(line[0].x - line[1].x))

不过图中的直线接近水平，这里就简化一下啦。

所以将运行这段代码后，返回的图片dst应该是这样子的

图1.2中直线的粗线可以通过改变cvLine(dst, maxStart, maxEnd, cvScalar(255), 1);最后一个参数来调整，这里用的是1。

接下来步骤就是在二值化图(图1.1)中去掉这条线，代码如下：

void eraseLine(IplImage* src, IplImage* flag){// flag为图1.2所示的图片，src为图1.1所示的二值化图片 for (int row = 0; row < src->height; row++) for (int col = 0; col < src->width; col++) { // 如果在白色线段上，则将二值化图片填为白色 if (cvGet2D(flag, row, col).val[0] == 255) cvSet2D(src, row, col, cvScalar(255)); }}

当直线的宽度分别为2、3个像素时，二值化图去掉直线后的效果如下

可以看到，效果很差，如果要膨胀（黑色部分减小），单词下边部分都会消失了，直接腐蚀（黑色部分增大），线又不能完全去掉。

后来，我采用的办法是，对图1.3重新找一次直线（减去一次直线后，中间还残留一部分短些的直线），再减掉，再找再减掉。后面再对图像进行腐蚀（黑色部分增长）。最终效果最好这就如下图所示

但这种方法用时长、针对不同的直线，找直线-减直线 的重复次数还不一样，不具有可移植性。而且啊，这个图片识别出来的结果是

The Technique_sJ_otMachine Vision

所以需要采用新的办法来解决这个问题。

二、新的办法

源代码如下

#include <cv.h>#include <highgui.h>#include <iostream>using namespace std;void findLines(IplImage* raw, IplImage* dst){ IplImage* src = cvCloneImage(raw); // clone the input image IplImage* canny = cvCreateImage(cvGetSize(src), IPL_DEPTH_8U, 1); // create a tmp image head to save gradient image cvCanny(src, canny, 20, 200, 3); // Generate its gradient image CvMemStorage* stor = cvCreateMemStorage(0); CvSeq* lines = NULL; // find a line whose length bigger than 200 pixels lines = cvHoughLines2(canny, stor, CV_HOUGH_PROBABILISTIC, 1, CV_PI / 180, 80, 200, 30); cvZero(dst); CvPoint maxStart, maxEnd; // save the coordinate of the head and rear of the line we want int maxDistance = 0; // The maximum distance of all lines found by [cvHoughLines2] for (int i = 0; i < lines->total; i++) // lines->total: the number of lines { // variable 'lines' is a sequence, [cvGetSeqElem] gets the (i)th line, and it returns its head and rear. CvPoint* line = (CvPoint*)cvGetSeqElem(lines, i); // line[0] and line[1] is respectively the line's coordinate of its head and rear if (abs(line[0].x - line[1].x) > maxDistance) {/* It's a trick because the line is almost horizontal. strictly, it should be sqrt((line[0].x - line[1].x)*(line[0].x - line[1].x)+(line[0].y - line[1].y)*(line[0].x - line[1].x)) */ maxDistance = abs(line[0].x - line[1].x); maxStart = line[0]; maxEnd = line[1]; } } cvLine(dst, maxStart, maxEnd, cvScalar(255), 1); // draw the white line[cvScalar(255)] in a black background cvReleaseImage(&src); // free the memory cvReleaseMemStorage(&stor);}void erase(IplImage* raw){ IplImage* src = cvCloneImage(raw); cvThreshold(src, src, 120, 255, CV_THRESH_BINARY_INV); // create some space to save the white areas but we access it via variable 'cont' CvMemStorage* stor = cvCreateMemStorage(0); CvSeq* cont; cvFindContours(src, stor, &cont, sizeof(CvContour), CV_RETR_EXTERNAL); // find the white regions for (; cont; cont = cont->h_next) // Traversal { if (fabs(cvContourArea(cont)) < 15) // if its Area smaller than 15, we fill it with white[cvScalar(255)] cvDrawContours(raw, cont, cvScalar(255), cvScalar(255), 0, CV_FILLED, 8); } cvReleaseImage(&src);} int main(){ IplImage* src = cvLoadImage("D:/test.png"); cvNamedWindow("原图", 1); cvShowImage("原图", src); IplImage* gray = cvCreateImage(cvGetSize(src), IPL_DEPTH_8U, 1); IplImage* canny = cvCreateImage(cvGetSize(src), IPL_DEPTH_8U, 1); IplImage* dst = cvCreateImage(cvGetSize(src), IPL_DEPTH_8U, 1); IplImage* binary = cvCreateImage(cvGetSize(src), IPL_DEPTH_8U, 1); cvCvtColor(src, gray, CV_RGB2GRAY); cvThreshold(gray, binary, 120, 255, CV_THRESH_OTSU); findLines(gray, dst); cvNamedWindow("dst", 1); cvShowImage("dst", dst); for (int row = 0; row < binary->height; row++) for (int col = 0; col < binary->width; col++) { if (cvGet2D(dst, row, col).val[0] == 255) { int up = 0, down = 0; int white = 0; for (int i = row; i >= 0; i--) { if (cvGet2D(binary, i, col).val[0] == 0) { up++; white = 0; } else white++; if(white > 2) break; } white = 0; for (int i = row; i < binary->height; i++) { if (cvGet2D(binary, i, col).val[0] == 0) { down++; white = 0; } else white++; if (white > 2) break; } if (up + down < 8) { for (int i = -up; i <= down; i++) cvSet2D(binary, row + i, col, cvScalar(255)); } } } cvNamedWindow("结果", 1); cvShowImage("结果", binary); erase(binary); //cvDilate(binary, binary, NULL, 1); cvErode(binary, binary, NULL, 1); cvNamedWindow("膨胀腐蚀", 1); cvShowImage("膨胀腐蚀", binary); cvSaveImage("D:/result.png", binary); cvReleaseImage(&src); cvReleaseImage(&canny); cvReleaseImage(&gray); cvReleaseImage(&dst); cvReleaseImage(&binary); cvWaitKey(0); return 0;}

这个方法很简单的，就是在找到直线（直线宽度为1）后，沿着直线从左到右对二值化图进行上下扫描，如果这个直线的宽度（黑色的宽度）小于8个像素，则认为它只是直线，而不是文字的一部分，那么将它填成白色；反之，对于直线是文字的一部分这种情况，则不对它进行任何操作。

这样得到的结果如下图2.1所示

当然这个结果有点差强人意，如果你有更好的想法，请在下面留言，我们交流交流。

以上这篇使用openCV去除文字中乱入的线条实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。