如何在不损坏字符的前提下去除扫描表格图像残留非连续水平线

1. 自适应宽度的轮廓遮盖优化 #

针对不同粗细线条的遮盖问题，核心是动态匹配画笔粗细与线条实际宽度：

• 对检测到的每条线条轮廓，用cv2.boundingRect()获取其最小外接矩形的宽高（w和h）
• 区分水平/垂直线条：水平线条取h作为实际宽度，垂直线条取w
• 设置画笔粗细为线条实际宽度 + 2，并使用cv2.FILLED模式填充轮廓，确保完全覆盖线条
• 示例代码片段：

import cv2
import numpy as np

# 假设已经得到线条轮廓contours
for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    # 判断线条方向
    if w > h:  # 水平线条
        line_width = h
    else:      # 垂直线条
        line_width = w
    # 动态设置画笔粗细，填充轮廓
    cv2.drawContours(img, [cnt], -1, (255,255,255), thickness=line_width + 2)

2. 形态学重建精准去线 #

形态学重建可以在不影响字符的前提下，精准去除线条区域：

• 先通过横竖核的开运算分别提取水平、垂直线条，合并得到完整的线条掩码line_mask
• 以原始图像为标记图像，线条掩码为掩模，执行形态学重建开运算：先对标记图像反复腐蚀，直到不超出掩模范围，再膨胀恢复原始尺寸，最终只去除线条区域的像素
• 示例代码片段：

# 提取线条掩码（假设已完成）
line_mask = cv2.bitwise_or(horizontal_lines, vertical_lines)
# 形态学重建：先腐蚀标记图像（原始图）
marker = cv2.erode(img, np.ones((3,3), np.uint8), iterations=1)
# 循环重建直到稳定
while True:
    prev_marker = marker.copy()
    marker = cv2.max(marker, cv2.min(img, cv2.dilate(marker, np.ones((3,3), np.uint8))))
    marker = cv2.bitwise_and(marker, cv2.bitwise_not(line_mask))
    if np.array_equal(prev_marker, marker):
        break
# 重建后的图像即为去除线条的结果
result = marker

3. 基于图像修复的残留线条补全 #

对于少量残留线条，用图像修复算法精准填充，不破坏字符：

• 生成残留线条的掩码：将原始图像与初步去线后的图像做差，提取灰度差异明显的区域作为residue_mask
• 使用cv2.inpaint()函数，选择INPAINT_TELEA（快速）或INPAINT_NS（精准）算法，设置修复半径为线条最大宽度的1.5倍
• 示例代码片段：

# 生成残留线条掩码
diff = cv2.absdiff(img, initial_result)
residue_mask = cv2.threshold(diff, 20, 255, cv2.THRESH_BINARY)[1]
# 图像修复
final_result = cv2.inpaint(img, residue_mask, inpaintRadius=5, flags=cv2.INPAINT_TELEA)

4. 自适应膨胀的线条相减法 #

改进传统相减方法，避免过度膨胀导致的白色粗线：

• 对提取的线条掩码，根据每条线条的宽度生成自适应的膨胀核：比如对宽度为k的线条，使用(k+1, k+1)大小的矩形核
• 仅对线条区域进行针对性膨胀，避免覆盖字符
• 用位运算去除线条区域：

# 假设已得到单条线条的轮廓列表contours
enhanced_mask = np.zeros_like(img)
for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    kernel_size = max(w, h) + 1
    kernel = np.ones((kernel_size, kernel_size), np.uint8)
    # 对单个轮廓生成掩码并膨胀
    cnt_mask = np.zeros_like(img)
    cv2.drawContours(cnt_mask, [cnt], -1, 255, cv2.FILLED)
    cnt_mask = cv2.dilate(cnt_mask, kernel, iterations=1)
    enhanced_mask = cv2.bitwise_or(enhanced_mask, cnt_mask)
# 位运算去除线条
result = cv2.bitwise_and(img, cv2.bitwise_not(enhanced_mask))

内容的提问来源于stack exchange，提问作者kajezevu