一，传统方法
1.1
二值化后，用canny边缘提取，然后用霍夫变换获得直线为一般方法。比如在图片中车道线提取上的应用。
1.2
二值化后，用横向和竖向的细长的条去腐蚀膨胀可以得到横线和竖线，拼在一起就是完整的表格框架。比如图片中表格的提取。
总结
一开始我用传统的第一个方法，python代码实现后发现canny后是轮廓，一条横线和一条垂线有交点，交点处就变成镂空的十字架，导致线不连续。后来了解到膨胀腐蚀即可解决问题，效果更欧豪。如下python实例代码为膨胀腐蚀方法。
二，深度学习方法(比如车道线识别)
Lanenet算法等学完深度学习再分析
三，传统方法理论知识点说明
3.1 二值法
把图片变成只有2个值的灰白图。
3.2 canny方法
用于提取边缘。基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。因为边缘和非边缘的像素会有明显突变。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是Laplacian过零点或者非线性差分表示的过零点。因为这是求驻点或极值的方法，也可以找到突变点。
3.3 霍夫变换
利用同一直线上的点，他们的斜率和截距相同，所以转换为K,b坐标系中，则多个直线上的点，他们的K,b是相同的，所以每个点会转换为一条直线并且相交与k,b点。但是x=1这类垂线无斜率，所以引入了r，theta极坐标系。同理函数会相交某点。
相交的某点的函数线越多，说明极坐标函数对应的这些直线上的点越多。
如下为笛卡尔坐标系的x,y，取直线上的3个点，则会在极坐标系中转换为3条函数，并且相交于一点。
3.4 膨胀和腐蚀
膨胀是取像素值高的点，腐蚀相反，是取像素值低的点。
膨胀的实现方法是在核区间内，取最大值。腐蚀相反。所以若要坚持横竖表格，则核区间大小一般就使用横线或垂线。
原图如下：
腐蚀(erode)后可以明显的看到图像字母变细了
膨胀(dilate)后明显的看到图像字母变粗了
四，传统方法实实战取表格框
4.1 python opencv代码
此篇主要实现提取表格框，后续章节会实现提取单元格内容。
import cv2
import numpy as np
image = cv2.imread('cell.jpg', 1)
#二值化
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
binary = cv2.adaptiveThreshold(~gray, 255,
cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 15, -10)
# cv2.imshow("cell", binary)
# cv2.waitKey(0)
rows,cols=binary.shape
scale = 20
#识别横线
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(cols//scale,1))
eroded = cv2.erode(binary,kernel,iterations = 1)
#cv2.imshow("Eroded Image",eroded)
dilatedcol = cv2.dilate(eroded,kernel,iterations = 1)
cv2.imshow("Dilated Image",dilatedcol)
cv2.waitKey(0)
#识别竖线
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(1,rows//scale))
eroded = cv2.erode(binary,kernel,iterations = 1)
dilatedrow = cv2.dilate(eroded,kernel,iterations = 1)
cv2.imshow("Dilated Image",dilatedrow)
cv2.waitKey(0)
#标识交点
bitwiseAnd = cv2.bitwise_and(dilatedcol,dilatedrow)
cv2.imshow("bitwiseAnd Image",bitwiseAnd)
cv2.waitKey(0)
#标识表格
merge = cv2.add(dilatedcol,dilatedrow)
cv2.imshow("add Image",merge)
cv2.waitKey(0)
4.2 效果如下
原图
过程中生成的图
