基于深度学习、OpenCV文本图像表格提取

基于Mask R-CNN以及形态学操作的文本图像中表格区域的提取

训练一个可用于检测表格区域的分割网络，在得到网络的输出即文本图像中表格区域后，利用形态学中的开运算提取表格区域中的线段用于后续的操作。

Mask R-CNN：

MaskRcnn顾名思义由两部分组成：mask、rcnn，在原来rcnn网络的基础上加入了一个mask分支，同时实现了目标检测和实体分割，个人认为是非常值得深入研究的一个架构。

R-CNN：

rcnn网络是非常经典的two-stage目标检测网络，在很多目标检测数据集上都能达到SOT水准。本文会做一个概括的说明，更多的细节可以参考Google。

stage1:
通过RPN网络得到Region Proposal。
stage2:
stage1的结果进行bounding box回归和分类，实现目标检测。

如上图，首先输入图像经由共享卷积层提取feature maps，然后一个分支输入到RPN网络进行Region Proposal，另一个分支结合rpn网络的输出得到ROI，通过池化层得到固定维度的特征向量，最后进行框回归和分类。
RPN网络：
接收feature maps，然后在feature maps每一点做33的卷积，channel=512（VGG-16）如果前面的卷积网