44、图像优化技术：表格检测与低光照图像校正

图像优化技术：表格检测与低光照图像校正

在当今数字化时代，图像的处理和分析变得越来越重要。本文将介绍两种不同的图像优化技术，分别是基于深度学习的表格检测框架 DeepDoT，以及基于粒子群优化的低光照图像校正方法。

1. 基于深度学习的表格检测框架 DeepDoT

表格检测在文档处理中具有重要意义，能够帮助我们从文档图像中准确识别和定位表格。为了提高表格检测的性能，研究人员提出了 DeepDoT 框架。

1.1 数据集

为了验证 DeepDoT 的性能，使用了四个公开可用的数据集，具体信息如下表所示：
| 数据集 | 总图像数 | 使用图像数 | 训练 - 测试分割 |
| — | — | — | — |
| ICDAR - 13 | 238 | 238 | - |
| ICDAR - 17 | 2417 | 2417 | 1600 - 817 |
| MARMOT | 2000 | 2000 | - |
| UNLV | 2889 | 424 | - |

其中，除了 ICDAR - 17 数据集有预定义的训练 - 测试分割外，其他数据集采用交叉数据集测试技术。

1.2 训练方案

由于缺乏大量数据从头开始训练网络，因此使用了预训练（ImageNet）的骨干网络进行迁移学习。为了增强和验证 DeepDoT 的泛化能力，采用了两种评估方案：
- 留一法（Leave One Out, LOO） ：除一个数据集外，其余数据集用于训练，剩下的一个数据集用于测试。在该方案中，ICDAR - 2017