1.一种基于背景估计与U型卷积神经网络的文档图像二值化方法，其特征在于，包括以下步骤：

步骤1：对彩色文档图像f(x,y)进行灰度预处理，获得灰度图像fgray(x,y)；

步骤2：对灰度图像fgray(x,y)进行图像增强处理，获得图像feq(x,y)；

步骤3：对图像feq(x,y)进行笔画宽度变换；

步骤4：对笔画宽度变换后的图像进行形态学闭操作，估计出文档图像的背景，获得背景估计图；

步骤5：计算图像feq(x,y)与背景估计图之间的绝对差值，绝对差值图像全部取反，获得背景减除图像；

步骤6：对背景减除图像进行分割处理；

其中，采用U型卷积神经网络对背景减除图像进行分割处理，U型卷积神经网络由收缩路径与扩张路径构成，收缩路径中由10个3×3卷积核，4个2×2最大池化层组成，激活函数为线性修正单元；

线性修正单元RELU(xconv)为：其中，xconv为卷积结果；

扩张路径中使用2×2的反卷积核将特征图像的维度减半，反卷积的输出大小为：xout＝(xin‑1)*s+k其中，xin为输入大小，k为卷积核大小，s为滑动步长，xout为输出大小；

通过矩阵级联的方式与收缩路径中的特征图进行拼接，并采用3×3的卷积进一步提取图像特征；由于文档图像二值化属于二分类问题，因此最后一层中选择Sigmoid函数作为激活函数，具体公式为：

其中，为输入特征， 为像素点被划分为字符的概率值；

采用对数损失函数反映网络分类的准确性，具体公式为：其中，yi为训练样本的真实值， 为训练样本的像素点被划分为字符的概率值，m为训练样本个数；

步骤7：对步骤6的输出结果进行二值化处理，实现图像二值化。

2.根据权利要求1所述的基于背景估计与U型卷积神经网络的文档图像二值化方法，其特征在于：步骤1中，采用加权平均法对彩色文档图像f(x,y)进行灰度预处理；具体灰度预处理公式为：

fgray(x,y)＝0.299fR(x,y)+0.587fG(x,y)+0.114fB(x,y)其中，fR(x,y)、fG(x,y)、fB(x,y)分别代表彩色文档图像f(x,y)的R、G、B分量。

3.根据权利要求1所述的基于背景估计与U型卷积神经网络的文档图像二值化方法，其特征在于：步骤2中，采用线性灰度变换对灰度图像fgray(x,y)进行图像增强处理；具体公式为：

其中，图像fgray(x,y)中灰度值小于l1的累计分布概率为1％，小于l2的累计分布概率为

99％，h1＝0、h2＝255为灰度变换图像的最小值与最大值。

4.根据权利要求1所述的基于背景估计与U型卷积神经网络的文档图像二值化方法，其特征在于：步骤3中，采用Canny算子对图像feq(x,y)进行边缘检测，得到每一个边缘像素点p的梯度方向dp，沿射线r＝p±n·dp方向寻找对应的边缘像素点q，将路径 上的像素点赋值为p与q之间的欧式距离||p‑q||，除非该像素点已经被指定了一个更小的宽度值，图像的笔画宽度估计SWE的具体计算公式为：其中，num表示笔画宽度变换的输出s(x,y)中不为0的个数，n＞0。

5.根据权利要求1所述的基于背景估计与U型卷积神经网络的文档图像二值化方法，其特征在于：步骤4中，使用圆形结构元素对笔画宽度变换后的图像进行形态学闭操作。

6.根据权利要求1‑5任意一项所述的基于背景估计与U型卷积神经网络的文档图像二值化方法，其特征在于：选择全局最优阈值处理方法，对U型卷积神经网络输出结果进行二值化处理；具体实现包括以下子步骤：步骤7.1：统计灰度直方图；

统计图像的灰度直方图分布，直方图中各分量表示为pi(i＝0,1,2,...,L‑1)，其中L为

256；

步骤7.2：计算前景像素点、背景像素点比例；

选择一个阈值k∈[0,L‑1]，计算前景像素点所占总像素点比例 计算背景像素点所占总像素点的比例

步骤7.3：计算灰度平均值；

计算前景像素点的灰度平均值μ1(k)与背景像素点的灰度平均值μ2(k)，具体公式为：步骤7.4：确定阈值；

类间方差作为背景像素点与前景像素点的可分性度量，根据步骤7.2‑7.3计算类间方差 找到使得 最大的k作为阈值，实现图像二值化；具体公式为：其中 为全局均值。