[发明专利]一种基于深度学习的档案扫描件图像自动纠偏方法

权利要求书

1.一种基于深度学习的档案扫描件图像自动纠偏方法，其特征在于针对档案扫描件图像的成像的特点，提出通过将深度学习亮度分类结果去自适应调整图片的亮度，改善扫描件的亮度，并通过深度学习目标检测技术，检测扫描件全图的主成分，避免图片四周黑边或白边对后续图片纠偏角度估计的影响。设计两阶段的纠偏策略(大方向纠偏和小方向纠偏)，完成对扫描件图片的纠偏，具体包括：

步骤一，将深度学习亮度分类结果去调整图片亮度，改善扫描件的亮度；

步骤二，标注扫描件的主要成分，进行深度学习训练得到模型后，检测得到扫描件的主要成分；

步骤三，深度学习模型进行第一阶段4个方向纠偏(大方向纠偏)；

步骤四，深度学习联合像素投影纠偏(小方向纠偏)完成第二阶段的纠偏。

2.权利要求1所述一种基于深度学习的档案扫描件图像自动纠偏方法，其特征在于，步骤一所述的深度学习亮度分类指，收集真实场景中的档案扫描件图像8000张，然后分5个亮度等级，人工将图片分为5个对亮度类别，利用自行加深的VGG16深度网络进行训练，获得图片亮度分类网络模型(传统的VGG16包含了16个隐藏层(13个卷积层和3个全连接层)，本专利自行加深的VGG网络有15个卷积层和5个全连接层。实验表明，如此加深后的分类网络，检测准确率提升了5％)，然后利用该模型，对原始输入的图片进行深度学习模型推理，获得测试图片的深度学习亮度分类结果，设为Lever(简称L)，Lever的范围为1～5。

3.权利要求1所述一种基于深度学习的档案扫描件图像自动纠偏方法，其特征在于，步骤一所述的将深度学习亮度分类结果去调整图片亮度指，利用自行加深的VGG深度学习分类网络所得的分类标签Lever值，去调整原始扫描件图片的亮度，调整的规则为，将Gamma矫正的指数值设置为基于深度学习所得结果L的式子：1/(5-L+1)。

4.权利要求1所述一种基于深度学习的档案扫描件图像自动纠偏方法，其特征在于，步骤二所述的标注扫描件的主要成分，进行深度学习训练得到模型后，检测得到扫描件的主要成分，指人工标注8000张原始扫描件中只需要保留的图像区域(主要成分)，以用于后续深度学习的主成分检测训练数据。所述的检测得到扫描件的主要成分，指利用YOLOv2深度学习目标检测网络训练所标注的主成分，得到主成分检测模型，执行深度网络前向推理，以获得原始扫描图像的主要成分图像区域。

5.权利要求1所述一种基于深度学习的档案扫描件图像自动纠偏方法，其特征在于，步骤三所述的深度学习模型进行第一阶段4个方向纠偏(大方向纠偏)指，收集8000张0度偏斜的原始图片(若原始图片不为0度，则手工纠偏为0度)，然后通过将图片顺时针旋转，得到另外90度、180度和270度偏斜的图片集合，结合原始图片集合，得到4类用于大方向纠偏的图片训练集合。从而用自行加深的VGG，训练对原始扫描件图片进行4方向分类的深度学习网络模型。进而，对每一张原始扫描件图片，利用该4方向分类深度学习网络对其进行4方向的分类，得到类标C(取值范围为0、1、2、3)，从而根然后通过将图片逆时针旋转，即逆时针旋转C×90度，从而完成第一阶段4个方向的纠偏(大方向纠偏)。

6.权利要求1所述一种基于深度学习的档案扫描件图像自动纠偏方法，其特征在于，步骤四所述的深度学习联合像素投影纠偏(小方向纠偏)完成第二阶段的纠偏指，第二阶段的纠偏，在第一阶段纠偏得到的图像的基础上，分两个分支进行，第一分支，是使用自行加深的VGG深度学习网络实施91类小方向估计、第二分支是基于Sobel边缘投影法的小方向估计。当第一分支的结果与第二分支的结果相差小于5度时，采用第一分支的结果作为最终小纠偏角度估计，否则采用第二分支的结果作为最终的小纠偏角度估计，最终完成对小纠偏结果的选择。所述的自行加深的VGG深度学习网络实施91类小方向估计指收集16000张0度偏斜的原始图片(若原始图片不为0度，则手工纠偏为0度)，然后通过将图片旋转，得到另外0～90度偏斜的图片集合，结合原始图片集合，得到91类用于大方向纠偏的图片训练集合。从而用自行加深的VGG，训练对原始扫描件图片进行91方向分类的深度学习网络模型。进而，对每一张原始扫描件图片，利用该4方向分类深度学习网络对其进行91方向的分类，得到类标C1(范围为整数的0～90)，即对应得到使用自行加深的VGG深度学习网络实施91类小方向估计的结果。所述的基于Sobel边缘投影法的小方向估计指利用自行设计的Sobel加权分割算法对原始图像进行分割，然后对分割图像进行角度旋转遍历，进一步，对分割图的像素进行水平方向的像素值投影，并找到投影值为0值最多的纠偏方向，即为基于Sobel边缘投影法的小方向估计所得的偏角度。