文档的数字化是保存现有打印文档的一种重要方式,可以方便人们随时随地进行访问。随着移动摄像头的日益增多,拍摄纸质文档成为了一种最便捷的文档扫描方式。拍摄后,图像可以由文本检测和识别技术进行进一步的处理,实现内容的分析和信息的提取。然而,在拍摄或者扫描文档的过程中,一个常见的实际问题就是文档获取的时候可能出现弯曲、折叠、甚至褶皱的情况,这对于文档的数字化保存是一个巨大的阻碍。近年来,随着深度学习的兴起,基于深度学习的文档褶皱矫正成为极具研究价值的热门课题。利用深度学习的技术与方法,快速、准确地实现文档图像的褶皱矫正,进而用于后续的视觉任务,对于节约成本与文档数字化有着极其重要的意义。大多数文档图像褶皱矫正的方法主要是借助于对硬件设施的改造与升级,通过对平板式扫描仪等设备进行改装来保证扫描的精准度和平整度,但这种方式会极大提升设备价格、降低设备便携性。另外,在褶皱矫正完成之后,绝大多数的文献仅考虑到矫正完成之后的图像质量是否有所提升,而并未考虑到使用文本定位和识别方式对后续的内容分析和信息提取任务是否有所帮助,从而导致图像的整体褶皱程度虽有下降,但却使得图像中的文本内容出现模糊、淡化甚至消失等现象。针对上述问题,本文的主要工作有:(1)提出了面向图像文本定位和识别任务的图像矫正评价指标,即在保证图像中文本的定位和识别准确率的前提下,尽可能提升图像的整体质量,使图像的褶皱程度降到最低。同时,根据该评价指标设计生成了一个大型的文档图像数据集。该数据集不仅包括了原始图像与褶皱图像,并且对文档图像中文本的位置坐标以及其对应的文本内容进行了标注,方便进行文本定位和识别准确率的定量比较。(2)提出了以U-Net、GAN(Generative Adversarial Network)为核心架构的面向文本定位和识别的图像褶皱矫正Doc GAN(Document Generative Adversarial Network)框架。该框架主要包括三个创新:第一,在网络训练的过程中对于生成器的解码器部分提出区域自适应(region-adaptive)的策略,将文字和背景部分分开考虑并对不同区域设计不同的损失函数以保证后续高级视觉任务的准确率;第二,在网络训练前对原始图像生成二值化Mask以保证在训练过程中文字、背景区域的损失函数权重可以自适应确定;第三,加入对抗网络使得矫正后的图像更加清晰,保证图像整体质量的提升。实验证明,所提出的Doc GAN框架在本文收集整理的数据集上,不仅保证了文本定位和识别率,并使整体的图像质量也有了明显的提升。此外,本文在后续通过进一步实验,证明了所提出策略的有效性。