随着数字化转型升级和图像处理技术的普遍应用,海量非结构化数据的产生为信息存储带来了新的挑战。为应对挑战,信息存储的载体逐渐由纸质载体转变为数字载体。相较于传统的纸质载体,数字载体具有占用空间小、存储时间长、传输速度快等优势。因此,纸质文档数字化已成为必然趋势。然而,在数字化过程中,由于各种误差的存在,使得文档图像通常会出现一定程度的倾斜、偏移或是透视,进而增加后续图像处理的难度。因此,在处理图像前对其进行先验的校正是一个必不可少的环节。本文结合深度学习与传统图像处理技术对倾斜失真和透视失真的图像进行校正,具体研究工作如下:提出一种基于版面特征的自适应图像校正算法,该算法用于校正倾斜失真的图像。首先根据图像的版面特征自动将其分为文本文档图像、表格文档图像和复杂内容文档图像。然后根据不同的分类结果自适应地选择对应的策略计算图像的倾角:对于文本文档图像,采取骨架直线检测（Skeleton Line Detection,SKLD）结合分段投影（Piecewise Projection Profile,PPP）计算图像的倾角;对于表格文档图像,则采用基于直线检测的校正方法计算图像的倾角;对于复杂内容文档图像,则采用聚类傅里叶变换算法（Clustering Fourier Transform,CFT）计算图像的倾角。最后,根据倾斜角度对图像进行旋转校正。提出一种基于目标重定位的图像校正算法,该算法用于校正透视失真的图像。当相机镜面与待拍摄文档不在同一水平面时,图像会出现透视失真。对于这类图像,首先采用YOLOv5目标检测模型对图像内的文档区域进行定位,并将文档区域裁剪出来以减少复杂背景对算法造成的干扰,对网络进行压缩以提高网络的泛用性。然后对裁剪图像进行边缘检测,根据边缘检测的结果选择边界定位或边界预估算法获得文档区域的四个顶点。最后,根据顶点计算的透视矩阵对文档图像进行透视变换,并获得校正后的文档图像。通过PubLayNet数据集与DISEC’2013数据集对本文提出的算法进行测试,在分析对比实验结果后可以发现,算法对于两个数据集内倾斜图像的校正准确率分别达到了97.6%和80.1%;而透视失真图像在经过校正后,其文字识别精确率相较于校正之前提高了近50%。此外,YOLOv5网络模型经过压缩后的体积也减少了近65%。综上所述,本文提出的文档图像校正算法能够有效校正发生倾斜和透视失真的文档图像,且压缩后的网络模型减少了对于空间和资源的占用。而在性能方面,本文提出的算法具有较高的准确率和良好的鲁棒性。