文本图像倾斜校正是文字识别前端的重要预处理环节。为了克服现有方法的倾斜角度检测范围只在-90°~90°的缺点,将文本图像倾斜角度检测问题转换为倾斜角度类检测问题,利用深度卷积神经网络的分类功能,选取适当的损失函数,设计了一阶段二分类和多阶段多分类的检测结构,实现了多种文本图像倾斜角度类的检测,进而得到了文本图像的倾斜角度范围。实验结果表明,倾斜角度类的准确率、召回率和精确率都在0.93以上。利用经典深度学习的方法对经过倾斜校正后的文本图像进行文字识别,识别精确率比校正前有大幅度的提升。

现有的空间目标图像波后处理方法多直接套用自然光学图像的复原技术, 效果并不理想。本文通过分析空间目标图像的近似稀疏性和灰度值服从超拉普拉斯分布的独有特点, 提出了一个采用正则化方法的非凸稀疏正则化空间目标图像复原模型。在数值计算过程中, 根据交替方向乘数法将复原模型分解为两个子问题, 对凸优化子问题采用快速傅里叶变换求解, 对非凸优化子问题采用固定点迭代方法求解。文中设计了非凸稀疏正则化空间目标图像波后复原的完整算法流程, 并针对模拟图像和真实空间目标图像进行了对比验证。 结果显示: 相对于最近的流行算法, 提出方法的最大峰值信噪比提高了2 dB, 最大平均结构相似度提高了0.17, 最大信息熵提高了3.85, 图像清晰度提高了2.65。

受噪声和图像边缘结构信息的影响，传统的图像盲复原方法易出现“振铃”、“拖尾”、“阶梯”等现象。为解决上述问题，本文利用图像的后验信息、点扩散函数（PSF）的稀疏性以及l1, l2两类范数在约束中的不同作用，提出了一种更一般的非凸高阶全变差正则化自然光学图像盲复原模型。针对提出模型的非凸优化问题，在数值求解过程中对模型的范数结构进行改进，引入Split-Bregman权值迭代方法，提高了计算精度。对人工模拟退化图像和真实图像进行了实验测试。结果表明，提出的方法能够对多种退化类型的图像进行有效复原，复原后的图像边缘保持良好，细节和纹理的处理都优于最近文献提出的模型。客观评价结果显示，相比最近文献的模型，提出模型的峰值信噪比最大可以提高2.08 dB，信息熵值最大可以提高1.14个单位。