| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-18页 |
| 1.1 课题研究的背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 文字定位 | 第9-10页 |
| 1.2.2 文字分割 | 第10-13页 |
| 1.2.3 文字识别 | 第13页 |
| 1.2.4 深度学习场景文字识别 | 第13-14页 |
| 1.3 课题研究意义 | 第14-17页 |
| 1.4 本文的章节安排及主要内容 | 第17-18页 |
| 2 相关基础理论 | 第18-38页 |
| 2.1 图像基础知识 | 第18-23页 |
| 2.1.1 图像特征 | 第18-20页 |
| 2.1.2 图像二值化 | 第20-21页 |
| 2.1.3 图像去噪 | 第21-23页 |
| 2.2 图像分割 | 第23-27页 |
| 2.2.1 边缘检测 | 第23-25页 |
| 2.2.2 线检测 | 第25-26页 |
| 2.2.3 区域分割 | 第26-27页 |
| 2.3 深度学习概述 | 第27-37页 |
| 2.3.1 深度学习概念辨析 | 第27-29页 |
| 2.3.2 深度学习基础 | 第29-31页 |
| 2.3.3 深度学习常用网络结构 | 第31-37页 |
| 2.4 本章小结 | 第37-38页 |
| 3 文字定位技术 | 第38-57页 |
| 3.1 文字定位的基础理论 | 第38-44页 |
| 3.1.1 常规文字定位流程 | 第38-43页 |
| 3.1.2 非常规的文字定位流程 | 第43-44页 |
| 3.2 典型文字定位算法 | 第44-50页 |
| 3.2.1 基于SWT文字定位算法 | 第44-47页 |
| 3.2.2 基于MSER文字定位算法 | 第47-50页 |
| 3.3 文字定位算法的改进 | 第50-55页 |
| 3.3.1 基于SWT算法缺陷 | 第50页 |
| 3.3.2 基于SWT算法改进 | 第50-54页 |
| 3.3.3 实验结果与分析 | 第54-55页 |
| 3.4 本章小结 | 第55-57页 |
| 4 文字提取技术 | 第57-70页 |
| 4.1 文字提取基础理论 | 第57-58页 |
| 4.2 典型文字提取算法 | 第58-66页 |
| 4.2.1 基于Otsu分割算法 | 第58-62页 |
| 4.2.2 基于分水岭分割算法 | 第62-66页 |
| 4.3 文字提取算法的改进 | 第66-69页 |
| 4.3.1 基于Otsu算法缺陷 | 第66页 |
| 4.3.2 基于Otsu算法改进 | 第66-68页 |
| 4.3.3 实验结果与分析 | 第68-69页 |
| 4.4 本章小结 | 第69-70页 |
| 5 基于深度学习的文字识别技术 | 第70-82页 |
| 5.1 基础理论 | 第70-71页 |
| 5.2 典型算法 | 第71-75页 |
| 5.3 基于CTPN+CRNN文字检测和提取实现 | 第75-81页 |
| 5.3.1 基于CTPN+CRNN文字检测提取原理 | 第75-78页 |
| 5.3.2 基于CTPN+CRNN实现步骤 | 第78-79页 |
| 5.3.3 实验结果和分析 | 第79-81页 |
| 5.4 本章小结 | 第81-82页 |
| 6 总结和展望 | 第82-84页 |
| 6.1 总结 | 第82页 |
| 6.2 展望 | 第82-84页 |
| 参考文献 | 第84-88页 |
| 致谢 | 第88页 |