基于神经网络和SVM的字符识别研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 1. 绪论 | 第10-17页 |
| ·字符识别研究背景及意义 | 第10-11页 |
| ·字符识别技术发展现状及发展趋势 | 第11-12页 |
| ·字符识别基本方法 | 第12-15页 |
| ·本文研究内容及结构安排 | 第15-17页 |
| 2. 图像预处理 | 第17-27页 |
| ·图像采集 | 第17-18页 |
| ·图像增强与滤波 | 第18-21页 |
| ·均值滤波 | 第18-19页 |
| ·中值滤波 | 第19-21页 |
| ·混合滤波器 | 第21页 |
| ·图像倾斜校正 | 第21-25页 |
| ·图像二值化 | 第25-27页 |
| 3. 字符分割 | 第27-49页 |
| ·图像分割 | 第27-32页 |
| ·图像分割定义 | 第27-28页 |
| ·图像分割基本方法 | 第28-30页 |
| ·字符分割方法及现状 | 第30-32页 |
| ·基于数学形态学的字符分割 | 第32-37页 |
| ·数学形态学概述 | 第32页 |
| ·形态学的基本算法 | 第32-35页 |
| ·基于形态学字符分割的仿真实现 | 第35-37页 |
| ·改进的彩色空间聚类字符分割方法 | 第37-49页 |
| ·色彩空间的选择与分割策略 | 第37-42页 |
| ·聚类算法的选取 | 第42-44页 |
| ·改进的 K-均值聚类字符分割算法设计与实现 | 第44-49页 |
| 4. 人工神经网络字符识别研究 | 第49-63页 |
| ·人工神经网络概述 | 第49-54页 |
| ·神经元结构模型 | 第49-51页 |
| ·神经网络结构类型 | 第51-53页 |
| ·神经网络学习规则 | 第53-54页 |
| ·神经网络的特点 | 第54页 |
| ·误差反向传播算法--BP 网络 | 第54-59页 |
| ·BP 网络模型 | 第55-56页 |
| ·标准的 BP 算法 | 第56-58页 |
| ·BP 算法的改进 | 第58-59页 |
| ·基于改进 BP 网络字符识别算法的设计与实现 | 第59-63页 |
| ·BP 网络结构设计 | 第60-61页 |
| ·BP 网络的训练 | 第61页 |
| ·BP 网络仿真及识别结果 | 第61-63页 |
| 5. 支持向量机字符识别研究 | 第63-76页 |
| ·支持向量机概述 | 第63-64页 |
| ·支持向量机基本原理 | 第64-71页 |
| ·支持向量机基本算法 | 第64-69页 |
| ·核函数及其参数的选择 | 第69-70页 |
| ·支持向量机的训练过程 | 第70-71页 |
| ·支持向量机训练算法 | 第71-73页 |
| ·优化支持向量机分类算法 | 第71-72页 |
| ·支持向量机多分类算法 | 第72-73页 |
| ·基于支持向量机字符识别的设计与实现 | 第73-76页 |
| ·支持向量机及核函数参数选择 | 第73-74页 |
| ·支持向量机字符识别系统的设计 | 第74页 |
| ·算法仿真结果分析 | 第74-76页 |
| 6. 系统仿真结果与分析 | 第76-81页 |
| ·字符样本图像 | 第76页 |
| ·Halcon 及 VC 软件简介 | 第76-77页 |
| ·字符识别流程及仿真结果分析 | 第77-81页 |
| 7. 总结与展望 | 第81-82页 |
| 参考文献 | 第82-85页 |
| 攻读硕士学位期间发表学术论文情况 | 第85-86页 |
| 致谢 | 第86-87页 |
| 作者简介 | 第87-88页 |
