| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-21页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究意义 | 第9-12页 |
| 1.3 存在的难点与分析 | 第12-13页 |
| 1.4 自然场景图像相关知识 | 第13-15页 |
| 1.4.1 自然场景图像的特点 | 第13-14页 |
| 1.4.2 自然场景图像文本检测与识别模型 | 第14-15页 |
| 1.5 常见的文本定位方法 | 第15-19页 |
| 1.5.1 基于纹理的文本定位方法 | 第15-16页 |
| 1.5.2 基于连通区域的文本定位方法 | 第16-17页 |
| 1.5.3 基于边缘的文本定位方法 | 第17-18页 |
| 1.5.4 基于学习的文本定位方法 | 第18页 |
| 1.5.5 混合的文本定位方法 | 第18-19页 |
| 1.6 主要工作与结构安排 | 第19-21页 |
| 2 HSI色彩空间上的MSER文本检测和候选区域生成 | 第21-33页 |
| 2.1 彩色模型选择 | 第21-22页 |
| 2.2 最大稳定极值区域(MSER) | 第22-24页 |
| 2.2.1 MSER的定义 | 第22-23页 |
| 2.2.2 MSER的性质 | 第23-24页 |
| 2.3 MSER提取候选区域 | 第24-27页 |
| 2.3.1 极值区域提取 | 第24-25页 |
| 2.3.2 建立成分树 | 第25-26页 |
| 2.3.3 MSER拟合椭圆 | 第26-27页 |
| 2.4 基于MSER的文本检测 | 第27-29页 |
| 2.5 HSI色彩空间上基于边缘保持的MSER改进方法的候选区域提取 | 第29-33页 |
| 2.5.1 HSI色彩空间上基于边缘保持的MSER改进方法 | 第30-31页 |
| 2.5.2 候选区域提取 | 第31-33页 |
| 3 基于朴素贝叶斯的特征提取、整合及特征分布学习 | 第33-43页 |
| 3.1 特征提取 | 第33-35页 |
| 3.1.1 笔画宽度(SW)特征 | 第33-34页 |
| 3.1.2 基于HSI色彩空间的色彩感知差异(CPD)特征 | 第34页 |
| 3.1.3 边沿梯度(eHOG)特征 | 第34-35页 |
| 3.2 基于朴素贝叶斯的多特征整合 | 第35-38页 |
| 3.2.1 朴素贝叶斯模型 | 第35-36页 |
| 3.2.2 事件的独立性 | 第36页 |
| 3.2.3 贝叶斯决策 | 第36-37页 |
| 3.2.4 估计准则 | 第37-38页 |
| 3.2.5 多特征整合 | 第38页 |
| 3.3 基于ICDAR2013数据集的特征分布学习 | 第38-43页 |
| 3.3.1 ICDAR2013数据集 | 第38-40页 |
| 3.3.2 对正负样本的特征分布学习 | 第40-43页 |
| 4 文本候选区域确认及文本行构建 | 第43-50页 |
| 4.1 基于图割的特征标记和文本确认 | 第43-47页 |
| 4.1.1 图论概述 | 第43-44页 |
| 4.1.2 图割理论 | 第44-45页 |
| 4.1.3 特征标记和文本区域确认 | 第45-47页 |
| 4.2 文本行构建 | 第47-48页 |
| 4.3 基于朴素贝叶斯的文本检测 | 第48-50页 |
| 5 文本检测实验结果分析 | 第50-60页 |
| 5.1 评价标准 | 第50-52页 |
| 5.2 实验结果及比较分析 | 第52-60页 |
| 5.2.1 实验平台和评价平台 | 第52-53页 |
| 5.2.2 实验结果的比较和分析 | 第53-60页 |
| 6 总结与展望 | 第60-63页 |
| 6.1 工作总结 | 第60-61页 |
| 6.2 问题分析与展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
