| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-21页 |
| ·研究的背景与意义 | 第11-12页 |
| ·复杂背景图像中文本的特征 | 第12-14页 |
| ·文本定位的国内外研究现状 | 第14-16页 |
| ·主要的文本定位算法 | 第16-19页 |
| ·基于区域的文本定位方法 | 第16-17页 |
| ·基于纹理的文本定位方法 | 第17-18页 |
| ·基于边缘的文本定位方法 | 第18页 |
| ·基于学习的文本定位方法 | 第18-19页 |
| ·本文的主要工作与结构安排 | 第19-21页 |
| 第二章 复杂背景图像文本分割方法 | 第21-34页 |
| ·直方图阈值法 | 第21-25页 |
| ·基于 RGB 阈值化图像分割 | 第21-22页 |
| ·基于 HSV 阈值化图像分割 | 第22-25页 |
| ·K 均值聚类图像分割 | 第25-26页 |
| ·一种改进的基于均值漂移图像分割算法 | 第26-32页 |
| ·边缘保持平滑 | 第27-28页 |
| ·彩色边缘检测 | 第28页 |
| ·RGB 颜色空间的二次采样 | 第28-29页 |
| ·RGB 空间转换为 LUV 空间 | 第29-30页 |
| ·均值漂移过程 | 第30-31页 |
| ·将分类后的数据还原为图像 | 第31页 |
| ·实验结果与分析 | 第31-32页 |
| ·本章小结 | 第32-34页 |
| 第三章 文本候选区域生成 | 第34-43页 |
| ·图像分层 | 第34-35页 |
| ·连通区域提取 | 第35-36页 |
| ·角点检测 | 第36-37页 |
| ·连通区域分析 | 第37-40页 |
| ·文本区域鉴定 | 第37-39页 |
| ·文本区域合并 | 第39-40页 |
| ·实验结果与分析 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 基于 AdaBoost 的英文文本定位方法 | 第43-65页 |
| ·AdaBoost 算法 | 第43-48页 |
| ·AdaBoost 算法原理 | 第43-47页 |
| ·AdaBoost 算法性能 | 第47-48页 |
| ·分类与回归树 | 第48-49页 |
| ·英文文本特征提取 | 第49-58页 |
| ·HOG 特征 | 第50-53页 |
| ·LBP 特征 | 第53-58页 |
| ·实验结果与分析 | 第58-64页 |
| ·分类器训练 | 第58-61页 |
| ·文本定位结果与分析 | 第61-64页 |
| ·本章小结 | 第64-65页 |
| 第五章 基于 AdaBoost 的中文文本定位方法 | 第65-73页 |
| ·中文文本特征选择与提取 | 第65-67页 |
| ·Gabor 特征 | 第65-66页 |
| ·其他纹理特征 | 第66页 |
| ·特征提取 | 第66-67页 |
| ·实验结果与分析 | 第67-71页 |
| ·数据库构建 | 第67-68页 |
| ·分类器训练 | 第68-69页 |
| ·实验结果及分析 | 第69-71页 |
| ·本章小结 | 第71-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 攻读硕士期间取得的研究成果 | 第80-81页 |
| 致谢 | 第81-82页 |
| 附件 | 第82页 |