| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题的研究背景及意义 | 第10-12页 |
| 1.2 自然场景图像中文本的特征 | 第12-13页 |
| 1.3 国内外发展现状 | 第13-17页 |
| 1.3.1 基于字符连通域的自然场景图像中文本检测与定位方法 | 第14-16页 |
| 1.3.2 基于滑动窗口的自然场景图像中文本检测与定位方法 | 第16页 |
| 1.3.3 基于纹理特征的自然场景图像中文本检测与定位方法 | 第16-17页 |
| 1.4 目前自然场景文本检测存在的问题 | 第17-18页 |
| 1.5 本文主要工作及结构安排 | 第18-19页 |
| 第2章 基于多尺度的自然场景图像中通用字符区域提取算法 | 第19-35页 |
| 2.1 基于极值区域的字符区域提取算法 | 第19-23页 |
| 2.1.1 最大稳定极值区域算法介绍 | 第19-20页 |
| 2.1.2 极值区域算法 | 第20-21页 |
| 2.1.3 部件树的构建 | 第21-22页 |
| 2.1.4 极值区域算法用于字符区域的提取 | 第22-23页 |
| 2.2 基于多通道的极值区域提取算法 | 第23-25页 |
| 2.2.1 强度梯度等级通道原理介绍 | 第23-24页 |
| 2.2.2 基于多通道的字符区域提取算法 | 第24-25页 |
| 2.3 基于多尺度和多通道的极值区域提取算法 | 第25-31页 |
| 2.3.1 高斯金字塔原理介绍 | 第25-26页 |
| 2.3.2 高斯金字塔的创建 | 第26-28页 |
| 2.3.3 多尺度极值区域的提取 | 第28-31页 |
| 2.4 实验结果分析 | 第31-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 层次化对比度增强的自然场景图像中字符区域提取算法 | 第35-46页 |
| 3.1 图像对比度增强算法介绍 | 第35-39页 |
| 3.1.1 基于直方图均衡化对比度增强算法 | 第35-37页 |
| 3.1.2 基于直方图修正的对比度增强算法 | 第37-39页 |
| 3.2 基于直方图修正的局部对比度增强算法 | 第39-41页 |
| 3.2.1 基于局部标准差的自适应子块选择 | 第39-40页 |
| 3.2.2 基于子块的图像均衡算法描述 | 第40-41页 |
| 3.3 基于直方图修正的局部对比度增强字符区域提取算法 | 第41-42页 |
| 3.4 实验结果分析 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于多层次滤波器的字符分类和文本区域形成算法 | 第46-71页 |
| 4.1 基于机器学习的字符分类算法基本原理 | 第46-51页 |
| 4.1.1 Real AdaBoost算法原理介绍 | 第46-47页 |
| 4.1.2 决策树介绍 | 第47-49页 |
| 4.1.3 支持向量机介绍 | 第49-51页 |
| 4.2 字符特征选择 | 第51-55页 |
| 4.3 基于层次滤波器的字符区域分类算法 | 第55-61页 |
| 4.3.1 第一层滤波器训练 | 第56-58页 |
| 4.3.2 第二层滤波器训练 | 第58-61页 |
| 4.4 基于几何形态的文本区域形成算法 | 第61-67页 |
| 4.4.1 基于几何形态的文本区域形成算法概述 | 第61-63页 |
| 4.4.2 特征空间 | 第63-64页 |
| 4.4.3 文本区域的后处理 | 第64-67页 |
| 4.5 实验结果分析 | 第67-70页 |
| 4.6 本章小结 | 第70-71页 |
| 第5章 总结与展望 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 致谢 | 第78-79页 |
| 作者简介 | 第79页 |
