| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 目录 | 第5-8页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 课题研究背景与意义 | 第8-9页 |
| 1.1.1 文字识别的国内外研究现状 | 第8-9页 |
| 1.1.2 瓦当中的小篆的国内外研究现状 | 第9页 |
| 1.2 本文的主要研究内容 | 第9页 |
| 1.3 论文的组织结构 | 第9-11页 |
| 第二章 基于结构的瓦当图像分割 | 第11-19页 |
| 2.1 数据获取 | 第11-12页 |
| 2.2 二值化处理 | 第12-13页 |
| 2.2.1 常用的二值化方法 | 第12页 |
| 2.2.2 整体阈值二值化方法 | 第12-13页 |
| 2.3 文字瓦当分割处理 | 第13-16页 |
| 2.3.1 图像分割常用算法 | 第13-14页 |
| 2.3.2 瓦当区域消除算法 | 第14-16页 |
| 2.4 细化 | 第16-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第三章 基于混合特征的瓦当图像文字特征提取 | 第19-28页 |
| 3.1 文字识别中常用特征提取方法 | 第19-20页 |
| 3.1.1 逐像素特征提取法 | 第19-20页 |
| 3.1.2 基于笔划的特征提取 | 第20页 |
| 3.2 Hu矩与Gabor滤波器的混合特征 | 第20-27页 |
| 3.2.1 Hu矩 | 第20-22页 |
| 3.2.2 Gabor滤波 | 第22-27页 |
| 3.3 本章小结 | 第27-28页 |
| 第四章 结合均值近邻样本分组的神经网络小篆识别 | 第28-48页 |
| 4.1 引言 | 第28-29页 |
| 4.2 神经网络 | 第29-33页 |
| 4.2.1 神经网络模型 | 第29-30页 |
| 4.2.2 BP网络的概述 | 第30-31页 |
| 4.2.3 BP神经网络的学习训练过程 | 第31-32页 |
| 4.2.4 BP神经网络具体实现步骤 | 第32-33页 |
| 4.3 瓦当中小篆的神经网络学习模型建立 | 第33-37页 |
| 4.3.1 学习样本的选取 | 第34页 |
| 4.3.2 BP神经网络的结构确定 | 第34-35页 |
| 4.3.3 中间层层数的选择 | 第35页 |
| 4.3.4 层内神经元的节点确定 | 第35-36页 |
| 4.3.5 初始值的确定 | 第36页 |
| 4.3.6 网络误差的确定 | 第36-37页 |
| 4.3.7 BP网络训练过程 | 第37页 |
| 4.4 基于均值近邻的样本分组算法 | 第37-40页 |
| 4.5 瓦当识别系统的实验 | 第40-47页 |
| 4.5.1 以Hu矩特征作为输入向量的分类器 | 第40页 |
| 4.5.2 以Gabor滤波器特征作为输入向量的分类器 | 第40-41页 |
| 4.5.3 综合特征分类器 | 第41页 |
| 4.5.4 使用NMSG分组的以Hu矩特征作为输入向量的分类器 | 第41-42页 |
| 4.5.5 使用NMSG分组的以Gabor滤波器特征作为输入向量的分类器 | 第42页 |
| 4.5.6 使用NMSG分组的以综合特征为输入向量的分类器 | 第42-43页 |
| 4.5.7 实验结果 | 第43-46页 |
| 4.5.8 实验结果分析 | 第46-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 瓦当文字识别系统的实现 | 第48-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 本文工作总结 | 第51页 |
| 6.2 未来工作展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-56页 |
