支票扫描图像中的字符识别算法及实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题来源及研究意义 | 第9-10页 |
| 1.2 国内外发展动态和现状分析 | 第10-13页 |
| 1.3 本文的主要研究内容 | 第13-15页 |
| 第2章 支票图像预处理及版面分析 | 第15-27页 |
| 2.1 支票图像预处理 | 第15-22页 |
| 2.1.1 支票图像去噪声 | 第15-17页 |
| 2.1.2 支票图像的二值化 | 第17-20页 |
| 2.1.3 支票图像的倾斜校正 | 第20-22页 |
| 2.2 支票图像的版面分析 | 第22-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 信息区域数字抽取与切分 | 第27-33页 |
| 3.1 印刷体数字的提取 | 第27-28页 |
| 3.2 图像的细化操作 | 第28-30页 |
| 3.3 字符分割 | 第30-32页 |
| 3.3.1 基于图像分析的方法 | 第30-31页 |
| 3.3.2 基于识别的方法 | 第31页 |
| 3.3.3 基于图像分析与识别过程相混合的方法 | 第31页 |
| 3.3.4 基于整体识别的方法 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 字符特征提取与识别 | 第33-43页 |
| 4.1 字符的归一化处理 | 第33-35页 |
| 4.2 字符特征提取 | 第35-37页 |
| 4.2.1 逐像素统计法 | 第35-36页 |
| 4.2.2 13特征提取法 | 第36页 |
| 4.2.3 基于笔画方向像素特征的字符特征 | 第36-37页 |
| 4.3 常见的分类器 | 第37-42页 |
| 4.3.1 基于模板匹配的字符识别 | 第37-38页 |
| 4.3.2 基于二值数据的Bayes分类器 | 第38-39页 |
| 4.3.3 字符识别算法实现与分析 | 第39-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 基于BP神经网络的字符识别 | 第43-58页 |
| 5.1 神经网络概述 | 第43-49页 |
| 5.1.1 人工神经元模型 | 第44-46页 |
| 5.1.2 神经网络的结构及工作方式 | 第46-47页 |
| 5.1.3 神经网络的学习方式 | 第47-49页 |
| 5.1.4 神经网络的学习规则 | 第49页 |
| 5.2 基于BP神经网络的印刷体字符识别 | 第49-54页 |
| 5.2.1 BP神经网络 | 第49-50页 |
| 5.2.2 基于BP神经网络的字符识别 | 第50-54页 |
| 5.3 基于BP神经网络的字符识别算法实现与分析 | 第54-56页 |
| 5.3.1 字符识别的评价准则 | 第54-55页 |
| 5.3.2 系统设计与实验分析 | 第55-56页 |
| 5.4 本章小结 | 第56-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 个人简历 | 第65页 |
