| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 自然场景图像文本提取难点 | 第14-15页 |
| 1.3 发展历史和研究现状 | 第15-17页 |
| 1.4 本文主要目标和内容安排 | 第17-19页 |
| 第二章 基于MSER的候选文本区域检测 | 第19-33页 |
| 2.1 图像预处理 | 第19-25页 |
| 2.1.1 图像灰度化 | 第19-20页 |
| 2.1.2 图像平滑 | 第20-23页 |
| 2.1.3 图像锐化 | 第23-25页 |
| 2.2 MSER基本思想 | 第25-26页 |
| 2.3 MSER的实现 | 第26-28页 |
| 2.4 搭建开发平台 | 第28-29页 |
| 2.5 MSER提取文本候选区域 | 第29-31页 |
| 2.6 本章小结 | 第31-33页 |
| 第三章 文本候选区域过滤 | 第33-42页 |
| 3.1 嵌套区域过滤 | 第33页 |
| 3.2 启发式规则过滤 | 第33-34页 |
| 3.3 SWT算法 | 第34-41页 |
| 3.3.1 Canny边缘检测 | 第35-38页 |
| 3.3.2 计算笔画宽度 | 第38-40页 |
| 3.3.3 基于SWT的文本区域过滤 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于AdaBoost的文本区域分类算法 | 第42-61页 |
| 4.1 AdaBoost算法介绍 | 第42-45页 |
| 4.2 特征提取 | 第45-54页 |
| 4.2.1 HOG特征 | 第46-50页 |
| 4.2.2 LBP特征 | 第50-54页 |
| 4.3 基于HOG与LBP的AbaBoost分类器 | 第54-58页 |
| 4.3.1 选择训练样本集 | 第55-56页 |
| 4.3.2 提取训练样本集合特征 | 第56-57页 |
| 4.3.3 生成AdaBoost分类模型 | 第57-58页 |
| 4.4 实验结果分析 | 第58-59页 |
| 4.5 本章小结 | 第59-61页 |
| 第五章 字符合并与识别 | 第61-69页 |
| 5.1 字符合并 | 第61-66页 |
| 5.1.1 数学形态学膨胀 | 第61-63页 |
| 5.1.2 连通区域分析 | 第63-65页 |
| 5.1.3 基于膨胀和连通区域分析的字符区域合并 | 第65-66页 |
| 5.2 基于Tesseract的字符识别 | 第66-68页 |
| 5.3 实验结果 | 第68页 |
| 5.4 本章小结 | 第68-69页 |
| 总结与展望 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻读学位期间发表的科研成果 | 第73-75页 |
| 致谢 | 第75页 |