| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究与应用现状 | 第9-14页 |
| 1.2.1 与表单处理相关的应用系统 | 第9-10页 |
| 1.2.2 关键问题与解决方法 | 第10-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 基于局部特征图与Harris角点检测的表单图像配准方法 | 第16-26页 |
| 2.1 表单图像的配准算法构建 | 第16-18页 |
| 2.2 算法实现 | 第18-22页 |
| 2.2.1 Harris特征点检测 | 第18-19页 |
| 2.2.2 局部特征图的提取 | 第19页 |
| 2.2.3 基于欧式距离的特征点相似度量 | 第19-20页 |
| 2.2.4 KD树最近邻搜索算法 | 第20页 |
| 2.2.5 双向最大相似度匹配去除误配点对 | 第20-21页 |
| 2.2.6 基于RANSAC的放射变换空间参数估计 | 第21页 |
| 2.2.7 双线性插值法 | 第21-22页 |
| 2.3 实验结果与分析 | 第22-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 结合连通域标记与数学形态学的表格识别方法 | 第26-36页 |
| 3.1 表单图像的表格识别算法构建 | 第26-27页 |
| 3.2 算法实现 | 第27-32页 |
| 3.2.1 表单图像断线修复方法 | 第27页 |
| 3.2.2 表格轮廓提取方法 | 第27-29页 |
| 3.2.3 表格线提取方法 | 第29-31页 |
| 3.2.4 表格单元的提取 | 第31-32页 |
| 3.3 实验结果与分析 | 第32-35页 |
| 3.3.1 基于连通域的表格轮廓及答题区域提取方法实验结果与分析 | 第33页 |
| 3.3.2 基于数学形态学的表格线提取方法实验结果与分析 | 第33-34页 |
| 3.3.3 表单图像的表格提取算法实验结果与分析 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于卷积神经网络的手写符号识别方法 | 第36-47页 |
| 4.1 深度学习 | 第37-40页 |
| 4.1.1 深度学习技术概述 | 第37-38页 |
| 4.1.2 深度学习的基本思想 | 第38页 |
| 4.1.3 深度学习的常用学习模型 | 第38-40页 |
| 4.2 卷积神经网络 | 第40-42页 |
| 4.2.1 稀疏连接 | 第40页 |
| 4.2.2 权重分享 | 第40-41页 |
| 4.2.3 最大池采样 | 第41-42页 |
| 4.2.4 卷积神经网络的网络结构 | 第42页 |
| 4.3 基于卷积神经网络的表单图像手写符号识别方法 | 第42-46页 |
| 4.3.1 手写符号识别的卷积神经网络训练模型构建 | 第42-44页 |
| 4.3.2 CNN网络的训练 | 第44-45页 |
| 4.3.3 实验结果与分析 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 结论 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 在学研究成果 | 第51-52页 |
| 致谢 | 第52页 |
