自然场景下的文本定位与提取
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-15页 |
| ·自然场景文本提取的意义及应用 | 第8-9页 |
| ·自然场景文本提取的意义 | 第8页 |
| ·自然场景文本提取的应用 | 第8-9页 |
| ·文本定位及提取的研究现状 | 第9-11页 |
| ·基于连通成分的方法 | 第9页 |
| ·基于边缘的方法 | 第9-10页 |
| ·基于纹理分析的方法 | 第10页 |
| ·基于机器学习的方法 | 第10-11页 |
| ·字符识别系统框架 | 第11-12页 |
| ·文本分类 | 第12页 |
| ·自然场景文本提取的主要难点 | 第12-14页 |
| ·本文主要内容及各章安排 | 第14-15页 |
| 第二章 连通分量提取和分析 | 第15-34页 |
| ·定位算法流程 | 第15页 |
| ·图像预处理及分割 | 第15-24页 |
| ·最近邻法图像缩放 | 第16页 |
| ·常见分割算法介绍 | 第16-18页 |
| ·从彩色图像转换成灰度图像 | 第18页 |
| ·中值滤波去除噪声 | 第18-19页 |
| ·改进的Niblack 阈值分割算法 | 第19-22页 |
| ·形态学处理 | 第22-24页 |
| ·连通域标记 | 第24-27页 |
| ·连通分量特征提取 | 第27-30页 |
| ·字符大小特征 | 第28-29页 |
| ·字符形状特征 | 第29页 |
| ·字符笔划特征 | 第29页 |
| ·粗糙度特征 | 第29-30页 |
| ·对比度特征 | 第30页 |
| ·先验知识限制 | 第30-31页 |
| ·本章小结 | 第31-34页 |
| 第三章 基于SVM 和连通分量分析的文本定位 | 第34-43页 |
| ·引言 | 第34页 |
| ·SVM 基本原理 | 第34-36页 |
| ·SVM 应用的一般流程 | 第36-39页 |
| ·SVM 模型选择 | 第36-38页 |
| ·SVM 训练样本集选择 | 第38-39页 |
| ·SVM 工具箱介绍 | 第39-40页 |
| ·利用SVM 进行文本定位 | 第40-41页 |
| ·文本定位中 SVM 的模型选择 | 第40页 |
| ·连通分量特征提取 | 第40-41页 |
| ·训练SVM | 第41页 |
| ·利用训练好的SVM 进行连通分量分类 | 第41页 |
| ·实验结果及讨论 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 文本区域提取及文本块的预处理 | 第43-52页 |
| ·引言 | 第43页 |
| ·文本区域提取 | 第43-46页 |
| ·合并包围盒 | 第43-44页 |
| ·基于最小生成树的文本区域提取 | 第44-46页 |
| ·文本块的二值化 | 第46-48页 |
| ·文本的倾斜校正 | 第48-50页 |
| ·本章小结 | 第50-52页 |
| 第五章 字符识别 | 第52-62页 |
| ·引言 | 第52页 |
| ·字符图像预处理 | 第52-59页 |
| ·去噪 | 第52页 |
| ·字符的归一化 | 第52-53页 |
| ·字符的细化 | 第53-59页 |
| ·字符识别常见方法 | 第59-61页 |
| ·结构模式识别法 | 第59-60页 |
| ·统计模式识别法 | 第60-61页 |
| ·人工神经网络 | 第61页 |
| ·本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| ·总结 | 第62页 |
| ·展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士期间发表的论文 | 第68-71页 |
| 上海交通大学硕士学位论文答辩决议书 | 第71页 |
