| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-11页 |
| ·课题的背景及来源 | 第9页 |
| ·DSP 应用及发展 | 第9-10页 |
| ·课题研究内容 | 第10页 |
| ·论文组织结构 | 第10-11页 |
| 第二章 图像采集与预处理 | 第11-25页 |
| ·票据图像识别流程 | 第11-12页 |
| ·票据识别系统硬件组成 | 第12-13页 |
| ·图像采集单元 | 第12页 |
| ·触发信号 | 第12-13页 |
| ·图像预处理 | 第13页 |
| ·图像增强 | 第13-15页 |
| ·灰度级变换 | 第14页 |
| ·直方图均衡化 | 第14-15页 |
| ·二值化 | 第15-17页 |
| ·直方图变换 | 第15-16页 |
| ·最优阈值化 | 第16-17页 |
| ·图像滤波 | 第17-18页 |
| ·版面分析和字符切割 | 第18-19页 |
| ·固定节距文本的分割 | 第18页 |
| ·对断裂字符进行分割 | 第18-19页 |
| ·分割粘连的字符 | 第19页 |
| ·倾斜校正 | 第19-22页 |
| ·平均高度法 | 第19页 |
| ·最近邻法 | 第19-20页 |
| ·最小二乘拟合 | 第20页 |
| ·Hough 变换法 | 第20-21页 |
| ·图像的旋转变换 | 第21-22页 |
| ·特征提取 | 第22-25页 |
| ·结构特征 | 第23页 |
| ·统计特征 | 第23-25页 |
| 第三章 基于神经网络的图像识别算法 | 第25-44页 |
| ·识别算法 | 第25-26页 |
| ·统计特征识别方法 | 第25页 |
| ·结构特征识别方法 | 第25页 |
| ·神经网络识别方法 | 第25-26页 |
| ·神经网络简介 | 第26-29页 |
| ·神经网络发展历程 | 第26页 |
| ·神经网络结构 | 第26-27页 |
| ·神经网络设计 | 第27-28页 |
| ·神经网络学习方式 | 第28页 |
| ·神经网络学习规则 | 第28-29页 |
| ·性能曲面与极小点 | 第29页 |
| ·BP 网络 | 第29-37页 |
| ·基本BP 算法 | 第30-31页 |
| ·BP 算法存在的问题及其原因 | 第31-32页 |
| ·BP 算法改进策略 | 第32-34页 |
| ·仿真结果 | 第34-37页 |
| ·LMBP 及其改进算法 | 第37-44页 |
| ·LMBP 算法 | 第37-39页 |
| ·Hession 矩阵的压缩存储法 | 第39-40页 |
| ·基于共轭梯度的LMBP 改进算法 | 第40-42页 |
| ·仿真结果 | 第42-44页 |
| 第四章 算法的DSP 实现与优化 | 第44-58页 |
| ·DSP 芯片的选择 | 第44-45页 |
| ·TI DM642 DSP 简介 | 第45-47页 |
| ·DM642 CPU 核 | 第45-46页 |
| ·高速缓冲存储器(Cache) | 第46页 |
| ·EDMA 控制器 | 第46页 |
| ·CPU 周边设备 | 第46-47页 |
| ·TI Code Composer Studio (CCS)简介 | 第47-48页 |
| ·CCS 集成开发环境 | 第47页 |
| ·基于CCS 的软件开发流程 | 第47-48页 |
| ·基于DSP 的软件设计 | 第48-52页 |
| ·存储空间分配 | 第48-49页 |
| ·DSP 的算法实现 | 第49-52页 |
| ·代码优化 | 第52-58页 |
| ·编译选项 | 第52-54页 |
| ·代码剖析 | 第54-56页 |
| ·优化C/C++代码 | 第56-57页 |
| ·线性汇编语言优化 | 第57页 |
| ·程序优化结果 | 第57-58页 |
| 第五章 总结与展望 | 第58-59页 |
| ·总结 | 第58页 |
| ·展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 发表论文和科研情况说明 | 第63-64页 |
| 致谢 | 第64页 |