| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及研究意义 | 第9-10页 |
| 1.2 研究难点 | 第10页 |
| 1.3 课题研究现状 | 第10-13页 |
| 1.3.1 基于区域的文本定位方法 | 第11-12页 |
| 1.3.2 基于纹理的文本定位方法 | 第12-13页 |
| 1.4 本文的主要研究内容 | 第13-15页 |
| 第2章 自然场景图片预处理 | 第15-30页 |
| 2.1 保留非连续性平滑 | 第15-21页 |
| 2.1.1 各向异性扩散滤波（Anistropic Diffusion Filtering，AD） | 第15-18页 |
| 2.1.2 非局部均值滤波（Non- Local Means Filter，N- L Means） | 第18-20页 |
| 2.1.3 双边滤波（Bilateral Filtering） | 第20-21页 |
| 2.2 彩色图像边缘检测 | 第21-25页 |
| 2.2.1 彩色图像边缘检测算法种类 | 第22-23页 |
| 2.2.2 一种彩色图像的canny边缘检测算子 | 第23-25页 |
| 2.3 闭合边缘检测算子 | 第25-30页 |
| 2.3.1 算子描述 | 第26-27页 |
| 2.3.2 算法流程及实验效果 | 第27-30页 |
| 第3章 基于连通区域的文本定位方法 | 第30-52页 |
| 3.1 获取初级候选字符连通区域 | 第30-37页 |
| 3.1.1 笔画宽度 | 第30-31页 |
| 3.1.2 笔画宽度变换（SWT） | 第31-35页 |
| 3.1.3 搜索SWT图像获取初级候选字符连通区域 | 第35-37页 |
| 3.2 基于启发式规则过滤候选字符连通区域 | 第37-41页 |
| 3.2.1 规则一：笔画宽度变化率 | 第37-38页 |
| 3.2.2 规则二：连通区域展弦比 | 第38-39页 |
| 3.2.3 规则三：连通区域大小 | 第39-41页 |
| 3.3 提取字符区域特征，训练分类器进行精确筛选 | 第41-45页 |
| 3.3.1 SVM分类基本原理 | 第42-43页 |
| 3.3.2 提取特征，训练分类器 | 第43-44页 |
| 3.3.3 利用SVM验证候选字符区域 | 第44-45页 |
| 3.4 合并字符连通区域，定位文本区域 | 第45-52页 |
| 3.4.1 字符区域合并，获取字符对区域 | 第45-48页 |
| 3.4.2 合并字符对区域，获取文本行区域 | 第48-52页 |
| 第4章 基于图结构的文本定位方法 | 第52-68页 |
| 4.1 基于图结构文本定位模型的简介 | 第52-54页 |
| 4.2 基于新型字符特征计算候选对象的字符能量 | 第54-63页 |
| 4.2.1 平均角度偏差（D_(angle) ） | 第56-57页 |
| 4.2.2 非噪声分量（F_(non-noise)） | 第57-58页 |
| 4.2.3 笔画宽度向量（V_(width) ） | 第58-62页 |
| 4.2.4 字符能量（E_(char) ） | 第62-63页 |
| 4.3 基于空间关系和特征相似度计算候选对象间的链接能量 | 第63-65页 |
| 4.4 计算文本单元能量并使用最小生成树生成最终的文本模型 | 第65-68页 |
| 第5章 总结与展望 | 第68-70页 |
| 5.1 总结 | 第68-69页 |
| 5.2 展望 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75页 |
