| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景 | 第11页 |
| 1.2 目的和意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 本文主要研究工作及结构安排 | 第14-16页 |
| 1.4.1 本文主要研究工作 | 第14页 |
| 1.4.2 本文结构安排 | 第14-16页 |
| 第二章 系统分析与流程设计 | 第16-19页 |
| 2.1 引言 | 第16页 |
| 2.2 系统分析 | 第16-17页 |
| 2.2.1 系统需求分析 | 第16-17页 |
| 2.2.2 发票版面特点分析 | 第17页 |
| 2.3 流程设计 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第三章 发票图像预处理 | 第19-28页 |
| 3.1 引言 | 第19页 |
| 3.2 图像二值化 | 第19-21页 |
| 3.3 图像去噪 | 第21-25页 |
| 3.3.1 噪声来源分析及常用滤波方法 | 第21-23页 |
| 3.3.2 本文的去噪方法 | 第23-24页 |
| 3.3.3 去噪方法的比较 | 第24-25页 |
| 3.4 图像倾斜校正 | 第25-27页 |
| 3.5 本章小结 | 第27-28页 |
| 第四章 图像分割 | 第28-37页 |
| 4.1 引言 | 第28页 |
| 4.2 发票感兴趣区域定位分割 | 第28-33页 |
| 4.2.1 发票代码与发票号码定位分割 | 第30-31页 |
| 4.2.2 开票日期定位分割 | 第31-32页 |
| 4.2.3 金额定位分割 | 第32页 |
| 4.2.4 防伪码定位分割 | 第32-33页 |
| 4.3 字符分割 | 第33-36页 |
| 4.3.1 常用的字符分割方法 | 第33-34页 |
| 4.3.2 基于先验知识的垂直投影字符分割算法 | 第34-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第五章 特征提取 | 第37-43页 |
| 5.1 引言 | 第37页 |
| 5.2 特征提取的原则 | 第37页 |
| 5.3 基于认知机理的结构特征 | 第37-40页 |
| 5.4 基于数据的统计特征 | 第40-41页 |
| 5.5 基于网格特征和网格笔画穿越的组合特征提取方法 | 第41-42页 |
| 5.6 本章小结 | 第42-43页 |
| 第六章 基于特征匹配的字符识别 | 第43-60页 |
| 6.1 引言 | 第43页 |
| 6.2 字符识别方法概述 | 第43-44页 |
| 6.3 基于结构特征的识别算法 | 第44-46页 |
| 6.4 基于BP神经网络的识别算法 | 第46-50页 |
| 6.4.1 BP神经网络的基本原理 | 第46-49页 |
| 6.4.2 BP神经网络字符识别算法 | 第49-50页 |
| 6.4.3 结构特征识别与BP神经网络识别算法比较分析 | 第50页 |
| 6.5 基于先验知识的遗传神经网络识别算法 | 第50-56页 |
| 6.5.1 字符识别的先验知识 | 第51页 |
| 6.5.2 遗传算法的基本原理 | 第51-54页 |
| 6.5.3 遗传神经网络识别算法的结构原理 | 第54-56页 |
| 6.6 神经网络与遗传神经网络识别算法的实验结果对比与分析 | 第56-59页 |
| 6.6.1 神经网络识别算法软件测试平台介绍 | 第56-57页 |
| 6.6.2 算法结果与分析 | 第57-59页 |
| 6.7 本章小结 | 第59-60页 |
| 第七章 发票识别软件实验结果与分析 | 第60-69页 |
| 7.1 引言 | 第60页 |
| 7.2 发票识别软件平台 | 第60-62页 |
| 7.2.1 开发环境 | 第60页 |
| 7.2.2 发票识别软件 | 第60-62页 |
| 7.3 实验结果与分析 | 第62-68页 |
| 7.3.1 发票识别软件各模块功能实验结果 | 第62-65页 |
| 7.3.2 发票识别软件实验结果与分析 | 第65-68页 |
| 7.4 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 1 论文主要工作总结及创新 | 第69-70页 |
| 2 本论文进一步的工作展望 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间取得的研究成果 | 第76-77页 |
| 致谢 | 第77-78页 |
| 附件 | 第78页 |
