面向彩色图像中的文本定位与提取研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-16页 |
| ·课题研究的意义 | 第9-10页 |
| ·现有文本定位与提取的方法 | 第10-14页 |
| ·论文主要的工作与组织安排 | 第14-16页 |
| 第2章 相关数字图像处理技术 | 第16-38页 |
| ·数字图像概述 | 第16-21页 |
| ·数字图像 | 第16-17页 |
| ·图像的颜色空间 | 第17-21页 |
| ·数字图像处理技术 | 第21-37页 |
| ·灰度直方图和二值化 | 第24-26页 |
| ·图像平滑和锐化 | 第26-32页 |
| ·边缘检测 | 第32-35页 |
| ·数学形态学处理 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第3章 基于彩色图像边缘的文本定位与提取 | 第38-48页 |
| ·引言 | 第38页 |
| ·图像增强 | 第38-40页 |
| ·彩色图像边缘检测 | 第40-44页 |
| ·连通域标记 | 第44-45页 |
| ·文字区域鉴别 | 第45-46页 |
| ·实验结果分析 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第4章 基于支持向量机的文本定位与提取 | 第48-63页 |
| ·引言 | 第48页 |
| ·统计学习理论 | 第48-52页 |
| ·VC维 | 第49-50页 |
| ·推广性的界 | 第50-51页 |
| ·结构风险最小化 | 第51-52页 |
| ·支持向量机 | 第52-58页 |
| ·最优分类面和广义最优分类面 | 第53-55页 |
| ·高维空间的最优分类面和支持向量机 | 第55-57页 |
| ·支持向量机的核函数 | 第57-58页 |
| ·基于主动学习SVM的文本定位与提取 | 第58-61页 |
| ·主动学习SVM算法 | 第58-59页 |
| ·文本特征提取 | 第59-60页 |
| ·核函数的选择 | 第60页 |
| ·支持向量机分类器的训练 | 第60-61页 |
| ·实验结果 | 第61页 |
| ·本章小结 | 第61-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第67-68页 |
| 致谢 | 第68页 |
