| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第12-22页 |
| 1.1 课题来源 | 第12页 |
| 1.2 课题研究的背景与意义 | 第12-13页 |
| 1.3 档案图像版面分析与字符提取概述 | 第13-19页 |
| 1.3.1 档案数字化加工系统 | 第13-14页 |
| 1.3.2 版面分析研究现状 | 第14-18页 |
| 1.3.3 手写文本行提取研究现状 | 第18-19页 |
| 1.4 本文的主要研究工作 | 第19页 |
| 1.5 本文的组织结构 | 第19-22页 |
| 2 文档图像预处理 | 第22-35页 |
| 2.1 引言 | 第22页 |
| 2.2 平面文档图像透视矫正 | 第22-27页 |
| 2.2.1 透视矫正模型 | 第22-24页 |
| 2.2.2 基于线段检测的单应矩阵参数估计 | 第24-27页 |
| 2.3 降质文档图像二值化 | 第27-33页 |
| 2.3.1 现有文档图像二值化算法性能对比 | 第27-31页 |
| 2.3.2 基于SSP的文档图像二值化算法 | 第31-33页 |
| 2.4 本章小结 | 第33-35页 |
| 3 基于深度迁移学习的异构文档图像版面分析 | 第35-54页 |
| 3.1 引言 | 第35页 |
| 3.2 文档版面目标检测 | 第35-37页 |
| 3.3 深度迁移学习下的文档图像版面分析系统 | 第37-42页 |
| 3.3.1 深度学习 | 第37-38页 |
| 3.3.2 深度学习在目标视觉检测中的应用 | 第38-39页 |
| 3.3.3 迁移学习 | 第39-40页 |
| 3.3.4 基于深度迁移学习的文档版面目标检测框架 | 第40-42页 |
| 3.4 基于Inception ResNet V2与Faster R-CNN的文档版面目标检测网络 | 第42-48页 |
| 3.4.1 Inception-ResNet结构 | 第43-45页 |
| 3.4.2 RPN网络 | 第45-46页 |
| 3.4.3 回归-分类联合损失函数 | 第46-48页 |
| 3.5 实验结果分析 | 第48-53页 |
| 3.5.1 实验数据集与算法评价标准 | 第48-49页 |
| 3.5.2 实验结果与分析 | 第49-53页 |
| 3.6 本章小结 | 第53-54页 |
| 4 回归-聚类框架下的手写文本行提取算法 | 第54-71页 |
| 4.1 引言 | 第54页 |
| 4.2 回归-聚类联合框架下的手写文本行提取算法 | 第54-65页 |
| 4.2.1 文本行回归分析 | 第56-58页 |
| 4.2.2 文本行关联层级随机场模型 | 第58-62页 |
| 4.2.3 文本行像素分组标注 | 第62-65页 |
| 4.3 实验对比与结果分析 | 第65-69页 |
| 4.3.1 文本行提取算法评价标准 | 第65-66页 |
| 4.3.2 手写文本行提取算法对比 | 第66-69页 |
| 4.4 本章小结 | 第69-71页 |
| 总结与展望 | 第71-73页 |
| 本文工作总结 | 第71页 |
| 展望 | 第71-73页 |
| 参考文献 | 第73-81页 |
| 作者简介 | 第81页 |