| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 综述 | 第9-16页 |
| 1.1 研究背景 | 第9-12页 |
| 1.2 研究目的及意义 | 第12-14页 |
| 1.3 论文的主要内容 | 第14-16页 |
| 第二章 关键技术 | 第16-24页 |
| 2.1 文字区域判断 | 第16-19页 |
| 2.1.1 基于连通成分分析的方法 | 第17页 |
| 2.1.2 基于边缘检测的方法 | 第17-18页 |
| 2.1.3 基于纹理分析的方法 | 第18页 |
| 2.1.4 基于机器学习、神经网络的方法 | 第18-19页 |
| 2.2 文字内容识别 | 第19-21页 |
| 2.2.1 文字识别过程 | 第19-20页 |
| 2.2.2 文字识别技术 | 第20-21页 |
| 2.3 OpenCV视觉库 | 第21-23页 |
| 2.3.1 图像直方图 | 第21-22页 |
| 2.3.2 图像聚类技术 | 第22页 |
| 2.3.3 图像二值化 | 第22页 |
| 2.3.4 图像边缘检测 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 垃圾邮件图像中文字区域判断 | 第24-39页 |
| 3.1 基于边缘检测的垃圾邮件图像文字区域的判断 | 第24-27页 |
| 3.2 基于最大类间方差法的垃圾邮件图像文字区域的判断及优化 | 第27-32页 |
| 3.2.1 最大类间方差法 | 第27-29页 |
| 3.2.2 最大类间方差法的优化 | 第29-31页 |
| 3.2.3 小结 | 第31-32页 |
| 3.3 基于笔画宽度特征的垃圾邮件图像文字区域的判断及优化 | 第32-37页 |
| 3.3.1 笔画宽度特征变换 | 第32-35页 |
| 3.3.2 笔画宽度算法的优化与改进 | 第35-37页 |
| 3.3.3 小结 | 第37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 垃圾邮件图像中文字内容识别 | 第39-46页 |
| 4.1 基于Tesserect的图像文字内容识别 | 第39-42页 |
| 4.1.1 Tesserect OCR的主要过程和核心环节 | 第39-41页 |
| 4.1.2 Tesserect OCR简要测试 | 第41-42页 |
| 4.1.3 小结 | 第42页 |
| 4.2 文字内容的分类 | 第42-45页 |
| 4.3 本章小结 | 第45-46页 |
| 第五章 整体解决方案 | 第46-57页 |
| 5.1 文字区域图像的后续处理 | 第46-50页 |
| 5.1.1 文本(行)的提取 | 第47-48页 |
| 5.1.2 文字区域的背景过滤及图像二值化 | 第48-49页 |
| 5.1.3 文本(行)位置还原 | 第49-50页 |
| 5.1.4 小结 | 第50页 |
| 5.2 文字区域处理整体解决方案 | 第50-53页 |
| 5.3 垃圾邮件图像测试集 | 第53-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-61页 |
| 6.1 研究的主要工作 | 第57-58页 |
| 6.2 体会与收获 | 第58-59页 |
| 6.3 展望与期许 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文目录 | 第65页 |
