复杂背景图像中的文本定位方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·研究背景及意义 | 第10-11页 |
| ·文本定位研究的现状 | 第11-15页 |
| ·论文的主要研究内容及结构 | 第15-16页 |
| 第2章 文本定位的基本理论 | 第16-30页 |
| ·数字图像处理方法 | 第16-20页 |
| ·文本特征及类别 | 第20-22页 |
| ·文本定位流程 | 第22-24页 |
| ·文本定位方法 | 第24-29页 |
| ·基于区域的文本定位方法 | 第24-25页 |
| ·基于纹理的文本定位方法 | 第25-27页 |
| ·基于边缘的文本定位方法 | 第27-28页 |
| ·其它方法 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 基于边缘检测的文本定位方法研究 | 第30-47页 |
| ·引言 | 第30页 |
| ·边缘检测 | 第30-42页 |
| ·金字塔分解 | 第30-31页 |
| ·经典的边缘检测算子 | 第31-34页 |
| ·基于Canny算子的边缘检测 | 第34-40页 |
| ·边缘提取和二值化 | 第40-42页 |
| ·连通区域分析 | 第42-43页 |
| ·文本区域鉴定与合并 | 第43-44页 |
| ·实验结果 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第4章 基于支持向量机的文本定位方法研究 | 第47-63页 |
| ·前言 | 第47页 |
| ·统计学习理论 | 第47-50页 |
| ·VC维 | 第47-48页 |
| ·推广性的界 | 第48-49页 |
| ·结构风险最小化 | 第49-50页 |
| ·支持向量机理论 | 第50-56页 |
| ·最优分类面和广义最优分类面 | 第51-53页 |
| ·支持向量机(SVM) | 第53-54页 |
| ·核函数 | 第54-56页 |
| ·基于SVM主动学习方法的文本定位 | 第56-60页 |
| ·主动学习的SVM | 第56-57页 |
| ·文本特征提取 | 第57-58页 |
| ·SVM核函数的选择 | 第58-59页 |
| ·SVM分类器的训练 | 第59-60页 |
| ·实验结果与分析 | 第60-61页 |
| ·本章小结 | 第61-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第68-69页 |
| 致谢 | 第69页 |
