| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 图像中自然场景字符区域定位的方法概述 | 第11-14页 |
| 1.2.1 图像中自然场景字符区域定位的研究概况 | 第11-13页 |
| 1.2.2 图像中自然场景字符区域定位的主要方法及分析 | 第13-14页 |
| 1.3 图像中自然场景字符区域定位面临的困难及挑战 | 第14-15页 |
| 1.4 本文的主要工作 | 第15-17页 |
| 1.4.1 本文的主要研究内容 | 第15页 |
| 1.4.2 本文的组织结构 | 第15-17页 |
| 第2章 图像中字符候选区域提取 | 第17-34页 |
| 2.1 Canny边缘提取算子 | 第18-22页 |
| 2.1.1 Canny算子的基本原理 | 第18-19页 |
| 2.1.2 Canny算子的计算 | 第19-20页 |
| 2.1.3 Canny算子的实现步骤及优点 | 第20-22页 |
| 2.2 NiBlack算子 | 第22-25页 |
| 2.2.1 NiBlack算子的基本原理 | 第22-23页 |
| 2.2.2 NiBlack算子的实现 | 第23-25页 |
| 2.3 字符候选区域粗提取 | 第25-27页 |
| 2.3.1 几何特征 | 第25-26页 |
| 2.3.2 形状规律特征 | 第26页 |
| 2.3.3 笔画宽度相似性特征 | 第26-27页 |
| 2.4 字符候选区域精提取 | 第27-32页 |
| 2.4.1 Harris角点检测 | 第28-30页 |
| 2.4.2 K均值聚类算法与Harris角点检测算法相结合 | 第30-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第3章 图像中字符区域定位 | 第34-44页 |
| 3.1 训练样本选取与预处理 | 第34-35页 |
| 3.2 HOG特征提取 | 第35-38页 |
| 3.3 LBP特征提取 | 第38-39页 |
| 3.4 利用主成分分析进行特征选择 | 第39-43页 |
| 3.4.1 主成分分析的基本原理 | 第40-41页 |
| 3.4.2 主成分分析的计算 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 实验结果与分析 | 第44-50页 |
| 4.1 本文算法的流程 | 第44-45页 |
| 4.2 实验结果分析 | 第45-48页 |
| 4.3 算法评估 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 本文的总结 | 第50-51页 |
| 5.2 未来工作展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56页 |
