| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 研究现状 | 第8-9页 |
| 1.3 本文工作 | 第9-11页 |
| 1.3.1 主要工作与创新点 | 第9-10页 |
| 1.3.2 组织结构 | 第10-11页 |
| 第二章 相关技术 | 第11-25页 |
| 2.1 最大稳定极值区域MSER | 第11-15页 |
| 2.1.1 MSER定义及性质 | 第11-12页 |
| 2.1.2 MSER提取算法 | 第12-15页 |
| 2.2 聚类分析 | 第15-18页 |
| 2.2.1 相关基础知识 | 第15-17页 |
| 2.2.2 单链接聚类 | 第17-18页 |
| 2.3 分类器 | 第18-21页 |
| 2.3.1 相关基础知识 | 第18-19页 |
| 2.3.2 adaboost分类器 | 第19-21页 |
| 2.4 基于MSER的自然场景图像文本检测算法 | 第21-25页 |
| 2.4.1 基于边缘加强MSER的方法 | 第21-22页 |
| 2.4.2 基于MSER的几何分组与adaboost文本检测算法 | 第22-23页 |
| 2.4.3 基于MSER剪枝的文本检测算法 | 第23-25页 |
| 第三章 基于矩和纹理特征的自然场景文本检测算法 | 第25-41页 |
| 3.1 引言 | 第25页 |
| 3.2 算法流程 | 第25-34页 |
| 3.2.1 提取最大稳定极值区域 | 第26页 |
| 3.2.2 引入Hu矩的字母分类器 | 第26-29页 |
| 3.2.3 单链接聚类得到候选文本 | 第29-31页 |
| 3.2.4 引入共生纹理的文本分类器 | 第31-34页 |
| 3.3 实验对比与分析 | 第34-40页 |
| 3.3.1 数据集介绍 | 第34-35页 |
| 3.3.2 字母分类器实验结果对比与分析 | 第35-36页 |
| 3.3.3 文本分类器实验结果对比与分析 | 第36-39页 |
| 3.3.4 实验结果展示 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于深度学习的自然场景文本检测算法 | 第41-53页 |
| 4.1 引言 | 第41页 |
| 4.2 深度学习 | 第41-44页 |
| 4.3 算法流程 | 第44-48页 |
| 4.3.1 对候选文本进行中值滤波并归一化 | 第44-45页 |
| 4.3.2 利用深度置信网络DBN删除非文本 | 第45-48页 |
| 4.4 实验对比与分析 | 第48-52页 |
| 4.4.1 实验对比 | 第48-49页 |
| 4.4.2 算法性能 | 第49-50页 |
| 4.4.3 实验结果展示 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 总结与展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 个人简历 | 第58-59页 |
| 在学期间的研究成果及发表的学术论文 | 第59页 |