| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 降质文档图像二值化算法研究现状 | 第11-12页 |
| 1.2.2 多字体文档图像字符识别算法研究现状 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 第2章 二值化算法与字符识别算法介绍 | 第15-29页 |
| 2.1 二值化算法 | 第15-24页 |
| 2.1.1 全局阈值算法 | 第15-20页 |
| 2.1.2 局部阈值算法 | 第20-24页 |
| 2.2 当前二值化算法面临的问题 | 第24页 |
| 2.3 字符识别算法 | 第24-27页 |
| 2.3.1 基于结构的特征提取方法 | 第24-25页 |
| 2.3.2 基于统计的特征提取方法 | 第25-26页 |
| 2.3.3 神经网络字符识别 | 第26-27页 |
| 2.4 当前字符识别算法存在的难点 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于支持向量机的自适应二值化算法 | 第29-44页 |
| 3.1 自适应二值化方法 | 第29-34页 |
| 3.1.1 图像的分类 | 第30页 |
| 3.1.2 SVM分类模型的建立 | 第30-32页 |
| 3.1.3 SVM训练样本的建立 | 第32-34页 |
| 3.2 实验描述及结果分析 | 第34-43页 |
| 3.2.1 实验环境和测试图像库 | 第34页 |
| 3.2.2 图像集自适应选择二值化测试 | 第34-38页 |
| 3.2.3 随手拍摄图像的自适应选择二值化测试 | 第38-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第4章 基于CNN的多字体印刷体汉字识别 | 第44-57页 |
| 4.1 卷积神经网络的基础 | 第44-47页 |
| 4.1.1 卷积神经网络的结构 | 第44-45页 |
| 4.1.2 卷积神经网络的求解 | 第45-47页 |
| 4.2 基于卷积神经网络的字符识别 | 第47-56页 |
| 4.2.1 LeNet-5网络结构 | 第47-49页 |
| 4.2.2 基于改进LeNet-5网络结构的字符识别 | 第49-51页 |
| 4.2.3 改进的LeNet-5结构描述 | 第51-53页 |
| 4.2.4 实验与分析 | 第53-56页 |
| 4.3 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的学术论文及获得成果 | 第62-63页 |
| 致谢 | 第63页 |