文档图像的检索与文字检测研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及研究目的和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 基于内容的检索方法研究 | 第11-12页 |
| 1.2.2 文档图像检索的发展 | 第12-15页 |
| 1.2.3 基于深度学习的图像检测和检索发展 | 第15-16页 |
| 1.3 本文的主要研究内容 | 第16页 |
| 1.4 本文的章节安排 | 第16-17页 |
| 第2章 文档图像检索基础 | 第17-33页 |
| 2.1 图像预处理 | 第17-21页 |
| 2.1.1 二值化 | 第17-18页 |
| 2.1.2 倾斜校正 | 第18-19页 |
| 2.1.3 去噪 | 第19-20页 |
| 2.1.4 细化 | 第20-21页 |
| 2.2 文字检测 | 第21-26页 |
| 2.2.1 MSER | 第23页 |
| 2.2.2 SWT | 第23-24页 |
| 2.2.3 ER Filter | 第24-25页 |
| 2.2.4 通用分类器 | 第25-26页 |
| 2.3 特征提取 | 第26-31页 |
| 2.3.1 底层特征 | 第26页 |
| 2.3.2 浅层特征 | 第26-30页 |
| 2.3.3 中层特征 | 第30-31页 |
| 2.3.4 深度特征 | 第31页 |
| 2.4 检索方法 | 第31页 |
| 2.5 本章小结 | 第31-33页 |
| 第3章 文档图像文字检测研究 | 第33-58页 |
| 3.1 投影分割 | 第33-34页 |
| 3.2 FASTEXT | 第34-39页 |
| 3.2.1 FAST特征点检测 | 第34-35页 |
| 3.2.2 FASText改进角点 | 第35-37页 |
| 3.2.3 文本方向聚合 | 第37-39页 |
| 3.3 基于深度学习的文字检测 | 第39-48页 |
| 3.3.1 区域推荐算法 | 第39-44页 |
| 3.3.2 区域分类Fast R-CNN | 第44-45页 |
| 3.3.3 基于RPN的文字检测优化 | 第45-48页 |
| 3.4 实验及分析 | 第48-57页 |
| 3.4.1 数据集及实验环境 | 第48页 |
| 3.4.2 MSER、SWT与ER Filter | 第48-51页 |
| 3.4.3 投影分割与Tesseract定位 | 第51-53页 |
| 3.4.4 FASText | 第53-54页 |
| 3.4.5 基于LSTM的RPN算法 | 第54-57页 |
| 3.5 本章小结 | 第57-58页 |
| 第4章 基于内容的文档图像检索系统 | 第58-69页 |
| 4.1 系统架构 | 第58页 |
| 4.2 图像粗筛 | 第58-61页 |
| 4.2.1 基于HOG与SVM的分类 | 第59-60页 |
| 4.2.2 基于CNN的分类 | 第60-61页 |
| 4.3 基于LSH与HOG特征的检索 | 第61-62页 |
| 4.4 LLAH特征优化 | 第62-66页 |
| 4.4.1 文字检测与特征点提取 | 第62-63页 |
| 4.4.2 特征值与哈希值计算 | 第63-64页 |
| 4.4.3 特征库构建与哈希检索 | 第64页 |
| 4.4.4 LBP分级检索 | 第64-66页 |
| 4.5 结果分析 | 第66-68页 |
| 4.5.1 数据集及运行环境 | 第66页 |
| 4.5.2 图片粗筛 | 第66-67页 |
| 4.5.3 基于LSH与HOG的检索 | 第67页 |
| 4.5.4 LLAH检索 | 第67-68页 |
| 4.6 本章小结 | 第68-69页 |
| 结论 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76页 |
