中文摘要 | 第1-3页 |
英文摘要 | 第3-8页 |
第一章 绪论 | 第8-13页 |
1.1 引言 | 第8页 |
1.2 汉字识别研究的发展历程 | 第8-10页 |
1.3 汉字识别技术研究现状及发展趋势 | 第10-12页 |
1.4 论文背景及研究的主要内容 | 第12-13页 |
第二章 汉字识别系统总体结构的设计 | 第13-25页 |
2.1 系统硬件部分的设计 | 第13-21页 |
2.1.1 图像传感器 | 第13-16页 |
2.1.2 数据传输接口 | 第16-20页 |
2.1.3 图像压缩算法 | 第20-21页 |
2.2 系统软件部分的总体设计 | 第21-25页 |
2.2.1 汉字识别的基本方法 | 第21-22页 |
2.2.2 汉字识别(手写体)中存在的问题及困难 | 第22页 |
2.2.3 汉字识别系统软件部分的方案设计 | 第22-25页 |
第三章 汉字识别中的图像预处理 | 第25-37页 |
3.1 概述 | 第25-26页 |
3.2 平滑去噪处理 | 第26-27页 |
3.2.1 模板操作 | 第26-27页 |
3.2.2 邻域平均法去噪处理 | 第27页 |
3.3 图像二值化 | 第27-30页 |
3.3.1 阀值法的基本原理 | 第28页 |
3.3.2 最大方差阀值设定法算法 | 第28-30页 |
3.3.3 最大方差阀值设定法的计算框图 | 第30页 |
3.4 汉字图像的倾斜校正 | 第30-33页 |
3.4.1 汉字图像自动倾斜校正的理论基础 | 第30-32页 |
3.4.2 汉字图像的自动倾斜校正算法 | 第32-33页 |
3.5 汉字图像的行字切分 | 第33-35页 |
3.5.1 行切分 | 第33-34页 |
3.5.2 字切分 | 第34-35页 |
3.6 汉字图像的归一化 | 第35-36页 |
3.7 二次平滑去噪处理 | 第36-37页 |
第四章 汉字识别的粗分类算法 | 第37-41页 |
4.1 概述 | 第37-38页 |
4.2 粗分类算法的特征提取 | 第38页 |
4.3 粗分类的识别算法 | 第38-40页 |
4.4 粗分类中的学习过程 | 第40-41页 |
第五章 汉字识别的细分类算法 | 第41-72页 |
5.1 概述 | 第41-42页 |
5.2 基于笔划密度特征的细分类算法 | 第42-44页 |
5.2.1 特征提取 | 第42页 |
5.2.2 基于笔划密度特征细分类器的识别算法 | 第42-44页 |
5.2.3 两分类器集成的独立性分析 | 第44页 |
5.3 基于神经网络的细分类算法 | 第44-72页 |
5.3.1 人工神经网络及BP网 | 第44-47页 |
5.3.2 特征提取 | 第47-52页 |
5.3.2.1 汉字的四方向分解 | 第48-49页 |
5.3.2.2 弹性网格的构造 | 第49页 |
5.3.2.3 弹性网格像素概率分布特征的提取 | 第49-50页 |
5.3.2.4 弹性网格像素概率分布特征提取实验 | 第50-52页 |
5.3.3 神经网络BP学习算法的实现 | 第52-54页 |
5.3.4 BP神经网络结构的设计 | 第54-57页 |
5.3.5 神经网络BP算法的改进 | 第57-62页 |
5.3.5.1 附加动量项法 | 第58页 |
5.3.5.2 自适应学习速率法 | 第58-59页 |
5.3.5.3 综合法 | 第59-60页 |
5.3.5.4 改进网络误差函数 | 第60-62页 |
5.3.6 神经网络的学习和训练 | 第62-72页 |
5.3.6.1 网络学习训练的准备工作 | 第62-66页 |
5.3.6.2 提高BP网络收敛速度的方法 | 第66页 |
5.3.6.3 BP神经网络在Matlab中的实现 | 第66-69页 |
5.3.6.4 仿真训练程序的编制 | 第69-72页 |
第六章 汉字识别系统的后处理 | 第72-75页 |
6.1 引言 | 第72-73页 |
6.2 基于词匹配的后处理系统的基础工作 | 第73-74页 |
6.2.1 汉语词汇的统计特征 | 第73-74页 |
6.2.2 后处理系统中汉语词条库的设计 | 第74页 |
6.3 基于词匹配的后处理系统的实现 | 第74-75页 |
第七章 实验结果与分析 | 第75-80页 |
7.1 汉字识别系统总体构成分析 | 第75-76页 |
7.2 实验结果及分析 | 第76-80页 |
结束语 | 第80-81页 |
致谢 | 第81-82页 |
参考文献 | 第82-84页 |