| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-15页 |
| ·数字识别的研究背景及意义 | 第8页 |
| ·数字识别系统的实用价值 | 第8-9页 |
| ·数字识别在数据统计中的实际应用 | 第8页 |
| ·数字识别在金融相关等领域中的应用 | 第8页 |
| ·数字识别在身份证号码识别中的应用 | 第8页 |
| ·数字识别在各种邮件分拣中的应用 | 第8-9页 |
| ·数字识别系统的理论价值 | 第9页 |
| ·图像数字识别研究的现状、意义及其发展 | 第9-12页 |
| ·国内外研究现状 | 第9-12页 |
| ·数字识别研究的发展趋势及现实意义 | 第12页 |
| ·论文研究的主要内容、章节安排 | 第12-15页 |
| ·本文研究的主要内容 | 第12-14页 |
| ·章节安排 | 第14-15页 |
| 第二章 基于不变矩的印刷体数字图像特征提取 | 第15-29页 |
| ·矩的基本理论介绍 | 第15-17页 |
| ·图像矩的一般定义 | 第15页 |
| ·矩的概念 | 第15页 |
| ·矩的物理意义 | 第15-17页 |
| ·几种改进的不变矩 | 第17-19页 |
| ·Hu不变矩改进一 | 第17页 |
| ·Hu不变矩改进二 | 第17-18页 |
| ·Hu不变矩改进三 | 第18页 |
| ·Hu不变矩改进四 | 第18-19页 |
| ·神经网络基本原理 | 第19-23页 |
| ·人工神经网络基本原理 | 第19页 |
| ·BP神经网络基本原理 | 第19-23页 |
| ·印刷体数字图像的不变矩计算 | 第23-26页 |
| ·印刷体数字图像的不变矩 | 第23页 |
| ·各种不变矩旋转不变性测试 | 第23-25页 |
| ·种不变矩尺度不变性测试 | 第25-26页 |
| ·实验结果分析 | 第26页 |
| ·基于不变矩及神经网络印刷体数字识别系统设计 | 第26-28页 |
| ·基于不变矩及神经网的印刷体识别系统 | 第26-27页 |
| ·神经网络训练结果 | 第27页 |
| ·各种不变矩识别率比较 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 基于PCA变换和K近邻法的印刷体数字图像识别 | 第29-35页 |
| ·PCA原理 | 第29-31页 |
| ·PCA的基本思想 | 第29页 |
| ·主成分分析(PCA)流程 | 第29-30页 |
| ·主成分分析的数学建模流程 | 第30-31页 |
| ·K近邻法 | 第31-32页 |
| ·模式识别方法 | 第31页 |
| ·K-近邻法决策 | 第31-32页 |
| ·基于PCA变换和K近邻法的印刷体识别算法设计 | 第32-33页 |
| ·实验结果及分析 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 基于GABOR变换和ADABOOST算法的印刷体数字识别 | 第35-44页 |
| ·概述 | 第35页 |
| ·ADABOOST算法 | 第35-36页 |
| ·印刷体数字图像的GABOR表示 | 第36-40页 |
| ·Gabor变换 | 第36-37页 |
| ·印刷体数字图像的Gabor表示 | 第37-40页 |
| ·ADABOOST印刷体数字识别算法 | 第40-42页 |
| ·实验结果及分析 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第五章 总结与展望 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48-49页 |