| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 引言 | 第12-13页 |
| 1.2 复杂背景下的文字判断和识别研究的现状 | 第13-14页 |
| 1.3 本文的研究内容及组织结构 | 第14-16页 |
| 1.3.1 本文的研究内容 | 第14页 |
| 1.3.2 本文的组织结构 | 第14-16页 |
| 第二章 图片文字判断的常用算法研究与实验仿真 | 第16-29页 |
| 2.1 SIFT 特征向量提取 | 第16-21页 |
| 2.1.1 图像的特征向量简述 | 第16-17页 |
| 2.1.2 SIFT 概述 | 第17页 |
| 2.1.3 SIFT 算法过程 | 第17-21页 |
| 2.2 K-MEANS 聚类算法 | 第21-24页 |
| 2.2.1 聚类算法概述 | 第21-22页 |
| 2.2.2 k-means 算法流程 | 第22-23页 |
| 2.2.3 k-means 算法的性能分析 | 第23-24页 |
| 2.2.4 基于本文算法的k-means 算法 | 第24页 |
| 2.3 SVM 算法概述 | 第24-28页 |
| 2.3.1 数据挖掘的概念 | 第24-25页 |
| 2.3.2 SVM 算法流程 | 第25-27页 |
| 2.3.3 SVM 算法的特点 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于机器学习的复杂背景下的文字判断算法 | 第29-39页 |
| 3.1 算法描述 | 第29-36页 |
| 3.1.1 样本准备阶段 | 第29-33页 |
| 3.1.2 SVM 机器学习阶段 | 第33-34页 |
| 3.1.3 测试阶段 | 第34-36页 |
| 3.2 实验数据 | 第36-38页 |
| 3.2.1 对k-means 的k 进行测试 | 第36页 |
| 3.2.2 对数据样本进行测试 | 第36-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 基于机器学习的复杂背景下的文字判断算法的改进 | 第39-46页 |
| 4.1 算法的改进 | 第39-41页 |
| 4.1.1 算法流程 | 第39-40页 |
| 4.1.2 测试数据 | 第40-41页 |
| 4.2 对旋转的图片进行判断 | 第41-42页 |
| 4.3 对拉伸的图像进行判断 | 第42页 |
| 4.4 使用实际的图片进行测试 | 第42-43页 |
| 4.5 基于机器学习的复杂背景下的特定文字判断算法 | 第43-45页 |
| 4.5.1 算法描述 | 第43-44页 |
| 4.5.2 算法测试 | 第44-45页 |
| 4.6 本章小结 | 第45-46页 |
| 第五章 基于机器学习的文字判断和识别算法的系统实现 | 第46-73页 |
| 5.1 基于机器学习的文字判断和识别算法的系统概述 | 第46-50页 |
| 5.1.1 系统环境 | 第46页 |
| 5.1.2 相关技术 | 第46-50页 |
| 5.1.3 本文对微软的OCR 控件的改进 | 第50页 |
| 5.2 基于机器学习的文字判断和识别算法的系统设计 | 第50-70页 |
| 5.2.1 系统架构 | 第50-52页 |
| 5.2.2 系统时序图 | 第52页 |
| 5.2.3 数据库设计 | 第52-56页 |
| 5.2.4 系统模块设计 | 第56-58页 |
| 5.2.5 系统的包结构 | 第58-64页 |
| 5.2.6 用户使用流程 | 第64-66页 |
| 5.2.7 反馈阶段 | 第66-70页 |
| 5.3 系统性能测试 | 第70-72页 |
| 5.3.1 YSlow 简介 | 第70-71页 |
| 5.3.2 系统反应时间性能测试 | 第71-72页 |
| 5.4 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 全文总结 | 第73页 |
| 6.2 研究展望 | 第73-75页 |
| 参考文献 | 第75-78页 |
| 致谢 | 第78-79页 |
| 攻读硕士学位期间已发表或录用的论文 | 第79-82页 |
| 上海交通大学硕士学位论文答辩决议书 | 第82页 |
