第一章 模板匹配 1
1.1 光学模板匹配 1
1.2 采用模拟灰度的电子模板匹配 7
1.3 数字灰度 10
1.4 取值最大化 16
1.5 窥窗模板 18
1.6 负权 20
第二章 文字识别前的预处理 23
2.1 把视觉图形变为电子图形 23
2.1.1 尼普柯夫圆盘 23
2.1.2 光导摄象管 25
2.1.3 飞点扫描装置 26
2.1.4 光电管阵 27
2.1.5 传真发送器 28
2.2 二值化 29
2.2.1 阈由对比度确定 29
2.2.2 阈由测量笔划宽度来确定 31
2.3 对准 33
2.3.1 用测量来竖直对准 33
2.3.2 用穷举试验来竖直对准 35
2.3.3 水平对准和文字分隔 38
2.3.4 尺寸和透视的规格化 41
2.4 平滑化、边缘检测和细化 42
2.4.1 平滑化 42
2.4.2 边缘检测 45
2.4.3 细化 47
第三章 线性技术 50
3.1 识别类 50
3.2 误差最小的贝叶斯分类器 51
3.3 统计独立性 53
3.4 高斯分布 56
3.5 与规格化平均模板互相关 61
3.6 线性判别函数 63
3.7 固定增量程序 67
3.7.1 两个类的情况 67
3.7.2 收敛性的证明 70
3.7.3 多类情况下的固定增量程序 72
3.7.4 滞区 73
3.7.5 边界矩阵 74
3.8 图形误差 75
3.9 对分方案 81
3.9.1 一／多对分 81
3.9.1.1 单类参数确定法 81
3.9.1.2 多类参数确定法 82
3.9.2 一／一对分 82
3.9.3 线性可分的机会 84
3.9.4 多／多对分 85
3.9.4.1 理想的τ比特图形组成法 90
3.9.4.2 统计选择 90
3.9.4.3 切割平面算法 91
3.9.4.4 公共子图形 92
3.10 卡伦—莱美展开式 93
4.1 分段线性判别函数 97
第四章 分段线性技术、位势法和随机近似 97
4.2 直觉确定的子类 98
4.3 最近邻域法 99
4.4 菲尔沙因和费希勒的方法 100
4.5 分段线性固定增量程序 103
4.6 位势法 104
4.6.1 未知概率分布的近似 104
4.6.2 子类位函数 106
4.6.3 位函数的多项式近似 107
4.6.4 在位势法中的误差校正 109
4.7 在图形识别中的随机近似 112
5.1.1 规格化正交展开式 116
第五章 多项式判别和N-数组法 116
5.1 最小二乘方近似 116
5.1.2 最小二乘方近似 121
5.1.3 随机近似的实现法 122
5.2 最大似然n-数组法 123
5.3 布莱索—布朗宁法 127
5.4 多项式判别函数 132
5.4.1 系数由统计方式确定的多项式判别函数 132
5.4.2 系数由误差校正程序确定 133
5.5 根据一个信息准则作自动选择 135
5.6 移位窥窗模板系统 141
5.6.1 用于数字式图形 141
5.6.2 用于模拟式图形 143
6.1 布尔函数 145
第六章 布尔判定和序贯判定 145
6.2 使用布尔函数的识别系统 153
6.2.1 IBM 1418 153
6.2.2 小区域窥窗模板 156
6.2.3 IBM 1975 158
6.3 不完全规定的布尔函数 161
6.4 用数值函数来实现布尔函数 162
6.4.1 引言 162
6.4.2 阈函数 163
6.4.3 多项式判别式 166
6.4.4 多类情况下的数值判别式 167
6.5.1 一棵简单的判定树 169
6.5 非数值序贯识别 169
6.5.2 程序控制的序贯 171
6.5.3 数据控制的序贯 176
6.6 判定策略 180
6.6.1 序贯概率比试验 180
6.6.2 级联判定 181
6.6.3 规格化 183
第七章 特征 185
7.1 引言 185
7.2 区域特征 185
7.2.1 通过边缘检测来识别 185
7.2.2.1 实现手段 189
7.2.2 利用笔划接头和笔划末端的位置的方案 189
7.2.2.2 讨论 194
7.3 图表示法 197
7.3.1 引言 197
7.3.2 不用属性的表示法 199
7.3.3 用属性来表示图 201
7.3.4 图中的点对应于单个黑比特 205
7.3.5 黑比特和白比特 212
7.3.6 同构的一个必要条件 217
7.4 序贯检测特征 220
7.4.1 一个IBM曲线跟踪器系统 220
7.4.1.1 设计原理 221
7.4.1.2 实现特征检测器的硬件 223
7.4.1.3 讨论 226
7.4.2 线跟踪技术 229
7.4.3 序贯检测长条中的特征 232
7.5 特征的讨论 239
7.5.1 子图形类 239
7.5.2 否定系统 240
7.5.3 非否定系统 243
7.5.4 关系系统 245
7.5.5 畸变形状的识别 247
7.6 交截计数系统 251
8.1 上下文 257
8.1.1 使用完整词的上下文 257
第八章 上下文的、语言的和阵列的方法 257
8.1.2 使用n联字的上下文 260
8.2 景象分析 264
8.2.1 给定物体可能有多种分类法 264
8.2.2 形状 265
8.2.2.1 不根据形状 265
8.2.2.2 可解析描述的形状变化 265
8.2.3 景象分段问题 265
8.3 图画句法 268
8.3.1 原生语法 268
8.3.1.1 有限状态语法 268
8.3.1.2 上下文无关语法 271
8.3.1.3 上下文有关语法 273
8.3.1.4 变换 276
8.3.2 图形语法 277
8.3.2.1 链 277
8.3.2.2 二维语法 282
8.3.2.3 图语法 287
8.3.2.4 语法推断 289
8.4 用综合来分析 289
8.5 叠代阵列技术 292
8.5.1 微单元阵列 293
8.5.2 宏单元阵列 298
第九章 系数分析 303
9.1 高阶矩 303
9.2.1 加权过滤器缝隙扫描 306
9.2 缝隙扫描技术 306
9.2.2 用于特殊字体的缝隙扫描法 307
9.3 傅里叶变换 313
9.3.1 离散的傅里叶级数 313
9.3.2 傅里叶积分 318
9.3.3 傅里叶定理 319
9.4 用傅里叶光学来识别图形 321
9.4.1 用夫琅和费衍射实行傅里叶变换 321
9.4.2 识别字的傅里叶变换 323
9.4.3 在图形识别中的夫琅和费全息照相术 327
9.5.1 二项自相关 334
9.5 自相关 334
9.5.2 多重自相关 337
9.6 语言识别 339
9.6.1 引言 339
9.6.2 通过识别时-频图形来识别口语单词 343
9.6.3 波谱段的独立分类 344
9.6.4 交零 349
9.6.5 语言的自相关 351
9.6.6 语言识别中的分段问题 352
第十章 学习 359
10.1 不加管理的学习 359
10.1.1 二级系统 359
10.1.2 完全不加管理的学习 361
10.2.1 引言 363
10.2 特征的自动确定 363
10.2.2 否定系统 364
10.2.2.1 选择技术 364
10.2.2.2 构造f-类的一种方法 365
10.2.3 非否定系统 368
10.3 一种关系系统 369
10.3.1 图形的畸变 369
10.3.2 单重分块 374
10.3.3 多重分块：分离的训练集 376
10.3.4 多重分块：混合训练集 382
10.3.6 退化 385
10.3.6.1 识别时的退化 385
10.3.5 训练集 385
10.3.6.2 在确定Mο时的退化 387
10.3.6.3 在确定Mω时的退化 388
10.3.7 讨论 391
10.3.7.1 n的值 391
10.3.7.2 一个语法推断问题 391
10.3.7.3 通过穷举试验来规格化 391
10.4 学习的迁移 395
10.5 联想存储器 397
10.6 自动图形识别的科学基础 402
10.6.1 设计无自动学习能力的识别系统 402
10.6.2 把分类表存储在联想存储器中 404
10.6.3 在图形识别中的学习 405
参考文献 409