Методы, алгоритмы и программные средства построения автоадаптивных шрифтов для аппаратно-программных комплексов обработки и создания неформатных электронных документов

• Автор: Чередниченко, Игорь Николаевич
• Шифр специальности: 05.13.15
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Москва
• Количество страниц: 128 с. : ил.

Оглавление
ВВЕДЕНИЕ

Глава 1. АНАЛИТИЧЕСКИЙ ОБЗОР СОСТОЯНИЯ РАБОТ ПО

ОПТИЧЕСКИМ СИСТЕМАМ РАСПОЗНАВАНИЯ НЕФОРМАТНЫХ ГРАФИЧЕСКИХ ДОКУМЕНТОВ. ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ

1.1. Краткая ретроспектива развития оптических систем распознавания образов

1.2. Анализ современного состояния работ в области хранения и обработки неформатных текстовых графических документов

1.3. Постановка задачи исследования

Глава 2. РАЗРАБОТКА МАТЕМАТИЧЕСКОЙ МОДЕЛИ РЕШЕНИЯ

ЗАДАЧИ КЛАСТЕРИЗАЦИИ ГРАФИЧЕСКИХ ОБЪЕКТОВ ДЛЯ

ПОСТРОЕНИЯ АВТОАДАПТИВНОГО ШРИФТА

2.1. Формирование вектора признаков объектов неформатного графического документа

2.2. Выбор необходимого количества членов ряда Фурье для получения необходимой точности решения задачи обратного восстановления их вида.

2.3. Выбор метрики расстояния в пространстве признаков описания объектов графического документа
2.4. Метод построения автоадаптивного шрифта на основе процедуры кластеризации графических объектов
2.5. Краткие выводы

Глава 3. МЕТОДЫ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ИСХОДНЫХ НЕФОРМАТНЫХ ГРАФИЧЕСКИХ ДОКУМЕНТОВ ДЛЯ ПОСТРОЕНИЯ АПК.
3.1. Бинаризация исходного изображения графического документа
3.2. Разработка процедуры выделения графических объектов и получение их контуров из бинаризованного электронного документа методом маркированных квадратов
3.3. Разработка алгоритма построения вектора признаков графических объектов из контурной информации
3.4. Вычисление порога определения похожести графических объектов для включения в элемент словаря адаптивного шрифта
3.5. Краткие выводы
Глава 4. РАЗРАБОТКА И ОПИСАНИЕ АППАРАТНО-ПРОГРАММНОГО КОМПЛЕКСА А-ВМю ДЛЯ ПОДГОТОВКИ И ВЕБ-ПУБЛИКАЦИЙ НЕФОРМАТНЫХ ГРАФИЧЕСКИХ ДОКУМЕНТОВ. ВОПРОСЫ ПРАКТИЧЕСКОГО ПРИМЕНЕНИЯ
4.1. Общая схема построения аппаратно-программного комплекса для публикации неформатных графических документов
4.2. Модули, реализующие алгоритм построения автоадаптивного шрифта
4.2.1. Модуль ввода и первоначальной обработки электронных документов
4.2.2. Модуль выделения объектов графического документа на основе метода "маркированных квадратов" и выбор точки привязки графического объекта
4.2.3. Модуль построения векторов признаков графических объектов документа
4.2.4. Модуль вычисления матриц расстояний и сходства и формирования ячейки автоадаптивного шрифта графического документа.
4.3. Организация веб-публикаций электронных документов с использованием НТМЬ-5 и Ркэй-технологии
4.4. Реализация метода поиска информации по многостраничному графическому документу при помощи автоадаптивного шрифта
4.5. Практическая реализация и сопряженные задачи, для которых возможно использовать технологию автоадаптивного шрифта
4.5.1. Описание классов задач обработки графических образов
4.5.2. Распознавание раздельного рукописного текста как задача
построения автоадаптивного шрифта
4.5.3. Задача биометрической идентификации подписи как работа с ячейкой автоадаптивного шрифта
4.5.4. Обратные задачи с применением алгоритма формирования
автоадаптивного шрифта
4.6. Краткие выводы
Заключение
Список литературы
Приложения
Приложение 1. Программная реализация процедур поиска объектов графического документа и выделения границ объектов..

Приложение 2. Процедура формирования вектора признаков
Приложение 3. НТМЬ-код для обратного восстановления документа из адаптивного шрифта

Процедура корректировки существующего элемента автоадаптивного шрифта основана на статистической обработке похожих объектов. Входные объекты графического документа, как правило, зашумлены дефектами сканирования. Вполне правомерно считать, что шум от дефектов сканирования имеет нормальное распределение. Поэтому и был выбран статистический подход к формированию центра кластера и его границ, который, при достаточном количестве исследуемых образцов, позволяет минимизировать эти шумы. Предполагается, что на реальные координаты кластера накладываются случайные искажения. Координаты центра кластера будем рассчитывать как математическое ожидание:
Соответственно, для формирования и корректировки границ кластера, будем вычислять и хранить дисперсию отклонений всех входящих в кластер образцов:
Очевидно, что такой подход позволяет минимизировать помехи от дефектов сканирования и максимально восстановить первоначальный вид графических объектов.
Для решения задачи объединения или кластеризации похожих объектов, нужно классифицировать входные объекты на предмет похожести на уже обработанные объекты.
Пусть множество М содержит N классифицируемых объектов .V. Каждый из объектов описывается вектором признаков фиксированной длинны п:
лф* (')]=-£** (о
т /=і
(2.14)
(2.15)
(2.16)