Разработка алгоритмов распознавания рукописных символов на основе аналитических свойств изображения

• Автор: Сорокин, Андрей Игоревич
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Воронеж
• Количество страниц: 184 с.

Введение

Глава 1. Обзор существующих методов распознавания.

Г лава 2. Предварительная обработка изображения

2.1. Пороговая классификация

2.2. Бинарная морфология в предварительной обработке изображения

2.3. Построение скелета изображения.

2.4. Обработка скелета изображения

2.5. Выделение границ объектов. Способы задания границ

Глава 3. Распознавание простейших объектов на изображении

3.1. Преобразование Радона

3.2. Поиск прямых на изображении

3.3. Нахождение параметров окружностей на основе обобщнного преобразования
Радона
3.4. Метод инверсий для обнаружения окружностей.
3.5. Моделирование символов примитивами.
Г лава 4 Распознавание сложных объектовМ
4.1. Метод алгебраических кривых
4.2. Моделирование рукописных символов алгебраическими кривыми
4.3. Инвариантные дескрипторы Фурье.
4.4. Представление плоской кривой эллиптическими дескрипторами Фурье
4.5. Функция длины хорды для построения характерных признаков объекта.
4.6. Признаки распознавания объекта
Г лава 5. Сегментация изображения.
5.1. Диаграммы Вороного
5.2. Сегментация текста на основе обобщнных диаграмм Вороного Л.
5.3. Алгоритм обнаружения угла наклона текста
5.4. Алгоритм сегментации простых арифметических выражений.
5.5. Алгоритм деления текста на строки и слова.
Глава 6. Программная оболочка распознавания рукописных и печатных
текстов
6.1. Блок предварительной обработки изображения
6.2. Блок сегментации текста.
6.3. Блок распознавания символов.
6.4. Блок окончательной обработки результатов распознавания
Заключение
Литература


Для пороговой классификации плохих изображений используются методы адаптивной пороговой классификации , позволяющие ввести разбиение исходного изображения на участки, в каждом из которых независимо вычисляется порог яркости, используемый для классификации пикселей. Чрнобелое изображение, . Самыми распространенными методами устранения подобного типа шума являются медианная фильтрация, заключающаяся в сглаживании исходного изображения пугм усреднения величины яркости соседних пикселей и удаление изолированных пикселей . В работе развивается метод удаления шумов на изображении на основе вейвлетпреобразования. Второй модуль системы распознавания сегментация изображения необходим для выделения значимых блоков текста на геометрическом иили логическом уровнях. На геометрическом уровне выделяют такие типы однородных блоков как, например, текст и изображение, а также их взаимное расположение. Логический уровень предполагает идентификацию заголовков, параграфов или абзацев. Физическое расположение однородных зон используется в дальнейшем для получения логической структуры текста. Среди наиболее эффективных алгоритмов выделения геометрической структуры машинописного текста можно отметить алгоритм Лосьйит ОГормана и алгоритм Кайса , основанный на применении диаграмм Вороного. Алгоритм Посетит итеративно укрупняет блоки текста, начиная от отдельных связных компонентов, составляющих печатные символы и заканчивая абзацами. Динамическое вычисление размера шрифта позволяет уточнить разбиение на строки. Алгоритм Кайса для всех не фоновых точек исходного изображения строит диаграмму Вороного, после чего последовательно укрупняет разбиение плоскости, получая критерии для выделения символов, слов и строк. Выделение структурных блоков в рукописном тексте усложняется наличием связных компонентов символов, пересекающихся или близко подходящих к соседней строке текста рис. Для решения такой проблемы в работе предлагается адаптация метода Хафа , обычно используемого для поиска прямых, с целью выделения угла наклона каждой из строк текста, что позволяет определить границы пустого пространства между строками. Метод логической сегментации текста , предназначенный для выделения слов, использует физиологические особенности выделения человеком отдельных словстрок и предлагает наряду с глобальными параметрами такими как усредннная длина между компонентами, средняя высота компонентов и т. Этап сегментации изображения завершается получением отдельных слов, символов или составляющих символы штрихов. Рис. Методы распознавания сравнением по шаблону в целом не устойчивы к ряду преобразований сдвиг, поворот и требует применения сложных подходов для осуществления скоростного поиска в базах данных . Как правило, в системах распознавания как машинописных, так и рукописных текстов используются так называемые характерные признаки , позволяющие выделить наиболее значимые многомерные численные параметры изображения символа или слова и использовать их для дальнейшей классификации. Основными подходами к получению характерных признаков распознаваемых объектов являются методы выделения признаков на основе распределения точек и методы получения признаков, основанных на разложении по ортогональной системе функций. Пространственное распределение точек внутри некоторой области, занимаемой объектом, позволяет. К простейшим численным характеристикам объекта относятся площадь, периметр, дисперсия и компактность занимаемой им области . А3 объекта равна А 5 АА, где АА мера площади, занимаемая одним пикселем. Площадь объекта инвариантна к поворотам объекта на изображении и пропорциональному изменению масштаба. Если множество охватывается параметрически заданной замкнутой кривой С х0. Как следует из 1. А5 к площади Рк круга, имеющего периметр границы равный 5. Следовательно, компактность непрерывного множества , представляющего собой круг, будет равна 1. Соответственно для дискретного изображения С 5 будет близка к 1. Дисперсия изображения 5 определяется отношение площади круга наименьшего . ЛЛ площадь, занимаемая одним пикселем. Определение периметра 1.