پایان نامه > کتابخانه مرکزی دانشگاه صنعتی شاهرود > مهندسی برق و رباتیک > مقطع کارشناسی ارشد > سال 1391
پدیدآورندگان:
احسان مرتضوی صنوبری [پدیدآور اصلی]، محمد حسین خسروی[استاد راهنما]، امیدرضا معروضی[استاد مشاور]
چکیده: هدف از این پژوهش، بررسی عمل بازشناسی قلم به منظور تشخیص قلم از روی تصاویر اسکن شده از سند‌ها می‌باشد. بازشناسی قلم یکی از بخشهای مهمِ سامانه OCR است و هدف از بازشناسی قلم تعیین نوع قلم استفاده شده در متن تایپی است. در این پایان‌نامه با ترکیب ویژگی‌های مختلف و استفاده از طبقه‌بند SVM سعی داریم نتایج بازشناسی قلم را بهبود ببخشیم. در این پژوهش از روش‌های فیلتر گابور، تبدیل موجک، فرکتال چندبُعدی وSRF که یک روش مبتنی بر گرادیان می‌باشد، برای استخراج ویژگی استفاده و با یکدیگر مقایسه می‌شوند. روش SRF ترکیبی از دو نقاب سوبل و روبرتز می‌باشد و از اطلاعات دامنه و فاز برای استخراج ویژگی استفاده می‌کند. همچنین در این روش ویژگی‌ها به خوبی در جهت‌های مختلف استخراج می‌‌شوند. در استخراج ویژگی به روش موجک، از موجک‌های مادر متفاوتی از جمله Db1 و Symlet استفاده و با یکدیگر مقایسه شده‌اند. روش استخراج ویژگی بعدی مبتنی بر فرکتال است، فرکتال یک روش مفید برای تعیین پیچیدگی‌های تصاویر است و از روش‌های گوناگونی از جمله شمارنده جعبه‌ها و گسترش برای محاسبه بعُد فرکتال در این پژوهش استفاده کرده‌ایم. یکی دیگر از روش‌های استفاده شده برای استخراج ویژگی فیلتر گابور است که در گذشته به کرات مورد استفاده قرار گرفته است. عیب اصلی فیلتر گابور محاسبات فراوان و زمان‌بر آن است در صورتی که روش‌های دیگر، دارای حجم محاسبات به مراتب کمتری بوده و بسیار سریعتر از فیلتر گابور برای استخراج ویژگی از بافت عمل می‌کنند. پس از اینکه ویژگی‌ها با استفاده از روش‌های مختلف استخراج شدند به وسیله طبقه‌بندهای SVM و MLP قلم‌ها بازشناسی شده و نتایج حاصل از این دو طبقه‌بند با یکدیگر مقایسه می‌شوند. در بین ویژگی‌های مورد بررسی SRF و موجک، سرعت خوبی را داشته و نتایج بهتری را هم ارائه می‌دهند، از طرف دیگر این دو ویژگی تفاوت‌های زیادی در نحوه استخراج دارند لذا خطاهای ناشی از این دو ویژگی همبستگی کمی خواهند داشت. با توجه به این موضوع ما این دو ویژگی را با یکدیگر ترکیب کردیم که نتایج آن نسبت به هر دو ویژگی بهبود قابل توجهی یافته است. میانگین نرخ بازشناسی برای روش RSW و با استفاده از طبقه‌بند SVM برابر با 95.58% درصد است که 2.14 درصد از روش SRF و حدود 11.25درصد از تبدیل موجک بهتر می‌باشد.
کلید واژه ها (نمایه ها):
#استخراج ویژگی #بازشناسی قلم‌ #شبکه عصبی چندلایه #شناسایی الگو #فارسی #ماشین بردار پشتیبان #SRW.
محل نگهداری: کتابخانه مرکزی دانشگاه صنعتی شاهرود
یادداشت: حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.
تعداد بازدید کننده:
پایان نامه های مرتبط (بر اساس کلیدواژه ها)