- рівняння прямої, що проходить через кінці штриха, коефіцієнт 0.69 отриманий дослідним шляхом.
При введених позначеннях ознаки символу можуть бути записані, наприклад, у вигляді A? C і AcD raquo ;, що означає наявність прямої, що проходить з області А в область З raquo ;, і кривої, що проходить з області А в область D відповідно. Гідність структурних ознак в порівнянні з іншими методами визначаться стійкістю до зрушення, масштабированию і повороту символу на невеликий кут, а також - до можливих дісторсией і різним стильовим варіаціям шрифтів.
На жаль, завдання виділення ознак даного типу знаходиться поки в процесі дослідження та немає ще загальновизнаного рішення.
5. Класифікація символів
В існуючих системах OCR використовуються різноманітні алгоритми класифікації, тобто віднесення ознак до різних класів. Вони істотно різняться залежно від обраних ознак і від правил класифікації.
. 1 Порівняння з еталоном
Для класифікації символів необхідно в першу чергу створити бібліотеку еталонних векторів ознак. Для цього на стадії навчання оператор або розробник вводить в систему OCR велика кількість зразків накреслення символів. Для кожного зразка система виділяє ознаки і зберігає їх у вигляді відповідного вектора ознак. Набір векторів ознак, що описують символ, називається класом або кластером.
У процесі експлуатації системи OCR може з'явитися необхідність розширити базу знань. Для здійснення даної мети деякі системи володіють можливістю донавчання в реальному режимі часу. Однак процес навчання вимагає участі оператора і істотних витрат часу, хоча і проводяться дослідження, спрямовані на автоматизацію процесу навчання, що в майбутньому дозволить звести до мінімуму участь у ньому людини-оператора.
Завданням класифікації є визначення класу, якому належить вектор ознак, отриманий для даного символу.
Алгоритми класифікації засновані на визначенні ступеня близькості набору ознак розглянутого символу кожному з класів. Правдоподібність одержуваного результату залежить від обраної метрики простору ознак. До найбільш відомих метрикам відноситься Евклідова відстань:
,
де - i-й ознака з j-го еталонного вектора;- I-а ознака тестованого зображення символу.
При класифікації за методом найближчого сусіда символ буде віднесений до класу, вектор ознак якого найбільш близький до вектору ознак символу. Слід враховувати, що витрати на обчислення зростуть із збільшенням кількості використовуваних ознак і класів.
Одна з методик, що дозволяють поліпшити метрику подібності, заснована на статистичному аналізі еталонного набору ознак. При цьому в процесі класифікації більш надійним ознаками віддається більший пріоритет:
,
де wi, - вага i-го ознаки.
Інша методика класифікації, що вимагає знання апріорної інформації, заснована на використанні формули Байеса. З правила Байеса випливає, що розглянутий вектор ознак належить класу j raquo ;, якщо відношення правдоподібності К більше ніж ставлення апріорної ймовірності класу j до апріорної ймовірності класу L.
. 2 Нейромережеві структури
Штучні нейронні мережі досить широко використовуються при розпізнаванні символів. Алгоритми, що використовують нейронні мережі для розпізнавання символів, часто будуються таким чином. Надходить на розпізнавання зображення символу (растр) приводиться до деякого стандартного розміру. Як правило, використовується растр розміром 16х16 пікселів. Приклади таких нормалізованих растрів показані на Рис. 2.
Малюнок 2 - Растрове зображення
Значення яскравості у вузлах нормалізованого растра використовуються в якості вхідних параметрів нейронної мережі. Число вихідних параметрів нейронної мережі дорівнює числу розпізнаваних символів. Результатом розпізнавання є символ, якому відповідає найбільше зі значень вихідного вектора нейронної мережі (див. Рис 3, показана тільки частина зв'язків і вузлів растра). Підвищення надійності таких алгоритмів пов'язано, як правило, або з пошуком більш інформативних вхідних ознак, або з ускладненням структури нейронної мережі.
Надійність розпізнавання і потреба програми в обчислювальних ресурсах в чому залежать від вибору структури і параметрів нейронної мережі. Зображення цифр приводяться до єдиного розміру (16х16 пікселів). Отримане зображення подається на вхід нейронної мережі.
Малюнок 3 - Частина нейронної мережі
В якості вхідних параметрів нейронної мережі замість значень яскравості у...
