Интеллектуальный метод обработки печатных и рукописных символов

Вид материала

Документы

Содержание Список литературы

Подобный материал:

• Испокон веков русские монастыри были хранителями русской культуры, русской книжности, 194.53kb.
• Лабораторная работа № Нейросетевое распознавание печатных символов. Дисциплина: «Распознавание, 74.04kb.
• 4. Лекция: Распознавание изображений, 196.23kb.
• Метод сортировки метод вставок, класс строка символов, 25.65kb.
• Доклад посвящен методам сопоставления образов с шаблоном в системе автоматической обработки, 31.12kb.
• Язык символов — язык вечности, 222.57kb.
• Роль лекций по философии и сгн в техническом вузе, 61.52kb.
• «Перспективы применения ит в изучении рукописных текстов», 200.57kb.
• Задания для контрольных работ по дисциплине «Финансы и кредит», 83.01kb.
• Работа Программирование обработки строк символов, 35.71kb.

С.А. БУТЕНКОВ, В.В. КРИВША, В.А. САЛЬНИКОВ

Таганрогский государственный радиотехнический университет


Интеллектуальный метод обработки печатных и рукописных символов


В работе рассматривается интеллектуальный подход к решению задачи обработки печатных и рукописных символов, основанный на представлении изображений с помощью гранул. Предлагаемый метод базируется на ряде математических свойств матрицы, представляющей гранулированное представление символа.


В настоящее время при построении информационных систем актуальной является задача распознавание печатной или рукописной символьной информации. Существует большое количество методов решения этой задачи.

В работе [1] был предложен метод минимизации представления точечных данных с помощью относительно малого числа гранул. В соответствии с этим было введено параметризованное представление для произвольной гранулы. Там же предложена модель плоского изображения в виде объединения конечного числа попарно непересекающихся гранул, и введены нечеткие признаки на гранулированном изображении.

После построения матриц нечетких признаков для распознаваемого и эталонного изображений строится вектор сходства между ними. В данном случае использовались различные широко известные меры. Следует отметить, что при распознавании для данных формул важным является совпадение числа геометрических элементов обоих изображений. Эта проблема решалась путем объединения гранул, имеющих сходные перцептуальные признаки.

Развитие этого подхода было предложено в работе [2]. В основу метода легло конструирование нечетких отношений на множестве нечетких признаков. Нечеткие отношения используются при качественном анализе взаимосвязей между признаками. Так как нечеткие отношения позволяют проводить анализ с учетом различия в силе связей между элементами. В работе предлагался метод выделения классов “параллельных” и “перпендикулярных” гранул, основанный на одном из важнейших свойств нечетких отношений – декомпозиции. Сравнение предлагается проводить для элементов, входящих в эти классы.

В данной статье предлагается другой подход для распознавания символьной информации. В основе метода также используются сконструированные нечеткие отношения на множестве нечетких признаков.

,

Из курса математики известно, что любую матрицу можно представить в виде вектора собственных значений [3]. В результате проведенных экспериментов, было выяснено, что для символов достаточно использовать первые три значения собственных чисел, поэтому символы можно представить в виде вектора в трехмерном пространстве. Распознавание сводится к сравнению векторов собственных значений для эталонного и распознаваемого изображений.

Было проведено большое количество опытов с изображениями цифр. Проводились повороты изображений на различные углы. В результате экспериментов выяснялось, что представление изображения цифры с помощью тройки собственных значений является альтернативой к методам, описанным в работах [1] и [2], так как значительно сокращаются вычислительные затраты при сравнении изображений. Однако предложенный метод эффективен только для изображений, не подвергнутых масштабированию и повороту, либо эти изменения являются незначительными.

В результате экспериментов выяснилось, что данный метод устойчив к наличию шумов и разрывов на изображении цифр. Наибольшую сложность при распознавании представляют изображения цифр 3 и 6, т.к. вектора собственных значений этих изображений символов близки друг к другу.

Для исследования и построения системы распознавания цифр использовались созданные авторами программы, позволяющие решать полный набор подзадач. Тестирование показало высокую эффективность распознавания символов заданных классов.


Список литературы

1. Каркищенко А.Н., Бутенков С.А., Кривша В.В. Нечеткое представление и обработка геометрической информации. “Искусственный интеллект” Научно-теоретический журнал Национальной академии наук Украины, №3, 2000, с. 466-474. ISSN 1561-5359.
   
2. Бутенков С.А., Каркищенко А.Н., Кривша В.В. Конструирование нечетких отношений в задачах распознавания символьной информации. // Сб. трудов конгресса „Искусственный интеллект в XXI веке” (ICAI'2001) – М.: Физматлит, 2001, Т. 1. С. 142-149.
   
3. Гантмахер Ф.Р. “Теория матриц”. М.: Наука, 1988, 550 с.