1 / 17

Ekstrakcija i prepoznavanje slova u digitalnim slikama

Miranda Kreković Josip Kukučka Jurica Šprem Ivana Zadro Zagreb, 24.01.2013. Ekstrakcija i prepoznavanje slova u digitalnim slikama. Uvod i opis područja. Eng. OCR, Optical Character Recognition Primjene : pomoć slijepim osobama, arhiviranje dokumenata... Metode: Eulerov broj

lance-suarez
Télécharger la présentation

Ekstrakcija i prepoznavanje slova u digitalnim slikama

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Miranda Kreković Josip Kukučka Jurica Šprem Ivana Zadro Zagreb, 24.01.2013. Ekstrakcijaiprepoznavanjeslova u digitalnimslikama

  2. Uvod i opis područja • Eng. OCR, Optical Character Recognition • Primjene : pomoć slijepim osobama, arhiviranje dokumenata... • Metode: • Eulerov broj • raspodjela gustoće crnih piksela na slici, • broj vertikalnih i horizontalnih presjeka • metoda centralnih momenata

  3. Naši zahtjevi • Uspravna slika (nema rotiranog teksta) • Rezolucija teksta (dokument skeniran s 200 dpi)

  4. Predobrada • RGB siva slika • Siva binarna slika Adaptivni prag

  5. Segmentacija • Izdvajanje redaka slova • Sobelov operator • Morfološke operacije • Izdvajanje slova iz pojedinog retka

  6. Izdvajanje redaka slova Sobelov operator za uklanjanje tablica ili okvira Morfološki operatori “Clean” i “Spur”

  7. Izdvajanje slova iz pojedinog retka

  8. Prepoznavanje znakova • Cilj: svakom izdvojenom znaku pridružiti njegov reprezentant iz baze • Baza je skup četiri podskupa od 91 znaka (mala i velika slova hrvatske abecede, brojevi, interpunkcijski znakovi, ...) • Dimenzije: 14, 26, 30, 52

  9. Prilagodba izdvojenog znaka • Micanje bijelih rubova • Skaliranje na dimenzije baze

  10. Usporedba • Usporedba s predlošcima (Template matching) • Eulerov broj • Raspodjela gustoće crnih piksela • Broj vertikalnih i okomitih presjeka • Centralni momenti

  11. Eulerov broj • Pomoćna metoda • Razlika objekata na slici i broja zatvorenih površina • Za znakove iz baze je u intervalu [-1, 2] • Npr. za ‘A’ = 0, ‘B’ = -1, ‘C’ = 1, ‘i’ = 2

  12. Raspodjela gustoće crnih piksela • Podjela slike na preklapajuće pravokutnike (16 ili 25, ovisno o dimenziji) • Značajka je matrica vrijednosti: gdje su A i B dimenzije pojedinog pravokutnika

  13. Broj vertikalnih i okomitih presjeka • Kroz svaki piksel provučena su dva pravca • Značajka je matrica istih dimenzija • Vrijednosti elemenata su funkcija broja presjeka pravaca s rubovima slova

  14. Usporedba metodom Eulerov broj • Postiže se visoka točnost • Koristi se kao pomoćna metoda u kombinaciji s preostalim • Smanjuje računarsku kompleksnost postupka (ubrzanje 3 puta)

  15. Usporedba • Računa se razlika matrice značajki izdvojenih i znakova iz baze • Matrica razlike provlači se kroz određene nelinearne funkcije (potencije) radi ostvarenja većeg stupnja razlikovnosti • Usporedbena veličina je suma svih elemenata takve matrice • Minimizacijom se dobiva indeks znaka iz baze

  16. Zaključak • Uspješnost izdvajanja znakova iz digitalne fotografije je 97.1% • Rezultati prepoznavanja variraju po metodama usporedbe i veličini matrice znaka • Najbolji rezultati postižu se za kombinaciju metode euler i raspodjele gustoće crnih piksela na dimenziji 52

  17. Hvala na pažnji! Nema pitanja? 

More Related