اطلاعیه

باز شناسی ارقام دست نویس فارسی

کد محصول BR161

تعداد صفحات: ۱۲۶ صفحه فایل PDF

قیمت: ۱۵۰۰۰ تومان

دانلود فایل بلافاصله بعد از خرید

فهرست مطالب

مقدمه
فصل اول – OCR چیست؟
OCR چیست؟
مراحل کار OCR
شناسایی الگو
الگوی بازشناسی کاربردی
طرح پژوهش
تاریخچه OCR
تحقیقات انجام شده در داخل کشور در زمینه تولید OCR  فارسی

فصل دوم – بخش های مختلف OCR
بازشناسی نوری حروف
برخی ویژگی های متون چاپی فارسی از دیدگاه پردازش رایانه
سیستم های OCR  را می توان از لحاظ نوع الگوی ورودی به دو گروه اصلی تقسیم کرد
معرفی بخش های مختلف یک سیستم OCR
پیش پردازش
کاهش نویز
نرمالیزه کردن داده ها
نرمالیزه کردن کجی متن و استخراج خطوط زمینه
نرمالیزه کردن (تغییر مقیاس دادن) اندازه
هموار سازی کانتور
فشرده سازی
دوگانگی (دو سطحی) کردن تویر متن
نازک سازی
نازک سازی با استفاده از روش شبکه عصبی
نازک سازی با استفاده از روش نقاط منحنی
قطعه بندی
روش های بخش بندی متن و تصویر
بخش بندی با استفاده از لبه یاب ها
بخش بندی با استفاده از مشخه رنگ تصویر
استفاده از شبکه های عصبی تئوری تشدید تطبیقی در جداسازی نوشتار از تصاویر رنگی با پس زمینه های فانتزی
قطعه بندی حروف
جداسازی کلمات با استفاده از شبکه عصبی
یک روش آماری مبتنی بر پیکره برای جداسازی واژه های به هم چسبیده
پیش پردازش
تعیین مرز واژه ها
روش پیشنهادی
بازنمایی (استخراج ویژگی ها)
بازنمایی الگو و رمز گذاری (شبکه عصبی)
طبقه بندی و بازشناسی(استخراج ویژگی ها)
استخراج ویژگی مبتنی بر بردار(شبکه عصبی)
به کارگیری اطلاعات جانبی(پس پردازش)
پیشنهادهایی در جهت تسریع دستیابی به یک سیستم OCR فارسی

فصل سوم – روش های مختلف در حوزه بازشناسی
روش های مختلف در حوزه بازشناسی اسناد
تبدیل سراسری(بسط سری)
تبدیلات فوریه(تویف کننده های فوریه)
موجک ها
تبدیل گابور
ممانها(گشتاورها)
بسط کاهونن لوئو(K-L)
ویژگی آماری
ناحیه بندی
تلاقیها و فواصل
هیستوگرام ها
ویژگی های هندسی(توپولوژیکی)
ویژگی های توپولوژیکی
ویژگی های هندسی
کدگذاری
گراف ها و درخت ها
روش های کاهش ابعاد
روش مبتنی بر استخراج ویژگی
تکنیک آنالیز اجزا اصلی(PCA)
مفاهیم مقدماتی مورد نیاز در PCA
الگوی PDA

فصل چهارم – شبکه عصبی و ژنتیک
شبکه عصبی چیست؟
چرا از شبکه عصبی استفاده می کنیم
شبکه عصبی MLP
قاعده فراگیری MLP
الگوریتم پرسپترون چند لایه ای
الگوریتم آموزش پرسپترون چند لایه ای
تجسم رفتار شبکه
برخی از توانایی ها و ضعفهای شبکه های عصبی
تعمیم دهی
تحمل نقص
مشکلات آموزش
کاهش ضریب بهره
افزایش تعداد گره های داخلی
عبارت گشتاور
افزایش اغتشاش
سایر مشکلات آموزش
بهینه سازی پارامترهای موثر در استخراج ویژگی از ارقام دستنویس فارسی
استخراج ویژگی
تصویر کوچک شده
نیمرخ های چهارگانه
تصویر مقطع عمودی و افقی
الگوریتم ژنتیک
بازنمایی
ارزیابی
ترکیب
جهش
انتخاب برای بقا
سای تنظیمات
نتایج تجربی
نتیجه گیری

فصل پنجم – پیاده سازی یک نرم افزار تشخیص خودکار اعداد فارسی
مقدمه فصل
بلوک دیاگرام سیستم
روال ایجاد بانک ..
روال شناسایی کاراکتر ….
مراحل پیش پردازش
مرحله جداسازی اعداد از تصویر
نرمال سازی
نازک سازی
استخراج ویژگی های تصویر
ذخیره پاسخ های  بدست آمده در فایل
نتایج بدست آمده
کدهای مربوط به برنامه به ترتیب شماره گذاری شده
مراجع و منابع

فهرست شکل ها

شکل۱-۱-  فرایند OCR  ….   ۶
شکل۱-۲-  فرایند OCR به صورت تصویری  ۶
شکل۱-۳-  نمودار بلوکی یک سیستم شناسایی الگو .. ۷
شکل ۲-۱-  برخی از ویزگی های نگارشی فارسی .. ۱۵
شکل ۲ -۲-  نمودار بلوک دیاگرام …. ۱۸
شکل ۲-۳ – تصویر یک صفحه که کج اسکن شده است . ۲۰
شکل ۲-۴- نمونه ای از نازک سازی .. ۲۲
شکل ۲-۵- نمونه ای از یک ماسک … ۲۳
شکل ۲-۶- خروجی بعد از انجام عملیات نازک سازی  ۲۵
شکل ۲-۷- المانهای نازک سازی .. ۲۶
شکل ۲-۸- نمونه قطعه بندی …. ۲۶
شکل ۲-۹- جداسازی با استفاده از لبه یاب ها …. ۳۰
شکل ۲-۱۰- نمونه تصاویر ورودی مورد بررسی  …. ۳۱
شکل ۲-۱۱- استفاده از شبکه عصبی برای بخش بندی . ۳۲
شکل ۲-۱۲- یک شکل توسط گراف بر مبنای ویژگی‎های مرزی و ساختار پردازشی مربوط به آن  ۴۰
شکل ۲-۱۳- استفاده از چند شبکه عصبی انجمنی برای دسته بندی … ۴۲
شکل ۳-۱- تفاوت بین موج و موجک  ۵۰
شکل ۳-۲- تبدیل موجک انواع مختلفی دارد که از توابع پایه متفاوتی برخوردارند ؛ نظیر ،  Haar … ۵۱
شکل ۳-۳- ویژگیهای جهتی کانتور و ویژگیهای نقاط خمش را نشان می دهد …. ۵۷
شکل ۳-۴- نشان دادن برخی از ویژگی های توپولوژی  ۵۹
شکل ۳-۵- روش کدگذاری …. ۶۰
شکل ۳-۶- انتخاب محورهای جدید برای داده های دو بعدی  ۶۳
شکل ۳-۷- داده های دو بعدی اولیه که قرار است PDA برروی آنها اعمال شود .. ۶۷
شکل ۳-۸- داده های نرمال شده(یا کم شدن میانگین) به همران بردارهای ویژگی ماتریس کواریانس . ۶۹
شکل ۳-۹- داده های بدست آمده از تبدیل PCA با انتخاب مهمترین بردار ویژگی …. ۷۰
شکل ۳-۱۰- داده های بازیابی شده از تبدیل PCA با انتخاب مهمترین بردار ویژگی .. ۷۱
شکل ۴-۱- یک شبکه عصبی ساده  ۷۴
شکل ۴-۲- نمونه ای از شبکه LMP … ۷۷
شکل ۴-۳- تابع انرژی در دو بعد … ۸۰
شکل ۴-۴- تابع انرژی در یک بعد  ۸۰
شکل ۴-۵- تغییر ضرایب وزنی در جهتی که مناسب ذخیره نمودن الگوی A می باشد  ۸۲
شکل ۴-۶- دو پرسپترون می توانند ترکیب شوند و در ورودی پرسپترون دیگر را فراهم کنند … ۸۲
شکل ۴-۷- ترکیب پروسپترون . ۸۳
شکل ۴-۸- مثالهایی از ناحیه محدب باز و بسته .. ۸۴
شکل ۴-۹- مثالهایی از ناحیه دلخواه که از ترکیب ناحیه های محدب ایجاد شده است …. ۸۴
شکل ۴-۱۰- شبکه عصبی تفکیک فضاهای داخلی . ۸۵
شکل ۴-۱۱- نحوه تشکیل محدوده های فضا توسط تعداد مختلف لایه های پرسپترون …. ۸۶
شکل ۴-۱۲- چگونگی بهبود بخشیدن صدمه به شبکه با سرعت بالا .. ۸۹
شکل ۴-۱۳- بردارهای نیمرخ چپ،راست، بالا و پایین . ۹۴
شکل ۴-۱۴- فیلتر شبه گاوسی با طول ۵ .. ۹۴
شکل ۴-۱۵- بردارهای تصویر مقطع عمودی و افقی …. ۹۵
شکل ۴-۱۶- ساختار کلی کرومزوم …. ۹۶
شکل ۵-۱- بلوک دیاگرام سیستم . ۱۰۱
شکل ۵-۲- تشخیص عرض خط … ۱۰۳
شکل ۵-۳- تشخیص کلمات در خط مورد نظر .. ۱۰۳
شکل ۵-۴- نرمال شده تصویر به اندازه ۴۰*۴۰ .. ۱۰۴
شکل ۵-۵- تصویر ورودی برای پردازش …… ۱۰۶

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

Time limit is exhausted. Please reload the CAPTCHA.