معرفی دو روش جدید استخراج ویژگی از ارقام دستنویس فارسی مبتنی بر تعداد حالتهایهمسایگی خاص پیکسل ها

این مقاله دو روش جدید استخراج ویژگی از تصاویر دودویی معرفی شده است. این روش ها که ویژگی حالتهای همسایگی نامیده شده اند، مبتنی بر شمارش تعداد حالتهای همسایگی های مختلف در پیکسل های تصویر بوده و برای تصاویر دودویی استفاده شده است. در روش پیشنهادی اول، تعداد حالت های مختلف همسایگی 4 تایی که تعداد محدودی می باشد، در کل تصویر شمارش شده و به عنوان بردار ویژگی معرفی می شود. در روش پیشنهادی دوم، تصاویر ارقام ضخامت یک پیکسل نازک سازی می شوند. با این کار تعداد حالت های همسایگی 8 گانه هر پیکسل مرکزی محدود می شود و می توان تعداد حالت های همسایگی محدود در اطراف یک پیکسل مرکزی را به عنوان ویژگی در نظر گرفت. برای ثبت نتایج و مقایسه،آزمایشها روی مجموعه ارقام دستنویس فارسی هدی انجام شده است که دارای 60000 نمونه آموزش و 20000 نمونه آزمایش است. نتایج به دست آمده مزیت روش پیشنهادی با نتیجه 97.4 که یکی از بالاترین نرخ های تشخیص که تا کنون برای این دیتابیس گزارش شده است، نشان می دهد. طبقه بند مورد استفاده، یک شبکه عصبی MLP چند لایه است.

کلیدواژه ها:

استخراج ویژگی ، بازشناسی ارقام ، حالتهای همسایگی ، شبکه عصبی MLP