🕥 💧 🌒 पाठ मान्यता विधियाँ 🙌🏼 🕢 🙌🏻

कल ही, टैगोरोग शहर में दक्षिणी संघीय विश्वविद्यालय में 61 वां छात्र वैज्ञानिक सम्मेलन हुआ, जिसमें मैंने ग्राफिक छवियों में पाठ को पहचानने के तरीकों पर एक रिपोर्ट प्रस्तुत की। और मैं इसे और भी श्रोताओं और पाठकों के साथ साझा करना चाहूंगा। इस क्षेत्र में एक छात्र, जो बिल्ली के नीचे है, कृपया शुरुआत करें।

चित्र और कोड के टुकड़े मौजूद हैं।

सिद्धांत की बिट

पाठ मान्यता का विषय पैटर्न मान्यता अनुभाग के अंतर्गत आता है। और शुरुआत के लिए, पैटर्न पहचान के बारे में संक्षेप में।

पैटर्न मान्यता या पैटर्न मान्यता सिद्धांत कंप्यूटर विज्ञान और संबंधित विषयों की एक शाखा है जो वस्तुओं, घटना, प्रक्रियाओं, संकेतों, स्थितियों आदि को वर्गीकृत करने और पहचानने की बुनियादी बातों और तरीकों को विकसित करता है, जो कुछ गुणों और संकेतों के एक निश्चित सेट की विशेषता है। यह परिभाषा हमें विकिपीडिया प्रदान करती है ।

वह यह भी दावा करती है कि दो मुख्य क्षेत्रों को प्रतिष्ठित किया जा सकता है।

मान्यता क्षमताओं का अध्ययन जो जीवित प्राणियों के पास है, उनकी व्याख्या और मॉडलिंग;
लागू उद्देश्यों के लिए व्यक्तिगत समस्याओं को हल करने के लिए डिज़ाइन किए गए उपकरणों के निर्माण के सिद्धांत और तरीकों का विकास।

पाठ्यक्रम कार्य के ढांचे में मेरा काम दूसरे बिंदु की दिशा में ठीक से किया गया था।

इसलिए, मेरा विषय ग्राफिक छवियों पर पाठ की मान्यता है, और अब इस उपधारा के महत्व के बारे में बात करने की कोई आवश्यकता नहीं है। हर कोई लंबे समय से जानता है कि लाखों पुरानी किताबें हैं जो ~~उच्च-सुरक्षा~~ रिपॉजिटरी में संग्रहीत हैं जो केवल विशेष कर्मियों द्वारा ही एक्सेस की जा सकती हैं। इन पुस्तकों का उपयोग उनके जीर्ण होने और खराब होने के कारण निषिद्ध है, क्योंकि यह संभव है कि वे सही तरीके से पाठक के हाथों में बिखेर सकते हैं, लेकिन वे जो ज्ञान स्टोर करते हैं, वह निस्संदेह मानवता के लिए एक बड़ा खजाना है और इसलिए इन पुस्तकों का डिजिटलीकरण इतना महत्वपूर्ण है। यह विशेष रूप से डेटा प्रोसेसिंग विशेषज्ञ क्या कर रहे हैं।

पाठ मान्यता के विषय के करीब भी आते हैं। यह ध्यान दिया जाना चाहिए कि तीन मुख्य तरीकों को आमतौर पर पाठ मान्यता के रूप में समझा जाता है।

पूर्व-तैयार टेम्पलेट के साथ तुलना;
मानदंड, मान्यता प्राप्त वस्तु का उपयोग करके मान्यता;
तंत्रिका नेटवर्क का उपयोग करने सहित स्व-शिक्षण एल्गोरिदम का उपयोग करते हुए मान्यता।

यह भी कहा जाना चाहिए कि पाठ मान्यता लगभग हमेशा छवि में पाठ का पता लगाने के साथ जाती है, लेकिन जब से मैंने यह लक्ष्य निर्धारित नहीं किया था, तब पता लगाने के चरण को छोड़ दिया गया था और एक आसान पूर्व-प्रसंस्करण के साथ बदल दिया गया था।

अब काम के बारे में ही। एक आवेदन लिखा गया था जो उच्च या मध्यम गुणवत्ता की छवियों का उपयोग करते समय पाठ को पहचानने में सक्षम था, जिसमें बहुत कम या कोई शोर नहीं था। आवेदन अंग्रेजी वर्णमाला, ऊपरी और निचले मामले के अक्षरों को पहचानने में सक्षम है। छवि को सीधे आवेदन से ही मान्यता के लिए प्रस्तुत किया जाता है।

छानने और प्रसंस्करण

चूंकि डिटेक्शन स्टेप को छोड़ दिया गया था और प्रीप्रोसेसिंग चरण डाला गया था, इसलिए अधिकांश भाग की छवि इस प्रकार दिखती है।

यह छवि दो फ़िल्टर द्वारा संसाधित होती है। मेडियन और मोनोक्रोम। एप्लिकेशन ने रेडियन घटक के मूल्य में वृद्धि के साथ माध्यियन फ़िल्टर के एक संशोधित संस्करण का उपयोग किया।

मेडियन फिल्टर

public static void Median(ref Bitmap image) { var arrR = new int[8]; var arrG = new int[8]; var arrB = new int[8]; var outImage = new Bitmap(image); for (int i = 1; i < image.Width - 1; i++) for (int j = 1; j < image.Height - 1; j++) { for (int i1 = 0; i1 < 2; i1++) for (int j1 = 0; j1 < 2; j1++) { var p = image.GetPixel(i + i1 - 1, j + j1 - 1); arrR[i1 * 3 + j1] = ((pR + pG + pB) / 3) & 0xff; arrG[i1 * 3 + j1] = ((pR + pG + pB) / 3) >> 8 & 0xff; arrB[i1 * 3 + j1] = ((pR + pG + pB) / 3) >> 16 & 0xff; } Array.Sort(arrR); Array.Sort(arrG); Array.Sort(arrB); outImage.SetPixel(i, j, Color.FromArgb(arrR[3], arrG[4], arrB[5])); } image = outImage; }

इस फिल्टर का उपयोग शोर और अक्षरों के तेज किनारों (सेरिफ़्स, आदि) को कम करने के लिए किया जाता है। उसके बाद, छवि मोनोक्रोम में प्रक्रिया करती है। यही है, एक स्पष्ट द्वैतकरण है, जबकि अक्षरों की सीमाएं स्पष्ट रूप से तय की गई हैं।

एक रंग का

 public static void Monochrome(ref Bitmap image, int level) { for (int j = 0; j < image.Height; j++) { for (int i = 0; i < image.Width; i++) { var color = image.GetPixel(i, j); int sr = (color.R + color.G + color.B) / 3; image.SetPixel(i, j, (sr < level ? Color.Black : Color.White)); } } }

विभाजन

प्रीप्रोसेसिंग के बाद, छवि मान्यता के दौरान खंडित हो जाती है। फिर से, चूंकि पता लगाने के चरण को छोड़ दिया गया है, इसलिए विभाजन प्रक्रिया के लिए निम्नलिखित अनुमान को अपनाया जाता है। यह माना जाता है कि पाठ के वाक्य क्षैतिज हैं और एक दूसरे के साथ चौराहों का निर्माण नहीं करते हैं। तब विभाजन का कार्य मुश्किल नहीं है।

एक शब्द में दो अक्षरों के बीच की औसत दूरी को निर्दिष्ट करता है। उसके बाद, छवि को पूर्ण सफेद धारियों की खोज करके लाइनों में विभाजित किया गया है। इसके अलावा, इन पट्टियों को एक निश्चित चौड़ाई की सफेद धारियों की खोज करके शब्दों में विभाजित किया जाता है। इस सब के बाद, हाइलाइट किए गए शब्द अंतिम चरण में पारित किए जाते हैं, और उन्हें अक्षरों में विभाजित किया जाता है। इस प्रकार, विभाजन मॉड्यूल के आउटपुट में, हमारे पास इस पाठ के अक्षरों की छवियों द्वारा दर्शाए गए सभी पाठ हैं।

मान्यता से तुरंत पहले, छवि सामान्यीकृत होती है और पहले से तैयार किए गए टेम्पलेट्स के आकार तक कम हो जाती है।

इसके बाद ही मान्यता प्रक्रिया आती है। उपयोगकर्ता के लिए दो विकल्प हैं, मैट्रिक्स का उपयोग करना और एक तंत्रिका नेटवर्क का उपयोग करना।

मान्यता

पहले मामले पर विचार करें - मैट्रिक्स का उपयोग करके मान्यता।

मीट्रिक - एक फ़ंक्शन का एक सशर्त मूल्य जो अंतरिक्ष में किसी वस्तु की स्थिति निर्धारित करता है। इस प्रकार, यदि दो वस्तुएँ एक-दूसरे के समीप स्थित होती हैं, अर्थात् वे समान होती हैं (उदाहरण के लिए, दो अक्षर A विभिन्न फोंट में लिखे गए), तो ऐसी वस्तुओं के लिए मेट्रिक्स संयोग या बहुत समान होंगे। इस विधा में मान्यता के लिए, हेमिंग मेट्रिक को चुना गया था।

हैमिंग की मीट्रिक एक मीट्रिक है जो दर्शाती है कि ऑब्जेक्ट एक-दूसरे के समान दृढ़ता से नहीं हैं।

जानकारी को एन्कोडिंग और डेटा संचारित करते समय इस मीट्रिक का अक्सर उपयोग किया जाता है। उदाहरण के लिए, एक संचरण सत्र के बाद, आउटपुट में निम्न बिट अनुक्रम (1001001) होता है, हम यह भी जानते हैं कि एक और बिट अनुक्रम (1000101) आना चाहिए। हम एक अनुक्रम के हिस्सों की तुलना दूसरे क्रम से संबंधित स्थानों के साथ मीट्रिक की गणना करते हैं। इस प्रकार, हमारे मामले में हेमिंग मेट्रिक 2 है। चूंकि वस्तुएं दो पदों में भिन्न होती हैं। 2- यह असहमति की डिग्री है, अधिक, हमारे मामले में बदतर।

इसलिए, यह निर्धारित करने के लिए कि किस पत्र को दर्शाया गया है, आपको सभी तैयार किए गए टेम्पलेट्स के साथ इसकी मीट्रिक खोजने की आवश्यकता है। और टेम्प्लेट जिसका मेट्रिक 0 के सबसे नजदीक है, उसका उत्तर होगा।

लेकिन जैसा कि अभ्यास से पता चला है, केवल एक मीट्रिक की गिनती एक सकारात्मक परिणाम नहीं देती है, क्योंकि कई पत्र एक दूसरे के समान हैं। उदाहरण के लिए "j" "i", जो गलत पहचान की ओर जाता है।

फिर एक निश्चित वर्ग में अक्षरों के एक निश्चित सेट को अलग करने के लिए नए मैट्रिक्स के साथ आने का निर्णय लिया गया। विशेष रूप से, मैट्रिक्स को लागू किया गया था (क्षैतिज और ऊर्ध्वाधर प्रतिबिंब, क्षैतिज और ऊर्ध्वाधर भार की व्यापकता)।

प्रयोग में पाया गया कि "H" "I" "I" "O" "O" "X" "x" "l" जैसे अक्षरों में सुपरसमेट्री है (पूरी तरह से उनके प्रतिबिंब और महत्वपूर्ण पिक्सेल के साथ संयोग से छवि में समान रूप से वितरित किए जाते हैं) इसलिए, उन्हें एक अलग वर्ग में ले जाया गया, जो सभी मैट्रिक्स की गणना को लगभग 6 गुना कम कर देता है। अन्य पत्रों के संबंध में भी इसी तरह की कार्रवाई की गई। औसतन, खोज में कमी लगभग 3 गुना तक पहुंच जाती है।

एक अनूठा पत्र भी है जैसे कि "जे", जो कि अकेले अपनी कक्षा में है, और इसलिए विशिष्ट रूप से पहचाना जाता है। इसके अलावा, प्रत्येक वर्ग के लिए, हैमिंग मेट्रिक की गणना की जाती है, जो इस स्तर पर सीधे आवेदन की तुलना में बेहतर संकेतक देता है।

टेम्प्लेट बनाते समय, फ़ॉन्ट "कंसोल" का उपयोग किया जाता था, इसलिए, यदि मान्यता प्राप्त पाठ इस फ़ॉन्ट में लिखा गया है, तो मान्यता में लगभग 99 प्रतिशत की सटीकता है। फ़ॉन्ट बदलते समय, सटीकता 70 प्रतिशत तक गिर जाती है।

मान्यता का दूसरा तरीका एक तंत्रिका नेटवर्क का उपयोग कर रहा है।

एक तंत्रिका नेटवर्क क्या है, दोनों जैविक समझ और गणित में, मैं नहीं बताऊंगा, क्योंकि यह सामग्री इंटरनेट पर भरी हुई है और मैं इसे दोहराना नहीं चाहता। केवल यह कह सकते हैं कि गणितीय अर्थ में, एक तंत्रिका नेटवर्क केवल जैविक परिभाषा का एक मॉडल है।

इन मॉडलों की कई किस्में भी हैं। अपने काम में, मैंने एकल-परत कोहोनन नेटवर्क का उपयोग किया।

एक तंत्रिका नेटवर्क के संचालन का सिद्धांत ऐसा है जो न्यूरॉन्स की इनपुट परत को एक नई छवि सिखाता है, नेटवर्क एक या किसी अन्य न्यूरॉन के आवेग के साथ प्रतिक्रिया करता है। चूँकि सभी न्यूरॉन्स अक्षर मानों द्वारा नामित किए जाते हैं, इसलिए, प्रतिक्रियाशील न्यूरॉन एक मान्यता प्रतिक्रिया करता है। नेटवर्क की शब्दावली में गहराई से जाने पर, हम कह सकते हैं कि एक न्यूरॉन, आउटपुट के अलावा, कई इनपुट भी हैं। ये इनपुट छवि के पिक्सेल मूल्य का वर्णन करते हैं। यही है, अगर एक 16x16 छवि है, तो नेटवर्क में 256 इनपुट होना चाहिए।

प्रत्येक इनपुट को एक निश्चित गुणांक के साथ माना जाता है, और परिणामस्वरूप, मान्यता के अंत में, एक निश्चित चार्ज प्रत्येक न्यूरॉन पर जमा होता है, और अधिक चार्ज न्यूरॉन एक पल्स का उत्सर्जन करेगा।

लेकिन इनपुट गुणांक को ठीक से कॉन्फ़िगर करने के लिए, आपको पहले नेटवर्क को प्रशिक्षित करना होगा। यह एक अलग प्रशिक्षण मॉड्यूल द्वारा किया जाता है। यह मॉड्यूल प्रशिक्षण सेट से अगली छवि लेता है और नेटवर्क को खिलाता है। नेटवर्क ब्लैक पिक्सल्स के सभी पदों का विश्लेषण करता है और गुणांक को ढाल विधि द्वारा संयोग त्रुटि को न्यूनतम करता है, जिसके बाद इस छवि को एक विशिष्ट न्यूरॉन के लिए मैप किया जाता है।

ट्रेनिंग

 public void Teach(Bitmap img, Neuron correctNeuron) { var vector = GetVector(img); for (int i = 0; i < vector.Length; i++) { vector[i] *= 10; correctNeuron.Weigths[i] = correctNeuron.Weigths[i] + 0.5 * (vector[i] - correctNeuron.Weigths[i]); } }

प्रशिक्षण के अंत में, प्रत्येक न्यूरॉन एक कलाकार के कैनवास की तरह दिखता है, जहां उन जगहों पर जहां ब्लैक पिक्सल सबसे अधिक पाए जाते थे, सबसे गहरा पेंट (चार्ज वैल्यू अधिक है), और जहां प्रकाश टोन कम आम है।

सभी गुणांक संरेखित हैं और छवियों को देखने के लिए तैयार हैं।

इस विधि के साथ मान्यता सटीकता 80 प्रतिशत तक पहुंच जाती है। यह ध्यान दिया जाना चाहिए कि मान्यता की सटीकता प्रशिक्षण के नमूने पर निर्भर करती है, मात्रा और गुणवत्ता दोनों पर।

आवेदन लिखते समय मेरी बहुत मदद की:

डमियों के लिए कोहेनन नेटवर्क

यैंडेक्स से व्याख्यान पाठ्यक्रम

पी एस मैं लेखन शैली, प्रस्तुति के तरीके और कवरेज की पूर्णता के बारे में रचनात्मक आलोचना सुनना चाहूंगा।

पाठ मान्यता विधियाँ