Comparison of OCR algorithms using Fourier and wavelet based feature extraction
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Optik karakter tanıma alanında bircok araştırma sürdürülmektedir. Öznitelik seçimi yüksek tanıma performansı elde etmede muhtemelen en önemli etkendir.Fourier ve dalgacık analizleri popüler öznitelik çıkarma yöntemleri arasındadır.Bununla birlikte öznitelik çıkarma metodunun performansı kullanılan veri kümesi ve sınıflandırıcı tipine bağımlıdır.Bu tezde Fourier ve dalgacık analizine dayalı öznitelik çıkarma yöntemleri sınıflandırma doğrulukları temel alınarak karşılaştırılmıştır.Buna ek olarak çeşitli yoğunluktaki gürültünün etkiside gözlemlenmiştir. Gri tonlamalı karakter görüntüsü önce bir boyutlu fonksiyona dönüştürüldü ve öznitelikler çıkartılarak sınıflandırıcıya verildi. Sınıflandırıcı olarak En Yakın Komşu ve Doğrusal Ayırtedici Fonksiyonlar kullanılmıştır.Öznitelik çıkarma ve sınıflandırma yönteminin performansı çeşitli ölçekte ve döndürülmüş karakter görüntüleri kullanılarak test edilmiştir. A lot of research have been carried in the field of optical character recognition. Selection of a feature extraction scheme is probably the most important factor in achieving high recognition performance. Fourier and wavelet transforms are among the popular feature extraction techniques allowing rotation invariant recognition. The performance of a particular feature extraction technique depends on the used dataset and the classifier. Different feature types may need different types of classifiers. In this thesis Fourier and wavelet based features are compared in terms of classification accuracy.The influence of noise with different intensities is also analyzed. Character recognition system is implemented with Matlab. Isolated gray scale character image first transformed into one dimensional function. Then, set of features are extracted. The feature set are fed to a classifier. Two types of classifier were used, Nearest Neighbor and Linear Discriminant Function. The performance of each feature extraction and classification methods were tested on various rotated and scaled character images.
Collections