|
кластеров). Действительно, на обучающей базе можно добиться идеального распознавания, просто создав один кластер для каждого изображения. 5.8 Выводы Таким образом, с использованием методов системного анализа, статистической проверки гипотез, элементов теории формальных языков, теории множеств, нечеткой логики, теории распознавания образов, теории графов, теории надежности и современных инструментальных средств проектирования сложных систем программного обеспечения, были получены следующие результаты: 1. Разработана новая модель описания эталонов распознаваемых символов в виде специализированного языка, позволяющего описывать символ как набор структурных элементов, связанных пространственно-метрическими отношениями, и обеспечивающего существенное улучшение качества распознавания. В отличие от классических языков представления знаний, он позволяет задавать произвольные отношения между объектами путем программирования функций нечетких оценок и обладает достаточным быстродействием, чтобы использоваться для распознавания символов в реальном времени. 2. Разработаны новые алгоритмы поиска структурных элементов на изображении, удовлетворяющих структурному описанию и позволяющих за счет целенаправленного поиска выделять их с высокой надежностью, даже при наличии дефектов изображения. 3. Разработана программная система, позволяющая составлять и настраивать структурные описания символов и отображать результаты их сопоставления. 4. Разработана новая схема решающего правила, которая уточняет результаты основного классификатора с помощью специализированных дифференциальных классификаторов. 123 |
изданий, суммарный объем которых эквивалентен двум тысячам страниц машинописного текста в сутки. Вся эта гигантская работа выполняется с помощью 7 сканирующих и 10 распознающих станций, управляемых системой РтеЯеайег компании АВВУУ. Заключение В данной работе поднята проблема автоматического ввода рукописных документов в компьютер. На примере типовой системы было показано, что решающее значение на эффективность процесса ввода оказывает точность распознавания рукописных символов. В результате была поставлена задача создать классификатор, существенно превосходящий по точности существующие. Проведенный анализ литературы показал, что наиболее слабым местом современных систем распознавания являются применяемые принципы построения и комбинирования классификаторов, которые не позволяют целенаправленно использовать всю имеющуюся на изображении символа информацию для достижения максимальной точности. Предварительное извлечение признаков приводит к потере информации, а классификация сосредоточивается на решении задачи выбора лучшего из N классов, которая изначально более сложна, чем задача выбора лучшего из двух классов. Были предложены новые подходы к построению классификатора, которые базируются на принципах целостности, целенаправленности и использования контекста, и новые методы комбинирования классификаторов, основанные на использовании массовых парных дифференциальных классификаторов. В результате были разработана и реализована система распознавания символов, которая основывается на многоуровневой комбинации классификаторов: трех полных (растрового, признакового и структурного), и большого количества парных дифференциальных классификаторов. Для реализации структурного классификатора был разработан новый язык структу рных описаний, который позволяет описывать символ как набор структурных элементов, связанных пространственно-метрическими отношениями. Были разработаны и реализованы алгоритмы поиска объектов на изображении, удовлетворяющих структурному описанию, и программная система, позволяющая составлять и настраивать структурные описания символов и отображать результаты их сопоставления. 97 |