بازشناسی متون چاپی فارسی

برای بازشناسی کلمات سه رویکرد مبتنی بر جداسازی، مبتنی بر بازشناسی کلمه یک الگوی واحد و رویکرد ترکیبی مطرح است . در این رساله یک سیستم برای بازشناسی متون چاپی فارسی با استفاده از رویکرد ترکیبی ارائه شده است . یک الگوریتم جدید برای جداسازی حروف در کلمات چاپی بدون توجه به نوع قلم ارائه شده است . مراحل مختلف الگوریتم شامل تعیین نوار زمینه، تصحیح آن و جداسازی حروف است . در تعیین نوار زمینه روش جدیدی براساس منحنی پیرامونی زیر کلمات ارائه شده است . نقاط جداسازی با اعمال قواعدی در قالب یک دیاگرام حالت روی منحنی پیرامونی کلمات تعیین می شوند. در یک آزمون روی چند صفحه متن چاپی شامل حدود 11 هزار حرف با قلمهای مختلف حدود 99 درصد از حروف بدرستی جداسازی شده اند. برای بازشناسی حروف با قلمهای گوناگون دو الگوریتم مختلف ارائه شده است . الگوریتم اول از کدهای فریمن کانتور حروف به عنوان ویژگی و از یک اتوماتون آماری برای طبقه بندی استفاده می کند. الگوریتم دوم از تبدیل هاف که برای اولین بار در این رساله با روش فازی محاسبه شده است در مرحله استخراج ویژگی و از یک شبکه عصبی پس انتشار خطا در مرحله طبقه بندی استفاده می کند. الگوریتم های فوق روی مجموعه ای از حروف شامل 11500 نمونه از دو قلم مختلف آزموده شده است و میزان بازشناسی به ترتیب 97ˆ13 و 98ˆ32 درصد بوده است . در این تحقیق برای بکارگیری شکل کلی زیر کلمات در بازشناسی آنها، از دیکشنری تصویری استفاده شده است . به این منظور سه دیکشنری مختلف با استفاده از ویژگیهای مکان مشخصه، توصیف کننده های فوریه و بر چسب های کانتور بالایی طراحی شده و آزمایش های مختلفی روی آنها انجام گرفته است . در مرحله نهایی این تحقیق سیستمی برای بازشناسی زیر کلمات فارسی با یک رویکرد ترکیبی ارائه شده است . در این سیستم با جداسازی و بازشناسی حروف شاخص زیر کلمه رویکرد مبتنی بر جداسازی و با در نظر گرفتن یک دیکشنری تصویری برای بدنه زیر کلمات رویکرد بازشناسی کلمه بعنوان یک الگوی واحد در نظر گرفته شده است . نوع و موقعیت نقاط و علائم نیز در بازشناسی زیر کلمات بکار گرفته شده اند. اطلاعات آماری درباره احتمال رخداد متوالی حروف شاخص و امتیاز حاصل از بازشناسی آنها به کمک مدل مخفی مارکوف و یک الگوریتم ویتربی تغییر یافته برای بازشناسی زیر کلمات بکار گرفته شده اند. سیستم ترکیبی نهایی روی یک متن با چهار قلم مختلف آزموده شده و نتایج با جزئیات مختلف ارائه شده است .