Nhận dạng chữ viết tay tiếng việt offline
Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (987.11 KB, 57 trang )
i H c Qu c Gia Tp. H Chí Minh
TR
NG
I H C BÁCH KHOA
-------------------
NGUY
NH N D NG CH
VI T TAY TI NG VI T OFFLINE
Chuyên ngành: Khoa h c máy tính
Mã s : 604801
LU
TP. H CHÍ MINH, Tháng
C HOÀN THÀNH T I
I H C BÁCH KHOA
Cán b
HCM
ng d n khoa h c : TS. Lê Thành Sách .................................................
Cán b ch m nh n xét 1 : TS. Hu nh Trung Hi u ................................................
Cán b ch m nh n xét 2 : TS. Ngô Qu c Vi t ........................................................
Lu
cb ov t
ih c
24 tháng 0
Thành ph n H
m:
1. TS. Tr n V
..........................................
2. TS. Nguy n Thanh Bình .................................
3. TS. Hu nh Trung Hi u ...................................
4. TS. Ngô Qu c Vi t ...........................................
5. TS. Lê Thành Sách ..........................................
Xác nh n c a Ch t ch H
sau khi lu
CH T CH H
ng Khoa qu n lý chuyên ngành
c s a ch a (n u có).
NG
NG KHOA KH & KT MÁY TÍNH
I H C QU C GIA TP.HCM
C NG HÒA XÃ H I CH
T NAM
c l p - T do - H nh phúc
I H C BÁCH KHOA
Tp. HCM, ngày 21 tháng 0
NHI M V LU
................................. MSHV: 10070503 .................
I.
.....................................
Chí Minh ....
.....................................
.......................
TÀI:
NH N D NG CH
VI T TAY TI NG VI T OFFLINE
II. NHI M V VÀ N I DUNG:
Lu
n d ng ch vi t tay Ti ng Vi t
offline. T k t qu
tài hi n th c mơ hình nh n d ng
xu
ng nghiên
c u phát tri
III. NGÀY GIAO NHI M V : 21/01/2013
IV. NGÀY HOÀN THÀNH NHI M V : 21/06/2013
V. CÁN B
NG D N: TS. Lê Thành Sách
Tp. HCM,
CÁN B
NG D N
CH NHI M B
(H tên và ch ký)
(H tên và ch ký)
NG KHOA KH & KT MÁY TÍNH
(H tên và ch ký)
O
L
L
u tiên tôi mu n g
, h tr
t om
ng d n tơi t n tình trong q trình nghiên c
u ki
tài. Th y ln
tài.
Ngồi ra
xin g i l
n b n bè, nh
vi c thu th p và chia s
tr trong
tài. Và cu i cùng, tôi xin g i l i cám
ng h
ng viên trong quá trình th c hi
L n n a, tôi xin g i l
thành lu
n TS. Lê Thành Sách. Th
tài.
nt tc m
t nghi p này.
TP.
i
TÓM T T
Character Recogniziton (CR) là ch
c ti p t c nghiên c u ph bi n b i
tính ng d ng c a nó và s ph c t p t ng ngôn ng .
c thù v ch vi t Ti ng Vi t
khó phân lo i vì có quá nhi u nhóm ký t gi ng nhau và vi c nh n d ng ch vi t tay
Ti ng Vi t còn h n ch nên lu
Vi t offline. Lu
c
n nh n d ng ch vi t tay Ti ng
xu t mơ hình nh n d ng ch vi t tay Ti ng Vi t offline
r i r c cho vi c nh n d ng t ng ch cái riêng l
và phân lo
y u t p trung vào hai quá
áp d
Gradient Feature, Structural Feature, Concavity Feature, Projection Feature,
Projection Histogram Feature, Zone Feature, Contour Profiles Feature[2,7,8]. M
nh
u qu
Vi
vi t tay Ti ng
c các tác gi
u qu . Còn q trình phân
lo i s d ng ph
-
chính xác c a h th ng nh n d ng. K t qu
t h pk th
o ra t l nh n d
Ngoài ra, xây d ng các SVM d a vào tính liên thơng c
t qu
c c i thi n thay vì xây d ng m
c c a lu
i cao.
ký t Ti ng Vi t
n cho t t c các
ký t Ti ng Vi t.
ii
ABSTRACT
Character Recogniziton (CR) is the popular field which has researched . The result in
the the field has applied for the reality and has the challenge for the another language.
As we know, the feature of the handwritten Vietnamese, which is the same, is difficult
to recognize. Besides, the recognization of the handwritten Vietnamese is still the limit
of the research. Therefore, the thesis will propose the model which recognize the
characters of the handwritten VietNam offline. It focuses the two processes: the feature
extraction and the classification, which are important to recognize exactly in the model.
The feature extraction will consider the seven methods, which are Gradient Feature,
Structural Feature, Concavity Feature, Projection Feature, Projection Histogram
Feature, Zone Feature, Contour Profiles Feature[2,7,8]. In the feature extraction, the
main goal find out the good methods for the model. In the classification, the thesis will
apply the SVM method and the K-fold cross-validation to discuss. The result of the
model performes the eight combinations of methods, which are the better methods in
the feature extraction. And the result also showes that the combination of SVMs is the
better than the simple SVM. The combination of SVMs, which is constructed by the
connected region feature of Vietnamese characters, includes the three SVMs as the
three types of the connected region.
iii
L
t c nh
c uc
dung và k t qu
c
c s h tr c a
n trong bài lu
ng d n TS. Lê Thành Sách. Các n i
c nêu trong bài lu
u trung th c. Ngoài ra,
TP.
iv
..................................................................................................................... 1
T NG QUAN V
1.1
tv
TÀI ............................................................................................. 1
............................................................................................................... 1
1.2 Gi i thi
tài ...................................................................................................... 2
1.2.1
tài ..................................................................................................... 2
1.2.2
M c tiêu c
tài ...................................................................................... 2
1.2.3
Gi i h n c
tài ...................................................................................... 2
1.2.4
c và th c ti n..................................................................... 2
1.2.5
c k t qu
1.3 K t c u c a lu
c ......................................................................... 2
............................................................................................... 3
..................................................................................................................... 4
LÝ THUY T ...................................................................................................... 4
2.1 Mơ hình h th ng CR[3]............................................................................................ 4
2.2
2.4
................................................................................... 6
2.3.1
Gradient Feature[2] ..................................................................................... 6
2.3.2
Structural Feature[2] ................................................................................... 7
2.3.3
Concavity Feature[2] ................................................................................... 8
2.3.4
Projection Feature[8] ................................................................................. 10
2.3.5
Projection Histogram Feature[7] ............................................................... 10
2.3.6
Zone Feature[7] ......................................................................................... 11
2.3.7
Contour Profiles Feature[7]....................................................................... 11
-fold ................... 12
v
2.4.1
Mơ hình C-Support Vector Classification (C-SVM)[1] ........................... 12
2.4.2
-fold[4] ...................................................... 13
................................................................................................................... 15
CÁC K T QU NGHIÊN C U LIÊN QUAN ............................................................ 15
3.1 Nh n d ng ch vi t tay s ..................................................................................... 15
3.1.1
Mơ hình nh n d ng.................................................................................... 15
3.1.2
K t qu nh n d ng và nh n xét ................................................................. 16
3.2 Nh n d ng ch vi t tay Latin ................................................................................ 16
3.2.1
Mơ hình nh n d ng.................................................................................... 17
3.2.2
K t qu nh n d ng và nh n xét ................................................................. 19
3.3 Nh n d ng ch vi t tay Ti ng Vi t ....................................................................... 20
3.3.1
Mơ hình nh n d ng th nh t ..................................................................... 20
3.3.2
K t qu nh n d ng và nh n xét th nh t ................................................... 20
3.3.3
Mơ hình nh n d ng th hai ....................................................................... 22
3.3.4
K t qu nh n d ng và nh n xét th hai ..................................................... 24
3.3.5
Mơ hình nh n d ng th ba ........................................................................ 25
3.3.6
K t qu nh n d ng và nh n xét th ba ...................................................... 26
................................................................................................................... 28
NG TI P C N VÀ HI N TH C ........................................................................ 28
4.1 Mơ hình nh n d
ng hi n th c ............................................................. 28
4.1.1
Quá trình ti n x lý ................................................................................... 28
4.1.2
........................................................................... 29
4.1.3
Quá trình phân lo i .................................................................................... 31
4.1.4
Tóm t
ng hi n th c mơ hình........................................................... 32
vi
4.2 Hai mơ hình hi n th c .......................................................................................... 33
................................................................................................................... 35
K T QU TH C NGHI
............................................................. 35
5.1 T p d li u ............................................................................................................ 35
5.2 K t qu th c nghi
......................................................................... 35
5.2.1
........................................................................... 35
5.2.2
Quá trình phân l p..................................................................................... 38
................................................................................................................... 41
T NG K T ................................................................................................................... 41
6.1 K t lu n ................................................................................................................. 41
6.1.1
6.1.2
6.2
K t qu
c ....................................................................................... 41
m và khuy
ng phát tri
m ........................................................................... 41
.................................................................................... 41
vii
CR
:
Character Recognition
SVM :
Suport Vector Machine
OVO :
One Versus One
OVR :
One Versus Rest
HMM :
Hidden Markov Model
NN
:
Neural Network
ME
:
Maximum Entropy
OWA :
Ordered Weighted Averaging
GSC :
Gradient Structural Concavity
ER
Error Recognization
:
ERA :
Error Recognization Average
viii
Hình 2.1 S
các quá trình h th ng CR[3]. ................................................................ 4
Hình 2.2 Các thu c tính c a ph
ng pháp Gradient Feature[2]. .................................... 7
Hình 2.3 Các thu c tính c a ph
ng pháp Structural Feature[2].................................... 8
Hình 2.4 Các thu c tính ph
ng pháp Concavity Feature[2]. ........................................ 9
Hình 2.5 Các thu c tính ph
ng pháp Projection Histogram Feature[7]...................... 11
Hình 2.6 Các thu c tính ph
ng pháp Zone Feature[7]. ............................................... 11
Hình 2.7 Các thu c tính ph
ng pháp Contour Profiles[7]. ......................................... 12
Hình 3.1 Ki n trúc mơ hình nh n d ng ch vi t tay r i r c(ch s )[7]. ....................... 15
Hình 3.2 K t qu nh n d ng trên t p d li u MINIST v
c tr ng[7]. ............... 16
Hình 3.3 Mơ hình nh n d ng ch vi t tay r i r c(ch cái Latin)[8]. ............................ 17
Hình 3.4 Mơ hình q trình h u x lý[8]. ..................................................................... 18
n d ng HMM[8]................................. 18
Hình 3.6 Bi
Signature c a ký t O(a) va Q(b)[8]. ................................................ 19
Hình 3.7 K t qu kh o sát c a bài báo[8]. .................................................................... 20
Hình 3.8 K t qu th c nghi m c a SVM theo chi n l
c OVO và OVR[5]. ............... 21
Hình 3.9 Mơ hình nh n d ng chia nhóm SVM[6]. ........................................................ 23
Hình 3.10 Vài m u các ký t thu th p[6]. ..................................................................... 24
Hình 3.11 K t qu nh n d ng thu th p khi chia nhóm SVM[6]. ................................... 25
Hình 3.12 Mơ hình k t h p nhi u b phân lo i[2]. ....................................................... 25
Hình 3.13 C u trúc form và vài m u d li u[2]. ........................................................... 26
Hình 3.14 K t qu c a ph
ng pháp GSC v i SVM và k t h p b phân lo i[2]. ........ 27
Hình 4.1 Mơ hình nh n d ng xây d ng. ........................................................................ 28
ix
Hình 4.2 Mơ hình q trình ti n x lý và k t qu
c. ......................................... 29
Hình 4.3 Mơ hình k t h p SVM d a vào vùng liên thông. ........................................... 32
Hình 4.4 Mơ hình hi n th c 1........................................................................................ 33
Hình 4.5 Mơ hình hi n th c 2........................................................................................ 34
Hình 5.1 Bi u m u thu th p ký t
.............................................................................. 35
x
B ng 1: File t ng h p k t qu c a các ph
B ng 2: T p tin k t qu c a ph
c tr ng. ........................... 36
ng pháp GSC Feature. .............................................. 37
B ng 3: K t qu kh o sát c a 15 ph
B ng 4: Kh o sát các ph
c tr ng..................................... 38
c tr ng t t nh t trong 2 mơ hình SVM. .... 39
B ng 5: Vài ký t nh n d ng sai trên SVM 147 l
ph
t h p b ng
ng pháp Structural - Concavity Projection Feature. ........................................... 40
xi
NG QUAN V
TÀI
T NG QUAN V
1.1
TÀI
tv
Character Recognition (CR) là ch
c nghiên c u và phát tri n qua nhi u th
h khác nhau. Vi c tr i qua nhi u th h
n d ng. Hi n t i, chúng ta có r t nhi
nm
vi c nh n d ng. H th
chính xác trong
c phân lo i ch y u d a vào hai y u t chính: cách
th c l y d li u (offline ho c online) và lo i d li u l
c (ch máy in hay ch vi t
tay)[3]. Theo th i gian t m th i chia quá trình phát tri n c
n t 1900-
n
n t 1980-
n
t 1900-1980, ch y u áp d
u
uy
Chính lý do này s làm
n
1980-1990, nhi u nghiên c
nh n d ng ch vi t.
m khi d li u chúng ta có quá nhi u nhi u.
n quá trình nh n d ng c a h th
pc
nv
nt
n d ng hình d ng
c i ti n quá trình nh n d ng. Vi c nh n d ng hình d ng theo cách ti p c n này giúp cho
c t ch vi t
u
ng
n cịn h n ch vì nó ch l i d ng thông tin n i t i bên
trong ch vi t. Nó khơng th l
c thơng tin t nh ng ký t bên c
u này
có th t n d ng vì chúng ta bi t r ng nh ng ch vi t ít nhi u ln mang m
di n t . N u chúng ta bi
m này thì quá trình nh n d ng s càng
chính xác cho h th
n sau 1990, nhi u cơng trình nghiên c u ra
i v i vi c ng d ng ng
nhi u v
c
khai thác thêm thơng tin. Tuy nhiên v n cịn r t
n
m t v i nhi u lo i d li u khác nhau v i
th , chúng
nh nghiên c u v
c CR vì trong th c t chúng ta ph
i
ng nhi
c CR trong lu
1
NG QUAN V
1.2
Gi i thi
1.2.1
TÀI
tài
tài
c thù v ch vi t Ti ng Vi t khó phân lo i vì có quá nhi u nhóm ký t gi ng
nhau và vi c nh n d ng ch vi t tay Ti ng Vi t cịn h n ch nên chúng tơi quy
ch n tên
h n D ng Ch Vi t Tay Ti ng Vi
1.2.2 M c tiêu c
nh
nghiên c u.
tài
H th ng nh n d ng ch vi t tay là m t h th ng ph c h p nhi u quá trình con bên
n lu
c tiêu c a chúng tơi s tìm hi u so sánh nhi u
c
và áp d
phân lo i nh m m c
p cho quá trình nh n d ng ch vi t tay Ti ng Vi t
offline. Trong quá trình nh n d
ng nhi
ng và nh
n k t qu nh n d ng c a h th ng.
1.2.3 Gi i h n c
tài
ng ti p c
d ng c m t
nh n d ng: nh n d ng ký t hay nh n
n th c hi
vi t ký t Ti ng Vi t r i r c. V
tài, chúng tôi t p trung nghiên c u t ng ch
ng ti p c n này chúng tôi s b
nh n d ng t ng ký t riêng bi
áp d ng t
1.2.4
u tìm hi u vài
cs d
ng ký t Ti ng Vi t riêng bi t và th ng kê k t qu .
h c và th c ti n
V khía c nh khoa h c, chúng ta s có cái nhìn t
thách khi ti p c
ng th
nh
pm
p c n mang
l i hi u qu ph c v cho q trình nghiên c u sau này. V khía c nh th c ti n, chúng ta
s có cái nhìn rõ ràng v h th ng nh n d ng ch vi t tay Ti ng Vi t offline r i r c. T
áp d ng h th ng vào ng d ng th c t c
1.2.5
c k t qu
i s ng.
c
Trong quá trình nghiên c u, chúng
xây d
n v h th ng nh n d ng
ch vi t tay Ti ng Vi t offline r i r c v i m
và
2
NG QUAN V
TÀI
c máy SVM. Vì quá trình nh n d ng b
c
c nh n d ng ch vi t tay Ti ng Vi t r i r c[2]. T
t
ng ti p c n cho mơ hình c a q trình nh n d ng ch vi t tay Ti ng Vi t r i
r c.
1.3
K t c u c a lu
Lu
c t ch
i thi u t ng quan v
c quá trình phát tri n h th ng CR,
tài, m c tiêu, gi i h n nghiên c
tài.
lý thuy t chúng tôi v n d ng trong h th ng g m mơ hình
t ng qt h th
d
pháp h c máy SVM và
-fold.
u các k t qu nghiên c u liên quan v
cái nhìn v
t qu
tài nh m giúp chúng tơi có
c t các trong cơng trình nghiên c u
xu t và hi n th c mơ hình nh n d ng.
t qu th c nghi
c trên t p d li
giá.
ng k t các k t qu
tri
c bên c
ng phát
tài.
3
LÝ THUY T
LÝ THUY T
nghiên c u c a chúng
m
n h th ng CR ch vi t tay offline. Nh m
trình bày khơng nh m l n nên khi chúng
th
c
n khái ni m h
h th ng CR ch vi t tay offline. Trong ph n này, chúng tơi s trình
bày mơ hình t ng qt c a h th
c các k thu t áp d ng cho t ng ti n
trình c a mơ hình. Trong h th ng CR s bao g m nhi u ti n trình con v i nhi u k
thu
s t
c xây d ng ph c v cho t ng m
k t h p này
chính xác khi nh n d ng cho h th ng CR. Chính vì th , q trình nghiên
c u v h th ng CR là m t quá trình ph c t p. Ngoài ra trong gi i h n nghiên c u c a
tài, chúng tơi s trình bày b
p trích
SVM và
-fold mà chúng tơi s v n d
c máy
kh o sát
trong nghiên c u này.
2.1 Mơ hình h th ng CR[3]
Quá Trình Thu Th p
Quá Trình Ti n X Lý
Quá Trình Phân Tách
Quá Trình Ch n
Quá Trình Phân Lo i Nh n D ng
Quá Trình H u X Lý
các quá trình h th ng CR[3].
4
LÝ THUY T
Trong quá trình tìm hi
th ng CR
t
v h th ng CR, mơ hình chúng tơi có th th y t h
hình 2.1. Quá trình nh n d ng s tr i qua b
c này n i k t v
t o nên dịng ch y các cơng vi
c chính. Các
u ra c a quá trình
u vào c a quá trình kia. Q trình thu th p có nhi m v t o ra hình nh
th ng nh n d ng thơng qua thi t b máy scan. Q trình ti n x lý th c
hi n kh b t nhi u x
d
iv i
c t có r t nhi u nguyên nhân
n vi c gây nhi u trên
d li
ng tài li u scan, máy scan, cách th c scan
t c nh
n ch
c a h th ng CR. Sau quá trình ti n x lý h th ng s
ng nhi u có th . Hình nh này ti
hi n thao tác tách nh
c
ns
x
hình CR hi n th c. Quá tr
ng nh n d ng
mb
c
trình phân tách
th c
,t
m c tiêu chính giúp h th ng trích nh ng
ph c v cho quá trình nh n d ng. Tuy nhiên, nhi u thu c tính
có th
nh
a vì th c n th c hi n thao tác l a ch n
p. Quá trình ch
b nh ng thu
ch n m t s thu c tính và lo i
a nh
th ng. Quá trình
phân lo i nh n d ng d
c ch n l a
th c hi n công vi c nh n
d ng. Trong h th ng CR, có th nói
i
nh n d ng là hai q trình quan tr ng. Vì c
nh t
u mang
t
chính xác và s khác bi t cho h th ng CR
u khai
thác nh ng k thu t khác nhau trong hai quá trình này nh m m c tiêu c i ti n h th ng
CR
khơng ph
u khơng có
h th ng. M
n vi
chính xác cho h th ng. Q trình h u x lý m
k t qu nh n d ng nh m m
ng
n
nh n d ng
th c hi n vi c ch nh s a
chính xác c n thi t. Tóm l i, mơ hình
ng qt c a h th ng CR. Tuy nhiên tùy vào nh ng
nghiên c u và kh o sát c th mà mơ hình CR có th
các q trình trên. Ph n k ti
i khơng nh t thi
y
lý thuy t m t vài
5
LÝ THUY T
c máy SVM k t h
-
fold s áp d ng trong lu
2.2
ct
2.3.1 Gradient Feature[2]
d
T
gradient theo nh
ng c th c a hình nh.
li u th ng kê b ng cách xem s l n xu t hi n c a nhóm
ng c th
c a hình nh. T nh ng ý trên, rõ ràng
c n quan tâm hai y u t : cách tính gradient c a hình nh và bao
ng c th
kh o sát. V cách tính gradient, tác gi s tính b ng cách tích
ch p hình nh v i c a s Sobel theo tr c x và
pixel trong hình
s
s
0.
ng hay
ms
ng cho m
ng l
ng c a t ng
ng c th thì tùy thu c vào s
mu n th
tác gi ch n giá tr
này. N u s
l
và so sánh s
ng thì
ng,
ng v
ng
c l i thì b ng
cơng th c tính tốn giá tr gradient c a m t pixel b t k trong hình nh.
Gx , Gy: giá tr
o hàm trên tr c x và tr c y c a hình nh,
: giá tr gradient c a pixel (x,y) c a hình nh.
Ngồi ra, hình 2.2
i bi u hi n cho 12 giá tr th ng kê c
c a vùng th 8 trong nh và giá tr 12 thu c tính hình thành v
ng thu c tính
ng
= 5 trong
6
LÝ THUY T
Hình 2.2 Các thu c tính c
Gradient Feature[2].
2.3.2 Structural Feature[2]
d ng giá tr
ng c
khác c a hình nh.
c th ng kê l i d a
s
12 lu
ng v
th ng
kê. V i m i pixel c a hình nh, tác gi s xem xét 12 lu t y và s có s
u chú ý
các lu t này là chúng th ng kê d a vào
pháp Gradient Feature, tác gi
m i lu
m lân c n c a pixel.
ng quy t c
ng cho
t các lu t v 2 giá tr 0 và 1. Hình 2.3 mơ t 8 pixel l n c n
t c a m t pixel và 12 quy lu t th ng kê cho 12 thu c tính c a m t hình nh b t k .
Khi xem xét m t pixel b t k
pixel lân c n th a quy lu t nào
u tiên trong b ng quy lu t, n
th ng kê quy lu t thì c n xem xét 8 pixel l n c n. N u
thì s
. Ví d
m l n c n N0 có gradient thu c v vùng (2,3,4)
hay N4 có gradient thu c v vùng (2,3,4) thì quy lu t 1 s
cho các quy lu t còn l i v i các
ng. Và
m lân c n.
7
LÝ THUY T
Hình 2.3 Các thu c tính c
[2].
2.3.3 Concavity Feature[2]
s
ng horizonal large stroke, s
concavity, s
ng vertical large stroke, s
ng downward concavity, s
rightward concavity và s
gi
n: s
ng leftward concavity, s
ng l tr ng hình nh
ch n giá tr
ng
2 ph
thi t l p giá tr
miêu t thu c tính s
ng upward
b ng 0 hay 1. Hình 2.4 (a)
a hình nh. Hình 2.4 (b) tính
tốn xem pixel màu xanh thu c horizontal large stroke hay vertical large stroke. Thu c
nh d a vào s pixel liên t c thu c hàng và c t c a pixel màu xanh
thu c v . N u s pixel liên t c thu c hàng l
pixel liên t c thu c c t nhân 1.5
thì pixel màu xanh có thu c tính horizontal large stroke.
t c thu c hàng nh
c l i, n u s pixel liên
pixel liên t c thu c c t nhân 0.75 thì pixel màu xanh có
thu c tính vertical large stroke.
t c thu c hàng b ng 5 và s pixel liên t c thu c c t b ng 9 th
pixel liên
u ki n thu c tính
8
LÝ THUY T
vertical large stroke. Vì th
m thu c v thu c tính vertical large
stroke.
ng th
xét xem pixel s thu c v thu c tính
upward concavity, downward concavity, leftward concavity, rightward concavity hay
l tr ng. N u t pixel xem xét m r
ng d
c pixel c a hình nh
a pixel kh o sát t n t i. Sau khi kh o sát theo
ng, n u t n t
ng (0-7-6-5-4) thì pixel xem xét có thu c tính upward
pixel s có thu c tính downward concavity (0-1-2-3-4); leftward
concavity (2-1-0-7-6); rightward concavity (2-3-4-5-6); l tr ng (t t c
ng).
a/ Tính s
b/ Tính s
ng horizonal & vertical large stroke.
0-7-6-5-4: Upward Concavnty
0-1-2-3-4 : Downward Concavity
2-1-0-7-6 : Leftward Concavity
2-3-4-5-6 : Rightward Concavity
All directions : l tr ng
c/ Tính s
Hình 2.4 Các thu
ng c a m i Concavity.
Concavity Feature[2].
9
LÝ THUY T
2.3.4 Projection Feature[8]
Trong p
, tác gi s d
ng chi
vào hai tr c x (c t c a hình nh) và tr c y (hàng c a hình nh).
ng th
ng cho m i tr c.
chi u tr c bao g
s
i
ng c n tính tốn trên m i phép
ng: mean, variance và entropy. Vì th
c t ng c
. Cơng th c sau
Chi u lên tr c x:
Chi u lên tr c y:
Cơng th c t ng qt tính mean ( ), variance ( ) và entropy ( ) trên tr c b t k :
i: ch s c a c t trong hình nh,
k: ch s c a hàng trong hình nh,
N: s hàng và c t trong hình nh,
X: bi n t
i di n cho các bi n U và V.
2.3.5 Projection Histogram Feature[7]
s s d ng phép chi u gi
khác bi t
vi
Projection Feature
và cách chi
Histogram Feature s chi u trên 4 tr c x, y, chéo trái và chéo ph
ms
ng
10
LÝ THUY T
i phép chi
. Hình 2.5 miêu t
Cơng th
tính s
ng
ng thu c tính thu
i v i hình
(m+n -
1) thu c tính.
Hình 2.5 Các thu
[7].
2.3.6 Zone Feature[7]
ng chính c a tác gi chia hình nh thành các vùng
nh
ms
ng thu c tính
hình thành các thu c tính. S
c tùy thu c vào s
ng phân vùng nh c a t ng ng d ng c
th . Hình 2.6 chia hình nh thành 49 vùng khác nhau thì s
c 49 thu c tính c a
hình nh.
Hình 2.6 Các thu
[7].
2.3.7 Contour Profiles Feature[7]
ng tác gi trong
nh t khi xét
m
các v trí c
pháp Contour Profiles Feature tìm v
n
i, trái và ph i c a hình
t o thành thu c tính c a hình nh. S
ng thu c tính c a hình nh
11
