小波在文字识别中应用.ppt

小波分析在文字种类识别中的应用 摘要 本文依据前人研究的方法 使用基于多尺度非冗余小波纹理分析的 技术进行了文字种类自动识别， 并尝试加入了小波分析方法进行图像去噪。 之后利用matlab编程 实现文字种类的自动识别，并检测结果。 背景 实验与结果 实验流程及相关知识 结论 目录 背景 为了高效处理大量信息，人们设计了视觉字符识别(OCR)技术。 已知的OCR技术使用的前提是被识别的文本语言是已知的，以此选择需要的识别模式。之前文本文字种类的识别需要人工干预，但是如今人工识别变的不可能。所以，语言或文字种类的自动识别是必需的。 将文本图像看成一种纹理，同种文字种类具有相似纹理。 小波分析方法——一种多分辨表示的简易方式, 使图像的纹理特征更加容易提取. 实验流程及相关知识 距离函数识别 提取特征向量 小波分解 小波去噪 实验设计核心：小波分解图像，获得小波能量分布特征和小波能量比例特征作为文字识别的小波特征，运用距离函数区分不同的文字种类，从而达到自动识别文字种类的目的 文字种类的识别需要四部分： 数据获取，数据处理，特征提取，识别分类。 去噪 本次实验对每个图像采用db1小波基进行小波去噪处理。 距离函数识别 提取特征向量 小波分解 小波去噪 去噪前 去噪后 clear all;clc; A=imread(c11.jpg); %subplot(121),imshow(A);title(original imge); [m,n]=size(A); A=double(A); B=imread(c11s.jpg); B=double(B); %计算信噪比 t=0; for i=1:m for j=1:n t=t+(abs(B(i,j)-A(i,j)))^2; end end mse=t/(m*n); %图像均方误差psnr=10*log10((255^2)/mse); %·峰值信噪比 display(mse:); mse display(psnr:); psnr 小波分解 小波分解 运用小波分解，将图像分解。一次分解后形成四个子图：LL,LH,HL和HH LL 图像低频部分, 称为平滑子图； HL 图像水平高频部分； LH 图像垂直高频部分； HH 图像对角高频部分。 子图的面积之和等于输入原图像的面积。 在LL子图上再次小波分解，等价于尺度加倍。 距离函数识别 提取特征向量 小波分解 小波去噪 一次分解 二次分解 小波分解 距离函数识别 提取特征向量 小波分解 小波去噪 原始图像 小波一次分解 小波二次分解 小波能量分布特征向量 细节子图像LH,HH和HL, 第k阶小波分解的平均能量分布定义为: 距离函数识别 提取特征向量 小波分解 小波去噪 k=1,…,lbN k=1,…,lbN k=1,…,lbN 小波能量比例特征向量 距离函数识别 提取特征向量 小波分解 小波去噪 分别代表了子图HL,HH,LH在第k阶小波分解时的能量比重,由以下公式得出 k=1,…,lbN , , k=1,…,lbN k=1,…,lbN 距离函数 距离函数识别 提取特征向量 小波分解 小波去噪 距离函数 距离函数识别 提取特征向量 小波分解 小波去噪 设第j种文字的训练样本图像的小波能量分布特征向量和小波能量比例特征向量的第m个元素的方差分别为 和 .当测试样本被归为第i种文字当且仅当下述距离函数在j=i时达到最小: d=lbN,j=1,…,c d=lbN,j=1,…,c 实验流程 小波分解尺度：二尺度小波分解。 样本语言选择：中文，英文，韩文 样本选取：每种语言文字各取5个，作为训练样本进行人工识别。并提取每个样本的小波纹理特征，算得各自的均值和方差。 样本示例： 中文样本 英文样本 韩文样本 程序流程 读入文字图像 图像处理 小波分解 计算小波特征 对比样本 得到结果 程序流程图 function mai