基于小波分形特征提取的汉字识别方法-计算机软件与理论专业论文.docxVIP

基于小波分形特征提取的汉字识别万法 基于小波分形特征提取的汉字识别万法 第2页 摘要 伯前，脱机手写汉字的识别率总是不够理想，其中的问题之 一是汉字特征提取的问题，主要反映在汉字的统计特征与结构特 征的结合上√u本文提出了一种汉字识别技术中能够很好的反映统 计特征与结构特征的汉字特征提取的新方法。 首先在理论上，我们通过对小波技术与分形技术的研究发现， 分形的自相似性或无标度性可以较好的反映结构的繁杂程度和不 规划性等统计特性。而小波分析的良好时一频特性以及多尺度多 分辨率特性是研究精细结构的理想工具(又称为数字显微镜)， 可以较好的反映结构特征。，因此结合分形维数的统计特征和小波 变换提取的结构特征，既可以充分发挥统计特征良好抗干扰、抗 噪声的优点，又能发挥结构特征结构敏感性和区分相似字能力强 信息V的特虑，使该方法提取的特征具有良好的统计特征和结构特征的 其次我们对上面的理论研究结果通过实验加以验证。 分袅 我们证明汉字是一种分形，并对汉字的分形性进行了统计 我们计算了国标一级字库共3755个汉字的计盒维数，在计算 过程中，发现几乎任意一个汉字的109N(S)～109(t／S)关系图上 点都比较明显地分布在一条直线上。从该实验结果可以表明：汉 字是具有标度不变性的，也就是说汉字可以看作是一种分形。 我们同时对该字库3755个汉字的计盒维数进行了统计分析， 并得到了如下的结论： (1)汉字的计盒维数介于l和2之间，在1．5附近的汉字最 多。这个结果从直观上来看是合理的，因为汉字比一条直线复杂， ． 所以维数大于i，但汉字不能充满整个平面，所以维数小于2。 (2)汉字的维数与笔划的多少很有关系，汉字的计盒维数反 应了汉字笔划的繁杂程度。笔划多，维数就高。但是，维数不是 只单纯地取决于笔划的多少，如汉字“瞩”在国标一级字库中笔 划不是最多，但计算出的维数却最大：对于“不”和“下”，前 者比后者多出一撤，但维数却低一点，也许前者正因为多出这一 撇，使得结构更对称一点，不规则性更小一点，同样，“干”比 基于小波分形特征提取的汉字识剐方法 基于小波分形特征提取的汉字识剐方法 第3页 “千”略微对称，所以维数也略低一点。可见，维数除能表征一 个汉字的复杂程度外，还含有其它的几何信息，如不规则性、对 称性程度等等。 因此可以说汉字的计盒维数是能够较好的反映汉字的统计特 征。 2． 采用小波分解提取汉字结构特征 在实验中，我们对汉字图像进行小波分解，小波对汉字图象 横、竖、对角线的分解，也就是对汉字的“横、竖、撇、捺”结 构进行分解。我们知道，汉字的基本笔画是“横、竖、撇、捺” 4种。据统计，这4种基本笔画在汉字中的出现频率分别为28％、 18％、15％和13％，占了较高的比例，而其它笔画如各种“折”、 “勾”等的出现频率总和仅为25％，且可以看作是由4种基本笔 画复合而成，因此，一个汉字中的“横、竖、擞、捺”4种笔画 及其位置关系，客观上讲代表了其结构特征。 在实验中我们发现： (1)小波分解分辨率的确定是由识别精度与识别速度的折中 得到的。小波分解可以将图像分解为不同分辨率的子图像，我们 可以根据识别精度的要求选择不同分辨率下的子图像作为该汉字 的特征。当然，不同分辨率子图像所包含的信息也是不同的，分 辨率越高信息量越大，但识别速度降低；分辨率越低信息量越小， 但识别速度提高。第一层分解其低频信息大约是原信息的1／2， 第二层分解其低频信息大约是原信息的1／5，我们还可以提取小 波分解第3、4 层的信息，从理论上说，我们可以获得任意比例 的图像信息，由此可见，小波分析用于特征提取具有明显的优点。 但是信息量的大小将同时决定了识别率和识别速度。在使用时需 要对其进行折衷。 (2)小波分解直接获得的系数并不是很理想，需要经过量化 。 编码才更为有效。 (3)图象的预处理对如图像的增强、消噪等对识别率也有很 强的影响。 3．初步识别及其结果分析 (1)识别器的设计 在实验中，我们构建标准的3层BP神经网络作为识别工具， 基于小波分形特征提取的汉字识别方法 基于小波分形特征提取的汉字识别方法 第4页 对提取的特征数据进行简单和初步的识别，以验证该特征的有效 性。 (2)输入层神经元数的选取与构造 ， 我们取输入层神经元为4个，分别对应外波分解二层提取的 低频特征和高频(横、竖、对角线)三令特征与分形特征的组合。 小波分解的二层特征是26*26的矩阵，加上分形维数，所以对应 的输入层每个神经元分别具有2626+1的输入。 (3)隐含层神经元数的选取与构造 网络的隐含层可以认为是通过输入层与隐含层之间的权值的 “自组织化”对输入模式进行的特征抽取，并将抽取的特征传输 给输出层。关于隐含层的神经元数的选取尚无理论上的指导，一 般地，隐含层的神经