※ 引述《caeru (星羽)》之銘言： : 繼續無聊的騙錢討論生涯吧Q_Q : ----------------------------------------------------------------------------- : 所謂的相關係數，是指兩筆數據其相關性，完全相同的相關係數為+1，完全相反的為-1 : 而一般使用的辨識法多半取0.5-1之間做為一個可靠度的區別 : 要使用相關係數方式，主要的機制在於使用者端， : 也就是加載在阿髮妻上的功能，如同望遠鏡似的輔助工具， : 可利用資料庫的內容、自己創造出來的字串圖等等來做為相關性辨識的基底。 : 可由C3處取得認證圖後，與手邊的資料庫作逐一比對的功能， : 當兩張圖某種程度相似的時候，就認為他是那張圖，這樣可以避免randn(pix)的手段， : 但是資料量大時速度很慢、相似門檻設定、錯誤率設定等等族繁不及備載的缺點， : 導致沒人想用這種方式。 : 但是就"自動化"而言，這仍是一種方式XD : 同樣的，對於自動辨識而言，或許這種想法可以引發其他更好的辨識法則也說不定(囧 : ------------------------------- 以下廢屁 -------------------------------- : 真的有看完的人推個文吧 0.0 : 這樣我再推出其他廢屁文來娛樂(?)大眾 終極的方法是，圖型識別，大概可以分幾步 1. 取得文字部分 可先算出圖片的histogram，理論上會分成幾群，每一群代表 一個字母、背景或做為雜訊的線，接著再分別對那幾群做dilation後， 算出每群的左上角和右下角，如果長寬比很奇怪，例如某群的左上和右 下剛好是整張圖，則知道那群顏色為背景，如果是那些雜訊線，則長寬 比會差很大，如果是字母，則比例會接近1:1。 2. 前處理 接下來把那幾個認定為文字的那幾群做二值化，也就是背景變 為黑，前景為白，只要找到一個threshold即可，前提是前景和背景色 彩差多一點會比較好 3. 特徵截取 把一個找到的圖用線性代數的方法找其特徵值，PCA or LDA or...但最好要有很多的圖來做訓練，把一些扭曲的字母都送進去做 訓練是最好的，但這裡要用人工切很多文字出來，如果是LDA則還要做 分類，需要大量人力 4. 辨識 經由特徵截取後會是一個較低維的數據，把這些數據送到 高斯Gaussian模型或高斯混合模型(GMM)中訓練，因為有二十六個字 母，因此只需要訓練二十六個model即可。 5. 語意分析 一般來說市面上的文字辨識會根據上下文來做自然語言語 意分析以提高正確率，但我們這裡每個字母間沒什麼意義，但是 有一個很棒的利用點 - 母音和子音，因為這個很單純，所以就直接 假設母子母子或子母子母，例如有三個字 第一次 第一個字送　aeiouy 的model進去求機率，機率高者為辨識結果 第二個字送　子音　 的model進去求機率，機率高者為辨識結果 ... 第二次 第一個字送　子音　的model.... 　第二個字送　aeiouy的model.... ... 到最後再把第一次和第二次機率高者視為辨識結果 ========================================= 以上皆為嘴泡，且是直覺的做法，實際可能還有很多問題 --

※ 發信站: 批踢踢實業坊(ptt.cc) ◆ From: 220.139.62.246