El çizimi diyagramların modifiye destek vektör makineleri ve grid tabanlı su havzası ile tanınması

Abstract

Diyagram ve görüntülerdeki kapalı nesnelerin ve yapıların algılanması ve tanınması, son yıllarda ilginç bir araştırma kavramı olarak kabul edilmektedir. Çünkü; elle yazılmış belgelerin dijitalleştirilmesi, literatür ve tanıma yönetiminin tüm seviyelerinde giderek daha fazla gerçekleştirilmektedir. Havza (Watershed); çizgi bağlı el çizimlerinde, kapalı şekil tespiti için kullanılabilecek klasik bir görüntü bölütleme algoritmasıdır. Bununla birlikte, havza algoritması, gürültü eşit olmadığından fazla bölütlemeye neden olabilmektedir. Ayrıca, nesneler birbirine çok yakın olduğunda algoritma verimli değildir. Çünkü; yerel minimumlara karşı algoritma oldukça duyarlıdır. Bu sınırlamalar yüzünden, kapalı şekil nesnelerini tespit etmek için, yeni ileri tekniklere ihtiyaç duyulmaktadır. Bu tez kapsamında ilk araştırma, elle çizilmiş ok bağlantılı diyagramlarda kapalı şekil nesnelerini tespit etmek için, ızgara havzası (Gridshed) adlı basit, yeni ve verimli bir sistem geliştirmeyi amaçlamaktadır. Izgara havzası algoritmasında, başlangıçta elle çizilmiş diyagram ön-işlemden geçmektedir. Daha sonra, dijital diferansiyel analizörü kullanılarak, kenarlar ve kapalı döngüler oluşturmak için en yakın darbelerin uç noktalarını bağlayarak, görüntü iyileştirilmektedir. Sembol çıkarma, boş görüntü piksellerin kenarlık kutularını bağlayarak gerçekleştirilmektedir. Boş hücrelerin sürekli bağlanmasıyla, diyagramın şeklinin darbeleri kapalı bölgelerden tanınabilmektedir. Tezin ikinci araştırma çalışması, elle çizilmiş ok şemaları ve dijital mantık devre şemaları için SKETRACK adlı yeni, verimli darbe tabanlı çevrimiçi el çizimi tanıma yönteminin, tasarımı ve geliştirilmesine odaklanmaktadır. Bu yöntemin temel aşamaları; metin ayrımı, sembol bölütlemesi, özellik çıkarma, sınıflandırma ve yapısal analizdir. Önerilen yöntem, metni şekillerden ayırmak için normalleştirme ve bölütleme araçlarını kullanmaktadır. Daha sonra etkili işlem için, şekil darbelerinin farklı yapısal varyasyonlarının özellikleri çıkarılmaktadır. Darbeler, özellikler arasındaki benzerliği hesaplamak ve benzer özellikleri gruplayarak özellik boyut sayısını aza indirmek için p-uzaklığı ve Öklid mesafesine dayalı spektral kümeleme algoritması kullanılarak kümelenmektedir. Daha sonra sembol tanıma, hibrit çekirdek fonksiyonun kullanıldığı Modifiye Destek Vektör Makinesi (Modified Support Vector Machine, MDVM) sınıflandırıcısı kullanılarak gerçekleştirilmektedir. Hibrit çekirdek fonksiyon parametreleri Aslan Optimizasyon Algoritması ile optimize edilmektedir. Yapısal analiz, son diyagram gösterimlerini oluşturmak ve sembol adaylarını tanımak için gerçekleştirilmektedir. Önerilen bu tanıma modeli, akış şemaları, sonlu otomat ve mantık devre şemaları gibi daha basit yapılar için uygun olmaktadır. Deneyler yoluyla, önerilen Gridshed ve SKETRACK yöntemlerinin performansı, veri tabanlarında değerlendirilmekte, sonuçlar üstün verimliliklerini doğrulamak için en son yöntemlerle karşılaştırılmaktadır.