Re: [無用常識] 關於認證圖的解碼 - 相關係數
※ 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
推
06/23 18:02, , 1F
06/23 18:02, 1F
推
06/23 18:02, , 2F
06/23 18:02, 2F
→
06/23 18:02, , 3F
06/23 18:02, 3F
推
06/23 18:03, , 4F
06/23 18:03, 4F
→
06/23 18:03, , 5F
06/23 18:03, 5F
推
06/23 18:05, , 6F
06/23 18:05, 6F
推
06/23 18:05, , 7F
06/23 18:05, 7F
推
06/23 18:20, , 8F
06/23 18:20, 8F
推
06/23 18:53, , 9F
06/23 18:53, 9F
推
06/23 20:04, , 10F
06/23 20:04, 10F
→
06/23 20:05, , 11F
06/23 20:05, 11F
→
06/23 20:05, , 12F
06/23 20:05, 12F
討論串 (同標題文章)