فایل ورد کامل شناسایی بصری فونت فارسی/عربی به وسیله ویژگی های تغییر ویژگی ثابت مقیاس

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل شناسایی بصری فونت فارسی/عربی به وسیله ویژگی های تغییر ویژگی ثابت مقیاس،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۲ صفحه

چکیده

بیش تر روش های تشخیص بصری فونت (OFR) برای تشخیص فونت در اسناد غیر شکسته طراحی شده اند. با این حال، تشخیص اسکریپت های فونت شکسته، مانند متن های فارسی / عربی، چالش های خاص خود را دارد. بنابراین، اکثر الگوریتم های ارائه شده، موفق به نمایش یک سرعت تشخیص مناسب در زمان مواجهه با اسناد روان نمی شوند. در این مقاله، یک روش جدید برای تشخیص خودکار فونت فارسی / عربی ارائه شده است که بر اساس روش تبدیل مستقل از مقیاس ویژگی (SIFT) قرار دارد. از آن جا که ویژگی های SIFT ثابت مقیاس هستند، سیستم نهایی در برابر تغییر اندازه، مقیاس و چرخش قوی است. این سیستم به مرحله پیش پردازش نیازی ندارد، اما در مورد تصاویری که کیفیت پایینی دارند، فرآیند های حذف نویز می توانند مورد استفاده قرار گیرند. با استفاده از یک پایگاه داده متشکل از تصویر متنی، سرعت تشخیص عالی تقریبا ۱۰۰% به دست آمد.

نتیجه گیری و چشم انداز

در این مطالعه، روش SIFT که مجموعه ای از ویژگی های فوی و قابل اطمینان را استخراج می کند برای تشخیص فونت، به طور خاص برای زبان فارسی و عربی و حروف شکسته مورد استفاده قرار گرفته است. با توجه به مشخصات ویژگی های SIFT، که قدرت در برابر مقیاس، چرخش، ترجمه و نویز است، یک مزیت اصلی از نظر اثربخشی و دقت انتظار می رود. بنابراین، نه تنها یک نتیجه خیلی خوب با سرعت تشخیص ۱۰۰ درصد به دست می آید، بلکه فونت های خاص تشخیص داده می شوند (مانند تبسم) که به عنوان نقاط ضعیف برای سایر روش ها شناخته می شوند. بر اساس تجزیه و تحلیل نتایج پس از اجرا بر روی یک کامپیوتر شخصی، زمان فرآیند می تواند در زمان استفاده از پایگاه داده های بزرگ یک مشکل باشد. بنابراین، استفاده از روش سریع ویژگی های قوی (SURF) توصیه می شود که توسط هربرت بی معرفی شده است [۱۰]. این روش توسط SIFT ارائه شده است، اما با وجود داشتن همان دقت، SURF می تواند با زمان محاسباتی کم تری کار کند.

عنوان انگلیسی:Farsi/Arabic Optical Font Recognition Using SIFT Features~~en~~

Abstract

Most optical font recognition (OFR) methods have been designed to recognize the font in non-cursive documents. However, the recognition of cursive font scripts like Farsi/Arabic texts has its own challenges. Thus, most of the currently proposed algorithms fail to exhibit an appropriate recognition rate when facing cursive documents. In this paper, a new method for Farsi/Arabic automatic font recognition is proposed which is based on scale invariant feature transform (SIFT) method. As SIFT features are scale-invariant, the final system is robust against variation of size, scale and rotation. The system does not need a pre-processing stage but in the case of low quality images some noise removal processes can be used. Using a database of 1400 text images, an excellent recognition rate of nearly 100% is obtained.

۶- Conclusion and Outlook

In this paper, SIFT method which extracts a set of robust and reliable features is employed for font recognition especially for Farsi and Arabic languages including cursive characters. According to the characteristics of the SIFT features that is robustness against scale, rotation, translation and also noise occurrence, a great benefit in terms of efficiency and accuracy is expected. Thus, not only a very good result with a recognition rate of 100% is obtained, but also it recognizes special fonts (like Tabassom) which are known to be weak points for other OFR methods. Based on the analysis of the results after execution on a PC computer, the process time can be a problem when using huge databases. So, we suggest employing the speeded up robust features (SURF) method which is introduced by Herbert Bay [10]. This method is inspired by SIFT, but although having the same accuracy, SURF can work with less computational time.

$$en!!