فایل ورد کامل رویکرد فشرده سازی تصاویر متنی عربی

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 رویکرد فشرده سازی تصاویر متنی عربی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۴ صفحه

در این مقاله، ما یک الگوریتم را برای فشرده سازی  تصاویر متنی عربی  توسعه دادیم. ایده اصلی این رویکرد، کد گذاری  همسایه با کاهش است. بر اساس الگوهای استخراج شده،  روش  تطبیق الگو را بهیود داده و فشرده سازی بیشتر با کد گذاری همسایه  صورت می گیرد. نتایج ازمایش نشان دهنده این است که رویکرد ما قادر به بهبود نسبت فشرده سازی  بر تصاویر متنی عربی بزرگ است. نتایج فشرده سازی  مطابق با متن بدون تلفات است یعنی  خطایی طی این فشرده سازی رخ نمی دهد. کار های آینده بر رویکرد ما در  چارچوب فشرده سازی تصویر  تاکید دارد.

عنوان انگلیسی:Arabic Textual Images Compression~~en~~

INTRODUCTION (Heading 1) Nowadays, document image compression is an important step in digital archiv-ing. The document images can be regarded as manuscript that was handwritten or printed and consist of semantically meaningful characters. The compression must be efficient to reduce the amount of data required to present a document image. Moreover the compressed file should be including a content-based searching oper-ation. Textual images contain two types of redundancies: bit-level and symbol-level. In order to retrieve information in documents image, these documents should be compressed by symbols. Then, textual images can be considered as bi-nary images that mainly compose of symbols. Existing document image compression approaches include several standards such as G3, G4, JBIG and JBIG2 [1] which achieve various compression ratios. The JBIG1 uses an adaptive context-based arithmetic coding known as Q-coder and has results better than those of CCITT Group4. Moreover, this standard supports multiple bit-plane encoding and progressive mode of transmission. In the last decade, JBIG2 [2], [1] and JB2 [3] (used in DjVu file format) was introduced as binary image encoding methods which incorporate a compression approach based on pattern matching techniques. The aim of these techniques is to reduce the redundancy at the symbol level among the text region of an image. First all patterns in the document image are extracted. Each pattern corresponds to a symbol, a word or a punctuation mark. Then, all similar patterns are assigned to the corresponding prototype. Since the document image contain similar patterns can occur many times, a high compression ratios can be achieved by reducing these redundancies. In the encoding step, prototype symbols will be encoded by an efficient coding method then their corresponding index and residual pattern are used to encode the repeated symbols. The residual pattern, which represents the difference image between a symbol and its corresponding prototype, can influence on the quality of a decompressed image. In the lossless mode, the error maps are encoded into the compressed file. Otherwise, the compression will be lossy. In our experiments, the compression will be visually lossless because there is no visible error in the reconstructed image. II. SYSTEM OVERVIEW In this paper, we propose a compression method for large Arabic text in document images. One of the test images is shown as Fig. 1. We used three steps to accomplish the desired purpose. In the first step, which involves segmentation module, the input image is partitioned into individual symbols. In the second step, a pattern matching technique used to determine similar patterns. Finally, a neighborhood coding is performed to encode each symbol. The three steps in which the algorithm compress the large text are described below.

$$en!!