線段分群的實驗-筆畫線段投票法

本節中所要進行的實驗的是筆畫線段方向量化的精細度，也就是 不同的量化值對於筆畫線段投票法的影響。因為筆畫線段投票法是針 對量化後的方向進行長度的累計，具有較大的累計長度的量化值（方 向）就具備較大的影響，這種過程類似把原始資料按照某種觀察或者 計算的特徵進行分群（Clustering），所以本文稱之為「線段分群」。

印刷體的識別與書寫體的識別在線段分群的時候可以很直觀的

預期是正確的，橫軸表示旋轉角度的區分編號以及實際對應的角度;

20(56.25∘) 30(84.375∘) 50(140.625∘) 60(168.75∘) 角 度

20(56.25∘) 30(84.375∘) 50(140.625∘) 60(168.75∘)

候選字首選

識別率 ^{62% / 10% 72% / 0% 65% / 0% 63% / 0%}

角 度 辨 識 率

表 4-2-2. 64 等 分 的 旋 轉 角 度 偵 測 後 的 校 正 結 果 識 別 率

20(56.25∘) 30(84.375∘) 50(140.625∘) 60(168.75∘)

候選字首選

識別率 ^{63% / 10% 64% / 0% 62% / 0% 65% / 0%}

角 度 辨 識 率

表 4-2-3. 128 等 分 的 旋 轉 角 度 偵 測 後 的 校 正 結 果 識 別 率

對於直線的雜訊消除則是另一個需要考量的因素，基於種種的原 因，例如電子雜訊，人手的抖動，個人的書寫習慣等等，一個直線的 筆畫用手寫的時候通常沒有辦法如同我們想像中的那麼完美，會有一 個上下左右飄移的歪斜現象，雖然每個筆劃的量或許不是很多，但是 眾多筆畫累積起來之後，也會對方向的統計有不小的影響。所以，我 們需要把一個線段「抹平」的步驟，換句話說，是要把不規則跳動的 點略過，讓方向差異小的線段合併，使得筆畫書寫時候的走向可以更 更清楚的呈現出來，如圖 4-2-1 軌跡移除雜訊示意圖所示，圖的左 邊是原始的軌跡，圖的右邊是經過移除雜訊(抹平)處理後的軌跡，圖 中用藍色圓圈標示的部份是平整差異比明顯的地方，數字表示對照的 位置的編號。在這些標註出來的地方，消除雜訊後曲折的軌跡變得平 直，轉折的部分變的銳利，使得筆畫的方向更清楚地呈現出來。

28

圖 4-2-1.軌 跡 移 除 雜 訊 示 意 圖

表 4-2-4 比較未抹平與抹平後的軌跡對平均識別率的影響，顯示

Principal Components Analysis(PCA)[16] 是一個受到廣泛應 用的統計技術，例如人臉的識別、影像壓縮等等，這個方法也被運用 在多維度的樣板偵測。透過 PCA 可以找出包含最多輸入資訊的方向，

在二度空間上找到的就是兩個相互垂直的軸，對於輸入的文字影像來 說，我們希望這兩個軸就代表著這個字的水平方向與垂直方向。使用 PCA 的方法是以輸入的點座標(X，Y)數對為基礎，先求取所有數對的 二維 Coveriance Metrix，如 Eq.4-3-1。為什麼要求取 Coveriance Matrix？這是因為目的是要找出書寫的軌跡分布的兩個軸的關係。沒 有旋轉的軌跡當然是存在一般的(X，Y)平面，但是因為書寫習慣的關 係，軌跡的分佈主要應該大多是分別沿著 X 軸與 Y 軸的方向，也就是