نام پژوهشگر: عبدالحسین صراف‌زاده

بهبود الگوریتم fuzzy c-means براساس وزن دهی به ویژگی ها و توسعه آن در مدل یادگیری نیمه نظارت شده
پایان نامه دانشگاه تربیت معلم - تهران - دانشکده فنی 1391
  موسی نظری پنبه چوله   جمشید شنبه زاده

چکیده ندارد.

تخمین زاویه چرخش تصویر اسکن شده اسناد قدیمی دانشگاه خوارزمی با استفاده از یادگیری ماشین
پایان نامه دانشگاه تربیت معلم - تهران - دانشکده فنی 1392
  سپیده برکت رضایی   جمشید شنبه زاده

در این پایان نامه، یک روش جدید برای تخمین زاویه چرخش تصویر اسکن شده اسناد با دقت و سرعت بهتر از روش های موجود و مناسب برای سازمان های دارای اسناد مشابه، ارائه شده است. تخمین زاویه چرخش یکی از بخش های مهم در مرحله پیش پردازش سیستم های بازشناسی حروف با کمک ابزار نوری (ocr) می باشد. هنگامی که اسناد به صورت مکانیکی یا دستی وارد اسکنر می شوند، ایجاد چند درجه چرخش در تصویر اسکن شده اجتناب ناپذیر است. زاویه چرخش تصویر اسکن شده سند، میزان کجی خطوط متن آن تصویر از محور افقی یا عمودی است. از آنجایی که، وجود چرخش در تصویر روی عملکرد سیستم ocr تأثیر نامطلوبی می گذارد، تخمین زاویه چرخش و تصحیح چرخش تصویر اسکن شده اسناد یکی از بخش های مهم و ضروری در مرحله پیش پردازش سیستم ocr است. دقت و سرعت تخمین زاویه چرخش به صورت مستقیم بر دقت و سرعت سیستم ocr تأثیر می گذارد و به همین دلیل تلاش برای ارائه روش های دقیق تر و سریع تر همچنان ادامه دارد. تاکنون روش های بسیاری برای تخمین زاویه چرخش تصویر اسناد ارائه شده است. در اکثر این روش ها برای تخمین زاویه چرخش، محاسبات برای هر تصویر به ازای بازه ای از زاویه‎ ها تکرار می شود. در این پایان نامه این محاسبات برای یک تصویر فقط یک بار انجام می شود. برای این منظور، باید ابتدا با استفاده از ویژگی های استخراج شده از تعدادی تصویر سند مشابه (تصاویر آموزشی) چرخانده شده با زاویه های مختلف و یک الگوریتم یادگیری ماشین با نظارت، یک سیستم را آموزش دهیم. سپس با یک بار انجام محاسبات برای هر تصویر و با استفاده از سیستم آموزش داده شده، زاویه چرخش تصاویر اسناد جدید مشابه تصاویر آموزشی را تعیین کنیم. به این ترتیب تا حد زیادی زمان پردازش (زمان تعیین زاویه چرخش) کاهش می یابد. این در حالی است که به دلیل ماهیت ویژگی ها و ماهیت روش یادگیری، سیستم دقت تخمین زاویه خوبی نیز خواهد داشت. این روش تا دقت 1/0 درجه و برای هر بازه ای از زاویه ها به خوبی عمل می کند. هر چقدر تعداد تصاویر بیشتر باشد، بازه زاویه بزرگتر و دقت کوچکتری مورد نظر باشد، برتری روش پیشنهادی چشمگیرتر خواهد بود.