臺灣博碩士論文加值系統

骨架擷取技術在許多應用領域中被廣泛地採用，如物件模組化(object modeling)、文字識別(character recognition)以及電腦動畫(computer animation)等應用領域。而過去傳統的細線化(thinning)所產生的骨架，往往會多出不必要的小分支或在交叉點處產生變形，造成在特徵擷取上的不穩定，因此本研究提出階層式修正型自我組織特徵映射圖網路，來克服此問題。
階層式修正型SOM是由SOM網路與MSOM網路構成二個階層，而第一、二階層的網路架構如同Kohonen’s SOM由輸入層與輸出層兩層所構成，第一階層根據Kohonen’s SOM學習演算法，以每個影像圖素為輸入資料，而參與學習的神經元數 個是由前處理中所估測的，考量輸出神經元與影像圖素的位置關係，在競爭式學習下，將整個影像劃分為 個子影像；在第二階層中，個別以子影像進入MSOM網路，輸出神經元的數目設定為單一個，依據MSOM有增長神經元的特性，彌補因第一階層輸出神經元的不足，而造成骨架的不完善。而第二階層後的骨架仍是無分支的骨架，所以在後處理中，將相鄰的神經元互相連結，而形成有分支的骨架，但在交叉點處出現變形的問題，這是屬於個別組合性最佳化問題，所以本研究提出一尋找交叉點位置的方法，藉著以新的節點來取代產生變形的節點的方式，改善了在叉點的變形。
而本研究以工具、文字、數字或英文字母等圖樣作為實驗對象，並考量雜訊影響、攝取影像環境的光度不適當與印刷品質低劣等情況。從實驗結果發現，本研究所提出的方法確實比細線化的效果更佳，也得知SOM學習演算法能夠有效的抵禦雜訊的影響。但是整個系統從輸入到獲得結果需時過久，這也是本研究未來應改進之點。

骨格抽出の技術はたくさん応用領域に広く採用されています。たどえばオブジェクト指向モデリング技術 (object modeling)、文字識別(character recognition)及びコンピュータアニメショーン(computer animation)などいろいろな応用領域に採用されています。しかし、伝統のthinningで抽出された骨格はいつも要らないの支線を分岐し、交差点の場合も変形を出ってくる事がありますから、特徴の獲得は不安定になります。だから、本論文では、「階層式修正型自己組織化マップ」を提出してこのようなの問題を解決する。
「階層式修正型自己組織化マップ(HMSOM)」はSOMとMSOMの二つの層から構成する。それで、第１、２層のネットワークとコホネンのSOMは同じ構造であり、二つの入力層と出力層から構成する。第１層では、SOMによってパターンの画素を入力データに。そして、前処理でニューロンのN個の数を概算し、出力ニューロンと画素の位置関係を考慮して、競合学習の基礎から、パターンをサブパターンにN個分割する。第２層では、１つづづのサブパターンをMSOMネットワークに入力させるし、ニューロンの数を１つにする。最後は、MSOMの可増加ニューロン数の特性によって、第１層の出力ニューロン数の不足を訂正する。それは、ニューロン数の不足は骨格の不完全させるの原因の１つ。しかし、ここで分枝がない骨格を抽出するだけ。だから、後処理で隣接のニューロンは互いに繋がっているの骨格は分枝が出って来る。しかし、交差点の所は変形のノードになるという問題が現れる。これは個別組合性の最適な問題が出って来る。だから、このような問題のために、変形のノードが新しいのノードに代わって。その問題を改善します。
本論文では工具、漢字、数字とか、英語文字などの画像を実験の対象にし、ノイズの影響、パターンを撮るの環境の光の不足と印刷の品質の劣化などの情況も考えている。実験の結果からを見ると、本論文の方法は確かに伝統のthinningより良いです。それで、SOMがノイズの影響を対抗が出来るのもはきり分かりました。しかし、システムの処理時間は長い時間がかかりますので、将来はこの問題を解決しる目標を目指します。

摘要 iv
英文摘要 v
日文摘要 vii
誌謝 viii
目次 x
圖目錄 xii
第一章 簡介 1
1.1 研究動機 1
1.2 文獻探討 3
1.3 研究方法 5
1.4 論文章節安排 6
第二章 自我組織特徵映射圖網路 7
2.1導論 7
2.2自我組織特徵映射圖網路架構 9
2.3自我組織特徵映射圖網路演算法 12
第三章 系統架構 16
第四章 前處理 18
4.1 定義轉角 18
4.2 過多的轉角 19
4.3 刪除過多的轉角 21
第五章 階層式修正型自我組織特徵映射圖網路 23
5.1第一階層 24
5.2自我組織特徵映射圖網路架構 27
5.3自我組織特徵映射圖網路演算法 28
5.3.1 複製條件 29
5.3.2 刪除條件 30
5.3.3 初步骨架的形成 31
第六章 後處理 33
第七章 實驗結果 36
7.1 針對簡單工具作實驗 36
7.2 針對影像中雜訊增加的情況作實驗 39
7.3 針對各式文字筆劃的結構組織特徵作實驗 41
7.4 數字、英文字母 41
7.4 漢字 46
第八章 結論與未來展望 52
參考文獻 54

1. Q. Z. Ye and P. E. Danielsson, “Inspection of printed circuit boards by connectivity preserving shrinking,” IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 10, no. 5, Sept. 1988, pp. 737-742.
2. L. Lam, S. W. Lee and C. Y. Suen, “Thinning methodologies — a comprehensive survey,” IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 14, no. 9, Sept. 1992, pp. 869-885.
3. A. Datta, S. M. Parui and B. B. Chaudhuri, “Skeletal shape extraction from dot patterns by self-organization,” in Proc. IEEE 13th Int. Conf. on Pattern Recognition, Vol. 4, Aug. 1996, pp. 80-84.
4. T. Y. Zhang and C. Y. Suen, “A fast parallel algorithm for thinning digital pictures,” Communications of the ACM archive, Vol. 27, no. 3, Mar. 1984, pp. 236-239.
5. Y. Y. Zhang and P. S. P. Wang, “A modified parallel thinning algorithm,” IEEE 9th Int. Conf. on Pattern Recognition, Vol. 2, Nov. 1988, pp. 1023-1025.
6. P. Bhattacharya and X. Lu, “New parallel algorithm for thinning binary images,” in Proc. IEEE Int. Conf. on Systems, Man, and Cybernetics, ''Decision Aiding for Complex Systems, Conference Proceedings, Vol. 1, Oct. 1991, pp.651-654.
7. T. Kohonen, “The self-organizing map,” Proceedings of the IEEE, Vol. 78, no. 9,1990, pp. 1464-1480.
8. J. A. Kangas, T. K. Kohonen and J. T. Laaksonen, “Variants of self-organizing maps,” IEEE Trans. on Neural Networks, Vol. 1, no. 1, Oct. 1991, pp. 93-99.
9. 葉怡成，類神經網路模式應用與實作，儒林圖書有限公司，民83年。
10. S. K. Parui, A. Datta and T. Pal, “Shape approximation of arc patterns using dynamic neural networks,” Signal Processing, Vol. 42, no. 2, Mar. 1995, pp. 221-225.