臺灣博碩士論文加值系統

本篇論文結合了數位影像處理理論、類神經網路理論、Matlab軟體來發展一套紙本手寫注音符號辨識系統。在數位影像處理理論使用影像預前處理，包括文字切割、雜訊去除、鏈碼化、二值化、大小正規化、細線化等處理，預處理後將欲辨識字形影像之本身及上下左右四個方向，先分離再合併成12*12大小之輪廓周邊特徵向量為主要特徵，及以線段長度求出線段之方向特徵向量為輔助特徵。結合輪廓周邊及線段方向特徵之抽取方式，表現出字型的結構性與整體性，加速擷取特徵之速度及提高辨識的正確性。
之後，運用類神經網路理論之改良式倒傳遞網路，做為特徵之訓練及測試，克服傳統的倒傳遞類神經網路在訓練時學習速度太慢、不易收斂及局部最小值等問題，調整各項網路參數，加速網路的學習與提高辨識之效率。利用學習完成之倒傳遞網路對於欲辨識之字形做模擬測試，僅須比對一次即可得到辨識結果。
在37個手寫注音符號中因為ㄅ與ㄣ、ㄉ與ㄌ、ㄋ與ㄎ、ㄙ與ㄥ太相似，所以辨識最易錯誤。本系統經實驗結果，如果測試字組為未經訓練的字組其辨識率約可達到百分之八十九。

This paper researches in the phonetic recognition system of off-line handwriting, it combines with the theory of digital image processing and neural network, and Matlab software. The theory of digital image processing manipulate include segmenting characters, removing noise, chain code, binarization, sizing normalization, thinning, and so on. After image preprocessing, the main feature of the system is the contour edge vector which scans the image of character from up, down, left and right directions separately. After that, we merge those values into a 12*12 contour edge vector. The auxiliary feature of the system is the line direction feature vector from the line length. It combines the line direction feature and the contour edge feature to show the structure and entirety of character. To acceleratedly fetch feature and raise correct recognition.
Then apply the improvable backpropagation neural network to fetch feature to test and train. It can overcome the problem of low learning speed in training phrase, hard to converge, its local minimum. To adjust the network parameters to speed up learn and to raise the recognizable efficiency. After learning completely, using the improvable backpropagation network to do the simulation, it can get the recognition result just take only one compare.
It’s too similar to recognize betweenㄅandㄣ, ㄉandㄌ, ㄋandㄎ,ㄙand ㄥin the 37’s handwriting phonetic signs. The result via system test : If the test characters are non-training character set, the recognition rate can reach to 89%.

目錄
第一章 緒論 …………………………………………… 1
第一節 研究動機………………………………………… 1
第二節 研究目的………………………………………… 1
第三節 研究方法與架構………………………………… 2
第四節 論文架構………………………………………… 4
第五節 主要成果………………………………………… 4
第二章 文獻探討……………………………………… 6
第一節 數位影像處理理論……………………………… 6
第二節 文件分析前處理………………………………… 7
第三節 特徵抽取與比對方法理論……………………… 10
第四節 類神經網路系統………………………………… 13
第五節 點字符號之探討………………………………… 19
第三章 手寫注音符號辨識系統之建立……………… 22
第一節 系統架構………………………………………… 22
第二節 影像預前處理…………………………………… 23
第三節 抽取影像特徵值………………………………… 28
第四節 改良式倒傳遞網路學習與測試………………… 39
第四章 系統實驗與結果分析………………………… 45
第一節 影像特徴抽取之建構…………………………… 45
第二節 系統簡介及應用與操作流程…………………… 46
第三節 系統實驗結果…………………………………… 51
第五章 結論與展望…………………………………… 56
第一節 結論……………………………………………… 56
第二節 未來展望………………………………………… 56
參考文獻………………………………………………… 58
附錄……………………………………………………… 61
附錄圖一 原始影像之二值化特徵影像圖……………… 61
附錄圖二 領域切割之文字影像分割圖………………… 61
附錄圖三 結構式特徵擷取文字「ㄉ」的鏈碼方向特徵圖 61
附錄圖四 注音符號結構式特徵圖……………………… 62
表目錄
表3-1線段方向特徵擷取之線段特徵表…………………… 33
表3-2線段之角度對應方向表……………………………… 34
表3-3函數traingdx的訓練參數表………………………… 40
表4-1「酸甜苦辣」之點字符號辨識結果………………… 50
表4-2選擇特徵向量對辨識率的影響……………………… 51
表4-3選擇輪廓周邊特徵數目對辨識率的影響…………… 52
表4-4未經網路訓練之手寫注音符號辨識結果表（一）… 52
表4-4未經網路訓練之手寫注音符號辨識結果表（二）… 53
表4-5辨識資料實驗結果…………………………………… 54
表4-6辨識錯誤結果分析…………………………………… 55
圖目錄
圖1-1 系統研究架構………………………………………… 3
圖2-1 八方向鍊碼…………………………………………… 10
圖2-2 「ㄉ」之八方向鍊碼值……………………………… 11
圖2-3 生物神經元模型……………………………………… 14
圖2-4 人工神經處理元……………………………………… 15
圖2-5 單層隱藏層倒傳遞類神經網路架構圖……………… 16
圖2-6 對數雙彎曲轉移函數………………………………… 16
圖2-7 倒傳遞網路資料流程圖……………………………… 17
圖2-8 聲母之點字符號……………………………………… 20
圖2-9 韻母之點字符號……………………………………… 20
圖2-10 結合韻之點字符號…………………………………… 21
圖2-11 聲調記號之點字符號………………………………… 21
圖2-12「上」、「下」之點字符號…………………………… 21
圖3-1 辨識系統架構流程圖………………………………… 23
圖3-2 影像預前處理單元流程圖…………………………… 24
圖3-3 ３×３矩陣遮罩圖…………………………………… 25
圖3-4 細線化點的連接圖…………………………………… 27
圖3-5 細線化及鏈碼化特徵影像圖………………………… 28
圖3-6 線段方向特徵抽取處理流程圖……………………… 29
圖3-7 擷取分割斷點之流程圖……………………………… 32
圖3-8 線段方向特徵擷取之分割斷點處理結果…………… 32
圖3-9 角度方向之定義說明圖……………………………… 34
圖3-10輪廓周邊特徵抽取處理單元流程圖………………… 36
圖3-11影像輪廓周邊特徵抽取圖…………………………… 39
圖3-12網路學習處理流程圖………………………………… 42
圖3-13網路測試處理流程圖………………………………… 44
圖4-1 手寫注音符號原始影像圖…………………………… 45
圖4-2 「ㄉ」之168個特徵參數之特徵影像……………… 46
圖4-3 國語注音符號辨識系統操作介面圖………………… 47
圖4-4 國語注音符號擷取影像特徵操作介面圖…………… 47
圖4-5 類神經網路訓練之目標曲線圖……………………… 48
圖4-6 類神經網路測試之注音符號結果圖………………… 49
圖4-7 類神經網路測試之點字符號圖……………………… 49
圖4-8 類神經網路測試之語音輸出圖……………………… 50

參考文獻
李宜仲（民90）：利用文字結構來辨識線上手寫中文字之字首，國
立中興大學應用數學研究所碩士論文。
余孝先、周勝鄰、賴源正（民82）：手寫中文字辨識研究，電腦與通
訊，82年1月，29-35。
杜世懷（民90）：利用模糊類神經網路擷取圖片中之人臉及身體，
國立中山大學電機工程學研究所碩士論文。
周政宏（民84）：神經網路-理論與實務。台北：松崗電腦圖書公司。
周義昌、戴敏倫、劉榮宜、李素玲、蔡玉娟（民81）：快速學習類
神經網路手寫英數與中文字辨認系統，電信研究季刊，22(3)，317-333。
林仲芬 (民84) ：影像辨認技術。台北：全華科技公司。
林宸生 (民88) ：數位信號－影像與語音處理。台北：全華科技公司。
張宏淵（民90）：類神經網路於高辨識率手寫中文字辨識之研究，
國立交通大學應用數學研究所博士論文。
連國珍 (民89) ：數位影像處理。台北：儒林圖書有限公司。
郭癸蘭（民91）：手寫身分證字號辨識系統 ，高雄第一科技大學電
腦與通訊工程研究所碩士論文。
陳志蒼（民90）：隱藏式馬可夫模型用於印刷電路板廠在製品圖樣視
覺化之辨識，淡江大學電機工程學研究所碩士論文。
陳慶彥（民86）：傳真手寫數字自動辨識系統，元智大學電機與資
訊工程研究所碩士論文。
傅秀媚（民89）：特殊教育導論。台北市：五南圖書出版公司。
楊宗憲（民87）：可處理任意旋轉角度之手寫字辨識，國立成功大
學資訊工程學研究所碩士論文。
葉怡成 (民90)：類神經網路模式應用與實作，台北：儒林有限公司。
葉怡成（民89）：應用類神經網路。台北市：儒林圖書有限公司。
潘朝陽(民83)：OCR/中文OCR技術，光學工程,83年9月,48-53。
戴紹國（民87）：利用鏈碼方向性抽取平面物件特徵以達成形狀辨識
及分類的方法，國立中興大學應用數學研究所碩士論文。
繆紹綱 (民89) ：影像影像處理活用-Matlab。台北：全華科技公司。
蕭進松 (民88) ：數位影像處理。台北：全華科技公司。
羅華強 (民90)：類神經網路－MATLAB的應用，清蔚科技。
Alghoniemy, M. & Tewfik, A. H. (2000)：Geometric distortion correction through image normalization, IEEE International Conference on Multimedia and Expo, 3, 1291 -1294 .
Baruch, O.(1998)：Line thinning by line following, Pattern Recognition Letters, 8(4), 271-276.
Bribiesca, E.(1999)：A new chain code, Pattern Recognition, 32(2), 235-251.
Freeman, H. & David, L. S. (1977)：A corner finding algorithm for chain-code curve, IEEE Transactions on Computers, 26,297-303.
Garris, M. D. , Wilson, C. L. & Blue, J. L.(1998)：Neural network-based systems for handprint OCR applications, IEEE Transactions on Image Processing, 7(8), 1097-1112.
Hertz, J. , Krogh, A. & Palmer, R. G. (1991)：Introduction to the Theory of Neural Computation, 147, Addison-Wesley.
Heutte, L. , Paquet, T. , Moreau, J. V. , Lecourtier Y. & Olivier, C. (1998)：A structural / statistical feature based vector for handwritten character recognition, Pattern Recognition Letters, 19, 629-641.
Hong, T. P. & Lee, J. J. & Tseng, S. S.(1996)：A new parallel backpropagation learning algorithm for classification, Neural, Parallel & Scientific Computations 4, 83-96.
Kohonen, T.(1988)：An introduction to neural computing, Neural Networks, 1(1),3-16.
Lee, S. W. (1995)：Multilayer cluster neural network for totally unconstrained handwritten numberal recognition, Neural Networks, 8(5), 783-792.
Li, S. X.& Loew, M. H. (1988)：Analysis and modeling of digitized straight- line segments, IEEE Transactions on Image Processing. 294-296.
Ogawa, H.(1989)：Corner detection on digital curves based on local symmetry of the shape. Pattern Recognition, 22(4), 351-357.
Phansalkar, V. & Sastry, P.(1994)：Analysis of the backpropagation algorithm with momentum, IEEE Transactions on Neural Networks 5(3), 505-506.
Richard, G. & Eric, L.(1996)：A survey of methods and strategies in character segmentation, IEEE Transactions on Pattern Analysis and Machine Intelligence, 18(7), 690-706.
Villiers, J. & Bamard, E.(1992)：Backpropagation neural nets with one and two hidden layers, IEEE Transactions on Neural Networks, 4(1), 136-141.
Yamamoto, K. & Rosenfeld, A. (1982)：Recognition of handprinted KANJI character by a relaxation method, International Conference on Pattern Recognition, 6, 395-398.
Yamada, H. (1984)：Contour DP matching method and its application to handprinted chinese character recognition, International Conference on Pattern Recognition, 7, 389-392.