Re: [無用常識] 關於認證圖的解碼 - 相關係數

[secrob (錯失)]

※ 引述《caeru (星羽)》之銘言：
: 繼續無聊的騙錢討論生涯吧Q_Q
: -----------------------------------------------------------------------------
: 所謂的相關係數，是指兩筆數據其相關性，完全相同的相關係數為+1，完全相反的為-1
: 而一般使用的辨識法多半取0.5-1之間做為一個可靠度的區別
: 要使用相關係數方式，主要的機制在於使用者端，
: 也就是加載在阿髮妻上的功能，如同望遠鏡似的輔助工具，
: 可利用資料庫的內容、自己創造出來的字串圖等等來做為相關性辨識的基底。
: 可由C3處取得認證圖後，與手邊的資料庫作逐一比對的功能，
: 當兩張圖某種程度相似的時候，就認為他是那張圖，這樣可以避免randn(pix)的手段，
: 但是資料量大時速度很慢、相似門檻設定、錯誤率設定等等族繁不及備載的缺點，
: 導致沒人想用這種方式。
: 但是就"自動化"而言，這仍是一種方式XD
: 同樣的，對於自動辨識而言，或許這種想法可以引發其他更好的辨識法則也說不定(囧
: -------------------------------   以下廢屁   --------------------------------
: 真的有看完的人推個文吧 0.0
: 這樣我再推出其他廢屁文來娛樂(?)大眾

 終極的方法是，圖型識別，大概可以分幾步
1. 取得文字部分
        可先算出圖片的histogram，理論上會分成幾群，每一群代表
一個字母、背景或做為雜訊的線，接著再分別對那幾群做dilation後，
算出每群的左上角和右下角，如果長寬比很奇怪，例如某群的左上和右
下剛好是整張圖，則知道那群顏色為背景，如果是那些雜訊線，則長寬
比會差很大，如果是字母，則比例會接近1:1。

2. 前處理
        接下來把那幾個認定為文字的那幾群做二值化，也就是背景變
為黑，前景為白，只要找到一個threshold即可，前提是前景和背景色
彩差多一點會比較好

3. 特徵截取
        把一個找到的圖用線性代數的方法找其特徵值，PCA or LDA
or...但最好要有很多的圖來做訓練，把一些扭曲的字母都送進去做
訓練是最好的，但這裡要用人工切很多文字出來，如果是LDA則還要做
分類，需要大量人力

4. 辨識
        經由特徵截取後會是一個較低維的數據，把這些數據送到
高斯Gaussian模型或高斯混合模型(GMM)中訓練，因為有二十六個字
母，因此只需要訓練二十六個model即可。

5. 語意分析
        一般來說市面上的文字辨識會根據上下文來做自然語言語
意分析以提高正確率，但我們這裡每個字母間沒什麼意義，但是
有一個很棒的利用點 - 母音和子音，因為這個很單純，所以就直接
假設母子母子或子母子母，例如有三個字
第一次
  第一個字送　aeiouy 的model進去求機率，機率高者為辨識結果
  第二個字送　子音　 的model進去求機率，機率高者為辨識結果
        ...

第二次
  第一個字送　子音　的model....
　第二個字送　aeiouy的model....
        ...

到最後再把第一次和第二次機率高者視為辨識結果

=========================================
以上皆為嘴泡，且是直覺的做法，實際可能還有很多問題


--
※ 發信站: 批踢踢實業坊(ptt.cc) 
◆ From: 220.139.62.246
推 neoneon:淚推QQ
推 Milk0210:很抱歉我看不懂..但還是給個推
→ TIM751010:頭推...很早開始就不是我懂的地方了
推 wahaha99:高手出現了 XD 不過這個破了的話雅虎她們都要傷腦筋了 XD
→ moara:台灣中情局解碼部需要你
推 lwei781:3 is a BIG step to take
推 sunnysmart:說的簡單做的難阿
推 OrzGoodguy:看不懂推 打這麼多字 沒有功勞也有苦勞
推 karst10607:看不懂但感謝你的認真 推...
推 airderek:非常難破 我對擷取部份有感覺..
→ airderek:影像處理 沒有這麼簡單的 光擷取建檔 檔案就超大的了
→ airderek:擷取的速度也取決於設備.還有擷取程式的撰寫品質