JPH08329195A - ニューラルネットワークを用いる文字認識装置 - Google Patents
ニューラルネットワークを用いる文字認識装置Info
- Publication number
- JPH08329195A JPH08329195A JP7133496A JP13349695A JPH08329195A JP H08329195 A JPH08329195 A JP H08329195A JP 7133496 A JP7133496 A JP 7133496A JP 13349695 A JP13349695 A JP 13349695A JP H08329195 A JPH08329195 A JP H08329195A
- Authority
- JP
- Japan
- Prior art keywords
- data
- pattern data
- neural network
- dots
- normalized
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Character Discrimination (AREA)
Abstract
(57)【要約】
【構成】 ニューラルネットワーク１２には、正規化回
路１４からの８×８ドットの正規化パターンデータと、
特徴抽出回路１６からのそれぞれが４×４ドットの４つ
の特徴パターンデータとが与えられる。したがって、ニ
ューラルネットワーク１２は、正規化パターンデータお
よび特徴パターンデータに基づいて学習し、入力層１２
ａと中間層１２ｂとの間の結合係数および中間層１２ｂ
と出力層１２ｃとの間の結合係数が決定される。認識時
には、その結合係数に従ってニューラルネットワーク１
２が入力文字を認識する。 【効果】 特徴データの計算量が少なくてよいので高速
に、かつ正規化データもニューラルネットワークに入力
するので精度よく、文字を認識できる。
路１４からの８×８ドットの正規化パターンデータと、
特徴抽出回路１６からのそれぞれが４×４ドットの４つ
の特徴パターンデータとが与えられる。したがって、ニ
ューラルネットワーク１２は、正規化パターンデータお
よび特徴パターンデータに基づいて学習し、入力層１２
ａと中間層１２ｂとの間の結合係数および中間層１２ｂ
と出力層１２ｃとの間の結合係数が決定される。認識時
には、その結合係数に従ってニューラルネットワーク１
２が入力文字を認識する。 【効果】 特徴データの計算量が少なくてよいので高速
に、かつ正規化データもニューラルネットワークに入力
するので精度よく、文字を認識できる。
Description
【０００１】
【産業上の利用分野】この発明はニューラルネットワー
クを用いた文字認識装置に関し、特にたとえば、ニュー
ラルネットワークの入力層にパターンデータを入力し、
そのニューラルネットワークの出力層から認識結果を出
力する文字認識装置に関する。
クを用いた文字認識装置に関し、特にたとえば、ニュー
ラルネットワークの入力層にパターンデータを入力し、
そのニューラルネットワークの出力層から認識結果を出
力する文字認識装置に関する。
【０００２】
【従来の技術】この種の文字認識装置では、たとえば８
×８ドットに正規化したパターンデータから、たとえば
４×４ドットの特徴パターンデータを求める。このよう
な特徴パターンデータを、たとえば８方向（水平，垂
直，右４５°，左４５°，右３０°，左３０°，右６０
°，左６０°）について求め、８方向の特徴パターンデ
ータ、すなわち１２８次元のデータをニューラルネット
ワークに入力する。ニューラルネットワークでは、入力
パターンデータと基準パターンデータとの類似度に従っ
てその文字の認識結果を出力する。
×８ドットに正規化したパターンデータから、たとえば
４×４ドットの特徴パターンデータを求める。このよう
な特徴パターンデータを、たとえば８方向（水平，垂
直，右４５°，左４５°，右３０°，左３０°，右６０
°，左６０°）について求め、８方向の特徴パターンデ
ータ、すなわち１２８次元のデータをニューラルネット
ワークに入力する。ニューラルネットワークでは、入力
パターンデータと基準パターンデータとの類似度に従っ
てその文字の認識結果を出力する。
【０００３】
【発明が解決しようとする課題】従来の文字認識装置で
は、正規化データから特徴データを求める際の計算量が
膨大になり、たとえば手書き文字のリアルタイム認識に
は不向きである。それゆえに、この発明の主たる目的
は、計算量を小さくして速く認識できる、ニューラルネ
ットワークを用いた文字認識装置を提供することであ
る。
は、正規化データから特徴データを求める際の計算量が
膨大になり、たとえば手書き文字のリアルタイム認識に
は不向きである。それゆえに、この発明の主たる目的
は、計算量を小さくして速く認識できる、ニューラルネ
ットワークを用いた文字認識装置を提供することであ
る。
【０００４】
【課題を解決するための手段】この発明は、ニューラル
ネットワークの入力層にパターンデータを入力し、その
ニューラルネットワークの出力層から認識結果を出力す
る文字認識装置において、m1×n1ドットに正規化した第
１のパターンデータと、第１のパターンデータを複数方
向にフィルタ処理してm2×n2（m2＜m1, n2＜n1）ドット
に変換した複数の第２のパターンデータとを入力層に与
えるようにしたことを特徴とする、文字認識装置であ
る。
ネットワークの入力層にパターンデータを入力し、その
ニューラルネットワークの出力層から認識結果を出力す
る文字認識装置において、m1×n1ドットに正規化した第
１のパターンデータと、第１のパターンデータを複数方
向にフィルタ処理してm2×n2（m2＜m1, n2＜n1）ドット
に変換した複数の第２のパターンデータとを入力層に与
えるようにしたことを特徴とする、文字認識装置であ
る。
【０００５】
【作用】第１のパターンデータは、m1×n1ドットたとえ
ば８×８ドットに正規化したパターンデータである。こ
の８×８ドットのパターンデータをたとえば４つの直線
成分フィルタで処理した後、それぞれぼかし圧縮フィル
タで処理して、それぞれm2×n2ドットたとえば４×４ド
ットの４つの第２のパターンデータを求める。したがっ
て、ニューラルネットワークには、たとえば１２８（＝
６４＋４×１６）次元のデータが入力される。
ば８×８ドットに正規化したパターンデータである。こ
の８×８ドットのパターンデータをたとえば４つの直線
成分フィルタで処理した後、それぞれぼかし圧縮フィル
タで処理して、それぞれm2×n2ドットたとえば４×４ド
ットの４つの第２のパターンデータを求める。したがっ
て、ニューラルネットワークには、たとえば１２８（＝
６４＋４×１６）次元のデータが入力される。
【０００６】ニューラルネットワークでは、第１のパタ
ーンデータとそれに対応する第１の基準データとを比較
するとともに、第２のパターンデータととれに対応する
第２の基準データとを比較する。そして、この比較結果
に応じて、入力文字を同定する。
ーンデータとそれに対応する第１の基準データとを比較
するとともに、第２のパターンデータととれに対応する
第２の基準データとを比較する。そして、この比較結果
に応じて、入力文字を同定する。
【０００７】
【発明の効果】この発明によれば、第２のパターンデー
タすなわち特徴パターンデータの数が従来より少なくて
よいため、計算量を小さくでき、したがって、より高速
に文字認識が可能になる。他方、第１のパターンデータ
すなわち正規化データをそのままニューラルネットワー
クに入力するようにしているので、認識精度が低下する
ことはない。
タすなわち特徴パターンデータの数が従来より少なくて
よいため、計算量を小さくでき、したがって、より高速
に文字認識が可能になる。他方、第１のパターンデータ
すなわち正規化データをそのままニューラルネットワー
クに入力するようにしているので、認識精度が低下する
ことはない。
【０００８】たとえば英数字のように少ない種類の文字
を認識する場合には、文字の形状が或る程度限られてい
るので、少ない方向成分を用いても精度よく認識するこ
とができ、この発明の文字認識装置は、特に送信原稿上
に手書きされた宛先情報を認識して自動発信するファク
シミリ装置に好適する。この発明の上述の目的，その他
の目的，特徴および利点は、図面を参照して行う以下の
実施例の詳細な説明から一層明らかとなろう。
を認識する場合には、文字の形状が或る程度限られてい
るので、少ない方向成分を用いても精度よく認識するこ
とができ、この発明の文字認識装置は、特に送信原稿上
に手書きされた宛先情報を認識して自動発信するファク
シミリ装置に好適する。この発明の上述の目的，その他
の目的，特徴および利点は、図面を参照して行う以下の
実施例の詳細な説明から一層明らかとなろう。
【０００９】
【実施例】図１の機能ブロック図に示されるこの発明の
一実施例の文字認識装置１０は、ニューラルネットワー
ク１２を含み、このニューラルネットワーク１２は入力
層１２ａ，中間層１２ｂおよび出力層１２ｃを含む。入
力層１２ａと中間層１２ｂとは結合係数Nih で結合され
ていて、中間層１２ｂと出力層１２ｃとは結合係数who
で結合されている。ニューラルネットワーク１２の入力
層１２ａには、正規化回路１４で作成したたとえば８×
８ドットの正規化パターンデータが入力されるととも
に、特徴抽出回路１６で作成した４つの４×４ドットの
特徴パターンデータが入力される。
一実施例の文字認識装置１０は、ニューラルネットワー
ク１２を含み、このニューラルネットワーク１２は入力
層１２ａ，中間層１２ｂおよび出力層１２ｃを含む。入
力層１２ａと中間層１２ｂとは結合係数Nih で結合され
ていて、中間層１２ｂと出力層１２ｃとは結合係数who
で結合されている。ニューラルネットワーク１２の入力
層１２ａには、正規化回路１４で作成したたとえば８×
８ドットの正規化パターンデータが入力されるととも
に、特徴抽出回路１６で作成した４つの４×４ドットの
特徴パターンデータが入力される。
【００１０】特徴抽出回路１６は、図２に従って特徴パ
ターンデータを求める。すなわち、ステップＳ１では、
たとえば図３で示すように、８×８ドットの正規化パタ
ーンデータの周囲に１ドットの「０」を加え、１０×１
０ドットのパターンデータに変換する。次いで、ステッ
プＳ２において、図４で示す４方向の直線成分フィルタ
を用いてフィルタ処理を実行する。すなわち、このステ
ップＳ２では、数１に従って、４つの８×８ドットのパ
ターンデータ（中間データＨｋ(x,y) ）を計算する。
ターンデータを求める。すなわち、ステップＳ１では、
たとえば図３で示すように、８×８ドットの正規化パタ
ーンデータの周囲に１ドットの「０」を加え、１０×１
０ドットのパターンデータに変換する。次いで、ステッ
プＳ２において、図４で示す４方向の直線成分フィルタ
を用いてフィルタ処理を実行する。すなわち、このステ
ップＳ２では、数１に従って、４つの８×８ドットのパ
ターンデータ（中間データＨｋ(x,y) ）を計算する。
【００１１】
【数１】
【００１２】数１において、中間データＨｋ(x,y) の添
字ｘ，ｙは図３における各ドット（座標）位置を示し、
Ｉ(x+i-1,y+i-1) は入力データであり、ｆｋ(i,j) は直
線成分フィルタを示す。直線成分フィルタｆ１は、図４
に示すように、水平方向成分を抽出するためのフィルタ
であり、直線成分フィルタｆ２，ｆ３およびｆ４は、そ
れぞれ、垂直成分，右４５°成分および左４５°成分を
抽出するフィルタである。
字ｘ，ｙは図３における各ドット（座標）位置を示し、
Ｉ(x+i-1,y+i-1) は入力データであり、ｆｋ(i,j) は直
線成分フィルタを示す。直線成分フィルタｆ１は、図４
に示すように、水平方向成分を抽出するためのフィルタ
であり、直線成分フィルタｆ２，ｆ３およびｆ４は、そ
れぞれ、垂直成分，右４５°成分および左４５°成分を
抽出するフィルタである。
【００１３】ただし、図３において最も外側の各ドット
の入力データは「０」として計算する。つまり、
の入力データは「０」として計算する。つまり、
【００１４】
【数２】Ｉ(x,-1)＝０ Ｉ(x,8) ＝０ Ｉ(-1,y)＝０ Ｉ(8,y) ＝０ ｘ＝０，１，２，３，４，５，６，７ ｙ＝０，１，２，３，４，５，６，７ である。
【００１５】数１に従って計算した中間データＨｋ
(x,y) は max｛Ｈｋ(x,y) ｝で割ることによって「０〜
１」の値に正規化する。次に、ステップＳ３で、ステッ
プＳ２において求めた４つの中間データ（８×８ドッ
ト）の周囲に１ドットの「０」を加え、４つの１０×１
０ドットの中間データに変換する。
(x,y) は max｛Ｈｋ(x,y) ｝で割ることによって「０〜
１」の値に正規化する。次に、ステップＳ３で、ステッ
プＳ２において求めた４つの中間データ（８×８ドッ
ト）の周囲に１ドットの「０」を加え、４つの１０×１
０ドットの中間データに変換する。
【００１６】そして、ステップＳ４において、図５に示
すぼかし圧縮フィルタを用いたフィルタ処理を実行し、
特徴パターンデータを計算する。すなわち、数３に従っ
た出力データＯｋ(p,q) を得る。
すぼかし圧縮フィルタを用いたフィルタ処理を実行し、
特徴パターンデータを計算する。すなわち、数３に従っ
た出力データＯｋ(p,q) を得る。
【００１７】
【数３】
【００１８】ただし、中間データの最も外側の各ドット
は「０」として計算する。つまり、
は「０」として計算する。つまり、
【００１９】
【数４】Ｈｋ(x,-1)＝０ Ｈｋ(x,8) ＝０ Ｈｋ(-1,y)＝０ Ｈｋ(8,y) ＝０ ｘ＝０，１，２，３，４，５，６，７ ｙ＝０，１，２，３，４，５，６，７ である。
【００２０】なお、図３においてｇｋ(i,j) はぼかし圧
縮フィルタを示す。ぼかし圧縮フィルタｇ１は、図５に
示すように、水平方向成分を抽出するためのフィルタで
あり、ぼかし圧縮フィルタｇ２，ｇ３およびｇ４は、そ
れぞれ、垂直成分，右４５°成分および左４５°成分を
抽出するフィルタである。そして、数３に従って計算し
た出力データＯｋ(p,q) は max｛Ｏｋ(p,q) ｝で割るこ
とによって「０〜１」の値に正規化する。このようにし
て、それぞれが４×４ドットである４方向の直線成分す
なわち特徴パターンデータが計算される。
縮フィルタを示す。ぼかし圧縮フィルタｇ１は、図５に
示すように、水平方向成分を抽出するためのフィルタで
あり、ぼかし圧縮フィルタｇ２，ｇ３およびｇ４は、そ
れぞれ、垂直成分，右４５°成分および左４５°成分を
抽出するフィルタである。そして、数３に従って計算し
た出力データＯｋ(p,q) は max｛Ｏｋ(p,q) ｝で割るこ
とによって「０〜１」の値に正規化する。このようにし
て、それぞれが４×４ドットである４方向の直線成分す
なわち特徴パターンデータが計算される。
【００２１】図１に示す文字認識装置１０において、学
習時には、このようにして入力される１２８（＝６４＋
４×１６）次元のデータに従って、結合係数Vih および
Whoが決定される。すなわち、教師用サンプルデータの
８×８ドットの正規化データおよびその正規化データに
従って得られるそれぞれ４×４ドットの特徴データが、
正規化回路１４および特徴抽出回路１６から入力層１２
ａに入力される。したがって、ニューラルネットワーク
１８では、適宜の結合係数Vih およびWho に従って、出
力層１２ｃから出力値を出力する。つまり、教師用サン
プルとの類似度に応じた出力値を出力する。
習時には、このようにして入力される１２８（＝６４＋
４×１６）次元のデータに従って、結合係数Vih および
Whoが決定される。すなわち、教師用サンプルデータの
８×８ドットの正規化データおよびその正規化データに
従って得られるそれぞれ４×４ドットの特徴データが、
正規化回路１４および特徴抽出回路１６から入力層１２
ａに入力される。したがって、ニューラルネットワーク
１８では、適宜の結合係数Vih およびWho に従って、出
力層１２ｃから出力値を出力する。つまり、教師用サン
プルとの類似度に応じた出力値を出力する。
【００２２】ニューラルネットワーク１８からの上述の
出力値は誤差出力回路１８に与えられる。この誤差出力
回路１８には、また、教師信号出力回路２０から、正解
出力値、すなわちそのとき学習させようとした文字に相
当する出力値をたとえば「０．９」とし、残余の文字に
相当する出力値をたとえば「０．２」とした教師信号が
与えられる。したがって、誤差出力回路１８では、ニュ
ーラルネットワーク１２からの出力値と教師信号出力回
路２０からの教師信号との誤差を計算し、誤差データを
誤差総和回路２２に与える。
出力値は誤差出力回路１８に与えられる。この誤差出力
回路１８には、また、教師信号出力回路２０から、正解
出力値、すなわちそのとき学習させようとした文字に相
当する出力値をたとえば「０．９」とし、残余の文字に
相当する出力値をたとえば「０．２」とした教師信号が
与えられる。したがって、誤差出力回路１８では、ニュ
ーラルネットワーク１２からの出力値と教師信号出力回
路２０からの教師信号との誤差を計算し、誤差データを
誤差総和回路２２に与える。
【００２３】誤差総和回路２２は、誤差データの総和を
計算し、誤差総和が所定値たとえば「０．５」を超える
と、修正回路２４に修正指令信号を与える。修正回路２
４では、修正指令信号を受けると、そのとき誤差出力回
路１８から出力されている誤差データに基づいて、結合
係数Vih およびWho を修正する。つまり、バックプロパ
ゲーション法に従って結合係数Vih およびWho が修正さ
れる。
計算し、誤差総和が所定値たとえば「０．５」を超える
と、修正回路２４に修正指令信号を与える。修正回路２
４では、修正指令信号を受けると、そのとき誤差出力回
路１８から出力されている誤差データに基づいて、結合
係数Vih およびWho を修正する。つまり、バックプロパ
ゲーション法に従って結合係数Vih およびWho が修正さ
れる。
【００２４】そして、図１の文字認識装置１０で文字認
識を実行するときは、学習時に決定された結合係数Vih
およびWho を設定し、入力文字の８×８ドットの正規化
データおよびそれに対応する基準パターンデータと、４
つの４×４ドットの特徴データおよびそれぞれに対応す
る基準パターンデータとに従って、ニューラルネットワ
ーク１８がその入力文字を同定する信号を出力する。し
かしながら、認識方法それ自体は従来の認識装置と変わ
るところがないため、ここでは詳細な説明は省略する。
識を実行するときは、学習時に決定された結合係数Vih
およびWho を設定し、入力文字の８×８ドットの正規化
データおよびそれに対応する基準パターンデータと、４
つの４×４ドットの特徴データおよびそれぞれに対応す
る基準パターンデータとに従って、ニューラルネットワ
ーク１８がその入力文字を同定する信号を出力する。し
かしながら、認識方法それ自体は従来の認識装置と変わ
るところがないため、ここでは詳細な説明は省略する。
【００２５】図１実施例においては、特徴抽出回路１６
において４つの特徴データ、すなわち方向成分データを
計算するだけでよいので、このときの計算量が少なくて
済むため、迅速に入力文字を認識することができる。ま
た、ニューラルネットワーク１２には特徴データだけで
はなく正規化データも入力するようにしているため、特
徴データの数が少ないための認識精度の低下を抑えるこ
とができる。したがって、たとえば英数字のように文字
の形状が或る程度限られている場合には、高速かつ精度
よく認識することができる。そのため、実施例の文字認
識装置１０は、特に、送信原稿上に手書きされた宛先情
報を認識して自動発信するファクシミリ装置の宛先情報
認識装置として好適する。
において４つの特徴データ、すなわち方向成分データを
計算するだけでよいので、このときの計算量が少なくて
済むため、迅速に入力文字を認識することができる。ま
た、ニューラルネットワーク１２には特徴データだけで
はなく正規化データも入力するようにしているため、特
徴データの数が少ないための認識精度の低下を抑えるこ
とができる。したがって、たとえば英数字のように文字
の形状が或る程度限られている場合には、高速かつ精度
よく認識することができる。そのため、実施例の文字認
識装置１０は、特に、送信原稿上に手書きされた宛先情
報を認識して自動発信するファクシミリ装置の宛先情報
認識装置として好適する。
【図１】この発明の一実施例を示す機能ブロック図であ
る。
る。
【図２】図１実施例の特徴抽出回路の動作を示すフロー
図である。
図である。
【図３】８×８ドットのパターンデータを１０×１０ド
ットのパターンデータに変換した状態の一例を示す図解
図である。
ットのパターンデータに変換した状態の一例を示す図解
図である。
【図４】直線成分フィルタの一例を示す図解図である。
【図５】ぼかし圧縮フィルタの一例を示す図解図であ
る。
る。
１０ …文字認識装置 １２ …ニューラルネットワーク １４ …正規化回路 １６ …特徴抽出回路
───────────────────────────────────────────────────── フロントページの続き (72)発明者 堀井 洋 大阪府守口市京阪本通２丁目５番５号 三 洋電機株式会社内 (72)発明者 田中 淳司 鳥取県鳥取市南吉方３丁目201番地 鳥取 三洋電機株式会社内
Claims (1)
- 【請求項１】ニューラルネットワークの入力層にパター
ンデータを入力し、そのニューラルネットワークの出力
層から認識結果を出力する文字認識装置において、 m1×n1ドットに正規化した第１のパターンデータと、第
１のパターンデータを複数方向にフィルタ処理してm2×
n2（m2＜m1, n2＜n1）ドットに変換した複数の第２のパ
ターンデータとを前記入力層に与えるようにしたことを
特徴とする、文字認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7133496A JPH08329195A (ja) | 1995-05-31 | 1995-05-31 | ニューラルネットワークを用いる文字認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7133496A JPH08329195A (ja) | 1995-05-31 | 1995-05-31 | ニューラルネットワークを用いる文字認識装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH08329195A true JPH08329195A (ja) | 1996-12-13 |
Family
ID=15106134
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7133496A Pending JPH08329195A (ja) | 1995-05-31 | 1995-05-31 | ニューラルネットワークを用いる文字認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH08329195A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019194788A (ja) * | 2018-05-02 | 2019-11-07 | 日本電信電話株式会社 | 学習装置、認識装置、学習方法及びコンピュータプログラム |
| WO2020084720A1 (ja) * | 2018-10-24 | 2020-04-30 | 富士通フロンテック株式会社 | 紙幣検査装置、紙幣検査方法及び紙幣検査プログラム |
-
1995
- 1995-05-31 JP JP7133496A patent/JPH08329195A/ja active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019194788A (ja) * | 2018-05-02 | 2019-11-07 | 日本電信電話株式会社 | 学習装置、認識装置、学習方法及びコンピュータプログラム |
| WO2020084720A1 (ja) * | 2018-10-24 | 2020-04-30 | 富士通フロンテック株式会社 | 紙幣検査装置、紙幣検査方法及び紙幣検査プログラム |
| JPWO2020084720A1 (ja) * | 2018-10-24 | 2021-04-30 | 富士通フロンテック株式会社 | 紙幣検査装置、紙幣検査方法及び紙幣検査プログラム |
| US11423728B2 (en) | 2018-10-24 | 2022-08-23 | Fujitsu Frontech Limited | Banknote inspection device, banknote inspection method, and banknote inspection program product |
| CN112840383B (zh) * | 2018-10-24 | 2024-03-08 | 富士通先端科技株式会社 | 纸币检查装置、纸币检查方法及纸币检查程序 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3163185B2 (ja) | パターン認識装置およびパターン認識方法 | |
| US5243668A (en) | Method and unit for binary processing in image processing unit and method and unit for recognizing characters | |
| CN114399440B (zh) | 图像处理方法、图像处理网络训练方法、装置及电子设备 | |
| CN111986117A (zh) | 一种算术作业批改系统及方法 | |
| CN108710881B (zh) | 神经网络模型、候选目标区域生成方法、模型训练方法 | |
| US11436432B2 (en) | Method and apparatus for artificial neural network | |
| EP0783226A3 (en) | Image processing apparatus and method | |
| JPH08329195A (ja) | ニューラルネットワークを用いる文字認識装置 | |
| EP0471472A2 (en) | Image processing method and apparatus therefor | |
| US6983071B2 (en) | Character segmentation device, character segmentation method used thereby, and program therefor | |
| CN110555462A (zh) | 基于卷积神经网络的无固定多字符验证码识别方法 | |
| CN111402164B (zh) | 矫正网络模型的训练方法和装置、文本识别方法和装置 | |
| CN110837816A (zh) | 光学字符识别系统、边缘节点及系统 | |
| JP2004094644A (ja) | 画像処理装置、画像処理方法、記憶媒体及びプログラム | |
| JP2822792B2 (ja) | 画像ノイズ除去装置 | |
| JPH06231257A (ja) | 学習データ生成装置 | |
| JP2002056386A (ja) | 画像処理方法、及び画像処理方法を実行するプログラムを記録した記録媒体 | |
| JPS6272085A (ja) | 文字認識装置 | |
| JPH11120291A (ja) | パタン認識システム | |
| JP3324726B2 (ja) | 画像認識装置 | |
| CN118172290A (zh) | 一种基于多级自适应CNN与混合Transformer的唐卡图像修复方法、系统及存储介质 | |
| JPH07271907A (ja) | アナログ画像の二値化装置 | |
| JPH09265530A (ja) | 辞書作成方法およびカラー画像認識方法 | |
| JPH10187883A (ja) | 文字認識装置及び文字認識方法 | |
| JP3249996B2 (ja) | パターン識別装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20030805 |