cellullar atuomata with feature extraction and recognition

ข้อมูลวันที่ 28 พฤศจิการยน 2552
เนื่องจาก cellular automata เป็นการตัวแบบที่มีการ evloving เชิง discrete time and space domain ดังนั้นเป็นเหตุผล ทำให้เราไม่สามารถวิเคราะห์ข้อมูลเชิงความถี่ได้ ดังนั้นทางแก้คือ ทำอย่างไรให้สามารถจดจำข้อมูลเดี่ยวกันแต่มีขนาดที่ต่างกัน ทางหนึ่งคือ การลด dimension ให้มีขนาดเดียวกัน ซึ่ง algorithm ที่จะทดลองใช้มีดังต่อไปนี้
1. histogram
2. Sparse Coding
3. ลองใช้ mask ของ adaboots
4. การ normailze
5. nonlinear normalize
ซึ่งไม่รู้ผลจะออกมาอย่างไร



ข้อมูลวันที่ 30 พฤศจิกายน 2552

ข้อมูลศึกษาวันนี้ทำให้รู้ว่าก่อนที่จะทำการ Recognition สิ่งที่ต้องทำก่อนคือ normalization ซึ่ง
การ Normalization ซึ่งประกอบไปด้วย
1. Linear
2. Non-Linear
3. Slant
4.Moment
ตาม paperนี้ คลิ๊กที่นี่
ส่วน paper เสริมดูที่หัวข้อ
- Handwritten Chinese Character Recognition : Alternatives to Nonlinear Nomalization
- An Improved handwritten Chinese character recognition system using support vector
mactine
ตัวนี้ถือเป็นต้นแบบที่ดีเนื่องจากมีแผนผังการทำ normalize ให้มีประสิทธิ์ภาพแต่ต้องศึกษาเพิ่มเติมคือ
--> Median Filtering
--> Smoothing
-->Anti-alias scaling
สิ่งที่ได้วันนี้
1.)Non-Linear Normalization
2.)Inverse Mapping of Non-Linear Normalization

ข้อมูลวันที่ 1 ธันวาคม 2552
เช้า
ถึงตอนนี้ก็ชัดแจ้งแล้วว่าต้องทำ normalization ก่อนที่จะนำไปสกัด feature และ recognition ข้อมูลซึ่งประกอบไปด้วย
1. คำนวณ centroid โดยหา the center of gravity
2 coordinate mapping ประกอบด้วย Linear, Moment, Slant และ Nonlinear ซึ่งมีทั้ง forward mapping เพื่อสร้าง ข้อมูลใน plane ใหม่ และ backward mapping เพื่อนำข้อมูลย้อนกลับ
3. Interpolation pixels หมายถึงการจัดการวางหรือแทรก pixels ลง plane ใหม่ ซึ่งมีวิธีการดัง Link ต่อไปนี้ปกติใช้เพื่อลดมิติในการวิเคราห์ การคำนวณเกี่ยวกับมุม
Link1
Link2
aspect raio mapping <พิมพ์ออกมากอ่าน>
ทั้งนี้ยังมีข้อมูลบางส่วนข้องที่อาจจะเกี่ยวคือ anti-aliasing, median filtering,smoooting และ chaing code
บ่าย
วันนี้เจอศัพท์คำหนึ่ง
discretization ความหมายคือในการ forward mapping ใช่ว่าทุกจุดที่ generaterate ขึ้นใหม่จะถูกวาดลง normalize plane ไปหมด
สมการ

f(x,y)---->([x'(x,y)],[y'(x,y)]) to ([x'(x+1,y+1)],[y'(x+1,y+1)])

การวิเคราห์ decretization แบ่งเป็น
1. วิเคราห์แบบ 1 มิติ
2. วิเคราะห์แบบ 2 มิติ
[Journal ฉบับเต็ม]Handwritten Chinese Character Recognition: Effects of Shape Normalization and Feature Extraction คลิ๊กที่นี่

วันที่ 2 ธันวาคม 2552
สรุปผลการอ่าน เนื่องจากวิธีการ normalization มีหลากหลายวิธีให้เลือก แต่งานของเราต้องตอบสนองทั้ง centroid ,boundary และบางครั้งต้องรองรับถึงระดับขนาดของเส้น ดังนั้น algorithm ที่ตอบสนองงานคือ
1. moment normalization(MN),centroid boundary alignment(CBA) ซึ่งรองรับในระดับ centroid และ boundary
2.Modified CBA ซึ่งรองรับตามต้องการ paper คลิ๊กที่นี่
3 แต่อัตราการจดจำ Bi-moment กลับสูงสุด คลิ๊กที่นี่
ดังนั้นในการทดลองนี้จึงได้ตัดสินใจ ใช้ Bi-moment เป็นตัวแบบในการทดลองเนื่องจากมีประสิทธิภาพสูงในการใช้งานเพื่อจดจำอักขระ รวมทั้งความซับซ้อนของสมการน้อยกว่า MCBA