抗混叠轮廓波变换的脱线中文手写体笔迹识别

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (24): 150-153.

• 图形、图像、模式识别 • 上一篇下一篇

抗混叠轮廓波变换的脱线中文手写体笔迹识别

朱贝贝1，尚赵伟1，2，袁博1，国庆1，张峰1，杨建伟3

1.重庆大学计算机学院，重庆 400030
2.四川省模式识别与智能信息处理重点实验室，成都 610106
3.南京信息工程大学数理学院，南京 210044

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-08-21 发布日期:2011-08-21

Offline Chinese handwriting-based writer identification with non-aliasing Contourlet transform

ZHU Beibei1，SHANG Zhaowei1，2，YUAN Bo1，GUO Qing1，ZHANG Feng1，YANG Jianwei3

1.College of Computer Science，University of Chongqing，Chongqing 400030，China
2.Key Laboratory of Pattern Recognition and Intelligent Information Processing Sichuan Province，Chengdu 610106，China
3.College of Mathematics and Physics，Nanjing University of Information Engineering，Nanjing 210044，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-08-21 Published:2011-08-21

摘要/Abstract

摘要： 为了进一步提高脱线中文手写体笔迹识别的正确率，提出了一种基于抗混叠轮廓波变换的特征提取算法。抗混叠轮廓波变换不仅具有轮廓波变换的多尺度、多方向特性，同时克服了轮廓波变换中频谱混叠的现象，避免了重构图像出现“划痕”现象。实验结果证明，抗混叠轮廓波变换的GGD模型与使用单小波、复小波、轮廓波变换的GGD模型方法比较，识别正确率分别提高了23.5%、7.7%、2.5%。

关键词: 小波变换, 抗混叠轮廓波变换, 广义高斯分布（GGD）模型, KL距离

Abstract: In order to enhance the precision rate of off-line Chinese handwriting-based writer identification，a new feature extraction method based on the non-aliasing Contourlet transform is presented.The transform not only has the multiscale and multidirection properties，moreover it overcomes the frequency aliasing of Contourlet transform，and avoids “scratching” phenomenon in the reconstructed image.In comparison with a single wavelet transform，the complex wavelet transform and Contourlet transform，the method increases the accuracy about 22.5%，7.7%，2.5%，respectively.

Key words: wavelet transform, non-aliasing Contourlet transform, General Gaussian Distribution（GGD） model, KL distance

朱贝贝1，尚赵伟1，2，袁博1，国庆1，张峰1，杨建伟3. 抗混叠轮廓波变换的脱线中文手写体笔迹识别[J]. 计算机工程与应用, 2011, 47(24): 150-153.

ZHU Beibei1，SHANG Zhaowei1，2，YUAN Bo1，GUO Qing1，ZHANG Feng1，YANG Jianwei3. Offline Chinese handwriting-based writer identification with non-aliasing Contourlet transform[J]. Computer Engineering and Applications, 2011, 47(24): 150-153.

[1]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[2]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[3]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[4]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[5]	苏翀，任曈，王国品，殷杰. 利用决策树建立慢性阻塞性肺病中医诊断模型[J]. 计算机工程与应用, 2019, 55(3): 225-230.
[6]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[7]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[8]	肖文卿1,3，汪鸿浩2，詹长安1. 基于小波系数特征融合的小鼠癫痫脑电分类[J]. 计算机工程与应用, 2019, 55(14): 155-161.
[9]	谢国波，吴震禹. 基于小波变换和重力模型的混沌图像加密算法[J]. 计算机工程与应用, 2019, 55(13): 100-105.
[10]	颜宏文，卢格宇. CEEMD-WT和CNN在短期风速预测中的应用研究[J]. 计算机工程与应用, 2018, 54(9): 224-230.
[11]	张志禹1，李向月1，李向阳2. 同步挤压小波变换对随机噪声抑制的研究[J]. 计算机工程与应用, 2018, 54(5): 57-60.
[12]	陈波1，刘厚泉1，赵志凯2. 时间序列多尺度异常检测方法[J]. 计算机工程与应用, 2018, 54(20): 122-127.
[13]	贾澎涛，贾伟. 煤矿井下视频多目标轨迹跟踪算法研究[J]. 计算机工程与应用, 2018, 54(2): 222-227.
[14]	崔金鸽1，陈炳权1，2，徐庆1. 基于Dual-Tree CWT和自适应双边滤波器的图像去噪算法[J]. 计算机工程与应用, 2018, 54(18): 223-228.
[15]	张艺超，袁贞明，孙晓燕. 基于心冲击信号的睡姿识别[J]. 计算机工程与应用, 2018, 54(17): 135-140.

抗混叠轮廓波变换的脱线中文手写体笔迹识别

Offline Chinese handwriting-based writer identification with non-aliasing Contourlet transform

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics