خوشه یابی تصویر زیر کلمات در متون قدیمی و حجیم چاپی با استفاده از معیار مقایسه تصویری

حجم زیاد تصاویر متنی روز به روز مسئله دیجیتالی شدن متن تصاویر و همچنین مسئله جستجو در این منابع را اهمیت می بخشد. در بازشناسی متن های حجیم می توان از ویژگی هایی مانند محدودبودن تعداد و اندازه قلم، یکسان بودن صفحه آرایی در کل صفحه ها، محدودبودن مجموعه واژه ها و حوزه معنایی آنها و یکسان بودن سبک نگارشی در کل متن استفاده کرد. در این مقاله الگوریتمی ارائه شده که از یکسان بودن نوع و اندازه قلم برای خوشه یابی زیرکلمات یک کتاب قدیمی با کیفیت پایین چاپ استفاده شده است. این کتاب 233 صفحه دارد و کل زیرکلمات آن که در حدود 111000 زیرکلمه است جداسازی و برچسب زنی شده است. در این تحقیق از یک روش ساده افزایشی برای خوشه یابی زیرکلمات استفاده شده است. ابتدا برای هر زیرکلمه چهار ویژگی ساده استخراج می شود، در صورتی که تفاوت این ویژگی ها از ویژگی های نماینده یک خوشه کمتر از مقدار آستانه باشد، مقایسه تصویری بین آن دو انجام می شود. به علت زیادبودن تعداد زیرکلمات سعی شده تا از ساده ترین روش های ممکن استفاده شود تا سرعت اجرا افزایش یابد. نتایج آزمایش ها نشان می دهد می توان زیرکلمات را با دقتی در حدود 7/99 درصد خوشه یابی کرد. نتایج این خوشه یابی در مرحله بازشناسی زیرکلمات کمک بسیار زیادی خواهد کرد.