ارزیابی روش های بازشناسی متون فارسی بر مبنای شکل کلی زیرکلمات

دو رویکرد برای بازشناسی متون فارسی با استفاده از شکل کلی زیرکلمات ارائه شده و ضمن مقایسه آنها، مزایا و معایب استفاده از روش های مبتنی بر شکل کلی بیان شده است. رویکرد اول بر بازشناسی زیرکلمات، بدون حذف نقاط و علائم آنها استوار است و رویکرد دوم مبتنی بر شکل بدنه زیرکلمات است که از حذف نقاط و علائم زیرکلمه حاصل می شود و پس از بازشناسی بدنه، اطلاعات نقاط و علائم افزوده می شود. هر دو رویکرد شامل دو مرحله آموزش و آزمایش هستند. در مرحله آموزش، زیرکلمات مجموعه آموزش، خوشه بندی می شوند. برای خوشه یابی از الگوریتم ISODATA استفاده شده و مراکز اولیه خوشه ها توسط یک الگوریتم خوشه یابی سلسله مراتبی محاسبه شده اند. در رویکرد اول، بازشناسی طی دو مرحله صورت می گیرد: یافتن خوشه های نزدیک به ورودی و یافتن نزدیک ترین زیرکلمه از بین خوشه های نزدیک. در رویکرد دوم علاوه بر این مراحل، یک مرحله اضافی برای یافتن زیرکلمه نهایی بر اساس الگوی نقاط نیز وجود دارد. هر دو روش نتایج قابل قبولی روی تصاویر تمیز ارائه می دهند به طوری که رویکرد بانقطه دقتی حدود 94% و رویکرد بدون نقطه دقتی حدود 93% در سطح کلمه ارائه می دهد. لیکن در برخورد با تصاویر کم کیفیت و نویزی دچار افت دقت می شوند که این کاهش در برخی موارد بسیار شدید است. دلایل این کاهش دقت ارزیابی شده و راهکاری برای بهبود آن ارائه شده است. همچنین ضمن مقایسه دو رویکرد، مزایا و معایب بازشناسی بر مبنای شکل کلی ارائه شده است.