Facultad de Informátida y Estadística

Facultad de Informátida y Estadística

Grupo de Trabajo 16

Autores:• Manuel Ramón León Jiménez• Javier López Moreno


1.1. IntroducciónIntroducción

2. Metodología2. Metodología

3. Aplicaciones 3. Aplicaciones

5. Bibliograría5. Bibliograría

1. Introducción1. Introducción

• ¿Qué es el OCR?

• Problemas del OCR

• Caracteres mecanografiados

• Caracteres escritos a mano

6. Enlaces6. Enlaces

4. Mejoras4. Mejoras






¿ Qué es el OCR?¿ Qué es el OCR?

El Reconocimiento Óptico de Caracteres (OCR) es un método para reconocer la parte textual de una imagen digitalizada. El resultado de esto es un archivo de texto que puede ser editado y usado como tal por cualquier programa o aplicación que lo necesite.

DefiniciónDefinición

• ProblemasProblemas








Problemas del OCRProblemas del OCR• Caracteres mecanografiados

• Caracteres escritos a mano• La letra no es clara

• No se distingue el fondo

• Caracteres unidos

• Caracteres cortados

Ejemplo

• DefiniciónDefinición

ProblemasProblemas








2. Metodología de trabajo2. Metodología de trabajo

2.1. Binarización

2.2. Fragmentar la imágen

2.3. Adelgazar las componentes

2.4. Código de cadenas

2.5. Comparar con patrones y/o propiedades








FasesFases



Imagen de Imagen de EntradaEntrada

BinarizaciónBinarización Imagen Imagen Binaria Binaria

FragmentadoFragmentadoComponentesComponentes ConexasConexas

AdelgazarAdelgazar






FasesFases


4. Mejoras4. Mejoras ComponentesComponentes AdelgazadasAdelgazadas

Código de Código de CadenasCadenas Códigos deCódigos de

CadenasCadenas

ReconocimientoReconocimiento

InformaciónInformación del del ReconocimientoReconocimiento

CaracteresCaracteresReconocidosReconocidos






2.1. Binarización2.1. Binarización

• Definición

• Implementación

Consiste en pasar una imagen que inicialmente puede estar a color, primero a escala de grises y después a blanco y negro.

BinarizaciónBinarización• FragmentarFragmentar• AdelgazarAdelgazar• Código CadenasCódigo Cadenas• CompararComparar




ImplementaciónImplementación

• Pasar de Color a Grises

• De Grises a Blanco y Negro

• Mediante la banda del verde

• Pasar de RGB a Grises

• Thresholding









Pasar de Color a GrisesPasar de Color a Grises• Mediante la banda del verde

Luminacia








Una imagen en escala de grises representa la respuesta del ojo a la luminosidad.


Pasar de Color a GrisesPasar de Color a Grises• Pasar de RGB a Grises

Imagen a Color

Matriz de Rojo (R)

Matriz de Verde (G)

Matriz de Azul (B)

+

+

ImagenGris = 0.299*R + 0.587*G + 0.114*B





BinarizaciónBinarización• FragmentarFragmentar

• Código CadenasCódigo Cadenas• CompararComparar

• AdelgazarAdelgazar




De Grises a Blanco y NegroDe Grises a Blanco y Negro• Thresholding

0 64 128 192 255Negro Blanco

Valor Umbral

BlancosNegros











ImplementaciónImplementación• Pasar de Color a Grises

• De Grises a Blanco y Negro

• Mediante la banda del verde

• Pasar de RGB a Grises

• Thresholding

Ejemplo

Ejemplo











Pasar de Color a Grises Pasar de Color a Grises

Imagen a Color

Imagen en Grises con la banda del verde

Imagen de RGB a Grises











De Grises a Blanco y NegroDe Grises a Blanco y Negro

Imagen en Grises

Imagen Blanco y Negro: Umbral 128

Imagen Blanco y Negro: Umbral 225 Histograma











2.2. Fragmentar la Imagen2.2. Fragmentar la Imagen

• Posibles Implementaciones

Consiste en ir separando componentes conexas, puesto que el reconocimiento de caracteres se realiza componente a componente.

Ejemplo

A) Algoritmo de etiquetado visto en clase

B) Otras implementaciones




• BinarizaciónBinarización FragmentarFragmentar







2.2. Fragmentar la Imagen2.2. Fragmentar la ImagenEjemplo

1 0 1 0 ... 1 0 1 0 ...

1 0 1 0 ... 1 0 1 0 ...










1 1 0 0 0 00 0 1 0 0 0

a a


Posibles ImplementacionesPosibles ImplementacionesA) Algoritmo de etiquetado visto en clase Se va recorriendo la matriz y etiquetando

componentes conexas según los vecinos ya recorridos.

1 1 0 0 0 00 0 1 0 0 0

a a









4. Mejoras4. Mejoras1 1 0 0 0 00 0 1 0 0 0

a a

a


Posibles ImplementacionesPosibles ImplementacionesB) Otras implementaciones

• Versión Lenta

Recorremos la matriz hasta encontrar un pixel negro. Se hace un algoritmo recursivo para enmarcar esa componente. Se continua por la columna siguiente al marco encontrado. Si se encuentra una componente registrada, no se vuelve a registrar.

Ejemplo











Versión LentaVersión LentaEjemplo











Posibles ImplementacionesPosibles Implementaciones

B) Otras implementaciones

• Versión Rápida

Es igual que la anterior, pero en este caso cuandollega a un pixel negro, se comprueba primero si ya está registrado en una componente conexa, evitandoasí realizar el algoritmo recursivo.











Posibles ImplementacionesPosibles ImplementacionesB) Otras implementaciones

• Versión por Renglones Al registrar la primera componente conexa, se continúa la búsqueda por la fila central del dígito y por la columnasiguiente a dicha componente conexa, además se calcula el salto que se debe dar para pasar a una nueva fila.

Inconvenientes

Los caracteres deben ser del mismo tamaño al primero. Los caracteres deben estar alineados por renglones.

Ejemplo











Versión por RenglonesVersión por Renglones

3







Siguiente Salto5. Bibliograría5. Bibliograría



Altura = 6

Sigo por: (6+1)/2 = 3

Salto = Altura = 6

3

6


Versión por RenglonesVersión por Renglones• Inconvenientes

• Si hay componentes de distintos tamaños puede que no las capte. • Preferiblemente las componentes tienen que estar alineadas en renglones.

Esta componente no la reconoce











2.3. Adelgazar la Imagen2.3. Adelgazar la Imagen

A) Punto Simple




• BinarizaciónBinarización• FragmentarFragmentar


AdelgazarAdelgazar




• Definiciones

Los 8 vecinos de P forman una sola componenteconexa adyacente a P.

A) Punto Final Solo tiene un vecino negro.

A) Punto Aislado No tiene vecinos negros.


Ejemplo de las DefinicionesEjemplo de las Definiciones1.1. IntroducciónIntroducción





AdelgazarAdelgazar




No simpleFinal

AisladoSimple


AlgoritmoAlgoritmo1.1. IntroducciónIntroducción





AdelgazarAdelgazar




Consiste en ir barriendo la matriz en las direcciones Norte, Sur, Este y Oeste alternativamente, encontrando en cada barrido los pixeles en negro con su antecesor blanco. Si el pixel es simple y no final se elimina.Se deben eliminar todos a la vez, por lo que antes de eliminarlos se marcarán.El algoritmo para cuando en una iteración no se elimina ningún pixel en ningún barrido (N, S, E, O).


Ejemplo del Algoritmo Ejemplo del Algoritmo 1.1. IntroducciónIntroducción





AdelgazarAdelgazar




• Primera Iteración

Norte Sur Este Oeste


Ejemplo del Algoritmo Ejemplo del Algoritmo 1.1. IntroducciónIntroducción





AdelgazarAdelgazar




• Segunda Iteración

Norte Sur, Este y Oeste

No se marca ningún punto

En la próxima iteración nose elimina ningún pixel en ningún barrido (N, S, E, O), luego el algoritmo finaliza.


Ejemplo de AdelgazamientoEjemplo de Adelgazamiento A continuación se muestra un ejemplo del adelgazamiento completo de un cero, completando todas las iteraciones necesarias para ello.






AdelgazarAdelgazar





Posibles MejorasPosibles Mejoras1.1. IntroducciónIntroducción





AdelgazarAdelgazar




• No escanear los marcos, ya que son blancos. O no hacer necesarios marcos blancos

• No comprobar un pixel en una iteración si en una anterior se había comprobado que no se podía borrar, es decir, marcar los puntos no borrables


2.4. Código de Cadenas2.4. Código de Cadenas

• Se calcula el código de cadenas de cada componente conexa. Solo calculamos el borde externo, porque para reconocer ceros y unos no nos vale de nada calcular el interno, ya que el 1 no tiene y el 0 tiene, pero es igual que el externo, por eso solo calculamos el borde externo.





Código CadenasCódigo Cadenas• CompararComparar






AlgoritmoAlgoritmo• La función para buscar el siguiente vecino en el código de cadenas es:










Cojo la dirección por la que he llegado al pixel actual. A partir de ella, como estoy calculando el código de cadena externo, comienzo a buscar el proximo vecino en dirección contraria a las agujas del reloj.

0 1 24 P 05 6 7

1º2º Venía del 2


Ejemplo de Código de CadenasEjemplo de Código de Cadenas

• Punto inicial: (3, 6)

• Código de Cadenas externo: 5 5 1 1 7 6 6 6 6 2 2 2 2 3










•Finalmente mostramos un ejemplo donde se muestra un uno, con su único código de cadenas, el externo, así como el punto inicial del mismo


2.5. Comparar con Patrones2.5. Comparar con Patrones Punto fundamental y crítico del OCR.

De que esta fase se realice correctamente depende que el OCR sea adecuado o no a las características exigidas.

• Primera aproximación• Otros métodos

• Otras herramientas

• Nuestro método





• Código CadenasCódigo Cadenas CompararComparar






Primera aproximaciónPrimera aproximación Consiste en comparar nuestro código de cadenas con unos patrones predeterminados.

• Inconvenientes

• Si concuerda será igual • Si no concuerda no será igual

Es un reconocedor muy pobre, ya que solo reconoces imágenes exactas a la del patrón, si no coincide en algo, falla. No puede ser ni más grande, ni estar en cursiva, etc.











Otros MétodosOtros Métodos Comparar características topológicas y morfológicas de la imagen a reconocer con las de nuestros patrones. Esta comparación es más precisa que la anterior, ya que no hace falta que la imagen sea exacta al patrón. En este caso solo se comparan características del carácter.











Características a tener en cuentaCaracterísticas a tener en cuenta• Nº de Agujeros

1 NO0 1 agujero

• Rectas del carácter

1• Detección de curvas

0• Detección de ángulos

1











Características a tener en cuentaCaracterísticas a tener en cuenta

• Detección de cambios bruscos en el código de cadenas

1Código de Cadenas: ... 6 6 2 2 ...Código de Diferencias: ...-4...











Nuestro MétodoNuestro Método Vamos a reconocer el 1 fijándonos en el número de giros de 180º en el código de cadenas. Esto se observa cuando en el código de diferencias sale - 4.

El 1 tiene al menos dos giros de 180º, mientras que el 0 no tiene ninguno.

1 Código de Cadenas: ... 6 6 2 2 ...Código de Diferencias: ... -4 ...











Nuestro MétodoNuestro Método Además de los cambios bruscos en el código de cadena, nos vamos a fijar que tras el último de estos cambios bruscos si observamos dicho código de cadenas, la dirección 2 va a predominar con respecto al resto de direcciones, en particular va a haber más de un 50% de direcciones 2 hasta el final. El cero, en cambio, no cumple ninguna de estas dos propiedades.










Ejemplo


Ejemplo Ejemplo 1.1. IntroducciónIntroducción









Punto Final

Giro brusco

Hasta el final queda:

• Codigo de Cadena: ... 2 2 2 2 3

• Número de dirección 2: 4

• Número de direcciónes no 2: 1

• Porcentaje de 2 = 44 + 1

= 0.8

El 80% son 2


VentajasVentajas1.1. IntroducciónIntroducción









• El reconocimento depende del Universo de discurso. Si nos llegan solamente 0 y 1, podríamos reconocerlos viendo simplemente si el carácter a reconocer tiene un agujero. Nuestro reconocedor, sin embargo se fija en otras cosas para no reconocer todo lo que nos llegue como un 0 o un 1. Si nos fijaramos en si tiene o no agujeros entrarían muchas cosas más de las deseadas.


VentajasVentajas1.1. IntroducciónIntroducción









• Nuestro reconocedor es insensible a desplazamientos. Nos pueden llegar caracteres desplazados, que los vamos a reconocer de igual forma.

• Insensible a rotaciones hasta cierto punto. Si nos llega un 1 rotado, lo vamos a reconocer dentro de un determinado ángulo de rotación, si se gira demasiado, ya no lo reconocemos.






3. Aplicaciones del OCR3. Aplicaciones del OCR

• Escaneado de documentos para almacenar

• Detección de Matrículas

• Detección de Códigos Postales

• Etc








4. Futuras Mejoras4. Futuras Mejoras

• Mejorar el Interfaz de Usuario


4. Mejoras4. Mejoras• Añadir funciones no implementadas

• Resolver errores






4. Futuras Mejoras4. Futuras Mejoras• Optimizar Algoritmos



• Si la imagen tiene un margen en blanco, empezar recorridos por (2,2) hasta (N-1,M-1)

• Mejorar clases: Muchas clases incluyen objetos deotras, mejor usar herencia

• Comprobar el uso de la memoria: se ha vigilado poco el uso y liberación de la memoria

• Realizar preprocesado para eliminar el ruido por algún método (como dilatación y erosión).





5. Bibliografía5. Bibliografía

• Apuntes de Procesamiento de Imágenes Digitales (PID)

• Apuntes de Tratamiento de Voz e Imágenes (TVI) Profesor: Fco. Javier Molina Cantero

• Apuntes de Ingeniería del Software II (ISWII) Profesor: Amador Durán Toro

• Apuntes de Procesadores de Lenguajes II (PLII) Profesores: Rafael Corchuelo Gil

Beatriz Bernárdez Jiménez

Profesor: Pedro Real Jurado








5. Bibliografía5. Bibliografía

• Introducción a la programación: Un enfoque práctico

Autores: Juan Mauel Cordero Valle José Mariano González Romero Rafael Martínez Gasca Rafael Romero Aleta

• Visual C++, Aplicaciones para Win32, 2ª Edición Editorial: Ra-ma Autor: Fco. Javier Ceballos Sierra

Editorial: Algaida








5. Bibliografía5. Bibliografía• Detection of Curved and Straight Segments from Gray Scale Topography

Autores: Li Wang and Theo Pavlidis

• A Model-Based Segmentation Method for Handwritten Numeral Strings

Department of Computer Science, Stony Brook, New York, 1992

Autores: Jianming Hu and Hong YanDepartment of Electrical Engineering, University of Sidney, 1997

• Fast Binary Image Processing Using Binary Decision Diagrams

Autores: L. Robert and G. MalandainINRIA-Sophia Antipolis, France, 1997








5. Enlaces de interés5. Enlaces de interés• documents.cfar.umd.edu

• www.cs.cmu.edu/~cil/vision.html

• www.ocr.com

• www.infaimon.es/industria/software/cvbminos.htm

• www.ucm.es/info/especulo/numero12/artenuev.html

• www.cedar.buffalo.edu/Publications/techreports.html

• www.cedar.buffalo.edu/Publications/TechReps/ /OCRTech84/paper94.html








• www.cc.siue.edu/CVIPtools

• www.dai.ed.ac.uk/HIPR2

• www.mip.sdu.dk/ipl98

• www.leadtools.com

5. Enlaces de interés5. Enlaces de interés




Documents

Facultad de Informátida y Estadística