目录

  • create_ocr_class_svm（算子）
    • 描述
    • 参数

create_ocr_class_svm（算子）

create_ocr_class_svm - 使用支持随机向量机制创建OCR分类器。

create_ocr_class_svm（:: WidthCharacter，HeightCharacter，Interpolation，Features，Characters，KernelType，KernelParam，Nu，Mode，Preprocessing，NumComponents：OCRHandle）

描述

create_ocr_class_svm创建一个使用支持随机向量机制（SVM）的OCR分类器。 OCR分类器的句柄在OCRHandle中返回。

有关SVM如何工作的说明，请参阅create_class_svm。 create_ocr_class_svm使用Mode给出的分类模式创建SVM以进行分类。 SVM的特征向量的长度（create_class_svm中的NumFeatures）由用于OCR的特征确定，这些特征在特征中传递。这些功能如下所述。在create_class_svm中使用KernelType，KernelParam和Nu对内核进行参数化。 SVM的类的数量（create_class_svm中的NumClasses）是根据要在OCR中使用的字符的名称确定的，这些字符在字符中传递。如create_class_svm所述，参数Preprocessing和NumComponents可用于指定数据的预处理（即，特征向量）。为了数值稳定性，通常可以将预处理设置为“标准化”。为了加快分类时间，可以使用’principal_components’或’canonical_variates’，因为可以显着减少输入特征的数量而不会降低识别率。

用于分类的特征由特征确定。功能可以包含一个功能名称元组。这些特征名称中的每一个导致为分类器计算一个或多个特征。一些特征名称计算灰度值特征（例如，‘pixel_invar’）。由于分类器需要恒定数量的特征（输入变量），因此要分类的字符将转换为标准大小，该大小由WidthCharacter和HeightCharacter确定。用于变换的插值由插值确定。它与affine_trans_image中的含义相同。应该选择插值，使得在变换中不会出现混叠效应。对于大多数应用，应使用Interpolation =‘constant’。应该注意的是，变换后的字符的大小不会选择得太大，因为分类器的泛化属性可能对大尺寸变坏。特别地，对于大尺寸，如果使用灰度值特征，则小的分割误差将对计算的特征具有大的影响。这是因为分割错误将改变区域的最小包围矩形，因此角色的缩放与训练集中的字符不同。在大多数应用中，应使用6x8到10x14之间的大小。

参数功能可以包含以下用于字符分类的功能名称。

‘default’
选择’ratio’和’pixel_invar’。

‘pixel’
字符的灰度值（WidthCharacter x HeightCharacter特征）。

‘pixel_invar’
具有灰度值最大缩放的字符的灰度值（WidthCharacter x HeightCharacter特征）。

‘pixel_binary’
作为二进制图像的字符区域缩放为WidthCharacter x HeightCharacter（WidthCharacter x HeightCharacter特征）的大小。

‘gradient_8dir’
在角色图像上计算渐变。梯度方向被离散化为8个方向。根据这些离散化的方向将振幅图像分解为8个通道。从每个通道提取5x5网格上的25个样本。这些样本用作特征（200个特征）。

‘projection_horizo​​ntal’
灰度值的水平投影（参见gray_projections，HeightCharacter特征）。

‘projection_horizo​​ntal_invar’
灰度值的最大缩放水平投影（HeightCharacter特征）。

‘projection_vertical’
垂直投影灰度值（参见gray_projections，WidthCharacter特征）。

‘projection_vertical_invar’
灰度值的最大缩放垂直投影（WidthCharacter特征）。

‘ratio’
角色的宽高比（1个特征）。

“anisometry’”
角色的反分析（参见偏心，1个特征）。

‘width’
在将字符缩放到标准大小之前字符的宽度（不是缩放不变的，请参见smallest_rectangle1,1个特征）。

‘Hight’
在将字符缩放到标准大小之前字符的高度（不是缩放不变的，请参见smallest_rectangle1,1个特征）。

‘zoom_factor’
字符与WidthCharacter和HeightCharacter的值之间的大小差异（不是缩放不变的，1个特征）。

‘foreground’
前景中像素的分数（1个特征）。

‘foreground_grid_9’
在角色的最小封闭矩形内的3x3网格中前景中像素的分数（9个特征）。

‘foreground_grid_16’
在角色的最小封闭矩形内的4x4网格中的前景中的像素分数（16个特征）。

‘compactness’
角色的紧凑性（见紧凑性，1个特征）。

“convexity”
角色的凸性（见凸性，1个特征）。

‘moments_region_2nd_invar’
角色的标准化第二个时刻（参见moments_region_2nd_invar，3个特征）。

‘moments_region_2nd_rel_invar’
角色的标准化第二个相对时刻（参见moments_region_2nd_rel_invar，2个特征）。

‘moments_region_3rd_invar’
角色的标准化第3个时刻（参见moments_region_3rd_invar，4个特征）。

‘moments_central’
角色的标准化中心矩（参见moments_region_central，4个特征）。

‘moments_gray_plane’
归一化灰度值矩和灰度值平面的角度（参见moments_gray_plane，4个特征）。

“phi”
角色的方向（角度）（参见elliptic_axis，1个特征）。

‘num_connect’
连接组件的数量（请参阅connect_and_holes，1功能）。

‘num_holes’
孔数（参见connect_and_holes，1个特征）。

‘COOC’
二元共生矩阵的值（参见gen_cooc_matrix，12个特征）。

‘num_runs’
由高度标准化的区域中的运行次数（1个特征）。

‘chord_histo’
每行运行的频率（HeightCharacter功能）。

创建分类器后，使用trainf_ocr_class_svm对其进行训练。在此之后，可以使用write_ocr_class_svm保存分类器。或者，可以在训练之后立即使用分类器来使用do_ocr_single_class_svm或do_ocr_multi_class_svm对字符进行分类。

SVM和多层感知器（MLP）的比较（参见create_ocr_class_mlp）通常表明SVM通常在训练时更快，特别是对于大型训练集，并且实现比MLP略高的识别率。 MLP在分类方面更快，因此应该优先考虑时间关键应用。请注意，本指南假定参数的最佳调整。

并行

多线程类型：可重入（与非独占运算符并行运行）。
多线程范围：全局（可以从任何线程调用）。
没有并行化处理。
此运算符返回句柄。请注意，即使将此句柄类型的实例用作输入参数，也可以由特定运算符更改该句柄类型的实例的状态。

参数

WidthCharacter（input_control）整数→（整数）
矩形的宽度，分割字符的灰度值被缩放到该矩形。
默认值：8
建议值：1,2,3,4,5,6,7,8,9,10,11,12,14,16,20
典型值范围：4≤WidthCharacter≤20

HeightCharacter（input_control）整数→（整数）
矩形的高度，分割字符的灰度值被缩放到该矩形的高度。
默认值：10
建议值：1,2,3,4,5,6,7,8,9,10,11,12,14,16,20
典型值范围：4≤HeightCharacter≤20

Interpolation（input_control）字符串→（字符串）
用于缩放字符的插值模式。
默认值：‘常数’
值列表：‘bilinear’，‘constant’，‘nearest_neighbor’，‘weighted’

Features（input_control）字符串（-array）→（字符串）
用于分类的功能。
默认值：‘默认’
值列表：‘anisometry’，‘chord_histo’，‘compactness’，‘convexity’，‘cooc’，‘default’，‘foreground’，‘foreground_grid_16’，‘foreground_grid_9’，‘gradient_8dir’，‘height’，'moments_central '，‘moments_gray_plane’，‘moments_region_2nd_invar’，‘moments_region_2nd_rel_invar’，‘moments_region_3rd_invar’，‘num_connect’，‘num_holes’，‘num_runs’，‘phi’，‘pixel’，‘pixel_binary’，‘pixel_invar’，‘projection_horizo​​ntal’， ‘projection_horizo​​ntal_invar’，‘projection_vertical’，‘projection_vertical_invar’，‘ratio’，‘width’，‘zoom_factor’

Characters（input_control）字符串数组→（字符串）
要读取的字符集的所有字符。
默认值：[‘0’，‘1’，‘2’，‘3’，‘4’，‘5’，‘6’，‘7’，‘8’，‘9’]

KernelType（input_control）string→（string）
内核类型。
默认值：‘rbf’
值列表：‘linear’，‘polynomial_homogeneous’，‘polynomial_inhomogeneous’，‘rbf’

KernelParam（input_control）real→（真实）
内核函数的附加参数。
默认值：0.02
建议值：0.01,0.02,0.05,0.1,0.5

Nu（input_control）real→（真实）
SVM的正则化常数。
默认值：0.05
建议值：0.0001,0.001,0.01,0.05,0.1,0.2,0.3
限制：（Nu> 0.0）&&（Nu <1.0）

Mode（input_control）string→（string）
SVM的模式。
默认值：‘one-versus-one’
价值清单：‘一对多’，‘一对一’

Preprocessing（input_control）字符串→（字符串）
用于变换特征向量的预处理类型。
默认值：‘normalization’
值列表：‘canonical_variates’，‘none’，‘normalization’，‘principal_components’

NumComponents（input_control）整数→（整数）
预处理参数：已转换要素的数量（对于Preprocessing ='none’和Preprocessing =‘noalization’）。
默认值：10
建议值：1,2,3,4,5,8,10,15,20,30,40,50,60,70,80,90,100
限制：NumComponents> = 1

OCRHandle（output_control）ocr_svm→（整数）
处理OCR分类器句柄。

halcon create_ocr_class_svm 使用SVM分类器创建OCR分类器相关推荐

  1. halcon reduce_ocr_class_svm 缩减基于SVM的OCR分类器。

    目录 reduce_ocr_class_svm(算子) 描述 参数 reduce_ocr_class_svm(算子) reduce_ocr_class_svm - 缩减基于SVM的OCR分类器. re ...

  2. halcon clear_ocr_class_svm 清除基于SVM的OCR分类器

    目录 clear_ocr_class_svm(算子) 描述 参数: clear_ocr_class_svm(算子) clear_ocr_class_svm - 清除基于SVM的OCR分类器. clea ...

  3. Halcon学习笔记（八）——OCR初步创建并训练OCR分类器

    第一讲 OCR:(Optical Character Recognition,光学字符识别)是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符,通过检测暗.亮的模式确定其形状,然后用字符识别方法将 ...

  4. halcon trainf_ocr_class_svm 训练OCR分类器

    目录 trainf_ocr_class_svm(算子) 描述 参数 trainf_ocr_class_svm(算子) trainf_ocr_class_svm - 训练OCR分类器. trainf_o ...

  5. halcon write_ocr_class_svm 将OCR分类器写入文件

    目录 write_ocr_class_svm(运算符) 描述 参数 write_ocr_class_svm(运算符) write_ocr_class_svm - 将OCR分类器写入文件. write_ ...

  6. HALCON示例程序classify_image_class_knn.hdev使用KNN分类器对多通道图像进行分割

    HALCON示例程序classify_image_class_knn.hdev使用KNN分类器对多通道图像进行分割 示例程序源码(加注释) 显示相关设置 dev_update_off () dev_c ...

  7. HALCON示例程序classify_image_class_gmm.hdev使用GMM分类器分割彩色图片

    HALCON示例程序classify_image_class_gmm.hdev使用GMM分类器分割彩色图片 示例程序源码(加注释) dev_update_off () dev_close_window ...

  8. 吴恩达|机器学习作业6.1.SVM建立垃圾邮件分类器

    6.1.SVM建立垃圾邮件分类器 1)题目: 如今,许多电子邮件服务提供垃圾邮件过滤器,能够将电子邮件精确地分类为垃圾邮件和非垃圾邮件.在本部分练习中,您将使用SVM构建自己的垃圾邮件过滤器. 您将训 ...

  9. 如何用sklearn创建机器学习分类器？这里有一份上手指南

    原作:Kasper Fredenslund 林鳞 编译自 Data Science Central 量子位 出品 | 公众号 QbitAI 分类器是数据挖掘中对样本进行分类的方法的统称,也是入坑机器学 ...

最新文章

  1. 黑鹰长期班.边程浪子系列教程
  2. 求抛物线和直线交点_直线与抛物线唯一公共点的深入理解
  3. yii2 请求外部api_微服务架构之「 API网关 」
  4. 限时领取！CSDN夏日惊喜礼包上线啦~
  5. HH SaaS电商系统的销售订单毛利润模块设计
  6. 一份所有中国人都应该听的歌单，你听过几首？
  7. rabbitMQ碰到了对象跨项目的时候，反序列化出了问题
  8. 二维码_encode与decode
  9. 【转载】SQL Server 2008 中新建用户登录并指定该用户的数据库
  10. Ubuntu16.10上安装NodeJS6.9.2
  11. 自定义一个可复用的BaseAdapter
  12. 前端JS-页面延迟刷新
  13. 高清视频录制工具(Bandicam)v2.1.2.740中文使用技巧
  14. piranha 适用于CLIP-Seq 与 RIP-Seq 的 peak caller
  15. 掷骰子python代码_python模拟掷骰子
  16. DataHub: 现代数据栈的元数据平台的Metadata Ingestion Architecture【元数据摄取架构】讲解
  17. Python 一键导出微信读书的书籍和笔记
  18. Python与OpenCV（二）——基于背景差分法的运动目标检测程序分析
  19. Ext grid columns隐藏列
  20. jQuery中的end()方法

热门文章

  1. IOS-awakeFromNib和viewDidLoad
  2. ImageMagick 打水印支持透明度设置
  3. gcc g++ Linux下动态库_静态库
  4. 使用DIV之后 table何去何从
  5. Oracle 中间件云服务器系统 ExaLogic X2 - 2 和 T3-1B概述
  6. 发表和编辑Post的一个Bug
  7. [19/04/23-星期二] GOF23_创建型模式(工厂模式、抽象工厂模式)
  8. 判断是否获取到手机相机权限
  9. 多线程并发之原子性(六)
  10. 【Android工具】DES终结者加密时报——AES加密演算法