基于笔画分组的直线细化算法

本文介绍了一种基于边界象素偏差计算和分组的直线细化算法。与己有同类算法相比,本算法实现了既可保存每个笔画的形状,而图象特征又可无失真地获取。

基于贝叶斯网络的在线草图识别算法

针对手绘草图识别算法大多采用限制用户绘制习惯来实现笔画分组的问题,提出一种基于贝叶斯网络的手绘草图识别算法。该算法将手绘草图识别中的笔画分组和符号识别统一为一个过程,用贝叶斯网络拓扑结构来表达草图结构信息。基于该网络,根据最大后验概率对连续输入的笔画进行动态最优分组,同时在线预测每组笔画的符号类别。实验结果表明,该方法是一种有效的在线递进式笔画分组和识别算法,在电路符号手绘识别中达到71.3%的过程识别率和85%的最终识别率。

基于贝叶斯网络和卷积神经网络的手绘草图识别方法

为实现笔画的分组和识别,现有的草图识别算法通常会采用限制用户的绘图习惯来达到目的.该文提出了利用贝叶斯网络和卷积神经网络(CNN)的草图识别方法解决此问题.首先,使用高斯低通滤波器处理输入草图,得到更平滑的图像.然后将连续输入的笔划分为两部分,分别使用贝叶斯网络和卷积神经网络对分割后的笔画进行识别,当笔画的可靠性大于阈值时,以贝叶斯网络的识别结果为准,反之采用CNN的识别结果.实验结果表明,该文算法在电路符号绘制过程中的识别率和绘制完成后的识别率均取得了较好的结果.该文算法具有良好的应用前景.

基于贝叶斯网络的草图识别研究

针对大多数草图识别算法笔画分组精确率低和用户适应性较差的问题,提出了一种基于混合特征的笔画分组方法,并在笔画的分组信息基础上构建了贝叶斯网络模型识别用户绘制的语义符号。该方法首先将用户绘制的笔画分组,每个分组代表一个独立的语义符号,然后提取分组的特征向量,最后通过贝叶斯网络模型推理出分组对应的语义符号。通过实验验证和数据分析,表明该方法具有良好的用户适应性、笔画分组能力及符号识别能力。