Wykorzystanie filtrów Gabora do identyfikacji obrazów pisma odręcznego

Tadeusz Niedziela; Brunon Hołyst

Wykorzystanie filtrów Gabora do identyfikacji obrazów pisma odręcznego

Data publikacji: 16.12.2024

Prawo i Bezpieczeństwo – Law & Security, 2024, 2(3)/2024, s. 222 - 263

https://doi.org/10.4467/29567610PIB.24.028.20791

Autorzy

Pobierz pełny tekst

PDF

drukuj

Tytuły

Wykorzystanie filtrów Gabora do identyfikacji obrazów pisma odręcznego

Abstrakt

Celem artykułu jest ocena efektywności zastosowania filtrów Gabora w identyfikacji oraz klasyfikacji obrazów przedstawiających pismo odręczne, w szczególności w kontekście rozpoznawania liter, cyfr lub całych słów. W artykule przedstawiono optoelektroniczną metodę identyfikacji cech charakterystycznych obrazów pisma odręcznego bazującą na transformacie falkowej Gabora. Metoda ta nie była nigdzie dotychczas publikowana a otwiera nowe perspektywy badania pisma ręcznego. Problem badawczy sformułowano: Czy zastosowanie filtrów Gabora pozwala na efektywną ekstrakcję cech z obrazów pisma odręcznego, umożliwiającą dokładną identyfikację i klasyfikację znaków w porównaniu do innych metod ekstrakcji cech? Odpowiednio do postawionego problemu badawczego sformułowano hipotezę badawczą, która zakłada, iż filtry Gabora, dzięki swojej zdolności do wykrywania wzorców lokalnych w obrazach (takich jak krawędzie, tekstury i struktury kierunkowe), są skuteczną metodą ekstrakcji cech w zadaniach związanych z identyfikacją obrazów pisma odręcznego, przewyższającą inne powszechnie stosowane metody pod względem dokładności klasyfikacji. Autorzy w artykule zaproponowali prosty algorytm rozpoznawania obrazów w przestrzeni dyfrakcyjnej dla celów kryminalistyki. Pozostaje pytanie, czy metoda ta może znaleźć zastosowanie w praktyce? W celu uzyskania odpowiedzi na problem badawczy i weryfikacji hipotezy badawczej zastosowane metody badawcze takie jak analiza literatury zarówno krajowej jak zagranicznej, analiza porównawcza, jak również modelowanie matematyczne.

The aim of the article is to assess the effectiveness of the use of Gabor filters in the identification and classification of images depicting handwriting, in particular in the context of recognition of letters, numbers or whole words. The article presents an optoelectronic method of identifying the characteristics of handwriting images based on the Gabor wavelet transform. This method has not been published anywhere before, but it opens up new perspectives for the study of handwriting. The research problem was formulated: Does the use of Gabor filters allow for effective feature extraction from handwriting images, enabling accurate identification and classification of characters compared to other feature extraction methods? Accordingly to the research problem posed, a research hypothesis was formulated, which assumes that Gabor filters, thanks to their ability to detect local patterns in images (such as edges, textures and directional structures), are an effective method of extracting features in tasks related to the identification of handwriting images, surpassing other commonly used methods in terms of classification accuracy. In the article, the authors proposed a simple algorithm for recognizing images in the diffraction space for forensic purposes. The question remains, can this method be used in practice? In order to obtain an answer to the research problem and verify the research hypothesis, research methods such as analysis of both domestic and foreign literature, comparative analysis, as well as mathematical modeling were used.

Słowa kluczowe

filtry Gabora, kryminalistyka, pismo odręczne, system optoelektroniczny, filtr multifalkowy

Gabor filters, forensics, handwriting, optoelectronic system, multi-wavelet filter

Bibliografia

Pobierz bibliografię

Andrysiak T., Chora M., Image retrieval based on hierarchical gabor filters, Int. J. Appl. Math. Comput. Sci., 15, 4, 2005.

Arivazhagan S., Ganesan L., Texture segmentation using wavelet transform, Pattern Recognition Letters 24, 2003.

Balci B., Saadati D., Shiferaw D., Handwritten Text Recognition using Deep Learning.

Bovik A. C., Clark M. and Geisle W.S. r: Multichannel Texture Analysis Using Localized Spatial Filters, IEEE Trans. PAMI, 12, 1, 1990.

Canny J. F., A computational approach to edge detection. IEEE Trans. Pattern Anal. Machine Intell. 8, 6, 1986.

Clausi D. A., Jernigan M. E., Designing Gabor filters for optimal texture separability, Pattern Recognition 33, 1835–1849, 2000.

Daubechies, The Wavelet Transform, Time-Frequency Localization and Signal Analysis, IEEE Trans. Information Theory, 36, 5, 1990.

Grigorescu S. E.,Petkov N., Kruizinga P., Comparison of texture features based on Gabor filters, IEEE Transactions on Image Processing, 11, 10, 2002.

Daugman J.G., Uncertainty relation for resolution In space, spatial frequency, and orientation optimized by two-dimensional visual cortex flters, J. Opt. Soc. Am. A 2, 7, 1985.

Daugman J. G., Two-Dimensional Spectral Analysis of Cortical Receptive Field Profile, Vision Research, 20, 1980.

Daugman J. G., Complete Discrete 2-D Gabor Transforms by Neural Networks for Image Analysis and Compression, IEEE Trans. Acoustics, Speech, and Signal Processing, 36, 7, 1988.

Duffin R. J. and Schaeffer A. C., A Class of Nonharmonic Fourier Series, Trans. Am. Math. Soc., 72, 1952.

España-Boquera S., Jose Castro-Bleda M., Gorbe-Moya J., and Zamora-Martinez F., Improving Offline Handwritten Text Recognition with Hybrid HMM/ANN Models IEEE Transactions on Pattern Analysis and Machine Intelligence, VOL. 33, NO. 4, APRIL 2011.

Gupta A., Srivastava M., ChitralekhaMahanta, Offline Handwritten Character Recognition Using Neural Network International Conference on Computer Application and Industrial Electronics 2011 (ICCAIE-2011).

Heintz R., Schäfer M. G., Local invariant object localization based on Gabor feature space.

Hołyst B. Kryminalistyka, Warszawa 2023. Jain A. K., Farrokhnia F., Unsupervised texture segmentation using Gabor filters, Pattern Recognition, 16, 1167–1186, 1991.

Jain A. K., Farrokhnia F, Unsupervised Texture Segmentation Using Gabor Filters.

Jain A. K., Vailaya A., Image retrieval using color and shape, Pattern Recognition 29, 8, 1996.

Kulikowski J.J. and P. O. Bishop: Fourier Analysis and Spatial Representation in the Visual Cortex, Experientia, 37, 1981.

Kyrki V., Kamarainen J-K, Kälviäinen H., Simple Gabor feature space for invariant object recognition, Pattern Recognition Letters, 25, 3, 2004.

Lee T. S., Image representation using 2D Gabor wavelets, IEEE Transactions on pattern analysis and machine intelligence, 18, 10, October 1996.

Niedziela T., Kopania Ł., Metoda falkowa klasyfikacji obiektów trójwymiarowych z dwuwymiarowych obrazów, Informatyka XXI wieku – wyzwania i dylematy, Monografia 252, 2020.

Niedziela T., The method of automatic identification of motor vehicle users, Journal of civil engineering and transport transEngin, 2, 2, 2020.

Niedziela T., Wavelet method of edge detection in images with high-noise level, Journal of civil engineering and transport transEngin, 3, 2, 2020.

Niedziela T., Kopania Ł., Zmodyfikowany korelator znormalizowanej transformaty Fouriera, Informatyka XXI wieku – wyzwania i dylematy, Monografia 252, 2020.

Niedziela T., Kopania Ł., Metoda falkowa klasyfikacji obiektów trójwymiarowych z dwuwymiarowych obrazów, Informatyka XXI wieku – wyzwania i dylematy, Monografia 252, 2020.

Naftali A., Behavior factors in handwriting identification, The Journal of criminal law, criminology and police science Vol 56, No. 4, 528–539, 1965

Mallat S., Multifrequency channel decompositions of images and wavelet models, IEEE Trans. Acoustics, Speech. Signal Processing 37, 12, 1989.

Mallat S., A theory for multiresulution signal decomposition: The wavelet representation. IEEE Trans. Pattern Anal. Machine Intell. 11, 12, 1989.

Mallat S., Multiresolution approximation and wavelet orthonormal bases of L(R2), Trans. Amer. Math. Soc. 3, 15, 1989.

Mallat S., Zhong S., Characterization of signals from multi-scale edges. IEEE Trans. Pattern Anal Machine Intell. 14, 7,1992.

Mallat S. and Hwang W. L., Singularity detection and processing with wavelets, IEEE Trans. Inf. Theory 38, 1992.

Marmol U., Lenda G., Filtry teksturalne w procesie automatycznej klasyfikacji obiektów, Archiwum Fotogrametrii, Kartografii i Teledetekcji, 21, 2010.

Perry A. and Lowe D. G., Segmentation of Textured Images, Proc. CVPR, 1989.

Pham V., Bluche T., Kermorvant C., and Louradour J., Dropout improves Recurrent Neural Networks for Handwriting Recognition 14th International Conference on Frontiers in Handwriting Recognition 2014.

Poojary S. B., Varshitha, Vidya K C, Shilpa, Handwritten text recognition system, International Journal of Creative Research Thoughts (IJCRT), Volume 9, Issue 7 July 2021.

Reeve Ingle R., Fujii Y., Deselaers T., Baccash J., Ashok C. Popat, A Scalable Handwritten Text Recognition System, International Conference on Document Analysis and Recognition 2019 (ICDAR).

Smith A., Hong-Phuong T., Dimla E., Offline Handwritten Text Recognition using Convolutional Recurrent Neural Network International Conference on Advanced Computing and Applications 2019 (ACOMP).

Tumer M. R., Texture Discrimination by Gabor Functions, Biol. Cybern., 55, 1986.

Wenyi Feng, Yingbai Yan, Geaogui Hang, Guofain Jin, Micro-optical multiwavelet element for hybrid texture segmentation processor, Optical Engineering, 37, 1, 1998.

Webster M. A. Valois De R. L., Relationship Between Spatial Frequency and Orientation Tuning of Striate Cortex Cells, J. Optical Soc. Am., A2, 7, July 1985.

Webster M. A. and Valois De R. L., Relationship Between Spatial Frequency and Orientation Tuning of Striate Cortex Cells, J. Optical Soc. Am., A2, 7, July 1985.

Yang J., Ren P., Kong X., Handwriting Text Recognition Based on Faster R-CNN IEEE xplore 2020.

Vaidya R., Trivedi D., Satra S., Handwritten Character Recognition Using Deep-Learning 2nd International Conference on Inventive Communication and Computational Technologies 2018 (ICICCT-2018).

Informacje

Informacje: Prawo i Bezpieczeństwo – Law & Security, 2024, 2(3)/2024, s. 222 - 263

DOI: https://doi.org/10.4467/29567610PIB.24.028.20791

Typ artykułu: Oryginalny artykuł naukowy

Tytuły:

Polski: Wykorzystanie filtrów Gabora do identyfikacji obrazów pisma odręcznego

Angielski: Using Gabor's Filters to Identify Handwritten Images

Autorzy

Tadeusz Niedziela

https://orcid.org/0009-0000-2625-6520

Wyższa Szkoła Kształcenia Zawodowego we Wrocławiu
Polska

Brunon Hołyst

https://orcid.org/0000-0001-8673-1485

Nasarava State University, Keffi
Nigeria

Menadżerska Akademia Nauk Stosowanych w Warszawie
Polska

Uniwersytet w Siedlcach
Polska

Publikacja: 16.12.2024

Status artykułu: Otwarte

Licencja: CC BY-SA

Udział procentowy autorów:

Tadeusz Niedziela (Autor) - 50%

Brunon Hołyst (Autor) - 50%

Korekty artykułu:

Języki publikacji:

Polski

Liczba wyświetleń: 23

Liczba pobrań: 17

Wykorzystanie filtrów Gabora do identyfikacji obrazów pisma odręcznego

Pobierz xml