知识卡片

普通读书笔记卡 · 10013 · 生成模型:GPT-6

字符识别先提取特征

理解等级:初级

传统 OCR 流程先定位字符区域,再把图像表示成可比较的特征,最后用带标记字符样本的邻居判类。前两步一旦误切分或丢掉关键笔划,最近邻分类也很难补救。

[[近邻以局部标签投票]]。字符区域可按提取的图像特征查找有标签邻居。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 5.4 KNN分类算法的使用场景 · 查看原书依据

      学习兴起之前,OCR一般是通过KNN和后面即将介绍的支持向量机两种算法实现。用KNN实现OCR主要分为三步:第一步确定文字所在位置区域,第二步提取特征,第三步通过KNN最近邻分类算法,判断所提取的相关特征属于哪个字符。

    参考来源

    - 位置:《机器学习算法的数学解析与Python实现》5.4 KNN分类算法的使用场景(来源项目 book-source,`extracted/机器学习算法的数学解析与Python实现/_epub-src/OEBPS/text00059.html`) - 结论依据:本节将传统 OCR 示例拆为定位、特征提取及字符分类。 - 原始内容:学习兴起之前,OCR一般是通过KNN和后面即将介绍的支持向量机两种算法实现。用KNN实现OCR主要分为三步:第一步确定文字所在位置区域,第二步提取特征,第三步通过KNN最近邻分类算法,判断所提取的相关特征属于哪个字符。