Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Spreading Activation Way of Knowledge Integration Kapitel lesen Erstes Kapitel lesen

2015 | OriginalPaper | Buchkapitel

Recognizing Handwritten Arabic Numerals Using Partitioning Approach and KNN Algorithm

verfasst von : T. Kathirvalavakumar, R. Palaniappan

Erschienen in: Mining Intelligence and Knowledge Exploration

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

A method has been proposed to classify handwritten Arabic numerals in its compressed form using partitioning approach and K-Nearest Neighbour (KNN) algorithm. Handwritten numerals are represented in a matrix form. Compressing the matrix representation by merging adjacent pair of rows, by OR-ing the bits in corresponding positions, reduces its size in half. Considering each row as a partitioned portion, clusters are formed for each partition of a digit separately. Leaders of clusters of partitions are used to recognize the patterns by Divide and Conquer approach and KNN algorithm. Experimental results show that the proposed method recognize the patterns accurately.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Small Eigenvalue Based Skew Estimation of Handwritten Devanagari Words
Nächstes Kapitel Fuzzy Based Support System for Melanoma Diagnosis
Literatur
1.
Al-Omari, F.A., Al-Jarrah, O.: Handwritten indian numerals recognition system using probabilistic neural networks. Adv. Eng. Inf. 18, 9–16 (2004)CrossRef
2.
Kodada, B.B., Shivakumar, K.M.: Unconstrained handwritten kannada numeral recognition. Int. J. Inf. Electron. Eng. 3, 230–232 (2013)
3.
Desai, A.A.: Gujarati handwritten numeral optical character recognition through neural network. Pattern Recog. 43, 2582–2589 (2010)MATHCrossRef
4.
Singh, D., Khehra, B.S.: Digit recognition system using back propagation neural network. Int. J. Comput. Sci. Commun. 2, 197–205 (2011)
5.
Dhandra, B.V., Benne, R.G., Hangarge, M.: Kannada, telugu, and devanagari handwritten numeral recognition with probabilistic neural network: a novel approach. IJCA Spec. Issue Recent Trends in Image Process. Patten Recog., pp. 83–88 (2010)
6.
Dhandra, B.V., Mukarambi, G., Hangarge, M.: Zone based features for handwritten and printed mixed kannada digits recognition. In: Proceedings of the International Conference on VLSI, Communication and Instrumentation. Int. J. Comput. Appl., pp. 5–11 (2011)
7.
Garg, M., Ahuja, D.: A novel approach to recognize the off-line handwritten numerals using MLP and SVM classifiers. Int. J. Comput. Sci. Eng. Technol. 4, 953–958 (2013)
8.
Kumar, R., Goyal, M.K., Ahmed, P., Kumar, A.: Unconstrained handwritten numeral recognition using majority voting classifier. In: IEEE International Conference on Parallel Distributed and Grid Computing(PDGC), pp. 284–289 (2012)
9.
Agrawal, M., Gupta, N., Shreelekshmi, R., Murty, M.N.: Efficient pattern synthesis for nearest neighbour classifier. Pattern Recog. 38, 2200–2203 (2005)CrossRef
10.
Kamal, M., Fakir, M., El Kessab, B.D., Bouikhalene, B., Daoui, C.: Gujarati handwritten numeral optical character through neural network and skeletonization. Jurnal Sistem Komputer 3, 40–49 (2013)
11.
Noor, S.M., Mohammed, I.A., George, L.E.: Handwritten arabic (indian) numerals recognition using fourier descriptor and structure base classifier. J. Al-Nahrain Univ. 14, 215–224 (2011)
12.
Pal, U., Sharma, N., Wakabayashi, T., Kimura, F.: Handwritten numeral recognition of six popular indian scripts. In: Ninth International Conference on Document Analysis and Recognition, ICDAR, vol. 2, pp. pp. 749–753 (2007)
13.
Rajashekararadhya, S.V., Ranjan, P.V.: Handwritten numeral/mixed numerals recognition of south-indian scripts: the zone based feature extraction method. J. Theor. Appl. Inf. Technol. 7, 63–79 (2009)
14.
Kumar, R., Ravulakollu, K.K.: Offline handwritten devnagari digit recognition. ARPN J. Eng. Appl. Sci. 9, 109–115 (2014)
15.
Babu, T.R., Murty, M.N., Agrawal, V.K.: Clasification of run length encoded binary data. Pattern Recog. 40, 321–323 (2007)MATHCrossRef
16.
Zahir, S., Naqvi, M.: A near minimum sparse pattern coding based scheme for binary image compression. In: Proceedings of IEEE International Conference on Image Processing, pp 289–292 (2005)
17.
Rumma, S., Vishweshwarayya, C.H., Bhuvaneshwari, B.D.: Handwritten kannada numeral recognition using radial basis function. Int. J. Comput. Appl. 98, 18–20 (2014)
18.
Surinta, O., Schomaker, L., Wiering, M.: A comparison of feature and pixel-based methods for recognizing handwritten bangla digits. In: 12th International Conference on Document Analysis and Recognition, pp. 165–169 (2013)
19.
Vijaya, P.A., Murty, M.N., Subramanian, D.K.: Leaders-subleaders: an efficient hierarchical clustering algorithm for large data sets. Pattern Recog. Lett. 25, 505–513 (2004)CrossRef
Metadaten
Titel
Recognizing Handwritten Arabic Numerals Using Partitioning Approach and KNN Algorithm
verfasst von
T. Kathirvalavakumar
R. Palaniappan
Copyright-Jahr
2015
Buch
Mining Intelligence and Knowledge Exploration

Print ISBN: 978-3-319-26831-6

Electronic ISBN: 978-3-319-26832-3

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-3-319-26832-3_22