Chapitre 7 : Reconnaissance des textes arabes imprimés
4. Segmentation d’un pseudo-mot en graphèmes
2.5 Évaluation du système
Afin d’évaluer notre système, nous avons proposé un nouvel alphabet qui exploite un certain nombre de spécificités de l’écriture arabe, en particulier la multitude de formes que peut prendre une même lettre en fonction de sa position dans le mot, et la redondance des formes des lettres qui ne se différencient que par la présence, la position, ou le nombre de points. Cet alphabet contient aussi toutes les formes de concaténation de deux caractères que notre système de segmentation peut générer comme sorties et les différentes ligatures observées lors d’une analyse des écritures étudiées dans cette phase de test (voir figure 7. 28 pour l’ensemble de ces formes).
163
Figure 7-28 : Alphabet de graphèmes
Notre choix de test s’est porté sur un texte écrit avec la fonte Shehab. Le choix de cette fonte a été dicté par le fait que lors des phases de segmentation des textes en lignes, puis des lignes en mots et enfin les mots en pseudo-mots nous avons obtenu un taux de segmentation égal à 100% pour cette fonte. Pour les fontes utilisées dans la phase d’apprentissage, nous avons réalisé plusieurs tests et ce sont les fontes ACS Zomorrod et ACS Almass qui ont permis d’obtenir les meilleurs résultats dans la phase de test.
164
Figure 7-29 : Exemple d’un récit de mille et une nuits
Le texte testé contient 1000 mots (voir échantillon de la figure 7-29 ci-dessus) écrits avec la fonte Shehab. Ce texte a subit les traitements suivants :
la squelettisation ;
la segmentation des images de texte en lignes ;
la segmentation des lignes en mots ;
la segmentation des mots en pseudo-mots ;
la segmentation des pseudo-mots en caractères et en ligatures ;
la reconnaissance des caractères et des ligatures.
Les résultats obtenus ont montré que le système a réussi à reconnaître la totalité des caractères et des ligatures. Cette performance est expliquée par la robustesse de l’approche utilisée et la régularité de la fonte testée. Nous prévoyons tester cette approche sur des fontes moins régulières pour voir les limites de notre approche et identifier les modifications à apporter pour surmonter ces éventuelles limites.
165
Conclusion générale et perspectives
Durant le processus de lecture, l’homme exploite implicitement des connaissances contextuelles et linguistiques, qui sont difficiles à transmettre et à faire reproduire à une machine. Faire lire une machine nécessite le recours à un arsenal mathématique conséquent, pour résoudre de manière automatique un problème qui semble pourtant à la portée d’un enfant qui sait lire.
La variabilité des styles générer par les fontes arabes est telle que la reconnaissance des mots et la connaissance a priori du domaine sont essentielles pour guider le déchiffrage de l’écriture, même pour un l’être humain. Les hommes qui disposent de cette connaissance, s’en servent implicitement et de façon naturelle pour déchiffrer un texte.
Une machine est dans la même situation. Faute de connaissance a priori, ses performances sont généralement médiocres sur les deux formes d’écritures imprimées/manuscrites, en particulier sur une écriture cursive telle le cas de l’écriture arabe.
L’objectif de cette thèse de doctorat était de proposer un système de reconnaissance des textes arabes imprimés. En raison du temps limité, nous avons limité dans le cas de l’écriture manuscrite nos travaux au problème de la reconnaissance des chiffres arabes.
Durant, notre recherche nous avons tenté, par la voie de la description structurelle, de proposer des solutions aux problèmes actuels de la reconnaissance : le caractère arabe imprimé, le chiffre arabe manuscrit et la segmentation du mot arabe imprimé en caractères et en ligatures.
Dans le but de la réalisation des deux systèmes (système de segmentation et celui de reconnaissance), nous avons proposé des solutions aux différents problèmes techniques rencontrés au cours de la mise au point de ces systèmes. Ces solutions sont bien évidemment imparfaites et nous avons tenté dans la mesure de nos possibilités de proposer des formalismes pouvant servir de base à la recherche d’autres solutions.
Notre contribution principale est divisée en deux parties.
166
Dans la première partie de ce travail de thèse, nous nous sommes principalement intéressés à la reconnaissance des caractères arabes imprimés et aux chiffres arabes manuscrits. L’originalité de notre approche de reconnaissance basée sur le formalisme de Bézier, par rapport aux méthodes classiques, réside dans les points suivants :
Une nouvelle approche de caractérisation englobant la particularité des caractères arabes. L’avantage de cette approche est qu’elle repose sur un fondement mathématique puissant.
L’algorithme qui est basée sur Le formalisme Bézier et qui permet d’identifier un nombre très faible de points de contrôles caractérisant le caractère a l’avantage de pouvoir retrouver une forme proche de celle du caractère en utilisant uniquement ces points de contrôles. Il est en plus indépendant de la ligne de base, et cela est particulièrement utile dans le cas de l’écriture manuscrite.
Les matrices caractéristiques des caractères sont de tailles réduites et très discriminantes.
Une classification qui exploite efficacement la présence ou non des points et des boucles dans les caractères.
Concernant la reconnaissance des caractères arabes imprimés, un nombre faible de fontes utilisées dans la phase d’apprentissage (3 fontes) a permis de bien reconnaître les caractères écrits selon un nombre élevé de fontes de complexités différentes (23 fontes).
Concernant la reconnaissance des chiffres arabes manuscrits, les très bons résultats obtenus dans la phase de test laissent supposé que si nous appliquons cette approche sur des caractères arabes manuscrits, les taux de reconnaissances seront vraisemblablement élevés.
Dans la deuxième partie de cette thèse, nous avons soulevé le problème de la segmentation d’un mot arabe en caractères et en ligatures, ainsi que la variabilité de la reconnaissance de ces composantes dans le cadre de la reconnaissance des formes.
Concernant la segmentation, et pour sortir du dilemme de segmentation-reconnaissance, qui stipule qu’il n’est pas possible de segmenter un mot en caractères sans reconnaître ces mêmes caractères et qu’il faut avoir segmenté le mot pour pouvoir procéder à leur reconnaissance, nous avons opté pour l’approche qui consiste à découper le mot en graphèmes puis de faire coopérer l’étape de segmentation avec l’étape de reconnaissance.
L’originalité de cette approche réside dans les points suivants :
167
Cette méthode de segmentation est adaptée à la particularité cursive de l’écriture arabe. Elle consiste à détecter les zones de transition entre les graphèmes dans un pseudo-mot, et cela permet la localisation des points de coupures qui servent à l’identification des différents caractères et ligatures composants le mot.
Elle est indépendante de la ligne de base, et cela la rend robuste en particulier pour l’écriture manuscrite.
L’alphabet utilisé dans la phase de reconnaissance suite à la phase de segmentation est réduit. Il est composé uniquement des caractères arabes et des différentes ligatures.
Cela a pour conséquence la réduction de la complexité de l’algorithme.
Exploitation de la présence éventuelle des signes diacritiques pour parfaire le procédé de segmentation.
La simplicité de l’algorithme de segmentation.
La possibilité de reconnaître les ligatures verticales connectées ou non.
Les tests réalisés sur une seule fonte ont permis l’obtention de très bons résultats. Nous prévoyons compléter ce travail en cherchant à développer les axes suivants :
Elargir l’ensemble des fontes étudiées à d’autres familles de fontes aussi bien pour la reconnaissance des caractères isolés que pour la reconnaissance des textes arabes imprimés.
Tester l’efficacité de ce modèle sur des écritures manuscrites en commençant par la reconnaissance des caractères isolés manuscrits et en terminant par la segmentation des textes arabes manuscrits et la reconnaissance des composantes obtenues.
Appliquer la démarche de reconnaissance des chiffres arabes développée dans le chapitre 5 de la première partie aux les chiffres farisis.
Tester dans la phase d’apprentissage d’autres classificateurs tels que les réseaux de neurones artificiels, les modèles de Markov cachés et les SVM (Supports Vectors Machines).
Utiliser en phase de post-traitement une correction lexicale pour corriger d’éventuelles erreurs survenues lors de la reconnaissance de l’écriture arabe.
168
Bibliographie
[1] G. A. Abandah, M. Z. Khedher, Printed and Handwritten Arabic Optical Character Recognition - Initial Study, A report on research supported by The Higher Council of Science and Technology ,August 2004
[2] ABBYY FineReader 11. Retrieved 4/05/2012, from :
http://finereader.abbyy.com/key_features/#-Section_2; -Section_3; Section_9; 2012.
[3] H. Y. Abdelazim, Recent Trends in Arabic Character Recognition. The sixth Conference on Language Engineering, Cairo - Egypt, The Egyptian Society of Language Engineering. 2006 [4] C. Ah-Soon, Analyse des plans architecturaux, Ph.D. thesis, Institut National Polytechnique
de Lorraine (INRIA), France 1998.
[5] A. Alper Atici, F. T. Yarman-Vural, A heuristic algorithm for optical character recognition of Arabic script, Signal Processing, vol .62, no. 1, pp. 87-99, October 1997.
[6] A.M. AL-Shatnawi, S. AL-Salaimeh, F. H. AL-Zawaideh, and O. Khairuddin, Offline Arabic Text Recognition-AnOverview, World of Computer Science and Information Technology Journal (WCSIT), vol. 1, no. 5, pp. 184-192, 2011.
[7] A. Amin. Recognition of printed arabic text based on global features and decision tree learning techniques. Pattern Recognition, vol. 33, no. 8, pp.1309-1323, 2000.
[8] L. Annick. Lexicon reduction based on global features for on-line handwriting. IWFHR, page 12, 1994.
[9] S. Arora, D. Bhattacharjee, M. Nasipuri, L. Malik, M. Kundu and D. K. Basu, Performance Comparison of SVM and ANN for handwritten Devnagari Character Recognition, International Journal of Computer Science Issues, vol. 7, no. 6, pp. 18-26, 2010.
[10] D. Arrivault, Apport des graphes dans la reconnaissance non-contrainte de caractères manuscrits anciens. Thèse PhD, Univérsité de Poitiers, 2002.
[11] D. Attali. Squelettes et graphes de Voronoï 2D et 3D. Thèse de doctorat, Université Joseph Fourier . Grenoble I, octobre 1995.
[12] E. Augustin. Reconnaissance de mots manuscrits par systèmes hybrides Réseaux de Neurones et Modèles de Markov Cachés. PhD thesis, Université Rene Descartes - Paris V, 2001.
[13] S. Bahgat, S. Ghomiemy, S. Aljahdali, M. Alotaibi, A Proposed Hy-brid Technique for Recognizing Arabic Characters. International Journal of Advanced Researchin Artificial Intelligence1, vol. 4, pp. 35-43,2012.
169
[14] A. Belaïd , G. Saon. Utilisation des processus markoviens en reconnaissance de l’écriture.
Traitement du signal, vol. 14, no. 2, pp. 161-177, 1997.
[15] A. Belaïd, Ch. Choisy, Human reading based strategies for off-line arabic word recognition.
Summit on Arabic and Chinese Handwriting Recognition, SACH’06, 2006.
[16] R. E. Bellman, Dynamic Programming. Princeton University Press, 1957.
[17] N. Ben Amara, Utilisation des Modèles de Markov Cachés Planaires en reconnaissance de l’Ecriture Arabe imprimée, Thèse de doctorat, Université de tunis, 1999.
[18] BenAmor,N.,Essoukri,N.,Multifont Arabic Character Recognition Using Hough Trans formand HMM/ANN. Journal of Multimedia1, vol. 2, pp. 50-54, 2006.
[19] Benjamin B. Kimia, Allen R. Tannenbaum, and Steven W. Zucker. Shapes, shocks, and deformations I: The components of two-dimensional shape and the reaction-diffusion space.
International Journal of Computer Vision, vol. 15, no. 3, pp.189-224, 1995.
[20] A. Benouareth, A. Ennaji, M. Sellami. Utilisation des HMMs de durée d’état explicite pour la reconnaissance des mots arabes manuscrits. 15emè congrès francophone AFRIF-AFIA Reconnaissance des Formes et Intelligence Artificielle, Actes sur CD-ROM, Tours, Janvier 2006.
[21] A. Benouareth. Reconnaissance De Mots Arabes Manuscrits Par Modèles De Markov Cachés A Durée D’état Explicite. Thèse de Doctorat d’Etat, Université d’Annaba, Algérie, Février 2008.
[22] J.C. Bezdek, Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum Press, New York, 1981.
[23] C. M.Bishop, Pattern Recognition and Machine Learning, Kurt F.Wendt Library, Springer 2006.
[24] H. BLUM, A transformation for extracting new descriptions of shape. In Models for the Perception of Speech and Visual Form, pp. 362-380. MIT Press, 1967.
[25] F. L. Bookstein. Landmark methods for forms without landmarks : Morphometrics of group differences in outline shape. Medical Image Analysis, pp. 225-244, 1997.
[26] J. S. Bridle. Optimization and search in speech and language processing. Survey of the state of the art in human language technology, NSF, CE-DG13E & OGI-CSLU éds, art. 11.7, pp 423-428, 1995.
[27] A. Britto, R. Sabourin, F. Bortolozzi, C. Suen. Recognition of handwritten numeral strings using a two-stage HMMBased method. IJDAR, vol. 5, pp. 102-117, 2003.
[28] M. Burge, W.G. Kropatsh, A minimal line property preserving representation of line images, In Conference on Structural and Syntactical Pattern Recognition (SSPR), Lecture Notes in Computer Science (LNCS) vol.1451, pp.355-368, 1998
[29] L. Calabi, W. E. Hartnett, Shape recognition, pairie fires, convex de deficiencies and skeletons. The American Mathematical Monthly, vol. 75, no. 4, pp. 335-342, April 1968.
170
[30] L.-J. Calvet, livres : Histoire de l'écriture, SBN : 2012789439, Éditeur : Hachette Littératures, 1998.
[31] R. Cao, C.L. Tan, A model of stroke extraction from chinese character images, In International Conference on Pattern Recognition (ICPR), vol. 4, pp. 368-371, 2000.
[32] R. G. Casey, E. Lecolinet, A Survey of Methods and Strategies in Character Segmentation.
IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 18, pp. 690-706, 1996.
[33] Y. Chang, Y. Zhang, S. Vogel, J. Yang, An image-based automatic Arabic translation system.
Pattern Recognition, vol. 42, no. 9, pp. 2127-2134, 2009.
[34] J.M. Chassery, A. Montanvert. Géométrie discrète en analyse d’images. Traité des Nouvelles Technologies, série Images. Hermes Eds., 1991.
[35] C. Chatelain. Extraction de séquences numériques dans des documents manuscrits quelconques. PhD thesis, Univ Rouen, 2006.
[36] Y.S. Chen, Segmentation and association among lines and junctions for a line image, Pattern Recognition (PR), vol. 27, no. 9, 1135-1157, 1994.
[37] M. Cheriet, N. Kharma, C. Liu, C. Y. Suen, Character Recognition Systems A Guide for Students and Practioners, Published by John Wiley & Sons, Inc., Hoboken, New Jersey, 2007.
[38] C. K. Chow. Statical Independence and Threshold Functions. IEEE Transactions on Electrical Computer, vol. 14, pp. 66-68, 1965.
[39] L D. Cohen, R. Kimmel. Global Minimum for Active Contour Models : A Minimal Path Approach. IJCV, vol. 24, no. 1, pp. 57-78, August 1997.
[40] T.F. Cootes, C.J. Taylor. Statistical Models of Appearance for Computer Vision. Report, 2001.
[41] T. F. Cootes, G. Edwards, C. J. Taylor. Comparing Active Shape Models with Active Appearance Models. Proceedings of British Machine Vision Conference, Vol. 1, pp. 173-182, 1999.
[42] M. Delalandre, Analyse de documents graphiques : une approche par reconstruction d’objets, Ph.D. thesis, Université de Rouen, France, 2005.
[43] P. Dreuw, S. Jonas, H. Ney, White-space models for offline Arabic handwriting recognition.
In Proceedings of the 19th International Conference on Pattern Recognition-ICPR2008, 2008.
[44] R.O. Duda and P.E. Hart, Use of the hough transform to detect lines and curves in pictures, no. 1, pp. 11-15, 1972
[45] R. O. Duda, P. E. Hart, D. G. Stork. Pattern Classification. (Second edition). New York:
Wiley-Interscience, 2001.
[46] X. Dupre. Contributions à la reconnaissance de l’écriture cursive à l’aide de modèles de Markov cachés. PhD thesis, Univérsité de Rene Descartes - Paris V, 2003.
171
[47] N. Duta, A. K. Jain, M-P. Dubuisson-Jolly. Learning 2D Shape Models. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, vol. 2, pp. 8-14, 1999.
[48] Dynamics, N. NovoVerus. Retrieved 04/05/2012, from:
http://www.novodynamics.com/novoverus/ 2012.
[49] Education, P. Most Popular Language in the world by Number of Speakers. Retrieved 14/08/2011, from http://www.infoplease.com/ipa/A0775272.html 2011.
[50] M. Egmont-Petersen, D. de Ridder, H. Handels, Image processing with neural networks‒a review. Pattern Recognition, vol. 35, pp. 2279- 2301, 2002.
[51] R. El-Hajj, L. Likforman-Sulem, Ch. Mokbel. Arabic Handwriting Recognition Using Baseline Dependant Features and Hidden Markov Modeling. In 8th International Conference on Document Analysis and Recognition, ICDAR’05, pp. 893- 897, 2005.
[52] R. El-Hajj, Reconnaissance hors ligne de textes manuscrits cursifs par l’utilisation de systèmes hybrides et de techniques d’apprentissage automatique, Thèse de doctorat, ENST, Paris, Juillet 2007.
[53] N. Essoukri Ben Amara, F. Bouslama. Classification of Arabic Script Using Multiple Sources of Information: State of the Art and Perspectives. Int. Journal on Document Analysis and Recognition, vol. 5, no. 4, pp. 195-212, 2003.
[54] M. Fakir, M. M. Hassani, Ch. Sodeyama. On the recognition of Arabic characters using Hough transform technique. Malaysian Journal of Computer Science, vol. 13, no. 2, pp. 39-47, December 2000.
[55] K.C. Fan, D.F Chen, M.G. Wen, Skeletonization of binary images with nonuniform width via block decomposition and contour vector matching, Pattern Recognition (PR), vol. 31, no. 7, pp. 823-838, 1998.
[56] G. Farin, P. Massart, Curves and Surfaces for Computer Aided Geometric Design, San Diego, CA, Academic Press, 1983.
[57] F. Fol-Leymarie. Three-dimensional shape representation via schock ffows. PhD thesis, Brown University, Providence, Rhode Island, USA, pp. 209, May 2003.
[58] H. Freeman, On the encoding of arbitrary geometric configurations, Transactions on Electronic and Computer, vol. 10, pp. 260-268, 1961.
[59] H. Fujisawa, Forty years of research in character and document recognition - an industrial perspective, Pattern Recognition, vol. 41, pp. 2435-2446, 11 March 2008.
[60] S. Furui. Digital speech processing, synthesis, and recognition. Marcel Deller Inc., New York, 1990.
[61] P.D. Gader, M.A. Mohamed, J.H. Chiang. Handwritten Word Recognition with Character and Inter-Character 70Neural Networks. SMC - part B, vol. 27, no. 1, pp. 158-164, 1997.
[62] S. Gazzah, N. Essoukri, Ben Amara. Utilisation des Ondelettes en Caractérisation des Fontes Arabes. Int. Conf. On Image and Signal Processing, ICISP’2003, Maroc, June 2003.
172
[63] M. van Ginkel, C.L. Luengo Hendriks, L.J. van Vliet, A short introduction to the radon and hough transforms and how they relate to each other, 2004.
[64] P. Golland, W. E. L. Grimson, M. E. Shenton, R. Kikinis. Deformation Analysis for Shape Based Classification. IPMI, pp. 517-530, 2001.
[65] F. Grandidier. Un nouvel algorithme de sélection de caractéristiques - application à la lecture automatique de l’écriture manuscrite. PhD thesis, Univ du Québec, 2003
[66] I. Guyon, J. Weston, S. Barnhill & V. Vapnik. Gene Selection for Cancer Classi_cation using Support Vector Machines. Machine Learning, vol. 46, no. 3, pp. 389-422, 2002.
[67] T.M. Ha, M. Zimmermann, H. Bunke. Off-line Handwritten Numeral String Recognition by Combining Segmentation-based and Segmentation-free Methods. Pattern Recognition, vol.
31, no. 3, pp. 257-272, 1998.
[68] R. El-Hajj, L. Likforman-Sulem, C. Mokbel : Arabic handwriting recognition using baseline dependant features and Hidden Markov Modeling. In Proceedings of the Eigth International Conference on Document Analysis and Recognition - ICDAR2005, pp. 893-897, 2005.
[69] R. M. El-Hajj, L. Likforman-Sulem, C. Mokbel : Combining slantedframe classifiers for improved HMM-based arabic handwriting recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 31, pp. 1165-1177, 2009.
[70] D.O Hebb : The Organization of Behavior : A Neuropsychological Theory. Wiley, 1949.
[71] L.Hermes, J.M. Buhmann. Feature Selection for Support Vector Machines. ICPR, vol. 2, pp.
2712-2715, 2000.
[72] C. HIGOUNET, L'Ecriture. Paris, Presses Universitaires, p. 157-177, 1955.
[73] A. Hill, C. J. Taylor. A Method of Non-rigid Correspondence for Automatic Landmark identification. 7th British Machine Vision Conference, pp. 323-332, BMVA Press, 1996.
[74] P.V.C. Hough, Method and means for recognizing complex patterns, 1962.
[75] C-L. Huang, C-J. Wang. A GA-based feature selection and parameters optimization for support vector machine. Expert systems with application, vol. 31, pp. 231-240, 2006.
[76] J. Hull, Document image skew detection: survey and annotated bibliography. Document Analysis Systems II, World Scientific, pp. 40-64, 1998.
[77] S. Impedovo, G. Pirlo & A. Salzo. A new engineered system, Automatic Bank Check Processing. World Scientic, pp. 5-42, 1997.
[78] S. Impedovo, F.M. Mangini, D. Barbuzzi, A novel prototype generation technique for handwriting digit recognition, Pattern Recognition, Available online 3 May 2013 http://dx.doi.org/10.1016/j.patcog.2013.04.016 2013.
[79] Izakian,H., Monadjemi, S.A., TorkLadani, B., Zamanifar, K., Multi-FontFarsi/Arabic Isolated Character Recognition Using Chain Codes, World Academy of Science, Engineeringand Technology, vol. 4, no. 3, pp. 67-70, 2008.
173
[80] A.K. Jain, R.P.W. Duin, J. Mao, Statistical pattern recognition : A review. IEEE Trans.
Pattern Analysis and Machine Intelligence, vol. 22, no. 1, pp. 4-37, janvier 2000.
[81] T. Kanungo, G. A. Marton, O. Bulbul , OmniPage vs. Sakhr: Paired Model Evaluation of Two Arabic OCR Products, Web: http://www.cfar.umd.edu/~kanungo, 2012
[82] R. Kapoor, D. Bagai and T. Kamal, Representation and extraction of nodal features of
Applications vol. 5, no. 1, pp. 31-45, 2002.
[85] A. Khotanzad, Y.H. Hong, Invariant image recognition by zernike moments. IEEE Trans.
Pattern Analysis and Machine Intelligence, vol. 12, no. 5, pp. 489-497, mai 1990.
[86] A. Khotanzad, Y.H. Hong, Rotation invariant image recognition using features selected via a systematic method. Pattern Recognition, vol. 23, no. 10, pp. 1089-1101, 1990.
[87] S.W. Lee, S.Y Kim. Integrated segmentation and recognition of handwritten numerals with cascade neural network. IEEE Transactions on Systems, Man, and Cybernetics, Part C, vol.
29, no. 2, pp. 285-290, 1999.
[88] H.K. Kim, J.D. Kim, Region-based shape descriptor invariant to rotation, scale and translation. Signal Processing: Image Communication, vol. 16, no. 1-2, pp. 87-93, septembre 2000.
[89] B. Kimia. On the role of medial geometry in human vision. Journal of Physiology, pp. 33, 2003.
[90] F. Kimura, S. Tsuruoka, Y. Miyake, M. Shridhar. A Lexicon Directed Algorithm for Recognition of Unconstrained Handwritten Words. IEICE Trans. on Information & Syst., vol.
E77-D, no. 7, pp. 785-793, 1994.
[91] S. Knerr, V. Asimov, O. Baret, N. Gorsky, J.C. Simon D. Price. The a2ia intercheque system : Courtesy amount and legal amount recognition for french checks, Automatic bankcheck processing. World Scientific, pp. 43-86, 1997.
[92] G. Koch, L. Heutte, T. Paquet. Combination of Contextual Information for Handwritten Word Recognition. IWFHR, pp. 468-473, 2004.
[93] A. L. Koerich, R. Sabourin, Ch. Y. Suen. Large vocabulary off-line handwriting recognition:
A survey. Pattern Anal. Appl., vol. 6, no 2, pp. 97-121, 2003.
[94] A.L. Koerich, R. Sabourin, C.Y. Suen. Large vocabulary off-line handwriting recognition : A survey. Pattern Analysis and Applications, vol. 6, pp. 97-121, 2003.
[95] T. Yung Kong, Azriel Rosenfeld. Digital topology : introduction and survey. Proceedings of Computer Vision, Graphics and Image, vol. 48, pp. 357-393, 1989.
174
[99] E. Lecolinet. Planar markov modeling for arabic writing recognition : Advancement state. In Proceedings of the first IEEE Int. Conf. on Document Analysis and Recognition (ICDAR), pp. 740-748, Saint Malo, France, Sept. 1991.
[100] Y. LeCun, L. Bottou, Y. Bengio, P. Ha_ner. Gradient-Based Learning Applied to Document Recognition. Proceedings of the IEEE, vol. 86, no. 11, pp. 2278-2324, 1998.
[101] M. Leroux, E. Lethelier, M. Gilloux, B. Lemarie. Automatic reading of handwritten amounts
[101] M. Leroux, E. Lethelier, M. Gilloux, B. Lemarie. Automatic reading of handwritten amounts