Schnell OCR

OCR simplu şi rapid

5 ian 2011, laboratorul de APP

 Functia programului
• Intrare:
– Fisier sau lista fisiere imagine. Suporta jpg, tiff, png in
functie de disponibilitatea bibliotecilor de sistem
• Iesire:
– Textul recunoscut in imagine
• Precizari calitate OCR
– Fara detectia spatiilor
– Poate pune la dispozitie si un calificativ de similaritate
(claritate) al caracterului recunoscut
– Nu ignora caracterele cu calificativ scazut de
similaritate
 Descriere algoritm
• einfach_trennen - ia ca parametru o imagine si intoarce
o lista dublu inlantuita cu posibilele litere

• vektor_generieren - calculeaza "semnatura" literei - un

vector de caracteristici.
– alcatuit din 8 metode - ambele sensuri pe 4 directii (orizontala,
verticala, doua diagonale)
– fiecare metoda salveaza coeficienti (de fapt coordonate) in
vector
• vektor_vergleichen - calculeaza diferenta intre doi
vectori, adica eroarea patratica: cu cat mai mica, cu atat
simbolurile sunt mai probabile sa coincida
 Descriere algoritm
• zeichenliste – lista inlantuita de litere probabil
– Utilizata implementarea list.h din kernelul de Linux
#define list_entry(ptr, type, member) \
(type *)((char *)(ptr) - (char *)(&((type *)0)->member))

• Comparare iterativa cu toate mostrele

hardcodate in kennen_muster.cpp, selectarea
celei cu eroare minima
 Fişiere de testare
• Fişiere de rezoluţie diferită – 1, 4, 16, 100
megapixeli, jpg, tiff, png
– Obţinute prin umplerea cu text
– Obţinute prin scalarea primeia
 Fişiere de testare
• Iată un studiu comparativ al rulării programului cu fişierele obţinute
prin umplere cu text şi cu cele obţinute prin scalare:
 Profiling
• Valorile timpilor de procesor folositi de proceduri, sortate
dupa timpul exclusiv (fara subprocedurile apelate)
 OMP
• Avantaje
– Usor de implementat
– Fara probleme de sincronizare / deadlock
• Dezavantaje
– Flexibilitate redusa de paralelizare
– Mult overhead
– Aproape imposibil de paralelizat prelucrari pe
liste
 OMP

Dimensiune test Timp var. seriala Timp var. OMP (12 thr.)

1 Mpx 6,4 4

4 Mpx 17,9 17

16 Mpx 57,1 35

100 Mpx 341,7 220

 Pthreads
• Prima incercare – calcul paralel al similaritatii cu
elementele din fisierul de mostre
 Pthreads
• A doua incercare – decodare paralela a literelor din
imagine (un nivel mai sus)
 Pthreads
• Varianta 1 – overhead
OH_1 = (overhead_creare_thread-uri +
overhead_eliberare_thread-uri) * Nr_thread-uri * Nr_caractere

• Varianta 2 – overhead
OH_2 = (overhead_creare_thread-uri +
overhead_eliberare_thread-uri) * Nr_thread-uri

• OH1 / OH2 = Nr_caractere (poate fi foarte mare!!!)

 Pthreads
Dimensiune test Timp var. seriala Timp var. Pthreads (12 thr.)

1 Mpx 6,4 1

4 Mpx 17,9 6

16 Mpx 57,1 11,9

100 Mpx 341,7 78

 MPI
• Broadcast bitmap la workeri
• Numarare simboluri, repartizarea punctelor de
start si finish pentru fiecare worker
– Isend-ul neblocant asigura transmisia fara overhead
• Asteptarea blocanta a rezultatelor
– Asigura valabilitatea datelor in context. Rezultatele
sunt concatenate in ordinea in care au fost plasate
sarcinile
– Situatie de timp de stall nedorit: nodurile care primesc
primele sarcinile sunt mai lente decat cele care le
primesc spre final
 MPI
Dimensiune test Timp var. seriala Timp var. MPI (12 proc)

1 Mpx 6,4 4

4 Mpx 17,9 8

16 Mpx 57,1 17

100 Mpx 341,7 82

Comparatii
 Verificare corectitudine
Simplu! Diff, sau..
Comparatii
Lucrul în echipă
Dan Greaceanu, dgreceanu@gmail.com
si
Mihnea Simian, contact@mesimian.com
va multumesc pentru atentie!

Nu sunati pana in 10 sau dupa 23. Serios.

Întrebări?