Reconnaissance de chiffres et de lettres manuscrites utilisant un hybridation DWT-DCT avec classificateurs KNN et SVM
La reconnaissance des chiffres et lettres manuscrits constitue l’un des domaines les plus anciens et parmi les plus importants en matière de reconnaissance de motifs. Ce type de reconnaissance soulève des défis particuliers en raison des divers styles d’écriture, de la similarité structurelle entre les caractères et de l’orientation variable. Il est donc essentiel de développer des méthodes efficaces pour la reconnaissance et la classification des chiffres et lettres manuscrits. Cette tâche présente de nombreuses applications pratiques, notamment la reconnaissance des plaques d'immatriculation, l'extraction d'informations à partir de cartes de visite, le traitement des chèques bancaires, le traitement des adresses postales, le traitement des passeports ou encore la reconnaissance des signatures.Ce travail propose une méthode de reconnaissance des chiffres et lettres manuscrits fondée sur une extraction de caractéristiques hybride combinant la Transformation en Ondelettes Discrète (DWT) et la Transformation Cosinus Discrète (DCT). Les caractéristiques extraites sont ensuite soumises à deux classificateurs : le K-Plus Proches Voisins (KNN) et la Machine à Vecteurs de Support (SVM). Les jeux de données standard MNIST (chiffres) et EMNIST (lettres) ont été utilisés pour les expérimentations. Les images ont d’abord été binarisées, puis les pixels isolés ont été supprimés. Les caractéristiques ont été extraites à l’aide de la méthode hybride DWT-DCT. Les classificateurs KNN et SVM ont ensuite été appliqués pour la classification. Le modèle proposé a atteint une précision maximale de 97,74 % pour les chiffres et de 89,51 % pour les lettres, en utilisant le classificateur SVM.