[논문]간판영상에서 한글 인식 성능향상을 위한 가중치 기반 음소 단위 분할 교정

이명훈; 양형정; 김수형; 이귀상; 김선희

doi:10.5392/jkca.2012.12.02.105

간판영상에서 한글 인식 성능향상을 위한 가중치 기반 음소 단위 분할 교정
Weighted Disassemble-based Correction Method to Improve Recognition Rates of Korean Text in Signboard Images 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.12 no.2, 2012년, pp.105 - 115

이명훈 (코난테크놀로지 미디어기술지원) , 양형정 (전남대학교 전자 컴퓨터 공학부) , 김수형 (전남대학교 전자 컴퓨터 공학부) , 이귀상 (전남대학교 전자 컴퓨터 공학부) , 김선희

초록
AI-Helper

본 논문에서는 휴대폰 카메라를 통해 간판영상의 한글문자를 인식한 후 오인식 된 결과를 교정하는 방법으로 인식 후보를 음소단위 분할하고 연산 가중치를 적용한 weighted Disassemble Levenshtein Distance(wDLD)를 제안한다. 제안된 방법은 인식된 문자열을 음소 단위로 분할한 후 입력 형태의 거리값을 산출하여, 가장 유사한 상호명을 데이터베이스에서 검출 한다. 제안된 방법의 효율성을 검증하기 위해, 전국의 상호명 중 중복되는 상호명을 제거한 130만개의 상호명을 이용하여 데이터베이스 사전을 구축하였다. 또한 대표적인 문자열 비교 알고리즘인 Levenshtein Distance와 음소를 분할하여 적용한 Disassemble Levenshtein Distance 방법, 그리고 본 논문에서 제안한 인식 후보의 음소 단위 분할 방법과 연산 가중치를 적용한 weighted Disassemble Levenshtein Distance의 교정율을 비교 분석 하였다. 그 결과 제안된 weighted Disassemble Levenshtein Distance(wDLD)은 Levenshtein Distance와 Disassemble Levenshtein Distance방법에 비해 각각 평균 29.85%와 6%의 인식률의 향상을 보였다.

Abstract ▼ AI-Helper

In this paper, we propose a correction method using phoneme unit segmentation to solve misrecognition of Korean Texts in signboard images using weighted Disassemble Levenshtein Distance. The proposed method calculates distances of recognized texts which are segmented into phoneme units and detects the best matched texts from signboard text database. For verifying the efficiency of the proposed method, a database dictionary is built using 1.3 million words of nationwide signboard through removing duplicated words. We compared the proposed method to Levenshtein Distance and Disassemble Levenshtein Distance which are common representative text string comparison algorithms. As a result, the proposed method based on weighted Disassemble Levenshtein Distance represents an improvement in recognition rates 29.85% and 6% on average compared to that of conventional methods, respectively.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 한글인식은 영문인식에 비해 분류 개수가 상대적으로 많아 인식에 대한 어려움이 있다. 따라서 본 논문에서는 인식 성능 향상을 위해 2667자 중 실제 간판 상호명에서 사용되는 글자로 분류 개수를 줄였다. 전국 상호명 데이터베이스를 분석한 결과 실제 사용된 글자의 개수는 1920자 이며, 본 논문에서는 이중 사용 빈도가 낮은 글자를 제외한 총 사용빈도 98%에 해당되는 808자를 실험에 이용하였다.
본 논문에서는 간판 인식 및 번역 시스템에서 간판영상으로부터 한글의 개별문자 인식률 향상을 위한 인식 후보 음소 단위 분할 방법과 연산 가중치를 적용한 오인식 교정 후 처리 방법을 제안한다. 제안한 방법은 휴대폰 카메라를 이용하여 촬영한 간판 영상을 문자인식기에서 인식한 후 오인식 된 문자를 교정함으로써 기존의 방법보다 인식률을 향상 시킬 수 있다.
본 논문에서는 간판이라는 제한된 영역에서의 텍스트를 인식하기 위하여 전국 상호명 데이터베이스를 구축하였다. 전체 400여만개의 상호명 데이터베이스에서 중복되거나, 혹은 영문자, 숫자가 포함된 데이터를 제외한 130여만개의 상호명 데이터베이스를 구축하였다.
입력된 R로부터 가장 유사한 상호명을 찾기 위해 상호명 데이터베이스를 검색하고 검색된 결과를 D라고 정의 한다. 본 논문에서는 입력 문자열과 가장 유사한 문자열을 찾기 위해 검색 된 결과 D와 입력 문자열 R 사이의 거리 값을 측정한다. 데이터베이스 검색 시, 입력 문자열 R과 같은 길이의 문자열만을 검색하게 된다면, 문자 분할 과정에서 발생하는 분할 실패나 과분할된 입력 문자열의 경우 검색된 결과 D에 정답 문자열이 포함되지 않은 문제점이 발생하게 된다.
본 논문에서는 한글의 특성을 고려하면서 연산 비용을 최소로 하기 위해 연산 가중치를 적용하고 인식 후보 순위에 음소 단위 분할을 적용한 향상된 wDLD (weighted Disassemble Levenshtein Distance)를 제안한다. 한글은 영문과는 다르게 초성, 중성, 종성의 조합으로 이루어져 있으며, 각 음소별로 유사한 형태가 존재한다.
본 논문에서는 휴대폰 카메라 기반 간판영상 텍스트 인식 시스템의 인식결과로부터 인식 후보의 음소 단위 분할을 적용하여 간판 상호명 데이터베이스의 후보군들과의 거리 값을 산출하고 가장 유사한 상호명으로 교정하는 방법을 제안하였다. 후보군 데이터베이스 구축을 위해 130만 여개의 전국 상호명 데이터베이스를 구축하였다.
본 논문에서는 휴대폰 카메라를 이용하여 촬영된 간판 영상 인식에서 발생하는 오인식 문제를 해결하기 위해 오인식을 내포하고 있는 인식결과를 교정하는 weighted Disassemble Levenshtein Distance 후처리 방법을 제안한다.

가설 설정

본 논문에서 제안된 wDLD의 경우, 하나의 분할된 음절의 음소는 다른 후보 음절의 분할된 음소와 중복 되는 경우가 발생한다. 따라서 wDLD에서는 후보순위가 높고 중복 횟수가 많을수록 신뢰도가 높다고 가정하여 대치 연산비용을 조절한다. 즉, 후보순위가 높고 중복 횟수가 많을수록 연산 비용은 적게 소요된다.

제안 방법

DLD(Disassemble Levenshtein Distance: DLD), 그리고 입력 데이터의 인식 후보를 음소 단위로 분할하고 가중치를 이용하여 교정하는 wDLD (weighted Disassemble Levenshtein Distance )를 비교 수행하였다. [표 2]는 3가지의 인식기를 통해 후처리 없이 인식된 결과이다.
Takahashi는 단어를 구성하는 문자의 조합과 개별 문장의 후보들을 이용하는 후처리 방법을 제안하였다[18]. 개별 문자의 조합은 단어를 구성하는 문자들의 사용 빈도수를 조사하여 빈도수가 낮은 문자 4개 이하의 문서를 선택하여 문장을 만들 수 있는 조합을 고려하였다. 또한 유사도를 측정하고 후보 단어를 선택하였다.
개별 문자의 조합은 단어를 구성하는 문자들의 사용 빈도수를 조사하여 빈도수가 낮은 문자 4개 이하의 문서를 선택하여 문장을 만들 수 있는 조합을 고려하였다. 또한 유사도를 측정하고 후보 단어를 선택하였다. 유사도는 Levenshtein 거리를 이용하였으며, 후보들의 순위를 고려하여 유사도를 측정하였다.
본 논문에서는 오인식을 교정하기 위해 문자 교정 알고리즘으로 많이 사용되는 Levenshtein Distance (LD) 에 인식 후보 음소 단위 분할 방법과 연산 비용의 가중치를 적용한 weighted Disassemble Levenshtein Distance (wDLD)알고리즘을 제안한다.
본 논문에서는 오인식의 형태를 고려하기 위해 입력 데이터의 인식 후보를 음소 단위로 분할하고 분할된 후보 음소의 연산 비용을 최소화 하기위해 연산 비용 가중치를 적용한다. 본 논문에서 제안된 wDLD의 경우, 하나의 분할된 음절의 음소는 다른 후보 음절의 분할된 음소와 중복 되는 경우가 발생한다.
영문자는 A부터 Z까지 26자로 분류되어 인식되며, 한글은 초성 19개, 중성 21개, 종성 28개의 조합으로 이루어져 있다. 본 논문에서는 이중 인식된 한글을 대상으로 오인식 교정을 수행하였다.
본 논문에서는 휴대폰 카메라로 촬영한 간판영상에서 텍스트 영역을 검출하여 인식한 후 인식된 결과 중오인식 된 결과를 제안된 방법을 이용하여 교정하였다. 실험에 사용된 인식 결과는 3가지 인식기를 통해 인식된 결과이다.
또한 데이터베이스에서 사용되는 한글 문자를 조사하여 인식기의 인식 부류를 2,667자 에서 808자로 낮추었다. 성능 평가를 위해 서로 다른 3가지 인식기를 통해 인식된 결과를 LD와 DLD, 그리고 제안된 wDLD를 이용하여 후처리 하였으며, 후처리 후 인식률과 교정률을 측정하였다.
Shinha는 오인식 수정을 위해 VA와 DLA를 순차적으로 적용하는 예측 교정 알고리즘을 제안하였다[17]. 예측 교정 알고리즘은 예측 단계와 교정단계로 구성되며, 예측 단계는 VA를 이용하여 단어를 찾고 이 단어가 사전에 포함되어 있는지 확인한다. 만약 단어가 사전에 포함되어 있지 않다면 교정단계로 넘어간다.
본 논문에서는 인식기의 성능 별 오인식 교정 알고리즘 성능을 평가하기 위해, 서로 다른 3가지의 인식기를 이용하여 인식 결과를 도출하였고, 그 결과 인식기의 성능은 A<B<C 순으로 나타났다. 제안된 방법의 성능평가를 위해, 오인식 된 결과를 어느 정도 교정이 이루어 졌는지를 나타내는 교정률과, 오인식을 포함한 인식 결과에서 오인식 교정 후 얼마만큼 인식률이 향상되었는지를 나타내는 인식률을 비교하였다. 인식률은 수식(6)을 통해 산출하였다.

대상 데이터

따라서 대상 문자열 검색 시 입력 문자열 R의 길이는 ±2까지의 길이를 검색 대상으로 한다.
따라서 본 논문에서는 인식 성능 향상을 위해 2667자 중 실제 간판 상호명에서 사용되는 글자로 분류 개수를 줄였다. 전국 상호명 데이터베이스를 분석한 결과 실제 사용된 글자의 개수는 1920자 이며, 본 논문에서는 이중 사용 빈도가 낮은 글자를 제외한 총 사용빈도 98%에 해당되는 808자를 실험에 이용하였다.
본 논문에서는 간판이라는 제한된 영역에서의 텍스트를 인식하기 위하여 전국 상호명 데이터베이스를 구축하였다. 전체 400여만개의 상호명 데이터베이스에서 중복되거나, 혹은 영문자, 숫자가 포함된 데이터를 제외한 130여만개의 상호명 데이터베이스를 구축하였다. 영문자는 A부터 Z까지 26자로 분류되어 인식되며, 한글은 초성 19개, 중성 21개, 종성 28개의 조합으로 이루어져 있다.
본 논문에서는 휴대폰 카메라 기반 간판영상 텍스트 인식 시스템의 인식결과로부터 인식 후보의 음소 단위 분할을 적용하여 간판 상호명 데이터베이스의 후보군들과의 거리 값을 산출하고 가장 유사한 상호명으로 교정하는 방법을 제안하였다. 후보군 데이터베이스 구축을 위해 130만 여개의 전국 상호명 데이터베이스를 구축하였다. 또한 데이터베이스에서 사용되는 한글 문자를 조사하여 인식기의 인식 부류를 2,667자 에서 808자로 낮추었다.

데이터처리

오인식 문자교정으로 인한 인식률의 향상은 사용자에게 잘못된 정보를 제공하여 혼란을 초래할 수 있는 문제점을 줄일 수 있을 뿐만 아니라 원하는 정보를 좀 더 정확하게 제공할 수 있다. 본 논문에서는 제안된 방법의 효율성을 검증하기 위해 130만개의 상호명 데이터베이스를 이용하여 실험을 수행하였고, 대표적인 문자열 비교 알고리즘인 Levenshtein Distance와 음소를 분할하여 적용한 Disassemble Levenshtein Distance 방법과 비교하였다. 실험 결과 제안된 가중치와 음소 분할에 기반한 weighted Disassemble Levenshtein Distance(wDLD) 방법은 Levenshtein Distance와 Disassemble Levenshtein Distance방법에 비해 각각 평균 29.

이론/모형

Wick는 오인식 에러율을 최소화 하기 위해 OCR(optical character recognition) 인식에서 문맥적 지식의 확률적 표현에 기초한 Viterbi알고리즘(VA)을 적용 하였다[9]. [10]과 [11]은 멀티폰트(multifont) OCR 인식을 위해 문자열 정합(string matching) 알고리즘을 적용하였으며, [12]은 글자들의 위치 관계성을 고려하여 틀린 글자를 탐지하고 교정하는 Binary N-gram알고리즘과 Viterbi 알고리즘(VA)을 이용하여 오인식 문제에 접근하였다.
또한 유사도를 측정하고 후보 단어를 선택하였다. 유사도는 Levenshtein 거리를 이용하였으며, 후보들의 순위를 고려하여 유사도를 측정하였다.

성능/효과

그림 7은 오인식에 대한 교정률을 보여준다. DLD, wDLD는 인식기의 성능이 향상될수록 교정률도 향상되었지만, LD의 경우 인식기 성능이 향상 될수록 교정률은 감소되어 인식기의 성능 향상이 교정률 향상에는 어떠한 영향도 미치지 않는다는 것을 확인하였다.
75%의 높은 교정률을 보였다. DLD는 LD에 비해 평균 23.8%의 향상된 인식률과 52.14% 향상된 교정률을 보였지만 wDLD는 DLD에 비해 6% 더 높은 인식률과 9.61% 향상된 성능을 나타냈다. 전체적으로 wDLD가 기존의 방법들의 비해 좋은 오인식 교정 결과를 보였으며, 인식 후보의 음소 단위 분할을 적용 하였을 시 교정률 향상을 가져왔다.
wDLD의 경우, A인식기는 LD와 DLD에 비해 29.50%와 13% 더 좋은 성능을 보였으며, A에 비해 인식 성능이 더 좋은 B와 C는 LD의 경우, 36%와 26% 향상된 성능을 보였으며, DLD은 5%와 2% 더 향상된 인식 성능을 보였다. 즉, 전체적으로 wDLD가 LD와 DLD 에 비해 더 높은 성능을 보였다.
그러나 제안된 방법의 경우, 5순위까지의 인식 후보를 음소 단위로 분할하여 교정을 수행한 결과 LD와 DLD에 비해 각각 29.8%와 6% 향상된 결과를 보였다. 그림 6은 오인식 교정 후 인식률에 대한 결과를 그래프로 나타낸 것이다.
본 논문에서는 인식기의 성능 별 오인식 교정 알고리즘 성능을 평가하기 위해, 서로 다른 3가지의 인식기를 이용하여 인식 결과를 도출하였고, 그 결과 인식기의 성능은 A<B<C 순으로 나타났다.
본 논문에서는 제안된 방법의 효율성을 검증하기 위해 130만개의 상호명 데이터베이스를 이용하여 실험을 수행하였고, 대표적인 문자열 비교 알고리즘인 Levenshtein Distance와 음소를 분할하여 적용한 Disassemble Levenshtein Distance 방법과 비교하였다. 실험 결과 제안된 가중치와 음소 분할에 기반한 weighted Disassemble Levenshtein Distance(wDLD) 방법은 Levenshtein Distance와 Disassemble Levenshtein Distance방법에 비해 각각 평균 29.85%와 6%의 인식률의 향상을 보였다.
61% 향상된 성능을 나타냈다. 전체적으로 wDLD가 기존의 방법들의 비해 좋은 오인식 교정 결과를 보였으며, 인식 후보의 음소 단위 분할을 적용 하였을 시 교정률 향상을 가져왔다. 그러나 wDLD 는 DLD에 비해 연산과정에서 필요한 메모리 공간이나 연산량이 많이 요구되기 때문에 DLD에 비해 처리 속도는 떨어지게 된다.
제안된 wDLD는 기존의 LD보다 29.8% 향상된 인식률을 보였으며, 61.75%의 높은 교정률을 보였다. DLD는 LD에 비해 평균 23.
본 논문에서는 간판 인식 및 번역 시스템에서 간판영상으로부터 한글의 개별문자 인식률 향상을 위한 인식 후보 음소 단위 분할 방법과 연산 가중치를 적용한 오인식 교정 후 처리 방법을 제안한다. 제안한 방법은 휴대폰 카메라를 이용하여 촬영한 간판 영상을 문자인식기에서 인식한 후 오인식 된 문자를 교정함으로써 기존의 방법보다 인식률을 향상 시킬 수 있다. 오인식 문자교정으로 인한 인식률의 향상은 사용자에게 잘못된 정보를 제공하여 혼란을 초래할 수 있는 문제점을 줄일 수 있을 뿐만 아니라 원하는 정보를 좀 더 정확하게 제공할 수 있다.
50%와 13% 더 좋은 성능을 보였으며, A에 비해 인식 성능이 더 좋은 B와 C는 LD의 경우, 36%와 26% 향상된 성능을 보였으며, DLD은 5%와 2% 더 향상된 인식 성능을 보였다. 즉, 전체적으로 wDLD가 LD와 DLD 에 비해 더 높은 성능을 보였다. 그림 7은 오인식에 대한 교정률을 보여준다.
평균 52.7%로 교정 전 인식율에 비해 평균 9.2%의 향상된 결과를 볼 수 있었다 DLD는1순위의 인식 결과만으로 음소 단위를 분할하여 교정을 수행한 결과, 교정후 인식률은 평균 76.5%로 나타났다.
음소 단위로 분할한 DLD와 wDLD의 경우는 교정 결과의 후보들이 구조적으로 서로 유사하게 나타난다. 후보 순위에 정답과 일치하는 글자가 존재하지 않고 그와 유사한 글자들이 많이 포함되는 경우는 음소 단위로 분할하는 것이 더 좋은 성능을 보였다.

후속연구

그러나 wDLD 는 DLD에 비해 연산과정에서 필요한 메모리 공간이나 연산량이 많이 요구되기 때문에 DLD에 비해 처리 속도는 떨어지게 된다. 따라서 향후 연구로는 이러한 단점을 극복하기 위한 추가적 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	휴대폰을 이용한 간판영상 문자 인식 시스템을 구성하는 세 단계는 무엇인가?	휴대폰을 이용한 간판영상 문자 인식 시스템은 그림 1에서와 같이 3단계로 구성된다. 첫 번째 단계로는 입력받은 간판영상에서 텍스트 영역을 찾고, 텍스트 영역에서 글자영역과 배경영역을 이진화 한다. 두 번째는 이진화된 문자영상을 각각의 문자 영상으로 분리하고 촬영 각도에 의해 왜곡된 문자영상을 보정하여 개별 문자 인식기에 입력하게 된다. 개별 문자 인식기에서는 신경망을 통해 분리된 글자 영상을 한 글자씩 인식하게 된다. 세 번째 단계는 인식된 문자를 후처리하여 사용자에게 정보를 제공하게 된다. [그림 2]는 개별 문자 인식기로부터 인식된 입력 값을 보여준다.
	간판의 특징은 무엇인가?	길거리에서 필요한 정보를 얻기 위해 가장 먼저 찾고 흔히 볼 수 있는 매체로 간판을 들 수 있다. 간판의 특징은 직관적인 시각 정보를 가장 많이 포함하고 있다는 것이다. 간판에서 정보를 획득하기 위한 방법으로는 스마트폰 및 PDA 등의 고해상도 컬러 카메라를 장착한 모바일 단말기를 사용하는 것이다.
	자연 영상에서의 문자인식이 어려움을 겪는 이유는 무엇인가?	그러나 최근에는 자연 영상으로부터 문자를 추출하는 연구가 진행 되고 있다. 이러한 자연 영상에서 문자인식은 정형화된 문서와는 다르게 다양한 배경들이 존재하기 때문에 어려움을 겪고 있다. 뿐만 아니라 문자 인식에서 발생하는 오인식 문제로 인하여 잘못된 정보를 제공하게 되는 문제점을 가지고 있다.

참고문헌 (19)

A. Wojciechowsk and K. Siek,, "Barcode Scanning from Mobile-Phone Camera Photos Delivered Via MMS: Case Study," ER Workshops, pp.218-227, 2008.
D. M. Chen, S. S. Tsai, R.Vedantham, R. Grzeszczuk, and B. Girod, "Streaming Mobile Augmented Reality on Mobile Phones," ISMAR, pp.181-182, 2009.
C. Thillou and B. Gosselin, "Natural scene text understanding," Vision Systems, Segmentation and Pattern Recognition, Ch.16, pp.307-333, 2007.
A. Canedo-Rodriguez, S. H. Kim, J. H. Kim, and Y. Blanco-Fernandez, "English to Spanish translation of signboard images from mobile phone camera," Southeastcon, 2009. SOUTHEASTCON. IEEE , pp.356-361, 2009.
I. Haritaoglu, "Scene text extraction and translation for handheld devices," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Vol.2, pp.408-413, 2001.
J. Yang, X. Chen, J. Zhang, Y. Zhang, and A. Waibel, "Automatic Detection and Translation of Text from Natural Scenes," Proceedings of the IEEE 2002 International Conference on Acoustics, Speech and Signal Processing (ICASSP '02), Vol.2, pp.2101-2104, 2002.
N. Ezaki, M. Bulacu, and L. Schomaker, "Text detection from natural scene images: towards a system for visually impaired persons," Pattern Recognition, ICPR 2004. Proceedings of the 17th International Conference on , Vol.2, pp.683-686, 2004.
C. Li, X. Ding, and Y. Wu, "Automatic text location in natural scene images," Proceedings of International Conference on Document Analysis and Recognition, pp.1069-1073, 2001.
M. L. Wick, M. G. Ross, and E. G. Learned- Miller, "Context-Sensitive Error Correction: Using Topic Models to Improve OCR," International Conference Document Analysis and Recognition, Vol.2, pp.1168-1172, 2007.
W. S. Rosenbaum and J. J. Hilliard, "Multifont OCR Postprocessing System," IBM Journal of Research and Development, Vol.19, No.4, pp.398-421, 1975.

상세보기
S. Dobrisek, J. Zibert, N. Pavesic, and F. Mihelic, "An Edit-Distance Model for the Approximate Matching of Timed Strings," Pattern Analysis and Machine Intelligence, IEEE Transactions, Vol.31, No.4, pp.736-741, 2009.

상세보기
J. J. Hell and S. N. Srihari, Experiments in Text Recognition with Binary n-Gram and Viterbi Algorithms," Pattern Analysis and Machine Intelligence, IEEE Transactions, Vol.PAMI-4, No.5, pp.520-530, 1982.

상세보기
R. Shinghal and G. T. Toussaint, "Experiments in Text Recognition with the Modified Viterbi Algorithm," Pattern Analysis and Machine Intelligence, IEEE Transactions, Vol.PAMI-1,No.2, pp.184-193, 1979.

상세보기
S. W. Kim and Y. Aoki, "A Postprocessing of HANGUL Recognitions Using Dictionary Lookup," JTC-CSCC: Joint Technical Conference on Circuits Systems, Computers and Communications Vol.2, pp.1013-1017, 1993.
R. S. Boyer and J. S. Moore, "A fast string searching algorithm," Comm. of ACM, Vol.20, No.10, pp.762-772, 1977.

상세보기
V. Bansal and R.M.K. Sinha, "Integrating knowledge sources in Devanagari text recognition system," Systems, Man and Cybernetics, Part A: Systems and Humans, IEEE Transactions, Vol.30, No.4, pp.500-505, 2000.

상세보기
R. M. K. Shinha and B. Prasada, "Visual text recognition through contextual processing," Pattern Recognition, Vol.21, No.5, pp.463-479, 1988.

상세보기
H. Takashi, N. I. Amano, and A. Yamashita, "A spelling correction method and its application to and OCR system," Pattern Recognition, Vol.23, No.3/4, pp.363-377, 1990.

상세보기
T. Okuda, E. Tanaka, and T.Kasai, "A Method for the Correction of Garbled Words Based on the Levenshtein Metric," Computers, IEEE Transactions, Vol.C-25, No.2, pp.172-178, 1976.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증