Dans cet article, nous proposons une nouvelle méthode pour la reconnaissance de motifs invariante à la rotation. Nous effectuons un lissage avec différentes tailles de filtre, extrayons des caractéristiques ridgelet-Fourier de chaque image lissée, classifions le motif avec chacun des vecteurs de caractéristiques extraits, et réalisons un vote majoritaire pour déterminer l'étiquette de classe finale de l'image de motif inconnue. Notre nouvelle méthode est invariante à la rotation des images de motif et a la capacité de réduire un pourcentage significatif de bruit aléatoire des images de motif. Les expériences montrent que notre nouvelle méthode surpasse le descripteur ridgelet-Fourier et le descripteur Fourier-wavelet pour un ensemble de données de caractères chinois imprimés et un ensemble de données d'avions.
Chen et al. (Ven,) ont étudié cette question.