英文科技文檔中數(shù)學公式的定位、識別與重建.pdf

1、隨著計算機存儲能力的不斷提高，越來越多的文檔以圖像格式被輸入到計算機中保存．如何將這些文檔圖像轉(zhuǎn)換為可檢索、可重新編輯的格式已經(jīng)引起了廣泛的關(guān)注．文檔圖像分析技術(shù)正是為了滿足這些要求產(chǎn)生的．光學字符識別是文檔圖像分析的核心技術(shù)，可以分為印刷體文本識別和手寫體文本識別兩大類．目前，印刷體文本識別技術(shù)較為成熟，廣泛應用在辦公自動化，數(shù)字圖書館建設等領域．但是，科技文檔中存在大量的數(shù)學公式，這些數(shù)學公式往往包含希臘字母等特殊符號，而且其中的符

2、號之間常存在二維的位置關(guān)系．而目前的OCR產(chǎn)品無法處理含有二維結(jié)構(gòu)的公式子圖像．因此，目前科技文檔中的數(shù)學公式只能通過人工輸入的方法達到重新檢索和利用的目的．為此，本文提出了一種用于識別印刷體文檔圖像中包含的數(shù)學公式的識別系統(tǒng)．本文主要包含以下內(nèi)容： 第一章回顧了文檔圖像分析和光學字符識別的歷史，并概述了相關(guān)的技術(shù)以及主流光學字符識別軟件的工作流程．對于新系統(tǒng)結(jié)構(gòu)的描述也在第一章進行．新系統(tǒng)能夠?qū)崿F(xiàn)自動提取文檔圖像中包含的數(shù)學公

3、式，識別其中的符號．利用LL(1)文法對公式結(jié)構(gòu)進行分析后，系統(tǒng)將識別結(jié)果最終存儲成可編輯的L<'A>T<,E>X格式數(shù)學公式． 第二章，定義了適用于文檔圖像分析的局部極大成分(簡稱成分)，并給出了相應的標記算法．新算法采用輪廓追蹤技術(shù)檢測和標記源圖像中每個成分的外部輪廓，繼而將成分的內(nèi)部區(qū)域從源圖像的副本中移除，標記和移除操作都在對源圖像的一次掃描中完成．新算法與傳統(tǒng)算法問的效率對比同時在第二章給出． 第三章提出了一種

4、從英文科技文檔圖像中提取數(shù)學公式的新方法．首先利用整幅文檔圖像的統(tǒng)計數(shù)據(jù)計算出用于分類的基準參數(shù)，然后利用局部極大成分的水平投影數(shù)據(jù)進行初步的行分割，再利用每行的豎直投影數(shù)據(jù)將每行的符號分成數(shù)個子區(qū)域．對每一個子區(qū)域依據(jù)其性質(zhì)利用基準參數(shù)進行分類，通過對特定類別子區(qū)域的適當合并，最終得到文檔圖像中公式的位置．新方法可以用于處理圖文混排的文檔圖像，能夠降低文檔中的圖片和表格等元素對于公式定位結(jié)果的影響． 第四章介紹了新系統(tǒng)中采用的

5、數(shù)學公式識別及重組算法．新系統(tǒng)利用Zernike距提取字符的特征，由自組織特征映射(SOFM)神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡組成多分類器進行符號識別．為了分割圖像中存在的粘連字符，系統(tǒng)引入了一種基于改進后的SOFM神經(jīng)網(wǎng)絡的粘連字符分割算法．基于LL(1)文法的數(shù)學公式重構(gòu)算法在第四章被一并介紹．通過應用LL(1)文法，系統(tǒng)最終將識別結(jié)果保存為L<'A>T<,E>X格式字符串． 最后部分，分析了系統(tǒng)中仍然存在的問題，并對系統(tǒng)未來的擴展方