印刷體文檔中的數(shù)學(xué)公式識(shí)別技術(shù)研究.pdf

1、伴隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，信息資源的電子化成為至關(guān)重要的問題。數(shù)學(xué)公式是許多科技文獻(xiàn)的重要組成部分，由于手工輸入困難，自動(dòng)輸入技術(shù)的研究尤為重要?，F(xiàn)有的OCR（Optical Character Recognition）技術(shù)雖然對(duì)中英文字符和數(shù)字等符號(hào)都能獲得較好的識(shí)別效果，但是無(wú)法正確處理數(shù)學(xué)公式。其原因在于數(shù)學(xué)公式具有復(fù)雜的二維嵌套結(jié)構(gòu)，并且公式符號(hào)含義具有多樣性，這使得數(shù)學(xué)公式在識(shí)別和結(jié)構(gòu)分析方面存在很多困難。因此，數(shù)學(xué)公式識(shí)別

2、已經(jīng)成為OCR領(lǐng)域的一個(gè)研究熱點(diǎn)。 本課題研究的是印刷體文檔中的數(shù)學(xué)公式識(shí)別問題。印刷體文檔中數(shù)學(xué)公式識(shí)別系統(tǒng)主要包括三個(gè)組成部分：公式提取，公式識(shí)別和公式結(jié)構(gòu)分析重構(gòu)。由于字符識(shí)別技術(shù)相對(duì)成熟，本文的主要工作是數(shù)學(xué)公式的提取和公式的分析與重構(gòu)。 本文對(duì)公式提取和公式的分析與重構(gòu)做了較深入的研究，主要從以下的兩個(gè)方面進(jìn)行了改進(jìn)。 首先在公式提取階段結(jié)合數(shù)學(xué)公式自身的特征，提出了一種基于模糊C-均值算法的印刷體數(shù)學(xué)

3、公式提取方法。模糊C-均值算法利用數(shù)學(xué)公式行與一般的文本文字行的行間距、寬高比、行密度的不同，將數(shù)學(xué)公式行提取出來。通過這種方法可以有效的提高提取數(shù)學(xué)公式的識(shí)別率，改善字符分割的質(zhì)量，在試驗(yàn)中采用該提取算法取得了較好的效果。 其次在公式的分析與重構(gòu)階段，利用基準(zhǔn)線找到中心點(diǎn)在同一閾值內(nèi)的字符，根據(jù)各個(gè)字符之間的位置關(guān)系，放在不同的子節(jié)點(diǎn)中，構(gòu)建出初始結(jié)構(gòu)樹：然后利用語(yǔ)法和語(yǔ)義知識(shí)將結(jié)構(gòu)樹轉(zhuǎn)化成以運(yùn)算符為子節(jié)點(diǎn)，操作數(shù)為葉子節(jié)點(diǎn)的