中文文檔圖像的數(shù)學公式定位.pdf

1、隨著信息技術和科技手段不斷地進步發(fā)展，科學文獻以電子檔形式出現(xiàn)的需求越來越多，關于實現(xiàn)科學文獻電子化的方法得到更加廣泛的關注和深入的研究。數(shù)學公式是許多科學和科技資料的重要組成部分，對讀者理解文獻往往起著至關重要的意義，所以電子化數(shù)學公式的技術手段尤為重要。目前，光學字符識別(Optical Character Recognition，OCR)技術可以高效便捷地識別文檔中的字符，但由于數(shù)學公式結構的復雜性、符號的多樣性以及符號的歧義性等

2、原因，OCR并不能完全準確地識別這些數(shù)學公式，而且識別率很低。對于另一種傳統(tǒng)方法，即人工手動錄入數(shù)學公式的方式，從時間效率和可操作性角度上分析，這種方法低效且困難。因此研究一種有效、快捷的數(shù)學公式識別技術極具理論意義和實踐價值
　　本論文的主要研究內容是數(shù)學公式的定位，針對中文文檔圖像，提出一種有效的方法定位文檔中的數(shù)學公式。大部分學者的研究中將公式識別系統(tǒng)分成四個階段:公式定位、公式識別、公式解析和公式重構。本論文的研究屬于數(shù)學

3、公式研究中重要的一部分，在相關研究中，主要面臨以下幾個挑戰(zhàn):
　　(1)在文檔中，數(shù)學公式出現(xiàn)的位置并不固定，可能嵌于文本行之間，也可能獨立于一行存在。
　　(2)數(shù)學公式的寬度并不像中文文本格式一樣，字符塊大小固定，呈現(xiàn)出的結構也比較復雜。
　　為了解決這些問題，本文將公式定位系統(tǒng)分四步進行:1）對中文文檔圖像進行預處理，利用中值濾波、均值濾波等方法進行濾波去噪，采用模糊閾值分割法、IsoData等方法進行二值化，使

4、用標準霍夫變換進行傾斜校正;2）對文檔文本行切割提取，采用投影分割法，提取每一行的最大外接矩形框;3）對于獨立行公式定位，針對2中提取的每一行矩形框，基于SVM模型進行行分類，并定位獨立行公式;4)對于內嵌行公式定位，提取基于字符外形和內容的混合特征，利用貝葉斯模型判別每一字符的類別，定位出內嵌行公式。本文在電子版的教材上進行實驗，結果驗證了本文所提出的公式定位系統(tǒng)能夠有效定位電子文檔中的數(shù)學公式，結果表明本文提出的公式定位算法具有一定