印刷體數(shù)學(xué)公式抽取方法的研究.pdf

1、經(jīng)過(guò)幾十年的發(fā)展，OCR（光學(xué)字符識(shí)別，Optical Character Recognition）技術(shù)已經(jīng)進(jìn)入了實(shí)用階段，而且其速度和準(zhǔn)確率都達(dá)到了令人滿(mǎn)意的程度，克服了人工輸入費(fèi)時(shí)費(fèi)力的缺點(diǎn)。然而現(xiàn)有的OCR系統(tǒng)在處理文檔時(shí)，對(duì)其中的數(shù)學(xué)公式無(wú)能為力，只能將其按圖片存儲(chǔ)，不但占用大量空間，而且不能進(jìn)行編輯和檢索。在網(wǎng)絡(luò)高速發(fā)展的今天，資源共享和資源復(fù)用越來(lái)越重要，把大量的含有數(shù)學(xué)公式的科技文獻(xiàn)以電子文檔方式保存顯得尤為重要。因此，數(shù)

2、學(xué)公式自動(dòng)識(shí)別技術(shù)具有很高的實(shí)用價(jià)值。
　　 數(shù)學(xué)公式識(shí)別系統(tǒng)分為數(shù)學(xué)公式抽取、公式符號(hào)識(shí)別、公式結(jié)構(gòu)分析和公式重構(gòu)四個(gè)模塊。數(shù)學(xué)公式抽取是其中的一個(gè)重要環(huán)節(jié)，相關(guān)研究已有很多，但這些研究大多基于識(shí)別結(jié)果且針對(duì)的是英文文檔。本文針對(duì)中文文檔自身的特點(diǎn)，提出了一種孤立公式、內(nèi)嵌公式分步處理，內(nèi)嵌公式分級(jí)處理的層次抽取方法。該方法分為兩步：孤立公式抽取和內(nèi)嵌公式抽取。對(duì)于孤立公式，采用統(tǒng)計(jì)特征并引入基于模糊邏輯的判決規(guī)則，取得了較好