印刷體數(shù)學(xué)公式識別系統(tǒng)的設(shè)計與實現(xiàn)——分割、識別與重組.pdf

1、隨著計算機的普及,人們越來越多的使用計算機處理工作和存儲信息.目前廣泛應(yīng)用的OCR系統(tǒng)對手寫、印刷體文本都有很高的識別率,已經(jīng)廣泛應(yīng)用于辦公自動化、快速錄入等領(lǐng)域,克服了人工輸入費時費力的缺點.但是,對于一篇科技文獻,其中有大量的數(shù)學(xué)公式,它們是由特殊的符號、希臘字母、英文字符和數(shù)字組成的復(fù)雜和結(jié)構(gòu)體.當(dāng)前的OCR系統(tǒng)只能識別單個字符,還不能分析公式結(jié)構(gòu),這樣識別出來的公式只是一組毫無關(guān)系的字符串,失去了它所表達的數(shù)學(xué)含義.為此,我們提

2、出了一種新的關(guān)于表達式識別的設(shè)計思想,并給出了完整的算法,將印刷體的數(shù)學(xué)公式(圖像格式)轉(zhuǎn)換成可編輯的電子格式(如LATEX,Word公式編輯器).按照表達式識別系統(tǒng)的流程,該文相應(yīng)的分為以下四部分:粘連字符的分割.由于紙質(zhì)文檔的印刷質(zhì)量、紙張的光潔度、掃描儀的分辨率、二值化等因素的影響,掃描得到的圖像中的字符可能是粘連的.這為字符識別帶來了困難.該文提出用組織映射作字符分割的方法,對經(jīng)典的自組織學(xué)習(xí)規(guī)則做了一些改進,使其能以較少的神經(jīng)

3、元結(jié)點、較快的速度逼近粘連字符的白像素點的分布.文中對最短路徑分割方法和自組織映射法分割做了對比,后者能分割一些前者不能處理的粘連字符.特征提取與選擇.一個字符圖像只是模式空間中的特征,還不能用來分類,必須在它上面提取抗旋轉(zhuǎn)、縮放、平移的幾何不變性特征.文中介紹三種常用的矩方法:規(guī)則矩、Zernike矩和樣條小波矩.通過計算這三種矩可分性度量,發(fā)現(xiàn)Zernike矩更適于做字符的特征.文中還介紹了基于神經(jīng)網(wǎng)絡(luò)的主分量分析方法,在38維矩特

4、征中選取18維的主特征,保留信息量的同時,大大降低了特征矢量的維數(shù),消除了樣本間的相關(guān)性,突出了差異性.字符識別.分類器是整個識別系統(tǒng)的核心.神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛用于模式識別,克服了當(dāng)前常用的模式識別方法的缺點,有效提高了識別率.文中用自組織特征映射做字符的粗分類,將特征相近的字答分在一組.然后BP神經(jīng)網(wǎng)絡(luò)對各組字符做細分類,識別出同一組的不同字符,有效地提高了分類精度.公式重構(gòu).如何從一組字符中判斷它們復(fù)雜的結(jié)構(gòu)至今也沒有很好的解決.文