论文部分内容阅读
数学表达式数字化处理是指利用计算机自动处理数学表达式,其内容包括数学表达式的采集与输入、数学表达式的输出与显示、数学表达式的表示与传输和数学表达式的检索。在信息技术、电子计算机和网络迅猛发展的背景下,开展对数学表达式数字化处理的研究,在建设多功能的数字图书馆、构建自然简洁的计算机代数系统人机交互界面、开展远程教学、共享分布式计算数据等方面都具有重大的意义。本论文旨在对数学表达式数字化处理中的若干关键技术进行一些探讨和研究。数学表达式的采集与输入,即数学表达式的识别,是数学表达式数字化处理中的核心内容,主要包括印刷体数学表达式识别与联机于写体表达式识别。目前对数学表达式识别的研究还处于实验室阶段,到实用还有一定距离。本文针对目前表达式识别中存在的问题,主要做了以下的工作:(1)文档图像的倾斜检测文档图像的倾斜检测与校正是印刷体数学表达式识别系统文档图像预处理模块中的一个重要环节。目前存存的各种文档倾斜方法难以同时兼顾检测精确度和处理速度。为此提出了一种基于形态学和霍夫变换的文档倾斜检测方法。首先用形态学方法列文档图像进行行程平滑、消除噪声和边缘提取,然后用霍夫变换检测出文档的倾角。此外,还对形态学运算进行了改进,加快了检测速度。实验表明,该方法精确度高、速度快、具有良好的稳健性。(2)中文科技文档中的数学表达式定位数学表达式定位是印刷体数学表达式识别的前提。目前的研究大多是针对英文文档。本文针对中文科技文档,分别对独立表达式和内嵌表达式的定位问题提出了新的方法。采用自适应神经模糊推理系统(ANFIS)对行特征进行分类,提取出独立表达式;采用模糊聚类和动态规划方法,从文档中依次提取出汉字、中文标点和英文字符,之后合并剩余的数学符号而提取出内嵌表达式。实验表叫,本文提出的表达式定位方法有很高的正确率,其中独立数学表达式的定位正确率为97.39%.内嵌表达式的定位于确率为97.23%。(3)从Postscript格式文献中提取数学表达式从Postscript格式文献中提取识别数学公式,是数学公式识别领域的一个新的研究方向。本文主要针对以Word和Latex为生成源的Postscript文档,提出了基于内容的数学公式提取方法。首先重载了Postscript语言中的一些相关命令,先后提取出Postscript文档中的字符及由线段连接得到的图形。之后根据字符名称、字体信息、位置信息对字符进行判断分析,提取出其中的数学符号;对提取出的图形,进行编码以识别出其对应的数学符号。最后,根据得到的数学符号之间的空间位置关系,借助启发式规则,将数学符号合并,提取出完整的数学公式。实验结果表明,该方法具有很高的正确率,其中数学符号识别的正确率达到99.3%。数学表达式的检索也是数学表达式数字化处理领域的重要内容。对表达式的检索不能仅靠字面还要依赖于语义。目前很少有这方面的研究。本文在这方面作了一些探索性的工作,把本体引入表达式的检索中,建立了数学表达式的本体模型,并且采用OpenMath作为本体模型的描述语言。在检索过程中用OpenMath树来表记表达式,从而将表达式的检索转变成了树的匹配问题。根据表达式检索精度要求的不同,本文把匹配分为了精确匹配、相容匹配、语义匹配和模糊匹配,并对每种情况给出了相应的匹配算法。本文重点讨论了模糊匹配的情况。根据数学表达式语义的特点,对经典树匹配算法中的编辑距离进行了改进。最终采用模糊匹配度作为衡量表达式检索中表达式间模糊匹配程度的依据。