基于层次策略的PDF数学文档快速鉴别研究-计算机应用技术专业论文.docxVIP

I I 摘 要 摘 要 PDF 文档凭借其在表现与传输等方面的优势得到了愈来愈广泛的应用，成为互联网 上各种文献存在的主要形式和检索技术需要处理的重要资源；因此，研究含有数学表达 式成分的 PDF 文档的快速鉴别问题，是实现数学资源收集与数学内容检索的前提和基 础。 针对代码型 PDF 文档，本文设计了一种基于层次策略的快速鉴别 PDF 数学文档的 方法。首先，对 PDF 文档进行解析和信息提取，获取其内容信息，并在 PDF 文档所对 应图像中获得字符的边界信息；然后，根据获得的符号内容信息及边界信息，从几何特 征层次、符号内容层次以及融合几何特征与符号特征的层次上，对 PDF 文档中是否含 有数学表达式进行鉴别，从而判断出该 PDF 文档是否含有数学内容，即该 PDF 文档是 否属于 PDF 数学文档，从而为进一步的数学表达式索引与匹配打下基础。实验表明， 该方法能够对主流规范的 PDF 文档实现快速有效的数学属性鉴别。 关键词 PDF 文档 数学表达式 层次策略 几何特征 符号内容 鉴别 II II Abstract Abstract PDF document is applied widely relying on advantages of performance and transmission, and it has become main form of a variety of literature exists on the Internet and an important resource should be processed by retrieve technology; Therefore, the research on rapid identification the PDF documents containing mathematical expressions is the premise and the foundation to realize retrieval of mathematical content. Aiming at the mathematical PDF documents with code, a rapid identification method based on hierarchical strategy is designed in this paper. First, the content information can be obtained through analysis and information extraction on PDF documents. The corresponding images of PDF documents can help us get the boundary information of symbols. Then, according to the information we get above, PDF documents can be detected if they contain mathematical expressions in terms of geometric level, symbolic content level and combing the two levels. In the result, we can identify the PDF documents that contain mathematical expressions, which lays a foundation for further expressions indexing and matching. The experiments show the method can detect the normal PDF documents quickly and effectively. Keywords PDF documents Mathematical expression Hierarchical Strategy Geometric feature Symbol details Identify PAGE PAGE IV 目 录 目 录 第 1 章 引 言 1 1.1 研究背景及意义 1 1.2 国内外研究现状 2 1.3 研究内容与组织结构 3 HYPERLINK \l _TOC_250012 第 2 章 PDF 文档及其数学属性鉴别概述 5 HYPERLINK \l _TOC_250011 2.1 PDF 文档解析 5 HYPERLINK \l _