JP2000137728A - 文書解析装置及びプログラム記録媒体 - Google Patents

Abstract

(57)【要約】 【課題】本発明は、保存される文書画像を処理対象とし
て、その文書画像の利用が図れるようにする文書解析装
置の提供を目的とする。 【解決手段】文書画像を入力として、文書画像の元とな
った文書の構造を解析する機能を持つ文書解析装置であ
って、文書画像から段落文字らしい文字領域を抽出する
抽出手段１２と、抽出手段１２の抽出する文字領域を構
成要素とする文字列領域を生成する生成手段１３と、生
成手段１３の生成する文字列領域の段落文字列らしさを
評価することで、段落文字列らしい文字列領域を特定す
る特定手段１４と、特定手段１４の特定する文字列領域
を文字認識する認識手段１５と、認識手段１５の認識す
る文字列の段落文字列としての整合性を判定することで
段落文字列を決定する決定手段１６とを備えるように構
成する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、文書ファイリング
装置などに保存される文書画像を処理対象として、その
文書画像の利用が図れるようにする文書解析装置と、そ
の装置の実現に用いられるプログラムが格納されるプロ
グラム記録媒体とに関する。

【０００２】大量に発生する文書をスキャナで読み取
り、それを記憶装置に保存する文書ファイリング装置が
実用化されている。この文書ファイリング装置に格納さ
れる文書画像は大量であることから、その利用を図るた
めの技術の構築が叫ばれている。

【０００３】

【従来の技術】文書ファイリング装置に保存される文書
画像を自在に検索できるようにするためには、文書画像
にキーワードを付加していくことが必要である。

【０００４】この課題を解決するために、特開平７-200
634 号では、文書画像を保存していくときに、タイトル
やキーワードなどの情報を記録する登録シートを文書画
像と対応付けて入力する構成を採って、その登録シート
に記録されるタイトルやキーワードを文字認識して、文
書画像と対応付けて格納していくという技術が記載され
ている。

【０００５】また、この課題を解決するために、特開平
８-287189 号では、文書画像からタイトルや著者名など
の書誌情報が記録される領域を検出し、その領域に記録
される書誌情報を認識して、文書画像の本文に対応付け
て格納していくという技術が記載されている。

【０００６】

【発明が解決しようとする課題】しかしながら、特開平
７-200634 号に記載される従来技術に従っていると、登
録シートを作成して入力していかなければならないとい
う問題点がある。

【０００７】一方、特開平８-287189 号に記載される従
来技術に従っていると、そのような問題点はないもの
の、タイトルや著者名などの書誌情報だけでは、文書画
像の利用が十分図れないという問題点がある。

【０００８】具体的に説明するならば、タイトルはキー
ワードとして極めて有効なものではあるが、文書画像の
一層の利用を図るためには、本文に含まれるタイトル以
外の重要な文字をキーワードとして登録していく必要が
ある。また、文書画像の一層の利用を図るためには、文
書画像の元となった文書の構造を抽出して登録していく
ことが好ましい。

【０００９】しかるに、特開平８-287189 号に記載され
る従来技術では、ただ単に、文書画像からタイトルや著
者名などの書誌情報が記録される領域を検出し、その領
域に記録される書誌情報を認識して、文書画像の本文に
対応付けて格納していくという構成を採っているだけで
ある。

【００１０】本発明はかかる事情に鑑みてなされたもの
であって、文書ファイリング装置などに保存される文書
画像を処理対象として、その文書画像の利用が図れるよ
うにする新たな文書解析装置の提供と、その装置の実現
に用いられるプログラムが格納される新たなプログラム
記録媒体の提供を目的とする。

【００１１】

【課題を解決するための手段】図１に本発明の原理構成
を図示する。図中、１は本発明を具備する文書解析装置
であって、文書画像を入力して、その文書画像の元とな
った文書の構造を解析する機能を持つものである。

【００１２】本発明の文書解析装置１は、入力手段１０
と、前処理手段１１と、抽出手段１２と、生成手段１３
と、特定手段１４と、認識手段１５と、決定手段１６
と、作成手段１７と、頁番号認識手段１８と、キーワー
ド抽出手段１９と、レイアウト抽出手段２０とを備え
る。

【００１３】この入力手段１０は、文書画像を２値化し
つつ入力する。前処理手段１１は、入力手段１０の入力
した文書画像から、外接矩形で区切られる１文字毎の文
字領域を切り出す。抽出手段１２は、前処理手段１１の
切り出した１文字毎の文字領域の中から、段落文字（章
名のような段落に付される文字）らしい文字領域を抽出
する。生成手段１３は、抽出手段１２の抽出した文字領
域を構成要素とする文字列領域を生成する。

【００１４】特定手段１４は、生成手段１３の生成した
文字列領域の中から、段落文字列らしい文字列領域を特
定する。認識手段１５は、特定手段１４の特定した文字
列領域に含まれる文字列を文字認識する。決定手段１６
は、認識手段１５の認識した文字列の中から、段落文字
列を決定する。

【００１５】作成手段１７は、決定手段１５の決定した
段落文字列から、文書画像の元となった文書の目次を作
成する。頁番号認識手段１８は、文書画像の持つページ
番号を認識する。キーワード抽出手段１９は、決定手段
１５の決定した段落文字列から検索用のキーワードを抽
出する。

【００１６】レイアウト抽出手段２０は、文書画像の解
析処理に先立って、あるいは、文書画像の解析処理と並
行して、入力手段１０の入力した文書画像のレイアウト
情報を抽出したり、レイアウト情報を参照せずに行う文
書画像の解析処理により段落文字列が得られないときに
起動されて、入力手段１０の入力した文書画像のレイア
ウト情報を抽出する。

【００１７】ここで、本発明の文書解析装置１の持つ機
能は具体的にはプログラムで実現されるものであり、こ
のプログラムは、フロッピィディスクなどに格納された
り、サーバなどのディスクなどに格納され、それらから
文書解析装置１にインストールされてメモリ上で動作す
ることで、本発明を実現することになる。

【００１８】このように構成される本発明の文書解析装
置１では、入力手段１０が文書画像を２値化しつつ入力
すると、前処理手段１１は、入力手段１０の入力した２
値化文書画像の持つ連結成分をラベリングした後、１つ
の文字を構成する連結成分を統合することで、外接矩形
で区切られる１文字毎の文字領域を切り出す。

【００１９】この前処理を受けて、抽出手段１２は、例
えば、文字太さや文字サイズなどの文字属性を使って、
切り出された１文字毎の文字領域の中から、段落文字ら
しい文字領域を抽出し、これを受けて、生成手段１３
は、抽出された隣接する文字領域を統合することで、抽
出された文字領域を構成要素とする文字列領域を生成す
る。

【００２０】この文字列領域の生成を受けて、特定手段
１４は、前後に空白を持つ文字列領域であるかのか否か
といった情報などを使って、生成された文字列領域の段
落文字列らしさを評価することで、生成された文字列領
域の中から段落文字列らしい文字列領域を特定し、これ
を受けて、認識手段１５は、特定された文字列領域に含
まれる文字列を文字認識する。

【００２１】この段落文字列らしい文字列領域の文字認
識結果を受けて、決定手段１６は、段落文字列に含まれ
る通番などの整合性を使って、段落文字列としての整合
性を判定することで、認識された文字列の中から段落文
字列を決定する。

【００２２】この段落文字列の決定を受けて、作成手段
１７は、決定された段落文字列から、文書画像の元とな
った文書の目次を作成して、文書画像に対応付けて登録
する。このとき、頁番号認識手段１８が設けられるとき
には、作成手段１７は、頁番号認識手段１８により認識
されたページ番号を加味しつつ文書の目次を作成する。

【００２３】そして、この段落文字列の決定を受けて、
キーワード抽出手段１９は、章などといった段落文字に
固有の文字を排除しつつ、決定された段落文字列から検
索用のキーワードを抽出して、文書画像に対応付けて登
録する。

【００２４】この処理構成を採るときに、文書画像の解
析処理に先立って、あるいは、文書画像の解析処理と並
行して、入力手段１０の入力した文書画像のレイアウト
情報を抽出する処理を行うレイアウト抽出手段２０が設
けられるときには、抽出手段１２や生成手段１３や特定
手段１４や決定手段１６は、抽出されたレイアウト情報
を参照しつつ処理を行うことになる。

【００２５】そして、レイアウト情報を参照せずに行う
文書画像の解析処理により段落文字列が得られないとき
に起動されて、入力手段１０の入力した文書画像のレイ
アウト情報を抽出する処理を行うレイアウト抽出手段２
０が設けられるときには、例えば、段落文字の文字属性
と本文文字の文字属性とが同一であることで、抽出手段
１２が段落文字らしい文字領域を抽出できないことで段
落文字列を決定できないときには、レイアウト抽出手段
２０が起動されて、例えば、抽出手段１２は、抽出され
たレイアウト情報を参照することで段落文字らしい文字
領域を抽出していく処理を行うことになる。

【００２６】このように、本発明の文書解析装置１で
は、文書画像を入力として、その文書画像の元となった
文書の目次を生成していくとともに、目次を構成する段
落文字から検索用のキーワードを生成していくという解
析機能を有するので、文書画像の利用が大幅に図れるよ
うになる。

【００２７】

【発明の実施の形態】以下、実施の形態に従って本発明
を詳細に説明する。図２に、本発明を具備する文献情報
提供装置１ａの一実施例を図示する。

【００２８】この本発明を具備する文献情報提供装置１
ａは、イメージスキャナ３の読み取る学術論文（通常、
目次などを持たない）などの文献画像を入力し、その入
力した文献画像から目次情報及びキーワードを抽出し
て、それらの文献情報を文献データベース２に登録する
とともに、ネットワーク５を介して接続される端末４か
ら、文献（文献画像）の提供要求があると、その提供要
求に応答して、目次情報及びキーワードを使ってユーザ
の必要とする文献を検索していくことで、ユーザに対し
て文献の提供処理を実行するものである。

【００２９】この処理を実行するために、文献情報提供
装置１ａは、イメージスキャナ３の読み取る文献画像を
入力して２値化する入力回路１００と、入力回路１００
の入力する文献画像を格納するメモリ１０１と、メモリ
１０１から文献画像を読み出し文献情報を作成して文献
データベース２に登録する文献情報登録プログラム１０
２と、端末４からの提供要求に応答して文献の提供処理
を実行する文献提供プログラム１０３とを備える。

【００３０】ここで、本発明を実現すべく用意される文
献情報登録プログラム１０２は、フロッピィディスクや
回線などを介してインストールされることになる。図３
に、文献情報登録プログラム１０２の実行する処理フロ
ーの一実施例を図示する。次に、この処理フローに従っ
て本発明について詳細に説明する。

【００３１】文献情報登録プログラム１０２は、イメー
ジスキャナ３が文献画像を入力することで起動される
と、図３の処理フローに示すように、先ず最初に、ステ
ップ１で、入力された文献画像をメモリ１０１から読み
込み、続くステップ２で、公知の画像処理技術を使い、
この読み込んだ文献画像に対して雑音除去や傾き補正な
どの前処理を施す。

【００３２】続いて、ステップ３で、公知の画像処理技
術を使い、前処理の施した文献画像に対して、ラベリン
グ処理を施すことで文書画像の持つ連結成分をラベリン
グした後、１つの文字を構成する連結成分を統合するこ
とで、外接矩形で区切られる１文字毎の文字領域を切り
出す。

【００３３】続いて、ステップ４で、ステップ３で切り
出した文字領域の中から、文字属性を使って、章名らし
い文字（各章の題目を構成する文字）の文字領域を抽出
する。

【００３４】この章名らしい文字領域の抽出処理は、通
常の場合、章名文字が本文文字よりも太い文字で記載さ
れることを考慮して、例えば、図４（ａ）に示すよう
に、各文字領域毎に、文字領域を縦方向や横方向に複数
箇所で走査し、そのときに横切る各黒線分の長さを求め
て、図４（ｂ）に示すように、それを横軸とし出現頻度
を縦軸としてプロットする。そして、最も出現頻度の多
い黒線分の長さを求めたり、中央に位置する黒線分の長
さを求めることで各文字領域の文字太さを特定して、図
５（ａ）に示すように、この特定した文字太さの太い文
字領域を章名らしい文字領域として抽出することで行
う。

【００３５】このとき、図６に示すように、Ｇaborフィ
ルタ（D.Gabor:Theory of Communication,J.Institute
of Elec.Eng.,vol.93,pp.429-456,1947)のような方向別
フィルタを用いて、縦方向、横方向、±４５度方向など
の黒線成分を抽出し、それに直交する黒線分の長さを求
めてそれをプロットしていくという方法を採ることも有
効な方法である。

【００３６】また、各文字領域毎に、黒画素の形成する
文字画像の輪郭線の長さと文字画像の持つ黒画素の個数
との比率値を使って、文字太さを評価することで文字太
さを特定して、この特定した文字太さの太い文字領域を
章名らしい文字領域として抽出することで行ったり、各
文字領域毎に、文字画像の収縮処理を施し文字画像が消
滅するまでの収縮処理回数を求めることで文字太さを特
定して、この特定した文字太さの太い文字領域を章名ら
しい文字領域として抽出することで行う。

【００３７】また、通常の場合、章名文字が本文文字よ
りも大きい文字で記載されることを考慮して、例えば、
各文字領域を囲む外接矩形の大きさを求めて、図５
（ｂ）に示すように、それを横軸とし出現頻度を縦軸と
してプロットする。そして、最も出現頻度の多いものを
本文文字の文字サイズとみなして、その規定の定数倍の
文字サイズを持つものを非文字として除去するととも
に、除去されずに残った本文文字よりも大きな文字サイ
ズの文字領域を章名らしい文字領域として抽出すること
で行う。

【００３８】ここで、複数の評価パラメータがあるとき
には、それを正規化した値から章名らしい文字領域の評
価値を求めて、その評価値から章名らしい文字領域を抽
出する処理を行う。

【００３９】例えば、ある文字領域の文字サイズをＳ
ａ、本文文字の文字領域の文字サイズをＳとするときに
は、正規化した文字サイズＮＳａを、 ＮＳａ＝Ｓａ／Ｓ と求め、その文字領域の文字太さをＴａ、本文文字の文
字領域の文字太さをＴとするときには、正規化した文字
太さＮＴａを、 ＮＴａ＝Ｔａ／Ｔ と求めて、この正規化した文字サイズＮＳａと正規化し
た文字太さＮＴａとから章名らしい文字領域の評価値Ｅ
val を、 Ｅval ＝ＮＳａ＋ＮＴａ を算出して、その算出する評価値に従って章名らしい文
字領域を抽出する処理を行うのである。

【００４０】このようにして、ステップ４で、章名らし
い文字領域を抽出すると、続いて、ステップ５で、図７
に示すように、この抽出した文字領域を統合することで
章名らしい文字列領域の候補となる文字列領域を生成す
る。

【００４１】このステップ５で行う文字列領域の生成処
理は、例えば、ステップ４で抽出された章名らしい文字
領域の外接矩形を縦方向や横方向に拡大して、その拡大
処理により重なったものを統合することで行う。更に、
章名が複数行にわたる場合があることを考慮して、ステ
ップ４で抽出された文字領域の外接矩形が隣接する行に
並んで配列される場合には、それを統合することで行
う。

【００４２】続いて、ステップ６で、ステップ５で生成
した文字列領域の章名らしさを評価することで、その文
字列領域の中から章名らしい文字列領域を特定する。こ
のステップ６で行う章名らしい文字列領域の特定処理
は、例えば、ステップ５で生成した文字列領域の前後が
空白であるのか否かということを判断したり、その文字
列領域の文字サイズが他の文字列領域（ステップ５で生
成した文字列領域）の文字サイズと違っているのか否か
を判断することなどにより行う。

【００４３】すなわち、通常の場合、章名の文字列領域
はその前後が空白となるとともに、章名は文献全体で同
一の文字サイズの文字で記載されているので、ステップ
５で生成した文字列領域の前後が空白であるのか否かと
いうことを判断したり、その文字列領域の文字サイズが
他の文字列領域（ステップ５で生成した文字列領域）の
文字サイズと違っているのか否かを判断することで行う
のである。

【００４４】続いて、ステップ７で、ステップ６で特定
した章名らしい文字列領域を認識対象として、公知の文
字認識処理を施すことで、ステップ６で特定した章名ら
しい文字列領域の持つ文字列を認識する。この文字認識
処理は、既に１文字毎の文字領域が切り出されているの
で、公知の文字認識処理を施すことで実行可能である。

【００４５】続いて、ステップ８で、ステップ７で認識
した文字列の章名としての整合性を判定することで、ス
テップ７で認識した文字列の中から章名を決定する。こ
のとき、これまでに処理した同一種類の文献画像から得
られた章名に関する情報を記録する構成を採って、その
情報を利用しつつ章名を決定する構成を採ることも可能
である。

【００４６】このステップ８で行う章名の決定処理は、
通常の場合、章名の先頭には数字（アルファベットのこ
ともある）が記載されているので、ステップ７で認識し
た文字列の先頭に数字（アルファベット）が記載されて
いるのか否かをチェックしたり、その数字が通番の順
（アルファベットの順）になっているのか否かをチェッ
クすることで行う。また、通常の場合、章名の座標位置
に関連性（例えば左端からの位置が同一であるというよ
うな関連性）があるので、そのような関連性があるのか
否かをチェックすることで行う。また、章名に下線が付
けられることがあるので、そのような統一性があるのか
否かをチェックすることで行う。

【００４７】続いて、ステップ９で、文書画像に記載さ
れるページ番号を認識して、その認識したページ番号を
考慮しつつ、ステップ１で読み込んだ文献（文献画像）
の目次を作成する。

【００４８】このステップ９で行うページ番号の認識処
理は、ページ番号の記載されやすい１つ又は複数の位置
（例えば最下部）を管理する構成を採って、その管理す
る位置に記載される数字を認識することで行うことにな
るが、ページ番号の記載位置が指定されている場合に
は、その位置に記載される数字を認識することで行う。
ここで、この認識処理にあって、認識した数字が通番の
順になっているのか否かをチェックするなどの整合性の
判定を行うことで、正確なページ番号の認識を行う。

【００４９】また、このステップ９で行う目次の作成処
理は、例えば、図８に示すように、ステップ８で決定し
た章名を、それが持つ数字（アルファベット）に従って
階層的に記述することで作成するとともに、各章名がど
のページに記載されているのかが分かるような形式で作
成する。なお、ページ番号を記載する目次を作成する
と、各章名の指す文献内容のボリュームが分かり便利で
ある。

【００５０】続いて、ステップ１０で、ステップ８で決
定した章名からキーワードを抽出する。このステップ１
０で行うキーワードの抽出処理は、例えば、章名によく
使われる「まえがき」／「むすび」／「考察」などとい
った単語や、学術論文の文献でよく使われる「実験」／
「結果」／「方法」などといった単語のようなキーワー
ドとならない単語を登録する除外用辞書を用意する構成
を採って、章名から抽出された単語から、その除外用辞
書に登録された単語を取り除くことで行う。

【００５１】最後に、ステップ１１で、ステップ１で読
み込んだ文献画像と、ステップ９で作成した目次情報
と、ステップ１０で抽出したキーワードとの対応をとり
つつ、それらを文献データベース２に登録して、処理を
終了する。

【００５２】このようにして、文献情報登録プログラム
１０２の登録処理により、文献データベース２に文献画
像と目次情報とキーワードとが格納されると、文献提供
プログラム１０３は、文献データベース２を使って、端
末４からの提供要求に応答して文献の提供処理を実行す
ることになる。

【００５３】図９に、文献情報登録プログラム１０２の
実行する処理フローの他の実施例を図示する。この処理
フローと図３の処理フローとの違いは、この処理フロー
では、図３の処理フローのステップ２とステップ３との
間に、文献画像のレイアウト情報を求める処理を行うス
テップ２ａを設ける点にある。

【００５４】このステップ２ａで行うレイアウト情報の
導出処理は、例えば、図１０に示すように、文献画像を
水平方向に射影し、その周辺分布に従って文献画像を水
平方向に切り出してから、その切り出した各画像部分を
垂直方向に射影して、その周辺分布に従って文献画像を
垂直方向に切り出すことなどで行う。

【００５５】この射影を用いるレイアウト情報の導出処
理は、上述した文書画像の解析処理と独立したものであ
ることから、上述した文書画像の解析処理に先立って実
行することが可能であるが、上述した文書画像の解析処
理で得られる副産物を使ってレイアウト情報の導出する
ことも可能であり、この場合には、上述した文書画像の
解析処理の途中でレイアウト情報を導出することにな
る。

【００５６】例えば、図９の処理フローに代えて、図３
の処理フローのステップ３とステップ４との間に、レイ
アウト情報を求めるステップを設ける構成を採って、こ
のステップで、ステップ５の処理で行う文字列領域の生
成処理（隣接する文字領域を統合することで文字列領域
を生成する処理）を、ステップ３で求めた全ての文字領
域に対して適用することで、レイアウト情報を導出する
ことも可能であり、この場合には、上述した文書画像の
解析処理の途中でレイアウト情報を導出することにな
る。

【００５７】このようにして文献画像のレイアウト情報
を求める構成を採ると、ステップ４で実行する章名らし
い文字領域の切出処理や、ステップ５で実行する章名ら
しい文字列領域の生成処理や、ステップ６で実行する章
名らしい文字列領域の特定処理や、ステップ８で実行す
る章名の決定処理の精度を高めることができるようにな
る。

【００５８】例えば、ステップ４で、文字サイズを使っ
て章名らしい文字領域を切り出す構成を採る場合には、
レイアウト情報から非文字のサイズを得ることができる
ので、これを使って、本文文字の文字サイズと章名文字
の文字サイズとを区分けする文字サイズを決定する構成
を採ることで、章名らしい文字領域の切出処理の精度を
高めることができるようになる。

【００５９】また、例えば、ステップ５で、章名らしい
文字領域を拡大して統合することで章名らしい文字列領
域を生成するときに、レイアウト情報を考慮しつつその
拡大率を決定する構成を採ることで、章名らしい文字列
領域の生成処理の精度を高めることができるようにな
る。

【００６０】また、例えば、ステップ６で、文字列領域
の章名らしさを評価することで章名らしい文字列領域を
特定するときに、レイアウト情報から得られる画像位置
を使って、文字列領域の段落に対する位置などを得て文
字列領域の章名らしさを評価する構成を採ることで、章
名らしい文字列領域の特定処理の精度を高めることがで
きるようになる。

【００６１】また、例えば、ステップ８で、章名として
の整合性を判定することで認識した文字列から章名を決
定するときに、レイアウト情報から得られる画像位置を
使って章名の関連性を評価する方法を採ることで、章名
の決定処理の精度を高めることができるようになる。

【００６２】図１１及び図１２に、文献情報登録プログ
ラム１０２の実行する処理フローの他の実施例を図示す
る。この処理フローと図３の処理フローとの違いは、こ
の処理フローでは、図３の処理フローのステップ４とス
テップ５との間に、ステップ４で章名らしい文字領域を
抽出できたのか否かを判断する処理を行うステップ４ａ
と、ステップ４ａの判断処理に従って、章名らしい文字
領域を抽出できないことを判断するときに、文献画像の
レイアウト情報を求めてからステップ４に戻る処理を行
うステップ４ｂとを設ける点にある。

【００６３】この処理構成を採るのは、章名が本文文字
と同じ文字形態（文字太さや文字サイズなどの文字属性
が同じ）で記載されていることで、ステップ４で、章名
らしい文字領域を抽出できないことがあり、この場合に
は、文献画像のレイアウト情報を求めて、そのレイアウ
ト情報を使って、ステップ４で抽出した文字領域の前後
上下の空白や段落に対する位置などを得て、それに従っ
て章名らしい文字領域を抽出するように処理するからで
ある。

【００６４】この図１１及び図１２の処理フローでは、
最初は、レイアウト情報を使わずに文献画像の解析処理
を実行するときにあって、章名が本文文字と同じ文字形
態で記載されていることで段落文字列を決定できないと
きに、文献画像のレイアウト情報を求めて、それを使っ
て文献画像の解析処理を実行していくことで説明した
が、文献情報登録プログラム１０２は、章名が本文文字
と異なる文字形態で記載されているときにあっても、何
らかの理由により段落文字列を決定できないことが起こ
るときには、文献画像のレイアウト情報を求めて、それ
を使って文献画像の解析処理を実行していく構成を採る
ことになる。

【００６５】図示実施例に従って本発明について説明し
たが、本発明はこれに限定されるものではない。例え
ば、実施例では、文献情報提供装置１ａへの適用を具体
例にして本発明を説明したが、本発明はこれに限られる
ものではない。

【００６６】

【発明の効果】以上説明したように、本発明によれば、
文書画像を入力として、その文書画像の元となった文書
の目次を生成していくとともに、目次を構成する段落文
字から検索用のキーワードを生成していくという解析機
能を有するので、文書画像の利用が大幅に図れるように
なる。

【図面の簡単な説明】

【図１】本発明の原理構成図である。

【図２】本発明の一実施例である。

【図３】文献情報登録プログラムの実行する処理フロー
である。

【図４】章名らしい文字領域の抽出処理の説明図であ
る。

【図５】章名らしい文字領域の抽出処理の説明図であ
る。

【図６】章名らしい文字領域の抽出処理の説明図であ
る。

【図７】文字列領域の生成処理の説明図である。

【図８】作成する目次の一例である。

【図９】文献情報登録プログラムの実行する処理フロー
である。

【図１０】レイアウト情報の導出処理の説明図である。

【図１１】文献情報登録プログラムの実行する処理フロ
ーである。

【図１２】文献情報登録プログラムの実行する処理フロ
ーである。

【符号の説明】

１ 文書解析装置 １０ 入力手段 １１ 前処理手段 １２ 抽出手段 １３ 生成手段 １４ 特定手段 １５ 認識手段 １６ 決定手段 １７ 作成手段 １８ 頁番号認識手段 １９ キーワード抽出手段 ２０ レイアウト抽出手段

Claims (5)

【特許請求の範囲】
1. 【請求項１】 文書画像を入力として、該文書画像の元
   となった文書の構造を解析する機能を持つ文書解析装置
   であって、 文書画像から段落文字らしい文字領域を抽出する抽出手
   段と、 上記抽出手段の抽出する文字領域を構成要素とする文字
   列領域を生成する生成手段と、 上記生成手段の生成する文字列領域の段落文字列らしさ
   を評価することで、段落文字列らしい文字列領域を特定
   する特定手段と、 上記特定手段の特定する文字列領域を文字認識する認識
   手段と、 上記認識手段の認識する文字列の段落文字列としての整
   合性を判定することで段落文字列を決定する決定手段と
   を備えることを、 特徴とする文書解析装置。
2. 【請求項２】 請求項１記載の文書解析装置において、 決定手段の決定する段落文字列から、文書画像の元とな
   った文書の目次を作成する作成手段を備えることを、 特徴とする文書解析装置。
3. 【請求項３】 請求項１又は２記載の文書解析装置にお
   いて、 文書画像の解析処理に先立って、あるいは、文書画像の
   解析処理と並行して、文書画像のレイアウト情報を抽出
   するレイアウト抽出手段を備え、 上記レイアウト抽出手段により抽出されるレイアウト情
   報を参照しつつ、文書画像の解析処理を実行するように
   構成されることを、 特徴とする文書解析装置。
4. 【請求項４】 請求項１又は２記載の文書解析装置にお
   いて、 レイアウト情報を使用せずに行う文書画像の解析処理に
   より段落文字列を決定できないときに起動されて、文書
   画像のレイアウト情報を抽出するレイアウト抽出手段を
   備え、 レイアウト情報を使用せずに行う文書画像の解析処理に
   より段落文字列を決定できないときに、上記レイアウト
   抽出手段により抽出されるレイアウト情報を参照しつ
   つ、文書画像の解析処理を実行するように構成されるこ
   とを、 特徴とする文書解析装置。
5. 【請求項５】 文書画像を入力として、該文書画像の元
   となった文書の構造を解析する機能を持つ文書解析装置
   の実現に用いられるプログラムが格納されるプログラム
   記録媒体であって、 文書画像から段落文字らしい文字領域を抽出する抽出処
   理と、 上記抽出処理の抽出する文字領域を構成要素とする文字
   列領域を生成する生成処理と、 上記生成処理の生成する文字列領域の段落文字列らしさ
   を評価することで、段落文字列らしい文字列領域を特定
   する特定処理と、 上記特定処理の特定する文字列領域を文字認識する認識
   処理と、 上記認識処理の認識する文字列の段落文字列としての整
   合性を判定することで段落文字列を決定する決定処理と
   をコンピュータに実行させるプログラムが格納されるこ
   とを、 特徴とするプログラム記録媒体。