JP2001022773A - イメージ文書のキーワード抽出方法 - Google Patents
イメージ文書のキーワード抽出方法Info
- Publication number
- JP2001022773A JP2001022773A JP11194211A JP19421199A JP2001022773A JP 2001022773 A JP2001022773 A JP 2001022773A JP 11194211 A JP11194211 A JP 11194211A JP 19421199 A JP19421199 A JP 19421199A JP 2001022773 A JP2001022773 A JP 2001022773A
- Authority
- JP
- Japan
- Prior art keywords
- keyword
- character
- certainty
- information
- file
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
(57)【要約】
【課題】 ＯＣＲにより変換されたテキストに誤りがあ
っても、抽出するキーワードには許容範囲の誤りしかな
いことを保証するキーワード抽出方法を提供する。 【解決手段】 プレーンテキスト・確信度ファイル生成
部６ａは、ＯＣＲによる文字認識時に生成されたＯＣＲ
結果ファイル５に含まれる文字情報の候補のなかから、
第１候補の文字情報に含まれる文字コードと確信度情報
とを抜き出し、プレーンテキスト６ｃと確信度ファイル
６ｂとを生成する。キーワード抽出ユニット６ｅは、得
られたプレーンテキストの形態解析及びキーワード抽出
を行ってキーワードリスト６ｇを生成する。キーワード
検証部６ｆは、得られたキーワードリスト６ｇの上位の
キーワードから、予め設定されたしきい値に基づいて一
文字ずつ文字を誤認しているかどうかを判断し、誤認の
文字数の割合が所定条件以上であると判断されたキーワ
ードをキーワードリスト６ｇから外す処理を行う。
っても、抽出するキーワードには許容範囲の誤りしかな
いことを保証するキーワード抽出方法を提供する。 【解決手段】 プレーンテキスト・確信度ファイル生成
部６ａは、ＯＣＲによる文字認識時に生成されたＯＣＲ
結果ファイル５に含まれる文字情報の候補のなかから、
第１候補の文字情報に含まれる文字コードと確信度情報
とを抜き出し、プレーンテキスト６ｃと確信度ファイル
６ｂとを生成する。キーワード抽出ユニット６ｅは、得
られたプレーンテキストの形態解析及びキーワード抽出
を行ってキーワードリスト６ｇを生成する。キーワード
検証部６ｆは、得られたキーワードリスト６ｇの上位の
キーワードから、予め設定されたしきい値に基づいて一
文字ずつ文字を誤認しているかどうかを判断し、誤認の
文字数の割合が所定条件以上であると判断されたキーワ
ードをキーワードリスト６ｇから外す処理を行う。
Description
【０００１】
【発明の属する技術分野】本発明は、イメージ文書のキ
ーワード抽出方法、より詳細には、ＯＣＲ文字認識によ
り認識されたイメージ文書からキーワードを抽出するキ
ーワード抽出方法に関する。
ーワード抽出方法、より詳細には、ＯＣＲ文字認識によ
り認識されたイメージ文書からキーワードを抽出するキ
ーワード抽出方法に関する。
【０００２】
【従来の技術】近年のＰＣの普及、インターネットなど
を中心としたインフラの整備、また森林資源保護などの
環境意識の高まりから、情報伝達、蓄積の方法が従来の
紙を主体としたものからデジタル情報を主体としたもの
へ変化しつつある。ｅ−ｍａｉｌによる情報交換、ｗｅ
ｂ上での情報の閲覧、及び出版などがその良い例であ
る。しかし、従来の紙を主体とした膨大な情報は、個人
にとっても企業にとっても知的資産であるのには変わり
なく、切り捨てるわけにはいかない。そこで紙による情
報を何とか利用できるようにデジタル情報に変換しなけ
ればならない。
を中心としたインフラの整備、また森林資源保護などの
環境意識の高まりから、情報伝達、蓄積の方法が従来の
紙を主体としたものからデジタル情報を主体としたもの
へ変化しつつある。ｅ−ｍａｉｌによる情報交換、ｗｅ
ｂ上での情報の閲覧、及び出版などがその良い例であ
る。しかし、従来の紙を主体とした膨大な情報は、個人
にとっても企業にとっても知的資産であるのには変わり
なく、切り捨てるわけにはいかない。そこで紙による情
報を何とか利用できるようにデジタル情報に変換しなけ
ればならない。
【０００３】上記のデジタル情報への変換は、一般的に
は次のようにする。まず紙文書（文書の情報媒体が紙で
あるという意味）をスキャナから読み込み、イメージ文
書に変換する。単にデジタル情報にするだけならこのま
まで良いが、文書の内容を検索できるようにするために
は、イメージ文書をＯＣＲ（Optical Character Recogn
ition）を使用してコード情報に変換する必要がある
（イメージ文書に文字情報がある場合）。管理する文書
数が多く、また不特定多数の人間が文書を利用する場合
は、要約文またはキーワードなどの情報により、文書の
検索、及び閲覧の際に概要が把握し易くなる。
は次のようにする。まず紙文書（文書の情報媒体が紙で
あるという意味）をスキャナから読み込み、イメージ文
書に変換する。単にデジタル情報にするだけならこのま
まで良いが、文書の内容を検索できるようにするために
は、イメージ文書をＯＣＲ（Optical Character Recogn
ition）を使用してコード情報に変換する必要がある
（イメージ文書に文字情報がある場合）。管理する文書
数が多く、また不特定多数の人間が文書を利用する場合
は、要約文またはキーワードなどの情報により、文書の
検索、及び閲覧の際に概要が把握し易くなる。
【０００４】上述したように“スキャン＋ＯＣＲ＋キー
ワード・要約文抽出”により紙文書を有効なデジタル情
報に変換することが可能である。しかし、漢字などの複
雑な形状を文字セットに持つ日本語文はもとより、英文
に対してもＯＣＲは１００％の認識率を保証できないの
で、ＯＣＲにより変換されたコード情報には誤りのある
コードが含まれるのが常である。紙文書の状態やスキャ
ナのスキャン面の汚れなどが原因でスキャンされたイメ
ージの品質が良くない場合は、ＯＣＲにより変換された
テキストには高い割合で誤りが含まれる。このような誤
りを含むテキストからキーワード抽出を行うと、抽出さ
れたキーワードに誤りのある文字が含まれる可能性は十
分に高い。
ワード・要約文抽出”により紙文書を有効なデジタル情
報に変換することが可能である。しかし、漢字などの複
雑な形状を文字セットに持つ日本語文はもとより、英文
に対してもＯＣＲは１００％の認識率を保証できないの
で、ＯＣＲにより変換されたコード情報には誤りのある
コードが含まれるのが常である。紙文書の状態やスキャ
ナのスキャン面の汚れなどが原因でスキャンされたイメ
ージの品質が良くない場合は、ＯＣＲにより変換された
テキストには高い割合で誤りが含まれる。このような誤
りを含むテキストからキーワード抽出を行うと、抽出さ
れたキーワードに誤りのある文字が含まれる可能性は十
分に高い。
【０００５】自動ＯＣＲは人手を介さずＯＣＲを行う
が、人手を介してＯＣＲの誤認識文字を逐次修正してキ
ーワード抽出を行えば、キーワードに誤認識文字が含ま
れることはなくなる。しかしながら紙文書のスキャンか
らキーワード抽出までの時間を考えた場合、人手を介し
てのＯＣＲは処理時間と人手がかかり過ぎて実用的でな
い。自動ＯＣＲは、変換結果としてＯＣＲ結果ファイル
を出力する。ＯＣＲ結果ファイルは、１文字ごとの確信
度、文字位置情報を含むバイナリファイルである。
が、人手を介してＯＣＲの誤認識文字を逐次修正してキ
ーワード抽出を行えば、キーワードに誤認識文字が含ま
れることはなくなる。しかしながら紙文書のスキャンか
らキーワード抽出までの時間を考えた場合、人手を介し
てのＯＣＲは処理時間と人手がかかり過ぎて実用的でな
い。自動ＯＣＲは、変換結果としてＯＣＲ結果ファイル
を出力する。ＯＣＲ結果ファイルは、１文字ごとの確信
度、文字位置情報を含むバイナリファイルである。
【０００６】上述したごとくに、一般的にイメージ文書
をＯＣＲにかけて生成されたテキストからキーワードを
抽出すると、誤認識された文字で構成された文字列がキ
ーワードリストに含まれる可能性がある。この問題は、
ＯＣＲの認識結果に対して確信度が低い文字をテキスト
から排除するという誤認識対策を施せば解決するように
思われるが、実際には次のような問題が発生する。
をＯＣＲにかけて生成されたテキストからキーワードを
抽出すると、誤認識された文字で構成された文字列がキ
ーワードリストに含まれる可能性がある。この問題は、
ＯＣＲの認識結果に対して確信度が低い文字をテキスト
から排除するという誤認識対策を施せば解決するように
思われるが、実際には次のような問題が発生する。
【０００７】（１）誤認識文字を排除して何らかの加工
をした文字列がキーワードになり、その文字列が原イメ
ージ文書で確認できない文字列であったとしたらユーザ
にとっては、不具合になる。 （２）ユーザが確認できる文字列に加工するには、少な
くともキーワード抽出ユニットに渡すテキストが単語分
割されている必要がある。すなわち単語長を検査して、
何文字まで誤認識文字が含まれていても問題がないか判
断できる必要がある。そのためには自動ＯＣＲは、イメ
ージをテキストに変換したあとに形態素解析をする必要
があり、処理系が重くなる。
をした文字列がキーワードになり、その文字列が原イメ
ージ文書で確認できない文字列であったとしたらユーザ
にとっては、不具合になる。 （２）ユーザが確認できる文字列に加工するには、少な
くともキーワード抽出ユニットに渡すテキストが単語分
割されている必要がある。すなわち単語長を検査して、
何文字まで誤認識文字が含まれていても問題がないか判
断できる必要がある。そのためには自動ＯＣＲは、イメ
ージをテキストに変換したあとに形態素解析をする必要
があり、処理系が重くなる。
【０００８】
【発明が解決しようとする課題】本発明は、上述のごと
き実情に鑑みてなされたもので、ＯＣＲにより変換され
たテキストに誤りがあっても、抽出するキーワードには
許容範囲の誤りしかないことを保証する（たとえば、６
文字で構成されるキーワードのうち１文字に誤りがあっ
ても、容易にこのキーワードが何を意味するかは理解で
きる）ことを可能にしたイメージ文書のキーワード抽出
方法を提供することを目的とするものである。
き実情に鑑みてなされたもので、ＯＣＲにより変換され
たテキストに誤りがあっても、抽出するキーワードには
許容範囲の誤りしかないことを保証する（たとえば、６
文字で構成されるキーワードのうち１文字に誤りがあっ
ても、容易にこのキーワードが何を意味するかは理解で
きる）ことを可能にしたイメージ文書のキーワード抽出
方法を提供することを目的とするものである。
【０００９】
【課題を解決するための手段】請求項１の発明は、イメ
ージ文書のＯＣＲ文字認識により文字コードと該文字コ
ードの確信度情報とを含む文字情報の候補が各文字毎に
生成されたＯＣＲ結果ファイルを入力し、該文字情報の
候補のなかから、第１候補の文字情報に含まれる文字コ
ードと確信度情報とを各文字毎に抜き出し、該文字コー
ドによるプレーンテキストと該確信度情報による確信度
ファイルとを生成するステップと、得られた前記プレー
ンテキストの形態解析及びキーワード抽出を行ってキー
ワードリストを生成するステップとを有することを特徴
としたものである。
ージ文書のＯＣＲ文字認識により文字コードと該文字コ
ードの確信度情報とを含む文字情報の候補が各文字毎に
生成されたＯＣＲ結果ファイルを入力し、該文字情報の
候補のなかから、第１候補の文字情報に含まれる文字コ
ードと確信度情報とを各文字毎に抜き出し、該文字コー
ドによるプレーンテキストと該確信度情報による確信度
ファイルとを生成するステップと、得られた前記プレー
ンテキストの形態解析及びキーワード抽出を行ってキー
ワードリストを生成するステップとを有することを特徴
としたものである。
【００１０】請求項２の発明は、請求項１の発明におい
て、生成された前記キーワードリストのキーワードに対
し、予め設定されたしきい値に基づいて文字を誤認して
いるかどうかを一文字ずつ判断し、所定条件に基づく誤
認文字数を含むキーワードを前記キーワードリストから
外す処理を行うステップを有することを特徴としたもの
である。
て、生成された前記キーワードリストのキーワードに対
し、予め設定されたしきい値に基づいて文字を誤認して
いるかどうかを一文字ずつ判断し、所定条件に基づく誤
認文字数を含むキーワードを前記キーワードリストから
外す処理を行うステップを有することを特徴としたもの
である。
【００１１】請求項３の発明は、請求項２の発明におい
て、前記確信度ファイルの各文字の確信度の統計値を確
信度ファイルごとに計算しておき、前記統計値に基づい
て、文字誤認を判断する前記しきい値と、生成されたキ
ーワードをキーワードリストから外す前記所定条件とを
決定することを特徴としたものである。
て、前記確信度ファイルの各文字の確信度の統計値を確
信度ファイルごとに計算しておき、前記統計値に基づい
て、文字誤認を判断する前記しきい値と、生成されたキ
ーワードをキーワードリストから外す前記所定条件とを
決定することを特徴としたものである。
【００１２】請求項４の発明は、請求項１ないし３のい
ずれか１の発明において、前記キーワードリストに含ま
れるキーワードに対応した前記確信度リストのエントリ
を参照し、参照したエントリから、イメージ文書におけ
る該キーワードの位置情報を特定し、特定した位置情報
に基づいてイメージ文書における該キーワードの強調表
示を行うステップを有することを特徴としたものであ
る。
ずれか１の発明において、前記キーワードリストに含ま
れるキーワードに対応した前記確信度リストのエントリ
を参照し、参照したエントリから、イメージ文書におけ
る該キーワードの位置情報を特定し、特定した位置情報
に基づいてイメージ文書における該キーワードの強調表
示を行うステップを有することを特徴としたものであ
る。
【００１３】
【発明の実施の形態】本発明の動作を説明する前にＯＣ
Ｒ結果ファイルとキーワードリストの構造の概要につい
て説明する。図１は、ＯＣＲ結果ファイルのＴＡＧ構造
の一例を示す図である。
Ｒ結果ファイルとキーワードリストの構造の概要につい
て説明する。図１は、ＯＣＲ結果ファイルのＴＡＧ構造
の一例を示す図である。
【００１４】代表的なＴＡＧとして以下の３つがある。 ページ情報タグ 開始オフセットでポイントされる領域には、１ページに
ついての画像情報（解像度，サイズ，領域数など）のよ
うな情報が格納される。 領域情報タグ 開始オフセットでポイントされる領域には、領域の位置
などのような情報が格納される。なお、領域はネストす
る可能性があるのでページ情報タグとは少し異なる構造
を持つが、これについては本発明とは直接関係しないの
で説明を省略する。 文字情報タグ １つの領域内の文字情報として、認識結果である文字コ
ード、認識結果の確信度、及び認識座標位置（文字を囲
む矩形の位置：ピクセル値）などの情報が格納される。
ついての画像情報（解像度，サイズ，領域数など）のよ
うな情報が格納される。 領域情報タグ 開始オフセットでポイントされる領域には、領域の位置
などのような情報が格納される。なお、領域はネストす
る可能性があるのでページ情報タグとは少し異なる構造
を持つが、これについては本発明とは直接関係しないの
で説明を省略する。 文字情報タグ １つの領域内の文字情報として、認識結果である文字コ
ード、認識結果の確信度、及び認識座標位置（文字を囲
む矩形の位置：ピクセル値）などの情報が格納される。
【００１５】領域内にｎ個の文字が存在したと仮定する
と、文字情報タグと文字情報領域は、図２に示すごとく
の構造となり、このときのｉ番目の文字の認識結果(Ｃ
ｉ)は図３に示すようなデータ構造になる。文字情報に
関しては、１つの文字に対して複数の認識結果が出るの
で、１つの文字に対して複数の候補がある。
と、文字情報タグと文字情報領域は、図２に示すごとく
の構造となり、このときのｉ番目の文字の認識結果(Ｃ
ｉ)は図３に示すようなデータ構造になる。文字情報に
関しては、１つの文字に対して複数の認識結果が出るの
で、１つの文字に対して複数の候補がある。
【００１６】（動作説明）図４は、本発明が適用される
キーワード抽出処理の概略フローを説明するための図で
ある。紙文書１に対しスキャナによるスキャン２を実行
して、イメージ文書３に変換し、自動ＯＣＲ４により処
理を行ってＯＣＲ結果ファイル５を出力する。得られた
ＯＣＲ結果ファイル５に対して、キーワード抽出部６に
よる処理を行い、キーワードリスト７を出力する。図５
は、図４において示された本発明のキーワード抽出を行
うキーワード抽出部６をさらに詳しく示す図である。以
下に、キーワード抽出部６における処理について詳しく
説明する。
キーワード抽出処理の概略フローを説明するための図で
ある。紙文書１に対しスキャナによるスキャン２を実行
して、イメージ文書３に変換し、自動ＯＣＲ４により処
理を行ってＯＣＲ結果ファイル５を出力する。得られた
ＯＣＲ結果ファイル５に対して、キーワード抽出部６に
よる処理を行い、キーワードリスト７を出力する。図５
は、図４において示された本発明のキーワード抽出を行
うキーワード抽出部６をさらに詳しく示す図である。以
下に、キーワード抽出部６における処理について詳しく
説明する。
【００１７】[１]前処理 前処理としてプレーンテキスト・確信度ファイル生成部
６ａにおいては、自動ＯＣＲ４により得られたＯＣＲ結
果ファイル５から第1候補の文字コードと確信度を抜き
出し、プレーンテキスト６ｃと確信度ファイル６ｂを生
成する。プレーンテキスト６ｃは、キーワード抽出ユニ
ット６ｅに渡される。確信度ファイル６ｂは、図６に示
すごとくの構造を有するもので、1文字につき第一候補
だけの確信度を保持する。
６ａにおいては、自動ＯＣＲ４により得られたＯＣＲ結
果ファイル５から第1候補の文字コードと確信度を抜き
出し、プレーンテキスト６ｃと確信度ファイル６ｂを生
成する。プレーンテキスト６ｃは、キーワード抽出ユニ
ット６ｅに渡される。確信度ファイル６ｂは、図６に示
すごとくの構造を有するもので、1文字につき第一候補
だけの確信度を保持する。
【００１８】入力イメージ文書が１枚の用紙であれば、
直接ＯＣＲ結果ファイルを参照して、確信度を参照すれ
ばよいが、そうでない場合は、文書を構成する入力イメ
ージのＯＣＲ結果ファイルをキーワード抽出が終わるま
ですべて保持する必要があるので、確信度ファイルを別
に作成する。確信度ファイル６ｂは、ページ毎に作成さ
れ、プレーンテキスト６ｃは、文書１つにつき、１つだ
け作成される。確信度ファイル６ｂの各エントリとプレ
ーンテキスト６ｃ中の文字は完全に同期がとられる必要
がある。
直接ＯＣＲ結果ファイルを参照して、確信度を参照すれ
ばよいが、そうでない場合は、文書を構成する入力イメ
ージのＯＣＲ結果ファイルをキーワード抽出が終わるま
ですべて保持する必要があるので、確信度ファイルを別
に作成する。確信度ファイル６ｂは、ページ毎に作成さ
れ、プレーンテキスト６ｃは、文書１つにつき、１つだ
け作成される。確信度ファイル６ｂの各エントリとプレ
ーンテキスト６ｃ中の文字は完全に同期がとられる必要
がある。
【００１９】[２]キーワード抽出ユニット キーワード抽出ユニット６ｅは、テキストの形態素解析
及び構文解析を行い、名詞句を中心に出現頻度、類似度
の検査、慣用句検査、１文における修飾関係、及び係り
受けなどの情報からキーワードを抽出し、キーワードリ
ストを生成する。ここでキーワード抽出ユニット６ｅ
は、プレーンなテキストだけを受け付け、確信度ファイ
ルなどの非テキストファイルは受け付けない。生成され
るキーワードリストの構造の概要を図７に示す。キーワ
ード抽出ユニット６ｅから出力されるキーワードリスト
は、誤認を含むキーワードリスト６ｇである。
及び構文解析を行い、名詞句を中心に出現頻度、類似度
の検査、慣用句検査、１文における修飾関係、及び係り
受けなどの情報からキーワードを抽出し、キーワードリ
ストを生成する。ここでキーワード抽出ユニット６ｅ
は、プレーンなテキストだけを受け付け、確信度ファイ
ルなどの非テキストファイルは受け付けない。生成され
るキーワードリストの構造の概要を図７に示す。キーワ
ード抽出ユニット６ｅから出力されるキーワードリスト
は、誤認を含むキーワードリスト６ｇである。
【００２０】［３］後処理 後処理として、キーワード検証部６ｆでは、キーワード
リストの上位のキーワードから、誤認文字があるかどう
かを一文字づつ検査する。文字を誤認しているかどうか
は、しきい値により判定する。しきい値は、イメージご
とに動的に決定される。キーワード抽出ユニット６ｅ
は、キーワードの情報として、キーワード位置もアプリ
ケーションに公開しているので、キーワード抽出ユニッ
ト６ｅの入力であるプレーンテキストにおけるキーワー
ド先頭位置がわかる。
リストの上位のキーワードから、誤認文字があるかどう
かを一文字づつ検査する。文字を誤認しているかどうか
は、しきい値により判定する。しきい値は、イメージご
とに動的に決定される。キーワード抽出ユニット６ｅ
は、キーワードの情報として、キーワード位置もアプリ
ケーションに公開しているので、キーワード抽出ユニッ
ト６ｅの入力であるプレーンテキストにおけるキーワー
ド先頭位置がわかる。
【００２１】ＯＣＲ結果ファイル５とプレーンテキスト
６ｃは、認識文字に対して同期がとれているので、ＯＣ
Ｒ結果ファイル５を参照すれば、該当文字の確信度がわ
かる。図８に示すように、確信度が低い文字を含むキー
ワードをキーワードリストからはずし、次点のキーワー
ドの順位を上げる。この操作を希望するキーワード数に
達するまで繰り返せば、誤認文字を含まないキーワード
リスト７を獲得できる。
６ｃは、認識文字に対して同期がとれているので、ＯＣ
Ｒ結果ファイル５を参照すれば、該当文字の確信度がわ
かる。図８に示すように、確信度が低い文字を含むキー
ワードをキーワードリストからはずし、次点のキーワー
ドの順位を上げる。この操作を希望するキーワード数に
達するまで繰り返せば、誤認文字を含まないキーワード
リスト７を獲得できる。
【００２２】キーワードリストからはずか否かの判断
は、次のような判定式を使用する。 キーワード中の誤認文字数＞キーワードを構成する文字
数×（α／１００） 上記αはユーザが与える％値である。たとえば、１０％
以上の誤認文字を含むキーワードを必要としない場合に
は、αに１０を指定する。現実的には、誤認文字を１文
字程度含む４文字のキーワードならば、ユーザはその文
字を判別可能なので、誤認文字を“？”などの記号に置
換してユーザに提示する（２文字のうち、１文字が誤認
されていた場合は、“？”に置換できない。常識的な範
囲で処理する）。以上により、判読可能なキーワードを
イメージ文書からテキストコードの形式で獲得できる。
は、次のような判定式を使用する。 キーワード中の誤認文字数＞キーワードを構成する文字
数×（α／１００） 上記αはユーザが与える％値である。たとえば、１０％
以上の誤認文字を含むキーワードを必要としない場合に
は、αに１０を指定する。現実的には、誤認文字を１文
字程度含む４文字のキーワードならば、ユーザはその文
字を判別可能なので、誤認文字を“？”などの記号に置
換してユーザに提示する（２文字のうち、１文字が誤認
されていた場合は、“？”に置換できない。常識的な範
囲で処理する）。以上により、判読可能なキーワードを
イメージ文書からテキストコードの形式で獲得できる。
【００２３】［４］イメージ文書にキーワードを強調表
示 確信度ファイルの文字の位置情報（イメージの位置情
報）を利用すれば、イメージ文書上で抽出したキーワー
ドを表示させることが可能になる。確信度ファイルの各
エントリとプレーンテキストの各エントリは１対１に対
応しているので、キーワードリストによりキーワードの
プレーンテキストでの位置がわかれば、確信度ファイル
でのキーワードの位置もわかる。確信度ファイル上での
位置が分かれば、イメージ文書のページ内でのキーワー
ドの先頭文字位置がわかる。同様にしてキーワードを構
成する各文字の位置も分かる。各文字位置は矩形で表現
されるので、キーワードを強調する場合は、文字を囲む
矩形領域に対して適当な色を表すＲＧＢ値でＯＲマスク
を施せばよい。ｂｉｔ操作により文字の色だけを変更す
ることも可能である。
示 確信度ファイルの文字の位置情報（イメージの位置情
報）を利用すれば、イメージ文書上で抽出したキーワー
ドを表示させることが可能になる。確信度ファイルの各
エントリとプレーンテキストの各エントリは１対１に対
応しているので、キーワードリストによりキーワードの
プレーンテキストでの位置がわかれば、確信度ファイル
でのキーワードの位置もわかる。確信度ファイル上での
位置が分かれば、イメージ文書のページ内でのキーワー
ドの先頭文字位置がわかる。同様にしてキーワードを構
成する各文字の位置も分かる。各文字位置は矩形で表現
されるので、キーワードを強調する場合は、文字を囲む
矩形領域に対して適当な色を表すＲＧＢ値でＯＲマスク
を施せばよい。ｂｉｔ操作により文字の色だけを変更す
ることも可能である。
【００２４】［５］イメージ文書のイメージ品質 イメージ文書のイメージ品質が悪い場合、ＯＣＲ結果フ
ァイルに大量の誤認文字が入り込むことになる。このよ
うな状況で、上記［１］〜［３］の方法によりキーワー
ドを抽出しても、それらはキーワードリストの下位に属
するキーワード群に属するかあるいはキーワードリスト
にキーワードがなくなる可能性もあり、キーワード抽出
処理が無意味になる。こうした場合は、確信度ファイル
の各文字ごとの確信度の統計値（標準偏差など）６ｄを
確信度ファイルごとに計算しておき、統計値と“しきい
値”の大小関係を比較することによりキーワード抽出を
行うか否かを判断する。
ァイルに大量の誤認文字が入り込むことになる。このよ
うな状況で、上記［１］〜［３］の方法によりキーワー
ドを抽出しても、それらはキーワードリストの下位に属
するキーワード群に属するかあるいはキーワードリスト
にキーワードがなくなる可能性もあり、キーワード抽出
処理が無意味になる。こうした場合は、確信度ファイル
の各文字ごとの確信度の統計値（標準偏差など）６ｄを
確信度ファイルごとに計算しておき、統計値と“しきい
値”の大小関係を比較することによりキーワード抽出を
行うか否かを判断する。
【００２５】また、この統計値は、ＯＣＲ結果ファイル
中の文字が誤認されているかどうか判定する場合に使用
する“しきい値”も決定する。 文字誤認判定のしきい値＝Ｆｕｎｃ（確信度ファイルの
統計値) Ｆｕｎｃ(確信度ファイルの統計値)の具体的な定義式は
省略する。この式は、確信度ファイルの統計値が文字誤
認判定のしきい値に影響を与えることを示している。
“しきい値”は、イメージ毎に動的に決定される。イメ
ージ毎にイメージの状態が異なるのでＯＣＲの結果から
イメージの品質を定量化するのは合理的な方法である。
中の文字が誤認されているかどうか判定する場合に使用
する“しきい値”も決定する。 文字誤認判定のしきい値＝Ｆｕｎｃ（確信度ファイルの
統計値) Ｆｕｎｃ(確信度ファイルの統計値)の具体的な定義式は
省略する。この式は、確信度ファイルの統計値が文字誤
認判定のしきい値に影響を与えることを示している。
“しきい値”は、イメージ毎に動的に決定される。イメ
ージ毎にイメージの状態が異なるのでＯＣＲの結果から
イメージの品質を定量化するのは合理的な方法である。
【００２６】
【発明の効果】本発明によれば、ＯＣＲにより変換され
たテキストに誤りがあっても、抽出するキーワードには
許容範囲の誤りしかないことを保証する（たとえば、６
文字で構成されるキーワードのうち１文字に誤りがあっ
ても、容易にこのキーワードが何を意味するかは理解で
きる）ことが可能となり、処理系を重くすることなくユ
ーザの利便性を高めることができる。
たテキストに誤りがあっても、抽出するキーワードには
許容範囲の誤りしかないことを保証する（たとえば、６
文字で構成されるキーワードのうち１文字に誤りがあっ
ても、容易にこのキーワードが何を意味するかは理解で
きる）ことが可能となり、処理系を重くすることなくユ
ーザの利便性を高めることができる。
【図１】 ＯＣＲ結果ファイルのＴＡＧ構造の一例を示
す図である。
す図である。
【図２】 ＯＣＲ結果ファイルにおける文字情報タグと
文字情報領域の構造の一例を示す図である。
文字情報領域の構造の一例を示す図である。
【図３】 図２に示すｉ番目の文字のデータ構造の一例
を示す図である。
を示す図である。
【図４】 本発明によるキーワード抽出方法の処理動作
の概略を説明するためのフロー図である。
の概略を説明するためのフロー図である。
【図５】 図４に示すキーワード抽出部をより詳しく説
明するための図である。
明するための図である。
【図６】 確信度ファイルの構造の一例を示す図であ
る。
る。
【図７】 キーワードリストの構造の一例を示す図であ
る。
る。
【図８】 キーワードリストからキーワードを外す処理
を説明するための図である。
を説明するための図である。
【符号の説明】 １…紙文書、２…スキャン、３…イメージ文書、４…自
動ＯＣＲ、５…ＯＣＲ結果ファイル、６…キーワード抽
出部、６ａ…プレーンテキスト・確信度ファイル生成部
（前処理）、６ｂ…確信度ファイル、６ｃ…プレーンテ
キスト、６ｄ…確信度の統計値、６ｅ…キーワード抽出
ユニット、６ｆ…キーワード検証部（後処理）、６ｇ…
誤認を含むキーワードリスト、７…キーワードリスト。
動ＯＣＲ、５…ＯＣＲ結果ファイル、６…キーワード抽
出部、６ａ…プレーンテキスト・確信度ファイル生成部
（前処理）、６ｂ…確信度ファイル、６ｃ…プレーンテ
キスト、６ｄ…確信度の統計値、６ｅ…キーワード抽出
ユニット、６ｆ…キーワード検証部（後処理）、６ｇ…
誤認を含むキーワードリスト、７…キーワードリスト。
Claims (4)
- 【請求項１】イメージ文書のＯＣＲ文字認識により文字
コードと該文字コードの確信度情報とを含む文字情報の
候補が各文字毎に生成されたＯＣＲ結果ファイルを入力
し、該文字情報の候補のなかから、第１候補の文字情報
に含まれる文字コードと確信度情報とを各文字毎に抜き
出し、該文字コードによるプレーンテキストと該確信度
情報による確信度ファイルとを生成するステップと、得
られた前記プレーンテキストの形態解析及びキーワード
抽出を行ってキーワードリストを生成するステップとを
有することを特徴とするイメージ文書のキーワード抽出
方法。 - 【請求項２】請求項１に記載のイメージ文書のキーワー
ド抽出方法において、生成された前記キーワードリスト
のキーワードに対し、予め設定されたしきい値に基づい
て文字を誤認しているかどうかを一文字ずつ判断し、所
定条件に基づく誤認文字数を含むキーワードを前記キー
ワードリストから外す処理を行うステップを有すること
を特徴とするイメージ文書のキーワード抽出方法。 - 【請求項３】請求項２に記載のイメージ文書のキーワー
ド抽出方法において、前記確信度ファイルの各文字の確
信度の統計値を確信度ファイルごとに計算しておき、前
記統計値に基づいて、文字誤認を判断する前記しきい値
と、生成されたキーワードをキーワードリストから外す
前記所定条件とを決定することを特徴とするイメージ文
書のキーワード抽出方法。 - 【請求項４】請求項１ないし３のいずれか１に記載のイ
メージ文書のキーワード抽出方法において、前記キーワ
ードリストに含まれるキーワードに対応した前記確信度
リストのエントリを参照し、参照したエントリから、イ
メージ文書における該キーワードの位置情報を特定し、
特定した位置情報に基づいてイメージ文書における該キ
ーワードの強調表示を行うステップを有することを特徴
とするイメージ文書のキーワード抽出方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP19421199A JP4334068B2 (ja) | 1999-07-08 | 1999-07-08 | イメージ文書のキーワード抽出方法及び装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP19421199A JP4334068B2 (ja) | 1999-07-08 | 1999-07-08 | イメージ文書のキーワード抽出方法及び装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2001022773A true JP2001022773A (ja) | 2001-01-26 |
| JP4334068B2 JP4334068B2 (ja) | 2009-09-16 |
Family
ID=16320808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP19421199A Expired - Fee Related JP4334068B2 (ja) | 1999-07-08 | 1999-07-08 | イメージ文書のキーワード抽出方法及び装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4334068B2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008276736A (ja) * | 2007-04-26 | 2008-11-13 | Fuji Xerox Co Ltd | インタラクティブシステムおよび画像検索性能を高めるプログラム |
| CN115116082A (zh) * | 2022-03-04 | 2022-09-27 | 杭州京胜航星科技有限公司 | 一种基于ocr识别算法的一键成档系统 |
| KR102475964B1 (ko) * | 2022-10-12 | 2022-12-09 | 조인환 | 상품 추천 서비스 제공 시스템 |
-
1999
- 1999-07-08 JP JP19421199A patent/JP4334068B2/ja not_active Expired - Fee Related
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008276736A (ja) * | 2007-04-26 | 2008-11-13 | Fuji Xerox Co Ltd | インタラクティブシステムおよび画像検索性能を高めるプログラム |
| CN115116082A (zh) * | 2022-03-04 | 2022-09-27 | 杭州京胜航星科技有限公司 | 一种基于ocr识别算法的一键成档系统 |
| CN115116082B (zh) * | 2022-03-04 | 2023-09-01 | 杭州京胜航星科技有限公司 | 一种基于ocr识别算法的一键成档系统 |
| KR102475964B1 (ko) * | 2022-10-12 | 2022-12-09 | 조인환 | 상품 추천 서비스 제공 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP4334068B2 (ja) | 2009-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101376863B1 (ko) | 문서 시각 구조의 문법 분석 | |
| US6694053B1 (en) | Method and apparatus for performing document structure analysis | |
| JP3292388B2 (ja) | 文書画像の復号なしに文書を要約するための方法と装置 | |
| AU2020279921B2 (en) | Representative document hierarchy generation | |
| JP3282860B2 (ja) | 文書上のテキストのデジタル画像を処理する装置 | |
| US5664027A (en) | Methods and apparatus for inferring orientation of lines of text | |
| JP3232143B2 (ja) | 復号していない文書画像の修正版を自動的に作成するための装置 | |
| US20030200078A1 (en) | System and method for language translation of character strings occurring in captured image data | |
| JP2713622B2 (ja) | 表形式文書読取装置 | |
| US20040006467A1 (en) | Method of automatic language identification for multi-lingual text recognition | |
| GB2422709A (en) | Correcting errors in OCR of electronic document using common prefixes or suffixes | |
| JPH086945A (ja) | 文書の論理構造の解析方法及びシステム | |
| US8208726B2 (en) | Method and system for optical character recognition using image clustering | |
| JPH01279368A (ja) | キャラクタデータの転送方式 | |
| CN108197119A (zh) | 基于知识图谱的纸质档案数字化方法 | |
| JPH09223240A (ja) | 文書電子化装置 | |
| Pal et al. | OCR error correction of an inflectional indian language using morphological parsing | |
| JP2008225695A (ja) | 文字認識誤り修正装置およびプログラム | |
| US11270153B2 (en) | System and method for whole word conversion of text in image | |
| JP2001022773A (ja) | イメージ文書のキーワード抽出方法 | |
| Ashraf et al. | An analysis of optical character recognition (ocr) methods | |
| Acharya et al. | Scan. It-Text Recognition, Translation and Conversion | |
| CN114579796A (zh) | 机器阅读理解方法及装置 | |
| Reul et al. | Automatic Semantic Text Tagging on Historical Lexica by Combining OCR and Typography Classification: A Case Study on Daniel Sander's Wörterbuch der Deutschen Sprache | |
| WO1997004409A1 (fr) | Dispositif de recherche de fichiers |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20060404 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060425 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060623 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060822 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20061005 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20070116 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20090623 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120703 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120703 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130703 Year of fee payment: 4 |
|
| LAPS | Cancellation because of no payment of annual fees |