JP2002297629A - 文書画像のタイトル抽出方法、抽出プログラム及び記録媒体並びにタイトル抽出装置 - Google Patents

Abstract

(57)【要約】 【課題】 処理速度が速く抽出精度が高い文書画像のタ
イトル抽出方法、抽出プログラム等を提供する。 【解決手段】 文書画像から行領域からなる文字領域に
ポイント付けをしてタイトルを抽出する文書画像のタイ
トルの抽出において、前記文字領域の属性及び前記行領
域のレイアウト的特徴からタイトルらしさの情報を簡易
に抽出する。抽出したタイトルらしさの情報にタイトル
らしさのポイントを付与し、所定のポイントが付与され
た文字領域をタイトル候補として抽出する。抽出したタ
イトル候補について文字認識し、文字認識したタイトル
候補のレイアウト的特徴からタイトルらしさの情報を正
確に抽出し、抽出したタイトルらしさの情報にタイトル
らしさのポイントを付与し、所定のポイントが付与され
たタイトル候補をタイトルとして抽出する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、文書画像データか
ら文書内容を簡便に表現する文書領域をタイトル領域と
して抽出する文書画像のタイトル抽出方法、抽出プログ
ラム及び記録媒体並びにタイトル抽出装置に関する。

【０００２】

【従来の技術】一般文書をＯＣＲ装置等で読み込んで得
られる文書画像から、文書のタイトル等の部分領域を抽
出する技術として、文書画像内の黒画素を走査し、それ
らが連結している領域に外接する矩形領域を文字矩形と
して抽出し、隣接する複数の文字矩形を統合して、それ
らの文字矩形に外接する矩形領域を文字矩形領域として
抽出する。そして、各文字列矩形の下線属性、枠付き属
性等の属性と、文書画像内の文字列矩形の位置や相互の
位置関係に基いて文字列矩形をタイトル矩形として抽出
する技術が公知である（特開平９−１３４４０６号公
報：以下、従来技術１という）。従来技術１は、非定型
文書に対して行領域のレイアウト的特徴を用いてタイト
ル抽出を行っている。また、文書画像から切り出された
文字列矩形に対し、この文字列矩形内の文字コードの識
別を行い、文字コード識別の確信度を一定のしきい値と
比較する、或いは前記文字列矩形内の文字数を求め、別
途辞書情報として文書のタイトルの文字数の統計を用い
て比較するなどの手法によりタイトルを抽出する技術が
公知である（特開平２０００−１４８７８８号公報：以
下、従来技術２という）。従来技術２は、タイトル抽出
の最初から文字認識を行ってその情報を使用してタイト
ル抽出を行っている。

【０００３】

【発明が解決しようとする課題】しかしながら、上述の
ように、従来技術１によれば、非定型文書に対して行領
域のレイアウト的特徴を用いてタイトル抽出を行ってい
るので、抽出率が満足のいくものにならない、また従来
技術２によれば、タイトル抽出の最初から文字認識を行
ってその情報を使用してタイトル抽出を行うので、処理
速度が遅くなるという問題点があった。本発明は、この
ような問題点に鑑みてなされたもので、その目的は、文
書タイトル候補の抽出精度が高く、処理速度が速いタイ
トル抽出方法、この抽出方法を実行するためのプログラ
ム及びこのプログラムを記録した記録媒体並びに前記プ
ログラムを搭載したタイトル抽出装置を提供することで
ある。

【０００４】

【課題を解決するための手段】請求項１の発明は、文書
画像から行領域からなる文字領域にポイント付けをして
タイトルを抽出する文書画像のタイトル抽出方法におい
て、前記文字領域の属性及び前記行領域のレイアウト的
特徴からタイトルらしさの情報を抽出する工程と、抽出
したタイトルらしさの情報にタイトルらしさのポイント
を付与する工程と、所定のポイントが付与された文字領
域をタイトル候補として抽出する工程と、抽出したタイ
トル候補について文字認識する工程と、文字認識したタ
イトル候補のレイアウト的特徴からタイトルらしさの情
報を抽出する工程と、抽出したタイトルらしさの情報に
タイトルらしさのポイントを付与する工程と、所定のポ
イントが付与されたタイトル候補をタイトルとして抽出
する工程とからなることを特徴とする文書画像のタイト
ル抽出方法である。

【０００５】請求項２の発明は、請求項１記載の文書画
像のタイトル抽出方法において、前記タイトルらしさの
情報を抽出する工程は、文字領域毎に行領域の長さを測
定し、同じ長さの行領域が複数あるとき、最初の行領域
がタイトルらしいと判定して前記情報を抽出する工程で
あることを特徴とする文書画像のタイトル抽出方法であ
る。

【０００６】請求項３の発明は、請求項１記載の文書画
像のタイトル抽出方法において、前記タイトルらしさの
情報を抽出する工程は、文字領域の行間距離を測定し、
その内部の行の行間距離が変わらないとき、一番上の行
領域がタイトルらしいと判定して前記情報を抽出する工
程であることを特徴とする文書画像のタイトル抽出方法
である。

【０００７】請求項４の発明は、請求項１記載の文書画
像のタイトル抽出方法において、前記タイトルらしさの
情報を抽出する工程は、文字領域の属性が表領域である
とき、該表領域の内部の文字行について通常の文字行と
タイトルらしさの判定を変更して前記情報を抽出する工
程であることを特徴とする文書画像のタイトル抽出方法
である。

【０００８】請求項５の発明は、請求項１記載の文書画
像のタイトル抽出方法において、前記タイトルらしさの
情報を抽出する工程は、文字領域の属性が表領域である
とき、該表領域のキャプションに相当する文字領域に、
タイトルらしさのポイントを付与して前記情報を抽出す
る工程であることを特徴とする文書画像のタイトル抽出
方法である。

【０００９】請求項６の発明は、請求項１記載の文書画
像のタイトル抽出方法において、前記タイトルらしさの
情報を抽出する工程は、文字領域が存在する範囲と分布
から、文書の種類を判別し、判別した文書の種類に応じ
て、タイトルらしいと判定する文字領域の位置を変更し
て前記情報を抽出する工程であることを特徴とする文書
画像のタイトル抽出方法である。

【００１０】請求項７の発明は、請求項１乃至６のいず
れかに記載のタイトル抽出方法の各工程を実行するため
の手順を記述したプログラムである。

【００１１】請求項８の発明は、請求項７記載のプログ
ラムを記録したコンピュータ読み取り可能な記録媒体で
ある。

【００１２】請求項９の発明は、請求項７記載のプログ
ラムを搭載したことを特徴とするタイトル抽出装置であ
る。

【００１３】

【発明の実施の形態】以下、本発明の実施形態について
説明する。図１は、本発明が適用されるタイトル抽出装
置の要部ブロック図であり、図中、スキャナ１００で読
み取られた画像のデータを画像入力部２００により必要
に応じ図示しない画像メモリにオリジナルデータとして
格納する。画像データは、画像入力部２００から直接又
は前記画像メモリから読み出されて領域分割装置３００
の矩形抽出部３０１に入力され、オリジナル画像の黒連
結成分に外接した矩形を抽出する。外接矩形は、更に行
抽出部３０２に入力され行抽出が行われる。行抽出部３
０２は、例えば、横書き文書の場合、図２に示すよう
に、隣合う文字矩形５０１，５０２の水平距離ｓｐ１を
求め、ｓｐ１が標準文字サイズ以下のときに両矩形を統
合する。或いは図３のように、文字矩形５０３，５０４
の水平方向についての重なり量ｓｐ２を求め、文字矩形
５０３，５０４の高さｈ１、ｈ２の小さい方の値をｈと
して、ｓｐ２≧ｈ／２なら文字矩形５０３，５０４に統
合する。このようにして統合された文字矩形の全てを包
含する外接矩形を行として抽出する。文字領域生成部３
０３は、このようにして抽出された行を統合することに
よって文字領域を抽出する。一方、文字領域抽出装置１
００は、図示しない文字認識部や領域識別部に繋がって
おり、文字認識部において画像データの文字認識、文字
矩形の座標値・大きさの取得が、領域識別部において各
文字毎の文字コード・確信度の取得が行われる。そし
て、タイトル抽出部４００において、これらにポイント
付けが行われ、タイトル候補を抽出する。これらの動作
は図示しないＣＰＵが所定のプログラムにしたがって動
作することにより実施される。

【００１４】本発明の実施形態は、このようなタイトル
抽出装置において、文書画像から文字領域を抽出し、さ
らに文書画像全体の行情報について、タイトルらしさの
情報を抽出してタイトル候補を求めるものである。具体
的な決め方として、公知のポイント（スコア）計算に基
く順位付けによる手法を用いることができる。

【００１５】より具体的には、抽出した文字領域の位
置、キャプションやヘッダー、本文などの属性からタイ
トルらしさの情報を抽出し、行のレイアウト的特徴から
タイトルらしさの情報を抽出し、これらの情報にタイト
ルらしさのポイントを付与して第１次タイトル候補を抽
出する。そして、抽出した第１次タイトル候補につい
て、文字認識を行ってそのレイアウト的特徴からタイト
ルらしさの情報を抽出し、これにタイトルらしさのポイ
ントを付与して第２次タイトル候補（最終的なタイト
ル）を抽出する。

【００１６】図４は、本実施形態に係る第１次タイトル
候補を決める１次抽出処理のフロー図である。図４にお
いて、領域分割装置３００がタイトル候補抽出の指示を
受けて動作を開始すると、この1次抽出処理では文字認
識をする前段階なので、正確な文字高さがわからない。
そのため、この段階では行の高さを暫定的な文字サイズ
として計算する（Ｓ１１）。各行についてのフォントサ
イズが分かったら、それらのフォントサイズから、文書
内の標準文字サイズを決定する。算定方式は一度全部の
平均を求め、平均から大きく外れているサイズを除外し
て、再度除外されなかったサイズのみで平均を再度算出
するという方式である。次に、文書中の文字領域の範囲
を抽出し（Ｓ１２）、その領域の座標値から各行のイン
デントやセンタリングの特徴を抽出する（Ｓ１３）。こ
れらは、行の単独情報に基くレイアウト的特徴量の抽出
である。

【００１７】続いて、前記領域識別により、本来１つの
コラムになるべきものが分割されることがあるので、そ
のようなときの行間距離を求める手がかりとして、領域
間距離を予め測定しておく（Ｓ１４）。測定の対象は文
字領域に対してのみであり、距離を測定する相手の領域
は、図、表など他の領域でも構わない。更に、前行との
距離（Ｓ１５）、前行とのＸｓ差の取得（Ｓ１６）、前
行とのフォントサイズ差の取得（Ｓ１７）を行う。これ
らは、行の相対情報に基くレイアウト的特徴量の抽出で
ある。

【００１８】次に、タイトル抽出部４００は、このよう
にして抽出した各特徴を行領域に付与するためにポイン
ト（スコア）付けを行う。フォントサイズからタイトル
らしさの情報を付与する場合、その行がステップＳ１１
で計算した標準文字サイズの何倍であるかを求め、それ
に応じた加点をすることでタイトルらしさとすることが
できる（Ｓ１８）。 例えば、２倍以上〜１０点 １．６倍〜８点 １．３倍〜６点 ０．７５倍〜１点 それ以外０点 などである。更に、行の長さについて、文字認識を行う
前であるので、その情報が得られない。そのため、この
１次抽出では行の長さをフォントサイズ（行高さ）で割
った値を仮想の文字数情報として使用し、 例えば、文字数３文字未満であれば、行長さスコアを０
点 ３文字以上であれば、１０点 として、行長さが短い場合にタイトルらしさをマイナス
ポイントする（Ｓ１９）。

【００１９】インデントとセンタリングにスコア付けを
行う（Ｓ２０）。インデント情報のタイトルらしさ加点
方式は、 例えば、センタリング１０点 左寄せ（後インデントのみ）４点 右寄せ（前インデントのみ）２点 インデントなし０点 フォントの大きい場合、センタリングとみなし１０点 フォントの小さい場合、準センタリングとみなし４点 などである。

【００２０】更に、所属領域について、領域識別によ
り、属性判定された領域のうち、ヘッダー、フッター、
キャプションに分類された領域には属性得点として低い
点の加点をする（Ｓ２１）。更に又、行の位置情報によ
るスコアとして、横書きの場合は全体の領域を上方、中
盤、下方にわけ、それぞれ行がある位置に対して位置得
点として加点し、縦書きの場合は、左右方向に３つに分
類し、右側が高得点になるように加点する（Ｓ２２）。

【００２１】センタリングのＹｓ順得点として、行の位
置情報のスコアつけをする段階で、センタリングの位置
についてもスコアをつける（Ｓ２３）。更に又、前行と
の距離差のスコア付けとして、前行とのフォントサイズ
差が小さければ、該当情報をマイナスポイントとし（Ｓ
２４）、前行とのフォントサイズ差、Ｘｓ差によるスコ
ア付けとして、前行とのフォントサイズ差が小さければ
該当情報をマイナスポイントとする（Ｓ２５）。次に、
このようにしてスコア付けしたスコアのトータルスコア
算出を行い（Ｓ２６）、スコア順にソートする（Ｓ２
７）。このソートによって、タイトルらしさの情報の順
位を得、所定スコア（順位）のタイトルらしさの情報を
第１次のタイトル候補とすることができる。

【００２２】このように、文字領域の位置、キャプショ
ンやヘッダー、本文などの属性と行のレイアウト的特徴
からタイトルらしさの情報が抽出され、これにスコア付
けが行われるのでタイトル候補の抽出速度が早くなる。

【００２３】次に、順位付けされたタイトルらしさ情報
の所定の上位候補について、前記文字データを認識し、
それに基いて更に同じ方式で第２次タイトル候補を求め
る。図５は、本実施形態に係る第２次タイトル候補を決
める２次抽出処理のフロー図である。図５において、領
域分割装置３００が第２次タイトル候補抽出の指示を受
けて動作を開始すると、図示しないＯＣＲ装置が起動
し、ＯＣＲパラメータや辞書の文字種などをセットし
（Ｓ３１）、順位付けされたタイトル候補について候補
行のループを設定する（Ｓ３２）。そして当該候補行に
ついて、行単位の文字認識を行う（Ｓ３３）。

【００２４】このとき、１次抽出でタイトルらしいとな
った行の文字認識結果が悪い場合は、文字のイタリック
変形や倍角変形などの強調がかけられている可能性を検
討して、その文書画像の該当部分に対して逆変換処理を
行い、再度認識を行うことで、ノイズ画像を文字領域と
間違ってしまったのか、フォントの強調処理によって、
通常の文字認識結果に誤りがあるのかを確認する。

【００２５】続いて、１行単位に、その行の文字確信度
を、文字認識の確信度から算出する（Ｓ３３）。具体的
には、挿入文字、空白文字（スペース、全角スペース、
タブ）改行、改領域コードを除いた文字数のうち、確信
度が上位のものから順に８割の文字分の平均によって求
める。次に、フォントサイズの再計算を行う（Ｓ３
５）。行のフォントサイズは１次抽出において概算で計
算している。ここでは文字認識が行われた後なので、正
確なフォントサイズを抽出する。２次抽出のフォントサ
イズ計算は、行の確信度の算出と同様に、挿入文字、空
白文字、改行、改領域を除外する。また確信度が８５以
下の文字も除外する。除外されなかった文字について、
サイズ順にソートをし、文字数の７割についての平均を
求める。求めた平均を行のフォントサイズとする。更
に、行の文字数を求め（Ｓ３６）、行のアスペクト比を
求める（Ｓ３７）。行内文字のアスペクト比は、前記フ
ォントサイズの再計算などと同様に挿入文字、空白、改
行、改領域を除外した文字で、矩形の縦横比を計算す
る。この値が一定範囲内である文字の縦横比の平均を行
内文字のアスペクト比とする。以上の計算をループの候
補行について行い（Ｓ３８，ＮＯ）、その終了後（Ｓ３
８，ＹＥＳ）、各特徴のスコア付けを行う。

【００２６】まず、フォントサイズについて、このスコ
アは１次抽出で得られている文書中の標準サイズとの比
をパラメーターとしてスコア付けをする（Ｓ３９）。行
のフォントサイズが１次抽出よりは正確になっているの
で、１次抽出のフォントサイズスコアよりは信頼性が高
くなる。次に、アスペクト比は、２．２〜２．０の範囲
を超えている行、文字数が少ない行、確信度の低い行に
ついて、フォント強調のスコアを０にする。０．４〜
０．７の範囲に入っている通常の行については、倍角と
判定し、スコアを加算する（Ｓ４０）。行内文字数のス
コアは、 例えば、２文字以下：スコア０ ３〜４０文字：スコア１０ ４１〜５０文字：スコア７ ５１文字以上：スコア４ などのようにする（Ｓ４１）。更に、行の確信度のスコ
ア付けを行い（Ｓ４２）、センタリングの再スコア付け
を行う（Ｓ４３）。以上の他、前行との距離情報、前行
とのフォントサイズ差、行の位置情報、所属領域の属性
情報についても１次抽出のスコアをそのまま使用してし
てスコア付けを行う。スコア付け後、トータルスコアを
算出し（Ｓ４４）、スコア順にソートして所定スコア以
上のタイトル候補をタイトルとして抽出する（Ｓ４
５）。

【００２７】このように、順位付けされたタイトル候補
の所定上位の候補について、文字認識し、文字認識後の
行領域のレイアウト的特徴からタイトルらしさの情報を
抽出し、該情報にスコア付け行って最上位スコアのタイ
トル候補をタイトルとして抽出するので、精度よくタイ
トル候補を抽出することができる。

【００２８】なお、領域としてのタイトルらしさの情報
は、文字領域を抽出する際に、その領域を分類し、あら
かじめヘッダー、フッター、キャプション、本文などの
属性から抽出するが、この技術は、本出願人による特開
平7-192084公報に記載された技術を使用することができ
る。文字領域から得られる行の位置座標から、例えば最
も下の領域であるとか、明らかにタイトルが含まれてい
ない領域というのを指摘することができる。この明らか
にタイトルが含まれていないという条件を経験的にみつ
け、位置情報と整合をとるにより、その領域にタイトル
が含まれていなさそうな場合、その領域の行データにあ
るタイトル情報に、タイトルらしくないという情報を付
与する。同様に、分類されているカテゴリーについても
タイトルが含まれないであろうカテゴリーはある。例え
ばヘッダーにはタイトルが含まれる可能性があるが、フ
ッターには含まれる可能性はないというような情報であ
る。このようにして領域としてのタイトルらしさの情報
を抽出する。

【００２９】他に、領域としてのタイトルらしさの情報
を取得する方法として、領域単位毎の文字行の長さを測
定する。ある領域の内部に同じ長さの行が多い場合に
は、その領域にはタイトルがない、もしくはタイトルは
一番上の行であり、その真中くらいの位置にタイトルが
存在することはないという判定を行い、領域としてのタ
イトルらしさの情報を抽出する。

【００３０】又、領域単位毎の文字行の行間距離を測定
する。領域単位の行間距離が一定値から誤差程度の変化
しかない場合には、その領域にはタイトルがない、もし
くはタイトルは一番上の行であり、その真中くらいの位
置にはタイトルが存在することはないという判定を行
い、領域としてのタイトルらしさの情報を抽出する。

【００３１】更に、領域分割をして、生成された領域が
表領域だった場合、その表領域の内部の文字行につい
て、通常の文字行のタイトルらしさの判定を、前記内部
の文字行について行うよう変更する。これは例えば、表
内部の文字列と、表の外の文字列を同じ次元で評価でき
ないため、その次元を合わせるような処理を行うことで
ある。例えば、表の中の文字列はタイトルになりにくい
が、全くタイトルにならないわけではなく、表の外に文
字列が全くない場合や、書誌事項的項目が表形式で上の
方に書かれている場合も存在する。また、表形式で書か
れている文字行は、行の位置座標だけをみれば、並列し
ていくつかの項目が書かれているため、単独に存在しが
ちなタイトルと考えにくいが、表の内部であるという状
態であった場合、単独に存在していないことが、タイト
ルらしくないという情報にならないような操作を行い、
そのようにタイトルらしさの特徴を抽出する際に、表内
部とそれ以外の行を、操作を変えて処理する。

【００３２】更に又、行単位ではなく、領域単位でのタ
イトルらしさの特徴を抽出できる方法として、領域分割
をして、生成された領域が表領域だった場合に、その表
領域のキャプションに相当する文字領域について、タイ
トルらしさの情報を付与する。キャプション領域は、通
常タイトルにはなりえない文字領域であるが、表の外に
文字行がなかった場合などは、タイトルになり得る。そ
こで、表がいくつかあった場合に、重要そうな表を選択
して、その重要そうな表のキャプションが最もタイトル
候補としてふさわしいと考えるような処理方法である。

【００３３】更に又他の、タイトルらしさの特徴を抽出
できる方法として、領域単位でのタイトルらしさの特徴
を抽出する際に、文字領域の分布又は配置から、文書の
プレゼン資料か雑誌か等のタイプを推定し、推定された
文書のタイプから、それに応じたタイトルらしいと判定
する文字領域の位置を変更する。推定方法には、例えば
特開平11-328306公報に開示されたレイアウト的特徴に
基き複数の論理モデルの中から一致するモデルをみつけ
る方法を使用することができる。また、この公報に開示
されているように精度良く特定の論理モデルに一致をみ
なくても、非常に大きな分類の結果だけでも以降の処理
には有効である。例えばプレゼンテーション資料であれ
ば、左右のセンタリングだけでなく、上下の位置もセン
タリングされている。雑誌記事であれば、文字サイズと
左のインデントが０のケースが他のタイプよりも目立
つ。これを全部の文書に対して行うと、上下の位置がセ
ンタリングされているからといって、雑誌記事などでタ
イトル位置がその情報に影響されると、不正解につなが
る。そこで、文書タイプをあらかじめ推定してからそれ
に応じて文字領域を変更して特徴量を使用すると、タイ
トル抽出がよりよい精度で行うことができる。

【００３４】本発明の他の実施形態は、図４及び図５を
参照して説明した文書画像のタイトル抽出方法を実行す
るためのプログラムを、タイトル抽出装置（図１）や任
意のコンピュータに実行させることにより目的とするタ
イトル抽出機能を実現する。そして更に前記プログラム
をコンピュータ読み取り可能なプログラムとしてＣＤ−
ＲＯＭ等の記録媒体に記録する。このプログラムを前記
抽出装置や任意のコンピュータに搭載又はダウンロード
することによって前記抽出方法を容易に実行することが
できる。

【００３５】

【発明の効果】請求項１に対応する作用効果： 文字領
域の属性及び行領域のレイアウト的特徴からタイトルら
しさの情報を抽出し、抽出したタイトルらしさの情報に
タイトルらしさのポイント付けを行って、簡易に文字領
域をタイトル候補として抽出する。このようにして抽出
したタイトル候補について文字認識し、文字認識したタ
イトル候補のレイアウト的特徴からタイトルらしさの情
報を正確に抽出し、抽出したタイトルらしさの情報にタ
イトルらしさのポイント付けを行い、所定ポイントのタ
イトル候補をタイトルとして抽出するので、高速度で精
度よくタイトルを抽出することができる。請求項２、
３、４、５、６に対応する作用効果： タイトル候補の
抽出をよりよい精度で行うことができるようになる。請
求項７、８、９に対応する効果： 請求項１〜６のタイ
トル抽出方法をタイトル抽出装置や任意のコンピュータ
において容易に実行することができるようになる。

【図面の簡単な説明】

【図１】本発明が適用される文字領域抽出装置の要部ブ
ロック図である。

【図２】本発明の実施形態に係る行抽出のための矩形統
合の説明図である。

【図３】本発明の実施形態に係る行抽出のための矩形統
合の説明図である。

【図４】本発明の実施形態に係るタイトル候補抽出のフ
ロー図である。

【図５】本発明の実施形態に係るタイトル候補抽出のフ
ロー図である。

【符号の説明】

１００・・スキャナ、２００・・画像入力部、３００・・領域
分割装置、４００・・タイトル抽出部

───────────────────────────────────────────────────── フロントページの続き Ｆターム(参考） 5B075 ND07 NK04 NK06 NK31 PP04 PR06 QM05 5L096 BA17 CA14 DA02 FA59 FA66 FA69 JA14

Claims (9)

【特許請求の範囲】
1. 【請求項１】 文書画像から行領域からなる文字領域に
   ポイント付けをしてタイトルを抽出する文書画像のタイ
   トル抽出方法において、前記文字領域の属性及び前記行
   領域のレイアウト的特徴からタイトルらしさの情報を抽
   出する工程と、抽出したタイトルらしさの情報にタイト
   ルらしさのポイントを付与する工程と、所定のポイント
   が付与された文字領域をタイトル候補として抽出する工
   程と、抽出したタイトル候補について文字認識する工程
   と、文字認識したタイトル候補のレイアウト的特徴から
   タイトルらしさの情報を抽出する工程と、抽出したタイ
   トルらしさの情報にタイトルらしさのポイントを付与す
   る工程と、所定のポイントが付与されたタイトル候補を
   タイトルとして抽出する工程とからなることを特徴とす
   る文書画像のタイトル抽出方法。
2. 【請求項２】 請求項１記載の文書画像のタイトル抽出
   方法において、前記タイトルらしさの情報を抽出する工
   程は、文字領域毎に行領域の長さを測定し、同じ長さの
   行領域が複数あるとき、最初の行領域がタイトルらしい
   と判定して前記情報を抽出する工程であることを特徴と
   する文書画像のタイトル抽出方法。
3. 【請求項３】 請求項１記載の文書画像のタイトル抽出
   方法において、前記タイトルらしさの情報を抽出する工
   程は、文字領域の行間距離を測定し、その内部の行の行
   間距離が変わらないとき、一番上の行領域がタイトルら
   しいと判定して前記情報を抽出する工程であることを特
   徴とする文書画像のタイトル抽出方法。
4. 【請求項４】 請求項１記載の文書画像のタイトル抽出
   方法において、前記タイトルらしさの情報を抽出する工
   程は、文字領域の属性が表領域であるとき、該表領域の
   内部の文字行について通常の文字行とタイトルらしさの
   判定を変更して前記情報を抽出する工程であることを特
   徴とする文書画像のタイトル抽出方法。
5. 【請求項５】 請求項１記載の文書画像のタイトル抽出
   方法において、前記タイトルらしさの情報を抽出する工
   程は、文字領域の属性が表領域であるとき、該表領域の
   キャプションに相当する文字領域に、タイトルらしさの
   ポイントを付与して前記情報を抽出する工程であること
   を特徴とする文書画像のタイトル抽出方法。
6. 【請求項６】 請求項１記載の文書画像のタイトル抽出
   方法において、前記タイトルらしさの情報を抽出する工
   程は、文字領域が存在する範囲と分布から、文書の種類
   を判別し、判別した文書の種類に応じて、タイトルらし
   いと判定する文字領域の位置を変更して前記情報を抽出
   する工程であることを特徴とする文書画像のタイトル抽
   出方法。
7. 【請求項７】 請求項１乃至６のいずれかに記載のタイ
   トル抽出方法の各工程を実行するためのプログラム。
8. 【請求項８】 請求項７記載のプログラムを記録したコ
   ンピュータ読み取り可能な記録媒体。
9. 【請求項９】 請求項７記載のプログラムを搭載したこ
   とを特徴とする文書画像のタイトル抽出装置。