JP2643092B2 - 文書書式上の事前定義されたフィールドの外側に位置する標準外データを処理する方法およびシステム - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】ここに開示する本発明は、広くは
データ処理に関し、より詳細には文書書式のデジタル化
イメージの処理に関する。

【０００２】

【従来の技術】本特許出願は、ＩＢＭコーポレーション
に譲渡され、参照により本明細書に合体された、１９９
２年４月１５日出願の、"Data Processing System and
Methodfor Sequentially Repairing Character Recogni
tion Errors for Scanned Images of Document Forms"
と題する、Ｔ．Ｓ．ベッツ（Betts）他の同時係属の米
国特許出願第０７／８７０１２９号に関連する。

【０００３】また本特許出願は、ＩＢＭコーポレーショ
ンに譲渡され、参照により本明細書に合体された、１９
９２年４月１７日出願の、"Data Processing System an
d Method for Selecting Customized Character Recogn
ition Processes and CodedData Repair Processes for
Scanned Images of Document Forms"と題する、ベッツ
他の同時係属の米国特許出願第０７／８７０５０７号に
関連する。

【０００４】さらに本特許許出願は、ＩＢＭコーポレー
ションに譲渡され、参照により本明細書に合体され
た、"A Computer Implemented Method for Automatic E
xtraction of Data From Printed Forms"と題する、
Ｒ．Ｇ．キャセイ（Casey）他の米国特許第５１４０６
５０号、出願番号０７／３０５８２８号に関連する。

【０００５】さらに本特許出願は、ＩＢＭコーポレーシ
ョンに譲渡され、参照により本明細書に合体された、１
９９３年４月２６日出願の、"System and Method for E
nhanced Character Recognition Accuracy by Adaptive
Probability Weighting" と題する、Ｍ．Ｐ．Ｔ．ブラ
ッドレイ（Bradley）他の同時係属の米国特許出願第０
８／０５１９７２号に関連する。

【０００６】さらに本特許出願は、ＩＢＭコーポレーシ
ョンに譲渡され、参照により本明細書に合体された、"M
ethod and System for Fast Forms Recognition of Doc
ument Form Images"と題する、Ｄ．Ｗ．ビリングズ（Bi
llings）他の同時係属の米国特許出願に関連する。

【０００７】さらに本特許出願は、ＩＢＭコーポレーシ
ョンに譲渡され、参照により本明細書に合体された、"D
ata Processing and Method for Forms Definition,Rec
ognition and Verification of Scanned Images of Doc
ument Forms"と題する、ベッツ他の米国特許出願に関連
する。

【０００８】さらに本特許出願は、ＩＢＭコーポレーシ
ョンに譲渡され、参照により本明細書に合体された、"D
ata Capture Variable Priority Method and System fo
r Managing Varying Processing Capacities"と題す
る、Ｍ．Ｅ．バーガー（Burger）の米国特許出願に関連
する。

【０００９】デジタル・イメージに含まれるデータは、
様々な目的のため、様々な多くの方法で抽出される。書
式から情報を抽出するために必要なものは、データのタ
イプと記憶位置の知識（書式の「フィールド」に関する
情報）である。近年、ほとんどの書式処理アプリケーシ
ョンは、書式を「定義」するための独自の方式を有し、
各方式は他の方式と互換性がない。異なるいくつかの書
式処理アプリケーションを使用する大きなイメージ・シ
ステムでは、各書式を各アプリケーションごとに別々に
定義する必要があり、そのため時間を要し書式定義に矛
盾が含まれるようになる。同時係属のビリングズ他の上
記米国特許出願に開示された方法は、ほとんどすべての
書式処理アプリケーションに使用できる書式定義データ
・セットを生成する。

【００１０】

【発明が解決しようとする課題】従来技術においては、
書式認識が完了した後に問題が生じる。書式内の文書イ
メージの処理の目的は、書式上に事前印刷された背景を
取り去り、提出者によって入力されたデータのイメージ
を文字認識プロセッサに送ることである。提出者が書式
上で事前定義されたフィールドの外の標準外領域にデー
タを入力するときに問題が起こる。例えば、納税者によ
る所得申告書の提出の際に、納税者はしばしば、事前印
刷書式上に傍注として、例えば「添付書類参照」という
ような追加情報を提出する。このデータは業務アプリケ
ーションにおいて識別し認識する必要があるが、文書イ
メージの事前定義されたフィールド内の領域だけに集中
する文字認識プロセスでは通常見落とされる。

【００１１】したがって、本発明の目的は、改善された
方法で、文書書式上の事前定義されたフィールドの外側
にある標準外データの存在を検出することである。

【００１２】本発明の他の目的は、改善された方法で、
文書書式の所定のフィールドの外側にある標準外データ
の文字認識を行うことである。

【００１３】本発明の他の目的は、標準外データの文字
認識が失敗した場合または不可能な場合に、文書書式の
所定フィールドの外側にある標準外データを手動認識ス
テーションに送ることである。

【００１４】

【課題を解決するための手段】上記その他の目的、特徴
および利点は、文書書式上の所定フィールドの外側にあ
る標準外データを処理するためのここに開示する方法お
よびシステムによって実現される。本発明は、データ処
理システムにおいて実施される。本発明は、所定のデー
タ・フィールドを有する完全な文書書式イメージにおい
て、標準外データを判別するための方法を含む。本発明
の方法は、完全イメージからデータ・イメージを分離す
る段階を含む。データ・イメージには、事前定義された
フィールド内のフィールド・データと、事前定義された
フィールド内にない標準外データとが含まれる。この方
法はさらに、データ・イメージからフィールド・データ
を除去して第１の抽出データ・イメージを形成する段階
を含む。次に、第１の抽出データ・イメージから斑点イ
メージを除去し、第２の抽出データ・イメージを形成す
る。次に、第２の抽出データ・イメージから人工物（ar
tifact）イメージを除去し、第３の抽出データ・イメー
ジを形成する。

【００１５】この方法では、続いて第３の抽出データ・
イメージを圧縮して、あるファイル・サイズを有する圧
縮イメージ・ファイルを形成する。次に、そのファイル
・サイズを所定値と比較する。次に、比較段階でファイ
ル・サイズが所定値よりも大きいと判定された場合は、
比較段階に応じて標準外データ信号を発生する。

【００１６】この方法では、続いて発生段階において標
準外データの存在を示す標準外データ・フラグを出力す
る。またこの方法では、標準外データを手動処理ステー
ションに出力することもできる。また標準外データを文
字認識プロセスに出力することもできる。またさらに、
標準外データの位置座標と標準外データのイメージをデ
ィスプレイ・ステーションに出力することもできる。次
いで、ディスプレイ・ステーションは、その位置座標を
使用して標準外データのイメージを選択的に表示するこ
とができる。

【００１７】さらにこの方法では、第２の所定値よりも
短い黒画素の連続を識別し、それを斑点イメージとみな
すことにより、斑点を識別して除去することができる。
次に、第１の抽出データ・イメージから斑点イメージを
除去する。次にこの方法ではさらに、第３の所定値より
も長い黒画素の連続を識別し、人工物イメージとみなす
ことにより、人工物を除去する段階を含む。次いで、第
２の抽出データ・イメージから人工物イメージを除去す
る。

【００１８】さらにこの方法は、第３の抽出イメージ内
の黒画素のラン・レングス値を計算する圧縮段階を含
む。次にラン・レングスの値を、複数のデジタル・ワー
ドで表す。次にこの方法では、この複数のデジタル・ワ
ードの数を所定値と比較して、データ・イメージ内に標
準外データ・イメージがあるかどうかを判定する。この
方法ではさらに、データ・イメージから標準外データを
除去して、削除データ・イメージを形成することもでき
る。次いで、フィールド・データを認識するために、削
除データ・イメージを文字認識プロセスに出力する。

【００１９】このように、本発明は、改善された方法
で、文書書式の事前定義されたフィールドの外にある標
準外データの存在を検出することができる。本発明によ
り、標準外データのまたフィールド・データの文字認識
が可能になる。本発明はまた、文字認識が失敗した場合
に標準外データを手動修復ステーションに送る手段を提
供する。

【００２０】

【実施例】書式認識が実施されて提出された書式の識別
が書式ＩＤで確立された後に、ここに開示する本発明で
は、提出された書式上の所定データ・フィールドの外側
にある領域に標準外データが含まれているかどうかを判
定する。図１は、事前印刷背景情報１０２を含むマスタ
書式イメージ１００を示す。マスタ書式イメージ１００
は、例えば１９９３年用の米国連邦所得申告書書式１０
４０号である。マスタ書式イメージ１００において、事
前印刷情報１０２は、"１０４０"および"１９９３"とい
う書式の標題、ならびにいくつかのフィールドを含む。
書式はまた、いくつかの事前定義データ・フィールドを
含む。フィールド１０４は、「名前」に対応し、フィー
ルド１０５は「給料」に対応し、フィールド１０６は
「修正総所得」に対応し、フィールド１０７は「税金」
に対応し、フィールド１０８は「署名」に対応する。ま
た、図１のマスタ書式イメージ１００上には、フィール
ド１０７を限定する水平線１０１、フィールド１０８を
限定する水平線１０９、および事前印刷登録ブロックを
含むいくつかの他の事前印刷されたオブジェクトが示さ
れている。

【００２１】図２は、マスタ書式イメージ１００の完全
イメージ１２０を示す。完全イメージ１２０は、納税者
によって入力されたデータを含むフィールドを有する納
税者が提出する書式の外観に対応する。図２に、フィー
ルド・データ１１０を含む書式１２０をまとめて示す。
フィールド１０４は、フィールド・データ１２４"ＪＯ
ＨＮ ＤＯＥ"を含む。フィールド１０５は、"＄１，２
３４．５６"のフィールド・データ１２５を含む。フィ
ールド１０６は、"＄７８９．１２"のフィールド・デー
タ１２６を含む。フィールド１０７は、データ１２７で
あるフィールド・データ"＄３４．５６"を含む。フィー
ルド１０８は、"Ｊｏｈｎ Ｄｏｅ"の手書き署名データ
１２８を含む。書式処理の全体的な目的は、マスタ書式
イメージ１００内の事前印刷情報１０２を取り去って、
フィールド１２０に示したフィールド・データ１１０だ
けを残すことである。ここで生じる問題は、納税者の所
得申告書の例では、時々書式上の事前定義フィールドの
外側の領域に標準外データ１２２を含むことである。こ
の例は、「添付書類参照」という標準外データ１２２で
ある。この標準外データは、書式の事前定義フィールド
内のデータを認識するために設計されており、書式の事
前定義フィールドの外側のデータを認識するためには設
計されていない、通常の文字認識操作では無視される。

【００２２】図３は、この図では参照番号１１０のフィ
ールド・データと標準外データの両方を含むデータ・イ
メージ１３０を示す。図４は、フィールド・データ１２
４、１２５、１２６、１２７、１２８を有するが、標準
外データ１２２がそれから分離された、フィールド・デ
ータ・イメージを示す。事前印刷書式を処理するひとつ
の目的は、図４に示したフィールド・データ・イメージ
１４０を分離し、それを文字認識プロセッサに送り、事
前定義フィールドに含まれる情報を認識することであ
る。

【００２３】図５は、標準外データ１２２によって表さ
れる標準外データ・イメージ１５０、すなわち語句「添
付書類参照」を示す。ここに開示する本発明の目的は、
書式１５０上の標準外データ１２２の存在を判定するこ
とである。本発明の他の目的は、標準外データ１２２の
文字認識を行うことである。さらに本発明の他の目的
は、標準外データ１２２に対して行われる文字認識操作
が失敗した場合または不可能な場合は、標準外データ１
２２を手動認識プロセッサに選択的に表示することであ
る。

【００２４】図６は、人工物を含むデータ・イメージ１
６０を示す。人工物を含むデータ・イメージ１６０は、
事前印刷書式からデータ分離を行う際に発生する問題を
例示している。スキャナで事前印刷書式が誤登録された
場合、実際にデータ・イメージからある背景事前印刷情
報が消失したり除去されたりしないことがある。これ
は、フィールド・ボックスの残余部分または他の事前印
刷された記号や文字などの人工物を文字認識プロセスで
間違って検査し、そのような人工物の文字認識の実行を
試みるので、文字認識プロセスに混乱を生じる。これ
は、特定の提出書式について、間違いの文字認識出力や
文字認識結果の拒否を招くことになる。図６の人工物を
含むデータ・イメージ１６０は、書式イメージ上に残っ
ているフィールド・データ１０４、１０５、１０６、１
０７、１０８を示している。また、標準外データ１２２
も含まれている。イメージ１６０に関する問題点は、１
０１'で示したフィールド・ボックス１０７の一部分、
および１０９'で示したフィールド・ボックス１０８の
一部分が間違って含まれることである。また、図６のイ
メージ１６０には、事前認識記号１０３'といくつかの
斑点マーク１６２も誤って含まれている。

【００２５】斑点マークは、書式イメージにおいて、文
字の特徴的な幅と高さまたは文字の縦棒および横棒部分
よりも小さなマークである。例えば、一般に文字が最低
２画素の幅と２画素の高さであり、その通常のデータ・
イメージが少なくとも２画素の幅と２画素の高さで示さ
れる場合は、２画素の高さと２画素の幅よりも小さいデ
ータ・イメージ１６０の残余マークは、斑点イメージと
みなされる。

【００２６】人工物は、イメージに現れることが予想さ
れる最も大きな文字よりも大きい、図６のデータ・イメ
ージ１６０上に残ったオブジェクトであると見なされ
る。文字が通常８画素よりも幅広くなくまた８画素より
も高くない場合は、例えば８画素よりも幅広いかまたは
８画素よりも高いオブジェクトが人工物である。これら
は、標準的な文字部分よりも小さいまたは文字全体より
も大きい残余イメージが、それぞれ斑点または人工物と
みなされるという原理を例示する、斑点と人工物に関す
る定義の任意の例である。

【００２７】図７は、標準外データと人工物のイメージ
１７０を示す。図７では、図２のデータ・イメージ・フ
ィールド・データ１２４、１２５、１２６、１２７、１
２８が、図６の人工物を含むデータ・イメージ１６０か
ら削除または除去されていることがわかる。残っている
のは、標準外データ１２２の「添付書類参照」の他に、
人工物１０１'、１０９'および斑点１６２と人工物１０
３'である。本発明の目的のひとつは、標準外データ１
２２の存在を識別し標準外データ１２２の文字認識を実
現するために、イメージ１７０中の斑点と人工物を有効
に除去し、図５に示すように、標準外データ１２２をイ
メージ１７０上に残すことである。

【００２８】図８は、本発明による標準外データ判別プ
ロセッサ２００を示す。プロセッサ２００は、バス２０
４によってＣＰＵ２０６とキーボードおよびディスプレ
イ２１４とマウス指示装置２１６とに接続されたメモリ
２０２を含む。またバス２０４は、スキャナ２０８と、
ディスク・ドライブ２１０と、ローカル・エリア・ネッ
トワーク２４０に接続されたローカル・エリア・ネット
ワーク・アダプタ２１２とにも接続されている。

【００２９】プロセッサ２００のメモリ２０２には、図
１０および図１１により詳細に示した標準外データ３０
０を判別するためのプログラムが含まれる。メモリ２０
２にはまた、イメージ分離プログラム２５０、書式定義
データ・セット区画２５２、フィールド定義区画２５
４、全文書イメージ区画２５６、抽出イメージ区画２５
８、イメージ圧縮プログラム２６２、削除イメージ区画
２６０、事前定義値レジスタ２６４、フラグ・レジスタ
２６６、座標レジスタ２６８、文字認識プログラム２７
０、文字列レジスタ２７２も含まれる。また、オペレー
ティング・システム２３０も含まれる。メモリ２０２に
含まれるプログラムは一連の実行可能な命令であり、Ｃ
ＰＵ２０６によって実行されると、所期の動作を実行す
る。

【００３０】図９は、手動修復ステーション２０３の機
能ブロック図である。これは、ローカル・エリア・ネッ
トワーク２４０に接続されたローカル・エリア・ネット
ワーク・アダプタ２１２'にバス２０４'によって接続さ
れたメモリ２０２"を含むデータ・プロセッサである。
バス２０４'はまた、ＣＰＵ２０６'と、キーボードおよ
びディスプレイ２１４'と、マウス指示装置２１６'とに
も接続されている。またバス２０４'は、任意のスキャ
ナ２０８'と、ディスク・ドライブ２１０'にも接続され
ている。ＬＡＮアダプタ２１２'は、ＬＡＮ２９４によ
って利用プロセッサに接続される。利用プロセッサは、
分離文字認識プロセッサ、データ・プロセッサ、または
文字認識プログラムおよび手動修復ステーション２０３
によって出力された文字列を利用する他の記憶装置を含
むことができる。

【００３１】また、手動修復ステーション２０３のメモ
リ２０２"には、書式ＩＤ区画２４２'、座標レジスタ２
６８'、書式定義データ・セット区画２５２'、標準外デ
ータ・プログラム３００、イメージ区画２９０および文
字列区画２９２が含まれる。イメージ区画２９０は、例
えば図５に示したような標準外データ・イメージ１５０
を記憶する。文字列区画２９２は、書式１５０から文字
認識された様々なイメージに関する、プロセッサ２００
で文字認識プログラム２７０から出力された認識文字列
を記憶する。認識プログラム２７０からその認識文字列
が出力された、イメージ１５０上の特定のイメージ１２
２は、疑わしい文字または誤認識された文字を含み、イ
メージ区画２９０にその強調表示イメージ２２４を有す
る。これは、オペレータに、手動修復ステーション２０
３で、文字列区画２９２内の対応する認識文字列２７
２'を検査し、文字列区画２９２内に表示された誤認識
文字または疑わしい文字に代わる正しい文字をキーボー
ド２１４'で入力する機会を与える。

【００３２】図８では、特定の提出書式に関して誤認識
された文字または疑わしい文字の修復を可能にするため
に、メッセージ２４５がプロセッサ２００からＬＡＮ２
４０を介して手動修復ステーション２０３に送られるこ
とがわかる。ファイル２４５は、書式ＩＤ２４２'、文
書書式イメージ１２０、フィールド・データ認識文字列
２８４'、標準外イメージ１５０、誤認識された文字ま
たは疑わしい文字の座標と位置２６８'、および文字認
識結果文字列２７２'を含む。

【００３３】図９の手動修復ステーション２０３は、ラ
イン２９４を介して利用プロセッサにメッセージ２７５
を出力する。メッセージ２７５は、書式ＩＤ２４２'、
書式イメージ１２０、訂正済フィールド・データ文字列
２８４"、文字認識プログラム２７０または手動修復ス
テーション２０３から出力された、書式上のすべてのデ
ータ・フィールドに関する訂正済フィールド・データ文
字列２８４"を含む。メッセージ２７５はまた、本発明
に従って、書式上にあるものとして識別された訂正済標
準外データ文字列２７２"を含む。これらは、誤認識さ
れた文字を訂正するため、文字認識プログラム２７０ま
たは手動修復ステーション２０３に提示済みである。標
準外データ文字列２７２"は、メッセージ２７５に入れ
て利用プロセッサに提供される。

【００３４】本発明の方法を、図１０と図１１の流れ図
に示す。流れ図は、本発明の原理を実施するために一連
の動作ステップを実行する実行可能命令のシーケンスで
あるプログラムを表す。図１０のプログラム３００は、
ステップ３０２で始まり、プロセッサ２００に入力され
た完全イメージにイメージ分離処理を適用する。図２に
示した完全イメージ１２０から図３に示したデータ・イ
メージ１３０を分離するためのイメージ分離を実行する
のに適したイメージ分離処理の詳細に関しては、ＩＢＭ
コーポレーションに譲渡され、参照により本明細書に合
体された、シェビオン（Chevion）他の米国特許第５１
８２６５６号および第５２０４７５６号を参照された
い。米国特許第５１８２６５６号および第５２０４７５
６号に開示されたような従来技術のイメージ分離方法の
ひとつの問題点は、完全イメージ１２０がマスタ書式イ
メージ１００に対して位置がずれている場合、図６のイ
メージ１６０に示したように、データ・イメージ内に人
工物と斑点が残ることである。図１０と図１１の方法
は、この従来技術の問題を解決する。

【００３５】図１０の方法３００はステップ３０４に進
み、フィールド・データ１２４、１２５、１２６、１２
７、１２８と、標準外データ１２２と、さらに人工物１
０１、１０３、１０９と斑点イメージ１６２とを含む可
能性のある、図１のデータ・イメージ１６０をバッファ
に入れる。これは、図６に対応する。

【００３６】次に、ステップ３０６で、図１のマスタ書
式イメージ１００の各フィールド１０４、１０５、１０
６、１０７、１０８に関する位置およびその他の情報を
識別するフィールド定義を得る。次にステップ３０８
で、所定のフィールド１０４、１０５、１０６、１０
７、１０８内の領域を全て白画素に変換することによっ
てフィールド領域を消す。これにより、図７の標準外デ
ータおよび人工物のイメージ１７０が残る。これを、第
１抽出データ・イメージと呼ぶ。この第１の抽出データ
・イメージを、次に斑点除去と人工物除去にかける。

【００３７】ステップ３１０で、図７に示した第１抽出
イメージについて斑点除去を開始する。ステップ３１２
で、イメージ１７０上の次の水平行を開始する。ステッ
プ３１４で、長さ２画素よりも短い黒画素の連続がある
かどうか判定する。この黒画素の連続は、水平方向に隣
接する一連の黒画素である。ステップ３１６で、長さ２
画素よりも短い黒画素の連続があると判定し、それぞれ
の黒画素の連続を白画素に設定する。これにより、長さ
２画素よりも短い斑点イメージが除去される。これは単
に画素の長さの一例であり、除去のために他の長さを指
定することもできる。次にステップ３１８で、イメージ
１７０中に他にまだ行があるかどうかを判定する。他に
まだ行がある場合は、プロセスはステップ３１２に戻
り、他に行がない場合は、プロセスは斑点１６２のない
第２の抽出データ・イメージを扱うステップ３２０に進
む。

【００３８】ステップ３２０で、人工物除去を開始す
る。斑点が除去された結果、第２抽出イメージが生成さ
れる。第２抽出イメージには、図７に示した人工物１０
１'、１０３'、１０９'がまだ残っている。図１０のス
テップ３２２で、次の行から開始する。ステップ３２４
で、８画素より長い水平方向の黒画素の連続があるかど
うかを判定する。この例では、予想される文字の最大幅
として８を選んだ。８画素よりも長い水平方向の黒画素
の連続がある場合は、人工物とみなされ除去される。人
工物を指定するために、他の長さの水平方向の画素の連
続を使用することもできる。ステップ３２６で、長さ８
画素よりも長い黒画素の連続がある場合は、それらの画
素を白に設定する。これにより、図７のイメージ１７０
から人工物１０１'、１０３'、１０９'が効果的に除去
される。ステップ３２８で、他にまだ行があるかどうか
を判定する。他にまだある場合は、プログラムはステッ
プ３２２に進む。他にもうない場合は、プログラムは人
工物のない第３抽出イメージを扱うステップ３３０に進
む。

【００３９】ステップ３３０で、イメージ圧縮ステップ
を開始する。人工物除去ステップの出力は、第３抽出デ
ータ・イメージ１５０である。次に第３抽出データ・イ
メージを圧縮して、ある値のファイル・サイズの圧縮イ
メージ・ファイルを形成する。ここに記載する圧縮技法
は、ＣＣＩＴＴグループ圧縮技法などの簡単なラン・レ
ングス符号化技法である。本発明に従って、他の無損失
圧縮技法を利用することもできる。ステップ３３０でイ
メージ圧縮ステップを開始するが、このイメージ圧縮ス
テップの目的は、図７のイメージ１７０から人工物を除
去し斑点を除去した後に、標準外データがあるかどうか
を判定することである。ステップ３３２で次の行から開
始する。ステップ３３４で、第３抽出データ・イメージ
中の水平方向の黒画素の連続の長さを計算する。第３抽
出データ・イメージは、残っている標準外データ１２２
だけを示す図５のイメージ１５０によって表される。次
に、図１０のステップ３３６で、他にまだ行があるかど
うかを判定する。他にまだある場合は、プログラムはス
テップ３３２に進む。他にもうない場合は、プログラム
はステップ３３８に進む。

【００４０】ラン・レングス圧縮の実行の結果として、
図５のイメージ１５０内にラン・レングス符号化された
黒画素を表す多数バイトのデータが組み立てられた。図
５のイメージ１５０中に黒画素がなかった場合は、すべ
て白画素のラン・レングス符号化値を表すデータのバイ
ト数は、所定の値となる。例えば、書式イメージ１５０
上に２５ラインあり、それらの幅が水平方向に１０００
画素である場合は、書式１５０上に２５０００個の白画
素がある。ラン・レングス符号化により１行の１０００
個の白画素が数値１０００を表す、２バイトのラン・レ
ングス値として符号化される。１行あたり２バイトかけ
る２５行は５０バイトである。しかしながら、図５のイ
メージ１５０の行のうちの１行に１個の黒画素がある場
合は、その１行に関するラン・レングス符号化で、例え
ば１バイトが２５０の白ラン・レングスを表し、第２バ
イトが値１の黒画素を表し、他の２バイトが７４９個の
白画素の白ラン・レングスを表す。すなわちその１行で
４バイトとなる。例の書式１５０の２５行全部で５２バ
イトとなる。したがって、中に１個の黒画素を有する文
書書式１５０の圧縮イメージと、すべて黒の書式イメー
ジとを比較すると、２バイトの差が出る。この２バイト
の差の検出が、標準外データの存在の検出に対応する。
それが標準外データであるという推測は、図１０の流れ
図においてこの圧縮ステップが斑点除去ステップと人工
物除去ステップの後に行われることから出てくる。図１
０のステップ３３８で、この比較試験を実行する。

【００４１】ステップ３４０で第３抽出データ・イメー
ジが空白イメージよりも大きいと判定された場合、標準
外データ・フラグがセットされる。標準外データ・フラ
グは、プロセッサ２００の区画２６６中でセットされ
る。

【００４２】次に、図１０のプロセスは図１１に移る。
ステップ３４２で別の結果を提供することができ、標準
外イメージ１５０がプロセッサ２００の文字認識プログ
ラム２７０などの文字認識プロセスに出力される。図１
１のステップ３４４で別の結果を提供することができ、
識別された標準外データ１２２が位置決めされ認識され
る。例えば、「添付書類参照」という標準外データ１２
２がプロセス３００で識別された場合、この書式１５０
上の位置の座標２６８'が、プロセス２００のプログラ
ム２７０などの文字認識プログラムに提供される。次に
ステップ３４６で、標準外データに関する出力認識文字
列２７２'を、メッセージ２４５に入れてＬＡＮ２４０
と線２９４を介して利用プロセッサに送ることができ
る。出力文字列２７２'内に誤認識された文字または疑
わしい文字がある場合は、ステップ３４８で、それが手
動検査ステーション２０３に出力される。ステップ３５
０で、位置座標２６８'と文字列２７２'と標準外データ
・イメージ１５０を、手動修復ステーション２０３に出
力する。次に、ステップ３５２で、標準外データの位置
座標２６８'を使用して、例えば手動修復ステーション
２０３の区画２９０に標準外データ・イメージを表示
し、標準外イメージ１２２の選択的強調表示２２４を行
う。イメージ１５０は、ディスプレイ２１４上の、文字
認識プログラム２７０から出力されメッセージ２４５に
入れて手動修復ステーション２０３に送られた出力文字
列２７２'の表示の横に表示される。これにより、オペ
レータが、手動修復ステーションで、イメージ区画２９
０内の標準外データを迅速に位置決定し、対応する文字
認識出力文字列と文字列区画２９２を検査し、次にステ
ップ３５４で、誤認識された文字または疑わしい文字を
訂正するためにキーボード２１４'から入力できるよう
になる。ステップ３５６で、訂正済文字列２７２"が、
メッセージ２７５に入れて出力される。

【００４３】ステップ３５８で、プロセッサ２００にお
けるフィールド・データの位置決定を開始する。ステッ
プ３６０で、フィールド定義２５４を使用してフィール
ド・データ・イメージ１４０を位置決定する。ステップ
３６２で、フィールド・データ・イメージ１４０を文字
認識プログラム２７０に出力する。ステップ３６４で、
フィールド・データに関する認識結果文字列２８４'を
ＬＡＮ２４０と２９４を介して利用プロセッサに出力す
る。ステップ３６６で、フィールド・データ結果文字列
２８４'内に誤認識された文字または疑わしい文字があ
るかどうかを判定する。それらは手動修復プロセッサ２
０３に出力される。

【００４４】したがって本発明は、改善された方法で、
文書書式の事前定義されたフィールドの外側にある標準
外データの存在を検出する。本発明は、改善された方法
で標準外データの文字認識を実現する。また、イメージ
と認識文字列の両方の標準外データを手動修復プロセッ
サに送り、そこで標準外データ・イメージを選択的に強
調表示して、オペレータが誤認識された文字列を迅速に
訂正できるようにする。

【００４５】本発明の特定の実施例を開示したが、本発
明の趣旨及び範囲から逸脱することなく、その具体的実
施例に変更を加えることができることは当業者には理解
されるであろう。

【００４６】まとめとして、本発明の構成に関して以下
の事項を開示する。

【００４７】（１）データ処理システムにおいて、事前
定義されたデータ・フィールドを有する完全文書書式イ
メージ内の標準外データを判別する方法であって、前記
データ処理システムにおいて、前記完全イメージから、
前記フィールド中のフィールド・データと前記フィール
ド中にない標準外データとを含むデータ・イメージを分
離する段階と、前記データ処理システムにおいて、前記
データ・イメージから前記フィールド・データを除去し
て、第１の抽出データ・イメージを形成する段階と、前
記データ処理システムにおいて、前記第１抽出データ・
イメージから斑点イメージを除去して、第２の抽出デー
タ・イメージを形成する段階と、前記データ処理システ
ムにおいて、前記第２の抽出データ・イメージから人工
物イメージを除去して、第３の抽出データ・イメージを
形成する段階と、前記データ処理システムにおいて、前
記第３の抽出データ・イメージを圧縮して、あるファイ
ル・サイズを有する圧縮イメージ・ファイルを形成する
段階と、前記データ処理システムにおいて、前記ファイ
ル・サイズを所定値と比較する段階と、前記比較段階で
前記ファイル・サイズが前記所定値よりも大きいと判定
するのに応じて、前記データ処理システムから標準外デ
ータ信号を生成する段階とを含む方法。 （２）前記生成段階において標準外データの存在を示す
標準外データ・フラグを出力する段階をさらに含む、上
記（１）に記載の方法。 （３）前記標準外データを手動処理ステーションに出力
する段階をさらに含む、上記（１）に記載の方法。 （４）前記標準外データを文字認識プロセスに出力する
段階をさらに含む、上記（１）に記載の方法。 （５）前記標準外データの位置座標と前記標準外データ
のイメージを、前記データ処理システム用のディスプレ
イ・ステーションに出力する段階と、前記位置座標を使
用して、前記標準外データの前記イメージを選択的に表
示する段階とをさらに含む、上記（１）に記載の方法。 （６）前記斑点除去段階がさらに、第２の所定値よりも
少ない黒画素の連続を斑点イメージとして識別する段階
と、前記第１の抽出データ・イメージから前記斑点イメ
ージを除去する段階とを含むことを特徴とする、上記
（１）に記載の方法。 （７）前記人工物除去段階がさらに、第２の所定値より
も長い黒画素の連続を人工物イメージとして識別する段
階と、前記第２の抽出データ・イメージから前記人工物
イメージを除去する段階とを含むことを特徴とする、上
記（１）に記載の方法。 （８）前記圧縮段階がさらに、前記第３の抽出イメージ
内の黒画素のラン・レングス値を計算する段階と、前記
ラン・レングス値を複数のデジタル・ワードによって表
す段階と、前記複数のデジタル・ワードの数を前記所定
値と比較する段階とを含むことを特徴とする、上記
（１）に記載の方法。 （９）前記データ・イメージから前記フィールド・デー
タを除去して、フィールド・データ・イメージを形成す
る段階と、前記フィールド・データを認識するために、
前記フィールド・データ・イメージを文字認識プロセス
に出力する段階とをさらに含む、上記（１）に記載の方
法。 （１０）前記標準外データを文字認識プロセスに出力す
る段階をさらに含む、上記（９）に記載の方法。 （１１）事前定義されたデータ・フィールドを有する完
全文書書式イメージ内の標準外データを判別するための
データ処理システムであって、前記データ処理システム
において、前記完全イメージから、前記フィールド中の
フィールド・データと前記フィールド中にない標準外デ
ータとを含むデータ・イメージを分離する手段と、前記
データ処理システムにおいて、前記データ・イメージか
ら前記フィールド・データを除去して、第１の抽出デー
タ・イメージを形成する手段と、前記データ処理システ
ムにおいて、前記第１の抽出データ・イメージから斑点
イメージを除去して、第２の抽出データ・イメージを形
成する手段と、前記データ処理システムにおいて、前記
第２の抽出データ・イメージから人工物イメージを除去
して、第３の抽出データ・イメージを形成する手段と、
前記データ処理システムにおいて、前記第３の抽出デー
タ・イメージを圧縮して、あるファイル・サイズを有す
る圧縮イメージ・ファイルを形成する手段と、前記デー
タ処理システムにおいて、前記ファイル・サイズを所定
値と比較する手段と、前記比較段階で前記ファイル・サ
イズが前記所定値よりも大きいと判定するのに応じて、
前記データ処理システムから標準外データ信号を生成す
る手段とを含むデータ処理システム。

【図面の簡単な説明】

【図１】マスタ書式イメージを示す図である。

【図２】完全イメージを示す図である。

【図３】データ・イメージを示す図である。

【図４】フィールド・データ・イメージを示す図であ
る。

【図５】標準外データ・イメージを示す図である。

【図６】人工物を含むデータ・イメージを示す図であ
る。

【図７】標準外データと人工物イメージを示す図であ
る。

【図８】標準外データ判別プロセッサを示す図である。

【図９】手動修復ステーションを示す図である。

【図１０】標準外データを判別するプログラムの一連の
動作ステップの流れ図を示す。

【図１１】標準外データを判別するプログラムの一連の
動作ステップの流れ図を示す。

【符号の説明】

２００ 標準外データ判別プロセッサ ２０２ メモリ ２０４ バス ２０６ ＣＰＵ ２０８ スキャナ ２１０ ディスク・ドライブ ２１２ ＬＡＮアダプタ ２１４ キーボードとディスプレイ ２１６ マウス ２２６ 書式認識プログラム ２３０ オペレーティング・システム ２４０ ＬＡＮ ２５０ イメージ分離プログラム ２５２ 書式定義データ・セット ２５４ フィールド定義 ２５６ 全文書イメージ区画 ２５７ データ・イメージ区画 ２５８ 抽出データ・イメージ区画 ２６０ 削除データ・イメージ区画 ２６２ イメージ圧縮プログラム ２６６ フラグ・レジスタ ２６８ 座標レジスタ ２７２ 認識結果文字列レジスタ ３００ 標準外データ判別プログラム３００

Claims (11)

(57)【特許請求の範囲】
1. 【請求項１】データ処理システムにおいて、事前定義さ
   れたデータ・フィールドを有する完全文書書式イメージ
   内の標準外データを判別する方法であって、 前記データ処理システムにおいて、前記完全イメージか
   ら、前記フィールド中のフィールド・データと前記フィ
   ールド中にない標準外データとを含むデータ・イメージ
   を分離する段階と、 前記データ処理システムにおいて、前記データ・イメー
   ジから前記フィールド・データを除去して、第１の抽出
   データ・イメージを形成する段階と、 前記データ処理システムにおいて、前記第１抽出データ
   ・イメージから斑点イメージを除去して、第２の抽出デ
   ータ・イメージを形成する段階と、 前記データ処理システムにおいて、前記第２の抽出デー
   タ・イメージから人工物イメージを除去して、第３の抽
   出データ・イメージを形成する段階と、 前記データ処理システムにおいて、前記第３の抽出デー
   タ・イメージを圧縮して、あるファイル・サイズを有す
   る圧縮イメージ・ファイルを形成する段階と、 前記データ処理システムにおいて、前記ファイル・サイ
   ズを所定値と比較する段階と、 前記比較段階で前記ファイル・サイズが前記所定値より
   も大きいと判定するのに応じて、前記データ処理システ
   ムから標準外データ信号を生成する段階とを含む方法。
2. 【請求項２】前記生成段階において標準外データの存在
   を示す標準外データ・フラグを出力する段階をさらに含
   む、請求項１に記載の方法。
3. 【請求項３】前記標準外データを手動処理ステーション
   に出力する段階をさらに含む、請求項１に記載の方法。
4. 【請求項４】前記標準外データを文字認識プロセスに出
   力する段階をさらに含む、請求項１に記載の方法。
5. 【請求項５】前記標準外データの位置座標と前記標準外
   データのイメージを、前記データ処理システム用のディ
   スプレイ・ステーションに出力する段階と、 前記位置座標を使用して、前記標準外データの前記イメ
   ージを選択的に表示する段階とをさらに含む、請求項１
   に記載の方法。
6. 【請求項６】前記斑点除去段階がさらに、 第２の所定値よりも少ない黒画素の連続を斑点イメージ
   として識別する段階と、 前記第１の抽出データ・イメージから前記斑点イメージ
   を除去する段階とを含むことを特徴とする、請求項１に
   記載の方法。
7. 【請求項７】前記人工物除去段階がさらに、 第２の所定値よりも長い黒画素の連続を人工物イメージ
   として識別する段階と、 前記第２の抽出データ・イメージから前記人工物イメー
   ジを除去する段階とを含むことを特徴とする、請求項１
   に記載の方法。
8. 【請求項８】前記圧縮段階がさらに、 前記第３の抽出イメージ内の黒画素のラン・レングス値
   を計算する段階と、 前記ラン・レングス値を複数のデジタル・ワードによっ
   て表す段階と、 前記複数のデジタル・ワードの数を前記所定値と比較す
   る段階とを含むことを特徴とする、請求項１に記載の方
   法。
9. 【請求項９】前記データ・イメージから前記フィールド
   ・データを除去して、フィールド・データ・イメージを
   形成する段階と、 前記フィールド・データを認識するために、前記フィー
   ルド・データ・イメージを文字認識プロセスに出力する
   段階とをさらに含む、請求項１に記載の方法。
10. 【請求項１０】前記標準外データを文字認識プロセスに
    出力する段階をさらに含む、請求項９に記載の方法。
11. 【請求項１１】事前定義されたデータ・フィールドを有
    する完全文書書式イメージ内の標準外データを判別する
    ためのデータ処理システムであって、 前記データ処理システムにおいて、前記完全イメージか
    ら、前記フィールド中のフィールド・データと前記フィ
    ールド中にない標準外データとを含むデータ・イメージ
    を分離する手段と、 前記データ処理システムにおいて、前記データ・イメー
    ジから前記フィールド・データを除去して、第１の抽出
    データ・イメージを形成する手段と、 前記データ処理システムにおいて、前記第１の抽出デー
    タ・イメージから斑点イメージを除去して、第２の抽出
    データ・イメージを形成する手段と、 前記データ処理システムにおいて、前記第２の抽出デー
    タ・イメージから人工物イメージを除去して、第３の抽
    出データ・イメージを形成する手段と、 前記データ処理システムにおいて、前記第３の抽出デー
    タ・イメージを圧縮して、あるファイル・サイズを有す
    る圧縮イメージ・ファイルを形成する手段と、 前記データ処理システムにおいて、前記ファイル・サイ
    ズを所定値と比較する手段と、 前記比較段階で前記ファイル・サイズが前記所定値より
    も大きいと判定するのに応じて、前記データ処理システ
    ムから標準外データ信号を生成する手段とを含むデータ
    処理システム。