JP3420853B2

JP3420853B2 - 文字切り出し方法

Info

Publication number: JP3420853B2
Application number: JP02986895A
Authority: JP
Inventors: 高志齋藤
Original assignee: Ricoh Co Ltd
Current assignee: Ricoh Co Ltd
Priority date: 1995-02-17
Filing date: 1995-02-17
Publication date: 2003-06-30
Anticipated expiration: 2018-06-30
Also published as: JPH08221519A

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、類似するパターンイメ
ージの出現頻度などを基にして、文書画像から文字を切
り出す文字切り出し方法に関する。

【０００２】

【従来の技術】文字認識の前処理として、文字の切り出
しが行われる。従来の文字切り出し方法は、あるパター
ンとその近傍をみることによって行っていた。例えば、
文字列の幅から文字ピッチを推定して文字を切り出し、
英文字については認識処理によって切り出し結果を修正
する方法があり、この方法によると、接触文字や不定ピ
ッチの文字を含む文字列から効率的に文字を切り出すこ
とができる（「秋山他非接触文字優先切り出しによる印
刷物からの文字切り出し法」（電子通信学会論文誌 ’
８４／１０Ｖｏｌ．Ｊ６７−ＤＮｏ．１０ｐｐ１１
９４−１２０１を参照））。

【０００３】他の手法としては、パターンの幅で初期切
り出しを行い、抽出した部分パターンとその組み合わせ
パターンの文字認識結果によって切り出し位置を決定す
る文字切り出し方法がある（「宮原他部分パターンに
よる可変ピッチ文書からの文字切り出しと認識」（電子
通信学会論文誌 ’８９／６Ｖｏｌ．Ｊ７２−ＤＩＩ
Ｎｏ．６ｐｐ８４６−８５４を参照））。さらに、
初期切り出しパターンを一つのパターンとして認識し、
なおかつそのパターンを含む前後のパターンを組み合わ
せて一つのパターンとして別途認識を行い、それぞれの
認識の確からしさによって、初期切り出しパターンを独
立した文字パターンとするか、前後のパターンと統合し
て抽出するかを判別して文字を切り出す方法がある（特
開平３−１５４１８４号公報を参照）。

【０００４】

【発明が解決しようとする課題】しかし、上記した第１
の切り出し方法では、「に」や「い」などの分離文字
（一文字が分離して切り出される文字）が英字と混在す
る文字領域中において、文字列が可変ピッチで現れた場
合には、単純に文字幅や空白のピッチで文字を切り出す
ことが難しい。また、上記した第２、第３の方法では、
認識の評価値を使用するものの、認識結果の評価が低い
場合や各候補間の評価にあまり差がない場合などでは、
誤った文字の切り出しが行われるという問題がある。

【０００５】本発明の目的は、最初に切り出された文字
パターンから、類似するパターンイメージの出現頻度な
どを基にして分離文字パターンを抽出することにより、
最初の切り出し位置を修正して、文書画像から高精度に
文字を切り出す文字切り出し方法を提供することにあ
る。

【０００６】

【課題を解決するための手段】前記目的を達成するため
に、請求項１記載の発明では、文書画像から文字に相当
するパターンを一時的に切り出し、該切り出されたパタ
ーンの内、一つの文字が分離して切り出されているパタ
ーンを検出し、該検出された誤切り出しパターンを統合
して、一つの切り出しパターンが一つの文字に相当する
ように文字を切り出す方法において、前記一時的に切り
出されたパターン系列において類似するパターンイメー
ジに同一のラベルを与え、該ラベルで表される前記系列
において連続して出現するラベルの組の頻度を計数し、
該頻度の高いパターンの組が一つの文字に相当するもの
と判定し、前記一時的な文字切り出し位置を変更するこ
とを特徴としている。

【０００７】請求項２記載の発明では、前記頻度の高い
パターンの組について、各パターンの大きさ、または形
状を基に、分離して切り出されたパターンを統合するか
否かを判定することを特徴としている。

【０００８】請求項３記載の発明では、前記頻度の高い
パターンの組について、各パターンの文字認識結果を基
に、分離して切り出されたパターンを統合するか否かを
判定することを特徴としている。

【０００９】請求項４記載の発明では、前記文字認識結
果の字種を基に判定することを特徴としている。

【００１０】請求項５記載の発明では、前記頻度の高い
パターンの組の全てについて文字認識し、左右のパター
ンのそれぞれの認識結果の多数決によって、前記字種を
決定することを特徴としている。

【００１１】請求項６記載の発明では、前記頻度の高い
パターンの組の全てについて文字認識し、左右のパター
ンの認識結果である、両方の字種が所定の条件に該当
し、該両方の字種が所定の閾値以上あるとき、前記頻度
の高いパターンの組が一つの文字に相当しないものと判
定することを特徴としている。

【００１２】

【作用】初期パターン切り出し部は、入力された画像か
ら各文字パターンを一時的に切り出す。類似パターン検
出部では、これら切り出されたパターンについて類似す
るパターンを検出して、類似パターンに同一のラベルを
付ける。頻度算定部はラベル頻度をカウントし、分離文
字相当検出部は、頻度の高い組の内で、一つの文字が分
離して切り出された分離文字に相当するものを検出す
る。分離文字統合部は、この検出された分離文字のパタ
ーンを統合して、最終的な文字切り出しを行う。また、
分離文字相当検出部で検出された頻度の高い組について
は、パターンの大きさや形状を基に分離文字に相当する
か否かを判別する。

【００１３】

【実施例】以下、本発明の一実施例を図面を用いて具体
的に説明する。図１は、本発明の実施例の構成を示す。
図において、１０１はスキャナなどの画像入力装置、１
０２は文字パターンの初期切り出し部、１０３は切り出
されたパターン列のなかから類似するパターンを抽出す
る類似パターン検出部、１０４は類似パターン毎に付与
されたラベルを基に、連続するラベル組の頻度を算定す
る頻度算定部、１０５は頻度の高い連続ラベル組の内、
分離文字に相当するものを検出する分離文字相当検出
部、１０６は検出された分離文字相当のパターン組を統
合して最終的な文字切り出しを行う分離文字統合および
最終文字切り出し部、１０７は文字認識部、１０８は各
種データを記憶する記憶部、１０９は全体を制御する制
御部、１１０はデータの通信路である。

【００１４】ここで、分離文字という用語について改め
て定義しておく。前述したように「い」や「に」などの
文字は複数のパターンからなり、切り出し処理によって
複数のパターンに分割される。このようにして分離され
たパターンは、本来一つの文字として認識処理されなけ
ればならず、そのために誤って分離されたパターンを統
合する必要がある。このように、一文字が分離されて統
合の対象となる文字を「分離文字」という。

【００１５】図２は、本発明の処理フローチャートであ
る。まず、スキャナなどの画像入力装置１０１によって
文書を読み取り、その文書画像を入力する（ステップ２
０１）。次いで、初期パターン切り出し部１０２は、入
力された文書画像から各文字パターンを一時的に切り出
す（ステップ２０２）。この切り出し方法としては、例
えば黒画素の縦、横方向の分布（射影）を求めることに
より、文字を切り出したり、あるいは連結する黒画素成
分を抽出し、この成分の内、縦に近接するものだけを統
合することにより切り出す方法を用いればよい。図７
は、図２のステップ２０２の詳細を示し、後者の方法の
フローチャートである。

【００１６】このような従来の文字切り出し方法は、こ
の時点で文字の分離を防止するために、連結成分を無理
に横方向などに統合していたことから、文字の分離を防
止することができるものの、逆に文字が統合されて切り
出される場合もある。そこで、本発明のステップ２０２
においては、分離文字が後述する処理で統合されるの
で、過剰に文字を統合しないように初期切り出しを行
う。このようにして切り出された各パターンは、文字認
識部１０７で認識処理される（ステップ２０３）。この
認識結果は、後述するステップ２０６で使用される。

【００１７】ついで、類似パターン検出部１０３は、切
り出したパターンの内、類似しているものを抽出する。
この場合の類似度としは、例えば米国特許第５，３０
３，３１３号公報の段落９で説明されているテスト方法
を用いる。つまり、この方法は、位置を補正しながらパ
ターンを重ね合わせて差異の出る画素の現れる位置、現
れる画素のパターンによって類似であるか否かを判別す
る。そして、類似パターン検出部１０３は、類似するパ
ターンには同一のラベルを付与する。

【００１８】図８は、図２のステップ２０４の詳細フロ
ーチャートであり、前掲した米国特許公報に記載された
ものと同じフローチャートである。また、図３は、切り
出されたパターンから類似パターンを検出してラベルを
付与する具体例を示す。図３の例を用いて、図８の処理
を説明する。まず、先頭の処理パターン「９」が選択さ
れ（ステップ２０４１）、このパターンが既存のテンプ
レートとマッチングするかを調べる（ステップ２０４
２、２０４３）。この場合、選択されたパターンが最初
のものであり、テンプレートとして何も登録されていな
いので、マッチングせず、処理パターン「９」を新しい
テンプレートとして登録し、新しいラベルＬ１を付与す
る（ステップ２０４５）。

【００１９】次のパターン「月」は、既存のテンプレー
ト「９」とマッチングしないので、新しいテンプレート
として登録され、新しいラベルＬ２を付与する。以下、
同様にパターン「合」（ラベルＬ１８）まで処理され
る。「合」の次のパターン「に」の偏が既存のテンプレ
ートとマッチングするので、マッチングしたテンプレー
トのラベルＬ３を、処理対象パターン「に」の偏に付与
し、同様にパターン「に」の旁にラベルＬ４を付与す
る。

【００２０】以下、図３を例にして本発明を説明する。
ラベル組頻度算定部１０４は、付与されたラベルを利用
して、連続するラベル組の頻度を画像全体でカウントす
る。ここで、連続するラベル組とは、Ｌ１−Ｌ２、Ｌ２
−Ｌ３などである。これによって、頻度の高い組が抽出
される（ステップ２０５）。図９は、図２のステップ２
０５の詳細フローチャートである。先頭から順にパター
ンの組を選択する（ステップ２０５１）。まず、パター
ンの組Ｌ１−Ｌ２が選択され、このパターンの組が以前
に出現しているか否かを調べ（ステップ２０５２、２０
５３）、このパターンの組Ｌ１−Ｌ２は初めて出現した
ので、その出現頻度を１とする（ステップ２０５４）。
次に、パターンの組Ｌ２−Ｌ３が選択され、これも同様
に初めて出現したので、その出現頻度を１とする。以
下、同様に処理され、パターンの組Ｌ３−Ｌ４の出現頻
度は２となる。

【００２１】ここで、頻度が“高い”かどうかは、所定
の閾値以上であるか否かで判別してもよいし（例えば、
全体で５回以上現れるなど）、全体の文字数で変動する
閾値を設定して判別してもよい。例えば、図３の例で
は、さらに多くの文字列が続くものとして、組頻度がカ
ウントされたときに、Ｌ３−Ｌ４、Ｌ１１−Ｌ１２など
の組頻度が高くなるので、これらの組を抽出する。

【００２２】次いで、分離文字相当検出部１０５は、抽
出された頻度の高い組が一文字として統合されるべきパ
ターンであるのか、あるいはそれぞれ独立に文字を形成
するパターンであるのかを判別する（ステップ２０
６）。図３の例では、Ｌ３−Ｌ４は統合されるべきパタ
ーンの組であるが、Ｌ１１−Ｌ１２は統合すべきパター
ンの組ではない。そこで、頻度の高い組の内、統合すべ
き分離文字パターンだけを抽出する処理を行う。

【００２３】この抽出方法としては、パターンの大きさ
や形状に着目する第１の方法、文字認識の結果を利用す
る第２の方法がある。図１０は、図２のステップ２０６
の詳細フローチャートであり、図１０のフローチャート
を参照して、以下説明する。

【００２４】〈パターンの大きさや形状に着目する第１
の方法〉分離された文字パターンの場合（Ｌ３−Ｌ４）
は、パターンの外接矩形が通常縦長（つまり、縦と横の
長さの比が所定の閾値以上）になる。これに対して、本
来独立した文字パターンであるＬ１１−Ｌ１２は、両者
共に縦長ではない。従って、統合対象となる分離文字と
して抽出するのは、形状が共に縦長となるパターンの組
に限る（ステップ２０６３）。

【００２５】また、Ｌ１２−Ｌ１３の組も頻度が高いの
で、判定の対象となる。この組では、パターンＬ１３の
大きさが小さく、その組においてパターンＬ１２の右側
の下部に位置している。従って、この場合は組の右側は
句読点である確率が高いので、この組を分離文字として
抽出しない（ステップ２０６４）。

【００２６】逆に、句読点が左側にある組であるが、文
末にくるような文字（例えば、「である。」、「ま
す。」、「ない。」など）は限られているのに対して、
文頭にくるような文字は千差万別であるため、句読点を
左とする組で同一ラベルとなる場合は少ない。従って、
頻度が低く統合の対象外となる。

【００２７】〈文字認識の結果を利用する第２の方法〉
前述した公報に記載の文字切り出し方法では、初期切り
出しパターンの認識結果と統合パターンの認識結果の確
からしさを基に判別を行っている。しかし、一つのパタ
ーンの認識の確からしさは、それほど信頼度の高いもの
ではない。そこで、本発明では、以下のような方法を採
る。

【００２８】高頻度ラベル組を統合せずに、分離したま
まにする条件は、例えば、（１）両者共に平仮名、または片仮名、数字の場合．．．条件１（２）両者の何れかが英字の場合．．．．．．．．．．．条件２のように、字種を利用する方法が有効となる（ステップ
２０６５）。

【００２９】図４は、高頻度ラベル組のパターン例とそ
の認識結果を示す。図において、４０１、４０２は、高
頻度ラベル組のパターンであり、４０３から４０７は、
頻度値が５である５個の組のそれぞれのパターンを、文
字認識部１０７で認識した（ステップ２０３）結果であ
る。

【００３０】図１１は、図１０のステップ２０６５の詳
細フローチャートである。パターン組の左右それぞれの
パターンについて認識結果を求め（ステップ２０６５−
１）、左右それぞれの字種を求める（ステップ２０６５
−２、２０６５−３）。この字種の決定は、多数決で行
う。図４の例では、多数を占めるのは、左側が「；」な
どの記号などであり、右側が「平仮名」である。従っ
て、この例では、パターンの組４０１と４０２は、条件
１と条件２に抵触しないので、統合対象となる（ステッ
プ２０６５４）。また、同様に図５の例では、左右のパ
ターンが共に字種が英字となるので、条件２に抵触して
統合対象外、つまり分離すべき組となる。

【００３１】また、文字認識の方法によっては、図４、
図５に示す認識結果と異なる結果となる場合がある。そ
のような場合に、多数決で字種を決定すると良好な結果
が得られない可能性がある。図６は、高頻度ラベル組で
その認識結果が異なるパターンの例を示す。図６の例で
は、パターン６０１「よ」、パターン６０２「し」の初
期文字認識（ステップ２０３）の認識結果が６０３から
６０７となったとする。左右それぞれの字種を多数決で
求めると、左が「平仮名」であり、右が「片仮名」であ
り、従って統合対象となってしまう。

【００３２】そこで、図１０のステップ１１０６を、図
１２に示す詳細フローチャートに変更する。ステップ２
０６５−１’の処理は、前述したステップ２０６５−１
と同じである。ステップ２０６５−２’では、「両者共
に平仮名」という制限条件に該当する場合が幾つあるか
をカウントする。図６の例では、パターン６０６の一個
である。ここで所定の閾値を決めて、その閾値以上、該
当する場合があるときには、統合制限条件に抵触してい
るものとして統合の対象外とする（ステップ２０６５−
３’）。閾値は所定の固定値としてもよいし、あるいは
組の数（図６では５組）に対する比率で決めてもよい
（例えば、２０％以上など）。図６の例では、閾値を１
とすると、条件１に抵触するので、分離すべき組とな
る。

【００３３】そして、ステップ２０６で分離文字に相当
するものと判別されたパターンの組を、分離文字統合お
よび文字切り出し部１０６で、統合して最終的な文字切
り出しが行われる。つまり、一つの切り出しパターンが
一つの文字に相当するように、文字の切り出し位置が変
更されて、文字が切り出される（ステップ２０７）。ス
テップ２０７で統合された文字は、改めて文字認識部１
０７で認識処理される。

【００３４】なお、上記した実施例では、各機能を実行
する専用の処理部（図１の１０２〜１０７）を設けた構
成になっているが、本発明はこれに限定されるものでは
なく、例えば、各機能をＲＯＭなどに組み込んで、汎用
のプロセッサ上で演算、処理されるように構成を変更す
ることができる。

【００３５】

【発明の効果】以上、説明したように、請求項１記載の
発明によれば、一時的に切り出した位置について、注目
個所以外の情報を用いて評価しているので、文書画像か
らより正確に文字を切り出すことができる。

【００３６】請求項２、３記載の発明によれば、頻度情
報の他に、各パターンの大きさ、または形状、各パター
ンの文字認識結果を用いて切り出し位置を評価している
ので、誤った統合処理を防止することができる。

【００３７】請求項４、５、６記載の発明によれば、文
字認識結果の字種を基に切り出し位置を評価しているの
で、より高精度に文字を切り出すことができる。

【図面の簡単な説明】

【図１】本発明の実施例の構成を示す。

【図２】本発明の処理フローチャートである。

【図３】切り出されたパターンから類似パターンを検出
してラベルを付与する具体例を示す。

【図４】高頻度ラベル組のパターン例とその認識結果を
示す。

【図５】高頻度ラベル組の他のパターン例とその認識結
果を示す。

【図６】高頻度ラベル組でその認識結果が異なるパター
ンの例を示す。

【図７】図２のステップ２０２の詳細フローチャートで
ある。

【図８】図２のステップ２０４の詳細フローチャートで
ある。

【図９】図２のステップ２０５の詳細フローチャートで
ある。

【図１０】図２のステップ２０６の詳細フローチャート
である。

【図１１】図１０のステップ２０６５の詳細フローチャ
ートである。

【図１２】図１０のステップ２０６５の他の詳細フロー
チャートである。

【符号の説明】

１０１画像入力装置１０２初期パターン切り出し部１０３類似パターン検出部１０４ラベル組頻度算定部１０５分離文字相当検出部１０６分離文字統合および文字切り出し部１０７文字認識部１０８記憶部１０９制御部１１０データ通信路

Claims

(57)【特許請求の範囲】

【請求項１】文書画像から文字に相当するパターンを
一時的に切り出し、該切り出されたパターンの内、一つ
の文字が分離して切り出されているパターンを検出し、
該検出された誤切り出しパターンを統合して、一つの切
り出しパターンが一つの文字に相当するように文字を切
り出す方法において、前記一時的に切り出されたパター
ン系列において類似するパターンイメージに同一のラベ
ルを与え、該ラベルで表される前記系列において連続し
て出現するラベルの組の頻度を計数し、該頻度の高いパ
ターンの組が一つの文字に相当するものと判定し、前記
一時的な文字切り出し位置を変更することを特徴とする
文字切り出し方法。
【請求項２】前記頻度の高いパターンの組について、
各パターンの大きさ、または形状を基に、分離して切り
出されたパターンを統合するか否かを判定することを特
徴とする請求項１記載の文字切り出し方法。
【請求項３】前記頻度の高いパターンの組について、
各パターンの文字認識結果を基に、分離して切り出され
たパターンを統合するか否かを判定することを特徴とす
る請求項１記載の文字切り出し方法。
【請求項４】前記文字認識結果の字種を基に判定する
ことを特徴とする請求項３記載の文字切り出し方法。
【請求項５】前記頻度の高いパターンの組の全てにつ
いて文字認識し、左右のパターンのそれぞれの認識結果
の多数決によって、前記字種を決定することを特徴とす
る請求項４記載の文字切り出し方法。
【請求項６】前記頻度の高いパターンの組の全てにつ
いて文字認識し、左右のパターンの認識結果である、両
方の字種が所定の条件に該当し、該両方の字種が所定の
閾値以上あるとき、前記頻度の高いパターンの組が一つ
の文字に相当しないものと判定することを特徴とする請
求項４記載の文字切り出し方法。