JP4194853B2 - 文書解析装置 - Google Patents
文書解析装置 Download PDFInfo
- Publication number
- JP4194853B2 JP4194853B2 JP2003013885A JP2003013885A JP4194853B2 JP 4194853 B2 JP4194853 B2 JP 4194853B2 JP 2003013885 A JP2003013885 A JP 2003013885A JP 2003013885 A JP2003013885 A JP 2003013885A JP 4194853 B2 JP4194853 B2 JP 4194853B2
- Authority
- JP
- Japan
- Prior art keywords
- document
- image
- character
- pdl
- information
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Character Input (AREA)
Description
【０００１】
【発明の属する技術分野】
この発明は、文書から文字情報を抽出する文書解析装置に関するものである。
ただし、本明細書では、文字情報には、いわゆる文字の情報の他に、記号の情報を含む概念とする。
【０００２】
【従来の技術】
従来の文書解析装置は、電子化されている文書から文字情報を抽出する場合、その文書のファイル形式をＰＤＦ文書の形式に変換し、そのＰＤＦデータから文字情報（文字コード）を抽出する。
一方、電子化されていない文書については、スキャナが文書を読み込んで当該文書のイメージを取得し、そのイメージに対する文字認識処理（例えば、ＯＣＲ処理）を実施して、イメージが表している文字情報を取得する（以下の特許文献１を参照）。
【０００３】
【特許文献１】
特開２０００−２０５４９公報（段落番号［００１２］から［００２６］、図１）
【０００４】
【発明が解決しようとする課題】
従来の文書解析装置は以上のように構成されているので、電子化されている文書のファイル形式を問わず、その文書から文字情報を抽出することができるが、その文書が定型文書であっても、その文書の書式情報を参照することによる文字情報の抽出処理を実施することができず、文字情報の解析精度を高めることができない課題があった。
また、イメージや線分等から構成されている特定オブジェクトが文書に含まれている場合、その特定オブジェクトが表している文字を解析することができない課題もあった。
【０００５】
この発明は上記のような課題を解決するためになされたもので、定型文書の文字情報を精度よく解析することができる文書解析装置を得ることを目的とする。
また、この発明は、定型文書であるか非定型文書であるかに関わらず、文書に含まれている特定オブジェクトが表す文字を解析することができる文書解析装置を得ることを目的とする。
【０００６】
【課題を解決するための手段】
この発明に係る文書解析装置は、文書が定型文書である場合、ＰＤＬ変換手段より出力されたＰＤＬデータに対するイメージ化処理を実施して、文書のイメージを表すイメージファイルを作成し、そのイメージファイルが表すイメージと文書の書式情報とを比較して、文書のテキスト記述領域とイメージ記述領域を特定する領域特定手段を設け、テキスト抽出手段が領域特定手段により特定されたテキスト記述領域内のＰＤＬデータから文字情報を抽出し、イメージ解析手段が領域特定手段により特定されたイメージ記述領域内のＰＤＬデータからイメージを抽出するようにしたものである。
【０００７】
【発明の実施の形態】
以下、この発明の実施の一形態を説明する。
実施の形態１．
図１はこの発明の実施の形態１による文書解析装置を示す構成図であり、図において、ＰＤＬ変換部１は電子化された文書の文書ファイルを入力すると、その文書ファイルをページ記述言語のデータ形式に変換してＰＤＬデータを出力し、電子化されていない文書のイメージデータを入力すると、そのイメージデータをページ記述言語のデータ形式に変換してＰＤＬデータを出力する。なお、ＰＤＬ変換部１はＰＤＬ変換手段を構成している。
書式情報記憶部２は定型文書の記述領域や文字種別等を示す書式情報を記憶し、文書種別入力部３は文字情報を抽出する対象の文書が定型文書であるのか、非定型文書であるのかを示す種別情報を入力する。領域特定部４は文書種別入力部３により入力された種別情報が定型文書である旨を示す場合、書式情報記憶部２に記憶されている書式情報を参照して当該文書のテキスト記述領域とイメージ記述領域を特定する。なお、書式情報記憶部２、文書種別入力部３及び領域特定部４から領域特定手段が構成されている。
【０００８】
テキスト抽出部５は文書種別入力部３により入力された種別情報が非定型文書である旨を示す場合、ＰＤＬ変換部１より出力されたＰＤＬデータから文字情報を抽出し、その種別情報が定型文書である旨を示す場合、領域特定部４により特定されたテキスト記述領域内のＰＤＬデータから文字情報を抽出する。なお、テキスト抽出部５はテキスト抽出手段を構成している。
イメージ解析部６は文書種別入力部３により入力された種別情報が非定型文書である旨を示す場合、ＰＤＬ変換部１より出力されたＰＤＬデータからイメージを抽出し、その種別情報が定型文書である旨を示す場合、領域特定部４により特定されたイメージ記述領域内のＰＤＬデータからイメージを抽出し、そのイメージに対する文字認識処理を実施して、そのイメージが表している文字情報を取得する。なお、イメージ解析部６はイメージ解析手段を構成している。
文字情報整理部７はテキスト抽出部５により抽出された文字情報とイメージ解析部６により取得された文字情報を結合する。
図２はこの発明の実施の形態１による文書解析装置の概略の処理内容を示す説明図である。
【０００９】
次に動作について説明する。
この実施の形態１では、図２に示すように、ファイル形式１の非定型の電子文書、ファイル形式２の非定型の電子文書、ファイル形式２の定型の電子文書、非定型のイメージ文書又は定型のイメージ文書のいずれかを文字情報の抽出対象文書とするものとする。
まず、ＰＤＬ変換部１は、ファイル形式や定型・非定型を問わず、電子文書の文書ファイルを入力すると、その文書ファイルをページ記述言語のデータ形式に変換してＰＤＬデータを出力する。
また、定型・非定型を問わず、イメージ文書のイメージデータを入力すると、そのイメージデータをページ記述言語のデータ形式に変換してＰＤＬデータを出力する。
【００１０】
ここで、ＰＤＬとはページ記述言語の略称であり、ページ記述言語は、例えば、パソコンがプリンタに印刷指令を出力際に、そのプリンタに与える印刷データに相当する。一般のプリンタでは、“ＰｏｓｔＳｃｒｉｐｔ”データがＰＤＬデータとして広く使用されている。
ＰＤＬ変換部１が文書ファイル又はイメージデータをＰＤＬデータに変換する処理は、例えば、ワープロソフトなどのアプリケーションから文書の印刷処理を行う際、“ＰｏｓｔＳｃｒｉｐｔ”データの出力先をプリンタから所定のファイルに変更するように、印刷に用いるプリンタドライバの設定を変更すれば、容易に実現することができる。なお、所定のファイルに記述される“ＰｏｓｔＳｃｒｉｐｔ”データ、即ち、ＰＤＬデータには、文書に含まれる文字のコードと、その文字の位置情報と、文書に含まれるイメージの情報（文書上のイメージの表示位置、大きさ、ビットマップデータなど）がテキスト形式で格納される。
【００１１】
文書種別入力部３は、文字情報を抽出する対象の文書が定型文書であるのか、非定型文書であるのかを示す種別情報を入力する。例えば、文書ファイル又はイメージデータをＰＤＬ変換部１に与えるユーザが図示せぬキーボードやマウス等を操作して、種別情報を文書種別入力部３に入力する。
以後、テキスト抽出部５及びイメージ解析部６が文字情報の抽出処理を実施するが、最初に、図３のフローチャートを参照して、文字情報の抽出対象が非定型の文書である場合について説明する。
【００１２】
まず、テキスト抽出部５は、文書種別入力部３により入力された種別情報が非定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、その文書の全領域におけるＰＤＬデータから文字情報を抽出する（ステップＳＴ１）。即ち、全領域のＰＤＬデータに含まれている文字のコードと文字の位置情報を検索することにより文字情報（文字のコード、文字の位置）を抽出する。
例えば、図４（ａ）に示すような非定型文書が抽出対象である場合、図４（ｂ）に示すようなテキストが文字情報として抽出される。
【００１３】
次に、イメージ解析部６は、文書種別入力部３により入力された種別情報が非定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、その文書の全領域におけるＰＤＬデータからイメージを抽出する（ステップＳＴ２）。即ち、全領域のＰＤＬデータに含まれているイメージの情報（文書上のイメージの表示位置、大きさ、ビットマップデータなど）を検索する。
イメージ解析部６は、ＰＤＬデータからイメージを抽出すると、そのイメージに対する文字認識処理（例えば、ＯＣＲ処理）を実施して、そのイメージが表している文字情報（文字のコード、文字の位置、文字の幅及び高さ）を取得する（ステップＳＴ３）。
例えば、図４（ｃ）に示すようなテキストが文字情報として取得される。
【００１４】
文字情報整理部７は、上記のようにしてテキスト抽出部５が文字情報を抽出し、イメージ解析部６が文字情報を取得すると、図４（ｄ）に示すように、それらの文字情報を結合して出力する（ステップＳＴ４）。
図５は文字情報整理部７から出力された文字情報を示し、文書内に含まれている文字のコード、文字の位置情報（Ｘ座標、Ｙ座標）、文字幅及び文字高さが得られる。
【００１５】
次に、図６のフローチャートを参照して、文字情報の抽出対象が定型の文書である場合について説明する。
領域特定部４は、文書種別入力部３により入力された種別情報が定型文書である旨を示すので、書式情報記憶部２に記憶されている書式情報を参照して当該文書のテキスト記述領域とイメージ記述領域を特定する（ステップＳＴ１１）。
具体的には、図７に示すような定型文書が抽出対象である場合、それらの定型文書のＰＤＬデータを入力すると、そのＰＤＬデータに対するイメージ化処理を実施して、文書のページ全体を１個のイメージで表すイメージファイルを作成する。なお、“ＰｏｓｔＳｃｒｉｐｔ”データをイメージファイルに変換するツールが市販されているので、このツールを利用すれば、容易にＰＤＬデータを１個のイメージに変換することができる。
【００１６】
そして、そのイメージファイルが表すイメージと、書式情報記憶部２に記憶されている書式情報とを比較して、文書のテキスト記述領域とイメージ記述領域を特定する。
ここで、書式情報記憶部２に記憶されている書式情報には、図７に示すように、文書中のフィールドの左上点座標、フィールドの幅・高さ、認識対象の文字の種類など、定型文書の読取処理に必要な情報が記載されている。このような書式情報を利用してイメージファイル上のフィールド領域の位置を検出する処理は、例えば、論文“ロバストなモデル照合に基づくＦＡＸ送信された一般帳票の読取り”，電子情報通信学会誌 Ｖｏｌ Ｊ８５−ＤＩＩ，Ｎｏ．９，２００２に記載の方式を用いて実現することができる。
【００１７】
テキスト抽出部５は、文書種別入力部３により入力された種別情報が定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、領域特定部４により特定されたテキスト記述領域内のＰＤＬデータから文字情報を抽出する（ステップＳＴ１２）。即ち、全領域のＰＤＬデータではなく、テキスト記述領域内のＰＤＬデータに含まれている文字のコードと文字の位置情報を検索することにより文字情報（文字のコード、文字の位置）を抽出する。
例えば、図８（ａ）に示すような定型文書が抽出対象である場合、図８（ｂ）に示すようなテキストが文字情報として抽出される。
【００１８】
次に、イメージ解析部６は、文書種別入力部３により入力された種別情報が定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、領域特定部４により特定されたイメージ記述領域内のＰＤＬデータからイメージを抽出する（ステップＳＴ１３）。即ち、全領域のＰＤＬデータではなく、イメージ記述領域内のＰＤＬデータに含まれているイメージの情報（文書上のイメージの表示位置、大きさ、ビットマップデータなど）を検索する。
イメージ解析部６は、ＰＤＬデータからイメージを抽出すると、書式情報記憶部２に記憶されている書式情報に含まれている文字種別（例えば、漢字、数字）を考慮して、イメージに対する文字認識処理（例えば、ＯＣＲ処理）を実施して、そのイメージが表している文字情報（文字のコード、文字の位置、文字の幅及び高さ）を取得する（ステップＳＴ１４）。
例えば、図８（ｃ）に示すようなテキストが文字情報として取得される。
【００１９】
文字情報整理部７は、上記のようにしてテキスト抽出部５が文字情報を抽出し、イメージ解析部６が文字情報を取得すると、図８（ｄ）に示すように、それらの文字情報を結合して出力する（ステップＳＴ１５）。
図９は文字情報整理部７から出力された文字情報やフィールド番号を示し、文書内に含まれている文字のコード、文字の位置情報（Ｘ座標、Ｙ座標）、文字幅及び文字高さが得られる。
【００２０】
以上で明らかなように、この実施の形態１によれば、文書が定型文書である場合、その文書の書式情報を参照してテキスト記述領域とイメージ記述領域を特定する領域特定部４を設け、テキスト抽出部５がテキスト記述領域内のＰＤＬデータから文字情報を抽出し、イメージ解析部６がイメージ記述領域内のＰＤＬデータからイメージを抽出するように構成したので、定型文書の文字情報を精度よく解析することができる効果を奏する。
即ち、文書が定型文書である場合、イメージに対する文字認識処理を実施する際、イメージ記述領域内に記述されている文字の属性（例えば、名前、住所）を事前に知り得るので、文字情報の解析精度を高めることができる効果を奏する。
【００２１】
また、この実施の形態１によれば、文書が定型文書である場合、その文書の書式情報に含まれている文字種別を考慮して、イメージに対する文字認識処理を実施するように構成したので、文字情報の解析精度を高めることができる効果を奏する。
さらに、この実施の形態１によれば、文書ファイル又はイメージデータをページ記述言語のデータ形式に変換してＰＤＬデータを出力するように構成したので、文書ファイルのファイル形式等を問わず、文字のコードだけではなく、文字の位置等を抽出することができる効果を奏する。
【００２２】
実施の形態２．
図１０はこの発明の実施の形態２による文書解析装置を示す構成図であり、図において、図１と同一符号は同一または相当部分を示すので説明を省略する。
特定オブジェクト解析部８はＰＤＬ変換部１より出力されたＰＤＬデータを参照して特定オブジェクトが含まれている文書上の領域を特定するとともに、その領域内の記述をイメージに変換し、そのイメージに対する文字認識処理を実施して、そのイメージが表している文字情報を取得する。なお、特定オブジェクト解析部８は特定オブジェクト解析手段を構成している。
【００２３】
上記実施の形態１では、文書に含まれているテキストとイメージを抽出するものについて示したが、文書にはテキストやイメージ以外の特定オブジェクトが含まれている場合があり、上記実施の形態１の構成では特定オブジェクトが表している文字情報を取得することができない。例えば、文書によっては線のオブジェクトを含んでおり、これら線のオブジェクトが組み合わされて文字を描している場合がある。
この実施の形態２では、特定オブジェクト解析部８が特定オブジェクトが表している文字情報を取得するようにしている。
【００２４】
最初に、図１１のフローチャートを参照して、文字情報の抽出対象が非定型の文書である場合について説明する。図１２は特定オブジェクトを含む非定型文書の一例を示す説明図である。
特定オブジェクト記述領域には、線のオブジェクトが集まることで“ＭＥＬＣＯ”という文字列を構成している。例えば、商業用のグラフィックツールを用いてカタログ等の文書を作成する場合、文字列の見栄えを良くするために、テキストをアウトライン化して線の集合に変換する作業が行われる。このようにアウトライン化された文字列部分がＰＤＬデータに変換された場合、テキストやイメージでなはい別のオブジェクトに変換される。
【００２５】
まず、テキスト抽出部５は、文書種別入力部３により入力された種別情報が非定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、上記実施の形態１と同様に、その文書の全領域におけるＰＤＬデータから文字情報を抽出する（ステップＳＴ１）。
例えば、図１３（ａ）に示すような非定型文書が抽出対象である場合、図１３（ｂ）に示すようなテキストが文字情報として抽出される。
【００２６】
次に、イメージ解析部６は、文書種別入力部３により入力された種別情報が非定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、上記実施の形態１と同様に、その文書の全領域におけるＰＤＬデータからイメージを抽出する（ステップＳＴ２）。
イメージ解析部６は、ＰＤＬデータからイメージを抽出すると、上記実施の形態１と同様に、そのイメージに対する文字認識処理（例えば、ＯＣＲ処理）を実施して、そのイメージが表している文字情報（文字のコード、文字の位置、文字の幅及び高さ）を取得する（ステップＳＴ３）。
例えば、図１３（ｃ）に示すようなテキストが文字情報として取得される。
【００２７】
次に、特定オブジェクト解析部８は、文書種別入力部３により入力された種別情報が非定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、そのＰＤＬデータを参照して特定オブジェクトが含まれている文書上の領域を特定する（ステップＳＴ２１）。即ち、ＰＤＬデータに含まれている全ての特定オブジェクト（例えば、線のオブジェクト）の位置と大きさの情報を抽出して、全ての特定オブジェクトを内包する領域を特定オブジェクト記述領域として特定する（図１２を参照）。
【００２８】
特定オブジェクト解析部８は、上記のようにして特定オブジェクト記述領域を特定すると、その特定オブジェクト記述領域内の記述をイメージに変換し、そのイメージに対する文字認識処理を実施して、そのイメージが表している文字情報（文字のコード、文字の位置、文字の幅及び高さ）を取得する（ステップＳＴ２２）。
例えば、図１３（ｄ）に示すようなテキストが文字情報として取得される。
【００２９】
文字情報整理部７は、上記のようにしてテキスト抽出部５が文字情報を抽出し、イメージ解析部６及び特定オブジェクト解析部８が文字情報を取得すると、図１３（ｅ）に示すように、それらの文字情報を結合して出力する（ステップＳＴ２３）。
【００３０】
次に、図１４のフローチャートを参照して、文字情報の抽出対象が定型の文書である場合について説明する。図１５は特定オブジェクトを含む定型文書の一例を示す説明図である。
特定オブジェクト記述領域には、線のオブジェクトによって“ＶＸＺＬ”という文字列を構成している。例えば、ＣＡＤツールには、線の集まりであるベクトルデータを用いて文字を表現するものがあるが、このようなＣＡＤツールで作成された文書をＰＤＬデータに変換すると、文字列は図１５に示すような線のオブジェクトの集合となる。
【００３１】
領域特定部４は、文書種別入力部３により入力された種別情報が定型文書である旨を示すので、上記実施の形態１と同様に、書式情報記憶部２に記憶されている書式情報を参照して当該文書のテキスト記述領域とイメージ記述領域を特定する（ステップＳＴ１１）。
テキスト抽出部５は、文書種別入力部３により入力された種別情報が定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、上記実施の形態１と同様に、領域特定部４により特定されたテキスト記述領域内のＰＤＬデータから文字情報を抽出する（ステップＳＴ１２）。
ただし、図１６（ａ）に示すような定型文書が抽出対象である場合、文書内にはテキスト記述領域が存在しないので、文字情報は抽出されない（図１６（ｃ）を参照）。なお、特定オブジェクト記述領域内の文字列はベクトルデータであるため、テキスト抽出部５の抽出処理によっては、文字列は抽出されない。
【００３２】
次に、イメージ解析部６は、文書種別入力部３により入力された種別情報が定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、上記実施の形態１と同様に、領域特定部４により特定されたイメージ記述領域内のＰＤＬデータからイメージを抽出する（ステップＳＴ１３）。
イメージ解析部６は、ＰＤＬデータからイメージを抽出すると、上記実施の形態１と同様に、書式情報記憶部２に記憶されている書式情報に含まれている文字種別を考慮して、イメージに対する文字認識処理（例えば、ＯＣＲ処理）を実施して、そのイメージが表している文字情報を取得する（ステップＳＴ１４）。
ただし、図１６（ａ）に示すような定型文書が抽出対象である場合、イメージ記述領域には文字が存在しないので、文字情報は抽出されない（図１６（ｄ）を参照）。なお、特定オブジェクト記述領域内の文字列はベクトルデータであるため、イメージ解析部６の文字認識処理等によっては、文字列は抽出されない。
【００３３】
次に、特定オブジェクト解析部８は、文書種別入力部３により入力された種別情報が定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、そのＰＤＬデータを参照して特定オブジェクトが含まれている文書上の領域を特定する（ステップＳＴ３１）。即ち、ＰＤＬデータに含まれている全ての特定オブジェクト（例えば、線のオブジェクト）の位置と大きさの情報を抽出して、全ての特定オブジェクトを内包する領域を特定オブジェクト記述領域として特定する（図１５、図１６（ｂ）の斜線部を参照）。
【００３４】
特定オブジェクト解析部８は、上記のようにして特定オブジェクト記述領域を特定すると、その特定オブジェクト記述領域内の記述をイメージに変換する。
そして、書式情報記憶部２に記憶されている書式情報に含まれている文字種別を考慮して、そのイメージに対する文字認識処理を実施して、そのイメージが表している文字情報（文字のコード、文字の位置、文字の幅及び高さ）を取得する（ステップＳＴ３２）。
例えば、図１６（ｅ）に示すようなテキストが文字情報として取得される。
【００３５】
文字情報整理部７は、上記のようにしてテキスト抽出部５が文字情報を抽出し、イメージ解析部６及び特定オブジェクト解析部８が文字情報を取得すると、図１６（ｆ）に示すように、それらの文字情報を結合して出力する（ステップＳＴ３３）。
【００３６】
以上で明らかなように、この実施の形態２によれば、ＰＤＬ変換部１より出力されたＰＤＬデータを参照して特定オブジェクトが含まれている文書上の領域を特定するとともに、その領域内の記述をイメージに変換し、そのイメージに対する文字認識処理を実施して、そのイメージが表している文字情報を取得するように構成したので、テキストとイメージ以外の特定オブジェクトで文字が表現されている場合でも、その文字情報を漏れなく抽出することができる効果を奏する。即ち、定型文書であるか非定型文書であるかに関わらず、文書に含まれている特定オブジェクトが表す文字を解析することができる効果を奏する。
【００３７】
実施の形態３．
図１７はこの発明の実施の形態３による文書解析装置を示す構成図であり、図において、図１０と同一符号は同一または相当部分を示すので説明を省略する。
フィルタリング部９は文書ファイルのデータ形式が予め設定されたデータ形式と一致する場合、その文書ファイルをＰＤＬ変換部１に出力せずに、その文書ファイルから文字情報を直接抽出する。なお、フィルタリング部９はフィルタリング手段を構成している。
図１８はこの発明の実施の形態３による文書解析装置の概略の処理内容を示す説明図である。
【００３８】
次に動作について説明する。
フィルタリング部９は、文書のイメージデータを入力すると、そのイメージデータをＰＤＬ変換部１に出力するが、文書の文書ファイルを入力すると、その文書ファイルのデータ形式が予め設定されたデータ形式と一致するか否かを判定する。そして、データ形式が一致する場合には、その文書ファイルをＰＤＬ変換部１に出力せずに、その文書ファイルから文字情報を直接抽出する。
【００３９】
即ち、フィルタリング部９は、図１９に示すような処理判定条件（ファイル種類と情報解析手法の関係）を記憶しているので、その処理判定条件を参照し、例えば、文書ファイルのデータ形式が“ＨＴＭＬ”であれば、情報解析手法としてフィルタリングを採用する。したがって、この場合は、文書ファイルをＰＤＬ変換部１には出力せず、ＨＴＭＬ文書に対応するフィルタリング処理を実施して、その文書ファイルから文字情報を直接抽出する。
【００４０】
また、文書ファイルのデータ形式が“ＥＸＣＥＬ”であれば、情報解析手法としてＰＤＬ変換を採用する（図１９を参照）。したがって、この場合は、文書ファイルをＰＤＬ変換部１に出力するので、上記実施の形態１，２と同様に処理が行われる。
ただし、文書ファイルのデータ形式が“ＥＸＣＥＬ”の場合、処理判定条件のオプションとして、特定オブジェクトの文字認識処理は実行しないとあるので、テキストの抽出処理とイメージ内の文字認識処理のみを実行する。
【００４１】
さらに、文書ファイルのデータ形式が“ＣＡＤ”であれば、情報解析手法としてＰＤＬ変換を採用する（図１９を参照）。したがって、この場合は、文書ファイルをＰＤＬ変換部１に出力するので、上記実施の形態１，２と同様に処理が行われる。
ただし、文書ファイルのデータ形式が“ＣＡＤ”の場合、処理判定条件のオプションとして、イメージ内の文字認識処理は実行しないとあるので、テキストの抽出処理と特定オブジェクトの文字認識処理のみを実行する。
【００４２】
以上で明らかなように、この実施の形態３によれば、文書ファイルのデータ形式が予め設定されたデータ形式と一致する場合、その文書ファイルをＰＤＬ変換部１に出力せずに、その文書ファイルから文字情報を直接抽出するフィルタリング部９を設けたので、文書ファイルのデータ形式に応じて文字情報の抽出処理をカスタマイズすることができる効果を奏する。
【００４３】
【発明の効果】
以上のように、この発明によれば、文書が定型文書である場合、ＰＤＬ変換手段より出力されたＰＤＬデータに対するイメージ化処理を実施して、文書のイメージを表すイメージファイルを作成し、そのイメージファイルが表すイメージと文書の書式情報とを比較して、文書のテキスト記述領域とイメージ記述領域を特定する領域特定手段を設け、テキスト抽出手段が領域特定手段により特定されたテキスト記述領域内のＰＤＬデータから文字情報を抽出し、イメージ解析手段が領域特定手段により特定されたイメージ記述領域内のＰＤＬデータからイメージを抽出するように構成したので、定型文書の文字情報を精度よく解析することができる効果がある。
【図面の簡単な説明】
【図１】 この発明の実施の形態１による文書解析装置を示す構成図である。
【図２】 この発明の実施の形態１による文書解析装置の概略の処理内容を示す説明図である。
【図３】 文字情報の抽出対象が非定型文書である場合の処理内容を示すフローチャートである。
【図４】 文字情報の抽出プロセスを示す説明図である。
【図５】 最終的に得られた文字情報を示す説明図である。
【図６】 文字情報の抽出対象が定型文書である場合の処理内容を示すフローチャートである。
【図７】 記述領域の特定処理を示す説明図である。
【図８】 文字情報の抽出プロセスを示す説明図である。
【図９】 最終的に得られた文字情報を示す説明図である。
【図１０】 この発明の実施の形態２による文書解析装置を示す構成図である。
【図１１】 文字情報の抽出対象が非定型文書である場合の処理内容を示すフローチャートである。
【図１２】 特定オブジェクトを含む非定型文書の一例を示す説明図である。
【図１３】 文字情報の抽出プロセスを示す説明図である。
【図１４】 文字情報の抽出対象が非定型文書である場合の処理内容を示すフローチャートである。
【図１５】 特定オブジェクトを含む非定型文書の一例を示す説明図である。
【図１６】 文字情報の抽出プロセスを示す説明図である。
【図１７】 この発明の実施の形態３による文書解析装置を示す構成図である。
【図１８】 この発明の実施の形態３による文書解析装置の概略の処理内容を示す説明図である。
【図１９】 処理判定条件を示す説明図である。
【符号の説明】
１ ＰＤＬ変換部（ＰＤＬ変換手段）、２ 書式情報記憶部（領域特定手段）、３ 文書種別入力部（領域特定手段）、４ 領域特定部（領域特定手段）、５テキスト抽出部（テキスト抽出手段）、６ イメージ解析部（イメージ解析手段）、７ 文字情報整理部、８ 特定オブジェクト解析部（特定オブジェクト解析手段）、９ フィルタリング部（フィルタリング手段）。
【発明の属する技術分野】
この発明は、文書から文字情報を抽出する文書解析装置に関するものである。
ただし、本明細書では、文字情報には、いわゆる文字の情報の他に、記号の情報を含む概念とする。
【０００２】
【従来の技術】
従来の文書解析装置は、電子化されている文書から文字情報を抽出する場合、その文書のファイル形式をＰＤＦ文書の形式に変換し、そのＰＤＦデータから文字情報（文字コード）を抽出する。
一方、電子化されていない文書については、スキャナが文書を読み込んで当該文書のイメージを取得し、そのイメージに対する文字認識処理（例えば、ＯＣＲ処理）を実施して、イメージが表している文字情報を取得する（以下の特許文献１を参照）。
【０００３】
【特許文献１】
特開２０００−２０５４９公報（段落番号［００１２］から［００２６］、図１）
【０００４】
【発明が解決しようとする課題】
従来の文書解析装置は以上のように構成されているので、電子化されている文書のファイル形式を問わず、その文書から文字情報を抽出することができるが、その文書が定型文書であっても、その文書の書式情報を参照することによる文字情報の抽出処理を実施することができず、文字情報の解析精度を高めることができない課題があった。
また、イメージや線分等から構成されている特定オブジェクトが文書に含まれている場合、その特定オブジェクトが表している文字を解析することができない課題もあった。
【０００５】
この発明は上記のような課題を解決するためになされたもので、定型文書の文字情報を精度よく解析することができる文書解析装置を得ることを目的とする。
また、この発明は、定型文書であるか非定型文書であるかに関わらず、文書に含まれている特定オブジェクトが表す文字を解析することができる文書解析装置を得ることを目的とする。
【０００６】
【課題を解決するための手段】
この発明に係る文書解析装置は、文書が定型文書である場合、ＰＤＬ変換手段より出力されたＰＤＬデータに対するイメージ化処理を実施して、文書のイメージを表すイメージファイルを作成し、そのイメージファイルが表すイメージと文書の書式情報とを比較して、文書のテキスト記述領域とイメージ記述領域を特定する領域特定手段を設け、テキスト抽出手段が領域特定手段により特定されたテキスト記述領域内のＰＤＬデータから文字情報を抽出し、イメージ解析手段が領域特定手段により特定されたイメージ記述領域内のＰＤＬデータからイメージを抽出するようにしたものである。
【０００７】
【発明の実施の形態】
以下、この発明の実施の一形態を説明する。
実施の形態１．
図１はこの発明の実施の形態１による文書解析装置を示す構成図であり、図において、ＰＤＬ変換部１は電子化された文書の文書ファイルを入力すると、その文書ファイルをページ記述言語のデータ形式に変換してＰＤＬデータを出力し、電子化されていない文書のイメージデータを入力すると、そのイメージデータをページ記述言語のデータ形式に変換してＰＤＬデータを出力する。なお、ＰＤＬ変換部１はＰＤＬ変換手段を構成している。
書式情報記憶部２は定型文書の記述領域や文字種別等を示す書式情報を記憶し、文書種別入力部３は文字情報を抽出する対象の文書が定型文書であるのか、非定型文書であるのかを示す種別情報を入力する。領域特定部４は文書種別入力部３により入力された種別情報が定型文書である旨を示す場合、書式情報記憶部２に記憶されている書式情報を参照して当該文書のテキスト記述領域とイメージ記述領域を特定する。なお、書式情報記憶部２、文書種別入力部３及び領域特定部４から領域特定手段が構成されている。
【０００８】
テキスト抽出部５は文書種別入力部３により入力された種別情報が非定型文書である旨を示す場合、ＰＤＬ変換部１より出力されたＰＤＬデータから文字情報を抽出し、その種別情報が定型文書である旨を示す場合、領域特定部４により特定されたテキスト記述領域内のＰＤＬデータから文字情報を抽出する。なお、テキスト抽出部５はテキスト抽出手段を構成している。
イメージ解析部６は文書種別入力部３により入力された種別情報が非定型文書である旨を示す場合、ＰＤＬ変換部１より出力されたＰＤＬデータからイメージを抽出し、その種別情報が定型文書である旨を示す場合、領域特定部４により特定されたイメージ記述領域内のＰＤＬデータからイメージを抽出し、そのイメージに対する文字認識処理を実施して、そのイメージが表している文字情報を取得する。なお、イメージ解析部６はイメージ解析手段を構成している。
文字情報整理部７はテキスト抽出部５により抽出された文字情報とイメージ解析部６により取得された文字情報を結合する。
図２はこの発明の実施の形態１による文書解析装置の概略の処理内容を示す説明図である。
【０００９】
次に動作について説明する。
この実施の形態１では、図２に示すように、ファイル形式１の非定型の電子文書、ファイル形式２の非定型の電子文書、ファイル形式２の定型の電子文書、非定型のイメージ文書又は定型のイメージ文書のいずれかを文字情報の抽出対象文書とするものとする。
まず、ＰＤＬ変換部１は、ファイル形式や定型・非定型を問わず、電子文書の文書ファイルを入力すると、その文書ファイルをページ記述言語のデータ形式に変換してＰＤＬデータを出力する。
また、定型・非定型を問わず、イメージ文書のイメージデータを入力すると、そのイメージデータをページ記述言語のデータ形式に変換してＰＤＬデータを出力する。
【００１０】
ここで、ＰＤＬとはページ記述言語の略称であり、ページ記述言語は、例えば、パソコンがプリンタに印刷指令を出力際に、そのプリンタに与える印刷データに相当する。一般のプリンタでは、“ＰｏｓｔＳｃｒｉｐｔ”データがＰＤＬデータとして広く使用されている。
ＰＤＬ変換部１が文書ファイル又はイメージデータをＰＤＬデータに変換する処理は、例えば、ワープロソフトなどのアプリケーションから文書の印刷処理を行う際、“ＰｏｓｔＳｃｒｉｐｔ”データの出力先をプリンタから所定のファイルに変更するように、印刷に用いるプリンタドライバの設定を変更すれば、容易に実現することができる。なお、所定のファイルに記述される“ＰｏｓｔＳｃｒｉｐｔ”データ、即ち、ＰＤＬデータには、文書に含まれる文字のコードと、その文字の位置情報と、文書に含まれるイメージの情報（文書上のイメージの表示位置、大きさ、ビットマップデータなど）がテキスト形式で格納される。
【００１１】
文書種別入力部３は、文字情報を抽出する対象の文書が定型文書であるのか、非定型文書であるのかを示す種別情報を入力する。例えば、文書ファイル又はイメージデータをＰＤＬ変換部１に与えるユーザが図示せぬキーボードやマウス等を操作して、種別情報を文書種別入力部３に入力する。
以後、テキスト抽出部５及びイメージ解析部６が文字情報の抽出処理を実施するが、最初に、図３のフローチャートを参照して、文字情報の抽出対象が非定型の文書である場合について説明する。
【００１２】
まず、テキスト抽出部５は、文書種別入力部３により入力された種別情報が非定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、その文書の全領域におけるＰＤＬデータから文字情報を抽出する（ステップＳＴ１）。即ち、全領域のＰＤＬデータに含まれている文字のコードと文字の位置情報を検索することにより文字情報（文字のコード、文字の位置）を抽出する。
例えば、図４（ａ）に示すような非定型文書が抽出対象である場合、図４（ｂ）に示すようなテキストが文字情報として抽出される。
【００１３】
次に、イメージ解析部６は、文書種別入力部３により入力された種別情報が非定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、その文書の全領域におけるＰＤＬデータからイメージを抽出する（ステップＳＴ２）。即ち、全領域のＰＤＬデータに含まれているイメージの情報（文書上のイメージの表示位置、大きさ、ビットマップデータなど）を検索する。
イメージ解析部６は、ＰＤＬデータからイメージを抽出すると、そのイメージに対する文字認識処理（例えば、ＯＣＲ処理）を実施して、そのイメージが表している文字情報（文字のコード、文字の位置、文字の幅及び高さ）を取得する（ステップＳＴ３）。
例えば、図４（ｃ）に示すようなテキストが文字情報として取得される。
【００１４】
文字情報整理部７は、上記のようにしてテキスト抽出部５が文字情報を抽出し、イメージ解析部６が文字情報を取得すると、図４（ｄ）に示すように、それらの文字情報を結合して出力する（ステップＳＴ４）。
図５は文字情報整理部７から出力された文字情報を示し、文書内に含まれている文字のコード、文字の位置情報（Ｘ座標、Ｙ座標）、文字幅及び文字高さが得られる。
【００１５】
次に、図６のフローチャートを参照して、文字情報の抽出対象が定型の文書である場合について説明する。
領域特定部４は、文書種別入力部３により入力された種別情報が定型文書である旨を示すので、書式情報記憶部２に記憶されている書式情報を参照して当該文書のテキスト記述領域とイメージ記述領域を特定する（ステップＳＴ１１）。
具体的には、図７に示すような定型文書が抽出対象である場合、それらの定型文書のＰＤＬデータを入力すると、そのＰＤＬデータに対するイメージ化処理を実施して、文書のページ全体を１個のイメージで表すイメージファイルを作成する。なお、“ＰｏｓｔＳｃｒｉｐｔ”データをイメージファイルに変換するツールが市販されているので、このツールを利用すれば、容易にＰＤＬデータを１個のイメージに変換することができる。
【００１６】
そして、そのイメージファイルが表すイメージと、書式情報記憶部２に記憶されている書式情報とを比較して、文書のテキスト記述領域とイメージ記述領域を特定する。
ここで、書式情報記憶部２に記憶されている書式情報には、図７に示すように、文書中のフィールドの左上点座標、フィールドの幅・高さ、認識対象の文字の種類など、定型文書の読取処理に必要な情報が記載されている。このような書式情報を利用してイメージファイル上のフィールド領域の位置を検出する処理は、例えば、論文“ロバストなモデル照合に基づくＦＡＸ送信された一般帳票の読取り”，電子情報通信学会誌 Ｖｏｌ Ｊ８５−ＤＩＩ，Ｎｏ．９，２００２に記載の方式を用いて実現することができる。
【００１７】
テキスト抽出部５は、文書種別入力部３により入力された種別情報が定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、領域特定部４により特定されたテキスト記述領域内のＰＤＬデータから文字情報を抽出する（ステップＳＴ１２）。即ち、全領域のＰＤＬデータではなく、テキスト記述領域内のＰＤＬデータに含まれている文字のコードと文字の位置情報を検索することにより文字情報（文字のコード、文字の位置）を抽出する。
例えば、図８（ａ）に示すような定型文書が抽出対象である場合、図８（ｂ）に示すようなテキストが文字情報として抽出される。
【００１８】
次に、イメージ解析部６は、文書種別入力部３により入力された種別情報が定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、領域特定部４により特定されたイメージ記述領域内のＰＤＬデータからイメージを抽出する（ステップＳＴ１３）。即ち、全領域のＰＤＬデータではなく、イメージ記述領域内のＰＤＬデータに含まれているイメージの情報（文書上のイメージの表示位置、大きさ、ビットマップデータなど）を検索する。
イメージ解析部６は、ＰＤＬデータからイメージを抽出すると、書式情報記憶部２に記憶されている書式情報に含まれている文字種別（例えば、漢字、数字）を考慮して、イメージに対する文字認識処理（例えば、ＯＣＲ処理）を実施して、そのイメージが表している文字情報（文字のコード、文字の位置、文字の幅及び高さ）を取得する（ステップＳＴ１４）。
例えば、図８（ｃ）に示すようなテキストが文字情報として取得される。
【００１９】
文字情報整理部７は、上記のようにしてテキスト抽出部５が文字情報を抽出し、イメージ解析部６が文字情報を取得すると、図８（ｄ）に示すように、それらの文字情報を結合して出力する（ステップＳＴ１５）。
図９は文字情報整理部７から出力された文字情報やフィールド番号を示し、文書内に含まれている文字のコード、文字の位置情報（Ｘ座標、Ｙ座標）、文字幅及び文字高さが得られる。
【００２０】
以上で明らかなように、この実施の形態１によれば、文書が定型文書である場合、その文書の書式情報を参照してテキスト記述領域とイメージ記述領域を特定する領域特定部４を設け、テキスト抽出部５がテキスト記述領域内のＰＤＬデータから文字情報を抽出し、イメージ解析部６がイメージ記述領域内のＰＤＬデータからイメージを抽出するように構成したので、定型文書の文字情報を精度よく解析することができる効果を奏する。
即ち、文書が定型文書である場合、イメージに対する文字認識処理を実施する際、イメージ記述領域内に記述されている文字の属性（例えば、名前、住所）を事前に知り得るので、文字情報の解析精度を高めることができる効果を奏する。
【００２１】
また、この実施の形態１によれば、文書が定型文書である場合、その文書の書式情報に含まれている文字種別を考慮して、イメージに対する文字認識処理を実施するように構成したので、文字情報の解析精度を高めることができる効果を奏する。
さらに、この実施の形態１によれば、文書ファイル又はイメージデータをページ記述言語のデータ形式に変換してＰＤＬデータを出力するように構成したので、文書ファイルのファイル形式等を問わず、文字のコードだけではなく、文字の位置等を抽出することができる効果を奏する。
【００２２】
実施の形態２．
図１０はこの発明の実施の形態２による文書解析装置を示す構成図であり、図において、図１と同一符号は同一または相当部分を示すので説明を省略する。
特定オブジェクト解析部８はＰＤＬ変換部１より出力されたＰＤＬデータを参照して特定オブジェクトが含まれている文書上の領域を特定するとともに、その領域内の記述をイメージに変換し、そのイメージに対する文字認識処理を実施して、そのイメージが表している文字情報を取得する。なお、特定オブジェクト解析部８は特定オブジェクト解析手段を構成している。
【００２３】
上記実施の形態１では、文書に含まれているテキストとイメージを抽出するものについて示したが、文書にはテキストやイメージ以外の特定オブジェクトが含まれている場合があり、上記実施の形態１の構成では特定オブジェクトが表している文字情報を取得することができない。例えば、文書によっては線のオブジェクトを含んでおり、これら線のオブジェクトが組み合わされて文字を描している場合がある。
この実施の形態２では、特定オブジェクト解析部８が特定オブジェクトが表している文字情報を取得するようにしている。
【００２４】
最初に、図１１のフローチャートを参照して、文字情報の抽出対象が非定型の文書である場合について説明する。図１２は特定オブジェクトを含む非定型文書の一例を示す説明図である。
特定オブジェクト記述領域には、線のオブジェクトが集まることで“ＭＥＬＣＯ”という文字列を構成している。例えば、商業用のグラフィックツールを用いてカタログ等の文書を作成する場合、文字列の見栄えを良くするために、テキストをアウトライン化して線の集合に変換する作業が行われる。このようにアウトライン化された文字列部分がＰＤＬデータに変換された場合、テキストやイメージでなはい別のオブジェクトに変換される。
【００２５】
まず、テキスト抽出部５は、文書種別入力部３により入力された種別情報が非定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、上記実施の形態１と同様に、その文書の全領域におけるＰＤＬデータから文字情報を抽出する（ステップＳＴ１）。
例えば、図１３（ａ）に示すような非定型文書が抽出対象である場合、図１３（ｂ）に示すようなテキストが文字情報として抽出される。
【００２６】
次に、イメージ解析部６は、文書種別入力部３により入力された種別情報が非定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、上記実施の形態１と同様に、その文書の全領域におけるＰＤＬデータからイメージを抽出する（ステップＳＴ２）。
イメージ解析部６は、ＰＤＬデータからイメージを抽出すると、上記実施の形態１と同様に、そのイメージに対する文字認識処理（例えば、ＯＣＲ処理）を実施して、そのイメージが表している文字情報（文字のコード、文字の位置、文字の幅及び高さ）を取得する（ステップＳＴ３）。
例えば、図１３（ｃ）に示すようなテキストが文字情報として取得される。
【００２７】
次に、特定オブジェクト解析部８は、文書種別入力部３により入力された種別情報が非定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、そのＰＤＬデータを参照して特定オブジェクトが含まれている文書上の領域を特定する（ステップＳＴ２１）。即ち、ＰＤＬデータに含まれている全ての特定オブジェクト（例えば、線のオブジェクト）の位置と大きさの情報を抽出して、全ての特定オブジェクトを内包する領域を特定オブジェクト記述領域として特定する（図１２を参照）。
【００２８】
特定オブジェクト解析部８は、上記のようにして特定オブジェクト記述領域を特定すると、その特定オブジェクト記述領域内の記述をイメージに変換し、そのイメージに対する文字認識処理を実施して、そのイメージが表している文字情報（文字のコード、文字の位置、文字の幅及び高さ）を取得する（ステップＳＴ２２）。
例えば、図１３（ｄ）に示すようなテキストが文字情報として取得される。
【００２９】
文字情報整理部７は、上記のようにしてテキスト抽出部５が文字情報を抽出し、イメージ解析部６及び特定オブジェクト解析部８が文字情報を取得すると、図１３（ｅ）に示すように、それらの文字情報を結合して出力する（ステップＳＴ２３）。
【００３０】
次に、図１４のフローチャートを参照して、文字情報の抽出対象が定型の文書である場合について説明する。図１５は特定オブジェクトを含む定型文書の一例を示す説明図である。
特定オブジェクト記述領域には、線のオブジェクトによって“ＶＸＺＬ”という文字列を構成している。例えば、ＣＡＤツールには、線の集まりであるベクトルデータを用いて文字を表現するものがあるが、このようなＣＡＤツールで作成された文書をＰＤＬデータに変換すると、文字列は図１５に示すような線のオブジェクトの集合となる。
【００３１】
領域特定部４は、文書種別入力部３により入力された種別情報が定型文書である旨を示すので、上記実施の形態１と同様に、書式情報記憶部２に記憶されている書式情報を参照して当該文書のテキスト記述領域とイメージ記述領域を特定する（ステップＳＴ１１）。
テキスト抽出部５は、文書種別入力部３により入力された種別情報が定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、上記実施の形態１と同様に、領域特定部４により特定されたテキスト記述領域内のＰＤＬデータから文字情報を抽出する（ステップＳＴ１２）。
ただし、図１６（ａ）に示すような定型文書が抽出対象である場合、文書内にはテキスト記述領域が存在しないので、文字情報は抽出されない（図１６（ｃ）を参照）。なお、特定オブジェクト記述領域内の文字列はベクトルデータであるため、テキスト抽出部５の抽出処理によっては、文字列は抽出されない。
【００３２】
次に、イメージ解析部６は、文書種別入力部３により入力された種別情報が定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、上記実施の形態１と同様に、領域特定部４により特定されたイメージ記述領域内のＰＤＬデータからイメージを抽出する（ステップＳＴ１３）。
イメージ解析部６は、ＰＤＬデータからイメージを抽出すると、上記実施の形態１と同様に、書式情報記憶部２に記憶されている書式情報に含まれている文字種別を考慮して、イメージに対する文字認識処理（例えば、ＯＣＲ処理）を実施して、そのイメージが表している文字情報を取得する（ステップＳＴ１４）。
ただし、図１６（ａ）に示すような定型文書が抽出対象である場合、イメージ記述領域には文字が存在しないので、文字情報は抽出されない（図１６（ｄ）を参照）。なお、特定オブジェクト記述領域内の文字列はベクトルデータであるため、イメージ解析部６の文字認識処理等によっては、文字列は抽出されない。
【００３３】
次に、特定オブジェクト解析部８は、文書種別入力部３により入力された種別情報が定型文書である旨を示すので、ＰＤＬ変換部１からＰＤＬデータを受けると、そのＰＤＬデータを参照して特定オブジェクトが含まれている文書上の領域を特定する（ステップＳＴ３１）。即ち、ＰＤＬデータに含まれている全ての特定オブジェクト（例えば、線のオブジェクト）の位置と大きさの情報を抽出して、全ての特定オブジェクトを内包する領域を特定オブジェクト記述領域として特定する（図１５、図１６（ｂ）の斜線部を参照）。
【００３４】
特定オブジェクト解析部８は、上記のようにして特定オブジェクト記述領域を特定すると、その特定オブジェクト記述領域内の記述をイメージに変換する。
そして、書式情報記憶部２に記憶されている書式情報に含まれている文字種別を考慮して、そのイメージに対する文字認識処理を実施して、そのイメージが表している文字情報（文字のコード、文字の位置、文字の幅及び高さ）を取得する（ステップＳＴ３２）。
例えば、図１６（ｅ）に示すようなテキストが文字情報として取得される。
【００３５】
文字情報整理部７は、上記のようにしてテキスト抽出部５が文字情報を抽出し、イメージ解析部６及び特定オブジェクト解析部８が文字情報を取得すると、図１６（ｆ）に示すように、それらの文字情報を結合して出力する（ステップＳＴ３３）。
【００３６】
以上で明らかなように、この実施の形態２によれば、ＰＤＬ変換部１より出力されたＰＤＬデータを参照して特定オブジェクトが含まれている文書上の領域を特定するとともに、その領域内の記述をイメージに変換し、そのイメージに対する文字認識処理を実施して、そのイメージが表している文字情報を取得するように構成したので、テキストとイメージ以外の特定オブジェクトで文字が表現されている場合でも、その文字情報を漏れなく抽出することができる効果を奏する。即ち、定型文書であるか非定型文書であるかに関わらず、文書に含まれている特定オブジェクトが表す文字を解析することができる効果を奏する。
【００３７】
実施の形態３．
図１７はこの発明の実施の形態３による文書解析装置を示す構成図であり、図において、図１０と同一符号は同一または相当部分を示すので説明を省略する。
フィルタリング部９は文書ファイルのデータ形式が予め設定されたデータ形式と一致する場合、その文書ファイルをＰＤＬ変換部１に出力せずに、その文書ファイルから文字情報を直接抽出する。なお、フィルタリング部９はフィルタリング手段を構成している。
図１８はこの発明の実施の形態３による文書解析装置の概略の処理内容を示す説明図である。
【００３８】
次に動作について説明する。
フィルタリング部９は、文書のイメージデータを入力すると、そのイメージデータをＰＤＬ変換部１に出力するが、文書の文書ファイルを入力すると、その文書ファイルのデータ形式が予め設定されたデータ形式と一致するか否かを判定する。そして、データ形式が一致する場合には、その文書ファイルをＰＤＬ変換部１に出力せずに、その文書ファイルから文字情報を直接抽出する。
【００３９】
即ち、フィルタリング部９は、図１９に示すような処理判定条件（ファイル種類と情報解析手法の関係）を記憶しているので、その処理判定条件を参照し、例えば、文書ファイルのデータ形式が“ＨＴＭＬ”であれば、情報解析手法としてフィルタリングを採用する。したがって、この場合は、文書ファイルをＰＤＬ変換部１には出力せず、ＨＴＭＬ文書に対応するフィルタリング処理を実施して、その文書ファイルから文字情報を直接抽出する。
【００４０】
また、文書ファイルのデータ形式が“ＥＸＣＥＬ”であれば、情報解析手法としてＰＤＬ変換を採用する（図１９を参照）。したがって、この場合は、文書ファイルをＰＤＬ変換部１に出力するので、上記実施の形態１，２と同様に処理が行われる。
ただし、文書ファイルのデータ形式が“ＥＸＣＥＬ”の場合、処理判定条件のオプションとして、特定オブジェクトの文字認識処理は実行しないとあるので、テキストの抽出処理とイメージ内の文字認識処理のみを実行する。
【００４１】
さらに、文書ファイルのデータ形式が“ＣＡＤ”であれば、情報解析手法としてＰＤＬ変換を採用する（図１９を参照）。したがって、この場合は、文書ファイルをＰＤＬ変換部１に出力するので、上記実施の形態１，２と同様に処理が行われる。
ただし、文書ファイルのデータ形式が“ＣＡＤ”の場合、処理判定条件のオプションとして、イメージ内の文字認識処理は実行しないとあるので、テキストの抽出処理と特定オブジェクトの文字認識処理のみを実行する。
【００４２】
以上で明らかなように、この実施の形態３によれば、文書ファイルのデータ形式が予め設定されたデータ形式と一致する場合、その文書ファイルをＰＤＬ変換部１に出力せずに、その文書ファイルから文字情報を直接抽出するフィルタリング部９を設けたので、文書ファイルのデータ形式に応じて文字情報の抽出処理をカスタマイズすることができる効果を奏する。
【００４３】
【発明の効果】
以上のように、この発明によれば、文書が定型文書である場合、ＰＤＬ変換手段より出力されたＰＤＬデータに対するイメージ化処理を実施して、文書のイメージを表すイメージファイルを作成し、そのイメージファイルが表すイメージと文書の書式情報とを比較して、文書のテキスト記述領域とイメージ記述領域を特定する領域特定手段を設け、テキスト抽出手段が領域特定手段により特定されたテキスト記述領域内のＰＤＬデータから文字情報を抽出し、イメージ解析手段が領域特定手段により特定されたイメージ記述領域内のＰＤＬデータからイメージを抽出するように構成したので、定型文書の文字情報を精度よく解析することができる効果がある。
【図面の簡単な説明】
【図１】 この発明の実施の形態１による文書解析装置を示す構成図である。
【図２】 この発明の実施の形態１による文書解析装置の概略の処理内容を示す説明図である。
【図３】 文字情報の抽出対象が非定型文書である場合の処理内容を示すフローチャートである。
【図４】 文字情報の抽出プロセスを示す説明図である。
【図５】 最終的に得られた文字情報を示す説明図である。
【図６】 文字情報の抽出対象が定型文書である場合の処理内容を示すフローチャートである。
【図７】 記述領域の特定処理を示す説明図である。
【図８】 文字情報の抽出プロセスを示す説明図である。
【図９】 最終的に得られた文字情報を示す説明図である。
【図１０】 この発明の実施の形態２による文書解析装置を示す構成図である。
【図１１】 文字情報の抽出対象が非定型文書である場合の処理内容を示すフローチャートである。
【図１２】 特定オブジェクトを含む非定型文書の一例を示す説明図である。
【図１３】 文字情報の抽出プロセスを示す説明図である。
【図１４】 文字情報の抽出対象が非定型文書である場合の処理内容を示すフローチャートである。
【図１５】 特定オブジェクトを含む非定型文書の一例を示す説明図である。
【図１６】 文字情報の抽出プロセスを示す説明図である。
【図１７】 この発明の実施の形態３による文書解析装置を示す構成図である。
【図１８】 この発明の実施の形態３による文書解析装置の概略の処理内容を示す説明図である。
【図１９】 処理判定条件を示す説明図である。
【符号の説明】
１ ＰＤＬ変換部（ＰＤＬ変換手段）、２ 書式情報記憶部（領域特定手段）、３ 文書種別入力部（領域特定手段）、４ 領域特定部（領域特定手段）、５テキスト抽出部（テキスト抽出手段）、６ イメージ解析部（イメージ解析手段）、７ 文字情報整理部、８ 特定オブジェクト解析部（特定オブジェクト解析手段）、９ フィルタリング部（フィルタリング手段）。
Claims (9)
- 電子化された文書の文書ファイルを入力すると、その文書ファイルをページ記述言語のデータ形式に変換してＰＤＬデータを出力するＰＤＬ変換手段と、上記文書が定型文書である場合、上記ＰＤＬ変換手段より出力されたＰＤＬデータに対するイメージ化処理を実施して、上記文書のイメージを表すイメージファイルを作成し、上記イメージファイルが表すイメージと上記文書の書式情報とを比較して、上記文書のテキスト記述領域とイメージ記述領域を特定する領域特定手段と、上記文書が非定型文書である場合、上記ＰＤＬ変換手段より出力されたＰＤＬデータから文字情報を抽出し、上記文書が定型文書である場合、上記領域特定手段により特定されたテキスト記述領域内のＰＤＬデータから文字情報を抽出するテキスト抽出手段と、上記文書が非定型文書である場合、上記ＰＤＬ変換手段より出力されたＰＤＬデータからイメージを抽出し、上記文書が定型文書である場合、上記領域特定手段により特定されたイメージ記述領域内のＰＤＬデータからイメージを抽出し、そのイメージに対する文字認識処理を実施して、そのイメージが表している文字情報を取得するイメージ解析手段とを備えた文書解析装置。
- イメージ解析手段は、文書が定型文書である場合、その文書の書式情報に含まれている文字種別を考慮して、イメージに対する文字認識処理を実施することを特徴とする請求項１記載の文書解析装置。
- テキスト抽出手段は、文字情報として文字のコードと、その文字の位置とを抽出することを特徴とする請求項１記載の文書解析装置。
- イメージ解析手段は、文字情報として文字のコードと、その文字の位置と、その文字の幅及び高さとを取得することを特徴とする請求項１記載の文書解析装置。
- ＰＤＬ変換手段は、電子化されていない文書のイメージデータを入力すると、そのイメージデータをページ記述言語のデータ形式に変換してＰＤＬデータを出力することを特徴とする請求項１から請求項４のうちのいずれか１項記載の文書解析装置。
- ＰＤＬ変換手段より出力されたＰＤＬデータを参照して特定オブジェクトが含まれている文書上の領域を特定するとともに、その領域内の記述をイメージに変換し、そのイメージに対する文字認識処理を実施して、そのイメージが表している文字情報を取得する特定オブジェクト解析手段を設けたことを特徴とする請求項１から請求項５のうちのいずれか１項記載の文書解析装置。
- 特定オブジェクト解析手段は、文書が定型文書である場合、その文書の書式情報に含まれている文字種別を考慮して、イメージに対する文字認識処理を実施することを特徴とする請求項６記載の文書解析装置。
- 特定オブジェクト解析手段は、文字情報として文字のコードと、その文字の位置と、その文字の幅及び高さを取得することを特徴とする請求項６記載の文書解析装置。
- 文書ファイルのデータ形式が予め設定されたデータ形式と一致する場合、その文書ファイルをＰＤＬ変換手段に出力せずに、その文書ファイルから文字情報を直接抽出するフィルタリング手段を設けたことを特徴とする請求項１から請求項８のうちのいずれか１項記載の文書解析装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003013885A JP4194853B2 (ja) | 2003-01-22 | 2003-01-22 | 文書解析装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003013885A JP4194853B2 (ja) | 2003-01-22 | 2003-01-22 | 文書解析装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2004227255A JP2004227255A (ja) | 2004-08-12 |
| JP4194853B2 true JP4194853B2 (ja) | 2008-12-10 |
Family
ID=32902096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003013885A Expired - Fee Related JP4194853B2 (ja) | 2003-01-22 | 2003-01-22 | 文書解析装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4194853B2 (ja) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007166287A (ja) * | 2005-12-14 | 2007-06-28 | Fuji Xerox Co Ltd | 画像処理装置、および画像処理方法 |
| JP5247394B2 (ja) * | 2007-12-19 | 2013-07-24 | キヤノン株式会社 | メタデータ決定方法及び画像形成装置 |
| JP5387086B2 (ja) * | 2009-03-25 | 2014-01-15 | 富士ゼロックス株式会社 | 情報照合支援システム及びプログラム |
| JP5583542B2 (ja) | 2010-05-24 | 2014-09-03 | 株式会社Ｐｆｕ | 帳票処理システム、ｏｃｒ装置、ｏｃｒ処理プログラム、帳票作成装置、帳票作成プログラム、および帳票処理方法 |
| JP2016057964A (ja) * | 2014-09-11 | 2016-04-21 | 富士ゼロックス株式会社 | 文書処理装置およびプログラム |
| US10949664B2 (en) | 2019-04-08 | 2021-03-16 | Kyocera Document Solutions Inc. | Optical character recognition training data generation for neural networks by parsing page description language jobs |
| CN111985311A (zh) * | 2020-07-08 | 2020-11-24 | 福建亿能达信息技术股份有限公司 | 一种识别手机号的方法、装置、设备和介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0636070A (ja) * | 1992-07-16 | 1994-02-10 | Hitachi Ltd | 情報入力方法および装置 |
| JPH10340314A (ja) * | 1997-06-09 | 1998-12-22 | Aibitsukusu Kk | 帳票処理システム、その文字認識方法およびその記録媒体 |
| JP2000020549A (ja) * | 1998-06-29 | 2000-01-21 | Planet Computer:Kk | 文書データベースシステムへの入力支援装置 |
| JP2000132627A (ja) * | 1998-10-28 | 2000-05-12 | Oki Electric Ind Co Ltd | Ｏｃｒシステム |
-
2003
- 2003-01-22 JP JP2003013885A patent/JP4194853B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2004227255A (ja) | 2004-08-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2162859B1 (en) | Image processing apparatus, image processing method, and computer program | |
| TW565803B (en) | System and method for accurately recognizing text font in a document processing system | |
| US7668814B2 (en) | Document management system | |
| US8571359B2 (en) | Image processing device, method and storage medium for storing and displaying an electronic document | |
| JPH10228473A (ja) | 文書画像処理方法、文書画像処理装置および記憶媒体 | |
| JP4785655B2 (ja) | 文書処理装置及び文書処理方法 | |
| WO2000052645A1 (fr) | Dispositif de traitement d'image document, procede d'extraction de titre de document et procede d'information d'etiquetage de document | |
| JP2006350664A (ja) | 文書処理装置 | |
| US11418658B2 (en) | Image processing apparatus, image processing system, image processing method, and storage medium | |
| JP5249387B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| US9277094B2 (en) | Image processing apparatus and recording medium | |
| JP4194853B2 (ja) | 文書解析装置 | |
| US7661063B2 (en) | Document processing apparatus and control method thereof | |
| JP2022092119A (ja) | 画像処理装置、画像処理方法およびプログラム | |
| JP2008225695A (ja) | 文字認識誤り修正装置およびプログラム | |
| CN116682118A (zh) | 一种古文字识别方法、系统、终端及介质 | |
| JP3711636B2 (ja) | 情報検索装置および方法 | |
| JP2000322417A (ja) | 画像ファイリング装置及び方法及び記憶媒体 | |
| JP2009182530A (ja) | 業務処理遂行支援装置 | |
| JP2020047031A (ja) | 文書検索装置、文書検索システム及びプログラム | |
| JP2001297080A (ja) | 読取支援装置 | |
| JP4697387B2 (ja) | 原稿画像判定装置、原稿画像判定方法及びそのプログラム | |
| JP2007299321A (ja) | 情報処理装置、情報処理方法、情報処理プログラム、及び、情報記憶媒体 | |
| JP2023027838A (ja) | 文書処理装置、文書処理方法及びプログラム | |
| JPH08161350A (ja) | 電子ファイリング方法および装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060110 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20071025 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20071025 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20071025 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080610 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080722 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20080813 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20080826 |
|
| 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: 20080924 |
|
| 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: 20111003 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121003 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131003 Year of fee payment: 5 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |