JPH0233686A

JPH0233686A - 文字列抽出方法

Info

Publication number: JPH0233686A
Application number: JP63183544A
Authority: JP
Inventors: Yasuo Hongo; 本郷　保夫
Original assignee: Fuji Electric Co Ltd; Fuji Facom Corp
Current assignee: Fuji Electric Co Ltd; Fuji Facom Corp
Priority date: 1988-07-25
Filing date: 1988-07-25
Publication date: 1990-02-02
Anticipated expiration: 2012-01-08
Also published as: JP2569134B2

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】［産業上の利用分野］この発明は、文書画像を画像処理して文字列（または文
字行）を切出すための文字列抽出方法に関する。

〔従来の技術〕

従来、この種の方法としては種々のものが提案されてい
るが、いずれも文字サイズ情報を前もって何らかの形で
与えてやらないと抽出することができず、このため通常
はマニュアルにて指定するようにしている。

〔発明が解決しようとする課題〕

しかし、かかる作業は煩雑で時間が掛かるだけでな（、
誤設定となるおそれもある。

したがって、この発明は文字サイズを自動的に決定可能
とすることにより、煩雑で時間が掛かる設定作業を不要
にすることを目的とする。

〔課題を解決するための手段〕

文書を短冊状に分割し短い文字列に裁断して抽出し、文
書内に存在する仮文字列のサイズ（幅）に関するヒスト
グラムを演算した後、一番頻度の高い文字列の幅を抽出
し、これを本文の文字サイズとする。本文の文字サイズ
が決定できたら、これに属する仮文字列にラベリング処
理を行う。これは一連のものと考えられる仮文字列に、
同じ番号（行番号）を付けるためである。そして、本文
を決定したら、次に見出し、肩文字サイズ、ルビ・傍線
１図形・写真のサイズをそれぞれ決定する。

その結果にもとづき、すべての仮文字列にラベリングを
行う。

〔作用〕

文書構造に関する知識に従って本文の文字サイズ、肩文
字、見出しの文字サイズ、ルビ・傍線のサイズ、それ以
外の写真・図形等のサイズをそれぞれ抽出することによ
り、マニュアルにて文字サイズを指定しなくても、自動
的に文字列を抽出できるようにする。

〔実施例〕

第１図はこの発明の実施例を示すフローチャートである
。

まず、文書画像をイメージスキャナなどの人力装置を介
してメモリに取り込む（■参照）。次いで、文書画像を
短冊状領域毎に分割して各領域毎に投影演算をしく■参
照）、分割された文字列らしきブロック（以下、これを
仮文字列とも言う。）を抽出する（■参照）。さらに、
仮文字列の幅に関するヒストグラムを求め、一番個数（
度数）の多いであろう筈の本文の仮文字列を抽出する。

これにより、本文の文字サイズが抽出できる。また、−
ＥＤ的な文書構造の知識から、本文の半分のサイズがル
ビのサイズであり、見出しは本文よりも大きく、肩文字
は本文よりも小さいので、これらのことから、本文以外
についても上記ヒストグラムをもとにサイズを決定する
（■参照）。次に、本文の文字サイズと同じ仮文字列に
ついてだけ、連結すべき行か否かを判定してラベリング
処理を行う（■参照）。そして、本文の文字列と連結す
る幅の狭い仮文字列については、統合または拡張を行っ
て文字行を補正する。一方、本文の文字列よりも大きい
仮文字列については、隣り合う本文行とも接続するとき
に限り、大きな仮文字列を２分割して本文の文字行を補
正する（■参照）。

しかる後、本文行よりも大きな文字列については見出し
のラベリングを行い（■参照）、本文行よりも小さな仮
文字列については肩文字またはルビ・傍線のラベリング
を行う（■参照）。最後に、見出しよりもさらに大きな
ブロックについては、図形・写真領域としてラベリング
を行う（■参照）。

第２図に人力文書画像の具体例を示す。文書画像ｌには
、例えば肩文字２、見出し３、本文４、ルビ５ａ、傍線
５ｂ、図形６等が含まれていて、それぞれの文字サイズ
は互いに異なっている。なお、−Ｓの書類では、７ポイ
ント〜２８ポイント（２，４５■〜１０ｍ）の文字サイ
ズが使われている。

第３図に文書画像領域１を短面領域１１−１４に分割し
た例を示す。なお、短冊の幅δ鵞〜δ４は文字サイズの
３〜６倍程度としており、ここでは３０噛〜４０閤程度
となるように分割している。

また、同図は横書き文書の例であるが、縦書き文書の場
合も同様である。

第３図では、短面領域の投影をとって、文字らしいブロ
ックとして仮文字列８１〜Ｓ２＆を抽出する。仮文字列
の幅はそれぞれ、１゛、〜Ｔ２６とする。

仮文字列ＳＩとＳｊとが連結しているかどうかは、各々
の幅Ｔ、、Ｔ、と仮文字列のオーバラップ購Ｕ　＋　７
が、次式を満たすか否かで判定する。

Ｕ、、／Ｔ、＞θ０かつ［Ｊ、Ｊ／Ｔ、＞θ。

ただし、θ。は文字列の傾きによって可変とする。

また、本文の統合処理、拡張処理１分割処理ではそれぞ
れ値が異なる。通常、本文の連結を判定するときは、例
えば θ。−０，８としている。

以上の如き仮文字列Ｓ、〜Ｓ２６の幅Ｔ１〜Ｔ２６のヒ
ストグラムをとると、例えば第、１図のようになる。こ
のとき、本文の頻度２１が一番高く、このことから本文
の文字サイズは５ｍであることがわかる。

本文の文字サイズ！。を５個、そのばらつきの範囲をΔ
ｌａ　−±０．　５ａｍ＊とじ、本文となる仮文字列に
ついてラベリング処理を行った結果を、第５図に示す。

ここで、仮文字列につけられた番号■〜■は本文の行番
号を表す。

また、かかる文字列抽出処理では、第６図に示すような
データ構造にて仮文字列のラベリング結果を記述するこ
とができる。ここに、仮文字列（■参照）は本文を符号
Ｂ（＠参照）、見出しを符号Ａ（■参照）、ルビ・傍線
を符号Ｒ（（［（）参照）、肩文字を符号Ｋ（［相］参
照）、その他の図形・写真などを符号Ｚ（■参照）で記
述している。なお、空白部は何もないか、未知の部分で
ある。

〔発明の効果］この発明によれば、文書画像の短ｍ　ｅｍ域で文字列を
分割してその投影データを抽出し、仮文字列を演算した
後、仮文字列の幅のヒストグラムから本文の文字サイズ
を推定するようにしたので、文字列の抽出を自動的に行
うことが可能となる。また、見出し、肩文字、ルビ、傍
線などに関する情報も抽出できるので、各文字列に対応
のラベルを付すことが可能となる。これにより、文字サ
イズをマニュアルにて指示しなくても済み、丘作が簡単
になる。

【図面の簡単な説明】

第１図はこの発明の実施例を示すフローチャート、第２
図は人力文書画像の一例を説明するための説明図、第３
図は横書き文書を短冊状に領域分割した例を説明するた
めの説明図、第４図は仮文字列の幅の頻度を示すグラフ
、第５図は第３図の例で本文の文字列と接続するものだ
けにラベル付けした結果を説明するための説明図、第６
図は第３図の例でラベリング処理されたデータを説明す
るための説明図である。符号説明１・・・文書画像、２・・・肩文字、３・・・見出し文
字、４・・・本文、５ａ・・・ルビ、５ｂ・・−傍線、
６・・・図形、１１〜１４・・・短冊状領域、２１・・
・本文の頻度。代理人　弁理士　並　木　昭　夫

Claims

【特許請求の範囲】各種文字列を含む文書画像を画像処理して個々の文字列
を抽出すべく、文書画像を短冊状に分割し、各分割領域毎の投影データ
から文字列のブロック（仮文字列）を抽出し、該仮文字
列の幅に関するヒストグラムから本文の文字サイズを決
定し、本文に関し統合、分割、拡張を含むラベリング処
理を行った後、本文以外の仮文字列について少なくとも
見出し、肩文字、ルビ・傍線または図形・写真のラベル
付けをそれぞれ行うことを特徴とする文字列抽出方法。