JPH0259979A - 文書画像処理装置 - Google Patents

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】 ［発明の目的］ （産業上の利用分野） 本発明は、イメージ情報として入力された文書から文字
列領域とイメージ領域とを分離抽出する文書画像処理装
置に関する。

（従来の技術） 一般に、文字情報を含む文書を保存する場合、文字情報
をコード化することにより、記憶容量の低減が図れると
ともに、文書を意味のある文字列の並びとして保存でき
るため、文書検索の際のキーワード検索が可能になる。

イメージ情報として入力された文書中の文字情報をコー
ド化するには、入力文書に対して文字認識の処理を行な
うことが必要である。この際、文字列情報とイメージ情
報とが混在する文書については、文書中の文字列領域（
テキスト領域）だけを抽出して文字認識を行なう必要が
ある。また、このような文書のうち文字列情報について
はコード化し、イメージ情報については所定の図形処理
をしてその意味を解析することにより、入力文書を単な
る画像としてではなく意味のある情報として効率良くフ
ァイリングすることもなされている。このため、文書中
からテキスト領域とイメージ領域とを効果的に分離抽出
する方法が望まれている。

従来、文書のテキスト領域とイメージ領域との分割は、
人手による書式定義に基づき行なわれていた。しかしな
がら、この方法では、１つ１つの文書の書式を予め登録
する必要があるうえ、処理すべき文書の種類を登録され
た文書から特定する必要がある等、処理に先立つ作業が
繁雑であるという問題かあった。

（発明か解決しようとする課題） このように、従来のテキスト領域とイメージ領域との分
離抽出方法では、処理に先立ち予め書式を登録しておか
なくてはならないこと、及び書式を指定しなければなら
ない等の繁雑な作業が必要であるという問題があった。

本発明は、上記の問題点に鑑みなされたもので、書式設
定や文書の指定をすることなく文字列情報とイメージ情
報とを正確に分割抽出することが可能な文書画像処理装
置を提供することを目的とする。

［発明の構成］ （課題を解決するための手段） 本発明は、文字列領域とイメージ領域を含む文書をイメ
ージ情報として入力する文書入力手段と、この手段を介
して入力された文書から連結成分若しくはその纏まりが
存在する部分領域を抽出する部分領域抽出手段と、この
手段で抽出された部分領域の形状を解析して各部分領域
がイメージ領域であるか文字列領域であるかを判定する
形状解析手段と、この手段で文字列領域と判定された部
分領域からノイズ領域を削除して前記文書中のイメージ
領域と文字列領域とをそれぞれ決定する領域決定手段と
を具備したことを特徴としている。

（作用） 本発明によれば、入力された文書から連結成分若しくは
そのまとまりが存在する部分領域を抽出し、その部分領
域の形状を解析することにより文字列領域とイメージ領
域とを分割し、更に文字列領域であると判定された部分
領域の並び若しくはその部分領域の文字認識結果等によ
りノイズを排除して文字列領域を決定するようにしてい
るので、入力文書から正確に文字列領域とイメージ領域
とを分離抽出することができる。このため、予め各文書
の書式情報を登録する作業や文書の種類を特定する情報
を指定する作業を省略することができる。

（実施例） 以下、図面に基づいて本発明の一実施例に係る文書画像
処理装置について説明する。

７ｊ４１図は本実施例に係る文書画像処理装置の構成を
示すブロック図である。この装置は、テキスト領域とイ
メージ領域とを含む文書をイメージ情報として入力する
スキャナ１１と、原画像、部分領域、イメージ領域、文
字領域、及び文字列領域を処理の過程に応じてそれぞれ
記憶する５つのメモリ、即ち画像メモリ１２、部分領域
メモリ１３、イメージ領域メモリ１４、文字領域メモリ
１５、及び文字列領域メモリ１６と、これらメモリ１２
〜１６との間で必要な情報を授受しながらテキスト領域
とイメージ領域との分離抽出のための処理を行なう文書
処理部１７とにより構成されている。

文書処理部１７は、更に部分領域抽出部２１、最小矩形
検出部２２、形状解析部２３、文字列判定部２４、文字
認識部２５、文字認識用辞書２６、文字列作成部２７、
単語照合部２８、及び単語辞Ｎ２９にて構成されている
。これら各部は、図示しないプログラムメモリに格納さ
れたプログラムとこれを実行するプロセッサとにより実
現される機能であっても、専用のハードウェアによって
構成されていても良い。

次に、上記文書画像処理装置の動作を第２図のフローチ
ャートに従って説明する。

まず、処理すべき入力文書は、スキャナ１１によって例
えば２値の画像データに変換され画像メモリ１２に取込
まれる（Ｓｌ）。画像メモリ１２に格納された画像デー
タは部分領域抽出部２１に与えられる。部分領域抽出部
２１は、画像データから例えば各黒画素間の連結関係を
調べることにより、連結黒領域を抽出するラベリング処
理を行ない、抽出された連結黒領域を部分領域として抽
出する（Ｓ２）　これにより、例えば第３図中３１で示
すような連結成分が部分領域として抽出される。

抽出された部分領域は部分領域メモリ１３に格納される
（Ｓ３）。最小矩形検出部２２は、部分領域メモリ１３
に格納された部分領域を取囲む最小の矩形を求める（Ｓ
４）。最小矩形の例を第４図に３２で示す。

次に、形状解析部２３は、検出された最小矩形の形状、
例えば幅、高さ、縦横比、黒画素濃度を１７１べ、各最
小矩形を文字列領域に含まれるものとイメージ領域に含
まれるものとに分類する（Ｓ５）。即ち、いま第５図に
示すように、最小矩形３２の幅をＷ、高さをｈ１最小矩
形３２内の黒画素面積をＳとすると、例えば第６図に示
すような条件に従って分類操作か行われる。ここで、ｔ
ｈｌ、　ｔｈ２．　ｔｈ５．　ｔｈ６は、高さｈに関す
る基桑値、ｔｈ３．　ｔｈ４は幅Ｗに関する基準値、ｔ
ｈ７は縦横比に関する基準値、ｔｈ８は面積に関する基
準値、ｔｈ９は黒画素密度に関する基準値である。ここ
では、高さｈ、幅Ｗ、縦横比ｈ　／　ｗ、面積Ｓ、黒画
素密度Ｓ／　（ｈＸｗ）がそれぞれ基準値と比較され、
その結果に応じて、文字領域、ノイズ、図形領域、写真
領域の４つの領域に分類される。上記の基準値は、予め
与えておくか、予め文書領域にはテキスト領域が多いと
いうことが分っているのであれば、全矩形について幅ｗ
１高さｈ１縦横比、黒画素濃度などを計算しておき、ヒ
ストグラムにより基準値を求めておくことも可能である
。例えば第７図のように最小矩形が抽出されたとすると
、その高さｈ１幅Ｗに関するヒストグラムは、第８図（
ａ）、（ｂ）にそれぞれ示す通りとなる。文字領域は高
さ、幅ともに小さい値で分布している。

それよりも更に小さい部分での分布はノイズであること
が予想される。図形は高さ、幅ともに大きな値で分布し
ている。又、横方向の直線は、高さが小さく幅が非常に
大きい値で分布している。これらの各分布の平均値と分
散とによって各領域決定のための基準値を求めることが
できる。また、入力画像がランで表現されている場合に
は、矩形内のランレングスのヒストグラムをとり、その
形状を領域分割の情報に用いることもできる。例えば、
長いランが多く存在する領域を写真領域に分類すること
も可能である。

ところで、図表中の文字については、それをイメージと
みるか文字とみるかで処理が変わってくる。イメージと
考えるとすれば、抽出されたイメジ領域を代表する矩形
内にある文字領域をカットするだけで済むか、文字と考
えるのであれば、その周辺領域との関わり合いを調べる
必要がある。

例えば表であれば、文字は罫線で囲まれているので、罫
線の内部の文字列領域と想定される矩形を抽出する必要
がある。

この形状解析における分類結果のうち文字領域は、文字
列判定部２４にて判定される（Ｓ５）。

ここでは、ある基準に従って複数の矩形を文字列に統合
していく処理を行ない、その統合結果に文字列を求めて
いく。この方法としては、例えば第９図（ａ）に示すよ
うに、矩形間距離がある基準値よりも小さい矩形同士を
まとめて文字列とする方法、ピッチがほぼ一定した矩形
をまとめて文字列とする方法（文字列を単語として抽出
するのに有効）、中心位置のずれ（同図（ａ））　、又
は基準位置のずれ（同図（ｂ））等の垂直方向へのずれ
が所定の値に収まっている矩形をまとめて文字列とする
方法などが考えられる。例えば、第１０図に示す様な、
ｉ“の点や、“ｊ″の点等は、形状解析部２３において
ノイズと判定され易いが、上記のような文字列への統合
によって、統合されなかった部分のみをノイズとして排
除することにより、上記の判定誤りは解消できる。また
、“ｉ“や“」　は、矩形間の水平・垂直位置関係や接
近の度合い、更にはその形状等から特定するようにして
も良い。

以上の処理の結果、イメージと判定された矩形の情報は
、イメージ領域メモリ１４に格納される（Ｓ　６．　　
Ｓ　７）。また、文字と判定された矩形とその内部の情
報は、文字領域メモリ１５に格納される（Ｓ６．Ｓ８）
。文字領域メモリ１５に格納された文字情報は、文字認
識部２５において文字認識辞書２６に基づき文字認識さ
れる（Ｓ９）。

そして、その認識結果に基づいて文字列の判定結果が修
正される（Ｓ　１０）。更に認識結果から文字列作成部
２７において例えば単語単位の文字列が作成され（Ｓ１
１）、単語照合部２８において単語辞書２９との照合が
行われる（Ｓ　１２）。ここでは、その単語が意味をな
すものかどうかを調べることができる。入力文書の種類
が予め分っている場合には、単語辞書２９として入力文
書に関係した専門辞書を用いることができる。この単語
認忠結果に基づいて文字列領域の判定結果が修正される
（Ｓ１４）。そして、これらの処理が終了すると、文字
列領域メモリ１６に文書中の正しい文字列領域を示す情
報が格納される（Ｓ１４）。

全ての矩形についてこのような分類が行われたら処理は
終了する（Ｓ　１５）。

この実施例では、領域決定手段として、文字列判定部２
４と、文字認識部２５と、単語照合部２８とを設けたが
、これらのうちの少なくとも一つの判定結果に基づいて
文字列を判定するようにしても高い精度が得られること
はもちろんである。

また、上記実施例では、部分領域として個々の連結成分
を抽出したが、ラベリングにより得られた連結黒領域の
うち、隣接するものをまとめて部分領域とすることも考
えられる。この際、例えば人力画像がランで表現されて
いる場合には、第１１図に示すように、短い白ランを黒
ランに置換える操作を行なってからラベリング処理を行
なうようにすれば、処理が極めて簡単になる。この方法
によれば、置換える白ランの長さを適当な長さに設定す
ることにより、ラベリング結果かそのまま単語を表現す
る文字列として抽出でき、処理を格段に簡素化できると
いう利点がある。

［発明の効果］ 以上述べたように、本発明によれば、人力された文書か
ら部分領域を抽出し、その部分領域の形状を解析するこ
とにより文字列領域とイメージ領域とを分類し、更に文
字列領域であると判定された部分領域が正しい文字列領
域であるかを判定しているので、入力文書から正確に文
字列領域とイメージ領域とを分離抽出することができる
。このため、予め各文書の書式情報を登録する作業や文
書の種類を特定する情報を指定する作業を省略すること
ができる。

【図面の簡単な説明】

第１図〜第１１図は本発明の一実施例に係る文書画像処
理装置を説明するための図で、第１図は同装置のブロッ
ク図、第２図は処理の流れを示す流れ図、第３図は部分
領域抽出例を示す図、第４図は最小矩形抽出例を示す図
、第５図は形状解１斤の各パラメータを説明するための
図、第６図は形状解析の判定基準を示す図、第７図は最
小矩形の抽出例を示す図、第８図は抽出された最小矩形
の高さと幅のヒストグラムを示す図、第９図は文字列判
定の例を示す図、第１０図は文字列判定によりノイズが
排除されることを説明するための図、第１１図は本発明
の他の実施例に係る文書画像処理装置における部分領域
抽出例を示す図である。 １１・・・スキャナ、１２・・・画像メモリ、１３・・
・部分領域メモリ、１４・・・イメージ領域メモリ、１
５・・・文字領域メモリ、１６・・・文字列領域メモリ
、１７・・・文書処理部、２１・・部分領域抽出部、２
２、・・最小矩形検出部、２３・・・形状解析部、２４
・・・文字列判定部、２５・・・文字認識部、２６・・
・文字認識用辞書、２７・・・文字列作成部、２８・・
・単語照合部、２９・・・単語辞書。 出願人代理人　弁理士　鈴江武彦 （ａ） 第 図 （ｂ） ヘ の　０

Claims (1)

1. 【特許請求の範囲】 文字列領域とイメージ領域を含む文書をイメージ情報と
   して入力する文書入力手段と、 この手段を介して入力された文書から連結成分若しくは
   その纏まりが存在する部分領域を抽出する部分領域抽出
   手段と、 この手段で抽出された部分領域の形状を解析して各部分
   領域がイメージ領域であるか文字列領域であるかを判定
   する形状解析手段と、 この手段で文字列領域と判定された部分領域からノイズ
   領域を削除して前記文書中のイメージ領域と文字列領域
   とをそれぞれ決定する領域決定手段と を具備したことを特徴とする文書画像処理装置。