JPH0415776A - 文字のサイズ情報抽出方法 - 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】 〔卒業上の利用分野〕 本発明は、新聞、雑誌等の印刷文書の文字を読み取り、
ＪＩＳコード等のテキスト情報に変換する場合の文字サ
イズ情報の抽出方法に関する。

〔従来の技術〕

一般に、印刷文書内の文字は成る決められた規則に従っ
て配置されている。すなわち、縦書き。

横書き１文字の大きさ９間隔１字体、変形率（平棒、長
体など。字体とは縦方向に縮小された字体のこと。長体
とは横方向に縮小された字体のこと。

変形率はこれらの字体の縮小の割合を云う。）などが文
書または段落毎に決められている。文字読取装置で文字
を読み取る場合、そのルールは未知のものとして認識が
行なわれる。ここで問題となるのが、大文字「あ」と小
文字「あ」との区別あるいは片仮名の「工、工」と漢字
の「工」との区別を含む相供形またはＩＨ１ｕ字形文字
の区別や、片仮名で「タト」と書かれたものと漢字［外
］などのように２文字が組み合わさって別の１文字にな
る場合の区別である。このような場合、どの大きさの文
字が使われているのか、またどのような変形率の文字が
使われているのかが分からないと区別することができず
、誤認識してしまう。

このように、文字画像から文字を切り出して認識する文
字読取装置においては、文字のサイズ情報は重要であり
、本発明はこの文字サイズ情報を文書画像から高精度に
抽出する方法に関するものである。

文書読取装置の一般的な構成を第１２図に示す。

同図において、１は読取対象の原稿を置き、光学的に画
像入力するスキャナ、２はこのスキャナ１からの画像を
読み取って文字をコードとしてホストコンピュータ３．
プリンタ４またはフロッピーディスク装置５に出力する
文字読取装置である。

第１３図に従来の文字読取方法のフローチャートを示す
。なお、第１３図は出願人により特願平１−３９３０８
号として出願されているものである。

まず文書画像データを入力しく■参照）、その水平方向
の投影値をとることにより、各文字行を切り出す（■参
照）。これにより、行の幅寸法を求め、全角文字の大き
さに相当する！（文字サイズ）を得る。なお、ここでは
横書きの場合を想定しているが、縦書きの場合も同様で
ある。

次に、各行に垂直な方向の投影値を調べ、文字サイズを
考慮することにより、各文字行から文字らしきもの、す
なわち仮文字群を切り出しく■参照）、シかる後この仮
文字群の中から上記文字サイズを利用して全角文字を選
出する（■参照）。

全角文字として選出する条件は次のとおりである。

イ）それ単独で文字サイズが全角サイズのもの、つまり
他の仮文字と結合する余地の全くないもの。

口）句読点。

ハ）それ単独では半角サイズであるが、隣り合う他の半
角サイズの仮文字と結合させてみると全角サイズとなる
もの。

二）それ単独ではサイズが全角サイズよりも小さいが、
隣り合う他の半角サイズの仮文字との間に距離があり過
ぎ、これらを無理に結合させると全角サイズをこえるも
の。

以上の如き条件に従って全角文字を全て選出した後、あ
とに残った仮文字について、これを結合または分離して
統合文字２分離文字を作成しく■参照）、シかる後これ
らの統合文字７分離文字をＯＣＲ（文字読取装置）によ
り、辞書パターンとの類イ以度を利用して認識する（■
参照）。

次に、その認識結果に対して以下のような矛盾処理を実
行する（■参照）。

ａ）例えば認識すべき対象が分離文字であるにもかかわ
らず、ＯＣＲによる認識結果が全角サイズの漢字を示す
ものとすれば互いに矛盾するので、かかる認識結果は採
用しない。

ｂ）上記とは逆に、認識すべき対象が統合文字であるに
もかかわらず、ＯＣＲによる認識結果が英字、数字等の
半角サイズ文字を示す場合。

次に、矛盾処理された認識結果に対して形状特長照合を
実行する（■参照）。ただし、このステップ■は同図の
如く［相］〜■に細分化されている。

すなわち、ステップ［相］では入力文字が縦長か横長か
がチエツクされる。なお、縦長か横長かはそれが正体文
字の場合は縦横比（高さ７幅）が例えば２以上ならば縦
長とし、１／２以下ならば横長とする。また、長体文字
や平棒文字の場合は正体文字に直して判定することとす
る。

ステップ０．＠ではそれぞれ縦、横をいくつに分離する
かを調べ、分離の態様が入力文字とその認識結果の候補
文字との間で一致するか否かを調べる。この操作を候補
文字（第１位〜第１０位）で適合するものが見つかるま
で行ない、いずれの候補文字も適合しない場合はステッ
プ■でリジェクト出力を出す。

そして、最後に残された文字につき、これを統合文字と
すべきか分離文字とすべきかを、ＯＣＲにより相対類似
度を用いて判別する（■参照）。

なお、相対類イ以度ｘ１は類似度Ｘと類似度の平均（ｉ
ｍとの比に、成る定数（例えば、１０２４）を掛けたも
のとして定義する。すなわち、ｘ　、　＝　ｘ　／　ｍ
　Ｘ定数（１０２４）である。

ところで、文字のサイズ情報は文字の切り出しまたは認
識結果のりジェクトなどに利用されるが、文字の大きさ
はこれまで、 （１）文書を入力する際に、人が計測してホストから入
力する。

（１１）切り出した行の幅を文字の大きさとする。

（ｉｉｉ　）切り出した複数の行の幅の平均値を文字の
大きさとする。

などの方法によっている。また、文字の変形率は文書を
入力する人が計測し、ホストコンピュータから入力する
ようにしている。

〔発明が解決しようとする課題〕

文字読取装置に入力する文書は、大抵１種類のフォーマ
ットではないため、文書毎または段落毎に文字の大きさ
や変形率を計測するのは非常に面倒である。また、行の
幅より文字の大きさを決定する場合、１行だけで行なえ
ば極めて不安定であり、複数行で行なう場合も同様に不
安定である（行数の少ない文書では特に不安定である）
。また、幅情報だけ（または高さ情報だけ）では変形率
は抽出することができない。

したがって、本発明の課題は文書を入力する際の計測の
面倒さをな（し、精度良く文字の大きさおよび変形率を
抽出し得るようにすることにある。

〔課題を解決するための手段〕

新聞、雑誌を含む印刷文書画像から文字を切り出して印
刷文書を読み取るに当たり、入力された印刷文書画像の
水平方向または垂直方向の投影をとって文字行を切り出
し、さらに各行において垂直方向または水平方向に投影
をとって文字らしき矩形領域（仮文字）を切り出し、そ
の矩形の幅と高さのヒストグラム（分布）を求め、その
分布から文書または段落における文字の大きさ、変形率
の情報を抽出する。

〔作用〕

複数行について処理を行ない、さらには外接矩形を求め
てその幅、高さの分布を利用することにより、より高精
度な文字サイズ情報を抽出し得るようにする。

〔実施例〕

第１図は本発明の詳細な説明するためのフローチャート
、第２図は文書画像から投影をとり矩形を切り出す過程
を説明するための説明図である。

文書が画像として入力されたら（■参照）まず垂直方向
に投影をとり、黒画素の存在部分を成るしきい値で切り
出し、行を切り出す（■参照）。

その様子を第２図（イ）に示す。ただし、同図（イ）は
縦書き文書の例である。次に、切り出した行ごとに例え
ば第２図（ロ）の如く水平方向に投影をとり、黒画素の
存在部分を切り出し、矩形を切り出す。さらに、第２図
（ハ）の如くその矩形内で垂直方向に投影をとり、黒画
素の存在部分を切り出して外接矩形１１　（仮文字）を
求める（■参照）。かかる処理を全ての行で実行する。

次に、行の幅を仮の標準文字サイズとして全角文字を選
出しく■参照）、切り出した矩形に対して結合・分離処
理をして組み合わせ文字を作成する（■参照）。

第３図の如き枠１２にて囲まれた入力画像に対し、上記
のような処理をして得られる矩形の幅（Ｗ）と高さ（Ｈ
）データを第４図に示す。つまり、第３図の第１行から
第７行までのデータが第４図（イ）〜（ト）に示されて
いる。なお、単位は画素（ドツト）数である。また、こ
の幅と高さの頻度分布（ヒストグラム）を第５図および
第６図に示す。次に、これらを類似度等により認識して
（■参照）、漢字となったものを抜き出しく第４図で「
○」を付した文字）、その頻度分布を求める（■参照）
。結果を第７図および第８図に示す。

そして、この頻度分布より例えば判別分析法と呼ばれる
公知の手法を利用して幅の第１ピーク（Ｗｐ）、高さの
第１ピーク（Ｈｐ）をそれぞれ求める（［相］参照）。

こうして求めたｗｐ、Ｈｐと、予め変換用パラメータ（
＠）参照）として記憶している幅、高さの定数（ＡＷ、
ＡＨ）より、標準文字サイズＷｓ、Ｈｓを決定する（０
参照）。なお、このＡＷ、ＡＨは成る字体について、仮
名、漢字を含む約４０００字の第９図および第１０図に
示されるような幅、高さの頻度分布から上記と同様に第
１ピーク（ＤＷｐ、ＤＨｐ）を求め、これらとその最大
の文字幅（ＤＭＷ）、文字高さ（ＤＭＨ）との比から得
るようにしている。

ＡＷ＝ＤＭＷ／ＤＷｐ　　　　　　　　・・・（１）Ａ
Ｈ＝ＤＭＨ／ＤＨｐ　　　　　　　　・・・（２）Ｗｓ
　＝Ｗｐ　ｘＡＷ　　　　　　　　　　−（３）Ｈｓ　
＝Ｈｐ　ｘＡＨ＋・・（４） また、変形率は、 Ｗ　ｓ　＞　Ｈｓのとき平棒で、変形率は、１００ｘ　
（１−Ｈｓ／Ｗｓ）％　　　・・・（５）Ｗ　ｓ　＜　
Ｈｓのとき長体で、その変形率は、１　ｏｏｘ　（１−
Ｗｓ／Ｈｓ）％　　　・・・（６）Ｗ　ｓ　＝　Ｈｓの
とき正体で、変形率はＯである。

こうして求めた幅、高さ、変形率をもとに、再度結合ま
たは分離文字の大きさのチエツク、あるいは形状をもと
にしたりジェツトを行なう　（［相］参照）。なお、こ
こで述べている「文字の大きさ」とは次のようなもので
ある。一般に、印刷文字は仮想ボディと呼ばれる、第１
１図の如き目に見えない基準の枠１３を持ち、これが各
字体について一定の大きさを持っている。この仮想ボデ
ィ１３の中に上下左右に余白を持ったかたちで全ての文
字がデザインされている。ここに云う文字の大きさとは
仮想ボディの大きさではなく、その中にデザインされた
文字の外接枠の大きさを指し、複数の行内の全ての文字
の最大の大きさを標準文字サイズとしている。

第３図の如き入力画像から標準文字サイズを求めて見る
と、第７図より第１ピークＷｐ＝４３゜９であり、同じ
く第８図より第１ビークＨｐ＝３６．２であるから、（
３）弐より、 Ｗｓ＝ＷｐＸＡＷ＝４３．９Ｘ８０／６９．２＝５０．
７５ また、（４）式より Ｈｓ＝ＨｐＸＡＨ＝３６．２Ｘ８２／７２．０＝４１．
２３ で、　変形率は（５）弐より、 １　ｏｏｘ　（１−Ｈｓ／Ｗｓ）＝１８．８となる。入
力対象文字のデータは大きさ（仮想ボディ）が１３級、
平棒２０％で作成された文書によるものであることから
、変形率においては本発明が充分に有効であることがわ
かる。また、文字の大きさに対する本発明の有効性を確
かめるために、同じように仮想ボディサイズを求めると
次のようになる。

第９回の分布は仮想ボディサイズ２０級の文字で作成さ
れているので、いま実験データの仮想ボディサイズＢＳ
を求めると、この場合は平棒なので、 Ｂ　Ｓ　＝　２０　Ｘ　Ｗ　ｐ　／　Ｄ　Ｗ　ｐ　　　
　　　　　・・・　（７）から、　ＢＳ＝２０ｘＷｐ／
ＤＷｐ＝１２．７となり、１３級に対し１２．７という
解が得られる。

１級０．２５鶴なので、１６本／１ｍの解像度の画像で
も、誤差は１６ＸＯ，２５Ｘ０．３＝１．２ドツト（ｄ
ａｔ）であり、入力装置の精度も考え合わせると充分と
いうことになる。

なお、以上の例では縦書きの場合について説明したが、
横書きの場合も投影をとる方向を変えることにより、上
記と同様に文字の大きさ（ＷｓＨｓ）および変形率を求
めることができる。

〔発明の効果〕

本発明によれば、文書を入力するに当たって文字の変形
率を計測する面倒がなくなり、また複数行より切り出さ
れた文字らしき矩形（仮文字）の幅、高さの分布を利用
するようにしたので、文字の大きさ情報を安定に得るこ
とができる。その結果、相イ以形の文字の誤認識や、２
文字を１文字にまたは１文字を２文字に誤認識したりす
るおそれをな（すことができる。

【図面の簡単な説明】

第１図は本発明の詳細な説明するためのフローチャート
、第２図は本発明により文書画像から投影をとり矩形を
切り出す過程を説明するための説明図、第３図は入力画
像の例を説明するための説明図、第４図は第３図の入力
画像から抽出した矩形の幅、高さデータを説明するため
の説明図、第５図および第６図はその幅、高さデータの
頻度分布をそれぞれ説明するための説明図、第７図およ
び第８図は第４図で○印を付した矩形の幅、高さデータ
の頻度分布をそれぞれ説明するだめの説明図、第９図お
よび第１０図は成る字体の幅、高さデータの頻度分布を
それぞれ説明するための説明図、第１１図は文字の仮想
ボディサイズを説明するための説明図、第１２図は文書
読取装置の一般的な構成を示すプロ・７り図、第１３図
は文書読取方法の従来例を説明するためのフローチャー
トである。 １・・・スキャナ、２・・・文字読取装置、３・・・ホ
ストコンピュータ、４・・・プリンタ、５・・・フロッ
ピーディスク装置、１１・・・外接矩形、１２・・・枠
、１３・・・仮想ボディ。 （イ） １行目のデータ 第４図（その１） （ロ） ２行目のデータ

Claims (1)

1. 【特許請求の範囲】 １）新聞、雑誌を含む印刷文書画像から文字を切り出し
   て印刷文書を読み取るに当たり、 入力された印刷文書画像の水平方向または垂直方向の投
   影をとって文字行を切り出し、さらに各行において垂直
   方向または水平方向に投影をとって文字らしき矩形領域
   （仮文字）を切り出し、その矩形の幅と高さのヒストグ
   ラム（分布）を求め、その分布から文書または段落にお
   ける文字の大きさ、変形率の情報を抽出することを特徴
   とする文字のサイズ情報抽出方法。