JPH04312162A - 文字列抽出装置 - 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】

【０００１】

【産業上の利用分野】この発明は、文または単語列で表
現されたデータを対象として、罫線を含むコード化され
た文書を処理対象とし、その文字列を抽出する装置に関
する。

【０００２】

【従来の技術】例えば、特開平１−１１９８８５号公報
に開示されているように、画像データから文字領域を抽
出する装置があるが、表中の文字コードを固まりとして
抽出するだけで、日本語として意味のある文または単語
列を抽出することはできなかった。

【０００３】

【発明が解決しようとする課題】これまでは表中の各部
の文字列が横書きまたは縦書きに統一されている文書に
ついて、罫線を削除するだけで処理可能なものを対象と
していた。この発明は、罫線で分離された領域のそれぞ
れに含まれる文または単語列を含む文書を対象とし、個
々の文字領域の文字コードを抽出後、各文字列の読み方
向を決定して、横書きと縦書きとが混在する文書からも
文字列を抽出することができる文字列抽出装置を提供す
ることを目的とする。

【０００４】

【課題を解決するための手段】この発明による文字列抽
出装置は、単語辞書、形態素解析部、文字列抽出部、判
定部をそなえ、文字列抽出部に文書を入力して罫線で分
離された各領域から文字コード列を抽出し、その各文字
コード列から空白を削除した縦書きと横書きとの各文字
列を作成し、形態素解析部で各文字列を単語辞書を参照
して単語の分割を行い、判定部で形態素解析結果により
、抽出した文字列が縦書きか横書きかの判定を行い、文
書中から意味のある文字列を抽出する。

【０００５】

【実施例】図１はこの発明の実施例を示す。単語辞書１
と文字列抽出部と、形態素解析部３と、判定部とにより
この発明の文字列抽出装置５が構成される。単語辞書１
には、形態素解析処理で必要な単語表記を図２に示すよ
うに蓄積している。例えば、単語表記「大量」を蓄積し
ている。

【０００６】文字列抽出部２は、入力された文書データ
から、罫線コードによって分離された文字領域を成分と
して、各文字コードがいずれの成分と同じ領域に属する
かを判断し抽出する。この方法は、画像処理における公
知の「成分への名札付けを行う手法」（例えばＡ．ロー
ゼンフェルド著「電子計算機による画像処理」共立出版
を参照）と同様な方法で行える。入力文書として、図３
に示すように表外に縦書きの「表示内容」を、罫線で囲
まれた表中に横書きの「大量文書表示」と、縦書きの「
詳細内容」と横書きの「概要」とを含む文書を入力した
場合について説明する。ここでは、罫線コードと罫線以
外の文字コードとを同一文書データ中に含み、文書を表
現するコードが２次元の位置情報を維持して入力される
ものとする。上記の入力文書に対して、各文字コードが
画像データにおける１画素とみなして公知の成分への名
札付け手法を適用し文字領域を抽出する。 （１）図４に示すように罫線コードに対する画素値を０
、罫線以外の文字コードに対する画素値を１とする２値
化テーブルを作成する。 （２）（１）で得られた２値化テーブルに対して公知の
成分への名札付け手法を適用し、罫線によって分離され
た、各文字領域に対応する名札を付けたテーブルを図５
に示すように作成する。 （３）（２）で得られたテーブルから各名札に対応する
文字コードを抽出し図６に示すようにテーブルを作成す
る。 （４）（３）で得られたテーブルから横書きと縦書きと
の文字列を取りだし、空白を削除する。１行または１列
の文字列の場合は同一のものが作成される。図７に縦書
きとして文字列を抽出した例を、図８に横書きとして文
字列を抽出した例を示す。

【０００７】形態素解析部３は、単語辞書１を参照して
、文字列抽出部２で抽出された各文字列について、縦書
きの文とした場合と横書きの文とした場合の構成する単
語の分割を行う。ここで形態素解析は従来からの手法で
、単語辞書１に登録されている最長一致の単語表記で分
割を行い、単語表記が登録されていない場合は未知語と
判定するものとする。図９は抽出した文字列を横書きの
文「大量文書表示」であるとして単語分割を行った例で
ある。図１０は抽出した文字列を縦書きの文「大文表量
書示」であるとして単語分割を行った例である。

【０００８】判定部４は、形態素解析部３で得られた結
果を基に各文字列が縦書きか横書きかの読みとり方向を
決定する判定値を計算する。判定値算出方法には多くの
方法があるが、以下では未知語数による場合と単語数に
よる場合の２例について説明する。（１）未知語数を用
いて判定する場合 抽出した文字列を縦書きとみなした場合の判定値をＶｕ
、形態素解析によって抽出された各単語をＷｋ、各Ｗｋ
に対する得点を各々Ｕｋとする。

【０００９】ただし、 判定値Ｖｕを以下のように与える。 Ｖｕ＝Ｕ１＋Ｕ２＋… 同様に、抽出した文字列が横書きとみなした場合の判定
値Ｈｕを以下のように与える。

【００１０】Ｈｕ＝Ｕ１＋Ｕ２＋… 図１１は、図３で用いた入力文と同じ入力文を与えたと
きの、抽出された文字列を縦書きとみなした「大文表量
書示」と横書きとみなした「大量文書表示」に対する判
定値ＶｕとＨｕの算出の例を示している。「大文表量書
示」に対する、判定値算出の例を以下で説明する。

【００１１】形態素解析の結果、’大’、’文’、’表
’、’量’、’書示’に単語分割され、’書示’は未知
語となるため、得点は次のように与えられる。Ｕ１＝０
、Ｕ２＝０、Ｕ３＝０、Ｕ４＝０、Ｕ５＝１０その結果
、判定部４での縦書き「大文表量書示」の判定値は、Ｖ
ｕ＝１０となる。同様にして、横書き「大量文書表示」
の判定値は、Ｈｕ＝０となる。

【００１２】ここでは、判定値ＶｕとＨｕから値の小さ
い方が未知語数は少ないので読み方向として正しいとす
る。よって名札番号２に対応する文字列として「大量文
書表示」が抽出される。同様に他の名札番号に対応する
文字列が抽出される。 （２）単語数を用いて判定する場合 抽出した文字列を縦書きとみなした場合の判定値をＶｎ
、形態素解析によって分割された各単語をＷｋ、とする
。判定値Ｖｎを以下のように与える。

【００１３】Ｖｎ＝形態素解析により分割された単語数
同様に、抽出した文字列が横書きとみなした場合の判定
値Ｈｎを以下のように与える。Ｈｎ＝形態素解析により
分割された単語数 図１２は、図３で用いた入力文と同じ入力文を与えたと
きの、抽出された文字列を縦書きとみなした「大文表量
書示」と横書きとみなした「大量文書表示」に対する判
定値ＶｎとＨｎの算出の例を示している。

【００１４】「大文表量書示」に対する単語分割の結果
より、判定部４での縦書き「大文表量書示」の判定値は
、Ｖｎ＝５となる。同様にして、横書き「大量文書表示
」の判定値は、Ｈｎ＝３となる。ここでは、判定値Ｖｎ
とＨｎから値の小さい方が単語数が少ないので読み方向
として正しいとする。よって名札番号２に対応する文字
列として「大量文書表示」が抽出される。同様に他の各
名札番号に対応する文字列が抽出される。

【００１５】以上の処理によって、文字列として「大量
文書表示」、「表示内容」、「詳細内容」、「概要」が
抽出される。未知語数から判定し抽出する場合の一連の
処理を図１３に示す。

【００１６】

【発明の効果】以上説明したように、この発明によれば
、表の枠内または枠外のように罫線で分割された複数の
領域に縦書きまたは横書きの単語列が混在した文書から
意味ある正しい文字列を抽出できるため、表を含む文書
に対して言語処理が可能となる。

【図面の簡単な説明】

【図１】この発明の１実施例を示すブロック図。

【図２】単語辞書１の内容例を示す図。

【図３】形態素解析結果の例を示す図。

【図４】２値化テーブルの例を示す図。

【図５】名札付けテーブルの例を示す図。

【図６】名札毎に文字を抽出した例を示す図。

【図７】名札番号２の文字列を縦書きとして抽出し空白
を削除した例を示す図。

【図８】名札番号２の文字列を横書きとして抽出し空白
を削除した例を示す図。

【図９】名札番号２の文字列を縦書きとした形態素解析
結果の例を示す図。

【図１０】名札番号２の文字列を横書きとした形態素解
析結果の例を示す図。

【図１１】未知語数に基づいた判定値算出の例を示す図
。

【図１２】単語数に基づいた判定値算出の例を示す図。

【図１３】文字列抽出の実施例を示す図。

Claims (1)

【特許請求の範囲】
1. 【請求項１】　　罫線を含むコード化された文書を処理
   対象とする文字列抽出装置において、単語表記を各単語
   に対して規定した単語辞書と、上記文書中の罫線で分け
   られた領域の文字コード列を各々の領域から抽出し、そ
   の各領域ごとに抽出された文字コード列から空白を削除
   した縦書きと横書きとの各文字列を作成する文字列抽出
   部と、上記単語辞書を参照して、上記文字列抽出部から
   抽出された各文字列に対して単語分割する形態素解析部
   と、その形態素解析部で得られた単語分割結果から各文
   字列が縦書きか横書きかを判定する判定部と、を有する
   ことを特徴とする文字列抽出装置。