JPH0496878A - 画像傾き検出方式 - 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】 〔産業上の利用分野〕 本発明は、画像処理方式に関し、特に帳票等の文書画像
データに好適な画像傾き検出方式に関する。

〔従来の技術〕

スキャナーやカメラから入力した論文・帳票等の文書画
像の認識を効率良く行うためには、その入力画像の傾き
を検出する処理が重要である。従来の傾き検出方式とし
ては、例えば、特願昭６３−２０９９７５号明細書に示
されている方法がある。この方法は、傾きを求めたい画
像に対して、ある一定間隔ごとに画像の端より黒画素の
抽出を行ない、それを表形式を構成している直線、即ち
、傾き検出対象とする直線とみなし、Ｈｏｕｇｈ変換を
用い直線の分布表を作成し、その最大値なる直線の傾き
に基づいて画像の傾きを決定するものである。

〔発明が解決しようとする課題〕

上記従来技術は、傾き検出対象となる直線の位置を抽出
する処理において、抽出開始位置となる画像の端から傾
き検出対象としたい直線までの間に、ノイズによる画像
データとは無関係な直線が発生している場合、Ｈｏｕｇ
ｈ変換を用い直線の分布表を作成し、その最大値なる直
線がノイズによる直線になってしまい、正確な傾き補正
を行なうことができないという問題があった。

本発明の目的は、ノイズによる直線が存在している場合
にも表形式画像データの傾きを検出し、正しい傾き補正
を行なう手段を提供することにある。

〔課題を解決するための手段〕

表形式の画像データは、縦方向または横方向に複数の平
行線を持っている。本発明では、平行線、即ち同じ角度
を持つ複数の直線を抽出する。また、画像データ中に成
る角度の直線と、これとは異なる角度を持つ複数の平行
線とが存在しているとき、本発明では、平行線の方を優
先させる。これにより、複写あるいはスキャナー読み取
り時のノイズによる線が存在している場合でも表形式を
構成している真の直線を抽出でき、これにより正しい傾
き補正ができる。

上記のように平行線を見つけるために本発明では、ディ
ジタル化した画像データの中より、黒画素がＸ軸方向に
連結した塊であるランを求める手段と、ランにおける始
終点座標をＨｏｕｇｈ変換を用い画像データ中の直線の
分布表を作成する手段と、その分布表に基づいて複数の
平行線を抽出する手段と、これらの平行線により画像デ
ータの傾きを検出する手段を設けることを特徴とする。

〔作用〕

画像データの中より、黒画素がＸ軸方向に連結した塊で
あるランの始終点は、表形式の画像データでいう縦線成
分を強く表している。また、画像データよりランの始終
点は容易に検出することが可能であり、画像データの全
ての黒画素に比べはるかに少ないデータ量ですむ。さら
に画像処理の一手段である１４　ｏ　ｕ　ｇ　ｈ変換は
、一般に画像データ中の全ての黒画素に対して処理を行
い、線分を検出する方法であり、データ量の増加によっ
て比例的に処理速度が遅くなる。そのため、ランの始終
点を使用することにより、Ｈｏｕｇｈ変換の処理自体が
大幅に少なくなり、垂直θと原点からの距離ρで表され
る画像データ上の縦直線の分布表を作成すθ軸の垂直な
直線上に写像される性質がある。この性質を利用し、分
布表より平行線を抽出する方法として、θ軸の垂直な方
向単位に直線とみなせるデータの個数を求め、その個数
が最大なるものを選択することにより、同一角度の直線
が最も多く存在している部分を抽出することができ、そ
れ以外の直線を無視することができる。即ち１表形式を
構成している複数の平行線を優先して抽出することが可
能となる。

本発明によれば、このような平行線を抽出することによ
り、表形式データ上で本来なら水平あるいは垂直である
べき平行線が傾いていた場合に、その傾きを正確に検出
することができる。また、傾き角度に応じて画像データ
を回転し、正しい姿勢の画像データに変換できる。さら
に、傾き角度を考慮し、入力画像中の文字・線分等を自
動的に認識することができる。

〔実施例〕

以下、本発明の実施例を図面を参照して説明する。

第１図は、本発明を適用する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、画像入力部１０１と、
画像入力部１０１を制御するコントローラ１０２と、デ
ィジタル化された入力画像が一時的に格納される画像メ
モリ１０８と、傾き補正等の処理を受けた後の画像デー
タが格納される画像メモリ１０９と、画像処理およびこ
の装置全体の制御を行うためのデータ処理装置１０４と
、上記データ処理装置を動作させるためのプログラムメ
モリ１０７と、画像上でＸ軸方向に連結した塊であるラ
ンが格納されるテーブルメモリ１１０と、ランの始終点
座標をＲｏｕｇｈ変換により傾き角を変えた複数の仮定
線の頻度の一覧が記憶されるテーブルメモリ１１１と、
ランの始終点座標をＨｏｕｇｈ変換により傾き角を変え
た複数の仮定線の頻度を集計したテーブルが記憶される
テーブルメモリ１１２と、画像上の文字・線分認識結果
が記憶されるテーブルメモリ１１３と、デイスプレィ装
置１０５と、デイスプレィ装置１０５を制御するコント
ローラ１０６と、コマンド入力等のキーボード１０３お
よび装置間をつなぐバス１１４を備えている。

第２図は、本発明のデータの流れを示す。

本装置において、処理装置１０４は入力装置１０３から
のコマンドに従い、コントロール１０２を通じて画像入
力装置ＥＩＯＩから対象とする原画像２１を入力すると
、原画像２１上の画像情報がディジタル化された後、画
像メモリ１０８に格納される。画像メモリ１０８内のデ
ータ登順次に処理し、画像上で黒画素がＸ軸方向に連結
するランを求め、これらの−覧表であるランテーブル部
２２をテーブルメモリ１１０上に作成する。

次に処理装置１０４は上記ランテーブル部２２の始終点
座標を順次テーブルメモリ１１０より読み出し、Ｒｏｕ
ｇｈ変換により傾き角度を変えた複数の仮定線の頻度を
求め、それを−覧表にした頻度分布テーブル部２３をテ
ーブルメモリ１１１に格納する。次に処理装置１０４は
、頻度が最も多くなる平行線を形成する直線群を求める
ために、まず頻度分布テーブル部２３を順次テーブルメ
モリ１１１より読み出し、頻度集計テーブル部２４をテ
ーブルメモリ１１２に作成する。次に処理装置１０４は
、頻度集計テーブル部２４を順次テーブルメモリ１１２
より読み出し、その集計値が最大となる平行線の傾き２
５を求める。尚、これらの画像データは、以下説明の簡
単化めために、白黒２値のディジタル画像とする。

次に第３図〜第５図を参照し、本発明の原理について説
明する。

第３図は入力された原画像２１の１例を示す。

この例で直線２６はノイズによる直線であり、直線２７
と直線２８が画像を構成している真の直線と仮定する。

それぞれのランの始終点座標を）ｌａｕｇｈ変換を用い
変換することにより、第４図に示す頻度分布テーブル部
２３を作成する。この頻度分布テーブル部２３のθ軸に
垂直な方向に成るしきい値を持って集計を行ない、第５
図に示す頻度集計テーブル部２４を作成する。

この頻度集計テーブル部２４の最大値を検索することに
より、傾きの値としてθ２　を得ることができる。

次に、第２図の原画像２１からランテーブル部２２を求
める手順について説明する。原画像２１を対象とする画
像データの一例を示しており、この例では、表題２文字
２表を形成している線分が含まれている。画像データよ
り、ランを求めるには、画像データをＸ軸方向にサーチ
を行い、白画素から黒画素に変化する点をランの開始点
、黒画素から白画素に変化する点をランの終了点とする
ことにより求めることができる。またランテーブル部２
２は、原画像２１より黒画素がＸ軸方向に連結した塊で
あるランを格納するテーブルであり、ランの開始Ｘ座標
２２１．終了Ｘ座標２２２およびＹ座標２２３をそれぞ
れ管理する。

第６図に、上記ランテーブル部２２を作成するアルゴリ
ズムの一例を示す。ステップ３０１は、画像データのＹ
座標を表す変数Ｙを初期化している。ステップ３０２画
像データのＸ座標を表す変数Ｘを初期化している。ステ
ップ３０３は、変数ＦＬＡＧに検索状態を始点検索状態
に設定している。ステップ３０４は１画像データの［Ｘ
、Ｙ］の位置の画素が黒画素かどうか判定し、黒画素な
らばステップ３０９へ、そうでなければステップ３０５
へそれぞれすすむ。ステップ３０５は、変数ＦＬＡＧの
検索状態を見て、始点検索状態ならばステップ３１１へ
、そうでなければステップ３０６へ進む。ステップ３０
６は、終点保存変数ＥＮＤに終点座標を代入している。

ステップ３０７は、始点、終点とそれらのＹ座標を１つ
の組として、ランテーブル部２２へ格納している。ステ
ップ３０８は、変数ＦＬＡＧの状態を始点検索状態にし
ている。ステップ３０９は、始点保存変数５ＴＡＲＴに
始点座標を代入している。ステップ３１０は、変数ＦＬ
ＡＧの状態を終点検索状態に設定している。ステップ３
１１は、変数Ｘの値を１増加させている。ステップ３１
２は、変数又と画像データの幅を比較し、変数Ｘの方が
大きければステップ３１３へ、そうでなければステップ
３０４へ進む。ステップ３１３は、変数ＦＬＡＧの検索
状態を見て、始点検索状態ならばステップ３１７へ、そ
うでなければステップ３１４へ進む。

ステップ３１４は、終点保存変数ＥＮＤに終点座標を代
入している。ステップ３１５は、始点、終点とそれらの
Ｙ座標を１つの組として、ランテーブル部２２へ格納し
ている。ステップ３１６ステツプ３０８は、変数ＦＬＡ
Ｇの状態を始点検索状態にしている。ステップ３１７は
、変数Ｙの値を１増加させている。ステップ３１８は、
変数Ｙと画像データの高さを比較し、変数Ｙの方が大き
ければ終わりへ、そうでなければステップ３０２へ進む
。

次に、前記ランテーブル部２２を使い、頻度分布テーブ
ル部２３を作成する手順について説明する。ここでは、
例として画像処理の分野でＨｏｕｇｈ変換と呼ばれる手
法を応用する。尚、Ｈｏｕｇｈ変換のアルゴリズムにつ
いては、例えば、ｒＦＩｏｕｇｈ変換とパターンマツチ
ング」　（情報処理Ｖｏ１．３０Ｎａ９　　ｐｐ、１０
３５−１０４６　Ｓｅｐ、１９８９）に詳しい。Ｈｏｕ
ｇｈ変換は一般的に画像中に実在する直線を検出する手
段として使われているが、本発明では、画像中の直線群
に対する傾きの頻度を求める手段としてこれを利用する
。すなわち各ランデータの始点Ｘ−Ｙ座標座標点終点−
Ｙ座標をρ＝Ｘｔｓｉｎθ＋Ｙｔｃｏｓθ のρとθの関係ｆ（ρ、θ）として求めている。

ここでρは、四捨五入等により整数化する。各点につい
て求めたρとθを、ρ−θの２次元の配列である頻度分
布テーブル部２２に累積する。この蓄積された値が大き
いものほど多数の点を通る直線を表している。第２図に
、頻度分布テーブル部２３の一例を示す。図中ρの値は
画素単位にとってあり、八〇は傾きの精度を表す角度ピ
ンチを示す。応用によって異なるが、Δθの値を例えば
０．０５°とすると、０．０５°単位で画像の傾きを求
めることができる。

第７図に、直線パラメータを累積するための頻度分布テ
ーブル部２３を作成するアルゴリズムの一例を示す。ス
テップ４０１〜４０７は、頻度分布テーブル部２３の内
容をゼロリセット処理を行なっている。ステップ４０８
〜４１５は、頻度分布テーブル部２３に対し、直線方程
式で求めた［ρ、θコの場所に、１増加処理を行なって
いる。

これを繰り返して行なうことにより頻度分布テーブル部
２３を完成させる。

次に、前記頻度分布テーブル部２３を使い、頻度集計テ
ーブル部２４を作成する手順について説明する。頻度が
最も多くなる平行線を形成する直線群を求めるために、
Ｈｏｕｇｈｔ変換により作成したテーブルには、互いに
平行な直線群はρ−θの２次元配列中のθ軸に垂直な直
線上に写像されるという性質を持つ。この性質を使い、
θ軸に垂直な方向単位に直線と判別できるしきい値αを
定め、その総和のテーブルである頻度集計テーブル部２
４を作成する。

第８図に、頻度集計テーブル部２４を作成するアルゴリ
ズムの一例を示す。ステップ５０１は、変数θに角度初
期値ＭＩＮθを代入している。ステップ５０２は、頻度
集計テーブル部２４のθ番目の内容をゼロリセットして
いる。ステップ５０３は、変数ρに初期値を代入してい
る。ステップ５０４は、頻度分布テーブル部２３の［ρ
、θ］位置の値としきい値αを比較し、頻度分布テーブ
ル部２３の［ρ、　Ｏ］位置の値の方が大きければステ
ップ５０５へ、そうでなければステップ５０６へ進む。

ステップ５０５は、頻度集計テーブル部２４のθ番目の
内容に頻度分布テーブル部２３の［ρ、θ］位置の値を
加えている。ステップ５０６は、変数ρの値を１増加し
ている。ステップ５０７は、変数ρとＭＡＸρの比較を
行い、変数ρの方が大きければステップ５０８へ、そう
でなければステップ５０４に進み上記処理を繰り返す。

ステップ５０８は、変数θに角度の刻み幅Δθを加えて
いる。ステップ５０９は、変数θとＭＡＸθを比較し、
変数θの方が大きければ終わりへ、そうでなければステ
ップ６０２進み上記処理を繰り返す。上記アルゴリズム
を行なうことにより頻度集計テーブル部２４を完成させ
る。

次に、頻度集計テーブル部２４より画像データの傾き２
５を検出する手順について説明する。頻度集計テーブル
部２４は、平行線を形成する直線群の頻度を集計したテ
ーブルである。画像上では、平行な線分が多く存在する
ものほど、その平行線分の傾きが画像の傾きを強く表し
ていると考えられる。そのため、平行線を形成する直線
群の最大頻度を求めることにより画像データの傾き２５
を検出することができる。

第９図に、頻度集計テーブル部２４より画像データの傾
き２５を求めるアルゴリズムの一例を示す。ステップ６
０１は、変数θに角度初期値ＭＩＮθを代入している。

ステップ６０２は、最大値判定用変数ＭＡＸの値を初期
化している。ステップ６０３は、頻度集計テーブル部２
４のθ番目の内容と変数ＭＡＸを比較し、頻度集計テー
ブル部２４のθ番目の内容の方が大きければステップ６
０４へ、そうでなければステップ６０６へ進む。ステッ
プ６０４は、変数ＭＡＸに頻度集計テーブル部２４のθ
番目の内容を代入している。ステップ６０５は、傾き保
存変数Ｒに変数θの値を代入している。ステップ６０６
は、変数θの角度の刻み幅へ〇を加えている。ステップ
６０７は、変数ＯとＭＡＸθを比較し、変数θの方が大
きければ終わりへ、そうでなければステップ６０３へ進
み上記処理を繰り返す。上記アルゴリズムにより、変数
Ｒ内に画像の傾き２５が求まる。

上記第１の実施例によれば、傾きを検出する上で有用な
ランの始終点座標を容易に検出することができる。また
ランの始終点座標は、画像データのすべての黒画素の点
座標に比べはるかに少数であるため、頻度分布テーブル
部２２を作成する処理回数を少なくすることができる。

上記第１の実施例では、ランの始終点座標の全ての座標
に対して頻度分布テーブル部２３を作成したが、ランを
縦・横・斜めに連結している塊ごとにラベル付きランテ
ーブル部７１を作成し、そのラベルごとに外接矩形情報
を抽出し、その最大外接矩形情報を属するランに対して
頻度分布テーブル部２３を作成することによって、ラン
をさらに選択することとなり頻度分布テーブル部２３を
作成する処理回数をさらに少なくできる。また、ノイズ
・文字等の画像上で外接矩形が小さいランを取り除くこ
ととなり、より正確な傾き検出を行うことができる。

以下、上記改良点を含む第２の実施例について説明する
。この場合、第２図に示す原画像２１から、第１０図に
示すラベル付きランテーブル部７１を作成し、そのラベ
ルごとに外接矩形情報テーブル部７２を抽出し、その最
大外接矩形情報に属するランを使用し、第２図に示す頻
度分布テーブル部２３を作成する。尚、ラベル付きラン
テーブル部７１は、第２図に示すランテーブル部２２に
連結成分ごとのラベル７１１を付加したものである。外
接矩形情報テーブル部７２は、Ｘ座標における始点７２
１．終点７２２とＹ座標における始点７２３．終点７２
４をそれぞれ管理する。

次に、ラベル付きランテーブル部７１より外接矩形情報
テーブル部７２を作成する手順について説明する。ラン
により外接矩形情報を求めるには、ラベルごとにＸ座標
の始終点、Ｙ座標の始終点の最外値と、ランのＸ座標の
始終点、Ｙ座標との間で比較処理を行うことにより求め
ることができる第１１図に、ラベル付きランテーブル部
７１より外接矩形情報テーブル部７２を作成するアルゴ
リズムの一例を示す。ステップ８０１は、変数ラベルＮ
ｏの値を初期化しているゎステップ８０２は、変数Ｎｏ
の値を初期化している。ステップ８０３は、外接矩形情
報テーブルのｘｉｓの始点を保存する変数７２１に、最
大値を代入しているステップ８０４は、外接矩形情報テ
ーブルのＹ座標の始点を保存する変数７２３に、最大値
を代入している。ステップ８０５は、外接矩形情報テー
ブルのＸ座標の始点を保存する変数７２２に、最小値を
代入している。ステップ８０６は、外接矩形情報テーブ
ルのＹ座標の始点を保存する変数７２４に、最小値を代
入している。ステップ８０７は、Ｘ座標始点７２１とラ
ンのＸ座標始点２２１を比較し、Ｘ座標始点７２１のほ
うが小さければステップ８０９へ、そうでなければステ
ップ８０７に進む。ステップ８０８は、Ｘ座標始点７２
１にランのＸ座標始点２２１を代入している。ステップ
８０９は、Ｘ座標終点７２２とランのＸ座標終点２２２
を比較し、Ｘ！標終点７２２のほうが大きければステッ
プ８１１へ、そうでなければステップ８１０に進む。ス
テップ８１０は、Ｘ座標終点７２２にランのＸ座標終点
２２２を代入している。ステップ８１１は、Ｙ座標始点
７２３とランのＹ座標２２３を比較し、Ｙ座標始点７２
３のほうが小さければステップ８１３へ、そうでなけれ
ばステップ８１２に進む。ステップ８１２は、Ｙ座標始
点７２３にランのＹ座標２２３を代入している。ステッ
プ８１３は、Ｙ座標終点７２４とランのＹ座標２２３を
比較し、Ｙ座標終点７２４のほうが大きければステップ
８１５へ、そうでなければステップ８１４に進む。ステ
ップ８１４は、Ｙ座標終点７２４にランのＹ座標２２３
を代入している。ステップ８１５は、変数Ｎｏを１増加
している。ステップ８１６は、変数Ｎｏとラベル付きラ
ンテーブル部７１の最大個数ＭＡＸＮ○を比較し、変数
Ｎｏの方が大きければ終わりへ、そうでなければステッ
プ８１７に進む。ステップ８１７は、変数ラベルＮｏと
ラベル部７１１の値を比較し、同じであればステップ８
０７へ、そうでなければステップ８１８に進む。ステッ
プ８１８は、変数ラベルＮＯの値を１増加している。

次に、外接矩形情報テーブル部７１より最大外接矩形情
報をもつラベルを抽出する手順について説明する。最大
外接矩形情報は、Ｘ−Ｙ座標方向の矩形の長さが共に最
長となる外接矩形である。

そのため、外接矩形情報よりＸ−Ｙ座標方向にそれぞれ
矩形の長さを求め、その最大となる矩形の長さに対応す
るラベルを抽出すればよい。

第１２図に、外接矩形情報テーブル部７１よす最大外接
矩形情報に対するラベルを抽出するアルゴリズムの一例
を示す。ステップ９０１は、Ｘ座標方向の矩形の長さを
記録する変数Ｘ　１．、、　Ｅ　Ｎを初期化している。

ステップ９０２は、Ｙ座標方向の矩形の長さを記録する
変数ＹＬＥＮを初期化している。ステップ９０３は、変
数ラベルＮｏを初期化している。ステップ９０４は、変
数ラベルＮＯ番目の矩形が最大の矩形か比較し、Ｒ大で
あればステップ９０５へ、そうでなければステップ９０
８に進む。ステップ９０５は、変数ＸＬＥＮの値を現状
の最大値にする。ステップ９０Ｇは、変数ＹＬＥＮの値
を現状の最大値にする。ステップ９０７は、最大矩形の
ラベル番号を保存する変数Ｓラベルに現状のラベル番号
を保存する。ステップ９０８は、変数ラベルＮＯの値を
１増加している。ステップ９０９は、変数ラベルＮｏと
ラベル番号の最大値であるＭＡＸラベルを比較し、変数
ラベルＮｏのほうが大きければ終わりへ、そうでなけれ
ばステップ９０４へ進む、このようにして。

最大外接矩形をもつラベル番号を求めることができる。

次に、ラベル付きランテーブル部７１と外接矩形情報テ
ーブル部７２より抽出したラベルを使って頻度分布テー
ブル部２３を作成する手順について説明す゛る。この場
合、ランが指定されたラベルに属しているかを判定する
処理を、第７図に示すアルゴリズムにつけ加えることに
よりできる。

第１３図に、ラベル付きランテーブル部７１と外接矩形
情報テーブル部７２より抽出したラベルを使って頻度分
布テーブル部２３を作成するアルゴリズムの一例を示す
。ステップ１００１は、頻度分布テーブル部２３の内容
を初期化している。

ステップ１００２は、変数ＮＯの値を初期化している。

ステップ１００３は、ラベル番号７１４が指定ラベルで
あるか比較し、同じであればステップ１００４へ、そう
でなければステップ１００８に進む。ステップ１００４
は、変数θの値を初期化している。ステップ１００５は
、前記直線方程式により計算した値を頻度分布テーブル
部２３に累積している。ステップ１００６は、変数θの
値に増加分Δθを加えている。ステップ１００７は、変
数θと角度の最大値ＭＡＸθを比較し、変数θのほうが
大きければステップ１００８へ、そうでなければステッ
プ１００５に進む。ステップ１００８は、変数Ｎｏの値
を１増加している。ステップ１ｏ０９は、変数ＮＯと最
大値ＭＡＸＮＣ１比較し、変数Ｎｏのほうが大きければ
終わりへ、そうでなければステップ１００３に進む。

上記第２の実施例によれば、ランを縦・横・斜めに連結
している塊ごとにラベル付ランテーブル部７１を作成し
、そのラベルごとに外接矩形情報を抽出し、その最大外
接矩形情報に属するランに対して頻度分布テーブル部２
３を作成することによって、ランをさらに選択すること
となり頻度分布テーブル部２３を作成する処理回数をさ
らに少なくできる。また、ノイズ・文字等の画像上で外
接矩形が小さいランを取り除くこととなり、より正確な
傾き検出を行うことができる。

上記第２の実施例では、最大外接矩形情報に属するラン
により頻度分布テーブル部２３を作成したが、ランはＸ
軸方向に連続しているデータであるため、始終点間のＸ
座標を省略しているという特性を考慮するならば、Ｙ座
標方向に最長な外接矩形情報に属するランに頻度分布テ
ーブル部２３を作成することによって、ランの選択条件
をより簡単化でき容易にランを選択することができる。

以下、これを実施する第３の実施例について説明する。

この場合、第１０図に示す外接矩形情報テーブル部７２
より、Ｙ座標方向に最長な外接矩形情報に属するランを
使用し、第２図に示す頻度分布テーブル部２３を作成す
るものとする。

まず、外接矩形情報テーブル部７１よりＹ座標方向に最
長な外接矩形情報をもつラベルを抽出する手順について
説明する。ここでは、第１２図に示すアルゴリズムの中
の最大かどうか判定している処理を、Ｙ座標だけを判定
するように変更するだけでよい。

第１４図に、外接矩形情報テーブル部７１よりＹ座標方
向に最長な外接矩形情報をもつラベルを抽出するアルゴ
リズムの一例を示す。ステップ１１０１は、Ｙ座標方向
の矩形の長さを記録する変数ＹＬＥＮを初期化している
。ステップ１１０２は、変数ラベルＮＯを初期化してい
る。ステップ１１０３は、変数ラベルＮｏ番目の矩形が
Ｙ座標方向に１番長いか比較し、長ければステップ１１
０４へ、そうでなければステップ１１０６に進む。ステ
ップ１１０４は、変数ＹＬＥＮの値を現状の最大値にす
る。ステップ１１０５は、Ｙ座標方向に最長矩形のラベ
ル番号を保存する変数Ｓラベルに現状のラベル番号を保
存する。ステップ１１０６は、変数ラベルＮｏの値を１
増加している。ステップ１１０７は、変数ラベルＮｏと
ラベル番号の最大値であるＭＡＸラベルを比較し、変数
ラベルＮ。

のほうが大きければ終わりへ、そうでなければステップ
１１０３に進む。

上記第３の実施例によれば、ランの特性である横に連続
しているデータのＸ座標を省略しているということを考
慮し、Ｙ座標方向に最長な外接矩形情報に属するランに
頻度分布テーブル部２３を作成することによって、ラン
の選択条件をより簡単化でき容易にランを選択すること
ができる。

上記第３の実施例では、Ｙ座標方向に最長な外接矩形情
報に属するランにより頻度分布テーブル部２３を作成し
たが、横長の画像データに対しては、Ｘ座標方向に最長
な外接矩形情報に属するランを９０’回転させたランに
より頻度分布テーブル部２３を作成することによって、
Ｙ座標方向に短いランに対しても上記第３の実施例と同
じ効果が得られることができる。

以下、これを実施する第４の実施例について説明する。

まず、外接矩形情報テーブル部７１よりＸ座標方向に最
長な査接矩形情報をもつラベルを抽出する手順について
説明する。ここでは、第１２図に示すアルゴリズムの中
の最大かどうか判定している処理を、Ｘ座標だけを判定
するように変更するだけでよい。

第１５図に、外接矩形情報テーブル部７１よりＸ座標方
向に最長な外接矩形情報をもつラベルを抽出するアルゴ
リズムの一例を示す。ステップ１２０１は、Ｘ座標方向
の矩形の長さを記録する変数ＸＬＥＮを初期化している
。ステップ１２０２は、変数ラベルＮｏを初期化してい
る。ステップ１２０３は、変数ラベルＮｏ番目の矩形が
Ｘ座標方向に１番長いか比較し、長ければステップ１２
０４へ、そうでなければステップ１２０６に進む。ステ
ップ１２０４は、変数ＸＬＥＮの値を現状の最大値にす
る。ステップ１２０５は、Ｘ座標方向に最長矩形のラベ
ル番号を保存する変数Ｓラベルに現状のラベル番号を保
存する。ステップ１２０６は、変数ラベルＮｏの値を１
増加している。ステップ１２０７は、変数ラベルＮＯと
ラベル番号の最大値であるＭＡＸラベルを比較し、変数
ラベルＮ。

のほうが大きければ終わりへ、そうでなければステップ
１２０３に進む。次に、ランを９０’回転させる手順に
ついて説明する。ランを回転させるためには、まずラン
の始終点座標を座標変換によって９０°回転させ、その
ランを一度画像データに戻し、第３図に示すアルゴリズ
ムによりランを９０’回転させて再生することによりで
きる。

第１６図に、ランを９０°回転させるアルゴリズムの一
例を示す。ステップ１３０１は、ランにおけるＸＰ！１
．標の始点７１１、終点７１２及びＹ座標７１３を９０
°回転させた座標に変換を行なう。

ステップ１３０２は、回転を行なった座標に対してそれ
をドツトイメージである画像データに変換している。ス
テップ１３０３は、画像イメージよりランを求めている
。

上記第４の実施例によれば、横長の画像データに対して
は、Ｘ座標方向に最長な外接矩形情報に属するランを９
０’回転させたランにより頻度分布テーブル部２３を作
成することによって、Ｙ座標方向に短いランに対しても
上記第３の実施例と同じ効果が得られることができる。

本発明はさらに、種々の変更を加えた形でも実施できる
。例えば、ランテーブル部２２の内容から同一間隔ごと
のＹ座標を持つランをさらに選択することによって、さ
らに頻度分布テーブル部２３を作成する処理の回数を削
減することができる。

以下、これを実施する第５の実施例について説明する。

この場合、第２図のランテーブル部２２から、同一間隔
ごとのＹ座標を持つランをさらに選択し、頻度分布テー
ブル部２３を作成すればよい。

まず、ランテーブル部２２をさらに選択する手順につい
て説明する。ランにおける整合性を保つために、同−Ｙ
座標にあるランデータを１つのグループとして、そのグ
ループごとにあるラインピッチΔＹ単位に有効データと
する方式により選択を行えばよい。

第１７図は、ランテーブル部２２より同一間隔ごとのＹ
座標を持つランをさらに選択し、頻度分布テーブル部２
３を作成するアルゴリズムの一例である。ステップ１４
０１は、頻度分布テーブルを初期化している。ステップ
１４０２は、変数Ｎｏの値を初期化している。ステップ
１４０３は、注目すべきランのＹ座標を記憶している変
数ＣＹにＹ座標を代入している。ステップ１４０４は、
現在のランが計算対象か判断し、計算対象であればステ
ップ１４０５へ、そうでなければステップ１４ｏ８に進
む。ステップ１４０５は、指定角度内で前記直線方程式
により計算を行なった結果を頻度分布テーブル部２３に
累積を行なっている。

ステップ１４０６は、変数ＣＹと次のランのＹ座標を比
較し、同じであればステップ１４０８へ、そうでなけれ
ばステップ１４０７に進む。ステップ１４０７は、変数
ＣＹの値に増加分ΔＹを加えている。ステップ１４０８
は、変数Ｎｏの値を１増加している。ステップ１４０９
は、変数ＮＯを最大値ＭＡＸＮＯを比較し、変数Ｎｏの
ほうが大きければ終わりへ、そうでなければステップ１
４０４に進む。

上記第５の実施例によれば、頻度分布テーブル部２２を
作成する処理回数を少なくすることができ、正確に画像
の傾きを検出することができる。

また、本発明の発明者等が出願した「文書画像処理方式
（特願昭６Ｏ−２７３２２６）　Ｊに記載された方法を
用いることによって画像データの傾き補正を行うことが
できる。

さらに、上記出願記載された方法を用いることによって
、文字等の認識を行うことができる。

〔発明の効果〕

本発明によれば、傾き検出対象である枠・線を容易に見
つけだし、傾き検品処理用の位置データを作成すること
ができる。また、傾き検出対象である枠は外枠だけに限
定することなく、傾き検出処理を行うことができる。さ
らに、帳票画像のような傾き対象の枠の中に多くの平行
線が含まれるものは、平均的な傾きを検出することが可
能となり、全体として見ると、正確な傾き検出処理が行
える。つけくわえるならば、傾き検出処理用の位置デー
タをその情報を壊すことなく、省略することが可能なた
め、傾き検出処理を高速に行うことができるという効果
がある。

【図面の簡単な説明】

第１図は、本発明を適用する画像処理装置の構成を示す
ブロック図、第２図は、本発明のデータの流れを示す構
成図、第３図は、入力原画像の１例を示す図、第４図は
、頻度分布テーブルの構成の１例を示す図、第５図は、
頻度巣形テーブル部の構成の１例を示す図、第６図は、
画像データよリランを求める処理内容を示す図、第７図
は、頻度分布テーブルを作成する処理内容を示す図、第
８図は、頻度集計テーブルを作成する処理内容を示す図
、第９図は、頻度集計テーブルより傾きを決定する処理
内容を示す図、第１０図は、他の実施例によるデータの
流れを示すブロック図、第１１図は、ランテーブルより
外接矩形情報を作成する処理内容を示した図、第１２図
は、外接矩形情報より最大の外接矩形を求める処理内容
を示した図、第１３図は、最大外接矩形に属するランに
より頻度分布テーブルを作成する処理内容を示した図、
第１４図は、外接矩形情報よりＹ方向に最長の外接矩形
を求める処理内容を示した図、第１５図は、外接矩形情
報よりＸ方向に最長の外接矩形を求める処理内容を示し
た図、第１６図は、ランを９０°回転させる処理内容を
示した図、第１７図は、特定のＹ座標により頻度分布テ
ーブル不　１ 図 第 Ｚ 図 第 図 不 固 劣 乙 図 （”ｌ’／＋１） 箒 乙 邑 （童のＺ） 図 （ぞｆ）２） 不 図（ｆ：ｆ）／） 築 ■ ７／ 園 ζ佇１ジ 慕 ／ρ 図 γ 〆 第 図 第 ！″７ 図

Claims (1)

1. 【特許請求の範囲】 １、画像を入力する入力手段と、入力画像データを記憶
   するための記憶手段と、上記記憶手段に記憶された画像
   データを処理する処理手段とからなる画像処理装置にお
   いて、上記処理手段が上記記憶手段に記憶された画像デ
   ータ中で黒画素がＸ軸方向に連結した塊であるランを求
   める手段と、ランにおける始終点座標をＨｏｕｇｈ変換
   を用い上記画像データ中の直線の分布表を作成する手段
   と、その分布表に基づいて複数の平行線を抽出する手段
   と、これらの平行線により上記画像データの傾きを検出
   する手段を設けることを特徴とする画像傾き検出方式。 ２、前記画像データより連結情報を含んだランを求め、
   それら連結情報より所定のルールによりランを選択する
   ことを特徴とする第１項記載の画像傾き検出方式。 ３、前記連結情報より外接矩形情報を求め、それら外接
   矩形情報の内、最大となる外接矩形情報に属するランを
   選択することを特徴とする第２項記載の画像傾き検出方
   式。 ４、前記外接矩形情報において、それらの外接矩形情報
   の内、Ｙ座標方向に最も長い外接矩形情報に属するラン
   を選択することを特徴とする第２項記載の画像傾き検出
   方式。 ５、前記外接矩形情報において、それらの外接矩形情報
   の内、Ｘ座標方向に最も長い外接矩形情報に属するラン
   を選択し、そのランを９０゜回転させることを特徴とす
   る第２項記載の画像傾き検出方式。 ６、前記ランにおいて、同一間隔ごとのＹ座標を持つラ
   ンをさらに選択することを特徴とする第１項記載の画像
   傾き検出方式。 ７、前記処理手段が、前記直線群の傾き角度に応じて前
   記画像データを回転処理し、傾きを補正することを特徴
   とする第１項記載の画像傾き検出方式。 ８、前記処理手段が、前記直線群の傾き角度を考慮し、
   前記画像データ中の文字・線分等の認識処理を行うこと
   を特徴とする第１項記載の画像傾き検出方式。