JPS62165275A - 文書画像フアイル装置 - 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】 〔産業上の利用分野〕 本発明は、文書画像ファイル装置に関する。

〔従来の技術〕

従来、文書画像中の桁長変換の処理方式に関して、例え
ば゛トランス・メディア・マシンの基本アルゴリズム”
：情報処理学会第２９回（昭和５９年後期）全国大会予
稿算のｐ、１６１１〜１６１２において、行および単語
を抽出することで単語の途中で改行が生じても対応でき
ると論じられている。この文献の中では、前処理として
段落の抽出、ハイフンの認識が必要であると示されてい
るが、段落の具体的な抽出方式ｌこついては述べられて
いない。

また、文字領域の分割についても”記事の形状に着目し
た英字新聞の領域分割“：情報処理学会第２６回（昭和
５８年前期）全国大会予稿集のｐ、８８５〜８８６にお
いて、文字列の揃い方などを利用して記事ごとに領域を
分割することが論じているが、段落の抽出に関する検討
はなされていない０ 〔発明が解決しようとする問題点〕 上記の従来技術は、文書画像の文字領域を分類する際に
、段組の構成を定義し、それにあてはまるように文字行
の開始位置、終了位置を設定しているため、汎用性の点
で問題を残しており、また、黒画素の分布により開始位
置、終了位置を求めるようにしているため、データ量が
多くなり、多くのメモリ容量を必要としている。

本発明の目的は、一般の文書画像を対象として、その中
の文字領域より段落を抽出できる画像ファイル装置を提
供することにある。

〔問題点を解決するための手段〕

上記目的は、文書画像より文字領域を抽出し、その中か
ら抽出した複数の文字列を互いに連続する行群に統合す
ることにより段落の開始行、および終了行を抽出するこ
とで達成される。この場合、連続する行群とは、次の条
件を満足する行の集合を言う。

（１）互いに隣接しあっていること。

（１１）文字行のピッチが等しいこと。

曲）文字のピッチが等しいこさ〇 従って複数の段落が一つの連続行群に存在し、連続行群
に含まれる文字列の開始位置は横書文書ならば左側に１
縦書書文書ならば上側に揃っている０ また、一般に段落の開始行では、同一の連続行群の中で
開始位置の前に一文字分程度の空白があり、段落の終了
行では、開始位置は他の行と揃っているが終了位置が他
の行と不揃いで空白が空くことが多い。

本発明ではこれらの特徴を利用して、一連の文字行より
連続行群を抽出して、連続行群内で段落の開始行・終了
行を求める。

〔作用〕

連続行群ごとに開始行、終了行を判定する閾値を設定で
きるので、文書中に複数の異なる文字ピッチが存在して
いても段落を抽出できる。

〔実施例〕

以下、本発明の一実施例を説明する。

第１図は本実施例のハード構成図を示す。入力画像は、
第２図の手順に従って、スキャナ、カメラなどの画像入
力装置５により取り込まれ、画像メモリ６に画像データ
として格納され、ＣＰＵＩ、メインメモリ２、画像処理
装置７により処理される。処理結果はファイル装置３に
格納したり、ＣＲＴ４や、画像出力装置９に表示される
。

以下、第２図の処理フローについて説明する。

処理１００：文書画像を画像入力装置５より画像メモリ
６に画像データとして入力する。

処理２００：図形や写真等の混在する文書画像より文字
領域を抽出する。この処理には、文書画像のラン・レン
グスの特徴、黒連結の特徴、近接線密度の特徴など利用
する従来公知の手法を適用できる。

〔処理３００）：処理２００で抽出された文字領域から
文字行を抽出する。この処理には、黒連結の特徴あるい
は周期性を利用した公知の手法、例えば“二次元フリエ
変換を用いた文字列抽出法の検討”、情報処理学会第２
２回（昭和５６年前期）全国大会予稿集ｐ、６６７〜６
６８に記載の手法が適用できる。本実施例では、文字列
の表現として、文字列を構成する黒画素の外接矩形の対
角点座標を用いるものとする。

処理４００：文字行の矩形より段落を抽出する。

以下、横書の場合について説明するが、考え方は縦書の
場合も同様である。

第３図は、段落抽出処理４００の１実施例を示す詳細フ
ローであり、本実施例では、まず連続していると思われ
る行群を抽出して、行群内より文節を抽出する。

処理４１０：連続した行群を抽出するために、各行の矩
形に対して上側、下側に隣接している行を検索する。検
索した矩形の番号を示すラベルをＵｐ　ｒｅｃｔ　、　
Ｄｏｗｎ　ｒ６ｃｔ　　に記憶する。

処理４２０：第４図のように文字行が抽出されている場
合、処理４１０で上下の隣接矩形がＵｐｒｅｃｔ　、　
Ｄｏｗｎ　ｒｅｃｔに記憶されているため、例えば、文
字行ｊの上側の隣接矩形は１、下側はｋということが解
る。ここで、文字行から上側、下側の隣接している文字
行までの距離Ｕ　ｐ　Ｌ　ｅ　ｎ　ｇ　ｔ　ｈ（ＵＬ　
）　、　Ｄｏｗｎ　Ｌｅｎｇｔｈ　（ＤＬ　）を求メル
。図に示すように文字行の矩形の対角点座標は、（Ｘｖ
ｏｚ　ｌ　ｙＷａｘ　）　ｌ　（Ｘｍ１ｎ　ｌ　ｙｍｉ
ｎ　）で表現されている。これより文字行間の距離ＵＬ
、ＤＬは、次式で表現できる。

ＵＬｊ　＝　ｙ、ｎ、ｎｉ　−ｙ、ｎ、、　ｊ　　−＝
−（１）ＤＬｊ＝ｙｍＩｎＪ−ｙＩｎｌｎｋ　　・・・
・・・（２）各矩形についてＵＬ、ＤＬを求め第５図に
示す文字行テーブル５０を作成する。

処理４３０：文字行と隣接した文字行が連続しているか
判定するラベルＩ、ｕｐ　、　Ｌｄｏｗｎを設ける０ラ
ベルの値は第６図に示す如く連続していると推測される
場合”Ｏ“、不可能な場合“Ｘ”、どちらとも決定でき
ない場合“Δ”とする。文字列ｍに着目して、行矩形テ
ーブル５０を参照しながら、上側、下側に隣接する行矩
形までの距離ＵＬｍ　。

ＤＬｍと高さＨ（Ｕｐ　ｒｅｃｔｍ　）　、　Ｈ（Ｄｏ
ｗｎ　ｒｅｃｔｍ）を求める。ここで Ｈ（Ｕｐ　　ｒｅｃｔｍ）＝＝ｙＩ！ｌ、、（Ｕｐ　ｒ
ｅｃｔｍ）−ｙｍｌｎ　（Ｕｐｒｅｃｔ　ｍ　） Ｈ（Ｄｏｗｎ　ｒｅｃｔ　ｍ　）　＝　ｙ、、、　（Ｄ
ｏｗｎ　ｒｅｃｔ　ｍ）−ｙＩｌｌｌｎ（Ｄｏｗｎ　ｒ
ｅｃｔｍ）である。

これらを用いてラベリングをする方法を説明する。連続
している行群とは等しい行ピッチ、文字ピッチで隣接し
合っている行矩形の集合を示す０行ピッチは、行矩形間
の距離であり、文字ピッチは、行高さに比例するので、
以下の条件の下でラベル付けをする。

（１）文字ピッチの条件： 文字ピッチの比りを求め、その値が許容範囲内（１／α
くしくα、α〉１）であれば、類似しているとする。許
容範囲外ならば Ｌｅｎｇｔｈｕｐ（Ｕｐ　ｒｅｃｔｍ）を無限大とする
。αは、許容範囲を示すパラメータであり、本実施例で
は２．０とした。

（１１）行ピッチの条件： 行ピッチの比を求め、その値により初期ラベルを次の様
に設定する。

ＵＬ　ｍ　／　ＤＬ　ｍ　（１／βのときＬｕｐｍ＝”
Δ’、Ｌｄｏｗｎ＝”ｘ”１／β＜ＵＬｍ／ＤＬｍくβ
のとき Ｌｕｐｍ＝”Ｏ’　、Ｌｄｏｗｎ＝＠Ｏ″β（ＵＬ／Ｄ
Ｌｍのとき Ｌｕｐ　ｍ　＝　１ｘ　”　、　Ｌｄｏｗｎ　＝　１Δ
”尚、β〉１であり、本実施例では１．２５を用いた０ 第６図（ａ）は、上記のラベル付けをした後の状態を示
している。これかられかるように、一つの行間には上側
と下側の双方向からラベル付けされる。

処理４４０：第６図（−）から図（ｂ）のようにラベル
を書き変え、１つの行間に対する双方向のラベルを等し
くして、内容が“０”の行間で隣接している矩形を統合
する。ラベルの書き変えのルールを第７図に示す。双方
向のラベルが“Ｏ”と°△”または°Δ”と１Δ”の場
合はΔ”→“０”に変換し、“Δ”と”Ｘ”、°ｏ”と
“×”の場合は１△”→“ד、＠○′→“×”にする
。

このルールに従って第６図（−）の文字行矩形を統合す
ると、図（ｂ）の点線で囲まれたｎ、ｏ、ｐの矩形が連
続行群として抽出される。

処理４５０：第８図（ａ）に連続行群の統合結果を示す
。図中、Ｃ１〜Ｃ１１までの文字行が連続しており、全
速続行を含む最小矩形が破線の連続行群矩形であり、対
角点座標（Ｓｅｑ−ｍｉｎ　ｘ’Ｓｅｑ−ｍｉｎｙ）ｌ
（Ｓｘ、ｓ　　　　ｙ）は、６ｑ−ｍｌ！Ｌ！　　　　
　　ｅｑ−ｍｌＬ！Ｓ、、−Ｉ、ｌｌ、ｎｘ＝ｍｉｎ（
ｘ−，１ｎＣ１，ｘ−［Ｌｌｌ、Ｃ２゜ｘ−ｗｉｎ　Ｃ
３＋　”・＋　Ｘｗｉｎ”　１　）Ｓ、、、ｍ１ｎｙ＝
ｎｔｉｎ　（ｙ−ｍｉｎ”　、　ｙ−ｍｉｎＣ２１ｙ−
，１ｎＣ３，・、　ｙ−Ｗｉｎ”）Ｓ　ｅｑ−ｍａ！ｘ
＝ｍａｘ（ｘ−ｍＩＬ３ｃＣ１、ｘ−ｍｌＬｘＣ２。

Ｘ−ｌ１１ａ工Ｃ３１・・・’　Ｘ−ｍａｚ　Ｃ１１）
Ｓ、、−１！ｌａ、ｙ＝ｍａｘ　（ｙ−、、ＩＣＩ　、
　ｙ−！１ｍ、、Ｃ２゜ｙ−、、、Ｃ３，−、ｙ−ｍ、
ｘＣｌｌ）で表現できる。

これより同図（ｂ）のように文節を抽出する。各文字行
が含まれている連続行群矩形から文字行開始位置までの
距離Ｄｈ、＆ｄ８１を求める。文節の開始行では、１文
字分遅れて文字行が始まることに注目して、ある閾値ｈ
１よりＤｈ、ａｄが大ならば、その行を文節の開始行候
補として定義する。本実施例では、　ｈ１＝０．５ｈ　
（ｈ　：連続行群中の文字行高さの平均）とする。

処理４６０　：　Ｄｈ、、、と同様にして文字行の終了
位置と、それを含む連続行群までの距離Ｄ　ｔ　ｅ　ｒ
　ｍを求める。Ｄｔｅｒｍ　が、ある閾値ｈ２以上の場
合にはその文字行を終了行候補とする。

以上の開始、終了行候補を記憶するためのラベルＳ　ｔ
−ｈ。ａｄｌＳ’−ｔ。、を各行について設ける。

内容がＴｒｕ＋５（Ｔ）ならば開始行、終了行候補であ
ることを示し％　Ｆａｘｓ。ＣＦ）ならばそうでないこ
とを示すことにする。

処理４７０：開始行候補と終了行候補より矛盾する組合
せを修正する。

（Ｉ）　　””−ｈ＊ａｄ＝ＴでありＳｔイ。、、（Ｕ
ｐ−、。。、）＝Ｆの場合、５ｔ−ｈ□４をＦｌつまり
開始行候補を非開始行とみなす。

（ｆｌ）　　Ｓ’−ｔｏ、；ＴでありＳｔ−、、、、（
ｄｏｗｎ　−ｒｅｃｔ）＝Ｆ’の場合、Ｓ’−ｔｅｒｍ
をＦ１ツまり終了行候補を非終了行とみなす。

ｍ（＋ｒ）とも連続行群内の矩形同志の比較である。

しかし、（Ｉ）では連続行群内の最も下の矩形より評価
してゆ＜、（ｌｉ）では最も上の矩形より評価価してゆ
く。その開始行よりり。。−ｒ。ａｔをたどり終了行ま
で統合してゆく。これを全行矩形について処理すること
で節の抽出が可能である。

第９図に処理例を示す。（ａ）は原画像であり、（ｂ）
は文字行を外接矩形で表示したもの、（Ｃ）は連続行群
の外接矩形を表示したもの、（ｄ）は段落を外接矩形で
表示したものである。

〔発明の効果〕

本発明によれば、連続行群を抽出してから閾値を連続行
群単位に設定できるため、異なる文字ピッチの文字領域
を持った文書に対しても段落の抽出が可能である。また
、文字切出し処理と組合せることで、桁長変換が可能で
あり、使用するデータは、文字行抽出後、外接矩形の対
角点の座標のみであるので必要とするメモリの記憶容量
が少なくて済む。

【図面の簡単な説明】

第１図は本発明の１実施例を示すハード構成図、第２図
は処理フローチャート、第３図は段落抽出処理の詳細フ
ローチャート、第４図は文字行間のラベリングについて
の説明図、第５図は行矩形テーブルを示す図、第６図は
連続行群の抽出処理を説明するための図、第７図は連続
行群のラベルの更新テーブルを示す図、第８図は段落抽
出についての説明図、第９図は本発明による画像処理の
１例を示す図である。 １・・・ＣＰＵ、２・・・メインメモリ、３・・・ファ
イル装置、４・・・ＣＲＴ、５・・・画像入力装置、６
・・・画像メモリ、７・・・画像入力装置、８・・・キ
ーボード、９・・・画像出力装置、５０・・・行矩形テ
ーブル、７０・・・ラベル更新テーブル、８０・・・連
続行群の外接矩形、８１・・・文字行開始位置と連続行
群の外接矩形までの距離、８２・・・文字行終了位置と
連続行群の外接矩形までの距離。 狛　２　凹 ■］Ｄ 鳩　　４　閉 め　　５　口 第　　　　　　乙　　　　　看ろ ｉ′ （ｏ−）　　　　　　　　　　　　　　　　　　　　　
　　　　　　　　　Ｃｂノ冶　　７　　望 躬　３　　巴 （ｂ）

Claims (1)

【特許請求の範囲】
1. 画像を一時的に記憶するメモリと、画像メモリに画像を
   画像データとして入力する入力部と画像メモリ上の画像
   データを処理する画像処理部、文書画像データを蓄積す
   る画像ファイルからなる文書画像ファイル装置において
   、前記画像メモリに入力された文書画像の文字領域より
   文節を抽出する機能を設けたことを特徴とする文書画像
   ファイル装置。