JP5353325B2 - 文書データ生成装置と文書データ生成方法 - Google Patents
文書データ生成装置と文書データ生成方法 Download PDFInfo
- Publication number
- JP5353325B2 JP5353325B2 JP2009056380A JP2009056380A JP5353325B2 JP 5353325 B2 JP5353325 B2 JP 5353325B2 JP 2009056380 A JP2009056380 A JP 2009056380A JP 2009056380 A JP2009056380 A JP 2009056380A JP 5353325 B2 JP5353325 B2 JP 5353325B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- character
- document data
- data generation
- document
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Machine Translation (AREA)
- Document Processing Apparatus (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
しかしながら、OCRによる文字認識処理には誤認識があるため、スキャンした画像データを捨てて代わりにOCRで認識された文字データのみから成る文書データに変換すると、誤認識された文字に関しては元の正しい情報が失われてしまう。
そのため、スキャンした画像データをそのまま残し、その画像データにOCRによって得られた文字データを加え、透明なテキストデータとすることで、画像データによる視認性と、文字データによる検索性を兼ね備えた電子データに変換することが行われている。
また、イメージ文書を対象とした文字認識処理を実行した結果出力されるテキストによる文書データについて、検索文字列を所定数の文字単位の部分に分割し、その各部分ごとに誤認識される可能性の高い文字形状の類似した類似文字列を格納し、その類似文字列を組み合わせて検索結果の展開語を生成する文書データ生成装置(例えば、特許文献2参照)があった。
また、後者の文書データ生成装置では、検索時に検索タームを拡張するため、特別な検索システムが必要となってしまう点や、文書ファイルと別に検索用の類似文字列を格納しておかなくてはならないため、管理が容易でないという問題があった。
この発明は上記の点に鑑みてなされたものであり、文字認識確度の低いテキストの検索精度を高めた文書データを作成できるようにすることを目的とする。
また、上記複数の認識候補の文字データに、最も確度の高い文字データが含まれるようにするとよい。
さらに、上記複数の認識候補の文字データから予め登録された辞書に登録されていない文字データを除外する手段を設けるとよい。
さらに、画像データと上記画像データから文字認識した文字データとを含む文書データを生成する文書データ生成方法であって、上記文字認識において、上記画像データの所定区切り単位で複数の認識候補の文字データが得られた場合、その複数の認識候補の文字データを非可視データにして、上記画像データの対応する所定区切り単位の位置又は近傍に、それぞれ異なるレイヤで付加して文書データを生成する文書データ生成工程を備えた文書データ生成方法も提供する。
〔実施例〕
図1は、この発明の文書データ生成装置における主要部分の機能構成を示すブロック図である。
図2は、この文書データ生成装置における文書データ生成処理を示すフローチャート図である。
図3は、文字領域抽出の説明図である。
図4は、単語単位の区切り単位の一例を示す図である。
図5は、透明テキストデータの付加の説明図である。
図6は、透明テキストデータの他の付加例の説明図である。
図7は、透明テキストデータのまた他の付加例の説明図である。
まず、図2のステップ(図中「S」と記載する)1で、図示を省略したスキャナなどの画像読取部で読み取られた画像データを画像入力部1に入力する。
その画像データは、文字情報などを持たない、いわゆるラスタ画像、ビットマップ画像と呼ばれる形式のデータである。
図2のステップ2では、画像入力部1は入力された画像データに対して最初に前処理を施す。
その前処理とは、文字認識処理の精度を向上させるための画像処理であり、エッジ強調や、画像の二値化、向き補正などの処理である。
その文字領域の抽出方法は、例えば、二値化を施した画像データに収縮処理を行い、輪郭線を追跡することによって求まる画素の固まりの外接矩形の大きさから文字領域か否かを判別する技術(例えば、特開2004−64664号公報に記載された技術参照)がある。
例えば、図3に示す画像データの場合、図中矩形枠10で示す文字領域の画像データを抽出する。
その時、文字認識において複数の文字データが認識候補として挙がった場合、それらの文字データを後述のテキストデータ生成に用いる。
例えば、実際には“l”という文字を表す画像であるが、マッチングの結果、類似度が大きい順に“t”“l”“i”“j”…と認識されたとする。
そのうち、ある閾値以上の類似度のものが“t”と“l”であったとすると、認識結果の候補は“t”と“l”である。
その場合、文字認識処理の対象を英語として処理することを要求された場合、空白を検出することで、空白によって区切られた単語単位に分割する。
空白は、文字領域とされた矩形内で、文字連続方向に垂直に走査した場合に画素のないラインがある長さだけ連続した箇所を空白とすることで容易に検出できる。
この処理は、文字領域検出の処理段階で分割を行うようにしてもよい。
例えば、図4に示すように、英文を空白によって区切られた単語単位で分割した場合、図中それぞれ矩形枠11〜18で示すように、“He”“lied”“when”“he”“said”“he”“loved”“me.”の各英単語毎に分割される。
テキストデータ生成部4は、画像データから認識された複数の認識候補の文字データを全て一つのテキストデータオブジェクトに入れるとすると、生成されたテキストデータ中の、連続する文字列全てを検索の対象とすることが可能だが(例えば“Heli”のような検索に対してもヒットさせることができる)、複数の文字認識候補が存在した場合、その候補を用いて対象となる画像全域のテキストデータを生成しなくてはならない。
例えば“l”を“l”と認識した場合のテキストデータを全域で生成し、かつ“l”を“t”と認識した場合のテキストデータを全域で生成しなくてはならない。
逆に、文字の認識結果の複数の候補を、そのまま文字単位でテキストデータとして埋め込むと、例えば、図6では、単語“lied”の各文字“l”“i”“e”“d”について、“l”という文字に対して“t”と“l”の候補があったため両方埋め込むことが出来るが、このように生成されたテキストデータは、“lie”というキーワード検索に対してヒットしない。また、“d”の文字についても“d”と“q”の候補があったため上述と同じ理由でヒットしないキーワードができてしまう。図6の各文字には矩形枠30〜35を付して示す。
空白によって区切られた単位である“lied”領域のテキストデータとして、“lied”領域から文字と認識された候補を組み合わせてテキストデータを生成する。
例えば“l”の文字の認識候補が“t”と“l”であり、“d”の文字の認識候補が“d”と“q”であり、“i”と“e”はそれぞれ正しく認識した文字のみが候補であったとすると、図7に示すように、各候補を網羅的に組み合わせて“tied”“lied”“tieq”“lieq”の4つのテキストデータを生成する。図7の各テキストデータを矩形枠36〜39で示す。
この透明テキストデータは、画像データから認識された文字から成るテキストデータを、文字領域抽出処理もしくは単語への分割処理の際に検出した画像データ中の対応する部分の座標データに対応させて付加(付与)するデータであり、後に、文書ファイルをビューアで表示させた際には、画像データとテキストデータは、表示上ではおなじ場所に異なるレイヤとして存在することになり、画像データの閲覧を妨げないために、テキストデータに透明色の色情報を付与して、透明(非可視データ)にしている。
透明テキストデータ生成部5では、前段で生成されたテキストデータのそれぞれに、文字領域抽出部2から受け取った対応する画像データ中の座標データと、テキストの描画色のデータ、さらに必要に応じてフォントデータなどを加えて透明テキストデータを生成する。上記描画色は通常は透過色にするが、異なる色を割り当てても構わない。また、かすかに見える程度の色にしても同様の効果を有する。
文書ファイル生成部6は、画像入力部1から受け取った最後にラスタ画像である入力の画像データと、透明テキストデータ生成部5から受け取った透明テキストデータを用いて、文書データ中の該当する位置又は近傍に透明テキストデータ(文字コードとしてのベクトルデータ)を埋め込むことによって付加し、文書ファイル(文書データ)を生成する。
例えば、図5に示すように、図中それぞれ矢印11〜18で示すように、“He”“lied”“when”“he”“said”“he”“loved”“me.”の各画像部分の位置又は近傍には、図中それぞれ矩形枠21〜28で示すように、それぞれの認識候補の透明テキストデータが付与(付加)される。
このような構造を持つ文書フォーマットとしてPDFが良く知られている。
このようにして、文字認識確度の低いテキストでも複数の認識候補が付加されているので、文字認識確度の低いテキストの検索精度を高めることができる。
例えば、上述の処理において、所定の区切り単位として、漢字、数字、英字、カタカナ、ひらがなといった文字の属性が変化する箇所を区切り単位にする。
図8は、ひらがなから漢字に文字属性が変化する箇所を区切り単位にした例を示す図であり、図中に矢印40〜42で示すように“寒さ”“忘れる”“詩的空間”の各画像の対応する位置に、図中矩形枠43〜48で示すように、それぞれ透明テキストデータが付加される。
また、漢字からひらがなに変化する箇所も区切りとするのであれば、さらに寒、さ、忘、れる、詩的空間と分割するとよい。
さらに、“る”を“3”と認識する候補が存在した場合には、“れる”というテキストデータに加えて、“れ”+“3”という、異なる区切りによるテキストデータを生成するとよい。
まず、文字認識結果から最も確度が高い認識文字のみを用いて検出された文字領域全体でのテキストデータを生成する。
つまり、図中矢印50で示す画像データ“寒さ忘れる詩的空間”から、図中矩形枠51で示す“寒さ忘れる詩的空間”というテキストデータを生成する。
続いて、複数の認識候補が存在する文字を含むn(nは正の整数)文字単位で、その候補を用いて重複してテキストデータを生成する。
そして、それぞれ画像データ中の座標に対応して透明テキストデータを埋め込む。
さらに、上述の処理は、所定の区切り単位として単語,空白で区切られた単語,属性の異なる文字列,連続するn文字を重複的に区切る単位の他に、行単位,段落単位でも同様にして実施することができる。
これは、辞書に存在しない文字列、例えば“lied”を“lieq”と誤認識するケースを減らせるため、それだけでも認識率を向上させる効果があるが、“lied”を“tied”,“lied”の順に類似度が大きいと誤認識する可能性もある。すなわち、文字認識処理において、予め登録された辞書に登録されていない文字データを除外するのである。
このような辞書をベースに文字列で認識を行う場合は、認識した文字列の候補が複数存在した場合は、それぞれを辞書中でマッチングされた単位で、それぞれテキストデータを生成し、透明テキストデータとして埋め込む。
また、それぞれ画像データの対応する位置に埋め込むため、ユーザがテキスト検索を行う際に、検索結果のハイライト表示を文書中の望ましい位置に行える。
さらに、文字認識候補が複数存在する場合には、テキストデータを重複して埋め込むことになるが、文字認識候補を含む単語や行などの単位でテキストデータを複数生成するため、付与すべきテキストデータをいたずらに増加させないまま、単語や行などの単位での検索をより効率的に行うことができる。
Claims (10)
- 画像データと前記画像データから文字認識した文字データとを含む文書データを生成する文書データ生成装置であって、
前記文字認識において、前記画像データの所定区切り単位で複数の認識候補の文字データが得られた場合、該複数の認識候補の文字データを非可視データにして、前記画像データの対応する所定区切り単位の位置又は近傍に、それぞれ異なるレイヤで付加して文書データを生成する文書データ生成手段を備えたことを特徴とする文書データ生成装置。 - 前記複数の認識候補の文字データに、最も確度の高い文字データが含まれるようにしたことを特徴とする請求項1記載の文書データ生成装置。
- 前記複数の認識候補の文字データから予め登録された辞書に登録されていない文字データを除外する手段を設けたことを特徴とする請求項1又は2記載の文書データ生成装置。
- 前記所定区切り単位は、単語であることを特徴とする請求項1乃至3のいずれか一項に記載の文書データ生成装置。
- 前記所定区切り単位は、空白によって区切られた単語であることを特徴とする請求項1乃至3のいずれか一項に記載の文書データ生成装置。
- 前記所定区切り単位は、属性の異なる文字を区切りとする文字列であることを特徴とする請求項1乃至3のいずれか一項に記載の文書データ生成装置。
- 前記所定区切り単位は、行であることを特徴とする請求項1乃至3のいずれか一項に記載の文書データ生成装置。
- 前記所定区切り単位は、段落であることを特徴とする請求項1乃至3のいずれか一項に記載の文書データ生成装置。
- 前記所定区切り単位は、連続するn(nは正の整数)文字を重複的に区切る単位であることを特徴とする請求項1乃至3のいずれか一項に記載の文書データ生成装置。
- 画像データと前記画像データから文字認識した文字データとを含む文書データを生成する文書データ生成方法であって、前記文字認識において、前記画像データの所定区切り単位で複数の認識候補の文字データが得られた場合、該複数の認識候補の文字データを非可視データにして、前記画像データの対応する所定区切り単位の位置又は近傍に、それぞれ異なるレイヤで付加して文書データを生成する文書データ生成工程を備えたことを特徴とする文書データ生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009056380A JP5353325B2 (ja) | 2009-03-10 | 2009-03-10 | 文書データ生成装置と文書データ生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009056380A JP5353325B2 (ja) | 2009-03-10 | 2009-03-10 | 文書データ生成装置と文書データ生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2010211470A JP2010211470A (ja) | 2010-09-24 |
JP5353325B2 true JP5353325B2 (ja) | 2013-11-27 |
Family
ID=42971563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009056380A Expired - Fee Related JP5353325B2 (ja) | 2009-03-10 | 2009-03-10 | 文書データ生成装置と文書データ生成方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5353325B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5672953B2 (ja) * | 2010-10-26 | 2015-02-18 | 株式会社リコー | 画像処理装置、画像処理方法及び画像処理プログラム |
JP6201686B2 (ja) * | 2013-11-26 | 2017-09-27 | コニカミノルタ株式会社 | テキストデータの埋め込み装置、該装置を備えた画像処理装置、テキストデータの埋め込み方法及び埋め込みプログラム |
JP6070809B1 (ja) * | 2015-12-03 | 2017-02-01 | 国立大学法人静岡大学 | 自然言語処理装置及び自然言語処理方法 |
JP7379876B2 (ja) | 2019-06-17 | 2023-11-15 | 株式会社リコー | 文字認識装置、文書ファイル生成方法、文書ファイル生成プログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0535801A (ja) * | 1991-07-30 | 1993-02-12 | Toshiba Corp | 画像記憶検索装置 |
JP4421134B2 (ja) * | 2001-04-18 | 2010-02-24 | 富士通株式会社 | 文書画像検索装置 |
JP2004078672A (ja) * | 2002-08-20 | 2004-03-11 | Canon Inc | 検索可能な文書フォーマットでのスキャン装置 |
JP2009009307A (ja) * | 2007-06-27 | 2009-01-15 | Canon Inc | 文書画像処理装置及びその方法 |
JP2009020567A (ja) * | 2007-07-10 | 2009-01-29 | Mitsubishi Electric Corp | 文書検索装置 |
JP5090983B2 (ja) * | 2008-03-25 | 2012-12-05 | シャープ株式会社 | 情報処理装置、情報処理方法、情報処理プログラム、及びこのプログラムを記録したコンピュータ読取可能な記録媒体 |
-
2009
- 2009-03-10 JP JP2009056380A patent/JP5353325B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2010211470A (ja) | 2010-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5274305B2 (ja) | 画像処理装置、画像処理方法、コンピュータプログラム | |
US8588528B2 (en) | Systems and methods for displaying scanned images with overlaid text | |
JP5528121B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
JP4251629B2 (ja) | 画像処理システム及び情報処理装置、並びに制御方法及びコンピュータプログラム及びコンピュータ可読記憶媒体 | |
JP5511450B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
JP4854491B2 (ja) | 画像処理装置及びその制御方法 | |
US8412705B2 (en) | Image processing apparatus, image processing method, and computer-readable storage medium | |
US8571359B2 (en) | Image processing device, method and storage medium for storing and displaying an electronic document | |
US20060285748A1 (en) | Document processing device | |
JP2011221701A (ja) | 画像処理装置、画像処理方法、コンピュータプログラム | |
JP4785655B2 (ja) | 文書処理装置及び文書処理方法 | |
JPH0798765A (ja) | 方向検出方法および画像解析装置 | |
JPH10149410A (ja) | ユーザインターフェイスフォームの生成方法 | |
US20150138220A1 (en) | Systems and methods for displaying scanned images with overlaid text | |
CN111401099A (zh) | 文本识别方法、装置以及存储介质 | |
JP2019016350A (ja) | 電子文書における強調テキストの識別 | |
JP5353325B2 (ja) | 文書データ生成装置と文書データ生成方法 | |
JP2008129793A (ja) | 文書処理システムおよび装置および方法、およびプログラムを記録した記録媒体 | |
JP2010061471A (ja) | 文字認識装置およびプログラム | |
JP4983526B2 (ja) | データ処理装置及びデータ処理プログラム | |
JP2008028716A (ja) | 画像処理方法及び装置 | |
JP2013152564A (ja) | 文書処理装置及び文書処理方法 | |
CN108875570B (zh) | 信息处理装置、存储介质和信息处理方法 | |
US9483694B2 (en) | Image text search and retrieval system | |
JP7172343B2 (ja) | 文書検索用プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20120130 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120621 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130411 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130423 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130620 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130730 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130812 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 5353325 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
LAPS | Cancellation because of no payment of annual fees |