JPH0798765A - 方向検出方法および画像解析装置 - Google Patents

Abstract

(57)【要約】 【目的】 画像内の文字ラインの方向の決定を行う。 【構成】 テキストブロックイメージ内のシンボルをエ
ッジ（ライン）で連結することによってグラフを作成し
た後、最短エッジの主要な方向が決定される。ライン内
のシンボルは互いに他のライン内のシンボルに対してよ
りも近接しているため、最短エッジの主要な方向はライ
ンの方向と同一である。最短エッジを得るため、グラフ
からユークリッド最小スパニングツリーを作成する。ユ
ークリッド最小スパニングツリーは、もとのグラフのす
べてのノード（シンボル）を含み、それらのノードをエ
ッジの最短の組によって連結したものである。ユークリ
ッド最小スパニングツリー内での主要なエッジが最短エ
ッジである。どのエッジが主要なものであるかはヒスト
グラムにより決定する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は画像の解釈に関し、特に
文字ラインの方向の決定に関する。

【０００２】

【従来の技術】画像解釈の重要な領域の一つとして、光
学的文字認識が挙げられる。光学的文字認識において
は、シンボルイメージがそのシンボルを表す２進符号に
自動的に翻訳される。光学的文字認識における主要な問
題点は、シンボルの適切な方向の決定である。この問題
は、以下の三つの場合に起こりうる。第一に、光学的文
字認識装置（ＯＣＲ）のユーザが、ＯＣＲの撮像素子の
プラテン上に文字の書かれたページを適切に配置しそこ
なう場合。第二に、ＯＣＲが相異なった方向を有するラ
イン上に書かれたテキストを扱うために用いられる場
合。例えば、英文が書かれたページはそのページの長手
方向にラインが走る横長のスタイルでかかれている場合
もあるが、垂直に書かれたラインがある場合もある。あ
る種の正書法においては垂直のラインを必要とするが、
別の正書法においてはラインは垂直あるいは水平のいず
れでもよい。第三に、単一のページ内に相異なった方向
を有するラインによって占められた複数の区画が存在す
る場合。これらのすべての場合において、ＯＣＲシステ
ムはテキストを構成しているシンボルの解釈を、それら
のシンボルを含んでいるラインの方向を決定してしまわ
ない限りは開始することが出来ない。

【０００３】ラインの方向の決定のための従来技術に係
る技法は、以下の２つに分類される。 １．ラインの公
称方向に関する従前の決定から開始してユーザによって
引き起こされた配置誤差のみを修正しようと試みるも
の。 ２．従前の仮定によらずにラインの方向を決定するも
の。 第一のタイプの技法の一例は、エイチ．エス．ベアード
(H. S. Baird)による「ドキュメント画像のスキュー制
御のための装置およびその方法」という表題の１９９１
年３月１９日発行の米国特許第５，００１，７６６号で
ある。第二のタイプの技法の一例は、エル．オゴルマン
(L. O'Gorman)による「ページレイアウトアナリシス向
けのドキュメントスペクトラム」（１９９２年構造的お
よび文法的パターン認識に関する国際パターン認識ワー
クショップアソシエーション）という表題の論文および
アキヒデ・ハシズメらによる「配列された構成要素の方
向検出方法」（パターン・レコグニション・レターズ(P
attern Recognition Letters)誌、１９８６年４月）と
いう表題の論文に見い出される。

【０００４】

【発明が解決しようとする課題】第一のタイプの技法
は、ＯＣＲシステムが複数のライン方向を有するドキュ
メントを扱う場合には人間の介在を必要とする。従来技
術に係る第二のタイプの技法は、困難な場合には良好に
機能しない。ここでの困難な場合の一例は、複数の連結
成分を有するキャラクタセットによって書かれたドキュ
メントである。この種のキャラクタセットには、（中国
の）漢字、韓国のハングル、およびタイ語などのような
アクセント記号の非常に多いものなどが含まれる。

【０００５】

【課題を解決するための手段】前述の問題点は、本発明
に係る技法によって克服される。本発明に係る技法にお
いては、ＯＣＲシステムが、相異なった方向を有するテ
キストブロックを複数個含むページを自動的に処理する
ことが可能となる。さらに、本発明にかかる技法は、複
数の連結成分を有するキャラクタセットに関しても良好
に機能する。

【０００６】本発明に係る技法においては、その出発点
として、明らかに普遍的な慣例、すなわち、それぞれの
シンボルはそれらが属するライン内の他のシンボルに対
してたのライン内のシンボルに対するよりも近接してい
る、という慣例、を仮定している。本発明に係る技法に
おいては、テキストブロックイメージ内のシンボルをエ
ッジによって連結することによってグラフが作成され、
次いで最短エッジの支配的な方向が決定される。同一ラ
イン上のシンボルは互いに他のライン上のシンボルに対
するよりも近接しているため、最短エッジの支配的な方
向はラインの方向と同一である。最短エッジを得るため
の有効な方法は、グラフからユークリッド最小スパニン
グツリー(Euclidean minimum spanning tree)を構成す
ることである。グラフのユークリッド最小スパニングツ
リーは、もとのグラフのすべてのノード（シンボル）を
含み、それらのノードを取りうる最短のエッジの組によ
って連結したものである。ユークリッド最小スパニング
ツリーにおいて支配的なエッジは最短エッジである。

【０００７】本発明に係る装置および方法のその他の目
的および利点については、以下の実施例に関する記述か
ら明らかとなる。

【０００８】

【実施例】以下、ＯＣＲシステムに関する概説、ＯＣＲ
システムにおける言語依存性の問題についての議論、お
よびその問題点を解決するために本発明において用いら
れる技法、の順に記述される。

【０００９】ＯＣＲシステムの役割は、シンボルイメー
ジをそのシンボルを表現するディジタル符号に翻訳する
ことである。例えば、ＯＣＲは、「Ａ」というイメージ
を、大文字のＡを表すＡＳＣＩＩ符号、０６５、に翻訳
することができる。ＯＣＲシステムは、イメージの作成
およびその解析という２つの主要なコンポーネントを有
している。イメージ作成コンポーネントは、通常、テキ
ストページのビットマップイメージを作成する。解析コ
ンポーネントは、そのページイメージをテキスト領域
に、テキスト領域をラインに、ラインを単語に、および
単語をシンボルイメージに分解する。その後、どのシン
ボルがどのシンボルイメージに対応しているのかを決定
し、そのページが属している文書中のそのシンボルイメ
ージの位置に対応するファイル内の位置にそのシンボル
に対するディジタル符号を配置する。

【００１０】イメージ解析には種々の方法がある。種々
の技法の欠点は、それらが言語に依存していることであ
る。例えば、それら技法の多くは、テキストラインが水
平方向であり、単語がスペースによって分割されてお
り、単語を構成している文字が大部分他の文字とは区分
されているということを仮定している。このような仮定
を採用しているイメージ解析コンポーネントは西洋のア
ルファベットを用いて印刷されたテキストイメージに関
しては良好に機能するが、漢字や韓国のハングルを用い
て印刷されたテキストイメージが供給されるとほとんど
完全に機能しない。明らかに、言語により依存しないＯ
ＣＲシステムが望ましい。ＯＣＲシステム製造者は、世
界中で修正なく用いられるシステムを欲している。利用
者は、人間が介在することなく種々の正書法によって印
刷されたテキストを扱えるシステムを欲している。

【００１１】言語に依存しないＯＣＲシステムを作製す
る上での問題点における重要な部分は、イメージ内のテ
キストラインがどの方向を有しているかを決定すること
である。例えば、中国語のテキストが水平ではなく垂直
に書かれていることを決定できなければＯＣＲシステム
は機能しない。テキストラインがどの方向を向いている
かを決定することは、他の場合においても重要である。
テキストラインの方向を決定できるＯＣＲシステムは横
長に（すなわち、テキストラインがそのページの長手方
向に配置されている）印刷されたテキストを読み取るこ
とが可能であり、ＯＣＲのイメージ生成部分上でのペー
ジの配置のずれを修正することが可能である。

【００１２】ライン方向自動決定の問題点に対する本発
明に係る解決法は、その出発点として、タイプセットに
係る明らかに汎用の慣習、すなわち、文字はテキストラ
イン間ではなくテキストライン内にしっかりと印刷され
ている、という慣習に則っている。この慣習により、中
国語を全く知らない人でも図２に示された中国語のテキ
スト２０１内のライン２０２が垂直方向であることを容
易に決定できる。本発明に係る方法においては、イメー
ジにおける連結成分間の距離関係を調べることによって
上記慣習を活用している。本発明に係る技法において
は、ワーストケースの漸近実行時間としてのＯ（ｎ ｌ
ｏｇ ｎ）を達成するために、計算幾何アルゴリズムが
用いられる。ここで、ｎは、ブロックイメージにおける
黒色の連結成分の数である。

【００１３】図３は、本発明を用いたＯＣＲ内のイメー
ジアナライザ３０１において実行されるステップを示し
た流れ図である。本発明に係る技法は、８連結成分がイ
メージ内で配置され（ブロック３０５）、ずれに対する
修正がなされ（ブロック３０７）、イメージがテキスト
ブロックに分割された（ブロック３０９）後に、ブロッ
ク３１１において適用される。本発明のより望ましい実
施例においては、イメージのテキストブロックへの分割
に関してずれの修正が必要とされる。他の実施例におい
ては、ずれの修正はライン方向が決定された後まで遅ら
される。８連結成分を配置する技法、ずれを修正する技
法、およびイメージをテキストブロックに分割する方法
は、当業者には公知である。例えば、エイチ．ベアード
による「多用途ページリーダの解剖」（プロシーディン
グス・オブ・ジ・アイ・トリプル・イー(Proceedings o
f the IEEE)第８０巻第７号第１０５９−１０６５ペー
ジ（１９９２年７月））という表題の記事を参照。本発
明に係る技法がこの時点で適用されるため、この方法は
テキストラインがイメージ内の相異なった部分において
相異なった方向を有するようなイメージに対しても用い
られうる。このような特徴を有するテキストは日本語お
よび中国語において一般的であり、他の言語においても
見い出されうる。

【００１４】本発明に係る技法は、その入力として、テ
キストラインの方向が決定されることになるブロックに
おける連結成分のリストを必要とする。より望ましい実
施例においては、連結成分に関するリストエレメントは
２つの項目、すなわち、イメージ内での連結成分の位置
を表すバウンドボックスおよび連結成分の領域（連結成
分内の黒ピクセルの数）、を有している。連結成分に関
して本発明に係る技法が依拠する唯一の仮定は、正書法
においては文字が原則として互いに連結していない（例
えば、日本語、中国語、ハングルなど）、というもので
ある。正書法において文字が単一のグリフ(glyph)であ
ることあるいはシンボルがラインに関して特定の方向に
あることは必要としない。例えば、本発明に係る技法
は、直立した文字を有し上から下に読む英語の縦書きラ
インおよび本来横書きにされるべきテキストによる縦書
きライン（すなわち、ページを９０゜回転して水平方向
に読まれるべきライン）に関しても良好に機能する。

【００１５】本発明に係る技法におけるステップは、 １．非常に小さい連結成分および非常に大きい連結成分
を濾波 ２．残存する成分を平面内の点として理想化 ３．これらの点からなるすべての対を連結することによ
って規定される方向性の無いグラフのユークリッド最小
スパニングツリー（ＥＭＳＴ）を作成 ４．ＥＭＳＴ内のエッジの分布の解析により水平、垂直
あるいは不定を決定 である。

【００１６】第一のステップにおいては、予測される点
のサイズのラフな推定に基づいて、文字であるにははる
かに大きすぎるあるいは小さすぎる断片を無視する。こ
のことにより、ページの境界や左右両ページの間の隙間
に沿った汚れた断片のラインなどの空間的に相関を有す
る小さなノイズによって引き起こされる問題を低減する
ことができる。

【００１７】第二のステップにおいては、各連結成分が
平面内の単一の点に還元される。本発明に係る技法にお
いては、そのバウンドボックスの中心が用いられる。こ
れらの点は、完全連結無向グラフにおける頂点を規定す
る。グラフのエッジが、それらのエッジによって連結さ
れた点の間の距離によってラベリングされる。以下に示
されているように、完全連結グラフを実際に構成する必
要はない。

【００１８】本発明に係る技法における計算の大部分は
ステップ３によるものである。目的は、完全連結グラフ
からユークリッド最小スパニングツリーを構成すること
である。スパニングツリーはグラフ中のすべての頂点を
連結するが、完全グラフよりもより少ない数のエッジを
有している。スパニングツリーは、スパニングツリー内
のエッジが表現している距離の総和がその総和の最小値
である場合にユークリッド最小スパニングツリーと呼ば
れる。ＥＭＳＴは、テキストライン間の成分を連結する
いくつかのエッジを有するが、同一のテキストライン内
の頂点（すなわち連結成分）を連結する傾向がある。

【００１９】次いでテキストラインの推定は、ＥＭＳＴ
内のエッジの主たる方向を見い出す問題となる。本発明
のより好ましい実施例においては、エッジがツリーに追
加されるものとして、エッジの方向を０゜から１８０゜
の範囲で大まかなヒストグラムとして管理している（後
述）。本発明のより望ましい実施例においては、ヒスト
グラムが完成すると、最大エネルギーが含まれているカ
ラムを見い出すために当該ヒストグラムの掃引がなされ
る。０゜付近に中心を有するウィンドウ内に充分なエネ
ルギーが含まれている場合は、テキストが水平方向のテ
キストラインを有するように構成されていると決定され
る。同様に、前記ウィンドウが９０゜付近に中心を有す
る場合には、垂直方向のテキストラインが仮定される。
それ以外の場合には、本発明に係るアルゴリズムは「不
定」を返す。この技法がスキューに関して寛容であるこ
とに留意されたい。なぜなら、エッジが正確に水平方向
あるいは垂直方向を向いていることを要求しないからで
ある。実際、テキストが水平方向あるいは垂直方向を向
いているものとして企図されている場合には、当該技法
はスキューを検出してそれを修正するためにも用いられ
うる。

【００２０】ブロックの方向が決定されると、ブロック
内のラインが配置され（３１３）、そのピッチが推定さ
れ（３１５）、ライン内の文字が配置され（３１７）、
ライン内の語が配置され（３１９）、そして文字が分類
されて対応するディジタル符号が生成される（３２
１）。ループ３２３によって示されているように、ステ
ップ３１１−３２１は各テキストブロックに関して反復
される。ステップ３１３−３２１を実行する技法は当業
者には公知である。本明細書に記載されている、テキス
トブロック中のラインの方向を決定する技法を採用する
ＯＣＲにおいては、ステップ３１５から３２１までのす
べてのステップが水平方向を有するラインと垂直方向を
有するラインの双方に関して機能する。ＯＣＲシステム
においては、テキストは、それぞれの言語における論理
的な読み取り順序に従って管理される。システムの出力
は、ＯＣＲによって読み取られる本来の素材の方向すな
わち読み取り方向には関りなく、前記読み取り順序に則
っている。

【００２１】ＥＭＳＴの効率的な生成のためのスターテ
ィングポイントは、計算幾何学の領域においては公知の
２つの構造である。そのうちの第一のものは、図１に１
０１として示されているボロノイ図である。平面内の点
の組に対するボロノイ図は、各点ｐ_i１０３に対して、
他のあらゆる点よりもｐ_iに近接した点の位置を規定す
る領域が存在するように、領域１０５を分割することに
よって生成される。領域は直線エッジ１０７によって規
定される。

【００２２】点の組に対するデローネイ三角網は、当該
点の組に対するボロノイ図からエッジを共有する領域の
点の組を連結することによって生成される。ボロノイ図
１０５に対するデローネイ三角網は１０７に示されてい
る。

【００２３】デローネイ三角網はＥＭＳＴのすべてのエ
ッジを有しており、（平面性から）総数で（３ｎ−６）
個以下のエッジを有している。このため、（ｎ²−ｎ）
／２個のエッジを有する完全連結グラフのＥＭＳＴを見
い出す問題が、（３ｎ−６）個以下のエッジを有するデ
ローネイ三角網のＥＭＳＴを見い出すことに簡略化され
る。ボロノイ図およびデローネイ三角網を計算するアル
ゴリズムは過去２０年にわたって研究されてきている。
アルゴリズミカ(Algorithmica)誌に掲載されたエス．フ
ォーチューン(S. Fortune)による論文「ボロノイ図に対
するスイープラインアルゴリズム」において記述されて
いる漸近的高効率アルゴリズムにおいてはスイープライ
ン技法が用いられ、平面内のｎ個の点の組に対するデロ
ーネイ三角網がＯ（ｎ ｌｏｇ ｎ）の時間内に生成され
る。このアルゴリズムは記憶領域に関しても効率的であ
り、わずかＯ（ｎ）個の記憶領域のみしか必要としな
い。

【００２４】デローネイ三角網からＥＭＳＴを見い出す
ためのアルゴリズムは、チェリトン(Cheriton)およびタ
ージャン(Tarjan)による「最小スパニングツリーの見い
出し」という表題の論文（ＳＩＡＭジャーナル・オブ・
コンピューティング(SIAM Journal of Computing)誌第
５巻第４号（１９７６年１２月））に与えられている。
このアルゴリズムにおいては、単一のツリー（ＥＭＳ
Ｔ）が残るまでマージされるサブツリーよりなるフォー
レストを表現するデータ構造体が用いられる。前掲の論
文においては、さらに、デローネイ三角網に対して適用
された場合にＥＭＳＴがｎに対してリニアな時間内に見
い出されうるようにサブツリーを選択するためのストラ
テジーも提案されている。サブツリーの最初のキューは
頂点のリストであり、よって、このアルゴリズムにおい
て必要とされる記憶領域がＯ（ｎ）であることは容易に
示されうる。

【００２５】よって、Ｏ（ｎ ｌｏｇ ｎ）の時間内で計
算され、Ｏ（ｎ）の記憶領域のみしか必要としないＥＭ
ＳＴアルゴリズムが与えられることになる。

【００２６】図１０は、オリジナルのグラフのデローネ
イ三角網が本発明のより望ましい実施例において表現さ
れる様子を示した図である。三角網データ構造体１００
１は、エンドポイントデータ構造体１００３とエッジデ
ータ構造体１００５とから成り立っている。フィルタリ
ングの後に残存する各々の連結成分に対してエンドポイ
ントデータ構造体１００３が存在し、三角網における各
々のエッジに対してエッジデータ構造体１００５が存在
する。エンドポイントデータ構造体は連結リストに構成
され、そのエンドポイントを他のエンドポイントに対し
て連結している各々のエッジに対するエッジデータ構造
体１００５へのポインタが各々のエンドポイントデータ
構造体内に存在している。エッジデータ構造体それ自体
は連結リストとして構成されている。よって、エンドポ
イントデータ構造体１００３（ａ）とエンドポイントデ
ータ構造体１００３（ｂ）の双方は、これらのエンドポ
イントデータ構造体によって表現される点を連結するエ
ッジに対するデータ構造体１００５へのポインタを有す
ることになる。

【００２７】図１０には、エンドポイントデータ構造体
１００３とエッジデータ構造体１００５の内容も示され
ている。エンドポイントデータ構造体１００３は、エン
ドポイント１００３によって表現されるポイントのｘお
よびｙ座標であるポインタ１００７、連結成分リスト内
で連結されている成分へのポインタであるｃｃポインタ
１００９、連結成分の領域である領域１０１１、およ
び、当該ポイントに対して連結された各々のエッジに対
するエッジリストエントリ１０１３を含んでいる。エッ
ジリストエントリ１０１３は、そのエッジに対するエッ
ジデータ構造体１００５へのポインタである。エッジデ
ータ構造体１００５は４つのポインタ、すなわち、その
エッジによって連結された点に対するエンドポイントデ
ータ構造体へのポインタ１０１５および１０１７、およ
びエッジデータ構造体を連結リストへリンクする直前ポ
インタ１０１９および直後ポインタ１０２１、を有して
いる。本発明のより望ましい実施例においては、エッジ
の長さおよび方向は、エッジデータ構造体１００５によ
って表現されるエッジによって連結されたポイントに対
するエンドポイントデータ構造体におけるポインタ１０
０７のｘおよびｙ座標から計算される。

【００２８】ＥＭＳＴの計算以外の技法は、ブロックの
コンポーネントを連結することによって生成されたグラ
フのどのエッジがラインの方向決定に関して重要かを決
定するために用いられうる。ｋ最近接点(k-nearest nei
ghbors；ｋ−ＮＮ）法は、パターン認識において長年用
いられてきた技法である。本発明に係る技法の第３ステ
ップにおいてＥＭＳＴを見い出す代わりに、各々のポイ
ントに対してｋ−ＮＮを見い出し、第４ステップにおい
てこれらのエッジの分布を調べることができる。

【００２９】この技法に関する実験により、ｋ＝１では
充分な情報が得られず、ｋ≧４ではほとんど別のテキス
トラインを連結しているエッジのために余りにも多くの
データが供給されてしまうということが示されている。
ｋ＝２あるいはｋ＝３を選択すると大部分の場合におい
てＥＭＳＴを計算するのと同様のもっともな結果が得ら
れた。興味深いことには、均等に配置されたアルファベ
ットによるテキストに関してはＥＭＳＴを計算すること
がよりよい結果をもたらした。ｋ−ＮＮ法では、互いに
接触した文字による広範に連結成分からの大きな寄与の
ためにテキストラインが交差してしまうように見える。
これらのことは、ＥＭＳＴ技法の強みを示している。

【００３０】エッジ方向の分布の解析は、ヒストグラム
を用いて実行される。本発明のより望ましい実施例にお
いては、ヒストグラムは０゜から１８０゜の間で５゜間
隔で代表値を有している。この技法がずれを検出するた
めに用いられる場合には、より小さな間隔が用いられな
ければならない。最も単純な方法は各々の代表値に対す
るカウンタをＥＭＳＴにおいてその代表値を有するエッ
ジが見い出される度にインクリメントすることである
が、実験から、代表値の表す方向を有するエッジによっ
て連結された連結成分の面積の総和（すなわち連結成分
内の黒ピクセルの数）をその代表値に対して加算する方
がカウンタをインクリメントするよりも有用であること
がわかっている。このようにすることによって、種々の
方向を向いたエッジが生成されがちなシンボル末端部の
分布に対する影響を低減することができる。主要な方向
を決定するために、各々の代表値に対する”エネルギ
ー”が計算される。ヒストグラムの代表値ｉに対するエ
ネルギーは（ｂ_i／Σ_jｂ_j）²によって規定される。ここ
で、ｂ_iは代表値ｉにおける値である。このようにする
ことによって、ヒストグラムのピークを鋭くし、ノイズ
をなまらすことができる。

【００３１】本発明のより望ましい実施例においては、
ラインの方向が水平、垂直、あるいは不定であるかがヒ
ストグラムから以下のように決定される。すなわち、±
２０゜のウィンドウでヒストグラムを掃引し、単一のウ
ィンドウ内で６５％のエネルギーが含まれている場合に
そのラインの方向がそのウィンドウに対応する値を有し
ている決定する。

【００３２】以下、本発明に係る技法を、中国語、ハン
グル、および英語に対して適用した場合の実例が記述さ
れる。図２の２０１は漢字で書かれた中国語のテキスト
ブロックを示している。テキストは行２０２を有するよ
うに構成されている。ブロック２０１に対するＥＭＳＴ
のエッジは、２０３で示されたようなものとなる。これ
より明らかなように、垂直エッジが主要なものである。
この印象は、９０゜の回りに鋭いピークを有するヒスト
グラム２０７によって確認される、すなわち、このテキ
ストが縦書きであることが確認される。ここで、単語が
スペースによって区切られていないという事実が本発明
の適用を何ら困難にしてはいないということに留意され
たい。

【００３３】図４は、本発明を横書きのハングルに対し
て適用した場合を示している。ハングルは、朝鮮語を書
き表すために用いられる文字である。ハングルはわずか
２４の文字のみを有しており、それらが２次元的に組み
合わされて４０３のような複合ハングルシンボルを構成
している。各々の複合シンボルは、概してその音節（シ
ラブル）に対応している。シラブルを構成している個別
の文字はしばしば分離しており、複数の連結成分とみな
される（シンボル４０３を参照）。単語はスペース４０
５によって分離されており、複合シンボルはシラブルで
あるので、単語は（複合シンボルに関して）短くなる。
このため、テキストライン間の距離と同程度の、比較的
多くの単語間ギャップが生じる。

【００３４】４０７はテキストブロック４０１を表現す
る完全連結グラフに対するデローネイ三角網である。三
角網４０７は４７３個のエッジを有している。一方、完
全接続グラフは１３０００以上のエッジを有している。
対応するＥＭＳＴは４０９に示されている。水平エッジ
が主たるものではあるが、垂直エッジも可成多く存在す
る。ＥＭＳＴ４０９に対するヒストグラム４１１はこの
印象を裏付けている。これには、９０゜付近にピーク４
１５、そして０゜付近により大きなピーク４１３が存在
する。ヒストグラム４１１の７２％以上のエネルギーが
ピーク４１３に含まれており、従って、本発明に係る方
法においては、ラインは水平方向であると決定されるが
それは正しい決定である。

【００３５】図５は、本発明に係る方法を英語のテキス
トブロック５０１に適用した場合を示している。右揃え
と単一ピッチフォントのために、不揃いの単語間ギャッ
プ５０３が生じている。このテキストブロックに対する
ＥＭＳＴは５０５に示されているものであり、ヒストグ
ラムは５０７に示されている。大きな単語間ギャップの
ためにテキストライン間エッジの比率が上昇している
が、英単語の長さに起因するオフセットが存在する。Ｅ
ＭＳＴ５０５の方向は明らかに水平方向が主であり、ヒ
ストグラム５０７のエネルギーのうちの８０％が０゜付
近のウィンドウ内のピーク５０９に含まれている。よっ
て、本発明に係る技法により、テキストラインが横書き
であるという正しい決定がなされたことになる。

【００３６】図６は、本発明に係る技法が、テキストラ
インの方向が不定であると決定するような場合を示した
図である。ＯＣＲのページセグメンテーションアルゴリ
ズムによって生成されたブロック６０１は、漫画と斜め
に書かれたキャラクタラインとを有している。（本発明
に係るＯＣＲシステムにおいては、テキストと非テキス
トとの分離は、この段階までは試みられない。）対応す
るＥＭＳＴおよびエッジヒストグラムはそれぞれ６０３
および６０５である。この例はフィルタリングステップ
がとりわけ効果的な場合である。なぜなら、このステッ
プにより、非常に大きな連結成分が取り除かれるからで
ある。最大エネルギーを有するウィンドウは６０゜付近
に中心を有するものであり、４５％のエネルギーが含ま
れている。本発明に係る技法においては「不定」という
決定がなされ、このブロックをどのように扱うかの決定
はより高次の制御に任される。

【００３７】本発明に係る技法は、公称では離散したシ
ンボルを有する正書法を用いて書かれた１００ページ以
上のテキストよりなるデータベースに関してテストさ
れ、さらに離散していないシンボルを有する正書法を用
いて書かれたテキストに対してもテストされた。

【００３８】テストに用いられたデータベースは、中国
語、デンマーク語、英語、日本語、朝鮮語、ロシア語、
シンハラ語、タイ語、チベット語、ウクライナ語、ベト
ナム語、さらにイディッシュ（欧米のユダヤ人が使う言
葉）によって書かれたテキストを含んでいた。ページ
は、複合した、複数のカラムを有するレイアウト（例え
ば新聞）を有するように選択された。表データおよび線
画を有するページも受容された。図７は、本発明に係る
ページセグメンテーションアルゴリズムによって生成さ
れたすべてのブロックに関する結果をまとめた混同マト
リックスである。各々の列が与えられた方向を有するラ
インを持つブロックの総数を示している。例えば、水平
方向を有するラインを持つブロックは８０１あったこと
になる。各々のブロックに対する正しい方向は手作業に
よって決定された。”不定”という解答は、ノイズある
いは非テキスト領域の断片よりなるブロックが本発明に
係るアルゴリズムに対して与えられた場合に期待される
結果である。

【００３９】垂直方向の行は、本発明に係るアルゴリズ
ムによって推論された方向を示している。よって、８０
１の水平ブロックに関しては、本発明に係る技法は、７
６２ブロックが水平方向のテキストラインを有している
と決定し、５ブロックが垂直ラインを、そして３４ブロ
ックが不定であると推論したことになる。結局、本発明
に係る技法により、９５％以上の正答が得られたことに
なる。垂直であると誤って判断された不定ブロックの大
部分は実際は左右の余白にノイズのみを含むものであっ
た。これらのブロックは縦方向に長くかつ狭くなり、９
０゜付近の方向を有するＥＭＳＴエッジが生成されてし
まう。本発明に係るアルゴリズムが不定であると判断し
た水平ブロックの多くは、表データよりなる狭いカラム
を有するものであった。各々のテキストラインにわずか
の文字しか有さない場合のＥＭＳＴエッジは、テキスト
ラインを結ぶエッジに対して優位ではなくなってしま
う。

【００４０】ノイズ、表データ、および双方の方向を有
する稀な場合を無視すると、１００ページのイメージ内
に６３８の水平方向ブロックおよび４４７の垂直方向ブ
ロックが存在していた。これらの間ではテキストライン
方向の混同はなかったが、８個の水平ブロックおよび１
個の垂直ブロックが不定と判断された（８個の水平ブロ
ックに関するエラーのうち、７つが朝鮮語のテキストで
あった）。全体として、本発明に係る技法は、ノイズの
無い、表データを含まないテキストブロックに対して
は、９９％の正答を与えた。

【００４１】本発明のより望ましい実施例においては、
各々の文字が互いに離れているような正書法がターゲッ
トとされている。本発明に係る技法は、単語を構成して
いる文字が通常連結されているようなアラビア語および
デーヴァナーガリーで書かれたネパール語に関してもテ
ストされた。当該技法はアラビア語に関しては適用可能
な程度の結果を出したが、ネパール語に関してはうまく
機能しなかった。デーヴァナーガリーに関しては、連結
されたユニットがアラビア語よりも長く、ユニット間に
よりスペースが多い。このような状況でより効果的に機
能させるようにする一つの方法は、結ばれたボックスの
中心間のユークリッド距離ではなく、ボックス間の距離
をエッジのラベルとして用いることである。

【００４２】本発明のより望ましい実施例においては、
本発明に係る技法は、単一方向を有するブロックを与え
るページセグメンテーションアルゴリズムに完全に依拠
している。ページセグメンテーションにより混合された
方向を有するブロックが生成された場合には、本発明に
係る技法は主要な方向を示すか、あるいはせいぜい不定
という表示を与える。この問題を克服する一つの方法
は、すべてのテキストが同一の方向を有しているかを確
認するためにＥＭＳＴの構造を解析し、必要な場合には
テキストブロックを分割することである。

【００４３】図８は、本発明を適用したＯＣＲ８０１の
ブロック図である。ＯＣＲ８０１は、イメージメーカー
８０５において文書８０３を受容し、文書８０３のイメ
ージを生成する。イメージ８０７はイメージアナライザ
８０９に送られ、イメージアナライザ８０９は文書８０
３におけるシンボルを表現するディジタル符号（コー
ド）８２５を生成する。イメージアナライザ８０９のコ
ンポーネントとして方向検出器８１３が備えられてい
る。方向検出器８１３は、イメージアナライザ８０９か
らイメージ８０７中のテキストブロックの連結成分リス
トを受信し、当該適すとブロック内のラインの方向に関
する表示８２３を返す。本発明のより望ましい実施例に
おいては、この表示は、テキストブロック内のラインの
方向が水平であるか、垂直であるか、あるいは不定であ
るかを示す。方向検出器８１３には、リスト８１１から
テキストライン中のシンボルとしては余りにも大きいあ
るいは余りにも小さいと思われる連結成分を除去するこ
とによってフィルタリングされたリスト８１６を生成す
るフィルタ８１５、フィルタリング済みのリスト８１６
からデローネイ三角網８１８を生成するグラフメーカー
８１７、デローネイ三角網８１８からＥＭＳＴ８２０を
生成するユークリッド最小スパニングツリーメーカー８
１９、およびＥＭＳＴ８２０内の主要なエッジの方向を
検出してエッジ方向表示８２３を生成するエッジ方向検
出器８２１が含まれている。本発明のより望ましい実施
例においては、リスト８１１、フィルタリングされたリ
スト８１６、デローネイ三角網８１８、ＥＭＳＴ８２
０、および方向表示８２３はすべてコンピュータシステ
ムのメモリ内にストアされるデータ構造体としてインプ
リメントされており、フィルタ８１５、グラフメーカー
８１７、ＥＭＳＴメーカー８２０、およびエッジ方向検
出器８２１は前記コンピュータシステムによって実行さ
れるプログラムとしてインプリメントされている。

【００４４】図８に示されているように、イメージアナ
ライザ８０９は従来技術に係る光文字認識システムにお
いて用いられている。しかしながら、イメージアナライ
ザ８０９によって処理される画像は他のソースからも与
えられうる。この種のソースのうちの一つはＦＡＸマシ
ンであり、イメージアナライザ８０９はＦＡＸ送信され
た文書における文字に対する符号８２５を生成するため
に用いられうる。このような、ＦＡＸから符号８２５へ
の翻訳は種々の利点を有している。ＦＡＸがコンピュー
タシステムにおいて保持されるべき場合には必要とされ
るストレージ領域が低減される。また、符号８２５に翻
訳されたテキストは検索されることも可能であり、さら
に編集されたり、テキストデータベースに組み込まれる
ことも可能である。

【００４５】イメージが符号８２５内のテキストにひと
たび変換されてしまうと、符号は文字−音声コンバータ
へ入力されうる。すなわち、イメージが読み上げられる
ことになる。図９は、この種のイメージリーダ９０１の
ブロック図である。イメージ８０７は従前の通りイメー
ジアナライザ８０９への入力であり、イメージアナライ
ザ８０９は同様に方向検出器８１３を有している。符号
８２５は、この符号から音声９０７を生成する文字−音
声コンバータ９０３に対する出力となる。イメージリー
ダ９０１は、複数個の言語による文書も取り扱うことが
ある。その場合には、文字−音声コンバータ９０３は相
異なった言語に対するコンバータを有していることが必
要であり、言語表示９０５が文字−音声コンバータ９０
３に対してそのテキストがどの言語であるかを示すため
に供給されなければならない。言語表示９０５のソース
はイメージリーダ９０１のユーザかあるいはイメージア
ナライザ８０９である。イメージアナライザ８０９は、
用いられているシンボルの形態から、あるいはラテンア
ルファベットのような複数の言語にわたって用いられる
シンボルを用いた正書法の場合には発音区別符号の存在
や語彙等から、言語を決定することが可能である。イメ
ージリーダ９０１は、視覚障害者あるいはその言語を知
らない人に対してももちろん有用ではあるが、イメージ
および符号８２５のいずれもが受け手に対して直接提供
されえない場合にも有用である。

【００４６】この種の状況の一例は、通常の電話は有し
ているがＦＡＸを有さない人に対して文書がＦＡＸされ
る必要がある場合である。インテリジェント交換システ
ムを有する有する電話会社はＦＡＸ読み上げサービスを
提供することが可能である。この種のサービスにおいて
は、ＦＡＸマシンのユーザは、８００番号のようなＦＡ
Ｘ読み上げサービスに関する特定の電話番号をダイアル
し、次いでＦＡＸが読み上げられることになる相手の電
話番号をダイアルする。イメージリーダ９０１がＦＡＸ
された文書の言語を決定できない場合には、ＦＡＸマシ
ンのユーザは文書の言語を示す符号をダイアルする。ユ
ーザはその後文書をＦＡＸマシンに入力する。イメージ
を受信すると、イメージリーダ９０１はそれを前述の様
式で符号８２５に翻訳し、当該符号をストアする。その
後、電話システムは当該ＦＡＸが読み上げられるべき相
手の番号を自動的にダイアルし、連結がなされると前記
コードを文字−音声コンバータ９０３に供給して音声９
０７を当該連結を介して相手方に出力する。その他の変
形ももちろん可能である。例えば、相手方の電話番号が
音声メールボックスの番号である場合もあり、相手方が
音声メールを見るために通話をしてきた場合には、符号
８２５はその時点で文字−音声コンバータ９０３に供給
される。

【００４７】以上の説明は、本発明の一実施例に関する
もので，この技術分野の当業者であれば、本発明の種々
の変形例が考え得るが、それらはいずれも本発明の技術
的範囲に包含される。本発明に係る技法はテキストライ
ンの正しい方向の検出に限定されているものではなく、
ラインを構成している構成物間の距離が通常ライン間の
距離よりも短いようなあらゆる場合に対して用いられう
る。当該技法は、テキストブロック内のラインの方向を
検出するスキュー検出技法と共に、あるいは当該技法の
みでスキュー検出のために用いられうる。さらに、本発
明のより望ましい実施例においてはユークリッド最小ス
パニングツリーが構成されて当該ユークリッド最小スパ
ニングツリーのエッジからラインの方向が決定された
が、ラインの方向の決定を行うべきグラフを生成するた
めには他の技法も用いられうる。さらに、本明細書にお
いては、本発明に係る技法がある一つのタイプのＯＣＲ
システムにおいてどのように用いられうるかが示されて
きたが、当該技法の利用はこのタイプのＯＣＲシステム
に限定されているものではない。それどころか、前述さ
れているように、当該技法は構成物のラインあるいはカ
ラムの検出が必要とされるあらゆる種類のイメージ解析
システムにおいて有用である。

【００４８】

【発明の効果】以上述べたごとく、本発明によれば、従
来技術に係るＯＣＲにおける問題点を解決する装置およ
び方法が提供される。

【図面の簡単な説明】

【図１】ポイントの組に関するボロノイ(Voronoi)図お
よび当該ボロノイ図から導出されたデローネイ(Delauna
y)三角網を示す図である。

【図２】漢字によって書かれたテキストに対する本発明
の適用例を示す図である。

【図３】本発明を利用するＯＣＲにおいてなされる処理
を示した流れ図である。

【図４】ハングルによって書かれたテキストに対する本
発明の適用例を示す図である。

【図５】英字によって書かれたテキストに対する本発明
の適用例を示す図である。

【図６】支配的な方向を有しないテキストに対する本発
明の適用例を示す図である。

【図７】本発明の性能を示す混同図表である。

【図８】本発明に係る技法を利用する画像解析システム
を示すブロック図である。

【図９】画像読み取りシステムにおいて画像解析システ
ムが用いられる様子を示す図である。

【図１０】本発明のより望ましい実施例においてグラフ
を表現するために用いられるデータ構造を示す図であ
る。

【符号の説明】

８０１ ＯＣＲ ８０５ イメージメーカー ８０９ イメージアナライザ ８１３ ライン方向検出器 ８１５ フィルタ ８１７ グラフメーカー ８１９ ＥＭＳＴメーカー ８２１ エッジ方向検出器 ９０３ 文字−音声コンバータ １００３ エンドポイントデータ構造体 １００５ エッジデータ構造体

Claims (24)

【特許請求の範囲】
1. 【請求項１】 画像中の構成要素よりなるラインの方向
   を決定する方法において、 前記構成要素をエッジで連結してグラフを生成するグラ
   フ生成ステップと、 前記グラフの最小スパニングツリーを計算するステップ
   と、 前記最小スパニングツリーの前記エッジの主要な方向か
   ら前記ラインの方向を決定するライン方向決定ステップ
   とからなることを特徴とする方向検出方法。
2. 【請求項２】 前記グラフ生成ステップが、 前記構成要素を点に還元するステップと、 前記点を前記エッジで連結するステップとからなること
   を特徴とする請求項１の方法。
3. 【請求項３】 前記グラフを生成する前に非常に大きい
   構成要素および非常に小さい構成要素をふるい落とすス
   テップをさらに有することを特徴とする請求項１の方
   法。
4. 【請求項４】 前記ライン方向決定ステップが、前記方
   向が垂直方向であるか、水平方向であるか、あるいは不
   定であるかを決定することを特徴とする請求項１の方
   法。
5. 【請求項５】 前記グラフ生成ステップが、前記エッジ
   によって連結された前記構成要素の前記画像内での距離
   に従って前記エッジをラベリングするステップを含むこ
   とを特徴とする請求項１、２、３、または４の方法。
6. 【請求項６】 前記ライン方向決定ステップが、 前記最小スパニングツリーの前記エッジの前記方向の範
   囲に対する代表値を有しかつ各代表値に関してそれぞれ
   の代表値に対応する範囲内の方向を有するエッジの数を
   最低限規定するヒストグラムを生成するヒストグラム生
   成ステップと、 前記ヒストグラムから前記ラインの方向を決定するステ
   ップとを有することを特徴とする請求項１、２、３、ま
   たは４の方法。
7. 【請求項７】 前記ヒストグラム生成ステップが、前記
   エッジによって連結された前記構成要素の面積に従って
   前記エッジの方向に関する前記代表値に対する各エッジ
   の寄与を修正するステップを有することを特徴とする請
   求項６の方法。
8. 【請求項８】 前記ライン方向決定ステップが、前記ヒ
   ストグラムにおけるピークを鋭くしかつノイズを減衰さ
   せるピーク先鋭化ステップを有することを特徴とする請
   求項６の方法。
9. 【請求項９】 前記ピーク先鋭化ステップが、ｈを前記
   ヒストグラムにおける前記代表値の個数とする時、前記
   ヒストグラムの代表値ｂ_iにおけるエネルギーを（ｂ_i／
   Σ_j=1 ^j=hｂ_j）²で定義するステップを有することを特徴
   とする請求項８の方法。
10. 【請求項１０】 前記ライン方向決定ステップが、さら
    に、前記ヒストグラムにおける総エネルギーのうちのあ
    る方向に対するものが所定のしきい値以上であるような
    方向が存在しない場合には前記方向が不定であると決定
    するステップを有することを特徴とする請求項９の方
    法。
11. 【請求項１１】 前記構成要素が手書き文字であること
    を特徴とする請求項１、２、３、または４の方法。
12. 【請求項１２】 前記手書き文字が複数の連結成分を有
    することを特徴とする請求項１１の方法。
13. 【請求項１３】 前記方法の各ステップが、各手書き文
    字をディジタル符号に割り当てるシステムにおいて実現
    されることを特徴とする請求項１１の方法。
14. 【請求項１４】 前記システムが、さらに、前記手書き
    文字を表現するディジタル符号を音声に変換することを
    特徴とする請求項１３の方法。
15. 【請求項１５】 前記方法が、前記手書き文字が前記ラ
    インに対して所定の方向を有することを必要としないこ
    とを特徴とする請求項１１の方法。
16. 【請求項１６】 複数の連結成分を有するシンボルより
    なるラインの方向を検出する方法において、 前記連結成分をエッジによって組み合わせてグラフを作
    成するステップと、 前記エッジの方向を決定するステップと、 前記シンボルよりなる前記ラインの方向を前記エッジの
    前記方向から決定するステップとからなることを特徴と
    する方向検出方法。
17. 【請求項１７】 画像内の構成要素からなるラインの方
    向を決定するライン方向決定手段（８１３）を有する画
    像解析装置において、前記ライン方向決定手段が、 グラフを作成するために前記構成要素をエッジで連結す
    る手段（８１７）と、 前記グラフの最小スパニングツリーを計算する手段（８
    １９）と、 前記ラインの方向を前記最小スパニングツリーの前記エ
    ッジの主要な方向から決定する手段（８２１）とからな
    ることを特徴とする画像解析装置。
18. 【請求項１８】 前記ライン方向決定手段が、前記グラ
    フを作成する前に非常に大きい構成要素および非常に小
    さい構成要素をふるい落とす手段を有することを特徴と
    する請求項１７の装置。
19. 【請求項１９】 前記ライン方向決定手段が、前記方向
    が垂直であるか、水平であるか、あるいは不定であるか
    を決定することを特徴とする請求項１７の装置。
20. 【請求項２０】 前記構成要素が、手書き文字であるこ
    とを特徴とする請求項１７、１８、または１９の装置。
21. 【請求項２１】 前記手書き文字が複数の連結成分を有
    することを特徴とする請求項２０の装置。
22. 【請求項２２】 各手書き文字をディジタル符号に割り
    当てるシステムの一部であることを特徴とする請求項２
    ０の装置。
23. 【請求項２３】 前記システムが、さらに、前記手書き
    文字を表現する前記ディジタル符号を音声に変換するこ
    とを特徴とする請求項２２の装置。
24. 【請求項２４】 前記手書き文字が前記ラインに対して
    所定の方向を有していることを必要としないことを特徴
    とする請求項２０の装置。