JPS63201867A - 文書画像自動要約方式 - 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、文書内容を簡易に理解するのに役立つ資料を
得るための文書画像自動要約方式に係り、特に文書画像
の蓄積・検索システムにおける自動インデクシングに好
適な文書画像自動要約方式に関する。

〔従来の技術〕

従来の技術は、特開昭６０−１３８６７０号公報に記載
のように、文書の抽出個所を指定する手段を設け、所要
部分を抜枠することにより要約文書を作成していた。

〔発明が解決しようとする問題点〕

上記従来技術は、文書を逐−読んで、その中の抽出個所
を厳密に指定する手間を省くことについては配慮されて
おらず、大量文書の要約処理に膨大なコストが必要にな
るという問題があった。

また、文書は多様な要素で構成されており、その要約手
段も多様である点については配慮がされておらず、文書
全体の適切な要約を行えないという問題もあった。

本発明の目的は、かかる従来技術の問題点を解決し、大
規模な文書画像の蓄積・検索システムを効率的に構築・
運用するための文書画像自動インデクシング技術を提供
することにある。

〔問題点を解決するための手段〕

上記目的を達成するため、まず入力された文書画像をそ
の内容構成に応じて自動的に領域分割し、各分割領域に
対しあらかじめ用意しである適当な要約処理を施し、そ
うして得られた要約情報を１つの画像に偏集して出力す
る。

〔作用〕

文書画像をその内容構成に応じて、自動的に領域分割す
ることにより、領域とその領域に必要な要約手段とを対
応づけできる。それによって、多様な要素で構成されて
いる文書も柔軟に処理でき、かつ、各要約手段の処理対
象領域を限定できるため、処理の自動化・効率化が容易
に実現される。

〔実施例〕

以下、本発明の一実施例を詳細に説明する。

第１図は、本発明による公開特許公報の抄録画像自動作
成方式の処理の流れを示すブロック図である。

公報画像入力部１１で画像として入力された公報文書は
、まず構成要素抽出部１２において、文字または図形ご
とに外接矩形枠単位で切出される。

その−例を第２図に示す。なお、これは公知の処理アル
ゴリズムでも実施できる。

要素並び分析部１３は、第３図に示すように、外接矩形
枠３１単位で切出された要素３２から、以下の特徴量を
抽出する。

■、外接矩形粋の左上点のＸ座標：ｘ１■、外接矩形枠
の左上点のＸ座標：Ｙ１■、外接矩形枠の横方向の大き
さ：ＷＩ■、外接矩形枠の縦方向の大きさ：ＨＩ■、要
素のＸ軸投影周辺分布：（ｐｔ（ｍ））（ｍ＝１．・・
・、　Ｗｔ） ■、要素のｙ軸投影周辺分布：（Ｑｉ（ｎ））（ｎ＝１
．・・・、　Ｈｌ） ここで、添字ｉは要素ｉの特徴量であることを示す。こ
のうち、■〜■を用いて第１図の文書を以下の３つの領
域に粗く分割する。

Ａ、書誌的事項領域２１　　　（第１ページ）Ｂ、明細
書本文領域２２　　（第１ページ〜）Ｃ０明細書図面領
域２３　　（〜最終ページ）Ａ、Ｂ、Ｃはこの順に出現
するため、ＡとＢ。

ＢとＣの区別ができれば上記の領域分割は可能となる。

ＡとＢの境界は第１ページ中の大きな空白領域として存
在する。よって、これを ＳＰ＋＝　（Ｘｔ　　Ｘｉ＋ｔ）２＋１００（Ｙｔ　　
Ｙｔ＋ｔ）”を最大にする要素ｊで検出すればよい。な
お、空白領域の特徴を考慮して、ｙ方向に重みをつけた
。

一方、ＢとＣの境界は、外接矩形枠の大きさを示すＷ、
またはＨｌが許容値を初めて越える要素ｉで容易に検出
できる。あるいはまた、非文字領域の特徴である要素並
びの不ぞろいを外接矩形枠の左上点（ｘ、＋　、　Ｙｌ
　）によって検出することもできる。

次に、上記３つの分割領域に対し、それぞれ、ブロック
１４〜１６に示す詳細分割及び、要約処理を加える。

書誌的事項抽出部１４は、書誌的事項領域２１から書誌
的事項を抽出する。公報は、項目の記述に先立ち、その
内容を端的に表現する特定の文字列（以下、見出し語と
記す）を表示している。第４図にその一例を示す。よっ
て、この見出し語４１を探索することにより、各書誌的
事項４２の場所を限定（領域を詳細に分割）できる。後
は、見出し語との相対的位置関係から書誌的事項だけが
精度良く抽出される。なお、見出し語は複数（例えばＮ
個）の文字で構成される文字列であるため、全文字を誤
判定する確率は非常に小さいという組合せ効果を利用す
れば１文字毎の探索精度が不十分でも全体として高精度
な探索が可能となる。すなわち、ＯＣＲのようなコスト
の高い装置を用いなくてもよくなる。例えば、登録しで
ある見出し語（ａｔ）；ｔ＝１．・・・、Ｎと処理文書
中の候補文字列（ｂｔ）；　ｔ＝、ｔ、・・・、Ｎとの
一致は、１文字毎の類似 ａｔ”ｂｔ のＮ回連続として判定する。この際、１文字毎の類似判
定を周辺分布を用いて以下の式で行えば、簡易で高速な
見出し語探索を実施できる。すなわち、 くＫ・（（Ｓ　＋　＋　Ｓ　Ｊ）／　２　）が満足され
れば、文字ｉとｊは類似であると判定する。ここで、Ｃ
は位置ずれを補正するための相互ずらし量であり、Ｗｌ
とＷＪ　、Ｐｌとｐ、。

ＳＬとＳ、はそれぞれｉとｊの外接矩形枠の横方向の大
きさ、Ｘ軸投影周辺分布、および面積である。また、Ｋ
は文書全体で決まる比例定数である。

なお、ｙ軸投影周辺分布を用いた類似判定も同様であり
、２段階で判定を行うことにより、負荷をそれほど重く
しなくても精度向上を実現することもできる。

頻出文字列抽出部１５は、明細書本文領域から、キーワ
ード候補としての頻出文字列を抽出する。

明細書全体を対象としたのでは、処理効率が低下したり
、非キーワードを抽出する可能性が増加するため、前述
の見出し語探索手段を用いて、処理対象を一部１例えば
、「特許請求の範囲Ｊに限定する。これは、２つの見出
し語である「特許請求の範囲」と「発明の詳細な説明」
とに囲まれた領域として切出される。この限定された領
域から頻出文字列を抽出する方式として、本出願人によ
る特願昭６１−２８８７７５号「頻出文字列抽出方法」
がある。

主要図面抽出部１６は、明細書図面領域から主要図面を
抽出する。一般に、主要図面を第１図とする傾向にある
ので１図形と考えられる一定以上のサイズを持つ外接矩
形枠のうち、最も左上にある（出現が早い）ものを主要
図面として抽出する。

なお、公報によって主要図面の大きさが色々であるから
、外接矩形枠の長辺が一定サイズ以下となるように相似
変換を施す。

続く抄録要素編集部１７では、第５図に示すように、書
誌的事項５１．頻出文字列５２．主要図面５３の３つの
抄録要素を１枚の画像に編集して抄録画像を作成する。

抄録画像出力部１８では、作成した抄録画像をＣＲＴデ
ィスプレイに表示したり、光ディスク等の記憶装置に格
納したりする。

この実施例によれば、見出し語探索により文書の構成を
的確に把握できるため、更に効率的かつ高精度な要約処
理が実現される。

また、以上の実施例において、分割された明細書本文領
域等に対し、ＯＣＲ等によるコード変換処理を加えれば
、一層柔軟な要約処理を行うことができる。例えば、コ
ード上で開発された日本語処理等の既存ソフトウェアを
利用して、意味解析や翻訳なども可能となる。

〔発明の効果〕

本発明によれば、入力された文書画像をその内容構成に
応じて自動的に領域分割することにより、処理対象領域
を限定し、かつ、各領域に対し適当な要約処理を用意で
きるため、文書画像要約装置の自動化を効率的かつ高精
度に実現できるという効果がある。

【図面の簡単な説明】

第１図は本発明による公開特許公報の抄録画像作成方式
の一実施例のブロック図、第２図は上記抄録画像作成方
式の構成要素抽出部で抽出される公報構成要素の一例を
示す図、第３図は上記構成要素の特徴量を示す図、第４
図は見出し語と書誌的事項との位置関係を示す図、第５
図は抄録画像の一例を示す図である。

Claims (1)

1. 【特許請求の範囲】 １、文書を画像として入力し、該入力された文書画像を
   その内容構成に応じて領域分割し、該領域分割された各
   画像領域に対し個別に用意した所定の要約処理を施し、
   該要約処理によって各画像領域から抽出された要約情報
   を１つの画像に編集して出力することを特徴とする文書
   画像自動要約方式。 ２、前記分割された画像領域に対し、画像を別の表現形
   に変換した後、該表現形に対し所定の要約処理を施すこ
   とを特徴とする特許請求の範囲第１項の文書画像自動要
   約方式。 ３、文書を画像として入力し該文書中の事項内容を示す
   見出しとなる文字列をあらかじめ登録しておき、前記入
   力文書画像中から前記文字列を画像処理によって探索し
   、探索された文字列にもとづき前記文書画像を領域分割
   することを特徴とする文書画像自動要約方式。