JPH08161430A - 文字種識別方法 - Google Patents

Abstract

(57)【要約】 【目的】 文書に用いられた文字種を、文書全体または
大きな領域について大局的に識別する。処理時間の短
縮、処理に必要なメモリ量の削減をはかる。 【構成】 画像メモリ３内の入力画像を圧縮し（４）、
圧縮画像中の黒画素連結成分の外接矩形を抽出する
（５）。外接矩形中の文字らしい矩形の縦横比の分布、
行方向サイズが標準文字サイズ以下の文字矩形と文字矩
形総数の比、行方向のサイズが標準文字サイズの整数倍
の文字矩形の頻度、文字矩形間距離の分布など、文字種
識別のための特徴量を抽出し（７）、この特徴量に基づ
いて文字種（例えば日／英）を判別する（８）。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、文書認識に係り、特
に、紙文書（紙に内容が印刷などによって記載された文
書、以下、単に文書と呼ぶ）を認識する際に、その文字
種、例えば英文で書かれているか、または日本文で書か
れているかを識別する技術に関する。

【０００２】

【従来の技術】文書の内容をデータ処理し、テキストデ
ータとして再利用できるようにするための文書認識処理
の一般的な手法は、文書をイメージデータとして読み込
み、次に文書画像を文字領域と図形領域などに分割し、
文字領域に関しては文字認識処理を行なってテキストデ
ータへ変換する。

【０００３】この文書認識、なかでも文字認識に関して
は、英文と日本文とに処理を分けたほうが、言語特有の
処理手法を活かせるので性能面で有利である。領域分割
の処理においても、文字矩形を統合して行くようなボト
ムアップ手法を採用する場合には、予め対象言語が特定
されているほうが性能面で有利である。

【０００４】さて、文書が日本文、英文のいずれで書か
れているか識別する技術に関しては、特開平４−３４６
１８８号及び特開平４−３４６１８９号の方法が知られ
ている。特開平４−３４６１８８号の方法では、領域分
割によって切り出された文字行のイメージデータより、
一定値以上の長さを持つ縦線と横線を抽出し、これら
縦、横線により囲まれた閉領域（文字中の矩形）を抽出
し、その個数に基づいて当該文字行が日本文／英文のい
ずれであるか判断する。特開平４−３４６１８９号の方
法では、領域分割によって切り出された文字行のイメー
ジデータをスキャンして、文字間の距離を求め、文字間
距離の分布に基づいて英文／日本文の識別をする。

【０００５】

【発明が解決しようとする課題】上記従来方法は、領域
分割によって切り出された文字領域について行単位に文
字種を判別する局所的な方法であり、文字認識にかける
直前の前処理としては都合がよいものの、領域分割がな
される前の文字領域が確定していない段階には適用でき
ない（つまり、領域分割の前処理としては利用できな
い）。また、文書の全体、あるいは、ある程度大きな領
域について、大局的に英文か日本文かを識別する目的に
利用しようとすると、領域分割からの処理全部を行なう
必要があるため、長い処理時間と大きなメモリ量を要す
る。

【０００６】よって、本発明の目的は、文書の大局的な
文字種識別、すなわち文書全体または文書のかなり大き
な領域の文字種の識別、より具体的には英文、日本文の
いずれで書かれているかの判別を効率的に行なうための
手段を提供することにある。本発明のもう一つの目的
は、領域分割の前処理としても利用可能な、大局的な文
字種識別の手段を提供することにある。

【０００７】

【課題を解決するための手段】請求項１記載の発明によ
る文字種識別方法は、文書を読み取った画像データを圧
縮して圧縮画像を生成する処理と、該圧縮画像中の黒画
素連結成分の外接矩形であって文字の矩形らしい文字矩
形を抽出する処理と、該文書の行に対して垂直な方向と
平行な方向の、該文字矩形の大きさの比の分布を少なく
とも含む特徴量を求める処理と、該特徴量に基づいて該
文書の文字種を判定する処理とからなることを特徴とす
るものである。

【０００８】請求項２記載の発明による文字種識別方法
は、文書を読み取った画像データを圧縮して圧縮画像を
生成する処理と、該圧縮画像中の黒画素連結成分の外接
矩形を抽出する処理と、該文書の行に対して垂直方向の
該外接矩形の大きさより固有値を求める処理と、該外接
矩形の中から文字の矩形らしい文字矩形を抽出する処理
と、該文字矩形の中で該文書の行に対して平行な方向の
大きさが該固有値以下のものの個数と、該文字矩形の総
数との比を少なくとも含む特徴量を求める処理と、該特
徴量に基づいて該文書の文字種を判定する処理とからな
ることを特徴とするものである。

【０００９】請求項３記載の発明による文字種識別方法
は、文書を読み取った画像データを圧縮して圧縮画像を
生成する処理と、該圧縮画像中の黒画素連結成分の外接
矩形を抽出する処理と、該文書の行に対して垂直方向の
該外接矩形の大きさより固有値を求める処理と、該外接
矩形の中から文字の矩形らしい文字矩形を抽出する処理
と、該文字矩形の中で該文書の行に対して平行な方向の
大きさが該固有値のほぼ整数倍のものの頻度を少なくと
も含む特徴量を求める処理と、該特徴量に基づいて該文
書の文字種を判定する処理とからなることを特徴とする
ものである。

【００１０】請求項４記載の発明による文字種識別方法
は、文書を読み取った画像データを圧縮して圧縮画像を
生成する処理と、該圧縮画像中の黒画素連結成分の外接
矩形であって文字の矩形らしい文字矩形を抽出する処理
と、該文字矩形の相互間の重なりもしくは包含関係の頻
度を少なくとも含む特徴量を求める処理と、該特徴量に
基づいて該文書の文字種を判定する処理とからなること
を特徴とするものである。

【００１１】請求項５記載の発明による文字種識別方法
は、文書を読み取った画像データを圧縮して圧縮画像を
生成する処理と、該圧縮画像中の黒画素連結成分の外接
矩形であって文字の矩形らしい文字矩形を抽出する処理
と、該文字矩形について該文書の行の方向に重なりのあ
る隣接するものの距離の頻度分布を少なくとも含む特徴
量を求める処理と、該特徴量に基づいて該文書の文字種
を判定する処理とからなることを特徴とするものであ
る。

【００１２】請求項６記載の発明による文字種識別方法
は、請求項５記載の発明による文字種識別方法の特徴量
を求める処理において、あるスペース間値以下の距離の
頻度分布と該スペース間値より大きな距離の頻度分布と
を求めることを特徴とするものである。

【００１３】請求項７記載の発明による文字種識別方法
は、文書を読み取った画像データを圧縮して圧縮画像を
生成する処理と、該圧縮画像中の黒画素連結成分の外接
矩形であって文字の矩形らしい文字矩形を抽出する処理
と、該文書の行の方向に重なりのある隣接した該文字矩
形間の、あるスペース間値を超える大きさのスペース部
分を検出する処理と、該スペース部分の該文書の行の先
頭側にある文字矩形の部分について、該画像データを参
照し日本文で用いられる句読点らしいか調べる処理と、
当該処理で句読点らしいと判断される頻度に基づいて該
文書の文字種を判定する処理とからなることを特徴とす
るものである。

【００１４】

【作用】請求項１記載の発明において文字種判定のため
の特徴量として用いられる、文字矩形の縦横比の分布に
関し、日本文と英文について考察する。日本文の場合、
文字間が英文に比べて広いことが多いので、画像を圧縮
しても文字間が融合することは少ない。一方、英文の場
合には、画像の圧縮によって文字間が融合して１単語が
一つの矩形になることが多い。したがって、日本文であ
れば縦横比の分布は、ある１に近い値に集中するが、英
文であれば縦横比の分布は、そのように特定の値に集中
せず、１より小さいある範囲の値にばらつく傾向があ
る。請求項１記載の発明は、このような日／英それぞれ
の場合の文字矩形の縦横比の分布の違いを利用して、文
字種（日／英）を識別するものである。なお、この縦横
比の分布は、文字種判定のための証拠の一つに過ぎない
ので、他の特徴量も併用して文字種判定を行なえば、よ
り正確な文字種識別が可能になる。これは他の請求項記
載の発明においても同様である。

【００１５】文字矩形中の行と平行な方向の大きさが標
準文字サイズ（固有値）より小さい矩形の個数と、文字
矩形総数との比は、日本文の場合、新聞のような文字間
がかなり詰まった文書を除けば、一般に大きい（圧縮し
ても隣接した文字が融合するのは新聞くらいである）。
しかし、英文の場合、雑誌などの一般的な文書では、こ
の比は日本文にくらべ小さい値となる傾向がある。請求
項２記載の発明は、このような性質を利用して文字種
（英／日）を識別するものである。

【００１６】日本文の場合、漢字等では文字自体の縦横
比がほとんど１に近く、圧縮によって複数の文字が融合
して一つの矩形に統合されたとしても、矩形の幅は標準
文字サイズの整数倍、またはそれに非常に近い値にな
る。請求項３記載の発明は、このような性質に着目して
文字種（日／英）を識別するものである。

【００１７】日本文の場合、編、旁、冠、構などの部首
があるため、１文字が複数の矩形に分離しがちであり、
しかも、外接矩形でみたときに重なりや包含関係になる
ものも多い。特に、文字間が融合しない程度の圧縮率で
あったり、文字サイズがかなり大きい場合には、そうな
りやすい。これに対して、英文では、文字が分離するの
はｉ，ｊなどの点だけであり、また、プロポーションル
印字のときにに矩形の重なりが生じる程度で包含関係に
なるものはない。請求項４記載の発明は、そのような文
字矩形の包含または重なりに着目し、文字種（日／英）
の識別を行なうものである。

【００１８】同一行にある文字の矩形間距離の頻度分布
をとると、日本文では、文字間距離に相当するピーク、
句読点とその後の文字との距離に相当するピーク、マル
チコラムの場合のコラム間距離に相当するピークの三つ
のピークが生じると予想され、それぞれのピークの山は
高い。一方、英文では、文字サイズが大きい場合や、ワ
ープロ、タイプライター類により印字された場合、文字
間距離に相当するピークと、単語間距離に相当するピー
ク、それにマルチコラムの場合のコラム間距離に相当す
るピークの３種類のピークが出ると予想される。しか
し、プロポーショナルな配置の関係でコラム間距離より
単語間距離のほうが大きい場合や、単語間距離が行によ
って著しく変わる場合などがあるので、矩形間距離の分
布は、日本文のように急激なピークを得られるほど安定
していない。請求項５記載の発明は、このような矩形間
距離の頻度分布の性質に着目して、文字種（日／英）を
識別するものである。

【００１９】請求項６記載の発明に関連して、スペース
間値とは文字と文字の間のスペース部分の予想される大
きさのことであるが、日本文と英文を対象にすれば標準
文字サイズをスペース間値として用いてよい。日本文で
は文字間距離が標準文字サイズより大きくなるのは句読
点の部分くらいであるが、英文では標準文字サイズより
大きな単語間距離が発生する。請求項６記載の発明は、
このような文字間距離に関する性質に着目して、文字種
（日／英）識別を行なうものである。

【００２０】請求項７記載の発明は、上に述べた「日本
文では、文字間距離が標準文字サイズを超えるのは、句
読点の部分くらいである」という性質を利用して、文字
種（日／英）を識別をするものである。

【００２１】そして、各請求項記載の発明の方法は、文
字行単位に処理する方法でなく、文書全体または文書の
大きな領域についての大局的な文字種識別に適用できる
ものであり、しかも、従来の方法と違い予め領域分割を
行なう必要がないので、大局的な文字種識別を行なう場
合にも従来方法に比べ処理時間及び必要メモリ量が減少
する。また、各請求項記載の発明の方法によれば、領域
分割の前処理として文字種識別を行なうことができる。

【００２２】なお、ここまでの説明及び以下の説明にお
いて、日本文と英文が識別対象の文字種として用いられ
るが、それ以外の言語の文字種の識別にも本発明は適用
できるものである。

【００２３】

【実施例】以下、本発明のいくつかの実施例について図
面を用いて説明する。各実施例の詳細を説明する前に、
各実施例に係る文字種識別装置の構成例を図１に示して
説明する。

【００２４】図１に示した文字種識別装置は、例えば文
字認識装置の前処理装置として位置付けることができ
る。画像入力部１は、文書の２値化された画像データを
スキャナ２より入力する。入力された画像データは画像
メモリ３に蓄積される。画像圧縮部４は、画像メモリ３
内の入力画像データを所定の倍率で圧縮して圧縮画像を
生成し、この圧縮画像のデータを画像メモリ３に格納す
る。この圧縮の倍率は、解像度や文書の文字サイズ等に
よって調整される。雑誌や新聞の４００ｄｐｉの原稿の
場合、８×８画素を１画素にＯＲ圧縮する程度で一般に
問題ない。外接矩形検出部５は、画像メモリ３内の圧縮
画像データに対して黒画素の連結成分に外接する矩形を
抽出し、抽出した外接矩形のデータを矩形メモリ６に格
納する。特徴抽出部７は矩形メモリ６内の外接矩形デー
タを参照して、文字種判別のための一種または複数種類
の特徴量を抽出する。この特徴量に基づき、文字種判定
部８は文字種を判定する。特徴抽出部７と文字種判定部
８の処理内容は各実施例毎に相違するが、これについて
は各実施例別に後述する。判定された文字種（日本文／
英文）は、文字種出力部９によって例えば文字認識装置
へ出力される。以下、各実施例について説明する。

【００２５】＜実施例１＞本実施例における画像入力後
の処理フローを図２に示す。画像圧縮部４により入力画
像の圧縮処理を行ない（ステップ２０）、外接矩形検出
部５により圧縮画像中の黒画素連結成分の外接矩形を抽
出する（ステップ２１）。

【００２６】続いて、特徴抽出部７において、外接矩形
を文字矩形（文字らしい矩形）とそれ以外の矩形とに分
類する（ステップ２２）。この分類は例えば、すべての
外接矩形の高さ（行に対し垂直な方向の外接矩形の大き
さ）のヒストグラムをとり、最も頻度が大きい高さと、
その前後の高さを持つ外接矩形を文字矩形とする方法に
よることができる。

【００２７】次に、特徴抽出部７において、文字矩形に
分類された外接矩形について、行に対して垂直な方向の
大きさと平行な方向の大きさの比（縦横比）を求め、そ
の分布をヒストグラムにする（ステップ２４）。そし
て、この分布を特徴量として、文字種判定部８で、日本
文であるか英文であるかを判定する（ステップ２５）。
因みに、日本文の場合、文字間が英文に比べて広いこと
が多いので、画像を圧縮しても文字間が融合することは
少ないのに対し、英文の場合は、画像の圧縮によって文
字間が融合して１単語が一つの矩形になることが多い。
したがって、日本文であれば縦横比の分布は、ある１に
近い値に集中するが、英文であれば縦横比の分布は、そ
のように特定の値に集中せず、１より小さいある範囲の
値にばらつく傾向がある。よって、縦横比の分布をもと
に文字種を識別することができる。

【００２８】ただし、この縦横比の分布を文字種識別の
ための特徴量の一つとして扱い、後記実施例で採用され
るような他の一種類もしくは複数種類の特徴量と併用し
て文字種判定を行なうのが、より実用的であろう。

【００２９】＜実施例２＞本実施例における画像入力後
の処理フローを図３に示す。画像圧縮処理（ステップ３
０）、外接矩形抽出処理（ステップ３１）は前記実施例
１のステップ２０，２１と同様である。

【００３０】ステップ３２からステップ３６までは特徴
抽出部７による処理である。まず、抽出された外接矩形
の中から、文字となり得ないような大きな矩形を除いた
外接矩形を選び出す（ステップ３２）。そして、選び出
された外接矩形について、行に対して垂直な方向の大き
さ分布をとり、最大頻度となった大きさ（高さ）を求
め、その値そのもの、または、その値をベースにした値
（ある定数を掛けた値、ある定数を加算した値など）
を、標準文字サイズという固有値として求める（ステッ
プ３３）。ここで、標準文字サイズとは、横書きの場合
は図４の（ａ），（ｂ），（ｅ）に示すように１文字の
平均的高さを表わし、横書きの場合は図４の（ｄ）に示
すように１文字の平均的幅を表わす。

【００３１】次に、標準文字サイズを用いて、ステップ
３２で選ばれた外接矩形を、文字らしい矩形と、文字ら
しくない矩形とに分類する（ステップ３４）。具体的に
は、行に対して垂直な方向の大きさが、標準文字サイズ
に比べ遥かにおおきな外接矩形は文字以外の矩形とし、
それ以外を文字矩形とする。得られた文字矩形中の行と
平行な方向の大きさが標準文字サイズより小さい矩形の
個数を数え、その個数と文字矩形総数との比を求める
（ステップ３６）。

【００３２】そして、文字種判定部８において、ステッ
プ３６で得られた比をもとに、英文であるか日本文であ
るかの判定をする（ステップ３７）。日本文の場合、こ
の比は、新聞のような文字間がかなり詰まった文書を除
けば、一般に大きい（圧縮しても隣接した文字が融合す
るのは新聞くらいである）。英文の場合、雑誌などの一
般的な文書では、この比は日本文にくらべ小さい値とな
る傾向がある。したがって、この比の大小により文字種
判定が可能である。

【００３３】ただし、英文の場合でも、プロポーショナ
ル印字以外のワープロ文書や文字サイズが大きい文書で
は当該比は大きくなるので、当該比単独では文字種判定
の正確を期すことができないことも少なくない。したが
って、当該比を文字種判別の一条件として扱い、他の実
施例で採用されるような他の特徴量と併用して文字種識
別を行なうのが、より実用的であろう。

【００３４】＜実施例３＞本実施例における画像入力後
の処理フローを図５に示す。画像圧縮処理（ステップ３
０）と外接矩形抽出処理（ステップ３１）は前記実施例
１のステップ２０，２１と同様である。また、矩形分類
処理（ステップ４２）、標準文字サイズ抽出処理（ステ
ップ４３）、文字分類処理（ステップ４４）は前記実施
例２のステップ３２，３３，３４と同様である。

【００３５】以上の処理に続き、特徴抽出部７におい
て、文字矩形の中で行と平行な方向の大きさ（幅）が標
準文字サイズより大きな矩形の個数Ａを計数し、また、
そのような矩形の中で幅が標準文字サイズの整数倍（あ
る程度の余裕をみた約整数倍）の矩形の個数Ｂを計数す
る（ステップ４５）。

【００３６】文字種判定部８は、ステップ４５で得られ
た個数の比Ｂ／Ａを特徴量として文字種を判定する（ス
テップ４６）。日本文の場合、漢字等では文字自体の縦
横比がほとんど１に近く、圧縮によって複数の文字が融
合して一つの矩形に統合されたとしても、矩形の幅は標
準文字サイズの整数倍、またはそれに非常に近い値にな
る。したがって、標準文字サイズの整数倍の幅を持つ文
字矩形の頻度つまり比Ｂ／Ａを、日本文であるかそうで
ないかの判別のための証拠の一つとして利用できる。つ
まりステップ４６では、比Ｂ／Ａがある値より大きい時
に日本文、それより小さい時に英文、と判定する。

【００３７】なお、この整数倍の幅を持つ矩形の頻度
（比）という特徴量は、他の実施例で採用するような他
の特徴量と併用されるのが、より実用的である。特に、
前記実施例１または２で文字種識別のための特徴量とし
て用いられた比が小さくなる場合に、つまり圧縮による
単語や文字の融合が多い場合に、この整数倍の幅を持つ
矩形の頻度を併用すると日本文と英文の判別がしやすく
なり効果的である。

【００３８】＜実施例４＞本実施例における画像入力後
の処理フローを図６に示す。画像圧縮処理（ステップ５
０）、外接矩形抽出処理（ステップ５１）は前記実施例
１のステップ２０，２１と同様である。また、矩形分類
処理（ステップ５２）、標準文字サイズ抽出処理（ステ
ップ５３）は前記実施例２のステップ３２，３３と同様
である。

【００３９】以上の処理に続いてステップ５４からステ
ップ５７までの処理が特徴抽出部７で行なわれる。ステ
ップ５４はステップ５２により選ばれた外接矩形を、文
字らしい矩形とそれ以外の矩形とに分類するが、本実施
例では、行に対して垂直な方向の大きさが標準文字サイ
ズ以下の外接矩形を文字矩形とする。さらにステップ５
５において、文字矩形の中で、文字以外に分類された大
きな外接矩形に包含されているものは排除する。これ
は、ハーフトーンの部分などで小さな矩形が大量に発生
することがあるので、そのような小さな矩形を文字矩形
としないためである。このようにして選ばれた文字矩形
からステップ５６で微小な矩形を除外し、残った文字矩
形について、ステップ５７で相互の包含または重なりの
頻度を計測する。そして、この頻度を特徴量として、文
字種判定部８が日本文であるか英文であるかを判定する
（ステップ５８）。

【００４０】日本文の場合、編、旁、冠、構などの部首
があるため、１文字が複数の矩形に分離しがちであり、
しかも、外接矩形でみたときに重なりや包含関係になる
ものも多い。特に、文字間が融合しない程度の圧縮率で
あったり、文字サイズがかなり大きい場合には、そうな
りやすい。これに対して、英文では、文字が分離するの
はｉ，ｊなどの点だけであり、また、プロポーションル
印字のときにに矩形の重なりが生じる程度で包含関係に
なるものなない。したがって、ステップ５７で得られる
文字矩形の包含または重なり関係の頻度を日英識別に利
用できる。

【００４１】ただし、このような包含または重なり関係
の頻度は、文字種識別のための証拠の一つであるので、
この証拠のみによっては文字種を断定できない場合も少
なくない。したがって、この証拠に加えて、他の実施例
で採用されるような他の証拠も併用して文字種を最終的
に決定するのが、より実用的であろう。

【００４２】＜実施例５＞本実施例における画像入力後
の処理フローを図７に示す。画像圧縮処理（ステップ６
０）、外接矩形抽出処理（ステップ６１）、矩形分類処
理（ステップ６２）、標準文字サイズ抽出処理（ステッ
プ６３）、矩形分類処理（ステップ６４）、不要矩形の
排除処理（ステップ６５，６６）は、前記実施例４のス
テップ５０，５１，５２，５３，５４，５５，５６と同
様である。

【００４３】以上の処理に続き、特徴抽出部７は、ステ
ップ６７で、前ステップで残った文字矩形について、行
方向に重なりのある文字矩形間の距離を測定し、そのヒ
ストグラムを求める。図８に示す文字矩形７０，７１，
７２の場合、文字矩形７０，７１は行方向に重なりがあ
るので、その間の距離は測定対象となる。しかし、文字
矩形７１，７２は行方向に重なりがないので、その間の
距離は測定対象にならない。

【００４４】日本文では、矩形間距離ヒストグラムのピ
ークは、文字間距離に相当するピーク、句読点とその後
の文字との距離に相当するピーク、マルチコラムの場合
のコラム間距離に相当するピークの三つが予想され、そ
れぞれのピークの山は高い。一方、英文では、文字サイ
ズが大きい場合や、ワープロ、タイプライター類により
印字された場合で文字間距離に相当するピークと、単語
間距離に相当するピーク、それにマルチコラムの場合の
コラム間距離に相当するピークの３種類のピークが出る
と予想される。しかし、プロポーショナルな配置の関係
でコラム間距離より単語間距離のほうが大きい場合や、
単語間距離が行によって著しく変わる場合などがあるた
め、その矩形間距離分布は、日本文のように急激なピー
クを得られるほど安定していない。そこで、文字種判定
部８は、矩形間距離ヒストグラムのピークの安定度など
の特徴から英文／日本文の判定を行なう（ステップ６
８）。より具体的には、矩形間距離ヒストグラムのピー
ク付近の分散が大きいか、または高いピークが現われな
いかを調べて文字種を判定する。なお、文字種判定のた
めに他の特徴量を併用してもよく、そのほうがより実用
的であろう。

【００４５】＜実施例６＞本実施例における画像入力後
の処理フローを図９に示す。画像圧縮処理（ステップ８
０）、外接矩形抽出処理（ステップ８１）、矩形分類処
理（ステップ８２）、標準文字サイズ抽出処理（ステッ
プ８３）、矩形分類処理（ステップ８４）、不要矩形の
排除処理（ステップ８５，８６）、矩形間距離測定処理
（ステップ８７）は、前記実施例５のステップ６０，６
１，６２，６３，６４，６５，６６，６７と同様であ
る。

【００４６】以上の処理に続き、特徴抽出部７はステッ
プ８８において、ステップ８７で得たストグラムより、
スペース間値以下の矩形間距離の分布と、スペース間値
より大きな矩形間距離の分布とを求める。そして、文字
種判定部８はステップ８８において、スペース間値より
大きな矩形間距離のほうがスペース間値以下の矩形間距
離より分布が大きいときは日本文と、そうでないときは
英文と、判定する。

【００４７】ここで、スペース間値とは文字と文字の間
の空白部分の予想される大きさのことであり、本実施例
においてはステップ８３で求めた標準文字サイズをスペ
ース間値として用いる。日本文では文字間距離が標準文
字サイズより大きくなるのは句読点の部分くらいである
が、英文では標準文字サイズより大きな単語間距離が発
生する。この性質をステップ８９で利用するわけであ
る。

【００４８】なお、スペース間値より大きな矩形間距離
を全て計測してしまうと、マルチコラムの場合に、コラ
ム間距離まで計測されるという不都合がある。これを避
けるためには、ステップ８７において、スペース間値を
超える大きなスペースがあった場合、その上下の位置を
検索して文字矩形があるときに限り、その距離を計測す
るとよい。これは、その大きなスペース部分がコラムと
コラムの間の部分ならば、その上下に文字矩形は存在し
ないと考えるわけである。図１０はその説明図である。
図１０の（ａ）に示した文字矩形９１，９２間のスペー
ス９０（スペース間値を超えるもの）は、その上下に文
字矩形が存在しないので、コラム間スペースの可能性が
あるため計測しない。しかし、図１０の（ｂ）に示した
文字矩形９４，９５間のスペース９３（スペース間値を
超えるもの）は、その上に文字矩形９６が存在しコラム
間スペースの可能性は低いので計測する。

【００４９】なお、本実施例においても、文字種識別に
他の特徴量を併用してよく、そのほうがより実用的であ
ろう。

【００５０】＜実施例７＞本実施例における画像入力後
の処理フローを図１１に示す。ステップ１００，１０
１，１０２，１０３，１０４，１０５，１０６は、前記
実施例４のステップ５０，５１，５２，５３，５４，５
５，５６と同様である。

【００５１】以上の処理に続き、特徴抽出部７はステッ
プ１０７，１０８を行なう。ステップ１０７において
は、行方向に重なりのある文字矩形（図８参照）につい
て、その矩形間距離を測定し、スペース間値（本実施例
ではステップ１０３で得られた標準文字サイズ）を超え
る大きさのスペース部分を抽出する。そしてステップ１
０８において、前ステップで抽出されたスペース部分の
前の（行先頭側の）文字矩形の位置について画像メモリ
３内の原画像（圧縮前の画像）を調べ、句読点らしい、
文字矩形より小さな矩形があるか調べる。次のステップ
１０９において、文字種判定部８は、ステップ１０８に
よって句読点らしき小さな矩形が検出されたか否かと、
検出された頻度とから、文字種を判定する。つまり、句
読点らしき矩形が検出された頻度が大きければ日本文、
そうでなければ英文、と判定する。ここまでの説明から
理解されるように、本実施例では、実施例６において述
べた「日本文では、文字間距離が標準文字サイズを超え
るのは、句読点の部分くらいである」という性質を文字
種識別に利用している。

【００５２】なお、本実施例においても他の実施例で採
用されるような他の特徴量を文字種判定に併用してよ
く、そのほうがより実用的であろう。

【００５３】＜実施例８＞本実施例は、前記実施例１乃
至実施例７で採用された文字種識別方法を組合せ、それ
ぞれの方法による判定結果の確信度を総合して最終的な
文字種を決定するものである。本実施例における画像入
力後の処理の概略を図１２に示す。

【００５４】図１２において、ステップ１１０，１１１
は前記実施例１のステップ２０，２１と同様である。ス
テップ１１２_1，１１２_2，...，１１２_i，...，１１
２_7はそれぞれ前記実施例１，実施例２，...，実施例
ｉ，...，実施例７と同様の文字種判定処理である。よ
り詳しくは、ステップ１１２_1 は前記実施例１(図２)
のステップ２１〜２５と同様の処理であり、ステップ１
１２_2 は前記実施例２（図３）のステップ３２〜３７
と同様の処理であり、ステップ１１２_7は前記実施例７
（図１１）のステップ１０２〜１０９と同様の処理であ
る。ただし、それぞれの方法による判定結果は、英文ら
しさまたは日本文らしさの度合（確信度）が数値化され
る。例えば、予め何種類かの圧縮率の場合について、各
方法で用いる特徴量の分布を英文、日本文それぞれにつ
いて求めておき、入力画像に対して実際に得られた特徴
量の分布の、同じ圧縮率の場合に予め求めておいた特徴
量の分布からのずれの大きさ（距離）が数値化され、そ
の数値が確信度として用いられる。

【００５５】図１２において、ステップ１１３，１１４
は文字種判定部８による処理である。ステップ１１３で
は、ステップ１１２_1，１１２_2，...，１１２_7 によ
って得られた確信度を合成する。このようにして合計さ
れた確信度をもとに、ステップ１１４で最終的な文字種
判定を行なう。例えば、上に述べたのような確信度の場
合には、それぞれの日本文らしさまたは英文らしさの確
信度の合計値または平均値をステップ１１３で求め、英
文らしさの確信度の合計値または平均値と日本文らしさ
の確信度の合計値または平均値とを比較し、値が小さい
ほうの文字種を最終的な判定結果とする。

【００５６】

【発明の効果】以上、詳細に説明した如く、請求項１乃
至７記載の発明によれば、文書全体または文書の大きな
領域についての大局的な文字種識別を効率的に行なうこ
とができ、処理に必要なメモリ量も少なくても済むよう
になり、また領域分割の前処理として文字種識別を行な
うことが可能になる。

【００５７】請求項１記載の発明によれば、文字矩形の
縦横比の分布の相違する文字種（例えば日／英）の識別
を効果的に行なうことができる。

【００５８】請求項２記載の発明によれば、文書画像を
圧縮した場合に、文字間が融合しやすい文字種と融合し
にくい文字種との識別（例えば英／日識別）を効果的に
行なうことができる。

【００５９】請求項３記載の発明によれば、縦横比がほ
ぼ１の文字種とそうでない文字種との識別（例えば日／
英識別）を効果的に行なうことができる。

【００６０】請求項４記載の発明によれば、１文字が複
数の矩形に分離しやすい文字種とそうでない文字種との
識別（例えば日／英識別）を効果的に行なうことができ
る。請求項５記載の発明によれば、文書画像を圧縮した
場合に、文字矩形間距離の分布が相違する文字種の識別
（例えば日／英識別）を効果的に行なうことができる。

【００６１】請求項６記載の発明によれば、文書を圧縮
した場合に、標準文字サイズに対する矩形間の相対的距
離の分布が相違する文字種の識別（例えば日／英識別）
を効果的に行なうことができる。

【００６２】請求項７記載の発明によれば、日本文にお
ける句読点の部分の文字間距離の特殊性に着目し、日本
文と英文などの識別を効果的に行なうことができる。

【図面の簡単な説明】

【図１】本発明の各実施例に係る文字種識別装置の構成
例を示すブロック図である。

【図２】実施例１の処理フローを示すフローチャートで
ある。

【図３】実施例２の処理フローを示すフローチャートで
ある。

【図４】（ａ）行方向が横の横書き日本文の標準文字サ
イズの説明図である。 （ｂ）行方向が横の英文の標準文字サイズの説明図であ
る。 （ｃ）行方向が縦の横書き日本文の標準文字サイズの説
明図である。 （ｄ）行方向が縦の縦書き日本文の標準文字サイズの説
明図である。 （ｅ）行方向が縦の英文の標準文字サイズの説明図であ
る。

【図５】実施例３の処理フローを示すフローチャートで
ある。

【図６】実施例４の処理フローを示すフローチャートで
ある。

【図７】実施例５の処理フローを示すフローチャートで
ある。

【図８】文字矩形間距離の測定の説明図である。

【図９】実施例６の処理フローを示すフローチャートで
ある。

【図１０】（ａ）コラム間である可能性が高いため矩形
間距離の測定対象から除外するケースの説明図である。 （ｂ）コラム間である可能性が低いため矩形間距離の測
定対象とするケースの説明図である。

【図１１】実施例７の処理フローを示すフローチャート
である。

【図１２】実施例８の処理フローの概略を示すフローチ
ャートである。

【符号の説明】

１ 画像入力部 ２ スキャナ ３ 画像メモリ ４ 画像圧縮部 ５ 外接矩形検出部 ６ 矩形メモリ ７ 特徴抽出部 ８ 文字種判定部 ９ 文字種出力部 ７０〜７２ 文字矩形 ９０〜９５ 文字矩形

Claims (7)

【特許請求の範囲】
1. 【請求項１】 紙文書を読み取った画像データを圧縮し
   て圧縮画像を生成する処理と、該圧縮画像中の黒画素連
   結成分の外接矩形であって文字の矩形らしい文字矩形を
   抽出する処理と、該紙文書の行に対して垂直な方向と平
   行な方向の、該文字矩形の大きさの比の分布を少なくと
   も含む特徴量を求める処理と、該特徴量に基づいて該紙
   文書の文字種を判定する処理とからなる文字種識別方
   法。
2. 【請求項２】 紙文書を読み取った画像データを圧縮し
   て圧縮画像を生成する処理と、該圧縮画像中の黒画素連
   結成分の外接矩形を抽出する処理と、該紙文書の行に対
   して垂直方向の該外接矩形の大きさより固有値を求める
   処理と、該外接矩形の中から文字の矩形らしい文字矩形
   を抽出する処理と、該文字矩形の中で該紙文書の行に対
   して平行な方向の大きさが該固有値以下のものの個数
   と、該文字矩形の総数との比を少なくとも含む特徴量を
   求める処理と、該特徴量に基づいて該紙文書の文字種を
   判定する処理とからなる文字種識別方法。
3. 【請求項３】 紙文書を読み取った画像データを圧縮し
   て圧縮画像を生成する処理と、該圧縮画像中の黒画素連
   結成分の外接矩形を抽出する処理と、該紙文書の行に対
   して垂直方向の該外接矩形の大きさより固有値を求める
   処理と、該外接矩形の中から文字の矩形らしい文字矩形
   を抽出する処理と、該文字矩形の中で該紙文書の行に対
   して平行な方向の大きさが該固有値のほぼ整数倍のもの
   の頻度を少なくとも含む特徴量を求める処理と、該特徴
   量に基づいて該紙文書の文字種を判定する処理とからな
   る文字種識別方法。
4. 【請求項４】 紙文書を読み取った画像データを圧縮し
   て圧縮画像を生成する処理と、該圧縮画像中の黒画素連
   結成分の外接矩形であって文字の矩形らしい文字矩形を
   抽出する処理と、該文字矩形の相互間の重なりもしくは
   包含関係の頻度を少なくとも含む特徴量を求める処理
   と、該特徴量に基づいて該紙文書の文字種を判定する処
   理とからなる文字種識別方法。
5. 【請求項５】 紙文書を読み取った画像データを圧縮し
   て圧縮画像を生成する処理と、該圧縮画像中の黒画素連
   結成分の外接矩形であって文字の矩形らしい文字矩形を
   抽出する処理と、該文字矩形について該紙文書の行の方
   向に重なりのある隣接するものの距離の頻度分布を少な
   くとも含む特徴量を求める処理と、該特徴量に基づいて
   該紙文書の文字種を判定する処理とからなる文字種識別
   方法。
6. 【請求項６】 請求項５記載の文字種識別方法におい
   て、特徴量を求める処理で、あるスペース間値以下の距
   離の頻度分布と該スペース間値より大きな距離の頻度分
   布とを求めることを特徴とする文字種識別方法。
7. 【請求項７】 紙文書を読み取った画像データを圧縮し
   て圧縮画像を生成する処理と、該圧縮画像中の黒画素連
   結成分の外接矩形であって文字の矩形らしい文字矩形を
   抽出する処理と、該紙文書の行の方向に重なりのある隣
   接した該文字矩形間の、あるスペース間値を超える大き
   さのスペース部分を検出する処理と、該スペース部分の
   該紙文書の行の先頭側にある文字矩形の部分について、
   該画像データを参照し日本文で用いられる句読点らしい
   か調べる処理と、当該処理で句読点らしいと判断される
   頻度に基づいて該紙文書の文字種を判定する処理とから
   なる文字種識別方法。