JPH09179937A

JPH09179937A - 文書画像のセンテンスの境界の自動識別方法

Info

Publication number: JPH09179937A
Application number: JP8320505A
Authority: JP
Inventors: Dan S Bloomberg; ダン・エス・ブルームバーグ
Original assignee: Xerox Corp
Current assignee: Xerox Corp
Priority date: 1995-12-14
Filing date: 1996-11-29
Publication date: 1997-07-11
Also published as: US5892842A; EP0779594A2; EP0779594A3

Abstract

(57)【要約】【課題】ＯＣＲを実行せずに文書画像中のセンテンス
の境界を自動的に識別すること。【解決手段】この識別方法は、１行のテキストの複数
個の連結成分から１個の連結成分を選択することから始
まる。次に、選択された連結成分の形に基づき、この連
結成分がピリオドを表しているか否か判断される。選択
された連結成分がドット形であれば、選択された連結成
分がコロンを表しているか否か判断される。最後に、選
択された連結成分がドット形であるが、コロンの一部で
はない場合、選択された連結成分はセンテンスの境界と
して標識される。

Description

【発明の詳細な説明】

【０００１】

【課題を解決するための手段】ＯＣＲを実行せずに文書
画像中のセンテンスの境界を自動的に識別する技術につ
いて述べる。この識別方法は、１行のテキストの複数個
の連結成分から１個の連結成分を選択することから始ま
る。次に、選択された連結成分の形に基づき、この連結
成分がピリオドを表しているか否か判断される。選択さ
れた連結成分がドット形であれば、選択された連結成分
がコロンを表しているか否か判断される。最後に、選択
された連結成分がドット形であるが、コロンの一部では
ない場合、選択された連結成分はセンテンスの境界とし
て標識される。

【０００２】

【発明実施の形態】図１に、命令１３８を実行すること
によって本方法を実施するコンピュータシステム１０の
ブロック図を示す。命令１３８は、コンピュータシステ
ム１０のオペレーションを変更し、最初に光学式文字認
識を行わずに、画像として提示されている文書中のセン
テンスの境界を識別できるようにする。センテンスの境
界を標識することにより、コンピュータシステム１０は
命令１３８により、最初ＯＣＲを実行せずに画像から文
書の主題総括を作成させることが可能になる。

【０００３】コンピュータシステム１０について考えて
みよう。コンピュータシステム１０は、コンピュータユ
ーザの目に見えるように情報を表示するモニタ１２を備
えている。コンピュータシステム１０は、プリンタ１３
を介してコンピュータユーザに情報を出力したりもす
る。キーボード１４により、コンピュータユーザは打鍵
によってコンピュータシステム１０にデータを入力する
ことができる。コンピュータユーザは、マウス１６を動
かすことによって、モニタ１２に表示されたポインタを
移動することができる。コンピュータユーザは、スタイ
ラスまたはペンを利用して電子タブレット１８上に書く
ことによって、コンピュータシステム１０に情報を入力
することもできる。あるいは、コンピュータユーザは、
ディスクをフロッピーディスクドライブ２２に挿入する
ことによって、フロッピーディスクのような磁気媒体に
記憶されたデータを入力することができる。また、コン
ピュータユーザは、スキャナ２４により、文書２６の画
像のハードコピーの電子バイナリ表現を入力することが
できる。

【０００４】プロセッサ１１は、メモリ２８またはディ
スクドライブ２２内フロッピーディスク上に電子的に記
憶された命令を実行することによって、各ユーザコマン
ドに応じた適切な動作を決定し、これを実行する。

【０００５】図２に、最初にＯＣＲを実行せずに文書画
像から文書の主題総括を作成する命令２９を、フロー図
の形で示す。

【０００６】プロセッサ１１は、スキャナ２４からの文
書のページ画像と主題総括要求を受信すると、命令２９
の実行を開始する。最初に、プロセッサ１１は、文書画
像のテキストが単一配置方向に向いていると仮定し、そ
の後、ブルームバーグ（Ｂｌｏｏｍｂｅｒｇ）、コペッ
ク（Ｋｏｐｅｃ）、デイサリ（Ｄａｓａｒｉ）共著の
「文書画像の傾斜と配置方向の測定（Ｍｅａｓｕｒｉｎ
ｇｄｏｃｕｍｅｎｔｉｍａｇｅｓｋｅｗａｎｄ
ｏｒｉｅｎｔａｔｉｏｎ）」ＳＰＩＥＣｏｎｆ．２４
２２，ＤｏｃｕｍｅｎｔＲｅｃｏｇｎｉｔｉｏｎ
ＩＩ，ＳａｎＪｏｓｅ，ＣＡ，Ｆｅｂ．６ー
７，１９９５，ｐｐ．２７８−２９２に記述されて
いるような既知の方法を利用して、その配置方向を判断
する。プロセッサ１１が有意な配置方向を見出さない場
合は、文書画像には恐らくそのままで分析できるか、ス
キップできる程度の極く僅かなテキストしか含まれてい
ない。その後、プロセッサ１１は、文書画像の傾斜を取
り除くことによってステップ３０の第２タスクを実施す
る。これにより、後のセグメンテーション分析が単純化
され、後続のベースライン分析が向上される。プロセッ
サ１１は、「文書画像の傾斜と配置方向」（同誌）で論
じられている技術を利用して約０．１°以内の傾斜角度
を求め、その後、２つまたは３つの直交するシアーを利
用して文書画像を回転する。

【０００７】ステップ３２にて、プロセッサ１１は、文
書画像内のテキストブロックを識別することによって、
文書画像の下降型分割を開始する。

【０００８】中間調ならびに「画像」部分を取り除く好
適な方法は、Ｄ．Ｓ．ブルームバーグ（Ｂｌｏｏｍｂｅ
ｒｇ）の「多重レゾリューション文書画像の形態解析
（Ｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎｍｏｒｐｈｏｌｏ
ｇｉｃａｌａｎａｌｙｓｉｓｏｆｄｏｃｕｍｅｎｔ
ｉｍａｇｅｓ）」ＳＰＩＥＣｏｎｆ．１８１８，
ＶｉｓｕａｌＣｏｍｍｕｎｉｃａｔｉｏｎｓａｎ
ｄＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ ’９２，Ｂ
ｏｓｔｏｎ，ＭＡ，Ｎｏｖ．１８−２０，１９９
２，ｐｐ．６４８−６６２に記述されている。第１
に、プロセッサ１１は、文書画像の中間調部分のみの画
素を含むシード画像を形成する。第２に、プロセッサ１
１は、全部の画素をカバーするマスク画像を形成する。
マスクの連結性は、中間調シードと、中間調領域をカバ
ーする他の画素とをつなぐのに十分なものである。第
３、即ち最後に、プロセッサ１１は、シードからマスク
に、バイナリ復元、即ち充填、を施し、それによって中
間調「マスク」を作る。次にプロセッサ１１は、このマ
スクを利用して文書画像から「画像」部分を除去し、結
果文書画像のテキストとラインアートのみを残す。

【０００９】次にプロセッサ１１は、ステップ３２で、
隣接コラムのテキストブロックを結合しないように注意
しながら、テキストブロックの識別に戻る。プロセッサ
１１は、約７５画素／インチ（ｐｐｉ）の解像度でその
ように行う。プロセッサ１１は、文書画像の縦方向の白
色スペースのマスクをマスキングすることから始める。
このマスクは、文書画像を反転させてから、大きな垂直
構造化素子を用いてそれをオープンすることによって作
られる。次いで、プロセッサ１１は、適度な大きさに構
成された水平ならびに垂直構造化素子を利用してテキス
トブロックをクローズして、それぞれのテキストブロッ
クから単一連結成分を作る。その後、プロセッサ１１
は、白色スペースマスクを除き、隣接するテキストブロ
ックが確実に分離されるようにする。

【００１０】プロセッサ１１は、ステップ３２の最後の
タスクに進み、直前のタスクによって生成された、テキ
ストブロックを表さない連結成分を取り除く。プロセッ
サ１１は、これらの成分を除くために２種類のテクニッ
クを利用する。水平ルールのような幾つかの成分は、高
さがごく低いことによって識別されうる。更に精巧な直
線グラフィクスを伴う成分の識別には別のテクニックを
要する。これらの成分は、テキストブロック中に特徴的
に存在する内部テキストライン構造の欠如によって識別
されうる。プロセッサ１１は、ブロックの基礎をなす画
像中のキャラクタを水平方向に連結し、存在するであろ
うテキストラインを一体化することによって、有効なテ
キストブロックとこれらの成分を区別する。次にプロセ
ッサ１１は、結果として得られた「テキストライン」成
分を統計的に分析して、その平均幅と平均高、あるい
は、メジアン幅とメジアン高を求める。プロセッサ１１
は、高さ−幅の比が十分に大きな幅を備え、且つテキス
トブロックの推定幅の何分の一かに相当する平均幅を備
えた「テキストライン」成分を有するブロックを、テキ
ストブロックとして標識する。

【００１１】ステップ３４で、プロセッサ１１はステッ
プ３２で識別されたテキストブロック内のテキスト本体
を識別する。プロセッサ１１が総括のために主題センテ
ンスを後から選択するのは、テキスト本体からである。
プロセッサ１１は、メジアンフォントサイズに基づいて
テキストブロックを２クラスに分ける。これらのクラス
は、（１）テキストのフォントサイズが文書のメジアン
サイズに近いテキストブロックを表す適合と、（２）テ
キストのフォントサイズが文書のメジアンサイズからか
なり大きいまたは小さいテキストブロックを表す不適
合、である。

【００１２】プロセッサ１１は、ステップ３６で適合テ
キストブロックを選択し、それらの読取り順序を判断す
る。プロセッサ１１は、文書画像に含まれている配置情
報だけに基づいてこの判断を行う。

【００１３】プロセッサ１１は、垂直座標が互いに重な
り合うこれらブロックセットを識別することから下降型
分解を開始する。いい換えれば、プロセッサ１１は、関
連適合テキストブロックのセットを識別することから始
める。プロセッサ１１は、適合テキストブロックの長方
形境界ボックスの水平投影プロファイルを利用して、そ
のように行う。次に、これらの投影プロファイルは、ラ
イン上のランレングスのセットとみなされ、それぞれの
ランレングスに関連付けられた適合テキストブロックセ
ットは、その投影プロファイルから容易に判断される。
プロセッサ１１は、読取りに際して上から下に読まれる
ようにそれらのセットを配列する。

【００１４】次に、プロセッサ１１は、それぞれのセッ
ト内のブロックの読取り順序を判断する。プロセッサ１
１は、適合テキストブロック内の一対のブロックを選択
することから始める。通常、２ブロックが互いに重なり
合うことはない。これらのケースの場合、２ブロック間
に次の３種類の可能関係が存在する：１．一方のブロックが他方のブロックの上にあり、２
ブロック間に水平方向の重なりが存在する。２．一方のブロックが他方のブロックの左側にあり、
２ブロック間に垂直方向の重なりが存在する。３．２ブロック間に垂直方向の重なりも、水平方向の
重なりも存在しない。

【００１５】プロセッサ１１は、１対のテキストブロッ
クが前述のいずれの関係に適合しているかに基づいて、
この１対のテキストブロックの関連読取り順序を判断す
る。この１対のブロックが互いに重なっている場合、プ
ロセッサ１１は、ブロックに合った次の２種類の可能関
係に基づいて、別々の順序付け規則を利用する：１．一方の重なりブロックの左上端が、他方のブロッ
クの左上端の上方にある場合、高い方のブロックは、低
い方のブロックより先に読取られる。２．一方の重なりブロックの左上端が、他方のブロッ
クの左上端と同じ高さにあって、他方のブロックの左側
にある場合、最も左側のブロックが、その右側のブロッ
クより前に読取られる。

【００１６】これらの順序付け規則、ならびに、非重な
りブロックについて論じられる順序付け規則は変わるこ
とは無い。

【００１７】プロセッサ１１は、ステップ３８にて、適
合テキストブロックをテキストラインとワードに分割す
る。プロセッサ１１は、フォントサイズを探したのと同
様なオペレーションを利用して、テキストラインの場所
を突きとめる。それぞれの適合テキストブロック内で、
プロセッサ１１は、各テキストラインを１個の連結成分
に結合するのに十分な大きさの水平構造化素子による形
態クロージングオペレーションを利用する。プロセッサ
１１は、サイズに基づいて、真のテキストラインの連結
成分と、テキストのラインを表さない連結成分とを区別
し、更に考察を行って、偽のテキストラインを取り除
く。その後、真のテキストラインの連結成分の境界ボッ
クスを見つける。

【００１８】次に、プロセッサ１１は、各テキストライ
ン内で連結成分の境界ボックスを見つけることによっ
て、これらのテキストライン内のワードを見つけようと
する。プロセッサ１１は最初に小さな水平クロージング
を利用して、各ワードのほとんどの文字を連結する。次
に、プロセッサ１１は、見つかったばかりの連結成分の
ワード境界ボックスを探す。プロセッサ１１は、これら
のワード境界ボックスを、各テキストライン内で水平に
リストにソート処理する。プロセッサ１１は、直前のオ
ペレーションによって連結されなかったワードのほとん
どを、ワード境界ボックスに関する併合オペレーション
を実施することによって連結する。そのようにする際、
プロセッサ１１は最大水平間隙をスケーリングして、テ
キストラインの高さに近くする。ステップ３８で利用さ
れた方法の結果、句読点は常にワードに連結されないの
で、プロセッサ１１は、これらの小成分を配列ワードリ
ストから除去する。

【００１９】かくしてプロセッサ１１は、ステップ４０
にて、ＯＣＲを利用することなく同一ワードにどのワー
ド画像が対応するかを識別することに注意を向けること
が出来る。プロセッサ１１は、十分に同じような形をし
た全部のワードを、同一ワード等価クラスに置く。そう
する際、プロセッサ１１は、厳格過ぎもせず、寛大過ぎ
もしない整合パラメータを利用しなくてはならない。

【００２０】プロセッサ１１は、ブラー・ヒットミス変
換（ＢＨＭＴ）またはハウスドルフ変換の改変を利用し
て、ワード等価クラスを識別する。ステップ４０にて、
プロセッサ１１は、選択された変換の閉込め制約条件を
改変して、遠く離れたいくつかの画素が、画像のフォア
グラウンドに含まれるようにする。

【００２１】プロセッサ１１は、テンプレートとワード
画像境界ボックスの間のアライメントの一例を検証する
に過ぎない。この一例は、テンプレートとワード画像境
界ボックスの左上隅の一致である。

【００２２】プロセッサ１１は、単一パスを利用して、
ワード等価クラスを特定する。プロセッサ１１は、適合
ブロックの各ワード画像を分析して、既存のワード等価
クラスの見本と最も整合するものを見つける。プロセッ
サ１１が整合するものを見出すと、そのワード画像は、
ワード等価クラスの例示リストに追加される。整合する
ものが見出されない場合、プロセッサ１１は、ワード画
像を利用して見本として新しいワード等価クラスを形成
する。

【００２３】プロセッサ１１は、ワード等価リストと、
後で有用となる多数の情報とを関連付けることが好まし
い。これらの情報には、それぞれのワード等価クラスに
ついて、ワード等価クラスが出現する各センテンスのセ
ンテンスＩ．Ｄ．、画素単位によるワード幅、ならび
に、センテンスの最初の短くないワードとしてワードが
出現する回数が含まれる。あるワードが、何らかの短い
冠詞または前置詞を取り除くために考慮の末に選択され
た所定値よりも大きな幅を備えたセンテンス内の最初の
ワードであった場合には、そのワードは、センテンスの
最初の短くないワードと見なされる。

【００２４】ステップ４２で、プロセッサ１１は、適合
テキストのブロック内のセンテンス境界を識別ならびに
標識して、後から主題センテンスを選択できるようにす
る。プロセッサ１１は、テキストラインのベースライン
近くのピリオドを探してから、これらのピリオドの最も
近くにある関連ワードを見つけることによってセンテン
スを識別する。６〜１８ポイントの通常タイプのサイズ
の場合、約３００ｐｐｉという解像度で連結成分分析を
行わなくてはならない。センテンスを終結するピリオド
を識別するために、プロセッサ１１は、ベースライン付
近の胡椒をふったようなノイズ、コンマやセミコロン、
省略記号のドット、コロンの下側のドット、センテンス
内の略語を終わらせるドットから、ピリオドを区別しな
くてはならない。また、プロセッサ１１は、感嘆符や疑
問符の一部を形成するドットを識別しなくてはならな
い。プロセッサ１１は、センテンスを終わらせるピリオ
ドの後にくる引用符を識別しなくてはならない。プロセ
ッサ１１は、測定距離に基づいて、ピリオドと、それ以
外のタイプの句読点とを区別する。従って、文書画像を
走査する解像度とは無関係な、検証対象フォントサイズ
に基づいた比較基準を利用することが重要である。

【００２５】ステップ４４で、プロセッサ１１は直前の
画像処理で生成された情報を得て、主題総括を抜き出す
ためのセンテンス識別を開始するばかりとなる。プロセ
ッサ１１は、ドロップワードを識別することから始め
る。「ドロップワード」は、主題の意味を伝えない自然
言語テキストにごく頻繁に出現するワードのことであ
る。ほとんどの代名詞、前置詞、限定詞、ならびにｂｅ
動詞が、ドロップワードに分類される。

【００２６】ある単語がドロップワードである可能性を
判断する場合、多くの要因を考慮しなくてはならない。
ドロップワードは文書中にごく頻繁に出現する傾向があ
るが、論題内容を示す他の多くの単語についてもそうで
ある。従って、ドロップワードを識別するのに、頻繁性
だけを利用することが出来ない。多くのドロップワード
は短い傾向があるが、論題内容を示す多くの単語もそう
である。従って、ドロップワードを識別するのに、ワー
ド等価クラスの幅だけでは不十分である。多くのドロッ
プワードは、センテンスの最初に出現する傾向がある
が、他の論題内容ワードもそうである。そこでプロセッ
サ１１は、画素単位によるワード幅、文書内でのその出
現回数、センテンス内の最初の「幅広」ワードとして出
現する回数などの要因を組み合わせたものに基づいて、
或る単語がドロップワードではないという可能性を判断
する。

【００２７】次にプロセッサ１１は、ワード等価クラス
のリストから、最もドロップワードでありそうなワード
等価クラスを排除する。どのくらい多くの等価クラスを
ドロップワードとして排除するかは、処理される文書の
長さによって異なる。

【００２８】プロセッサ１１は、ステップ４４で作られ
た縮小ワードリストを利用して主題ワードを識別する。
プロセッサ１１は残存ワードのうち最も頻繁に出現する
ものを文書内容を示すもののように見なすので、そのよ
うなワードを主題ワードと呼ぶ。次にプロセッサ１１
は、主題ワードを利用して、適合テキストのブロック中
の各センテンスのスコアを付ける。各センテンスのスコ
アを付けた後、プロセッサ１１は、最もスコアの高いセ
ンテンスを選択して抜き出す。

【００２９】抜出し対象のセンテンスが選択されると、
プロセッサ１１は、それらを、総括しようとする文書に
出現する順序でコンピュータユーザに提示する。これら
のセンテンスは、モニタ１２、プリンタ１３で提示され
る場合もあるし、半導体メモリ２８またはディスクドラ
イブ２２内のフロッピーディスクのいずれかメモリに記
憶される場合もある。

【００３０】図３に、テキスト本体のブロックを識別す
る命令３４をフロー図で示す。プロセッサ１１は、ステ
ップ７０にて、優勢なフォントサイズを判断することに
よってテキスト本体を識別する作業を開始する。テキス
トの各ブロックのメジアンライン高は、先に求められて
いるので、プロセッサ１１は、この判断を比較的容易に
行うことができる。プロセッサ１１は、これらのブロッ
クのメジアンライン高を利用して、文書全体のメジアン
ライン高を見つける。

【００３１】プロセッサ１１は、ステップ７２にて、優
勢フォントサイズのテキストブロックを識別し、これに
フラグを付ける。優勢フォントサイズと異なるフォント
サイズが僅かながら存在するテキストのブロックは、適
合テキストブロックとしてフラグが付けられる。

【００３２】図４、図５に、適合テキストブロックの読
取り順序を判断する命令３６をフロー図の形で示す。プ
ロセッサ１１は、ブロック間の垂直座標の重なりに基づ
いて適合テキストブロックセットを識別することから始
める。プロセッサ１１は、適合テキストブロックの境界
ボックスの水平投影プロファイルを見つけることによっ
て、この判定を行うことができる。それぞれの投影プロ
ファイルは、ラインに関するランレングスセットと見な
され、それにより、プロセッサ１１は垂直座標が重なる
ブロックを容易に識別できる。これがなされると、プロ
セッサ１１は、上から下に適合テキストブロックのセッ
トを配列する。

【００３３】プロセッサ１１は、ステップ８４にて、適
合テキストブロックの各セット内のブロックの読取り順
序を判断するプロセスを開始する。最初にプロセッサ１
１は、処理するブロックセットを選択する。次に、ステ
ップ８６にて、プロセッサ１１は、選択ブロックセット
内の一対のブロックを選択する。

【００３４】プロセッサ１１は、選択された一対のテキ
ストブロックが互いに交わるか否かを判断することによ
り、ステップ８８にて利用する順序付け規則が２セット
の順序付け規則のいずれか判断する。プロセッサ１１
は、選択された一対のテキストブロックの境界ボックス
の座標を利用してこの判断を行う。もし、２つのブロッ
クが互いに交わらなければ、プロセッサ１１は、ステッ
プ９６にて、このペアのうち、最初に読取るべきブロッ
クは左上隅が最も高いところにあるブロックであること
を指示する。

【００３５】選択された一対のブロックが互いに交わら
ない場合、プロセッサ１１はステップ８８からステップ
９０に分岐する。ステップ９０にて、プロセッサ１１は
選択された一対のテキストブロックの相互の、ページ画
像上の相対位置を求める作業を開始する。プロセッサ１
１は、ページ上で、この対の一方のブロックが、他方の
上方にあるか否かを判断することから始める。もし一方
のブロックが他方の上方にある場合、プロセッサ１１は
ステップ９０を出て、ステップ９２に進む。ステップ９
２にて、プロセッサ１１は、選択された一対のテキスト
ブロックの水平投影プロファイルに重なりがあるか否か
判断する。選択された一対のブロックの水平座標が重な
っている場合、プロセッサ１１はステップ９４に進む。
このとき、プロセッサ１１は、対のうちの、低い方のブ
ロックより高い方のブロックを先に読まなくてはならな
いことを指示する。

【００３６】プロセッサ１１が、選択された一対のブロ
ックの間に所期の相対位置を見出せない場合、プロセッ
サ１１はステップ１１０に進む。ステップ１１０と１１
２にて、プロセッサ１１は再び選択された一対のブロッ
クの相対位置をチェックし、別のパターンに該当しない
かを調べる。最初にプロセッサ１１は、この対の一方の
ブロックが、他方のブロックの左側にあるか否かを判断
する。そうであれば、プロセッサ１１はステップ１１２
に進み、この一対のブロックの垂直座標が重なっている
か否かが判断される。垂直座標が重なっている場合に
は、この一対のブロックは検証対象パターンに一致して
おり、プロセッサ１１はステップ１１４に進む。ステッ
プ１１４で、プロセッサ１１は、最も左側のブロック
が、対の他方のブロックより先に読取られなくてはなら
ないと指示する。

【００３７】一対のブロックの間の所期の相対位置が見
つからない場合、プロセッサ１１はステップ１１６に進
む。プロセッサ１１は最初に、一対のブロックの水平座
標が重なっているか否かを判断する。そうであれば、ス
テップ１１８にて、プロセッサ１１は、この対の高い方
のブロックを低い方のものより先に読取らなくてはなら
ないことを指示する。一方、水平座標が重ならない場合
は、ステップ１２０にて、プロセッサ１１は、対の最も
左側のブロックを他方のブロックより先に読取らなくて
はならないことを指示する。

【００３８】選択された一対のブロックの間の相対的読
取り順序が示されると、プロセッサ１１はステップ９８
に達する。プロセッサ１１は、選択セット内の他の一対
のブロックを検証しなくてはならないか否かを明らかに
する。選択されたブロックセット内のすべてのブロック
対について検討がなされていない場合、プロセッサ１１
はステップ８６に戻って、選択セット内の別の一対のブ
ロックを選択し、前述のようにそれらを順序付けるす
る。一方、選択されたブロックセット内のすべてのブロ
ック対が順序付けられている場合には、プロセッサ１１
はステップ１００に進む。このとき、プロセッサ１１
は、他のブロックセットを順序付ける必要があるか否か
判断する。そうであれば、プロセッサ１１はステップ８
４に戻り、他のブロックセットを選択し、前述の方法で
順序付けを行う。一方、プロセッサ１１が既に全部のセ
ットの全部のブロックの相対読取り順序を決定している
場合には、プロセッサ１１はステップ１０２に進む。プ
ロセッサ１１は、その相対読取り順序に基づいて、各セ
ットの各ブロック内の読取り順序を決定する。

【００３９】図６に、適合テキストのブロック内のセン
テンス境界を識別するためにプロセッサ１１が実行する
命令４２の概要図を示す。

【００４０】プロセッサ１１は、ステップ１３８にて連
結成分を選択することから、命令４２の実行を開始す
る。その後、ステップ１４０にて、プロセッサ１１は、
選択された連結成分がピリオドであるか否かを判断す
る。

【００４１】ステップ１４２にて、プロセッサ１１は、
選択された連結成分がドットの形をしていてベースライ
ンに近接している場合でさえ、ピリオドでないか否かを
判断する多ステッププロセスを開始する。そうするため
に、プロセッサ１１は、１）選択された連結成分がコロ
ンの一部である可能性、２）選択された連結成分のドッ
ト列の一部である可能性、という２つの可能性を排除す
る。プロセッサ１１は、最初に、選択された連結成分
の、その隣接物に対する相対位置を求めることによっ
て、選択連結成分がコロンの一部であるか否かを検証す
る。選択された連結成分とその隣接物の相対位置から、
選択された連結成分がコロンの一部でないことが判明し
た場合、選択された連結成分はセンテンスの境界をマー
キングする句読点の一部である可能性がある。

【００４２】ステップ１４４にて、プロセッサ１１は、
選択された連結成分とそれに続く隣接物の相対位置を比
較することによって、選択された連結成分が省略記号の
一部か否かを判断する。省略記号の一部でない場合、選
択された連結成分はセンテンスの最後をマーキングす
る。

【００４３】ステップ１４６にて、プロセッサ１１は、
図９を参照して以下に述べられるように、選択された連
結成分が感嘆符または疑問符の一部であるか否かを判断
する。そうであるならば、選択された連結成分はセンテ
ンスを終結する句読点の一部である。従って、プロセッ
サ１１はステップ１４８に進み、選択された連結成分を
センテンス境界としてマーキングする。

【００４４】選択された連結成分が感嘆符または疑問符
の一部でない場合でも、依然としてセンテンスの最後を
マーキングする場合がある。これに応じて、プロセッサ
１１はステップ１５０に分岐する。プロセッサ１１は、
選択された連結成分の後ろに引用符が続いているか否か
を判断する。選択された連結成分の後ろに引用符がある
場合、選択された成分はセンテンスの終止句読点である
が、センテンス境界の特性を表してはいない。従って、
ステップ１５４にて、プロセッサ１１は、選択された成
分の後ろの引用符をセンテンス境界としてマーキングす
る。

【００４５】プロセッサ１１がステップ１５０の検証を
行わなくとも、選択された連結成分は、依然としてセン
テンスを終結するピリオドである可能性がある。この可
能性を反証否定するために、可能であるならば、プロセ
ッサ１１はステップ１５２にて、選択された連結成分が
センテンス内の略語の一部であるか否か判断する。選択
された連結成分はセンテンス内略語の一部でないとプロ
セッサ１１が判断した場合には、プロセッサ１１は、選
択された連結成分はセンテンスの境界をマーキングする
ピリオドであるとみなす。従って、ステップ１４８に
て、プロセッサ１１は、選択された連結成分をそのよう
にマーキングする。

【００４６】プロセッサ１１は、ステップ１４０、１４
２、１４４の検証のいずれかに失敗した後、あるいは、
センテンス境界を標識した後に、ステップ１５６に進
む。こうしてプロセッサ１１は、他の連結成分を検証し
残しているか否か判断する。そうであれば、プロセッサ
１１はステップ１３８に戻り、全部の連結成分が検証さ
れるまで命令４２を実行する。全部のセンテンスの境界
が標識されると、プロセッサ１１は次にステップ４４に
分岐する。

【００４７】図７に、選択された連結成分がピリオドで
あるか否かを判断する命令１４０をフロー図の形で示
す。

【００４８】最初に、ステップ１７０にて、プロセッサ
１１は選択された連結成分が胡椒をふったようなノイズ
であるか否かを判断する。プロセッサ１１は、選択され
た連結成分の境界ボックスのサイズに基づいて判定を行
う。境界ボックスのサイズが最小サイズより大きい場
合、選択された連結成分はピリオドであろう。最小境界
ボックスのサイズを、テキストラインのメジアン高ｘの
約１０分の１に設定すると具合がいい。選択された連結
成分が最小サイズより大きい場合、プロセッサ１１はス
テップ１７２に進む。

【００４９】プロセッサ１１は、ステップ１７２にて、
選択された連結成分がピリオドであるか否かを判断する
２番目の検証を実施する。プロセッサ１１は、２つの特
徴をチェックすることによって、選択された成分がドッ
トのような形であるか否かを判断する。考慮される最初
の特徴は、選択された連結成分の境界ボックスの各ディ
メンションのサイズである。各ディメンションは、高さ
ｘの第１分数より小さくなくてはならない。プロセッサ
１１が考慮する第２の特徴は、選択された連結成分の境
界ボックスの２つのディメンションの間のサイズの差で
ある。２つのディメンション間の差は、メジアン高ｘの
第二分数より小さくなくてはならない。選択された連結
成分の境界ボックスが、要求される特徴を両方とも備え
ている場合には、選択された連結成分は、コンマ、また
はセミコロンの下側に連結された成分ではなさそうであ
り、ピリオドであろう。

【００５０】ステップ１７４にて、プロセッサ１１は、
第３の検証を実施して、選択された連結成分がピリオド
であるか否かを判断する。ここでプロセッサ１１は、選
択された連結成分の位置を調べ、それがテキストライン
のベースライン付近にあるか否かを確認する。先に行わ
れたベースライン測定に何らかの小エラーがあるかも知
れないので、ベースラインから何個かの画素範囲内であ
れば、プロセッサ１１は、その選択連結成分をベースラ
イン上にあるものとみなす。選択された連結成分が十分
にベースラインに近ければ、プロセッサ１１はステップ
１４２に進む。

【００５１】選択された連結成分が所要の特徴のいずれ
も備えていないとプロセッサ１１が判断した場合、プロ
セッサ１１はステップ１５６に戻る。

【００５２】図８に、選択された連結成分がコロンであ
るか否かを判断する命令１４２をフロー図の形で示す。

【００５３】プロセッサ１１は、その作業をステップ１
８０から開始する。ステップ１８０にて、プロセッサ１
１は、選択された連結成分に隣接する両方の連結成分の
形を吟味する。ステップ１７２で利用されたものと同じ
検証をかけることによって判断されるように、これらの
いずれもがドット形でない場合、プロセッサ１１は選択
された連結成分がコロンの一部であるという可能性を排
除する。その場合、プロセッサ１１はステップ１４４に
進む。一方、隣接する連結成分のいずれかがドット形の
場合、選択された連結成分はコロンであろう。プロセッ
サ１１は、ステップ１８２に進むことによって、この可
能性に応じる。

【００５４】ステップ１８２で、プロセッサ１１は、選
択された連結成分ならびにそのドット形の隣接物が、コ
ロンのドットのように、一方が他方の上に配置されてい
ないか判断する。これら２個の連結成分がコロンを表示
するのであれば、それらの境界ボックスは垂直に位置合
わせされ、いくらかの量だけ互いに水平に重なるであろ
う。どのくらいの重なりであるかは重要ではない。２つ
の境界ボックスの間に重なりが全く無いということは、
選択された連結成分がコロンの一部でないことを示し、
それによりプロセッサ１１はステップ１８２からステッ
プ１４４に分岐する。選択された連結成分とそのドット
形の隣接物の境界ボックス間の重なりは、選択された連
結成分がコロンの一部であろうことを示すものである。

【００５５】ステップ１８４にて、プロセッサ１１は、
その最後の検証を実施して、選択された連結成分がコロ
ンの一部であるか否かを判断する。プロセッサ１１は、
２つの関連連結成分の境界ボックスの上部の間の距離を
調べて、隣接連結成分が、実際には、選択された連結成
分以外の別のテキストラインの一部であるという可能性
を排除する。これは、２つの境界ボックスの上部の間の
距離が、高さｘの第３分数を越える場合に最もありそう
なケースである。該距離がこの分数を越える場合、選択
された連結成分はコロンの一部ではなく、センテンス境
界の特性を表す。プロセッサ１１はステップ１４４に進
み、この可能性を究明する。一方、２つの境界ボックス
の上部の間の距離が、第３分数より小さい場合、選択さ
れた連結成分はコロンのようであり、センテンス境界を
マーキングしない。その場合、プロセッサ１１はステッ
プ１５６に戻る。

【００５６】図９に、選択された連結成分が省略記号の
一部であるか否かを判断する命令１４４をフロー図の形
で示す。

【００５７】プロセッサ１１は、ステップ１９０にて、
選択された連結成分の次に続く連結成分が、やはりドッ
ト形であるか否かを判断することから始める。プロセッ
サ１１は、ステップ１７２に関して論じられた方法を利
用して、そのように行う。後続連結成分がドット形でな
い場合、選択された連結成分は省略記号の一部でない、
あるいは、省略記号の最後のドットであろう。これは２
つの答えが存在する曖昧な状況である。まず、省略記号
が見つかった場合と同じことを行って、必ずセンテンス
を終結するか、絶対に終結しないか、を検討する。次
に、選択された連結成分の後の連結成分を分析して、後
続連結成分が新しいセンテンスを開始しているか確認す
る。これが命令１４４で取られる方法である。選択され
た連結成分が省略記号の最後のドットであるかも知れな
い場合、プロセッサ１１はステップ１４６に進んで、選
択された連結成分がセンテンス境界の特性を表すか否か
に関する他の手掛かりを探し続ける。

【００５８】後続連結成分がドット形であるので、選択
された連結成分が省略記号の一部かも知れない場合、プ
ロセッサ１１はステップ１９２に進む。プロセッサ１１
は、後続連結成分がベースラインにどのくらい近接して
いるかを調べる。ステップ１７４に関して先述された検
証により、後続連結成分がベースラインに十分に近接し
ていることが分かった場合、プロセッサ１１は、選択さ
れた連結成分は省略記号の一部であると見なす。従っ
て、プロセッサ１１は、ステップ１５６に進む。一方、
後続連結成分が、あまりベースラインに近接していない
場合、選択された連結成分は省略記号の一部とはみなさ
れず、センテンス境界をマーキングするであろう。

【００５９】図１０に、選択された連結成分の次に１個
または２個の引用符が続いているか否かを判断する命令
１５０をフロー図の形で示す。これにより、引用符をセ
ンテンス境界として標識することができ、関連センテン
スが主題センテンスとして抜出された場合に、提示画像
の始めと終わりの引用符が確実に含まれるようになる。

【００６０】ステップ２００にて、プロセッサ１１は、
後続の２つの連結成分が引用符のような形であるか否か
を判定する。第１に、それぞれの引用符形の連結成分の
境界ボックスの幅は、高さｘの第６分数より狭くなくて
はならない。第２に、引用符形の後続連結成分のそれぞ
れの境界ボックスの高さは、高さｘの第７分数より低く
なくてはならない。第３に、それぞれの引用符形の後続
連結成分の境界ボックスの高さと幅の差は、高さｘの第
８分数より小さくなくてはならない。２つの後続連結成
分の両方が、これら３つの制限のすべてを満足しない場
合、選択された連結成分の後ろに引用符はなく、プロセ
ッサ１１はステップ１５２に進む。一方、後続連結成分
の１個または両方が、３個全部の制限を満足する場合
は、プロセッサ１１はステップ１５４に進む。

【００６１】プロセッサ１１は、ステップ２０２にて、
選択された連結成分の位置に対する後続連結成分の位置
を検証する。後続連結成分は、引用符となるに十分なほ
ど、選択連結成分の上方にあるのだろうか。プロセッサ
は、高さｘの第４分数を利用して、この疑問に答える。
後続連結成分が、選択された連結成分の上部よりも十分
に上方にない場合、選択された連結成分の後に引用符は
ない。プロセッサ１１は、ステップ１５２に進むことに
よって、これに応じる。プロセッサ１１が、これとは逆
のことを見出した場合、つまり、後続連結成分境界ボッ
クスの上部が、選択された成分ｎ境界ボックスの上部か
ら少なくとも第４分数だけ上方にある場合、プロセッサ
１１はステップ２０４に分岐する。

【００６２】ステップ２０４にて、プロセッサ１１は、
少なくとも１回、最後の検証を行って、２つの後続連結
成分のうちの一方が引用符であるか否かを判断する。後
続連結成分のうちの一方または両方が引用符の形をして
いて、選択された連結成分の十分上方に離れた位置にあ
るとしても、それが選択された連結成分に水平方向に十
分に近くなければ、依然として引用符ではない。プロセ
ッサ１１は、両方の連結成分の左側間の距離を水平方向
に測定することによって、これを判断する。この距離
は、高さｘの第５分数より狭くなくてはならない。この
２つの連結成分がそれほど近接していない場合、プロセ
ッサ１１はステップ２０４を出て、ステップ１５２に進
む。一方、後続連結成分が、引用符であるに十分なほ
ど、選択された連結成分に近く続いている場合、プロセ
ッサ１１はステップ２０４からステップ１４８に進む。

【００６３】図１１に、選択された連結成分がセンテン
ス内の略語の一部であるか否かを判断する命令１５２を
フロー図の形で示す。

【００６４】ステップ２１０にて、プロセッサ１１は、
選択された連結成分に対する後続連結成分の位置が、セ
ンテンスを終結するものと矛盾しないものであるか否か
を判定する作業を開始する。最初に、プロセッサ１１
は、後続連結成分が、選択された連結成分と同じテキス
トラインの一部であるか否かを判定する。プロセッサ１
１はそのようにすることにより、隣接するテキストライ
ン間の垂直方向の離間が非常に小さいという理由で、選
択連結成分の下のラインと関連のある連結成分が、テキ
ストライン境界ボックスの一部としてとらえられる可能
性を排除する。この判定を行うために、プロセッサ１１
は、選択された連結成分と後続の連結成分の境界ボック
スの上部の間の垂直方向距離を測定する。２つの連結成
分間の垂直方向距離が、高さｘの第９分数を越えている
場合、この２つの連結成分は同一テキストラインに属さ
ない。

【００６５】２つの連結成分が同一テキストラインに属
さないことが判明すると、プロセッサ１１はステップ２
１２に分岐する。プロセッサ１１は、次に、この後続連
結成分の右側にある隣接物を、新しい後続連結成分とす
る。その後、プロセッサ１１は、ステップ２１０に戻
る。

【００６６】結局、プロセッサ１１は、同一テキストラ
インに含まれている選択連結成分の後に続く連結成分
が、テキストラインの最後に達する前の選択連結成分で
あると判断するであろう。これが発生した場合、プロセ
ッサ１１はステップ２１４に分岐する。かくしてプロセ
ッサ１１は、選択された連結成分と後続連結成分の相対
位置が、別のセンテンスを開始する大文字となる後続連
結成分であることに矛盾しないか否かを判断する作業を
開始する。プロセッサ１１は、後続連結成分が、選択さ
れた連結成分の左側に十分に離れているか否かを判断す
る。後続連結成分は、その境界ボックスの左端が、選択
された連結成分の境界ボックスの左端から、高さｘの第
１０分数だけ離れていれば、十分に離れていると見なさ
れる。２つの連結成分が互いにそれほど離れていない場
合、プロセッサ１１は、選択された連結成分をセンテン
ス内の略語の一部と見なし、ステップ１５６に分岐す
る。他方、２つの連結成分間の距離が十分に大きい場
合、後続連結成分は、別のセンテンスの最初であるかも
知れない。

【００６７】ステップ２１６にて、プロセッサ１１は、
後続連結成分が大文字であるに十分なほど大きいか否か
を判断する。プロセッサ１１は、後続連結成分の高さ
を、高さｘの第１１分数と比較することによって、この
判定を行う。この高さが第１１分数を越えない場合、プ
ロセッサ１１は、後続連結成分を大文字と見なさない
し、選択された連結成分をセンテンスを終結するピリオ
ドとも見なさない。その代わり、プロセッサ１１はステ
ップ１５６に分岐する。一方、後続連結成分の高さが第
１１分数を越える場合、後続連結成分は大文字であろ
う。

【００６８】ステップ２１８にて、プロセッサ１１は、
後続連結成分が、新センテンスを開始する大文字である
という仮説を検証し続ける。プロセッサ１１は、後続連
結成分がベースラインにどのくらい近接しているかを調
べることによって、そのように行う。大文字は、ベース
ラインに乗るので、後続連結成分の下部は、それが大文
字であるならば、ベースラインに近接するはずである。
プロセッサ１１は、ベースラインと後続連結成分の境界
ボックスの下部の距離が数画素を越えなければ、後続連
結成分はベースラインに近いと見なす。後続連結成分の
下部が、ベースラインから相当に離れている場合、プロ
セッサ１１はステップ１５６に進み、選択された連結成
分をセンテンス内の略語とみなす。逆に、後続連結成分
の下部がベースラインに十分に近接している場合、後続
連結成分は大文字であり、新センテンスの文頭であろ
う。

【００６９】プロセッサ１１は、ステップ２２０にて、
後続連結成分が新センテンスの最初か否かを判断する最
後の検証を実施する。プロセッサ１１は、後続連結成分
を、その右側の隣接物の高さと比較する。この連結成分
を、右隣接物と呼ぶ。大文字よりも高い文字はほとんど
ないので、後続連結成分の高さと比較して右隣接物の高
さが非常に大きい場合、後続連結成分は恐らく新センテ
ンスを開始しなであろう。プロセッサ１１は、２つの連
結成分の高さの差を第１２分数と比較することによっ
て、この判断を行う。右隣接物の高さが、後続連結成分
の高さより、第１２分数を越えて大きい場合、プロセッ
サ１１はステップ１５６に分岐し、選択された連結成分
をセンテンス内の略語と見なす。逆に、２つの連結成分
間の高さの差が第１２分数より小さい場合、プロセッサ
１１は、選択された連結成分を、センテンスを終結する
ピリオドと見なして、ステップ１４８に分岐する。

【００７０】図１２に、ワードリストからドロップワー
ドを識別して削除する命令４４をフロー図の形で示す。
命令４４の実行は、ワードリストと、ステップ４２で生
成された関連情報の受信後に開始される。

【００７１】プロセッサ１１は、各ワードごとに、その
ワードがドロップワードではない可能性を推測すること
から始める。この可能性を判断するために、画素単位で
のワード幅、適合テキストブロック内でのワードの出現
回数、文書内のワード総数、センテンス内の最初の短く
ないワードとしてそのワードが出現する回数、といった
多数の要因が利用される。本明細書中に使用されている
ように、短くないワードというのは、「ｔｈｅ」のよう
な、所定の短ワードよりも十分に大きいワードのことで
ある。

【００７２】一般に「ｔｈｅ」は、文書中で最も頻繁に
出現するワードであるので、プロセッサ１１は通常、ワ
ード等価クラスからそれを識別することができる。「ｔ
ｈｅ」を表すワード等価クラスを識別するために、プロ
セッサ１１は最初に、出現頻度に基づいてワード等価ク
ラスを順序付ける。「ｔｈｅ」の場所を確実に突きとめ
るために、プロセッサ１１は、最も頻繁に出現するワー
ド等価クラスの幅と、最も狭い頻繁出現ワード等価クラ
スの幅を比較する。プロセッサ１１は、２０〜５０の最
も頻繁に出現するワード等価クラスを探索することによ
って、最も狭い頻繁出現ワードを識別する。プロセッサ
１１は、最も頻繁に出現するワード等価クラスの幅が最
も狭い頻繁出現ワード等価クラスの幅の少なくとも４倍
である場合に「ｔｈｅ」を識別した、と仮定する。プロ
セッサ１１が「ｔｈｅ」を識別すると、それは選択され
た短ワードとして利用される。他方、プロセッサ１１が
「ｔｈｅ」を識別しなかった場合、最も狭い頻繁出現ワ
ード等価クラスが、選択短ワードとして利用される。

【００７３】短くないワードは、デザイン上の選択であ
るので、ワード等価クラスが、選択短ワードよりどのく
らい広いかは指定されなくてはならない。一実施例にお
いて、選択短ワードが「ｔｈｅ」の場合、短くないワー
ドは、選択短ワード幅の１．２倍である。選択短ワード
が最も狭い頻繁出現ワード等価クラスの場合、短くない
ワードは、選択短ワードの何倍かの広さ、例えば５ｘ、
でなくてはならない。

【００７４】各センテンスの最初の短くないワードを識
別した後、プロセッサ１１は、各ワードがドロップワー
ドではないという可能性を推測する。好ましくは、プロ
セッサ１１は、次の式により、この可能性の指標を計算
する。

【００７５】Ｌ＝（ω_i／ω_the）＊（１＋ｂ_i／ｆ_i）＋
（ｃ＊Ｗ／ｆ_i）式中、Ｌは、ワードがドロップワードでない可能性の指
標、ω_iは、ワードｉの画素単位幅、ω_theは、「ｔｈ
ｅ」というワードの画素単位幅、ｂ_iは、適合テキスト
ブロックの一つにおいて、センテンスの最初の短くない
ワードとしてワードｉが出現した回数、ｆ_iは、適合テ
キストブロックにおけるワードｉの出現回数、ｃは、２
項の間の一定重み付け係数で、好ましくは約０．０００
４の値、Ｗは、文書中のワード総数、である。

【００７６】式の最初の項である（ω_i／ω_the）＊（１
＋ｂ_i／ｆ_i）は、内容ワードとしてセンテンスの最初に
出現する傾向のある長いワードに好都合に作用し、次の
項（ｃ＊Ｗ／ｆ_i）は、内容ワードとしてセンテンスに
比較的少なく出現する傾向のあるワードに好都合に作用
する。

【００７７】プロセッサ１１は、ドロップワードではな
いという可能性に基づいて、ワード等価クラスを順序付
ける。その後、この順序は逆順にされて、ドロップワー
ドであるという可能性に基づいたワード等価クラスの順
序付けを生じる。

【００７８】プロセッサ１１はステップ２３０からステ
ップ２３２に進み、単純に、ワード等価クラス総数を、
いくつかの閾値と比較することにより文書が短いか長い
かを判定する。文書が短いものであれば、プロセッサ１
１はステップ２３４に分岐し、ドロップワードである可
能性が最も高いＸ個のワードをドロップワードとして削
除する。但し、Ｘは文書の長さに比例する。Ｘは、文書
の長さに伴って弱単調に増加させてもよい。他方、文書
が長いものである場合、プロセッサ１１はステップ２３
６に進む。この場合、プロセッサ１１は、ドロップワー
ドである可能性が最も高いＹ個のワードを、ドロップワ
ードとして削除する。但し、Ｙは定数である。

【００７９】図１３に、主題センテンスを抜き出す命令
４６をフロー図の形で示す。

【００８０】ステップ２４８にて、プロセッサ１１は、
主題総括の長さをＳとして、主題センテンスの選択に利
用する主題ワード数を求める。主題ワード数はＫで示さ
れている。一般に、Ｋは、Ｓより小さく、１より大き
い。ＫがＳより小さいことを要求することにより、選択
主題センテンス間の主題の共通性が保証される。

【００８１】プロセッサ１１は、Ｋの値を利用して、主
題ワードを選択するプロセスを開始する。ステップ２５
０で、プロセッサ１１は、ワードリストを分析して、文
書中に各ワード等価クラスが出現する回数を求める。こ
れは、単に、各ワードと関連のあるセンテンスＩ．Ｄ．
の数を数えることによって行われる。その後、プロセッ
サ１１は、計数に基づいてワードをソート処理する。同
計数を有する２個のワードの引分け関係は、ワード画像
の幅の広いほうに有利に破られる。その後、プロセッサ
１１はステップ２５２に進む。次にプロセッサ１１は、
ソート処理されたワードリストから、最も計数の高かっ
たＫ個のワードを選択する。これが済むと、プロセッサ
１１はステップ２５４に進む。

【００８２】プロセッサ１１は、文書中のＫ個の主題ワ
ードの総出現回数を計算する。Ｎで示されるこの数字
は、Ｋ個の主題ワードの計数を合計することによって算
出される。プロセッサ１１は、ステップ２５６に分岐す
る。

【００８３】かくして、プロセッサ１１は、文書のセン
テンスの主題内容の評価を開始できるばかりとなる。ス
テップ２５６、２５８、２６０、２６２にて、プロセッ
サ１１は、Ｋ個の主題ワードの少なくとも１個を含んで
いるセンテンスだけを検討する。プロセッサ１１は、記
憶されたワードリストのうちで、最もスコアの高かった
Ｋ個のワードを調べることによって、そのように行う。
ステップ２５６にて、ｔ_sで示される１個のワードを選
択した後、プロセッサ１１は、選択ワードｔ_sと関係の
ある各センテンスＩ．Ｄ．を調べる。選択ワードｔ_sと
関係のある各センテンスＩ．Ｄ．に対し、プロセッサ１
１はそのセンテンスのスコアを増分する。

【００８４】センテンスのスコアは、ステップ２５８に
てセンテンススコアリストを作成することによって追跡
できる。プロセッサ１１がセンテンスＩ．Ｄ．を選択す
るたびに、センテンススコアリストは、それにセンテン
スＩ．Ｄ．が含まれているか否か、調べられる。含まれ
ていない場合には、センテンススコアリストにセンテン
スＩ．Ｄ．が加えられ、そのスコアが適宜に増加され
る。他方、センテンススコアリストに既に特定のセンテ
ンスＩ．Ｄ．が含まれている場合、既にセンテンスに関
連付けられているスコアは、前述の方法で増分される。

【００８５】選択ワードｔ_sに関連付けられた全部のセ
ンテンスのスコアを増分した後、プロセッサ１１はステ
ップ２６０に分岐する。プロセッサ１１は、主題ワード
の評価が済んだか否かを判断する。評価が済んでいない
場合には、プロセッサ１１はステップ２５６に戻り、選
択ワードとして別の主題ワードを選択する。プロセッサ
１１は、全部の主題ワードの検証がなされるまで、先に
述べた様にステップ２５６、２５８、２６０を経て分岐
する。全てが評価済みという事象が発生すると、プロセ
ッサ１１はステップ２６２に分岐する。

【００８６】プロセッサ１１は、最もスコアの高いＳ個
のセンテンスを主題総括として選択する。プロセッサ１
１は、スコアに基づいてセンテンススコアリストをソー
ト処理することによって、これを行う。主題センテンス
を選択した後、プロセッサ１１は、ユーザに主題総括を
提示する場合もある。

【図面の簡単な説明】

【図１】命令を実行することによって本方法を実施す
るコンピュータシステムのブロック図である。

【図２】最初にＯＣＲを実行せずに文書画像から文書
の主題総括を作る命令のフロー図である。

【図３】テキスト本体のブロックを識別する命令のフ
ロー図である。

【図４】適合テキストブロックの読取り順序を判断す
る命令のフロー図の第１の部分である。

【図５】適合テキストブロックの読取り順序を判断す
る命令のフロー図の第２の部分である。

【図６】適合テキストのブロック内のセンテンス境界
を識別するためにプロセッサ１１が実行する命令の概要
図である。

【図７】選択された連結成分がピリオドであるか否か
を判断する命令のフロー図である。

【図８】選択された連結成分がコロンであるか否かを
判断する命令のフロー図である。

【図９】選択された連結成分が省略記号の一部である
か否かを判断する命令のフロー図である。

【図１０】選択された連結成分の次に１個または２個
の引用符が続いているか否かを判断する命令のフロー図
である。

【図１１】選択された連結成分がセンテンス内の略語
の一部であるか否かを判断する命令のフロー図である。

【図１２】ワードリストからドロップワードを識別し
て削除する命令のフロー図である。

【図１３】主題センテンスを抜き出す命令のフロー図
である。

【符号の説明】

１０コンピュータシステム１１プロセッサ１２モニタ１３プリンタ１４キーボード１６マウス１８電子タブレット２２フロッピーディスクドライブ２４スキャナ２６文書２８半導体メモリ

Claims

【特許請求の範囲】

【請求項１】各々が境界ボックスを有する複数の連結
成分を含む文書画像内のセンテンスの境界を光学式文字
認識を行わずに識別する方法で、当該方法を表現する命
令を記憶するメモリに結合されたプロセッサによって実
施される方法であって、ａ）複数の連結成分から１個の連結成分を選択するス
テップと、ｂ）選択された連結成分の形に基づいて、選択された
連結成分がピリオドかも知れないと判断するステップ
と、ｃ）選択された連結成分がコロンの一部であるか否か
を判断するステップと、ｄ）選択された連結成分が省略記号の一部であるか否
かを判断するステップと、ｅ）選択された連結成分が感嘆符または疑問符の一部
であるかを判断するステップと、ｆ）選択された連結成分がセンテンス内の略語である
か否かを判断するステップと、ｇ）選択された連結成分がピリオドであるかも知れ
ず、コロンの一部ではなく、省略記号の一部ではなく、
疑問符または感嘆符の一部ではなく、センテンス内の略
語の一部ではない場合に、この選択された連結成分をセ
ンテンス境界と標識するステップとを含む前記方法。
【請求項２】請求項１に記載の方法において、ステッ
プｂ）が、１）選択された連結成分がピリオドであるには、選択
された連結成分の境界ボックスが小さすぎるか否かを判
断するステップと、２）選択された連結成分の境界の形が、ドット形であ
るか否かを判断するステップと、３）選択された連結成分の境界ボックスが、選択され
た連結成分と関連のあるベースラインに近接しすぎてい
るか否かを判断するステップとを含むことを特徴とする
前記方法。
【請求項３】請求項１に記載の方法において、ステッ
プｃ）が、１）選択された連結成分に隣接する一対の連結成分の
うちのいずれかが、ドット形であるか否かを判断するス
テップと、２）選択された連結成分に隣接する一対の連結成分の
いずれかの境界ボックスが、選択された連結成分の境界
ボックスに重なっているか否かを判断するステップと、３）選択された連結成分の境界ボックスと、選択され
た連結成分に隣接する一対の連結成分のいずれかのボッ
クスの間の距離が、第１の閾値より小さいか否かを判断
するステップとを含むことを特徴とする前記方法。
【請求項４】請求項１に記載の方法において、ステッ
プｆ）が、１）後続連結成分が、選択された連結成分に十分に近
接しているか否かを判断するステップを含むことを特徴
とする前記方法。