新聞画像アーカイブのための画像処理技術の研究

摘要

古い活字文書に対する画像同士の比較による全文検索技術が研究されている．全文検索にあたってはあらかじめ文字切り出しがなされていることが望ましいが，古い活字文書は現代の文書とは異なる特性を持っており，市販 OCR ソフトウェアでは高精度な文字切り出しが行えない．そこで本研究では，明治期の新聞画像に対する全文検索のため，高精度な文字切り出しを行うための画像処理技術について研究する．精度低下を招く要因として考えられる罫線・ノイズ・ルビを除去する手法を提案し，高精度化を図る．また，市販 OCR ソフトウェアでは古い活字文書に対するレイアウト解析に限界があるため，あらかじめ行切り出しを行うことでそれを助ける．実験の結果，文字切り出しの精度を約92％まで向上させることができた．%We previously researched a fast full text searching method using word spotting technique. This method needed to segment newspaper image into character images in advance, however it was a difficult issue. Optical character recognition can be applied only if document images are noiseless and are printed in modern technique, but it cannot be applied to old and degraded document images. We propose an image processing method to improve character segmentation. To segment a whole newspaper image into paragraph images, ruled lines are detected using Hough Transform. The paragraph images contain some hindrances for character segmentation such as ruled lines, ruby characters and noises. Our algorithms remove them. The proposed system is tested for 20 paragraph images of historical newspaper. The accuracy of character segmentation is improved to approximately 92%.