[논문 리뷰] Locating Tables in Scanned Documents for Reconstructing and Republishing (ICIAfS14)

Akmal Jahan Mac, Roshan Ragel|arXiv (Cornell University)|2014. 12. 24.

Handwritten Text Recognition Techniques참고 문헌 19인용 수 4

한 줄 요약

이 논문은 스캔된 문서 이미지에서 표를 검출하고 추출하기 위해 국소 임계값을 사용하는 규칙 기반 알고리즘을 제안한다. 이는 298건의 문서에서 75%의 정확도를 달성한다. 기존의 가시 그리드 선에 의존하는 방법들과 달리, 다양한 폰트, 스타일, 다중 열 레이아웃에서도 형식을 유지하여 인쇄된 문서의 정확한 재구성과 재게재를 가능하게 한다.

ABSTRACT

Pool of knowledge available to the mankind depends on the source of learning resources, which can vary from ancient printed documents to present electronic material. The rapid conversion of material available in traditional libraries to digital form needs a significant amount of work if we are to maintain the format and the look of the electronic documents as same as their printed counterparts. Most of the printed documents contain not only characters and its formatting but also some associated non text objects such as tables, charts and graphical objects. It is challenging to detect them and to concentrate on the format preservation of the contents while reproducing them. To address this issue, we propose an algorithm using local thresholds for word space and line height to locate and extract all categories of tables from scanned document images. From the experiments performed on 298 documents, we conclude that our algorithm has an overall accuracy of about 75% in detecting tables from the scanned document images. Since the algorithm does not completely depend on rule lines, it can detect all categories of tables in a range of scanned documents with different font types, styles and sizes to extract their formatting features. Moreover, the algorithm can be applied to locate tables in multi column layouts with small modification in layout analysis. Treating tables with their existing formatting features will tremendously help the reproducing of printed documents for reprinting and updating purposes.

연구 동기 및 목표

• 디지털 변환 과정에서 스캔된 문서의 표를 정확하게 검출하는 데 도전하는 것.
• 문서 재구성 과정에서 원본 표의 레이아웃, 폰트, 스타일 등의 형식을 유지하는 것.
• 다양한 스캔된 문서에서 폰트 유형, 크기, 스타일의 변화에 강건한 방법을 개발하는 것.
• 가시 그리드 선이 필요 없이 다중 열 레이아웃에서도 효과적인 표 검출을 가능하게 하는 것.
• 인쇄된 문서를 자동으로 디지털 형식으로 재게재하고 업데이트하는 것을 지원하는 것.

제안 방법

• 스캔된 문서 이미지에서 잠재적인 표 영역을 식별하기 위해 단어 간격과 줄 간격에 대한 국소 임계값을 사용한다.
• 텍스트 줄과 단어 간의 공간적 관계를 분석하여, 가시 격자선에 의존하지 않고 표 유사 구조를 탐지한다.
• 폰트 크기, 스타일, 문서 레이아웃의 변동성을 처리하기 위해 적응형 임계값 기법을 적용한다.
• 이미지 이진화 및 노이즈 감소 등의 전처리 단계를 거쳐 기능 탐지 성능을 향상시킨다.
• 레이아웃 분석 모듈과 통합되어 다중 열 문서 구조에서도 소수의 수정만으로도 검출이 가능하다.
• 검출된 표의 형식 특징을 추출하고 보존하여 후속 재구성 및 재게재 과정에 활용한다.

실험 결과

연구 질문

• RQ1 가시 그리드 선에 의존하지 않고 스캔된 문서 이미지에서 표를 신뢰성 있게 검출할 수 있는가?
• RQ2 다양한 문서 레이아웃에서 일반 텍스트와 표 영역을 효과적으로 구분하는 국소 이미지 특징는 무엇인가?
• RQ3 임계값 기반 방법이 스캔된 문서에서 다양한 폰트 유형, 크기, 스타일에 대해 얼마나 정확도를 유지할 수 있는가?
• RQ4 제안된 방법을 다중 열 문서 레이아웃의 표 검출로 확장할 수 있는가?
• RQ5 디지털 재구성 과정에서 형식을 얼마나 잘 유지하는가?

주요 결과

• 제안된 알고리즘은 298건의 스캔된 문서로 구성된 데이터셋에서 총 검출 정확도 75%를 달성한다.
• 이 방법은 다양한 폰트 유형, 스타일, 크기에서 표를 성공적으로 검출하여 시각적 변동성에 강건함을 입증한다.
• 가시 그리드 선에 의존하지 않기 때문에, 희박하거나 누락된 격자선이 있는 문서에서도 표를 검출할 수 있다.
• 형식 특징의 높은 정밀도 유지가 유지되어 정확한 문서 재게재에 필수적이다.
• 최소한의 수정으로 다중 열 레이아웃에 적응할 수 있어 실용적 적용성을 높인다.
• 결과적으로 국소 임계값을 적용한 단어 간격과 줄 간격 분석은 스캔된 문서에서 표 검출에 실현 가능하고 효과적인 전략임을 시사한다.