[論文レビュー] Locating Tables in Scanned Documents for Reconstructing and Republishing (ICIAfS14)

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

Handwritten Text Recognition Techniques参考文献 19被引用数 4

ひとこと要約

本論文では、文書画像の表検出と抽出を目的としたルールベースのアルゴリズムを提案する。この手法は、局所的なしきい値を用いて語間隔と行間を処理し、298件のドキュメントで75%の正確性を達成した。可視の罫線に依存する手法とは異なり、多様なフォント、スタイル、マルチカラムレイアウトにおいてもフォーマットを保持でき、印刷済みドキュメントの正確な再構築と再公開を可能にする。

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.

研究の動機と目的

• スキャン済みドキュメントのデジタル変換過程における表の正確な検出の課題に対処すること。
• ドキュメント再構築の過程で、レイアウト、フォント、スタイルを含む元の表のフォーマットを保持すること。
• スキャン済みドキュメントの多様なフォントタイプ、サイズ、スタイルの変動に対して頑健な手法を開発すること。
• 罫線が存在しない状況でも、マルチカラムレイアウトにおける効果的な表検出を可能にすること。
• 印刷済みドキュメントの自動的再公開および更新をデジタル形式で支援すること。

提案手法

• 本手法は、スキャン済みドキュメント画像内の潜在的な表領域を特定するために、語間隔および行間の局所的しきい値を用いる。
• 可視のグリッド線に依存せずに、テキスト行および語の空間的関係を分析することで、表に類似した構造を検出する。
• フォントサイズ、スタイル、ドキュメントレイアウトの変動に対応するため、適応的しきい値処理技術を適用する。
• 特徴抽出の強化を目的として、二値化およびノイズ低減などの一連の前処理ステップをドキュメント画像に適用する。
• レイアウト解析モジュールと統合することで、わずかな修正でマルチカラムドキュメント構造における検出をサポートする。
• 検出された表のフォーマット特徴を抽出・保持し、後続の再構築および再公開に活用する。

実験結果

リサーチクエスチョン

• RQ1 可視の罫線に依存せずに、スキャン済みドキュメント画像における表を信頼性高く検出する方法は何か？
• RQ2 多様なドキュメントレイアウトにおいて、通常のテキストと表領域を効果的に区別するための局所的画像特徴は何か？
• RQ3 しきい値ベースの手法が、スキャン済みドキュメントにおけるフォントタイプ、サイズ、スタイルの変動に対し、どの程度正確性を維持できるか？
• RQ4 提案手法をマルチカラムドキュメントレイアウトにおける表検出に拡張可能か？
• RQ5 印刷済みドキュメントのデジタル再構築過程において、フォーマット保持の観点で本手法はどの程度の性能を示すか？

主な発見

• 提案されたアルゴリズムは、298件のスキャン済みドキュメントから成るデータセットにおいて、全体で75%の検出正確性を達成した。
• 本手法は、フォントタイプ、スタイル、サイズの広範な範囲において表を検出でき、視覚的変動に対して頑健であることを示した。
• 可視の罫線に依存しないため、罫線が疎だったり欠損していたりするドキュメントにおいても、表を検出できた。
• フォーマット特徴の保持が高く維持されており、正確なドキュメント再公開に不可欠である。
• 最小限の修正でマルチカラムレイアウトに対応可能であり、実用的応用性が向上した。
• 語間隔および行間の局所的しきい値処理が、スキャン済みドキュメントにおける表検出に実用的で効果的な戦略であると示唆された。