JPH0451374A - 画像処理装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 本発明は、２値化画像から、元の多値画像を復元処理す
る画像処理装置に関するものである。

［従来の技術］ 従来、２値化画像から、元の多値画像を復元処理する方
法としては、矩形の平滑化フィルタ回路を用いるか、ま
たは、そのフィルタの処理結果をＲＯＭまたＲＡＭに、
ＬＵＴとして持つことにより行なわれている。３ｘ３の
フィルタから得たＬＵＴにより多値化する装置の例を第
７図に示す。

同図において、７０１は例えば、ＦＩＦＯ等で構成され
たラインバッファであり、図示しない画像入力装置より
の２値データの入力を受けて、３ラスタライン分のデー
タが蓄えられる。７．０２は、ラインバッファ７０１か
らの３ラインのデータをライン毎に３画素のデータをラ
ッチするデータラッチである。従って、このデータラッ
チ７０２からは、３×３のウィンドウの２値画像データ
が得られる。この３×３の９ビツトのデータは、例えば
、ＲＯＭ形式のＬＵＴ７０３のアドレスとして与えられ
る。ＬＵＴ７０３は、平滑化フィル夕の出力により決定
されたもので、入力データに対して、２５６階調（８ピ
ッｌ−、）の多値データを出力する。

［発明が解決しようとする課題］ しかしながら、上述の方法では、例えば、第８図（ａ）
に示す３×３の平滑化フィルタで処理をすると、中間調
画像部分は、比較的良好に多値化されるが、文字細線部
等の、濃度の差が激しいエツジ部分においては、ぼけが
生じる。第８図（ａ）に示す３×３の平滑化フィルタで
エツジ部分を処理した様子を第９図に示す。一方、第８
図（ｂ）のような、細線部に強くするために注目画素に
重点をおいた平滑化フィルタで処理する場合は、上述の
ぼりは解消されるが、中間調部分に２値画像特有の粒状
性が強く残り、背景や人間の肌等のなだらかな部分に濃
度の差ができてしまう。第８図（ｂ）に示す３Ｘ３の平
滑化フィルタで中間調部分を処理した様子を第１Ｏ図に
示す。

その解決策として、領域を判別して、細線部と画像部と
を別々に多値化するという方法が考えられるが、２値画
像データからの領域分離方法は、未だ確立されていない
のが現状である。

［課題を解決するための手段］ 上記課題を解決するために、本発明の画像処理装置は、
２値画像データを入力する入力手段と、入力された２値
画像データについて、文字細線部であるか画像部である
かをニューラルネットワクによって判別する判別手段と
、文字細線部に対する多値復元処理を、ニューラルネッ
トワークにより行なう第１の多値化手段と、画像部に対
する多値復元処理を、ニューラルネットワークにより行
なう第２の多値化手段と、前記判別手段の判別結果に基
づいて、前記第１または第２の多値化手段によって多値
復元処理するように制御する制御手段とを具える。

［作用］ 本発明によれば、入力された２値化画像から多値画像を
推定するために、文字細線部と画像部との領域の判別を
ニューラルネジ１〜ワークを用いて行ない、’Ｉ’ｌｌ
別結果に基づいて、文字細線部と画像部とそれぞれに対
応して設けられたニューラルネットワークによる多値化
手段で多値化される。

［実施例コ 第１図は、本発明の１実施例を示すブロック図である。

第１図において、１はＦＩＦＯ１ａ〜ｌｄで構成された
ラインバッファであり、図示しない画像入力装置よりの
２値デークの入力を受けて、４ラスタライン分のデータ
が蓄えられるものとする。

２は、ラインバッファ１０１からの４ラインのデータを
ライン毎に４画素のデータをラッチするデータラッチで
ある。従って、このデータラッチ２からは、４×４のウ
ィンドウの２値画像データが得られる。

この４Ｘ４の１６ビツトのデータは、ＲＯＭ形式の変換
テーブル３のアドレスとして与えられる。変換テーブル
３は、後述するように、ニューラルネットワークによっ
て決定されたもので、入力データに対して、２５６階調
（８ビット）の多値データを出力する。

以上の各部の制御は、不図示のＣＰＵによって行なわれ
る。

先ず、ニューラルネットワークを用いた２値化方式の推
定と、ニューラルネットワークを用いた多値化処理につ
いて説明する。

先ず、パックプロパゲーション型ニューラルネットワー
クにおける一般的な学習の手順を第２図（ａ）を例とし
て説明する。

第２図（ａ）に示されたニューラルネットワークでは、
入力層２０１にューロン数ｉｉ）からの出力（ｉ−ｏｕ
ｔ）２０４が、１層よりなる中間層２０２にューロン数
ｊｊ）に入力され、中間層２０２からの出力（ｊ−ｏｕ
ｔ）２０５が出力層２０３にューロン数ｋｋ）に入力さ
れ、出力層２０３からは、出力（ｋ−ｏｕｔ）２０６が
出力される。また、２０７は、理想出力（１ｄｅａｌ−
ｏｕｔ　）である。

ニューラルネットワークでは、入力データと、それに対
する理想出力（１ｄｅａｌ−ｏｕｔ　）とを用意し、こ
れと出力（ｋ−ｏｕｔ）２０６との比較により、中間層
における結合強度ＷＪＩ　［ｊ、Ｌ　ｉｉｌ（図中の２
０８）、出力層における結合強度Ｗ８゜［ｋｋ、　ｊｕ
ｌ　　（図中の２０９）を決定する。

上述のニューラルネットワークによる学習手順を、第２
図（ｂ）のフローチャートを用いて更に詳細に説明する
。

先ず、ステップ５４０１で、重み係数（結合強度）　Ｗ
ＪＩ　［ｊｊ、　ｉｉｌ　、　ＷｋＪ［ｋｋ、　ｊｊｌ
の初期値を与える。ここでは、学習過程での収束を考慮
して、−０，５〜＋０．５の範囲の値を選択する。

次に、ステップ５４０２で学習用の入力データ１−ｏｕ
ｔ（ｉ）を選択し、ステップ５４０３でこのデータ１−
ｏｕｔ（ｉ）を入力層にセットする。また、ステップ５
４０４で、入力データ１−ｏｕｔ（ｉ）に対する理想出
力（ｉｄｅａｌ−ｏｕｔ）を用意する。

そこで、ステップ５４０５で、中間層の出力ｊ−ｏｕｔ
（ｊ）を求める。

先ず、入力層よりのデータ１ｏｕｔ（ｉ）に中間層の重
み係数Ｗ　Ｊ　Ｉを掛け、その総和ＳｕｍｖＪを、Ｓｕ
ｍＦＪ＝ΣＷ　Ｊ　ｌ　［ｊｊ、　ｉｉｌ　＊　１−ｏ
ｕｔ（ｉ）により計算し、次に、このＳｕｍｒｔにｓｉ
ｇｍｏｉｄ関数を作用させて、ｊ番目の中間層の出力ｊ
−ｏｕｔ（ｊ）を、 によって計算する。

次に、ステップ８４０６で、出力層の出力に−ｏｕｔ（
ｋ）を求める。この手順はステップ８４０６と同様であ
る。

すなわち、中間層からの出力ｊ−ｏｕｔ（ｊ）に出力層
の重み係数Ｗ　ｋＪを掛け、その総和Ｓｕｍ−を、Ｓｕ
ｍｒｋ＝ΣＷ、　［ｋｋ、　ｊｊｌ　＊　ｊ−ｏｕｔ（
ｊ）により計算し、次に、この５Ｌｌｌｌｌｒｋにｓｉ
ｇｍｏｉｄ関数を作用させて、ｋ番目の中間層の出力に
−ｏｕｔ　（ｋ）を、 によって計算する。なお、この出力値は正規化されてい
る。

次に、ステップ５４０７では、以上により得られた出力
に−ｏｕｔ（ｋ）と、ステップ５４０４で用意した理想
出力１ｄｅａｌ−ｏｕｔ（ｋ）とを比較し、出力層の教
師信号ｔｅａｃｈ−ｋ　（ｋ）として、ｔｅａｃｈ−ｋ
（ｋ）　＝　（ｉｄｅａｌ−ｏｕｔ（ｋ）　−ｋ−ｏｕ
ｔ（ｋ））＊に−ｏｕｔ（ｋ）傘（１−ｋ−ｏｕｔ（ｋ
）ｌを求める。ここで、ｋ−ｏｕｔ（ｋ）＊（１−ｋ−
ｏｕｔ（ｋ））は、ｓｉｇｍｏｉｄ関数に−ｏｕｔ（ｋ
ｌの微分の意義を有する。

次に、ステップ５４０８で、出力層の重み係数の変化幅
ΔＷｋＪ［ｋｋ、　ｊｊｌを、△Ｗ、　［ｋｋ、　ｊｊ
ｌ　＝β＊ｊ−ｏｕｔ（ｊ）＊ｔｅａｃｈ−ｋ（ｋ）＋
α＊△ＷｌｌＪ［ｋｋ、　ｊｊ　］ により計算する。ここで、αは安定化定数、βは学習定
数と呼ばれる定数であり、急激な変化を押える役割を果
たしている。

ステップ５４０９では、この変化幅に基づいて、重み係
数ＷｋＪ［ｋｋ、　ｊｕｌを、ＷｋＪ［ｋｋ、ｊｕｌ　
＝ＷｋＪ［ｋｋ、　ｊｕｌ＋ΔＷ、　［ｋｋ、　ｊｊｌ と、更新する。すなわち学習を行なう。

次に、ステップ５４１０で、中間層の教師信号ｔｅａｃ
ｈ−ｊ　（ｊ）を計算する。そのために、先ず、Ｓｕｍ
＋＋Ｊ＝Σｔｅａｃｈ−ｋ（ｋ）＊　ｗｋ、　［ｊｊ、
　ｉｉｌに基づいて、出力層から、中間層の各素子への
逆方向の寄与を計算する。次にこのＳｕｍｌｌＪから、
中間層の教師信号ｔｅａｃｈ−ｊ　（ｊ）を以下の式に
より演算する。

ｔｅａｃｈ−ｊ　（ｊ）　＝　ｊ−ｏｕｔ（ｊ）＊（１
−ｊ−ｏｕｔ（ｊ））＊Ｓｕｍｓ、。

次に、ステップ５４１１で、中間層の重み係数の変化幅
△ＷＪＩ　［ｊｊ＋　Ｈ］を、△ＷＪ＋　［ｊｊ、　ｉ
ｉｌ　＝β＊１−ｏｕｔ（ｉ）＊ｔｅａｃｈ−ｊ　（ｊ
）＋α＊△ＷＪＩ　［ｊｊ＋　ｉｉｌ により計算する。

ステップ５４１２では、この変化幅に基づいて、重み係
数ＷＪＩ　［ｊｊ、　ｉｉｌを、ＷＪＩ　［ｊｊ、１１
］　＝ＷＪｌ　［ｊｊ＋　１１１＋△ＷＪＩ　［ｊｊ、
　ｉｉｌ と、更新する。すなわち学習を行なう。

こうして、ステップ８４０１〜４１２により、１組の入
力データとこれに対する理想出力とから、重み係数Ｗ、
１とＷｌとが１回学習された。

ステップ５４１３では、以上のような学習が全データに
ついて行なわれたかを調べ、ステップ５４１４では、重
み係数が十分に収束するだけの所定の回数の学習が行な
われたかを調べ、未だの場合は、ステップ８４０１〜４
１２を繰り返す。

以上がパックプロパゲーション法に基づいたニューラル
ネットワークの学習手順の説明である。

以上述べた学習は、処理のための準備段階であり、実際
の処理では、求められた重み係数だけを用いることにな
る。

次に、以上述べた「学習」を、本実施例において、文字
細線部と画像部との領域分離のためのニューラルネット
ワークに対して行なう場合の説明をする。

先ず、入力データは注目画素を中心とする２個画像デー
タの７×７のウィンドウ内の画素の値（それぞれ０また
は１）である。

従って、入力層のニューロン数は４９個、出力層のニュ
ーロン数は、領域が細線部のとき１、画像部のときＯと
なるフラグであるので１個、中間層のニューロン数は、
任意であるが、本実施例では２５個とする。

一方、理想出力としては、マツプを用意する。

このマツプは、例えば、第３図（ｂ）のような元の多値
画像にエツジ検出フィルタを掛けて得たマツプ、または
、第３図（ｃ）のように、人工的に領域を指定したマツ
プなどが考えられる。

また、入力データの選び方としては、学習画素をランダ
ムに選び、その画素を中心とする７×７のウィンドウを
設けてこれを与えるものとする。

以」二を用いて、前述の学習手順を値が収束するまで繰
り返し、収束したときの重み係数を領域分離のパラメー
タに決定する。

分離処理の実行時には、０〜１．０の値を、しきい値を
０５としてそれ以上を細線部、それ未満を画像とする。

次に、多値変換のための重み係数を得るためには、入力
データとして２個画像、理想出力として多値画像、また
、前述のごときマツプを用意する。

本実施例では、細線部に対する場合と、画像部に対する
場合のどちらの場合も、多値変換するのに、注目画素を
中心とする５×５のウィンドウ内の２５個のデータを使
用する。

従って、入力層のニューロン数は２５個、出力層のニュ
ーロン数は、中間調の値１個なので１個、中間層のニュ
ーロン数は、任意であるが、本実施例では１５個とする
。

先ず、細線部、画像部それぞれに対する重み係数に、−
〇、５〜０．５のＯ以外の乱数値を初期値として与えて
おく。

入力データは、前述と同様、注目画素をランダムに選び
、その画素を中心とする５×５のウィンドウを設しプで
これを与えるものとする。

理想出力には、その注目画素に対応する位置にある多値
画像の値Ｄ（０〜２５５）を、０および１は出にくいた
め、第６図に示すように、ｉ、ｄｅａｌ−ｏｕｔｐｕｔ
＝　Ｄ　／　２５５　Ｘ　Ｏ，８＋０．１によって変換
し、セットする。

そして、その注目画素に対応する位置にあるマツプの値
を参照して、それが１であれば細線部の重み係数、０で
あれば中間調部の重み係数を使って１つの出力を得る。

その出力と理想出力の差から教師信号を得て、重み係数
を更新する。

以上の手順を繰り返して、細線部、中間調部のそれぞれ
に対する多値変換の重み係数（パラメタ）が得られる。

以上を用いて、前述の学習手順を値が収束するまで繰り
返し、収束したときの重み係数を領域分離のパラメータ
に決定する。

第１図は、本発明の１実施例を示すブロック図である。

第１図において、１０１は、例えばＦＩＦＯ等で構成さ
れたラインバッファであり、図示しない画像入力装置よ
りの２値データの入力を受けて、７ラスタライン分のデ
ータが蓄えられるものとする。

１０２は、ラインバッファ１０１からの７ラインのデー
タのライン毎に、７画素のデータをラッチするデータラ
ッチである。従って、このデータラッチ１０２からは、
７×７のウィンドウの２値画像データが得られる。

この７×７の４９ビツトのデータは、領域判定回路１０
３に人力される。領域判定回路１０３は、中間調画像と
判定するとＯ１細線部と判定すると１を出力する。この
出力値１１３は、セレクタ１０７の選択制御信号となる
。

また、ラインバッファ１０１の出力の内、中央お５ライ
ンは、注目画素を中心とした２５ビツトのデータなイ共
糸合し、その２５ビツトのデータは、中間調画像用多値
化回路１０５、細線部用画像用多値化回路１０６の双方
に入力され、多値化回路１１４．１１５のそれぞれは、
８ビツトの多値デク１個を出力する。その出力は、とも
に、セレクタ１０７に人力され、前述の領域判定回路１
０３からの制御信号１１３により制御され、領域判定の
結果が、中間調画像だったら多値化回路１１４の出力デ
ータ、細線部だったら多値化回路１１５の出力データを
出力する。

以上の各部の制御は、不図示のＣＰＵによって行なわれ
る。

また、２値多値変換において、領域分離の重み係数の学
習のためには、注目画素を中心とする５×５のウィンド
ウによって実行してもよい。これによれば、精度は少し
落ちるが、処理速度を速くすることができる。逆に、ウ
ィンドウサイズを大きくすることも可能である。また、
多値化においても、対象となる領域毎にウィンドウサイ
ズを変えてもよ（、例えば、中間調で７×７、細線部で
５×５としてもよい。

また、上記実施例では、マツプを用いて、細線部と中間
調画像部の両方の重み係数の学習を、１度で行なってい
るが、細線部のみ、中間調画像のみの画像データを別々
に用意して学習するようにしてもよい。

また、２つの領域の境界部分の多値化の不自然さを解消
するために、細線部の多値化に使用する重み係数を得る
のに、細線部ばかりでなく、中間調も同時に学習させた
重み係数を使用してもよい。

［発明の効果］ 以上説明した如（、本発明によれば、入力された２値化
画像から多値画像を推定するために、文字細線と画像部
との領域の判別をニューラルネ・ソトワークを用いて行
ない、判別結果に基づいて、文字細線部と画像部とそれ
ぞれに対応して設けられた多値化部で多値化されること
により、文字細線部は、エツジが保存されたまま多値化
され、中間調画像では、２値化によって発生した粒状性
が取り除かれて多値化される。

従って、元の多値画像を、かなり正確に再現することが
できる。

また、文字細線部と画像部との、領域判別も、ニューラ
ルネットワークにより行なうため、フィルタによる処理
と異なり、ドツトの位置関係や、連結等の情報を含んだ
領域判別となるため、かなり正確に行なうことができる
。

【図面の簡単な説明】

第１図は、実施例の画像処理装置の構成図、第２図（ａ
）は、ニューラルネットワークの概念図、 第２図（ｂ）は、ニューラルネットワークの学習手順の
フローチャートである。 第３図（ａ）〜（Ｃ）は、領域分離の学習を説明する図
、 第４図は、２値データの例を示す図、 第５図（ａ）〜（ｃ）は、多値化の学習を説明する図、 第６図は、多値データと、理想出力データの関係を示す
図、 第７図は、従来の２値多値変換のための装置の例を示す
図、 第８図（ａ）、（ｂ）は、平滑化フィルタの例を示す図
、 第９図は、エツジ部の多値化の例を示す図、第１０図は
、中間調部の多値化の例を示す図である。 ・・・ラインバッファ ・・・データラッヂ ・・・領域判定ニューロデツプ ・・・画像用多値化ニューロチップ ・・・細線部用多値化ニューロデツプ ・・・セレクタ （α） Ｃｂ） （Ｃ） 際 Ｎ 口 （ＨＪ− 水 ７ギ昂葛転 つ 図 （の） ＜ｂ＞

Claims (1)

1. 【特許請求の範囲】 ２値化画像データから、多値画像データを復元する画像
   処理装置であって、 ２値画像データを入力する入力手段と、 入力された２値画像データについて、文字細線部である
   か画像部であるかをニューラルネットワークによって判
   別する判別手段と 文字細線部に対する多値復元処理を、ニューラルネット
   ワークにより行なう第１の多値化手段と、 画像部に対する多値復元処理を、ニューラルネットワー
   クにより行なう第２の多値化手段と、前記判別手段の判
   別結果に基づいて、前記第１または第２の多値化手段に
   よって多値復元処理するように制御する制御手段とを有
   することを特徴とする画像処理装置。