JPH06113139A

JPH06113139A - 画像２値化装置

Info

Publication number: JPH06113139A
Application number: JP4256116A
Authority: JP
Inventors: Toshiaki Wada; 利昭和田
Original assignee: Olympus Optical Co Ltd
Current assignee: Olympus Corp
Priority date: 1992-09-25
Filing date: 1992-09-25
Publication date: 1994-04-22

Abstract

(57)【要約】【目的】本発明は、入力画像に照明ムラが生じている
場合においても、明度のヒストグラムに基いた妥当な閾
値が決定され、この閾値を用いて、良好、かつ、速やか
に入力画像を２値化することのできる画像２値化装置を
提供することを目的とする。【構成】本発明は、文字画像がイメージセンサ１で撮像
され、Ａ／Ｄ変換器３でデジタル化されフレームメモリ
５に記憶される。文字画像はウインドウ回路７、ブロッ
ク分割回路９、ブロック選択回路１１により、入力画像
が複数の部分画像に分離され、この複数の部分画像よ
り、注目部分画像ブロックと、この注目部分画像ブロッ
クに隣接する複数の隣接部分画像ブロックとが選択され
る。ヒストグラム器１３により、注目部分画像ブロック
と隣接部分画像ブロックそれぞれについて明度に基づく
ヒストグラムが生成され、このヒストグラムのデータか
らニューラルネットワーク１８を用いて、各部分画像ブ
ロックの閾値を出力され、その閾値により入力画像を２
値化する画像２値化装置である。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は画像信号をデジタル変換
するのに好適な２値化装置に関する。

【０００２】

【従来の技術】一般に、コピー装置やファクシミリ装置
では、紙に描写される文字画像を鮮明にするために、階
調性のある撮影画像に対して、２値化処理が施されてい
る。通常は、入力画像の明度分布を表すヒストグラムに
より、閾値を決定し、その入力画像の各画素が、その閾
値より高ければ“白”、低ければ“黒”と判定され、出
力画素が生成される。

【０００３】しかしながら、前記ヒストグラムと２値化
のために適切な閾値の対応関係は、明瞭になっていな
い。また、照明の違いや入力する文字画像の違いによ
り、基準とすべきヒストグラムの形状が大きく異なって
くる。この問題を解決するものとして、大津氏は、論文
「判別および最小２乗規準に基づく自動しきい値選定
法」（電子情報通信学会論文誌Ｄ, Vol.J63-D No.4 p
p.349-356 ）において、入力画像の明度のヒストグラム
に基づいて、統計学的に最適な閾値を決定する方法を提
案している。

【０００４】一方、馬場口氏らは、論文「コネクション
モデルによる画像２値化の実験的検討」（電子情報通信
学会論文誌Ｄ−２ Vol.J73-D-2 No.8 pp.1281-1287）
において、入力画像全体について明度のヒストグラムを
取り、そのヒストグラムの次元数と同じ数の入力ユニッ
トおよび出力ユニットを有する階層型ニューラルネット
ワークに入力し、最も強く発火した出力ユニットを閾値
とし入力画像を２値化する方法を提案している。

【０００５】

【発明が解決しようとする課題】上述した２つの方法で
は、いずれも、入力画像の明度のヒストグラムを作成す
る際には、ある程度の大きさを持つ入力画像領域を必要
としている。しかし、このように、ヒストグラムを作成
するために大きな画像領域を入力すると、入力画像中に
照明ムラがある場合には、正確なヒストグラムを得るこ
とができず、妥当な閾値を決定することができない。

【０００６】そこで本発明は、入力画像に照明ムラが生
じている場合においても、正確なヒストグラムを作成で
き、そのヒストグラムに基いた妥当な閾値が決定され、
この閾値を用いて、速やかに入力画像を２値化すること
のできる画像２値化装置を提供することを目的とする。

【０００７】

【課題を解決するための手段】本発明は上記目的を達成
するために、画像を光電変換し電気信号として取り出す
画像撮像手段と、前記画像撮像手段からの画像信号を所
定分割し、複数の部分画像を生成する画像信号分割手段
と、前記複数の部分画像より、注目部分画像ブロック
と、この注目部分画像ブロックに隣接する複数の隣接部
分画像ブロックとを選択するブロック選択手段と、前記
注目部分画像ブロックと隣接部分画像ブロックそれぞれ
について明度に基づくヒストグラムを生成するヒストグ
ラム生成手段と、前記ヒストグラム生成手段が生成した
ヒストグラムのデータから前記注目部分画像ブロックの
閾値を出力するニューラルネットワークと、前記ニュー
ラルネットワークより出力される閾値に基づいて、前記
注目部分画像ブロックの少なくとも一部の画素を２値化
する２値化手段とを具備したものである。

【０００８】

【作用】以上のような構成の画像２値化装置は、入力画
像が複数の部分画像に分離され、この複数の部分画像よ
り、注目部分画像ブロックと、この注目部分画像ブロッ
クに隣接する複数の隣接部分画像ブロックとを選択し、
前記注目部分画像ブロックと隣接部分画像ブロックそれ
ぞれについて明度に基づくヒストグラムを生成し、この
ヒストグラムのデータから前記注目部分画像ブロックの
閾値を出力するニューラルネットワークを用いて、その
部分画像ブロックが２値化される。

【０００９】

【実施例】本発明の実施例の説明に先立ち、画像の明度
のヒストグラムに対する閾値の設定の仕方について説明
する。まず、入力した画像を複数の部分画像に分割し、
その分割された部分画像の特徴部分を抽出する。この部
分画像を特徴付けるものとしては、明度を利用する。例
えば、濃淡画像として入力した文字画像を２値化する場
合に、照明ムラの影響をなくすため、全画像についてで
はなく、全画像を部分画像に分割して、各部分画像につ
いての明度のヒストグラムを作成する。

【００１０】図９に、文字画像の３２×３２の大きさの
部分画像の明度のヒストグラムの例を示す。図９（ａ）
は、白地に黒で印刷されたある印刷物の文字を含む領域
の明度のヒストグラムの一例である。図９（ｂ）は、同
図（ａ）と同等の印刷物の白地のみの領域の部分の明度
のヒストグラムである。これらの図から明らかなよう
に、白地領域は明度の分布範囲が狭く、鋭いピークとな
る。

【００１１】一方、図９（ａ）に示した文字を含む領域
では、白地の鋭いピークと、このピークより明度の小さ
い範囲に文字の黒色に対応する領域がなだらかに広が
る。これらのヒストグラムの比較により、白地のみの領
域は、最大明度と最小明度の差が小さく、ヒストグラム
全体の面積に対するピークの高さの割合が大きい。しか
し、文字を含む領域では、前記最大明度と最小明度との
差が大きく分布し、ヒストグラム全体の面積に対するピ
ークの高さの割合が小さい。入力文字画像より抽出され
た部分画像が白地のみの領域ならば、閾値は、最小明度
より低い明度のところに設定する。

【００１２】一方、文字を含む領域ならば、最大頻度の
明度より低く、最小明度より高い明度のところに閾値を
設定する。各部分画像に対して、最適な閾値を設定する
には、作業者が種々の設定値で２値化された画像を目視
しながら行うことが最適である。本発明における実施例
では複数の部分画像から注目部分画像と、この注目部分
画像に隣接する８つの隣接部分画像を抽出し、この９つ
の部分画像のそれぞれの明度のヒストグラムデータをニ
ューラルネットワークに入力し、このニューラルネット
ワークの出力値を閾値として前記部分画像の２値化を実
施する。

【００１３】また、他の実施例では、部分画像の特徴を
代表するものとして、部分画像の最大明度と、最小明度
と、最大頻度の明度と、ヒストグラム全体の画素数に対
する最大頻度数の割合を予め学習されたニューラルネッ
トワークに入力し、このニューラルネットワークの出力
値を閾値として前記部分画像の２値化を実施する。さら
に、他の実施例では、１又は複数のサンプル文字画像よ
り抽出された複数の部分画像のヒストグラムを作成し、
各部分画像の最大明度と最小明度と、最大頻度の明度
と、ヒストグラム全体の画素数に対する最大度数の割合
を学習データとし、この部分画像に対する最適な閾値を
教師データとしてニューラルネットワークの学習を行
う。

【００１４】以下、図面を参照して本発明の実施例を詳
細に説明する。図１は、本発明の画像２値化装置の第１
実施例の構成を示す図である。この図に示すように、ま
ず、スキャナやテレビカメラ等のイメージセンサ１によ
り、文字画像が撮像される。前記イメージセンサ１の出
力は、Ａ／Ｄ変換器３によりデジタル化され、フレーム
メモリ５に一時的に記憶される。前記文字画像は、ウィ
ンドウ回路７から発生するアドレス情報に基づいて、ブ
ロック分割回路９により所定の大きさの複数の部分画像
ブロックに分割される。そして、ブロック選択回路１１
により、前記複数の部分画像ブロックの中から、図２に
示すように、所定の条件に基き１つの注目部分画像ブロ
ックが選択されるとともに、この注目部分画像ブロック
の周囲に位置する８つのブロックが、隣接部分画像ブロ
ックとして選択される。前記注目部分画像ブロックと、
８つの隣接部分画像ブロックは１ブロックずつ順番にヒ
ストグラム器１３に読出される。このヒストグラム器１
３は、読出された部分画像の各画素について、ヒストグ
ラムメモリ１５のその画素の明度に対応するアドレスに
“１”を加算する。なお、前記イメージセンサ１０が文
字画像を撮影する以前に、前記ヒストグラムメモリ１５
の全アドレスの内容は“０”に初期化されるものとす
る。

【００１５】前記フレームメモリ５から、１つの注目部
分画像ブロックと８つの隣接部分画像ブロックの合わせ
て９ブロック分の部分画像の読出しが完了すると、前記
ヒストグラムメモリ１５には、例えば図９に示したよう
な、それぞれの部分画像に対応した明度のヒストグラム
が９個記憶される。このヒストグラムメモリ１５に記憶
された明度のヒストグラムデータは、ニューラルネット
ワーク１８及び学習データメモリ２０に送出される。こ
こで前記ニューラルネットワーク１８は、図３に示す階
層構造を構成している。

【００１６】入力層のユニットは、本実施例において
は、入力信号を中間層のニューロンユニット３１ａ〜３
１ｃに並列に分配するだけの機能を果たすため、図３で
は、分岐端子３０ａ〜３０ｃで、表されている。各ニュ
ーロンユニット３１ａ〜３１ｃ，３２は、式（１）に示
す処理を実行する。

【００１７】

【数１】

【００１８】ここで、ｘｉはｉ番目の入力、Ｗｉはｉ番
目の入力に対する重み、Ｎは入力の数、θはニューロン
ユニットの閾値、ｙはニューロンユニットの出力であ
る。前記中間層のニューロンユニット３１ａ〜３１ｃで
は、ｆは式（２）に示すシグモイド関数である。

【００１９】

【数２】

【００２０】また本実施例では出力ニューロンユニット
３２は、線形ユニットであるため、ｆ（ｘ）＝ｘ …（３）である。図４には、各ニューロンユニット３１ａ〜３１
ｃ，３２のブロック図を示す。中間層のニューロンユニ
ット３１ａ〜３１ｃの関数テーブル４６には、式（２）
のｘとｆ（ｘ）の関係が記憶されている。各ニューロン
ユニット３１ａ〜３１ｃ，３２の式（１）の重みＷｉ
（ｉ＝１，…，Ｎ）と閾値θは、後述する一般化デルタ
ルール学習法により決定される。但しここでは、各ニュ
ーロンユニット３１ａ〜３１ｃ，３２の重みと閾値が予
め定まっているものとする。

【００２１】中間層の各ニューロンユニット３１ａ〜３
１ｃには、それぞれ分岐端子３０ａ〜３０ｃを介して、
前記ヒストグラムメモリ１５より、１つの注目部分画像
ブロックと８つの隣接部分画像ブロックの合わせて９ブ
ロック分の部分画像の明度のヒストグラムデータが入力
される。入力されたヒストグラムデータは、入力バッフ
ァ４０を介して、演算器４１に送出される。前記演算器
４１では、前記９ブロック分の部分画像の明度のヒスト
グラムデータに基づいて、各明度に対する頻度データ
と、重みメモリ４５に記憶されている前記頻度に対する
重みデータの積和が演算され、その演算結果がレジスタ
４３に記憶される。

【００２２】以上の過程により、１つの注目部分画像ブ
ロックと８つの隣接部分画像ブロックの合わせて９ブロ
ック分の部分画像のヒストグラムデータに基づいて、演
算器４１により演算されレジスタ４３に記憶されている
値から閾値メモリ４４に記憶されている値を引く。その
結果、前記レジスタ４３には、式（１）の

【００２３】

【数３】

【００２４】の部分が計算された結果が記憶される。前
記レジスタ４３に記憶されている値に対応するシグモイ
ド関数の値を関数テーブル４６より求め、各中間層ニュ
ーロンユニット３１ａ〜３１ｃの出力として、出力バッ
ファ４２を介して出力する。前記出力ニューロンユニッ
ト３２は、中間ニューロンユニットの出力を１個づつ順
次、読出す。

【００２５】まず、図３に示す中間ニューロンユニット
３１ａの出力が読出されて、出力ニューロンユニット３
２に入力する。前記出力ニューロンユニット３２からの
出力は、図４に示す入力バッファ４０を介して、演算器
４１に入力する。前記演算器４１は、中間ニューロンユ
ニット３１ａの出力値と重みメモリ４５の１番目の値と
の積が計算され、計算結果は、前記レジスタ４３に記憶
される。

【００２６】同様に、中間ニューロンユニット３１ｂの
出力が読出される。前記中間ニューロンユニット３１ｂ
の出力は、前記入力バッファ４０を介して、前記演算器
４１に入力する。前記演算器４１は、中間ニューロンユ
ニット３１ｂの出力値と、重みメモリ４５の２番目の値
との積が計算され、その結果は、前記レジスタ４３の値
に加算される。

【００２７】以上の過程が中間層の全てのニューロンユ
ニットについて繰り返される。全中間層ニューロンユニ
ットの出力に対する処理が完了した後、レジスタ４３に
記憶されている値から閾値メモリに記憶されている値を
引く。これによって、前記レジスタ４３には、前述した
式（１）により計算された結果が記憶される。前記計算
結果の値が、ニューラルネットワーク１８の出力値とし
て、出力バッファ４２を介して出力される。前記ニュー
ラルネットワーク１８の出力は２値化器１９に入力す
る。

【００２８】そして前記フレームメモリ５に記憶されて
いる文字画像のうち、注目部分画像ブロックの全部又は
一部の画素が順番に読出されて、前記２値化器１９に入
力する。各画素の明度がニューラルネットワーク１８の
出力値より、大きい場合には、白画素と判定されて、前
記フレームメモリ１２の画素位置に相当するフレームメ
モリ２４の画素位置に所定の明度の白画素を記憶する。

【００２９】また、前記フレームメモリ５から読出され
た画素の明度がニューラルネットワーク１８の出力値よ
り小さい場合には、黒画素と判定されて、前記フレーム
メモリ１２の画素位置とに相当するフレームメモリ２４
の画素位置に所定の明度の黒画素を記憶する。このよう
に１つの注目部分画像ブロックの所定数の画素について
の２値化が完了すると、ヒストグラム１５の全ての記憶
領域が０に初期化され、次の注目部分画像ブロックおよ
び８つの隣接画像ブロックについてのヒストグラムデー
タがニューラルネットワーク１８に入力され閾値が求め
られる。この閾値によって、新たに注目している部分画
像の２値化が行われる。

【００３０】なお、注目部分画像ブロックの一部の画素
を２値化する場合には、元の注目部分画像ブロックと新
しい注目部分画像ブロックは一部が重なることになる。
以上の過程がフレームメモリ５の画像の全ブロックにつ
いて繰り返され、全画像が２値化されてフレームメモリ
２４に記憶される。前記ニューラルネットワーク１８の
各ニューロンユニット３１ａ〜３１ｃ，３２の重みと閾
値は、デビッド・ラメルハート等によって、考案された
一般化デルタルール（「ＰＤＰモデル・認知科学とニュ
ーロン回路網の探索」第８章、D.E.ラメルハート，J.L.
マクレランド，ＰＤＰリサーチグループ著、甘利俊一監
訳、産業図書、１９８９）によって求められる。

【００３１】まず、イメージセンサ１０によって、１個
または複数のサンプル画像が撮影され、それぞれのサン
プル画像について複数の部分サンプル画像が抽出され
る。各部分サンプル画像について、これまで述べたよう
にヒストグラム器１３、ヒストグラムメモリ１５によっ
て、１つの注目部分画像及び８つの隣接部分画像の明度
のヒストグラムデータが求められ、学習データメモリ２
０に記憶される。併せて、この部分サンプル画像に最適
な閾値が教師データメモリ２２に記憶される。

【００３２】すなわち、学習データメモリ２０には、１
つの注目部分画像及び８つの隣接部分画像の明度のヒス
トグラムデータが記憶されている。前記教師データメモ
リ２２には、学習データメモリ２０に記憶されている学
習データに対応する２値化の閾値が教師データとして記
憶される。一般化デルタルールでは、学習データメモリ
２０に記憶された学習データと教師データメモリ２２に
記憶された教師データによって、

【００３３】

【数４】

【００３４】が減少するように各ニューロンユニット３
１ａ〜３１ｃ，３２の重みと閾値を変化させる。ここ
で、ｙp は、学習データベクトルｘp を入力したときに
得られるニューラルネットワークの出力である。前記学
習ベクトルとは、前記ヒストグラムの各明度に対する頻
度を要素とするベクトルである。ｄp は、前記学習ベク
トルｘp に対応する教師データである。ｍは、学習デー
タ数である。

【００３５】各重みの更新量ΔＷは、最急降下法によっ
て式（６）のように求められる。

【００３６】

【数５】

【００３７】出力層のニューロンユニットのｉ番目の入
力に対する重みの更新量ΔＷｉは、

【００３８】

【数６】

【００３９】また、中間層のニューロンユニットｉのｊ
番目の入力に対する重みの更新量ΔＷｉｊは、

【００４０】

【数７】

【００４１】である。ここで、ｙipは、学習データベク
トルｘp に対する中間ニューロンユニットｉの出力、Ｗ
ｉは出力ニューロンユニットのｉ番目の入力の重み、ｘ
hpは、前記学習ベクトルｘp のｈ番目の要素である。
尚、各ニューロンユニットの閾値については、そのニュ
ーロンユニットに常に“−１”が入力する端子の重みと
みなせるので、出力層のニューロンユニットの閾値の更
新量は式（７）で求められ、中間層のニューロンユニッ
トの閾値については式（８）により求められる。

【００４２】学習では、最初に全てのニューロンユニッ
トの重みパラメータを乱数で初期化しておき、学習器２
３により、式（７）と式（８）とを繰り返し実行する。
そして式（５）のＥが十分少なくなった所で、処理を終
了し、得られた重みをニューラルネットワーク１８の各
ニューロンユニット３１ａ〜３１ｃ，３２内の重みメモ
リ４５及び閾値メモリ４４に記憶する。

【００４３】以上説明したように、この実施例の画像２
値化装置によれば、入力画像を１つの注目部分画像ブロ
ックと８つの隣接部分画像ブロックの合わせて９ブロッ
クの部分画像ブロックに分離し、各部分画像についての
明度のヒストグラムをニューラルネットワークに入力す
ることにより、２値化のための閾値を決定するため、照
明ムラの激しい入力画像に対しても２値化処理が可能で
ある。

【００４４】次に、本発明の第２実施例を図５に基づい
て説明する。図５は、本発明の画像２値化装置の第２実
施例の構成を示す図である。前記第１実施例と同じ部材
には同じ符号を付し、詳細は省略する。この第２実施例
が前記第１実施例と異なるのは、最大・最小検出器１
６、及び、ピーク検出器１７を設けた点である。

【００４５】この最大最小検出器１６は、前記ヒストグ
ラムメモリ１５に記憶されている明度のヒストグラムよ
り、最大明度及び最小明度を求めるものである。またピ
ーク検出器１７は、前記ヒストグラムメモリ１５に記憶
されている明度のヒストグラムより最大頻度の明度と、
部分画像の画素数に対する最大頻度数の割合を求めるも
のである。

【００４６】これら、最大・最小検出器１６、及び、ピ
ーク検出器１７により、入力画像を１つの注目部分画像
ブロックと８つの隣接部分画像ブロックの合わせて９ブ
ロックの部分画像ブロックについての明度のヒストグラ
ムから、最大、最小、最頻明度と、最大頻度が求められ
る。これらの値を用いて、前記ニューラルネットワーク
１８により閾値が求められ、この閾値により前記第１実
施例と同様にして、画像の２値化が行われる。

【００４７】この第２実施例によれば、前記第１実施例
と同様に照明ムラを有する画像でも良好な２値化画像を
得ることができるとともに、第１実施例よりもニューラ
ルネットワークの入力次元を大幅に減らすことができる
ので、ニューラルネットワークの規模を小さくでき、学
習速度を向上することができる。なお、図６は、この実
施例による２値化処理と、従来の判別分析法による２値
化処理とを比較するための説明図であり、図６（ａ）
は、照明ムラを有する入力画像であり、図６（ｂ）はこ
の実施例による２値化処理画像、図６（ｃ）は従来の判
別分析法による２値化処理画像である。

【００４８】この図６から明らかなように、この実施例
のように各ブロックのヒストグラムから、最大、最小、
最頻明度と、最大頻度という、わずか４個の特徴量を用
いて２値化処理を実行した場合でも、従来の判別分析法
では困難であった激しい照明ムラのある画像においても
良好な２値化処理画像を得ることができる。次に、本発
明の第３実施例を図７に基づいて説明する。

【００４９】図７は、本発明の画像２値化装置の第３実
施例の構成を示す図である。前記第２実施例と同じ部材
には同じ符号を付し、詳細は省略する。この第３実施例
が前記第２実施例と異なるのは、ヒストグラムメモリ１
５からの出力を１つの注目部分画像ブロックと８つの隣
接部分画像ブロックの２つに分けて出力し、１つの注目
部分画像ブロックのヒストグラムのデータをニューラル
ネットワーク１８に直接入力するようにし、８つの隣接
部分画像ブロックのヒストグラムのデータは、前記第２
実施例と同様に最大・最小検出器１６、及び、ピーク検
出器１７を介してニューラルネットワーク１８に入力し
て最大、最小、最頻明度と、最大頻度を求めるようにし
た点である。

【００５０】この第３実施例においても前記第１，２実
施例と同様に照明ムラを有する画像でも良好な２値化画
像を得ることができた。次に、本発明の第４実施例を図
８に基づいて説明する。図８は、本発明の画像２値化装
置の第４実施例の構成を示す図である。前記第１実施例
と同じ部材には同じ符号を付し、詳細は省略する。

【００５１】この第４実施例が前記第１実施例と異なる
のは、選択器２５、及び、２つの演算器２７ａ，２７ｂ
を設けた点である。この選択器２５は、前記ニューラル
ネットワーク１８の出力に基づいて、閾値を算出する２
つの演算器２７ａ，２７ｂのどちらか適当な演算器を選
択するものである。

【００５２】前記演算器２７ａは、「部分画像が背景の
みの画素を含んでいる」とニューラルネットワーク１８
により判断されたときに、その部分画像の最小明度より
小さい値、又は、最大明度より大きい値を閾値として出
力する。一方、演算器２７ｂは、「部分画像が背景以外
の画素を含んでいる」とニューラルネットワーク１８に
より判断されたときに、統計的手法により算出した値を
閾値として出力する。

【００５３】本実施例では、注目部分画像ブロックに文
字部分を含む場合には統計的手法により２値化の閾値を
決定するので、ニューラルネットワークの有する出力値
のあいまい性の影響を小さくすることができる。このよ
うに選択された演算器により求められた閾値に基づい
て、前記第１実施例と同様にして、画像の２値化が行わ
れる。

【００５４】この第４実施例においても前記第１実施例
と同様に照明ムラを有する画像でも良好な２値化画像を
得ることができた。次に、本発明の第５実施例を図９に
基づいて説明する。図９は、本発明の画像２値化装置の
第５実施例の構成を示す図である。前記第２実施例と同
じ部材には同じ符号を付し、詳細は省略する。

【００５５】この第５実施例が前記第２実施例と異なる
のは、前記第４実施例と同様に選択器２５、及び、２つ
の演算器２７ａ，２７ｂを設けた点である。この第５実
施例においても前記第４実施例と同様に照明ムラを有す
る画像でも良好な２値化画像を得ることができた。な
お、本発明は、前述した実施例に限定されるものではな
く、他にも発明の要旨を逸脱しない範囲で種々の変形や
応用が可能であることは勿論である。

【００５６】

【発明の効果】以上詳述したように本発明によれば、入
力画像の内の注目部分画像ブロックと、この注目部分画
像ブロックに隣接する複数の隣接部分画像ブロックとの
明度のヒストグラムデータを用いて学習したニューラル
ネットワークにより、入力画像に照明ムラが生じている
場合においても、そのヒストグラムに基いた妥当な閾値
が決定され、この閾値を用いて、良好、かつ、速やかに
入力画像を２値化することのできる画像２値化装置を提
供することができる。

【図面の簡単な説明】

【図１】図１は、本発明の第１実施例としての画像２値
化装置の構成を示す図である。

【図２】図２は、全画像に対する注目部分画像と、隣接
部分画像の関係を説明するための図である。

【図３】図３は、ニューラルネットワークの構成を示す
図である。

【図４】図４は、各ニューロンユニットの構成を示すブ
ロック図である。

【図５】図５は、本発明の第２実施例としての画像２値
化装置の構成を示す図である。

【図６】図６は、本発明の実施例と従来の手法による２
値化処理を比較するための説明図である。

【図７】図７は、本発明の第３実施例としての画像２値
化装置の構成を示す図である。

【図８】図８は、本発明の第４実施例としての画像２値
化装置の構成を示す図である。

【図９】図９は、本発明の第５実施例としての画像２値
化装置の構成を示す図である。

【図１０】図１０（ａ）は、白地に黒で印刷されたある
印刷物の文字を含む領域の明度のヒストグラムの一例で
あり、図１０（ｂ）は、同図（ａ）と同等の印刷物の白
地のみの領域の部分の明度のヒストグラムである。

【符号の説明】

１…イメージセンサ、３…Ａ／Ｄ変換器、５，２４…フ
レームメモリ、７…ウィンドウ回路、９…ブロック分割
回路、１１…ブロック選択回路、１３…ヒストグラム
器、１５…ヒストグラムメモリ、１６…最大・最小検出
器、１７…ピーク検出器、１８…ニューラルネットワー
ク、１９…２値化器、２０…学習データメモリ、２１…
閾値設定器、２２…教師データメモリ、２３…学習器、
２５…選択器、２７ａ，２７ｂ…演算器、３０ａ〜３０
ｃ…分岐端子、３１ａ〜３１ｃ…（中間）ニューロンユ
ニット、３２…ニューロンユニット、４０…入力バッフ
ァ、４１…演算器、４２…出力バッファ、４３…レジス
タ、４４…閾値メモリ、４５…重みメモリ、４６…関数
テーブル。

Claims

【特許請求の範囲】

【請求項１】画像を光電変換し電気信号として取り出
す画像撮像手段と、前記画像撮像手段からの画像信号を所定分割し、複数の
部分画像を生成する画像信号分割手段と、前記複数の部分画像より、注目部分画像ブロックと、こ
の注目部分画像ブロックに隣接する複数の隣接部分画像
ブロックとを選択するブロック選択手段と、前記注目部分画像ブロックと隣接部分画像ブロックそれ
ぞれについて明度に基づくヒストグラムを生成するヒス
トグラム生成手段と、前記ヒストグラム生成手段が生成したヒストグラムのデ
ータから前記注目部分画像ブロックの閾値を出力するニ
ューラルネットワークと、前記ニューラルネットワークより出力される閾値に基づ
いて、前記注目部分画像ブロックの少なくとも一部の画
素を２値化する２値化手段とを具備することを特徴とす
る画像２値化装置。