JPH06309455A - 画像２値化処理装置 - Google Patents

Abstract

(57)【要約】 【目的】本発明は、入力画像の部分画像の最適な閾値を
決定して画像の２値化処理を行う装置を提供することを
目的とする。 【構成】本発明は、文字や線画画像を入力するイメージ
センサ１と、イメージセンサ出力をデジタル化するＡ／
Ｄ変換器２と、一時的に記憶するフレームメモリ３と、
記憶画像を所定数に分割するためのアドレス情報を発生
するウィンドウ回路４と、１ブロック毎の画素の最大明
度と、最小明度と、平均明度を抽出し読出す明度抽出器
５と、前記最大明度と最小明度と平均明度が入力する
と、最適な閾値予め学習したニューラルネットワーク６
と、フレームメモリ３からの部分画像ブロックの画素を
最適閾値に基づき２値化する２値化器７（画素の明度値
が前記ニューラルネットワーク６の出力値より大きい場
合には“白画素”、出力値以下の場合には“黒画素”）
と、２値化された画像を所定アドレス位置に記憶するフ
レームメモリ８とで構成される画像２値化処理装置であ
る。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、画像データの２値化を
行うための画像処理装置に関する。

【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や線画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
る。通常は、明度分布を表すヒストグラムにより閾値を
決定し、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”と判定されて出力画素が生成さ
れる。

【０００３】しかしながら、前記ヒストグラムと２値化
のための適切な閾値との対応関係が明瞭になっていな
い。また、照明の違いや撮影する画像の違いにより、基
準とすべきヒストグラムの形状が大きく異なる。

【０００４】このような問題を解決する第１の従来例と
して、本出願人が提案した”画像２値化装置”（特願平
４−１３１０５１号）があり、撮影画像を部分画像に分
割し、各部分画像の明度のヒストグラムデータから特徴
量を抽出し、この特徴量をニューラルネットワークに入
力して閾値を決定するものである。

【０００５】また、同様に本出願人による第２の従来例
として、特願平４−２５６１１６号に提案されるよう
な、撮影画像を部分画像に分割し、注目部分ブロックと
隣接する複数の部分ブロックそれぞれについて明度のヒ
ストグラムを求め、そのヒストグラムから特徴量を抽出
して、その特徴量をニューラルネットワークに入力し閾
値を決定している画像２値化装置がある。

【０００６】

【発明が解決しようとする課題】しかし、前述した第１
の従来例において、２値化のための閾値を明度のヒスト
グラムを用いて求めると、入力画像が照明ムラの激しい
画像である場合には、部分画像ブロックの大きさを小さ
くしなければならない。これら部分画像ブロックについ
て、逐次的にヒストグラムを作成し、閾値を決定する場
合には、処理量と処理時間が増大する。一方、複数の部
分画像ブロックについて並列的に処理する場合には、そ
の部分画像ブロック全てについてヒストグラムを作成し
なければならないので、やはり処理装置の規模の増大を
招くことになる。

【０００７】また前記従来例では、入力画像を部分画像
ブロックに分割し、その部分ブロックに含まれる画素の
明度分布の特徴量よりニューラルネットワークを用いて
直接閾値を決定することは、ニューラルネットワークが
本来的に有する暖味性や非線形性によって必ずしも高い
精度の閾値を得られるとは限らない。しかし、２値化処
理の場合、コントラストの低い画像では閾値の設定に高
い精度が要求される。

【０００８】例えば、前記特徴量をニューラルネットワ
ークに入力し直接閾値を求める場合には、ニューラルネ
ットワークの出力値の範囲は入力画像のグレイレベルの
範囲である。通常のＣＣＤセンサでは、８ビットである
ので２５６レベルとることができる。例えば、背景が２
００レベル、文字のコントラスト（背景と黒文字部の
差）が５０レベルあるとする。この場合にはニューラル
ネットワークの出力に５パーセントの誤差があるとする
と、２５６レベルの５パーセントは約１３レベルである
ので、このニューラルネットワークで十分な２値化が可
能である。

【０００９】しかしながら、照明が不十分で背景が５０
レベルしかなければ、背景が２００レベルのとき５０レ
ベルあったコントラストは１２．５となり、１３レベル
の誤差を有するニューラルネットワークでは正しい２値
化ができないことになる。

【００１０】一般に精度の高い出力を得るようにニュー
ラルネットワークを学習するには、多数のサンプルデー
タに対して学習を行なう必要があり、ネットワークの大
規模化や学習時間の増大は避けられない。そこで本発明
は、入力画像の部分画像の最適な閾値を決定して画像の
２値化処理を行う画像２値化処理装置を提供することを
目的とする。

【００１１】

【課題を解決するための手段】本発明は上記の目的を達
成するために、光像を光電変換し、画像信号として取出
す画像撮影手段と、前記画像撮影手段からの画像信号を
所定数に分割し、複数の部分画像を生成する画像信号分
割手段と、前記画像信号分割手段による部分画像から、
最大明度と最小明度と平均明度からなる３種類の明度値
を抽出する抽出手段と、前記抽出手段からの３種類の明
度値より閾値を算出する閾値算出手段と、前記閾値算出
手段によって得られた閾値によって、前記部分画像の全
て又は、一部の画素を２値化する手段とで構成される画
像２値化装置を提供する。

【００１２】さらに、光像を光電変換し、画像信号とし
て取出す画像入力手段と、前記画像入力手段からの画像
信号を所定数に分割し、複数の部分画像を生成する画像
信号分割手段と、前記部分画像から１個又は複数の特徴
量パラメータを抽出する抽出手段と、前記抽出手段によ
り抽出されたパラメータのうち少なくとも１個のパラメ
ータより仮の閾値を算出する閾値算出手段と、前記抽出
された１個又は複数のパラメータから閾値の補正値を出
力するニューラルネットワークと、前記仮の閾値を前記
ニューラルネットワークの出力で補正する補正手段と、
前記補正手段によって補正された閾値によって、前記部
分画像の全て又は一部の画素を２値化する手段とで構成
される画像２値化装置を提供する。

【００１３】

【作用】以上のような構成の画像２値化処理装置は、入
力画像が複数の部分ブロックに分割され、各部分画像ブ
ロックについて最大明度と最小明度と平均明度を求め、
前記３種類の明度値をニューラルネットワークに入力さ
れ、その出力によって閾値を決定するか、又は、予めニ
ューラルネットワークの入出力関係をテーブルにしてお
き、テーブルルックアップによって閾値が決定される。

【００１４】また、前記画像２値化装置は、入力画像が
複数の部分ブロックに分離され、各部分画像ブロックに
ついて１個又は複数の特徴量を抽出し、その特徴量の１
個以上を用いて仮の閾値が算出される。一方、前記１個
又は複数の特徴量よりニューラルネットワークによって
閾値の補正値が求められる。このように仮の閾値を求め
ておき、ニューラルネットワークではその補正値のみ算
出するようにすることで、ニューラルネットワークの出
力の範囲を狭くし、出力の誤差を相対的に小さくして、
ニューラルネットワークが有する暖味性の影響が軽減さ
れる。

【００１５】

【実施例】以下、図面を参照して本発明の実施例を詳細
に説明する。まず、本発明の画像２値化処理装置の概要
について説明する。本発明の画像２値化処理装置は、入
力した画像を複数の部分画像に分割し、分割された部分
画像に含まれる最大明度と、最小明度と、平均明度を抽
出し、これら３種類の明度値で前記部分画像を特徴付け
るものである。

【００１６】図６には、文字画像の部分画像ブロックの
明度のヒストグラムの模式図を示す。図６（ｂ）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６（ａ）は、同図
（ｂ）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。

【００１７】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、一方、図６（ｂ）に示した文
字を含む領域では、背景の白地に対応するピークと、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
分布がなだらかに広がる。

【００１８】これらの比較により、白地のみの部分画像
ブロックは、最大明度と最小明度の差が小さい。しか
し、文字を含む部分画像ブロックでは、最大明度と最小
明度の差が大きい。また、平均明度は、白地のみの領域
では最大明度と最小明度の中間値に近くなるが、文字を
含む領域では最大明度と最小明度の中間値より最大明度
側に大きく偏ることになる。

【００１９】さらに、黒地に白文字が書かれた画像の場
合には、背景の黒地に対応するピークと、このピークよ
り明度の大きい範囲に文字の白色に対応する分布がなだ
らかに広がる。この場合には、平均明度は最大明度と最
小明度の中間値より最小明度側に大きく偏ることにな
る。また、黒地のみの領域の場合は、最大明度、最小明
度、平均明度の相対的な関係は白地のみの領域の場合と
同じであるが、これら３種類の明度値が全て小さい。

【００２０】以上述べたように、部分画像ブロックの最
大明度と最小明度と平均明度は、その部分ブロックが白
または黒背景のみの領域か、白地の黒文字の領域か、黒
地に白文字の領域かを判定する特徴量として適当である
ことがわかる。

【００２１】図１には、本発明による第１実施例として
の画像２値化処理装置の構成を示し説明する。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
字や線画画像が撮影される。前記イメージセンサ１の出
力は、Ａ／Ｄ変換器２によりデジタル化され、フレーム
メモリ３に一時的に記憶される。

【００２２】前記フレームメモリ３に記憶された画像
は、ウィンドウ回路４から発生するアドレス情報に基づ
いて、所定の大きさの部分画像ブロックに分割され、１
ブロックづつ明度抽出器５に読み出される。なお、部分
画像は重なり合ってもよい。

【００２３】前記明度抽出器５は、前記フレームメモリ
３から読み出された１個の部分画像ブロックに含まれる
画素の最大明度と、最小明度と、平均明度を抽出し、ニ
ューラルネットワーク６に送る。

【００２４】前記ニューラルネットワーク６は、図４に
示すように階層構造を形成している。本実施例において
は、入力層の各ユニット３０ａ〜３０ｃには、前記３種
類の明度のうちの１つが入力する。これら入力ユニット
３０ａ〜３０ｃは、入力した信号をそのまま中間層のユ
ニット３１ａ〜３１ｆに分配する。ユニット３１ａ〜３
１ｆ及び３２は複数の入力端子と１個の出力端子を有し
ている。各ユニットは、式（１）の処理を実行する。

【００２５】 ｙ＝ｆ（Σｗ_i ｘ_i ＋θ） （１） ここで、ｘ_i は端子ｉへの入力、ｗ_i は端子ｉの重み係
数、θはバイアス値である。ｆは中間層のユニット３１
ａ〜３１ｆでは式（２）のようなシグモイド関数であ
り、出力ユニット３２では、ｆ（ｘ）＝ｘである。

【００２６】 ｆ（ｘ）＝１／（１＋ｅ^-x） （２） 前記ニューラルネットワーク６は、前記明度抽出器５か
ら出力された前記最大明度と最小明度と平均明度が入力
すると、最適な閾値を出力するように、ラメルハート等
が考案した一般化デルタルール学習法（「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）
により、中間層のユニット３１ａ〜３１ｆ及び出力ユニ
ット３２の重み係数ｗ_i とバイアス値θが予め定まって
いる。

【００２７】前記ニューラルネットワーク６の出力は２
値化器７に送られる。前記２値化器７は、フレームメモ
リ３から読み出された部分画像ブロックの画素を、前記
ニューラルネットワーク６の出力を閾値として２値化す
る。すなわち、画素の明度値が前記ニューラルネットワ
ーク６の出力値より大きい場合には“白画素”、出力値
以下の場合には“黒画素”とし、フレームメモリ８の所
定アドレス位置に記憶する。

【００２８】前記ウィンドウ回路４は、フレームメモリ
３中に部分画像ブロックを設定すると共に、フレームメ
モリ８中に前記フレームメモリ３中の部分画像ブロック
と対応するアドレスを指定する。フレームメモリ３に記
憶された入力画像の全ての部分画像についての処理が終
了すると、フレームメモリ８には、前記入力画像が２値
化処理された画像が記憶されている。

【００２９】次に図２には、本発明による第２実施例と
しての画像２値化処理装置の構成を示し説明する。前述
した第１実施例では、最大明度と最小明度と平均明度を
ニューラルネットワークに入力して、該ニューラルネッ
トワークにより閾値を求めていた。しかし、前記ニュー
ラルネットワークは本来並列的な構造をしており、これ
を現在一般的に利用されている逐次型のプロセッサで処
理するのでは、処理時間の上から効率的な方法ではな
い。これに対して、第２実施例では、閾値を求める手段
としてニューラルネットワークに代えて、テーブルルッ
クアップ法を用いる。

【００３０】第１実施例と同様に、明度抽出器５は、フ
レームメモリ３に記憶されている画像データの部分画像
ブロックから、最大明度と最小明度と平均明度を抽出
し、アドレス回路９にそれらの値を送る。前記アドレス
回路９は、前記明度抽出器５より送られてきた前記３種
類の明度のそれぞれの値を、所定レベル数に量子化し、
その３種類の明度の量子レベルをアドレスとして補正値
テーブル１０から、閾値を読み出す。この補正値テーブ
ル１０には、予めニューラルネットワークで求めた、前
記３種類の量子化された明度をアドレスとして閾値が記
憶されている。

【００３１】前記補正値テーブル１０から読み出された
値が２値化器７に送られる。前記２値化器７以降は、実
施例１と同様の処理が実行されフレームメモリ８に２値
化処理された画像が記憶される。なお、アドレス回路９
は、前述したような３次元的なアドレスを作成するので
はなく、前記３種類の明度から、ベクトル量子化により
１次元的なアドレスを作成してもよい。この時は、勿論
ルックアップテーブルも１次元的に作成する。

【００３２】次に図３には、本発明による第３実施例と
しての画像２値化処理装置の構成を示し説明する。この
第３実施例が第１実施例と異なるのは、第１実施例では
部分ブロック１個の最大明度と最小明度と平均明度によ
りその部分ブロックの閾値を決定していたが、本実施例
では図５に示すように、注目ブロックと、その注目ブロ
ックの複数の隣接ブロックのそれぞれについて、最大明
度と最小明度と平均明度を求めニューラルネットワーク
により閾値を決定する。本実施例では、背景の白地の明
度の空間的分布を学習できるため、照明ムラが激しい場
合でも適切な閾値を決定できる。

【００３３】この画像２値化処理装置は、前述した第１
実施例と同様に、イメージセンサ１で撮影された画像が
Ａ／Ｄ変換器２によりデジタル化され、フレームメモリ
３に一時的に記憶される。前記フレームメモリ３に記憶
された画像は、ウィンドウ回路４から発生するアドレス
情報に基づいて、所定の大きさの注目部分画像ブロック
と複数の隣接部分画像ブロックが読み出されてブロック
メモリ１２に記憶される。明度抽出器５は前記ブロック
メモリ１２に記憶されている前記注目画像ブロックと複
数の隣接画像ブロックを順番に読みだし、それぞれのブ
ロックに含まれる画素の最大明度と最小明度と平均明度
を抽出して明度メモリ１３に記憶する。

【００３４】前記ブロックメモリ１２に記憶されている
全ての部分画像ブロックが読み出されると、ニューラル
ネットワーク６は前記明度メモリ１３に記憶されている
前記最大明度と最小明度と平均明度の複数の組を一括し
て読み出す。このニューラルネットワーク６は第１実施
例と同一の構造であるが、入力ユニットの数は、隣接ブ
ロックの数に１を加え３倍したものである。前記ニュー
ラルネットワーク６は第１実施例と同様に、前記最大明
度と最小明度と平均明度の複数の組を入力して最適な閾
値を出力するように、予め前記一般化デルタルールで学
習されている。

【００３５】前記ニューラルネットワーク６の出力は、
２値化器７に送られる。前記２値化器７以降は、実施例
１と同様の処理が実行され、フレームメモリ８に２値化
処理された画像が記憶される。

【００３６】以上詳述したように、本実施例の画像２値
化処理装置によれば、入力画像の部分画像のヒストグラ
ムを作成することなく、最大明度と最小明度と平均明度
を求めるのみでニューラルネットワークにより２値化の
閾値が決定できるので、処理時間を短縮でき、処理装置
の規模を小さくできる。

【００３７】次に図７には、本発明による第４実施例と
しての画像２値化処理装置の構成を示し説明する。前述
した第１乃至第３実施例では、部分画像ブロックから最
大明度と最小明度と平均明度の３種類の特徴量を抽出
し、この特徴量によりニューラルネットワーク又は、ニ
ューラルネットワークの入出力関係をテーブルにしたテ
ーブルルックアップ法により、閾値を決定していた。こ
れらの実施例では、部分ブロックから直接特徴量を抽出
していたので高速処理が特徴である。

【００３８】一方、精度の高い閾値を求めるためには、
より多くの特徴量を用いるほうがよい。そこで、後述す
る第４，第５実施例では、３種類の明度のみを特徴量と
するものではなく、前記部分画像ブロックより明度のヒ
ストグラムを作成し、このヒストグラムより特徴量を抽
出するものである。

【００３９】まず、第４実施例の画像２値化処理装置の
概要について説明する。図９に、文字画像の部分画像ブ
ロックの明度のヒストグラムの模式図を示す。図９
（ｂ）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（ａ）
は、同図（ｂ）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い。

【００４０】一方、図９（ｂ）に示した文字を含む領域
では、背景の白地に対応するピークと、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分布がなだら
かに広がる。これらの比較により、白地のみの部分画像
ブロックは、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比が大きい。しかし、
文字を含む部分画像ブロックでは、最大明度と最小明度
の差が大きく、ヒストグラム全体の面積に対するピーク
の比が小さい。

【００４１】入力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。一方、文字を含む領域ならば、白地の最大
明度より低く、文字の最小明度より高い明度のところに
閾値を設定する。

【００４２】本実施例では、部分画像ブロックの特徴を
代表するものとして、その部分画像に含まれる画素の最
大明度と最小明度と、最頻明度（最も頻度の高い明度）
と、部分ブロックの画素数に対する最大頻度数の比を学
習データとし、前記ヒストグラムより得られる特徴のう
ち１個以上の特徴により算出される仮の閾値と、最適な
閾値との差分を教師データとしてニューラルネットワー
クの学習を行なう。

【００４３】図７に示す画像２値化処理装置において、
図１に示した第１実施例の構成部材と同等の部材には、
同じ参照符号を付して、その説明を省略する。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
や線画画像が撮影される。前記イメージセンサ１の出力
は、Ａ／Ｄ変換器２によりデジタル化され、フレームメ
モリ３に一時的に記憶される。前記フレームメモリ３に
記憶された画像は、ウィンドウ回路４から発生するアド
レス情報に基づいて、所定の大きさの部分画像ブロック
に分割され、１ブロックづつヒストグラム器１７に読み
出される。前記ヒストグラム器１７は、読み出された部
分画像ブロックの各画素について、ヒストグラムメモリ
１８のその画素の明度に対応するアドレスに“１”を加
算する。尚、前記イメージセンサ１が画像を撮影する以
前に、前記ヒストグラムメモリ１８の全アドレスの内容
は“０”に初期化されている。

【００４４】前記フレームメモリ３から１ブロック分の
部分画像の読み出しが完了すると、前記ヒストグラムメ
モリ１８には、図９に示すような明度のヒストグラムが
記憶されている。

【００４５】次に最大最小検出器１９は、前記ヒストグ
ラムメモリ１８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抽出する。また、ピーク検
出器２０は、前記ヒストグラムメモリ１８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比を抽出する。

【００４６】抽出された特徴量は、演算器２１及びニュ
ーラルネットワーク６に送られる。演算器２１では前記
ヒストグラムより得られる少なくとも１種類の特徴量を
基に仮の閾値を算出する。

【００４７】仮の閾値は例えば、平均明度に所定の係数
を乗じて得られる。白地に黒字で書かれた文書画像の場
合は係数としては０．８〜０．９が適当である。また、
平均明度ではなく、最大明度と最小明度の中間値に所定
の係数を乗じたものでもよい。さらに、最大明度に所定
の係数を乗じたものでもよい。

【００４８】前記演算器２１により算出された仮の閾値
は、加算器２４において、前記ニューラルネットワーク
６の出力が加算されて２値化器７に送られる。前記２値
化器７は、フレームメモリ３から読み出された部分画像
ブロックの画素を、前記加算器２４により補正された閾
値で２値化する。すなわち、画素の明度値が前記修正さ
れた閾値より大きい場合には“白画素”、出力値以下の
場合には“黒画素”とし、フレームメモリ８の所定アド
レス位置に記憶する。

【００４９】ウィンドウ回路４は、フレームメモリ３中
に部分画像ブロックを設定すると共に、フレームメモリ
８中に前記フレームメモリ３中の部分画像ブロックと対
応するアドレスを指定する。フレームメモリ３に記憶さ
れた入力画像の全ての部分画像についての処理が終了す
ると、フレームメモリ８には前記入力画像が２値化処理
された画像が記憶されている。

【００５０】次に図８には、本発明による第５実施例と
しての画像２値化処理装置を示し説明する。第５実施例
が前述した第４実施例と異なるのは、第４実施例では仮
の閾値を補正する手段として、前記部分画像ブロックの
特徴量として、前記最大最小検出器１９とピーク検出器
２０で最大明度と最小明度と最頻明度と最大頻度数を抽
出し、ニューラルネットワーク６に入力して、そのニュ
ーラルネットワーク６の出力を仮の閾値に加えて補正さ
れた閾値を決定していた。しかしながら、ニューラルネ
ットワーク６は本来並列的な構造をしており、これを現
在一般的に利用されている逐次型のプロセッサで処理す
るのは、処理時間の上から効率的な方法ではない。そこ
で、第５実施例では、閾値の補正値を求める手段とし
て、ニューラルネットワークに代えて、テーブルルック
アップ法を用いる。

【００５１】この画像２値化処理装置は、第４実施例と
同様に、最大最小検出器１９はヒストグラムメモリ１８
に記憶されている部分画像ブロックのヒストグラムか
ら、最大明度と最小明度を抽出し、ピーク検出器２０は
最頻明度と最大頻度の明度と部分画像の画素数に対する
最大頻度数の比を抽出する。

【００５２】抽出された特徴量は、演算器２１及びアド
レス回路２２に送られる。演算器２１では第４実施例と
同様に、前記ヒストグラムより得られる少なくとも１種
類の特徴量を基に仮の閾値を算出する。このアドレス回
路２２は、前述したような４次元的なアドレスを作成す
るのではなく、前記４種類の特徴量からベクトル量子化
により１次元的なアドレスを作成してもよい。この時
は、勿論ルックアップテーブルも１次元的に作成する。

【００５３】前記アドレス回路２２は、前記４種類の特
徴量それぞれの値を、所定レベル数に量子化し、その４
種類の特徴量の量子レベルをアドレスとして補正値テー
ブル２３から、補正値を読み出す。この補正値テーブル
２３には、予め図示しないニューラルネットワークで求
めた、前記４種類の量子化された特徴量をアドレスとす
る閾値の補正値が記憶されている。

【００５４】前記演算器２１により算出された仮の閾値
は、加算器２４において、前記補正値テーブル２３から
読み出された補正値が加算されて２値化器７に送られ
る。前記２値化器７以降は、実施例４と同様の処理が実
行されフレームメモリ８に２値化処理された画像が記憶
される。

【００５５】よって、この第４，５実施例によれば、入
力画像の部分画像の明度のヒストグラムから抽出した特
徴量より直接閾値を求めず、まず仮の閾値を算出し、そ
の仮の閾値をニューラルネットワークによって得た補正
値により最適な閾値を決定できる。

【００５６】以上のことから、本発明の実施例による画
像２値化処理装置によれば、部分画像ブロックのヒスト
グラムから抽出した特徴量よりまず仮に閾値を算出し、
その仮の閾値をニューラルネットワークによって得た補
正値により修正してより最適な閾値を決定して画像の２
値化処理を行うことができる。若しくは、部分画像の明
度のヒストグラムを作成することなく小数の特徴を抽出
し、この特徴より仮の閾値を決定して画像の２値化処理
を実行することもできる。また本発明は、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。

【００５７】

【発明の効果】以上詳述したように本発明によれば、入
力画像の部分画像の最適な閾値を決定して画像の２値化
処理を行う画像２値化処理装置を提供することができ
る。

【図面の簡単な説明】

【図１】本発明の第１実施例としての画像２値化処理装
置の構成を示す図である。

【図２】本発明の第２実施例としての画像２値化処理装
置の構成を示す図である。

【図３】本発明の第３実施例としての画像２値化処理装
置の構成を示す図である。

【図４】本発明に用いたニューラルネットワークの階層
構造を示す図である。

【図５】画像の注目ブロックと、その隣接ブロックを示
す図である。

【図６】文字画像の部分画像ブロックの明度のヒストグ
ラムの模式を示す図である。

【図７】本発明の第４実施例としての画像２値化処理装
置の構成を示す図である。

【図８】本発明の第５実施例としての画像２値化処理装
置の構成を示す図である。

【図９】文字画像の部分画像ブロックの明度のヒストグ
ラムの模式を示す図である。

【符号の説明】

１…イメージセンサ、２…Ａ／Ｄ変換器、３，８…フレ
ームメモリ、４…ウィンドウ回路、５…明度抽出器、６
…ニューラルネットワーク、７…２値化器、９…アドレ
ス回路、１０，２３…補正値テーブル、１２…ブロック
メモリ、１３…明度メモリ、１４…全画像、１５…注目
ブロック、１６…隣接ブロック、１７…ヒストグラム
器、１８…ヒストグラムメモリ、１９…最大最小検出
器、２０…ピーク検出器、２１…演算器、２２…アドレ
ス回路、２４…加算器、３０ａ〜３０ｃ，３１ａ〜３１
ｆ，３２…ユニット。

Claims (2)

【特許請求の範囲】
1. 【請求項１】 光像を光電変換し、画像信号として取出
   す画像撮影手段と、 前記画像撮影手段からの画像信号を所定数に分割し、複
   数の部分画像を生成する画像信号分割手段と、 前記画像信号分割手段による部分画像から、最大明度と
   最小明度と平均明度からなる３種類の明度値を抽出する
   抽出手段と、 前記抽出手段からの３種類の明度値より閾値を算出する
   閾値算出手段と、 前記閾値算出手段によって得られた閾値によって、前記
   部分画像の全て又は、一部の画素を２値化する手段と、
   を具備することを特徴とする画像２値化処理装置。
2. 【請求項２】 光像を光電変換し、画像信号として取出
   す画像入力手段と、 前記画像入力手段からの画像信号を所定数に分割し、複
   数の部分画像を生成する画像信号分割手段と、 前記部分画像から１個又は複数の特徴量パラメータを抽
   出する抽出手段と、 前記抽出手段により抽出されたパラメータのうち少なく
   とも１個のパラメータより仮の閾値を算出する閾値算出
   手段と、 前記抽出された１個又は複数のパラメータから閾値の補
   正値を出力するニューラルネットワークと、 前記仮の閾値を前記ニューラルネットワークの出力で補
   正する補正手段と、 前記補正手段によって補正された閾値によって、前記部
   分画像の全て又は一部の画素を２値化する手段と、を有
   することを特徴とする画像２値化装置。