JPH10283460A - 画像処理装置 - Google Patents

Abstract

(57)【要約】 【課題】比較的小規模のニューラルネットワークを用
い、学習に要する時間を低減することができ、汎用的な
原稿に対して異常な画像処理手段（画像パラメータ）を
生成することがなく、予め準備された複数の画像処理手
段の中から適切なものを選択することによって容易に所
望の画像品質を得ることのできる画像処理装置を提供す
ることを目的とする。 【解決手段】入力される画像データＤ１に対し、画像デ
ータＤ１の特徴に応じた内容の画像処理を行って出力す
る画像処理装置であって、画像処理の内容の異なる複数
種類の処理部３５１，３５２…、３５Ｍを有する画像処
理部３５と、入力される画像データＤ１の特徴量ＤＨを
抽出する特徴量抽出部３２と、複数種類の処理部３５
１，３５２…、３５Ｍの中から特徴量ＤＨに対応した適
切なものを選択するニューラルネットワーク３３と、を
有して構成される。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、入力される画像デ
ータの特徴に応じた内容の画像処理を行って出力する画
像処理装置に関する。本発明の特徴は、画像データの特
徴量をニューラルネットワークへの入力パラメータと
し、予め準備された複数の画像処理手段（画像パラメー
タ）の中から最適のものをニューラルネットワークから
出力される選択データによって選択する点にある。本発
明の画像処理装置は、例えばデジタル複写機において、
原稿を読み取ることにより入力された画像データに対し
て画質のシャープさなどを制御する画質補正のために利
用される。

【０００２】

【従来の技術】従来より、画像処理にしばしばニューラ
ルネットワークが用いられている。例えば特開平６−３
０２５３号公報には、入力された画像データをニューラ
ルネットワークの入力層に入力し、ニューラルネットワ
ークによって画像処理を行い、処理後の画像データを出
力層から出力する装置が提案されている。

【０００３】また、画像データの特徴量をニューラルネ
ットワークに入力し、ニューラルネットワークによって
特徴量に応じた変換パラメータを求め、求められた変換
パラメータを用いて画像処理を行うことも提案されてい
る。

【０００４】これらのいずれにおいても、ニューラルネ
ットワーク自体によって画像処理を行っており、処理後
の画像データがニューラルネットワークから出力され
る。

【０００５】

【発明が解決しようとする課題】上述した従来の画像処
理装置では、画像処理そのものをニューラルネットワー
クで行っているので、ニューラルネットワークの各層の
数、特に出力層の数を多くする必要があり、ニューラル
ネットワークの回路規模が膨大となるとともに、その学
習のために膨大な時間を要することとなる。

【０００６】例えば、２５６階調の画像データを処理す
る場合には、出力層に少なくともその５分の１程度の個
数のニューロンが必要であり、高精度な処理を行うため
には２５６個のニューロンが必要である。このようなニ
ューラルネットワークは回路規模及び学習時間が膨大で
ある。

【０００７】そして、画像処理を学習後のニューラルネ
ットワークで行っているので、原稿によっては通常あり
得ない画像処理を行ってしまう可能性がある。つまり、
学習のための教師データが適切でなかったり学習が充分
でなかった場合には、入力される画像データによっては
ニューラルネットワークが通常では考えられない異常な
内容の画像処理を実行する可能性がある。

【０００８】また、ニューラルネットワークを用いるこ
となく、画像データに含まれる特徴量によって、予め設
定された複数の画像処理手段の中から適切なものを選択
することが考えられる。この場合において、どのように
して適切なものを選択するかが問題である。

【０００９】つまり、画像処理手段を選択する場合に、
例えば複写機で複写される種々の原稿に対して、画像の
種類を正確に判別するようにしきい値などのパラメータ
を設定することが重要となる。このようなしきい値など
のパラメータは、計算上求められるものもあるが、実際
には何種類かの原稿を用いて経験的に求められることが
多い。そのため、求められたしきい値では、実際に用い
られる原稿に対する適切な画像処理を選択することがで
きない可能性がある。そのため、ある限られた原稿の画
像データに対しては適切な画像処理手段を選択するかも
しれないが、別の画像データに対しては適切でないもの
を選択する可能性がある。つまり、複写機で複写される
原稿のように汎用的な画像データに対しては利用できな
い可能性がある。また、パラメータを設定するために
は、画像特性及び画像処理についての専門的知識が必要
であり、専門的知識を有しないユーザではパラメータの
設定ができないという問題がある。

【００１０】本発明は、上述の問題に鑑みてなされたも
ので、比較的小規模のニューラルネットワークを用い、
学習に要する時間を低減することができ、汎用的な原稿
に対して異常な画像処理手段（画像パラメータ）を生成
することがなく、予め準備された複数の画像処理手段の
中から適切なものを選択することによって容易に所望の
画像品質を得ることのできる画像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】請求項１の発明に係る装
置は、入力される画像データに対し、当該画像データの
特徴に応じた内容の画像処理を行って出力する画像処理
装置であって、画像処理の内容の異なる複数種類の画像
処理手段を有する画像処理部と、入力される前記画像デ
ータの特徴量を抽出する特徴量抽出手段と、前記複数種
類の画像処理手段の中から前記特徴量に対応した適切な
画像処理手段を選択するニューラルネットワークと、を
有して構成される。

【００１２】請求項２の発明に係る装置は、画像処理の
内容の異なる複数種類の画像処理手段を有する画像処理
部と、入力される前記画像データの特徴量を抽出する特
徴量抽出手段と、入力層に特徴量を入力し、入力された
特徴量に対応する画像処理手段を選択する選択データを
出力層から出力するように学習させたニューラルネット
ワークと、前記ニューラルネットワークによって、前記
複数種類の画像処理手段の中から前記特徴量抽出手段に
より抽出された特徴量に対応した適切な画像処理手段を
選択する画像処理選択手段と、を有して構成される。

【００１３】請求項３の発明に係る装置は、画像処理の
内容の異なる複数種類の画像処理手段を有する画像処理
部と、入力される前記画像データの特徴量を抽出する特
徴量抽出手段と、前記特徴量抽出手段により抽出された
特徴量が入力層に入力され、前記複数種類の画像処理手
段の中から１つの画像処理手段を選択する選択データを
出力層から出力するニューラルネットワークと、前記入
力層に特徴量を入力し、入力された特徴量に対応する適
切な画像処理手段を選択する選択データを前記出力層か
ら出力するように前記ニューラルネットワークを学習さ
せるための学習手段と、を有して構成される。

【００１４】請求項４の発明に係る装置は、前記複数種
類の画像処理手段に中に、入力される画像データの濃度
値に対応した濃度値の画像データを出力する画像パラメ
ータを含んで構成される。

【００１５】本発明の画像処理装置では、例えば図５に
示すような種々の入出力特性を有した画像処理手段（処
理部）が予め準備される。画像データから抽出された特
徴量はニューラルネットワークに入力され、ニューラル
ネットワークの出力層からは適切な画像処理手段を選択
するための選択データが出力される。

【００１６】つまり、画像処理自体は予め準備された画
像処理手段によって実行される。ニューラルネットワー
クは、いずれかの画像処理手段を選択するために用いら
れる。

【００１７】ニューラルネットワークが適切な画像処理
手段を選択するようにするために、教師データを用いて
種々の方法による学習が行われる。そのような学習は、
予め行っておくことも可能であり、画像処理装置を実際
に使用する際に行うことも可能である。なお、特徴量に
は画像データ自体も含まれる。つまり画像データ自体を
ニューラルネットワークに入力してもよい。

【００１８】

【発明の実施の形態】図１は本発明に係る画像処理ユニ
ット１１５が設けられたデジタル式の複写機１の概略の
構成を示す図である。

【００１９】複写機１は、その上部に設置された画像読
み取り装置１１、及び下部に配置された画像記録装置１
２から構成されている。画像読み取り装置１１において
は、縮小光学系を用いて、光源１１１から原稿に光を照
射し、その反射光をミラー１１２及びレンズ１１３を介
してライン状のＣＣＤ１１４上に結像させ、光電変換さ
れたアナログの電気信号Ｓ１を得る。本実施形態におい
ては、ＣＣＤ１１４の解像度は４００ｄｐｉであり、最
大原稿サイズはＡ３サイズ（１ライン約５０００ｄｏ
ｔ）である。

【００２０】ＣＣＤ１１４から出力される電気信号Ｓ１
は、本発明の画像処理装置としての画像処理ユニット１
１５に入力され、画像処理ユニット１１５において、操
作部１１６からの指示データＤＣの内容にしたがって、
デジタルの画像データＤ１に変換され、変倍及び画質補
正などの画像処理が行われ、デジタルの画像データＤＯ
として画像読み取り装置１１から出力される。

【００２１】原稿は、ＣＣＤ１１４によって主走査方向
に走査され、ミラー１１２の水平方向への移動によって
副走査方向に走査される。したがって、電気信号Ｓ１
は、主走査の１ライン毎に、ＣＣＤ１１４から順次転送
されて出力される。

【００２２】画像記録装置１２においては、画像読み取
り装置１１から出力された画像データＤＯをレーザーダ
イオード駆動ユニット１２１でアナログの電気信号Ｓ２
に変換し、レーザー発光源であるレーザダイオード１２
２でレーザ光に変換し、レーザ光をポリゴンミラー１２
３を介して感光体ドラム１２４の表面に結像させる。つ
まり、レーザダイオード１２２に入力される電流を画素
単位で制御してその光量を制御し、これによって感光体
ドラム１２４の表面に付着するトナーの量を制御し、電
子写真方式によって４００ｄｐｉ、２５６階調の画像を
用紙ＰＰ上に再現する。

【００２３】図２は画像処理ユニット１１５の全体の構
成を示すブロック図である。画像処理ユニット１１５
は、Ａ／Ｄ変換部３１、本発明における特徴量抽出手段
としての特徴量抽出部３２、画像処理選択手段としての
画像処理選択部３３、学習手段としての学習部３４、及
び画像処理部３５から構成されている。

【００２４】Ａ／Ｄ変換部３１は、ＣＣＤ１１４から出
力された電気信号Ｓ１を、８ｂｉｔ（２５６階調）のデ
ジタル画像データＤ１（Ｖ７−０）に変換する。特徴量
抽出部３２は、入力される画像データＤ１に基づいて、
その画像の特性を表わす特徴量ＤＨを抽出する。特徴量
抽出部３２は、一種類の画像データＤ１について複数種
類の特徴量ＤＨを抽出することがある。特徴量として
は、例えば、エッジ情報、孤立点情報、ヒストグラム情
報などがあり、これらについては後述する。なお、特徴
量ＤＨとして、画像データＤ１自体であってもよい。

【００２５】なお、画像の特性の例として、その画像が
文字画像であること、写真画像（濃淡画像）であるこ
と、又は網点画像であることなどである。つまり、これ
らの場合には、特徴量ＤＨに基づいて、文字画像、写真
画像、又は網点画像など、それぞれの画像の種類に対応
して最適の処理が行われることになる。

【００２６】画像処理選択部３３は、特徴量ＤＨに基づ
いて、その画像データＤ１の画像処理に最適の処理を選
択するための選択データＤＳを出力する。つまり、画像
データＤ１に対する画像処理自体は画像処理部３５によ
って行われるが、画像処理部３５において行われる処理
の内容を選択するための選択データＤＳを画像処理選択
部３３が出力する。画像処理選択部３３は、ニューラル
ネットワークによって構成されている。

【００２７】学習部３４は、画像処理選択部３３のニュ
ーラルネットワークを学習させるためのものである。つ
まり、学習部３４は、画像処理選択部３３から出力され
る選択データＤＳを入力し、選択データＤＳと目標値と
の誤差を演算し、誤差が小さくなるような結合係数Ｗ
ｉ，ｊを画像処理選択部３３に与え、これを何回も繰り
返すことによって、選択データＤＳが目標値に近づくよ
うに画像処理選択部３３を学習させる。

【００２８】画像処理部３５は、本発明の画像処理手段
としての多数の処理部３５１，３５２…、３５Ｍを有し
ている。それぞれの処理部３５１，３５２…、３５Ｍ
は、入力される画像データＤ１に対して、内容の異なる
種々の処理１、処理２、…処理Ｍを実行し、処理結果で
ある画像データＤＯ（ＤＶ７−０）を出力する。処理の
内容としては、例えば、シェーディング補正処理、ＬＯ
Ｇ補正処理、濃度変換処理、変倍・移動制御処理、ＭＴ
Ｆ補正処理、濃度補正処理（ガンマ補正処理）、及びこ
れらを組み合わせた処理などがある。また、それぞれの
処理において、変換係数、変換率、又は補正係数のみが
異なる複数の処理である場合もある。それらの処理の概
要を次に説明する。

【００２９】シェーディング補正処理は、主走査方向の
光量ムラをなくすための処理であり、原稿の読み取り動
作に先立って、図示しないシェーディング補正用の白色
板を読み取って得た画像データＤ１を内部のシェーディ
ングメモリに基準データとして格納しておき、それを逆
数に変換した後、原稿を読み取って得た画像データＤ１
と乗算して補正された画像データＤ０を出力する。

【００３０】ＬＯＧ補正処理は、電気信号Ｓ１の大きさ
が原稿の反射率すなわち輝度に比例するため、これを濃
度に比例したデータに変換するための処理である。ＬＯ
Ｇ補正処理においては、例えば、濃度＝−ＬＯＧ（明
度）の特性を有したテーブルを用いて変換を行う。ま
た、濃度変換処理として、オペレータの操作に応じた濃
度調整も行うため、操作部１１６からの指示データＤＣ
にしたがってテーブルの内容を変更する。

【００３１】変倍・移動制御処理では、変倍用のライン
メモリを２個用いて１ライン毎に入出力を交互に行い、
その書き込みタイミング及び読み出しタイミングを独立
して制御することにより、主走査方向の変倍及び移動を
行う。この制御において、変倍率に応じて、縮小側では
書き込み前に、拡大側では読み出し後に、それぞれ補間
処理を行い、画像の欠損又は画像のガタツキを防止す
る。この制御によって、イメージリピート処理、拡大連
写処理、及び鏡像処理をも行う。副走査方向の変倍は、
ミラー１１２の移動速度を制御しＣＣＤ１１４による読
み取り速度を可変することにより行う。

【００３２】ＭＴＦ補正処理は、画像のシャープさなど
を制御するための処理である。ＭＴＦ補正処理として、
スムージング処理又はエッジ強調処理などを行う。濃度
補正処理では、画像記録装置１２の特性に応じた濃度補
正（ガンマ補正）を行う。

【００３３】図３は学習部３４の構成の例を示す図、図
４は画像処理選択部３３の構成の例を示す図、図５は画
像処理部３５の構成の例を概念的に示す図である。図３
において、学習部３４は、目標値設定部３４１、誤差演
算部３４２、及び結合係数発生部３４３からなる。

【００３４】目標値設定部３４１は、操作部１１６から
の指示データＤＣに基づいて目標値ＤＶを設定する。目
標値ＤＶとして、画像処理部３５内の処理部３５１，３
５２…、３５Ｍを選択するためのデータが設定される。
例えば、選択データＤＳが各処理部３５１，３５２…、
３５Ｍに対応したビット列からなり、それぞれに対応す
るビットが「１」のときにその処理を選択し「０」のと
きに選択しないとした場合に、処理部３５１を選択する
場合の選択データＤＳは「１００…０」となる。設定さ
れた目標値ＤＶは、目標値設定部３４１内のレジスタに
格納される。なお、選択データＤＳは、処理部を選択す
ることの可能な程度のデータであればよく、その各ビッ
トの値は実際には「１」又は「０」に近い小数値となる
場合が多い。

【００３５】オペレータは、画像処理選択部３３を学習
させるに当たって、教師データとなる原稿を画像読み取
り装置１１にセットするが、その原稿に対する最適の処
理が処理部３５１，３５２…、３５Ｍの中から選択され
るように、つまりそのような選択データＤＳと一致する
目標値ＤＶが設定されるように、指示データＤＣを入力
する。オペレータは、教師データとなる原稿に対応する
処理内容が分かっている場合には、その処理内容に相当
する処理部３５１，３５２…、３５Ｍを選択するための
目標値ＤＶを設定する。教師データとなる原稿に対し
て、処理部３５１，３５２…、３５Ｍによる実際の処理
結果を見た上でオペレータが処理内容を決定する場合に
は、そのようにして決定した処理内容に相当する処理部
３５１，３５２…、３５Ｍを選択するための目標値ＤＶ
を設定する。

【００３６】なお、目標値ＤＶの設定を操作部１１６か
らの指示データＤＣに基づいて行うように説明したが、
操作部１１６ではなく、目標値ＤＶの設定のための専用
のパネル又は機器を用いることとしてもよい。また、操
作部１１６からの指示データＤＣ又は専用の機器からの
入力に基づくことなく、例えば教師データとなる原稿に
目標値ＤＶを設定するための情報を予め記録しておき、
原稿を読み取ったときにその情報を同時に読み取るよう
にし、その情報に基づいて自動的に目標値ＤＶが設定さ
れるように構成してもよい。

【００３７】誤差演算部３４２は、画像処理選択部３３
から出力される選択データＤＳと、目標値設定部３４１
から出力される目標値ＤＶとを比較し、その誤差ΔＤを
出力する。誤差ΔＤの演算方法として、例えばビット毎
の誤差を平均する方法、２乗平均する方法、２乗加算す
る方法など、種々の方法が用いられる。

【００３８】結合係数発生部３４３は、画像処理選択部
３３のニューラルネットワークの各ニューロンについて
の結合係数Ｗｉ，ｊを与える。結合係数Ｗｉ，ｊは、１
回毎に、誤差ΔＤが小さくなるような方向に変化させ
る。

【００３９】図４において、画像処理選択部３３はニュ
ーラルネットワークからなる。図に示すニューラルネッ
トワークは、入力層Ｓ、中間層Ａ、及び出力層Ｒの３層
からなる。入力層Ｓのニューロン数はＮ個、出力層Ｒの
ニューロン数はＭ個であり、中間層Ａのニューロン数は
適当な個数である。中間層Ａが１層のみ示されている
が、中間層Ａが２層以上あってもよい。

【００４０】入力層Ｓの各ニューロンには特徴量ＤＨの
各データが入力される。複数種類の特徴量ＤＨが入力さ
れる場合もある。例えば、第１番から第（Ｎ−ｘ）番の
ニューロンにはある特徴量ＤＨのデータが入力され、第
（Ｎ−ｘ＋１）番から第Ｎ番のニューロンには別の特徴
量ＤＨのデータが入力される。

【００４１】出力層Ｒの各ニューロンからは、選択デー
タＤＳの各ビットに対応するデータが出力される。例え
ば、第１番のニューロンからは処理１を選択するための
データが、第２番のニューロンからは処理２を選択する
ためのデータが、第Ｍ番のニューロンからは処理Ｍを選
択するためのデータが、それぞれ出力される。しかし、
選択データＤＳに対して別途設けたデコーダによってデ
コードし、これによって処理部を選択するようにしても
よい。

【００４２】図５において、画像処理部３５の第１番の
処理部３５１は、入力される画像データＤ１と出力され
る画像データＤＯとの関係がほぼ二次関数となってい
る。第２番の処理部３５２は、入力される画像データＤ
１と出力される画像データＤＯとの関係がほぼ対数関数
となっている。第Ｍ番の処理部３５Ｍは、入力される画
像データＤ１と出力される画像データＤＯとの関係がほ
ぼ一次関数となっている。

【００４３】処理部３５１，３５２…、３５Ｍは、例え
ば、入力と出力との対応関係を示すテーブルとして設け
られている。テーブルには、入力される画像データＤ１
の濃度値に対応した濃度値の画像データＤ０を出力する
画像パラメータを含んでいる。また、それぞれの処理を
行うための関数を発生するプログラムとして設けられる
こともある。

【００４４】次に、上述の複写機１の使用方法を説明す
る。複写機１を使用する前に、画像処理選択部３３を学
習させる。画像処理選択部３３の学習は、教師データと
なる原稿を画像読み取り装置１１により読み取らせ、そ
れに対応する目標値ＤＶを操作部１１６から設定する。
これによって、学習部３４によって、画像処理選択部３
３の学習が繰り返して実行される。教師データである原
稿を種々取り替えて上述の学習を行わせる。これによっ
て、画像処理選択部３３に最適の結合係数Ｗｉ，ｊが設
定される。画像処理選択部３３はその結合係数Ｗｉ，ｊ
を保持する。これによって学習は終了する。なお、教師
データとして、例えば、文字画像の原稿、写真画像の原
稿、網点画像の原稿などが用いられる。

【００４５】その後、オペレータが複写したい原稿を画
像読み取り装置１１にセットすると、その原稿を読み取
って得た画像データＤ１から特徴量ＤＨが抽出され、そ
の特徴量ＤＨに応じて画像処理選択部３３から選択デー
タＤＳが出力され、選択データＤＳによって画像処理部
３５の中から適切な処理部が選択される。画像データＤ
１は、選択された処理部によって処理され、画像データ
ＤＯとして出力される。出力された画像データＤＯに基
づいて、画像記録装置１２により用紙ＰＰ上への印刷が
行われる。

【００４６】上述の複写機１によると、原稿から読み取
られた画像データＤ１から抽出された一種類又は複数種
類の特徴量ＤＨを画像処理選択部３３の入力層Ｓに入力
し、出力層Ｒから出力される選択データＤＳによって画
像処理部３５の中の処理部３５１，３５２…、３５Ｍの
いずれかを選択するように構成したので、容易にユーザ
の所望する画像品質の複写画像を得ることができるとも
に、画像処理選択部３３のニューラルネットワークの回
路規模を小さくすることができ、ニューラルネットワー
クの回路に要するコストを削減し且つ学習に要する時間
を短縮することができる。

【００４７】しかも、教師データに対する目標値ＤＶを
設定し、画像処理選択部３３に学習させることによって
最適の処理部３５１，３５２…、３５Ｍを選択するよう
に構成したので、従来のように複数のしきい値などのパ
ラメータを設定する必要がなく、複写機１で複写される
多くの汎用的な原稿に対して最適な画像処理を実行する
ことができる。

【００４８】また、画像処理選択部３３のニューラルネ
ットワークは、画像処理部３５に予め準備された複数の
処理部３５１，３５２…、３５Ｍの中からの選択方法を
学習すればよいので、ニューラルネットワーク自体によ
って画像処理を行う場合のように異常な画像パラメータ
が生成されることがない。つまり、異常な画像処理が行
われる恐れがない。

【００４９】次に、特徴量抽出部３２において抽出され
る特徴量ＤＨであるエッジ情報及び孤立点情報について
説明する。まず、エッジ情報について説明する。図６は
ラプラシアン・フィルタの例を示す図、図７はラプラシ
アン・フィルタを用いてエッジ強調された画像データを
示す図である。

【００５０】ラプラシアン・フィルタは、画像のエッジ
部のコントラストを上げて画像のシャープさを増す効果
（アンシャープマスク効果）を得るためにしばしば用い
られる。ラプラシアン・フィルタを用いることによって
得られたエッジ情報と元の画像データＤ１とを加算する
ことによって、図７に示すようにエッジ強調された画像
データが得られる。

【００５１】図８（Ａ）及び（Ｂ）はそれぞれ一次微分
フィルタの例を示す図である。これら二種類の一次微分
フィルタを用いて主走査方向と副走査方向の画像濃度傾
斜を検出する。それらにより検出された結果を用いてエ
ッジ情報が抽出される。

【００５２】次に、孤立点情報について説明する。網点
印刷のようなドット・スクリーンで階調表現された原稿
であるか否かを検出するために、網点原稿内に一定周期
で必ず存在する各網点の中心画像（カーネル）を孤立点
化させるための空間フィルタである孤立点検出フィルタ
を用いる。

【００５３】まず、孤立点検出フィルタを用い、中心画
素がその周辺画素に対して、総て濃度が大きいか小さい
かのどちらかであり、且つ周辺画素８方向の濃度平均よ
りもあるレベル分総て大きいか小さいかのいずれかを抽
出する。そして、矩形領域（主走査：４１ｄｏｔ／副走
査９ライン）内における白の孤立点と黒の孤立点を独立
してカウントし、孤立点情報を抽出する。

【００５４】上述のようにして抽出された特徴量ＤＨに
基づいて、画像処理選択部３３によって、例えば文字画
像、写真画像、又は網点画像などの判別が行われ、その
結果が選択データＤＳとして出力される。例えば、エッ
ジ情報があるしきい値より大きいとき、その画像は文字
画像と判別される。孤立点情報があるしきい値より大き
いとき、その画像は網点画像と判判別される。それ以外
は写真画像と判別される。そして、画像の種類（文字画
像、写真画像、網点画像など）に応じて、選択データＤ
Ｓにより画像処理部３５の中から適切な処理部が選択さ
れる。

【００５５】例えば、文字画像の場合には、エッジ強調
処理を行なったり、図５に示す処理部３５２によって低
濃度の入力データに対する出力データを高濃度にする処
理を行い、文字のエッジを強調する。

【００５６】写真画像の場合には、例えば図５に示す処
理部３５Ｍによって、入力データに対して出力データが
リニアとなる処理を行い、連続した階調性を保持する。
網点画像の場合には、例えばスムージングフィルタを用
いて平滑化処理を行なう。スムージングフィルタは、画
像を平滑化するための一種のローパスフィルタであり、
例えば主走査方向の３画素に対して、１／４、１／２、
１／４の割合で積分処理（重み付け平均）を行い、モワ
レの原因となる高周波成分をカットしたデータを出力す
る。

【００５７】上述の実施形態においては、複写機１の中
に学習部３４が設けられ、複写機１の使用の前に学習部
３４による画像処理選択部３３の学習を行うように説明
したが、そのような学習をメーカにおける工場の出荷前
にメーカ側で行うようにしてもよい。また、その場合に
おいても、複写機１のユーザの側において、オペレータ
の好みや原稿の特殊性に応じて適時行うようにしてもよ
い。

【００５８】また、学習部３４を複写機１の内部に設け
るのではなく、複写機１の外部に設け、複写機１には外
部の学習部３４との接続のためのコネクタ及びインタフ
ェースを設けることとしてもよい。その場合において、
外部の学習部３４は、専用の学習ユニットとして構成
し、又は汎用のパーソナルコンピュータに学習用のプロ
グラムをロードすることによって構成することができ
る。このように構成した場合には、複写機１のユーザ又
はサービスマンなどによって画像処理選択部３３の学習
を行う場合にのみ、学習部３４を接続することとし、複
写機１としての通常の使用に際しては学習部３４を取り
外しておけばよい。

【００５９】また、学習を行う場合に、画像処理部３５
に予め準備された処理部３５１，３５２…、３５Ｍの中
から、実際に使用する処理部のみを選択して指定し、画
像処理を行う種類の数を目標数として設定可能としてお
くこともできる。その場合には、使用しない処理部に対
応する出力層Ｒの結合係数を「０」に固定すればよい。
したがって、目標数を複写機１の実際の用途に応じて必
要最小限とすることによって、ニューラルネットワーク
の学習時間を一層短縮することができる。しかも、目標
数が小さくなることにより、操作部１１６の操作によっ
て目標値ＤＶを容易に設定することが可能となる。

【００６０】また、目標数が設定されることによってニ
ューラルネットワークを構成するニューロンの総個数が
分かるので、種々のニューロン数について求めた学習時
間の実験値に基づいて、設定された目標数に対応した学
習時間の予測値を求めることができる。したがって、求
めた学習時間の予測値を画面に表示することによって、
ユーザが目標数を決める際の参考となり、目標数を決め
易い。

【００６１】上述の実施形態において、画像読み取り装
置１１にセットされた原稿について、画像処理部３５の
総ての処理部３５１，３５２…、３５Ｍによって実際に
画像処理を行い、その結果を用紙ＰＰ上に印刷し、その
中から適切な処理をオペレータが選択して目標値ＤＶを
設定するようにしてもよい。

【００６２】そうすると、実際に画像処理を行った結果
を見て処理部３５１，３５２…、３５Ｍを選択するの
で、オペレータは処理の内容や特性などを考える必要が
なく、目標値ＤＶの設定が容易であり且つ間違えること
がない。したがって、画像処理又は画像特性などに関す
る専門的知識を必要とせず、専門的知識を持たないユー
ザでも目標値ＤＶを容易に設定することが可能である。

【００６３】なお、その場合に、画像処理した結果を用
紙ＰＰに印刷するのでなく、画面に表示するようにして
もよい。１つ１つの画像を印刷又は表示してもよく、複
数の画像を一覧して印刷又は表示してもよい。

【００６４】上述の実施形態においては、画像処理部３
５の処理部３５１，３５２…、３５Ｍを予め準備した
が、ユーザにおいて処理内容を書き換えることが可能な
処理部を設けておき、カスタマイズな画像処理を設定で
きるようにしてもよい。また、画像処理部３５内の一部
の処理部を画像処理部３５の外部に設け、画像データＤ
１に対して常に又は選択的に実行させるようにしてもよ
い。

【００６５】上述の実施形態において、画像処理選択部
３３のニューラルネットワークとして３層のものを用い
たが、４層以上のものでもよい。各層のニューロン数、
結合係数の有無、応答関数の種類、学習方法などは、上
述した以外に種々変更することができる。また、ニュー
ラルネットワークは、コンピュータによるシミュレータ
により実現が可能である。つまり、例えば、学習部３４
から与えられる結合係数又は学習済の結合係数と応答関
数を表したテーブル、及びそれらを演算及び検索するた
めのプログラムから実現することが可能である。また、
ハードウエアによって実現することも可能である。

【００６６】その他、画像処理選択部３３、学習部３
４、画像処理部３５、又は画像処理ユニット１１５の構
成、処理内容、処理順序、処理タイミング、複写機１の
構成などは、本発明の主旨に沿って適宜変更することが
できる。

【００６７】また、上述の複写機１においては、モノク
ロにおける画像処理又は画像補正を例にして説明した
が、カラーの画像処理又は画像補正に適用できることは
言うまでもない。

【００６８】

【発明の効果】請求項１乃至請求項４の発明によると、
比較的小規模のニューラルネットワークを用い、学習に
要する時間を低減することができ、汎用的な原稿に対し
て異常な画像処理手段を生成することがなく、予め準備
された複数の画像処理手段の中から適切のものを選択す
ることによって容易に所望の画像品質を得ることができ
る。

【００６９】請求項３の発明によると、ユーザにおいて
使用する原稿などに応じて適切な画像処理が行われるよ
うに学習させることができる。

【図面の簡単な説明】

【図１】本発明に係る画像処理ユニットが設けられたデ
ジタル式の複写機の概略の構成を示す図である。

【図２】画像処理ユニットの全体の構成を示すブロック
図である。

【図３】学習部の構成の例を示す図である。

【図４】画像処理選択部の構成の例を示す図である。

【図５】画像処理部の構成の例を概念的に示す図であ
る。

【図６】ラプラシアン・フィルタの例を示す図である。

【図７】ラプラシアン・フィルタを用いてエッジ強調さ
れた画像データを示す図である。

【図８】一次微分フィルタの例を示す図である。

【符号の説明】

３２ 特徴量抽出部（特徴量抽出手段） ３３ 画像処理選択部（画像処理選択手段、ニューラル
ネットワーク） ３４ 学習部（学習手段） ３５ 画像処理部 １１５ 画像処理ユニット（画像処理装置） ３５１、３５２、３５Ｍ 処理部（画像処理手段）

Claims (4)

【特許請求の範囲】
1. 【請求項１】入力される画像データに対し、当該画像デ
   ータの特徴に応じた内容の画像処理を行って出力する画
   像処理装置であって、 画像処理の内容の異なる複数種類の画像処理手段を有す
   る画像処理部と、 入力される前記画像データの特徴量を抽出する特徴量抽
   出手段と、 前記複数種類の画像処理手段の中から前記特徴量に対応
   した適切な画像処理手段を選択するニューラルネットワ
   ークと、 を有してなることを特徴とする画像処理装置。
2. 【請求項２】入力される画像データに対し、当該画像デ
   ータの特徴に応じた内容の画像処理を行って出力する画
   像処理装置であって、 画像処理の内容の異なる複数種類の画像処理手段を有す
   る画像処理部と、 入力される前記画像データの特徴量を抽出する特徴量抽
   出手段と、 入力層に特徴量を入力し、入力された特徴量に対応する
   画像処理手段を選択する選択データを出力層から出力す
   るように学習させた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によって、前記複数種類の
   画像処理手段の中から前記特徴量抽出手段により抽出さ
   れた特徴量に対応した適切な画像処理手段を選択する画
   像処理選択手段と、 を有してなることを特徴とする画像処理装置。
3. 【請求項３】入力される画像データに対し、当該画像デ
   ータの特徴に応じた内容の画像処理を行って出力する画
   像処理装置であって、 画像処理の内容の異なる複数種類の画像処理手段を有す
   る画像処理部と、 入力される前記画像データの特徴量を抽出する特徴量抽
   出手段と、 前記特徴量抽出手段により抽出された特徴量が入力層に
   入力され、前記複数種類の画像処理手段の中から１つの
   画像処理手段を選択する選択データを出力層から出力す
   るニューラルネットワークと、 前記入力層に特徴量を入力し、入力された特徴量に対応
   する適切な画像処理手段を選択する選択データを前記出
   力層から出力するように前記ニューラルネットワークを
   学習させるための学習手段と、 を有してなることを特徴とする画像処理装置。
4. 【請求項４】前記複数種類の画像処理手段に中に、入力
   される画像データの濃度値に対応した濃度値の画像デー
   タを出力する画像パラメータを含んでなる、 請求項１乃至請求項３のいずれかに記載の画像処理装
   置。