CN1805499A - 图像处理装置、图像形成装置、图像读取处理装置及方法 - Google Patents

Abstract

本发明可以提供一种能够高精度地识别网点线数的图像处理装置。网点线数识别部包括：平坦网点识别部，在每个局部块中提取浓度分布信息，基于该浓度分布信息，识别各局部块是浓度变化小的平坦网点区域还是浓度变化大的非平坦网点区域；阈值设定部，设定适于二值化处理的阈值；二值化处理部，根据该阈值，生成局部块中的各像素的二值数据；反转次数计算部，计算该二值数据的反转次数；以及最大反转次数平均值计算部，对于平坦网点识别部识别为平坦网点区域的局部块，计算最大反转次数计算部算出的反转次数的平均值。而且，基于仅从识别为平坦网点区域的局部块得到的最大反转次数平均值，判定网点线数。

Description

图像处理装置、图像形成装置、图像读取处理装置及方法

技术领域

本发明涉及图像处理装置以及图像处理方法和包含它的图像读取处理装置、图像形成装置、程序、记录介质，该图像处理装置被供给数字复印机或传真装置等，为了实现记录图像的图像质量提高，而对扫描原稿得到的图像信号判别网点线数的级别，并基于其结果进行适当的处理。

背景技术

数字扫描仪或数字照相机等数字彩色图像输入装置中，输入彩色图像数据(彩色信息)，一般地将由分色系统的固体摄像元件(CCD)得到的三刺激值的颜色信息(R、G、B)从模拟信号变换为数字信号而作为输入信号使用。在最佳地显示或输出由该图像输入装置输入的信号的情况下，进行分离为读取原稿图像内的具有同一特性的每个小区域的处理。然后，对于该特性相同的区域，通过实施最佳的图像处理而可以再现优质的图像。

一般地，在将原稿图像分离为小区域时，对读取原稿图像内存在的字符区域、网点区域(halftone region)、照片区域(其它的区域)的各区域进行以局部为单位识别的处理。被识别的各区域通过在具有各自特性的每个区域中切换图像质量提高处理来提高图像的再现性。

进而，在上述网点区域(图像)的情况下，使用有65线/英寸、85线/英寸、100线/英寸、120线/英寸、133线/英寸、150线/英寸、175线/英寸、200线/英寸的从低线数到高线数的网点。因此，提出对这些网点线数(halftonefrequencies)进行判别，并根据其结果进行适当的处理的方法。

例如，在日本公开专利公报‘特开2004-96535号公报(公开日2004年3月25日)’中记载了将任意的像素和相邻像素的差分绝对值与第一阈值进行比较，在计算出比该第一阈值大的像素数之后，比较该像素数和第二阈值，根据其比较结果，判定网点区域的网点线数的方法。

此外，在日本公开专利公报‘特开2004-102551号公报(公开日2004年4月2日)’、日本公开专利公报‘特开2004-328292号公报(公开日2004年11月18日)’中记载了使用对于输入图像的二值化数据中的二值的切换次数——反转次数进行网点的线数识别的方法。

但是，在日本公开专利公报‘特开2004-96535号公报(公开日2004年3月25日)’的方法中，提取任意像素和相邻像素的差分绝对值比第1阈值大的低线数的网点像素，并根据低线数的网点像素的数目，进行是低线数网点还是高线数网点的判定。因此，难以高精度地识别网点线数。

而在日本公开专利公报‘特开2004-102551号公报(公开日2004年4月2日)’、日本公开专利公报‘特开2004-328292号公报(公开日2004年11月18日)’中，使用相对于输入图像的二值化数据中的二值的切换次数(反转次数)进行网点的线数识别，但没有考虑浓度分布信息。因此，在对浓度变化大的网点区域进行了二值化处理的情况下，产生如下的问题。

图25(a)表示浓度变化大的网点区域中的局部块的主扫描方向1行的一例。图25(b)表示图25(a)的浓度变化。这里，作为用于生成二值化数据的阈值，例如，假设设定了图25(b)所示的th1。在该情况下，如图25(d)所示，被分辨为白像素部分(表示低浓度网点部分)和黑像素部分(表示高浓度网点部分)，不能生成图25(c)所示的通过黑像素部分(表示网点打印部)提取而正确地再现了网点周期的二值数据。因此，产生网点线数的识别精度低的问题。

发明内容

本发明的目的在于提供一种可以高精度地识别网点线数的图像处理装置、图像处理方法、包括图像处理装置的图像读取装置、图像形成装置、图像处理程序、以及记录了该程序的计算机可读取的记录介质。

为了达成上述目的，本发明的图像处理装置包括对输入图像的网点线数进行识别的网点线数识别部，所述网点线数识别部包括：平坦网点识别部，在每个由多个像素构成的局部块中提取浓度分布信息，基于该浓度分布信息，识别局部块是浓度变化小的平坦网点区域还是浓度变化大的非平坦网点区域；提取部，对于所述平坦网点识别部识别为平坦网点区域的局部块，提取用于表示各像素间的浓度变化的状况的特征量；以及网点线数判定部，基于所述提取部提取的特征量判定网点线数。

这里，局部块不限定于矩形区域，可以是任意的形状。

根据上述结构，平坦网点识别部在每个由多个像素构成的局部块中提取浓度分布信息，基于该浓度分布信息，识别局部块是浓度变化小的平坦网点区域还是浓度变化大的非平坦网点区域。然后，对于被识别为平坦网点区域的局部块，提取部提取用于表示各像素间的浓度变化的状况的特征量，基于该特征量判定网点线数。

这样，基于来自浓度变化小的平坦网点区域中包含的局部块的特征量判定网点线数。即，如上所述，在除去了被识别为与本来的网点线数不同的网点线数的浓度变化大的非平坦网点区域的影响的基础上，判定网点线数。由此，可以高精度地识别网点线数。

本发明的其它的目的、特征以及优点通过以下所示的记载而十分清楚。此外，本发明的优点通过参照附图的如下的说明变得明白。

附图说明

图1表示本发明的一实施方式，是表示图像处理装置中包括的网点线数识别部的结构的方框图。

图2是表示本发明的图像形成装置的结构的方框图。

图3是表示本发明的图像处理装置中包括的原稿种类自动判别部的结构的方框图。

图4(a)是表示在上述原稿种类自动判别部中包括的字符像素检测部中，为了检测字符像素而用于进行卷积运算的块存储器的一例的说明图。

图4(b)是表示在上述原稿种类自动判别部中包括的字符像素检测部中，为了检测字符像素而对输入图像数据进行卷积运算的滤波系数的一例的说明图。

图4(c)是表示在上述原稿种类自动判别部中包括的字符像素检测部中，为了检测字符像素而对输入图像数据进行卷积运算的滤波系数的一例的说明图。

图5(a)是表示在上述原稿种类自动判别部中包括的背景基底(下地)检测部中，作为背景基底像素检测的情况的浓度直方图的一例的说明图。

图5(b)是表示在上述原稿种类自动判别部中包括的背景基底检测部中，不作为背景基底像素检测的情况的浓度直方图的一例的说明图。

图6(a)是表示在上述原稿种类自动判别部中包括的网点像素检测部中，用于检测网点线数的特征量(相邻像素差分值总和、最大浓度差)计算中使用的块存储器的一例的说明图。

图6(b)是表示以用于检测网点像素的特征量一一相邻像素差分值总和和最大浓度差为轴的二维平面中的字符、网点、照片区域的分布的一例的说明图。

图7(a)是表示多个照片部分存在的输入图像数据的一例的说明图。

图7(b)是对于图7(a)的原稿种类自动判别部中包括的照片候选像素标示(labeling)部中的处理结果的一例的说明图。

图7(c)是对于图7(b)的原稿种类自动判别部中包括的照片种类判别部中的判定结果的一例的说明图。

图7(d)是对于图7(b)的原稿种类自动判别部中包括的照片种类判定部中的判定结果的一例的说明图。

图8是表示图3所示的原稿种类自动判别部(照片种类判定部)的处理的流程的流程图。

图9是表示图3所示的原稿种类自动判别部中包括的标示部的处理的流程的流程图。

图10(a)是表示处理像素的上邻的像素为1的情况下的上述标示部的处理方法的一例的说明图。

图10(b)是表示处理像素的上邻以及左邻的像素为1，左邻的像素被赋予与上邻的像素不同的标志(label)的情况下的上述标示部的处理方法的一例的说明图。

图10(c)是表示处理像素的上邻的像素为0，左邻的像素为1的情况下的上述标示部的处理方法的一例的说明图。

图10(d)是表示处理像素的上邻以及左邻的像素为0的情况下的上述标示部的处理方法的一例的说明图。

图11是表示上述原稿种类自动判别部的其它例的结构的方框图。

图12(a)是上述网点线数识别部表示作为对象的网点像素的说明图。

图12(b)是上述网点线数识别部表示作为对象的网点区域的说明图。

图13是表示上述网点线数识别部的处理的流程的流程图。

图14(a)是表示由品红色网点和青绿色网点构成的120线混色网点的一例的说明图。

图14(b)是表示相对于图14(a)的网点的G图像数据的说明图。

图14(c)是表示相对于图14(b)的G图像数据的二值数据的一例的说明图。

图15是表示图14(b)所示的局部块的G图像数据中的各坐标的说明图。

图16(a)是表示对于仅使用平坦网点区域的情况下的85线、133线、175线的各自多张网点原稿的最大反转次数平均值的频数分布的一例的图。

图16(b)是表示对于不仅使用了平坦网点区域，也使用了非平坦网点区域的情况下的85线、133线、175线的各自多张网点原稿的最大反转次数平均值的平度分布的一例的图。

图17(a)是表示相对于85线网点的最佳滤波频率特性的一例的说明图。

图17(b)是表示相对于133线网点的最佳滤波频率特性的一例的说明图。

图17(c)是表示相对于175线网点的最佳滤波频率特性的一例的说明图。

图18(a)是表示与图17(a)对应的滤波系数的一例的说明图。

图18(b)是表示与图17(b)对应的滤波系数的一例的说明图。

图18(c)是表示与图17(c)对应的滤波系数的一例的说明图。

图19(a)是表示根据线数所应用的网点上字符检测处理中使用的低频边缘滤波器的滤波系数的一例的说明图。

图19(b)是表示根据线数所应用的网点上字符检测处理中使用的低频边缘滤波器的滤波系数的其它例的说明图。

图20是表示本发明的网点线数识别部的变形例的方框图。

图21是表示图20所示的网点线数识别部的处理的流程的流程图。

图22是表示本发明的网点线数识别部的其它变形例的方框图。

图23是表示本发明的实施方式2的图像读取处理装置的结构的方框图。

图24是表示将本发明作为软件(应用程序)来实现的情况下的上述图像处理装置的结构的方框图。

图25(a)是表示浓度变化大的网点区域中的局部块的主扫描方向1行的一例的图。

图25(b)是表示图25(a)的浓度变化和阈值的关系的图。

图25(c)是表示正确地再现了图25(a)的网点周期时的二值数据的图。

图25(d)是表示由图25(b)所示的阈值th1生成的二值数据的图。

具体实施方式

[实施方式1]

基于图1至图22说明本发明的一实施方式。

<关于图像形成装置的整体结构>

如图2所示，本实施方式的图像形成装置包括：彩色图像输入装置1、图像处理装置2、彩色图像输出装置3以及操作面板4。

操作面板4包括用于设定图像形成装置(例如，数字复印机)的动作模式的设定按钮或数字键(ten key)、由液晶显示器等构成的显示部。

彩色图像输入装置(读取装置)1例如由扫描部构成，该装置将来自原稿的反射光像由CCD(Charge Coupled Device，电荷耦合装置)作为RGB(R：红/G：绿/B：蓝)模拟信号来读取。

彩色图像输出装置3是由图像处理装置2进行规定的图像处理，并输出其结果的装置。

图像处理装置2包括：A/D(模拟/数字)变换部11、黑斑(shading)校正部12、原稿种类自动判别部13、网点线数识别部(网点线数识别部件)14、输入色调校正部15、颜色校正部16、黑版生成底色除去部17、空间滤波处理部18、输出色调校正部19、色调再现处理部20、以及区域分离处理部21。

A/D变换部11将由彩色图像输入装置1读取的模拟信号变换为数字信号。

黑斑校正部12进行用于去除在彩色图像输入装置2的照明系统/成像系统/摄像系统中产生的各种失真的黑斑校正。

原稿种类自动判别部13对于由黑斑校正部12去除了各种失真的RGB信号(RGB的反射率信号)变换为浓度信号等图像处理装置2所采用的图像处理系统容易处理的信号，同时进行输入的原稿图像是字符原稿、打印照片(网点)、印相纸照片(连续色调)，或者是作为将它们组合的字符/打印照片原稿等原稿种类的判别。该原稿种类自动判别部13基于原稿种类判别结果，将表示原稿图像的种类的原稿种类信号输出到输入色调校正部15、区域分离处理部21、颜色校正部16、黑版生成底色除去部17、空间滤波处理部18、以及色调再现处理部20。此外，原稿种类自动判别部13基于原稿种类判别结果，将表示网点区域的网点区域信号输出到网点线数识别部14。

网点线数识别部14对于由原稿种类自动判别部13求出的网点区域，基于表示线数的特征量来进行网点线数的识别。另外，后面叙述有关细节。

输入色调校正部15基于上述原稿种类自动判别部13的判定结果，施加基底区域浓度的除去或对比度等图像质量调整处理。

区域分离处理部21基于上述原稿种类自动判别部13的判定结果，将每像素分离为字符、网点、照片(其它)区域的其中一个。该区域分离处理部21基于分离结果，将表示像素属于哪个区域的区域识别信号输出到颜色校正部16、黑版生成底色除去部17、空间滤波处理部18、以及色调再现处理部20。

颜色校正部16为了忠实地实现颜色再现，进行除去基于包含不需要吸收分量的CMY(C：青绿色/M：品红色/Y：黄色)色材的分光特性的颜色浑浊(色濁り)的颜色校正处理。

黑版生成底色除去部17进行根据颜色校正后的CMY的三色信号生成黑(K)信号的黑版生成处理，另一方面，进行从原来的CMY信号中减去由黑版生成得到的K信号而生成新的CMY信号的底色除去处理。然后，在这些处理(黑版生成处理/底色除去处理)的结果，CMY的三色信号被变换为CMYK的四色信号。

空间滤波处理部18进行通过数字滤波的空间滤波处理，通过校正空间频率特性，防止输出图像的模糊或粒状性劣化。

输出色调校正部19进行将浓度信号等变换为作为图像输出装置的特性值的网点面积率的输出色调校正处理。

色调再现处理部20进行最终将图像分割为像素而可以再现各个色调地进行处理的色调再现处理(中间色调生成处理)。

另外，由上述区域分离处理部21作为黑字符或根据情况作为彩色字符提取的图像区域为了提高黑字符或彩色字符的再现性，增大空间滤波处理部18中的清晰度强度处理中的高频的强调量。此时，空间滤波处理部18进行基于来自网点线数识别部14的网点线数识别信号的处理，后面对此进行叙述。同时，在中间色调生成处理中选择适于高频再现的高分辨率的屏(screen)中的二值化或多值化处理。

另一方面，关于由区域分离处理部21判别为网点的区域，在空间滤波处理部18中，施加用于除去输入网点分量的低通滤波处理。此时，空间滤波处理部18进行基于来自网点线数识别部14的网点线数识别信号的处理，后面对此进行叙述。此外，同时在中间色调生成处理中，进行重视色调再现性的屏的二值化或多值化处理。进而，关于由区域分离处理部21分离为照片的区域，进行重视色调再现性的屏中的二值化或多值化处理。

这样，被实施了上述各处理的图像数据临时存储在未图示的存储部部件中，在规定的定时被读出并被输入到彩色图像输出装置3。另外，上述处理由CPU(Central Processing Unit)进行。

该彩色图像输出装置3是将图像数据输出到记录介质(例如纸等)上的装置，例如，可以举出使用电子照片方式或喷墨方式的彩色图像形成装置等，但不特别限定。

原稿种类自动判别部13不一定需要，设置网点线数识别部14而代替原稿种类自动判别部13，将进行了预扫描(prescan)的图像数据或黑斑校正后的图像数据存储在硬盘等存储器中，使用存储的图像数据判定是否包含网点区域，基于其结果，进行网点线数的识别也可以。

<关于原稿种类自动判别部>

接着，说明检测成为检测网点线数识别处理的对象的网点区域的原稿种类自动判别部13中的图像处理。

如图3所示，原稿种类自动判别部13包括：字符像素检测部31、背景基底像素检测部32、网点像素检测部33、照片候选像素检测部34、照片候选像素标示部35、照片候选像素计数部36、网点像素计数部37、照片种类判定部38。另外，以下，使用将RGB信号进行了互补色反转的CMY信号进行说明，也可以直接使用RGB信号。

上述字符像素检测部31输出输入图像数据的各像素是否存在于字符边缘区域的识别信号。例如，作为上述字符像素检测部的处理，相对于如图4(a)所示的块存储器中存储的输入图像数据(f(0，0)～f(2，2)表示输入图像数据的像素浓度值)，有使用通过如图4(b)(c)这样的滤波系数的以下所示的卷积运算处理结果S1、S2的方法。

S1＝1×f(0，0)+2×f(0，1)+1×f(0，2)-1×f(2，0)-2×f(2，1)-1×f(2，2)

S2＝1×f(0，0)+2×f(1，0)+1×f(2，0)-1×f(0，2)-2×f(1，2)-1×f(2，2)

$S\sqrt{S1+S2}$

在上述S大于预先设定的阈值的情况下，将存储在上述块存储器中的输入图像数据中的注目像素(坐标(1，1))识别为字符边缘区域中存在的字符像素。通过将上述处理应用于输入图像数据的所有像素，可以识别输入图像数据中的字符像素。

上述背景基底像素检测部32输出输入图像数据的各像素是否存在于背景基底区域中的识别信号。例如，作为上述背景基底像素检测部32的处理，有使用如图5(a)、图5(b)这样的输入图像数据的各像素浓度值(例如，互补色反转了的CMY信号的M信号)的频数的浓度直方图的方法。

使用图5(a)、图5(b)说明具体的处理步骤。

步骤1：检测最大频数(Fmax)。

步骤2：在Fmax小于预先设定的阈值(THbg)的情况下，设为在输入图像数据中不存在背景基底区域。

步骤3：在Fmas大于等于预先设定的阈值(THbg)的情况下，使用对于接近于成为Fmax的像素浓度值(Dmax)的像素浓度值、例如Dmax-1、Dmax+1的像素浓度值的频度Fn1、Fn2，在上述Fmax和上述Fn1和上述Fn2(图5(a)的网格部分)的总和大于预先设定的阈值的情况下，设为在输入图像数据中存在背景基底区域。

步骤4：在步骤3中存在背景基底区域的情况下，将具有上述Dmax附近的像素浓度值、例如Dmax-5～Dmax+5的像素浓度值的像素识别为背景基底区域中存在的背景基底像素。

此外，作为浓度直方图，也可以是使用浓度区分(例如，将256色调的像素浓度值分为16个浓度区分)而不是各像素浓度值的简易的浓度直方图。或者，通过下述算式求亮度Y，使用亮度直方图也可以。

Y_j＝0.30R_j+0.59G_j+0.11B_j

Y_j：各像素的亮度值，R_j，G_j，B_j：各像素的颜色分量

上述网点像素检测部33输出输入图像数据的各像素是否存在于网点区域中的识别信号。例如，作为上述网点像素检测部33的处理，有使用对于如图6(a)所示的块存储器中存储的输入图像数据(f(0，0)～f(4，4)表示输入图像数据的像素浓度值)的以下所示的相邻像素差分值总和Busy和最大浓度差MD的方法。

$\mathrm{Busy}1=\underset{i,j}{\mathrm{\&Sigma;}}|f(i,j)-f(i,j+1)|(0\&le;i\&le;\mathrm{5,0}\&le;j\&le;4)$

$\mathrm{Busy}2=\underset{i,j}{\mathrm{\&Sigma;}}|f(i,j)-f(i+1,j)|(0\&le;i\&le;\mathrm{4,0}\&le;j\&le;5)$

Busy＝max(busy1，busy2)

MaxD：f(0，0)～f(4，4)中的最大值

MinD：f(0，0)～f(4，4)中的最小值

MD＝MaxD-MinD

这里，上述Busy和上述MD用于注目像素(坐标(2，2))是否是存在于网点区域中的网点像素的识别。

在以上述Busy和上述MD为轴的二维平面中，如图6(b)所示，网点像素表示与其它区域中存在的像素(字符、照片)不同的分布，因此对于对输入图像数据的各注目像素求出的上述Busy和上述MD，通过进行使用图6(b)所示的边界线(虚线)的阈值处理，识别各注目像素为网点区域中存在的网点像素。

以下表示上述阈值处理的例子。

MD≤70并且Busy＞2000时  网点区域

MD＞70并且MD≤Busy时  网点区域

通过将上述处理应用于输入图像数据的所有像素，可以识别输入图像数据中的网点像素。

上述照片候选像素检测部34输出输入数据的各像素是否存在于照片候选像素区域中的识别信号。例如，将输入图像数据中的由上述字符像素检测部31识别的字符像素、以及上述背景基底像素检测部32识别的背景基底像素以外的像素识别为照片候选像素。

如图7(a)所示，上述照片候选像素标示部35对于存在多个照片部分的输入图像数据，通过对由上述照片候选像素检测部34识别的照片候选像素构成的多个照片候选区域进行标示处理，如图7(b)所示的照片候选区域(1)、以及照片候选区域(2)这样进行附加标志，将各个照片候选区域识别为不同的区域。这里，将照片候选区域设为(1)，除此以外设为(0)，以一像素为单位应用标示处理。后面叙述有关标示处理的细节。

上述照片候选像素计数部36对由上述照片候选像素标示部35附加了标志的多个照片候选区域的像素数分别进行计数。

上述网点像素计数部37在由照片候选像素标示部35附加了标志的每个照片候选区域中，对由上述网点像素检测部33识别的网点区域的像素数分布进行计数。例如，如图7(b)所示，通过上述网点像素计数部37对构成照片候选区域(1)中存在的网点区域(网点区域(1))的像素数Ns1和构成照片候选区域(2)中存在的网点区域(网点区域(2))的像素数Ns2进行计数。

上述照片种类判别部38判定各个上述照片候选区域是打印照片(网点)、印相纸照片(连续色调)、或打印输出照片(激光打印机、喷墨打印机或热转印型打印机等输出的照片)的哪一个。例如，如图7(c)(d)所示，通过使用上述照片候选像素数Np和上述网点像素数Ns和预先设定的阈值THr1、THr2的以下的条件式进行判定。

条件1：在Ns/Np＞THr1的情况下  判定为打印照片(网点)

条件2：在THr1≥Ns/Np≥THr2的情况下  判定为打印输出照片

条件3：在Ns/Np＜THr2的情况下  判定为印相纸照片(连续色调)

作为上述阈值的一例，可举出THr1＝0.7，THr2＝0.3等。

此外，上述判定结果可以以像素为单位，或以区域为单位，或以原稿为单位进行输出。此外，在上述处理例中，种类判定的对象仅为照片，但以字符、背景基底以外的原稿构成要素，例如图形、曲线图等为对象也可以。此外，照片种类判定部38不是进行打印照片/打印输出照片/印相纸照片的判定，而是基于网点像素数Ns对照片候选像素数Np的比率和预先设定的阈值的比较结果，进行控制来切换颜色校正部16/空间滤波处理部18等的处理内容。

在图7(c)中，由于照片候选区域(1)满足条件1，因此判定为打印照片，由于照片候选区域(2)满足条件2，因此判定为打印输出照片区域。此外，在图7(d)中，由于照片候选区域(1)满足条件3，因此判定为印相纸照片，由于照片候选区域(2)满足条件2，因此判定为打印输出照片区域。

这里，以下参照图8所示的流程图来说明上述结构的原稿种类自动判别部13中的图像种类识别处理的流程。

首先，基于由通过黑斑校正部12(参照图2)除去了各种失真的RGB信号(RGB的反射率信号)变换的RGB的浓度信号，同时进行字符像素检测处理(S11)、背景基底像素检测处理(S12)、网点像素检测处理(S13)。这里，字符图像检测处理在上述字符图像检测部31中进行，背景基底图像检测处理在上述背景基底像素检测部32中进行，网点像素检测处理在上述网点像素检测部33中进行，所以省略这些处理的细节。

接着，根据字符像素检测处理的处理结果和背景基底像素检测处理的处理结果，进行照片候选像素检测处理(S14)。这里的照片候选像素检测处理在上述照片候选像素检测部34中进行，所以省略有关处理的细节。

接着，对于检测出的照片候选像素，进行标示处理(S15)。后面叙述该标示处理的细节。

接着，基于标示处理中的处理结果，进行对照片候选像素数Np进行计数的处理(S16)。这里的照片候选像素数计数处理在上述照片候选像素计数部36中进行，所以省略处理的细节。

与上述S11～S16的处理并行，基于S13中的网点像素检测处理的结果，进行对网点像素数Ns进行计数的处理(S17)。这里的网点像素数计数处理在上述网点像素计数部37中进行，所以省略处理的细节。

接着，基于在S16中求出的照片候选像素数Np和在S17中求出的网点像素数Ns，计算网点像素数Ns对于照片候选像素数Np的比例、即Ns/Np(S18)。

接着，根据在S18中求出的Ns/Np判定是打印照片、打印输出照片、印相纸照片的哪一个(S19)。

上述S18、S19中的处理在上述照片种类判定部38中进行，所以省略处理的细节。

这里，说明上述标示处理。

一般地，标示处理是指对连接的前景像素(＝1)的块分配相同标志，不同的连接分量分配不同的连接分量的处理(参照图像处理标准规范CG-ARTS协会p.262～268)。作为标示处理提出了各种处理，但在本实施方式中叙述二次扫描的方式。以下参照图9所示的流程图说明该标示处理的流程。

首先，从左上像素以光栅扫描的顺序调查像素的值(S21)，在注目像素值为1时，判断是否上邻的像素为1、左邻的像素为0(S22)。

这里，在S22中，在上邻的像素为1、左邻的像素为0的情况下，执行以下的步骤1。

步骤1：如图10(a)所示，在注目像素为1的情况下，处理像素的上邻的像素为1，如果已经附加标志(A)，则也对处理像素附加相同的标志(A)(S23)。然后，转移到S29，并判断是否对所有像素结束了标示。这里，如果所有像素结束，则转移到图8所示的步骤S16，对每个照片候选区域，将照片候选像素数Np进行计数。

另外，在S22中，在上邻的像素为1、左邻的像素不为0的情况下，判断是否上邻的像素为0、左邻的像素为1(S24)。

这里，在S24中，在上邻的像素为0、左邻的像素为1的情况下，执行以下的步骤2。

步骤2：如图10(c)所示，在上邻的像素为0、左邻的像素为1的情况下，对处理像素附加与左邻相同的标志(A)。然后，转移到S29，并判断是否对所有像素结束了标示。这里，如果所有像素结束，则转移到图8所示的步骤S16，对每个照片候选区域，将照片候选像素数Np进行计数。

此外，在S24中，在上邻的像素为0、左邻的像素不为1的情况下，判断是否上邻像素为1、左邻像素为1(S26)

这里，在S26中，在上邻像素为1、左邻像素为1的情况下，执行以下的步骤3。

步骤3：如图10(b)所示，在左邻的像素也是1，且被附加了与上邻的像素不同的标志(B)的情况下，记录与上邻相同的标志(A)，同时保持在左邻的像素中的标志(B)和上邻的像素中的标志(A)之间存在相关(S27)。然后，转移到S29，并判断是否对所有像素结束了标示。这里，如果所有像素结束，则转移到图8所示的S16，对每个照片候选区域，将照片候选像素数Np进行计数。

此外，在S26中，在上述像素为1、左邻的像素不为1的情况下，执行以下的步骤4。

步骤4：如图10(d)所示，在上邻和左邻都为0的情况下，附加新的标志(C)(S28)。然后，转移到S29，并判断是否对所有像素结束了标示。这里，如果所有像素结束，则转移到图8所示的S16，对每个照片候选区域，将照片候选像素数Np进行计数。

另外，在记录了多个标志的情况下，基于上述规则统一标志。

此外，使用图3所示的结构，不仅可判别照片区域的种类而且可判别图像整体的种类。在该情况下，在照片种类判别部38的后级设置图像种类判定部39(参照图11)。由图像种类判定部39求字符像素数对于全部像素的比率Nt/Na、照片候选像素数和网点像素数的差对于全部像素数的比率(Np-Ns)/Na、网点像素数对于全部像素数的比率Ns/Na，与预定的阈值THt、THp、THs进行比较，同时基于照片种类判别部38的结果，进行图像整体的种类的判别。例如，在字符像素数对于全部像素数的比率Nt/Na大于等于阈值，照片种类判别部38的结果为打印输出照片的情况下，判定为字符和打印输出照片的混合原稿。

<关于网点线数识别部>

接着，说明作为本实施方式中的特征点的网点线数识别部(网点线数识别部件)14中的图像处理(网点线数识别处理)。

所述网点线数识别部14仅以所述原稿种类自动判别部13的处理过程中检测出的网点像素(图12(a))或所述原稿种类自动判定部13检测出的网点区域(图12(b))作为对象进行处理。图12(a)所示的网点像素相当于图7(b)所示的网点区域(1)，图12(b)所示的网点区域相当于图7(c)所示的打印照片(网点)区域。

如图1所示，网点线数识别部14包括：颜色分量选择部40、平坦网点识别部(平坦网点识别部件)41、阈值设定部(提取部件、阈值设定部件)42、二值化处理部(提取部件、二值化处理部件)43、最大反转次数计算部(提取部件、反转次数计算部件)44、最大反转次数平均值计算部(提取部件、反转次数提取部件)45、网点线数判定部(网点线数判定部件)46。

这些各处理部以由注目像素和其附近像素构成的M×N像素尺寸(M、N是预先通过实验求出的整数)的局部块为单位进行处理，按像素依次或按块依次输出处理结果。

颜色分量选择部40求相邻的像素中的R、G、B各分量的浓度差的总和(以下称为复杂度)，选择复杂度最大的颜色分量的图像数据作为对平坦网点识别部41、阈值设定部42以及二值化处理部43输出的图像数据。

平坦网点识别部41用于识别各局部块是浓度变化小的平坦网点还是浓度变化大的非平坦网点。平坦网点识别部41在局部块中，对相邻的两个像素计算相对于右相邻像素的浓度值比左侧的像素的浓度值大的像素的组的与右相邻像素的差分绝对值总和subm1、相对于右相邻像素的浓度值比左侧的像素的浓度值小的像素的组的与右相邻像素的差分绝对值总和subm2、相对于下相邻像素的浓度值比位于上面的像素的浓度值大的像素的组的与下相邻像素的差分绝对值总和subs1、相对于下相邻像素的浓度值比位于上面的像素的浓度值小的像素的组的与下相邻像素的差分绝对值总和subs2。此外，平坦网点识别部41根据算式(1)求busy以及busy_sub，在得到的busy和busy_sub满足算式(2)的情况下，将所述局部块判定为平坦网点部。另外，算式(2)中的THpair是预先通过实验求出的值。进而，平坦网点识别部41输出标示判定结果的平坦网点识别信号flat(1：平坦网点，0：非平坦网点)。

busy_sub/busy＜THpair    算式2

阈值设定部42计算局部块中的像素的平均浓度值ave，将该平均浓度值ave设定为应用于局部块的二值化处理的阈值th1。

作为应用于二值化处理的阈值，在使用接近浓度的上限或下限的固定值的情况下，根据局部块的浓度范围，该固定值可能在浓度范围外或在局部块的最大值或最小值附近。在这样的情况下，使用该固定值得到的二值数据不是可正确地再现了网点周期的二值数据。

但是，阈值设定部42设定局部块中的像素的平均浓度值作为阈值。因此，设定的阈值位于局部块的浓度范围的大致中央处。由此，可以得到正确地再现了网点周期的二值数据。

二值化处理部43使用由所述阈值设定部42设定的阈值th1将局部块的像素进行二值化处理而求二值数据。

最大反转次数计算部44对所述二值数据，基于主扫描、副扫描各行的二值数据的切换次数(反转次数)(mrev)计算局部块的最大反转次数。

最大反转次数平均值计算部45在被从所述平坦网点识别部41输出了平坦网点识别信号flat＝1的每个局部块中，计算对于由所述最大反转次数计算部44算出的反转次数(mrev)的网点区域整体的平均值mrev_ave。每个局部块中算出的反转次数/平坦网点识别信号可以存储在最大反转次数平均值计算部45中，或者也可以存储在另外的存储器中。

网点线数判定部46比较由所述最大反转次数平均值计算部45算出的最大反转次数平均值mrev_ave和预先求出的各线数的网点原稿(打印照片原稿)具有的理论上的最大反转次数，从而判定输入图像的线数。

这里，以下参照图13所示的流程图来说明上述结构的网点线数识别部14中的网点线数识别处理的流程。

首先，对于在原稿判别自动判定部13中检测出的网点像素或网点区域的局部块，通过颜色分量选择部40选择复杂度最大的颜色分量(S31)。

接着，阈值设定部42在局部块中计算由颜色分量选择部40选择的颜色分量的平均浓度值ave，并将该平均浓度值ave设定为阈值th1(S32)。

接着，在二值化处理部43中，使用由阈值设定部42求出的阈值th1，进行局部块中的各像素的二值化处理(S33)。

然后，在最大反转次数计算部44中，进行局部块中的最大反转次数的计算处理(S34)。

另一方面，与上述S32、S33以及S34并行，在平坦网点识别部41中进行识别局部块是平坦网点还是非平坦网点的平坦网点识别处理，平坦网点识别信号flat被输出到最大反转次数平均值计算部45(S35)。

然后，进行所有的局部块的处理是否结束的判定(S36)。在所有的局部块的处理还没有结束的情况下，对于下一个局部块重复上述S31～S35的处理。

另一方面，在所有的局部块的处理结束的情况下，最大反转次数平均值计算部45对被输出平坦网点识别信号flat＝1的局部块，计算在上述S34中算出的相对于最大反转次数的网点区域整体的平均值(S37)。

然后，网点线数判定部46基于最大反转次数平均值计算部45算出的最大反转次数平均值，判定网点区域中的网点线数(S38)。然后，网点线数判定部46输出用于表示识别出的网点线数的网点线数识别信号。由此，网点线数识别处理完成。

接着，说明对于实际的图像数据的处理的具体例和效果。这里，将局部块的大小设为10×10像素。

图14(a)是表示由品红色网点和青绿色网点构成的120线混色网点的一例的图。在输入图像为混色网点的情况下，最好在每个局部块中着眼于CMY中浓度变化(复杂度)最大的颜色的网点，仅使用该颜色的网点周期识别原稿的网点线数。进而，对于浓度变化最大的颜色的网点，最好使用其颜色的网点的浓度被最好的读取的信道(输入图像数据的信号)进行处理。即，如图14(a)所示，对于主要由品红色构成的混色网点，通过对品红色反映最好的G(绿色)图像(品红色的互补色)，大致可以进行仅着眼于品红色网点的网点线数识别处理。因此，上述颜色分量选择部40对于如图14(a)所示的局部块，选择复杂度最大的G图像数据作为对平坦网点识别部41、阈值设定部42以及二值化处理部43输出的图像数据。

图14(b)是表示图14(a)所示的局部块的各像素中的G图像数据的浓度值的图。对于图14(b)所示的G图像数据，由所述平坦网点识别部41进行以下的处理。

另外，图15是表示图14(b)所示的局部块的G图像数据中的各坐标的图。

首先，由于在右相邻像素的浓度值大于左侧的像素的浓度值的像素的组、例如在从上起第二行中，坐标(1，1)和(1，2)、坐标(1，2)和(1，3)、坐标(1，4)和(1，5)、坐标(1，8)和(1，9)的像素的组对应于主扫描方向的各行，因此以下求出所述坐标像素浓度值和所述坐标像素的右相邻像素浓度值的差分绝对值总和subm1(1)。

Subm2(1)＝|70-40|+|150-70|+|170-140|+|140-40|

        ＝240

其中，subm1(i)表示副扫描方向坐标i的所述subm1。

此外，由于在右相邻像素的浓度值小于左侧的像素的浓度值的像素的组(也包含浓度相等的情况)、例如在从上起第二行中，坐标(1，0)和(1，1)、坐标(1，3)和(1，4)、坐标(1，6)和(1，7)、坐标(1，7)和(1，8)的像素的组对应于主扫描方向的各行，因此以下求出所述坐标像素浓度值和所述坐标像素的右相邻像素浓度值的差分绝对值总和subm2(1)。

subm1(1)＝|40-140|+|140-150|+|150-170|+|40-150|+|40-40|

        ＝240

其中，subm2(i)表示副扫描方向坐标i的所述subm2。

通过使用同样求出的subm1(0)～subm1(9)和subm2(0)～subm2(9)的以下的算式求subm1、subm2、busy、busy_sub。

$\mathrm{subm}1=\underset{i=0}{\overset{9}{\mathrm{\&Sigma;}}}\mathrm{subm}1\left(i\right)$

$=1610$

$\mathrm{subm}2=\underset{i=0}{\overset{9}{\mathrm{\&Sigma;}}}\mathrm{subm}2\left(i\right)$

$=1470$

对于图14(b)所示的G图像数据，在副扫描方向也进行与主扫描方向同样的处理，求subs1＝1520、subs2＝1950。

将求出的subm1、subm2、subs1、subs2应用于所述算式1时，由于满足|subm1-subm2|≤|subs1-subs2|，因此求出busy＝3470、busy_sub＝430。如将求出的busy、busy_sub应用于使用了预先设定的THpair＝0.3的所述算式2，则如下。

busy_sub/busy＝0.12

这样，由于所述算式2被满足，因此表示局部块为平坦网点的平坦网点识别信号flat＝1被输出。

对于图14(b)所示的G图像数据，由所述阈值设定部42设定平均浓度值ave(＝139)作为阈值th1。

而且，图14(c)表示对图14(b)所示的G图像数据使用由所述阈值设定部42设定的阈值th1(＝139)，二值化处理部43进行二值化处理而得到的二值数据。如图14(c)所示，通过应用阈值th1，仅提取成为对反转次数进行计数的对象的品红色网点。

对于图14(c)，通过以下的方法，在最大反转次数计算部44中计算局部块的最大反转次数mrev(＝8)。

(1)对主扫描方向的各行的二值数据的切换次数revm(j)(j＝0～9)进行计数。

(2)计算revm(j)的最大值mrevm。

(3)对副扫描方向的各行的二值数据的切换次数revs(i)(i＝0～9)进行计数。

(4)计算revm(i)的最大值mrevs。

(5)根据以下的算式

mrev＝mrevm+mrevs

求出局部块中的最大反转次数mrev。

作为局部块的反转次数mrev的其它计算方法，举出

mrev＝mrevm×mrevs

mrev＝max(mrevm，mrevs)。

根据扫描仪等取入设备的输入分辨率和打印物的网点线数，唯—地决定局部块中的反转次数。例如，在图14(a)所示的网点的情况下，由于局部块内存在四个网点，因此局部块中的最大反转次数mrev理论上为6～8。

如上所述，图14(b)所示的局部块数据是满足上述算式(2)的平坦网点部(浓度变化小的网点区域)。因此，求出的最大反转次数mrev(＝8)为收敛到理论的最大反转次数6～8内的值。

另一方面，在浓度变化大的非平坦网点部中的局部块的情况下(例如，参照图25(a))，由阈值设定部42设定的阈值相对于局部块为单一的阈值，因此无论怎样设定阈值，例如即使将图25(b)所示的th1、th2a、th2b设定为阈值，被计算的反转次数也大幅地小于本来被计数的反转次数。即，在表示正确地再现了网点周期的二值数据的图25(c)中，表示有本来应计数的反转次数6，但在表示对图25(a)应用阈值th1而得到的二值数据的图25(d)中，反转次数为2。因此，大幅地小于本来计数的反转次数，导致网点线数识别精度的降低。

但是，根据本实施方式的网点线数识别部14，由于通过对于局部块的单一的阈值，仅计算相对于可以正确地再现网点周期的平坦网点区域的局部块的最大反转次数平均值，因此可以提高网点线数的识别精度。

图16(b)表示不仅使用浓度变化小的平坦网点区域，而且使用浓度变化大的非平坦网点部的情况下的85线、133线、175线的网点原稿分别多张的最大反转次数平均值的频数分布的一例。在浓度变化大的网点区域中进行了二值化处理的情况下，不提取如图25(c)所示的黑像素部分(表示网点部分)，而如图25(d)所示，辨别为白像素部分(表示低浓度网点部分)和黑像素部分(表示高浓度网点部分)。因此，比本来的网点周期小的反转次数被计数，其结果，与最大反转次数平均值也仅以平坦网点区域作为对象的情况相比，可看到具有小的值的输入图像增多，各线数的网点的最大反转次数平均值向小的方向延伸的倾向。伴随于此，发生各个频数分布的重叠，相当于重叠的部分的原稿不能被正确地识别线数。

但是，根据本实施方式的网点线数识别部14，求仅相对于浓度变化小的平坦网点区域的局部块的最大反转次数平均值。图16(a)表示相对于仅使用浓度变化小的平坦网点区域的情况下的85线、133线、175线的分别多张网点原稿的最大反转次数平均值的频数分布的一例。在浓度变化小的平坦网点区域中，由于生成正确地再现了网点周期的二值数据，所以各线数的网点的最大反转次数平均值有所不同。因此，各网点线数的频数分布的重叠没有或极少，可以提高网点线数识别精度。

如上所述，本实施方式的图像处理装置2包括用于识别输入图像的网点线数的网点线数识别部14。而且，该网点线数识别部14包括：平坦网点识别部41，在由多个像素构成的每个局部块中提取浓度分布信息，并基于该浓度分布信息识别各局部块是浓度变化小的平坦网点区域还是浓度变化大的非平坦区域；提取部件(阈值设定部42、二值化处理部43、最大反转次数计算部44以及最大反转次数平均值计算部45)，对于平坦网点识别部41识别为平坦网点区域的局部块，提取作为表示各像素间的浓度变化的状况的特征量的最大反转次数平均值；以及网点线数判定部46，基于该提取部件提取的最大反转次数平均值，判定网点线数。

由此，基于来自浓度变化小的平坦网点区域中包含的局部块的所述特征量的最大反转次数平均值，判定网点线数。即，在除去了会被识别为与本来的网点线数不同的网点线数的浓度变化大的非平坦网点区域的影响的基础上，判定网点线数。由此，可以高精度地识别网点线数。

此外，在对浓度变化大的非平坦网点区域进行了二值化处理的情况下，如图25(d)所示，辨别为白像素部分(低浓度网点部分)和黑像素部分(高浓度网点部分)，不生成如图25(c)所示的仅提取了网点打印部的再现了正确的网点周期的二值数据。

但是，根据本实施方式，最大反转次数平均值计算部45从由最大反转次数计算部44算出的反转次数中提取仅对于平坦网点识别部41识别为平坦网点区域的局部块的反转次数的平均值，作为表示浓度变化的状况的特征量。即，作为特征量提取的最大反转次数平均值对应于生成正确地再现了网点周期的二值数据的浓度变化小的平坦网点区域。因此，通过使用该最大反转次数平均值，可以高精度地判定网点线数。

<网点线数识别信号的应用处理例>

接着，以下表示基于所述网点线数识别部14中的网点线数识别结果而应用的处理例。

网点图像有时由于该网点的周期和高频抖动(dither)处理等周期性的中间色调处理的干扰而发生波纹干扰。为了抑制该波纹干扰，有时进行如预先控制网点图像的振幅的平滑处理。此时，有网点照片和网点上的字符同时发生模糊的图像质量劣化的情况。作为其解决对策，举出以下的方法。

(1)应用对只有成为波纹干扰发生原因的网点具有的频率的振幅进行抑制，并使形成了照片的构成要素(人物、风景等)或字符的与所述频率相比使低频率分量的振幅放大的平滑/强调混合滤波处理。

(2)检测网点上字符，进行与照片网点或基底网点不同的强调处理。

关于上述(1)，由于网点具有的频率根据网点线数而改变，所以对于各网点线数，同时实现干扰波纹抑制和网点照片或网点上字符的清晰度的滤波器的频率特性不同。因此，空间滤波处理部18根据网点线数识别部14识别的网点线数，进行具有适于该网点线数的频率特性的滤波处理。由此，对于任何的线数的网点，都可以兼顾干扰波纹的抑制和网点照片或网点上字符的清晰度。

另一方面，如以往那样，在不知道网点图像的线数的情况下，为了抑制图像质量劣化最大的波纹干扰，需要使所有的线数的网点图像中不发生干扰波纹的处理。因此，仅能应用降低所有的网点频率的振幅的平滑滤波器，发生网点照片或网点上字符的模糊。

另外，图17(a)表示对于85线网点最佳的滤波频率特性的一例，图17(b)表示对于133线网点最佳的滤波频率特性的一例，图17(c)表示对于175线网点最佳的滤波频率特性的一例。图18(a)表示与图17(a)对应的滤波系数的一例，图18(b)表示与图17(b)对应的滤波系数的一例，图18(c)表示与图17(c)对应的滤波系数的一例。

关于上述(2)，高线数网点上的字符中字符和高线数网点的频率特性不同，因此通过如图19(a)、图19(b)所示的低频边缘检测滤波器等，不会误检测网点的边缘，可以高精度地检测网点上字符。但是，低线数网点上的字符中，由于低线数网点的频率特性与字符的频率特性相似，所以难以检测，在检测出的情况下，由于网点边缘的误检测大，所以引起图像质量恶化。因此，基于由网点线数识别部14识别的网点图像的线数，区域分离处理部21仅在是高线数网点、例如大于等于133线的网点的情况下，进行网点上字符检测处理，或使网点上字符检测结果有效。由此，不会引起图像质量恶化，可以使高线数网点上字符的可读性提高。

另外，上述网点线数识别信号的应用处理也可以在颜色校正部16或色调再现处理部20中进行。

<变形例1>

在上述说明中，将平坦网点识别处理和阈值设定/二值化处理/最大反转次数计算处理并行处理，并在求对于网点区域整体的反转次数的平均值时，仅采用被输出了平坦网点识别信号flat＝1的局部块的反转次数。在该情况下，为了提高并行处理的速度，而需要准备至少两个CPU，用于平坦网点识别处理和用于阈值设定/二值化处理/最大反转次数计算处理。

在用于进行各处理的CPU为一个的情况下，最初进行平坦网点识别处理，也可以对被判定为平坦网点部分的网点区域进行阈值设定/二值化处理/最大反转次数计算处理。

在该情况下，也可以采用如图20所示的网点线数识别部(网点线数识别部件)14a代替图1所示的网点线数识别部14。

网点线数识别部14a包括：颜色分量选择部40、平坦网点识别部(平坦网点识别部件)41a、阈值设定部(提取部件、阈值设定部件)42a、二值化处理(提取部件、二值化处理部件)43a、最大反转次数计算部(提取部件、反转次数计算部件)44a、最大反转次数平均值计算部(提取部件、反转次数计算部件)45a、网点线数判定部46。

平坦网点识别部41a进行与上述平坦网点识别部41同样的平坦网点识别处理，将作为判定结果的平坦网点识别信号flat输出到阈值设定部42a、二值化处理部43a以及最大反转次数计算部44a。

阈值设定部42a、二值化处理部43a以及最大反转次数计算部44a仅对收到平坦网点识别信号flat＝1的局部块，分别进行与上述阈值设定部42、二值化处理部43以及最大反转次数计算部44同样的阈值设定、二值化处理、最大反转次数计算处理。

最大反转次数平均值计算部45a计算最大反转次数计算部44算出的所有最大反转次数的平均值。

图21是表示网点线数识别部14a中的网点线数识别处理的流程的流程图。

首先，在颜色分量选择部40中，进行用于选择复杂度最高的颜色分量的颜色分量选择处理(S40)。接着，在平坦网点识别部41a中进行平坦网点识别处理，输出平坦网点识别信号flat(S41)。

接着，在阈值设定部42a、二值化处理部43a以及最大反转次数计算部44a中，判定平坦网点识别信号flat是表示平坦网点部分的‘1’以及表示非平坦网点部分的‘0’的哪一个。换言之，判定局部块是否为平坦网点部分(S42)。

在局部块是平坦网点部分的情况下，即平坦网点识别信号flat＝1的情况下，依次进行阈值设定部42a中的阈值设定(S43)、二值化处理部43a中的二值化处理(S44)、以及最大反转次数计算部44a中的最大反转次数计算处理(S45)。然后，转移到S46的处理。

另一方面，在局部块为非平坦网点部分的情况下，即平坦网点识别信号flat＝0的情况下，阈值设定部42a、二值化处理部43a以及最大反转次数计算部44a不进行任何处理，转移到S46的处理。

接着，在S46中，判定是否结束了所有的局部块的处理。在不是结束了所有的局部块的处理的情况下，关于下一个局部块，重复上述S40～S45的处理。

另一方面，在结束了所有的局部块的处理的情况下，最大反转次数平均值计算部45a计算相对于在上述S45中算出的最大反转次数的网点区域整体的平均值(S47)。另外，在S45，仅对平坦网点识别信号flat＝1的局部块计算最大反转次数。从而，在S47，计算作为平坦网点部分的局部块的最大反转次数的平均值。然后，网点线数判定部46基于最大反转次数平均值计算部45a算出的平均值，判定网点区域中的网点线数(S48)。由此，网点线数识别处理完成。

如上所述，阈值设定部42a、二值化处理部43a以及最大反转次数计算部44a仅对判定为平坦网点部分的局部块分别进行阈值设定、二值化处理、最大反转次数计算处理即可。从而，即使CPU为一个，也可以提高网点线数识别处理的速度。

此外，最大反转次数平均值计算部45a计算仅被识别为平坦网点部的局部块的最大反转次数的平均值。即，算出的最大反转次数平均值对应于生成正确地再现了网点周期的二值数据的浓度变化小的平坦网点部分。由此，通过使用该最大反转次数平均值来判定网点线数，可以高精度地识别网点线数。

<变形例2>

上述网点线数识别部14也可以是包括将固定值设定为阈值的阈值设定部(提取部件、阈值设定部件)42b来取代将局部块的各像素的平均浓度值设定为阈值的上述阈值设定部42的网点线数识别部(网点线数识别部件)14b。

图22是表示网点线数识别部14b的结构的方框图。如图22所示，网点线数识别部14b除了代替阈值设定部42而包括阈值设定部42b之外，与上述网点线数识别部14相同。

阈值设定部42b将预先决定的固定值设定为应用于局部块的二值化处理的阈值。例如，也可以将作为整体浓度范围(0～255)的中央值的128设定为固定值。

由此，可以大幅地缩短阈值设定部42b中的阈值设定的处理时间。

<变形例3>

在上述说明中，平坦网点识别部41基于相邻的像素间的浓度差进行平坦网点识别处理，但平坦网点识别处理的方法不限于此。例如，平坦网点识别部41通过如下的方法，对图14(b)所示的G图像数据进行平坦网点识别处理也可以。

首先，根据以下的算式式来求将图15所示的局部块进行四分割而得到的子块1～4中的像素的平均浓度值Ave_sub1～4。

$\mathrm{Ave}\_\mathrm{sub}1=\underset{i=0}{\overset{4}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{4}{\mathrm{\&Sigma;}}}f(i,j)/25$

$\mathrm{Ave}\_\mathrm{sub}2=\underset{i=0}{\overset{4}{\mathrm{\&Sigma;}}}\underset{j=5}{\overset{9}{\mathrm{\&Sigma;}}}f(i,j)/25$

$\mathrm{Ave}\_\mathrm{sub}3=\underset{i=5}{\overset{9}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{4}{\mathrm{\&Sigma;}}}f(i,j)/25$

$\mathrm{Ave}\_\mathrm{sub}4=\underset{i=5}{\overset{9}{\mathrm{\&Sigma;}}}\underset{j=5}{\overset{9}{\mathrm{\&Sigma;}}}f(i,j)/25$

在使用上述Ave_sub1～4的以下的条件式满足

max(|Ave_sub1-Ave_sub2|，|Ave_sub1-Ave_sub3|，|Ave_sub1-Ave_sub4|，|Ave_sub2-Ave_sub3|，|Ave_sub2-Ave_sub3|，|Ave_sub3-Ave_sub4|)-TH_avesub时，输出表示局部块为平坦网点的平坦网点识别信号flat＝1。另一方面，在不满足时，输出表示局部块为非平坦网点的平坦网点识别信号flat＝0。

另外，TH_avesub是预先通过实验求出的阈值。

例如，在图14(b)所示的局部块中，Ave_sub1＝136，Ave_sub2＝139，Ave_sub3＝143，Ave_sub4＝140，比较max(|Ave_sub1-Ave_sub2|，|Ave_sub1-Ave_sub3|，|Ave_sub1-Ave_sub4|，|Ave_sub2-Ave_sub3|，|Ave_sub2-Ave_sub3|，|Ave_sub3-Ave_sub4|)＝7和TH_avesub，输出平坦网点识别信号。

这样，在变形例3，将局部块分割为多个子块，求各子块的像素的平均浓度值。然后，基于各子块间的平均浓度值的差中的最大值，判定是平坦网点部分还是非平坦网点部分。

根据该变形例，与使用如上述的相邻像素间的差分绝对值总和subm以及subs的判定相比，可以缩短运算处理所需的时间。

[实施方式2]

本发明的其它的实施方式的说明如下。另外，对于与所述实施方式具有相同的功能的部件赋予相同的标号，省略其说明。

本实施方式涉及包括上述实施方式的网点线数识别部14的图像读取处理装置。

如图23所示，本实施方式的图像读取处理装置包括：彩色图像输入装置101、图像处理装置102以及操作面板104。

操作面板104由设定图像读取处理装置的动作模式的设定按钮或数字键、液晶显示器等构成的显示部构成。

彩色图像输入装置101例如由扫描部构成，该装置由CCD(ChargeCoupled Device，电荷耦合装置)将来自原稿的反射光像作为RGB(R：红/G：绿/B：蓝)模拟信号来读取。

图像处理装置102包括：上述A/D(模拟/数字)变换部11、黑斑校正部12、原稿种类自动判别部13以及网点线数识别部14。

另外，本实施方式中的原稿种类自动判别部13对后级的装置(例如，计算机或打印机等)输出用于表示原稿的种类的原稿种类信号。此外，本实施方式的网点线数识别部14对后级的装置(例如，计算机或打印机等)输出用于表示识别的网点的线数的网点线数识别信号。

这样，对后级的计算机从图像读取处理装置除了输入读取原稿的RGB信号之外，还输入原稿种类识别信号/网点线数识别信号。或者，也可以不经由计算机而直接输入打印机。如上所述，在该情况下也不一定需要原稿种类自动判别部13。此外，图像处理装置102也可以包括上述网点线数识别部14a或网点线数识别部14b而代替网点线数识别部14。

另外，在上述实施方式1以及2中，输入图像处理装置2/102的图像数据是彩色的，但不限于此。即，也可以对输入图像处理装置2/102输入单色图像数据。即使是单色图像数据，也可以在仅浓度变化小的平坦网点部分的局部块中，通过提取用于表示浓度状况的特征量的反转次数来高精度地判定网点线数。另外，在输入的数据为单色图像数据的情况下，输入图像处理装置2/102的网点线数识别部14/14a/14b也可以不包括颜色分量选择部40。

此外，在上述说明中，局部块为矩形区域，但不限于此，可以是任意的形状。

[程序/记录介质的说明]

此外，本发明的网点线数识别处理的方法也可以作为软件(应用程序)来实现。在该情况下，也可以在计算机或打印机中设置组合了实现基于网点线数识别结果的处理的软件的打印机驱动器。

作为上述例子，以下使用图24说明基于网点线数识别结果的处理。

如图24所示，计算机5装有打印机驱动器51、通信端口驱动器52、通信端口53。打印机驱动器51具有颜色校正部54、空间滤波处理部55、色调再现处理部56、打印机语言翻译部57。此外，计算机5与打印机(图像输出装置)6连接，打印机6根据从计算机5输出的图像数据进行图像输出。

在计算机5中，通过执行各种应用程序而生成的图像数据由颜色校正部54施加除去颜色浑浊的颜色校正处理，在空间滤波处理部55中进行基于网点线数识别结果的上述滤波处理。另外，在该情况下，颜色校正部54中也包含黑版生成底色除去处理。

进行了上述处理的图像数据在色调再现处理部56中被施加了上述色调再现处理(中间色调生成处理)之后，由打印机语言翻译部57变换为打印机语言。然后，被变换为打印机语言的图像数据经由通信端口驱动器52、通信端口(例如RS232C/LAN等)53被输入打印机6。打印机6可以是除了具有打印功能外，还具有复印功能以及传真功能的数字复合机。

此外，本发明可以在记录了用于使计算机执行的程序的计算机可读取的记录介质中记录进行网点线数识别处理的图像处理方法。

其结果，进行网点线数的识别，可携带并自由地提供记录了用于进行基于其结果实施适当的处理的图像处理方法的程序的记录介质。

作为记录介质，可以是为了由计算机进行处理而未图示的存储器、例如ROM这样的程序介质，也可以是设置了未图示的作为外部存储装置的程序读取装置，并通过对其插入记录介质而可读取的程序介质。

在任何的情况下，可以是存储的程序由微处理器访问并执行的结构，也可以是读出程序，读出的程序被下载到微型计算机的未图示的程序存储区域中，执行该程序的方式。在该情况下，下载用的程序预先存储在本体装置中。

这里，上述程序介质是构成为可与本体分离的记录介质，也可以是包含磁带或卡带等带类、软盘(注册商标)或硬盘等磁盘以及CD-ROM/MO/MD/DVD等光盘的盘类、IC卡(包含存储卡)/光卡等卡类、或掩模ROM、EPROM(Erasable Programmable Read Only Memory，可擦可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory，电可擦可编程只读存储器)、闪速ROM等半导体存储器的固定地承载程序的介质。

此外，在该情况下，由于是可连接包含因特网的通信网络的系统结构，因此也可以是从通信网络下载程序这样流动地承载程序的结构。另外，在这样从通信网络下载程序的情况下，该下载用的程序可以预先存储在本体装置中，或从其它的记录介质安装。

上述记录介质通过从数字彩色图像形成装置或计算机系统中包括的程序读取装置进行读取，从而执行上述图像处理方法。

另外，上述计算机系统包括：平台式扫描仪/胶片扫描仪//数字照相机等图像输入装置、通过载入规定的程序而进行上述图像处理方法等各种处理的计算机、显示计算机的处理结果的CRT显示器/液晶显示器等图像显示装置以及将计算机的处理结果输出到纸上的打印机。进而，包括作为用于经由网络连接到服务器的通信部件的网卡或调制解调器等。

如上所述，本发明的图像处理装置包括识别输入图像的网点线数的网点线数识别部件，所述网点线数识别部件包括：平坦网点识别部件，在由多个像素构成的每个局部块中提取浓度分布信息，基于该浓度分布信息，识别局部块是浓度变化小的平坦网点区域还是浓度变化大的非平坦网点区域；提取部件，对于所述平坦网点识别部件识别为平坦网点区域的局部块，提取用于表示各像素间的浓度变化的状况的特征量；以及网点线数判定部件，基于所述提取部件提取的特征量，判定网点线数。

这里，局部块不限定于矩形区域，可以是任意的形状。

根据上述结构，平坦网点识别部件在每个由多个像素构成的局部块中提取浓度分布信息，基于该浓度分布信息，识别局部块是浓度变化小的平坦网点区域还是浓度变化大的非平坦网点区域。然后，提取部件对于所述平坦网点识别部件识别为平坦网点区域的局部块，提取用于表示各像素间的浓度变化的状况的特征量，并基于该特征量判定网点线数。

这样，基于来自浓度变化小的平坦网点区域中包含的局部块的特征量判断网点线数。即，如上所述除去了被识别为与本来的网点线数不同的网点线数的浓度变化大的非平坦网点区域的影响的基础上，判定网点线数。由此，可以高精度地识别网点线数。

而且，本发明的图像处理装置除了上述结构之外，所述提取部件包括：阈值设定部件，设定适于二值化处理的阈值；二值化处理部件，根据所述阈值设定部件设定的阈值，生成所述局部块中的各像素的二值数据；反转次数计算部件，计算所述二值化处理部件生成的二值数据的反转次数；以及反转次数提取部件，对于所述平坦网点识别部件识别为平坦网点区域的局部块，提取所述反转次数计算部件算出的反转次数作为所述特征量。

如上述那样，在对浓度变化大的非平坦网点区域进行二值化处理的情况下，如图25(d)所示，被分辨为白像素部分(表示低浓度网点部分)和黑像素部分(表示高浓度网点部分)，不能生成图25(c)所示的仅提取网点打印部部分、再现了正确的网点周期的二值数据。

但是，根据上述结构，即使采用对局部块适用单一的阈值的二值化处理，也对正确地再现网点周期的二值数据生成的浓度变化小的平坦区域进行识别。然后，反转次数提取部件从反转次数计算部件算出的反转次数中，提取只与平坦网点识别部件识别为平坦网点区域的局部块对应的反转次数作为特征量。

由此，被作为特征量提取的反转次数是与正确地再现网点周期的二值数据生成的浓度变化小的平坦区域对应的反转次数。因此，通过采用被作为该特征量提取的反转次数，可以高精度地判定网点线数。

而且，本发明的图像处理装置除了上述结构以外，所述提取部件包括：阈值设定部件，对所述平坦网点识别部件识别为平坦网点区域的局部块，设定适于二值化处理的阈值；二值化处理部件，对于所述平坦网点识别部件识别为平坦网点区域的局部块，通过所述阈值设定部件设定的阈值，生成各像素的二值数据；以及反转次数计算部件，计算所述二值化处理部件生成的二值数据的反转次数，作为所述特征量。

根据上述结构，二值化处理部件对平坦网点识别部件识别为平坦网点区域的局部块，生成各像素的二值数据。然后，反转次数计算部件计算二值化处理部件生成的二值数据的反转次数，作为特征量。因此，被作为特征量算出的反转次数对应于平坦网点识别部件识别为平坦网点区域的局部块、即生成了正确地再现网点周期的二值数据的浓度变化小的平坦网点区域。因此，通过使用作为特征量算出的反转次数，可以高精度地判定网点线数。

进而，本发明的图像处理装置除了上述结构外，所述阈值设定部件将所述局部块中的像素的平均浓度值设定为阈值。

作为二值化处理中应用的阈值，在使用了固定值的情况下，根据局部块的浓度分布，该固定值有时在浓度分布外或局部块的最大值或最小值附近。在这样的情况下，使用该固定值得到的二值数据不是正确地再现了网点周期的二值数据。

但是，根据上述结构，阈值设定部件将局部块中的像素的平均浓度值作为阈值。因此，设定的阈值不论是具有什么样的浓度分布的局部块，都位于该局部块的浓度分布的大致中央。由此，二值化处理部件与局部块的浓度分布无关，可以得到正确地再现了网点周期的二值数据。

进而，本发明的图像处理装置除了上述结构外，所述平坦网点识别部件基于局部块中的相邻像素间的浓度差，判定是否为平坦网点区域。

根据上述结构，由于使用相邻像素间的浓度差，可以更准确地判定局部块是否为平坦网点区域。

进而，本发明的图像处理装置除了上述结构之外，所述局部块被分割为规定数的子块，所述平坦网点识别部件求所述子块中包含的像素的平均浓度值，基于该平均浓度值的各子块间的差分，判定是否为平坦网点区域。

根据上述结构，关于平坦网点区域的判定，平坦网点识别部件使用各子块间的平均浓度值的差分。从而，与使用各像素间的差分的情况相比，可以缩短平坦网点识别部件中的处理时间。

上述结构的图像处理装置也可以包括于图像形成装置。

在该情况下，通过利用考虑了输入图像数据的网点线数，例如根据线数进行最佳的滤波处理，可以尽可能没有图像的模糊、保持清晰度，同时抑制干扰波纹。此外，通过仅对大于等于133线的网点上字符而进行最佳处理，可以抑制在小于133线的网点经常可以看到的误识别引起的图像质量恶化。从而，可以提供一种输出良好的图像质量的图像形成装置。

上述结构的图像处理装置也可以包括于图像读取处理装置中。

在该情况下，对于原稿中包含的网点区域，可以输出识别精度高的网点线数的网点线数识别信号。

如果使用使计算机作为上述结构的图像处理装置的各部件起作用的图像处理程序，则可以以通用的计算机简单地实现上述图像处理装置的各部件。

此外，上述图像处理程序优选记录于计算机可读取的记录介质中。

由此，可以通过从记录介质读出的图像处理程序，在计算机上简单地实现上述图像处理装置。

此外，本发明的图像处理方法也可以应用于彩色或单色的任何的数字复印机，此外，如果是需要实现输入图像数据而输出的图像数据的再现性的提高的装置，则可以应用任何的装置。作为这样的装置，例如有扫描仪等读取装置。

在发明的详细的说明项目中进行的具体的实施方式或实施例始终用于使本发明的技术内容明确，不应仅限定于这样的具体例而被狭义地解释，在本发明的精神和权利要求的范围内，可以进行各种变更来实施。

Claims (17)

1.一种图像处理装置(2/102)，包括对输入图像的网点线数进行识别的网点线数识别部件(14/14a/14b)，

所述网点线数识别部件(14/14a/14b)包括：

平坦网点识别部件(41/41a)，在每个由多个像素构成的局部块中提取浓度分布信息，基于该浓度分布信息，识别局部块是浓度变化小的平坦网点区域还是浓度变化大的非平坦网点区域；

提取部件(42/42a/42b/43/43a/44/44a/45/45a)，对于所述平坦网点识别部(41/41a)识别为平坦网点区域的局部块，提取用于表示各像素间的浓度变化的状况的特征量；以及

网点线数判定部件(46)，基于所述提取部件(42/42a/42b/43/43a/44/44a/45/45a)提取的特征量判定网点线数。

2.如权利要求1所述的图像处理装置(2/102)，其中，

所述提取部件(42/42b/43/44/45)包括：

阈值设定部件(42/42b)，设定适于二值化处理的阈值；

二值化处理部件(43)，根据所述阈值设定部件(42/42b)设定的阈值，生成所述局部块中的各像素的二值数据；

反转次数计算部件(44)，计算所述二值化处理部件(43)生成的二值数据的反转次数；以及

反转次数提取部件(45)，从所述反转次数计算部件(44)算出的反转次数中，将与提取所述平坦网点识别部件(41)识别为平坦网点区域的局部块对应的反转次数作为所述特征量来提取。

3.如权利要求1所述的图像处理装置(2/102)，其中，

所述提取部件(42a/43a/44a/45a)包括：

阈值设定部件(42a)，设定适于二值化处理的阈值；

二值化处理部件(43a)，对于所述平坦网点识别部件(41a)识别为平坦网点区域的局部块，通过所述阈值设定部件(42a)设定的阈值，生成各像素的二值数据；以及

反转次数计算部件(44a/45a)，计算所述二值化处理部件(43a)生成的二值数据的反转次数，作为所述特征量。

4.如权利要求2所述的图像处理装置(2/102)，其中，

所述阈值设定部件(42)将所述局部块中的像素的平均浓度值设定为阈值。

5.如权利要求3所述的图像处理装置(2/102)，其中，

所述阈值设定部件(42a)将所述局部块中的像素的平均浓度值设定为阈值。

6.如权利要求1所述的图像处理装置(2/102)，其中，

所述平坦网点识别部件(41/41a)基于局部块中的相邻像素间的浓度差，判定是否为平坦网点区域。

7.如权利要求1所述的图像处理装置(2/102)，其中，

所述局部块被分割为规定数的子块，

所述平坦网点识别部件(41/41a)求所述子块中包含的像素的平均浓度值，基于该平均浓度值的各子块间的差分，判定是否为平坦网点区域。

8.一种图像形成装置，包括从权利要求1至7的任何一项所述的图像处理装置(2/102)。

9.一种图像读取处理装置，包括从权利要求1至7的任何一项所述的图像处理装置(2/102)。

10.一种图像处理方法，包含识别输入图像的网点线数的网点线数识别步骤，

所述网点线数识别步骤包含：

平坦网点区域识别步骤，在每个由多个像素构成的局部块中提取浓度分布信息，基于该浓度分布信息，识别各局部块是浓度变化小的平坦网点区域还是浓度变化大的非平坦网点区域；

提取步骤，对于被识别为平坦网点区域的局部块，提取用于表示各像素间的浓度变化的状况的特征量；以及

网点线数判定步骤，基于所述提取的特征量判定网点线数。

11.如权利要求10所述的图像处理方法，其中，

所述提取步骤包括：

阈值设定步骤，设定适于二值化处理的阈值；

二值化处理步骤，根据设定的阈值，生成所述局部块中的各像素的二值数据；

反转次数计算步骤，计算所述二值数据的反转次数；以及

反转次数提取步骤，作为所述特征量，仅提取对在所述平坦网点识别步骤中识别为平坦网点区域的局部块算出的反转次数。

12.如权利要求10所述的图像处理方法，其中，

所述提取步骤包含：

阈值设定步骤，对于在所述平坦网点识别步骤中识别为平坦网点区域的局部块，设定适于二值化处理的阈值；

二值化处理步骤，对于在所述平坦网点识别步骤中识别为平坦网点区域的局部块，通过在所述阈值设定步骤设定的阈值，生成各像素的二值数据；以及

反转次数计算步骤，作为所述特征量，计算所述二值数据的反转次数。

13.如权利要求11或12所述的图像处理方法，其中，

所述阈值设定步骤将所述局部块中的像素的平均浓度值设定为阈值。

14.如权利要求10所述的图像处理方法，其中，

所述平坦网点识别步骤基于局部块中的相邻像素间的浓度差，判定是否为平坦网点区域。

15.如权利要求10所述的图像处理方法，其中，

所述平坦网点识别步骤基于将局部块分割为规定数的各子块间的平均浓度值的差分，判定其是否为平坦网点区域。

16.一种图像处理程序，用于使权利要求1至7的任何一项所述的图像处理装置(2/102)动作，该程序使计算机(5)作为上述各部件起作用。

17.一种计算机(5)可读取的记录介质，记录了权利要求16所述的图像处理程序。

Images