JP2000151723A - データ処理装置およびデータ処理方法 - Google Patents

Abstract

(57)【要約】 【課題】 ノイズを、効果的に除去する。 【解決手段】 上段の3つのNR部52_f1乃至52_f1では、時
系列に入力される画像データが、時間的に順方向に順次
処理されていくのに対し、下段の2つのNR部52_r1および5
2_r2では、時系列に入力される画像データが、時間的に
逆方向に順次処理されていく。そして、NR部52_r1および
52_r2における処理に用いられる、その出力の信頼性を表
す出力信頼度は、画像データを、時間的に順方向に処理
して得られる出力信頼度から、いわばリカーシブに求め
られるようになされており、従って、上段の3つのNR部5
2_f1乃至52_f1の処理において得られた出力データの信頼
性が反映されている。その結果、NR部52_f1が出力する中
間第3n＋1フレーム、またはNR部52_{f 2}が出力する中間第3
n＋2フレームよりは、NR部52_r1が出力する出力第3n＋1
フレーム、またはNR部52_r2が出力する出力第3n＋2フレ
ームの方が、ノイズがより低減される。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、データ処理装置お
よびデータ処理方法に関し、特に、例えば、データに含
まれるノイズの除去を、より効果的に行うことができる
ようにするデータ処理装置およびデータ処理方法に関す
る。

【０００２】

【従来の技術】例えば、伝送や再生等された画像データ
や音声データなどのデータには、一般に、時間的に変動
するノイズが含まれているが、データに含まれるノイズ
を除去する方法としては、従来より、入力データ全体の
平均（以下、適宜、全平均という）や、入力データの局
所的な平均である移動平均を求めるものなどが知られて
いる。

【０００３】

【発明が解決しようとする課題】しかしながら、全平均
を計算する方法は、データに含まれるノイズの度合い、
即ち、データのＳ／Ｎ（Signal/Noise）が一定である場
合は有効であるが、データのＳ／Ｎが変動する場合に
は、Ｓ／Ｎの悪いデータが、Ｓ／Ｎの良いデータに影響
し、効果的にノイズを除去することが困難となることが
ある。

【０００４】また、移動平均を計算する方法では、入力
されたデータから時間的に近い位置にあるデータの平均
が求められるため、その処理結果は、データのＳ／Ｎの
変動の影響を受ける。即ち、データのＳ／Ｎの良い部分
については、処理結果のＳ／Ｎも良くなるが、Ｓ／Ｎの
悪い部分については、処理結果のＳ／Ｎも悪くなる。

【０００５】本発明は、このような状況に鑑みてなされ
たものであり、データに含まれるノイズの度合いが一定
の場合だけでなく、時間的に変動する場合であっても、
そのノイズを、効果的に除去することができるようにす
るものである。

【０００６】

【課題を解決するための手段】本発明のデータ処理装置
は、入力データ、およびその入力データに対する出力デ
ータを評価し、その評価に基づき、出力データが時間の
経過とともに改善されるように、入力データを処理する
処理方式を、実時間で学習する第１の実時間学習手段
と、第１の実時間学習手段が学習した処理方式にしたが
って、入力データを適応的に処理し、出力データを出力
する第１のデータ処理手段とを有する第１の処理手段
と、第１の処理手段が処理した入力データである注目入
力データより時間的に先行する入力データである先行入
力データを、注目入力データに対する出力データである
注目出力データ、およびその注目出力データの評価に基
づいて処理することにより、先行入力データに対する出
力データである先行出力データを出力する第２の処理手
段とを備えることを特徴とする。

【０００７】本発明のデータ処理方法は、入力データ、
およびその入力データに対する出力データを評価し、そ
の評価に基づき、出力データが時間の経過とともに改善
されるように、入力データを処理する処理方式を、実時
間で学習する実時間学習ステップと、実時間学習ステッ
プにおいて学習された処理方式にしたがって、入力デー
タを適応的に処理し、出力データを出力するデータ処理
ステップとを有する第１の処理ステップと、第１の処理
ステップにおいて処理された入力データである注目入力
データより時間的に先行する入力データである先行入力
データを、注目入力データに対する出力データである注
目出力データ、およびその注目出力データの評価に基づ
いて処理することにより、先行入力データに対する出力
データである先行出力データを出力する第２の処理ステ
ップとを備えることを特徴とする。

【０００８】本発明のデータ処理装置においては、第１
の処理手段は、入力データ、およびその入力データに対
する出力データを評価し、その評価に基づき、出力デー
タが時間の経過とともに改善されるように、入力データ
を処理する処理方式を、実時間で学習する第１の実時間
学習手段と、第１の実時間学習手段が学習した処理方式
にしたがって、入力データを適応的に処理し、出力デー
タを出力する第１のデータ処理手段とを有している。第
２の処理手段は、第１の処理手段が処理した入力データ
である注目入力データより時間的に先行する入力データ
である先行入力データを、注目入力データに対する出力
データである注目出力データ、およびその注目出力デー
タの評価に基づいて処理することにより、先行入力デー
タに対する出力データである先行出力データを出力する
ようになされている。

【０００９】本発明のデータ処理方法においては、入力
データ、およびその入力データに対する出力データを評
価し、その評価に基づき、出力データが時間の経過とと
もに改善されるように、入力データを処理する処理方式
を、実時間で学習し、その処理方式にしたがって、入力
データを適応的に処理し、出力データを出力する一方、
注目入力データより時間的に先行する入力データである
先行入力データを、注目入力データに対する出力データ
である注目出力データ、およびその注目出力データの評
価に基づいて処理することにより、先行入力データに対
する出力データである先行出力データを出力するように
なされている。

【００１０】

【発明の実施の形態】以下に、本発明の実施の形態を説
明するが、その前に、特許請求の範囲に記載の発明の各
手段と以下の実施の形態との対応関係を明らかにするた
めに、各手段の後の括弧内に、対応する実施の形態（但
し、一例）を付加して、本発明の特徴を記述すると、次
のようになる。

【００１１】即ち、請求項１に記載のデータ処理装置
は、時系列の入力データを処理し、その処理結果として
の出力データを出力するデータ処理装置であって、入力
データ、およびその入力データに対する出力データを評
価し、その評価に基づき、出力データが時間の経過とと
もに改善されるように、入力データを処理する処理方式
を、実時間で学習する第１の実時間学習手段（例えば、
図７に示す実時間学習部１など）と、第１の実時間学習
手段が学習した処理方式にしたがって、入力データを適
応的に処理し、出力データを出力する第１のデータ処理
手段（例えば、図７に示す信号処理部２など）とを有す
る第１の処理手段（例えば、図１５に示すＮＲ部５２_f1
や、５２_f2、５２_f3など）と、第１の処理手段が処理し
た入力データである注目入力データより時間的に先行す
る入力データである先行入力データを、注目入力データ
に対する出力データである注目出力データ、およびその
注目出力データの評価に基づいて処理することにより、
先行入力データに対する出力データである先行出力デー
タを出力する第２の処理手段（例えば、図１５に示すＮ
Ｒ部５２_r1や５２_r2など）とを備えることを特徴とす
る。

【００１２】請求項２に記載のデータ処理装置は、入力
データは、時系列のデータであり、第１の処理手段は、
時系列の入力データを、所定サンプル数だけ記憶する入
力データ記憶手段（例えば、図７に示すラッチ回路１１
₁乃至１１₄など）をさらに有することを特徴とする。

【００１３】請求項７に記載のデータ処理装置は、第１
のデータ処理手段が、出力データと、現在の入力データ
とを加算することにより、その入力データに対する出力
データを求める演算手段（例えば、図７に示す演算器２
４など）を有することを特徴とする。

【００１４】請求項９に記載のデータ処理装置は、第２
の処理手段が、先行入力データを評価するとともに、注
目出力データの評価に基づいて、先行出力データを評価
し、その評価に基づき、先行出力データが時間の経過と
ともに改善されるように、先行入力データを処理する処
理方式を、実時間で学習する第２の実時間学習手段（例
えば、図７に示す実時間学習部１など）と、第２の実時
間学習手段が学習した処理方式にしたがって、先行入力
データを適応的に処理し、先行出力データを出力する第
２のデータ処理手段（例えば、図７に示す信号処理部２
など）とを有することを特徴とする。

【００１５】なお、勿論この記載は、各手段を上記した
ものに限定することを意味するものではない。

【００１６】図１は、本発明の前提となる自己適応処理
回路の一実施の形態の構成例を示している。

【００１７】この自己適応処理回路においては、処理対
象の入力信号（ここでは、例えば、ディジタルデータと
する）である処理用入力信号に対して最適な処理方式に
よる処理が施され、その結果得られる出力信号が出力さ
れるようになされている。

【００１８】即ち、自己適応処理回路は、実時間学習部
１と、信号処理部２とから構成されている。

【００１９】実時間学習部１には、処理用入力信号を処
理する処理方式の学習に用いられる学習用入力信号が供
給されるようになされており、実時間学習部１は、その
学習用入力信号に基づき、処理用入力信号が適応的に処
理されることにより、出力信号が時間の経過とともに改
善されるように、処理方式を、実時間で学習し、その学
習の結果得られた処理方式で処理を行うように、信号処
理部２を制御する。

【００２０】信号処理部２では、実時間学習部１から指
示された処理方式によって、処理用入力信号が適応的に
処理され、その処理の結果得られる出力信号が出力され
る。

【００２１】従って、信号処理部２では、上述したよう
な実時間学習された処理方式で、処理用入力信号が処理
されるので、その処理用入力信号に対して、適応的に処
理が施され、その結果得られる出力信号は時間の経過と
ともに改善されていく。

【００２２】即ち、信号処理部２が、処理用入力信号を
処理する処理方式は、実時間学習部１における実時間学
習によって改善されていく。信号処理部２は、実時間学
習部１から指示される処理方式によって、処理用入力信
号が適応的に処理され、時間の経過（処理用入力信号の
処理量）に伴い、いわば学習の効果が徐々に現れ、信号
処理部２が出力する出力信号は、時間の経過とともに改
善されていく（これは、信号処理部２の処理方式が、時
間の経過とともに改善されていっているということもで
きる）。

【００２３】以上のように、自己適応処理回路では、処
理用入力信号が適応的に処理されることにより、出力信
号が時間の経過とともに改善されるように、処理方式
が、実時間で学習され、その学習の結果得られた処理方
式で処理が行われる結果、処理用入力信号には、それ自
身（自己）に適した処理が施される。このことから、図
１の自己適応処理回路が行う処理は、自己適応処理とい
うことができる。

【００２４】ここで、出力信号の改善とは、例えば、処
理用入力信号が画像であれば、その画質が向上すること
等、具体的には、例えば、Ｓ／Ｎや解像度が向上するこ
となどを意味する。また、信号処理部２における処理の
目的が、スムージングやエッジ強調であれば、その効果
が顕著に現れることを意味する。従って、出力信号の改
善とは、ユーザが希望する状態の出力信号とすることを
意味する。

【００２５】なお、実時間学習部１においては、そこに
入力される学習用入力信号に基づいて、処理用入力信号
を処理する処理方式の実時間学習が行われるが、学習用
入力信号としては、図１において点線で示すように、信
号処理部２に入力される処理用入力信号や、信号処理部
２から出力される出力信号、さらには、自己適応処理回
路に対して、処理用入力信号の処理方式の学習を行うた
めに供給される補助入力信号などを用いることが可能で
ある。また、学習用入力信号としては、上述の信号のう
ちの２以上を用いることもできる。

【００２６】次に、自己適応処理回路において、信号処
理部２の処理方式は、実時間学習部１が実時間学習する
ことで時々刻々改善されることになるが（従って、自己
適応処理回路は、いわば時変システムである）、処理方
式の改善は、大きく、処理のアルゴリズムが変更される
場合と、一連の処理を構成する処理ステップ（処理の構
成要素）の内容が変更される場合とに分けることができ
る。

【００２７】即ち、例えば、いま、処理用入力信号をｘ
と、出力信号をｙと表すと、信号処理部２における処理
は、関数ｆ（）を用いて、式ｙ＝ｆ（ｘ）と表すことが
できる。

【００２８】例えば、ｆ（ｘ）＝ａ₀ｘ²＋ｂ₀ｘ＋ｃ₀と
した場合、信号処理部２の処理は、例えば、図２（Ａ）
に示すようなフローチャートで表すことができる。

【００２９】即ち、ステップＳ１において、ａ₀ｘ²が計
算され、ステップＳ２に進み、ｂ₀ｘが計算される。そ
して、ステップＳ３において、ａ₀ｘ²＋ｂ₀ｘ＋ｃ₀が計
算され、これにより、出力信号ｙが求められる。

【００３０】この場合において、例えば、関数ｆ（ｘ）
の、いわば形を変更するのが、処理のアルゴリズムの変
更に相当する。即ち、例えば、関数ｆ（ｘ）＝ａ₀ｘ²＋
ｂ₀ｘ＋ｃ₀を、ｆ（ｘ）＝（ａ₀ｘ²＋ｂ₀ｘ＋ｃ₀）²な
どに変更するのが、処理のアルゴリズムの変更に相当す
る。

【００３１】この場合、信号処理部２の処理は、例え
ば、図２（Ｂ）に示すようなフローチャートで表すこと
ができる。

【００３２】即ち、ステップＳ１乃至Ｓ３それぞれにお
いて、図２（Ａ）における場合と同様の処理が行われ、
ステップＳ４に進み、（ａ₀ｘ²＋ｂ₀ｘ＋ｃ₀）²が計算
され、これにより、出力信号ｙが求められる。

【００３３】図２（Ａ）のフローチャートと、図２
（Ｂ）のフローチャートとを比較して分かるように、処
理のアルゴリズムが変更された場合には、その処理を表
現するフローチャートも変更されることになる。

【００３４】また、例えば、関数ｆ（ｘ）における係数
を変更するのが、処理を構成する構成要素の内容の変更
に相当する。即ち、例えば、関数ｆ（ｘ）＝ａ₀ｘ²＋ｂ
₀ｘ＋ｃ₀を、ｆ（ｘ）＝ａ₁ｘ²＋ｂ₁ｘ＋ｃ₁に変更する
のが、処理の構成要素の内容の変更に相当する。

【００３５】この場合、信号処理部２の処理は、図２
（Ａ）と同様の図３（Ａ）のフローチャートで表される
ものから、例えば、図３（Ｂ）のフローチャートで表さ
れるものに変更される。

【００３６】即ち、この場合、ステップＳ１において、
ａ₁ｘ²が計算され、ステップＳ２に進み、ｂ₁ｘが計算
される。そして、ステップＳ３において、ａ₁ｘ²＋ｂ₁
ｘ＋ｃ₁が計算され、これにより、出力信号ｙが求めら
れる。

【００３７】図３（Ａ）のフローチャートと、図３
（Ｂ）のフローチャートとを比較して分かるように、関
数ｆ（ｘ）における係数が変更された場合には、処理を
構成する処理ステップの内容が変更される（図３では、
ステップＳ１は、ａ₀ｘ²の計算からａ₁ｘ²の計算に、ス
テップＳ２は、ｂ₀ｘの計算からｂ₁ｘの計算に、ステッ
プＳ３は、ａ₀ｘ²＋ｂ₀ｘ＋ｃ₀の計算からａ₁ｘ²＋ｂ₁
ｘ＋ｃ₁の計算に、それぞれ変更されている）。

【００３８】なお、処理方式の改善は、処理のアルゴリ
ズムの変更と、処理の構成要素の内容の変更との両方に
より行われる場合もある。

【００３９】また、図２および図３の説明に用いた関数
は、処理方式の改善を説明するためだけに用いた例であ
り、信号処理部２における処理を表す関数が、図２や図
３で説明したように変更された場合に、実際に、出力信
号が改善されるかどうかといった問題とは無関係であ
る。

【００４０】ここで、自己適応処理回路では、関数ｆ
（ｘ）における係数の変更が、実時間学習により、いわ
ば新たに生成された適応的な係数に基づいて行われる点
で、従来における、例えば、ディジタルフィルタなどと
は異なる。即ち、従来のディジタルフィルタでは、その
タップ係数を、入力データなどに基づいて変更する場合
があるが、変更されるタップ係数は、あらかじめ用意さ
れたものであり、実時間学習により生成されたものでは
ない。言い換えれば、従来のディジタルフィルタでは、
あらかじめ用意されたタップ係数の中で、入力データに
適しているとシステムの設計者が考えたものが選択され
るだけであり、入力データに対して、適応的なタップ係
数が求められるわけではない。その結果、入力データに
対してより適したタップ係数があっても、あらかじめ用
意されていなければ用いることができない。従って、上
述のような従来のディジタルフィルタ等は、「適応的」
にタップ係数を変更するシステム等と呼ばれることがあ
るが、正確には、「適応的」でははく、「選択的」なだ
けである。即ち、入力データに対して適応的なタップ係
数が生成されるのではなく、入力データに対して一意的
に選択されるタップ係数が用いられるシステムである。

【００４１】これに対して、自己適応処理回路では、入
力データが適応的に処理されるようなタップ係数が、実
時間学習により生成される結果、入力データに対して真
に最適なタップ係数を用いることができる。より具体的
には、例えば、従来のディジタルフィルタでは、例え
ば、２セットのタップ係数が、あらかじめ用意されてい
る場合には、その２セットのタップ係数のうちの、入力
データに対して適しているとシステムの設計者が考える
ものが一意的に選択されて用いられることになるが、自
己適応処理回路では、入力データを処理するためのタッ
プ係数が、実時間学習により時々刻々と改善されていく
ことで、入力データに対してより適したタップ係数が求
められ、そのようなタップ係数を用いて、処理（従っ
て、入力データに対して適応的な処理）が行われること
になる。

【００４２】さらに、自己適応処理回路では、出力デー
タが時々刻々と改善されていく点で、入力データに対し
て適応的な処理を施すが、出力データが改善されること
がない従来の、例えば、ＡＤＲＣ（Adaptive Dynamic R
ange Coding）処理などとは異なる。即ち、ＡＤＲＣ処
理においては、例えば、画像のあるブロックについて、
そのブロックを構成する画素の画素値の最大値ＭＡＸと
最小値ＭＩＮが検出される。そして、ＤＲ＝ＭＡＸ−Ｍ
ＩＮを、ブロックの局所的なダイナミックレンジとし、
このダイナミックレンジＤＲに基づいて、ブロックを構
成する画素の画素値がＫビットに再量子化される。具体
的には、ブロック内の各画素値から、最小値ＭＩＮが減
算され、その減算値がＤＲ／２^Kで除算（量子化）され
る。従って、画素値の量子化ステップＤＲ／２^Kが、ブ
ロックのダイナミックレンジＤＲに基づいて求められ、
その量子化ステップＤＲ／２^Kで、画素値が量子化され
る点では、入力データに対して適応的な処理が施されて
いるが、その量子化結果としての出力データは時々刻々
と改善されていくといった性質のものではない。

【００４３】次に、実時間学習部１では、例えば、現在
時刻をｔとするとき、その現在時刻ｔにおける実時間学
習において、出力信号を時間の経過とともに改善するた
めに、基本的に、いままでの学習用入力信号のサンプル
値すべてを考慮するが、現在時刻ｔと時間的に近い位置
のサンプル値に重みをおき、遠い位置のサンプル値はあ
まり考慮しない方が、出力信号が効果的に改善されるこ
とがある。従って、実時間学習部１では、学習用入力信
号に対して、そのような重み付けをして、即ち、例え
ば、現在時刻ｔから時間的に離れた学習用入力信号のサ
ンプル値を、その離れ具合に対応した割合で忘却するよ
うにして、実時間学習を行うことが可能である。極端に
は、現在時刻ｔから、所定の時間的範囲内にある学習用
入力信号のみを用いるようにすることが可能である。即
ち、例えば、図４に示すように、現在時刻ｔから±４サ
ンプルの範囲にある学習用入力信号のみを、現在時刻ｔ
における実時間学習において用いるようにすることが可
能である。これは、現在時刻ｔから５サンプル以上離れ
ている学習用入力信号に対する重みを０とすることで行
うことが可能である。

【００４４】また、現在時刻ｔにおける実時間学習で
は、その現在時刻ｔにおける学習用入力信号のサンプル
値から所定の範囲内にあるサンプル値だけを用いるよう
にすることも可能である。即ち、例えば、図４におい
て、時刻ｔ−２における学習用信号のサンプル値は、現
在時刻ｔにおける学習用入力信号のサンプル値とは大き
く異なっているが、このようなサンプル値は、学習に悪
影響を与えることがある。そこで、現在時刻ｔにおける
学習用入力信号のサンプル値とは大きく異なっているサ
ンプル値は、その現在時刻ｔにおける実時間学習におい
ては用いないようにすることが可能である。

【００４５】次に、図５は、図１の自己適応処理回路を
適用したＮＲ（Noise Reduction）処理回路の一実施の
形態の構成例を示している。

【００４６】このＮＲ処理回路においては、そこに（ノ
イズを有する）入力データが入力されると、入力データ
に対して自己適応処理が施されることにより、入力デー
タからノイズを効果的に除去した出力データが出力され
るようになされている。

【００４７】即ち、例えば、いま、説明を簡単にするた
めに、図６（Ａ）に示すような、真値が一定で、かつ時
間的に変動するノイズが重畳された入力データについ
て、その加算を行うことで、時間的に変動するノイズを
除去することを考えると、ノイズの度合いとしての、例
えば、ノイズのレベルが大きい入力データ（従って、Ｓ
／Ｎの悪いデータ）については、その重みを小さくし
（あまり考慮しないようにする）、ノイズのレベルの小
さい入力データ（従って、Ｓ／Ｎの良いデータ）につい
ては、その重みを大きくすることにより、ノイズを効果
的に除去することができる。

【００４８】そこで、ＮＲ処理回路では、入力データの
評価値として、例えば、図６（Ｂ）に示すような、入力
データの、真値に対する近さ、即ち、入力データが真値
であることの信頼性を表す信頼度を実時間学習により求
め、その信頼度に対応した重み付けを入力データに対し
て行いながら、その加算（重み付け加算）（重み付け平
均）を行うことで、ノイズを効果的に除去するようにな
っている。

【００４９】従って、ＮＲ処理回路では、入力データに
ついて、その信頼度に対応した重みを用いた重み付け平
均が求められ、出力データとして出力されるが、いま、
時刻ｔにおける入力データ、出力データ、入力データの
信頼度を、それぞれｘ（ｔ），ｙ（ｔ），α_x(t)と表す
と、次式にしたがって、出力データｙ（ｔ）が求められ
ることになる。

【００５０】

【数１】 ・・・（１） なお、ここでは、入力データの信頼度α_x(t)が大きいほ
ど、大きな重みを与えることとしている。

【００５１】式（１）から、現在時刻ｔから１サンプル
前の出力データｙ（ｔ−１）は、次式で求められる。

【００５２】

【数２】 ・・・（２）

【００５３】また、出力データｙ（ｔ）についても、そ
の出力データｙ（ｔ）の評価値として、真値に対する近
さ、即ち、出力データｙ（ｔ）が真値であることの信頼
性を表す信頼度α_y(t)を導入し、現在時刻ｔから１サン
プル前の出力データｙ（ｔ−１）の信頼度α_y(t-1)を、
入力データの信頼度α_x(t)を用いて、次式で定義する。

【００５４】

【数３】 ・・・（３）

【００５５】この場合、式（１）乃至（３）から、出力
データｙ（ｔ）およびその信頼度α_y(t)は、次のように
表すことができる。

【００５６】

【数４】 ・・・（４）

【００５７】また、時刻ｔにおいて、出力データｙ
（ｔ）を求めるのに用いる重みを、ｗ（ｔ）と表し、こ
れを、次式で定義する。

【００５８】 ｗ（ｔ）＝α_y(t-1)／（α_y(t-1)＋α_x(t)） ・・・（５）

【００５９】式（５）から、次式が成り立つ。

【００６０】 １−ｗ（ｔ）＝α_x(t)／（α_y(t-1)＋α_x(t)） ・・・（６）

【００６１】式（５）および（６）を用いると、式
（４）における出力データｙ（ｔ）は、次のような乗算
と加算による重み付け平均によって表すことができる。

【００６２】 ｙ（ｔ）＝ｗ（ｔ）ｙ（ｔ−１）＋（１−ｗ（ｔ））ｘ（ｔ） ・・・（７）

【００６３】なお、式（７）で用いる重みｗ（ｔ）（お
よび１−ｗ（ｔ））は、式（５）から、１サンプル前の
出力データｙ（ｔ−１）の信頼度α_y(t-1)と、現在の入
力データｘ（ｔ）の信頼度α_x(t)とから求めることがで
きる。また、式（４）における現在の出力データｙ
（ｔ）の信頼度α_y(t)も、その１サンプル前の出力デー
タｙ（ｔ−１）の信頼度α_y(t-1)と、現在の入力データ
ｘ（ｔ）の信頼度α_x(t)とから求めることができる。

【００６４】ここで、入力データｘ（ｔ）の信頼度α
_x(t)、または出力データｙ（ｔ）の信頼度α_y(t)とし
て、それぞれの分散σ_x(t) ²、またはσ_y(t) ²の逆数を用
いることとすると、即ち、信頼度α_x(t)，信頼度α_y(t)
を、式 α_x(t)＝１／σ_x(t) ² α_y(t)＝１／σ_y(t) ²・・・（８） とおくと、式（７）における重みｗ（ｔ）は、次式で求
めることができる。

【００６５】 ｗ（ｔ）＝σ_x(t) ²／（σ_y(t-1) ²＋σ_x(t) ²） ・・・（９）

【００６６】この場合、式（７）における１−ｗ（ｔ）
は、次式で求めることができる。

【００６７】 ｗ（ｔ）＝σ_y(t-1) ²／（σ_y(t-1) ²＋σ_x(t) ²） ・・・（１０）

【００６８】また、σ_y(t) ²は、次式で求めることがで
きる。

【００６９】 σ_y(t) ²＝ｗ（ｔ）²σ_y(t-1) ²＋（１−ｗ（ｔ））²σ_x(t) ² ・・・（１１）

【００７０】図５のＮＲ処理回路は、入力データｘ
（ｔ）を学習用入力信号として、式（５）にしたがい、
重みｗ（ｔ）を実時間学習（および式（６）にしたがっ
て１−ｗ（ｔ）を実時間学習）し、その結果得られる重
みｗ（ｔ）を用いて、式（７）にしたがい、１サンプル
前の出力データｙ（ｔ−１）と、現在の入力データｘ
（ｔ）との重み付け平均を計算することで、入力データ
ｘ（ｔ）を適応的に処理し、その入力データｘ（ｔ）に
含まれるノイズを効果的に除去するようになされてい
る。即ち、これにより、ＮＲ処理回路が出力する出力デ
ータｙ（ｔ）のＳ／Ｎは、時間の経過とともに改善され
ていくようになされている。

【００７１】図７は、そのようなＮＲ処理回路の構成例
を示している。

【００７２】ラッチ回路１１₁には、入力データが供給
されるようになされており、ラッチ回路１１₁は、そこ
に供給される入力データを、例えば、その入力データが
供給されるタイミングに同期してラッチ（記憶）し、そ
の後段のラッチ回路１１₂および入力信頼度計算部１２
に供給するようになされている。ラッチ回路１１₂また
はラッチ回路１１₃それぞれは、ラッチ回路１１₁と同様
に、その前段のラッチ回路１１₁または１１₂が出力する
入力データをラッチし、その後段のラッチ回路１１₃ま
たは１１₄と、入力信頼度計算部１２に供給するように
なされている。ラッチ回路１１₄は、その前段のラッチ
回路１１₃が出力する入力データをラッチし、入力信頼
度計算部１２に供給するようになされている。

【００７３】入力信頼度計算部１２には、ラッチ回路１
１₁乃至１１₄でラッチされた入力データが供給される
他、ラッチ回路１１₁に供給されるのと同一の入力デー
タが供給されるようになされている。従って、いま、ラ
ッチ回路１１₁および入力信頼度計算部１２に、入力デ
ータｘ（ｔ）が供給されたとすると、入力信頼度計算部
１２には、さらに、ラッチ回路１１₁乃至１１₄それぞれ
でラッチされた入力データｘ（ｔ−１）乃至ｘ（ｔ−
４）も供給されるようになされている。そして、入力信
頼度計算部１２は、入力データｘ（ｔ）乃至ｘ（ｔ−
４）から、例えば、その分散を計算し、その分散の逆数
を、入力データｘ（ｔ）の信頼度（以下、適宜、入力信
頼度という）α_x(t)として、出力信頼度計算部１３およ
び重み計算部１５に供給するようになされている。

【００７４】出力信頼度計算部１３は、入力信頼度計算
部１２からの入力信頼度α_x(t)と、ラッチ回路１４の出
力とから、式（４）にしたがって、出力データｙ（ｔ）
の信頼度（以下、適宜、出力信頼度という）α_y(t)を求
め、ラッチ回路１４に出力するようになされている。

【００７５】ラッチ回路１４は、出力信頼度計算部１３
からの出力信頼度α_y(t)を、例えば、入力データｘ
（ｔ）に同期してラッチし、出力信頼度計算部１３およ
び重み計算部１５に供給するようになされている。従っ
て、ラッチ回路１４から、出力信頼度計算部１３および
重み計算部１５には、１サンプル前の出力信頼度α
_y(t-1)が供給されるようになされている。

【００７６】重み計算部１５は、入力信頼度計算部１２
からの入力信頼度α_x(t)、およびラッチ回路１４からの
出力信頼度α_y(t-1)を用い、式（５）にしたがって、重
みｗ（ｔ）を求め、重み付け部２１および演算器２２に
出力するようになされている。

【００７７】ここで、例えば、以上のラッチ回路１１₁
乃至１１₄、入力信頼度計算部１２、出力信頼度計算部
１３、ラッチ回路１４、および重み計算部１５が、図１
の実時間学習部１に相当する。

【００７８】重み付け部２１は、重み計算部１５からの
重みｗ（ｔ）を、ラッチ回路２５の出力に乗算し、その
乗算結果を、演算器２４に供給するようになされてい
る。演算器２２は、重み計算部１５からの重みｗ（ｔ）
を１から減算し、その減算値１−ｗ（ｔ）を、重み付け
部２３に供給するようになされている。重み付け部２３
には、演算器２２の出力の他、入力データｘ（ｔ）が供
給されるようになされており、重み付け部２３は、演算
器２２の出力と、入力データｘ（ｔ）とを乗算し、その
乗算結果を、演算器２４に供給するようになされてい
る。演算器２４は、重み付け部２１と２３の出力どうし
を加算し、その加算結果を、出力データｙ（ｔ）として
出力するとともに、ラッチ回路２５に供給するようにな
されている。ラッチ回路２５は、演算器２４からの出力
データを、例えば、入力データｘ（ｔ）に同期してラッ
チし、重み付け部２１に供給するようになされている。

【００７９】ここで、例えば、以上の重み付け部２１、
演算器２２、重み付け部２３、演算器２４、およびラッ
チ回路２５が、図１の信号処理部２に相当し、式（７）
にしたがった重み付け平均を計算して、出力データｙ
（ｔ）として出力するようになされている。

【００８０】次に、図８は、図７の入力信頼度計算部１
２の構成例を示している。

【００８１】上述したように、入力信頼度計算部１２に
は、現在の入力データｘ（ｔ）の他、その４サンプル前
までの入力データｘ（ｔ−１）乃至ｘ（ｔ−４）が入力
されるようになされており、入力信頼度計算部１２で
は、図９に示すように、その５サンプルの入力データｘ
（ｔ）乃至ｘ（ｔ−４）についての分散が求められ、そ
の逆数が、入力信頼度α_x(t)として出力されるようにな
されている。

【００８２】即ち、入力データｘ（ｔ）乃至ｘ（ｔ−
４）は、平均値計算回路３１および分散計算回路３２に
供給されるようになされている。平均値計算部３１は、
次式にしたがって、５サンプルの入力データｘ（ｔ）乃
至ｘ（ｔ−４）の平均値ｍ（ｔ）を計算し、分散計算回
路３２に供給する。

【００８３】

【数５】 ・・・（１２） なお、図８の実施の形態においては、式（１２）におけ
るＮは、５である。

【００８４】分散計算回路３２は、そこに入力される入
力データｘ（ｔ）乃至ｘ（ｔ−４）、および平均値計算
回路３１からの平均値ｍ（ｔ）を用い、式（１３）にし
たがって、分散σ_x(t)を計算し、逆数計算回路３３に出
力する。

【００８５】

【数６】 ・・・（１３） なお、式（１２）における場合と同様に、図８の実施の
形態では、式（１３）におけるＮも、５である。

【００８６】逆数計算回路３３は、次式に示すように、
分散計算回路３２からの分散σ_x(t)の逆数を求め、それ
を、入力信頼度α_x(t)として出力する。

【００８７】

【数７】 ・・・（１４）

【００８８】次に、図１０は、図７の出力信頼度計算部
１３の構成例を示している。

【００８９】同図に示すように、出力信頼度計算部１３
は、演算器４１から構成されており、演算器４１には、
入力信頼度計算部１２からの現在の入力信頼度α
_x(t)と、ラッチ回路１４からの１サンプル前の出力信頼
度α_y(t-1)が供給されるようになされている。そして、
演算器４１は、式（４）にしたがい、入力信頼度α_x(t)
と出力信頼度α_y(t-1)とを加算し、その加算値を、現在
の出力信頼度α_y(t)として出力する。

【００９０】次に、図１１および図１２を参照して、図
７のＮＲ処理回路の動作について説明する。

【００９１】図７のＮＲ処理回路では、図１１（Ａ）に
示すように、現在の入力データｘ（ｔ）に、その４サン
プル前までの入力データｘ（ｔ−１）乃至ｘ（ｔ−４）
を加えた５サンプルを用いて、その分散σ_x(t) ²が求め
られ、さらに、その逆数が、入力信頼度α_x(t)として求
められる。

【００９２】また、入力信頼度α_x(t)と、１サンプル前
の出力信頼度α_y(t-1)から、重みｗ（ｔ）が求められ、
図１１（Ｂ）に示すように、その重みｗ（ｔ）に基づ
き、入力データｘ（ｔ）と１サンプル前の出力データｙ
（ｔ−１）との重み付け平均値が計算され、その重み付
け平均値が、出力データｙ（ｔ）として出力される。

【００９３】即ち、図１２のフローチャートに示すよう
に、まず最初に、ステップＳ１１において、入力データ
ｘ（ｔ）が、ラッチ回路１１₁、入力信頼度計算部１
２、および重み付け部２３に入力される。

【００９４】そして、ステップＳ１２に進み、入力信頼
度計算部１２において、入力信頼度α_x(t)が求められ
る。

【００９５】即ち、ラッチ回路１１₁は、そこに供給さ
れる入力データを、その入力データが供給されるタイミ
ングに同期してラッチし、その後段のラッチ回路１１₂
および入力信頼度計算部１２に供給する。ラッチ回路１
１₂またはラッチ回路１１₃それぞれは、ラッチ回路１１
₁と同様に、その前段のラッチ回路１１₁または１１₂が
出力する入力データをラッチし、その後段のラッチ回路
１１₃または１１₄と、入力信頼度計算部１２に供給す
る。そして、ラッチ回路１１₄は、その前段のラッチ回
路１１₃が出力する入力データをラッチし、入力信頼度
計算部１２に供給する。従って、入力信頼度計算部１２
には、入力データｘ（ｔ）が供給されるのと同時に、ラ
ッチ回路１１₁乃至１１₄それぞれから入力データｘ（ｔ
−１）乃至ｘ（ｔ−４）が供給される。入力信頼度計算
部１２は、上述したように、入力データｘ（ｔ）乃至ｘ
（ｔ−４）を用いて、入力信頼度α_x(t)を求め、出力信
頼度計算部１３および重み計算部１５に供給する。

【００９６】入力信頼度計算部１２から重み計算部１５
に対して、入力信頼度α_x(t)が供給されるタイミングに
おいては、ラッチ回路１４において、出力信頼度計算部
１３が１サンプル前に出力した出力信頼度α_y(t-1)がラ
ッチされており、重み計算部１５では、ステップＳ１３
において、入力信頼度計算部１２からの入力信頼度α
_x(t)と、ラッチ回路１４にラッチされている出力信頼度
α_y(t-1)とを用い、式（５）にしたがって、重みｗ
（ｔ）が求められる。この重みｗ（ｔ）は、重み付け部
２１および演算器２２に供給される。

【００９７】そして、重み付け部２１、演算器２２、重
み付け部２３、演算器２４、およびラッチ回路２５で
は、ステップＳ１４において、重み計算部１５が出力す
る重み（ｔ）を用い、式（７）にしたがって、入力デー
タｘ（ｔ）と、１サンプル前の出力データｙ（ｔ−１）
との重み付け平均値が計算される。

【００９８】即ち、重み付け部２１では、重み計算部１
５からの重みｗ（ｔ）が、ラッチ回路２５の出力に乗算
され、その乗算結果が、演算器２４に供給される。ここ
で、ラッチ回路２５は、重み計算部１５が重みｗ（ｔ）
を出力するタイミングにおいて、演算器２４が前回出力
した出力データｙ（ｔ−１）をラッチしており、従っ
て、重み付け部２１では、出力データｙ（ｔ−１）と重
みｗ（ｔ）との積ｗ（ｔ）ｙ（ｔ−１）が求められ、演
算器２４に供給される。

【００９９】また、演算器２２では、重み計算部１５か
らの重みｗ（ｔ）が１から減算され、その減算値１−ｗ
（ｔ）が、重み付け部２３に供給される。重み付け部２
３は、演算器２２の出力１−ｗ（ｔ）と、入力データｘ
（ｔ）とを乗算し、その乗算結果（１−ｗ（ｔ））ｘ
（ｔ）を、演算器２４に供給する。

【０１００】演算器２４では、重み付け部２１の出力ｗ
（ｔ）ｙ（ｔ−１）と、重み付け部２３の出力（１−ｗ
（ｔ））ｘ（ｔ）とが加算される。即ち、重み計算部１
５が出力する重み（ｔ）を用い、式（７）にしたがっ
て、入力データｘ（ｔ）と、１サンプル前の出力データ
ｙ（ｔ−１）との重み付け平均値が計算される。

【０１０１】この重み付け平均値は、ステップＳ１５に
おいて、出力データｙ（ｔ）として出力される。さら
に、出力データｙ（ｔ）は、ラッチ回路２５に供給され
てラッチされる。

【０１０２】そして、ステップＳ１６に進み、まだ、入
力データが存在するかどうかが判定され、まだ存在する
と判定された場合、ステップＳ１７に進み、出力信頼度
計算部１３において、出力信頼度が更新される。即ち、
出力信頼度計算部１３は、ステップＳ１２で入力信頼度
計算部１２が計算した入力信頼度α_x(t)と、ラッチ回路
１４がラッチしている１サンプル前の出力信頼度α
_y(t-1)とを、式（４）にしたがって加算することで、現
在の出力信頼度α_y(t)を求め、ラッチ回路１４に出力す
る。そして、ステップＳ１１に戻り、次の入力データを
対象に、同様の処理が繰り返される。

【０１０３】一方、ステップＳ１６において、処理すべ
き入力データが存在しないと判定された場合、処理を終
了する。

【０１０４】以上のように、現在の入力データｘ（ｔ）
の信頼度（入力信頼度）α_x(t)を求め、それと、１サン
プル前の出力信頼度α_y(t-1)とを加味して、重みｗ
（ｔ）を計算する。さらに、この重みｗ（ｔ）を用い
て、現在の入力データｘ（ｔ）と、１サンプル前の出力
データｙ（ｔ−１）との重み付け平均値を計算し、その
平均値を、入力データｘ（ｔ）の処理結果としての出力
データｙ（ｔ）とする。そして、その出力データｙ
（ｔ）の信頼度（出力信頼度）α_y(t)を、現在の入力信
頼度α_x(t)と、１サンプル前の出力信頼度α_y(t-1)とを
加算することで求め、次の入力データｘ（ｔ＋１）を処
理することを繰り返す。従って、重みｗ（ｔ）は、過去
の入力データにおいて、ノイズの多い部分はあまり加味
せずに、かつノイズの少ない部分は十分に加味するよう
にして学習されていき、即ち、入力データに対して適応
的な重みｗ（ｔ）が求められていき、その結果、出力デ
ータは、重みｗ（ｔ）の学習が進むにつれて時々刻々と
改善されていき、入力データから効果的にノイズを除去
したものが得られるようになる。

【０１０５】なお、図７の実施の形態では、５サンプル
の入力データｘ（ｔ）乃至ｘ（ｔ−５）を用いて分散σ
_x(t) ²を求めるようにしたため、その逆数である入力信
頼度α_x(t)は、入力データの入力が開始されてから、５
サンプル分の時間が経過しないと求めることができない
が、その５サンプル分の時間が経過するまでは、例え
ば、入力信頼度および出力信頼度のいずれも計算せず、
また、出力データとしては、いままで入力された入力デ
ータの単純な平均値を求めて出力するようにすることが
できる。但し、入力データの入力が開始された直後の処
理方法は、これに限定されるものではない。

【０１０６】次に、上述の場合には、入力信頼度α_x(t)
として、入力データの分散の逆数を用いたことから、そ
の入力信頼度α_x(t)は、ある時間的範囲の入力データの
ばらつきを表しており、従って、入力データに含まれる
ノイズの度合いとしての、例えば、その入力データのＳ
／Ｎが変動する場合には、非常に効果的なノイズの除去
を行うことができる。

【０１０７】しかしながら、入力信頼度α_x(t)として、
入力データの分散の逆数を用いた場合には、分散の性質
上、ノイズのレベルの局所的な変化分（ごく狭い範囲に
おける変化）については、ノイズ除去の効果が幾分薄れ
ることになる。

【０１０８】そこで、ノイズのレベルの局所的な変化分
については、例えば、入力データの平均値に対する、現
在の入力データの自乗誤差の逆数などを、入力信頼度α
_x(t)として用いることで、効果的に対処することが可能
である。

【０１０９】この場合、入力信頼度α_x(t)は、次のよう
にして計算することができる。

【０１１０】即ち、例えば、図１３に示すように、５サ
ンプルの入力データｘ（ｔ）乃至ｘ（ｔ−４）の平均値
ｍ（ｔ）を、式（１５）にしたがって計算する。

【０１１１】

【数８】 ・・・（１５） なお、図１３の実施の形態においては、式（１５）にお
けるＮは、５である。

【０１１２】さらに、入力データｘ（ｔ）および平均値
ｍ（ｔ）を用い、式（１６）にしたがって、入力データ
ｘ（ｔ）の平均値ｍ（ｔ）に対する自乗誤差ｄ_x(t) ²を
計算する。

【０１１３】

【数９】 ・・・（１６）

【０１１４】そして、次式に示すように、自乗誤差ｄ
_x(t) ²の逆数を求めることで、入力信頼度α_x(t)を求め
る。

【０１１５】

【数１０】 ・・・（１７）

【０１１６】以上のように、自乗誤差の逆数を、入力信
頼度α_x(t)として用いる手法は、平均値ｍ（ｔ）が、真
値に近い値となる場合には、特に有効である。

【０１１７】なお、入力信頼度α_x(t)は、上述したよう
に、分散σ_x(t) ²、または自乗誤差ｄ_x(t) ²のいずれか一
方だけに基づいて求める他、その２つに基づいて求める
ことも可能である。即ち、例えば、分散σ_x(t) ²の逆数
と、自乗誤差ｄ_x(t) ²逆数との加算値を、入力信頼度α
_x(t)として用いることが可能である。

【０１１８】分散σ_x(t) ²は、入力データについて、あ
る程度広い範囲における局所的な散らばり具合を表し、
また、自乗誤差ｄ_x(t) ²は、狭い範囲の局所的な散らば
り具合を表すから、それらを組み合わせたものを、入力
信頼度α_x(t)として用いた場合には、入力データのＳ／
Ｎが変動しており、かつその入力データに含まれるノイ
ズの局所的なレベルも変動しているようなときであって
も、効果的に対処することが可能となる。

【０１１９】次に、図１４は、入力信頼度α_x(t)とし
て、分散σ_x(t) ²を用い、画像を入力データとして自己
適応処理を行ったシミュレーション結果を示している。

【０１２０】図１４において、横軸または縦軸はフレー
ム数（フレーム番号）またはＳ／Ｎをそれぞれ表してお
り、◇印が、入力データとした画像データのＳ／Ｎを表
している。そして、＋印が移動平均による出力データの
Ｓ／Ｎを、×印が図７のＮＲ処理回路による出力データ
のＳ／Ｎを、それぞれ表している。なお、移動平均の計
算、および入力信頼度α_x(t)の計算には、いずれも５サ
ンプルを用いている。

【０１２１】図１４から明らかなように、移動平均によ
る出力データのＳ／Ｎは、入力データである画像データ
のＳ／Ｎに追随し、従って、画像データのＳ／Ｎが良く
なれば良くなり、悪くなれば悪くなっていく。これに対
して、図７のＮＲ処理回路による出力データのＳ／Ｎ
は、重みｗ（ｔ）の学習の効果により、時々刻々と高く
なっていき、画像データのＳ／Ｎの変化による影響をほ
とんど受けない。

【０１２２】次に、図１５は、図１の自己適応処理回路
を適用したＮＲ処理回路の他の実施の形態の構成例を示
している。

【０１２３】入力データとしての、例えば、ディジタル
画像データは、時系列に入力バッファ５１に供給される
ようになされている。入力バッファ５１は、そこに供給
される画像データを、例えば、フレーム単位で、順次記
憶するようになされている。さらに、入力バッファ５１
は、記憶した画像データのフレーム（以下、適宜、入力
第ｘフレームという）を、所定のタイミングで読み出
し、ＮＲ部５２_f1乃至５２_f3、並びにＮＲ部５２_r1およ
び５２_r2に、適宜供給するようになされている。

【０１２４】即ち、図１５の実施の形態では、例えば、
３フレームを、いわば１の処理単位として処理が行われ
るようになされており、入力バッファ５１は、入力第３
ｎ＋１フレームを、ＮＲ部５２_f1および５２_r1に、入力
第３ｎ＋２フレームを、ＮＲ部５２_f2および５２_r2に、
入力第３ｎ＋３フレームを、ＮＲ部５２_f3に、それぞれ
供給するようになされている（但し、ｎ＝０，１，２，
・・・）。

【０１２５】ＮＲ部５２_f1乃至５２_f3、並びにＮＲ部５
２_r1および５２_r2は、いずれも、図７のＮＲ処理回路
と、基本的に同様に構成されており、従って、そこに入
力される画像データを、図７のＮＲ処理回路における場
合と、基本的に同様に処理して出力するようになされて
いる。

【０１２６】なお、ＮＲ部５２_f1には、入力第３ｎ＋１
フレームの他、ＮＲ部５２_f3による入力第３ｎ＋３フレ
ーム（入力第３（ｎ−１）＋３フレーム）の処理結果
（以下、適宜、中間第３ｎ＋３フレームという）、およ
びＮＲ部５２_f3で求められた中間第３ｎ＋３フレーム
（中間第３（ｎ−１）＋３フレーム）の出力信頼度が供
給されるようになされている。また、ＮＲ部５２_f1から
は、そこでの入力第３ｎ＋１フレームの処理結果（以
下、適宜、中間第３ｎ＋１フレームという）、およびそ
の中間第３ｎ＋１フレームの出力信頼度が、ＮＲ部５２
_f2に対して供給されるようになされている。

【０１２７】さらに、ＮＲ部５２_f2には、入力第３ｎ＋
２フレームの他、上述したように、ＮＲ部５２_f1から、
中間第３ｎ＋１フレームおよびその出力信頼度が供給さ
れるようになされている。また、ＮＲ部５２_f2からは、
そこでの入力第３ｎ＋２フレームの処理結果（以下、適
宜、中間第３ｎ＋２フレームという）、およびその中間
第３ｎ＋２フレームの出力信頼度が、ＮＲ部５２_f3に対
して供給されるようになされている。

【０１２８】さらに、ＮＲ部５２_f3には、入力第３ｎ＋
３フレームの他、上述したように、ＮＲ部５２_f2から、
中間第３ｎ＋２フレームおよびその出力信頼度が供給さ
れるようになされている。また、ＮＲ部５２_f3からは、
上述したように、中間第３ｎ＋３フレーム（中間第３
（ｎ−１）＋３フレーム）、およびその出力信頼度が、
ＮＲ部５２_f1に対して供給される他、ＮＲ部５２_r2に対
しても供給され、さらに、中間第３ｎ＋３フレームが、
出力バッファ５３に対して供給されるようになされてい
る。

【０１２９】さらに、ＮＲ部５２_r2には、入力第３ｎ＋
２フレームの他、上述したように、ＮＲ部５２_f3から、
中間第３ｎ＋３フレームおよびその出力信頼度が供給さ
れるようになされている。また、ＮＲ部５２_r2からは、
そこでの入力第３ｎ＋２フレームの処理結果（以下、適
宜、出力第３ｎ＋２フレームという）、およびその出力
第３ｎ＋２フレームの出力信頼度が、ＮＲ部５２_r1に対
して供給されるとともに、出力第３ｎ＋２フレームが、
出力バッファ５３に対して供給されるようになされてい
る。

【０１３０】さらに、ＮＲ部５２_r1には、入力第３ｎ＋
１フレームの他、上述したように、ＮＲ部５２_r2から、
出力第３ｎ＋２フレームおよびその出力信頼度が供給さ
れるようになされている。また、ＮＲ部５２_r1からは、
そこでの入力第３ｎ＋１フレームの処理結果（以下、適
宜、出力第３ｎ＋１フレームという）が、出力バッファ
５３に対して供給されるようになされている。

【０１３１】出力バッファ５３は、ＮＲ部５２_f3からの
中間第３ｎ＋３フレーム、ＮＲ部５２_r2からの出力第３
ｎ＋２フレーム、およびＮＲ部５２_r1からの出力第３ｎ
＋１フレームを一時記憶し、その３フレームの画像デー
タを、時系列に、順次読み出して出力するようになされ
ている。

【０１３２】次に、図１６は、図１５のＮＲ部５２_f1乃
至５２_f3、並びにＮＲ部５２_r1および５２_r2（以下、適
宜、まとめて、ＮＲ部５２という）それぞれの構成例を
示している。なお、図中、図７における場合と対応する
部分については、同一の符号を付してある。即ち、ＮＲ
部５２は、ラッチ回路１４および２５が設けられていな
いことを除けば、図７におけるＮＲ処理回路と同様に構
成されている。

【０１３３】但し、ＮＲ部５２において、そこに入力さ
れる入力データを処理するのに用いる、その入力データ
に対する出力データの出力信頼度を計算するのに必要
な、他の出力データの出力信頼度は、他のＮＲ部から、
出力信頼度計算部１３に供給されるようになされてい
る。また、ＮＲ部５２において、そこに入力される入力
データと重み付け加算される出力データも、他のＮＲ部
から、重み付け部２１に供給されるようになされてい
る。さらに、ＮＲ部５２（但し、後述する図１７に示す
ように、ＮＲ部５２_r1を除く）において、その出力信頼
度計算部１３で計算された出力信頼度は、自身の重み計
算部１５に供給される他、他のＮＲ部に供給されるよう
になされている。

【０１３４】即ち、図１７は、図１６に示したように構
成されるＮＲ部５２_f1乃至５２_f3、並びにＮＲ部５２_r1
および５２_r2の接続関係を示している。

【０１３５】図１７に示すように、ＮＲ部５２_f1の出力
信頼度計算部１３には、ＮＲ部５２_f3の出力信頼度計算
部１３が出力する、中間第３（ｎ−１）＋３フレームの
出力信頼度が供給されるようになされている。そして、
ＮＲ部５２_f1の出力信頼度計算部１３では、その中間第
３（ｎ−１）＋３フレームの出力信頼度と、ＮＲ部５２
_f1の入力信頼度計算部１２が出力する入力第３ｎ＋１フ
レームの入力信頼度とから、ＮＲ部５２_f1が出力する中
間第３ｎ＋１フレームの出力信頼度が計算され、即ち、
いま、３ｎ＋１＝ｔとおくと、３（ｎ−１）＋３＝３ｎ
＝ｔ−１であるから、式（４）にしたがって、中間第ｔ
フレームの出力信頼度α_y(t)（中間第３ｎ＋１フレーム
の出力信頼度α_y(3n+1)）が計算され、自身の重み計算
部１５、およびＮＲ部５２_f2の出力信頼度計算部１３に
供給されるようになされている。

【０１３６】従って、ＮＲ部５２_f1の重み計算部１５で
は、そこに入力される入力第３ｎ＋１フレームの入力信
頼度α_x(3n+1)と、中間第３ｎ＋１フレームの出力信頼
度α_{y (3n+1)}とから、重みｗ（３ｎ＋１）が求められ
る。即ち、図７の重み計算部１５では、上述したよう
に、現在の入力データｘ（ｔ）の入力信頼度α_x(t)と、
１サンプル前の出力データｙ（ｔ−１）の出力信頼度α
_y(t-1)とから、重みｗ（ｔ）が求められるようになされ
ているが、ＮＲ部５２_f1の重み計算部１５（ＮＲ部５２
_f2および５２_f3の重み計算部１５も同様）では、現在の
入力データｘ（ｔ）の入力信頼度α_x(t)と、その入力デ
ータに対する出力データのｙ（ｔ）の出力信頼度α_y(t)
とから、重みｗ（ｔ）が求められるようになされてい
る。

【０１３７】ここで、式（４）を用いて、式（５）にお
ける１サンプル前の出力信頼度α_{y( t-1)}を消去すると、
重みｗ（ｔ）は、次式のように表すことができる。

【０１３８】ｗ（ｔ）＝（α_y(t)−α_x(t)）／α
_ｙ（ｔ）・・・（１８）

【０１３９】式（１８）から、重みｗ（ｔ）は、現在の
入力データｘ（ｔ）の入力信頼度α_ｘ（ｔ）と、その入
力データに対する出力データのｙ（ｔ）の出力信頼度α
_y(t)から求めることができ、ＮＲ部５２_f1の重み計算部
１５では、そのようにして重みｗ（ｔ）が求められるよ
うになされている（図７のＮＲ処理回路でも、同様にし
て、重みｗ（ｔ）を求めるようにすることが可能であ
る）。

【０１４０】また、ＮＲ部５２_f1の重み付け部２１に
は、ＮＲ部５２_f3の演算器２４が出力する中間第３（ｎ
−１）＋３フレーム（入力第３（ｎ−１）＋３フレーム
の処理結果）が供給されるようになされている。そし
て、ＮＲ部５２_f1の重み付け部２１では、その中間第３
（ｎ−１）＋３フレームが、重みｗ（ｔ）と乗算され、
演算器２４に供給されるようになされている。従って、
ＮＲ部５２_f1の演算器２４では、３ｎ＋１＝ｔとおく
と、３（ｎ−１）＋３＝３ｎ＝ｔ−１であるから、式
（７）にしたがって、入力第ｔフレームｘ（ｔ）の処理
結果である中間第ｔフレームｙ（ｔ）（中間第３ｎ＋１
フレームｙ（３ｎ＋１））が計算されて出力される。

【０１４１】次に、ＮＲ部５２_f2の出力信頼度計算部１
３には、上述したように、ＮＲ部５２_f1の出力信頼度計
算部１３が出力する、中間第３ｎ＋１フレームの出力信
頼度が供給されるようになされている。そして、ＮＲ部
５２_f2の出力信頼度計算部１３では、その中間第３ｎ＋
１フレームの出力信頼度と、ＮＲ部５２_f2の入力信頼度
計算部１２が出力する入力第３ｎ＋２フレームの入力信
頼度とから、ＮＲ部５２_f2が出力する中間第３ｎ＋２フ
レームの出力信頼度が計算され、即ち、いま、３ｎ＋２
＝ｔとおくと、３ｎ＋１＝ｔ−１であるから、式（４）
にしたがって、中間第ｔフレームの出力信頼度α
_y(t)（中間第３ｎ＋２フレームの出力信頼度
α_y(3n+2)）が計算され、自身の重み計算部１５、およ
びＮＲ部５２_f3の出力信頼度計算部１３に供給されるよ
うになされている。

【０１４２】従って、ＮＲ部５２_f2の重み計算部１５で
は、そこに入力される入力第３ｎ＋２フレームの入力信
頼度α_x(3n+2)と、中間第３ｎ＋２フレームの出力信頼
度α_{y (3n+2)}とから、式（４）におけるｗ（ｔ）を求め
る式と等価な式（１８）にしたがって、重みｗ（３ｎ＋
２）が求められる。

【０１４３】また、ＮＲ部５２_f2の重み付け部２１に
は、ＮＲ部５２_f1の演算器２４が出力する中間第３ｎ＋
１フレーム（入力第３ｎ＋１フレームの処理結果）が供
給されるようになされている。そして、ＮＲ部５２_f2の
重み付け部２１では、その中間第３ｎ＋１フレームが、
重みｗ（ｔ）と乗算され、演算器２４に供給されるよう
になされている。従って、ＮＲ部５２_f2の演算器２４で
は、３ｎ＋１＝ｔとおくと、式（７）にしたがって、入
力第ｔフレームｘ（ｔ）の処理結果である中間第ｔフレ
ームｙ（ｔ）（中間第３ｎ＋２フレームｙ（３ｎ＋
２））が計算されて出力される。

【０１４４】次に、ＮＲ部５２_f3の出力信頼度計算部１
３には、上述したように、ＮＲ部５２_f2の出力信頼度計
算部１３が出力する、中間第３ｎ＋２フレームの出力信
頼度が供給されるようになされている。そして、ＮＲ部
５２_f3の出力信頼度計算部１３では、その中間第３ｎ＋
２フレームの出力信頼度と、ＮＲ部５２_f3の入力信頼度
計算部１２が出力する入力第３ｎ＋３フレームの入力信
頼度とから、ＮＲ部５２_f3が出力する中間第３ｎ＋３フ
レームの出力信頼度が計算され、即ち、いま、３ｎ＋３
＝ｔとおくと、３ｎ＋２＝ｔ−１であるから、式（４）
にしたがって、中間第ｔフレームの出力信頼度α
_y(t)（中間第３ｎ＋３フレームの出力信頼度
α_y(3n+3)）が計算され、自身の重み計算部１５、およ
びＮＲ部５２_f1の出力信頼度計算部１３に供給されるよ
うになされている。

【０１４５】従って、ＮＲ部５２_f3の重み計算部１５で
は、そこに入力される入力第３ｎ＋３フレームの入力信
頼度α_x(3n+3)と、中間第３ｎ＋３フレームの出力信頼
度α_{y (3n+3)}とから、式（４）におけるｗ（ｔ）を求め
る式と等価な式（１８）にしたがって、重みｗ（３ｎ＋
３）が求められる。

【０１４６】また、ＮＲ部５２_f3の重み付け部２１に
は、ＮＲ部５２_f2の演算器２４が出力する中間第３ｎ＋
２フレーム（入力第３ｎ＋２フレームの処理結果）が供
給されるようになされている。そして、ＮＲ部５２_f3の
重み付け部２１では、その中間第３ｎ＋２フレームが、
重みｗ（ｔ）と乗算され、演算器２４に供給されるよう
になされている。従って、ＮＲ部５２_f3の演算器２４で
は、３ｎ＋２＝ｔとおくと、式（７）にしたがって、入
力第ｔフレームｘ（ｔ）の処理結果である中間第ｔフレ
ームｙ（ｔ）（中間第３ｎ＋３フレームｙ（３ｎ＋
３））が計算されて出力される。

【０１４７】ここで、中間第３ｎ＋３フレームの出力信
頼度α_y(3n+3)が、ＮＲ部５２_f3の出力信頼度計算部１
３から、ＮＲ部５２_f1の出力信頼度計算部１３に供給さ
れると、ＮＲ部５２_f1には、入力第３（ｎ＋１）＋１
（＝３ｎ＋４）フレームが供給され、ＮＲ部５２_f1で
は、その入力第３（ｎ＋１）＋１フレームについて、上
述したような処理（上述したＮＲ部５２_f1についての説
明におけるｎをｎ＋１に置き換えた処理）が行われる。

【０１４８】従って、図１７のＮＲ処理回路では、ＮＲ
部５２_f1乃至５２_f3だけに注目すれば、その３つのＮＲ
部５２_f1乃至５２_f3において、３フレーム単位で、図７
に示したＮＲ処理回路と同様の処理が行われるで、ＮＲ
部５２_f1乃至５２_f3それぞれが出力する中間第３ｎ＋１
フレーム、中間第３ｎ＋２フレーム、中間第３ｎ＋３フ
レームは、図７のＮＲ処理回路が出力する出力データと
変わらない。

【０１４９】次に、図１７では、ＮＲ部５２_f3の出力信
頼度計算部１３が出力する出力信頼度は、ＮＲ部５２_f1
に供給される他、ＮＲ部５２_r1の出力信頼度計算部１３
にも供給されるようになされている。さらに、ＮＲ部５
２_f3の演算器２４が出力する中間第３ｎ＋３フレーム
は、ＮＲ部５２_f1に供給される他、出力バッファ５３
（図１５）に供給されて記憶されるとともに、ＮＲ部５
２_r2の重み付け部２１に供給されるようになされてい
る。

【０１５０】そして、ＮＲ部５２_r2は、ＮＲ部５２_f3が
処理した入力第３ｎ＋３フレーム（注目入力データ）よ
り時間的に先行する、例えば入力第３ｎ＋２フレーム
（先行入力データ）を、入力第３ｎ＋３フレームに対す
る中間第３ｎ＋３フレーム（注目出力データ）、および
その中間第３ｎ＋３フレームの出力信頼度等に基づいて
処理することにより、その処理結果としての出力第３ｎ
＋２フレーム（先行出力データ）を出力するようになさ
れている。

【０１５１】即ち、図１７のＮＲ部５２_f1乃至５２_f3の
うち、ＮＲ部５２_r2と同様に、入力第３ｎ＋２フレーム
を処理するＮＲ部５２_f2に注目すれば、ＮＲ部５２
_f2は、ＮＲ部５２_f1が処理した入力第３ｎ＋１フレーム
より時間的に１フレームだけ後行する入力第３ｎ＋２フ
レームを、入力第３ｎ＋１フレームに対する中間第３ｎ
＋１フレーム、およびその中間第３ｎ＋１フレームの出
力信頼度等に基づいて処理することにより、その処理結
果としての中間第３ｎ＋２フレームを出力するようにな
されている。このＮＲ部５２_f2が入力第３ｎ＋２フレー
ムの処理に用いる中間第３ｎ＋２フレームの出力信頼度
α_y(3n+2)は、式（４）にしたがい、ＮＲ部５２_f1から
供給される中間第３ｎ＋１フレームの出力信頼度α
_y(3n+1)から求められるものであり、式（４）は、現在
時刻ｔの出力信頼度α_y(t)を、過去の出力信頼度（時間
的に先行する出力信頼度）α_y(t-1)から求める漸化式と
なっている。

【０１５２】これに対して、ＮＲ部５２_r2では、入力第
３ｎ＋２フレームの処理に用いる出力信頼度α_y(3n+2)
が、ＮＲ部５２_f3から供給される中間第３ｎ＋３フレー
ムの出力信頼度α_y(3n+3)から求められるようになされ
ている。

【０１５３】即ち、現在時刻ｔの出力信頼度α_y(t)が、
未来の出力信頼度（時間的に後行する出力信頼度）α
_y(t+1)から、次のような漸化式にしたがって求められる
ようになされている。

【０１５４】 α_y(t)＝α_y(t+1)＋α_x(t)・・・（１９）

【０１５５】式（１９）は、式（４）におけるα_y(t)を
求める漸化式のｔ−１を、ｔ＋１に置き換えたものであ
り、この置き換えに対応して、ＮＲ部５２_r2では、入力
データｘ（ｔ）の処理結果である出力データｙ（ｔ）、
またはその出力データｙ（ｔ）を求めるために用いる重
みｗ（ｔ）も、式（７）または式（５）それぞれにおけ
るｔ−１を、ｔ＋１に置き換えた次式にしたがって求め
られるようになされている。

【０１５６】 ｙ（ｔ）＝ｗ（ｔ）ｙ（ｔ＋１）＋（１−ｗ（ｔ））ｘ（ｔ） ・・・（２０） ｗ（ｔ）＝α_y(t+1)／（α_y(t+1)＋α_x(t)） ・・・（２１）

【０１５７】なお、式（２１）は、式（１９）を用いる
ことにより、式（５）を式（１８）にした場合と同様の
変形を行うことで、次のように表すことができる。

【０１５８】 ｗ（ｔ）＝（α_y(t)−α_x(t)）／α_y(t) ・・・（２２）

【０１５９】ＮＲ部５２_r2は、式（１９）にしたがい、
現在時刻ｔの出力信頼度α_y(t)を、未来の出力信頼度α
_y(t+1)から求め、その出力信頼度α_y(t)を用いて、式
（２２）にしたがい、重みｗ（ｔ）を計算し、さらに、
その重みｗ（ｔ）を用いて、現在の入力データｘ（ｔ）
と、未来の出力データｙ（ｔ＋１）との重み付け加算
を、式（２０）にしたがって行うことで、その入力デー
タｘ（ｔ）に対する出力データｙ（ｔ）を求めるように
なされている。

【０１６０】即ち、ＮＲ部５２_r2の出力信頼度計算部１
３では、ＮＲ部５２_r3からの中間第３ｎ＋３フレームの
出力信頼度と、自身の入力信頼度計算部１２が出力する
入力第３ｎ＋２フレームの入力信頼度とから、自身が処
理する入力第３ｎ＋２フレームの処理結果（以下、適
宜、出力第３ｎ＋２フレームという）の出力信頼度が計
算される。具体的には、いま、３ｎ＋２＝ｔとおくと、
式（１９）にしたがって、出力第ｔフレームの出力信頼
度α_y(t)（中間第３ｎ＋２フレームの出力信頼度α
_y(3n+2)）が計算され、自身の重み計算部１５、および
ＮＲ部５２_r1の出力信頼度計算部１３に供給される。

【０１６１】さらに、ＮＲ部５２_r2の重み計算部１５で
は、そこに入力される入力第３ｎ＋２フレームの入力信
頼度α_x(3n+2)と、出力第３ｎ＋２フレームの出力信頼
度α_{y (3n+2)}とから、重みｗ（３ｎ＋２）が求められ
る。即ち、ＮＲ部５２_r2の重み計算部１５（ＮＲ部５２
_r1の重み計算部１５も同様）では、現在の入力データｘ
（ｔ）の入力信頼度α_x(t)と、その入力データに対する
出力データのｙ（ｔ）の出力信頼度α_y(t)とから、式
（２２）にしたがって、重みｗ（ｔ）（この重みｗ
（ｔ）は、ＮＲ部５２_f2で求められる重みｗ（ｔ）と偶
然に一致する場合もあるが、基本的には異なる）が求め
られる。

【０１６２】また、ＮＲ部５２_r2の重み付け部２１で
は、ＮＲ部５２_f3からの中間第３ｎ＋３フレームが、重
みｗ（ｔ）と乗算され、演算器２４に供給される。従っ
て、ＮＲ部５２_r2の演算器２４では、３ｎ＋２＝ｔとお
くと、式（２０）にしたがって、入力第ｔフレームｘ
（ｔ）の処理結果である出力第ｔフレームｙ（ｔ）（出
力第３ｎ＋２フレームｙ（３ｎ＋２））が計算されて出
力される。

【０１６３】次に、ＮＲ部５２_r1の出力信頼度計算部１
３には、上述したように、ＮＲ部５２_r2の出力信頼度計
算部１３が出力する、出力第３ｎ＋２フレームの出力信
頼度が供給されるようになされている。そして、ＮＲ部
５２_r1の出力信頼度計算部１３では、その出力第３ｎ＋
２フレームの出力信頼度と、ＮＲ部５２_r1の入力信頼度
計算部１２が出力する入力第３ｎ＋１フレームの入力信
頼度とから、自身が入力第３ｎ＋１フレームを処理する
ことにより得られる処理結果（以下、適宜、出力第３ｎ
＋１フレームという）の出力信頼度が計算され、即ち、
いま、３ｎ＋１＝ｔとおくと、３ｎ＋２＝ｔ＋１である
から、式（１９）にしたがって、出力第ｔフレームの出
力信頼度α_y(t)（出力第３ｎ＋１フレームの出力信頼度
α_{y(3n+1 )}）が計算され、自身の重み計算部１５に供給
される。

【０１６４】そして、ＮＲ部５２_r1の重み計算部１５で
は、そこに入力される入力第３ｎ＋１フレームの入力信
頼度α_x(3n+1)と、出力第３ｎ＋１フレームの出力信頼
度α_{y (3n+1)}とから、式（２２）にしたがって、重みｗ
（３ｎ＋１）（この重みｗ（３ｎ＋１）は、ＮＲ部５２
_f1で求められる重みｗ（３ｎ＋１）と偶然に一致する場
合もあるが、基本的には異なる）が求められる。

【０１６５】また、ＮＲ部５２_r1の重み付け部２１に
は、ＮＲ部５２_r2の演算器２４が出力する出力第３ｎ＋
２フレーム（入力第３ｎ＋２フレームの処理結果）が供
給されるようになされている。そして、ＮＲ部５２_r1の
重み付け部２１では、その出力第３ｎ＋２フレームが、
重みｗ（ｔ）と乗算され、演算器２４に供給されるよう
になされている。従って、ＮＲ部５２_r1の演算器２４で
は、３ｎ＋１＝ｔとおくと、式（２０）にしたがって、
入力第ｔフレームｘ（ｔ）の処理結果である出力第ｔフ
レームｙ（ｔ）（出力第３ｎ＋１フレームｙ（３ｎ＋
１））が計算されて出力される。

【０１６６】従って、図１７のＮＲ処理回路では、上段
の３つのＮＲ部５２_f1乃至５２_f1において、時系列に入
力される画像データが、時間的に順方向に順次処理され
ていくのに対し、下段の２つのＮＲ部５２_r1および５２
_r2において、時系列に入力される画像データが、時間的
に逆方向に順次処理されていく。そして、ＮＲ部５２_r1
および５２_r2において用いられる出力信頼度は、画像デ
ータを、時間的に順方向に処理して得られる出力信頼度
から、いわばリカーシブ（recursive）に求められるも
のであり、従って、それまでの処理において得られた出
力データの信頼性の、いわば履歴が反映されている。そ
の結果、ＮＲ部５２_f1が出力する中間第３ｎ＋１フレー
ム、またはＮＲ部５２_f2が出力する中間第３ｎ＋２フレ
ームよりは、ＮＲ部５２_r1が出力する出力第３ｎ＋１フ
レーム、またはＮＲ部５２_r2が出力する出力第３ｎ＋２
フレームの方が、ノイズがより低減されることとなる。

【０１６７】なお、図７に示したＮＲ処理回路では、時
系列の入力データの最初の部分については、入力信頼度
および出力信頼度を計算することができないため、出力
データとしては、例えば、入力信頼度および出力信頼度
を計算することができるようになるまで、それまでに入
力された入力データの単純な平均値を求めて出力するよ
うにしたが、図１７に示したＮＲ処理回路では、上述し
たように、リカーシブに処理が行われる結果、時系列の
入力データの最初の部分についても、入力信頼度および
出力信頼度に基づいて処理することが可能となり、その
結果、ノイズが効果的に低減された出力データを得るこ
とが可能となる。

【０１６８】次に、図１８のフローチャートを参照し
て、図１５のＮＲ処理回路の処理について説明する。

【０１６９】まず最初に、ステップＳ２１において、フ
レーム数をカウントするための第１の変数ｎが０に初期
化され、ステップＳ２２に進み、フレーム数をカウント
するための第２の変数ｍが１に初期化される。そして、
ステップＳ２３に進み、入力第Ｍｎ＋ｍフレームが、入
力バッファ５１からＮＲ部５２_f#mに入力され、ＮＲ部
５２_f#mにおいて、その入力第Ｍｎ＋ｍフレームが処理
される。ここで、Ｍは、ＮＲ処理回路を構成する上段の
ＮＲ部の数を表し、従って、図１５の実施の形態では、
Ｍは３である。

【０１７０】その後、ステップＳ２４に進み、第２の変
数ｍがＭに等しいかどうかが判定され、等しくないと判
定された場合、ステップＳ２５に進む。ステップＳ２５
では、ｍが１だけインクリメントされ、ステップＳ２３
に戻り、以下、同様の処理が繰り返される。

【０１７１】また、ステップＳ２５において、第２の変
数ｍがＭに等しいと判定された場合、ステップＳ２６に
進み、ＮＲ部５２_f#Mが入力第Ｍｎ＋Ｍフレームを処理
することにより得られる中間第Ｍｎ＋Ｍフレームが出力
バッファ５３に供給されて記憶される。

【０１７２】そして、ステップＳ２７に進み、第２の変
数ｍが１だけデクリメントされ、ステップＳ２８に進
む。ステップＳ２８では、入力第Ｍｎ＋ｍフレームが、
入力バッファ５１からＮＲ部５２_r#mに入力され、ＮＲ
部５２_f#mにおいて、その入力第Ｍｎ＋ｍフレームが処
理され、ステップＳ２９に進む。ステップＳ２９では、
ＮＲ部５２_f#mが入力第Ｍｎ＋ｍフレームを処理するこ
とにより得られる出力第Ｍｎ＋ｍフレームが出力バッフ
ァ５３に供給されて記憶され、ステップＳ３０に進み、
第２の変数ｍが１に等しいかどうかが判定される。

【０１７３】ステップＳ３０において、第２の変数ｍが
１に等しくないと判定された場合、ステップＳ２７に戻
り、以下、同様の処理が繰り返される。

【０１７４】また、ステップＳ３０において、第２の変
数ｍが１に等しいと判定された場合、ステップＳ３１に
進み、出力バッファ５３に記憶されたデータが、時系列
に読み出される。即ち、図１５の実施の形態において
は、中間第３ｎ＋３フレーム、出力第３ｎ＋２フレー
ム、出力第３ｎ＋１フレームの順番で、出力データが出
力バッファ５３に記憶される。そこで、その３つのフレ
ームを時間的に正しい順番に並べ替えるために、ステッ
プＳ３１では、出力バッファ５３から、出力第３ｎ＋１
フレーム、出力第３ｎ＋２フレーム、中間第３ｎ＋３フ
レームの順番で、読み出しが行われる。

【０１７５】そして、ステップＳ３２に進み、第１の変
数ｎが１だけインクリメントされ、次に処理すべきフレ
ーム、即ち、入力第Ｍｎ＋１フレームが存在するかどう
かが判定される。ステップＳ３２において、次に処理す
べきフレームがあると判定された場合、ステップＳ２２
に戻り、以下、同様の処理が繰り返される。

【０１７６】また、ステップＳ３２において、次に処理
すべきフレームがないと判定された場合、処理を終了す
る。

【０１７７】なお、本発明は、画像データの他、例え
ば、音声データからのノイズの除去などにも適用可能で
ある。

【０１７８】また、本実施の形態では、本発明につい
て、ノイズの除去という観点から説明を行ったが、入力
データが適応的に処理されることにより、出力データが
時間の経過とともに改善されるように、処理方式（ここ
では重み係数ｗ（ｔ））が、実時間で学習され、その学
習の結果得られた処理方式で処理が行われる結果、入力
データには、それ自身に適した処理が施されるという自
己適応処理の性質上、例えば、入力データの波形整形
（波形等化）などを行うことも可能である。

【０１７９】さらに、本実施の形態では、式（７）（お
よび式（２０））において、出力データｙ（ｔ−１）
（式（２０）では、ｙ（ｔ＋１））に対して重みｗ
（ｔ）を乗算するとともに、入力データｘ（ｔ）に対し
て重み１−ｗ（ｔ）を乗算して、出力データｙ（ｔ）を
求めるようにしたが、出力データｙ（ｔ−１）または入
力データｘ（ｔ）のいずれか一方にのみ重みを乗算し
て、出力データｙ（ｔ）を求めるようにすることも可能
である。

【０１８０】また、図１５（図１７）では、例えば、入
力第３ｎ＋１フレームに注目した場合に、ＮＲ部５２_f1
に、入力第３ｎ＋１フレームを入力する他、ＮＲ部５２
_r1にも、入力第３ｎ＋１フレームを入力するようにした
が、ＮＲ部５２_r1には、入力第３ｎ＋１フレームに替え
て、ＮＲ部５２_f1が入力第３ｎ＋１フレームを処理した
処理結果である中間第３ｎ＋１フレームを入力するよう
にすることが可能である。なお、本件発明者が行ったシ
ミュレーションによれば、ＮＲ部５２_r1に対して、入力
第３ｎ＋１フレームを入力した場合と、中間第３ｎ＋１
フレームを入力した場合とで、得られる出力第３ｎ＋１
フレームのＳ／Ｎにはほとんど差が見られなかった。

【０１８１】さらに、図１５では、上段に３つのＮＲ部
を、下段に２つのＮＲ部をそれぞれ設けるようにした
が、上段および下段に設けるＮＲ部の数は、これに限定
されるものではない。但し、上段には、２以上のＮＲ部
が必要であり、また、下段には、上段のＮＲ部の数をＭ
とすると、原則として、Ｍ−１個のＮＲ部が必要であ
る。

【０１８２】また、図１５では、下段に、上段のＮＲ部
と同様に構成されるＮＲ部を設けるようにしたが、下段
には、その他、例えば、単純な平均や移動平均によるノ
イズの低減を行うＮＲ部を設けるようにすることも可能
である。

【０１８３】

【発明の効果】以上の如く、本発明のデータ処理装置お
よびデータ処理方法によれば、入力データ、およびその
入力データに対する出力データが評価され、その評価に
基づき、出力データが時間の経過とともに改善されるよ
うに、入力データを処理する処理方式が、実時間で学習
され、その処理方式にしたがって、入力データが適応的
に処理されて、出力データが出力される。そして、注目
入力データより時間的に先行する入力データである先行
入力データを、注目入力データに対する出力データであ
る注目出力データ、およびその注目出力データの評価に
基づいて処理することにより、先行入力データに対する
出力データである先行出力データが出力される。従っ
て、例えば、入力データに含まれるノイズを、効果的に
除去すること等が可能となる。

【図面の簡単な説明】

【図１】自己適応処理回路の構成例を示すブロック図で
ある。

【図２】処理方式の改善について説明するための図であ
る。

【図３】処理方式の改善について説明するための図であ
る。

【図４】学習に用いる学習用入力信号を説明するための
図である。

【図５】ＮＲ処理回路を示すブロック図である。

【図６】図５のＮＲ処理回路の処理対象となる入力デー
タと、その信頼度を示す図である。

【図７】図５のＮＲ処理回路の構成例を示すブロック図
である。

【図８】図７の入力信頼度計算部１２の構成例を示すブ
ロック図である。

【図９】図８の入力信頼度計算部１２の処理を説明する
ための図である。

【図１０】図７の出力信頼度計算部１３の構成例を示す
ブロック図である。

【図１１】図７のＮＲ処理回路の処理を説明するための
図である。

【図１２】図７のＮＲ処理回路の処理を説明するための
フローチャートである。

【図１３】入力信頼度の算出方法を説明するための図で
ある。

【図１４】図７のＮＲ処理回路のシミュレーション結果
を示す図である。

【図１５】本発明を適用したＮＲ処理回路の一実施の形
態の構成例を示すブロック図である。

【図１６】図１５のＮＲ部５２_f1乃至５２_f3、並びにＮ
Ｒ部５２_r1および５２_r2それぞれの構成例を示すブロッ
ク図である。

【図１７】図１５のＮＲ部５２_f1乃至５２_f3、並びにＮ
Ｒ部５２_r1および５２_r2の接続関係を説明するための図
である。

【図１８】図１５のＮＲ処理回路の動作を説明するため
のフローチャートである。

【符号の説明】

１ 実時間学習部， ２ 信号処理部， １１₁乃至１
１₄ ラッチ回路， １２ 入力信頼度計算部， １３
出力信頼度計算部， １４ ラッチ回路， １５ 重
み計算部， ２１ 重み付け部， ２２ 演算器， ２
３ 重み付け部，２４ 演算器， ２５ ラッチ回路，
３１ 平均値計算回路， ３２ 分散計算回路， ３
３ 逆数計算回路， ４１ 演算器， ５１ 入力バッ
ファ，５２_f1乃至５２_f3，５２_r1，５２_r2 ＮＲ部，
５３ 出力バッファ

───────────────────────────────────────────────────── フロントページの続き (72)発明者 小林 直樹 東京都品川区北品川６丁目７番35号 ソニ ー株式会社内 Ｆターム(参考） 5C021 PA36 PA42 PA58 PA66 PA67 PA76 PA78 RA07 RB07 RC03 RC06 SA21 YA01 5K029 AA02 HH13 HH16 KK28 LL14 LL16 5K052 AA01 BB15 DD23 EE38 FF02 GG11 GG15 GG19 GG20 GG42

Claims (10)

【特許請求の範囲】
1. 【請求項１】 時系列の入力データを処理し、その処理
   結果としての出力データを出力するデータ処理装置であ
   って、 前記入力データ、およびその入力データに対する出力デ
   ータを評価し、その評価に基づき、前記出力データが時
   間の経過とともに改善されるように、前記入力データを
   処理する処理方式を、実時間で学習する第１の実時間学
   習手段と、 前記第１の実時間学習手段が学習した前記処理方式にし
   たがって、前記入力データを適応的に処理し、前記出力
   データを出力する第１のデータ処理手段とを有する第１
   の処理手段と、 前記第１の処理手段が処理した入力データである注目入
   力データより時間的に先行する入力データである先行入
   力データを、前記注目入力データに対する出力データで
   ある注目出力データ、およびその注目出力データの評価
   に基づいて処理することにより、前記先行入力データに
   対する出力データである先行出力データを出力する第２
   の処理手段とを備えることを特徴とするデータ処理装
   置。
2. 【請求項２】 前記入力データは、時系列のデータであ
   り、 前記第１の処理手段は、時系列の前記入力データを、所
   定サンプル数だけ記憶する入力データ記憶手段をさらに
   有することを特徴とする請求項１に記載のデータ処理装
   置。
3. 【請求項３】 前記第１の実時間学習手段は、前記入力
   データ記憶手段に記憶された前記入力データを用いて、
   その分散を演算し、前記分散に基づいて、現在の前記入
   力データを評価することを特徴とする請求項２に記載の
   データ処理装置。
4. 【請求項４】 前記第１の実時間学習手段は、前記入力
   データ記憶手段に記憶された前記入力データを用いて、
   その平均値を演算し、前記入力データの前記平均値に対
   する誤差を求めて、その誤差に基づいて、現在の前記入
   力データを評価することを特徴とする請求項２に記載の
   データ処理装置。
5. 【請求項５】 前記第１の実時間学習手段は、前記入力
   データ記憶手段に記憶された前記入力データを用いて、
   その分散を演算するとともに、前記入力データ記憶手段
   に記憶された前記入力データを用いて、その平均値を演
   算して、前記入力データの前記平均値に対する誤差を求
   め、前記分散および誤差に基づいて、現在の前記入力デ
   ータを評価することを特徴とする請求項２に記載のデー
   タ処理装置。
6. 【請求項６】 前記第１の実時間学習手段は、前記入力
   データの評価と、前記出力データの評価とを加算し、そ
   の加算値に基づいて、現在の前記出力データを評価する
   ことを特徴とする請求項１に記載のデータ処理装置。
7. 【請求項７】 前記第１のデータ処理手段は、前記出力
   データと、現在の前記入力データとを加算することによ
   り、その入力データに対する出力データを求める演算手
   段を有することを特徴とする請求項１に記載のデータ処
   理装置。
8. 【請求項８】 前記第１の実時間学習手段は、前記入力
   データの評価と、前記出力データの評価とに基づいて、
   所定の重み係数を学習し、 前記演算手段は、前記重み係数を用いて、現在の前記入
   力データに対する出力データを求めることを特徴とする
   請求項７に記載のデータ処理装置。
9. 【請求項９】 前記第２の処理手段は、 前記先行入力データを評価するとともに、前記注目出力
   データの評価に基づいて、前記先行出力データを評価
   し、その評価に基づき、前記先行出力データが時間の経
   過とともに改善されるように、前記先行入力データを処
   理する処理方式を、実時間で学習する第２の実時間学習
   手段と、 前記第２の実時間学習手段が学習した前記処理方式にし
   たがって、前記先行入力データを適応的に処理し、前記
   先行出力データを出力する第２のデータ処理手段とを有
   することを特徴とする請求項１に記載のデータ処理装
   置。
10. 【請求項１０】 時系列の入力データを処理し、その処
    理結果としての出力データを出力するデータ処理方法で
    あって、 前記入力データ、およびその入力データに対する出力デ
    ータを評価し、その評価に基づき、前記出力データが時
    間の経過とともに改善されるように、前記入力データを
    処理する処理方式を、実時間で学習する実時間学習ステ
    ップと、 前記実時間学習ステップにおいて学習された前記処理方
    式にしたがって、前記入力データを適応的に処理し、前
    記出力データを出力するデータ処理ステップとを有する
    第１の処理ステップと、 前記第１の処理ステップにおいて処理された入力データ
    である注目入力データより時間的に先行する入力データ
    である先行入力データを、前記注目入力データに対する
    出力データである注目出力データ、およびその注目出力
    データの評価に基づいて処理することにより、前記先行
    入力データに対する出力データである先行出力データを
    出力する第２の処理ステップとを備えることを特徴とす
    るデータ処理方法。