JP3119371B2

JP3119371B2 - 画像処理方法

Info

Publication number: JP3119371B2
Application number: JP03066234A
Authority: JP
Inventors: 杉浦　　進
Original assignee: Canon Inc
Current assignee: Canon Inc
Priority date: 1991-03-29
Filing date: 1991-03-29
Publication date: 2000-12-18
Anticipated expiration: 2015-12-18
Also published as: US5841904A; JPH04302272A

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は画像処理方法、特に圧縮
された画像データを伸長する方法に関する。

【０００２】

【従来の技術】従来、圧縮方式としてＪＰＥＧ（Ｊｏｉ
ｎｔＰｈｏｔｏｇｒａｐｈｉｃＥｘｐｅｒｔＧｒ
ｏｕｐ）のＡＤＣＴ方式が提案されている。かかる方式
は基本的にＣＲＴ上の画像を対象に多値静止画カラー画
像データの符号化方式である。

【０００３】

【発明が解決しようとする課題】従って、カラーファク
シミリの様に文字グラフィクスが入る高精細カラー画像
伝送用符号化方式とし利用すると、圧縮率を高めると復
号化データが劣化し画質劣化が大きくなる。特に文字や
細いグラフィクスの線画等に、いちじるしい画質劣化を
生じる。

【０００４】かかる問題は、前述のＡＤＣＴ方式に限ら
ず他の種々の方式において発生するが、特に前述のＡＤ
ＣＴ方式における圧縮率の向上時に文字や細かいグラフ
ィクスの劣化が著しい。

【０００５】本発明はかかる劣化を改善した画像処理方
法を提供することを目的とする。

【０００６】

【課題を解決するための手段】上記目的を達成するため
に本発明の画像処理方法によれば、送信側から送られる
量子化特性又はハフマン符号化特性を示すパラメータに
より受信側で、送信された圧縮画像データの特性を判定
し、該特性に基づいて受信側で圧縮画像データの伸長後
の画像復元パラメータを決定することを特徴とする。

【０００７】

【実施例】本実施例の方法を説明するために以下にＡＤ
ＣＴの概要について図５を用いて説明する。図５はＡＤ
ＣＴの概要ブロック図である。

【０００８】図５において、５０１はカラー入力画像デ
ータで３色々分解された信号である。５０２はＲＧＢの
３色々信号を明度、彩度、色相の成分に変換するところ
で、これは人間の視覚特性を利用しやすくするものであ
る。例えば明度情報に関しては高周波成分までいるので
こまかく画像を読み取り、色相彩度に関しては明度に比
し、高周波まで成分がいらないため、あらく画像を読み
取れるようにするものである。５０４は各成分の直交変
換を行い直流成分から高周波成分まで周波数分析する箇
所で、画質を重視するならば高調波成分まで伝送する必
要があり、画質を多少劣化させても伝送効率を上げるた
めには高調波成分は小さく又は切って伝送する必要があ
る。この高調波成分をどこまで有効に伝送するかを決め
るのが量子化テーブルである。量子化テーブルを用い各
周波数成分が重み付けされる。重み付けされた各周波数
成分は２次データを直流成分から高周波成分へとジグザ
グスキャンされ１次元データ列に変換され、５０５を通
じ５０６のハフマン符号化部に入る。ハフマン符号化部
はＤＣＴ（ＤｉｓｃｒｅｔｅＣｏｓｉｎｅ変換）され
た周波数成分データを符号化する部分で、ある定まった
規則により符号が割り当てられる。符号の割り当て方は
大きく（１）直流成分（２）交流成分にわけられ直流成
分は前のラインとの差分を計算し、その値が幾つかのカ
テゴリーにわけられた内のどこに入るのかを求める。入
るべきカテゴリーがわかるとカテゴリー識別コードと差
分データを１組にし伝送する。交流成分については周波
数成分の０が幾つ続いたあと０以外のデータが来たかを
求めカテゴリー分類する。カテゴリー分類されるとカテ
ゴリー分類コードと０に続いたデータ値の値を組にしコ
ード化する。ラインの終り又は０かつラインの終了まで
続くことがわかった時点でＥＯＢ（ｅｎｄｏｆＢｌ
ｏｃｋ）の信号コードを入れる。従ってユーザーは原画
の出現頻度を計算しカテゴリーコードを最適化出来るよ
うになっていて、ＡＤＣＴ方式では、送信側のカテゴリ
ー分類コード表を受信側に送るようになっている。この
様にして符号化されたデータは５０７を通じ５０８のＩ
／Ｆに入り伝送路５０９を通じ画像伝送される。受信側
では５１０のＩ／Ｆを通じ、５１２のハフマン復号化テ
ーブル、５１４の逆量子化テーブルを作成し復号化の準
備に入る。５１１では送られて来た圧縮データを５１２
のハフマン復号化テーブルにより直流分交流分信号を再
生させる。５１３は５１４の逆量子化テーブルを用い重
み付けされた周波数成分をもとに戻し、Ｄｉｓｃｒｅｔ
ｅＣｏｓｉｎｅ逆変換を行い、原画のＹＵＵ信号に近
い信号を復元させる。５１６ではＹＵＵ信号をＲＧＢ信
号に逆変換する箇所で、５１７により再生画像信号が得
られることになる。

【０００９】以上の説明で判明するように、受信側画像
の劣化は（１）５０２による色信号成分のサンプリングの方法（２）５０４のＤＣＴ時の重み付けとまるめ誤差が大きな要員となる。５０６、５１１のハフマン符号化
部は可逆性符号化のため画質劣化に及ぼす影響はないと
考える。

【００１０】（１）は色成分に対し分解能劣化を生じ、
例えば黄色文字等では再現画像がボケる欠点を生じる。

【００１１】（２）は量子化テーブルにより割り算さ
れ、整数部分のみを伝送するため余りのデータは切り捨
てられ、再現画像の周波数成分劣化を生じる。受信側で
は５１４の逆量子化テーブルにより周波数成分の重み付
けを戻すが、余りとし捨てられた成分は復帰出来ないた
め劣化が生じる。従って現在のＡＤＣＴ方式では受信側
では（１）（２）による画質劣化を補正出来ない。

【００１２】次に説明する本発明の実施例では、伝送さ
れる量子化テーブルを用い、伝送する画像が文字、グラ
フィクス等の高精細成分を含む画像なのか、一般の中間
調画像の様に、あまり高精細成分を含まない画像なのか
を程度を含め伝送し、受信側ではそのテーブルから送ら
れてくる画像の高精細程度を判断出来るようにする。

【００１３】一方、予め量子化テーブルが設定されれば
原画がどれくらい画質劣化するかは出力すれば判るの
で、例えばニューラルネットワーク（以下ニューロと称
す）によるバックプロパゲーション手法により劣化画像
と原画とを一定の量子化テーブル下での学習により適当
変換係数を求めることが出来る。

【００１４】以下説明する本発明の実施例は量子化テー
ブルによりＡＤＣＴの劣化程度を予測し、例えばニュー
ロのバックプロパゲーション等の画像復元手法により画
質改善させるものである。

【００１５】図１は従来のＡＤＣＴを用いカラー画像伝
送するブロック図である。１０１は例えばカラースキャ
ナー等から出力される３色々分解データで、１０２はＡ
ＤＣＴ部分である。１０２は例えばクボタシーキューブ
（株）から１チップ化されたＬＳＩ、ＣＬ５５０Ａ／Ｂ
が製品発表されている。従ってユーザーはこのチップを
送、受信側に各々１つづつ付ければよく、１０３上には
ＡＤＣＴに沿った圧縮データが伝送される。受信側では
１０２に同じのＡＤＣＴチップ１０４を用い伸長し受信
データ１０５を得る。これでは前述した欠点がそのまま
生じる。

【００１６】図２は本発明の一実施例の概要ブロック図
である。

【００１７】２０１は１０１と同じでカラースキャナー
等で得た色分解された３色信号で２０２は１０２に同じ
ＡＤＣＴチップである。従って２０３上には１０３と同
じＡＤＣＴで圧縮されたデータが伝送される。２０４も
１０４と同じ受信側のＡＤＣＴチップで２０５には１０
５と同じＡＤＣＴによる画質劣化した３色々分解信号が
生成される。しかし２０６〜２０８を用いることによ
り、この画質劣化した信号を改善する。

【００１８】２０６は図５、５０４で説明した量子化テ
ーブルを受信し、ＤＣＴ逆変換時に使用するテーブルを
作ると同時に、送信者が原画中に高精細ぶぶんがどの程
度含まれるのかを意図的に受信者側に知られるテーブル
でもある。

【００１９】従って送信される量子化テーブルを解読す
れば、予めＡＤＣＴにより画質の劣化要因を推定出来
る。

【００２０】尚、実際には量子化テーブルは無限大にあ
るのでなく、数程の限られたテーブルが存在するように
も出来る。従って存在する数種の量子化テーブルは原画
の内容を受信者側に通知するものと同じとなる。

【００２１】例えば量子化テーブルとして直流成分に対
しては小さな値を有し、高周波成分になるにつれ大きな
値と有する様なテーブルとすれば直流成分はよく再生す
るが高周波部分では画質劣化がともない、文字、グラフ
ィクス等での高精細部のボケ、色成分ごとの劣化程度の
違いにより原画と違った色がところどころ生成される可
能性がある。

【００２２】従って、２０７では２０６によりＡＤＣＴ
時の劣化ファクターがわかるため画像復元最適パラメー
タを２０６により選択する選択部を構成する。２０８は
後述する画像復元部で、復元時の最適パラメーターは２
０７によって選択されたパラメーターを用いる。

【００２３】これにより２０９で得られる３色々分解信
号はＡＤＣＴによる画質劣化を改善した、原画に近い高
品位な画像が得られる。

【００２４】図３は図２、２０８を構成する方法を説明
する図である。即ち３０１は原画で、これをカラースキ
ャナー等で読み取り３０２のＡＤＣＴチップで圧縮し、
圧縮データを３０６の線路を通じ３０３のＡＤＣＴチッ
プで伸長する。３０７は伸長された受信データで、それ
をカラープリンタで出力し３０４の複生画像を得る。こ
のことは３０４を逆に原画と考え３０２、３０３でＡＤ
ＣＴを行うときの量子化テーブルをパラメータにし３０
１の原画を複写すると考える。

【００２５】従って復元回路３１０を決めるには、例え
ばニューロによるバックプロパゲーション手法を用いれ
ば、３０１が教師信号となり、３０４が入力信号、３１
０がバックプロパゲーションによるニューロネットワー
ク回路を構成していると考える。但し、前述の量子化テ
ーブルの条件下の復元回路構成で、３０８がこの条件を
記憶している。

【００２６】具体的ニューロネットワークによる画像復
元方法については後述する。図２に示した２０８の具体
的構成例を示したものが図４である。４０１は図２の２
０４に相当し、４０６は２０９に相当する。図２におい
て、伝送路２０３から送られる量子化テーブルデータは
２０６に入り、２０７によりかかる量子化テーブルの内
容を判別して与えられた画像データの分類（例えば中間
調画像データが中心のものから、文字グラフィクス等の
高精細亜画像データ等の幾つかの分類）がされる。２０
７は図４の４０５に相当する。

【００２７】これにより、これから送られてくる画像デ
ータの性質の概要が判定され復元するのに最適な復元回
路を選択出来る。即ち４０５の信号によりセレクター４
０２、４０４が切換えられ、４０３の複数の復元回路の
うち１つが選択される。４０３には前述のニューロネッ
トワークによる一定量子化テーブル時の学習データによ
り決められた結合係数テーブルが設定され、最適復元回
路を形成している。

【００２８】次に、本発明の更に他の実施例について説
明する。

【００２９】図６は実施例装置としての、カラーファク
シミリのシステムブロック図である。同図において、原
稿１０１には、原画が記録されている。光源１０２は原
稿１０１を照射する。また、１０３は光電変換のための
ＣＣＤ、１０４はＣＣＤ１０３からのアナログ信号をデ
ジタル化するＡ／Ｄ変換器である。通常は多値データの
処理に対して、８ビットのものが用いられる。ＣＣＤは
ストライプフィルターにより色分解されＣＣＤからは３
色の信号が出され、ＡＤコンバータも３種又は３回アナ
ログ信号をデジタル信号に変換する。

【００３０】しかし、ここでは説明を簡単にするため、
１色成分についてのみ以下に説明してゆく。

【００３１】ＡＤ変換された原画像データは数ライン分
の容量あるバッファメモリ１０６に入力されＡＤＣＴ圧
縮回路ＣＭＰ１０７により圧縮される。圧縮されたデー
タはデジタル回線用のコミュニケーションユニットＣＣ
Ｕ１０８またはアナログ回線用のモデムを通じて受信側
に伝送される。１０９はＩＳＤＮまたは電話公衆網であ
る。ＣＣＵ１１０は１０８と同じもので復調器である。
ＤＣＭＰ１１１は受信された圧縮データを伸長して、ラ
インバッファメモリＬＢＵＦ１１２に伸長データを書き
込む。

【００３２】なお、図６中１００′は受信したデータか
ら送信側での量子化テーブルを作成するテーブル作成部
であり、該作成部１００′からのデータに応じてＤＣＭ
Ｐ１１１はデータへ伸長を行う。更にＮＮ１１３は作成
テーブル１００′からのデータを基にニューロを制御す
る。

【００３３】図６の１１３は、バッファ１１２に格納さ
れているＡＤＣＴ生伸長画像データから原画多値画像デ
ータを復元するためのニューラルネットワーク（ＮＮ）
であり、バッファ１１２とネットワーク１１３との接続
を図７に、ネットワーク１１３の構成を図８に示す。図
６に示すネットワーク１１３は複数設けられており、か
かる複数のネットワークの中で１つが選択される。

【００３４】図７は、ラインバッファ１１２として、３
ラインのメモリ２０１から構成した例を示す。この３ラ
インバッファ２０１は画像の垂直方向に連続する３ライ
ンのデータが記憶される。３ラインの内、同じ水平位置
の左側から右端までのデータが順次クロックに同期して
遅延素子（ラッチ）群２０２に対して出力される。する
と、このラッチ群２０２には、図９（Ａ）に示されるよ
うな水平、垂直方向に３×３の小領域内のデータがラッ
チされる。ラッチ群２０２は９個のラッチからなり、各
ラッチの出力はニューラルネットワークＮＮ１１３に入
力される。このＮＮ１１３によるＡＤＣＴ生伸長→原画
多値変換では図９（Ａ）の９個の画素から、この小ブロ
ックの中央画素に対応する位置（図９（Ｂ）に示す）の
画素としての画像データがＮＮ１１３から出力される。
この多値画像データとして、本実施例では、一例として
８ビット（２５６階調）を採用した。

【００３５】図９に関連して説明したように、図６に示
した実施例の装置では、ＡＤＣＴ生伸長画像データから
原画多値画像データを復元するに際し、３×３の参照領
域を設定している。

【００３６】ＮＮ１１３の出力の多値データは多値表示
可能なＣＲＴ１１５のメモリ部１１４に、他方は、多値
記録可能な記録装置１１７用のメモリ部１１６に入る。
メモリ１１４、１１６のデータによりＣＲＴ１１５およ
びプリンタ１１７上に復元された多値画像が表示記録さ
れる。

【００３７】尚、ニューラルネットそのものの考え方
は、例えば「ニューラルネットをパターン認識、信号処
理、知識処理に使う」（日経エレクトロニクス；１９８
７年８月１０日）等に詳しく説明されている。

【００３８】図８は、ニューラルネットワークＮＮ１１
３の一例の構成を示すブロック図である。同図のニュー
ラルネットワークは、一般的にｎ＝ｍ×ｌの大きさの参
照ブロックに対応できるように記されている。図９の例
では、ｍ＝３、ｌ＝３、ｎ＝９である。図８において、
３０１は入力層ｉを、３０２は中間層ｊを、３０３は出
力層ｋを各々示す。従って、上記図９（Ａ）の大きさ
（３×３）の参照ブロックが本実施例の装置に適用され
る場合には、入力層ｉとして９個のニューロンが必要と
なる。中間層ｊのニューロン数は、画像復元の精度に応
じて決定されるべきであるが、本実施例では、９とし
た。出力層には１個のニューロンが必要となる。入力層
ｉと中間層間ｊの結合の強度はＷ_jiで表わされ、中間層
ｊと出力層ｋ間の結合強度はＷ_kjで表わされる。

【００３９】上記結合強度Ｗ_jiとＷ_kjは学習により決定
され、ニューラルネットワークによる復元の精度はこの
結合強度に依存する。各ニューロンは、不図示の複数の
加算器及び乗算器、除算器からなる。学習により結合強
度Ｗ_jiとＷ_kjが決定し、それ以上の学習が不要と判断さ
れれば、ニューラルネットワークとしてシステムの構成
は決定される。そこで、本実施例の１つのニューロンは
図１０のように構成されている。

【００４０】図１０において、４００₁〜４００_nで示さ
れたＴ₁からＴ_nは、入力データに結合度係数（Ｗ_jiまた
はＷ_kj）を乗じるためのルックアップテーブルである。
これらのテーブル値は後述の学習により決定される。ま
た、これらのテーブルへの入力は前段のニューロンの出
力である。また、４０１₁〜４０１_nは加算器であって２
入力加算を行う。また、Ｔ_netと記されたルックアップ
テーブル４０２は、加算器４０１₁〜４０１_nによる全加
算結果をｓｉｇｍｏｉｄ関数で正規化するためのテーブ
ルである。各ニューロンを図１０のようにし、ネットワ
ーク全体を図８のように構成すれば、ハード的構成も簡
単となり、しかも処理スピードは十分実用に耐えるもの
が形成できる。

【００４１】図８を用いて、テーブルデータを学習する
ための手順を簡単に説明する。先ず、学習データとし
て、原画多値画像データと、この原画多値画像データを
送信部のＡＤＣＴと同じパラメータにより圧縮し、受信
側で伸長したＡＤＣＴ生伸長データを用意する。元の原
画多値画像データはこのＡＤＣＴ生伸長データに対する
理想出力として、教師信号（ｔｅａｃｈ信号）を生成す
るために使用される。そして、結合強度Ｗ_ji、Ｗ_kjを初
期的に適当に決定してから、この初期値に基づいて結合
されたネットワークに、学習データとして上記ＡＤＣＴ
生伸長画像データを入力し、出力の多値画像データ（ｋ
ｏｕｔ）を得る。この出力と前記理想出力としての原多
値画像データとを比較し、この比較から教師信号（ｔｅ
ａｃｈ）を生成する。この過程を図８では、→の過
程として示している。この教師信号から、バックプロパ
ゲーション法により、学習しながら前記Ｗ_ji、Ｗ_kjを修
正していく。この過程は、図８では、→として示さ
れている。この学習を繰返すと、結合強度Ｗ_ji、Ｗ
_kjは、ＡＤＣＴ生伸長→推定原画多値変換（復元）に適
切なものとして修正されていく。学習の結果として得ら
れた結合強度Ｗ_ji、Ｗ_kjは４０１₁〜４００_nで示された
Ｔ₁からＴ_n等にテーブル値として格納される。

【００４２】図１１、図１２を用いて学習のための手順
を詳細に説明する。同図のステップＳ４０２では、入力
層と中間層の結びつきの強さを示す重み係数Ｗ_ji、中間
層と出力層の結びつきの強さを示す重み係数Ｗ_kjに初期
値を与える部分である。初期値として、学習過程の収束
を考慮して、−０．５〜＋０．５の範囲の値を選択す
る。ステップＳ４０４では、学習用の入力データのなか
から、任意の位置の画素を注目画素（図９（Ａ）の＊で
示した位置）として選択する。ステップＳ４０４〜ステ
ップＳ４０６は、ニューラルネットワークへの入出力デ
ータのセットの手順である。即ち、ステップＳ４０６で
は、この注目画素を中心とする３×３領域内の画像デー
タｉｏｕｔ（ｉ）（ここで、ｉ＝１〜９）を、入力層に
セットする。また、ステップＳ４０８では、前記注目画
素に対応する理想出力としての多値画像データ（ｉｄｅ
ａｌ−ｏｕｔ）を用意する。ステップＳ４１０は、与え
られた変換係数に基づき出力ｋｏｕｔ（ｋ）を計算する
手順を示している。

【００４３】即ち、入力層からのｉ番目のデータｉｏｕ
ｔ（ｉ）に中間層の係数Ｗ_jiを掛け、そのｉについての
総和Ｓｕｍ_Fj Ｓｕｍ_Fj＝Σ_iＷ_ji（ｊ、ｉ）＊ｉｏｕｔ（ｉ）…（１）を計算し、次に中間層のｊ番目の出力ｊｏｕｔ（ｊ）
を、０／１に正規化した形で得るために、ｓｉｇｍｏｉ
ｄ関数を用いて、ｊｏｕｔ（ｊ）＝１．０／１．０＋ｅｘｐ（−Ｓｕｍ_Fj）…（２）により計算する。ここでＳｕｍ_FjのＦは前向き（Ｆｏｒ
ｗａｒｄ）を意味する。同様にして、中間層から出力層
への出力値ｋｏｕｔは次のようにして求める。まず、
（１）と同様に、出力層の係数Ｗ_kjと中間層からの出力
値ｊｏｕｔ（ｊ）とによる積の総和を求め、その値Ｓｕ
ｍ_Fkを得る。

【００４４】Ｓｕｍ_Fk＝_jΣＷ_kj（ｋ、ｊ）＊ｊｏｕｔ（ｊ）…（３）次に、０／１に正規化するためにｓｉｇｍｏｉｄ関数を
用いて、ｋｏｕｔ（ｋ）＝１．０／１．０＋ｅｘｐ（−Ｓｕｍ_Fk）…（４）に従って出力層ｋの出力ｋｏｕｔ（ｋ）を得る。

【００４５】こうして、１組のサンプルデータについて
のＦＯＲＷＡＲＤ方向の計算を終了する。以下は、ＢＡ
ＣＫＷＡＲＤの演算、即ち、上記入力と理想出力の組か
らなるサンプルデータからの学習値により結合強度を補
正するための手順である。

【００４６】そこで、ステップＳ４１２で、初期値（ス
テップＳ４０２でセット）のＷ_ji、Ｗ_kjから（１）〜
（４）式により計算した出力値ｋｏｕｔと、予め用意し
てある理想出力ｉｄｅａｌ−ｏｕｔ（ｋ）とを比較す
る。即ち、この比較により、出力層の教師信号ｔｅａｃ
ｈ−ｋ（ｋ）を、ｔｅａｃｈｋ（ｋ）＝｛ｉｄｅａｌｏｕｔ（ｋ）ｋｏｕｔ（ｋ）｝＊ｋｏｕｔ（ｋ）＊｛ｌｋｏｕｔ（ｋ）｝…（５）により計算する。ここで、（５）式中のｋｏｕｔ（ｋ）
＊｛ｌ−ｋｏｕｔ（ｋ）｝はｓｉｇｍｏｉｄ関数の微分
値の意義を有する。次に、ステップＳ４１４で、出力層
の結合度の変化幅ΔＷ_kj（ｋ、ｊ）を求める。即ち、 ΔＷ_kj（ｋ、ｊ）＝β＊ｊｏｕｔ（ｊ）＊ｔｅａｃｈｋ（ｋ）＋α＊ΔＷ_kj （ｋ、ｊ）…（６）を計算する。尚、α、βは固定値の係数で、この実施例
では、０．５とした。ステップＳ４１５のでは、この変
化幅ΔＷ_kj（ｋ、ｊ）に基づいて、中間層と出力相関の
結合度Ｗ_kj（ｋ、ｊ）を更新する即ち、学習する。

【００４７】Ｗ_kj（ｋ、ｊ）＝ΔＷ_kj（ｋ、ｊ）＋Ｗ_kj（ｋ、ｊ）…（７）

【００４８】次に、ステップＳ４１６で、中間層の教師
信号ｔｅａｃｈｊ（ｊ）を計算する。即ち、先ず、Ｓｕｍ_Bj＝_kΣｔｅａｃｈｋ（ｋ）＊Ｗ_kj（ｋ、ｊ）…（８）に基づいて、中間層の各ニューラルにおける、出力層か
らのＢＡＣＫＷＡＲＤ方向の寄与を演算する。そして、
この寄与を、次式に従ってｓｉｇｍｏｉｄ関数の微分値
を用いて正規化することにより、中間層の教師信号ｔｅ
ａｃｈｊ（ｊ）を演算する。

【００４９】ｔｅａｃｈｊ（ｊ）＝ｊｏｕｔ（ｊ）＊｛ｌ−ｊｏｕｔ（ｊ）｝＊Ｓｕｍ_Bj …（９）

【００５０】尚、（９）式のｔｅａｃｈｊ（ｊ）は中
間層における理想信号としての意義を有する。

【００５１】次に、ステップＳ４１８で、この教師信号
ｔｅａｃｈｊ（ｊ）を用いて、中間層の結合度の変化
幅ΔＷ_ji（ｊ、ｉ）を演算する。即ち、 ΔＷ_ji（ｊ、ｉ）＝β＊ｉｏｕｔ（ｉ）＊ｔｅａｃｈｊ（ｊ）＋α＊ΔＷ_ji （ｊ、ｉ）…（１０）

【００５２】そして、ステップＳ４２０では結合度Ｗ_ji
（ｊ、ｉ）を更新する。即ちＷ_ji（ｊ、ｉ）＝Ｗ_ji（ｊ、ｉ）＋ΔＷ_ji（ｊ、ｉ）…（１１）である。

【００５３】こうして、１つの注目画素の多値画像デー
タを理想出力ｉｄｅａｌｏｕｔとし、これと、これに
対応するＡＤＣＴ生伸長画像データとその周辺の９画素
のＡＤＣＴ生伸長画像データより得られる復元多値画像
データとから、結合度Ｗ_jiとＷ_kjとが学習された。ステ
ップＳ４２２では、このような操作を、全注目画素（全
組のサンプリングデータ）について行ったかを調べ、全
組のサンプリングデータについて実行するまでステップ
Ｓ４０４〜ステップＳ４２０の手順を繰返す。

【００５４】全組のサンプリングデータについての学習
を１回だけ行ったのでは精度が低いと考えられるので、
ステップＳ４２４での判断により、この精度が高くなっ
たと考えられるまで、ステップＳ４０４〜ステップＳ４
２２の処理を繰返す。

【００５５】尚、ステップＳ４０４で指定される注目画
素は、シーケンシャルでなくランダムに指定される方が
よい。

【００５６】こうして、図８におけるニューラルネット
ワーク内の結合定数がＡＤＣＴ生伸長→推定原画多値変
換に最適なように決定され、その結合定数の値に従っ
て、テーブルＴ₁〜Ｔ_n等が決定される。

【００５７】これらのテーブル作成をいくつかの代表画
像、例えば文字部が多い画像、文字部が少ない画像、カ
ラー成分の多い画像等に基づいて行う。

【００５８】以上の実施例装置から明らかなように、学
習の過程で、画像中の文字領域も中間調画像領域も共
に、あるＡＤＣＴ生伸長画像領域内で学習されるため
に、原画推定して多値画像も文字部のボケがなく、中間
調領域も滑らかに階調再現できる。

【００５９】即ち、ニューラルネットを用いた本方法は
数段の場合分による適応型処理でなく、学習という無段
階（有限ではあるが場合の数が極めて多い）での適応処
理のため、誤判定の確立を極めて小さくすることができ
る特徴がある。

【００６０】ここで、上述の実施例に対する変形若しく
は修正の可能性について言及する。以上の説明では、入
力を３×３画素、出力画素が１つの場合に関し説明した
が、本実施例はこの数にとらわれることはなく、入力出
力の数との任意の数で良い。手法は上記説明と全く同様
に形成できる。例えば入力を５×７で出力数を３×３と
してもよい。

【００６１】本実施例は現在標準化作業が進められてい
る枠組みを守りつつ、受信側で画像復元し画質改善を提
供するものである。特にＡＤＣＴ方式では送信側で符号
化した量子化テーブル、ハフマン符号化テーブルを受信
側に送信することになっているので、受信した符号化デ
ータの符号化条件は推定出来るのである。本実施例によ
りＡＤＣＴ標準化方式を守りつつ文字グラフィクスの部
分での画質劣化を改善し、圧縮率を高め乍ら原画に近い
画像を復元することが出来る。

【００６２】本実施例ではＡＤＣＴ生伸長データから原
画推定のためにニューロネットワーク方式による方法を
説明したが、従来から行われている各種の画像復元方
法、例えば、（１）カルマンフィルタによる推定方法（２）最大推定法による推定方法等が考えられる。

【００６３】また、本実施例では圧縮方式としてＡＤＣ
Ｔ方式を例に挙げたが、本発明はかかる方式に限らず他
の圧縮方式、例えばＡＤＣＴ方式を改良した方式でもよ
いし、与えられた画像データを直交変換した後に所定の
特性でまたカラー量子化を行い、次いでベクトル量子化
を行う様な方式であっても適用することが出来る。

【００６４】要は量子化特性或いはハフマン符号化テー
ブルを示すデータを利用して画像復元が可能な方式であ
ればよい。

【００６５】

【発明の効果】以上説明した様に本発明によれば、送信
側から送られる量子化特性又はハフマン符号化特性を示
すパラメータにより受信側で、送信された圧縮画像デー
タの特性を判定し、該特性に基づいて受信側で圧縮画像
データの伸長後の画像復元パラメータを決定する様にし
たので、文字部、グラフィックス等の画質劣化を効率良
く防止することが可能となる。

【図面の簡単な説明】

【図１】従来の構成を示すブロック図。

【図２】本発明の第１の実施例の構成を示すブロック
図。

【図３】図２に示す復元部２０８の動作を説明するため
の図。

【図４】図２に示す復元部２０８の構成を示すブロック
図。

【図５】ＡＤＣＴ方式の構成を示すブロック図。

【図６】本発明の第２の実施例の構成を示すブロック
図。

【図７】図６に示した１１２の構成を示すブロック図。

【図８】図６に示した１１３の構成を示すブロック図。

【図９】図６に示した１１３の動作を説明するための
図。

【図１０】図６に示した１１３をテーブルで構成した例
を示す図。

【図１１】図６に示した復元部の特性を決定するための
フローチャート。

【図１２】図６に示した復元部の特性を決定するための
フローチャート。

【符号の説明】

２０６テーブル作成部２０４ＡＤＣＴ復合部２０７選択部２０８復元部

フロントページの続き (58)調査した分野(Int.Cl.⁷，ＤＢ名) H04N 1/41 - 1/419 G06T 9/00 H03M 7/30 H04N 1/40 - 1/419

Claims

(57)【特許請求の範囲】

【請求項１】送信側から送られる量子化特性を示すパ
ラメータにより受信側で、送信された圧縮画像データの
特性を判定し、該特性に基づいて受信側で圧縮画像デー
タの伸長後の画像復元パラメータを決定することを特徴
とする画像処理方法。
【請求項２】送信側から送られるハフマン符号化特性
を示すパラメータにより受信側で、送信された圧縮画像
データの特性を判定し、該特性に基づいて受信側で圧縮
画像データの伸長後の画像復元パラメータを決定するこ
とを特徴とする画像処理方法。
【請求項３】前記画像復元はニューラルネットワーク
により学習させた結合係数を用いた画像復元であること
を特徴とする請求項１及び２に記載の画像処理方法。