JPH0447472A

JPH0447472A - ニャーラルネットワークを用いた画像処理方式

Info

Publication number: JPH0447472A
Application number: JP2153936A
Authority: JP
Inventors: Yoshinobu Mita; 三田　良信
Original assignee: Canon Inc
Current assignee: Canon Inc
Priority date: 1990-06-14
Filing date: 1990-06-14
Publication date: 1992-02-17

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】［産業上の利用分野］本発明は、ニューラルネットワークを用いた画像処理方
式に関するものである。

［従来の技術］従来から、多値画像を２値化する技術や、あるいは逆の
二値画像データから多値画像データを復元する技術や、
空間フィルタリングをかける技術など、多くの画像処理
が行われている。

しかしながら、従来の２値化方法、例えばデイザ法を用
いて二値化した場合には、文字部の解像度やエツジ成分
が失われやすく劣化を生じさせている。また、ＥＤ（誤
差拡散）法では、２値化の際に特有の縞パターンを発生
してしまい、その画質が必ずしも良いとは認められてい
ないし、文字部の劣化に関しても、デイザ法よりは改善
されているものの、まだ完全とはいえない。尚、ＥＤ法
に関しては、例えば、文献（Ｆｌｏｙｄ　Ｓｔｅ、ｌｎ
ｌｏｅｒｇ；ＳＩＤ、　Ｉｎｔｅｒｎａｔｉｏｎａｌ　
ＳＹＭＰ、Ｓｙｐ、　Ｄｉｇｅｓｔ　ｏｆ　Ｔｅｃｈ−
ｎｉｃａｌ　Ｐａｐｅｒｓ　４−３　Ａｐｒｉｌ′７５
）を参照すれば十分理解できる。

［発明が解決しようとしている課題〕このように、従来から行なわれている伝統的な二値化技
術は面積変調が主であり、従って、二値画像データがど
の画素位置にあるかが大きな意味をもつ。

一方、ニューラルネットワークを用いた画像処理装置（
画像電子学会研究会予稿；８９年１月３日）も提案され
ているが、その進展は遅々としている。これは、多値画
像の２値処理についていえば、ニューラルネットワーク
を使うより従来手法を用いた方が構成も簡単であること
からの理由によると考えられる。従って、例えば、多値
画像データから二値化画像データを得る処理、またはそ
の逆の処理に、ニューラルネットワークを使用するとい
う提案は皆無である。

ニューラルネットワークの特徴は、学習を汚なうことに
より処理精度が飛躍的に高まることである。しかしなが
ら、二値化処理や多値復元処理にニューラルネットワー
クを用いることは単純ではない、このことは、従来の二
値化技術と同じように、多値から二値あるいはその逆の
処理では、二値画像データがどの画素位置にあるかが大
きな意味をもつからである。

このことに関し、本願の発明者達は問題の所在を次の点
に見出した。即ち、ニューラルネットワークでは、その
神経回路網の結合強度であるシナプスパラメータが学習
により一度決まってしまうと、同じ入力信号に対して出
力は一意に決まってしまうという性質がある。しかしな
がら、ニューラルネットワークでデイザ画像や誤差拡散
画像。

その他の２値画像の出力を行わせる場合に、上記性質は
欠点として作用する。即ち、これらの二値化処理では、
同じ値の入力多値画像信号に対して出力の２値化号が一
意に決まらないのが普通であり、そのように−意に決ま
らないからこそ、二値化が可能であるわけである。しか
し、ニューラルネットワークでは同じ入力信号に対して
は出力が一意に決まってしまうということは、ニューラ
ルネットワークを画像処理に用いれば、低品質の二値画
像しか得られないことを意味する。

例えば、二値画像から多値画像を復元するフィルタリン
グ等の従来処理手法によれば、文字部や中間調部等の画
像の性質にかかわりな（処理されてしまうので、文字画
像がボケでしまったり、中間調画像が清らかではな（粒
状性（濃度起伏）が残ってしまったりする。

そこで、本発明は、ニューラルネットワークの高精度の
学習機能を活用しつつ、例えば、デイザ法や誤差拡散法
等の画像処理手法と同程度以上の出力を得ることのでき
る画像処理方式を提案することを課題としている。

［課題を解決するための手段］上記課題を達成するための本発明は、所定の画像処理を
施すためにニューラルネットワークを用いた画像処理方
式であって、画像処理対象のブロック単位の画像データ
と、その画像データのそのブロック内における位置情報
とを、前記ニューラルネットワークに入力することを特
徴とする。

即ち、入力信号に画像位置情報を加えることで、ニュー
ラルネットワークで画像処理する際に、学習の際にネッ
トワークの各ニューラル素子の結合パラメータの振動を
抑えて収束させる事を可能とならしめる。しかも、入力
信号に対しニューラルネットワークの出力信号を理想信
号に近づける又は、一致させることを可能ならしめる。

従って、精度の高い高品質な画像処理が可能となる。ま
た、８力画像データはブロック単位に得られるために、
画像処理速度も高速となる。

［実施例］以下添付図面を参照しながら、本発明の画像処理方式を
適用した実施例の画像処理装置を２つ挙げて説明する。

これらの実施例では、ニューラルネットワークの学習方
法として、パックプロパゲーション法を共通に適用して
いる。第１の実施例は多値画像データな二値化処理する
ための画像処理装置であり、第２の実施例は、反対に、
二値画像データから元の多値画像データを復元するため
の画像処理装置である。

く第１の実施例〉　：多値中二値変換本発明を多値画像から２値画像を得る画像処理に適用し
た実施例の画像処理装置は、第２図に示すような構成を
とる。

第２図の画像処理装置は、第３Ａ図に示したような４Ｘ
４＝１６画素分の多値画像データを入力すると、第３Ｂ
図に示したような１画素分の二値画像データを出力する
ものである。尚、本実施例では、多値画像データとして
８ビツトを予定している。

第２図の画像処理装置において、深さ方向に８ビツトの
４ラインバツフア２０１は画像の垂直方向に連続する４
ラインの多値画像データを記憶する。４ラインの内、同
じ水平位置の左端から右端までのデータが順次クロック
に同期して、８ビツトの遅延素子（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、
第３Ａ図に示されるような水平、垂直方向に４×４の小
領域内のデータがラッチされる。ラッチ群２０２は１６
個の８ビツトラツチがらなり、各ラッチの出力はニュー
ラルネットワーク１１３に入力される。このネットワー
ク１１３の構成の詳細は、第１図に示されているが、概
略説明すると、ニューラルネットワーク１１３は、前も
ってパックプロパゲーション法による学習により、その
シナプスパラメータ（結合強度定数）が二値化に適した
ように決定されている。そして、１６６画素の多値画像
データが入力される毎に、それらを１画素分の二値画像
データに変換するというものである。

尚、ニューラルネットワーク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、１９８７年
８月１ｏ日）等に詳しく説明されている。

ネットワーク１１３に入力される信号は、上述の画像デ
ータの他に位置情報がある。この位置情報は４×４ブロ
ツクにおける個々の画素の位置情報を与える。この位置
情報のネットワーク１１３における意味については後に
説明する。

第１図は、ニューラルネットワーク１１３の一例として
の構成を示すブロック図である。第１図において、ｉは
ニューラルネットワークの意味における入力層を、ｊは
同じ（中間層を、ｋは同じく出力層を各々示す。入力層
ｉと中間層間ｊの結合の強度（シナプスパラメータ）は
ＷＪ、で表わされ、中間層ｊと出力層に間の結合強度は
Ｗ、Ｊで表わされる。

第１図の各層のニューロンの素子数について考察する。

入力層において、画像情報を入力するために１からｎま
でのｎ個のニューラル（シナプス）が用意されている。

本実施例では、１６６画素対象とするので、ｎ＝１６個
のニューラルが用意されている。また、位置情報を得る
ために、入力層においてｎ＋１からｍまでのニューロン
が用意されている。中間層に用意されたニューラルの数
は、学習の精度及び学習の収束効率に従って決められる
。出力層のニューラルは１つ用意されている。

前述したようにネットワーク１１３はパックプロパゲー
ション法により学習することにより、その結合定数が決
定される。パックブロパゲーションによる学習手順の詳
細な説明は後述するとして、次に、本実施例に特徴的な
学習の原理について説明する。この説明により、結合定
数の計算が速やかに収束することが明らかとなろう。

第４Ａ図、第４Ｂ図は、夫々、第１実施例のネットワー
ク１１３の学習に用いられるところの、学習入力信号と
理想信号である。第４Ｂ図に示した理想信号は、Ｆａｔ
ｔｅｎｉｎｇ型（うずまき状の疑似網点型）のデイザ信
号になっていて、その周期構造の周期は、水平方向、垂
直方法ともに４画素周期である。換言すれば、ネットワ
ークの結合定数が適切に設定されれば、第４Ａ図のよう
な学習信号が入力されると、第４Ｂ図のようなデイザ信
号が出力される筈なので、このような学習信号と理想信
号とを入力すれば、ネットワーク１１３の結合定数は多
値−二値変換に適切に設定される筈である。

しかしながら、このような入力学習信号と理想信号の組
合せの際には、入力信号が例えばほとんど同じデータ及
び同じ組合せであっても、その位置により、理想信号が
、“１”であったり”０”であったりというように大き
く変わる。第４Ａ図のブロック１５０は、“１００”１
１０““１２０”、“１３０”という値を有する画素か
らなる。第４Ｂ図においては、このブロック１５０に対
応する二値画像データブロック１５１は、１″と“０″
の組合せからなる。ブロック１５０とブロック１５１と
を比較すれば分るように、同じ値の多値入力に対して二
値データは時には“１″になったり、“０”になったり
している。

この事情を第５図を用いて説明する。第５図は、４×４
のデイザ処理を説明する図であって、濃度レベルが全て
”１２０”を有する２×２の画像ブロック４００が、２
×２のデイザマトリックス４０１により二値化されて、
二値の画像ブロック４０２となる。ここで留意しな（で
はならない１：とは、原画像は濃度レベルが全て“１２
０”であるにもかかわらず二値画像４０２は“Ｏ”と“
１”という二値を、出力画像の「所定の位置」に有する
ということである。換言すれば、デイザマトリックスの
閾値の値により、出力画像中には“ｌ”となり易いとこ
ろと“０”になり易いところが必然的に発生するのであ
り、即ち、出力画像の位置とマトリックスの閾値の位置
とには密接な関連があるということである。

従って、この事情を考慮して学習を行なわないと、ニュ
ーラルネットワークではそのシナプスパラメータ（結合
定数）ＷＩＪは発散するばかりで収束しない、そこで、
第１図、第２図に示すように、ネットワーク１１３には
、ブロック内における画素位置情報を入力しながら学習
することにより、その画素位置が“１”に二値化され易
い位置か、“Ｏ”に二値化され易い位置かが併せて学習
され、この位置情報信号が各ニューラルの信号の抑制を
したり、またその逆の作用を与えるために、位置に応じ
て“１”になり易くなったり、“０”になり易くなり、
デイザ出力とほとんど同じ出力が得られるように学習が
なされるのである。

ここで、位置情報の与え方について考察する。

第１図によると、第１実施例の画像処理装置は、１６６
画素多値画像データ入力を１画素の二値画像データに変
換する。即ち、出力の二値画素が、入力の４×４の大き
さのブロック内で占める位置を情報として与えればよい
。第１図のネットワーク１１３の中間層に、例えば、ｎ
（−１６）個のニューラルを与えるとする。そして、ｎ
＋１からｍまでの入力層ニューラルに対し、画素位置情
報を（ｍ−ｎ）ビットの分解能で表わして入力する。（
ｍ−ｎ）ビットの画素位置情報が“１”の出易い位置を
示している場合には、結合定数ｗＩｊを“１”となり易
いように学習に際して設定するのである。

第６図は、位置情報の生成についてより具体的に説明す
る。即ち、第６図は、４×４ブロツク内の各画素位置と
、その各位置に対応するティザ閾値の関係を示す。第６
図においては、中央の２×２のブロックで“１”　（黒
）が出易いとすると、このブロック内の画素のアドレス
信号を例えばＬＵＴ等で変換して位置情報を得ればよい
。この場合、例えばアドレス信号“１００１”は、２行
３列目の画素を指す。

次に、ニューラルネットワーク１１３の学習について、
その手順の概略を第１図を用いて説明する。先ず、学習
データとして、例えば第４Ａ図に示すような多値画像デ
ータと、この多値画像データをデイザ法により二値化デ
ータに変換したもの（第４Ａ図の場合は、例えば第４Ｂ
図に示すＦａｔｔｅｎｉｎｇ型のマトリックス）を用意
する。この前もってデイザ法によって得られた二値化デ
ータは理想出力として、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　Ｊ　
、　。

ＷＭ、の初期値を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
記多値画像データを入力し、出力の二値画像データ（ｋ
ｏｕｔ）を得る。この出力と前記理想出力としての原子
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。この過程を第１図では、■に）■
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Ｗ４．Ｗ、
ｌＪを修正していく。この過程は、第１図では、■→■
として示されている。この学習を繰返すと、結合強度Ｗ
７ｉ、ＷｋＪは多値−二値変換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　Ｊ
　ｌ　、　Ｗ　ｋＪはネットワーク１１３内に保持され
る第７Ａ図、第７Ｂ図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５４０２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、Ｉ、中間層と
出力層の結びつきの強さを示す重み係数ＷｋＪ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、−〇。

５〜＋０．５の範囲の値を選択する。ステップ５４０４
では、学習用の入力データのなかから、任意のブロック
を例えば第４Ａ図のように選択する。ステップ８４０４
〜ステツプ８４０６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８４
０６では、この４×４領域内の画像データＬｏｕｔ（ｉ
）　　（ここで、ｉ＝１〜１６）を入力層にセットする
。尚、入力層に与える信号は画像データが８ビツト０〜
２５５とすると、２５５で割った０〜１．０までの値が
与えられる。

次に、ステップ８４０８では、第３Ｂ図のような大きさ
の理想出力としての二値画像データ（ｉｄｅａｌ　ｏｕ
ｔ）を用意する。ステップ５４１０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。

即ち、入力層からのデータＬｏｕｔ（ｉ）に中間層の係
数ＷＪ＋を掛け、その総和５ｕｌｌｌｒＪを、Ｓｕｍｙ
ａ　＝ΣｌＬ＋（ｊ、ｉ）＊　１ｏｕｔ（ｉ）　・・”
　・・（１）計算し、−次にｊ番目の中間層の出力ｊｏ
ｕｔ　（ｊ）を、０／１に正規化するためにｓｉｇｍｏ
ｉｄ関数を用いで、計算する。ここでＳｕｍｒＪのＦは前向き（Ｆｏｒｗａ
ｒｄ）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、初めに
出力層の係数Ｗ　１１　Ｊを用い、中間層からの８力値
ｊｏｕｔ（ｊ）とにより積の総和を求めその値Ｓｕｍｙ
ｍを得る。

Ｓｕｍｙｖ　＝ΣＬｊ（ｋｊ）　＊　ｊｏｕｔ（ｊ）　
”　・・”　（３）次に、Ｏ／１値に正規化するために
ｓｉｇｍｏｉｄ関数を用いて、に従って出力層にの出力ｋｏｕｔ　（ｋ）を得る。ここ
で、ｋは一般的にに＝１〜４であるが、第１図の実施例
では、ｋ＝１である。

こうして、１組のサンプルデータについてのＦＯＲＷＡ
ＲＤ方向の計算を終了する。以下は、ＢＡＣＫＷＡＲＤ
の演算、即ち、上記入力と理想出力の組から成るサンプ
ルデータからの学習により結合強度を補正するための手
順である。

ステップ５４１２で、初期値（ステップ５４０２でセッ
ト）のＷ、ｌ、　Ｗｋ、から計算した出力値ｋｏｕｔと
、予め用意しである理想出力１ｄｅａ１−ｏｕｔ　（ｋ
）とを比較する。この理想出力Ｌｄｅａｌ　ｏｕｔ（ｋ
）は第５図の４０２に相当する。即ち、この比較により
、出力層の教師信号ｔｅａｃｈ　ｋ（ｋ）を、ｔｅａｃ
ｈ　ｋ（ｋ）＝　（ｉｄｅａｌ　ｏｕｔ（ｋ）　−ｋｏ
ｕｔ（ｋ））＊ｋｏｕｔ（ｋ）傘（１−ｋｏｕｔ（ｋ）
）・・・・・・（５）計算する。（５）式中のｋｏｕｔ（ｋ）”（１−ｋｏｕ
ｔ（ｋ））はｓｉｇｍｏｉｄ関数の微分値の意義を有す
る。次に、ステップ５４１４で、出力層の結合度の変化
幅△ｗ　ｋＪ（ｋ、　ｊ）を求める。即ち、△Ｗ１１Ｊ
　（ｋ、ｊ）　＝β＊ｊｏｕｔ（ｊ）申ｔｅａｃｈ　ｋ
（ｋ）＋α事△ｗｉ、Ｊ（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５４１５では、こ
の変化幅△ｗｋＪ（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。

Ｗｏ（ｋ、　ｊ）　＝△ＬＪ（ｋ、　ｊ）　＋　ＷＩＩ
Ｊ　（ｋ、　ｊ）・・・・・・（７）次に、ステップ５４１６で、中間層の教師信号ｔｅａｃ
ｈｊ　（ｊ＞を計算する。即ち、先ず、５ＬＩＩＩＩＪ
　　”　　Σｔｅａｃｈ−ｋ（ｋＥＩＬＪ（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
ａｃｈ　ｊ（ｊ）を演算する。

ｔｅａｃｈＪ（ｊ）＝　ｊｏｕｔ（ｊ）ネ（１−ｊｏｕ
ｔ（ｊ））傘Ｓｕｍ＋＋Ｊ・・・・・・（９）尚、（９）式のｔｅａｃｈ　ｊ（ｊ）は中間層における
理想信号としての意義を有する。

次に、ステップ５４１８で、この教師信号ｔｅａｃｈｊ
　（ｊ）を用いて、中間層の結合度の変化幅△Ｗ　、　
ｌ　（ｊ、　ｉ）を演算する。即ち、△”Ｊ　Ｉ　Ｆ＋
　１）　＝　　β　本１ｏｕｔ（ｉ）申ｔｅａｃｈ−ｊ
（ｊ）＋α申△Ｗ＝＋（、＋、１）・・・・・・（１０
）そして、ステップ５４２０では結合度Ｗ、ｌ（ｊ、ｉ
）を更新する。即ち、ＷＪ　＋　（ｊ、　ｉ）　＝　ＷＪ　ｌ（、Ｌ　Ｌ）＋
△Ｗ、＋（、＋、Ｚ）である。

こうして、１ｏｕｔとしての１組（３×３の多値画像デ
ータ）と、これに対応する理想出力データとしてのデイ
ザ処理された二値データ１ｄｅａｌ　ｏｕｔとから、パ
ックプロパゲーション法に基づいて、結合度Ｗ　Ｊ　ｌ
とＷｏとが一回、学習された。ステップ５４２２では、
このような操作を、全組のサンプリング入力データにつ
いて行なったかを調べ、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８４０４〜ステツプ５４２０
の手順を繰返す。

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
なったのでは精度が低いと考えられるので、ステップ５
４２４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３４０４〜ステツプ５４２２の処理
を繰返す。

尚、ステップ５４０４で指定されるブロックの位置はシ
ーケンシャルでなくランダムに指定される方がよい。

以上が、第・ｌ実施例の原理と、その実施例におけるバ
ックプロパゲーション法に基づいた学習手順の説明であ
る。

以上のようにして、シナプスパラメータとしての結合強
度が決定されると、第２図の画像処理システムは確定し
、多値画像データを入力すれば、そのまま、二値化処理
を行なうようになる。この二値化処理は、学習過程でど
のような教師データを用いたかによって決まる。

〈第２実施例〉　二二値φ多値復元次に２値画像から多値画像に変換する第２実施例につい
て説明する。

この二値→多値への復元にニューラルネットワークを応
用する場合にも、前述の第１実施例と同じような学習時
の問題が発生する。即ち、入力の二値画像がデイザ法に
より２値化されたものであるとすると、参照画素が例え
ば３×３や２×２のサイズのウィンドウであって、学習
時における理想信号の値がこのウィンド内の画素間でほ
とんど同じであっても、入力の９若しくは４画素の学習
信号がほとんど“１”であったり、はとんど“０”であ
ったりということが起こり得る。かかる場合は、前述の
第１実施例と同じ（、各ニューラルの結合強度定数Ｗ、
Ｊは収束しないで、その値はある一定幅で振動をつづけ
ることが予想される。別の見方をすれば、入力学習信号
の組合せが全く同じであり、例えば、全て“０”　（白
）の場合でも、“０”の出易い位置であるか、出にくい
位置であるかにより、理想信号の値が大きく異なる可能
性が大きい。即ち“０”　（白）の出易い位置では、理
想信号が８ビツトの場合、学習回数を増やせば、出力層
の信号は０〜２５５あらゆる値をとるが（２値画像を作
る時のその位置での閾値以上の値をとり、閾値はＯに近
い）、“０”の出にくい位置では理想信号は０よりずっ
と大きい値でなければならない（デイザ法の原理により
理想信号に対応するデイザ閾値Ｔ８は０の出に（い位置
では太き（、例えば、Ｔ、＝２００とすれば、理想信号
は必ず２００以上である）。言い換えれば、入力画像デ
ータが全く同じであっても、理想信号が異なる事になる
。この矛盾した入力データと理想信号の組合せでは何度
学習を繰り返したとしても、シブナスパラメータは決し
て収束する事はない。従って、第１実施例と同じように
、理想データに直接関係の深い位置情報を入力に加えれ
ば、ニューラル間の結合定数は収束する。

第８図はこの第２実施例の装置構成を示す。この第２実
施例の装置は、第１実施例とは対称的に、入力画像デー
タとして１６６画素の２値画像データが与えられ、出力
信号は１画素の多値画像データが出力される。また、学
習における学習信号として、学習入力信号は例えば第９
Ａ図のようなものを、出力層のための理想信号としては
、第９Ｂ図に示したような多値信号をＯ〜１．０の範囲
の値に変換した値が与えられる。この変換は、８ビツト
の多値画像データをｍとすれば、ｍ／２５５で計算され
る。

第２実施例においても、位置情報の与え方は原則的に第
１実施例と同じである。しかしながら、二値から多値に
復元する第２実施例では、入力画像データが既に周期性
を含んでいる。従って、その入力の二値画像データがい
かなるデイザ閾値を用いて二値化を行なったのかを知ら
なければならない。第１０図は第２実施例の画像処理装
置の構成を示すブロック図である。同図において、５０
１は１ビツトの４ラインバツフアメモリである。

５０２はラッチ群である。ラインバッファ５０１、ラッ
チ群５０２は、１ビツトの点を除けば、第１実施例のラ
インバッファ２０１．ラッチ群２０２と同じ機能を有す
る。ヒストグラム検出器５０４は、入力画像データ中の
空間周波数の周期性を検出するために、ヒストグラムを
求めて、そのヒストグラムから周期を演算する。セレク
タ５０３は、この計算された空間周波数の周期から、ラ
ッチ群５０２から、前述の水平、垂直方向に（ｐ′−ｐ
）、（ｑ′−ｑ）ずらした画像を選択するものである。

かくして、第１０図に示したような構成を用いれば、入
力画像データに位相のずれも発生しないで、精度のよい
、二値から多値への復元処理が行なうことができる。

〈変形例〉本発明はその主旨を逸脱しない範囲で種々変形、特に、
位置情報の与え方について、変形、修正が可能である。

例えば、第２実施例のような二値−多値復元において、
学習の際に、学習用の二値画像に応じ、その入力の二値
画像を生成した時の閾値テーブルを予めＬＵＴにロード
してお（。そして、その二値画像のアドレスから閾値に
変換したデータでその都度学習し、学習後に、実際にニ
ューロコンピュータによる演算を行う場合にも、演算対
象の入力の二値画像を生成した時のテーブルをセットす
れば、理想データに非常に近い多値画像が得られる。

尚、与えられるアドレスはいうまでもな（、入力画像が
持つ周期の整数倍の周期のものが望ましい。第２実施例
では、４×４のデイザ画像が入力なので、アドレスは水
平方向、垂直方向共に、実際のアドレスの最下位２ビッ
ト以上が与えられれば良い。

次に、ニューラルネットワークに対しての位置情報の与
え方の変形について説明する。１つには、画像データの
アドレスビットの下位ビットをそれぞれ別々のシブナス
にデジタル的に与える方法や、また、例えば２ビツトデ
ータ（＝０．１゜２．３）で表わされる水平アドレスを
、第１１図に示すように、０”、０．３３″′、“０．
６６″“１．００”というように、アナログ値に正規化
して与える方法がある。第１１図に示した後者の方法が
中間層の少ない場合に有効である。前者の方法では、例
えば、アドレス“１”、“２”の時に、各ビットは“０
１”、“１０”となり、全く正反対のパターンになる。

ところが、これらの位置は隣接するアドレスなので、第
２実施例のようなｆａｔｔｅｎｉｎｇタイプのデイザで
は、入力画像信号、理想出力信号共にほぼ同じ値になる
確率が高い、しかし、中間層のニューラル素子の数や、
各層内のニューラル素子が少ない場合には、入力のアド
レスパターンが正反対で、出力結果がほぼ同じ値になる
事はむずかしいので学習で収束しない可能性もある。た
だし、中間層が数層ある場合や層中、結合がある場合は
問題が少ないといえる。

第１２図の（ａ）は、第１１図に示したアドレス−位置
情報の変換手法を、１画素分位相をシフトしたものであ
る。このような位置情報の与え方によると、変換後の値
が“０”に近い時は黒が出やすいという性格付けができ
る。

また、第１２図の（ｂ）のようなアドレス−位置情報の
変換を行なった場合は各ビットが“０”の時に黒が出や
すい位置であるという性格付けができる。又、これによ
り、最下位から２番目のビットの方が、その黒が出やす
い位置という性格がさらに強いという性格付けができ、
学習の際に得られる結合定数はかなり理想値に近づき、
収束性も良い事が予想される。

また、次のような変形例を提案する。第２実施例のよう
な２値画像から多値画像への変換では、入力の２値画像
には特有の周波数成分を持っている場合（デイザ画像な
ど）が多く、その場合は、その値と位相情報の関連性が
非常に高い。一方、前述したように、ニューラルネット
ワークに対して、画像の持つ位相情報ではな（、アドレ
ス情報を与える場合には、アドレスと位相の関係がいつ
も一致していなければならない。例えば、アドレス（４
ｍ　＋　ｐ　、　４　ｎ　＋　ｑ　）位置が、２値画像
中で一番“１”が出易い性質がある場合には、この画像
で一度学習したならば、それ以降の学習や、実際の処理
の実行時に用いる画像に対しても、同じ位相差を有する
ようにアドレスを変換して位置情報を得なければならな
い。もしく４ｍ＋ｐ’　、４ｎ＋ｑ’　）の位置が１番
“１”が出易い位置ならば、（ｐ−ｐ’　、　ｑ−ｑ’
　）をアドレスに加えてニューラルネットワークに与え
なければならない。尚、ここで、ｍ、ｎは自然数であり
、ｐ、　ｑはＯ〜３までの整数である。

更に次のような変形例も提案する。学習時や実行処理時
における入力画像が、例えば、３Ｘ３のデイザ画像及び
４×４のデイザ画像の両方を含む場合について考察する
。このように入力画像に複数の周期性が含まれる場合は
、入力層に与える位置情報のためのアドレスは、それら
の全周波数の最小公倍数を表現できるアドレスを与える
ようにする。例えば、対象画像が３×３のデイザ画像及
び４×４のデイザ画像の場合は、１２Ｘ１２（＝１４４
）を満たすアドレスを与える。水平方向。

垂直方向共に“１２″のアドレスを与えるには、４つの
ニューラル素子の夫々に４ビツトのアドレスを与えるか
、０〜１２を０〜１に変換して、水平、垂直方向共に１
ビツトの入力層のシブナス素子に与えられるような方式
を行えばよい。

この場合にも、それぞれの周波数ごとに人力画像が持つ
周波数成分の位相がそろうように前述のアドレス変換を
かけること、即ち、補正ｐｐ、ｑ　　−ｑを加えること
が必要である。

向、上記実施例では、出力層は１ビツトであったが、複
数ビット構成に変更することは極めて容易である。

［発明の効果］以上説明したように本発明の画像処理方式は、所定の画
像処理を施すためにニューラルネットワークを用いた画
像処理方式であって、画像処理対象のブロック単位の画
像データと、その画像データのそのブロック内における
位置情報とを、前記ニューラルネットワークに入力する
ことを特徴とする。

従って、精度の高い高品質な画像処理が可能となる。ま
た、出力画像データはブロック単位に得られるために、
画像処理速度も高速となる。

【図面の簡単な説明】第１図は第１実施例に用いられるネットワークの構成を
示す図、第２図は本発明を多値から二値への画像処理に適用した
場合の第１実施例としての画像処理の構成図、第３Ａ図、第３Ｂ図は夫々、第１．第２実施例のネット
ワークに入力、そしてネットワークから出力される画像
の構成を示す図、第４Ａ図、第４Ｂ図は夫々、第１実施例についての学習
の際に入力される学習信号及び理想信号とを表わす図、第５図は第１実施例において位置情報の入力が必要な理
由を説明する図、第６図は第１実施例において位置情報を与える手法を説
明する図、第７Ａ図、第７Ｂ図は、学習のための第１図ネットワー
ク内で行なわれる制御手順のフローチャート、第８図は第２実施例のネットワークの構成を説明する図
、第９Ａ図、第９Ｂ図は夫々、第２実施例＾こついての学
習の際に入力される学習信号及び理想信号とを表わす図
、第１０図は第２実施例の画像処理装置の全体構成を示す
ブロック図、第１１図、第１２図は位置情報の与え方の他の手法を説
明する図である。図中、１１２．２０１・・・ラインバッファ、１１３・・・ニ
ューラルネットワーク（第１実施例）、２０２・・・ラ
ッチ群、４００・・・入力多値画像データ、４０１・・
・デイザマトリックス、４０２，４０３，４０４・・・
出カニ値画像データ、４０５，４０７・・・教師信号、
５００・・・ネットワーク（第２実施例）、５゜１・・
・ラインバッファ、５０２　用ラッチ群、５０３・・・
セレクタ、５０４・・・ヒストグラム検出器である。

Claims

【特許請求の範囲】

（１）　所定の画像処理を施すためにニューラルネツト
ワークを用いた画像処理方式であって、画像処理対象の
ブロツク単位の画像データと、その画像データのそのブ
ロツク内における位置情報とを、前記ニューラルネツト
ワークに入力することを特徴とするニューラルネツトワ
ークを用いた画像処理方式。
（２）　前記ネツトワークの学習はバックプロパゲーシ
ョン方により行なわれる事を特徴とする請求項の第１項
に記載のニューラルネツトワークを用いた画像処理方式
。
（３）　前記所定画像処理が二値画像から多値画像の復
元である場合には、前記位置情報データは、前記二値画
像データを生成するときに使用した閾値データに基づい
て生成する事を特徴とする請求項の第１項に記載のニュ
ーラルネツトワークを用いた画像処理方式。
（４）　前記所定画像処理が、二値画像から多値画像の
復元若しくは多値画像から二値画像への変換である場合
には、前記位置情報は、前記二値画像の有する周期性成
分の周期の整数倍の周期を有するように生成される事を
特徴とする請求項の第１項に記載のニューラルネツトワ
ークを用いた画像処理方式。
（５）　前記所定画像処理が二値画像から多値画像の復
元であって、この二値画像が複数周期の周期性を有する
場合には、前記位置情報は、前記複数の周期の最小公倍
数の周期を有するように生成される事を特徴とする請求
項の第１項に記載のニユーラルネツトワークを用いた画
像処理方式。
（６）　前記位置情報は水平方向、垂直方向の位置で表
わされ、夫々の方向の位置情報入力のために１つのニュ
ーラル素子が設けられた事を特徴とする請求項の第１項
に記載のニューラルネツトワークを用いた画像処理方式
。