JPH06195511A - ２値化しきい値決定装置 - Google Patents
２値化しきい値決定装置Info
- Publication number
- JPH06195511A JPH06195511A JP4342371A JP34237192A JPH06195511A JP H06195511 A JPH06195511 A JP H06195511A JP 4342371 A JP4342371 A JP 4342371A JP 34237192 A JP34237192 A JP 34237192A JP H06195511 A JPH06195511 A JP H06195511A
- Authority
- JP
- Japan
- Prior art keywords
- value
- threshold value
- image
- neural network
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/16—Image preprocessing
- G06V30/162—Quantising the image signal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Facsimile Image Signal Circuits (AREA)
- Character Input (AREA)
- Image Input (AREA)
- Image Processing (AREA)
Abstract
(57)【要約】
【目的】 ２値化しきい値決定の精度を高めること。
【構成】 学習機能を持たせたニューラルネットワーク
１０を用いて、文字認識装置２に対する入力画像として
多値画像を２値画像にするためのしきい値を決定する２
値化しきい値決定装置４において、前記多値画像の各画
素値から濃度ヒストグラムを作成する手段９を設け、前
記ニューラルネットワーク１０に、各濃度における濃度
ヒストグラムの頻度値を入力とする入力層と、入力され
た前記多値画像に対する最適２値化しきい値を出力する
出力層と、濃度ヒストグラムを入力層に与えて出力層か
ら出力される値より算出した２値化しきい値を用いて２
値化した時の文字認識装置２の誤認識率をエラーとして
ニューラルネットワーク１０の学習を行わせる学習制御
手段とを設けて、濃度ヒストグラム全体をニューラルネ
ットワーク１０の入力として２値化しきい値を決定する
ようにした。
１０を用いて、文字認識装置２に対する入力画像として
多値画像を２値画像にするためのしきい値を決定する２
値化しきい値決定装置４において、前記多値画像の各画
素値から濃度ヒストグラムを作成する手段９を設け、前
記ニューラルネットワーク１０に、各濃度における濃度
ヒストグラムの頻度値を入力とする入力層と、入力され
た前記多値画像に対する最適２値化しきい値を出力する
出力層と、濃度ヒストグラムを入力層に与えて出力層か
ら出力される値より算出した２値化しきい値を用いて２
値化した時の文字認識装置２の誤認識率をエラーとして
ニューラルネットワーク１０の学習を行わせる学習制御
手段とを設けて、濃度ヒストグラム全体をニューラルネ
ットワーク１０の入力として２値化しきい値を決定する
ようにした。
Description
【０００１】
【産業上の利用分野】本発明は、例えば文字認識装置の
入力画像を得るために多値画像を２値化する際の２値化
しきい値を決定するために、学習機能を持つニューラル
ネットワークを用いた２値化しきい値決定装置に関す
る。
入力画像を得るために多値画像を２値化する際の２値化
しきい値を決定するために、学習機能を持つニューラル
ネットワークを用いた２値化しきい値決定装置に関す
る。
【０００２】
【従来の技術】一般に、文字認識装置は２値画像を認識
対象としており、多値画像の場合には、これを２値化し
て入力させる必要がある。ここに、文字認識装置の認識
性能は、２値画像の品質に左右されるので、文字認識装
置の前段に品質のよい２値画像を得る２値化処理手段を
追加すれば、文字認識装置の性能を向上させ得るといえ
る。
対象としており、多値画像の場合には、これを２値化し
て入力させる必要がある。ここに、文字認識装置の認識
性能は、２値画像の品質に左右されるので、文字認識装
置の前段に品質のよい２値画像を得る２値化処理手段を
追加すれば、文字認識装置の性能を向上させ得るといえ
る。
【０００３】そこで、多値画像を２値化するための２値
化しきい値を決定する手法として、従来、多くのものが
提案・発表されている。数例を挙げると、第１に、論文
「判別および最小２乗基準に基づく自動しきい値選定
法」（電子情報通信学会論文誌Ｄ Ｖol.J63 No.4 pp.3
49〜359） として発表された判別分析法がある。これ
は、しきい値選定の問題を一般的基本的枠組で捉え、分
離されるクラスの濃度レベルでの分離度を最大とする判
別基準の観点から、濃度ヒストグラムの０次と１次の累
積モーメントのみを用いるようにしたものであり、濃淡
画像の最小２乗近似の意味でも最適な手法として、多値
化の場合にも容易に拡張できるというものである。
化しきい値を決定する手法として、従来、多くのものが
提案・発表されている。数例を挙げると、第１に、論文
「判別および最小２乗基準に基づく自動しきい値選定
法」（電子情報通信学会論文誌Ｄ Ｖol.J63 No.4 pp.3
49〜359） として発表された判別分析法がある。これ
は、しきい値選定の問題を一般的基本的枠組で捉え、分
離されるクラスの濃度レベルでの分離度を最大とする判
別基準の観点から、濃度ヒストグラムの０次と１次の累
積モーメントのみを用いるようにしたものであり、濃淡
画像の最小２乗近似の意味でも最適な手法として、多値
化の場合にも容易に拡張できるというものである。
【０００４】第２に、論文「平均隣接数に着目したしき
い値決定法」（電子情報通信学会論文誌Ｄ−II Ｖol.J
73 No.3 pp.360〜366） として発表された平均隣接数に
よる方法がある。これは、濃淡画像（多値画像）につい
てしきい値を変えながら２値化した時の連結成分のまと
まりの良さを表す尺度として「平均隣接数」を定義し、
この尺度が極大となる値を適切なしきい値として決定す
るようにしたものである。この際、変化させるしきい値
の数に比例して演算量が増えないようにするため、ラン
クフィルタとヒストグラム処理の組合せにより、変化さ
せるしきい値の数に依存しない演算量で、平均隣接数を
高速に算出し得るような工夫もなされている。
い値決定法」（電子情報通信学会論文誌Ｄ−II Ｖol.J
73 No.3 pp.360〜366） として発表された平均隣接数に
よる方法がある。これは、濃淡画像（多値画像）につい
てしきい値を変えながら２値化した時の連結成分のまと
まりの良さを表す尺度として「平均隣接数」を定義し、
この尺度が極大となる値を適切なしきい値として決定す
るようにしたものである。この際、変化させるしきい値
の数に比例して演算量が増えないようにするため、ラン
クフィルタとヒストグラム処理の組合せにより、変化さ
せるしきい値の数に依存しない演算量で、平均隣接数を
高速に算出し得るような工夫もなされている。
【０００５】第３に、論文「雑音の多い濃淡画像の新し
い２値化しきい値算出法（局所ヒストグラム差分法）の
提案」ないしは「雑音の多い濃淡画像のしきい値算出法
（局所ヒストグラム差分法）の特性」（1990年電子情報
通信学会秋季全国大会 Ｄ-365,366）として発表された
局所ヒストグラム差分法がある。これは、濃度の高い領
域と濃度の低い領域の単位面積当りのヒストグラム、即
ち、規格化ヒストグラムの差分を利用するものであり、
しきい値の計算に雑音の大きさやパターン率が関与せ
ず、真のしきい値を算出し得るというものである。
い２値化しきい値算出法（局所ヒストグラム差分法）の
提案」ないしは「雑音の多い濃淡画像のしきい値算出法
（局所ヒストグラム差分法）の特性」（1990年電子情報
通信学会秋季全国大会 Ｄ-365,366）として発表された
局所ヒストグラム差分法がある。これは、濃度の高い領
域と濃度の低い領域の単位面積当りのヒストグラム、即
ち、規格化ヒストグラムの差分を利用するものであり、
しきい値の計算に雑音の大きさやパターン率が関与せ
ず、真のしきい値を算出し得るというものである。
【０００６】さらに、多値画像の２値化にニューラルネ
ットワークを用いた例として、論文「画像の最適２値化
を行う緩和型神経回路モデルとその並列コンピュータに
よる実現」（電子情報通信学会論文誌Ｄ−II Ｖol.J74
No.6 pp.678〜687） として発表された神経回路モデル
を用いた方法がある。これは、画像上の全ての局所近傍
系における画素の濃淡値と２値化画素間の誤差によって
定義されたエネルギー関数を最小化して、最適な２値化
を行うようにしたものである。
ットワークを用いた例として、論文「画像の最適２値化
を行う緩和型神経回路モデルとその並列コンピュータに
よる実現」（電子情報通信学会論文誌Ｄ−II Ｖol.J74
No.6 pp.678〜687） として発表された神経回路モデル
を用いた方法がある。これは、画像上の全ての局所近傍
系における画素の濃淡値と２値化画素間の誤差によって
定義されたエネルギー関数を最小化して、最適な２値化
を行うようにしたものである。
【０００７】
【発明が解決しようとする課題】ところが、これらの方
法の場合、下記のような欠点がある。例えば、判別分析
法や局所ヒストグラム法では、文字認識装置の前処理と
しては２値化しきい値決定の精度が充分でなく、原稿に
よっては品質の悪い２値画像しか得られないことがあ
る。また、平均隣接数による方法では、各２値化しきい
値を用いて得られた２値化画像全てについて処理を行う
（適応しきい値法）ので、処理時間が長くかかってしま
う。さらに、神経回路モデルを用いた方法では、注目点
の近傍の数画素の値を入力としているため、１ドットの
ノイズなどが発生しやすく、文字認識装置の前処理とし
てはあまり適当ではない。
法の場合、下記のような欠点がある。例えば、判別分析
法や局所ヒストグラム法では、文字認識装置の前処理と
しては２値化しきい値決定の精度が充分でなく、原稿に
よっては品質の悪い２値画像しか得られないことがあ
る。また、平均隣接数による方法では、各２値化しきい
値を用いて得られた２値化画像全てについて処理を行う
（適応しきい値法）ので、処理時間が長くかかってしま
う。さらに、神経回路モデルを用いた方法では、注目点
の近傍の数画素の値を入力としているため、１ドットの
ノイズなどが発生しやすく、文字認識装置の前処理とし
てはあまり適当ではない。
【０００８】このように何れの手法によっても、文字認
識装置の前処理としては、未だ、不充分である。特に、
判別分析法や局所ヒストグラム法では、濃度ヒストグラ
ムから得られる情報の内、一部の情報しか利用していな
いため、２値化しきい値決定の精度が充分でないと考え
られる。
識装置の前処理としては、未だ、不充分である。特に、
判別分析法や局所ヒストグラム法では、濃度ヒストグラ
ムから得られる情報の内、一部の情報しか利用していな
いため、２値化しきい値決定の精度が充分でないと考え
られる。
【０００９】
【課題を解決するための手段】請求項１記載の発明で
は、学習機能を持たせたニューラルネットワークを用い
て、文字認識装置に対する入力画像として多値画像を２
値画像にするためのしきい値を決定する２値化しきい値
決定装置において、前記多値画像の各画素値から濃度ヒ
ストグラムを作成する手段を設け、前記ニューラルネッ
トワークに、各濃度における濃度ヒストグラムの頻度値
を入力とする入力層と、入力された前記多値画像に対す
る最適２値化しきい値を出力する出力層とを設けた。
は、学習機能を持たせたニューラルネットワークを用い
て、文字認識装置に対する入力画像として多値画像を２
値画像にするためのしきい値を決定する２値化しきい値
決定装置において、前記多値画像の各画素値から濃度ヒ
ストグラムを作成する手段を設け、前記ニューラルネッ
トワークに、各濃度における濃度ヒストグラムの頻度値
を入力とする入力層と、入力された前記多値画像に対す
る最適２値化しきい値を出力する出力層とを設けた。
【００１０】加えて、請求項２記載の発明では、ニュー
ラルネットワークに、多値画像から作成された濃度ヒス
トグラムを入力層に与えて出力層から出力される値より
算出した２値化しきい値を用いて２値化した時の文字認
識装置の誤認識率をエラーとしてニューラルネットワー
クの学習を行わせる学習制御手段を設けた。
ラルネットワークに、多値画像から作成された濃度ヒス
トグラムを入力層に与えて出力層から出力される値より
算出した２値化しきい値を用いて２値化した時の文字認
識装置の誤認識率をエラーとしてニューラルネットワー
クの学習を行わせる学習制御手段を設けた。
【００１１】また、請求項３記載の発明では、多値画像
の各画素の濃度の平均値及び分散値を求める算出手段を
設け、ニューラルネットワークに、求められた濃度の平
均値及び分散値を入力とする入力層と、入力された多値
画像に対する最適２値化しきい値を出力する出力層とを
設けた。
の各画素の濃度の平均値及び分散値を求める算出手段を
設け、ニューラルネットワークに、求められた濃度の平
均値及び分散値を入力とする入力層と、入力された多値
画像に対する最適２値化しきい値を出力する出力層とを
設けた。
【００１２】加えて、請求項４記載の発明では、ニュー
ラルネットワークに、多値画像から求められた濃度の平
均値及び分散値を入力層に与えて出力層から出力される
値より算出した２値化しきい値を用いて２値化した時の
文字認識装置の誤認識率をエラーとしてニューラルネッ
トワークの学習を行わせる学習制御手段を設けた。
ラルネットワークに、多値画像から求められた濃度の平
均値及び分散値を入力層に与えて出力層から出力される
値より算出した２値化しきい値を用いて２値化した時の
文字認識装置の誤認識率をエラーとしてニューラルネッ
トワークの学習を行わせる学習制御手段を設けた。
【００１３】請求項５記載の発明では、多値画像の各画
素値から濃度ヒストグラムを作成する手段と、前記多値
画像の各画素の濃度の平均値及び分散値を求める算出手
段を設け、ニューラルネットワークに、これらの濃度ヒ
ストグラム、濃度の平均値及び分散値を入力とする入力
層と、入力された多値画像に対する最適２値化しきい値
を出力する出力層とを設けた。
素値から濃度ヒストグラムを作成する手段と、前記多値
画像の各画素の濃度の平均値及び分散値を求める算出手
段を設け、ニューラルネットワークに、これらの濃度ヒ
ストグラム、濃度の平均値及び分散値を入力とする入力
層と、入力された多値画像に対する最適２値化しきい値
を出力する出力層とを設けた。
【００１４】加えて、請求項６記載の発明では、ニュー
ラルネットワークに、多値画像から作成された濃度ヒス
トグラム、求められた濃度の平均値及び分散値を入力層
に与えて出力層から出力される値より算出した２値化し
きい値を用いて２値化した時の文字認識装置の誤認識率
をエラーとしてニューラルネットワークの学習を行わせ
る学習制御手段を設けた。
ラルネットワークに、多値画像から作成された濃度ヒス
トグラム、求められた濃度の平均値及び分散値を入力層
に与えて出力層から出力される値より算出した２値化し
きい値を用いて２値化した時の文字認識装置の誤認識率
をエラーとしてニューラルネットワークの学習を行わせ
る学習制御手段を設けた。
【００１５】さらに、請求項７記載の発明では、多値画
像の各画素の濃度と各画素の傾きに関する２次元のヒス
トグラムを作成する手段を設け、ニューラルネットワー
クに、作成された２次元のヒストグラムの各座標上での
頻度値を入力とする入力層と、入力された多値画像に対
する最適２値化しきい値を出力する出力層とを設けた。
像の各画素の濃度と各画素の傾きに関する２次元のヒス
トグラムを作成する手段を設け、ニューラルネットワー
クに、作成された２次元のヒストグラムの各座標上での
頻度値を入力とする入力層と、入力された多値画像に対
する最適２値化しきい値を出力する出力層とを設けた。
【００１６】加えて、請求項８記載の発明では、ニュー
ラルネットワークに、多値画像から作成された２次元の
ヒストグラムの各座標上での頻度値を入力層に与えて出
力層から出力される値より算出した２値化しきい値を用
いて２値化した時の文字認識装置の誤認識率をエラーと
してニューラルネットワークの学習を行わせる学習制御
手段を設けた。
ラルネットワークに、多値画像から作成された２次元の
ヒストグラムの各座標上での頻度値を入力層に与えて出
力層から出力される値より算出した２値化しきい値を用
いて２値化した時の文字認識装置の誤認識率をエラーと
してニューラルネットワークの学習を行わせる学習制御
手段を設けた。
【００１７】請求項９記載の発明では、請求項１，２，
５又は６記載の発明に関し、濃度ヒストグラムを多値画
像の平均値及び分散値により正規化するようにした。
５又は６記載の発明に関し、濃度ヒストグラムを多値画
像の平均値及び分散値により正規化するようにした。
【００１８】
【作用】請求項１，２記載の発明においては、濃度ヒス
トグラム全体をニューラルネットワークに入力させて２
値化しきい値を決定するので、濃度ヒストグラムからよ
り多くの情報を得るものとなり、精度の高い２値化しき
い値の決定が可能となる。また、請求項３，４記載の発
明においては、多値画像の各画素の濃度の平均値及び分
散値をニューラルネットワークに入力させて２値化しき
い値を決定するので、より多くの情報を得るものとな
り、精度の高い２値化しきい値の決定が可能となる。請
求項５，６記載の発明においては、これらの濃度ヒスト
グラム全体とともに多値画像の各画素の濃度の平均値及
び分散値をもニューラルネットワークに入力させて２値
化しきい値を決定するので、より精度の高い２値化しき
い値の決定が可能となる。請求項７，８記載の発明にお
いても、濃度ヒストグラムに各画素の傾き情報も加味し
た２次元のヒストグラムをニューラルネットワークに入
力させて２値化しきい値を決定するので、より精度の高
い２値化しきい値の決定が可能となる。請求項９記載の
発明においては、これらの発明で扱う濃度ヒストグラム
に関して、多値画像の平均値及び分散値により正規化す
るようにしたので、スキャナなどの違いによる濃度ヒス
トグラムのバラツキの少ないものとなる。
トグラム全体をニューラルネットワークに入力させて２
値化しきい値を決定するので、濃度ヒストグラムからよ
り多くの情報を得るものとなり、精度の高い２値化しき
い値の決定が可能となる。また、請求項３，４記載の発
明においては、多値画像の各画素の濃度の平均値及び分
散値をニューラルネットワークに入力させて２値化しき
い値を決定するので、より多くの情報を得るものとな
り、精度の高い２値化しきい値の決定が可能となる。請
求項５，６記載の発明においては、これらの濃度ヒスト
グラム全体とともに多値画像の各画素の濃度の平均値及
び分散値をもニューラルネットワークに入力させて２値
化しきい値を決定するので、より精度の高い２値化しき
い値の決定が可能となる。請求項７，８記載の発明にお
いても、濃度ヒストグラムに各画素の傾き情報も加味し
た２次元のヒストグラムをニューラルネットワークに入
力させて２値化しきい値を決定するので、より精度の高
い２値化しきい値の決定が可能となる。請求項９記載の
発明においては、これらの発明で扱う濃度ヒストグラム
に関して、多値画像の平均値及び分散値により正規化す
るようにしたので、スキャナなどの違いによる濃度ヒス
トグラムのバラツキの少ないものとなる。
【００１９】
【実施例】本発明の第一の実施例を図１ないし図３に基
づいて説明する。本実施例の処理装置は、画像読取装置
（スキャナ）１で読取られた多値画像情報を、２値化情
報に変換して文字認識装置２に与えるためのものであ
り、この２値化処理を行う２値化処理部３に対して２値
化のためのしきい値を出力する２値化しきい値決定装置
４として構成されている。まず、画像読取装置１は原稿
画像を例えば各画素を２５６階調なる多値画像情報とし
て読取るものである。読取られた多値画像情報は多値画
像メモリ５に保存される。２値化処理部３は２値化しき
い値決定装置４で決定された２値化しきい値を用いて多
値画像メモリ５上の多値画像を２値化するものである。
より具体的には、２値化しきい値より大きな画素値を持
つ画素を“１”、それ以外の画素を“０”とする２値画
像情報とし、文字認識装置２に出力する。文字認識装置
２では入力される２値画像情報に対して、行切出し、文
字切出し、マッチング、言語処理などを行い、２値画像
上の文字画像を文字コードに変換する処理を行うもので
ある。文字認識装置２による処理結果は、結果出力部６
を通して出力される。具体的には、ユーザが認識結果の
修正処理を行えるように、ディスプレイ７上に認識結果
を表示させたり、認識結果をファイル８に保存する。
づいて説明する。本実施例の処理装置は、画像読取装置
（スキャナ）１で読取られた多値画像情報を、２値化情
報に変換して文字認識装置２に与えるためのものであ
り、この２値化処理を行う２値化処理部３に対して２値
化のためのしきい値を出力する２値化しきい値決定装置
４として構成されている。まず、画像読取装置１は原稿
画像を例えば各画素を２５６階調なる多値画像情報とし
て読取るものである。読取られた多値画像情報は多値画
像メモリ５に保存される。２値化処理部３は２値化しき
い値決定装置４で決定された２値化しきい値を用いて多
値画像メモリ５上の多値画像を２値化するものである。
より具体的には、２値化しきい値より大きな画素値を持
つ画素を“１”、それ以外の画素を“０”とする２値画
像情報とし、文字認識装置２に出力する。文字認識装置
２では入力される２値画像情報に対して、行切出し、文
字切出し、マッチング、言語処理などを行い、２値画像
上の文字画像を文字コードに変換する処理を行うもので
ある。文字認識装置２による処理結果は、結果出力部６
を通して出力される。具体的には、ユーザが認識結果の
修正処理を行えるように、ディスプレイ７上に認識結果
を表示させたり、認識結果をファイル８に保存する。
【００２０】しかして、本実施例の２値化しきい値決定
装置４は、濃度ヒストグラム作成部（作成手段）９と学
習機能を持つニューラルネットワーク１０とにより構成
されている。濃度ヒストグラム作成部９は多値画像の各
画素値から濃度ヒストグラムを作成するものである。ニ
ューラルネットワーク１０は作成された濃度ヒストグラ
ムに基づき２値化しきい値を求めるものである。
装置４は、濃度ヒストグラム作成部（作成手段）９と学
習機能を持つニューラルネットワーク１０とにより構成
されている。濃度ヒストグラム作成部９は多値画像の各
画素値から濃度ヒストグラムを作成するものである。ニ
ューラルネットワーク１０は作成された濃度ヒストグラ
ムに基づき２値化しきい値を求めるものである。
【００２１】このニューラルネットワーク１０の詳細を
図２を参照して説明する。このニューラルネットワーク
１０は例えば入力層１１、中間層１２及び出力層１３よ
りなる３層構造のもので、例えば各濃度値に対応して２
５６個のニューロンユニット（○で示す）からなる入力
層１１には濃度ヒストグラムの各濃度値における頻度値
が入力されるように設定されている。入力層１１の各ニ
ューロンユニットと中間層１２の５個のニューロンユニ
ットとは各々結合係数を持って結合されている。出力層
１３は１個のニューロンユニットよりなり、所定の演算
結果として、最適２値化しきい値Ｔｈを出力するもので
ある。ここに、中間層１２の各ニューロンユニットと出
力層１３のニューロンユニットとは、同図中右側に示す
ようtanh（Ｘ）なる結合関数で結合されており、出力層
１３からは−１〜１間の値が出力されるように設定され
ている。ここに、出力層１３のアウトプットをout とす
ると、２値化しきい値Ｔｈは、 Ｔｈ＝１２８（out ＋１） ………（１） として求められる。
図２を参照して説明する。このニューラルネットワーク
１０は例えば入力層１１、中間層１２及び出力層１３よ
りなる３層構造のもので、例えば各濃度値に対応して２
５６個のニューロンユニット（○で示す）からなる入力
層１１には濃度ヒストグラムの各濃度値における頻度値
が入力されるように設定されている。入力層１１の各ニ
ューロンユニットと中間層１２の５個のニューロンユニ
ットとは各々結合係数を持って結合されている。出力層
１３は１個のニューロンユニットよりなり、所定の演算
結果として、最適２値化しきい値Ｔｈを出力するもので
ある。ここに、中間層１２の各ニューロンユニットと出
力層１３のニューロンユニットとは、同図中右側に示す
ようtanh（Ｘ）なる結合関数で結合されており、出力層
１３からは−１〜１間の値が出力されるように設定され
ている。ここに、出力層１３のアウトプットをout とす
ると、２値化しきい値Ｔｈは、 Ｔｈ＝１２８（out ＋１） ………（１） として求められる。
【００２２】このような構成において、まず、ニューラ
ルネットワーク１０の学習処理を行う必要がある。学習
データとしては、多値画像情報とこの多値画像情報を各
２値化しきい値で２値化した場合に文字認識装置２から
得られる誤認識率が用いられる。一般に、文字認識装置
２においては文字画像のかすれ、潰れの何れかを生じた
場合にも認識性能は劣化するので、２値化しきい値と文
字認識装置２で得られる誤認識率とは、図３に示すよう
な関係となる。
ルネットワーク１０の学習処理を行う必要がある。学習
データとしては、多値画像情報とこの多値画像情報を各
２値化しきい値で２値化した場合に文字認識装置２から
得られる誤認識率が用いられる。一般に、文字認識装置
２においては文字画像のかすれ、潰れの何れかを生じた
場合にも認識性能は劣化するので、２値化しきい値と文
字認識装置２で得られる誤認識率とは、図３に示すよう
な関係となる。
【００２３】学習の際には、入力層１１に濃度ヒストグ
ラムを入力させ、対応する多値画像から得られた図３に
示すような関数をエラー関数として（１）式を用いて出
力層１３のアウトプットout からエラーを算出し、バッ
クプロパゲーション法によって、図２に示すような構成
のニューラルネットワーク１０の学習を行う。このよう
な制御は、学習制御手段（図示せず）により行われる。
ラムを入力させ、対応する多値画像から得られた図３に
示すような関数をエラー関数として（１）式を用いて出
力層１３のアウトプットout からエラーを算出し、バッ
クプロパゲーション法によって、図２に示すような構成
のニューラルネットワーク１０の学習を行う。このよう
な制御は、学習制御手段（図示せず）により行われる。
【００２４】学習後のニューラルネットワーク１０を用
いる場合、２値化処理すべき多値画像から得られた濃度
ヒストグラムを入力層１１に入力させ、出力層１３より
出力される値より、（１）式に従い２値化しきい値を決
定し、決定された２値化しきい値を用いて２値化処理部
３で２値化し、文字認識装置２に入力させることにな
る。
いる場合、２値化処理すべき多値画像から得られた濃度
ヒストグラムを入力層１１に入力させ、出力層１３より
出力される値より、（１）式に従い２値化しきい値を決
定し、決定された２値化しきい値を用いて２値化処理部
３で２値化し、文字認識装置２に入力させることにな
る。
【００２５】このように、本実施例によれば、ニューラ
ルネットワーク１０において濃度ヒストグラム全体を入
力とさせて２値化しきい値を決定するようにしているの
で、濃度ヒストグラムから多くの情報を得ていることに
なり、精度の高い２値化しきい値の決定となり、そのた
めの処理速度も充分な速さで実現し得る。
ルネットワーク１０において濃度ヒストグラム全体を入
力とさせて２値化しきい値を決定するようにしているの
で、濃度ヒストグラムから多くの情報を得ていることに
なり、精度の高い２値化しきい値の決定となり、そのた
めの処理速度も充分な速さで実現し得る。
【００２６】つづいて、本発明の第二の実施例を図４に
より説明する。前記実施例で示した部分と同一部分は同
一符号を用いて示す（以下の実施例でも同様とする）。
本実施例は、２値化しきい値決定の精度をより向上させ
るようにしたものであり、前記実施例に加えて、多値画
像の各画素の濃度の平均値及び分散値情報も加味するよ
うに構成されている。このような平均値及び分散値は、
図１を参照すれば、濃度ヒストグラム作成部９部分にお
いて算出される。
より説明する。前記実施例で示した部分と同一部分は同
一符号を用いて示す（以下の実施例でも同様とする）。
本実施例は、２値化しきい値決定の精度をより向上させ
るようにしたものであり、前記実施例に加えて、多値画
像の各画素の濃度の平均値及び分散値情報も加味するよ
うに構成されている。このような平均値及び分散値は、
図１を参照すれば、濃度ヒストグラム作成部９部分にお
いて算出される。
【００２７】本実施例のニューラルネットワーク１０
は、濃度ヒストグラムとともに、これらの各画素の濃度
の平均値及び分散値情報も入力とするものであり、入力
層１１はニューロンユニットが２個付加されて、合計２
５８個のニューロンユニットにより構成されている。な
お、より具体的には、多値画像から得られる濃度ヒスト
グラムの平均値、分散値を求め、多値画像から得られた
濃度ヒストグラムの分布を正規分布と仮定し、平均値が
０、分散値が１の標準正規分布となるように変換を行う
ことにより、正規化された濃度ヒストグラムを入力させ
るようにしている。このような濃度ヒストグラムの正規
化処理により、画像読取装置１の違いなどによる濃度ヒ
ストグラムのバラツキをなくすことができる。
は、濃度ヒストグラムとともに、これらの各画素の濃度
の平均値及び分散値情報も入力とするものであり、入力
層１１はニューロンユニットが２個付加されて、合計２
５８個のニューロンユニットにより構成されている。な
お、より具体的には、多値画像から得られる濃度ヒスト
グラムの平均値、分散値を求め、多値画像から得られた
濃度ヒストグラムの分布を正規分布と仮定し、平均値が
０、分散値が１の標準正規分布となるように変換を行う
ことにより、正規化された濃度ヒストグラムを入力させ
るようにしている。このような濃度ヒストグラムの正規
化処理により、画像読取装置１の違いなどによる濃度ヒ
ストグラムのバラツキをなくすことができる。
【００２８】ここに、多値画像の各画素の濃度の平均値
及び分散値が２値化しきい値決定の精度に及ぼす影響が
大きいため、本実施例のニューラルネットワーク１０で
は、濃度ヒストグラムとは別の階層のネットワークを形
成する構成とされている。即ち、出力層１３にはバイア
ス値可変のバイアスｙのみを加算する加算ユニット１４
が結合され、この加算ユニット１４の出力と分散値とを
乗算する乗算ユニット１５が設けられ、平均値と可変結
合係数Ｘにより重み付けされたこの乗算ユニット１５の
出力とを加算して２値化しきい値Ｔｈを出力する加算ユ
ニット１６が設けられている。出力層１３と加算ユニッ
ト１４との間、加算ユニット１４と乗算ユニット１５と
の間、入力層１１中の分散値用ユニットと乗算ユニット
１５との間、入力層１１中の平均値用ユニットと加算ユ
ニット１６との間の結合重みは常に１とされている。
及び分散値が２値化しきい値決定の精度に及ぼす影響が
大きいため、本実施例のニューラルネットワーク１０で
は、濃度ヒストグラムとは別の階層のネットワークを形
成する構成とされている。即ち、出力層１３にはバイア
ス値可変のバイアスｙのみを加算する加算ユニット１４
が結合され、この加算ユニット１４の出力と分散値とを
乗算する乗算ユニット１５が設けられ、平均値と可変結
合係数Ｘにより重み付けされたこの乗算ユニット１５の
出力とを加算して２値化しきい値Ｔｈを出力する加算ユ
ニット１６が設けられている。出力層１３と加算ユニッ
ト１４との間、加算ユニット１４と乗算ユニット１５と
の間、入力層１１中の分散値用ユニットと乗算ユニット
１５との間、入力層１１中の平均値用ユニットと加算ユ
ニット１６との間の結合重みは常に１とされている。
【００２９】このような構成において、学習の際には、
入力層１１に濃度ヒストグラム、濃度の平均値及び分散
値を入力し、対応する多値画像から得られた図３に示す
関数をエラー関数として、出力層１３から出力される２
値化しきい値からエラーを算出し、バックプロパゲーシ
ョン法によって図４に示すような構成のニューラルネッ
トワーク１０の学習を行う。
入力層１１に濃度ヒストグラム、濃度の平均値及び分散
値を入力し、対応する多値画像から得られた図３に示す
関数をエラー関数として、出力層１３から出力される２
値化しきい値からエラーを算出し、バックプロパゲーシ
ョン法によって図４に示すような構成のニューラルネッ
トワーク１０の学習を行う。
【００３０】学習後のニューラルネットワーク１０を用
いる場合、２値化処理すべき多値画像から得られた濃度
ヒストグラム、濃度の平均値及び分散値を入力層１１に
入力させ、出力層１３より出力される値より２値化しき
い値を決定し、決定された２値化しきい値を用いて２値
化処理部３で２値化し、文字認識装置２に入力させるこ
とになる。
いる場合、２値化処理すべき多値画像から得られた濃度
ヒストグラム、濃度の平均値及び分散値を入力層１１に
入力させ、出力層１３より出力される値より２値化しき
い値を決定し、決定された２値化しきい値を用いて２値
化処理部３で２値化し、文字認識装置２に入力させるこ
とになる。
【００３１】さらに、本発明の第三の実施例を図５によ
り説明する。本実施例では、図１中に示した濃度ヒスト
グラム作成部９部分にて、多値画像の各画素の濃度と各
画素の傾きに関する図５に示すような２次元のヒストグ
ラムを作成するようにしたものである。また、本実施例
で用いるニューラルネットワーク１０の構成は、基本的
には、図２に示したものに準ずるものであるが、このよ
うな２次元のヒストグラムの入力（各座標での頻度値）
を受ける入力層１１は２５６×２５６＝６５５３６個の
ニューロンユニットにより構成されている。
り説明する。本実施例では、図１中に示した濃度ヒスト
グラム作成部９部分にて、多値画像の各画素の濃度と各
画素の傾きに関する図５に示すような２次元のヒストグ
ラムを作成するようにしたものである。また、本実施例
で用いるニューラルネットワーク１０の構成は、基本的
には、図２に示したものに準ずるものであるが、このよ
うな２次元のヒストグラムの入力（各座標での頻度値）
を受ける入力層１１は２５６×２５６＝６５５３６個の
ニューロンユニットにより構成されている。
【００３２】即ち、本実施例では、２値化しきい値決定
の精度をより向上させるため、濃度ヒストグラムに加え
て、各画素の傾き情報を入力として用いるようにしたも
のであり、各画素について濃度値と傾きとを求め、２次
元のヒストグラムの対応する座標の頻度値をインクリメ
ントすることで、図５に示すような２次元のヒストグラ
ムを作成するようにしたものである。例えば、図５中の
座標ａは、傾き１３０、濃度１３０の画素数が２０個
（頻度値＝２０）であることを示す。各画素の傾きｇは
画素の座標が（ｘ，ｙ）（画素の値ｆ（ｘ，ｙ））の時
に上下左右の４画素の値（ｆ（ｘ，ｙ−１）、ｆ（ｘ，
ｙ＋１）、ｆ（ｘ−１，ｙ）、ｆ（ｘ＋１，ｙ））か
ら、 ｇ＝〔4f(x,y)−{f(x-1,y)＋f(x+1,y)＋f(x,y-1)＋f(x,
y+1)}〕／８＋１２８…………………………（２） なる式を用いて算出される。
の精度をより向上させるため、濃度ヒストグラムに加え
て、各画素の傾き情報を入力として用いるようにしたも
のであり、各画素について濃度値と傾きとを求め、２次
元のヒストグラムの対応する座標の頻度値をインクリメ
ントすることで、図５に示すような２次元のヒストグラ
ムを作成するようにしたものである。例えば、図５中の
座標ａは、傾き１３０、濃度１３０の画素数が２０個
（頻度値＝２０）であることを示す。各画素の傾きｇは
画素の座標が（ｘ，ｙ）（画素の値ｆ（ｘ，ｙ））の時
に上下左右の４画素の値（ｆ（ｘ，ｙ−１）、ｆ（ｘ，
ｙ＋１）、ｆ（ｘ−１，ｙ）、ｆ（ｘ＋１，ｙ））か
ら、 ｇ＝〔4f(x,y)−{f(x-1,y)＋f(x+1,y)＋f(x,y-1)＋f(x,
y+1)}〕／８＋１２８…………………………（２） なる式を用いて算出される。
【００３３】このような構成において、学習の際には、
入力層１１に２次元のヒストグラムを入力し、対応する
多値画像から得られた図３に示す関数をエラー関数とし
て、出力層１３から出力される２値化しきい値からエラ
ーを算出し、バックプロパゲーション法によってニュー
ラルネットワーク１０の学習を行う。
入力層１１に２次元のヒストグラムを入力し、対応する
多値画像から得られた図３に示す関数をエラー関数とし
て、出力層１３から出力される２値化しきい値からエラ
ーを算出し、バックプロパゲーション法によってニュー
ラルネットワーク１０の学習を行う。
【００３４】学習後のニューラルネットワーク１０を用
いる場合、２次元のヒストグラムを入力層１１に入力さ
せ、出力層１３より出力される値より２値化しきい値を
決定し、決定された２値化しきい値を用いて２値化処理
部３で２値化し、文字認識装置２に入力させることにな
る。
いる場合、２次元のヒストグラムを入力層１１に入力さ
せ、出力層１３より出力される値より２値化しきい値を
決定し、決定された２値化しきい値を用いて２値化処理
部３で２値化し、文字認識装置２に入力させることにな
る。
【００３５】
【発明の効果】請求項１，２記載の発明によれば、濃度
ヒストグラム全体をニューラルネットワークに入力させ
て２値化しきい値を決定するようにしたので、濃度ヒス
トグラムからより多くの情報が得られるものとなり、精
度の高い２値化しきい値の決定が可能となり、同様に、
請求項３，４記載の発明によれば、多値画像の各画素の
濃度の平均値及び分散値をニューラルネットワークに入
力させて２値化しきい値を決定するようにしたので、よ
り多くの情報が得られるものとなり、精度の高い２値化
しきい値の決定が可能となる。更に、請求項５，６記載
の発明によれば、これらの濃度ヒストグラム全体ととも
に多値画像の各画素の濃度の平均値及び分散値をもニュ
ーラルネットワークに入力させて２値化しきい値を決定
するようにしたので、より精度の高い２値化しきい値の
決定が可能となり、同様に、請求項７，８記載の発明に
よれば、濃度ヒストグラムに各画素の傾き情報も加味し
た２次元のヒストグラムをニューラルネットワークに入
力させて２値化しきい値を決定するようにしたので、よ
り精度の高い２値化しきい値の決定が可能となる。請求
項９記載の発明によれば、これらの発明で扱う濃度ヒス
トグラムに関して、多値画像の平均値及び分散値により
正規化するようにしたので、スキャナなどの違いによる
濃度ヒストグラムのバラツキの少ないものとなる。
ヒストグラム全体をニューラルネットワークに入力させ
て２値化しきい値を決定するようにしたので、濃度ヒス
トグラムからより多くの情報が得られるものとなり、精
度の高い２値化しきい値の決定が可能となり、同様に、
請求項３，４記載の発明によれば、多値画像の各画素の
濃度の平均値及び分散値をニューラルネットワークに入
力させて２値化しきい値を決定するようにしたので、よ
り多くの情報が得られるものとなり、精度の高い２値化
しきい値の決定が可能となる。更に、請求項５，６記載
の発明によれば、これらの濃度ヒストグラム全体ととも
に多値画像の各画素の濃度の平均値及び分散値をもニュ
ーラルネットワークに入力させて２値化しきい値を決定
するようにしたので、より精度の高い２値化しきい値の
決定が可能となり、同様に、請求項７，８記載の発明に
よれば、濃度ヒストグラムに各画素の傾き情報も加味し
た２次元のヒストグラムをニューラルネットワークに入
力させて２値化しきい値を決定するようにしたので、よ
り精度の高い２値化しきい値の決定が可能となる。請求
項９記載の発明によれば、これらの発明で扱う濃度ヒス
トグラムに関して、多値画像の平均値及び分散値により
正規化するようにしたので、スキャナなどの違いによる
濃度ヒストグラムのバラツキの少ないものとなる。
【図１】本発明の第一の実施例を示すブロック図であ
る。
る。
【図２】そのニューラルネットワーク構成を示す模式図
である。
である。
【図３】２値化しきい値−誤認識率特性図である。
【図４】本発明の第二の実施例を示すニューラルネット
ワーク構成の模式図である。
ワーク構成の模式図である。
【図５】本発明の第三の実施例を示す２次元のヒストグ
ラムの説明図である。
ラムの説明図である。
２ 文字認識装置 ９ 作成手段ないしは算出手段 １０ ニューラルネットワーク １１ 入力層 １３ 出力層
フロントページの続き (51)Int.Cl.5 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｈ０４Ｎ 1/40 １０３ Ａ 9068−5Ｃ
Claims (9)
- 【請求項１】 学習機能を持たせたニューラルネットワ
ークを用いて、文字認識装置に対する入力画像として多
値画像を２値画像にするためのしきい値を決定する２値
化しきい値決定装置において、前記多値画像の各画素値
から濃度ヒストグラムを作成する手段を設け、前記ニュ
ーラルネットワークに、各濃度における濃度ヒストグラ
ムの頻度値を入力とする入力層と、入力された前記多値
画像に対する最適２値化しきい値を出力する出力層とを
設けたことを特徴とする２値化しきい値決定装置。 - 【請求項２】 学習機能を持たせたニューラルネットワ
ークを用いて、文字認識装置に対する入力画像として多
値画像を２値画像にするためのしきい値を決定する２値
化しきい値決定装置において、前記多値画像の各画素値
から濃度ヒストグラムを作成する手段を設け、前記ニュ
ーラルネットワークに、各濃度における濃度ヒストグラ
ムの頻度値を入力とする入力層と、入力された前記多値
画像に対する最適２値化しきい値を出力する出力層と、
前記多値画像から作成された濃度ヒストグラムを前記入
力層に与えて前記出力層から出力される値より算出した
２値化しきい値を用いて２値化した時の前記文字認識装
置の誤認識率をエラーとして前記ニューラルネットワー
クの学習を行わせる学習制御手段とを設けたことを特徴
とする２値化しきい値決定装置。 - 【請求項３】 学習機能を持たせたニューラルネットワ
ークを用いて、文字認識装置に対する入力画像として多
値画像を２値画像にするためのしきい値を決定する２値
化しきい値決定装置において、前記多値画像の各画素の
濃度の平均値及び分散値を求める算出手段を設け、前記
ニューラルネットワークに、求められた濃度の平均値及
び分散値を入力とする入力層と、入力された多値画像に
対する最適２値化しきい値を出力する出力層とを設けた
ことを特徴とする２値化しきい値決定装置。 - 【請求項４】 学習機能を持たせたニューラルネットワ
ークを用いて、文字認識装置に対する入力画像として多
値画像を２値画像にするためのしきい値を決定する２値
化しきい値決定装置において、前記多値画像の各画素の
濃度の平均値及び分散値を求める算出手段を設け、前記
ニューラルネットワークに、求められた濃度の平均値及
び分散値を入力とする入力層と、入力された多値画像に
対する最適２値化しきい値を出力する出力層と、前記多
値画像から求められた濃度の平均値及び分散値を前記入
力層に与えて前記出力層から出力される値より算出した
２値化しきい値を用いて２値化した時の前記文字認識装
置の誤認識率をエラーとして前記ニューラルネットワー
クの学習を行わせる学習制御手段とを設けたことを特徴
とする２値化しきい値決定装置。 - 【請求項５】 学習機能を持たせたニューラルネットワ
ークを用いて、文字認識装置に対する入力画像として多
値画像を２値画像にするためのしきい値を決定する２値
化しきい値決定装置において、前記多値画像の各画素値
から濃度ヒストグラムを作成する手段と、前記多値画像
の各画素の濃度の平均値及び分散値を求める算出手段と
を設け、前記ニューラルネットワークに、これらの濃度
ヒストグラム、濃度の平均値及び分散値を入力とする入
力層と、入力された多値画像に対する最適２値化しきい
値を出力する出力層とを設けたことを特徴とする２値化
しきい値決定装置。 - 【請求項６】 学習機能を持たせたニューラルネットワ
ークを用いて、文字認識装置に対する入力画像として多
値画像を２値画像にするためのしきい値を決定する２値
化しきい値決定装置において、前記多値画像の各画素値
から濃度ヒストグラムを作成する手段と、前記多値画像
の各画素の濃度の平均値及び分散値を求める算出手段と
を設け、前記ニューラルネットワークに、これらの濃度
ヒストグラム、濃度の平均値及び分散値を入力とする入
力層と、入力された多値画像に対する最適２値化しきい
値を出力する出力層と、前記多値画像から作成された濃
度ヒストグラム、求められた濃度の平均値及び分散値を
前記入力層に与えて前記出力層から出力される値より算
出した２値化しきい値を用いて２値化した時の前記文字
認識装置の誤認識率をエラーとして前記ニューラルネッ
トワークの学習を行わせる学習制御手段とを設けたを設
けたことを特徴とする２値化しきい値決定装置。 - 【請求項７】 学習機能を持たせたニューラルネットワ
ークを用いて、文字認識装置に対する入力画像として多
値画像を２値画像にするためのしきい値を決定する２値
化しきい値決定装置において、前記多値画像の各画素の
濃度と各画素の傾きに関する２次元のヒストグラムを作
成する手段を設け、前記ニューラルネットワークに、作
成された２次元のヒストグラムの各座標上での頻度値を
入力とする入力層と、入力された多値画像に対する最適
２値化しきい値を出力する出力層とを設けたことを特徴
とする２値化しきい値決定装置。 - 【請求項８】 学習機能を持たせたニューラルネットワ
ークを用いて、文字認識装置に対する入力画像として多
値画像を２値画像にするためのしきい値を決定する２値
化しきい値決定装置において、前記多値画像の各画素の
濃度と各画素の傾きに関する２次元のヒストグラムを作
成する手段を設け、前記ニューラルネットワークに、作
成された２次元のヒストグラムの各座標上での頻度値を
入力とする入力層と、入力された多値画像に対する最適
２値化しきい値を出力する出力層と、前記多値画像から
作成された２次元のヒストグラムの各座標上での頻度値
を前記入力層に与えて前記出力層から出力される値より
算出した２値化しきい値を用いて２値化した時の前記文
字認識装置の誤認識率をエラーとして前記ニューラルネ
ットワークの学習を行わせる学習制御手段とを設けたこ
とを特徴とする２値化しきい値決定装置。 - 【請求項９】 濃度ヒストグラムを多値画像の平均値及
び分散値により正規化するようにしたことを特徴とする
請求項１，２，５又は６記載の２値化しきい値決定装
置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP34237192A JP3248965B2 (ja) | 1992-12-22 | 1992-12-22 | ２値化しきい値決定装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP34237192A JP3248965B2 (ja) | 1992-12-22 | 1992-12-22 | ２値化しきい値決定装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH06195511A true JPH06195511A (ja) | 1994-07-15 |
| JP3248965B2 JP3248965B2 (ja) | 2002-01-21 |
Family
ID=18353216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP34237192A Expired - Fee Related JP3248965B2 (ja) | 1992-12-22 | 1992-12-22 | ２値化しきい値決定装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3248965B2 (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0765161A (ja) * | 1993-08-30 | 1995-03-10 | Nec Corp | 画像処理装置 |
| US7103221B2 (en) | 1995-04-06 | 2006-09-05 | Canon Kabushiki Kaisha | Image processing apparatus and method |
| JP2008109203A (ja) * | 2006-10-23 | 2008-05-08 | Noritsu Koki Co Ltd | 撮影画像補正用変換テーブル作成方法とこの方法を実施する写真プリント装置 |
| JP2010164446A (ja) * | 2009-01-16 | 2010-07-29 | Angle Try Kk | 検査対象品の外観検査方法及びプログラム |
| WO2021009804A1 (ja) * | 2019-07-12 | 2021-01-21 | Eizo株式会社 | 閾値の学習方法 |
-
1992
- 1992-12-22 JP JP34237192A patent/JP3248965B2/ja not_active Expired - Fee Related
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0765161A (ja) * | 1993-08-30 | 1995-03-10 | Nec Corp | 画像処理装置 |
| US7103221B2 (en) | 1995-04-06 | 2006-09-05 | Canon Kabushiki Kaisha | Image processing apparatus and method |
| US7424152B2 (en) | 1995-04-06 | 2008-09-09 | Canon Kabushiki Kaisha | Image processing apparatus and method based on feature of a color image |
| JP2008109203A (ja) * | 2006-10-23 | 2008-05-08 | Noritsu Koki Co Ltd | 撮影画像補正用変換テーブル作成方法とこの方法を実施する写真プリント装置 |
| JP2010164446A (ja) * | 2009-01-16 | 2010-07-29 | Angle Try Kk | 検査対象品の外観検査方法及びプログラム |
| WO2021009804A1 (ja) * | 2019-07-12 | 2021-01-21 | Eizo株式会社 | 閾値の学習方法 |
| JPWO2021009804A1 (ja) * | 2019-07-12 | 2021-01-21 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3248965B2 (ja) | 2002-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0622750B1 (en) | Pattern recognition | |
| Cheriet et al. | A recursive thresholding technique for image segmentation | |
| JP3904840B2 (ja) | 多値画像から罫線を抽出する罫線抽出装置 | |
| EP1091320A2 (en) | Processing multiple digital images | |
| US5668898A (en) | Device for detecting the inclination of image | |
| US5884296A (en) | Network and image area attribute discriminating device and method for use with said neural network | |
| EP0965943A2 (en) | Optical character reading method and system for a document with ruled lines and their application | |
| EP1081648B1 (en) | Method for processing a digital image | |
| JP2004086891A (ja) | デジタル画像におけるオブジェクト検出方法 | |
| CN111652213A (zh) | 一种基于深度学习的船舶水尺读数识别方法 | |
| WO1991017519A1 (en) | Row-by-row segmentation and thresholding for optical character recognition | |
| Zhang et al. | Recovery of distorted document images from bound volumes | |
| JPH06195511A (ja) | ２値化しきい値決定装置 | |
| CN112686143A (zh) | 客观题填涂的识别方法、电子设备和存储介质 | |
| US6694059B1 (en) | Robustness enhancement and evaluation of image information extraction | |
| JPH10307889A (ja) | 文字認識方法、装置及び文字認識プログラムを記録した記録媒体 | |
| JPH04227581A (ja) | 画像の２値化閾値算出装置 | |
| JP2988097B2 (ja) | 濃淡画像の領域分割方法 | |
| JP2003123023A (ja) | 文字認識方法及び文字認識装置、文字認識プログラム並びにそのプログラムを記録した記録媒体 | |
| JP2812619B2 (ja) | 画像処理装置 | |
| Singh et al. | level shape description by skeletonization in faded documents | |
| JPH1070652A (ja) | 画像領域属性判別装置 | |
| JP2001291056A (ja) | 文書画像認識装置及び記録媒体 | |
| CN112183272A (zh) | 一种基于svm分类器的拍照找料方法、系统及存储介质 | |
| JP3578247B2 (ja) | 文字認識方法および装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071109 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081109 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081109 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091109 Year of fee payment: 8 |
|
| LAPS | Cancellation because of no payment of annual fees |