JPH0620048A - 画像処理装置 - Google Patents
画像処理装置Info
- Publication number
- JPH0620048A JPH0620048A JP4174078A JP17407892A JPH0620048A JP H0620048 A JPH0620048 A JP H0620048A JP 4174078 A JP4174078 A JP 4174078A JP 17407892 A JP17407892 A JP 17407892A JP H0620048 A JPH0620048 A JP H0620048A
- Authority
- JP
- Japan
- Prior art keywords
- output
- image
- data
- layer
- neural network
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
(57)【要約】
［目的］ 本発明は、ボケた画像の輪郭を簡単に安定性
よく再生できる画像処理装置を提供しようとするもので
ある。 ［構成］ 本発明の画像処理装置は、理想出力画像とし
た原画像と、この原画像を故意に作成したボケ画像を与
えることによりバックプロパゲーション法によりニュー
ラルネットワーク回路１０３をあらかじめ学習させてお
く。そして、入力した所定画素領域をニューラルネット
ワーク回路１０３によって再生処理し、この結果を出力
する。
よく再生できる画像処理装置を提供しようとするもので
ある。 ［構成］ 本発明の画像処理装置は、理想出力画像とし
た原画像と、この原画像を故意に作成したボケ画像を与
えることによりバックプロパゲーション法によりニュー
ラルネットワーク回路１０３をあらかじめ学習させてお
く。そして、入力した所定画素領域をニューラルネット
ワーク回路１０３によって再生処理し、この結果を出力
する。
Description
【０００１】
【産業上の利用分野】本発明は画像処理装置、詳しくは
老朽して輪郭にボケが生じたものを、再生するための画
像処理装置に関するものである。
老朽して輪郭にボケが生じたものを、再生するための画
像処理装置に関するものである。
【０００２】
【従来の技術】従来、ボケた画像を復元する場合には、
人間の目による判断により書き換えという処理を行なう
しかすべがなかった。
人間の目による判断により書き換えという処理を行なう
しかすべがなかった。
【０００３】
【発明が解決しようとしている課題】しかしながら、上
記の方法では、時間がかかるし、ある程度の技術が必要
という欠点があった。また、人手による作業のため処理
画像に安定性がない、ムラがあるなどの欠点もあった。
記の方法では、時間がかかるし、ある程度の技術が必要
という欠点があった。また、人手による作業のため処理
画像に安定性がない、ムラがあるなどの欠点もあった。
【０００４】本発明はかかる従来技術に鑑みなされたも
のであり、ボケた画像の輪郭を簡単に安定性よく再生で
きる画像処理装置を提供しようとするものである。
のであり、ボケた画像の輪郭を簡単に安定性よく再生で
きる画像処理装置を提供しようとするものである。
【０００５】
【課題を解決するための手段】この課題を解決するため
本発明の画像処理装置は以下に示す構成を備える。すな
わち、理想とする画像と該画像に対応するボケ画像に基
づき、バックプロパゲーション法に基づく学習済みのニ
ューラルネットワーク手段と、該ニューラルネットワー
ク手段での処理対象の所定画素領域を入力する入力手段
と、前記ニューラルネットワーク手段によって、前記入
力手段から入力された所定画素領域を再生処理した結果
を出力する出力手段とを備える。
本発明の画像処理装置は以下に示す構成を備える。すな
わち、理想とする画像と該画像に対応するボケ画像に基
づき、バックプロパゲーション法に基づく学習済みのニ
ューラルネットワーク手段と、該ニューラルネットワー
ク手段での処理対象の所定画素領域を入力する入力手段
と、前記ニューラルネットワーク手段によって、前記入
力手段から入力された所定画素領域を再生処理した結果
を出力する出力手段とを備える。
【０００６】
【作用】かかる本発明の構成において、入力手段で入力
された所定画素領域の画像を、バックプロパゲーション
法に基づいて予め学習させたニューラルネットワーク手
段によって再生処理し、それを出力手段で出力する。
された所定画素領域の画像を、バックプロパゲーション
法に基づいて予め学習させたニューラルネットワーク手
段によって再生処理し、それを出力手段で出力する。
【０００７】
【実施例】以下、添付図面に従って本発明に係る実施例
を詳細に説明する。尚、本実施例では、ボケ画像データ
から輪郭再生画像データを復元する際の参照領域をウイ
ンドとして、本来は参照領域はできるかぎり大きく取る
のだが、説明するのに簡単のため、３×３画素領域（ウ
インドウ）をその大きさとして採用する。
を詳細に説明する。尚、本実施例では、ボケ画像データ
から輪郭再生画像データを復元する際の参照領域をウイ
ンドとして、本来は参照領域はできるかぎり大きく取る
のだが、説明するのに簡単のため、３×３画素領域（ウ
インドウ）をその大きさとして採用する。
【０００８】図１は、この３×３を参照領域とした実施
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、図示されていない画像入力装置（例えばスキ
ャナ）によって、原稿より読み取られた画像データは３
ラインバッファ１０１へ入力される。この３ラインバッ
ファ１０１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、同じ水平位置の左端か
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１０２に対して出力される。すると、この
ラッチ群１０２には、図２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１０２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回路１０３に入力される。ニュ
ーラルネットワーク回路１０３は、その入力値から後述
する処理を行ない、その結果の処理画像データ（輪郭再
生データ）を出力する。
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、図示されていない画像入力装置（例えばスキ
ャナ）によって、原稿より読み取られた画像データは３
ラインバッファ１０１へ入力される。この３ラインバッ
ファ１０１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、同じ水平位置の左端か
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１０２に対して出力される。すると、この
ラッチ群１０２には、図２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１０２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回路１０３に入力される。ニュ
ーラルネットワーク回路１０３は、その入力値から後述
する処理を行ない、その結果の処理画像データ（輪郭再
生データ）を出力する。
【０００９】ニューラルネットワーク回路１０３の中は
本実施例の場合、入力層ニューロン９個、中間層ニュー
ロン９個、出力層ニューロン１個の計１９個のニューロ
ンからなり、図４に示すように中間層のニューロンは、
入力層のすべてのニューロンと結合しており、同様に出
力層のニューロンは、中間層のニューロンすべてに結合
している。すべての結合には強度があり上記強度の決定
のために後述のバックプロパゲーションアルゴリズムで
学習する。そして、ラッチ群１０２からの出力を入力層
のニューロンが受け取り、入力層ニューロンは受け取る
だけで、それを自分の出力（ｉｏｕｔ）とし、中間層ニ
ューロンへと渡す。すべての入力層からの出力ｉｏｕｔ
を受けたｊ番目の中間層ニューロンは図５に示すよう
に、入力層からのデータｉｏｕｔ［ｉ］にその結合強度
ｗｊｉ［ｊ，ｉ］をかけ、その総和ｓｕｍを ｓｕｍj ＝Σｗｊｉ［ｊ，ｉ］＊ｉｏｕｔ［ｉ］ により計算し、次にｊ番目の中間層の出力ｊｏｕｔ
［ｊ］を、０〜１値に正規化するためにシグモイド関数
を用いて
本実施例の場合、入力層ニューロン９個、中間層ニュー
ロン９個、出力層ニューロン１個の計１９個のニューロ
ンからなり、図４に示すように中間層のニューロンは、
入力層のすべてのニューロンと結合しており、同様に出
力層のニューロンは、中間層のニューロンすべてに結合
している。すべての結合には強度があり上記強度の決定
のために後述のバックプロパゲーションアルゴリズムで
学習する。そして、ラッチ群１０２からの出力を入力層
のニューロンが受け取り、入力層ニューロンは受け取る
だけで、それを自分の出力（ｉｏｕｔ）とし、中間層ニ
ューロンへと渡す。すべての入力層からの出力ｉｏｕｔ
を受けたｊ番目の中間層ニューロンは図５に示すよう
に、入力層からのデータｉｏｕｔ［ｉ］にその結合強度
ｗｊｉ［ｊ，ｉ］をかけ、その総和ｓｕｍを ｓｕｍj ＝Σｗｊｉ［ｊ，ｉ］＊ｉｏｕｔ［ｉ］ により計算し、次にｊ番目の中間層の出力ｊｏｕｔ
［ｊ］を、０〜１値に正規化するためにシグモイド関数
を用いて
【００１０】
【数１】 によって計算する。上記中間層からの出力ｊｏｕｔは出
力層ｋ−ｏｕｔ［ｋ］として渡され、同様に、
力層ｋ−ｏｕｔ［ｋ］として渡され、同様に、
【００１１】
【数２】 によって計算され、今回出力層のニューロンｋｏｕｔは
１つのためｋｏｕｔ［０］が得ようとしている輪郭再生
画素データとなる。
１つのためｋｏｕｔ［０］が得ようとしている輪郭再生
画素データとなる。
【００１２】次に前述の結合強度を決定するための学習
アルゴリズム、バックプロパゲーションについて述べ
る。
アルゴリズム、バックプロパゲーションについて述べ
る。
【００１３】ニューラルネットワークそのものの考え方
は、例えば、「ニューラルネツトをパターン認識、信号
処理、知識処理に使う」（日経エレクトロニクス；１９
８７年８月１０日）等に詳しく説明されている。
は、例えば、「ニューラルネツトをパターン認識、信号
処理、知識処理に使う」（日経エレクトロニクス；１９
８７年８月１０日）等に詳しく説明されている。
【００１４】図４は、この学習のためのニューラルネツ
トの１実施例の構成を示すブロック図を示している。同
図のニューラルネットワークは、Ｍ×Ｎの大きさの参照
ブロックに対応できるようになっている。３０１は入力
層ｉを、３０２は中間層ｊを、３０３は出力層ｋを示
す。従って、図２の大きさ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３×３の９
個のニューロンが必要になり、また、その３×３の中心
（図２の“＊”印）を注目画素として出力するために出
力層として１個のニューロンが必要となる。尚、本実施
例では、中間層として９個のニューロンとしたが、これ
はいくつでも良い。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。図４において、各ニ
ューロンを接続する実線はデータの入出力方向を示す。
例えば、中間層の１番目のニューロンは、入力層の全て
のニューロンと結合している。入力層ｉと中間層間ｊの
結合の強度はＷjiで表わされ、中間層ｊと出力層ｋ間の
結合強度はＷkjで表わされる。
トの１実施例の構成を示すブロック図を示している。同
図のニューラルネットワークは、Ｍ×Ｎの大きさの参照
ブロックに対応できるようになっている。３０１は入力
層ｉを、３０２は中間層ｊを、３０３は出力層ｋを示
す。従って、図２の大きさ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３×３の９
個のニューロンが必要になり、また、その３×３の中心
（図２の“＊”印）を注目画素として出力するために出
力層として１個のニューロンが必要となる。尚、本実施
例では、中間層として９個のニューロンとしたが、これ
はいくつでも良い。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。図４において、各ニ
ューロンを接続する実線はデータの入出力方向を示す。
例えば、中間層の１番目のニューロンは、入力層の全て
のニューロンと結合している。入力層ｉと中間層間ｊの
結合の強度はＷjiで表わされ、中間層ｊと出力層ｋ間の
結合強度はＷkjで表わされる。
【００１５】図４を用いて、結合強度を学習して得るた
めの手順を簡単に説明する。先ず、学習データとして、
画像データと、この画像データを何らかの方法でボケさ
せたボケ画像データを用意する。元の画像データは理想
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。即ち、結合強度Ｗji，Ｗkj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ボケ画像データ
を入力し、出力の画像データ（ｋｏｕｔ）を得る。この
出力と前記理想出力としての原画像データとを比較し、
この比較から教師信号（ｔｅａｃｈ）を生成する。この
過程を図４では、Ａ→Ｂ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Ｗji，Ｗkjを修正していく。この過程は、
図４では、Ｃ→Ｄとして示されている。この学習を繰返
すと、結合強度Ｗji，Ｗkjは、ボケ画像→輪郭再生画像
（復元）に適切なものとして修正されていく。
めの手順を簡単に説明する。先ず、学習データとして、
画像データと、この画像データを何らかの方法でボケさ
せたボケ画像データを用意する。元の画像データは理想
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。即ち、結合強度Ｗji，Ｗkj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ボケ画像データ
を入力し、出力の画像データ（ｋｏｕｔ）を得る。この
出力と前記理想出力としての原画像データとを比較し、
この比較から教師信号（ｔｅａｃｈ）を生成する。この
過程を図４では、Ａ→Ｂ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Ｗji，Ｗkjを修正していく。この過程は、
図４では、Ｃ→Ｄとして示されている。この学習を繰返
すと、結合強度Ｗji，Ｗkjは、ボケ画像→輪郭再生画像
（復元）に適切なものとして修正されていく。
【００１６】このようにして、結合強度が決定され固定
されると、図４のニューラルネットワーク回路１０３
は、ボケ画像→再生画像変換（復元）に適切なシステム
として機能する。
されると、図４のニューラルネットワーク回路１０３
は、ボケ画像→再生画像変換（復元）に適切なシステム
として機能する。
【００１７】図６及び図７はこの学習の為のフローチヤ
ートである。
ートである。
【００１８】先ず、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Ｗji，中間層と出
力層の結びつきの強さを示す重み数Ｗkjに初期値を与え
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２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
ルネットワーク回路１０３への入出力データのセツトの
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（こ
こで、ｉ＝１〜９）を、入力層にセツトする。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（ｉｄｅａｌ−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。
間層の結びつきの強さを示す重み係数Ｗji，中間層と出
力層の結びつきの強さを示す重み数Ｗkjに初期値を与え
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２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
ルネットワーク回路１０３への入出力データのセツトの
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（こ
こで、ｉ＝１〜９）を、入力層にセツトする。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（ｉｄｅａｌ−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。
【００１９】即ち、入力層からのデータｉｏｕｔ（ｉ）
に中間層の係数Ｗjiを掛け、その総和ＳｕｍFjを、 により計算し、次にｊ番目の中間層の出力ｊｏｕｔ
（ｊ）を、０／１値に正規化するためにシグモイド関数
を用いて、
に中間層の係数Ｗjiを掛け、その総和ＳｕｍFjを、 により計算し、次にｊ番目の中間層の出力ｊｏｕｔ
（ｊ）を、０／１値に正規化するためにシグモイド関数
を用いて、
【００２０】
【数３】 によって計算する。ここで、ＳｕｍFjのＦは前向き（Fo
rward ）を意味する。
rward ）を意味する。
【００２１】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Ｗkjを用い、中間層からの出力値ｊｏｕｔ（ｊ）
とにより積の総和を求めその値ＳｕｍFKを得る。
ｋｏｕｔは次のようにして求める。まず、初めに出力層
の係数Ｗkjを用い、中間層からの出力値ｊｏｕｔ（ｊ）
とにより積の総和を求めその値ＳｕｍFKを得る。
【００２２】
【数４】 次に、０／１に正規化するためにシグモイド関数を用い
て、
て、
【００２３】
【数５】 に従って出力層ｋの出力ｋｏｕｔ（ｋ）を得る。
【００２４】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
ら成るサンプルデータからの学習により結合強度を修正
するための手順である。
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
ら成るサンプルデータからの学習により結合強度を修正
するための手順である。
【００２５】そこで、ステップＳ４１２で、初期値（ス
テップＳ４０２でセツト）のＷji，Ｗkjから計算した出
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ｔｅａｃｈ＿ｋ（Ｋ）を、 ｔｅａｃｈ＿ｋ（ｋ）＝｛ｉｄｅａｌ＿ｏｕｔ（Ｋ）−ｋｏｕｔ（ｋ）｝ ＊ｋｏｕｔ（ｋ）＊｛１−ｋｏｕｔ（ｋ）｝…（５） によって計算する。（５）式中のｋｏｕｔ（ｋ）＊｛１
−ｋｏｕｔ（ｋ）｝はシグモイド関数の微分の意義を有
する。
テップＳ４０２でセツト）のＷji，Ｗkjから計算した出
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ｔｅａｃｈ＿ｋ（Ｋ）を、 ｔｅａｃｈ＿ｋ（ｋ）＝｛ｉｄｅａｌ＿ｏｕｔ（Ｋ）−ｋｏｕｔ（ｋ）｝ ＊ｋｏｕｔ（ｋ）＊｛１−ｋｏｕｔ（ｋ）｝…（５） によって計算する。（５）式中のｋｏｕｔ（ｋ）＊｛１
−ｋｏｕｔ（ｋ）｝はシグモイド関数の微分の意義を有
する。
【００２６】次に、ステップＳ４１４で、出力層の結合
度の変化幅△Ｗkj（ｋ，ｊ）を求める。即ち、 △Ｗkj（ｋ，ｊ）＝β＊ｊｏｕｔ（ｊ）＊ｔｅａｃｈ＿ｋ（ｋ） ＋α＊△Ｗkj（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、共に“０．５”とした。ステップＳ４１５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Ｗkj（ｋ，ｊ）を更新、即ち、学習する。
度の変化幅△Ｗkj（ｋ，ｊ）を求める。即ち、 △Ｗkj（ｋ，ｊ）＝β＊ｊｏｕｔ（ｊ）＊ｔｅａｃｈ＿ｋ（ｋ） ＋α＊△Ｗkj（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、共に“０．５”とした。ステップＳ４１５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Ｗkj（ｋ，ｊ）を更新、即ち、学習する。
【００２７】 Ｗkj（ｋ，ｊ）＝△Ｗkj（ｋ，ｊ）＋Ｗkj（ｋ，ｊ） …（７） 次に、ステップＳ４１６で中間層の教師信号ｔｅａｃｈ
＿ｊ（ｊ）を計算する。即ち、先ず、
＿ｊ（ｊ）を計算する。即ち、先ず、
【００２８】
【数６】 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、次式に従ってシグモイド関数の微分値を用
いて正規化することにより、中間層の教師信号ｔｅａｃ
ｈ＿ｊ（ｊ）を演算する。
らのＢＡＣＫＷＡＲＤ方向の寄与を演算する。そして、
この寄与を、次式に従ってシグモイド関数の微分値を用
いて正規化することにより、中間層の教師信号ｔｅａｃ
ｈ＿ｊ（ｊ）を演算する。
【００２９】 ｔｅａｃｈ＿ｊ（ｊ）＝ｊｏｕｔ（ｊ）＊｛１−ｊｏｕｔ（ｊ）｝＊ ＳｕｍBj …（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。
理想信号としての意義を有する。
【００３０】次に、ステップＳ４１８で、この教師信号
ｔｅａｃｈ＿ｊ（ｊ）を用いて、中間層の結合度の変化
幅△Ｗji（ｊ，ｉ）を演算する。即ち、 △Ｗji（ｊ．ｉ）＝β＊ｉｏｕｔ（ｉ）＊ｔｅａｃｈ＿ｊ（ｊ） ＋α＊△Ｗji（ｊ，ｉ） …（１０） そして、ステップＳ４２０では結合度Ｗji（ｊ，ｉ）を
更新する。即ち、 Ｗji（ｊ，ｉ）＝Ｗji（ｊ，ｉ）＋△Ｗji（ｊ，ｉ） …（１１） である。
ｔｅａｃｈ＿ｊ（ｊ）を用いて、中間層の結合度の変化
幅△Ｗji（ｊ，ｉ）を演算する。即ち、 △Ｗji（ｊ．ｉ）＝β＊ｉｏｕｔ（ｉ）＊ｔｅａｃｈ＿ｊ（ｊ） ＋α＊△Ｗji（ｊ，ｉ） …（１０） そして、ステップＳ４２０では結合度Ｗji（ｊ，ｉ）を
更新する。即ち、 Ｗji（ｊ，ｉ）＝Ｗji（ｊ，ｉ）＋△Ｗji（ｊ，ｉ） …（１１） である。
【００３１】こうして、１つの注目画素の理想多値画像
データｉｄｅａｌ＿ＯＵＴと、これに対応する２値画像
データであって、対応位置周りの９画素の２値画像デー
タとから、結合度ＷjiとＷkjとが学習される。
データｉｄｅａｌ＿ＯＵＴと、これに対応する２値画像
データであって、対応位置周りの９画素の２値画像デー
タとから、結合度ＷjiとＷkjとが学習される。
【００３２】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。
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。
【００３３】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。
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。
【００３４】尚、ステップＳ４０４で指定される注目画
素は、シーケンシヤルではなくランダムに指定される方
がよい。
素は、シーケンシヤルではなくランダムに指定される方
がよい。
【００３５】こうして、図５におけるニューラルネット
ワーク内の結合定数がボケ画像→輪郭再生画像に最適な
ように決定される。
ワーク内の結合定数がボケ画像→輪郭再生画像に最適な
ように決定される。
【００３６】以上説明した実施例において、各層のニュ
ーロンの数は自由に決めることができる。設けるウイン
ドウを５×５にすれば入力層ニューロン数は２５個にな
るし、もちろんウインドウは矩形である必要はない。入
力層のニューロンには参照領域の画素以外の情報（例え
ば位置など）をあたえても良い。
ーロンの数は自由に決めることができる。設けるウイン
ドウを５×５にすれば入力層ニューロン数は２５個にな
るし、もちろんウインドウは矩形である必要はない。入
力層のニューロンには参照領域の画素以外の情報（例え
ば位置など）をあたえても良い。
【００３７】出力層のニューロンも１個でなくｎ個でｎ
ビツトの出力を得ても良いし、層の数も３層でなく４層
にしても良い。
ビツトの出力を得ても良いし、層の数も３層でなく４層
にしても良い。
【００３８】また、今実施例では入力層ー中間層、中間
層ー入力層間はすべて結合させたが、すべて結合する必
要もない。逆に変則的に入力層ー出力層間を結合させた
りしても良い。
層ー入力層間はすべて結合させたが、すべて結合する必
要もない。逆に変則的に入力層ー出力層間を結合させた
りしても良い。
【００３９】尚、実施例における装置はハード的に処理
する例を説明したが、本発明の趣旨に従えば、図６及び
図７に示すフローチャートに係る処理を実現すれば良い
のであるから、プログラムをロードすることで上記処理
を実現するようにしても良い。
する例を説明したが、本発明の趣旨に従えば、図６及び
図７に示すフローチャートに係る処理を実現すれば良い
のであるから、プログラムをロードすることで上記処理
を実現するようにしても良い。
【００４０】以上説明したように本実施例によれば、ボ
ケた画像の輪郭を短時間で誰でも安定性よく再生できる
ようになる。
ケた画像の輪郭を短時間で誰でも安定性よく再生できる
ようになる。
【００４１】
【発明の効果】以上説明したように本発明によれば、ボ
ケた画像の輪郭を簡単に安定性よく再生できるようにな
る。
ケた画像の輪郭を簡単に安定性よく再生できるようにな
る。
【図１】実施例における画像処理装置のブロック構成図
である。
である。
【図２】入力のボケ画像データと理想出力として原画像
データの対応関係を示す図である。
データの対応関係を示す図である。
【図３】入力のボケ画像データと理想出力として原画像
データの対応関係を示す図である。
データの対応関係を示す図である。
【図４】本実施例の結合強度の決定の際に用いられるニ
ューラルネットワーク回路の構成を示すブロック図であ
る。
ューラルネットワーク回路の構成を示すブロック図であ
る。
【図５】各ニューロンの出力値の計算の様子を示す図で
ある。
ある。
【図６】ニューラルネットワーク回路内で行なわれる学
習の制御手順のフローチヤートである。
習の制御手順のフローチヤートである。
【図７】ニューラルネットワーク回路内で行なわれる学
習の制御手順のフローチヤートである。
習の制御手順のフローチヤートである。
１０１ ３ラインバッファ １０２ 遅延素子群 １０３ ニューラルネットワーク回路 ３０１ 入力層 ３０２ 中間層 ３０３ 出力層
Claims (1)
- 【請求項１】 理想とする画像と該画像に対応するボ
ケ画像に基づき、バックプロパゲーション法に基づく学
習済みのニューラルネットワーク手段と、 該ニューラルネットワーク手段での処理対象の所定画素
領域を入力する入力手段と、 前記ニューラルネットワーク手段によって、前記入力手
段から入力された所定画素領域を再生処理した結果を出
力する出力手段とを備えることを特徴とする画像処理装
置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4174078A JPH0620048A (ja) | 1992-07-01 | 1992-07-01 | 画像処理装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4174078A JPH0620048A (ja) | 1992-07-01 | 1992-07-01 | 画像処理装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0620048A true JPH0620048A (ja) | 1994-01-28 |
Family
ID=15972267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4174078A Pending JPH0620048A (ja) | 1992-07-01 | 1992-07-01 | 画像処理装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0620048A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015083199A1 (en) * | 2013-12-04 | 2015-06-11 | J Tech Solutions, Inc. | Computer device and method executed by the computer device |
| JP2018055516A (ja) * | 2016-09-30 | 2018-04-05 | キヤノン株式会社 | 画像処理方法、画像処理装置、撮像装置、画像処理プログラム、および、記憶媒体 |
| WO2022145232A1 (ja) * | 2021-01-02 | 2022-07-07 | 天海 金 | 情報処理装置および情報処理方法、並びにプログラム |
-
1992
- 1992-07-01 JP JP4174078A patent/JPH0620048A/ja active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015083199A1 (en) * | 2013-12-04 | 2015-06-11 | J Tech Solutions, Inc. | Computer device and method executed by the computer device |
| JP2018055516A (ja) * | 2016-09-30 | 2018-04-05 | キヤノン株式会社 | 画像処理方法、画像処理装置、撮像装置、画像処理プログラム、および、記憶媒体 |
| WO2022145232A1 (ja) * | 2021-01-02 | 2022-07-07 | 天海 金 | 情報処理装置および情報処理方法、並びにプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5293456A (en) | Object recognition system employing a sparse comparison neural network | |
| EP0449516B1 (en) | Image processing using neural network | |
| JPH06266687A (ja) | テクスチュアイメージ合成装置 | |
| JPH09319866A (ja) | 画像処理方法 | |
| US5168352A (en) | Coloring device for performing adaptive coloring of a monochromatic image | |
| US5581662A (en) | Signal processing apparatus including plural aggregates | |
| JPH0620048A (ja) | 画像処理装置 | |
| JPH0451384A (ja) | ニューラルネットワークの構築方法 | |
| US6026178A (en) | Image processing apparatus using neural network | |
| JP2859377B2 (ja) | ニューラルネットを用いた画像処理方法および画像処理装置 | |
| US7324980B2 (en) | Information processing apparatus and method | |
| JPH0447470A (ja) | ニューラルネットを用いた画像処理方式及び同方式を用いた画像処理装置 | |
| JP2810497B2 (ja) | 画像処理装置 | |
| JPH0447473A (ja) | ニューラルネットワークを用いた画像処理方法 | |
| CN115273182B (zh) | 长视频专注度预测方法及装置 | |
| JPH0447474A (ja) | ニューラルネットワークを用いた画像処理方式 | |
| JP2891505B2 (ja) | 中間調画像復元方法 | |
| Kursun et al. | Single-frame super-resolution by a cortex based mechanism using high level visual features in natural images | |
| JPH0447472A (ja) | ニャーラルネットワークを用いた画像処理方式 | |
| Qiu | Image Reconstruction of Tang Sancai Figurines Based on Artificial Intelligence Image Extraction Technology Based on Ration | |
| JPH05303645A (ja) | 画像認識装置 | |
| JPH03273456A (ja) | 領域分離方法 | |
| Kulkarni | Neural nets for image restoration | |
| JPH0451386A (ja) | ニューラルネットワーク及びその構築方法 | |
| CN114926568A (zh) | 模型训练方法、图像生成方法和装置 |