JPH07121118B2 - 画像情報処理装置 - Google Patents

Description

【発明の詳細な説明】 ［産業上の利用分野］ 本発明は画像情報処理装置に関し、特にデジタル画像デ
ータをブロツク毎に直交変換処理し、生成したベクトル
データをベクトル量子化して符号化する画像情報処理装
置に関する。

［従来の技術］ 近年、超LSIC等を代表とするデバイス技術の発展により
データ伝送又はデータ蓄積の対象になる画像データは従
来の２値画像主流から多値画像主流に移りつつある。ま
た画像読取センサの集積度も上がり、解像度も高くな
り、その結果画像データ量が膨大となり、高速、高能率
な符号器の実現が望まれる。従来、多値画像の符号化に
ついては幾つか報告されている。例えば予測符号化ブロ
ツク符号化、直交変換符号化、ベクトル量子化による圧
縮符号化等がある。これらの内、最近では符号化データ
の扱い易さからブロツク符号化が注目され、特に高圧縮
率が得られることからブロツク毎にベクトル量子化する
方式が考案されている。しかしベクトル量子化には問題
点がある。

第１の問題点は画像について最適な再生ベクトルをいか
に求めるかという点である。通常、ベクトル量子化にお
いては予め周波数の異なる種々の画像を用い、トレーニ
ングシーケンスを行い、再生ベクトルを求める。そして
入力画像に対して歪みが最小となるような再生ベクトル
を求め、符号化を行う。一般にはLBG法と呼ばれるベク
トル量子化アルゴリズムで再生ベクトルの最適解を求め
ている。しかし、周波数の異なる種々の画像データに対
しLBG法によるベクトル量子化を行うと、トレーニング
シーケンスにおいて出現頻度の多い画像データに極端に
偏つた再生ベクトルがベクトル量子化の最適解として得
られてしまう。従つて、このような方法で画像をベクト
ル量子化した場合は、出現頻度はそれほど多くはないが
特徴のあるような画像の劣化が目立つてしまうという欠
点がある。

第２の問題点はハードウエア化する際にハードウエア規
模が非常に大きくなる点である。即ち、ブロツク毎にベ
クトル量子化するため、ブロツク内すべての画像データ
を入力とし再生ベクトルの符号を出力するような大規模
のルツクアツプテーブル（LUT）が必要である。そのた
め、逆にベクトル量子化するブロツクサイズが制限され
てしまうことにもなる。そしてブロツクサイズが小さい
と画像の相関性を利用しにくく、圧縮率があがらない欠
点がある。

［発明が解決しようとする問題点］ 本発明は上述した従来技術の欠点を除去するものであ
り、その目的とする所は、比較的小さいルツクアツプテ
ーブルで高品質、高圧縮のベクトル量子化を行う画像情
報処理装置を提供することにある。

［問題点を解決するための手段］ 本発明の画像情報処理装置は、上記の目的を達成するた
めに、デジタル画像データをＭ×Ｎ画素単位に分割する
ブロック化手段と、前記分割したブロック画像データに
対して直交変換を施すことにより周波数解析した所定次
元数のベクトルデータを生成する変換手段と、前記ブロ
ック内のベクトルデータを周波数に応じて複数のバンド
に分割するバンド分割手段と、前記複数のバンドに分割
したベクトルデータを各独立にベクトル量子化する複数
の第一のルックアップテーブルと、前記各独立にベクト
ル量子化した量子化ベクトルデータをベクトル量子化に
よりブロック当り一つのベクトルに統合量子化する第二
のルックアップテーブルとを備えることを特徴とする。

［作用］ 上記の構成において、ブロック化手段はデジタル画像デ
ータをＭ×Ｎ画素単位に分割し、変換手段は前記分割し
たブロック画像データに対して直交変換を施すことによ
り周波数解析した所定次元数のベクトルデータを生成
し、バンド分割手段は前記ブロック内のベクトルデータ
を周波数に応じて複数のバンドに分割し、複数の第一の
ルックアップテーブルは前記複数のバンドに分割したベ
クトルデータを各独立にベクトル量子化し、第二のルッ
クアップテーブルは前記各独立にベクトル量子化した量
子化ベクトルデータをベクトル量子化によりブロック当
り一つのベクトルに統合量子化するので、ベクトル量子
化を、コートブックを参照することなく、高速に行うこ
とができるとともに、ベクトル量子化を行うためのルッ
クアップテーブルを複数に分割して、それらの出力をさ
らに統合ベクトル量子化することにより、個々のルック
アップテーブルの構成を大きくすることなく、画質を良
好に保つベクトル量子化を行うことができる。

［実施例の説明］ 以下、添付図面に従つて本発明による実施例を詳細に説
明する。

まず、本発明の概略を説明する。第１に本発明は以下の
考えに基づいている。画像などのような相関性の高い情
報源は周波数解析を行うと低周波に電力が集中する性質
がある。この性質を利用し、画像をブロツク毎に周波数
領域に変換し、低周波成分を特に符号化することにより
効率の良い符号化を行う。

しかしながら、周波数解析し、十分な相関を得るために
は変換ブロツクサイズがある程度大きくなくてはならな
い。したがつて、変換されたブロツクをそのままベクト
ル量子化等の手法を用いて符号化を行うと、前述のよう
な問題点、すなわち出現頻度の多い画像データに極端に
かたよつた再生ベクトルを得てしまい、かつハードウエ
ア化には膨大な量のLUT（ルツクアツプテーブル）が必
要となり、前述の問題点の解決にはならない。

そこで、本発明は次に述べる第２の考えに基づき、この
問題を解決している。即ち、画像の相関性を利用し、直
交変換後、周波数の大小によりブロツク毎にカテゴリ分
類を行う。更にカテゴリ内の画像をバンド分割し、それ
ぞれをベクトル量子化することによりベクトルの次元数
を減らす。この方法により前述の出現頻度にかたよつた
再生ベクトルを解決すると同時にハードウエア化におけ
るLUTをバンド分割により少なくする。

更に本発明は第３の考え方に基づいている。カテゴリ
毎、バンド分割毎にベクトル量子化された画像を符号化
する場合、求めた再生ベクトルを符号化するわけである
が、バンド分割され、それぞれ独立に求めた再生ベクト
ルを符号化する場合、画像の相関性を考えるとほとんど
出現しないような各バンドの再生ベクトルの組合せも符
号化してしまう。従つて本発明では相関性を考えて、バ
ンド毎に独立に符号化されたものを１つの符号にするこ
とにより、従来方式では得られなかつた符号化効率を得
る。

第１図は実施例の画像情報処理装置のブロツク構成図で
ある。図において、１は画像入力装置であり、本実施例
ではラスタースキヤン方式によつて濃度８ビツト、解像
度16pel/mmのデジタル画像データを入力する。２はライ
ンバツフアであり、読取走査ラインに沿つて入力される
デジタル画像データを各４ライン分ずつ蓄え、４×４画
素分のブロツク画像データを順次パラレル出力する。

３は直交変換部であり、本実施例では４×４マトリクス
のアダマール変換を行う。第２図（Ａ）は直交変換部３
に入力するブロツク画像データX₁，X₂，…，X₁₆（各８
ビツト）を示しており、第２図（Ｂ）は直交変換部３に
よるアダマール変換後のベクトルデータ（シーケンシ成
分）Y₁₁，Y₁₂，…，Y₄₄（各10ビツト）を示しており、
第３図は本実施例のアダマール変換に採用した２次元ウ
オルシユ型変換パターンを示している。第１図に戻り、
４はカテゴリ分類部であり、ブロツク内所定のシーケン
シ成分のパワー等を調べることにより当該画像ブロツク
を８つのカテゴリ（画像ブロツクの８つの特徴的性質）
のうちの何れかに分類する。またカテゴリ分類部４はブ
ロツク内シーケンシ成分Y₁₁〜Y₄₄のうちDC成分Y₁₁を抽
出してそのまま出力する。

５はスカラ量子化部であり、ブロツク内シーケンシ成分
Y₁₁〜Y₄₄のうちDC成分Y₁₁を除いたシーケンシ成分Y₁₂〜
Y₄₄が入力する。従来方法によれば、15個のシーケンシ
成分Y₁₂〜Y₄₄を適当なビツト数でスカラ量子化して15次
元ベクトル要素と成してこれらを一括ベクトル量子化す
ることになる。しかしこれでは膨大なルツクアツプテー
ブル（LUT）が必要になり現実的ではない。一般画像の
ように相関性の高い情報源は周波数解析を行うと低周波
成分に電力が集中する性質がある。この性質を利用し
て、画像をブロツク毎に周波数領域に変換し、低周波成
分に重きをおいて符号化すれば効率良い符号化が行え
る。しかし周波数解析して十分な相関を得るためには直
交変換のブロツクサイズをある程度大きくしなくてはな
らない。従つて変換により生成されるベクトルデータの
次元数も大きくなり、そのまま一括してベクトル量子化
を行うとLUTが極めて膨大になる。しかしながら、周波
数解析し、十分な相関を得るためには変換ブロツクサイ
ズがある程度大きくなくてはならない。そして変換され
たブロツクをそのままベクトル量子化等の手法を用いて
符号化を行うと、前述のような問題点、すなわち出現頻
度の多い画像データに極端に偏つた再生ベクトルを得て
しまい、かつハードウエア化には膨大な量のLUTが必要
となる。そこで本実施例では画像の相関性を利用し、直
交変換後、周波数の大小によりブロツク毎にカテゴリ分
類を行い、更にカテゴリ内の画像をバンド分割し、それ
ぞれをベクトル量子化することによりベクトルの次元数
を減らす。この方法により前述の出願頻度に偏つた再生
ベクトルを解決すると同時にハードウエア化におけるLU
Tをバンド分割により少なくすることができる。これに
従い、本実施例のスカラ量子化部５は、入力したカテゴ
リ分類データに応じて入力シーケンシ成分Y₁₂〜Y₄₄を周
波数の低い所定シーケンシ成分（低シーケンシ成分）と
周波数の高い所定シーケンシ成分（高シーケンシ成分）
とにバンド分割し、各バンドについて夫々特定ビツト数
によるスカラ量子化を行い、該量子化した低シーケンシ
ベクトル要素と高シーケンシベクトル要素を別個に設け
たベクトル量子化部（LUT）に供給している。

６はベクトル量子化部（Ｌ）であり、カテゴリ分類デー
タに応じて形成された低シーケンシベクトル要素をベク
トル量子化する。７はベクトル量子化部（Ｈ）であり、
同じくカテゴリ分類データに応じて形成された高シーケ
ンシベクトル要素をベクトル量子化する。本実施例のベ
クトル量子化を行うには、予め複数種の代表的画像につ
いて行つたトレーニングシーケンスに基づき各カテゴリ
毎に再生低シーケンシベクトル要素と再生高シーケンシ
ベクトル要素を各256種ずつ求めておく。従つて、これ
ら各256種の再生ベクトルは予め各８ビツトベクトル量
子化コードデータと関係付けられる。そこでベクトル量
子化部（Ｌ）６及びベクトル量子化部（Ｈ）７には、各
入力した低シーケンシベクトル要素又は高シーケンシベ
クトル要素と予めトレーニングシーケンスにより求めた
各256種の再生低シーケンシベクトル要素又は再生高シ
ーケンシベクトル要素を比較することにより、歪み最小
となる関係の８ビツトベクトル量子化コードデータを選
択するようなルツクアツプテーブル（LUT）が記憶され
ている。また本実施例の高シーケンシベクトル要素又は
低シーケンシベクトル要素は後述する如くカテゴリ毎に
その構成シーケンシ成分が異なるから、ベクトル量子化
部（Ｌ）６及びベクトル量子化部（Ｈ）７にはカテゴリ
分類部４より信号線４−２を介してカテゴリ分類コード
データが入力されており、これによりカテゴリ別に用意
された異なるLUTが選択使用される。こうしてブロツク
内所定のシーケンシベクトルはベクトル量子化部（Ｌ）
６及びベクトル量子化部（Ｈ）７により各８ビツトのベ
クトル量子化コードデータに変換され、信号線６−１及
び７−１に出力される。

８は統合ベクトル量子化部であり、低シーケンシベクト
ル要素及び高シーケンシベクトル要素を夫々ベクトル量
子化した各８ビツトのベクトル量子化コードデータを統
合して合計10ビツトの統合コードデータに変換する。９
は符号データ記憶部であり、信号線４−１のシーケンシ
成分Y₁₁（DC成分）の上位８ビツトと、信号線４−２の
カテゴリ分類コードの３ビツトと、信号線８−１の統合
量子化した10ビツトの統合コードデータを記憶する。

第４図は実施例のブロツク符号化コードの情報構造を示
す図である。図において、ブロツク符号化コードは合計
21ビツトから成り、MSBから８ビツトはシーケンシ成分Y
₁₁（平均値）データ、次の３ビツトはカテゴリ分類コー
ドデータ、次の10ビツトはY₁₁以外の所定シーケンシ成
分をベクトル符号化した統合コードデータである。かよ
うにして１ブロツク当り（４×４）画素×８ビツト＝12
8ビツト分のデジタル画像データが固定長21ビツトのブ
ロツク符号化コードデータに圧縮されており、データ圧
縮率は略1/6である。

第５図（Ａ）は実施例のカテゴリ分類方法の基本概念を
説明する図である。実施例のカテゴリ分類は周波数の低
い所定シーケンシ成分に基づき、そのパワーの大小によ
り行う。一般画像の各種ブロツク画像データをアダマー
ル変換してその周波数成分を調べると、例えば縦エッ
ジ，横エッジなどの画像のエッジ部ほどパワーが低シー
ケンシ成分（DC成分を除く）に集中し、その絶対値が大
きい。本実施例ではかかる性質を利用してエツジ量ED
を、 ED＝｜Y₁₂｜＋｜Y₁₃｜＋｜Y₂₁｜ ＋｜Y₂₂｜＋｜Y₃₁｜ の如く定義する。

第６図（Ａ）は実施例のカテゴリ分類方法を具体的に示
す図である。統計的手法により３つの閾値T1＜T2＜T3を
設定し、EDの小さい順に、ED≦T1の場合は平坦部、T1＜
ED≦T2の場合は網点平坦部、T2＜ED≦T3の場合は弱エツ
ジ部、T3＜EDの場合は強エツジ部というように４分類す
る。また弱エツジ部、強エツジ部には縦、横、斜めのエ
ツジパターンがあるので第６図（Ａ）に示す如く合計８
分類としている。

第５図（Ｂ），（Ｃ）に弱エツジ及び強エツジ部の分類
方法を示す。たて方向にエツジの強い画像においては、
第５図（Ｂ）の斜線部分のパワーが大きくなり、よこ方
向にエツジの強い画像では第５図（Ｃ）の斜線部分のパ
ワーが大きくなる性質がある。本実施例ではこのような
性質を利用して、次の様なたてエツジ量VE、よこエツジ
量HEを定義する。

VE＝｜Y₁₂｜＋｜Y₁₃｜＋｜Y₁₄｜ HE＝｜Y₂₁｜＋｜Y₃₁｜＋｜Y₄₁｜ これらを利用して弱エツジ及び強エツジ部を更に３つの
カテゴリに分類する。即ち、|VE|−|HE|＞E1かつ|VE|≧
|HE|ならたてエツジ、|VE|−|HE|＞E1かつ|VE|＜|HE|な
らよこエツジ、それ以外ならななめエツジと分類する。
ただしE1は定数である。弱エツジにおける定数をE1、強
エツジにおける定数をE2とするとE1＜E2となるようにパ
ラメータE1、E2を決定する。

第６図（Ａ）の斜線部分は各カテゴリに応じてマスキン
グされずに残つたシーケンシ成分である。これらは第５
図の各シーケンシ成分と位置対応させて示してある。第
６図（Ａ）において、斜線部のシーケンシ成分は更に周
波数の低い低シーケンシ成分（／斜線部分）と高シーケ
ンシ成分（＼斜線部分）にバンド分割されている。括弧
内の数字はこれらを低シーケンシベクトル要素及び高シ
ーケンシベクトル要素と考えた場合の各次元数である。
平坦部のカテゴリでは低シーケンシベクトル要素Y₁₂，Y
₂₁，Y₂₂の３次元のみでありこれを1024種（10ビツト）
の何れかのベクトル量子化コードデータに符号化する。
平坦部以外のカテゴリでは低シーケンシベクトル要素及
び高シーケンシベクトル要素が存在し、夫々を別個の25
6種（８ビツト）の何れかのベクトル量子化コードデー
タに符号化する。図示の如く本実施例ではエツジ成分が
強くなる程シーケンシベクトルの次元数を多くしてい
る。これは解像度を保存するためである。逆に平坦部で
は階調数を多くして保存している。

第６図（Ｂ）は実施例の各カテゴリ別に規定した低シー
ケンシ成分及び高シーケンシ成分に対するスカラ量子化
のビツト配分を示す図である。スカラ量子化後の低シー
ケンシベクトル及び高シーケンシベクトルは夫々合計18
ビツト固定になつている。ベクトルの次元数は低シーケ
ンシベクトルの方が高シーケンシベクトルより少なくな
つており、また周波数の低いシーケンシ成分になる程割
当ビツト数を多くすることにより画像の低周波成分の階
調性を優先した符号化を行つている。

第７図は実施例のベクトル量子化手段を抽出して示すブ
ロツク構成図である。図において、スカラ量子化部５に
より各カテゴリ毎にバンド分割された低シーケンシベク
トル及び高シーケンシベクトルが各18ビツトずつベクト
ル量子化部（Ｌ）６及びベクトル量子化部（Ｈ）７に入
力し、ここで各256種のうちの何れかの８ビツトベクト
ル量子化コードデータに符号化される。また同時に３ビ
ツトのカテゴリ分類コードデータが入力されており、結
局各ベクトル量子化部6,7は各21ビツト入力で各８ビツ
ト量子化コードデータを出力するLUTで構成できる。

第８図は実施例の統合ベクトル量子化部８の動作概念を
示す図である。図において、L1,L2,…,L256は低シーケ
ンシベクトルのベクトル量子化コードデータであり、H
1,H2,…,H256は高シーケンシベクトルのベクトル量子化
コードデータである。従つて、これら低シーケンシベク
トルと高シーケンシベクトルの各ベクトル量子化コード
データの組合せ数は一般に256種類以上ある。しかし、
一般画像の相関性を考えると、低シーケンシベクトルと
高シーケンシベクトル間には相関が有るので全ての組合
せ数、即ち、256×256＝65536通りは無いのが通常であ
る。そこで、予めサンプル画像についてのトレーニング
を行い、例えば第８図の上段と中段の間にあるような可
能性のある組合せを求め、この組合せ数が1024種（10ビ
ツト）におさまるような条件で、歪みの近いもの同士を
まとめて更にベクトル量子化し、新たにC1〜C1024まで
の統合（コンビネーシヨン）ベクトル量子化コード（10
ビツト）を作成しておく。これを実現する構成は各８ビ
ツトの低シーケンシベクトル量子化コードデータと高シ
ーケンシベクトル量子化コードデータ及び３ビツトのカ
テゴリ分類コードデータとからベクトル量子化法により
10ビツトの統合ベクトル量子化コードデータを発生させ
るようなLUTから成つている。このようにして、カテゴ
リ毎、バンド分割毎にベクトル量子化された画像を符号
化する場合、求めた再生ベクトルを符号化するわけであ
るが、バンド分割され、それぞれ独立に求めた再生ベク
トルを符号化する場合に、画像の相関性を考えると、ほ
とんど出現しない様な各バンドの再生ベクトルの組合せ
も符号化してしまう。したがつて本実施例では、相関性
を考えて、バンド毎に独立に符号化されたものを１つの
符号にすることにより従来方式では得られなかつた符号
化効率を得ることができる。

次に実施例の再生ベクトルの求め方について説明する。
本実施例では予め周波数の異なる複数のサンプル画像を
走査読取りし、第５図及び第６図で説明したカテゴリ分
類毎及びバンド分割毎に公知のLBG法により最適再生ベ
クトルを求める。即ち、第１図〜第８図について説明し
た方法と同様にしてトレーニングシーケンスを行い所定
コード長（本実施例では21ビツト）にしている。大きな
違いはトレーニングシーケンスにおいてはハードウエア
による制限がないことである。実際は計算機シミユレー
シヨンにより再生ベクトルの最適解を求める。従つてサ
ンプル画像データを直交変換した後は、第６図（Ｂ）で
説明したようなスカラ量子化は行わず、第６図（Ａ）で
説明したような各カテゴリ毎のシーケンシベクトル要素
を抽出し、これを低シーケンシベクトル及び高シーケン
シベクトルにバンド分割し、LBG法により最適再生ベク
トルを求める。こうして第６図（Ｂ）のスカラ量子化誤
差が最適再生ベクトル設計に影響しないようにしてい
る。

また最適再生ベクトルの設計時は、第６図（Ａ）で説明
したエツジ量EDによるカテゴリ分類のパラメータT1,T2,
T3を次の様に決定している。第６図（Ａ）のT1,T2,T3に
よる４つの分類を決定する際に複数のサンプル画像を用
いるが、それぞれに属する４×４画素単位のブロツクの
数を カテゴリ平坦 ED≦T1のとき B1 カテゴリ網点平坦 T1＜ED≦T2のとき B2 カテゴリ弱エツジ T2＜ED≦T3のとき B3 カテゴリ強エツジ ED＞T3のとき B4 とすると、B1＞B2＞B3＞B4になるようにパラメータT1,T
2,T3を決定する。この方法は各カテゴリ毎にベクトル量
子化する際、エツジが強くなるに従つてベクトルのユー
クリツド空間が異常に大きくなるのを防ぐためである。
つまり、各カテゴリ毎の再生ベクトルの数は決まつてい
るため、エツジの強いカテゴリになるに従つて入力画像
に対する再生ベクトルとの誤差が異常に大きくなり過ぎ
るのを防ぎ、また画像は通常平坦部ほど出現頻度が多い
ため、極端に平坦部に偏つた再生ベクトルを最適解とし
て求めるのを防ぐ目的からである。

第９図は実施例の再生ベクトルの求め方を示すフローチ
ヤートである。図において、ステツプS1ではサンプル画
像を４×４画素単位のブロツク毎に切り出す。ステツプ
S2ではそのブロツクを直交変換（本実施例ではアダマー
ル変換）する。ステツプS3では直交変換後のシーケンシ
データY₁₁〜Y₄₄によりエツジ量EDを基準にしてブロツク
毎にカテゴリ分類をする。ステツプS4ではカテゴリ毎に
第６図（Ａ）に示すようにバンド分割し、低シーケンシ
ベクトルと高シーケンシベクトルを抽出する。ステツプ
S5ではステツプS1〜ステツプS4までの工程をすべてのサ
ンプル画像（本実施例では周波数の異なる代表的な数枚
の画像）の走査が終了するまで行わせ、各カテゴリ毎、
低シーケンシベクトル及び高シーケンシベクトルのサン
プルベクトルすべてをテーブル化する。ステツプS6では
ステツプS1〜ステツプS5で求めたすべてのサンプル低シ
ーケンシベクトル及びサンプル高シーケンシベクトルに
ついて、各カテゴリ毎に、LBG法により低シーケンシベ
クトル、高シーケンシベクトル共に256種の最適ベクト
ルを求める。ステツプS7では各カテゴリ毎に、第８図で
説明した統合ベクトル量子化により低シーケンシベクト
ル量子化コードデータ、高シーケンシベクトル量子化コ
ードデータを統合して1024種の統合ベクトル量子化コー
ドデータにする。以上のステツプS1〜S7により本実施例
の再生ベクトルが求まる。

［他の実施例］ 尚、上述実施例では周波数解析手段としてアダマール変
換を用いたがこれに限らない。他の直交変換、例えばコ
サイン変換、Ｋ・Ｌ変換等を用いても良い。

［発明の効果］ 以上説明したように、本願発明によれば、ベクトル量子
化を、コートブックを参照することなく、高速に行うこ
とができるとともに、ベクトル量子化を行うためのルッ
クアップテーブルを複数に分割して、それらの出力をさ
らに統合ベクトル量子化することにより、個々のルック
アップテーブルの構成を大きくすることなく、画質を良
好に保つベクトル量子化を行うことができる。

とくに、例えば、ブロック内のベクトルデータのビット
数が36ビットの場合に、一段目の（第一の）ルックアッ
プテーブルとして、それぞれ18ビットアドレス入力の二
つのルックアップテーブルを使うことにより、36ビット
アドレス入力のルックアップテーブルを用いるよりも、
製造コストを大幅に減少させることができる。

【図面の簡単な説明】

第１図は実施例の画像情報処理装置のブロツク構成図、 第２図（Ａ）は直交変換部３に入力するブロツク画像デ
ータX₁，X₂，…，X₁₆を示す図、 第２図（Ｂ）は直交変換部３によるアダマール変換後の
ベクトルデータ（シーケンシ成分）Y₁₁，Y₁₂，…，Y₄₄
を示す図、 第３図は本実施例のアダマール変換に採用した２次元ウ
オルシユ型変換パターンを示す図、 第４図は実施例のブロツク符号化コードの情報構造を示
す図、 第５図（Ａ）は実施例のカテゴリ分類方法の基本概念を
説明する図、 第５図（Ｂ），（Ｃ）は弱エツジ及び強エツジ部の分類
方法を示す図、 第６図（Ａ）は実施例のカテゴリ分類方法を具体的に示
す図、 第６図（Ｂ）は実施例の各カテゴリ別に規定した低シー
ケンシ成分及び高シーケンシ成分に対するスカラ量子化
のビツト配分を示す図、 第７図は実施例のベクトル量子化手段を抽出して示すブ
ロツク構成図、 第８図は実施例の統合ベクトル量子化部８の動作概念を
示す図、 第９図は実施例の再生ベクトルの求め方を示すフローチ
ヤート、 第10図は従来のSchamingのバンドによるバンド分割の一
例を示す図である。 図中、１…画像入力装置、２…ラインバツフア、３…直
交変換部、４…カテゴリ分類部、５…スカラ量子化部、
６…ベクトル量子化部（Ｌ）、７…ベクトル量子化部
（Ｈ）、８…統合ベクトル量子化部、９…符号データ記
憶部である。

Claims (1)

【特許請求の範囲】
1. 【請求項１】デジタル画像データをＭ×Ｎ画素単位に分
   割するブロック化手段と、 前記分割したブロック画像データに対して直交変換を施
   すことにより周波数解析した所定次元数のベクトルデー
   タを生成する変換手段と、 前記ブロック内のベクトルデータを周波数に応じて複数
   のバンドに分割するバンド分割手段と、 前記複数のバンドに分割したベクトルデータを各独立に
   ベクトル量子化する複数の第一のルックアップテーブル
   と、 前記各独立にベクトル量子化した量子化ベクトルデータ
   をベクトル量子化によりブロック当り一つのベクトルに
   統合量子化する第二のルックアップテーブルとを備える
   ことを特徴とする画像情報処理装置。