JPH07271907A - アナログ画像の二値化装置 - Google Patents
アナログ画像の二値化装置Info
- Publication number
- JPH07271907A JPH07271907A JP6085519A JP8551994A JPH07271907A JP H07271907 A JPH07271907 A JP H07271907A JP 6085519 A JP6085519 A JP 6085519A JP 8551994 A JP8551994 A JP 8551994A JP H07271907 A JPH07271907 A JP H07271907A
- Authority
- JP
- Japan
- Prior art keywords
- image
- input
- neural network
- input data
- analog image
- 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.)
- Withdrawn
Links
Landscapes
- Character Input (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
(57)【要約】
【目的】 ノイズ等の影響を受けない高精度の二値化を
可能とする。 【構成】 本発明に係るアナログ画像の二値化装置は、
文字ａ１を含むアナログ画像ｂを入力するアナログ画像
入力部１０と、アナログ画像ｂについて外周部の濃度値
の平均値と各画素の濃度値との差をとることにより差分
画像ｃを作成する差分画像作成部１２と、差分画像ｃを
一列ごとの画素に分割することにより入力データＸ1 〜
Ｘn を作成する入力データ作成部１４と、入力データＸ
1 〜Ｘn をニューラルネットワーク処理により二値化し
て出力データｘ1 〜ｘn に変換するニューラルネットワ
ーク処理部１６と、出力データｘ1 〜ｘn を合成して二
値化画像ｄとして出力する二値化画像出力部１８とを備
えたものである。
可能とする。 【構成】 本発明に係るアナログ画像の二値化装置は、
文字ａ１を含むアナログ画像ｂを入力するアナログ画像
入力部１０と、アナログ画像ｂについて外周部の濃度値
の平均値と各画素の濃度値との差をとることにより差分
画像ｃを作成する差分画像作成部１２と、差分画像ｃを
一列ごとの画素に分割することにより入力データＸ1 〜
Ｘn を作成する入力データ作成部１４と、入力データＸ
1 〜Ｘn をニューラルネットワーク処理により二値化し
て出力データｘ1 〜ｘn に変換するニューラルネットワ
ーク処理部１６と、出力データｘ1 〜ｘn を合成して二
値化画像ｄとして出力する二値化画像出力部１８とを備
えたものである。
Description
【０００１】
【産業上の利用分野】本発明は、入力画像中の文字，図
形，記号，色彩等を認識する前処理に用いられるアナロ
グ画像の二値化装置に関し、詳しくは、濃度が連続的に
変化しているアナログ画像を濃度が「０」又は「１」の
デジタル画像に変換するための二値化装置に関する。
形，記号，色彩等を認識する前処理に用いられるアナロ
グ画像の二値化装置に関し、詳しくは、濃度が連続的に
変化しているアナログ画像を濃度が「０」又は「１」の
デジタル画像に変換するための二値化装置に関する。
【０００２】
【従来の技術】従来のアナログ画像の二値化装置は、し
きい値を基準に二値化を行うＡ／Ｄ変換器であった。そ
のしきい値は、種々の決定方法が知られている。例え
ば、アナログ画像の濃度ヒストグラムを作成し、そのヒ
ストグラムの谷の濃度値をしきい値としている。
きい値を基準に二値化を行うＡ／Ｄ変換器であった。そ
のしきい値は、種々の決定方法が知られている。例え
ば、アナログ画像の濃度ヒストグラムを作成し、そのヒ
ストグラムの谷の濃度値をしきい値としている。
【０００３】
【発明が解決しようとする課題】しかしながら、かかる
従来技術では、アナログ画像にノイズが含まれている場
合に、そのノイズの濃度値がしきい値以上であると、そ
のノイズを有効な部分（文字等の一部）と判断して二値
化してしまう。そのため、従来技術では、ノイズを除去
して高精度に二値化することが困難であった。
従来技術では、アナログ画像にノイズが含まれている場
合に、そのノイズの濃度値がしきい値以上であると、そ
のノイズを有効な部分（文字等の一部）と判断して二値
化してしまう。そのため、従来技術では、ノイズを除去
して高精度に二値化することが困難であった。
【０００４】
【発明の目的】そこで、本発明の目的は、上記従来技術
の問題を解決することにより、ノイズ等の影響を受けな
い高精度の二値化を可能とした、アナログ画像の二値化
装置を提供することにある。
の問題を解決することにより、ノイズ等の影響を受けな
い高精度の二値化を可能とした、アナログ画像の二値化
装置を提供することにある。
【０００５】
【課題を解決するための手段】本発明に係るアナログ画
像の二値化装置は、上記目的を達成するためになされた
ものであり、文字等を含むアナログ画像を入力するアナ
ログ画像入力部と、このアナログ画像入力部で入力され
たアナログ画像について外周部の濃度値の平均値と各画
素の濃度値との差をとることにより差分画像を作成する
差分画像作成部と、この差分画像作成部で作成された差
分画像を一列ごとの画素に分割することにより入力デー
タを作成する入力データ作成部と、この入力データ作成
部で作成された入力データをニューラルネットワーク処
理により二値化して出力データに変換するニューラルネ
ットワーク処理部と、このニューラルネットワーク処理
部で変換された出力データを合成して二値化画像として
出力する二値化画像出力部とを備えたものである。
像の二値化装置は、上記目的を達成するためになされた
ものであり、文字等を含むアナログ画像を入力するアナ
ログ画像入力部と、このアナログ画像入力部で入力され
たアナログ画像について外周部の濃度値の平均値と各画
素の濃度値との差をとることにより差分画像を作成する
差分画像作成部と、この差分画像作成部で作成された差
分画像を一列ごとの画素に分割することにより入力デー
タを作成する入力データ作成部と、この入力データ作成
部で作成された入力データをニューラルネットワーク処
理により二値化して出力データに変換するニューラルネ
ットワーク処理部と、このニューラルネットワーク処理
部で変換された出力データを合成して二値化画像として
出力する二値化画像出力部とを備えたものである。
【０００６】また、前記ニューラルネットワーク処理部
は、前記入力データ作成部で作成される入力データの画
素数に等しいユニット数からなる入力層と、任意のユニ
ット数からなる中間層と、前記入力層のユニット数と等
しいユニット数からなる出力層とを備えたものとしても
よい。さらに、前記ニューラルネットワーク処理部は、
リカレントニューラルネットワークからなるものとして
もよい。
は、前記入力データ作成部で作成される入力データの画
素数に等しいユニット数からなる入力層と、任意のユニ
ット数からなる中間層と、前記入力層のユニット数と等
しいユニット数からなる出力層とを備えたものとしても
よい。さらに、前記ニューラルネットワーク処理部は、
リカレントニューラルネットワークからなるものとして
もよい。
【０００７】ここでいう「画素」とは、最小分解能とし
ての画素から、これらの画素を複数個集めて一単位とし
たものまでを含む。
ての画素から、これらの画素を複数個集めて一単位とし
たものまでを含む。
【０００８】
【作用】文字等を含むアナログ画像は、アナログ画像入
力部から入力され、差分画像作成部で差分画像に変換さ
れる。この差分画像は、アナログ画像の外周部の濃度値
の平均値と各画素の濃度値との差からなるので、背景の
濃淡の影響が除去されている。すなわち、この差分画像
は、背景の濃淡の情報が取り除かれた比較的単純な情報
で構成されているので、ニューラルネットワークでの学
習が収束しやすい。続いて、入力データ作成部では、差
分画像を一列ごとの画素に分割することにより入力デー
タが作成される。この入力データは、ニューラルネット
ワーク処理部で二値化されて出力データに変換される。
力部から入力され、差分画像作成部で差分画像に変換さ
れる。この差分画像は、アナログ画像の外周部の濃度値
の平均値と各画素の濃度値との差からなるので、背景の
濃淡の影響が除去されている。すなわち、この差分画像
は、背景の濃淡の情報が取り除かれた比較的単純な情報
で構成されているので、ニューラルネットワークでの学
習が収束しやすい。続いて、入力データ作成部では、差
分画像を一列ごとの画素に分割することにより入力デー
タが作成される。この入力データは、ニューラルネット
ワーク処理部で二値化されて出力データに変換される。
【０００９】一方、ニューラルネットワーク処理部で
は、入力データを的確に認識して二値化できるように、
ニューラルネットワークに予め学習させてある。例え
ば、しきい値を越える画素であっても、その画素の周囲
との関係からノイズと判断するように学習させる。した
がって、ニューラルネットワーク処理部では、入力デー
タに含まれるノイズが正確に認識される結果、出力デー
タにはノイズが含まれていない。最後に、この出力デー
タに基づき、二値化画像出力部からノイズの除去された
二値化画像が出力される。
は、入力データを的確に認識して二値化できるように、
ニューラルネットワークに予め学習させてある。例え
ば、しきい値を越える画素であっても、その画素の周囲
との関係からノイズと判断するように学習させる。した
がって、ニューラルネットワーク処理部では、入力デー
タに含まれるノイズが正確に認識される結果、出力デー
タにはノイズが含まれていない。最後に、この出力デー
タに基づき、二値化画像出力部からノイズの除去された
二値化画像が出力される。
【００１０】
【実施例】図１は、本発明に係るアナログ画像の二値化
装置の一実施例を示すブロック図である。図２は、本実
施例におけるニューラルネットワーク処理部の構成及び
動作を示す説明図である。以下、これらの図に基づき説
明する。
装置の一実施例を示すブロック図である。図２は、本実
施例におけるニューラルネットワーク処理部の構成及び
動作を示す説明図である。以下、これらの図に基づき説
明する。
【００１１】本発明に係るアナログ画像の二値化装置
は、文字ａ１を含むアナログ画像ｂを入力するアナログ
画像入力部１０と、アナログ画像入力部１０で入力され
たアナログ画像ｂについて外周部の濃度値の平均値と各
画素の濃度値との差をとることにより差分画像ｃを作成
する差分画像作成部１２と、差分画像作成部１２で作成
された差分画像ｃを一列ごとの画素に分割することによ
り入力データＸ1 〜Ｘnを作成する入力データ作成部１
４と、入力データ作成部１４で作成された入力データＸ
1 〜Ｘn をニューラルネットワーク処理により二値化し
て出力データｘ1〜ｘn に変換するニューラルネットワ
ーク処理部１６と、ニューラルネットワーク処理部１６
で変換された出力データｘ1 〜ｘn を合成して二値化画
像ｄとして出力する二値化画像出力部１８とを備えたも
のである。
は、文字ａ１を含むアナログ画像ｂを入力するアナログ
画像入力部１０と、アナログ画像入力部１０で入力され
たアナログ画像ｂについて外周部の濃度値の平均値と各
画素の濃度値との差をとることにより差分画像ｃを作成
する差分画像作成部１２と、差分画像作成部１２で作成
された差分画像ｃを一列ごとの画素に分割することによ
り入力データＸ1 〜Ｘnを作成する入力データ作成部１
４と、入力データ作成部１４で作成された入力データＸ
1 〜Ｘn をニューラルネットワーク処理により二値化し
て出力データｘ1〜ｘn に変換するニューラルネットワ
ーク処理部１６と、ニューラルネットワーク処理部１６
で変換された出力データｘ1 〜ｘn を合成して二値化画
像ｄとして出力する二値化画像出力部１８とを備えたも
のである。
【００１２】アナログ画像入力部１０は、例えばイメー
ジスキャナ，又はＣＣＤカメラ等から構成され、画像を
光電変換しアナログ値として出力するものである。二値
化画像出力部１８は、例えばＣＲＴ，又はプリンタ等か
ら構成され、ニューラルネットワーク処理部１６からの
出力データを合成して二値化画像として出力するもので
ある。
ジスキャナ，又はＣＣＤカメラ等から構成され、画像を
光電変換しアナログ値として出力するものである。二値
化画像出力部１８は、例えばＣＲＴ，又はプリンタ等か
ら構成され、ニューラルネットワーク処理部１６からの
出力データを合成して二値化画像として出力するもので
ある。
【００１３】差分画像作成部１２，入力データ作成部１
４及びニューラルネットワーク処理部１６は、例えばコ
ンピュータ及びこれを動作させるプログラムによって実
現できる。この場合、このコンピュータで、アナログ画
像入力部１０及び二値化画像出力部１８を制御するよう
に構成してもよい。また、ニューラルネットワーク処理
部１６は、ニューロチップによっても実現できる。
４及びニューラルネットワーク処理部１６は、例えばコ
ンピュータ及びこれを動作させるプログラムによって実
現できる。この場合、このコンピュータで、アナログ画
像入力部１０及び二値化画像出力部１８を制御するよう
に構成してもよい。また、ニューラルネットワーク処理
部１６は、ニューロチップによっても実現できる。
【００１４】また、ニューラルネットワーク処理部１６
は、入力データ作成部１４で作成される入力データＸ1
〜Ｘn の画素数に等しいｍ個のユニット数からなる入力
層２０と、任意のユニット数からなる中間層２２と、入
力層２０のユニット数と等しいｍ個のユニット数からな
る出力層２４とを備えている。さらに、ニューラルネッ
トワーク処理部１６は、リカレントニューラルネットワ
ークからなるものである。
は、入力データ作成部１４で作成される入力データＸ1
〜Ｘn の画素数に等しいｍ個のユニット数からなる入力
層２０と、任意のユニット数からなる中間層２２と、入
力層２０のユニット数と等しいｍ個のユニット数からな
る出力層２４とを備えている。さらに、ニューラルネッ
トワーク処理部１６は、リカレントニューラルネットワ
ークからなるものである。
【００１５】入力層２０，中間層２２，出力層２４の各
ユニットは、対称結合又は一方向結合に拘束されない、
非対称でリカレントな結合をしている。このような特徴
を有するリカレントニューラルネットワークは、ノイズ
が混入した入力データに対しても、正確な認識が可能で
ある。なお、リカレントニューラルネットワーク自体
は、公知技術であり、例えば「計測と制御」Vol.30.No.
4(1991年４月)pp.296-301 等に詳述されている。
ユニットは、対称結合又は一方向結合に拘束されない、
非対称でリカレントな結合をしている。このような特徴
を有するリカレントニューラルネットワークは、ノイズ
が混入した入力データに対しても、正確な認識が可能で
ある。なお、リカレントニューラルネットワーク自体
は、公知技術であり、例えば「計測と制御」Vol.30.No.
4(1991年４月)pp.296-301 等に詳述されている。
【００１６】このような構成において、入力層２０に入
力される入力データＸ1 〜Ｘn と出力層２４から出力さ
れる出力データｘ1 〜ｘn との関係を得るために、各ユ
ニット間の結合強度をあらかじめ学習によって求める。
すなわち、ある入力データを入力層２０に入力したと
き、その入力データにノイズが含まれていればノイズを
除去した出力データを出力層２４から出力させように学
習させる。又は、ある入力データを入力層２０に入力し
たとき、その入力データが大きな固まり（「１」の集
合）であれば、出力層２４から「１」を出力させ、その
入力データが小さな固まりであれば、出力層２４から
「０」を出力させるように学習させる。
力される入力データＸ1 〜Ｘn と出力層２４から出力さ
れる出力データｘ1 〜ｘn との関係を得るために、各ユ
ニット間の結合強度をあらかじめ学習によって求める。
すなわち、ある入力データを入力層２０に入力したと
き、その入力データにノイズが含まれていればノイズを
除去した出力データを出力層２４から出力させように学
習させる。又は、ある入力データを入力層２０に入力し
たとき、その入力データが大きな固まり（「１」の集
合）であれば、出力層２４から「１」を出力させ、その
入力データが小さな固まりであれば、出力層２４から
「０」を出力させるように学習させる。
【００１７】このような学習済みのニューラルネットワ
ーク処理部１６を使用すれば、入力層２０に例えば文字
ａ１及びノイズａ２，ａ３を含む未知の入力データが与
えられたとき、出力層２４からノイズａ２，ａ３を除去
した正確な文字ａ１の出力データが得られる。ニューラ
ルネットワーク処理部１６は、パターンの形状を学習す
るものであるため、入力パターン（本実施例における
「入力データ」）にノイズが混入した場合でも、正しい
パターン認識が可能である。
ーク処理部１６を使用すれば、入力層２０に例えば文字
ａ１及びノイズａ２，ａ３を含む未知の入力データが与
えられたとき、出力層２４からノイズａ２，ａ３を除去
した正確な文字ａ１の出力データが得られる。ニューラ
ルネットワーク処理部１６は、パターンの形状を学習す
るものであるため、入力パターン（本実施例における
「入力データ」）にノイズが混入した場合でも、正しい
パターン認識が可能である。
【００１８】次に、図３のフローチャート及び以下に指
示する図面に基づき、本実施例の動作を説明する。
示する図面に基づき、本実施例の動作を説明する。
【００１９】まず、アナログ画像入力部１０でアナログ
画像が入力される（ステップ１０１）。アナログ画像の
例を図４に示す。図４において、アナログ画像Ａ，Ｂ，
Ｃは、それぞれ数字の「２」，「６」，「４」と、濃度
をハッチングで表わした数字の背景とから構成されてい
る。また、アナログ画像Ａ，Ｂ，Ｃの下に、アナログ画
像Ａ，Ｂ，ＣのそれぞれのA1-A1,B1-B1,C1-C1 線におけ
る濃度値（０〜255 ）のグラフを示す。アナログ画像に
おける背景の濃度はＢ，Ａ，Ｃの順に濃くなっている。
アナログ画像Ａ，Ｂ，Ｃをそのまま、ニューラルネット
ワーク処理部１６で学習しようとすれば、情報量が膨大
となって学習の収束が困難となる。そこで、差分画像作
成部１２は、アナログ画像Ａ，Ｂ，Ｃについて、最外周
部の濃度値の平均値と各画素の濃度値との差をとること
により、図５に示す差分画像Ｄ，Ｅ，Ｆを作成する（ス
テップ１０２）。差分画像Ｄ，Ｅ，Ｆとすることによっ
て、アナログ画像Ａ，Ｂ，Ｃにおける背景の濃度値を一
定にできる。これにより、適切な学習データが得られる
ので、ニューラルネットワーク処理部１６で正しく二値
化することが可能となる。さらに、差分画像作成部１２
は、差分画像Ｄ，Ｅ，Ｆの各画素の濃度値０〜255 を0.
0 〜1.0 に正規化する（ステップ１０３）。入力データ
作成部１４は、図６に示すように正規化された差分画像
ｃを一列ごとの画素に分割することにより、入力データ
Ｘ1 〜Ｘn を作成する（ステップ１０４）。
画像が入力される（ステップ１０１）。アナログ画像の
例を図４に示す。図４において、アナログ画像Ａ，Ｂ，
Ｃは、それぞれ数字の「２」，「６」，「４」と、濃度
をハッチングで表わした数字の背景とから構成されてい
る。また、アナログ画像Ａ，Ｂ，Ｃの下に、アナログ画
像Ａ，Ｂ，ＣのそれぞれのA1-A1,B1-B1,C1-C1 線におけ
る濃度値（０〜255 ）のグラフを示す。アナログ画像に
おける背景の濃度はＢ，Ａ，Ｃの順に濃くなっている。
アナログ画像Ａ，Ｂ，Ｃをそのまま、ニューラルネット
ワーク処理部１６で学習しようとすれば、情報量が膨大
となって学習の収束が困難となる。そこで、差分画像作
成部１２は、アナログ画像Ａ，Ｂ，Ｃについて、最外周
部の濃度値の平均値と各画素の濃度値との差をとること
により、図５に示す差分画像Ｄ，Ｅ，Ｆを作成する（ス
テップ１０２）。差分画像Ｄ，Ｅ，Ｆとすることによっ
て、アナログ画像Ａ，Ｂ，Ｃにおける背景の濃度値を一
定にできる。これにより、適切な学習データが得られる
ので、ニューラルネットワーク処理部１６で正しく二値
化することが可能となる。さらに、差分画像作成部１２
は、差分画像Ｄ，Ｅ，Ｆの各画素の濃度値０〜255 を0.
0 〜1.0 に正規化する（ステップ１０３）。入力データ
作成部１４は、図６に示すように正規化された差分画像
ｃを一列ごとの画素に分割することにより、入力データ
Ｘ1 〜Ｘn を作成する（ステップ１０４）。
【００２０】続いて、ニューラルネットワーク処理部１
６の入力層２０に入力データＸ1 〜Ｘn を順次入力する
（ステップ１０５）。すると、入力データＸ1 〜Ｘn に
対応した出力データｘ1 〜ｘn が出力層２４から順次出
力される（ステップ１０６）。例えば、図７（イ）に示
すように入力データＸ1 に対して出力データｘ1 、図７
（ロ）に示すように入力データＸ2 に対して出力データ
ｘ2 、図７（ハ）に示すように入力データＸ3 に対して
出力データｘ3 がそれぞれ出力される。
６の入力層２０に入力データＸ1 〜Ｘn を順次入力する
（ステップ１０５）。すると、入力データＸ1 〜Ｘn に
対応した出力データｘ1 〜ｘn が出力層２４から順次出
力される（ステップ１０６）。例えば、図７（イ）に示
すように入力データＸ1 に対して出力データｘ1 、図７
（ロ）に示すように入力データＸ2 に対して出力データ
ｘ2 、図７（ハ）に示すように入力データＸ3 に対して
出力データｘ3 がそれぞれ出力される。
【００２１】最後に、二値化画像出力部１８は、ニュー
ラルネットワーク処理部１６で変換された出力データｘ
1 〜ｘn を合成して二値化画像ｄとして出力する（ステ
ップ１０７）。
ラルネットワーク処理部１６で変換された出力データｘ
1 〜ｘn を合成して二値化画像ｄとして出力する（ステ
ップ１０７）。
【００２２】図８は、二値化画像の例を示す平面図であ
る。図８（１）がアナログ画像，図８（２）が本発明に
よる二値化画像，図８（３）が従来技術による二値化画
像である。この図から明らかなように、本発明によれ
ば、従来技術では得られなかった高精度の二値化画像を
得ることが可能である。
る。図８（１）がアナログ画像，図８（２）が本発明に
よる二値化画像，図８（３）が従来技術による二値化画
像である。この図から明らかなように、本発明によれ
ば、従来技術では得られなかった高精度の二値化画像を
得ることが可能である。
【００２３】なお、ニューラルネットワーク処理部１６
は、本実施例のようにリカレントニューラルネットワー
クを用いることが最も望ましいが、これに限定するもの
ではなく、例えばフィードフォワードネットワーク等を
用いてもよい。
は、本実施例のようにリカレントニューラルネットワー
クを用いることが最も望ましいが、これに限定するもの
ではなく、例えばフィードフォワードネットワーク等を
用いてもよい。
【００２４】また、入力データ作成部１４は、差分画像
ｃを縦方向にｎ個に分割することにより入力データを作
成しているが、差分画像ｃを横方向にｍ個に分割するこ
とにより入力データを作成してもよい。また、縦横に限
らず斜めに分割してもよく、さらに、一列に限らず二列
以上を一まとめにして分割してもよい。
ｃを縦方向にｎ個に分割することにより入力データを作
成しているが、差分画像ｃを横方向にｍ個に分割するこ
とにより入力データを作成してもよい。また、縦横に限
らず斜めに分割してもよく、さらに、一列に限らず二列
以上を一まとめにして分割してもよい。
【００２５】
【発明の効果】本発明によれば、アナログ画像の外周部
の濃度値の平均値と各画素の濃度値との差からなる差分
画像に基づいて入力データを作成することにより、背景
の濃淡の情報が取り除かれて単純化された入力データを
作成できるので、これらの入力データをニューラルネッ
トワーク処理部で学習することが可能となる。したがっ
て、ニューラルネットワークの作用によって、しきい値
を越える画素であっても、その画素の周囲との関係から
ノイズを判断できるので、アナログ画像を高精度に二値
化できる。
の濃度値の平均値と各画素の濃度値との差からなる差分
画像に基づいて入力データを作成することにより、背景
の濃淡の情報が取り除かれて単純化された入力データを
作成できるので、これらの入力データをニューラルネッ
トワーク処理部で学習することが可能となる。したがっ
て、ニューラルネットワークの作用によって、しきい値
を越える画素であっても、その画素の周囲との関係から
ノイズを判断できるので、アナログ画像を高精度に二値
化できる。
【図１】本発明の一実施例を示すブロック図である。
【図２】本発明の一実施例におけるニューラルネットワ
ーク処理部の構成及び動作を示す説明図である。
ーク処理部の構成及び動作を示す説明図である。
【図３】本発明の一実施例の動作を示すフローチャート
である。
である。
【図４】本発明の一実施例におけるアナログ画像の例を
示す平面図及び濃度分布図である。
示す平面図及び濃度分布図である。
【図５】本発明の一実施例における差分画像の例を示す
平面図及び濃度分布図である。
平面図及び濃度分布図である。
【図６】本発明の一実施例における入力データ作成部の
動作を示す説明図である。
動作を示す説明図である。
【図７】本発明の一実施例におけるニューラルネットワ
ーク処理部の動作を示す説明図であり、図７（イ）は入
力データＸ1 に対する出力データｘ1 、図７（ロ）は入
力データＸ2 に対する出力データｘ2 、図７（ハ）は入
力データＸ3 に対する出力データｘ3 をそれぞれ示す。
ーク処理部の動作を示す説明図であり、図７（イ）は入
力データＸ1 に対する出力データｘ1 、図７（ロ）は入
力データＸ2 に対する出力データｘ2 、図７（ハ）は入
力データＸ3 に対する出力データｘ3 をそれぞれ示す。
【図８】二値化画像の例を示す平面図であり、図８
（１）がアナログ画像、図８（２）が本発明による二値
化画像、図８（３）が従来技術による二値化画像であ
る。
（１）がアナログ画像、図８（２）が本発明による二値
化画像、図８（３）が従来技術による二値化画像であ
る。
１０ アナログ画像入力部 １２ 差分画像作成部 １４ 入力データ作成部 １６ ニューラルネットワーク処理部 １８ 二値化画像出力部 ２０ 入力層 ２２ 中間層 ２４ 出力層 ｂ，Ａ，Ｂ，Ｃ アナログ画像 ｃ，Ｄ，Ｅ，Ｆ 差分画像 Ｘ1 〜Ｘn 入力データ ｘ1 〜ｘn 出力データ ｄ 二値化画像
Claims (3)
- 【請求項１】 文字等を含むアナログ画像を入力するア
ナログ画像入力部と、このアナログ画像入力部で入力さ
れたアナログ画像について外周部の濃度値の平均値と各
画素の濃度値との差をとることにより差分画像を作成す
る差分画像作成部と、この差分画像作成部で作成された
差分画像を一列ごとの画素に分割することにより入力デ
ータを作成する入力データ作成部と、この入力データ作
成部で作成された入力データをニューラルネットワーク
処理により二値化して出力データに変換するニューラル
ネットワーク処理部と、このニューラルネットワーク処
理部で変換された出力データを合成して二値化画像とし
て出力する二値化画像出力部とを備えていることを特徴
とするアナログ画像の二値化装置。 - 【請求項２】 前記ニューラルネットワーク処理部は、
前記入力データ作成部で作成される入力データの画素数
に等しいユニット数からなる入力層と、任意のユニット
数からなる中間層と、前記入力層のユニット数と等しい
ユニット数からなる出力層とを備えたことを特徴とする
請求項１記載のアナログ画像の二値化装置。 - 【請求項３】 前記ニューラルネットワーク処理部は、
リカレントニューラルネットワークからなることを特徴
とする請求項１又は２記載のアナログ画像の二値化装
置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6085519A JPH07271907A (ja) | 1994-03-31 | 1994-03-31 | アナログ画像の二値化装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6085519A JPH07271907A (ja) | 1994-03-31 | 1994-03-31 | アナログ画像の二値化装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH07271907A true JPH07271907A (ja) | 1995-10-20 |
Family
ID=13861163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6085519A Withdrawn JPH07271907A (ja) | 1994-03-31 | 1994-03-31 | アナログ画像の二値化装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH07271907A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000077718A1 (en) * | 1999-06-15 | 2000-12-21 | Solystic | Image binarization method |
| JP2009538057A (ja) * | 2006-05-17 | 2009-10-29 | クゥアルコム・インコーポレイテッド | ライン又はテキスト・ベース画像処理ツール |
-
1994
- 1994-03-31 JP JP6085519A patent/JPH07271907A/ja not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000077718A1 (en) * | 1999-06-15 | 2000-12-21 | Solystic | Image binarization method |
| FR2795205A1 (fr) * | 1999-06-15 | 2000-12-22 | Mannesmann Dematic Postal Automation Sa | Procede pour binariser des images numeriques a plusieurs niveaux de gris |
| JP2009538057A (ja) * | 2006-05-17 | 2009-10-29 | クゥアルコム・インコーポレイテッド | ライン又はテキスト・ベース画像処理ツール |
| US8306336B2 (en) | 2006-05-17 | 2012-11-06 | Qualcomm Incorporated | Line or text-based image processing tools |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH0773329A (ja) | 画像処理方法および装置 | |
| JPH06333035A (ja) | 画像処理装置 | |
| JPH06113139A (ja) | 画像２値化装置 | |
| JPH07271907A (ja) | アナログ画像の二値化装置 | |
| CN115965987A (zh) | 基于异构架构的表格文字结构化识别方法 | |
| JP3194996B2 (ja) | 疵検査装置 | |
| JPH02242488A (ja) | 画像処理装置 | |
| JPH0830728A (ja) | 画像の二値化装置 | |
| JP3030126B2 (ja) | 画像処理方法 | |
| CN117474932B (zh) | 对象分割方法和装置、电子设备及存储介质 | |
| JP3303253B2 (ja) | パターンマッチング方法および装置 | |
| JP3060922B2 (ja) | 特徴生成装置 | |
| JPH08272971A (ja) | 対象物認識方法 | |
| JPH0367381A (ja) | 文字認識装置 | |
| JPH08138025A (ja) | 画像識別パラメータの決定方法及び画像認識方法 | |
| JPH07152862A (ja) | 文字認識用の文字切り出し装置 | |
| JPH1070652A (ja) | 画像領域属性判別装置 | |
| JPH06251202A (ja) | 文字認識装置 | |
| JP3324726B2 (ja) | 画像認識装置 | |
| JP3048718B2 (ja) | 頂点検出装置 | |
| JPH0562013A (ja) | 文字読取装置 | |
| JPS5930317B2 (ja) | パタ−ンニンシキホウシキ | |
| JPH04250578A (ja) | 二次元または三次元像の視覚的検査方法 | |
| JP4286487B2 (ja) | 学習方法、パターン認識方法およびパターン認識装置 | |
| JPH03100786A (ja) | 文字認識方法及び装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20010605 |