JPH0737087A - 画像処理装置 - Google Patents

画像処理装置

Info

Publication number
JPH0737087A
JPH0737087A JP5177802A JP17780293A JPH0737087A JP H0737087 A JPH0737087 A JP H0737087A JP 5177802 A JP5177802 A JP 5177802A JP 17780293 A JP17780293 A JP 17780293A JP H0737087 A JPH0737087 A JP H0737087A
Authority
JP
Japan
Prior art keywords
image
neural network
character
input
output
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
Application number
JP5177802A
Other languages
English (en)
Inventor
Takenobu Ikeuchi
建展 池内
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Panasonic Holdings Corp
Original Assignee
Matsushita Electric Industrial Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Matsushita Electric Industrial Co Ltd filed Critical Matsushita Electric Industrial Co Ltd
Priority to JP5177802A priority Critical patent/JPH0737087A/ja
Priority to US08/245,264 priority patent/US5608819A/en
Publication of JPH0737087A publication Critical patent/JPH0737087A/ja
Pending legal-status Critical Current

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
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/413—Classification of content, e.g. text, photographs or tables
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/40—Picture signal circuits
    • H04N1/40062—Discrimination between different image types, e.g. two-tone, continuous tone

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

(57)【要約】 【目的】 ファクシミリ、複写機等の画像処理装置に関
し、入力画像に応じて最適な画像処理方法を選択して施
し、良好な画像を提供する。 【構成】 複数の画像処理手段と複数の入力を選択出力
するセレクタ部５とあらかじめ学習し入力をカテゴリー
に分類する機能を持つニューラルネット部２を備え、入
力画信号に対しニューラルネットを用いてカテゴリに分
類を行う。このカテゴリに対応する最適な画像処理を選
択する事により、あらゆる入力画像に対し良好な画像処
理を行う。

Description

【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明はファクシミリ、複写機な
どの画信号の処理装置に関し、特に入力画像から文字画
像、中間調画像を判別し、それぞれに異なった画像処理
を行う画像処理装置に関する。
【０００２】
【従来の技術】画信号処理においては入力画信号の状態
により、異なる画信号処理を施す必要がある場合が考え
られる。例えばファクシミリの画信号処理では、文字画
像に対しては二値化処理を加え、中間調画像に対しては
ディザ処理等の疑似中間調処理を加えるという場合があ
る。この場合入力画信号から文字部分と中間調を判別
(以下像域判別とする)する手段が必要となる。
【０００３】像域判別の方法としては、特定の空間周波
数のパワーによるもの、隣接する数画素の濃度の違いに
よるもの、２値データの一定範囲内の白黒変化点数の違
いによるもの、一定エリアの濃度ヒストグラムによるも
のなど多くのものが提案実用されている。
【０００４】つぎに従来例として、特定の空間周波数の
パワーの違いにより像域判別するものを例とし説明す
る。従来この種の装置は図８（ａ）に示すように、入力
端子１より画像を入力し、フーリエ変換部１３で入力画
信号中の特定周波数のパワーを求め、文字・画像判別部
１４がそのパワーの大小を目安として、文字か中間調か
を判別し、疑似中間調処理部４ではディザ処理等の疑似
中間調処理を行い、二値化処理部６では二値化処理を行
い、セレクタ部５は文字中間調判別部１４での判別結果
により、疑似中間調画像か二値化画像かを選択するとい
うものであった。図８（ｂ）はセレクタ部の出力と信号
Ｓとの関係を示す。
【０００５】
【発明が解決しようとする課題】しかしながら、前述の
構成ではフーリエ変換部において文字と中間調を判別す
る敷居値となる空間周波数の値（以下参照周波数とす
る）を人間が決定しなければならないがこれは困難であ
るという第１の問題がある。なぜならば、画像の状態や
内容は多様に変化する（以下画像の多様性という）ため
であり、例えば、シェーディング補正、ゲインコントロ
ールなど人為的になされた画像補正の影響が入力画像中
には含まれる事や、入力画像をスキャナ等で読み込む場
合は、読み取り時の原稿の傾きやゴミなどが偶発的に発
生する事、さらには入力画像中には文字や写真に加えて
疑似中間調が含まれる場合があるなどこれら全ての影響
を把握し、それらに対応するように設計しなければなら
ないからである。
【０００６】このように画像の多様性は多くのパラメー
タにより構成されているため、参照周波数を決定するの
には多くの調査・実験が必要であり、多くの課題に対応
しようとすればするほど設計は複雑になるという第２の
問題がある。
【０００７】また文字・画像判別部においては、フーリ
エ変換部での参照周波数のパワーの大小により、文字中
間調を判別するが、参照周波数が適当でなければ、正確
な判定は行いにくいという第３の問題がある。
【０００８】判定を正確にするため、参照周波数を複数
設ける事等も考えられるが、アルゴリズムが複雑になる
ため、設計の難易度が上がる、システムの規模が大きく
なる等の別の問題が生じる。容易に設計でき、画像の多
様性に対応できるシステムが望まれる。
【０００９】
【課題を解決するための手段】本発明は上述の問題に鑑
みてなされたものであらかじめ学習を行ったニューラル
ネットに入力画像情報を与え、ニューラルネットの出力
によって最終的に出力する画像を決定するという手段を
用いるものである。
【００１０】ここで、入力画像情報には多くのものが考
えられるが、要望する性能に応じて設計者が選択する。
一例として、多値の画信号を直接入力する、画像の振幅
変化値の情報などの画像の特徴量、付加情報として温度
センサの出力等環境の情報、二値化処理部の二値化敷居
値等の画像処理パラメータ情報が考えられる。
【００１１】ニューラルネットの形態としては、多層型
パーセプトロン、ＬＶＱ等多くのものが提案され知られ
ているが、本発明はネットワークの形態によらない。
【００１２】ネットワークのサイズは、入力画像の情報
の量から入力層の数を決定し、入力データを分類するカ
テゴリー数に応じて、出力層の数を決定する。例えばネ
ットワークの入力に対し注目画素１画素と参照画素１０
画素と温度センサの出力１つを与え、出力は文字か否か
という１カテゴリの分類に使用する場合１２入力１出力
のネットワークが１つの例として考えられる。
【００１３】学習は上述の入力画信号を用いて行い、入
力画像が期待するカテゴリに分類されるようになるまで
行う。学習方法はいろいろなものが提案され知られてい
る。
【００１４】教師信号の必要なネットワークの形態では
教師信号を与えながら繰り返し結合加重を調整する。例
えば、入力画像情報をニューラルネットワークに入力
し、注目画素画文字である場合には教師信号として大き
い値（例えば１）を与え、注目画素が文字以外の場合に
は小さい値（例えば０）を与えて学習させる。
【００１５】またニューラルネットにより複数のカテゴ
リの分類を行う場合には、入力画像情報をネットワーク
に入力し、注目画素が分類されるカテゴリの出力の教師
信号として大きい値（例えば１）を与え、それ以外の出
力の教師信号として小さい値（例えば０）を与えて学習
させる。
【００１６】学習に用いるデータは、実際この構成を使
用する環境と同じ環境で得る事が好ましいが、不可能な
場合はできるだけ近い環境で採取する。またできるだけ
多くのデータを採取し、多くの状況を学習させるのがよ
い。
【００１７】本発明ではニューラルネットのパターン認
識機能に着目し、前述した画像の多様性の中で適切に像
域判別する事により、入力画像に対し良好な画像処理を
施す画像処理装置を提供する。
【００１８】ニューラルネットは１９４０年代にピッツ
（Ｐｉｔｓ）とマッカロック（ＭｃＣｕｌｌｏｃｈ）に
よって作成された脳のニューロンのモデルをネットワー
ク状にしたものである。
【００１９】その機能として、事例を多く学習させる事
により事例の特徴をつかみ、未学習のデータにおいて既
知の事例のどれに近いか判定する事ができる事が知られ
ており(Rumelhart.D.E.,McClelland.J.L. and PDP Rese
arch Group ,Parallel Distributed Processing,MIT Pr
ess,1986 以下ＰＤＰとする）文字認識等のパターン認
識に用いられる。
【００２０】
【作用】手段の項で述べたようにニューラルネットに学
習を行えば、入力画像をニューラルネットがカテゴリに
分類する。カテゴリに分類するための特徴は、従来のよ
うに人間が考察する必要はなくなり、学習を行う事によ
ってニューラルネットに蓄積される。しかも従来の方式
では非常に困難であった事であるが、手段の項で示した
ように入力画像情報としては各種センサの出力や各画像
処理パラメータを与える事ができ、従って入力画像に影
響を与える多くの要因を反映した制御が可能となる事に
より前述の画像の多様性に対応する事が可能となった。
これにより第１の問題は解決される。
【００２１】またニューラルネットの設計時において
も、設計者は従来のように文字と画像を判別する条件を
考えて設計する設計法ではなく、入力画情報サンプルを
集めて、これを学習するという設計法になり、さらに従
来のような調査実験は必要ないため設計時間も短縮でき
第２の問題が緩和される。
【００２２】さらに上記手段で述べた構成では文字の場
合にはニューラルネットの出力は大きく、画像の場合に
は小さい。これを適当な敷居値で単純二値化すれば文字
と中間調の判別は可能であるため、判別は容易になり第
３の問題は解決される。
【００２３】そのほか、従来の方式では独立して行って
いた、文字・画像の判別とノッチの判別を１つのニュー
ラルネットワークによって行う等複数の処理を同時に行
う事も可能である。
【００２４】以上のように、本発明において、ニューラ
ルネットを用いて入力画信号をカテゴリに分類し、入力
画信号に適した画像処理を選択する事が可能となり、良
好な画像が得られる。
【００２５】
【実施例】
（実施例１）図１は本発明の第１の実施例における画像
処理装置の構成を示す概念図である。図１（ａ）におい
て、１は画像入力端子、２はニューラルネット部で、入
力画像から像域判別し、注目画素が文字の場合には１に
近い値を文字以外の場合は０に近い値を出力する。ネッ
トワークの形態は後述する。３はニューラルネットの出
力を所定の敷居値で二値化する単純二値化部、４は疑似
中間調部であり、ディザ処理、誤差拡散処理等の疑似中
間調処理を行う。６は二値化処理部であり設定された敷
居値で画信号を二値化する。５は図１（ｂ）に動作を示
すセレクタであり、すなわちＳに入力される値が０の場
合にはＡを選択し、Ｓに入力される値が１の場合にはＢ
を選択しＹに出力する。７は画像出力端子であり、１０
は温度センサで感知された温度である。
【００２６】以下にニューラルネット部２の内部構造に
ついて説明する。ニューラルネットについては数々のモ
デルが発表されている。ここでは多層型パーセプトロン
（Ｍｕｌｔｉ Ｌａｙｅｒ Ｐｅｒｓｅｐｔｒｏｎ 以
下ＭＬＰ）型を例としてあげるが、他のモデルでも良
い。
【００２７】ＭＬＰ型を用いたネットワークの構造は図
２のようになる。図２（ａ）はニューラルネットの入力
とする画像データで、ａからｏがそれぞれ１画素に対応
し、ｈが注目画素であり、その周辺画素を参照してｈに
ついて像域判別する。例として５画素×３ラインにして
あるがそれ以外の構成でかまわない。
【００２８】図２（ｂ）はニューラルネットの構成図で
あるが、ごく一般的に用いられているものである。ここ
では３層のネットワークで１６入力１出力（中間層は適
宜加減する）にしてある。図２（ａ）のａからｏが図２
（ｂ）のａからｏに対応している。ｔは図１における温
度１０である。図中の丸はニューロンを示し、線は加重
結合を示す。ネットワークは３層から構成され図の下側
から上に向かって入力層、中間層、出力層と呼び、入力
層から入力し、出力層から出力する。図に示すとおり中
間層と出力層の間の各ニューロンと、入力層と中間層の
間の各ニューロンは加重結合され信号はこの間で重み付
けされる。中間層と出力層の各ニューロンは多入力単出
力で、全ての入力を加算しその結果をシグモイド関数等
で関数処理し出力する。入力層のニューロンは単入力多
出力であり入力をそのまま出力する。
【００２９】この構成で、つぎの学習をあらかじめ行っ
ておけばニューラルネットは注目画素が文字の時は１に
近い値を出力しそれ以外の時は０に近い値を出力する。
すなわち、上記の入力データを与えながら注目画素ｈが
文字の画像中の１画素である場合は教師データとして１
を与え、注目画素ｈが文字以外の画像中の１画素である
場合は教師データとして０を与え、教師データとニュー
ラルネットワークの出力値の差が０に近くなるまで学習
を繰り返し、結合加重を調整する。この場合の結合加重
の調整法は、最急降下法によるバックプロパゲーション
法（ＰＤＰ）等、ネットワークの形態に合わせた既存の
学習方式でよい。
【００３０】以上の構成での本実施例の動作をつぎに述
べる。まず、入力端子１から多値画像を入力する。この
画信号は、図２（ａ）に相当し、ｈを含む。この画信号
ｈは疑似中間調処理部４によって疑似中間調処理をか
け、同時に二値化処理部６によって所定の敷居値と比較
し二値化処理する。ニューラルネットワーク２は温度ｔ
と画素ａ〜ｏから注目画素ｈが文字であるかどうかを判
定し、判定結果を出力する。この判定結果は二値化処理
部３によって二値化処理しセレクタ５の制御信号Ｓとす
る。セレクタ５はこの制御信号によって疑似中間調処理
した画信号と二値化処理した画信号を切り替えて出力端
子７に出力する。
【００３１】この一連の動作により、温度により画像の
状態が変化しても注目画素ｈが文字の時には二値化デー
タが出力され、文字以外の時には疑似中間調処理データ
が出力端子７に出力される。
【００３２】以上のように、本発明によれば、温度等の
入力画像に影響を与える要因を反映した制御が容易に実
現可能となる。
【００３３】（実施例２）図３は本発明の第２の実施例
における画像処理装置の構成を示す概念図である。実施
例１と重複するところは説明を省しその構成を説明す
る。図３（ａ）において３０２はニューラルネット部
で、入力画像と二値化敷居値から文字・中間調・画像ノ
イズを判別する。ネットワークの構成は後述する。
【００３４】３０５はＳＡ、ＳＢ、Ｙの関係が図３
（ｂ）に動作を示すセレクタである。８は２つの入力が
１の時に１を出力し、少なくとも一つの入力が０の時０
を出力するＡＮＤゲートと、入力を反転するインバータ
によって構成される固定値発生手段である。１１は二値
化処理部６の二値化敷居値である。
【００３５】以下にニューラルネット部３０２の内部構
造について説明する。実施例１と重複するところは説明
を省く。図４（ｂ）はニューラルネットの構成図である
が、この構成で、つぎの学習をあらかじめ行っておけば
ニューラルネットは注目画素に対し文字・中間調・画像
ノイズのいずれかを判定し、文字の時はｘが１に近い値
を出力し、ｙ，ｚは０に近い値を出力し、中間調の時は
ｙが１に近い値を出力し、ｘ，ｚは０に近い値を出力
し、画像ノイズの時はｚが１に近い値を出力し、ｙ，ｘ
は０に近い値を出力する。
【００３６】すなわち、図４（ａ）に示した画信号ａ〜
ｏと図３（ａ）の二値化敷居値１１を入力データとして
ニューラルネットに与えながら、注目画素ｈが文字画像
中の１画素である場合は、ｘの教師信号として１を与
え、ｙ，ｚの教師信号として０を与え、加重結合を調整
する。注目画素ｈが中間調画像中の１画素である場合
は、ｙの教師信号として１を与え、ｘ，ｚの教師信号と
して０を与え、加重結合を調整する。注目画素ｈが画像
ノイズである場合は、ｚの教師信号として１を与え、
ｙ，ｘの教師信号として０を与え、加重結合を調整す
る。
【００３７】この場合の結合加重の調整法は、最急降下
法によるバックプロパゲーション法（ＰＤＰ）等、ネッ
トワークの形態に合わせた既存の学習方式でよい。
【００３８】以上の構成での本実施例の動作をつぎに述
べる。まず、入力端子１から多値画像を入力する。この
画信号は、図２（ａ）に相当し、ｈを含む。この画信号
ｈは疑似中間調処理部４によって疑似中間調処理をか
け、同時に二値化処理部６によって所定の敷居値と比較
し二値化処理する。ニューラルネット部３０２は二値化
敷居値と画素ａ〜ｏから注目画素ｈが文字・中間調・画
像ノイズであるかどうかを判定し、判定結果ｘ，ｙ，ｚ
を出力する。このうち判定結果ｘ，ｙは二値化処理部３
０３によって二値化処理しセレクタ３０５の制御信号Ｓ
Ａ、ＳＢとする。
【００３９】セレクタ３０５はこの制御信号によって疑
似中間調処理した画信号と二値化処理した画信号を切り
替えて出力端子７に出力する。
【００４０】判定結果ｚは、二値化部３０３により二値
化し、固定値発生手段８の一方の入力とする。この一連
の動作により、注目画素ｈが文字の時には二値化データ
が出力され、中間調の時には疑似中間調処理データが出
力端子７に出力され、画像ノイズの時には出力画像は０
に固定される。
【００４１】以上のように、本実施例によれば、従来独
立して行っていた、文字・画像の判別とノッチの判別を
１つのニューラルネットワークによって同時に行う事が
可能である。
【００４２】（実施例３）図５は本発明の第３の実施例
をにおける画像処理装置の構成を示す概念図である。図
５（ａ）において、９は特徴量抽出手段であり図６
（ａ）に示す注目画素ｅと参照画素ａ、ｂ、ｃ、ｄ、
ｆ、ｇ、ｈ、ｉから特等量を抽出する。図５（ｂ）はセ
レクタ部７の入出力関係を示す。
【００４３】特徴量の例としては、 （１）画信号の平均レベル
【００４４】
【数１】
【００４５】（２）画信号のｘ方向の平均レベル
【００４６】
【数２】
【００４７】（３）画信号のｙ方向の平均レベル
【００４８】
【数３】
【００４９】（４）画信号の斜め方向の平均レベル
【００５０】
【数４】
【００５１】（５）画信号の８方向微分値
【００５２】
【数５】
【００５３】（６）注目画素
【００５４】
【数６】
【００５５】など、他にも考えられる。ここではα０〜
α１３全てを用いる。５０２はニューラルネット部で、
特徴抽出手段の抽出する特徴量α０〜α１３と温度１０
を入力することにより注目画素が文字の場合には１に近
い値を文字以外の場合は０に近い値を出力する。
【００５６】図６（ｂ）はニューラルネットの構成図で
あるが、ごく一般的に用いられているものである。ここ
では３層のネットワークで１５入力１出力（中間層は適
宜加減する）にしてある。ｔは図５（ａ）における温度
１０である。上記のα０〜α１３が図中のα０〜α１３
に対応している。
【００５７】この構成で、つぎの学習をあらかじめ行っ
ておけばニューラルネットは注目画素が文字の時は１に
近い値を出力しそれ以外の時は０に近い値を出力する。
すなわち、上記の入力データを与えながら注目画素ｈが
文字の画像中の１画素である場合は教師データとして１
を与え、注目画素ｈが文字以外の画像中の１画素である
場合は教師データとして０を与え、教師データとニュー
ラルネットワークの出力値の差が０に近くなるまで学習
を繰り返し、結合加重を調整する。この場合の結合加重
の調整法は、最急降下法によるバックプロパゲーション
法（ＰＤＰ）等、ネットワークの形態に合わせた既存の
学習方式でよい。
【００５８】以上の構成での本実施例の動作をつぎに述
べる。まず、入力端子１から画像を入力し、特徴量抽出
手段９によって抽出した特徴量をニューラルネット２に
入力する。以降の動作は実施例１と同じであるので省略
する。
【００５９】（実施例４）図７は本発明の第４の実施例
における画像処理装置の構成を示す概念図である。図７
（ａ）においおて１２は、一つ前の注目画素に対するニ
ューラルネットの出力をニューラルネットの入力に帰還
する帰還手段である。それ以外の構成は実施例１と同じ
であるので説明を省略する。一般に、画素単位で画像を
カテゴリに分類していく場合、同じカテゴリが連続する
可能性が高い。従って一つ前の注目画素のカテゴリ判定
結果を帰還して注目画素の判定に用いる。なお、図７
（ｂ）はセレクタ部５の入出力関係を表す。
【００６０】
【発明の効果】以上のように本発明において、様々に除
状態が変化する画信号に対してニューラルネットに学習
を行って所望するカテゴリーに分類するという手段を用
いる事により、従来必要であった多くの調査実験と複雑
な実験を不必要とし、開発期間の短縮が可能となる。
【００６１】さらに上記手段を用いる事により、入力画
信号に最適な画像処理を自動で行う画像処理装置を構成
する事が可能となる。
【図面の簡単な説明】
【図１】本発明の第１の実施例における画像処理装置の
構成を示す概念図
【図２】本発明の第１の実施例におけるニューラルネッ
ト部の構成を示す概略図
【図３】本発明の第２の実施例における画像処理装置の
構成を示す概念図
【図４】本発明の第２の実施例におけるニューラルネッ
ト部の構成を示す概略図
【図５】本発明の第３の実施例における画像処理装置の
構成を示す概念図
【図６】本発明の第３の実施例におけるニューラルネッ
ト部の構成を示す概略図
【図７】本発明の第４の実施例における画像処理装置の
構成を示す概念図
【図８】従来技術における画像処理装置の構成を示す概
念図
【符号の説明】
１ 画信号入力端子 ２ ニューラルネット部 ３ 単純二値化部 ４ 疑似中間調処理部 ５ セレクタ部 ６ 二値化処理部 ７ 出力端子 ８ 固定値発生手段 ９ 特徴量抽出部 １０ 温度 １１ 二値化敷居値 １２ 帰還手段 １３ フーリエ変換部 １４ 文字・中間調判別部 ３０２ ニューラルネット部 ３０３ 単純二値化部 ３０５ セレクタ部 ５０２ ニューラルネット部

Claims (3)

    【特許請求の範囲】
  1. 【請求項１】 複数の画像処理手段と、前記画像処理手
    段の処理結果を選択出力するセレクタ手段と、あらかじ
    め行った学習により入力画像情報をカテゴリーに分類す
    る機能を持つニューラルネットを備え、前記ニューラル
    ネットの分類結果により前記セレクタ手段を制御する画
    像処理装置。
  2. 【請求項２】 入力画像の特徴量を抽出する特徴量抽出
    手段を備え、ニューラルが前記特徴量抽出手段の出力に
    基づきセレクタ手段を制御することを特徴とする請求項
    １記載の画像処理装置。
  3. 【請求項３】 ニューラルネットの出力を前記ニューラ
    ルネットの入力に帰還したことを特徴とする請求項１ま
    たは請求項２記載の画像処理装置。
JP5177802A 1993-07-19 1993-07-19 画像処理装置 Pending JPH0737087A (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP5177802A JPH0737087A (ja) 1993-07-19 1993-07-19 画像処理装置
US08/245,264 US5608819A (en) 1993-07-19 1994-05-18 Image processing system utilizing neural network for discrimination between text data and other image data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP5177802A JPH0737087A (ja) 1993-07-19 1993-07-19 画像処理装置

Publications (1)

Publication Number Publication Date
JPH0737087A true JPH0737087A (ja) 1995-02-07

Family

ID=16037350

Family Applications (1)

Application Number Title Priority Date Filing Date
JP5177802A Pending JPH0737087A (ja) 1993-07-19 1993-07-19 画像処理装置

Country Status (2)

Country Link
US (1) US5608819A (ja)
JP (1) JPH0737087A (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0710004A3 (en) * 1994-10-27 1997-11-19 Sharp Kabushiki Kaisha Image processing apparatus
JP2009037592A (ja) * 2007-07-12 2009-02-19 Ricoh Co Ltd 画像処理装置、画像処理方法およびプログラム
US7903282B2 (en) 2003-09-11 2011-03-08 Dainippon Screen Mfg. Co., Ltd. Image processing information association processor, printing system, method of enabling layout data output, and program
US8244039B2 (en) 2007-07-12 2012-08-14 Ricoh Company, Limited Apparatus, method, and computer program product for acquiring processing content for image data

Families Citing this family (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3373008B2 (ja) * 1993-10-20 2003-02-04 オリンパス光学工業株式会社 画像像域分離装置
JPH08305846A (ja) * 1995-03-07 1996-11-22 Matsushita Electric Ind Co Ltd ニューロフィルターと像域分割方法とフィルター装置
US5884296A (en) * 1995-03-13 1999-03-16 Minolta Co., Ltd. Network and image area attribute discriminating device and method for use with said neural network
JP3335830B2 (ja) * 1995-12-28 2002-10-21 シャープ株式会社 画像処理装置
US5765029A (en) * 1996-05-08 1998-06-09 Xerox Corporation Method and system for fuzzy image classification
US5778156A (en) * 1996-05-08 1998-07-07 Xerox Corporation Method and system for implementing fuzzy image processing of image data
JP3330826B2 (ja) * 1996-09-09 2002-09-30 シャープ株式会社 画像処理装置
US6502191B1 (en) * 1997-02-14 2002-12-31 Tumbleweed Communications Corp. Method and system for binary data firewall delivery
JP3384299B2 (ja) * 1997-10-15 2003-03-10 富士ゼロックス株式会社 画像処理装置および画像処理方法
JP3881439B2 (ja) * 1998-01-23 2007-02-14 シャープ株式会社 画像処理装置
JP3576810B2 (ja) * 1998-05-28 2004-10-13 シャープ株式会社 画像処理装置
US6731788B1 (en) 1999-01-28 2004-05-04 Koninklijke Philips Electronics N.V. Symbol Classification with shape features applied to neural network
US20040073617A1 (en) 2000-06-19 2004-04-15 Milliken Walter Clark Hash-based systems and methods for detecting and preventing transmission of unwanted e-mail
DE10162927A1 (de) * 2001-12-20 2003-07-17 Siemens Ag Auswerten von mittels funktionaler Magnet-Resonanz-Tomographie gewonnenen Bildern des Gehirns
US7096498B2 (en) 2002-03-08 2006-08-22 Cipher Trust, Inc. Systems and methods for message threat management
US7903549B2 (en) * 2002-03-08 2011-03-08 Secure Computing Corporation Content-based policy compliance systems and methods
US20060015942A1 (en) * 2002-03-08 2006-01-19 Ciphertrust, Inc. Systems and methods for classification of messaging entities
US7693947B2 (en) 2002-03-08 2010-04-06 Mcafee, Inc. Systems and methods for graphically displaying messaging traffic
US8561167B2 (en) * 2002-03-08 2013-10-15 Mcafee, Inc. Web reputation scoring
US7458098B2 (en) 2002-03-08 2008-11-25 Secure Computing Corporation Systems and methods for enhancing electronic communication security
US7694128B2 (en) 2002-03-08 2010-04-06 Mcafee, Inc. Systems and methods for secure communication delivery
US6941467B2 (en) * 2002-03-08 2005-09-06 Ciphertrust, Inc. Systems and methods for adaptive message interrogation through multiple queues
US8132250B2 (en) * 2002-03-08 2012-03-06 Mcafee, Inc. Message profiling systems and methods
US8578480B2 (en) 2002-03-08 2013-11-05 Mcafee, Inc. Systems and methods for identifying potentially malicious messages
US7124438B2 (en) 2002-03-08 2006-10-17 Ciphertrust, Inc. Systems and methods for anomaly detection in patterns of monitored communications
US7870203B2 (en) 2002-03-08 2011-01-11 Mcafee, Inc. Methods and systems for exposing messaging reputation to an end user
US7436994B2 (en) * 2004-06-17 2008-10-14 Destiny Technology Corporation System of using neural network to distinguish text and picture in images and method thereof
US11868421B1 (en) * 2004-07-23 2024-01-09 Ellis Robinson Giles System and method for evaluating hyperdocuments using a trained artificial neural network
US8635690B2 (en) 2004-11-05 2014-01-21 Mcafee, Inc. Reputation based message processing
US7937480B2 (en) * 2005-06-02 2011-05-03 Mcafee, Inc. Aggregation of reputation data
US7779156B2 (en) * 2007-01-24 2010-08-17 Mcafee, Inc. Reputation based load balancing
US8763114B2 (en) 2007-01-24 2014-06-24 Mcafee, Inc. Detecting image spam
US8179798B2 (en) * 2007-01-24 2012-05-15 Mcafee, Inc. Reputation based connection throttling
US7949716B2 (en) 2007-01-24 2011-05-24 Mcafee, Inc. Correlation and analysis of entity attributes
US8214497B2 (en) 2007-01-24 2012-07-03 Mcafee, Inc. Multi-dimensional reputation scoring
US8185930B2 (en) * 2007-11-06 2012-05-22 Mcafee, Inc. Adjusting filter or classification control settings
US8045458B2 (en) * 2007-11-08 2011-10-25 Mcafee, Inc. Prioritizing network traffic
US8160975B2 (en) * 2008-01-25 2012-04-17 Mcafee, Inc. Granular support vector machine with random granularity
US8589503B2 (en) * 2008-04-04 2013-11-19 Mcafee, Inc. Prioritizing network traffic
US8621638B2 (en) 2010-05-14 2013-12-31 Mcafee, Inc. Systems and methods for classification of messaging entities
JP6225761B2 (ja) * 2014-03-11 2017-11-08 富士ゼロックス株式会社 画像の読取装置及び画像形成装置
US10511580B2 (en) 2014-03-31 2019-12-17 Monticello Enterprises LLC System and method for providing a social media shopping experience
US11080777B2 (en) 2014-03-31 2021-08-03 Monticello Enterprises LLC System and method for providing a social media shopping experience
US12008629B2 (en) 2014-03-31 2024-06-11 Monticello Enterprises LLC System and method for providing a social media shopping experience
US11004139B2 (en) 2014-03-31 2021-05-11 Monticello Enterprises LLC System and method for providing simplified in store purchases and in-app purchases using a use-interface-based payment API
US9697469B2 (en) 2014-08-13 2017-07-04 Andrew McMahon Method and system for generating and aggregating models based on disparate data from insurance, financial services, and public industries
US9805258B2 (en) * 2014-08-21 2017-10-31 Kofax International Switzerland Sarl Systems and methods for separating documents
US10322510B2 (en) * 2017-03-03 2019-06-18 Futurewei Technologies, Inc. Fine-grained object recognition in robotic systems

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2761391B2 (ja) * 1988-10-04 1998-06-04 オリンパス光学工業株式会社 焦点検出装置
US4974010A (en) * 1989-06-09 1990-11-27 Lc Technologies, Inc. Focus control system
EP0447252B1 (en) * 1990-03-15 1999-05-26 Canon Kabushiki Kaisha Image communication method and apparatus
US5331550A (en) * 1991-03-05 1994-07-19 E. I. Du Pont De Nemours And Company Application of neural networks as an aid in medical diagnosis and general anomaly detection
US5309505A (en) * 1991-05-20 1994-05-03 Inventions, Inc. Automated voice system for improving agent efficiency and improving service to parties on hold
US5384647A (en) * 1991-06-10 1995-01-24 Minolta Camera Kabushiki Kaisha Image processing apparatus comprising means for judging image area of pseudo half-tone image
US5387983A (en) * 1991-09-27 1995-02-07 Minolta Camera Kabushiki Kaisha Facsimile apparatus comprising converting means for converting binary image data into multi-value image data and image processing apparatus judging pseudo half-tone image
US5337370A (en) * 1992-02-28 1994-08-09 Environmental Research Institute Of Michigan Character recognition method employing non-character recognizer

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0710004A3 (en) * 1994-10-27 1997-11-19 Sharp Kabushiki Kaisha Image processing apparatus
US5892592A (en) * 1994-10-27 1999-04-06 Sharp Kabushiki Kaisha Image processing apparatus
US7903282B2 (en) 2003-09-11 2011-03-08 Dainippon Screen Mfg. Co., Ltd. Image processing information association processor, printing system, method of enabling layout data output, and program
JP2009037592A (ja) * 2007-07-12 2009-02-19 Ricoh Co Ltd 画像処理装置、画像処理方法およびプログラム
US8244039B2 (en) 2007-07-12 2012-08-14 Ricoh Company, Limited Apparatus, method, and computer program product for acquiring processing content for image data

Also Published As

Publication number Publication date
US5608819A (en) 1997-03-04

Similar Documents

Publication Publication Date Title
JPH0737087A (ja) 画像処理装置
US6983068B2 (en) Picture/graphics classification system and method
US6947597B2 (en) Soft picture/graphics classification system and method
EP0622750B1 (en) Pattern recognition
US5309525A (en) Image processing apparatus using neural network
KR19990082557A (ko) 불확실한 트레이닝 데이터를 사용하여 대상을검출 및 분류하기위한 뉴럴 네트워크의 트레이닝 방법 및 장치
JP2763398B2 (ja) パターン認識装置
Russo Hybrid neuro-fuzzy filter for impulse noise removal
CN112819063B (zh) 一种基于改进的Focal损失函数的图像识别方法
CN112861945A (zh) 一种多模态融合谎言检测方法
EP0632642B1 (en) Image processing device
JPH1188664A (ja) 画像処理装置、および、そのプログラムを記録した記録媒体
JP3248965B2 (ja) ２値化しきい値決定装置
JP2973016B2 (ja) デジタル放射線画像の画像認識装置
JPH08251404A (ja) 画像領域属性判別方法及び装置
JPH08138025A (ja) 画像識別パラメータの決定方法及び画像認識方法
JP3324726B2 (ja) 画像認識装置
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
JP3136595B2 (ja) 領域分離方法
JP3099435B2 (ja) 画像領域判定装置
JP3434373B2 (ja) 網点領域判定装置
WO2021241173A1 (ja) 学習装置、学習方法及び学習プログラム、認識装置、認識方法及び認識プログラム並びに学習認識装置
JPH08251405A (ja) 画像領域属性判別装置
JPH08249300A (ja) ニューラルネットワーク及びその作成方法
JPH1070652A (ja) 画像領域属性判別装置