JPH0965032A - ファクシミリ通信方法及びファクシミリ装置 - Google Patents

Abstract

(57)【要約】 【課題】ニューラルネットワークを用いて原稿の画像の
特徴データを送信するようにし、これにより送信する画
像データのデータ量をほぼ一定とし、送信時間が長大化
したりメモリ容量が不足することを防止する。 【解決手段】恒等写像を学習させたニューラルネットワ
ークＮＮＡのうちの入力層から中間層までで構成される
特徴抽出用ネットワーク２３と、ニューラルネットワー
クＮＮＡから特徴抽出用ネットワーク２３を除いた残り
で構成される復元用ネットワーク３１とを用い、送信側
においては、原稿画像を読み取って得られた画像データ
を特徴抽出用ネットワーク２３に入力し、当該特徴抽出
用ネットワーク２３から出力される特徴データＤＦを送
信し、受信側においては、受信されたデータを復元用ネ
ットワーク３１に入力して復元する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、ファクシミリ通信
方法及びファクシミリ装置に関する。

【０００２】

【従来の技術】従来のファクシミリ通信方法では、送信
側において原稿画像をスキャナにより読み取って画像デ
ータとし、得られた画像データを、ＭＨ方式、ＭＲ方
式、又はＭＭＲ方式などの各種符号化方式を用いて圧縮
し、それをメモリ上に展開して一括で送信する。受信側
においては、そのデータを受信した後に伸長して復元す
る。

【０００３】

【発明が解決しようとする課題】しかし、従来のファク
シミリ通信方法では、原稿の画像の内容又は種類によっ
て画像データのデータ量が大幅に変動し、そのために送
信時間が不測に長くなったりメモリ容量が不足してオー
バーフローすることがあった。

【０００４】本発明は、上述の問題に鑑みてなされたも
ので、ニューラルネットワークを用いて原稿の画像の特
徴データを送信するようにし、これにより送信する画像
データのデータ量をほぼ一定とし、送信時間が長大化し
たりメモリ容量が不足することのないファクシミリ通信
方法及びファクシミリ装置を提供することを目的とす
る。

【０００５】

【課題を解決するための手段】請求項１の発明に係る通
信方法は、入力層と出力層と少なくとも１つの中間層と
を有し且つ前記入力層と前記出力層のニューロン数が互
いに同一であり、前記各入力層への入力値と前記各入力
層に対応する前記各出力層からの出力値とが等しくなる
ように恒等写像を学習させたニューラルネットワークの
うちの前記入力層から前記中間層までで構成される特徴
抽出用ネットワークと、前記ニューラルネットワークか
ら前記特徴抽出用ネットワークを除いた残りで構成され
る復元用ネットワークとを用い、送信側においては、原
稿画像を読み取って得られた画像データを前記特徴抽出
用ネットワークの入力層に入力し、当該特徴抽出用ネッ
トワークから出力される特徴データを送信画像データと
して送信し、受信側においては、受信された前記送信画
像データを前記復元用ネットワークの入力層に入力して
復元する。

【０００６】つまり、恒等写像を学習させたニューラル
ネットワークの前半部分から出力される特徴データを送
信し、受信した特徴データをそのニューラルネットワー
クの後半部分で復元する。ニューラルネットワークとし
て、中間層を有する３層、４層、５層、又はそれ以上の
ものが用いられる。特徴抽出用ネットワークの入力層に
は、原稿の画像から得られた全体の画像データ、又はブ
ロック領域毎に区分された画像データが入力される。

【０００７】請求項２の発明に係る装置では、原稿画像
を読み取って得られた画像データを特徴抽出用ネットワ
ークの入力層に入力して当該特徴抽出用ネットワークか
ら出力される特徴データを送信画像データとして送信す
る送信部と、受信された送信画像データを前記復元用ネ
ットワークの入力層に入力して復元する受信部と、が設
けられている。

【０００８】請求項３の発明に係る装置では、特徴抽出
用ネットワーク及び復元用ネットワークを、それぞれ特
定の画像領域用に複数個用い、且つ画像領域の領域判別
を行うための領域判別用ネットワークを用いる。領域判
別用ネットワークとして、３層以上のものが用いられ
る。特定の画像領域として、例えば文字領域、写真（濃
淡）領域、網点領域などがある。

【０００９】送信部は、複数の特徴抽出用ネットワーク
からの出力のうち、領域判別用ネットワークによる領域
判別結果に基づいて選択された１つの特徴抽出用ネット
ワークからの出力である特徴データを送信画像データと
し、領域判別結果である領域判別データとともにファク
シミリ信号として送信する。なお、領域判別用ネットワ
ークは、原稿画像から得られた画像データ又は特徴抽出
用ネットワークから出力される特徴データに基づいて領
域判別を行う。

【００１０】受信部は、受信された送信画像データを領
域判別データに基づいて選択された１つの復元用ネット
ワークによって画像データに復元し、それを受信画像デ
ータとして用い、復元した原稿の画像を例えば用紙上に
印刷する。

【００１１】

【発明の実施の形態】図１は本発明に係るファクシミリ
装置１の概略の構成を示すブロック図、図２は原稿から
抽出されるブロック領域ＢＡを説明する図である。

【００１２】図１において、ファクシミリ装置１は、送
信部１１及び受信部１２を備えている。送信部１１は、
画像読取り部２１、ブロック領域抽出部２２、特徴抽出
用ネットワーク２３、送信データ選択部２４、及び領域
判別用ネットワーク２５からなっており、受信部１２
は、復元用ネットワーク３１、受信データ選択部３２、
及び画像印刷部３３からなっている。

【００１３】画像読取り部２１は、送信すべき原稿をス
キャンして読み取り、画像データＤＭに変換する。ブロ
ック領域抽出部２２は、画像読取り部２１から出力され
る画像データＤＭに対して、ブロック領域ＢＡに対応す
る画像データＤＭａを順次抽出して出力する。ブロック
領域ＢＡは、例えば８×８画素の正方形の領域であり、
原稿の画像ＰＭに対して各ブロック領域ＢＡが互いに重
ならないように割り当てられている。ブロック領域抽出
部２２には、原稿の画像ＰＭの画像データＤＭがスキャ
ンによって１ライン毎又は複数ライン毎に入力されるの
で、例えば入力された画像データＤＭを画素のアドレス
に応じて適当なメモリに格納することによって、ブロッ
ク領域ＢＡに対応した画像データＤＭａを抽出する。

【００１４】特徴抽出用ネットワーク２３は、ブロック
領域抽出部２２からブロック領域ＢＡ毎に出力される６
４画素分の多値の画像データＤＭａを、当該ブロック領
域ＢＡの領域属性、つまり文字領域、写真（濃淡）領
域、網点領域の３種類のそれぞれに応じて、画像データ
ＤＭａの特徴を表す特徴データＤＦ１〜３に変換する。
つまり、ブロック領域ＢＡが文字領域である場合には文
字画像らしさを表す文字特徴データＤＦ１に変換し、写
真領域である場合には写真画像らしさを表す写真特徴デ
ータＤＦ２に変換し、網点領域である場合には網点画像
らしさを表す網点特徴データＤＦ３に変換する。詳しく
は後述する。

【００１５】送信データ選択部２４は、ブロック領域Ｂ
Ａの属性に応じて、つまり領域判別用ネットワーク２５
からの領域判別信号Ｓ１〜３に基づいて、３つの特徴デ
ータＤＦ１〜３のうちの１つを選択し、選択した特徴デ
ータＤＦを送信画像データとして出力する。

【００１６】領域判別用ネットワーク２５は、特徴抽出
用ネットワーク２３から出力される特徴データＤＦ１〜
３のそれぞれに基づいて、それぞれのブロック領域ＢＡ
の属性を判別し、領域判別信号Ｓ１〜３を送信データ選
択部２４に出力するとともに、送信データの一部として
領域判別信号Ｓ１〜３を出力する。

【００１７】したがって、送信部１１からは、各ブロッ
ク領域ＢＡ毎に、送信画像データとしての１つの特徴デ
ータＤＦ、及び領域判別データとしての領域判別信号Ｓ
１〜３が、ファクシミリ信号として順次送信される。

【００１８】復元用ネットワーク３１は、受信したファ
クシミリ信号のうちの特徴データＤＦに基づいて、それ
ぞれのブロック領域ＢＡ毎に画像データＤＨを復元す
る。復元用ネットワーク３１は、領域の種類毎の特徴デ
ータＤＦ１〜３をそれぞれ復元するように設けられてい
る。

【００１９】受信データ選択部３２は、受信したファク
シミリ信号のうちの領域判別信号Ｓ１〜３に基づいて、
復元用ネットワーク３１から出力される画像データＤＨ
のうちの１つを選択する。

【００２０】画像印刷部３３は、受信データ選択部３２
から出力されるブロック領域ＢＡ毎の画像データＤＨに
基づいて、復元した原稿の画像ＰＭを用紙上に印刷す
る。次に、特徴抽出用ネットワーク２３、復元用ネット
ワーク３１、及び領域判別用ネットワーク２５につい
て、その作成方法及び動作などを詳しく説明する。

【００２１】図３は送信部１１の要部を示す図、図４は
受信部１２の要部を示す図、図５は特徴抽出用ネットワ
ーク２３及び復元用ネットワーク３１の作成過程を示す
図、図６は領域判別用ネットワーク２５の作成過程を示
す図、図７はニューラルネットワークＮＮの例を示す
図、図８は領域判別用ネットワーク２５を示す図であ
る。

【００２２】図３に示すように、特徴抽出用ネットワー
ク２３は３つのネットワークＡ１〜Ａ３からなってお
り、図４に示すように、復元用ネットワーク３１は３つ
のネットワークＢ１〜Ｂ３からなっている。

【００２３】すなわち、特徴抽出用ネットワーク２３及
び復元用ネットワーク３１の作成のために、図５に示す
ように、３個のニューラルネットワークＮＮＡ（ＮＮＡ
１〜３）を準備する。図７に示すように、各ニューラル
ネットワークＮＮＡは、砂時計型の５層のものであり、
第１層（入力層）から第５層（出力層）までの各ニュー
ロン数が、６４，６０，１０，６０，６４である。つま
り、ニューラルネットワークＮＮＡは、第３層（中間
層）のニューロン数が入力層のニューロン数よりも小さ
く、入力層と出力層のニューロン数が互いに同一であ
り、第３層を中心として左右対称形である。

【００２４】また、各ニューラルネットワークＮＮＡに
おいて、入力層Ｓ、中間層（第３層）Ａｂ、及び出力層
Ｒの応答関数はリニア関数であり、中間層（第２層）Ａ
ａ及び中間層（第４層）Ａｃの応答関数はシグモイド関
数である。第１層から第３層までの部分（ネットワーク
Ａ１〜Ａ３）が特徴抽出用ネットワーク２３であり、第
４層及び第５層の部分（ネットワークＢ１〜Ｂ３）が復
元用ネットワーク３１である。

【００２５】これらの各ニューラルネットワークＮＮＡ
に対し、それぞれ特定の分布的特徴を有した入力信号を
入力層に入力してその恒等写像を学習させる。すなわ
ち、１つ目のニューラルネットワークＮＮＡ１には、入
力層Ｓに学習用の文字画像を入力し、入力した文字画像
と同じ画像（復元文字画像）を出力層Ｒから出力するよ
うに学習させる。その場合には、各入力層への入力値と
各入力層に対応する各出力層からの出力値とが等しくな
る。

【００２６】２つ目のニューラルネットワークＮＮＡ２
には、入力層Ｓに学習用の写真画像を入力し、入力した
写真画像と同じ画像（復元写真画像）を出力層Ｒから出
力するように学習させる。

【００２７】３つ目のニューラルネットワークＮＮＡ３
には、入力層Ｓに学習用の網点画像を入力し、入力した
網点画像と同じ画像（復元網点画像）を出力層Ｒから出
力するように学習させる。

【００２８】ニューラルネットワークＮＮＡの学習は、
周知の技術であるバックプロパゲーション法による。学
習においては、文字画像、写真画像、及び網点画像の各
サンプルを多数作成し、それらの各サンプルから得られ
た８×８画素についての画像データを、サンプルデータ
として入力層Ｓに入力する。各ニューラルネットワーク
ＮＮＡについて、サンプル全体に対する平均二乗誤差が
小さくなるように１００００回程度の学習を行う。

【００２９】各ニューラルネットワークＮＮＡは、学習
することによって、それぞれの中間層Ａｂに「文字画像
らしさ」「写真画像らしさ」「網点画像らしさ」といっ
た各画像の性質を表すような特徴量が取得される。つま
り、ニューラルネットワークＮＮＡの学習によって各画
像の特徴量が取得される。但し、この場合の特徴量は、
物理的に明確な意味を持った特徴量ではない。各中間層
Ａｂは各入力層Ｓよりもニューロン数が小さく、したが
って中間層Ａｂには、入力層Ｓに入力された情報の特徴
が圧縮され又は集約されて現れていると考えることがで
きる。このような特徴量が特徴データＤＦ１〜３であ
る。なお、ニューラルネットワークの中間層における特
徴量の取得に関しては、入江らの報告書「多層パーセプ
トロンによる内部表現の獲得」（電子情報通信学会文誌
Ｖｏｌ．Ｊ７３−Ｄ−II、Ｎｏ．８、Ｐ１１７３〜
８、１９９０年８月）を参照することができる。

【００３０】学習済のニューラルネットワークＮＮＡ１
〜３の各第１層から第３層までの部分を取り出したもの
が、特徴抽出用ネットワーク２３（ネットワークＡ１〜
Ａ３）である。ネットワークＡ１〜Ａ３の入力層Ｓ同士
は並列に接続され、６４（＝８×８）個の画像データが
各ネットワークＡ１〜Ａ３に同時に入力される。ネット
ワークＡ１〜Ａ３における出力層からは、全部で３０
（＝１０×３）個の特徴データＤＦ１〜３が出力され
る。

【００３１】図３に示されるように、３つのネットワー
クＡ１〜Ａ３から出力される特徴データＤＦ１〜３のう
ちの１つ（１０個のデータ）が、送信データ選択部２４
によって選択され、特徴データＤＦとして出力される。
送信データ選択部２４は３つのゲート２４ａ〜ｃからな
っており、領域判別用ネットワーク２５からの領域判別
信号Ｓ１〜３によって選択的に開閉する。

【００３２】図８に示すように、領域判別用ネットワー
ク２５は３層のものであり、入力層Ｓ、中間層Ａ、出力
層Ｒの各ニューロン数は、３０，３０，３である。入力
層Ｓの応答関数はリニア関数であり、中間層Ａ及び出力
層Ｒの応答関数はシグモイド関数である。図６に示すよ
うに、領域判別用ネットワーク２５の入力層Ｓに、特徴
抽出用ネットワーク２３の各出力層を接続する。つま
り、領域判別用ネットワーク２５の入力層に特徴データ
ＤＦ１〜３が入力されるように接続する。

【００３３】そして、図６のように接続された領域判別
用ネットワーク２５に対して、ニューラルネットワーク
ＮＮＡを学習させたのと同じ分布的特徴を有する入力信
号を入力し、特徴抽出用ネットワーク２３の結合係数を
変更することなく、領域判別用ネットワーク２５を学習
させる。

【００３４】すなわち、図６に示すネットワークに対し
て、まず学習用の文字画像を入力し、領域判別用ネット
ワーク２５の出力層Ｒのニューロンｒ１の出力が「１」
となるように学習させる。次に、学習用の写真画像を入
力し、領域判別用ネットワーク２５のニューロンｒ２の
出力が「１」となるように学習させる。さらに、学習用
の網点画像を入力し、領域判別用ネットワーク２５のニ
ューロンｒ３の出力が「１」となるように学習させる。
この学習過程において、領域判別用ネットワーク２５の
結合係数が変化する。なお、ネットワークの学習は周知
の技術であるバックプロパゲーション法による。学習に
用いられるサンプルは、ニューラルネットワークＮＮＡ
の学習において用いたサンプルと同一のものでもよく又
は異なるものでもよい。文字画像、写真画像、及び網点
画像のそれぞれについて、平均二乗誤差が小さくなるよ
うに１００００回程度の学習を行う。

【００３５】このようにして領域判別用ネットワーク２
５を学習させた後、特徴抽出用ネットワーク２３に画像
データＤＭａを入力すると、出力層Ｒの３個のニューロ
ンｒ１〜３からは、それぞれ、文字領域、写真領域、網
点領域に対応する出力Ｓ１〜３が得られる。つまり、領
域判別用ネットワーク２５は、特徴抽出用ネットワーク
２３の入力層Ｓに入力されたデータに基づいてブロック
領域ＢＡの属性を判別し、それが文字領域である場合に
はニューロンｒ１の出力Ｓ１が「Ｌ」となり、写真領域
である場合にはニューロンｒ２の出力Ｓ２が「Ｌ」とな
り、網点領域である場合にはニューロンｒ３の出力Ｓ３
が「Ｌ」となる。なお、それぞれの場合において他の出
力は「Ｈ」である。

【００３６】したがって、図３において、送信データ選
択部２４の各ゲート２４ａ〜ｃは、領域判別信号Ｓ１〜
３が「Ｌ」のときに開き、各ゲート２４ａ〜ｃに入力さ
れた特徴データＤＦ１〜３のうちの１つが選択され特徴
データＤＦとして出力される。

【００３７】さて、図５に示す学習済のニューラルネッ
トワークＮＮＡ１〜３の各第４層から第５層までの部分
を取り出したものが、図４に示す復元用ネットワーク３
１（ネットワークＢ１〜Ｂ３）である。各ネットワーク
Ｂ１〜Ｂ３の入力層Ｓ同士は並列に接続され、受信した
ファクシミリ信号のうちの特徴データＤＦが各ネットワ
ークＢ１〜Ｂ３に同時に入力される。また、受信データ
選択部３２は、３つのゲート３２ａ，３２ｂ，３２ｃか
らなっており、受信したファクシミリ信号のうちの領域
判別信号Ｓ１〜３によって選択的に開閉する。

【００３８】したがって、受信した特徴データＤＦは各
ネットワークＢ１〜Ｂ３に入力されるが、受信データ選
択部３２によって選択されたネットワークＢ１〜Ｂ３か
らの出力のみが画像データＤＨとして得られる。この画
像データＤＨは、送信部１１の特徴抽出用ネットワーク
２３に入力されるブロック領域ＢＡ毎の画像データＤＭ
ａを復元したものである。画像印刷部３３において、画
像データＤＨを原稿のとおりに順次配置し、復元した原
稿の画像ＰＭを用紙上に印刷する。

【００３９】したがって、上述したファクシミリ装置１
間におけるファクシミリ通信では、ファクシミリ信号が
１つの特徴データＤＦ及び領域判別信号Ｓ１〜３から構
成され、送信側において各ブロック領域ＢＡの属性に応
じた特徴データＤＦを選択して送信し、受信側において
その属性に応じて特徴データＤＦを復元する。つまり、
ファクシミリ信号として１つの特徴データＤＦのみでよ
く、しかも６４（８×８）画素分の画像データＤＭａが
１０個の特徴データＤＦに圧縮されているので、送信さ
れるデータ量が大幅に減少し、且つデータ量が画像の内
容又は種類に関係なく一定であるから、ファクシミリ装
置１のメモリ容量を少なくすることができ、装置を小型
化することができる。

【００４０】また、ファクシミリ通信における送信デー
タのデータ量がほぼ一定となり、これによって送信時間
が一定となるので、原稿の内容や種類によって送信時間
が長大化したりメモリ容量が不足することがない。

【００４１】上述のファクシミリ装置１によると、ブロ
ック領域ＢＡの属性の判別に領域判別用ネットワーク２
５を用いているので、ニューラルネットワークの学習効
果によって簡単に属性の判別が行われ、しかも確実な属
性の判別が行われる。

【００４２】上述のファクシミリ装置１において、ニュ
ーラルネットワークＮＮＡを学習させた後では、入力さ
れるデータと学習によって得られた結合係数との積和演
算、及び応答関数を表したテーブルの検索などによっ
て、特徴データＤＦへの変換又は特徴データＤＦからの
復元を行うことが可能であるので、演算の処理速度の向
上を図ることができる。

【００４３】なお、特徴抽出用ネットワーク２３、復元
用ネットワーク３１、及び領域判別用ネットワーク２５
の作成方法において、１台のファクシミリ装置１につい
てのみ、ニューラルネットワークの学習を実際に行い、
２台目のファクシミリ装置１からはその学習によって得
られた結合係数を転用して同じネットワークを構成する
ことができる。

【００４４】上述のファクシミリ装置１において、領域
判別信号Ｓ１〜３を用いて、送信時に又は受信時に、文
字領域に対しては例えばエッジ強調処理、２値化処理を
行い、写真領域に対しては自然な階調性を得るための処
理又は特定の階調を強調する処理を行い、網点領域に対
してはモアレ防止のために平滑化処理を行うようにして
もよい。これによって、復元された画像がより鮮明にな
る。

【００４５】また、領域判別用ネットワーク２５により
判別された領域属性に対し、モルフォロジーを用いてフ
ィルタ処理を施し、誤判別を除去して領域属性をさらに
正確に判別することもできる。そのためには、例えば原
稿の画像ＰＭとフィルタとの各々の画素について足し算
又は引き算を行い、フィルタ中の最大値（最小値）を求
める処理を行えばよい。

【００４６】なお、写真画像とは、銀塩写真のように、
原稿の画像ＰＭの読み取り密度に対して充分に画素密度
の大きい濃淡画像のことである。また、網点画像は、網
点が細かくなるにしたがって写真画像との差異が少なく
なる。例えば、画像ＰＭの読み取り密度が４００ｄｐｉ
である場合には、網点の密度が２００線／インチになる
と、読み取った画像データＤＭは写真画像の場合と異な
らない。したがって、その場合には、２００線／インチ
以上の網点画像は写真画像に含めてもよい。

【００４７】上述のファクシミリ装置１においては、８
×８画素の正方形の領域をブロック領域ＢＡとしたが、
４×４画素、３×３画素、１６×１６画素、６４×６４
画素など、種々のサイズの領域をブロック領域ＢＡとし
てよい。正方形でなくてもよい。また原稿の画像ＰＭを
ブロック領域ＢＡに区分することなく、原稿の画像ＰＭ
の全体を特徴抽出用ネットワーク２３に入力するように
してもよい。

【００４８】上述のファクシミリ装置１において、ニュ
ーラルネットワークＮＮＡは、コンピュータによるシミ
ュレータによって実現されている。したがって、上述し
たように、特徴抽出用ネットワーク２３、領域判別用ネ
ットワーク２５、復元用ネットワーク３１などは、学習
済の結合係数と応答関数を表したテーブル、及びそれら
を演算及び検索するためのプログラムから実現すること
が可能である。このような態様も本発明のニューラルネ
ットワークに含まれる。また、ニューラルネットワーク
をハードウエアで直接実現してもよい。

【００４９】上述の実施例において、ニューラルネット
ワークＮＮＡとして５層のものを用いたが、４層以下又
は６層以上のものでもよい。３個のニューラルネットワ
ークＮＮＡ１〜３を用いたが、２個以下又は４個以上で
もよい。領域判別用ネットワーク２５として３層のもの
を用いたが、４層、５層、又はそれ以上のものでもよ
い。全部のネットワークＡ１〜Ａ３に対して１つの領域
判別用ネットワーク２５を結合したが、各ネットワーク
Ａ１〜Ａ３に対応してそれぞれ別個の領域判別用ネット
ワークを結合してもよい。送信部１１及び受信部１２に
は、上述した以外に、画像データＤＭ，ＤＭａ，ＤＨ、
特徴データＤＦ１〜３、及び領域判別信号Ｓ１〜３など
を適切に処理し、記憶し、又は読み出すための処理手段
及びメモリなどが用いられている。各層のニューロン
数、結合係数の有無、応答関数の種類、学習方法など
は、上述した以外に種々変更することができる。その
他、ファクシミリ装置１の各部又は全体の構成、処理内
容、処理順序などは、本発明の主旨に沿って適宜変更す
ることができる。

【００５０】

【発明の効果】請求項１〜３の発明によると、ニューラ
ルネットワークを用いて原稿の画像の特徴データを送信
するようにし、これにより送信する画像データのデータ
量をほぼ一定とし、送信時間が長大化したりメモリ容量
が不足することを防止することができる。

【００５１】請求項３の発明によると、画像領域に応じ
た特徴データを領域判別結果を示す信号とともに送信す
るので、受信側において画像領域に応じた復元と他の適
切な処理を行って画質の向上を図ることができる。

【図面の簡単な説明】

【図１】本発明に係るファクシミリ装置の概略の構成を
示すブロック図である。

【図２】原稿から抽出されるブロック領域を説明する図
である。

【図３】送信部の要部を示す図である。

【図４】受信部の要部を示す図である。

【図５】特徴抽出用ネットワーク及び復元用ネットワー
クの作成過程を示す図である。

【図６】領域判別用ネットワークの作成過程を示す図で
ある。

【図７】ニューラルネットワークの例を示す図である。

【図８】領域判別用ネットワークを示す図である。

【符号の説明】

１ ファクシミリ装置 １１ 送信部 １２ 受信部 ２３ 特徴抽出用ネットワーク ２５ 領域判別用ネットワーク ３１ 復元用ネットワーク ＮＮＡ１〜３ ニューラルネットワーク ＤＦ１〜３ 特徴データ Ｓ１〜３ 領域判別信号

フロントページの続き (72)発明者 山本 眞司 愛知県豊橋市王が崎町上原１−３，３− 402 (72)発明者 中村 和明 愛知県豊橋市三本木町字元三本木９−１ スタープラザ207

Claims (3)

【特許請求の範囲】
1. 【請求項１】入力層と出力層と少なくとも１つの中間層
   とを有し且つ前記入力層と前記出力層のニューロン数が
   互いに同一であり、前記各入力層への入力値と前記各入
   力層に対応する前記各出力層からの出力値とが等しくな
   るように恒等写像を学習させたニューラルネットワーク
   のうちの前記入力層から前記中間層までで構成される特
   徴抽出用ネットワークと、前記ニューラルネットワーク
   から前記特徴抽出用ネットワークを除いた残りで構成さ
   れる復元用ネットワークとを用い、 送信側においては、原稿画像を読み取って得られた画像
   データを前記特徴抽出用ネットワークの入力層に入力
   し、当該特徴抽出用ネットワークから出力される特徴デ
   ータを送信画像データとして送信し、 受信側においては、受信された前記送信画像データを前
   記復元用ネットワークの入力層に入力して復元する、 ことを特徴とするファクシミリ通信方法。
2. 【請求項２】入力層と出力層と少なくとも１つの中間層
   とを有し且つ前記入力層と前記出力層のニューロン数が
   互いに同一であり、前記各入力層への入力値と前記各入
   力層に対応する前記各出力層からの出力値とが等しくな
   るように恒等写像を学習させたニューラルネットワーク
   のうちの前記入力層から前記中間層までで構成される特
   徴抽出用ネットワークと、前記ニューラルネットワーク
   から前記特徴抽出用ネットワークを除いた残りで構成さ
   れる復元用ネットワークとを有し、 原稿画像を読み取って得られた画像データを前記特徴抽
   出用ネットワークの入力層に入力して当該特徴抽出用ネ
   ットワークから出力される特徴データを送信画像データ
   として送信する送信部と、 受信された送信画像データを前記復元用ネットワークの
   入力層に入力して復元する受信部と、 が設けられていることを特徴とするファクシミリ装置。
3. 【請求項３】入力層と出力層と少なくとも１つの中間層
   とを有し且つ前記入力層と前記出力層のニューロン数が
   互いに同一であり、前記各入力層への入力値と前記各入
   力層に対応する前記各出力層からの出力値とが等しくな
   るようにそれぞれ特定の画像領域の恒等写像を学習させ
   たニューラルネットワークのうちの前記入力層から前記
   中間層まででそれぞれ構成される複数の特徴抽出用ネッ
   トワークと、前記ニューラルネットワークから前記特徴
   抽出用ネットワークを除いた残りでそれぞれ構成される
   複数の復元用ネットワークと、原稿画像を読み取って得
   られた画像データの領域判別結果を出力する領域判別用
   ネットワークとを有し、 前記領域判別用ネットワークによる領域判別結果に基づ
   いて選択された１つの特徴抽出用ネットワークに前記原
   稿画像を読み取って得られた画像データを入力し当該特
   徴抽出用ネットワークから出力された特徴データである
   送信画像データ、及び前記領域判別用ネットワークから
   出力される領域判別結果である領域判別データを送信す
   る送信部と、 受信された送信画像データを領域判別データに基づいて
   選択された１つの復元用ネットワークによって復元した
   データを受信画像データとして用いる受信部と、 が設けられていることを特徴とするファクシミリ装置。