JPH10283458A

JPH10283458A - 画像処理装置

Info

Publication number: JPH10283458A
Application number: JP9086160A
Authority: JP
Inventors: Junji Nishigaki; 順二西垣; Junji Ishikawa; 淳史石川; Hiroshi Sugiura; 博杉浦
Original assignee: Minolta Co Ltd
Current assignee: Minolta Co Ltd
Priority date: 1997-04-04
Filing date: 1997-04-04
Publication date: 1998-10-23

Abstract

(57)【要約】【課題】予め準備された複数の画像処理手段の中から適
切なものをニューラルネットワークを用いて選択し、選
択された画像処理手段によって所望の画像品質の画像を
容易に得ることができ、しかも学習に要する時間の低減
を図ることの可能な画像処理装置を提供することを目的
とする。【解決手段】画像処理の内容の異なる複数種類の処理部
３５１，３５２…、３５Ｍを有する画像処理部３５と、
使用する処理部又はその数を指定するための操作部１１
６と、操作部１１６によって指定されている処理部の中
から１つの処理部を選択する選択データを出力層から出
力するニューラルネットワーク３３と、入力されたデー
タに対応する適切な処理部を選択する選択データＤＳを
出力層から出力するようにニューラルネットワーク３３
を学習させるための学習部３４と、を有して構成され
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、入力される画像デ
ータの特徴に応じた内容の画像処理を行って出力する画
像処理装置に関する。本発明は、画像データの特徴をニ
ューラルネットワークへの入力パラメータとし、予め準
備された複数の画像処理手段（画像パラメータ）の中か
ら最適のものをニューラルネットワークから出力される
選択データによって選択するものであり、特にニューラ
ルネットワークの学習に要する時間を低減するための構
成に特徴を有する。本発明の画像処理装置は、例えばデ
ジタル複写機において、原稿を読み取ることにより入力
された画像データに対して画質のシャープさなどを制御
する画質補正のために利用される。

【０００２】

【従来の技術】従来より、画像処理にしばしばニューラ
ルネットワークが用いられている。例えば特開平６−３
０２５３号公報には、入力された画像データをニューラ
ルネットワークの入力層に入力し、ニューラルネットワ
ークによって画像処理を行い、処理後の画像データを出
力層から出力する装置が提案されている。

【０００３】また、画像データの特徴量をニューラルネ
ットワークに入力し、ニューラルネットワークによって
特徴量に応じた変換パラメータを求め、求められた変換
パラメータを用いて画像処理を行うことも提案されてい
る。

【０００４】これらのいずれにおいても、ニューラルネ
ットワーク自体によって画像処理を行っており、処理後
の画像データがニューラルネットワークから出力され
る。

【０００５】

【発明が解決しようとする課題】上述した従来の画像処
理装置では、画像処理そのものをニューラルネットワー
クで行っているので、ニューラルネットワークの各層の
数、特に出力層の数を多くする必要があり、ニューラル
ネットワークの回路規模が膨大となるとともに、その学
習のために膨大な時間を要することとなる。

【０００６】例えば、２５６階調の画像データを処理す
る場合には、出力層に少なくともその５分の１程度の個
数のニューロンが必要であり、高精度な処理を行うため
には２５６個のニューロンが必要である。このようなニ
ューラルネットワークは回路規模及び学習時間が膨大で
ある。

【０００７】そして、画像処理を学習後のニューラルネ
ットワークで行っているので、原稿によっては通常あり
得ない画像処理を行ってしまう可能性がある。つまり、
学習のための教師データが適切でなかったり学習が充分
でなかった場合には、入力される画像データによっては
ニューラルネットワークが通常では考えられない異常な
内容の画像処理を実行する可能性がある。

【０００８】また、ニューラルネットワークを用いるこ
となく、画像データに含まれる特徴量によって、予め設
定された複数の画像処理手段の中から適切なものを選択
することが考えられる。この場合において、どのように
して適切なものを選択するかが問題である。

【０００９】つまり、画像処理手段を選択する場合に、
例えば複写機で複写される種々の原稿に対して、画像の
種類を正確に判別するようにしきい値などのパラメータ
を設定することが重要となる。このようなしきい値など
のパラメータは、計算上求められるものもあるが、実際
には何種類かの原稿を用いて経験的に求められることが
多い。そのため、求められたしきい値では、実際に用い
られる原稿に対する適切な画像処理を選択することがで
きない可能性がある。そのため、ある限られた原稿の画
像データに対しては適切な画像処理手段を選択するかも
しれないが、別の画像データに対しては適切でないもの
を選択する可能性がある。つまり、複写機で複写される
原稿のように汎用的な画像データに対しては利用できな
い可能性がある。また、パラメータを設定するために
は、画像特性及び画像処理についての専門的知識が必要
であり、専門的知識を有しないユーザではパラメータの
設定ができないという問題がある。

【００１０】そこで、ニューラルネットワークを用い、
画像データの特徴をニューラルネットワークへの入力パ
ラメータとし、ニューラルネットワークの出力によって
予め準備された複数の画像処理手段の中から適切なもの
を選択することが考えられる。

【００１１】その場合において、ニューラルネットワー
クの学習にかなりの時間を要するため、その学習時間を
どのようにして低減するかという問題がある。すなわ
ち、例えば複写機としての機能の多様性を生かせるため
に、予め準備する画像処理手段の数はいきおい多くなる
が、総てのユーザがそれらの画像処理手段を全部使用す
るとは限らない。そうすると、実際に使用する画像処理
手段の数は限られているにもかかわらず、予め準備され
た多数の画像処理手段の全部を使用するという前提でニ
ューラルネットワークの学習が行われることとなり、学
習に多くの時間を要することとなる。

【００１２】本発明は、上述の問題に鑑みてなされたも
ので、予め準備された複数の画像処理手段の中から適切
なものをニューラルネットワークを用いて選択し、選択
された画像処理手段によって所望の画像品質の画像を容
易に得ることができ、しかも学習に要する時間の低減を
図ることの可能な画像処理装置を提供することを目的と
する。

【００１３】

【課題を解決するための手段】請求項１の発明に係る装
置は、入力される画像データに対し、当該画像データの
特徴に応じた内容の画像処理を行って出力する画像処理
装置であって、画像処理の内容の異なる複数種類の画像
処理手段を有する画像処理部と、前記画像処理部内にあ
る画像処理手段のうち使用する画像処理手段又はその数
を指定するための指定手段と、前記画像データの特徴を
表すデータが入力層に入力され、前記指定手段によって
指定されている前記画像処理手段の中から１つの画像処
理手段を選択する選択データを出力層から出力するニュ
ーラルネットワークと、前記入力層に入力されたデータ
に対応する適切な画像処理手段を選択する選択データを
前記出力層から出力するように前記ニューラルネットワ
ークを学習させるための学習手段と、を有して構成され
る。

【００１４】請求項２の発明に係る装置は、前記ニュー
ラルネットワークの出力層のうちの前記画像処理手段の
選択に使用される出力層の数と、そのときのニューラル
ネットワークの学習に要する時間との関係を表した学習
時間テーブルと、前記指定手段により指定された画像処
理手段の数に対応する学習時間を前記学習時間テーブル
を参照して算出する学習時間算出手段と、算出された学
習時間を表示する学習時間表示手段と、を有して構成さ
れる。

【００１５】本発明の画像処理装置では、例えば図５に
示すような種々の入出力特性を有した画像処理手段（処
理部）が予め準備される。画像データから抽出された特
徴量はニューラルネットワークに入力され、ニューラル
ネットワークの出力層からは適切な画像処理手段を選択
するための選択データが出力される。

【００１６】つまり、画像処理自体は予め準備された画
像処理手段によって実行される。ニューラルネットワー
クは、いずれかの画像処理手段を選択するために用いら
れる。

【００１７】ニューラルネットワークが適切な画像処理
手段を選択するようにするために、教師データを用いて
学習が行われる。学習条件の設定に当たって、画像処理
手段のうち使用する画像処理手段又はその数（目標数）
を指定することが可能である。目標数が設定されること
によって、ニューラルネットワークの出力層のうちの使
用される数がその目標数に応じた数に低減するので、学
習に要する時間が低減される。なお、画像データの特徴
には画像データ自体も含まれる。つまり画像データ自体
をニューラルネットワークに入力してもよい。

【００１８】

【発明の実施の形態】図１は本発明に係る画像処理ユニ
ット１１５が設けられたデジタル式の複写機１の概略の
構成を示す図である。

【００１９】複写機１は、その上部に設置された画像読
み取り装置１１、及び下部に配置された画像記録装置１
２から構成されている。画像読み取り装置１１において
は、縮小光学系を用いて、光源１１１から原稿に光を照
射し、その反射光をミラー１１２及びレンズ１１３を介
してライン状のＣＣＤ１１４上に結像させ、光電変換さ
れたアナログの電気信号Ｓ１を得る。本実施形態におい
ては、ＣＣＤ１１４の解像度は４００ｄｐｉであり、最
大原稿サイズはＡ３サイズ（１ライン約５０００ｄｏ
ｔ）である。

【００２０】ＣＣＤ１１４から出力される電気信号Ｓ１
は、本発明の画像処理装置としての画像処理ユニット１
１５に入力され、画像処理ユニット１１５において、本
発明における指定手段としての操作部１１６からの指示
データＤＣの内容にしたがって、デジタルの画像データ
Ｄ１に変換され、変倍及び画質補正などの画像処理が行
われ、デジタルの画像データＤＯとして画像読み取り装
置１１から出力される。なお、操作部１１６は、複写機
１の通常の操作のためにも兼用されている。

【００２１】原稿は、ＣＣＤ１１４によって主走査方向
に走査され、ミラー１１２の水平方向への移動によって
副走査方向に走査される。したがって、電気信号Ｓ１
は、主走査の１ライン毎に、ＣＣＤ１１４から順次転送
されて出力される。

【００２２】画像記録装置１２においては、画像読み取
り装置１１から出力された画像データＤＯをレーザーダ
イオード駆動ユニット１２１でアナログの電気信号Ｓ２
に変換し、レーザー発光源であるレーザダイオード１２
２でレーザ光に変換し、レーザ光をポリゴンミラー１２
３を介して感光体ドラム１２４の表面に結像させる。つ
まり、レーザダイオード１２２に入力される電流を画素
単位で制御してその光量を制御し、これによって感光体
ドラム１２４の表面に付着するトナーの量を制御し、電
子写真方式によって４００ｄｐｉ、２５６階調の画像を
用紙ＰＰ上に再現する。

【００２３】図２は画像処理ユニット１１５の全体の構
成を示すブロック図である。画像処理ユニット１１５
は、制御部３０、Ａ／Ｄ変換部３１、特徴量抽出部３
２、画像処理選択部３３、本発明における学習手段とし
ての学習部３４、及び画像処理部３５から構成されてい
る。

【００２４】制御部３０は、画像処理ユニット１１５を
制御するとともに、複写機１の全体をも制御する。制御
部３０の制御に基づいて、後述する試し画像処理が行わ
れる。

【００２５】Ａ／Ｄ変換部３１は、ＣＣＤ１１４から出
力された電気信号Ｓ１を、８ｂｉｔ（２５６階調）のデ
ジタル画像データＤ１（Ｖ７−０）に変換する。なお、
変換された画像データＤ１は、図示しないメモリに一旦
格納される。

【００２６】特徴量抽出部３２は、入力される画像デー
タＤ１に基づいて、その画像の特性を表わす特徴量ＤＨ
を抽出する。特徴量抽出部３２は、一種類の画像データ
Ｄ１について複数種類の特徴量ＤＨを抽出することがあ
る。特徴量としては、例えば、エッジ情報、孤立点情
報、ヒストグラム情報などがあり、これらについては後
述する。なお、特徴量ＤＨとして、画像データＤ１自体
であってもよい。

【００２７】なお、画像の特性の例として、その画像が
文字画像であること、写真画像（濃淡画像）であるこ
と、又は網点画像であることなどである。つまり、これ
らの場合には、特徴量ＤＨに基づいて、文字画像、写真
画像、又は網点画像など、それぞれの画像の種類に対応
して最適の処理が行われることになる。

【００２８】画像処理選択部３３は、特徴量ＤＨに基づ
いて、その画像データＤ１の画像処理に最適の処理を選
択するための選択データＤＳを出力する。つまり、画像
データＤ１に対する画像処理自体は画像処理部３５によ
って行われるが、画像処理部３５において行われる処理
の内容を選択するための選択データＤＳを画像処理選択
部３３が出力する。画像処理選択部３３は、ニューラル
ネットワークによって構成されている。

【００２９】学習部３４は、画像処理選択部３３のニュ
ーラルネットワークを学習させるためのものである。つ
まり、学習部３４は、画像処理選択部３３から出力され
る選択データＤＳを入力し、選択データＤＳと目標値と
の誤差を演算し、誤差が小さくなるような結合係数Ｗ
ｉ，ｊを画像処理選択部３３に与え、これを何回も繰り
返すことによって、選択データＤＳが目標値に近づくよ
うに画像処理選択部３３を学習させる。

【００３０】学習部３４は、また、操作部１１６からの
指示データＤＣに基づいて、実際に使用する処理部３５
１，３５２…、３５Ｍの数（目標数ＨＶ）に対応する学
習時間ＨＬを求め、その結果を操作部１１６へ送信す
る。操作部１１６では、受信した学習時間ＨＬを本発明
の学習時間表示手段としての表示部ＨＧに表示する。な
お、学習部３４には、ニューラルネットワークの出力層
のうちの処理部３５１，３５２…、３５Ｍの選択に使用
される出力層Ｒの数とそのときのニューラルネットワー
クの学習に要する時間との関係を表した学習時間テーブ
ルＴＬがメモリ上に設けられており、学習時間テーブル
ＴＬから目標数ＨＶに対応した学習時間ＨＬが読み出さ
れ、それが操作部１１６に送信される。

【００３１】画像処理部３５は、本発明の画像処理手段
としての多数の処理部３５１，３５２…、３５Ｍを有し
ている。それぞれの処理部３５１，３５２…、３５Ｍ
は、入力される画像データＤ１に対して、内容の異なる
種々の処理１、処理２、…処理Ｍを実行し、処理結果で
ある画像データＤＯ（ＤＶ７−０）を出力する。処理の
内容としては、例えば、シェーディング補正処理、ＬＯ
Ｇ補正処理、濃度変換処理、変倍・移動制御処理、ＭＴ
Ｆ補正処理、濃度補正処理（ガンマ補正処理）、及びこ
れらを組み合わせた処理などがある。また、それぞれの
処理において、変換係数、変換率、又は補正係数のみが
異なる複数の処理である場合もある。それらの処理の概
要を次に説明する。

【００３２】シェーディング補正処理は、主走査方向の
光量ムラをなくすための処理であり、原稿の読み取り動
作に先立って、図示しないシェーディング補正用の白色
板を読み取って得た画像データＤ１を内部のシェーディ
ングメモリに基準データとして格納しておき、それを逆
数に変換した後、原稿を読み取って得た画像データＤ１
と乗算して補正された画像データＤ０を出力する。

【００３３】ＬＯＧ補正処理は、電気信号Ｓ１の大きさ
が原稿の反射率すなわち輝度に比例するため、これを濃
度に比例したデータに変換するための処理である。ＬＯ
Ｇ補正処理においては、例えば、濃度＝−ＬＯＧ（明
度）の特性を有したテーブルを用いて変換を行う。ま
た、濃度変換処理として、オペレータの操作に応じた濃
度調整も行うため、操作部１１６からの指示データＤＣ
にしたがってテーブルの内容を変更する。

【００３４】変倍・移動制御処理では、変倍用のライン
メモリを２個用いて１ライン毎に入出力を交互に行い、
その書き込みタイミング及び読み出しタイミングを独立
して制御することにより、主走査方向の変倍及び移動を
行う。この制御において、変倍率に応じて、縮小側では
書き込み前に、拡大側では読み出し後に、それぞれ補間
処理を行い、画像の欠損又は画像のガタツキを防止す
る。この制御によって、イメージリピート処理、拡大連
写処理、及び鏡像処理をも行う。副走査方向の変倍は、
ミラー１１２の移動速度を制御しＣＣＤ１１４による読
み取り速度を可変することにより行う。

【００３５】ＭＴＦ補正処理は、画像のシャープさなど
を制御するための処理である。ＭＴＦ補正処理として、
スムージング処理又はエッジ強調処理などを行う。濃度
補正処理では、画像記録装置１２の特性に応じた濃度補
正（ガンマ補正）を行う。

【００３６】図３は学習部３４の構成の例を示す図、図
４は画像処理選択部３３の構成の例を示す図、図５は画
像処理部３５の構成の例を概念的に示す図、図６は操作
部１１６の構成の例を示す図、図７は学習時間テーブル
ＴＬの例を示す図、図８は試し画像処理によって得られ
た試し処理画像ＴＤ１，２，３…の例を示す図である。

【００３７】図３において、学習部３４は、目標値設定
部３４１、誤差演算部３４２、結合係数発生部３４３、
及び本発明における学習時間算出手段としての学習時間
算出部３４４からなる。

【００３８】目標値設定部３４１は、操作部１１６から
の指示データＤＣに基づいて目標値ＤＶを設定する。目
標値ＤＶとして、画像処理部３５内の処理部３５１，３
５２…、３５Ｍを選択するためのデータが設定される。
例えば、選択データＤＳが各処理部３５１，３５２…、
３５Ｍに対応したビット列からなり、それぞれに対応す
るビットが「１」のときにその処理を選択し「０」のと
きに選択しないとした場合に、処理部３５１を選択する
場合の選択データＤＳは「１００…０」となる。設定さ
れた目標値ＤＶは、目標値設定部３４１内のレジスタに
格納される。なお、選択データＤＳは、処理部を選択す
ることの可能な程度のデータであればよく、その各ビッ
トの値は実際には「１」又は「０」に近い小数値となる
場合が多い。また、目標値設定部３４１は、操作部１１
６からの指示データＤＣに基づいて、目標数ＨＶを学習
時間算出部３４４へ送る。

【００３９】オペレータは、画像処理選択部３３を学習
させるに当たって、教師データとなる原稿を画像読み取
り装置１１にセットするが、その原稿に対する最適の処
理が処理部３５１，３５２…、３５Ｍの中から選択され
るように、つまりそのような選択データＤＳと一致する
目標値ＤＶが設定されるように、指示データＤＣを入力
する。オペレータは、教師データとなる原稿に対応する
処理内容が分かっている場合には、その処理内容に相当
する処理部３５１，３５２…、３５Ｍを選択するための
目標値ＤＶを設定する。教師データとなる原稿に対し
て、処理部３５１，３５２…、３５Ｍによる実際の処理
結果を見た上でオペレータが処理内容を決定する場合に
は、そのようにして決定した処理内容に相当する処理部
３５１，３５２…、３５Ｍを選択するための目標値ＤＶ
を設定する。

【００４０】誤差演算部３４２は、画像処理選択部３３
から出力される選択データＤＳと、目標値設定部３４１
から出力される目標値ＤＶとを比較し、その誤差ΔＤを
出力する。誤差ΔＤの演算方法として、例えばビット毎
の誤差を平均する方法、２乗平均する方法、又は２乗加
算する方法など、種々の方法が用いられる。

【００４１】結合係数発生部３４３は、画像処理選択部
３３のニューラルネットワークの各ニューロンについて
の結合係数Ｗｉ，ｊを与える。結合係数Ｗｉ，ｊは、１
回毎に、誤差ΔＤが小さくなるような方向に変化させ
る。

【００４２】学習時間算出部３４４は、目標値設定部３
４１から送られた目標数ＨＶに基づいて学習時間ＨＬを
算出し、算出した学習時間ＨＬを操作部１１６へ送る。
学習時間算出部３４４には学習時間テーブルＴＬが設け
られており、学習時間ＨＬの算出に当たって、目標数Ｈ
Ｖに対応する学習時間ＨＬが学習時間テーブルＴＬから
読み出される。

【００４３】図７に示されるように、学習時間テーブル
ＴＬには、目標数ＨＶとして「２」〜「１０」に、学習
回数として「１０００」〜「５０００」に、それぞれ対
応する学習時間ＨＬが格納されている。学習時間テーブ
ルＴＬ内の数値は実験的に求められたものである。

【００４４】そこで、操作部１１６により学習条件を設
定することによって、目標数ＨＶが例えば「５」に設定
された場合には、「５」に対応する学習時間ＨＬである
「１０」「３０」「６０」「９０」「１２０」が読み出
され、これらのデータが操作部１１６へ送られる。

【００４５】そして、図６に示されるように、操作部１
１６の表示部ＨＧには、目標数ＨＶが「５」について、
各学習回数に対する学習時間ＨＬが表示される。オペレ
ータは、この画面を見ることによって、設定した目標数
ＨＶ又は設定した学習条件による目標数ＨＶに対応する
学習時間ＨＬを容易に知ることができる。そして、オペ
レータは、学習時間ＨＬを考慮した上で、学習条件とし
ての学習回数及び目標数ＨＶなどを任意に設定し又は変
更することができる。つまり、例えば、表示された学習
時間ＨＬでは長すぎると考える場合には、目標数ＨＶが
少なくするように設定を変更すればよい。その逆に学習
時間ＨＬが短く余裕があると考える場合には、目標数Ｈ
Ｖを多くするように設定を変更すればよい。このように
して、ニューラルネットワークを学習させるに必要な時
間を容易に調整することができる。

【００４６】なお、目標数ＨＶについては、目標数ＨＶ
の設定を行うか否か、設定を行うとした場合の数値を、
操作部１１６によって直接に入力することが可能であ
る。また、教師データとして原稿を設定することによっ
て、設定した原稿の種類の数に応じて目標数ＨＶを設定
することも可能である。

【００４７】目標数ＨＶが確定すると、その目標数ＨＶ
に等しい数の処理部の中から１つの処理部が選択される
ように、ニューラルネットワークの学習が行われる。そ
うすると、ニューラルネットワークの出力層Ｒに対し
て、目標数ＨＶと同じ数の出力層Ｒについての学習を行
えばよいので、他の出力層Ｒについては結合係数を
「０」に固定しておくことができ、それだけ学習に要す
る時間が短縮される。

【００４８】図４において、画像処理選択部３３はニュ
ーラルネットワークＮＮからなる。図に示すニューラル
ネットワークＮＮは、入力層Ｓ、中間層Ａ、及び出力層
Ｒの３層からなる。入力層Ｓのニューロン数はＮ個、出
力層Ｒのニューロン数はＭ個であり、中間層Ａのニュー
ロン数は適当な個数である。中間層Ａが１層のみ示され
ているが、中間層Ａが２層以上あってもよい。

【００４９】入力層Ｓの各ニューロンには特徴量ＤＨの
各データが入力される。複数種類の特徴量ＤＨが入力さ
れる場合もある。例えば、第１番から第（Ｎ−ｘ）番の
ニューロンにはある特徴量ＤＨのデータが入力され、第
（Ｎ−ｘ＋１）番から第Ｎ番のニューロンには別の特徴
量ＤＨのデータが入力される。

【００５０】出力層Ｒの各ニューロンからは、選択デー
タＤＳの各ビットに対応するデータが出力される。例え
ば、第１番のニューロンからは処理１を選択するための
データが、第２番のニューロンからは処理２を選択する
ためのデータが、第Ｍ番のニューロンからは処理Ｍを選
択するためのデータが、それぞれ出力される。しかし、
選択データＤＳに対して別途設けたデコーダによってデ
コードし、これによって処理部を選択するようにしても
よい。

【００５１】図５において、画像処理部３５の第１番の
処理部３５１は、入力される画像データＤ１と出力され
る画像データＤＯとの関係がほぼ二次関数となってい
る。第２番の処理部３５２は、入力される画像データＤ
１と出力される画像データＤＯとの関係がほぼ対数関数
となっている。第Ｍ番の処理部３５Ｍは、入力される画
像データＤ１と出力される画像データＤＯとの関係がほ
ぼ一次関数となっている。

【００５２】処理部３５１，３５２…、３５Ｍは、例え
ば、入力と出力との対応関係を示すテーブルとして設け
られている。テーブルには、入力される画像データＤ１
の濃度値に対応した濃度値の画像データＤＯを出力する
画像パラメータをも含んでいる。また、それぞれの処理
を行うための関数を発生するプログラムとして設けられ
ることもある。

【００５３】図６において、操作部１１６には、コピー
開始キー５１、テンキー５２、その他のキー５３〜５
５、及び表示部ＨＧなどが設けられている。キー５３〜
５５の操作によって、通常のコピーを行うコピーモー
ド、画像処理選択部３３を学習させるための学習モード
など、種々のモードの切り換えが可能である。表示部Ｈ
Ｇには、コピーモードにおいてはコピーに必要な種々の
情報が表示され、学習モードにおいては、目標値設定画
面ＴＧ１及び学習時間表示画面ＴＧ２などが表示され
る。

【００５４】すなわち、キー５３〜５５の操作によって
学習モードに切り換えられると、表示部ＨＧには目標値
設定のための種々の画面又は画像が表示される。まず、
教師データとなる原稿のセットを促す画面が表示され
る。それにしたがって原稿を画像読み取り装置１１の原
稿台にセットすると、その原稿が読み取られ、試し画像
処理が行われる。試し画像処理においては、セットされ
た原稿に対して、画像処理部３５の各処理部３５１，３
５２…、３５Ｍによってそれぞれの画像処理が行われ
る。但し、目標数ＨＶが設定されるなどによって、使用
される処理部が限定的に指定されていた場合には、指定
された処理部のみによって試し画像処理が行われる。試
し画像処理によって得られた試し処理画像ＴＤ１，２，
３…は、画像記録装置１２によって用紙ＰＰ上に試し印
刷される。

【００５５】図８において、試し処理画像ＴＤ１，２，
３…は、９種類の処理部によって画像処理が行われたも
のであり、１枚の用紙ＰＰ上に一覧表示されている。そ
れぞれの試し処理画像ＴＤ１，２，３…には、１，２，
３…の番号が付されている。なお、キー５３〜５５の操
作により、１枚の用紙ＰＰに印刷する試し処理画像ＴＤ
の数を設定することが可能である。したがって、例え
ば、１枚の用紙ＰＰに１つの試し処理画像、２つの試し
処理画像などというように設定することができる。

【００５６】オペレータは、印刷された試し処理画像Ｔ
Ｄ１，２，３…を見て、その中から最適と思う画像を選
択し、その番号をキー５３〜５５又はテンキー５２の操
作によって入力する。番号が入力されると、その番号に
対応する処理部を選択するための目標値ＤＶが目標値設
定部３４１に設定される。

【００５７】なお、上述の実施形態においては、キー５
３〜５５の操作によって学習モードが設定されるが、隠
しコマンドなどによって学習モードが設定されるように
し、サービスマン又はユーザの管理者などの特定の者の
みが学習モードを設定できるようにしてもよい。試し処
理画像ＴＤには番号が付されたが、番号ではなく、記号
又は符号でもよい。

【００５８】また、試し画像処理において、原稿から得
られた画像データＤ１は一旦メモリに格納され、メモリ
から読み出された画像データＤ１に対して各処理部によ
る処理が行われ、それが必要に応じて縮小される。試し
処理画像ＴＤ１，２，３…は、用紙ＰＰに印刷すること
に代えて、又はこれとともに、操作部１１６の画面ＨＧ
上に表示してもよい。さらには、専用のディスプレイ装
置を設けて試し処理画像ＴＤ１，２，３…を表示しても
よい。教師データとして、例えば、文字画像の原稿、写
真画像の原稿、網点画像の原稿などが用いられる。

【００５９】次に、図８に示すフローチャートを参照し
て学習モードにおける処理及び操作の流れを説明する。
学習モードが設定されると、ニューラルネットワークの
各ニューロンの結合係数の初期化が行われる（＃１
１）。教師データとしての原稿を画像読み取り装置１１
の原稿台にセットする（＃１２）。セットされた原稿に
対して、試し画像処理が行われ、その結果である試し処
理画像ＴＤが出力される（＃１３）。

【００６０】オペレータは、出力された試し処理画像Ｔ
Ｄを確認し、その中から最適であると思う画像を選択
し、操作部１１６の操作によってその番号を入力する。
これによって目標値ＤＶが設定される（＃１４）。現在
設定されている目標数ＨＶ（原稿の数）に応じて、学習
時間ＨＬが算出され、それが学習時間表示画面ＴＧ２に
表示される（＃１５）。オペレータは、表示された学習
時間ＨＬを参考にして、教師データとしての原稿を設定
し、その設定が完了するまでステップ＃１２〜１５を繰
り返す（＃１６）。

【００６１】目標値ＤＶの設定が終了すると、学習の終
了条件を設定する（＃１７）。学習の終了条件として、
学習回数、及び誤差自乗和の目標値を設定する。誤差自
乗和は、目標値ＤＶと選択データＤＳとの各ビットの誤
差の２乗の和のことである。本実施形態においては、学
習回数を「２０００」に設定し、誤差自乗和を「０．０
５」に設定する。

【００６２】これらの設定が終わると学習を開始し、ニ
ューラルネットワークは設定された条件にしたがって学
習を行う（＃１８）。学習回数が２０００回に達する
か、又は誤差自乗和が０．０５以下になるまで学習を行
う。学習が終わると、結合係数及びしきい値などを画像
処理選択部３３に格納する（＃１９）。

【００６３】次に、上述の複写機１の使用方法の概略を
説明する。複写機１を使用する前に、上述のようにして
画像処理選択部３３を学習させる。学習によって、画像
処理選択部３３に最適の結合係数Ｗｉ，ｊが設定され
る。画像処理選択部３３はその結合係数Ｗｉ，ｊを保持
する。

【００６４】その後、オペレータが複写したい原稿を画
像読み取り装置１１にセットすると、その原稿を読み取
って得た画像データＤ１から特徴量ＤＨが抽出され、そ
の特徴量ＤＨに応じて画像処理選択部３３から選択デー
タＤＳが出力され、選択データＤＳによって画像処理部
３５の中から適切な処理部が選択される。画像データＤ
１は、選択された処理部によって処理され、画像データ
ＤＯとして出力される。出力された画像データＤＯに基
づいて、画像記録装置１２により用紙ＰＰ上への印刷が
行われる。

【００６５】上述の複写機１によると、原稿から読み取
られた画像データＤ１から抽出された一種類又は複数種
類の特徴量ＤＨを画像処理選択部３３の入力層Ｓに入力
し、出力層Ｒから出力される選択データＤＳによって画
像処理部３５の中の処理部３５１，３５２…、３５Ｍの
いずれかを選択するように構成したので、容易にユーザ
の所望する画像品質の複写画像を得ることができるとも
に、画像処理選択部３３のニューラルネットワークの回
路規模を小さくすることができ、ニューラルネットワー
クの回路に要するコストを削減し且つ学習に要する時間
を短縮することができる。

【００６６】しかも、教師データに対する目標値ＤＶを
設定し、画像処理選択部３３に学習させることによって
最適の処理部３５１，３５２…、３５Ｍを選択するよう
に構成したので、従来のように複数のしきい値などのパ
ラメータを設定する必要がなく、複写機１で複写される
多くの汎用的な原稿に対して最適な画像処理を実行する
ことができる。

【００６７】また、画像処理選択部３３のニューラルネ
ットワークは、画像処理部３５に予め準備された複数の
処理部３５１，３５２…、３５Ｍの中からの選択方法を
学習すればよいので、ニューラルネットワーク自体によ
って画像処理を行う場合のように異常な画像パラメータ
が生成されることがない。つまり、異常な画像処理が行
われる恐れがない。

【００６８】さらに、試し画像処理による結果を見て処
理部３５１，３５２…、３５Ｍを選択するので、それら
の画像処理の内容や特性などを考える必要がなく、端的
に分かりやすいので、処理部３５１，３５２…、３５Ｍ
の選択が容易である。しかも、選択した試し処理画像Ｔ
Ｄの番号を操作部１１６の操作によって入力すればよい
ので、画像処理などについての専門的知識がなくても学
習の目標値ＤＶの設定を容易に行うことができ、且つ間
違うおそれがない。

【００６９】また、目標値ＤＶの設定のための入力を簡
単に行うことができるので、そのための操作部１１６の
構成が簡単となる。したがって、操作部１１６を、複写
機１の通常の使用に用いられる操作部と兼用することが
でき、専用の特別なものを用いる必要がない。

【００７０】また、学習条件の設定に当たって、学習時
間表示画面ＴＧ２に目標数ＨＶに対応する学習時間ＨＬ
が表示されるので、これによってオペレータは学習時間
ＨＬを容易に知ることができる。したがって、ニューラ
ルネットワークを学習させるに必要な時間を容易に調整
することができる。さらに、目標数ＨＶを複写機１の実
際の用途に応じて必要最小限とすることによって、ニュ
ーラルネットワークの学習時間を一層短縮することがで
きる。

【００７１】次に、特徴量抽出部３２において抽出され
る特徴量ＤＨであるエッジ情報及び孤立点情報について
説明する。まず、エッジ情報について説明する。図１０
はラプラシアン・フィルタの例を示す図、図１１はラプ
ラシアン・フィルタを用いてエッジ強調された画像デー
タを示す図である。

【００７２】ラプラシアン・フィルタは、画像のエッジ
部のコントラストを上げて画像のシャープさを増す効果
（アンシャープマスク効果）を得るためにしばしば用い
られる。ラプラシアン・フィルタを用いることによって
得られたエッジ情報と元の画像データＤ１とを加算する
ことによって、図１１に示すようにエッジ強調された画
像データが得られる。

【００７３】図１２（Ａ）及び（Ｂ）はそれぞれ一次微
分フィルタの例を示す図である。これら二種類の一次微
分フィルタを用いて主走査方向と副走査方向の画像濃度
傾斜を検出する。それらにより検出された結果を用いて
エッジ情報が抽出される。

【００７４】次に、孤立点情報について説明する。網点
印刷のようなドット・スクリーンで階調表現された原稿
であるか否かを検出するために、網点原稿内に一定周期
で必ず存在する各網点の中心画像（カーネル）を孤立点
化させるための空間フィルタである孤立点検出フィルタ
を用いる。

【００７５】まず、孤立点検出フィルタを用い、中心画
素がその周辺画素に対して、総て濃度が大きいか小さい
かのどちらかであり、且つ周辺画素８方向の濃度平均よ
りもあるレベル分総て大きいか小さいかのいずれかを抽
出する。そして、矩形領域（主走査：４１ｄｏｔ／副走
査９ライン）内における白の孤立点と黒の孤立点を独立
してカウントし、孤立点情報を抽出する。

【００７６】上述のようにして抽出された特徴量ＤＨに
基づいて、画像処理選択部３３によって、例えば文字画
像、写真画像、又は網点画像などの判別が行われ、その
結果が選択データＤＳとして出力される。例えば、エッ
ジ情報があるしきい値より大きいとき、その画像は文字
画像と判別される。孤立点情報があるしきい値より大き
いとき、その画像は網点画像と判判別される。それ以外
は写真画像と判別される。そして、画像の種類（文字画
像、写真画像、網点画像など）に応じて、選択データＤ
Ｓにより画像処理部３５の中から適切な処理部が選択さ
れる。

【００７７】例えば、文字画像の場合には、エッジ強調
処理を行なったり、図５に示す処理部３５２によって低
濃度の入力データに対する出力データを高濃度にする処
理を行い、文字のエッジを強調する。

【００７８】写真画像の場合には、例えば図５に示す処
理部３５Ｍによって、入力データに対して出力データが
リニアとなる処理を行い、連続した階調性を保持する。
網点画像の場合には、例えばスムージングフィルタを用
いて平滑化処理を行なう。スムージングフィルタは、画
像を平滑化するための一種のローパスフィルタであり、
例えば主走査方向の３画素に対して、１／４、１／２、
１／４の割合で積分処理（重み付け平均）を行い、モワ
レの原因となる高周波成分をカットしたデータを出力す
る。

【００７９】上述の実施形態においては、複写機１の中
に学習部３４が設けられ、複写機１の使用の前に学習部
３４による画像処理選択部３３の学習を行うように説明
したが、そのような学習をメーカにおける工場の出荷前
にメーカ側で行うようにしてもよい。また、その場合に
おいても、複写機１のユーザの側において、オペレータ
の好みや原稿の特殊性に応じて適時行うようにしてもよ
い。

【００８０】また、学習部３４を複写機１の内部に設け
るのではなく、複写機１の外部に設け、複写機１には外
部の学習部３４との接続のためのコネクタ及びインタフ
ェースを設けることとしてもよい。その場合において、
外部の学習部３４は、専用の学習ユニットとして構成
し、又は汎用のパーソナルコンピュータに学習用のプロ
グラムをロードすることによって構成することができ
る。このように構成した場合には、複写機１のユーザ又
はサービスマンなどによって画像処理選択部３３の学習
を行う場合にのみ、学習部３４を接続することとし、複
写機１としての通常の使用に際しては学習部３４を取り
外しておけばよい。

【００８１】上述の実施形態においては、画像処理部３
５の処理部３５１，３５２…、３５Ｍを予め準備した
が、ユーザにおいて処理内容を書き換えることが可能な
処理部を設けておき、カスタマイズな画像処理を設定で
きるようにしてもよい。また、画像処理部３５内の一部
の処理部を画像処理部３５の外部に設け、画像データＤ
１に対して常に又は選択的に実行させるようにしてもよ
い。

【００８２】上述の実施形態において、画像処理選択部
３３のニューラルネットワークとして３層のものを用い
たが、４層以上のものでもよい。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。また、ニュー
ラルネットワークは、コンピュータによるシミュレータ
により実現が可能である。つまり、例えば、学習部３４
から与えられる結合係数又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。また、
ハードウエアによって実現することも可能である。

【００８３】その他、画像処理選択部３３、学習部３
４、画像処理部３５、画像処理ユニット１１５、操作部
１１６、学習時間算出部３４４、又は学習時間テーブル
ＴＬの構成、処理内容、処理順序、処理タイミング、複
写機１の構成などは、本発明の主旨に沿って適宜変更す
ることができる。

【００８４】また、上述の複写機１においては、モノク
ロにおける画像処理又は画像補正を例にして説明した
が、カラーの画像処理又は画像補正に適用できることは
言うまでもない。

【００８５】

【発明の効果】請求項１及び請求項２の発明によると、
予め準備された複数の画像処理手段の中から適切なもの
をニューラルネットワークを用いて選択し、選択された
画像処理手段によって所望の画像品質の画像を容易に得
ることができる。

【００８６】そして、使用する画像処理手段又はその数
を指定手段によって指定することができるので、本来必
要でない原稿を用意して過剰な学習を行うことがなくな
り、しかも目標数が低減することによりニューラルネッ
トワークの出力層の数が低減し、これによって学習に要
する時間の低減を図ることができる。

【００８７】請求項２の発明によると、目標数に対応す
る学習時間が表示されるので、これによってオペレータ
は学習時間を容易に知ることができ、学習条件などを変
更してニューラルネットワークを学習させるに必要な時
間を容易に調整することができる。

【図面の簡単な説明】

【図１】本発明に係る画像処理ユニットが設けられたデ
ジタル式の複写機の概略の構成を示す図である。

【図２】画像処理ユニットの全体の構成を示すブロック
図である。

【図３】学習部の構成の例を示す図である。

【図４】画像処理選択部の構成の例を示す図である。

【図５】画像処理部の構成の例を概念的に示す図であ
る。

【図６】操作部の構成の例を示す図である。

【図７】学習時間テーブルＴＬの例を示す図である。

【図８】試し画像処理によって得られた試し処理画像の
例を示す図である。

【図９】学習モードにおける処理及び操作の流れを示す
フローチャートである。

【図１０】ラプラシアン・フィルタの例を示す図であ
る。

【図１１】ラプラシアン・フィルタを用いてエッジ強調
された画像データを示す図である。

【図１２】一次微分フィルタの例を示す図である。

【符号の説明】

３３画像処理選択部（ニューラルネットワーク）３４学習部（学習手段）３５画像処理部１１５画像処理ユニット（画像処理装置）１１６操作部（指定手段）３４４学習時間算出部（学習時間算出手段）３５１、３５２、３５Ｍ処理部（画像処理手段）ＨＧ表示部（学習時間表示手段）ＴＬ学習時間テーブル

Claims

【特許請求の範囲】

【請求項１】入力される画像データに対し、当該画像デ
ータの特徴に応じた内容の画像処理を行って出力する画
像処理装置であって、画像処理の内容の異なる複数種類の画像処理手段を有す
る画像処理部と、前記画像処理部内にある画像処理手段のうち使用する画
像処理手段又はその数を指定するための指定手段と、前記画像データの特徴を表すデータが入力層に入力さ
れ、前記指定手段によって指定されている前記画像処理
手段の中から１つの画像処理手段を選択する選択データ
を出力層から出力するニューラルネットワークと、前記入力層に入力されたデータに対応する適切な画像処
理手段を選択する選択データを前記出力層から出力する
ように前記ニューラルネットワークを学習させるための
学習手段と、を有してなることを特徴とする画像処理装置。
【請求項２】前記ニューラルネットワークの出力層のう
ちの前記画像処理手段の選択に使用される出力層の数
と、そのときのニューラルネットワークの学習に要する
時間との関係を表した学習時間テーブルと、前記指定手段により指定された画像処理手段の数に対応
する学習時間を前記学習時間テーブルを参照して算出す
る学習時間算出手段と、算出された学習時間を表示する学習時間表示手段と、を有してなる請求項１記載の画像処理装置。