JP3217534B2 - Image binarization processing device - Google Patents

Description

【発明の詳細な説明】DETAILED DESCRIPTION OF THE INVENTION

【０００１】[0001]

【産業上の利用分野】本発明は、画像データの２値化を
行うための画像処理装置に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an image processing apparatus for binarizing image data.

【０００２】[0002]

【従来の技術】一般に、コピー装置やファクシミリ装置
では、紙に描写される文字や線画画像を鮮明にするため
に、階調性のある撮影画像に対して２値化処理が施され
る。通常は、明度分布を表すヒストグラムにより閾値を
決定し、入力画像の各画素がその閾値より高ければ
“白”、低ければ“黒”と判定されて出力画素が生成さ
れる。2. Description of the Related Art Generally, in a copying machine or a facsimile machine, a binarized process is performed on a photographed image having a gradation in order to sharpen a character or a line drawing image drawn on paper. Normally, a threshold value is determined based on a histogram representing a lightness distribution, and if each pixel of the input image is higher than the threshold value, it is determined as “white”, and if it is lower than the threshold value, it is determined as “black”, and an output pixel is generated.

【０００３】しかしながら、前記ヒストグラムと２値化
のための適切な閾値との対応関係が明瞭になっていな
い。また、照明の違いや撮影する画像の違いにより、基
準とすべきヒストグラムの形状が大きく異なる。However, the correspondence between the histogram and an appropriate threshold value for binarization is not clear. Further, the shape of the histogram to be used as a reference greatly differs depending on the difference in illumination and the difference in the image to be captured.

【０００４】このような問題を解決する第１の従来例と
して、本出願人が提案した”画像２値化装置”（特願平
４−１３１０５１号）があり、撮影画像を部分画像に分
割し、各部分画像の明度のヒストグラムデータから特徴
量を抽出し、この特徴量をニューラルネットワークに入
力して閾値を決定するものである。As a first conventional example which solves such a problem, there is an "image binarizing device" (Japanese Patent Application No. 4-131051) proposed by the present applicant, which divides a photographed image into partial images. The feature amount is extracted from the brightness histogram data of each partial image, and the feature amount is input to a neural network to determine a threshold value.

【０００５】また、同様に本出願人による第２の従来例
として、特願平４−２５６１１６号に提案されるよう
な、撮影画像を部分画像に分割し、注目部分ブロックと
隣接する複数の部分ブロックそれぞれについて明度のヒ
ストグラムを求め、そのヒストグラムから特徴量を抽出
して、その特徴量をニューラルネットワークに入力し閾
値を決定している画像２値化装置がある。[0005] Similarly, as a second conventional example of the present applicant, a photographed image is divided into partial images, as proposed in Japanese Patent Application No. 4-256116, and a plurality of parts adjacent to a noticed partial block are divided. There is an image binarizing apparatus that obtains a brightness histogram for each block, extracts a feature amount from the histogram, inputs the feature amount to a neural network, and determines a threshold value.

【０００６】[0006]

【発明が解決しようとする課題】しかし、前述した第１
の従来例において、２値化のための閾値を明度のヒスト
グラムを用いて求めると、入力画像が照明ムラの激しい
画像である場合には、部分画像ブロックの大きさを小さ
くしなければならない。これら部分画像ブロックについ
て、逐次的にヒストグラムを作成し、閾値を決定する場
合には、処理量と処理時間が増大する。一方、複数の部
分画像ブロックについて並列的に処理する場合には、そ
の部分画像ブロック全てについてヒストグラムを作成し
なければならないので、やはり処理装置の規模の増大を
招くことになる。However, the above-mentioned first method
In the conventional example, when the threshold value for binarization is obtained using a brightness histogram, if the input image is an image with severe illumination unevenness, the size of the partial image block must be reduced. When a histogram is sequentially created for these partial image blocks to determine a threshold, the processing amount and processing time increase. On the other hand, when processing is performed on a plurality of partial image blocks in parallel, a histogram must be created for all of the partial image blocks, which also increases the scale of the processing apparatus.

【０００７】また前記従来例では、入力画像を部分画像
ブロックに分割し、その部分ブロックに含まれる画素の
明度分布の特徴量よりニューラルネットワークを用いて
直接閾値を決定することは、ニューラルネットワークが
本来的に有する暖味性や非線形性によって必ずしも高い
精度の閾値を得られるとは限らない。しかし、２値化処
理の場合、コントラストの低い画像では閾値の設定に高
い精度が要求される。Further, in the above-mentioned conventional example, dividing an input image into partial image blocks and directly determining a threshold value using a neural network based on the feature value of the brightness distribution of pixels included in the partial block is a process which the neural network originally uses. It is not always possible to obtain a high-accuracy threshold value due to the warmness and nonlinearity inherently possessed. However, in the case of the binarization processing, high accuracy is required for setting the threshold value in an image with low contrast.

【０００８】例えば、前記特徴量をニューラルネットワ
ークに入力し直接閾値を求める場合には、ニューラルネ
ットワークの出力値の範囲は入力画像のグレイレベルの
範囲である。通常のＣＣＤセンサでは、８ビットである
ので２５６レベルとることができる。例えば、背景が２
００レベル、文字のコントラスト（背景と黒文字部の
差）が５０レベルあるとする。この場合にはニューラル
ネットワークの出力に５パーセントの誤差があるとする
と、２５６レベルの５パーセントは約１３レベルである
ので、このニューラルネットワークで十分な２値化が可
能である。For example, when the feature value is input to a neural network to directly calculate a threshold value, the output value range of the neural network is the gray level range of the input image. In a normal CCD sensor, since it is 8 bits, 256 levels can be obtained. For example, if the background is 2
Assume that there are 00 levels and 50 levels of character contrast (difference between background and black character portions). In this case, if there is an error of 5% in the output of the neural network, since 5% of 256 levels is about 13 levels, sufficient binarization is possible with this neural network.

【０００９】しかしながら、照明が不十分で背景が５０
レベルしかなければ、背景が２００レベルのとき５０レ
ベルあったコントラストは１２．５となり、１３レベル
の誤差を有するニューラルネットワークでは正しい２値
化ができないことになる。However, the lighting is insufficient and the background is 50
If there are only levels, the contrast that was 50 levels when the background is 200 levels becomes 12.5, so that a neural network having an error of 13 levels cannot perform correct binarization.

【００１０】一般に精度の高い出力を得るようにニュー
ラルネットワークを学習するには、多数のサンプルデー
タに対して学習を行なう必要があり、ネットワークの大
規模化や学習時間の増大は避けられない。そこで本発明
は、入力画像の部分画像の最適な閾値を決定して画像の
２値化処理を行う画像２値化処理装置を提供することを
目的とする。Generally, to learn a neural network so as to obtain a highly accurate output, it is necessary to perform training on a large number of sample data, and it is inevitable that the network becomes large-scale and the learning time increases. Therefore, an object of the present invention is to provide an image binarization processing device that determines an optimal threshold value of a partial image of an input image and performs binarization processing of the image.

【００１１】[0011]

【課題を解決するための手段】本発明は上記の目的を達
成するために、文字や線画などから構成された文書画像
を光電変換し、画像信号として取り出す画像撮影手段
と、前記画像撮影手段からの画像信号を所定数に分割
し、複数の部分画像ブロックを生成する画像信号分割手
段と、前記画像信号分割手段による複数の部分画像よ
り、注目部分画像ブロックと該注目部分ブロックに隣接
する複数の隣接部分ブロックそれぞれについて、最大明
度と、最小明度と、平均明度の３種類の明度を特徴量と
して抽出する特徴抽出手段と、前記注目部分画像ブロッ
クと隣接部分画像ブロックの全てから抽出された前記３
種類の明度からなる特徴量をニューラルネットワークに
入力し、このニューラルネットワークによる処理で閾値
を算出する閾値算出手段と、前記閾値算出手段により得
られた閾値を用いて、前記注目ブロックの一部分又は全
ての画素を２値化する２値化手段とで構成される画像２
値化処理装置を提供する。SUMMARY OF THE INVENTION In order to achieve the above object, the present invention provides a document image composed of characters and line drawings.
Photoelectrically converted, and image capturing means for taking out an image signal, an image signal from the image capturing means is divided into a predetermined number, an image signal dividing means for generating a plurality of partial image blocks, a plurality by the image signal dividing means Partial image of
And the adjacent partial image block and the adjacent partial block
For each of the neighboring blocks
, Minimum lightness, and average lightness are feature amounts.
Feature extracting means for extracting the target partial image block
3 extracted from all the blocks and adjacent partial image blocks.
A feature quantity consisting of different types of brightness in a neural network
Type, the threshold value calculating means for calculating a threshold value in the processing by the neural network, and more resulting in the threshold calculating means
Using the threshold value obtained, a part or all of the block of interest
Image 2 comprising binarizing means for binarizing all pixels
A value processing device is provided.

【００１２】さらに、光像を光電変換し、画像信号とし
て取出す画像入力手段と、前記画像入力手段からの画像
信号を所定数に分割し、複数の部分画像を生成する画像
信号分割手段と、前記部分画像から１個又は複数の特徴
量パラメータを抽出する抽出手段と、前記抽出手段によ
り抽出されたパラメータのうち少なくとも１個のパラメ
ータより仮の閾値を算出する閾値算出手段と、前記抽出
された１個又は複数のパラメータから閾値の補正値を出
力するニューラルネットワークと、前記仮の閾値を前記
ニューラルネットワークの出力で補正する補正手段と、
前記補正手段によって補正された閾値によって、前記部
分画像の全て又は一部の画素を２値化する手段とで構成
される画像２値化装置を提供する。[0012] Further, image input means for photoelectrically converting the light image and extracting it as an image signal, image signal dividing means for dividing the image signal from the image input means into a predetermined number and generating a plurality of partial images, Extracting means for extracting one or more feature amount parameters from the partial image; threshold calculating means for calculating a provisional threshold from at least one of the parameters extracted by the extracting means; A neural network that outputs a correction value of a threshold from one or a plurality of parameters, and a correction unit that corrects the temporary threshold with an output of the neural network,
An image binarizing apparatus comprising: means for binarizing all or a part of the pixels of the partial image with a threshold value corrected by the correction means.

【００１３】[0013]

【作用】以上のような構成の画像２値化処理装置は、入
力画像が複数の部分ブロックに分割され、複数の部分画
像より、注目部分画像ブロックと該注目部分ブロックに
隣接する複数の隣接部分ブロックそれぞれについて、最
大明度と最小明度と平均明度を求め、前記３種類の明度
値をニューラルネットワークに入力して、その出力によ
って閾値が決定され、その閾値により画素が２値化され
る。 [Action] above-described image binarization apparatus configuration, the input image is divided into a plurality of partial blocks, a plurality of partial images
From the image, the target partial image block and the target partial block
For each of a plurality of adjacent partial blocks,
Obtain the large lightness, the minimum lightness, and the average lightness.
Input the value to the neural network and
The threshold value is determined, and the pixel is binarized by the threshold value.
You.

【００１４】また、前記画像２値化装置は、入力画像が
複数の部分ブロックに分離され、各部分画像ブロックに
ついて１個又は複数の特徴量を抽出し、その特徴量の１
個以上を用いて仮の閾値が算出される。一方、前記１個
又は複数の特徴量よりニューラルネットワークによって
閾値の補正値が求められる。このように仮の閾値を求め
ておき、ニューラルネットワークではその補正値のみ算
出するようにすることで、ニューラルネットワークの出
力の範囲を狭くし、出力の誤差を相対的に小さくして、
ニューラルネットワークが有する暖味性の影響が軽減さ
れる。Further, the image binarizing device separates an input image into a plurality of partial blocks, extracts one or a plurality of feature amounts for each of the partial image blocks, and extracts one or more of the feature amounts.
A temporary threshold value is calculated using at least one of them. On the other hand, a threshold correction value is obtained by the neural network from the one or more feature amounts. In this way, the provisional threshold value is obtained, and the neural network calculates only the correction value, thereby narrowing the output range of the neural network and relatively reducing the output error.
The effect of the warmness of the neural network is reduced.

【００１５】[0015]

【実施例】以下、図面を参照して本発明の実施例を詳細
に説明する。まず、本発明の画像２値化処理装置の概要
について説明する。本発明の画像２値化処理装置は、入
力した画像を複数の部分画像に分割し、分割された部分
画像に含まれる最大明度と、最小明度と、平均明度を抽
出し、これら３種類の明度値で前記部分画像を特徴付け
るものである。Embodiments of the present invention will be described below in detail with reference to the drawings. First, the outline of the image binarization processing device of the present invention will be described. The image binarization processing device of the present invention divides an input image into a plurality of partial images, extracts a maximum brightness, a minimum brightness, and an average brightness included in the divided partial images, and extracts these three types of brightness. The value characterizes the partial image.

【００１６】図６には、文字画像の部分画像ブロックの
明度のヒストグラムの模式図を示す。図６（ｂ）は、白
地に黒で印刷されたある印刷物の文字を含む領域の明度
のヒストグラムの一例である。図６（ａ）は、同図
（ｂ）と同等の印刷物の白地のみの領域の部分の明度の
ヒストグラムである。FIG. 6 is a schematic diagram of a brightness histogram of a partial image block of a character image. FIG. 6B is an example of a brightness histogram of a region including characters of a certain printed matter printed in black on a white background. FIG. 6A is a brightness histogram of a portion of a printed matter equivalent to that of FIG.

【００１７】これらの図から明らかなように、白地領域
は明度の分布範囲が狭く、一方、図６（ｂ）に示した文
字を含む領域では、背景の白地に対応するピークと、こ
のピークより明度の小さい範囲に文字の黒色に対応する
分布がなだらかに広がる。As is apparent from these figures, the white area has a narrow distribution range of lightness, while the area including the character shown in FIG. 6B has a peak corresponding to the white background and a peak corresponding to this peak. The distribution corresponding to the black color of the characters spreads gently in the range of low brightness.

【００１８】これらの比較により、白地のみの部分画像
ブロックは、最大明度と最小明度の差が小さい。しか
し、文字を含む部分画像ブロックでは、最大明度と最小
明度の差が大きい。また、平均明度は、白地のみの領域
では最大明度と最小明度の中間値に近くなるが、文字を
含む領域では最大明度と最小明度の中間値より最大明度
側に大きく偏ることになる。According to these comparisons, the difference between the maximum brightness and the minimum brightness is small in the partial image block including only the white background. However, in a partial image block including characters, the difference between the maximum brightness and the minimum brightness is large. The average lightness is close to the intermediate value between the maximum lightness and the minimum lightness in an area of only a white background, but is significantly more deviated toward the maximum lightness than the intermediate value between the maximum lightness and the minimum lightness in an area including characters.

【００１９】さらに、黒地に白文字が書かれた画像の場
合には、背景の黒地に対応するピークと、このピークよ
り明度の大きい範囲に文字の白色に対応する分布がなだ
らかに広がる。この場合には、平均明度は最大明度と最
小明度の中間値より最小明度側に大きく偏ることにな
る。また、黒地のみの領域の場合は、最大明度、最小明
度、平均明度の相対的な関係は白地のみの領域の場合と
同じであるが、これら３種類の明度値が全て小さい。Further, in the case of an image in which white characters are written on a black background, the peak corresponding to the background black background and the distribution corresponding to the white color of the characters are gently spread in a range where the brightness is higher than the peak. In this case, the average lightness is more greatly biased toward the minimum lightness side than the intermediate value between the maximum lightness and the minimum lightness. Further, in the case of a region with only a black background, the relative relationship between the maximum brightness, the minimum brightness, and the average brightness is the same as that in the region with only a white background, but all three types of brightness values are small.

【００２０】以上述べたように、部分画像ブロックの最
大明度と最小明度と平均明度は、その部分ブロックが白
または黒背景のみの領域か、白地の黒文字の領域か、黒
地に白文字の領域かを判定する特徴量として適当である
ことがわかる。As described above, the maximum brightness, the minimum brightness, and the average brightness of a partial image block are determined based on whether the partial block is a region having only a white or black background, a region of black characters on a white background, or a region of white characters on a black background. It can be understood that this is appropriate as a feature amount for determining.

【００２１】図１には、本発明による第１実施例として
の画像２値化処理装置の構成を示し説明する。まず、ス
キャナやテレビカメラ等のイメージセンサ１により、文
字や線画画像が撮影される。前記イメージセンサ１の出
力は、Ａ／Ｄ変換器２によりデジタル化され、フレーム
メモリ３に一時的に記憶される。FIG. 1 shows the configuration of an image binarization processing apparatus according to a first embodiment of the present invention. First, a character or a line drawing image is captured by the image sensor 1 such as a scanner or a television camera. The output of the image sensor 1 is digitized by an A / D converter 2 and temporarily stored in a frame memory 3.

【００２２】前記フレームメモリ３に記憶された画像
は、ウィンドウ回路４から発生するアドレス情報に基づ
いて、所定の大きさの部分画像ブロックに分割され、１
ブロックづつ明度抽出器５に読み出される。なお、部分
画像は重なり合ってもよい。The image stored in the frame memory 3 is divided into partial image blocks of a predetermined size based on the address information generated from the window circuit 4, and is divided into
The data is read out to the brightness extractor 5 block by block. Note that the partial images may overlap.

【００２３】前記明度抽出器５は、前記フレームメモリ
３から読み出された１個の部分画像ブロックに含まれる
画素の最大明度と、最小明度と、平均明度を抽出し、ニ
ューラルネットワーク６に送る。The brightness extractor 5 extracts the maximum brightness, the minimum brightness and the average brightness of the pixels contained in one partial image block read from the frame memory 3 and sends them to the neural network 6.

【００２４】前記ニューラルネットワーク６は、図４に
示すように階層構造を形成している。本実施例において
は、入力層の各ユニット３０ａ〜３０ｃには、前記３種
類の明度のうちの１つが入力する。これら入力ユニット
３０ａ〜３０ｃは、入力した信号をそのまま中間層のユ
ニット３１ａ〜３１ｆに分配する。ユニット３１ａ〜３
１ｆ及び３２は複数の入力端子と１個の出力端子を有し
ている。各ユニットは、式（１）の処理を実行する。The neural network 6 has a hierarchical structure as shown in FIG. In this embodiment, one of the three types of brightness is input to each of the units 30a to 30c in the input layer. These input units 30a to 30c distribute the input signals as they are to the units 31a to 31f of the intermediate layer. Units 31a-3
1f and 32 have a plurality of input terminals and one output terminal. Each unit executes the processing of equation (1).

【００２５】 ｙ＝ｆ（Σｗ_i ｘ_i ＋θ） （１） ここで、ｘ_i は端子ｉへの入力、ｗ_i は端子ｉの重み係
数、θはバイアス値である。ｆは中間層のユニット３１
ａ〜３１ｆでは式（２）のようなシグモイド関数であ
り、出力ユニット３２では、ｆ（ｘ）＝ｘである。[0025] _{y = f (Σw i x i} + θ) (1) Here, x _i is the input to the terminal i, the w _i weight coefficient of terminal i, theta is the bias value. f is the unit 31 of the middle layer
In the case of a to 31f, the sigmoid function is as shown in the equation (2), and in the output unit 32, f (x) = x.

【００２６】 ｆ（ｘ）＝１／（１＋ｅ^-x） （２） 前記ニューラルネットワーク６は、前記明度抽出器５か
ら出力された前記最大明度と最小明度と平均明度が入力
すると、最適な閾値を出力するように、ラメルハート等
が考案した一般化デルタルール学習法（「ＰＤＰモデル
・認知科学とニューロン回路網の探索」第８章、Ｄ．
Ｅ．ラメルハート、Ｊ．Ｌ．マクレランド、ＰＤＰリサ
ーチグループ著、甘利俊一監訳、産業図書、１９８９）
により、中間層のユニット３１ａ〜３１ｆ及び出力ユニ
ット３２の重み係数ｗ_i とバイアス値θが予め定まって
いる。F (x) = 1 / (1 + e ^−x ) (2) When the maximum brightness, the minimum brightness and the average brightness output from the brightness extractor 5 are input, the neural network 6 sets an optimal threshold. In order to output, a generalized delta rule learning method devised by Ramelhart et al. (“PDP Model / Cognitive Science and Searching for Neuron Networks”, Chapter 8, D.A.
E. FIG. Ramelhart, J.M. L. McClelland, PDP Research Group, translated by Shunichi Amari, Sangyo Tosho, 1989)
Thus, the weight coefficient w _i and the bias value θ of the units 31 a to 31 f and the output unit 32 of the intermediate layer are determined in advance.

【００２７】前記ニューラルネットワーク６の出力は２
値化器７に送られる。前記２値化器７は、フレームメモ
リ３から読み出された部分画像ブロックの画素を、前記
ニューラルネットワーク６の出力を閾値として２値化す
る。すなわち、画素の明度値が前記ニューラルネットワ
ーク６の出力値より大きい場合には“白画素”、出力値
以下の場合には“黒画素”とし、フレームメモリ８の所
定アドレス位置に記憶する。The output of the neural network 6 is 2
It is sent to the digitizer 7. The binarizer 7 binarizes the pixels of the partial image block read from the frame memory 3 using the output of the neural network 6 as a threshold. That is, when the brightness value of the pixel is larger than the output value of the neural network 6, it is determined as “white pixel”, and when it is smaller than the output value, it is determined as “black pixel”.

【００２８】前記ウィンドウ回路４は、フレームメモリ
３中に部分画像ブロックを設定すると共に、フレームメ
モリ８中に前記フレームメモリ３中の部分画像ブロック
と対応するアドレスを指定する。フレームメモリ３に記
憶された入力画像の全ての部分画像についての処理が終
了すると、フレームメモリ８には、前記入力画像が２値
化処理された画像が記憶されている。The window circuit 4 sets a partial image block in the frame memory 3 and specifies an address corresponding to the partial image block in the frame memory 3 in the frame memory 8. When the processing for all the partial images of the input image stored in the frame memory 3 is completed, the frame memory 8 stores an image obtained by binarizing the input image.

【００２９】次に図２には、本発明による第２実施例と
しての画像２値化処理装置の構成を示し説明する。前述
した第１実施例では、最大明度と最小明度と平均明度を
ニューラルネットワークに入力して、該ニューラルネッ
トワークにより閾値を求めていた。しかし、前記ニュー
ラルネットワークは本来並列的な構造をしており、これ
を現在一般的に利用されている逐次型のプロセッサで処
理するのでは、処理時間の上から効率的な方法ではな
い。これに対して、第２実施例では、閾値を求める手段
としてニューラルネットワークに代えて、テーブルルッ
クアップ法を用いる。Next, FIG. 2 shows the configuration of an image binarization processing apparatus according to a second embodiment of the present invention, and will be described. In the first embodiment described above, the maximum lightness, the minimum lightness, and the average lightness are input to the neural network, and the threshold value is obtained by the neural network. However, the neural network originally has a parallel structure, and it is not an efficient method from the viewpoint of processing time if the neural network is processed by a generally used sequential processor. On the other hand, in the second embodiment, a table lookup method is used instead of the neural network as a means for obtaining the threshold.

【００３０】第１実施例と同様に、明度抽出器５は、フ
レームメモリ３に記憶されている画像データの部分画像
ブロックから、最大明度と最小明度と平均明度を抽出
し、アドレス回路９にそれらの値を送る。前記アドレス
回路９は、前記明度抽出器５より送られてきた前記３種
類の明度のそれぞれの値を、所定レベル数に量子化し、
その３種類の明度の量子レベルをアドレスとして補正値
テーブル１０から、閾値を読み出す。この補正値テーブ
ル１０には、予めニューラルネットワークで求めた、前
記３種類の量子化された明度をアドレスとして閾値が記
憶されている。As in the first embodiment, the brightness extractor 5 extracts the maximum brightness, the minimum brightness and the average brightness from the partial image blocks of the image data stored in the frame memory 3 and sends them to the address circuit 9. Send the value of The address circuit 9 quantizes the respective values of the three types of brightness sent from the brightness extractor 5 to a predetermined number of levels,
The thresholds are read from the correction value table 10 using the quantum levels of the three brightnesses as addresses. In the correction value table 10, threshold values are stored using the above three types of quantized brightness previously obtained by a neural network as addresses.

【００３１】前記補正値テーブル１０から読み出された
値が２値化器７に送られる。前記２値化器７以降は、実
施例１と同様の処理が実行されフレームメモリ８に２値
化処理された画像が記憶される。なお、アドレス回路９
は、前述したような３次元的なアドレスを作成するので
はなく、前記３種類の明度から、ベクトル量子化により
１次元的なアドレスを作成してもよい。この時は、勿論
ルックアップテーブルも１次元的に作成する。The values read from the correction value table 10 are sent to the binarizer 7. After the binarizer 7, the same processing as in the first embodiment is executed, and the binarized image is stored in the frame memory 8. The address circuit 9
Instead of creating a three-dimensional address as described above, a one-dimensional address may be created by vector quantization from the three types of brightness. At this time, of course, the lookup table is also created one-dimensionally.

【００３２】次に図３には、本発明による第３実施例と
しての画像２値化処理装置の構成を示し説明する。この
第３実施例が第１実施例と異なるのは、第１実施例では
部分ブロック１個の最大明度と最小明度と平均明度によ
りその部分ブロックの閾値を決定していたが、本実施例
では図５に示すように、注目ブロックと、その注目ブロ
ックの複数の隣接ブロックのそれぞれについて、最大明
度と最小明度と平均明度を求めニューラルネットワーク
により閾値を決定する。本実施例では、背景の白地の明
度の空間的分布を学習できるため、照明ムラが激しい場
合でも適切な閾値を決定できる。Next, FIG. 3 shows the configuration of an image binarization processing apparatus according to a third embodiment of the present invention, and will be described. The third embodiment is different from the first embodiment in that the threshold value of a partial block is determined by the maximum brightness, the minimum brightness and the average brightness of one partial block in the first embodiment. As shown in FIG. 5, the maximum brightness, the minimum brightness, and the average brightness are obtained for the target block and a plurality of adjacent blocks of the target block, and the threshold value is determined by the neural network. In this embodiment, since the spatial distribution of the brightness of the white background can be learned, an appropriate threshold can be determined even when the illumination unevenness is severe.

【００３３】この画像２値化処理装置は、前述した第１
実施例と同様に、イメージセンサ１で撮影された画像が
Ａ／Ｄ変換器２によりデジタル化され、フレームメモリ
３に一時的に記憶される。前記フレームメモリ３に記憶
された画像は、ウィンドウ回路４から発生するアドレス
情報に基づいて、所定の大きさの注目部分画像ブロック
と複数の隣接部分画像ブロックが読み出されてブロック
メモリ１２に記憶される。明度抽出器５は前記ブロック
メモリ１２に記憶されている前記注目画像ブロックと複
数の隣接画像ブロックを順番に読みだし、それぞれのブ
ロックに含まれる画素の最大明度と最小明度と平均明度
を抽出して明度メモリ１３に記憶する。This image binarization processing apparatus is the same as the first
As in the embodiment, an image captured by the image sensor 1 is digitized by the A / D converter 2 and temporarily stored in the frame memory 3. In the image stored in the frame memory 3, a target partial image block of a predetermined size and a plurality of adjacent partial image blocks are read out based on address information generated from the window circuit 4 and stored in the block memory 12. You. The brightness extractor 5 reads out the image block of interest and a plurality of adjacent image blocks stored in the block memory 12 in order, and extracts the maximum brightness, minimum brightness, and average brightness of the pixels included in each block. It is stored in the brightness memory 13.

【００３４】前記ブロックメモリ１２に記憶されている
全ての部分画像ブロックが読み出されると、ニューラル
ネットワーク６は前記明度メモリ１３に記憶されている
前記最大明度と最小明度と平均明度の複数の組を一括し
て読み出す。このニューラルネットワーク６は第１実施
例と同一の構造であるが、入力ユニットの数は、隣接ブ
ロックの数に１を加え３倍したものである。前記ニュー
ラルネットワーク６は第１実施例と同様に、前記最大明
度と最小明度と平均明度の複数の組を入力して最適な閾
値を出力するように、予め前記一般化デルタルールで学
習されている。When all the partial image blocks stored in the block memory 12 have been read, the neural network 6 collectively stores the plurality of sets of the maximum brightness, the minimum brightness and the average brightness stored in the brightness memory 13. And read. This neural network 6 has the same structure as that of the first embodiment, but the number of input units is one obtained by adding 1 to the number of adjacent blocks and three times. As in the first embodiment, the neural network 6 is previously learned by the generalized delta rule so that a plurality of sets of the maximum brightness, the minimum brightness, and the average brightness are input and an optimal threshold is output. .

【００３５】前記ニューラルネットワーク６の出力は、
２値化器７に送られる。前記２値化器７以降は、実施例
１と同様の処理が実行され、フレームメモリ８に２値化
処理された画像が記憶される。The output of the neural network 6 is
It is sent to the binarizer 7. After the binarizer 7, the same processing as in the first embodiment is executed, and the binarized image is stored in the frame memory 8.

【００３６】以上詳述したように、本実施例の画像２値
化処理装置によれば、入力画像の部分画像のヒストグラ
ムを作成することなく、最大明度と最小明度と平均明度
を求めるのみでニューラルネットワークにより２値化の
閾値が決定できるので、処理時間を短縮でき、処理装置
の規模を小さくできる。As described in detail above, according to the image binarization processing apparatus of the present embodiment, the neural network is obtained only by obtaining the maximum brightness, the minimum brightness and the average brightness without creating a histogram of the partial image of the input image. Since the binarization threshold can be determined by the network, the processing time can be reduced, and the scale of the processing device can be reduced.

【００３７】次に図７には、本発明による第４実施例と
しての画像２値化処理装置の構成を示し説明する。前述
した第１乃至第３実施例では、部分画像ブロックから最
大明度と最小明度と平均明度の３種類の特徴量を抽出
し、この特徴量によりニューラルネットワーク又は、ニ
ューラルネットワークの入出力関係をテーブルにしたテ
ーブルルックアップ法により、閾値を決定していた。こ
れらの実施例では、部分ブロックから直接特徴量を抽出
していたので高速処理が特徴である。Next, FIG. 7 shows the configuration of an image binarization processing apparatus according to a fourth embodiment of the present invention, and will be described. In the above-described first to third embodiments, three types of feature amounts, that is, maximum brightness, minimum brightness, and average brightness are extracted from the partial image block, and the input / output relationship of the neural network or the neural network is stored in a table based on the feature amounts. The threshold value is determined by the table lookup method described above. In these embodiments, the feature amount is directly extracted from the partial block, so that high-speed processing is a feature.

【００３８】一方、精度の高い閾値を求めるためには、
より多くの特徴量を用いるほうがよい。そこで、後述す
る第４，第５実施例では、３種類の明度のみを特徴量と
するものではなく、前記部分画像ブロックより明度のヒ
ストグラムを作成し、このヒストグラムより特徴量を抽
出するものである。On the other hand, in order to obtain a highly accurate threshold value,
It is better to use more features. Therefore, in the fourth and fifth embodiments to be described later, not only the three types of brightness are used as the feature amount, but a brightness histogram is created from the partial image blocks, and the feature amount is extracted from the histogram. .

【００３９】まず、第４実施例の画像２値化処理装置の
概要について説明する。図９に、文字画像の部分画像ブ
ロックの明度のヒストグラムの模式図を示す。図９
（ｂ）は、白地に黒で印刷されたある印刷物の文字を含
む領域の明度のヒストグラムの一例である。図９（ａ）
は、同図（ｂ）の白地のみの領域の部分の明度のヒスト
グラムである。これらの図から明らかなように、白地領
域は明度の分布範囲が狭い。First, the outline of the image binarization processing device of the fourth embodiment will be described. FIG. 9 shows a schematic diagram of a brightness histogram of a partial image block of a character image. FIG.
(B) is an example of a brightness histogram of an area including a character of a certain printed matter printed in black on a white background. FIG. 9 (a)
FIG. 6B is a brightness histogram of the portion of the region having only a white background in FIG. As is clear from these figures, the white area has a narrow lightness distribution range.

【００４０】一方、図９（ｂ）に示した文字を含む領域
では、背景の白地に対応するピークと、このピークより
明度の小さい範囲に文字の黒色に対応する分布がなだら
かに広がる。これらの比較により、白地のみの部分画像
ブロックは、最大明度と最小明度の差が小さくヒストグ
ラム全体の面積に対するピークの比が大きい。しかし、
文字を含む部分画像ブロックでは、最大明度と最小明度
の差が大きく、ヒストグラム全体の面積に対するピーク
の比が小さい。On the other hand, in the region including the character shown in FIG. 9B, the peak corresponding to the background white background and the distribution corresponding to the character black in the range where the brightness is smaller than the peak gradually spread. As a result of these comparisons, the partial image block having only a white background has a small difference between the maximum lightness and the minimum lightness and has a large ratio of the peak to the entire area of the histogram. But,
In a partial image block including characters, the difference between the maximum brightness and the minimum brightness is large, and the ratio of the peak to the area of the entire histogram is small.

【００４１】入力画像より抽出された部分画像が白地の
みの領域ならば、閾値は最小明度より低い明度のところ
に設定する。一方、文字を含む領域ならば、白地の最大
明度より低く、文字の最小明度より高い明度のところに
閾値を設定する。If the partial image extracted from the input image is an area of only a white background, the threshold value is set at a value lower than the minimum value. On the other hand, in the case of a region including a character, a threshold is set at a position where the brightness is lower than the maximum brightness of a white background and higher than the minimum brightness of the character.

【００４２】本実施例では、部分画像ブロックの特徴を
代表するものとして、その部分画像に含まれる画素の最
大明度と最小明度と、最頻明度（最も頻度の高い明度）
と、部分ブロックの画素数に対する最大頻度数の比を学
習データとし、前記ヒストグラムより得られる特徴のう
ち１個以上の特徴により算出される仮の閾値と、最適な
閾値との差分を教師データとしてニューラルネットワー
クの学習を行なう。In this embodiment, the maximum brightness and minimum brightness of the pixels included in the partial image and the most frequent brightness (the most frequent brightness) are representative of the features of the partial image block.
And the ratio of the maximum frequency to the number of pixels in the partial block is used as learning data, and the difference between a provisional threshold calculated from one or more of the features obtained from the histogram and the optimal threshold is used as teacher data. Perform neural network learning.

【００４３】図７に示す画像２値化処理装置において、
図１に示した第１実施例の構成部材と同等の部材には、
同じ参照符号を付して、その説明を省略する。まず、ス
キャナやテレビカメラ等のイメージセンサ１により文字
や線画画像が撮影される。前記イメージセンサ１の出力
は、Ａ／Ｄ変換器２によりデジタル化され、フレームメ
モリ３に一時的に記憶される。前記フレームメモリ３に
記憶された画像は、ウィンドウ回路４から発生するアド
レス情報に基づいて、所定の大きさの部分画像ブロック
に分割され、１ブロックづつヒストグラム器１７に読み
出される。前記ヒストグラム器１７は、読み出された部
分画像ブロックの各画素について、ヒストグラムメモリ
１８のその画素の明度に対応するアドレスに“１”を加
算する。尚、前記イメージセンサ１が画像を撮影する以
前に、前記ヒストグラムメモリ１８の全アドレスの内容
は“０”に初期化されている。In the image binarization processing device shown in FIG.
Members equivalent to those of the first embodiment shown in FIG.
The same reference numerals are given and the description is omitted. First, a character or a line drawing image is captured by the image sensor 1 such as a scanner or a television camera. The output of the image sensor 1 is digitized by an A / D converter 2 and temporarily stored in a frame memory 3. The image stored in the frame memory 3 is divided into partial image blocks of a predetermined size based on the address information generated from the window circuit 4, and is read out to the histogram unit 17 block by block. For each pixel of the read partial image block, the histogram unit 17 adds “1” to an address of the histogram memory 18 corresponding to the brightness of the pixel. Before the image sensor 1 captures an image, the contents of all the addresses of the histogram memory 18 are initialized to "0".

【００４４】前記フレームメモリ３から１ブロック分の
部分画像の読み出しが完了すると、前記ヒストグラムメ
モリ１８には、図９に示すような明度のヒストグラムが
記憶されている。When the reading of the partial image of one block from the frame memory 3 is completed, the histogram memory 18 stores a brightness histogram as shown in FIG.

【００４５】次に最大最小検出器１９は、前記ヒストグ
ラムメモリ１８に記憶されている明度のヒストグラムよ
り、最大明度及び最小明度を抽出する。また、ピーク検
出器２０は、前記ヒストグラムメモリ１８に記憶されて
いる明度のヒストグラムより、最大頻度の明度と部分画
像の画素数に対する最大頻度数の比を抽出する。Next, the maximum / minimum detector 19 extracts the maximum lightness and the minimum lightness from the lightness histogram stored in the histogram memory 18. The peak detector 20 extracts the ratio of the maximum frequency lightness and the maximum frequency number to the number of pixels of the partial image from the lightness histogram stored in the histogram memory 18.

【００４６】抽出された特徴量は、演算器２１及びニュ
ーラルネットワーク６に送られる。演算器２１では前記
ヒストグラムより得られる少なくとも１種類の特徴量を
基に仮の閾値を算出する。The extracted features are sent to the arithmetic unit 21 and the neural network 6. The arithmetic unit 21 calculates a provisional threshold based on at least one type of feature amount obtained from the histogram.

【００４７】仮の閾値は例えば、平均明度に所定の係数
を乗じて得られる。白地に黒字で書かれた文書画像の場
合は係数としては０．８〜０．９が適当である。また、
平均明度ではなく、最大明度と最小明度の中間値に所定
の係数を乗じたものでもよい。さらに、最大明度に所定
の係数を乗じたものでもよい。The temporary threshold is obtained, for example, by multiplying the average brightness by a predetermined coefficient. In the case of a document image written in black on a white background, 0.8 to 0.9 is appropriate as a coefficient. Also,
Instead of the average brightness, a value obtained by multiplying an intermediate value between the maximum brightness and the minimum brightness by a predetermined coefficient may be used. Further, the maximum brightness may be multiplied by a predetermined coefficient.

【００４８】前記演算器２１により算出された仮の閾値
は、加算器２４において、前記ニューラルネットワーク
６の出力が加算されて２値化器７に送られる。前記２値
化器７は、フレームメモリ３から読み出された部分画像
ブロックの画素を、前記加算器２４により補正された閾
値で２値化する。すなわち、画素の明度値が前記修正さ
れた閾値より大きい場合には“白画素”、出力値以下の
場合には“黒画素”とし、フレームメモリ８の所定アド
レス位置に記憶する。The provisional threshold value calculated by the arithmetic unit 21 is added to the output of the neural network 6 in the adder 24 and sent to the binarizer 7. The binarizer 7 binarizes the pixels of the partial image block read from the frame memory 3 with the threshold value corrected by the adder 24. That is, when the brightness value of the pixel is larger than the corrected threshold value, it is determined as “white pixel”, and when the brightness value is equal to or less than the output value, it is determined as “black pixel” and stored at a predetermined address position in the frame memory 8.

【００４９】ウィンドウ回路４は、フレームメモリ３中
に部分画像ブロックを設定すると共に、フレームメモリ
８中に前記フレームメモリ３中の部分画像ブロックと対
応するアドレスを指定する。フレームメモリ３に記憶さ
れた入力画像の全ての部分画像についての処理が終了す
ると、フレームメモリ８には前記入力画像が２値化処理
された画像が記憶されている。The window circuit 4 sets a partial image block in the frame memory 3 and specifies an address corresponding to the partial image block in the frame memory 3 in the frame memory 8. When the processing for all the partial images of the input image stored in the frame memory 3 is completed, the frame memory 8 stores an image obtained by binarizing the input image.

【００５０】次に図８には、本発明による第５実施例と
しての画像２値化処理装置を示し説明する。第５実施例
が前述した第４実施例と異なるのは、第４実施例では仮
の閾値を補正する手段として、前記部分画像ブロックの
特徴量として、前記最大最小検出器１９とピーク検出器
２０で最大明度と最小明度と最頻明度と最大頻度数を抽
出し、ニューラルネットワーク６に入力して、そのニュ
ーラルネットワーク６の出力を仮の閾値に加えて補正さ
れた閾値を決定していた。しかしながら、ニューラルネ
ットワーク６は本来並列的な構造をしており、これを現
在一般的に利用されている逐次型のプロセッサで処理す
るのは、処理時間の上から効率的な方法ではない。そこ
で、第５実施例では、閾値の補正値を求める手段とし
て、ニューラルネットワークに代えて、テーブルルック
アップ法を用いる。Next, FIG. 8 shows an image binarization processing apparatus according to a fifth embodiment of the present invention. The fifth embodiment is different from the above-described fourth embodiment in that in the fourth embodiment, the maximum and minimum detectors 19 and the peak detectors 20 are used as means for correcting a provisional threshold value as feature amounts of the partial image blocks. Then, the maximum brightness, the minimum brightness, the mode brightness, and the maximum frequency are extracted, input to the neural network 6, and the output of the neural network 6 is added to the temporary threshold to determine the corrected threshold. However, the neural network 6 originally has a parallel structure, and it is not an efficient method from the viewpoint of processing time to process the neural network 6 by a generally used sequential processor. Therefore, in the fifth embodiment, a table look-up method is used instead of the neural network as means for obtaining the threshold correction value.

【００５１】この画像２値化処理装置は、第４実施例と
同様に、最大最小検出器１９はヒストグラムメモリ１８
に記憶されている部分画像ブロックのヒストグラムか
ら、最大明度と最小明度を抽出し、ピーク検出器２０は
最頻明度と最大頻度の明度と部分画像の画素数に対する
最大頻度数の比を抽出する。In this image binarization processing device, as in the fourth embodiment, the maximum / minimum detector 19 includes a histogram memory 18
The peak detector 20 extracts the maximum lightness and the minimum lightness from the histogram of the partial image blocks stored in the sub-image. The peak detector 20 extracts the ratio of the lightness of the most frequent lightness, the lightness of the maximum frequency, and the maximum frequency to the number of pixels of the partial image.

【００５２】抽出された特徴量は、演算器２１及びアド
レス回路２２に送られる。演算器２１では第４実施例と
同様に、前記ヒストグラムより得られる少なくとも１種
類の特徴量を基に仮の閾値を算出する。このアドレス回
路２２は、前述したような４次元的なアドレスを作成す
るのではなく、前記４種類の特徴量からベクトル量子化
により１次元的なアドレスを作成してもよい。この時
は、勿論ルックアップテーブルも１次元的に作成する。The extracted feature values are sent to a computing unit 21 and an address circuit 22. As in the fourth embodiment, the arithmetic unit 21 calculates a temporary threshold based on at least one type of feature amount obtained from the histogram. The address circuit 22 may create a one-dimensional address by vector quantization from the four types of feature amounts, instead of creating a four-dimensional address as described above. At this time, of course, the lookup table is also created one-dimensionally.

【００５３】前記アドレス回路２２は、前記４種類の特
徴量それぞれの値を、所定レベル数に量子化し、その４
種類の特徴量の量子レベルをアドレスとして補正値テー
ブル２３から、補正値を読み出す。この補正値テーブル
２３には、予め図示しないニューラルネットワークで求
めた、前記４種類の量子化された特徴量をアドレスとす
る閾値の補正値が記憶されている。The address circuit 22 quantizes the value of each of the four types of feature amounts into a predetermined number of levels,
The correction value is read from the correction value table 23 using the quantum level of the type feature amount as an address. The correction value table 23 stores threshold correction values that are obtained in advance by a neural network (not shown) and that use the four types of quantized feature amounts as addresses.

【００５４】前記演算器２１により算出された仮の閾値
は、加算器２４において、前記補正値テーブル２３から
読み出された補正値が加算されて２値化器７に送られ
る。前記２値化器７以降は、実施例４と同様の処理が実
行されフレームメモリ８に２値化処理された画像が記憶
される。The provisional threshold value calculated by the computing unit 21 is added to the correction value read from the correction value table 23 in the adder 24 and sent to the binarizer 7. After the binarizer 7, the same processing as in the fourth embodiment is executed, and the binarized image is stored in the frame memory 8.

【００５５】よって、この第４，５実施例によれば、入
力画像の部分画像の明度のヒストグラムから抽出した特
徴量より直接閾値を求めず、まず仮の閾値を算出し、そ
の仮の閾値をニューラルネットワークによって得た補正
値により最適な閾値を決定できる。Thus, according to the fourth and fifth embodiments, a temporary threshold is first calculated from a feature amount extracted from a brightness histogram of a partial image of an input image, and a temporary threshold is first calculated. An optimum threshold can be determined based on the correction value obtained by the neural network.

【００５６】以上のことから、本発明の実施例による画
像２値化処理装置によれば、部分画像ブロックのヒスト
グラムから抽出した特徴量よりまず仮に閾値を算出し、
その仮の閾値をニューラルネットワークによって得た補
正値により修正してより最適な閾値を決定して画像の２
値化処理を行うことができる。若しくは、部分画像の明
度のヒストグラムを作成することなく小数の特徴を抽出
し、この特徴より仮の閾値を決定して画像の２値化処理
を実行することもできる。また本発明は、前述した実施
例に限定されるものではなく、他にも発明の要旨を逸脱
しない範囲で種々の変形や応用が可能であることは勿論
である。As described above, according to the image binarization processing apparatus according to the embodiment of the present invention, first, a threshold value is temporarily calculated from the feature amount extracted from the histogram of the partial image block.
The provisional threshold is corrected by the correction value obtained by the neural network to determine a more optimal threshold, and
Value processing can be performed. Alternatively, it is also possible to extract a small number of features without creating a brightness histogram of the partial image, determine a provisional threshold value from the features, and execute the image binarization process. In addition, the present invention is not limited to the above-described embodiment, and it goes without saying that various modifications and applications are possible without departing from the spirit of the invention.

【００５７】[0057]

【発明の効果】以上詳述したように本発明によれば、入
力画像の部分画像の最適な閾値を決定して画像の２値化
処理を行う画像２値化処理装置を提供することができ
る。As described above in detail, according to the present invention, it is possible to provide an image binarization processing device which determines an optimum threshold value of a partial image of an input image and performs binarization processing of the image. .

【図面の簡単な説明】[Brief description of the drawings]

【図１】本発明の第１実施例としての画像２値化処理装
置の構成を示す図である。FIG. 1 is a diagram showing a configuration of an image binarization processing device as a first embodiment of the present invention.

【図２】本発明の第２実施例としての画像２値化処理装
置の構成を示す図である。FIG. 2 is a diagram illustrating a configuration of an image binarization processing device as a second embodiment of the present invention.

【図３】本発明の第３実施例としての画像２値化処理装
置の構成を示す図である。FIG. 3 is a diagram showing a configuration of an image binarization processing device as a third embodiment of the present invention.

【図４】本発明に用いたニューラルネットワークの階層
構造を示す図である。FIG. 4 is a diagram showing a hierarchical structure of a neural network used in the present invention.

【図５】画像の注目ブロックと、その隣接ブロックを示
す図である。FIG. 5 is a diagram showing a target block of an image and its adjacent blocks.

【図６】文字画像の部分画像ブロックの明度のヒストグ
ラムの模式を示す図である。FIG. 6 is a diagram showing a model of a brightness histogram of a partial image block of a character image.

【図７】本発明の第４実施例としての画像２値化処理装
置の構成を示す図である。FIG. 7 is a diagram showing a configuration of an image binarization processing device as a fourth embodiment of the present invention.

【図８】本発明の第５実施例としての画像２値化処理装
置の構成を示す図である。FIG. 8 is a diagram showing a configuration of an image binarization processing device as a fifth embodiment of the present invention.

【図９】文字画像の部分画像ブロックの明度のヒストグ
ラムの模式を示す図である。FIG. 9 is a diagram showing a model of a brightness histogram of a partial image block of a character image.

【符号の説明】[Explanation of symbols]

１…イメージセンサ、２…Ａ／Ｄ変換器、３，８…フレ
ームメモリ、４…ウィンドウ回路、５…明度抽出器、６
…ニューラルネットワーク、７…２値化器、９…アドレ
ス回路、１０，２３…補正値テーブル、１２…ブロック
メモリ、１３…明度メモリ、１４…全画像、１５…注目
ブロック、１６…隣接ブロック、１７…ヒストグラム
器、１８…ヒストグラムメモリ、１９…最大最小検出
器、２０…ピーク検出器、２１…演算器、２２…アドレ
ス回路、２４…加算器、３０ａ〜３０ｃ，３１ａ〜３１
ｆ，３２…ユニット。DESCRIPTION OF SYMBOLS 1 ... Image sensor, 2 ... A / D converter, 3,8 ... Frame memory, 4 ... Window circuit, 5 ... Lightness extractor, 6
... Neural network, 7 ... Binarizer, 9 ... Address circuit, 10, 23 ... Correction value table, 12 ... Block memory, 13 ... Brightness memory, 14 ... All images, 15 ... Target block, 16 ... Adjacent block, 17 ... Histogram unit, 18 ... Histogram memory, 19 ... Maximum / minimum detector, 20 ... Peak detector, 21 ... Calculator, 22 ... Address circuit, 24 ... Adder, 30a-30c, 31a-31
f, 32 ... unit.

───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 昭63−59272（ＪＰ，Ａ) 特開 平２−228177（ＪＰ，Ａ) 特開 平４−297961（ＪＰ，Ａ) 特開 平５−56257（ＪＰ，Ａ) 特開 平５−328133（ＪＰ，Ａ) 特開 平６−19511（ＪＰ，Ａ) 特開 平６−113139（ＪＰ，Ａ) 特開 昭60−16768（ＪＰ，Ａ) 特開 昭63−131272（ＪＰ，Ａ) 特開 平４−213275（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) G06T 5/00 200 G06T 1/00 460 H04N 1/403 ──────────────────────────────────────────────────続 き Continuation of the front page (56) References JP-A-63-59272 (JP, A) JP-A-2-228177 (JP, A) JP-A-4-297961 (JP, A) JP-A 5- 56257 (JP, A) JP-A-5-328133 (JP, A) JP-A-6-19511 (JP, A) JP-A-6-113139 (JP, A) JP-A-60-16768 (JP, A) JP-A-63-131272 (JP, A) JP-A-4-213275 (JP, A) (58) Fields investigated (Int. Cl. ⁷ , DB name) G06T 5/00 200 G06T 1/00 460 H04N 1 / 403

Claims (2)

(57)【特許請求の範囲】(57) [Claims] 【請求項１】文字や線画などから構成された文書画像を
光電変換し、画像信号として取り出す画像撮影手段と、 前記画像撮影手段からの画像信号を所定数に分割し、複
数の部分画像ブロックを生成する画像信号分割手段と、 前記画像信号分割手段による複数の部分画像より、注目
部分画像ブロックと該注目部分ブロックに隣接する複数
の隣接部分ブロックそれぞれについて、最大明度と、最
小明度と、平均明度の３種類の明度を特徴量として抽出
する特徴抽出手段と、 前記注目部分画像ブロックと隣接部分画像ブロックの全
てから抽出された前記３種類の明度からなる特徴量をニ
ューラルネットワークに入力し、このニューラルネット
ワークによる処理で閾 値を算出する閾値算出手段と、 前記閾値算出手段により得られた閾値を用いて、前記注
目ブロックの一部分又は全ての画素を２値化する２値化
手段と、 を具備することを特徴とする画像２値化処理装置。An image photographing means for photoelectrically converting a document image composed of characters, line drawings, and the like, and extracting the image signal as an image signal; dividing an image signal from the image photographing means into a predetermined number; An image signal dividing unit that generates a partial image block ;
A partial image block and a plurality of adjacent partial blocks
For each adjacent partial block of
Extracts three types of lightness, small lightness and average lightness, as feature values
A feature extracting unit that performs the entirety of the noted partial image block and the adjacent partial image block.
The feature quantity consisting of the three types of brightness extracted after
Input to the neural network, this neural network
A threshold calculating means for calculating a threshold value in the process according to the work, using a more thresholds obtained in the threshold calculating unit, wherein the note
Binarization to binarize a part or all pixels of the eye block
Means , and an image binarization processing apparatus, comprising: 【請求項２】 光像を光電変換し、画像信号として取出
す画像入力手段と、 前記画像入力手段からの画像信号を所定数に分割し、複
数の部分画像を生成する画像信号分割手段と、 前記部分画像から１個又は複数の特徴量パラメータを抽
出する抽出手段と、 前記抽出手段により抽出されたパラメータのうち少なく
とも１個のパラメータより仮の閾値を算出する閾値算出
手段と、 前記抽出された１個又は複数のパラメータから閾値の補
正値を出力するニューラルネットワークと、 前記仮の閾値を前記ニューラルネットワークの出力で補
正する補正手段と、 前記補正手段によって補正された閾値によって、前記部
分画像の全て又は一部の画素を２値化する手段と、を有
することを特徴とする画像２値化装置。2. An image input unit for photoelectrically converting an optical image and extracting the image as an image signal; an image signal dividing unit for dividing an image signal from the image input unit into a predetermined number to generate a plurality of partial images; Extracting means for extracting one or a plurality of feature amount parameters from the partial image; threshold calculating means for calculating a provisional threshold from at least one of the parameters extracted by the extracting means; A neural network that outputs a correction value of a threshold from one or a plurality of parameters; a correction unit that corrects the temporary threshold with an output of the neural network; and a threshold corrected by the correction unit. Means for binarizing some of the pixels.