JPH07121656A - 画像像域分離装置 - Google Patents

Abstract

(57)【要約】 【目的】本発明は、局所特徴パターンの発生頻度分布形
状等の情報を効果的に量子化して、ニューラルネットワ
ークの入力次元数を極力削減でき、規模の最適化を実現
する画像像域分離装置を提供することを目的とする。 【構成】本発明は、ディジタル化された画像から同種類
の画像が存在する領域の背景との境界を抽出してブロッ
ク分割し、該ブロックに対して画像種判定の着目領域を
選択する同種画像領域抽出部３と、判定対象ブロックか
ら隣接画素の輝度レベルの差分値を水平，垂直方向に得
る水平差分検出器９及び垂直差分検出器１０と、算出さ
れた修正輝度レベルヒストグラムｙs と勾配ベクトル方
位ヒストグラムθr の形状と画像の種類の相関関係から
認識処理を行う特徴パターン判定部１８と、画像種類を
判定する画像種決定部１９とで構成され、判定対象ブロ
ックの画像種判断が行われる画像像域分離装置である。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、画像像域分離装置に係
り、特に各種画像（活字、手書き文字、写真、絵柄な
ど）が混在した入力画像を画像の種類毎に領域を分割
し、分類する画像の像域分離装置に関する。

【０００２】

【従来の技術】一般に、画像情報処理システムの処理機
能として、入力した混在画像を画像種類ごとに分類して
ディジタルデータに変換する処理が行われている。従
来、このような処理は、混在画像をディジタルデータで
蓄積メディアに保存する際に、画像種類ごとに最大効率
でデータを圧縮できる圧縮方法を採用し、所望される情
報の品質を維持しつつ、総合的データ量を最大限に削減
することが目的の１つにある。

【０００３】また文字、線画などの２値階調画像と写真
などの連続階調画像を分類してそれぞれに２値画像表現
された画像がより良好であるように２値化処理方法を適
応的に選択することを目的としているものもある。

【０００４】そして混在画像の中から画像種類ごとの記
載領域を分割し、分類する処理方法は種々提案されてい
る。そのうち、多くは、画像の種類によって呈する特徴
量を抽出して、その特徴量を定められた評価関数または
判定関数で判断し、画像種類を決定している。画像種の
判定においては、所定ブロック領域内での黒画素の発生
頻度やエッジの発生頻度、輝度レベルのヒストグラム、
空間周波数分布、線分の方向度数分布などを特徴量とし
ているものである。

【０００５】また、それらと基本的に等価な特徴量とし
て、利用する入力画像の濃度勾配の度数分布を特徴量と
しているものがあり、例えば、特公平４−１８３５０号
公報に記載される。この分類処理方法では、入力画像で
あるディジタル画像の水平方向、垂直方向に対して画素
単位毎に濃度勾配を求め、求めた水平、垂直濃度勾配の
値から算出される方向を、分割された小領域内で計数し
て、その度数分布を求めている。度数分布から度数の分
散を算出して、分散と所定閾値との閾値判定により文字
領域であるか否かを判断し決定している。

【０００６】前記濃度勾配から算出される方向の分布
は、画像のエッジ部分の方向性分布をよく反映できる。
従って垂直・水平方向にエッジ成分を多く含む活字体文
字の画像に限って、それ以外の画像との差異が顕著にな
るので、被判定画像が活字体文字か否かを決定するには
有効な特徴量である。さらにこの特徴量から判定を下す
評価基準として分布の分散を用いていることは、エッジ
の方向性の偏りを観察することになり、また分散の算出
そのものが計算的負荷が比較的軽いので実用的である。

【０００７】しかし、濃度勾配の方向分布に対する分散
だけを閾値判定しても、例えば輝度（濃度）レベルの範
囲が狭くなっている所謂コントラストが低い画像であっ
たり、判定対象小領域に対し文字のエッジ部分の占める
割合が小さい場合や、文字そのものの線の太さが細かっ
たりする場合では、たとえそれが活字体文字画像であっ
ても分散が小さくなり、明確な判定が困難になる。これ
は、背景が呈する濃度勾配の方向分布が頻度として多く
なり、文字部分が呈する濃度勾配が、それと相対的に差
異が認められなくなるためである。背景が示す濃度勾配
の方向分布は通常方向依存性はないので、文字部のエッ
ジの方向分布の方向依存性が背景の分布に埋もれてしま
う。

【０００８】さらには、活字体文字画像に限らず多種画
像（手書き文字・写真・絵柄・背景）を選別して分類し
ようとすると、濃度勾配の方向分布の分散を観察しただ
けでは全く区別できないという問題点があった。

【０００９】このような不具合を解決するために本出願
人により、特願平５−１６３６３５号において、各種画
像（活字、手書き文字、写真、絵柄など）が混在した入
力画像（以下、混在画像と称す）を、画像の種類毎に領
域を分割し、注目画素に隣接する複数画素の例えば輝度
の組み合わせから成る局所特徴パターンの発生度数分布
に着目して、その分布形状を近似し、特徴量としてニュ
ーラルネットワークで識別／判定する混在画像像域分離
装置を提案している。以下に、その混在画像像域分離装
置を説明する。

【００１０】この混在画像像域分離装置は、大きく分け
て、入力されるディジタル画像（混在画像）を画像種類
が未知状態のままで同種画像領域ごとに矩形分割する同
種画像領域抽出部と、分割された同種画像部分領域の画
像種類を判定し、決定する画像種判定部より構成され
る。

【００１１】同種画像領域抽出部は、混在画像を入力し
ディジタル画像に変換する画像入力部と、ディジタル画
像を同種画像領域に矩形分割する領域分割部を備えてい
る。画像種判定部は、抽出された同種画像領域内の所定
小ブロック領域において着目画素の例えば輝度とそれに
隣接する所定数（Ｎ個）の輝度から成る局所特徴パター
ンを検出する局所特徴パターン検出部と、局所特徴パタ
ーンをＮ次元空間上でベクトル量子化するベクトル量子
化部と、量子化された代表ベクトルに対してその発生頻
度を計数してヒストグラムを算出するヒストグラム生成
部と、求められた量子化ベクトルヒストグラムを入力と
してその分布形状を識別して所望する画像種類を出力す
る画像種識別部と、同種画像領域内で前記識別結果を得
て、総合的に判断して画像種類を決定する画像種決定部
とを備えている。

【００１２】

【発明が解決しようとする課題】しかし、前述した混在
画像像域分離装置においては、ヒストグラムの画像によ
る偏りを排除するために行なう正規化処理によって、本
来連続的であったヒストグラムが不連続なものになり、
それが原因で判定誤りを起こす可能性が有る。また、こ
の分離装置の構成では、ニューラルネットワークへの入
力次元数が多くなると、事前に行なう学習にかかる時間
が比較的長くなり、実際の処理を行なうハード規模が大
きくなる問題があった。

【００１３】そこで本発明は、局所特徴パターンの発生
頻度分布形状等の情報を効果的に量子化して、ニューラ
ルネットワークの入力次元数を極力削減でき、規模の最
適化を実現する画像像域分離装置を提供することを目的
とする。

【００１４】

【課題を解決するための手段】本発明は上記目的を達成
するために、画像信号を入力する画像入力手段と、入力
した画像内から所定の大きさで小領域を選択抽出する判
定対象領域選択手段を有する画像の像域分離装置におい
て、判定対象領域の画像データから隣接する画素から成
る局所特徴パターンを検出する局所特徴パターン検出手
段と、前記特徴パターンの度数分布を求める手段と、前
記度数分布を乱数を使って正規化する度数分布正規化手
段と、前記正規化された度数分布を入力として画像種類
を識別して結果を出力する画像種識別手段と、前記画像
種識別手段からの識別結果により画像種類を決定する画
像種決定手段とで構成された画像像域分離装置を提供す
る。 さらに、画像信号を入力する画像入力手段と、入
力した画像内から所定の大きさで小領域を選択抽出する
判定対象領域選択部と、画像信号を圧縮する画像圧縮手
段とを有する画像の像域分離装置において、前記判定対
象領域選択部からの判定対象領域の画像データから隣接
する画素の局所特徴パターンを検出する局所特徴パター
ン検出手段と、前記画像圧縮手段からの出力と、前記局
所特徴パターン検出手段からの出力のうち、少なくとも
一方を入力として、所望する画像種類を識別して結果を
出力する画像種識別手段と、前記画像種識別手段からの
識別結果により画像種類を決定する画像種決定手段とで
構成される画像像域分離装置を提供する。

【００１５】

【作用】以上のような構成の画像像域分離装置において
は、判定対象領域選択手段に供えられた同種画像領域抽
出部の入力手段からのデータは、領域分割手段に入力さ
れて同種画像領域が抽出されて、領域分割される。同種
画像領域の抽出は、この処理の段階では画像種類は未知
のままで遂行される。つまり活字体文字なのか、手書き
文字なのか、写真なのか、絵柄画像なのかは特定できな
い状態で、背景とは異なって一群をなす画像領域の境界
を抽出する。抽出方法は、種々考えられるが前述した特
願平５−１６３６３５号に開示のものを利用してもよ
い。

【００１６】同種画像領域抽出部から出力される同種画
像領域の位置・大きさのデータは、順次画像種判定部に
入力されて、各領域ごとの画像の種類を判定し決定す
る。同種画像領域内においては、まず単位判定領域を所
定サイズの小ブロック領域として設定し、所定の探索手
順に従って同種画像領域内を探索範囲として小ブロック
単位で探索する。探索位置が決まった任意小ブロック内
では、局所特徴パターン検出手段によって、着目画素の
例えば輝度とそれに隣接する所定数（Ｎ個）の輝度から
成る局所輝度パターンを検出してベクトル量子化手段に
入力する。

【００１７】前記ベクトル量子化手段では入力された局
所輝度パターンを構成するＮ個の次元空間で予め設定さ
れた所定数（Ｍ個）の代表ベクトルに量子化する。量子
化された代表ベクトルは、ヒストグラム生成手段におい
て、その累積度数が計算されて探索小ブロック内の量子
化ベクトルに対するヒストグラムが算出される。

【００１８】その局所輝度パターンは直接その度数が計
数されてヒストグラムを生成し、画像識別手段に入力す
る場合もある。そしてヒストグラムを形成する各量子化
ベクトルの発生度数は画像種識別手段に入力されてヒス
トグラム形状に基づく探索小ブロックの画像種の識別を
行う。従ってヒストグラム形状が画像種によって類似し
た特徴をもつことが高識別率を実現する上で重要であ
る。そのため画像種毎のヒストグラム形状の再現性を得
るために正規化が必要である。また画像種毎のヒストグ
ラム形状の違いを効果的に反映するために画像種識別手
段への有効な入力信号の選択手段も必要となるので、そ
れら手法を本発明で提案する。さらに本発明の活用目的
の１つである画像データ圧縮処理と合わせて能率のよい
処理構成についても提案する。

【００１９】前記画像種識別手段は、例えばフィードフ
ォワード階層型ニューラルネットワークを用いると効果
的な画像種認識が可能となる。ニューラルネットワーク
は、判定したい画像種類によって特徴的に現れる信号を
学習データにし、対応する画像種類を教師データとして
予め学習がなされたネットワークである。画像種識別手
段からの出力は画像種決定手段によって画像種の最終決
定が行われる。画像種識別結果としての出力は、先に求
められた同種画像領域内で複数得られ、画像種決定手段
に入力されることになる。複数の識別結果は多数決判定
により最終決定されるが、識別結果として曖昧なもの、
例えば２つ以上の画像種を同程度の出力値（発火レベ
ル）で識別結果として出力した場合は多数決判定の対象
から除外するなどの判定ルールに基づいて最終結果を出
力する。

【００２０】

【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。図１には、本発明による第１実施例として
の混在画像像域分離装置の概略的な構成を示し説明す
る。

【００２１】この混在画像像域分離装置において、異な
る画像の種類、例えば活字体文字、手書き文字、写真、
絵柄画像等が混在して記載されているドキュメントファ
イルは、ビデオカメラ、イメージスキャナによってフル
カラー画像が撮像されてアナログ画像入力信号としてデ
ィジタル画像変換器１に入力される。

【００２２】前記ディジタル画像変換器１は、アナログ
画像入力信号を変換してディジタル画像信号を出力す
る。出力データは一旦、画像フレームメモリ２に入力さ
れて一時蓄積される。また既にディジタル画像信号に変
換されている蓄積画像データ、伝送画像データは、直
接、画像フレームメモリ２に入力されて同様に、一時、
蓄積される。

【００２３】この画像フレームメモリ２から出力された
ディジタル画像データは、同種画像領域抽出部３を構成
する同種画像領域分割部４に入力される。この同種画像
領域分割部４は、画像種類は未知の状態で同種類の画像
が存在する領域の背景との境界を抽出して、分割してい
く処理を行う。一枚の混在画像から分割された複数の同
種画像領域は、それぞれ矩形領域として算出されて、定
められた１稜角の水平・垂直位置を示す分割領域アドレ
スデータと、矩形領域のサイズ（幅・高さ）が出力され
る。

【００２４】前記同種画像領域分割部４から出力された
分割領域アドレスデータとサイズは、探索ブロック領域
選択部５に入力される。探索ブロック領域選択部５で
は、求められた同種画像領域内のどの部分を実際に画像
種判定の着目領域とするかを選択する。着目領域は、予
め設定されるか或いは同種画像領域のサイズに適応的に
変化する大きさをもつ所定サイズの矩形小ブロック領域
とする。探索ブロック領域選択部５により選択される判
定対象ブロックの位置は、同種画像領域内で複数回、同
位置を重複しないよう選択される。選択された判定対象
ブロックの位置・サイズのデータは、画像フレームメモ
リ２に入力されて、対応する画像メモリ部分の画像デー
タが画像フレームメモリ２から出力される。

【００２５】画像フレームメモリ２から出力された判定
対象ブロックのフルカラー画像は、画像種判定部６に入
力される。この画像種判定部６の構成例を以下に簡単に
説明する。

【００２６】まず、判定対象ブロック画像メモリ７に入
力されて、一時蓄積されたフルカラー画像データは、モ
ノクロ画像変換部８に入力されてモノクロ画像データに
変換される。

【００２７】前記モノクロ画像変換部８から出力される
判定対象画像のモノクロ画像データは、まず水平差分検
出器９と垂直差分検出器１０に同時に入力されて、判定
対象ブロックの任意の画素（ｉ，ｊ）に対する出力デー
タΔｈij、Δｖijが、順次、それぞれバッファメモリ１
１とバッファメモリ１２に入力され、一時蓄積される。
水平差分検出器９では、モノクロ画像変換部８から出力
される判定対象領域の各画素の輝度成分から構成される
画像データにおいて、任意画素と隣接する画素の輝度レ
ベルの差分値を水平方向に対して算出するものである。

【００２８】具体的に言えば、いま判定対象画像のモノ
クロ画像をＭ×Ｎ画素の矩形画像とし、水平・垂直の画
素配列をそれぞれｉ，ｊで記述すれば、その任意画素の
輝度レベルは、

【００２９】

【数１】 と表わせて、求める水平差分値Δｈijは、

【００３０】

【数２】 となる。同様にして、垂直差分値Δｖijは、

【００３１】

【数３】 となる。

【００３２】これら水平・垂直差分値がなす水平差分マ
ップ及び垂直差分マップは、計算結果が、一旦バッファ
メモリに格納されると共に輝度修正パラメータ算出部１
３に入力されて、輝度を修正するためのパラメータが算
出される。水平差分のマップの中から急峻なエッジ部分
を除去した部分の差分データを平均したものを平均水平
差分（ａｖｒΔｈ）、また垂直差分マップの中から急峻
なエッジ部分を除去した部分の差分データを平均したも
のを平均垂直差分（ａｖｒΔｖ）と称して算出する。判
定対象画像に於ける水平方向（Ｈ）、垂直方向（Ｖ）と
差分値（Ｄ）の３次元直交空間（Ｈ，Ｖ，Ｄ）でのベク
トルｈ（１，０，ａｖｒΔｈ）とベクトルｖ（０，１，
ａｖｒΔｖ）がなす平面ｐ（ｈ，ｖ，ｄ）、

【００３３】

【数４】 に対する法線ベクトルｎ、

【００３４】

【数５】 を求める。また、水平差分マップ上で急峻なエッジ部分
を“０”として、それ以外を“１”としたビットマップ
と、垂直差分マップ上に急峻なエッジ部分を“０”とし
それ以外を“１”としたビットマップが前記処理のとき
に作成され、これら２つのビットマップの論理和をとっ
たビットマップをマスクパターンとする。ただし、急峻
なエッジとは、差分値の絶対値が所定の閾値より大きい
か否かで決定される。このようにして、輝度修正パラメ
ータとして上記法線ベクトルｎとマスクパターンが輝度
修正パラメータ算出部１３から出力される。

【００３５】輝度修正パラメータ算出部１３から出力さ
れる法線ベクトルｎとマスクパターンのデータは、輝度
レベル修正処理部１４に入力されて、同時に入力される
モノクロ変換部８からの判定対象ブロックの輝度データ
を修正する。輝度レベル修正処理部１４で行われる輝度
レベルの修正処理では、まずモノクロ変換部８からの輝
度レベルイメージデータに対して、先に求めたマスクパ
ターンが乗じられ、急峻なエッジ部分の輝度データが取
り除かれる。次に判定対象ブロックの水平・垂直・輝度
の３次元直交空間（Ｈ，Ｖ，Ｙ）において、求めた法線
ベクトルｎの方向を有する座標軸を修正座標軸ｍＹとし
て設定し、ブロック内全ての画素に対して、その輝度レ
ベルｙijを修正座標軸ｍＹに射影した修正輝度レベルｍ
ｙijを算出し、修正輝度レベルごとに度数を求めて修正
輝度レベルヒストグラムを算出する。修正輝度ヒストグ
ラムは、修正輝度に対する正規化が施される。正規化方
法は、種々考えられる。例えば修正輝度レベルヒストグ
ラムを、

【００３６】

【数６】 とし、修正輝度が０から最大にわたって積分した任意修
正輝度ｍｙijでの積算度数をｇ（ｍｙ）とする。ｇ（ｍ
ｙ）は、

【００３７】

【数７】 と表せ、ヒストグラムの総和度数をｇt とする。修正輝
度に対する正規化は、ｇ（ｍｙ）／ｇt ＝５％を満足す
るｍｙを最小修正輝度レベルｍｉｎ ｍｙとし、ｇ（ｍ
ｙ）／ｇt ＝９５％を満足するｍｙを最大修正輝度レベ
ルｍａｘ ｍｙとすれば、次式より任意の修正輝度レベ
ルｍｙijより正規化修正輝度レベルを求めることもでき
る。

【００３８】

【数８】

【００３９】これは、修正輝度レベルのヒストグラムの
輝度レベルレンジを求めて、固定した所定のレンジに線
形変換する正規化処理である。なお、最小修正輝度レベ
ル、最大修正輝度レベルを定めるヒストグラムの積算度
数の総和度数に対する割合は、上記例の５％、９５％に
限定される必然性はなく、適切な値が設定されれば良
い。 しかしながら、（９）式の修正輝度レベル算出に
おいて、最大輝度レベルと最小輝度レベルの差つまり、 ｍａｘ ｍｙ−ｍｉｎ ｍｙ が小さいとき正規化処理後の結果が離散的な値をとるよ
うになってしまう。

【００４０】例えば、ｍａｘ ｍｙ＝１２７，ｍｉｎ
ｍｙ＝６４ のとき、（８）式より、ｎr ＝４となり、正規化修正輝
度レベルｎｍｙijは、 ０、４、８、１２、１６、…、 のような値をとるようになる。

【００４１】これは本来連続的な値をとっていたもので
あるが、ヒストグラムが離散的な値をとってしまい、後
で行なう画像種判定の判定誤りの原因になりかねない。
そこで、輝度レベルｙijを修正座標軸ｍＹに射影すると
きに、同時に正規化してしまうような処理を行なってし
まうことが好ましい。その具体的な手法を以下に示す。
まず、ｙijのｍＹ軸に射影するとき、ｙijの最大値ｍａ
ｘ Ｙと、ｍｉｎ Ｙを用いて、

【００４２】

【数９】 を求め、そのｙij′をｍＹ軸に射影して修正輝度レベル
ｍｙijを求める。

【００４３】但し、ｒａｎｄｏｍは０以上未満の実数値
の乱数である。この様にして求めたｍｙijはそのヒスト
グラムが正規化され、かつその正規化による不連続は発
生しない。

【００４４】前記（９）式の計算は、ｍＹ軸への射影変
換の計算と同時に実行が出来る。つまり変換の係数を変
えるだけで良いので、ヒストグラムを求めてから正規化
するのに比べて回路的に有利である。

【００４５】以上により、輝度レベル修正部処理１４で
は、モノクロ変換部８からの判定対象ブロックの任意の
画素（ｉ，ｊ）の輝度レベルｍｙijが修正・正規化され
て、正規化修正輝度レベルｎｍｙijとして求められる。

【００４６】前記輝度修正パラメータ部１３、輝度レベ
ル修正処理部１４で行われる一連の輝度修正処理は、判
定対象ブロックの画像に低周波の照明ムラ等が作用して
いる場合に、それを低減する処置を行うことと、該ブロ
ックの画像のダイナミックレンジの違いが該ヒストグラ
ムの分布形状に依存することを緩和する目的で行う。ま
た、低周波成分除去の目的で通常の高域通過フィルター
を利用するのに比べてコンボリューション演算がなく処
理が簡単である。

【００４７】また、正規化修正輝度レベルｎｍｙijは、
修正輝度レベルヒストグラム算出部１５に入力されて、
正規化修正輝度レベルｎｍｙijに対する度数の計数を行
ってヒストグラムを生成する。生成ヒストグラムは、正
規化修正輝度レベルの最大値と最小値の差を所定数Ｓで
線形に分割して、分割最小単位を度数計数のステップ幅
として生成する。従って、修正輝度レベルヒストグラム
算出部１５からの出力数はＳで与えられるが、このステ
ップ数Ｓは、必要最小限の数で画像種類とヒストグラム
形状との相関性が適度に保たれるように、試行錯誤的に
予め求められる。ここで、修正輝度レベルヒストグラム
算出部１５からの出力を、 ｙs ｓ＝０，１，…，Ｓ と定義しておく。一方、バッファメモリ１１とバッファ
メモリ１２に、一時、蓄積された水平差分値Δｈij及び
垂直差分値Δｖijは、同時に読み出されて勾配ベクトル
方位検出部１６に入力される。前記勾配ベクトル方位検
出部１６において、次の演算式、

【００４８】

【数１０】 により求められる。但し、θは判定対象ブロックの任意
の画素（ｉ，ｊ）に対応した勾配ベクトル方位である。

【００４９】勾配ベクトル方位θは、勾配ベクルト方位
ヒストグラム算出部１７に入力されて、勾配ベクトル方
位θに対する度数の計数を行ってヒストグラムを生成す
る。この生成ヒストグラムは、修正輝度ヒストグラムを
求めたときと同様に、所定のステップ角度で一様に所定
数Ｒで線形に分割して、分割最小単位に属する方位角を
度数計数の単位とする。従って、勾配ベクトル方位ヒス
トグラム算出部１７からの出力数はＲで与えられるが、
このステップ数Ｒは、必要最小限の数で画像種類とヒス
トグラム形状との相関性が適度に保たれるように、試行
錯誤的に予め求められる。ここで、勾配ベクトル方位ヒ
ストグラム算出部１７からの出力を、 θr ｒ＝０，１，…，Ｒ と定義しておく。

【００５０】なお、計数度数の総計が異なっても勾配ベ
クトル方位θのヒストグラム形状の特徴パターンに般化
性が失われないように、必要に応じてθr の最大度数で
正規化しておくのがよい。

【００５１】以上により、修正輝度レベルヒストグラム
算出部１５と勾配ベクトル方位ヒストグラム算出部１７
からのｙs 及びθr の合計［Ｒ＋Ｓ］個の出力が、特徴
パターン判定部１８に入力する。特徴パターン判定部１
８は、階層型ニューラルネットワークで構成される。入
力層は［Ｒ＋Ｓ］個の入力をもち、中間層は試行錯誤的
に適切に決定された層数とニューロン素子をもち、出力
層は判定したい画像種類の数の出力をもつ。例えば、活
字体文字、手書き文字、写真、絵柄画像、背景画像の５
つの画像種類を混在画像の中から判定して分離したいの
であれば、５出力をもつことになる。

【００５２】特徴パターン判定部１８のニューラルネッ
トワークの学習は、入力された修正輝度レベルヒストグ
ラムｙs と勾配ベクトル方位ヒストグラムθr のパター
ン形状と対応関係にある探索ブロック選択部５で選択さ
れた判定対象ブロックの画像の種類を教師データとして
出力層に与えられる。学習時、教師データとしての判定
対象ブロックの画像種類は、人為的に認識して決定す
る。この学習過程は、バックプロパゲーション手法によ
り、出力誤差が判定誤差以下になるまで、判定対象画像
の種類をさまざまに変えて繰り返し行われる。特徴パタ
ーン判定部１８では、入力される修正輝度レベルヒスト
グラムｙs と勾配ベクトル方位ヒストグラムθr の形状
（特徴パターン）と画像の種類に相関関係があることを
利用して、ニューラルネットワークにより認識処理を行
っている。敢えてニューラルネットワークを用いている
のは、一般的なパターンマッチングのように多量の参照
テンプレートと比較決定する膨大な計算を回避すること
と、特徴パターンと画像種類との相関性が多少劣化して
も判定確率への影響が少ないことを利点とするためであ
る。学習が終了した特徴パターン判定部１８は、既に入
力された修正輝度レベルヒストグラムｙs と勾配ベクト
ル方位ヒストグラムθr のヒストグラム形状に対し、画
像種類を判定し出力する画像種判定器になっている。

【００５３】そして特徴パターン判定部１８の出力は、
画像種決定部１９に入力されて判定対象ブロックの画像
種最終判断が行われる。画像種決定部１９から出力され
る最終決定した画像種類、同種画像領域のアドレスデー
タ及び、サイズが、本実施例の混在画像像域分離装置か
ら出力される。

【００５４】前記実施例によれば、修正輝度レベルヒス
トグラムの正規化手段を射影手段の中に含ませて、乱数
を用いて値をばらつかせているので、値が離散的になら
ず、ハード規模の増大を防止した正規化が実現できる。

【００５５】次に本発明により画像種を分類した後に行
なう自然画像の圧縮処理について簡単に述べる。まず、
自然画像と判断された部分については自然画像の圧縮方
式の国際標準であるＪＰＥＧを利用して圧縮するのが好
ましい。この方法は、画像を８画素×８画素のブロック
に分割し、各ブロック毎にＤＣＴ（Ｄｉｓｃｒｅｔｅ
Ｃｏｓｉｎｅ Ｔｒａｎｓｆｏｒｍ）を行なってその変
換係数を量子化して符号を当てはめている。このＤＣＴ
係数は、ブロック内の周波数成分を求めることになるの
で、そのブロックの特徴をある程度表している。

【００５６】そこで、入力画像をすべて８×８のブロッ
クに分解し、ブロック毎のＤＣＴ係数を求め、それを画
像種判定のためのニューラルネットワークの入力とする
方法が考えられる。この方法は、圧縮処理に必要とする
回路での出力をニューラルネットワークの入力として用
いるので回路的にも、判定効率的にも効果的である。

【００５７】図２には、第２実施例として、混在画像像
域分離装置における画像圧縮部の構成を示す。この図２
において、ブロッキング部２２、ＤＣＴ部２３、量子化
及び符号化部２４はＪＰＥＧのコードを出力するいわゆ
る自然画像圧縮部２１を構成する。画像種判定部２５は
図１に示した画像種判定部６に相当しており、勾配ベク
トル方位ヒストグラムと修正輝度レベルヒストグラムを
求め、ＤＣＴ係数と共にニューラルネットワークへ入力
し、その結果から画像種判定を行なうことができるよう
になっている。そして、画像種判定結果に従って圧縮信
号切替部２８にて自然画像と判断されたものは、自然画
像圧縮部２１での圧縮信号を、絵柄画像と判断されたも
のは絵柄画像圧縮部２６による圧縮信号を、文字画像と
判断されたものは文字画像圧縮部２７による圧縮信号を
それぞれ出力する。

【００５８】本実施例では、自然画像の圧縮には前述し
たようにＪＰＥＧ方式を用いており、絵柄画像の圧縮に
は特開昭５９−１７１２６０号公報に記載のカラーファ
クシミリ信号符号化方式の方法を用いている。また、文
字画像の圧縮には、２値画像の標準符号化方式のＭＭＲ
方式を用いている。但し、本発明はこれらの手法に限定
されるものではなく、また、その圧縮部の途中段階の情
報を画像種判定のための情報として用いることも構わな
い。

【００５９】本実施例では、計算時間の削減のために、
ニューラルネットワークへの入力次元数を減らす構成を
とっている。図２に示した構成の場合、画像信号の局所
特徴パターンである修正輝度レベルヒストグラム並びに
勾配ベクトル方位ヒストグラムと、６４個のＤＣＴ係数
が入力となり得るのだが、その全てを用いるのではな
く、判定に最も有効なものを選択して入力とするように
している。以下に入力次元を減らす場合の考え方を示
す。

【００６０】前述したようにＤＣＴ係数はブロック内の
周波数成分であり、その係数のパターンによりブロック
の特徴が判る。例えば、水平方向の周波数成分に大きな
値が現れていたとすると、そのブロックには縦のエッジ
成分が含まれていたと考えられる。つまり、ＤＣＴ係数
を利用することで、ブロック内の勾配ベクトル方位情報
と同等な作用が得られることになる。また、低い周波数
成分にほとんどパワーが集中している場合には、少なく
ともそのブロックにはエッジのような急峻な変化が含ま
れていなかったことが判る。

【００６１】これらの判断は６４個の係数の内、例えば
図３にハッチングで示した８個の係数を用いることでほ
ぼ十分であると考えられる。従って、画像種判定部２５
への入力としては、修正輝度レベルヒストグラムと前記
８個のＤＣＴ係数を用いるようにしている。また、文字
画像圧縮手段２７で計算されるランレングスの値や、絵
柄画像圧縮手段２６で利用するブロック毎の分解能に関
する情報なども画像種判定の入力信号とすることも可能
である。

【００６２】このような方法で次元数を減らすことは計
算時間が短縮できる上に、圧縮処理過程での中間出力を
利用するので、新たな回路を付加すること無く実現が可
能である。

【００６３】更に画像圧縮にＪＰＥＧのような方法のみ
を用いた場合について述べる。図４において、画像入力
部３１、フレームメモリ３２、同種画像領域抽出部３３
は図１に示す構成部材と同様な機能を有しており、画像
種判定部３４への入力は第１実施例で説明したように画
像信号の局所特徴パターンと、ＤＣＴ部３５からのＤＣ
Ｔ係数を用いて画像種の判定を行なっている。

【００６４】ここで得られた判定結果によって、量子化
部３６でのＤＣＴ係数の量子化時の量子化ステップもし
くは量子化マトリクスを制御するような構成としてい
る。つまり、画像の特徴に合わせて、符号化処理のパラ
メータを変更することで、画像種に最適な圧縮を行なお
うとするものである。

【００６５】具体的には、自然画像と、線画的な文字画
像が含まれている混在画像が入力されたとすると、文字
画像部分は線の輪郭が劣化しないように自然画像と比べ
て高周波成分の量子化幅を小さくしたい。そこで、文字
画像と判断された部分については、その高周波成分の量
子化幅を小さくした量子化マトリクスを用いるようにし
ている。

【００６６】この構成によれば、従来のように、一通り
の圧縮部しか設けられず、画像種毎に異なるアルゴリズ
ムで圧縮することが不可能な場合でも、最適な圧縮効率
となるように符号化することができる。

【００６７】次に更に入力次元数を削減する方法を用い
た実施例について説明する。本出願人による特願平５−
１６３６３５号には、ＬＢＧアルゴリズムによるベクト
ル量子化を用いてパターン化を行なう方法が一例として
説明されているが、この方法の場合、分布パターンの密
度が高い所を重点的に分割するようになっているため、
必ずしも分類に関して有意な分類になっていない場合が
あった。

【００６８】たとえば文字画像の勾配ベクトル方位を考
えてみると、平坦部に相当する部分に頻度が集中してお
り、この中心部分を細かく分割するようにベクトル量子
化が行なわれている。従って画像内の線の方向性を示す
周辺部は粗く分割されてしまってむしろあまり有意でな
い情報が多くなってしまう。

【００６９】このような欠点を解決するために、パター
ン認識の技術を導入して入力の前処理として統計的多変
量解析手段の１つであるＦ−Ｓ変換（ＦＳＴ）を用いる
ことも効果がある。

【００７０】“Ｉｍａｇｅ ｃａｌａｓｓｉｆｉｃａｔ
ｉｏｎ ｂｙ ｔｈｅ Ｆｏｌｅｙ−Ｓａｍｍｏｎ ｔ
ｒａｎｓｆｏｒｍ”；ＯＰＴＩＣＡＬ ＥＮＧＩＮＥＥ
ＲＩＮＧ／Ｊｕｌｙ １９８６／Ｖｏｌ．２５ Ｎｏ．
７，ｐｐ８３４−８４０記載のＦＳ変換は、２つのクラ
スを分類する手法で具体的には、Ｆｉｓｈｅｒ ｒａｔ
ｉｏ

【００７１】

【数１１】 を最大にする分類のためのベクトルｄｉを求めることで
ある。以後この分類のためのベクトルｄｉを分類ベクト
ルと呼ぶ。この分類ベクトルｄｉは対象の修正輝度レベ
ルヒストグラムと勾配ベクトル方位ヒストグラムを併せ
たものの次元数λと同じ次元数を有する。

【００７２】そして、Ｆｉｓｈｅｒ ｒａｔｉｏを大き
くする分類ベクトルを２種類求める。Ｆｉｓｈｅｒ ｒ
ａｔｉｏを最大にする分類ベクトルｄｉをｄ１、このｄ
１と直交するベクトルの中でＦｉｓｈｅｒ ｒａｔｉｏ
を最大にする分類ベクトルｄｉをｄ２とする。この分類
ベクトルｄ１，ｄ２で構成される空間に各データを投影
することにより、２つのクラスが分類される。分類ベク
トルｄ１，ｄ２は次式から求める。

【００７３】

【数１２】 ここで、α１，α２は正規化係数、ΔはＸ１−Ｘ２（ク
ラス１とクラス２の平均の差ベクトル）、Ｉは単位行列
である。このようにして得た分類ベクトルｄ１，ｄ２で
構成される空間に各データを投影するためには分類ベク
トルと対象物のヒストグラムとの内積ｔ１，ｔ２を求め
る。対象とするヒストグラムをｆ（λ）とすれば内積ｔ
１，ｔ２は次式で表せられる。

【００７４】

【数１３】 ここで、“・”は内積演算を表す。

【００７５】本来ＦＳＴを用いたクラス分類では、前記
ｔ１，ｔ２を適当な閾値処理することで２つのクラスに
分類が可能であるが、本発明で達成しようとしているよ
うな微妙な画像種の分類は総合的な判断を必要としてい
るので、これらをニューラルネットワークを用いた画像
種判定部への入力としている。

【００７６】本発明では、クラス１，クラス２を手書き
文字及び絵柄画像として教師データから分類ベクトルを
求め、それを用いヒストグラムｆ（λ）を投影すると、
（１３）式の計算によりｔ１，ｔ２の２つの値が得られ
る。同様にクラス１，クラス２を他の組み合わせとして
分類ベクトルを求めて同様の計算を行なっている。

【００７７】つまり、予め画像種の判っているデータを
複数用意し、それを教師データとして分類ベクトルを求
めておき、図５に示すように、それをＲＯＭ４５などに
記録して、実際の画像種判定時にはブロック画像メモリ
４１から読み出される画像信号の勾配ベクトル方位ヒス
トグラムおよび修正輝度レベルヒストグラムを（１３）
式のｆ（λ）として求め、前記分類ベクトルとの内積演
算を内積演算部４４でブロック毎に行なうことになる。

【００７８】ＲＯＭ４５に記録される分類ベクトルとし
ては、図６に示すように、クラス１，クラス２を手書き
文字及び絵柄画像として求めた分類ベクトル５１、手書
き文字及び活字文字として求めた分類ベクトル５２、活
字文字及び自然画像として求めた分類ベクトル５３、自
然画像及び絵柄画像として求めた分類ベクトル５４、手
書き文字及び自然画像として求めた分類ベクトル５５、
絵柄画像及び活字文字として求めた分類ベクトル５６か
らそれぞれ２つずつ計１２個のベクトルが記録されてお
り、コントローラ４６からの切り替え指示によってそれ
ぞれの投影結果をバッファ４７に一時的に蓄える。バッ
ファ４７では、各分類ベクトルへの投影結果をこれを画
像種判定のためのニューラルネットワーク４８のそれぞ
れへの入力となるように出力している。

【００７９】この方法によれば、ニューラルネットワー
ク４８の入力次元数は１２にまで減らすことができ、ニ
ューラルネットワークの負荷を軽減させることができ
る。本実施例では、分類ベクトルを各クラス間で２つず
つ求めていたが、ｄ１のみであっても構わなく、クラス
についても図６に示す５１〜５６の６通りの全ての組み
合せから求めた分類ベクトルを用いる必要はなく、判定
に必要な最小限の入力次元数とすればよい。

【００８０】また、これまで述べてきた修正輝度レベル
ヒストグラムと勾配ベクトル方位ヒストグラムとの併用
により判定誤りを減らすようにするといったことも可能
である。即ち、図１に示した画像種判定部６内の特徴パ
ターン判定部１８へ、図７に示すように勾配ベクトル方
位ヒストグラム算出部６２と、修正輝度レベルヒストグ
ラム算出部６３と、ＦＳＴ部６４で計算された結果を入
力とするようにしている。

【００８１】このとき図７中のＦＳＴ部６４への入力
は、ブロック単位の画像データとしている。ＦＳＴ部６
４では、ヒストグラムだけからでは判定誤りの起き易か
った手書き文字と絵柄画像との分類のために、手書き文
字と絵柄画像を教師データとして分類ベクトルを求めて
おき、その分類ベクトルと判定を行いたい画像のブロッ
クデータとの内積を特徴パターン判定部への入力として
加えるようにしている。これにより判定誤りが軽減され
る。

【００８２】次に図８には、本発明による第５実施例と
して、図２に示した画像圧縮に階層的符号化手法を用い
た例を示し説明する。図８においては、原画像７１を縦
横２分の１に縮小した１／４縮小画像７２をもとめ、そ
れを更に２分の１に縮小した１／１６縮小画像７３を求
め、これを圧縮して出力したものを第１層データ７４と
する。第１層データ７４を復号して縦横２倍に拡大し、
第１層復号拡大画像７６とし、それを前記１／４縮小画
像７２から引いた画像を差分画像７７とする。

【００８３】この差分画像７７を圧縮して出力したもの
を第２層データ７８とする。第２層データ７８を復号し
て第１層復号拡大画像７６を加えたものを縦横２倍に拡
大し、原画像７１との差をとった画像を差分画像８１と
し、これを圧縮して出力したものを第３層データ８２と
する。

【００８４】このようにして得られた第１層から第３層
のデータは上位の階層からつまり、最初に第１層データ
を送信し、次に第２層、最後に第３層の順番で送信され
る。受信側では、第１層を先ず復号し、低解像度の画像
を得る。受信側では必要に応じて、更に第２層のデータ
を用いることで、中程度の解像度の画像を得ることがで
き、更に第３層のデータから高解像度の画像を得ること
が出来るようになっている。

【００８５】本実施例ではこの階層符号化の途中段階で
得られる階層化された縮小画像を用いて画像種の判定を
行ない、判定が曖昧なときには下位の階層の画像を用い
て判定をし直すようにしている。具体的な方法について
以下の述べる。

【００８６】まず１／１６縮小画像７３より画像種の判
定を行なう。この判定に用いられるデータ量は原画像７
１に比べて１６分の１なので判定にかかる時間も概ね１
６分の１になる。

【００８７】この時、解像度の低い縮小画像を判定に用
いているために、判定結果が曖昧になるブロックが発生
することがある。その場合、そのブロックについて、よ
り高い解像度のデータを用いて判定を行なうようにして
いる。つまり、１／１６縮小画像７３のブロックの中で
判定が曖昧であったブロックに対応するブロックを１／
４縮小画像７２から取りだし、それを用いて判定をやり
直すようにする。この走査でも判定が曖昧なブロックが
発生した場合は、さらに高解像度の原画像７１からその
対応するブロックを取り出して判定をやり直すようにし
ている。こうして各ブロックの画像種を判定した後、そ
れぞれの画像種に対応する圧縮手法によって画像圧縮を
行なっている。ここで言う判定が曖昧であったブロック
とは、画像種が変化する境界部のように複数の画像種が
含まれている可能性がある部分のブロックと、判定に用
いるニューラルネットワークの出力が複数の画像種に対
して比較的近い値を示したブロックのことである。

【００８８】この画像種判定の流れについて、図９及び
図１０を用いて説明する。最初に、１／１６縮小画像を
作るためにフレームメモリ８３に記録されている画像を
１／４縮小部８４で１／４縮小画像を作成して１／４フ
レームメモリ８５に格納する。それをさらに１／４縮小
部８６で１／１６縮小画像を作成して１／１６フレーム
メモリ８７に格納する。

【００８９】次に、１／１６縮小画像の全てのブロック
についてブロック読み出し部８８によって１／１６フレ
ームメモリ８７から読出して、画像種判定部８９で順次
画像種判定を行なう（ステップＳ１）。このときブロッ
クのサイズは、原画像で画像種の判定を行なう場合と同
じなので、１／１６縮小画像の１つのブロックは、原画
像において１６個のブロックに相当している。

【００９０】次に曖昧検出部９０により、この判定結果
が曖昧か否か判定し（ステップＳ２）、判定結果が曖昧
でないと判断されたブロックについては（ＮＯ）、その
原画像上で対応している１６個のブロックについて画像
種が確定したものとし、その判定結果を判定結果記録部
９１に記録する。一方、判定結果が曖昧であったと判定
された場合は（ＹＥＳ）、そのブロックの１／４縮小画
像上で対応している４個のブロックについてブロック読
み出し部８８を通じて、１／４フレームメモリ８５より
読み出して、それぞれ画像種について再度の判定をする
（ステップＳ３）。次に、その判定結果が曖昧であった
か否か判定し（ステップＳ５）、判定結果に曖昧がなか
った場合には（ＮＯ）、ステップＳ３に戻り、再度残り
の３つのブロックに対して同様に、画像種について判定
し（ステップＳ７）、それらの判定結果が曖昧でなかっ
たブロックについては、その原画像上での４個のブロッ
クについて画像種が確定したとものし、判定結果を判定
結果記録部９１に記録する。

【００９１】一方ステップＳ５で、曖昧であったと判断
されたブロックについては（ＹＥＳ）、そのブロックの
原画像上で対応している４個のブロックについて、ブロ
ック読出し部８８を通じて、フレームメモリ８３より読
出して、それぞれ画像種の判定をやり直す（ステップＳ
６，Ｓ８）。以上の処理により画像種が確定し終えた
ら、全ブロックについて処理が終了したか否か判定し
（ステップＳ４）、未終了であれば（ＮＯ）、１／１６
縮小画像に於ける次のブロックの処理を行なう（ステッ
プＳ９）。

【００９２】この構成により、曖昧と判定されるブロッ
クが非常に多い場合を除いて画像種判定の回数が少なく
なる。本実施例では、全てのブロックについて画像種が
確定した後、各層の圧縮を行うようにしている。

【００９３】また、本実施例において各層の画像を一時
的に蓄えるためにフレームメモリを用いているが、これ
を省略して、必要に応じてその階層の画像を作成するよ
うにしても構わなく、また、各層毎に画像の解像度が変
るので、それに応じて画像種判定部も各層毎に最適なも
のを用意するようにしても良い。

【００９４】第６実施例として、前述した第５実施例の
ようにブロック毎に確定させていく方法の他に、図１１
に示すような画像種判定方法もある。この方法において
は、まず、１／１６縮小画像の全てのブロックで判定を
行ない（ステップＳ１１）、判定結果が曖昧で画像種が
未確定になっているブロックを抽出し、そのブロックに
対して１／４縮小画像によって判定を行ない（ステップ
Ｓ１５）、それでも判定が曖昧で画像種が未確定になっ
ているブロックを抽出し、そのブロックに対して原画像
によって判定を行なう（ステップＳ１８）。

【００９５】次に、実際のブロックでの画像種の決定の
例として、図１２を用いて説明する。ここで、図１２
（ａ）は、１／１６縮小画像、同図（ｂ）は１／４縮小
画像、同図（ｃ）は原画像をそれぞれ表している。

【００９６】図１２（ａ）は、１／１６縮小画像での判
定結果から右上のブロックが未確定となっており、他の
ブロックは第１の画像種と判定されたところである。前
記未確定ブロックの１／４縮小画像上での４個のブロッ
クについて判定を行なったところ、図１２（ｂ）に示す
ように右側の２ブロックについて確定した。

【００９７】最後に残された部分を原画像を用いて判定
を行ない、図１２（ｃ）に示すように画像種を確定す
る。このように本実施例で示す手法によれば、ほとんど
の部分が１／１６縮小画像７３（図８）からのデータに
よって画像種判定が行なわれるため、判定にかかる時間
を大幅に削減することができる。尚、画像種判定のため
のニューラルネットワークは、１／４縮小画像７２、１
／１６縮小画像７３及び原画像７１のデータに対して同
一のニューラルネットワークを共通に用いていたが、こ
れは各解像度に合わせたものをそれぞれ用意し、解像度
毎に別々に用いるようにしても構わない。

【００９８】以上詳述したように本実施例によれば、異
なる画像の種類、例えば活字体文字、手書き文字、写
真、絵柄画像などが混在している混在画像を同種画像領
域毎に的確に分割して、その分布パターンの統計量を求
め、その分布パターンもしくは、画像の圧縮手段の中間
データを用いて画像種を判定する混在画像像域分離装置
を提供するので、比較的軽い負荷の処理と正解率の高い
混在画像の像域分離および効率の良い圧縮が実現する。

【００９９】前記分布パターンの分類・認識は、データ
をニューラルネットワークで認識する手段を構成してい
るので、精度のよい画像種判定を可能にしている人為的
判定の場合に類似して、統計量に基づく適切なクラスタ
リングが実現できる。

【０１００】さらに像域分離された画像は、画像の種類
に応じて行うことによって効果を発揮するデータ処理、
例えばデータ圧縮、適応２値化、網点処理、意図的画像
再現効果を実現する種々自然画像処理（フィルタリング
など）を自動化することが可能である。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。

【０１０１】

【発明の効果】以上詳述したように本発明によれば、局
所特徴パターンの発生頻度分布形状等の情報を効果的に
量子化して、ニューラルネットワークの入力次元数を極
力削減でき、規模の最適化を実現する画像像域分離装置
を提供することができる。

【図面の簡単な説明】

【図１】本発明による第１実施例としての混在画像像域
分離装置の概略的な構成を示す図である。

【図２】本発明による第２実施例として、混在画像像域
分離装置における画像圧縮部の構成を示す図である。

【図３】第２実施例で画像判定に用いるブロック内の係
数の位置例を示す図である。

【図４】圧縮パラメータをその画像種に応じて変更する
構成例を示す図である。

【図５】本発明による第３実施例としての混在画像像域
分離装置の概略的な構成を示す図である。

【図６】第３実施例におけるＦ−Ｓ変換を施す画像種の
組み合わせを示す図である。

【図７】本発明による第４実施例としての混在画像像域
分離装置の概略的な構成を示す図である。

【図８】本発明による第５実施例として、図６に示した
画像圧縮に階層的符号化手法を用いた例を示す図であ
る。

【図９】第５実施例の画像種判定における画像データの
流れについて説明するための構成例を示す図である。

【図１０】第５実施例における画像種判定の流れについ
て説明するためのフローチャートである。

【図１１】第６実施例としての混在画像像域分離装置に
おける画像種判定の流れについて説明するためのフロー
チャートである。

【図１２】ブロックでの画像種の決定の一例を示す図で
ある。

【符号の説明】

１…ディジタル画像変換器、２…画像フレームメモリ、
３…同種画像領域抽出部、４…同種画像領域分割部、５
…探索ブロック領域選択部、６…画像種判定部、７…判
定対象ブロック画像メモリ、８…モノクロ画像変換部、
９…水平差分検出器、１０…垂直差分検出器、１１，１
２…バッファメモリ、１３…輝度修正パラメータ算出
部、１４…輝度レベル修正処理部、１５…修正輝度レベ
ルヒストグラム算出部、１６…勾配ベクトル方位検出
部、１７…勾配ベクルト方位ヒストグラム算出部、１８
…特徴パターン判定部、１９…画像種決定部。

Claims (4)

【特許請求の範囲】
1. 【請求項１】 画像信号を入力する画像入力手段と、入
   力した画像内から所定の大きさで小領域を選択抽出する
   判定対象領域選択手段を有する画像の像域分離装置にお
   いて、 判定対象領域の画像データから隣接する画素から成る局
   所特徴パターンを検出する局所特徴パターン検出手段
   と、 前記局所特徴パターンの度数分布を求める手段と、 前記度数分布を乱数を使って正規化する度数分布正規化
   手段と、 前記正規化された度数分布を入力として画像種類を識別
   して、結果を出力する画像種識別手段と、 前記画像種識別手段からの識別結果により画像種類を決
   定する画像種決定手段と、を具備することを特徴とする
   画像像域分離装置。
2. 【請求項２】 画像信号を入力する画像入力手段と、入
   力した画像内から所定の大きさで小領域を選択抽出する
   判定対象領域選択部と、画像信号を圧縮する画像圧縮手
   段とを有する画像の像域分離装置において、 前記判定対象領域選択部からの判定対象領域の画像デー
   タから隣接する画素の局所特徴パターンを検出する局所
   特徴パターン検出手段と、 前記画像圧縮手段からの出力と、前記局所特徴パターン
   検出手段からの出力のうち、少なくとも一方を入力とし
   て、所望する画像種類を識別して、結果を出力する画像
   種識別手段と、 前記画像種識別手段からの識別結果により画像種類を決
   定する画像種決定手段と、を具備することを特徴とする
   画像像域分離装置。
3. 【請求項３】 請求項２記載の前記画像圧縮手段とし
   て、自然画像圧縮手段、絵柄画像圧縮手段、文字画像圧
   縮手段のうち少なくとも１つを含み、該画像圧縮手段か
   らの出力を切り替える圧縮信号切換手段をさらに具備す
   ることを特徴とする画像像域分離装置。
4. 【請求項４】 請求項１，２記載の前記画像像域分離装
   置において、統計的多変量解析手段により分類ベクトル
   を求め、この分類ベクトルに前記局所特徴パターンに係
   るデータを射影して画像種識別手段への入力とする手段
   をさらに具備することを特徴とする画像像域分離装置。