JPH08251403A

JPH08251403A - 画像領域属性判別装置

Info

Publication number: JPH08251403A
Application number: JP7052436A
Authority: JP
Inventors: Kazuaki Nakamura; 和明中村; Shinji Yamamoto; 眞司山本; Makoto Araoka; 真新阜; Tetsuya Ito; 哲也伊藤
Original assignee: Minolta Co Ltd
Current assignee: Minolta Co Ltd
Priority date: 1995-03-13
Filing date: 1995-03-13
Publication date: 1996-09-27

Abstract

(57)【要約】【目的】原画像に含まれるブロック領域についての属性
を正確に判別し、原稿の領域分割を正確に行えるように
することを目的とする。【構成】原画像についての多値の画像データＤＭに対し
て、ブロック領域に対応する画像データＤＭａを抽出す
るブロック領域抽出部１１と、抽出された画像データＤ
Ｍａに基づいてフーリエ変換を行うことによって空間周
波数スペクトルを求めるフーリエ変換部１２と、画像デ
ータＤＭに基づいてその濃度共起行列から得られる統計
量を計算する統計量計算部１３と、空間周波数スペクト
ル及び統計量に基づいて文字領域、写真領域、又は網点
領域であるか否かについての判別結果を出力するニュー
ラルネットワーク１４とを有する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、複写機などにおいて画
像処理を行う際に用いられる画像領域属性判別装置に関
する。

【０００２】

【従来の技術】従来より、複写機においては、原稿の画
像を読み取って得られた多値の画像データに対して、画
像品質の向上を図るために種々の画像処理が行われる。
その場合の画像処理は、画像の種類に応じて行われる。
例えば、文字画像に対しては文字を明瞭にするためにエ
ッジ強調処理や２値化処理が行われ、写真画像に対して
は階調性を重視した処理が行われ、網点画像に対しては
モアレ防止のために平滑化処理が行われる。

【０００３】さて、複写原稿には、文字画像、写真画
像、網点画像などが混在している場合がある。その場合
には、原稿画像をそれぞれの領域に分割する必要があ
る。領域分割に当たっては、原稿画像から小領域である
ブロック領域を抽出し、抽出したブロック領域について
その属性を判別することが行われる。

【０００４】例えば特開平４−１１４５６０号公報に
は、原稿画像から６４×６４画素のブロック領域に対応
する画像データを抽出し、抽出した画像データに基づい
て、ヒストグラム特徴量及び画素が白黒反転する回数を
数えた線密度特徴量を抽出し、これをニューラルネット
ワークに入力して属性を判別することが提案されてい
る。

【０００５】また、井上らの報告書「ニューラルネット
ワークを利用した画像領域の分離方式」（日本シミュレ
ーション学会第１３回シミュレーション・テクノロジー
・コンファレンス、１９９４年６月）には、８×８画素
の小領域における平均輝度及び最大濃度差を特徴量とし
て抽出し、これをニューラルネットワークに入力して属
性を判別することが提案されている。

【０００６】

【発明が解決しようとする課題】しかし、前者のよう
に、ヒストグラム特徴量及び線密度特徴量をニューラル
ネットワークに入力する場合には、それらの特徴量には
画素の周期性を表す情報が含まれていないため、ニュー
ラルネットワークにより網点領域であるか否かを正確に
判別することができない。そのため、網点領域を含んだ
原稿について、ブロック領域の属性を正確に判別するこ
とができないという問題があった。

【０００７】また、後者のように、平均輝度及び最大濃
度差を特徴量としてニューラルネットワークに入力する
場合にも、網点領域であるか否か又は写真領域であるか
否かを正確に判別することができない。

【０００８】本発明は、原画像に含まれるブロック領域
についての属性を正確に判別し、原稿の領域分割を正確
に行えるようにすることを目的とする。

【０００９】

【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、原画像についての多値の画像データに基づいて、
前記原画像に含まれる小領域であるブロック領域につい
ての属性を判別するための装置であって、前記画像デー
タに対して、前記ブロック領域に対応する画像データを
抽出するブロック領域抽出手段と、前記ブロック領域抽
出手段により抽出された画像データに基づいて、フーリ
エ変換を行うことによって空間周波数スペクトルを求め
るフーリエ変換手段と、前記フーリエ変換手段から出力
される空間周波数スペクトルに基づいて、少なくとも前
記ブロック領域の属性が網点領域であるか否かについて
の判別結果を出力するニューラルネットワークと、を有
する。

【００１０】請求項２の発明に係る装置は、前記画像デ
ータに対して、前記ブロック領域に対応する画像データ
を抽出するブロック領域抽出手段と、前記ブロック領域
抽出手段により抽出された画像データに基づいて、フー
リエ変換を行うことによって空間周波数スペクトルを求
めるフーリエ変換手段と、前記ブロック領域抽出手段に
より抽出された画像データに基づいて、その濃度共起行
列から得られる統計量を計算する統計量計算手段と、前
記フーリエ変換手段から出力される空間周波数スペクト
ル及び前記統計量計算手段から出力される統計量に基づ
いて、少なくとも前記ブロック領域の属性が文字領域、
写真領域、又は網点領域であるか否かについての判別結
果を出力するニューラルネットワークと、を有する。

【００１１】請求項３の発明に係る装置は、前記画像デ
ータに対して、前記ブロック領域に対応する画像データ
を抽出するブロック領域抽出手段と、前記ブロック領域
抽出手段により抽出された画像データに基づいて、その
濃度共起行列から得られる統計量を計算する統計量計算
手段と、前記統計量計算手段から出力される統計量に基
づいて、少なくとも前記ブロック領域の属性が文字領域
又は写真領域であるか否かについての判別結果を出力す
るニューラルネットワークと、を有する。

【００１２】

【作用】ブロック領域抽出手段は、原画像についての多
値の画像データに対して、ブロック領域に対応する画像
データを抽出する。フーリエ変換手段は、抽出された画
像データに基づいて、フーリエ変換を行うことによって
空間周波数スペクトルを求める。統計量計算手段は、抽
出された画像データに基づいて、その濃度共起行列から
得られる統計量を計算する。

【００１３】ニューラルネットワークは、空間周波数ス
ペクトル及び／又は統計量に基づいて、ブロック領域の
属性、例えば文字領域であるか否か、写真領域であるか
否か、網点領域であるか否かを判別する。

【００１４】

【実施例】図１は本発明に係る属性判別装置１の構成を
示すブロック図、図２は原稿ＰＰから抽出されるブロッ
ク領域ＢＡを説明する図、図３はニューラルネットワー
ク１４の構成を示す図である。

【００１５】属性判別装置１は、例えば図示しないデジ
タル式の複写機に組み込まれている。複写機のイメージ
リーダ部が原稿台にセットされた原稿ＰＰを読み取るこ
とによって、原稿ＰＰの画像（原画像）ＰＭについての
多値の画像データＤＭが得られる。イメージリーダ部
は、読み取り密度が例えば４００ｄｐｉのラインセンサ
を備えており、原稿ＰＰを縦方向（副走査方向）に走査
することによって、例えば２５６階調の画像データＤＭ
を得る。属性判別装置１は、得られた画像データＤＭに
基づいて、原画像ＰＭに含まれる小領域であるブロック
領域ＢＡについての属性ＡＴを判別する。

【００１６】属性判別装置１は、ブロック領域抽出部１
１、フーリエ変換部１２、統計量計算部１３、及びニュ
ーラルネットワーク１４などから構成されている。ブロ
ック領域抽出部１１は、入力された画像データＤＭに対
して、ブロック領域ＢＡに対応する画像データＤＭａを
抽出する。ブロック領域ＢＡは、例えば１６×１６画素
の正方形の領域であり、原画像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１１には、原画像ＰＭの画像デ
ータＤＭが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を抽出すること
ができる。

【００１７】フーリエ変換部１２は、ブロック領域抽出
部１１により抽出された１６×１６画素分の画像データ
ＤＭａに基づいて、高速フーリエ変換（ＦＦＴ）を行う
ことによって空間周波数スペクトルＳＳを求める。フー
リエ変換部１２においては、１６×１６画素分の画像デ
ータＤＭａに対して、１ライン毎に１６回の高速フーリ
エ変換を実行する。１回の高速フーリエ変換の実行によ
って８種類の周波数を示す空間周波数スペクトルデータ
が得られる。その中から０周波数の平均値のデータを除
外し、他の周波数について実数部の絶対値をとった７個
のデータを得る。１６回分の各データを各周波数毎に加
算し、結果として７個のデータを得る。これがフーリエ
変換部１２によって得られる空間周波数スペクトルＳＳ
である。空間周波数スペクトルＳＳは、その中の絶対値
の最大値を「１」として正規化され、ニューラルネット
ワーク１４に対し７次元のベクトルデータとして出力さ
れる。

【００１８】統計量計算部１３は、ブロック領域抽出部
１１により抽出された１６×１６画素分の画像データＤ
Ｍａに基づいて、その濃度共起行列を計算し、得られた
濃度共起行列に基づいて、分散σ、共分散ｃｏｖ、及び
相関係数ｒの３つの統計量を計算する。

【００１９】濃度共起行列は、ある点（ｘ，ｙ）の濃度
値と、その点から距離δ〔＝（ｄｘ，ｄｙ）〕だけ離れ
た点（ｘ＋ｄｘ，ｙ＋ｄｙ）の濃度値との関係を示すも
のである。点（ｘ，ｙ）の濃度値をｆ（ｘ，ｙ）とする
と、点（ｘ＋ｄｘ，ｙ＋ｄｙ）の濃度値はｆ（ｘ＋ｄ
ｘ，ｙ＋ｄｙ）と表せる。濃度共起行列は、ｆ（ｘ，
ｙ）＝ｉのときｆ（ｘ＋ｄｘ，ｙ＋ｄｙ）＝ｊである確
率Ｐδ（ｉ，ｊ）を表したものである。

【００２０】ここで、画像データＤＭａが２５６階調で
ある場合には、各画素の濃度値は「０」〜「２５５」の
範囲となり、２５６行２５６列の濃度共起行列ができ
る。例えば、ブロック領域ＢＡ内において、濃度値が
「３」の画素のうち、それらの各画素から距離δだけ離
れた画素の濃度値が「２」であるものが４個あったとす
ると、濃度共起行列の（３，２）の要素には「４」が入
ることになる。同様に、例えば濃度値が「２３０」の画
素のうち、距離δだけ離れた画素の濃度値が「２３２」
であるものが５個あったとすると、濃度共起行列の（２
３０，２３２）の要素には「５」が入ることになる。濃
度共起行列では、写真画像のように隣接する画素間での
濃度変化が少ない場合に、行列の対角線上の要素の値が
大きくなる。また、文字画像のエッジ部のように、高濃
度の部分と低濃度の部分を含んで濃度差が大きい場合に
は、行列の４隅の部分の要素の値が大きくなる。

【００２１】統計量計算部１３において、分散σ、共分
散ｃｏｖ、及び相関係数ｒは、次の式（１）〜（３）に
より計算される。

【００２２】

【数１】

【００２３】但し、Ｒは濃度値の上限値である。また、
μｘ、μｙは、次の式（４）及び式（５）で計算される
平均値のことであり、Ｎは次の式（６）で示される。

【００２４】

【数２】

【００２５】なお、本実施例においては、Ｎ＝１６×１
６であり、Ｒ＝２５５である。図４は文字画像、写真画
像、網点画像についてそれぞれ相関係数ｒを示す図であ
る。

【００２６】相関係数ｒは、濃度共起行列の対角線上に
のみデータがある場合に「１」となり、それから離れる
にしたがって「０」に近づく。上述したように、写真画
像では行列の対角線上にデータが集中するので、写真画
像の場合には相関係数ｒが「１」に近くなる。また、文
字画像では行列の４隅の部分にデータが集中するので、
文字画像の場合には相関係数ｒが「０」に近くなる。図
４はこのことを表している。

【００２７】本実施例では、距離δ＝（１，０）とし、
分散σについては４０００で割り、「１」を越えるもの
については「１」とすることで正規化した後、３つの統
計量σ，ｃｏｖ，ｒをニューラルネットワーク１４に出
力する。

【００２８】ニューラルネットワーク１４は、フーリエ
変換部１２から出力される空間周波数スペクトルＳＳ、
及び統計量計算部１３から出力される統計量σ，ｃｏ
ｖ，ｒに基づいて、ブロック領域ＢＡの属性ＡＴが文字
領域、写真領域、又は網点領域であるか否かについての
判別結果を出力する。

【００２９】図３に示すように、ニューラルネットワー
ク１４は、入力層Ｓ、中間層Ａ、出力層Ｒの３層からな
り、各層のニューロン数は、１０、５０、３である。中
間層Ａのニューロン数は５０以外でもよい。入力層Ｓに
は、上述したフーリエ変換部１２からの７個のデータ、
及び統計量計算部１３からの３個のデータが、いずれも
リニアに入力される。入力層Ｓは、入力されたデータを
そのまま中間層Ａにリニアに出力する。入力層Ｓと中間
層Ａ、中間層Ａと出力層Ｒは、それぞれ結合係数ｗによ
って結合されている。これらの結合係数ｗの値は学習に
よって変化する。中間層Ａ及び出力層Ｒの応答関数はシ
グモイド関数とされている。

【００３０】さて、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
対応する出力が得られる。つまり、ニューラルネットワ
ーク１４は、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ＡＴを判別し、文字領域である場
合にはニューロンｒ１の出力Ｓ１が「１」に近くなり、
写真領域である場合にはニューロンｒ２の出力Ｓ２が
「１」に近くなり、網点領域である場合にはニューロン
ｒ３の出力Ｓ３が「１」に近くなる。

【００３１】なお、ニューラルネットワーク１４は、周
知の技術であるバックプロパゲーション法によって学習
されている。学習においては、文字画像、写真画像、網
点画像の各サンプルを作成し、それらから得られた画像
データをサンプルデータとして属性判別装置１に入力す
る。そして、属性ＡＴについての教師データとの平均二
乗誤差ＭＳＥがある閾値以下になるまで学習を行う。

【００３２】ニューラルネットワーク１４からの出力Ｓ
１〜３に基づいて、当該ブロック領域ＢＡの属性ＡＴが
決定される。例えば、ある１つの出力が「１」である場
合にその出力に対応する領域であると決定する。又は、
ある閾値を越える出力があったときにその出力に対応す
る領域であると決定する。又は、最も大きい出力に対応
する領域をその領域と決定する。

【００３３】また、このようにして決定された各ブロッ
ク領域ＢＡの属性ＡＴに基づいて平滑化を行い、これに
よってブロック領域ＢＡ毎の判別結果を補正し、各領域
を大きくして誤判別の低減を行う。これによって、原画
像ＰＭは、文字領域、写真領域、網点領域の３つの領域
に分割される。

【００３４】文字領域に対しては、例えばエッジ強調処
理、２値化処理が行われ、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が
行われ、網点領域に対してはモアレ防止のために平滑化
処理が行われる。

【００３５】なお、写真画像とは、銀塩写真のように、
原画像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。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、原画像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。

【００３６】上述の実施例によると、フーリエ変換部１
２から出力される空間周波数スペクトルＳＳは、画素の
周期性を表す情報を含んでいるので、これをニューラル
ネットワーク１４に入力することによって、網点領域で
あるか否かについて正確な判別を行うことができる。ま
た、統計量計算部１３から出力される統計量σ，ｃｏ
ｖ，ｒには文字画像及び写真画像に特徴的な情報を含ん
でいるので、文字領域であるか否か、また写真領域であ
るか否かを正確に判別することができる。したがって、
属性判別装置１によって、原画像ＰＭに含まれるブロッ
ク領域ＢＡについての属性ＡＴを正確に判別することが
できる。

【００３７】上述の実施例によると、属性ＡＴの判別に
ニューラルネットワーク１４を用いているので、ニュー
ラルネットワーク１４の学習効果によって簡単に属性Ａ
Ｔの判別が行われ、より確実な属性ＡＴの判別が行われ
る。

【００３８】因みに、ニューラルネットワーク１４を用
いることなく、空間周波数スペクトル成分に応じた閾値
によって網点領域であるか否かを判別するとした場合に
は、目の粗い網点画像は低周波のスペクトル成分が多く
なり、目の細かい網点画像は高周波のスペクトル成分が
多くなるため、空間周波数スペクトル成分の多少に応じ
て単純に網点画像であるか否かを判別することができ
ず、閾値を決定するのに多くの経験とノウハウを必要と
し、しかも誤判別の多発を免れない。

【００３９】ニューラルネットワーク１４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ｗとの積和演算、及び応答関数を表したテーブルの
検索などによって判別のための処理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。

【００４０】したがって、属性判別装置１を用いた複写
機では、原稿ＰＰの領域分割を正確に行うことができ、
原稿ＰＰから得られた画像データＤＭに対し、その領域
に応じた適切な処理をリアルタイムで行なって明瞭な複
写画像を出力することができる。

【００４１】上述の実施例においては、１６×１６画素
の正方形の領域をブロック領域ＢＡとしたが、８×８画
素、４×４画素、３×３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、原画像ＰＭに対して各ブロッ
ク領域が重ならないように割り当てたが、ブロック領域
が重なるように順次ずらせて割り当ててもよい。

【００４２】すなわち、図５（Ａ）に示すように、原画
像ＰＭについて、属性を判別すべき１個の画素ＰＸａに
対して、その周辺の８×８画素分のブロック領域ＢＡａ
の画像データを画素ＰＸａに対応する画像データＤＭａ
として抽出するとともに、ブロック領域ＢＡａを、１画
素分ずつ順次ずらせていく。この場合には、画素ＰＸａ
が本発明のブロック領域に相当すると考えてよい。

【００４３】また、図５（Ｂ）に示すように、属性を判
別すべき４（＝２×２）個の画素ＰＸｂに対して、その
周辺の８×８画素分のブロック領域ＢＡｂの画像データ
を画素ＰＸｂに対応する画像データＤＭａとして抽出す
るとともに、ブロック領域ＢＡｂを、２画素分ずつずら
せる。この場合には、４個の画素ＰＸｂが本発明のブロ
ック領域に相当すると考えてよい。

【００４４】これらの例から理解できるように、本発明
においては、ブロック領域として任意の個数の画素の集
合とすることができる。しかも、ブロック領域抽出手段
により抽出する画像データは、必ずしもブロック領域に
含まれる画素のみ又は画素全部の画像データである必要
はなく、例えばブロック領域の周辺領域の画素の画像デ
ータを含んでいてもよい。その場合に、必ずしも互いに
隣接する画素の画像データである必要はなく、周辺領域
から順序を崩さずに離散的に抽出した適当個数の画素の
みについての画像データ、又は周辺領域の画素につい
て、順序を崩さずに抽出した、小ブロック毎の平均値、
最大値、最小値などを画像データの代表として用いても
よい。

【００４５】上述の実施例においては、濃度共起行列か
ら得られる統計量として、分散σ、共分散ｃｏｖ、相関
係数ｒを用いたが、例えば、角度２次モーメント、コン
トラスト、エントロピーなどを用いることもできる。文
字領域、写真領域、網点領域の３種類の属性判別を行っ
たが、２種類以下又は４種類以上の属性判別を行うよう
に構成してもよい。

【００４６】上述の実施例において、ブロック領域抽出
部１１、フーリエ変換部１２、及び統計量計算部１３
は、プログラム及びデータが格納されたメモリとプログ
ラムを実行するＣＰＵによってソフト的に実現されてい
る。また、ニューラルネットワーク１４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、ニューラルネットワーク１４
は、学習済の結合係数ｗ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。

【００４７】上述の実施例において、ニューラルネット
ワーク１４の層数、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、属性判別装置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。

【００４８】

【発明の効果】本発明によると、原画像に含まれるブロ
ック領域についての属性を正確に判別することができ
る。

【００４９】特に、フーリエ変換手段から出力される空
間周波数スペクトルは画素の周期性を表す情報を含んで
いるので、これをニューラルネットワークに入力するこ
とによって、網点領域であるか否かについて正確な判別
を行うことができる。また、統計量計算手段から出力さ
れる統計量には文字画像及び写真画像に特徴的な情報を
含んでいるので、文字領域であるか否か写真領域である
か否かを正確に判別することができる。

【００５０】また、ニューラルネットワークを学習させ
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
検索などによって判別のための処理を行うことができる
ので、演算の処理速度の向上を図ることができる。

【００５１】したがって、本発明によって、例えば原稿
の領域分割を正確に行えるようにすることができる。

【図面の簡単な説明】

【図１】本発明に係る属性判別装置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】ニューラルネットワークの構成を示す図であ
る。

【図４】各画像についてそれぞれ相関係数を示す図であ
る。

【図５】ブロック領域の割り当て方法の他の例を説明す
るための図である。

【符号の説明】

１属性判別装置（画像領域属性判別装置）１１ブロック領域抽出部（ブロック領域抽出手段）１２フーリエ変換部（フーリエ変換手段）１３統計量計算部（統計量計算手段）１４ニューラルネットワークＢＡブロック領域ＤＭ，ＤＭａ画像データＰＭ原画像

───────────────────────────────────────────────────── フロントページの続き (72)発明者新阜真大阪府大阪市中央区安土町二丁目３番13号大阪国際ビルミノルタ株式会社内 (72)発明者伊藤哲也大阪府大阪市中央区安土町二丁目３番13号大阪国際ビルミノルタ株式会社内

Claims

【特許請求の範囲】

【請求項１】原画像についての多値の画像データに基づ
いて、前記原画像に含まれる小領域であるブロック領域
についての属性を判別するための装置であって、前記画像データに対して、前記ブロック領域に対応する
画像データを抽出するブロック領域抽出手段と、前記ブロック領域抽出手段により抽出された画像データ
に基づいて、フーリエ変換を行うことによって空間周波
数スペクトルを求めるフーリエ変換手段と、前記フーリエ変換手段から出力される空間周波数スペク
トルに基づいて、少なくとも前記ブロック領域の属性が
網点領域であるか否かについての判別結果を出力するニ
ューラルネットワークと、を有することを特徴とする画像領域属性判別装置。
【請求項２】原画像についての多値の画像データに基づ
いて、前記原画像に含まれる小領域であるブロック領域
についての属性を判別するための装置であって、前記画像データに対して、前記ブロック領域に対応する
画像データを抽出するブロック領域抽出手段と、前記ブロック領域抽出手段により抽出された画像データ
に基づいて、フーリエ変換を行うことによって空間周波
数スペクトルを求めるフーリエ変換手段と、前記ブロック領域抽出手段により抽出された画像データ
に基づいて、その濃度共起行列から得られる統計量を計
算する統計量計算手段と、前記フーリエ変換手段から出力される空間周波数スペク
トル及び前記統計量計算手段から出力される統計量に基
づいて、少なくとも前記ブロック領域の属性が文字領
域、写真領域、又は網点領域であるか否かについての判
別結果を出力するニューラルネットワークと、を有することを特徴とする画像領域属性判別装置。
【請求項３】原画像についての多値の画像データに基づ
いて、前記原画像に含まれる小領域であるブロック領域
についての属性を判別するための装置であって、前記画像データに対して、前記ブロック領域に対応する
画像データを抽出するブロック領域抽出手段と、前記ブロック領域抽出手段により抽出された画像データ
に基づいて、その濃度共起行列から得られる統計量を計
算する統計量計算手段と、前記統計量計算手段から出力される統計量に基づいて、
少なくとも前記ブロック領域の属性が文字領域又は写真
領域であるか否かについての判別結果を出力するニュー
ラルネットワークと、を有することを特徴とする画像領域属性判別装置。