JPH1131214A - 画像処理装置 - Google Patents

Abstract

(57)【要約】 【課題】 電磁波又は超音波などの情報キャリアを物体
に照射或いは透入し、この情報キャリアの変化を計測し
て画像情報を得る画像処理装置において、特に動画像を
対象とする場合に処理結果に動きによるボケや残像が生
ずることを防止し、雑音を低減する。 【解決手段】 超音波断層像などに代表される動画像を
処理対象とした場合に、時間変化成分算出部７により原
画像供給部１から入力した少なくとも注目画素を含む所
定領域の時系列データからその画像データの時間変化成
分を算出し、その算出結果を上記原画像供給部１からの
注目画素を含む所定領域の時系列データと共に画像変換
処理部２へ出力し、ニューラルネットワークで構成され
た画像変換処理部２の学習動作において対象部位の動き
を学習するようにしたものである。これにより、上記画
像変換処理部２における処理結果に動きによるボケを生
じたり、残像が生じたりすることを防止し、雑音を低減
することができる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、光或いはＸ線など
を含めた電磁波又は超音波などの情報キャリアを物体に
照射或いは透入し、この情報キャリアの変化を計測して
画像情報を得る各種の医用画像診断装置又は放送用映像
処理装置又は産業用画像処理装置又は民生用画像撮影表
示装置などの画像処理装置に関し、特に、動画像を対象
とする場合に処理結果に動きによるボケや残像が生じる
ことを防止し、雑音を低減することができる画像処理装
置に関する。

【０００２】

【従来の技術】従来のこの種の画像処理装置は、図１１
に示すように、処理対象の画像データを出力する原画像
供給部１と、人工的神経素子を入力層及び中間層並びに
出力層の層構造をなすように結合してネットワークを構
成し上記原画像供給部１から少なくとも注目画素を含む
所定領域の時系列データを入力して画像変換処理を行う
と共に上記注目画素に対応するデータを出力するニュー
ラルネットワークで構成された画像変換処理部２と、こ
の画像変換処理部２で画像変換処理され出力された画像
情報を入力して表示する表示部３とを有して成ってい
た。そして、上記原画像供給部１から例えばＸ線像の時
系列データを出力し、画像変換処理部２により上記原画
像供給部１から出力されたＸ線像の時系列データを入力
してそのＸ線像のボケを回復する画像変換処理を行い、
表示部３により上記画像変換処理部２から出力されたＸ
線像を入力してボケ回復のなされたＸ線像を表示するよ
うになっていた。

【０００３】ここで、図１１に示す画像変換処理部２に
おける入力画像データは、例えば図１２に示すように、
少なくとも処理対象画素４を含む所定領域の対象画像５
が複数枚時系列（Ｔ−４，Ｔ−３，Ｔ−２，Ｔ−１，
Ｔ）に並んだ時系列データ６によって構成されていた。
そして、上記時系列データ６の各対象画像５が時の経過
に従って順次画像変換処理部２に入力されていた。

【０００４】

【発明が解決しようとする課題】しかし、このような従
来の画像処理装置においては、画像変換処理部２におけ
る入力画像データは上記時系列データ６の各対象画像５
が時の経過に従って順次入力されるだけであったので、
超音波断層像などに代表される動画像を処理対象とした
場合は、上記入力される時系列データ６からは提供され
る対象部位の動きに関する情報が少なく、ニューラルネ
ットワークで構成された画像変換処理部２の学習動作に
おいて対象部位の動きを十分に学習することができなか
った。したがって、上記画像変換処理部２における処理
結果に動きボケを生じたり、残像が生じたりすることが
あった。このことから、雑音を十分に低減することがで
きず、得られる画像の画質が劣化することがあった。

【０００５】そこで、本発明は、このような問題点に対
処し、動画像を対象とする場合に処理結果に動きによる
ボケや残像が生じることを防止し、雑音を低減すること
ができる画像処理装置を提供することを目的とする。

【０００６】

【課題を解決するための手段】上記目的を達成するため
に、本発明による画像処理装置は、処理対象の画像デー
タを出力する原画像供給部と、この原画像供給部からの
画像データを入力してその画像データの時間変化成分を
算出する時間変化成分算出部と、上記原画像供給部から
の画像データ及び時間変化成分算出部で算出された時間
変化成分を入力して画像変換処理を行う画像変換処理部
と、この画像変換処理部で画像変換処理され出力された
画像情報を入力して表示する表示部とを有して成るもの
である。

【０００７】また、上記時間変化成分算出部は、原画像
供給部から入力した少なくとも注目画素を含む所定領域
の時系列データからその画像データの時間変化成分を算
出し、その算出結果を上記原画像供給部からの注目画素
を含む所定領域の時系列データと共に画像変換処理部へ
出力するものである。

【０００８】さらに、上記画像変換処理部は、人工的神
経素子を入力層及び中間層並びに出力層の層構造をなす
ように結合してネットワークを構成し、上記原画像供給
部から少なくとも注目画素を含む所定領域の時系列デー
タを入力すると共に時間変化成分算出部からの算出結果
を入力して画像変換処理を行い、上記注目画素に対応す
るデータを出力するニューラルネットワークで構成した
ものである。

【０００９】さらにまた、上記ニューラルネットワーク
から成る画像変換処理部には、該ニューラルネットワー
クに学習動作をさせるための教師信号を入力する教師画
像供給部を接続してもよい。

【００１０】

【発明の実施の形態】以下、本発明の実施の形態を添付
図面に基づいて詳細に説明する。図１は本発明による画
像処理装置の実施の形態を示すブロック図である。この
画像処理装置は、光或いはＸ線などを含めた電磁波又は
超音波などの情報キャリアを物体に照射或いは透入し、
この情報キャリアの変化を計測して画像情報を得るもの
で、例えば各種の医用画像診断装置又は放送用映像処理
装置又は産業用画像処理装置又は民生用画像撮影表示装
置などであり、図１に示すように、原画像供給部１と、
時間変化成分算出部７と、画像変換処理部２と、表示部
３とを有して成る。

【００１１】上記原画像供給部１は、処理対象の画像デ
ータを出力するもので、例えばＸ線撮影装置又は超音波
断層装置又はＸ線ＣＴ装置又は核医学イメージング装置
或いは磁気共鳴イメージング装置などの医用画像診断装
置、放送用映像処理装置、産業用画像処理装置、民生用
画像撮影表示装置等において物体を計測又は撮影する計
測部、或いは物体について計測した画像データを記憶し
ておき必要に応じて読み出す記憶部などである。時間変
化成分算出部７は、本発明で付加されたもので、上記原
画像供給部１からの画像データを入力してその画像デー
タの時間変化成分を算出するものである。また、画像変
換処理部２は、上記原画像供給部１からの画像データ及
び時間変化成分算出部７で算出された時間変化成分を入
力して画像変換処理を行うもので、例えばフィルタ手段
から成る。さらに、表示部３は、上記画像変換処理部２
で画像変換処理され出力された画像情報を入力して表示
するもので、例えばテレビモニタから成る。

【００１２】ここで、本発明においては、上記時間変化
成分算出部７は、原画像供給部１から入力した少なくと
も注目画素を含む所定領域の時系列データからその画像
データの時間変化成分を算出し、その算出結果を上記原
画像供給部１からの注目画素を含む所定領域の時系列デ
ータと共に画像変換処理部２へ出力するものとされてい
る。この時間変化成分算出部７では、図２に示すよう
に、前述の図１２に示すと同様に処理対象画素４を含む
所定領域の対象画像５が複数枚時系列（Ｔ−４，Ｔ−
３，Ｔ−２，Ｔ−１，Ｔ）に並んだ時系列データ６によ
って構成された画像データを入力し、その画像データの
時間変化成分を算出する。すなわち、図２において時刻
Ｔにおける対象画像５内に存在する処理対象画素４と、
それより過去（Ｔ−１，Ｔ−２，Ｔ−３，Ｔ−４）のフ
レームの画像にて上記処理対象画素４と同一位置に存在
する画素４ａ，４ｂ，４ｃ，４ｄとの間で、それぞれ濃
度値の差分を算出することにより時系列データ６の時間
変化成分８ａ，８ｂ，８ｃ，８ｄを得るように動作す
る。

【００１３】また、本発明では、画像変換処理部２は、
人工的神経素子を入力層及び中間層並びに出力層の層構
造をなすように結合してネットワークを構成し、上記原
画像供給部１から少なくとも注目画素を含む所定領域の
時系列データを入力すると共に時間変化成分算出部７か
らの算出結果を入力して画像変換処理を行い、上記注目
画素に対応するデータを出力するニューラルネットワー
クで構成されている。

【００１４】すなわち、上記画像変換処理部２は、図３
に示すようなニューラルネットワーク９で構成されてい
る。このニューラルネットワーク９は、上記原画像供給
部１から少なくとも注目画素を含む所定領域の時系列デ
ータを入力すると共に時間変化成分算出部７からの算出
結果を入力して画像変換処理を行い、上記注目画素に対
応するデータを出力するもので、人工的神経素子１０を
入力層及び中間層ならびに出力層の層構造をなすように
結合してネットワークを構成すると共に、最終段の出力
層の入出力関数としてリニア関数を用いて構成されてい
る。

【００１５】図４は上記ニューラルネットワーク９を構
成する人工的神経素子１０を示す説明図である。図に示
すように、人工的神経素子（以下「ニューロンモデル」
という）１０は生物の神経素子（ニューロン）の働きを
模した多入力一出力の素子で、入力Ｉi（Ｉ₁〜Ｉn）と
結合係数Ｗji（Ｗj₁〜Ｗjn）の積和により出力Ｏjが決
定される。すなわち、入出力関数ｆ(ｘ）を用いて次式
のように決定される。 ただし、θjはしきい値に相当する入出力関数のオフセ
ットであり、ｎは入力の数である。

【００１６】前述の図３は層構造をなすように結合して
ネットワークに構成されたニューラルネットワーク９の
階層構造を示す説明図である。このニューラルネットワ
ーク９は図のように、上記ニューロンモデル１０を多数
用い、入力層および中間層ならびに出力層の層構造をな
すように結合してネットワークを構成することにより、
信号処理及び情報処理の機能を実現するように構成され
ている。なお、図３において、符号１１は入力層と中間
層とを結ぶ枝を示し、入力層の各ニューロンモデル１０
は中間層の全てのニューロンモデル１０とそれぞれ結合
されている。また、符号１２は中間層と出力層とを結ぶ
枝を示し、中間層の各ニューロンモデル１０は出力層の
全てのニューロンモデル１０とそれぞれ結合されてい
る。そして、このニューラルネットワーク９は、入力層
に供給される入力情報１３を変換して出力層から出力情
報１４として出力するようになっている。

【００１７】このように構成することにより、上記ニュ
ーラルネットワーク９は、学習機能や自己組織機能を有
する情報処理機構となっている。そして、このニューラ
ルネットワーク９は、教師信号１５を与えて学習を行う
ことにより、入力層に供給される入力情報１３に対して
所望の出力情報１４を出力層から出力するように自己組
織化して行く。ここで、上記入力層においては、入出力
関数として次式に示すような恒等関数が用いられてい
る。 ｆi(ｘ)＝ｘ これにより、入力がそのまま出力される。なお、この恒
等関数の代わりに他の関数を用いて入力情報１３に変調
をかけてもよい。

【００１８】また、図５は上記ニューラルネットワーク
９の中間層の入出力関数として用いられるシグモイド関
数を示すグラフである。上記中間層においては、入出力
関数として図に示すように出力ｆsが“０”から“１”
の範囲内で単調増加のシグモイド関数が用いられてい
る。このシグモイド関数は次式のように表現される。 ただし、Ｕ₀は傾きを制御するパラメータである。そし
て、これを微分すると、 となり、もとのシグモイド関数で表現できるという特徴
を持っている。このように、中間層にシグモイド関数な
どの非線形関数を用いることにより、上記ニューラルネ
ットワーク９は、複雑な非線形変換処理をも扱うことが
できる。

【００１９】さらに、図６は上記ニューラルネットワー
ク９の出力層の入出力関数として用いられるリニア関数
を示すグラフである。上記出力層においては、入出力関
数として上述のシグモイド関数の代わりに、図に示すよ
うに出力が入力に対して直線的に増減するリニア関数が
用いられている。いま、直線の傾きをａとすると、例え
ば次式のように表される。 これを微分すると、 となる。これにより、出力層からの出力はアナログ的な
値となり、画像情報などのアナログ的な値を扱うことが
できるようになる。

【００２０】上記ニューラルネットワーク９では入力情
報１３に対して所望の出力情報１４が得られるように学
習が行われる。すなわち、教師となる教師信号１５と出
力情報１４の誤差が小さくなるように入力層と中間層を
結合している枝１１及び中間層と出力層を結合している
枝１２の結合係数を変化させてゆき、学習後所望の出力
が得られるように自己組織化していく。アナログ出力用
のニューラルネットワーク９の学習アルゴリズムを図７
に示す。図７の記号の意味は次のとおりである。 Ｉ ；入力情報 Ｏk ；第ｋ層のニューロンモデルの出力 Ｗk ；第ｋ層と第(ｋ＋１)層間の結合係数 θk ；第ｋ層のニューロンモデルのオフセット Ｔ ；教師信号 ηw ；Ｗに対する学習定数 ηθ；θに対する学習定数 δk ；第(ｋ−１)層を修正するための誤差量 ｆi ；恒等関数 ｆs ；シグモイド関数 ｆl ；リニア関数 なお、入力情報Ｉ、第ｋ層のニューロンモデルの出力Ｏ
k、第ｋ層のニューロンモデルのオフセットθk、教師信
号Ｔ、第(ｋ−１)層を修正するための誤差量δkは１次
元ベクトルで表されており、第ｋ層と第(ｋ＋１)層間の
結合係数Ｗkは２次元ベクトルで表されている。また、
例に示したニューラルネットワークは３層のものである
ため第１層目が入力層であり、第２層目が中間層であ
り、第３層目が出力層である。

【００２１】この学習アルゴリズムについて以下説明す
る。教師信号Ｔと出力層の出力Ｏ₃との平均二乗誤差Ｅ
は、 である。これが減少するように第ｋ層と第(ｋ＋１)層間
の結合係数Ｗkを次の修正量 によって修正する。

【００２２】ここで、 とおくと、中間層と出力層との間の修正量を決めるδ₃
は、 である。よって、修正量は、 となる。

【００２３】これにより、前述のように出力層からの出
力は、アナログ的な値となる。また、入力層と出力層間
の修正量を決めるδ₂は、 となり、修正量は、 となる。オフセットについても同様に求めることによ
り、図７に示すアルゴリズムとなる。

【００２４】そして、操作者が与える教師信号１５に基
づき、このようなアルゴリズムで上記ニューラルネット
ワーク９の学習が行われる。なお、ここでは、３層のニ
ューラルネットワーク９について例を示したが、中間層
の数を増やすことによって３層以上のニューラルネット
ワーク９が構成可能であり、その場合の学習アルゴリズ
ムは誤差量δを逆伝播させ、漸近的に修正量を求めれば
よく、より複雑な変換を含む画像情報への対応が可能と
なる。そして、上記ニューラルネットワーク９で変換さ
れた画像データは、図示省略したが適当な濃度スケール
に変換され、図１に示す表示部３に入力され表示され
る。

【００２５】図８はシグモイド関数の準線形領域１６を
示している。これは、図３に示すニューラルネットワー
ク９が、層構造をなすように結合されたネットワークの
最終段の出力層の入出力関数としてリニア関数以外の関
数、例えば図８に示すシグモイド関数を用いると共に、
その準線形領域１６を出力画像情報の範囲と限定して用
いる場合を示している。この場合も、前述と同様に画像
情報をアナログ値で出力可能とすることができる。

【００２６】図９は本発明の他の実施形態を示すブロッ
ク図である。この実施形態は、図１に示す画像変換処理
部２としてのニューラルネットワーク９に対し、該ニュ
ーラルネットワーク９に学習動作をさせるための教師信
号１５（図３参照）を入力する教師画像供給部１７を接
続したものである。図１に示す実施例では、工場出荷時
或いは使用施設等への設置時に、平均的又は標準的もし
くは特定の教師信号１５を与えて予め所要の学習を行わ
せるものとしているが、それでは実際の使用現場におけ
る個々のユーザー等の使用状況に合致しないこともある
ので、これを改善しようとするものである。すなわち、
図９において、教師画像供給部１７は、物体を計測又は
撮影する計測装置或いは物体について計測した画像デー
タを記憶しておき必要に応じて読み出す記憶装置であ
り、この教師画像供給部１７をニューラルネットワーク
９の出力層（図３参照）から出力情報１４が出力される
出力端に接続し、この教師画像供給部１７を用いて個々
のユーザー等が、原画像供給部１から出力される画像デ
ータに対して理想とされる教師画像を教師信号１５とし
て随時に供給し、上記ニューラルネットワーク９に学習
を行わせる。

【００２７】次に、上記教師信号１５として教師画像供
給部１７から教師画像を供給してニューラルネットワー
ク９が学習する動作について説明する。本発明により、
装置システムの持つ固有の雑音やくせを除去する場合に
は、原画像供給部１から対象の装置システムにより得ら
れた雑音やくせを含む画像データが画像変換処理部２と
してのニューラルネットワーク９に供給されると共に、
教師画像供給部１７から理想的な装置システムにより得
られた雑音やくせを含まない画像データが上記ニューラ
ルネットワーク９へ供給され、前述の図７に示すアルゴ
リズムで学習が行われる。この学習後のニューラルネッ
トワーク９には、雑音やくせを含む対象の装置システム
から雑音やくせを含まない理想的な装置システムへの変
換モデルが自動的に構築されており、入力した原画像に
ついて雑音やくせを除去することができる。

【００２８】一例として、超音波診断装置を対象のシス
テムとした場合において、原画像供給部１からの画像デ
ータと時間変化成分算出部７で算出された時間変化成分
とを画像変換処理部２に入力し、超音波断層像の画質改
善を処理目的として対象画像の処理を行う過程について
図１０を参照して説明する。まず、図９に示す時間変化
成分算出部７により、原画像供給部１から供給された超
音波断層像の時系列データ６の時刻Ｔにおける処理対象
画素４の濃度値と、１フレーム過去の時刻Ｔ−１におい
て同一位置にある画素４ａの濃度値との差分をとり、時
間変化成分８ａを算出する。このとき、順次過去の時刻
Ｔ−２，Ｔ−３，Ｔ−４において同一位置にある画素を
それぞれ４ｂ，４ｃ，４ｄとする。

【００２９】そして、図１０において、時刻Ｔから時刻
Ｔ−４までのどのフレームにおいても各対象画素４，４
ａ，４ｂ，４ｃ，４ｄに対してカーネル（局所領域）１
８が空間的対称性を保つようにされると共に、過去のフ
レームに遡るほど上記カーネル１８が小さくなるように
され、これらにより入力画素１９が決定される。図１０
の例では、時刻Ｔにおいて処理対象画素４が存在するフ
レームから順次過去のフレームに向かって、それぞれ９
×５＝４５画素、７×３＝２１画素、５×１＝５画素、
３×１＝３画素、１×１＝１画素の合計７５画素の入力
画素１９が選択されている。これら入力画素１９と上記
時間変化成分算出部７で算出された時間変化成分８ａと
の合計７６画素の濃度値を入力画素濃度値規格化部２０
において、例えば−１〜１の値にそれぞれ規格化する。

【００３０】その後、上記入力画素濃度値規格化部２０
で規格化された値を画像変換処理部２としてのニューラ
ルネットワーク９（図３参照）の入力層の入力情報１３
として与え、その情報が順次中間層から出力層へと伝播
し、出力層の出力情報１４を得る。この出力情報１４を
出力画素濃度値規格化部２１において上記入力画素濃度
値規格化部２０で行った規格化と逆の方法で画素の濃度
値に逆規格化を行い、出力画素濃度値２２を得る。この
出力画素濃度値２２が上記処理対象画素４の画像変換処
理結果となる。そして、上記の処理を対象画像５の全体
に施すことによって出力画像２３を得る。

【００３１】次に、上記ニューラルネットワーク９が処
理対象画素４に対して所望の出力情報１４を得られるよ
うにするための学習動作について説明する。まず、図１
０において、教師画像２４を作成する。このとき、超音
波断層像の画質改善を目的とする場合には、教師画像２
４として高画質の超音波断層像を用いる。高画質の超音
波断層像は、時系列の超音波断層像原画像から複数枚の
画像を選択し、それらの加算平均を行うことにより作成
する。また、動く部分が存在する超音波断層像の場合に
は、動いている部分に加算によるボケが生ずることを防
ぐために、動きに対して同期のとれた画像を時系列画像
より選択し、加算平均画像を作成する。これらの高画質
画像を得る方法は一例であり、他のフィルタ処理などを
用いたり、操作者の好みの画像になるように画像内の領
域毎に異なる複数のフィルタ処理、例えば高域強調フィ
ルタなどを施して作成してもよい。

【００３２】上記のような教師画像２４を用いて行う学
習動作は次のように実行される。まず、作成した教師画
像２４の注目領域２５内における対象画素２６を上記出
力画素濃度値規格化部２１において−１〜１に規格化し
た値２７と、上記ニューラルネットワーク９からの出力
情報１４との誤差を算出し、その誤差が小さくなるよう
に該ニューラルネットワーク９の結合係数を変化させ
る。この動作を上記注目領域２５内において繰り返し、
その繰り返しが指定回数に達するか、或いはその誤差が
許容誤差以下になるまで学習を行う。この学習によっ
て、原画像を入力すると操作者が望む処理画像が出力さ
れるよう自動的にニューラルネットワーク９が構築さ
れ、所望の画像フィルタ入出力特性を該ニューラルネッ
トワーク９が獲得することとなる。

【００３３】

【発明の効果】本発明は以上のように構成されたので、
超音波断層像などに代表される動画像を処理対象とした
場合に、時間変化成分算出部により原画像供給部から入
力した少なくとも注目画素を含む所定領域の時系列デー
タからその画像データの時間変化成分を算出し、その算
出結果を上記原画像供給部からの注目画素を含む所定領
域の時系列データと共に画像変換処理部へ出力し、ニュ
ーラルネットワークで構成された画像変換処理部の学習
動作において対象部位の動きを学習することがでる。し
たがって、上記画像変換処理部における処理結果に動き
によるボケを生じたり、残像が生じたりすることを防止
することができる。このことから、動画像を対象とする
場合に処理結果に動きによるボケや残像が生ずることを
防止し、雑音を低減することができ、得られる画像の画
質を向上することができる。

【図面の簡単な説明】

【図１】本発明による画像処理装置の実施の形態を示す
ブロック図である。

【図２】本発明に係る時間変化成分算出部による画像デ
ータの時間変化成分の算出状態を示す説明図である。

【図３】層構造をなすように結合してネットワークに構
成されたニューラルネットワークの階層構造を示す説明
図である。

【図４】ニューラルネットワークを構成する人工的神経
素子を示す説明図である。

【図５】上記ニューラルネットワークの中間層の入出力
関数として用いられるシグモイド関数を示すグラフであ
る。

【図６】上記ニューラルネットワークの出力層の入出力
関数として用いられるリニア関数を示すグラフである。

【図７】アナログ出力用のニューラルネットワークの学
習アルゴリズムを示す説明図である。

【図８】シグモイド関数の準線形領域を示すグラフであ
る。

【図９】本発明の他の実施形態を示すブロック図であ
る。

【図１０】原画像供給部からの画像データと時間変化成
分算出部で算出された時間変化成分とを画像変換処理部
に入力し、例えば超音波断層像の画質改善を処理目的と
して対象画像の処理を行う過程について示す説明図であ
る。

【図１１】従来のこの種の画像処理装置を示すブロック
図である。

【図１２】上記従来の画像処理装置における入力情報を
示す説明図である。

【符号の説明】

１…原画像供給部 ２…画像変換処理部 ３…表示部 ４…処理対象画素 ５…対象画像 ６…時系列データ ７…時間変化成分算出部 ８ａ〜８ｄ…時間変化成分 ９…ニューラルネットワーク １０…人工的神経素子 １１，１２…枝 １３…入力情報 １４…出力情報 １５…教師信号 １６…シグモイド関数の準線形領域 １７…教師画像供給部

フロントページの続き (51)Int.Cl.⁶ 識別記号 ＦＩ // Ａ６１Ｂ 5/055 Ａ６１Ｂ 5/05 ３８０

Claims (4)

【特許請求の範囲】
1. 【請求項１】 処理対象の画像データを出力する原画像
   供給部と、この原画像供給部からの画像データを入力し
   てその画像データの時間変化成分を算出する時間変化成
   分算出部と、上記原画像供給部からの画像データ及び時
   間変化成分算出部で算出された時間変化成分を入力して
   画像変換処理を行う画像変換処理部と、この画像変換処
   理部で画像変換処理され出力された画像情報を入力して
   表示する表示部とを有して成ることを特徴とする画像処
   理装置。
2. 【請求項２】 上記時間変化成分算出部は、原画像供給
   部から入力した少なくとも注目画素を含む所定領域の時
   系列データからその画像データの時間変化成分を算出
   し、その算出結果を上記原画像供給部からの注目画素を
   含む所定領域の時系列データと共に画像変換処理部へ出
   力するものであることを特徴とする請求項１記載の画像
   処理装置。
3. 【請求項３】 上記画像変換処理部は、人工的神経素子
   を入力層及び中間層並びに出力層の層構造をなすように
   結合してネットワークを構成し、上記原画像供給部から
   少なくとも注目画素を含む所定領域の時系列データを入
   力すると共に時間変化成分算出部からの算出結果を入力
   して画像変換処理を行い、上記注目画素に対応するデー
   タを出力するニューラルネットワークで構成したことを
   特徴とする請求項１又は２記載の画像処理装置。
4. 【請求項４】 上記ニューラルネットワークから成る画
   像変換処理部には、該ニューラルネットワークに学習動
   作をさせるための教師信号を入力する教師画像供給部を
   接続したことを特徴とする請求項１〜３のいずれか１項
   に記載の画像処理装置。