CN101194290B - 信息处理装置和信息处理方法、图像处理装置和图像处理方法 - Google Patents
信息处理装置和信息处理方法、图像处理装置和图像处理方法 Download PDFInfo
- Publication number
- CN101194290B CN101194290B CN2006800204746A CN200680020474A CN101194290B CN 101194290 B CN101194290 B CN 101194290B CN 2006800204746 A CN2006800204746 A CN 2006800204746A CN 200680020474 A CN200680020474 A CN 200680020474A CN 101194290 B CN101194290 B CN 101194290B
- Authority
- CN
- China
- Prior art keywords
- node
- image
- region
- edge
- merging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
- G06T17/205—Re-meshing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
高速且高精度地进行适合交互式应用程序的渐进的网格分割处理。图像处理装置10具备:图像信息输入部1,其以相邻图形的形式输入成为处理对象的3维图像信息;相邻图形评价部2,其评价所输入的相邻图形的各边缘来进行分类;图像区域合并处理部3,其按照进行了分类的顺序取出夹着边缘的图像区域对,根据统计处理算法评价它们并进行合并处理;以及微小区域处理部4,其对作为进行图像区域合并处理的结果而残留的微小区域进行处理。
Description
技术领域
本发明涉及一种处理庞大的数据的信息处理装置,并涉及一种使由无法单个感知的很多节点构成的原始数据成长为被称作片断的可感知的少数单位的信息处理装置。
具体地说,本发明涉及一种用于生成并显示物理对象的2维图像的图像处理装置和图像处理方法、以及计算机程序,特别是涉及将对象作为微小多边形等多个节点的集合体即片断而处理、并进行对象的2维图像处理等的图像处理装置和图像处理方法、以及计算机程序。
更详细地说,本发明涉及一种进行图像区域的分割、分割区域的合并(merge)等处理、并进行将多边形网格调整为适当粗糙度(coarseness)的网格分割(mesh segmentation)处理的图像处理装置和图像处理方法、以及计算机程序,例如涉及通过利用2维或者3维的计算机图形的应用程序进行渐进的网格分割处理的图像处理装置和图像处理方法、以及计算机程序。
背景技术
在计算机中,除了文本形式的文档文件以外,还将声音、图像、自然语言等各种媒体进行数字化并进行数学上的处理,由此可以进行信息的编辑/加工、存储、管理、传递、共享这样的高速地跨越多领域的数据处理。例如,使用计算机对图像进行变形、改变色彩、提高像质、重新编码等数字图像处理的图像处理技术已被广泛普及。在这种图像处理技术中,还包括去除风景照片中破坏美观的电线杆等物体的特殊效果、从人的面部向动物的面部平滑地变化的变形等。另外,图像处理技术也应用于从人造卫星发送过来的照片影像的处理、由CT扫描仪读入的诊断图像的处理等科学、医疗等各种专业领域。
例如,生成并显示2维或者3维物理对象的图像的图像处理技术被称作“计算机图形学(CG)”而受到瞩目。这种图形系统通常由作为前端的几何子系统和作为后端的光栅子系统构成。其中,在几何子系统中,将对象作为很多微小的多边形(通常是三角形)的集合体即多边形网格进行处理,对定义多边形的各顶点进行坐标变换、限幅、光源计算之类的几何学计算。
在此,将原对象进行区域分割得到的网格的粗糙度对处理负荷、像质影响较大。当将原对象区域分割为更微小的图像区域时,设为处理对象的顶点个数也与它成比例地增大,因此处理量也增大。另外,当加大多边形的尺寸时,作为最终结果物的图像变粗糙。因此需要进行如下的网格分割处理,该网格分割处理进行图像区域的分割、分割区域的合并(merge)等处理、根据利用CG的应用程序将多边形网格调整为适当的粗糙度。
网格分割是用于使原始(raw)数据成长为被称作“片断(segment)”的可感知的少数单位的基本方法。网格分割从20世纪70年代的计算机图像处理的初期就开始了研究(例如参照非专利文献1),但目前仍然是活跃的领域。最初,网格分割对彩色图像、运动图像、距离图像(作为深度图像(depth image)或者距离图像(range image)而为人所知)、三维立体数据、三维网格等进行处理。通过在网格分割处理中制作粗糙度不同的多个多边形网格(片断),能够实现分层分割。另外,通过渐进即平滑地进行分层网格分割,利用图像的应用程序的范围变广。
例如,提出了进行利用了模糊图像聚类(clustering)和图像剪切方法的分层网格分解的网格分割处理的方案(例如,参照非专利文献2)。
网格分割基本上是根据相邻的图像区域间的相似度来处理的。例如,将输入影像的色彩信号变换为规定的色彩空间,进行根据输入影像的色彩像素在该色彩空间中所占的位置而将输入影像分割为多个区域的初始影像分割,根据被分割的区域间的水平相邻关系以及垂直包含关系将被分割的区域分为多个层(layer),在各层内对相邻的区域进行分组,提取在每个层上形成的区域组间的垂直包含关系而使区域结构化,根据各区域间的水平关系以及区域组间的垂直包含关系来决定各区域间的结合顺序,并根据所决定的结合顺序评价相邻区域间的结合是否成功,如果判断为所评价的区域是实质上具有相同的影像特性的区域,就能够进行区域的结合(例如,参照专利文献1)。
然而,在现有的网格分割处理中,主要进行区域成长(regiongrowing)、或者分层/反复/光学(hierarcical/iterative/spectral)的聚类。即,由于重复进行使用了矩阵的代数运算,因此处理速度慢。例如,处理400个左右的多边形需要1~57秒时间,因此难以渐进地生成粗糙度不同的多个网格分割。另外,系统没有可伸缩性,当多边形数量增加时,导致处理时间显著增大。因此,难以利用个人计算机(PC)那样的普通计算机进行处理,另外不能应用于要求实时性的交互式的应用程序中。另外,还存在丢失与原对象相关的原始信息的、必须调整很多参数值的问题。
专利文献1:日本特开2001-43380号公报
非专利文献1:A.Rosenfeld,“Picture processing bycomputer”(Academic Press,1969)
非专利文献2:Sagi Katz and Ayellet Tal,“Hierarchical meshdccomposition using fuzzy clustering and cots.”(In Proc.SIGGRAPH(2003).ACM Trans.onGraphics22,3(2003),382-391)
发明内容
发明要解决的问题
本发明的目的在于提供一种能够使由无法单个感知的很多微小的节点构成的原始数据成长为被称作片断的可感知的少数单位的、优良的信息处理装置和信息处理方法、以及计算机程序。
本发明的进一步的目的在于提供一种如下的优良的图像处理装置和图像处理方法、以及计算机程序:能够将物理对象作为很多微小节点的集合体(即片断)而进行处理,通过节点彼此的合并处理使片断成长,从而对对象的2维图像进行处理。
本发明的进一步的目的在于提供一种如下的优良的图像处理装置和图像处理方法、以及计算机程序:能够进行图像区域的分割、所分割的区域的合并(merge)等处理而使区域成长,最佳地进行将多边形网格调整为适当粗糙度的网格分割处理。
本发明的进一步目的在于提供一种如下的优良的图像处理装置和图像处理方法、以及计算机程序:能够根据利用2维或者3维计算机图形的应用程序,高速度且高精度地进行渐进的网格分割处理。
用于解决问题的方案
本发明是考虑上述问题而作出的,其第1侧面是一种信息处理装置,对由分别具有属性值的多个节点形成拓扑的数据进行处理,其特征在于,具备:
拓扑评价部,其根据在所述拓扑上相邻的节点彼此分别具有的属性值的差异来求出将节点间连接的边缘的权重因子,根据权重因子从小到大的顺序对边缘进行分类;以及
节点合并处理部,其按照该进行分类的顺序取出利用边缘进行连接的节点对,根据规定的统计处理算法来评价是否应该将该节点对中的节点彼此进行合并,如果应该,则进行节点区域的合并处理,
其中,所述节点合并处理部根据从相邻的节点分别具有的属性值的集中不均衡现象导出的判断式,判断是否应该将该相邻的节点彼此进行合并。
根据本发明的第1侧面,根据统计处理算法判断是否应该合并相邻的节点彼此,通过重复执行节点的合并,能够从由无法感知单个的很多节点构成的原始数据成长为被称作片断的可感知的少数单位。在这里所说的统计处理算法中,例如根据从各节点分别具有的属性信息中的集中不均衡(concentration in-equality)现象导出的判断式,来辨别相邻的节点彼此是否相似、换言之是否能够合并节点。
基于这种统计处理算法的节点合并处理,由对各节点具有的属性信息进行统计处理的简单的计算构成,因此能够高速化。例如,使用个人计算机等普通计算机每秒能够处理百万个多边形。另外,通过调整判断式中包含的参数值,自由地设定合并节点彼此的基准,能够成长到期望粗糙度的片断,系统具有可伸缩性。
因而,根据本发明的第1侧面,将构成原始数据的多个节点的拓扑设为输入值,按照统计处理算法递归地进行节点的合并处理(即进行网格成长(mesh growing)),从而能够生成任意粗糙度的片断。另外,通过变更基于统计处理算法的判断式的参数值,能够顺利地生成粗糙度不同的多个片断。
另外,本发明的第2侧面是将对象处理为由多个多边形构成的多边形网格来进行图像处理的图像处理装置,其特征在于,具备:相邻图形输入部,其输入记述多边形网格的相邻图形;相邻图形评价部,其比较利用边缘连接的各图像区域所具有的属性值的差异,根据比较结果对边缘赋予权重因子,根据权重因子从小到大的顺序对相邻图形中的边缘进行分类;以及图像区域合并处理部,其按照进行分类的顺序取出夹着边缘的图像区域对,根据统计处理算法评价是否应该将该图像区域对中的图像区域彼此进行合并,如果应该,则进行图像区域的合并处理,其中,所述图像区域合并处理部根据从构成图像区域的多边形面积中的集中不均衡现象导出的判断式,判断是否应该将利用相邻图形的边缘进行连接的图像区域彼此进行合并。
本发明的第2侧面涉及用于生成并显示2维或者3维物理对象的2维图像的图像处理装置。在计算机图形领域中,通常将成为处理对象的对象作为多个微小多边形(通常是三角形)的集合体即多边形网格进行处理,并进行图像处理。多边形网格的粗糙度对处理负荷、像质影响较大,因此需要进行如下的网格分割处理:进行图像区域的分割、分割后的区域的合并(merge)等的处理,根据利用3DCG的应用程序将多边形网格调整为适当的粗糙度。另外,通过渐进即平滑地进行网格分割,利用图像的应用程序范围变宽广。
但是,用现有的方法处理速度较慢,难以在普通计算机中实现渐进网格分割处理,并且无法应用于交互式应用程序。
与此相对,在本发明的第2侧面中,通过根据统计处理算法判断是否应该合并相邻的图像区域,从对3维对象进行分割得到的很多微小多边形重复执行图像区域的合并,生成由期望的粗糙度构成的多边形网格。在这里所说的统计处理算法中,根据例如从构成图像区域的多边形面积中的集中不均衡现象导出的判断式,判断相邻的图像区域彼此是否相似、换言之是否能够合并图像区域。
基于这种统计处理算法的图像区域的合并处理由对多边形的面积进行统计处理的简单计算构成,因此能够高速化。例如,使用个人计算机等普通计算机每秒能够处理百万个多边形。另外,能够通过调整判断式中包含的参数值,自由设定合并图像区域彼此的基准,生成期望的粗糙度的多边形网格,系统具有可伸缩性。
因而,根据本发明,将对设为处理对象的物理对象进行分割得到的很多微小的多边形集合设为输入值,按照统计处理算法进行由多边形网格构成的图像区域的合并处理(即进行网格成长(mesh growing)),从而能够生成任意粗糙度的多边形网格。另外,通过变更基于统计处理算法的判断式的参数值,能够顺利地生成粗糙度不同的多个多边形网格。即,能够应用于可实现渐进的网格分割的、各种交互式应用程序中。
作为与本发明有关的网格分割的应用程序,例如可举出参数化以及纹理映射、图像变形(morphing)、多分辨率建模、图像编辑、图像压缩、动画、以及形状匹配等。
在图像处理的领域中,通常将作为图像区域的多边形网格以记述了成为其结构要素的多个多边形间的关系的相邻图形(Incidence Graph)的形式进行表现。在与本发明有关的网格分割方法中,将构成多边形网格的各个多边形作为节点处理,将相邻的图形用于输入,该相邻图形使用与相邻的多边形彼此邻接的边所相当的边缘来连接对应的节点间而进行记述。
而且,在与本发明的第2侧面有关的网格分割方法中,首先评价输入的相邻图形的各边缘来进行分类。关于边缘的评价,具体地说比较利用边缘连接的各图像区域所具有的属性值,根据比较结果对边缘赋予权重因子。这里所说的图像区域包括作为最小单位的多边形和作为合并了多个多边形得到的多边形网格而构成的图像区域。
作为这里所说的属性值,例如使用图像区域所具有的面积(合并到图像区域的各多边形网格所具有的平均面积),可以提供利用边缘连接的图像区域间的面积的差异作为边缘的权重值。在这种情况下,图像区域间的面积的差越小,权重值越小,在后续的图像合并处理中处理顺序变高。或者,除了构成图像区域的多边形的面积之外,也可以使用图像区域的法线方向、色彩等像素属性信息(关于RGB之中至少一个成分的图像区域内的平均色)(其中,在具有纹理的多边形网格的情况下)来提供边缘的权重。
在与本发明的第2侧面有关的网格分割方法中,根据从构成图像区域的多边形的面积中的集中不均衡现象导出的判断式,判断是否应该合并利用边缘进行连接的图像区域彼此,具体地说,关于利用边缘进行连接的两个图像区域Rk以及Rl,当满足以下基于统计算法的判断式时,判断为应该合并图像区域Rk以及Rl。其中,在下式中,图像区域Rk具有面积Sk并且由nk个多边形构成,图像区域Rl具有面积Sl并且由nl个多边形构成,A为多边形的最大面积,Q为用于控制分割粗糙度的参数。
[式1]
上述基于统计处理算法的判断式包含用于控制分割粗糙度的参数Q,因此能够从外部提供可得到期望的分割粗糙度的参数Q的值。另外,也可以在从外部请求期望的分割的粗糙度、分割后的图像区域个数时,变换为相应的参数Q的值而提供给系统。通过进行这种灵活的参数Q的设定,能够实现渐进的网格分割,容易应用于各种交互式应用程序。
初始状态的节点是相邻图形中的最小单位的多边形,当进行图像合并处理时,节点成长为由多个多边形形成的多边形网格构成的图像区域。作为为了通过基于统计处理算法的判断式来判断节点即图像区域的合并是否成功而所需的信息,计算关于各节点的面积以及多边形的个数,并作为节点统计信息而保持。另外,当执行了图像区域的合并时,计算出进行合并而新生成的图像区域的面积以及多边形的个数,进行节点统计信息的更新处理。
这里,当进行图像区域的合并时,成长后的图像区域的面积庞大,并且多边形的个数也变成较大的值。在这种情况下,在判断是否与相邻的图像区域进行合并时成为如下结果:虽然靠近边界的多边形的信息更重要,但是会从图像区域的中央部受到多余的影响。即,在基于统计处理算法的上述判断式中无法进行正确的边界判断。
因此,当进行图像区域的合并时,也可以只保留与新生成的图像区域的“外壳(Crust)”相当的区域边界附近的多边形,判断以后的关于图像区域合并是否成功。在这种情况下,不是关于进行合并而新生成的整个图像区域,而是关于与“外壳”相当的区域算出面积以及多边形的个数,来进行节点统计信息的更新处理。
作为“外壳”,例如也可以仅保留进行合并而新生成的图像区域的整个外围的边界附近的多边形即“环形外壳(CircularCrust)”,来进行以后的图像区域合并处理。当保留该“环形外壳”时产生的节点统计信息的更新处理的计算量比较少、并且能够正确地判断关于以后的图像区域的合并是否成功。
或者,作为“外壳”,也可以仅保留想合并的各图像区域邻接的边界附近的多边形即“边界外壳(Border Crust)”,进行以后的图像区域合并处理。通过使用该边界外壳,与使用环形外壳的情况相比,能够更正确地判断以后的关于图像区域的合并是否成功。但是,在使用边界外壳的情况下,不仅是节点统计信息,还必须更新相邻图形,因此其计算量变得庞大。
另外,本发明的第3侧面是一种以计算机可读形式记述的计算机程序,该计算机程序使计算机执行用于对由分别具有属性值的多个节点形成拓扑的数据进行处理的处理,其特征在于,使上述计算机执行:
拓扑评价过程,根据在上述拓扑上相邻的节点彼此分别具有的属性值来求出将节点间连接的边缘的权重因子,根据权重因子对边缘进行分类;以及
节点合并处理过程,按照该进行分类的顺序取出利用边缘连接的节点对,根据规定的统计处理算法评价是否应该合并该节点彼此,进行节点区域的合并处理。
另外,本发明的第4侧面是以计算机可读形式记述的计算机程序,该计算机程序使计算机执行用于将对象处理为由多个多边形构成的多边形网格来进行图像处理的处理,其特征在于,使上述计算机执行:
相邻图形输入过程,输入记述多边形网格的相邻图形;
相邻图形评价过程,比较利用边缘进行连接的各图像区域所具有的属性值,根据比较结果对边缘赋予权重因子,根据权重值对相邻图形中的边缘进行分类;以及
图像区域合并处理过程,按照进行分类的顺序取出夹着边缘的图像区域对,根据统计处理算法评价是否应该合并图像区域彼此,进行图像区域的合并处理。
与本发明的第3以及第4的各侧面有关的计算机程序,定义了以计算机可读形式记述的使计算机系统实现规定处理的计算机程序。换言之,通过将与本发明的第3以及第4的各方面有关的计算机程序安装到计算机系统上,在计算机系统中发挥协同作用,能够分别得到与本发明的第1侧面有关的信息处理装置、以及与第2侧面有关的图像处理装置相同的作用效果。
此外,本发明还提供一种信息处理方法,对由分别具有属性值的多个节点形成拓扑的数据进行处理,其特征在于,具备:拓扑评价步骤,根据在所述拓扑上相邻的各节点分别具有的属性值的差异求出将节点间连接的边缘的权重因子,根据权重因子从小到大的顺序对边缘进行分类;以及节点合并处理步骤,按照该进行分类的顺序取出利用边缘连接的节点对,根据规定的统计处理算法来评价是否应该将该节点对中的节点彼此进行合并,如果应该,则进行节点区域的合并处理,其中,所述节点合并处理步骤根据从相邻的节点分别具有的属性值的集中不均衡现象导出的判断式,判断是否应该将该相邻的节点彼此进行合并。
此外,本发明还提供一种图像处理方法,将对象处理为由多个多边形构成的多边形网格来进行图像处理,其特征在于,具备以下步骤:相邻图形输入步骤,输入记述多边形网格的相邻图形;相邻图形评价步骤,比较利用边缘进行连接的各图像区域所具有的属性值的差异,根据比较结果对边缘赋予权重因子,根据权重因子从小到大的顺序对相邻图形中的边缘进行分类;以及图像区域合并处理步骤,按照进行分类的顺序取出夹着边缘的图像区域对,根据统计处理算法评价是否应该将该图像区域对中的图像区域彼此进行合并,如果应该,则进行图像区域的合并处理,其中,所述图像区域合并处理步骤根据从构成图像区域的多边形面积中的集中不均衡现象导出的判断式,判断是否应该将利用相邻图形的边缘进行连接的图像区域彼此进行合并。
发明的效果
根据本发明,可提供一种能够使由无法感知单个的很多微小节点构成的原始数据成长为被称作片断的可感知的少数单位的优良的信息处理装置和信息处理方法、以及计算机程序。
另外,根据本发明,能够将2维或者3维对象作为很多微小的多边形(通常是三角形)的集合体即多边形网格进行处理,在处理该2维图像时,能够最佳地进行将多边形网格调整为适当粗糙度的网格分割处理。即,能够通过利用计算机图形的应用程序,高速且高精度地进行渐进的网格分割处理。
与本发明有关的图像处理装置能够通过统计处理算法进行高速的图像区域合并处理,在普通的计算机上也能够实现渐进网格分割。
另外,与本发明有关的网格分割处理能够通过调整判断式中所包含的参数值,自由地设定合并图像区域彼此的基准,生成期望粗糙度的多边形网格。另外,系统具有可伸缩性,能够应用于参数化以及纹理映射、图像变形(morphing)、高分辨率建模、图像编辑、图像压缩、动画、以及形状匹配等各种交互式应用程序中。
可以通过基于后述的本发明的实施方式和附图的更详细的说明来明确本发明的进一步的其它目的、特征和优点。
附图说明
图1是示意性地表示与本发明的一个实施方式有关的图像处理装置的功能结构的图。
图2是举例表示相邻图形的图。
图3是举例表示相邻图形的图。
图4是用于说明进行边缘评价的处理方法的图。
图5是表示用于进行网格分割处理的处理过程的一例的流程图。
图6是表示当用户使用滑块(slide bar)设定多比例的参数Q时交互地得到的分割结果的例子的图。
图7是表示进行了图像区域合并处理的情形的图。
图8是示出了仅保留进行合并而新生成的图像区域的整个外围的边界附近的多边形即“环形外壳”的情形的图。
图9是表示用于进行仅保留“环形外壳”的网格分割处理的处理过程的流程图。
图10是仅保留要进行合并的各图像区域邻接的边界附近的多边形即“边界外壳”的情形的图。
图11是表示用于进行只保留“边界外壳”的网格分割处理的处理过程的流程图。
图12是表示从相邻的图像区域Ri以及Rj取出边界外壳的情形的图。
图13是用于说明在进行只保留“边界外壳”的网格分割时的更新相邻图形的处理的图。
图14是表示在网格分割时调整通过滑块操作设定Q值来进行分割的图像区域数量的情形的图。
图15是表示在网格分割时调整通过滑块操作设定Q值来进行分割的图像区域数量的情形的图。
图16是表示在网格分割时调整通过滑块操作设定Q值来进行分割的图像区域数量的情形的图。
图17是示意性地表示与本发明的一个实施方式有关的信息处理装置的功能结构的图。
图18是示意性地表示合并相邻的节点彼此来生成新节点的情形的图。
图19是表示由图17所示的信息处理装置进行分割处理的过程的流程图。
附图标记说明
1:图像信息输入部,2:相邻图形评价部,3:图像区域合并处理部,4:微小区域处理部,5:参数设定部,10:图像处理装置,50:信息处理装置,51:节点输入部,52:拓扑评价部,53:合并处理部,54:微小节点处理部,55:参数设定部。
具体实施方式
下面参照附图详细说明本发明的实施方式。
本发明涉及一种对由无法感知每个的很多微小节点形成拓扑的原始数据进行处理的信息处理装置,通过对各节点所具有的属性信息实施规定的统计处理算法,根据统计处理算法判断是否应该合并相邻的节点彼此,并重复执行节点的合并,由此从无法感知每个的很多节点成长为被称作片断的可感知的少数单位。
在图17中示意性地示出了与本发明的一个实施方式有关的信息处理装置的功能结构。图示的信息处理装置50具备:节点输入部51,其输入由多个节点形成拓扑的原始数据作为处理对象;拓扑评价部52,其评价将在拓扑上相邻的节点彼此连接的各边缘,并进行分类;合并处理部53,其按照分类的顺序取出由边缘连接的节点对,根据统计处理算法对它们进行评价来进行合并处理;以及微小节点处理部54,其作为进行了节点合并处理的结果,对没有成长为足够大小的分割而残留的微小的节点进行处理。
这种图像处理装置10可以设计成专用的硬件装置,但是也可以通过在个人计算机(PC)等普通的计算机系统上起动执行与各功能模块51~54相当的处理的应用程序的方式来实现。普通的计算机系统,例如处理器使用美国英特尔公司的奔腾(Pentium)(注册商标)IV(1.6GHz),具备由1GB的RAM构成的主存储器。另外,应用程序可利用由操作系统(OS)提供的API(应用编程接口),用C++语言进行编码。
输入到节点输入部51中的处理对象数据由多个节点形成拓扑。拓扑由多个节点和连接节点间的边缘构成,各节点具有属性信息。另外,当由合并处理部53进行节点彼此的合并时,算出与新节点有关的属性信息。
在拓扑评价部52中评价将包含在所输入的数据中的相邻节点间进行连接的边缘,并进行分类。关于边缘的评价,具体地说比较由边缘连接的各节点所具有的属性值,根据比较结果对边缘赋予权重因子,根据权重值对拓扑中的边缘进行分类。提供给边缘的权重值成为由该边缘连接的图像区域间的相似度指标。
在节点具有面积的情况下,作为其属性信息而使用面积(合并到该节点上的所有原始节点的面积的平均值),提供由边缘连接的节点间的面积的差别作为边缘的权重值,按权重值小的顺序(increasing order:升序)进行分类。这种情况下,节点间的面积差越小,权重值越小,在后续的合并处理中处理顺序变高。或者在节点作为属性信息具有色彩的情况下,能够使用像素属性信息(RGB中的至少1种成分的平均色)来评价边缘的权重值。
接下来,在合并处理部53中按照分类的顺序取出夹着边缘的节点对,进行合并处理使分割成长。由于对边缘提供成为利用边缘进行连接的图像区域间的相似度指标的权重,因此按照权重小的顺序进行合并处理的情况相当于优先执行相似的节点间的合并处理。
在合并处理部53中,根据统计处理算法判断是否应该对节点对进行合并。具体地说,当关于相邻的节点f(i)以及f(j)作为属性值分别具有的统计信息Stats.f(i)以及Stats.f(j)满足以下根据统计算法的判断式(Predicate)时,判断为应该合并节点f(i)以及f(j)。其中,在下式中,节点f(i)包括N(i)个节点,并且节点f(j)包括N(j)个节点,函数b(x)为b(x)=(logx)/Q+(K/x),K是常数,Q为用于控制合并节点而成长的分割的粗糙度的参数。
[式2]
|Stats.f(i)-Stats.f(j)|2≤b(N[i])+b(N[j]) …(2)
上述判断式是从在构成图像区域的多边形的面积中出现的现象即统计上的集中不均衡(statistical concentrationinequality)中导出的式。该现象在统计学领域中通常为中心极限定理(central limit theorem)。中心极限定理规定样本平均和实际平均的误差,因此不管样本分布是何种分布,当使样本数量变大时其误差也近似遵从标准分布。
上式右边的Q是用于控制分割粗糙度的参数。当使Q变大时右边的值变小,难以满足判断式,其结果抑制节点的合并。相反,当设Q为较小值时右边的值变大,容易满足判断式,因此促进节点的合并即分割的成长。
在图18中示意性地示出了根据合并的判断式(mergingPredicate)对第i个节点Vi和第j个节点Vj进行合并处理来生成新节点V’的情形。
各节点Vi以及Vj由包含在节点中的节点个数Ni和Nj、识别信息IDi以及IDj这样的普通信息部、以及保存属性信息的媒体(数据)部构成。初始状态的节点仅具有自身,因此节点的个数N是1,但进行合并而得到的V’的节点数N’为Ni+Nj。另外,新的识别信息ID’使用具有并查(Union-Find)数据结构的不相交集合而从原来的识别信息IDi以及IDj而生成。另外,从各节点Vi和Vj的属性信息根据统计运算来求出媒体部的属性信息。例如,在节点所具有的色彩信息是属性信息的情况下,各节点Vi以及Vj的平均色成为新节点的属性信息。或者,在节点所具有的面积是属性信息的情况下,各节点Vi以及Vj的平均面积变成新节点的属性信息。关于并查算法,例如参照R.E.Tarjan著“A classof algorithms which require nonlinear time to maintain disjointsets.”(J.Comput.Syst.Sci.,18(2):110-127,1979)。
最后,微小节点处理部54对作为进行节点合并处理的结果没有成长为足够大的分割而残留的微小噪声进行处理。例如,在成长为较大的分割的节点间或内部,将没有进行合并而原样残留的微小噪声与是否满足判断式无关地合并到相邻的某个分割中,使处理结果美观。
在图19中以流程图的形式示出了在图17所示的信息处理装置20中执行的分割处理的过程。
首先,在节点输入部51中输入成为处理对象的原始数据(步骤S31)。原始数据由形成拓扑的节点构成。节点输入部51扫描所输入的数据的拓扑,对各节点Vi赋予识别信息IDi,并且进行将该识别信息以及保存在节点的媒体部中的属性信息登记到节点统计信息中的初始化处理。
接着,在拓扑评价部52中,评价将相邻的节点彼此连接的各边缘来进行分类(步骤S32)。具体地说,提供利用边缘连接的节点间的属性信息差异作为边缘权重值,按照权重值小的顺序(increasing order)进行分类。
接着,通过参数设定部55设定用于控制分割粗糙度的参数Q(步骤S33)。
在合并处理部53中,按照进行分类的顺序取出利用边缘连接的节点对(步骤S34)。然后,根据这些节点是否满足基于统计算法的判断式来进行合并处理(步骤S35)。这里使用的判断式是从在构成图像区域的多边形面积中所表现出的现象即统计上的集中不均衡导出的式子(上述),使用在步骤S33中设定的参数Q。
当合并处理部53对节点彼此进行合并时,生成新的节点V’,提供用于识别该节点的新ID’,算出通过合并新生成的节点的属性信息,进行节点统计信息的更新处理(步骤S36)。
接着,合并处理部53进行节点的更新处理(步骤S37)。即,重新计算相邻节点间的各边缘的权重因子,根据权重值的大小对边缘进行重新分类。然后,返回步骤S34,按照进行分类的顺序取出通过边缘连接的节点对,重复进行基于统计处理算法的节点合并处理。
当递归地重复这种节点合并和伴随合并的节点统计信息的更新处理时,马上就会找不到满足利用参数Q设定阈值的判断式的节点组合。即,当未处理的边缘在拓扑中不存在时(步骤S34的“否”),微小节点处理部54对没有成长为足够大小的分割而残留的微小节点进行处理(步骤S38)。例如,在较大的分割间或者内部,将没有进行合并而残留的微小节点与是否满足判断式无关地合并到相邻的某一个分割,使处理结果美观。
本发明能够应用于用来生成并显示2维或者3维对象的2维图像的图像处理装置。在计算机图形的领域中,通常将成为处理对象的2维或者3维物理对象作为多个微小的多边形(通常是三角形)的集合体即多边形网格而进行处理,并进行图像处理。多边形网格的粗糙度对处理负荷、像质影响较大。因此,需要进行如下的网格分割处理:进行图像区域的分割、分割后的区域的合并(merge)等处理,根据利用计算机图形的应用程序将多边形网格调整成适当的粗糙度。通过渐进即平滑地进行网格分割,利用图像的应用程序的范围变广。
在与本发明有关的网格分割中,利用统计处理算法来判断是否应该合并相邻的图像区域,由此从对3维对象进行分割而得到的很多微小的多边形,重复执行图像区域的合并,生成由期望的粗糙度构成的多边形网格。在统计处理算法中,根据从作为图像区域的多边形网格中的面积的集中不均衡(concentrationin-equality)现象导出的判断式,辨别是否能够合并相邻的图像区域彼此。
基于这种统计处理算法的图像区域的合并处理由对多边形面积进行统计处理的简单的计算构成,因此能够高速化。例如,使用个人计算机等普通计算机每秒能够处理百万个多边形。另外,能够通过调整判断式中所包含的参数值,自由地设定合并图像区域彼此的基准,从而生成期望粗糙度的多边形网格,系统具有可伸缩性。
在图1中示意性地示出了与本发明的一个实施方式有关的图像处理装置的功能结构。图示的图像处理装置10具备:图像信息输入部1,其以相邻图形的形式输入成为处理对象的3维图像信息;相邻图形评价部2,其评价所输入的相邻图形的各边缘来进行分类;图像区域合并处理部3,其按照进行分类的顺序取出夹着边缘的图像区域对,根据统计处理算法对它们进行评价并进行合并处理(mesh growing:网格成长);以及微小区域处理部4,其对作为进行了图像区域合并处理的结果而残留的微小区域进行处理。
这种图像处理装置10可以设计成专用的硬件装置,也能够以在个人计算机(PC)等普通计算机系统上启动用于执行与各功能模块1~4相当的处理的应用程序的方式来实现。关于普通计算机系统,例如处理器使用美国英特尔公司的奔腾(Pentium)(注册商标)IV(1.6GHz),具备由1GB的RAM构成的主存储器。另外,应用程序例如可以利用由OpenGL提供的API(应用编程接口),用C++语言编写。
在图像处理领域中,通常将作为图像区域的多边形网格以记述成为其结构要素的多个多边形间的关系的相邻图形(Incidence Graph或者Region Adjacent Graph(RAG:区域相邻图))的形式进行表现。可以举出几个相邻图形的具体记述方法。相邻图形由多个节点和将节点间连接的边缘构成,但是对节点以及边缘进行何种处理是各式各样的。例如,当将多边形设为节点时,可以将其边或者顶点设为边缘。或者,在将多边形的边设为节点的情况下,可以将顶点或者多边形设为边缘。或者,在将顶点设为节点的情况下,可以将多边形的边或者多边形设为边缘。
在与本实施方式有关的图像处理装置1中,对以多边形为节点、以多边形的边为边缘而构成的相邻图形进行处理。即,图像信息输入部1将如下的相邻图形设为输入数据,所述相邻图形以构成多边形网格的各个多边形为节点,使用与相邻的多边形彼此邻接的边相当的边缘来连接对应的节点之间进行记述。
在此,说明相邻图形的制作方法。
首先,使属于作为对象的图像区域的各多边形Ti与节点Ni相关联。然后,如果在节点Ni和节点Nj间存在属于与双方对应的多边形Ti以及Tj的唯一的边,则作为将两节点间连接的边缘eij而生成。
相邻图形通过按照边缘端点来进行多边形的分类从而可以由顶点和面的索引阵列(index array)直接构筑。属于各个多边形的边即边缘,分为成为多边形网格即图像区域边界的边缘(Boundary edge:边界边缘)、以及不是多边形网格而是与多边形网格内相邻的其它多边形邻接的边缘(Interior Edge:内边缘)。相当于图像区域边界的边缘只属于一个多边形,因此,仅将边界以外(即图像区域内侧)的边缘设为处理对象。在该处理中,只要有顶点和面的索引阵列即可,不需要半边(half-edge)、四边(quad-edge)这样的复杂的邻接数据结构。
在图2中示出了最简单的相邻图形的例子。该图左侧所示的多边形网格由通过边即边缘eij邻接的两个三角形Ti和Tj构成。记述该多边形网格的相邻图形如该图右侧所示,由与各三角形Ti和Tj相当的两个节点Ni和Nj、以及连接两节点的边缘eij构成。
另外,在图3中示出了稍微复杂的相邻图形的结构例。该图左侧示出的多边形网格由7个三角形T1~T7构成,T1与T2邻接,T2与T1、T3、T4邻接,T3与T2以及T6邻接,T4与T2以及T5邻接,T5与T4以及T6邻接,T6与T3、T5、T7邻接。如该图右侧所示,记述该多边形网格的相邻图形由属于相邻的双方三角形的边即边缘将与各个三角形相当的节点间连接而构成。
此外,节点在初始状态下是多边形网格的最小单位的多边形。或者,如果是2维图像中的各个像素或3维立体图像,则体素(voxel)是一个节点。当进行图像合并处理时,节点成长为由多边形网格构成的图像区域,其中,该多边形网格由多个多边形(或者,像素或体素)构成。在图像信息输入部1内,关于各节点Ni,将用于唯一识别的识别信息id(Ni)、相应的图像区域(最初是1个多边形)所具有的面积area(Ni)、以及构成相应的图像区域即多边形网格的多边形个数n(Ni)(初始值是1)作为“节点统计信息”进行保持。各节点之所以保持面积以及多边形个数,是因为它们是用于通过基于统计处理算法的判断式来对节点即图像区域合并是否成功进行判断处理所需的信息。
在相邻图形评价部2中,评价所输入的相邻图形的各边缘来进行分类。关于边缘的评价,具体地说比较利用边缘进行连接的各图像区域所具有的属性值,根据比较结果将权重因子赋予边缘,根据权重值对相邻图形中的边缘进行分类。这里所说的图像区域包括作为最小单位的多边形、以及作为合并多个多边形的多边形网格而构成的图像区域。
作为属性值,例如使用图像区域所具有的面积(合并到图像区域中的所有多边形面积的平均值),提供通过边缘进行连接的图像区域间的面积差异作为边缘的权重值,按照权重值小的顺序(increasing order)进行分类。在这种情况下,图像区域间的面积之差越小,权重值就越小,在后续的图像合并处理中处理顺序变高。
在图4中示出了进行边缘评价的处理方法。在此,假设通过边缘eij邻接的两个三角形Ti和Tj,如该图右侧所示,其相邻图形由与各三角形Ti和Tj相当的两个节点Ni和Nj、以及连接两节点的边缘eij构成。在此,当定义求多边形P面积的函数area(P)时,边缘eij的权重值W(eij)通过下式进行计算。
[式3]
W(e)=|area(T1)-area(T2)| …(3)
或者,除了构成图像区域的多边形面积之外,还可以使用图像区域的法线方向、色彩等像素属性信息(RGB中的至少1个成分的平均色)(其中,在具有纹理的多边形网格的情况下)这样的相邻的顶点所具有的各种属性值的差,来提供边缘的权重。
例如,在由宽度w高度h构成的RGB彩色图像中,将第i行第j列像素的节点设为Vi,j,将其识别信息设为RegID(Vi,j)=i×w+j。内侧的各像素具有四个相邻节点,边缘的总数m为2wh-w-h。并且,节点Vi,j和Vi’,j’间的权重因子例如能够由下面的式表示。
[式4]
w(E=(Vi,j,Vi’j’))=maxc∈{R,(i,B}(|Ic(i,j)-Ic(i′,j′)|)…(4)
在图像区域合并处理部3中,按照进行分类的顺序取出夹着边缘的图像区域对,并进行合并处理(mesh growing)。对边缘提供成为通过边缘进行连接的图像区域间的相似度指标的权重,因此按照权重小的顺序进行合并处理相当于优先执行相似的图像区域间的合并处理。
在图像区域合并处理部3中,根据统计处理算法对按照进行分类的顺序取出的通过边缘进行连接的图像区域对判断是否应该进行合并。
具体地说,如上式(3)所示在根据面积信息算出边缘权重的情况下,关于利用边缘连接的两个图像区域Rk以及Rl当满足以下的基于统计算法的判断式(Predicate)时,判断为应该合并图像区域Rk以及Rl。其中,在下式中,设图像区域Rk具有面积Sk并且由nk个多边形构成,图像区域Rl具有面积Sl并且由nl个多边形构成。另外,设A为多边形的最大面积,设Q为用于控制分割粗糙度的参数。
[式5]
上述判断式是从作为在构成图像区域的多边形的面积中所出现的现象的、统计上的集中不均衡中导出的式子。这种现象在统计学的领域中一般作为中心极限定理(即使设总群是任意分布,如果增大来自该总群的样本大小,样本平均的分布马上向正态分布收敛)。
上式右边的Q是用于控制分割粗糙度的参数。当Q取较大值时右边的值变小,难以满足判断式,其结果抑制图像区域的合并。相反,当Q取较小的值时右边的值变大,容易满足判断式,因此促进图像区域的合并,能够得到更粗糙的网格分割结果。
或者,如上式(4)所示根据RGB色彩信息算出边缘权重的情况下,关于利用边缘连接的相邻节点Vi,j以及Vi’,j’,当满足以下的基于统计算法的判断式(Predicate)时判断为应该合并节点。
[式6]
其中,上式中的函数b(x)如下。
[式7]
在上式中,ni,j以及ni’,j’是相应的节点中所包含的像素数。另外,Q是用于控制分割粗糙度的参数。
节点在初始状态下是多边形网格的最小单位的多边形,但是当进行图像区域的合并处理时,成长为由多个多边形构成的多边形网格所构成的图像区域。在节点统计信息中,关于各节点Ni设置有记录,该记录保持用于唯一识别的识别信息id(Ni)、相应的图像区域(最初是1个多边形)所具有的面积area(Ni)、以及构成相应的图像区域即多边形网格的多边形的个数n(Ni)(初始值是1)等。然后,图像区域合并处理部3在对节点彼此进行合并时,提供用于识别新节点的新的id,算出通过合并新生成的图像区域的面积以及多边形的个数,进行节点统计信息的更新处理。在生成新的识别信息时可以使用并查算法(上述)。
微小区域处理部4对作为进行图像区域合并处理的结果而残留的微小区域进行处理。例如,在大图像区域间或者内部,将没有进行合并而原样残留的微小多边形网格与是否满足判断式无关地合并到相邻的任一个图像区域中,使处理结果美观。这里所说的微小区域,例如是面积相对于整个网格表面只有不到几个百分比的多边形网格。
在图5中以流程图的形式示出了用于在与本实施方式有关的图像处理装置10中进行网格分割处理的处理过程的一例。
首先,在图像信息输入部1中,输入成为处理对象的3维对象的图像信息(步骤S1)。在本实施方式中,利用以多边形为节点、以多边形的边为边缘而构成的相邻图形的形式来记述图像信息(参照上述以及图3)。
图像信息输入部1扫描所输入的相邻图形,对各节点Ni赋予识别信息id(Ni),并且求出相当的多边形的面积,将每个节点的识别信息、面积以及多边形个数(初始值为1)登记(初始化)到节点统计信息中。在下面表示对节点统计信息进行初始化的仿真程序代码。其中,id()是保存由自变量表示的节点的识别信息的矩阵,area()是保存由自变量表示的识别信息的节点面积的矩阵,n()是保存构成由自变量表示的识别信息的节点的多边形个数的矩阵。
[式8]
id(Ni)=i
area(i)=area(Ti) …(8)
n(i)=1
关于从相邻图形中第i个取出的节点Ni,将i代入识别信息id(Ni),将相应的多边形面积area(Ti)代入节点Ni的面积area(i),将初始值1代入多边形的个数n(i)。
接下来,在相邻图形评价部2中,评价所输入的相邻图形的各边缘来进行分类(步骤S2)。具体地说,提供利用边缘进行连接的图像区域间的面积的差异作为边缘权重值,按照权重值小的顺序进行分类。图像区域间的面积差越小,权重值就越小,在后续的图像合并处理中处理顺序越高。
接着,从参数设定部5设定用于控制分割粗糙度的参数Q(步骤S3)。
在图像区域合并处理部3中,按照进行分类的顺序取出夹着边缘的图像区域对(步骤S4)。然后,根据这些图像区域是否满足基于统计算法的判断式来进行合并处理(步骤S5)。这里使用的判断式是从在构成图像区域的多边形面积中出现的现象即统计上的集中不均衡导出的式子(上述),使用由步骤S3设定的参数Q。
在节点统计信息中,关于各节点Ni设置有记录(上述),该记录保持用于唯一识别的识别信息id(Ni)、相应的图像区域(最初是1个多边形)所具有的面积area(Ni)、以及构成相应的图像区域即多边形网格的多边形的个数n(Ni)(初始值是1)等。图像区域合并处理部3在将图像区域彼此进行合并时生成新的节点,提供用于识别该节点的新的id,并算出通过合并新生成的图像区域的面积以及多边形的个数,进行节点统计信息的更新处理(步骤S6)。
下面表示合并图像区域并在之后更新节点统计信息的仿真程序代码。其中,Merge()是对由自变量表示的各图像区域进行合并处理的函数。
[式9]
Merge(Ni,Nj)
id′(Ni)=id′(Nj)
area(id′(Ni))=area(id(Ni))+area(id(Nj))
n(id′(Ni))=n(id(Ni))+n(id(Nj)) …(9)
id(Ni)←id′(Ni)
id(Nj)←id′(Nj)
首先,进行由Merge函数的自变量表示的节点Ni以及Nj的合并处理。然后,表示通过对各节点Ni以及Nj提供相同的新的识别信息id’(Ni)=id’(Nj),合并两个图像区域并生成新的节点。在本实施方式中,作为新节点的识别信息,使用Ni或者Nj的任一个的旧识别信息。在对新节点提供识别信息时,可以使用罗伯特·塔扬(Robert Endre Tarjan)所提出的并查算法(上述)。
接下来,将原有各图像区域的面积之和area(Ni)+area(Nj)代入新节点的面积area(id’(Ni)),并且将原有各图像区域的多边形个数之和n(id’(Ni))+n(id’(Nj))代入新节点的多边形个数n(id’(Ni))。然后,通过对原有各节点Ni以及Nj分别提供新的识别信息id’(Ni)以及id’(Nj),结束节点统计信息的更新处理。
然后,当关于相邻图形的所有边缘结束处理时(步骤S4),微小区域处理部4对作为进行图像区域合并处理的结果而残留的微小区域进行处理(步骤S7)。例如,在大图像区域之间或者内部,将没有进行合并而残留的微小多边形网格与是否满足判断式无关地合并到相邻的任一个图像区域中,使处理结果美观。这里所说的微小区域例如是面积相对于整个网格表面只有不到几个百分比的多边形网格。
基于如上所述的统计处理算法的图像区域的合并处理由对多边形面积进行统计处理的简单计算构成,因此能够高速化。例如,能够使用一般的计算机系统(上述)每秒处理百万个左右的多边形。另外,能够通过调整判断式中所包含的参数值Q来自由地设定合并图像区域彼此的基准,生成期望粗糙度的多边形网格,系统具有可伸缩性。
用户例如能够通过参数设定部5交互式地设定Q的值。例如,能够在显示画面上准备滑块,在该条上进行Q的输入。在图6中示出了当用户使用滑块设定多比例的参数Q时交互式地得到的分割结果的例子。当输入不同的Q时,图像区域合并处理部3以及微小区域处理部4需要进行重复处理,但是该处理时间具有大致线性。当Q取较大值时右边的值变小,难以满足判断式,其结果图像区域的合并被抑制。相反,当Q取较小的值时右边的值变大,容易满足判断式,因此促进图像区域的合并,能够得到更粗糙的网格分割结果。
由于大部分网格被扫描或者被大致重新网格化,因此仅按照统计算法来处理多边形面积就能够进行高精度的分割,希望能够充分理解这一点。即,网格将法线、曲率这样的表面特性间接地编码为多边形的面积。在前处理阶段中,也可以重新网格化使得任意网格符合这种条件。
另外,当进行图像区域的合并时(参照图7),成长后的图像区域的面积巨大,并且多边形的个数也变成较大的值。在这种情况下,在判断是否与相邻的图像区域合并时会发生如下问题:虽然靠近边界的多边形信息更重要,但是会从图像区域的中央部受到多余的影响。即,存在如下问题:利用基于统计处理算法的上述判断式不能进行正确的边界判断。
因此,当进行图像区域的合并时,也可以只残留与新生成的图像区域的“外壳(Crust)”相当的区域边界附近的多边形,判断以后的图像区域的合并是否成功。在这种情况下,不是关于进行合并而新生成的整个图像区域,而是算出关于与“外壳”相当的区域的面积以及多边形的个数来进行节点统计信息的更新处理。
作为“外壳”,例如如图8所示,可以仅保留进行合并而新生成的图像区域的整个外围范围的边界附近的多边形即“环形外壳”来进行以后的图像区域合并处理。保留该“环形外壳”时产生的节点统计信息的更新处理的计算量比较少,并且能够正确地判断关于以后的图像区域的合并是否成功。
在图9中以流程图的形式示出了用于进行仅残留“环形外壳”的网格分割处理的处理过程。
首先,在图像信息输入部1中,输入成为处理对象的3维对象的图像信息(步骤S11)。利用以多边形为节点、以多边形的边为边缘而构成的相邻图形的形式来记述图像信息(参照上述以及图3)。
图像信息输入部1扫描所输入的相邻图形,对各节点Ni赋予识别信息id(Ni),并且求出相当的多边形的面积,将每个节点的识别信息、面积以及多边形的个数(初始值为1)登记(初始化)到节点统计信息中。节点统计信息的初始化处理与在图5中说明的情况相同,因此在此省略说明。
接着,在相邻图形评价部2中,评价所输入的相邻图形的各边缘来进行分类(步骤S12)。具体地说,提供利用边缘连接的图像区域间的面积的差异作为边缘的权重值,按照权重值小的顺序进行分类。
接下来,通过参数设定部5来设定用于控制分割粗糙度的参数Q(步骤S13)。
在图像区域合并处理部3中,按照进行分类的顺序取出夹着边缘的图像区域对(步骤S14)。然后,根据这些图像区域是否满足基于统计算法的判断式来进行合并处理(步骤S15)。这里使用的判断式是从在构成图像区域的多边形的面积中出现的现象即统计上的集中不均衡导出的式子(上述),使用由步骤S13设定的参数Q。
图像区域合并处理部3在将图像区域彼此进行合并时生成新的节点,提供用于识别该节点的新的id,并算出通过合并新生成的图像区域的面积以及多边形的个数,进行节点统计信息的更新处理(步骤S16)。
在下面表示仅保留“环形外壳”来合并图像区域并在之后更新节点统计信息的仿真程序代码。其中,Merge()是对由自变量表示的各图像区域进行合并处理的函数,Extract()是提取与由自变量表示的识别信息对应的图像区域的函数,Create Crust()是用于进行仅保留由自变量表示的多个区域的“环形外壳”的处理的函数。
[式10]
Merge(Ni,Nj)
Extract(id(Ni))=Ri
Extract(id(Nj))=Rj
Create Crust(Ri∪Rj)
Compute area(Crust(Ri∪Rj))
Compute n(Crust(Ri∪Rj))
id′(Ni)=id′(Nj)
area(id′(Ni))=area(Crust(Ri∪Rj)) …(10)
n(id′(Ni))=n(Crust(Ri∪Rj))
id(Ni)←id′(Ni)
id(Nj)←id′(Nj)
首先,进行由Merge函数的自变量表示的节点Ni以及Nj的合并处理。然后,使用函数Extract分别取出与各节点Ni以及Nj对应的图像区域Ri以及Rj。其中,设图像区域Ri为具有相同节点识别信息id(Ni)的所有节点Nl(即Ri={Nl|id(Nl)=id(Ni)})。
接下来,使用函数Create Crust生成相对于这些图像区域的和集合Ri∪Rj的环形外壳。该处理是通过对图像区域应用形态学(morphology)等处理来实现的。
然后,关于得到的图像区域Crust(Ri∪Rj),求出面积area(Crust(Ri∪Rj))和构成区域的多边形数量n(Crust(Ri∪Rj))。
接下来,表示通过对原有各节点Ni以及Nj提供相同的新的识别信息id’(Ni)=id’(Nj)而合并两图像区域并生成新的节点。在向新的节点提供识别信息时,可以使用罗伯特·塔扬所提出的并查算法(上述)。
接下来,将先前求出的area(Crust(Ri∪Rj))代入新节点的面积area(id’(Ni))。另外,将n(Crust(Ri∪Rj))代入新节点的多边形的个数n(id’(Ni))。然后,通过对各节点Ni以及Nj分别提供新的识别信息id’(Ni)以及id’(Nj),结束节点统计信息的更新处理。
然后,当对相邻图形中的所有边缘结束处理时(步骤S14),微小区域处理部4对作为进行图像区域合并处理的结果而残留的微小区域进行处理(步骤S17)。例如,在大图像区域之间或者内部,将没有进行合并而残留的微小多边形网格与是否满足判断式无关地合并到相邻的任一个图像区域中,使处理结果美观。这里所说的微小区域例如是面积相对于整个网格表面只有不到几个百分比的多边形网格。
另外,作为“外壳”,如图10所示也可以只保留要合并的各图像区域邻接的边界附近的多边形即“边界外壳(BorderCrust)”,进行以后的图像区域合并处理。通过使用该边界外壳,与使用环形外壳的情况相比,能够更正确地判断以后的图像区域的合并是否成功。但是,在使用边界外壳的情况下,不仅是节点统计信息,还必须更新相邻图形,因此其计算量变得庞大。
在图11中以流程图的形式示出了用于进行仅保留“边界外壳”的网格分割处理的处理过程。
首先,在图像信息输入部1中,输入成为处理对象的3维对象的图像信息(步骤S21)。利用以多边形为节点、以多边形的边为边缘而构成的相邻图形的形式来记述图像信息(参照上述以及图3)。
图像信息输入部1扫描所输入的相邻图形,对各节点Ni赋予识别信息id(Ni),并且求出相当的多边形面积,将每个节点的识别信息、面积以及多边形的个数(初始值为1)登记(初始化)到节点统计信息中。节点统计信息的初始化处理与在图5中所说明的情况相同,因此在此省略说明。
接下来,在相邻图形评价部2中评价所输入的相邻图形的各边缘来进行分类(步骤S22)。具体地说,提供利用边缘进行连接的图像区域间的面积的差异作为边缘的权重值,按照权重值小的顺序(increasing order:升序)进行分类。
接下来,通过参数设定部5设定用于控制分割粗糙度的参数Q(步骤S23)。
在图像区域合并处理部3中,按照进行分类的顺序取出夹着边缘的图像区域对(步骤S24)。然后,根据这些图像区域是否满足基于统计算法的判断式来进行合并处理(步骤S25)。这里使用的判断式是从在构成图像区域的多边形面积中出现的现象即统计上的集中不均衡导出的式子(上述),使用由步骤S23设定的参数Q。
图像区域合并处理部3在将图像区域彼此进行合并时生成新的节点,提供用于识别该节点的新的id,并算出通过合并新生成的图像区域的面积以及多边形的个数,进行节点统计信息的更新处理(步骤S26)。
在下面表示仅保留“边界外壳”来合并图像区域并在之后更新节点统计信息的仿真程序代码。其中,Merge()是对由自变量表示的各图像区域进行合并处理的函数,Extract Boundary()是提取与由自变量表示的识别信息对应的各图像区域间的边界的函数,Create Crust()是用于进行仅保留由自变量表示的多个区域的“边界外壳”的处理的函数。
[式11]
Merge(Ni,Nj)
Extract Bundary(id(Ni),id(Nj))=Bi
Extract Boundary(id(Nj),id(Ni))=Bj
Create Crust(Ri∪Rj)=Bi∪Bj
Compute area(Bi∪Bj)
Compute n(Bi∪Bj)
id′(Ni)=id′(Nj)
area(id′(Ni))=area(Bi∪Bj) …(11)
n(id′(Ni))=n(Bi∪Bj)
id(Ni)←id′(Ni)
id(Nj)←id′(Nj)
首先,进行由Merge函数的自变量表示的节点Ni以及Nj的合并处理。然后,分别使用函数Extract Boundary取出节点Ni的图像区域Ri之中与节点Nj的图像区域邻接的边界以及节点Nj的图像区域Rj之中与节点Ni的图像区域邻接的边界。
接下来,使用函数Create Crust生成关于这些图像区域的和集合Ri∪Rj的边界外壳。该处理相当于:从一个图像区域Ri切出离与图像区域Rj相接的边界部分固定宽度(像素数)的区域Bi,并且从另一图像区域Rj切出离与图像区域Ri相接的边界部分固定宽度(像素数)的区域Bj,生成这些切出的图像区域的和集合Bi∪Bj(参照图12)。
然后,对得到的图像区域Bi∪Bj求出面积area(Bi∪Bj)和构成区域的多边形数量n(Bi∪Bj)。
接下来,表示通过对各节点Ni以及Nj提供相同的新的识别信息id’(Ni)=id’(Nj)而合并两图像区域并生成新的节点。在向新节点提供识别信息时,可以使用罗伯特·塔扬所提出的并查算法(上述)。
接下来,将先前求出的area(Bi∪Bj)代入新节点的面积area(id’(Ni))。另外,将n(Bi∪Bj)代入新节点的多边形的个数n(id’(Ni))。然后,通过对各节点Ni以及Nj分别提供新的识别信息id’(Ni)以及id’(Nj)来结束节点统计信息的更新处理。
接下来,图像区域合并处理部3进行相邻图形的更新处理(步骤S27)。即,重新计算包含在相邻图形中的边缘的权重因子,根据权重值的大小对边缘重新分类。然后,返回到步骤S24,按照进行了分类的顺序取出夹着边缘的图像区域对,重复进行基于统计处理算法的图像区域的合并处理。
首先,搜索与成为生成边界外壳的处理对象的图像区域Ri以及Rj分别相邻的所有图像区域Rl的识别信息id(Nl)。然后,如果存在与所发现的图像区域相当的节点Nl和各处理对象节点Ni及Nj之间的边缘eil、ejl,就重新计算它们的权重。
在图13中示出了更新相邻图形的情形。在图示的例子中,作为与成为生成边界外壳的处理对象的图像区域Ri以及Rj分别相邻的图像区域,发现了与Ri相邻的Rl、以及与Rj相邻的Rk。这种情况下,根据下式来计算各边缘eil以及ejk的各权重W(eil)以及W(ejk)。
[式12]
W(ei,l)=|area(Ri)-area(Rl)|
W(ej,k)=|area(Rj)-area(Rk)| …(12)
当递归地重复这种图像区域的合并和伴随合并的节点统计信息的更新处理时,不久就会找不到满足由参数Q设定阈值的判断式的图像区域组合。即,当相邻图形中未处理的边缘不存在时(步骤S24的“否”),微小区域处理部4对作为进行图像区域合并处理的结果而残留的微小区域进行处理(步骤S28)。例如,在大的图像区域之间或者内部,在将没有进行合并而残留的微小多边形网格与是否满足判断式无关地合并到相邻的任一个图像区域中,使处理结果美观。这里所说的微小区域例如是面积相对于网格表面整体只有不到几个百分比的多边形网格。
此外,在图像区域合并处理部3中使用的判断式(上述)包含用于控制分割粗糙度的参数Q,因此能够从参数设定部5提供可得到期望分割粗糙度的参数Q的值。另外,也可以在由用户提供了期望的分割粗糙度时,参数设定部5变换为相应的参数Q的值而提供给系统。由于能够在进行网格分割时提供图像区域数量,并且基于统计处理算法的图像区域的合并处理是高速的,因此用户能够动态即自由地变更图像区域数量。能够通过进行这种灵活的参数Q的设定来实现渐进的网格分割,容易应用于各种交互式应用程序中。
例如,当对将Q设定为某省略时值来进行网格分割处理的结果进行画面显示时,设原有的3维对象被分割为N个图像区域。对于该处理结果,在用户具有“想要得到分割为M个区域的结果”的反应的情况下,参数设定部5求出使图像区域变成M个的Q的值,并将其提供给图像区域合并处理部3,重新执行网格分割处理。当然,也可以不是逐次运算变换处理,而是准备好关于Q值的变换一览表。
根据与本实施方式有关的图像处理装置10,通过利用参数设定部5连续输入多个Q,从而能够进行渐进的网格分割,并且实现分层分割。基于统计处理算法的图像区域的合并处理是高速的,因此在进行网格分割时,用户能够动态即自由地变更图像区域数量。
作为分层分割的一个应用程序,本发明人考虑了图像检索(shape matching:形状匹配)。例如,能够对片断化的每个图像区域设定关键字来进行图像检索(例如,参照“Modeling byexample”(In Proc.SIGRAPH(2004)Vol.23,Issue3,pp.652-663))。
根据本发明,能够通过向网格分割的每个层次进行关键字的赋予,对原有3维对象的图像构筑分层结构的关键字信息。在这种情况下,即使对相同的3维对象应用检索即形状匹配,也能够得到按每个层次不同的检索结果。或者,能够在参数设定部5中控制Q值以得到期望的检索结果。
这里重要一点是如下:基于统计处理算法的图像区域合并处理是高速的,因此在进行网格分割时能够动态即自由地变更图像区域数。即,用户可以根据检索结果仅通过参数设定部5进行重新设定Q值的操作就能立刻自由改变分块数,由此能够自由地对检索结果的相似度控制进行操作。
考虑了如下实现方式(上述):在画面中设置滑块,参数设定部5根据用户移动滑块后的位置来读取Q值。图14~图16中示出了网格分割时通过滑块的操作来设定Q值从而调整所分割的图像区域数的情形。如图14所示,当在纸面左侧的滑块上设定比较高的Q值时,图像区域的合并被抑制,图像区域数较多,即小的片断变多。在该图中,如纸面右上所表示,合并后的区域数是116。另一方面,如图15以及图16所示,当在滑块上设定比较低的Q值时,促进图像区域的合并,图像区域数较少,即较大的片断变多。在该图中,如纸面右上所表示的那样,合并后的区域数是10。基于统计处理算法的图像区域合并处理是高速的,因此响应于这种滑块的操作,系统能够立刻求出图像区域数不同的网格分割结果,并呈现给用户。即,用户能够动态即自由地变更图像区域数。
产业上的可利用性
以上,参照特定的实施方式详细说明了本发明。但是,本领域技术人员可以在不超出本发明宗旨的范围内进行该实施方式的修正、代用,这是显而易见的。
与本发明有关的网格分割处理,能够自由设定将图像区域彼此进行合并的基准,生成期望粗糙度的多边形网格,系统具有可伸缩性,能够应用于参数化以及纹理映射、图像变形(morphing)、多分辨率建模、图像编辑、图像压缩、动画、以及形状匹配等各种交互式应用程序中。
总之,以例示的方式公开了本发明,不应该限定性地解释本说明书的记载内容。为了判断本发明的要旨,应该参考权利要求书的记载。
Claims (36)
1.一种信息处理装置,对由分别具有属性值的多个节点形成拓扑的数据进行处理,其特征在于,具备:
拓扑评价部,其根据在所述拓扑上相邻的节点彼此分别具有的属性值的差异来求出将节点间连接的边缘的权重因子,根据权重因子从小到大的顺序对边缘进行分类;以及
节点合并处理部,其按照该进行分类的顺序取出利用边缘进行连接的节点对,根据规定的统计处理算法来评价是否应该将该节点对中的节点彼此进行合并,如果应该,则进行节点区域的合并处理,
其中,所述节点合并处理部根据从相邻的节点分别具有的属性值的集中不均衡现象导出的判断式,判断是否应该将该相邻的节点彼此进行合并。
2.根据权利要求1所述的信息处理装置,其特征在于,
还具备微小节点处理部,该微小节点处理部作为由所述节点合并处理部进行节点彼此的合并处理的结果,对没有充分进行合并而残留的微小节点进行处理。
3.根据权利要求1所述的信息处理装置,其特征在于,
当关于相邻的节点f(i)以及f(j)作为属性值分别具有的统计信息Stats.f(i)以及Stats.f(j)满足下面的基于统计算法的判断式时,所述节点合并处理部判断为应该将节点f(i)以及f(j)进行合并:|Stats.f(i)-Stats.f(j)|2≤b(N[i])+b(N[j]),其中,节点f(i)包括N(i)个节点,并且节点f(j)包括N(j)个节点,函数b(x)为b(x)=(logx)/Q+(K/x),K为常数,Q是用于对合并节点而成长的分割的粗糙度进行控制的参数。
4.根据权利要求1所述的信息处理装置,其特征在于,
还具备节点属性信息保持部,该节点属性信息保持部保持与各节点有关的节点属性信息,
当执行了节点合并时,所述节点合并处理部算出与进行合并而新生成的节点有关的属性信息来进行所述节点属性信息的更新处理。
5.根据权利要求4所述的信息处理装置,其特征在于,
所述拓扑评价部根据更新后的节点属性信息重新计算将合并处理后的节点及其相邻节点连接的边缘的权重因子,根据权重因子对所述拓扑中的边缘进行重新分类,
所述节点合并处理部重复进行节点的合并和节点属性信息的更新,直到不存在根据所述统计处理算法应该合并的节点对为止。
6.一种信息处理方法,对由分别具有属性值的多个节点形成拓扑的数据进行处理,其特征在于,具备:
拓扑评价步骤,根据在所述拓扑上相邻的各节点分别具有的属性值的差异求出将节点间连接的边缘的权重因子,根据权重因子从小到大的顺序对边缘进行分类;以及
节点合并处理步骤,按照该进行分类的顺序取出利用边缘连接的节点对,根据规定的统计处理算法来评价是否应该将该节点对中的节点彼此进行合并,如果应该,则进行节点区域的合并处理,
其中,所述节点合并处理步骤根据从相邻的节点分别具有的属性值的集中不均衡现象导出的判断式,判断是否应该将该相邻的节点彼此进行合并。
7.根据权利要求6所述的信息处理方法,其特征在于,
还具备微小节点处理步骤,在该微小节点处理步骤中,作为由所述节点合并处理步骤进行了节点彼此的合并处理的结果,对没有充分进行合并而残留的微小的节点进行处理。
8.根据权利要求6所述的信息处理方法,其特征在于,
在所述节点合并处理步骤中,当关于相邻的节点f(i)以及f(j)作为属性值分别具有的统计信息Stats.f(i)以及Stats.f(j)满足下面的基于统计算法的判断式时,判断为应该将节点f(i)以及f(j)进行合并:|Stats.f(i)-Stats.f(j)|2≤b(N[i])+b(N[j]),其中,节点f(i)包括N(i)个节点,并且节点f(j)包括N(j)个节点,函数b(x)为b(x)=(logx)/Q+(K/x),K为常数,Q是用于控制合并节点而成长的分割的粗糙度的参数。
9.根据权利要求6所述的信息处理方法,其特征在于,
还具备节点属性信息保持步骤,在该节点属性信息保持步骤中保持与各节点有关的节点属性信息,
在所述节点合并处理步骤中,当执行了节点的合并时,算出与进行合并而新生成的节点有关的属性信息来进行所述节点属性信息的更新处理。
10.根据权利要求9所述的信息处理方法,其特征在于,
还具备拓扑重新评价步骤,在该拓扑重新评价步骤中根据更新后的节点属性信息重新计算将合并处理后的节点及其相邻节点连接的边缘的权重因子,根据权重因子对所述拓扑中的边缘进行重新分类,
重复进行所述节点合并处理步骤中的节点的合并和节点属性信息的更新,直到不存在根据所述统计处理算法应该合并的节点对为止。
11.一种图像处理装置,将对象处理为由多个多边形构成的多边形网格来进行图像处理,其特征在于,具备:
相邻图形输入部,其输入记述多边形网格的相邻图形;
相邻图形评价部,其比较利用边缘连接的各图像区域所具有的属性值的差异,根据比较结果对边缘赋予权重因子,根据权重因子从小到大的顺序对相邻图形中的边缘进行分类;以及
图像区域合并处理部,其按照进行分类的顺序取出夹着边缘的图像区域对,根据统计处理算法评价是否应该将该图像区域对中的图像区域彼此进行合并,如果应该,则进行图像区域的合并处理,
其中,所述图像区域合并处理部根据从构成图像区域的多边形面积中的集中不均衡现象导出的判断式,判断是否应该将利用相邻图形的边缘进行连接的图像区域彼此进行合并。
12.根据权利要求11所述的图像处理装置,其特征在于,
还具备微小区域处理部,该微小区域处理部对作为进行图像区域合并处理的结果而残留的微小区域进行处理。
13.根据权利要求11所述的图像处理装置,其特征在于,
所述相邻图形输入部将构成多边形网格的各个多边形作为节点进行处理,输入使用与相邻的多边形彼此相接的边相当的边缘来连接对应的节点间而进行记述的相邻图形。
14.根据权利要求11所述的图像处理装置,其特征在于,
所述相邻图形评价部使用图像区域中所包含的多边形网格的平均面积、图像区域的法线方向或者关于图像区域内的RGB中的至少一个成分的平均色来作为图像区域所具有的属性值。
16.根据权利要求15所述的图像处理装置,其特征在于,
还具备参数设定单元,该参数设定单元设定所述判断式中的参数Q。
17.根据权利要求16所述的图像处理装置,其特征在于,
还具备分割粗糙度控制单元,该分割粗糙度控制单元将用以得到期望的分割粗糙度的参数Q的值提供给所述参数设定单元。
18.根据权利要求17所述的图像处理装置,其特征在于,
所述分割粗糙度控制单元在从外部提供期望的分割粗糙度时,变换为与该粗糙度相当的参数Q的值来提供给所述参数设定单元。
19.根据权利要求11所述的图像处理装置,其特征在于,
还具备节点统计信息保持部,该节点统计信息保持部保持与对应于相邻图形的各节点的图像区域的面积以及多边形个数相关的节点统计信息,
当执行了图像区域的合并时,所述图像区域合并处理部算出进行合并而新生成的图像区域的面积以及多边形的个数,进行所述节点统计信息的更新处理。
20.根据权利要求19所述的图像处理装置,其特征在于,
所述相邻图形评价部根据更新后的节点统计信息重新计算将合并处理后的图像区域及其相邻图像区域连接的边缘的权重因子,根据权重因子对相邻图形中的边缘进行重新分类,
所述图像区域合并处理部重复进行图像区域的合并和节点统计信息的更新,直到不存在根据所述统计处理算法应该合并的图像区域对为止。
21.根据权利要求19所述的图像处理装置,其特征在于,
当进行了图像区域的合并时,所述图像区域合并处理部仅保留由新生成的图像区域的边界附近的多边形构成的外壳,算出图像区域的面积以及多边形个数,进行所述节点统计信息的更新处理,使用更新后的节点统计信息判断关于以后的图像区域的合并是否应该进行。
22.根据权利要求21所述的图像处理装置,其特征在于,
所述图像区域合并处理部将进行合并而新生成的图像区域的整个外围的边界附近的多边形作为外壳而保留。
23.根据权利要求21所述的图像处理装置,其特征在于,
所述图像区域合并处理部将要合并的各图像区域邻接的边界附近的多边形作为外壳而保留,
当进行了该合并处理时,所述相邻图形评价部进行相邻图形的重新评价。
24.一种图像处理方法,将对象处理为由多个多边形构成的多边形网格来进行图像处理,其特征在于,具备以下步骤:
相邻图形输入步骤,输入记述多边形网格的相邻图形;
相邻图形评价步骤,比较利用边缘进行连接的各图像区域所具有的属性值的差异,根据比较结果对边缘赋予权重因子,根据权重因子从小到大的顺序对相邻图形中的边缘进行分类;以及
图像区域合并处理步骤,按照进行分类的顺序取出夹着边缘的图像区域对,根据统计处理算法评价是否应该将该图像区域对中的图像区域彼此进行合并,如果应该,则进行图像区域的合并处理,
其中,所述图像区域合并处理步骤根据从构成图像区域的多边形面积中的集中不均衡现象导出的判断式,判断是否应该将利用相邻图形的边缘进行连接的图像区域彼此进行合并。
25.根据权利要求24所述的图像处理方法,其特征在于,
还具备微小区域处理步骤,对作为进行了图像区域合并处理的结果而残留的微小区域进行处理。
26.根据权利要求24所述的图像处理方法,其特征在于,
在所述相邻图形输入步骤中,将构成多边形网格的各个多边形作为节点进行处理,输入使用与相邻多边形邻接的边相当的边缘而将对应的节点间连接来记述的相邻图形。
27.根据权利要求24所述的图像处理方法,其特征在于,
在所述相邻图形评价步骤中,作为图像区域所具有的属性值,使用图像区域的面积、法线方向或者色彩。
29.根据权利要求28所述的图像处理方法,其特征在于,
还具备参数设定步骤,在参数设定步骤中设定所述判断式中的参数Q。
30.根据权利要求29所述的图像处理方法,其特征在于,
还具备分割粗糙度控制步骤,在分割粗糙度控制步骤中提供用以得到期望的分割粗糙度的参数Q的值。
31.根据权利要求30所述的图像处理方法,其特征在于,
在所述分割粗糙度控制步骤中,当从外部提供期望的分割粗糙度时,变换为与该粗糙度相当的参数Q的值并用于所述参数设定步骤。
32.根据权利要求24所述的图像处理方法,其特征在于,
还具备节点统计信息保持步骤,在节点统计信息保持步骤中保持与对应于相邻图形的各节点的图像区域的面积以及多边形个数相关的节点统计信息,
在所述图像区域合并处理步骤中,当执行了图像区域的合并时,算出进行合并而新生成的图像区域的面积以及多边形的个数,进行所述节点统计信息的更新处理。
33.根据权利要求32所述的图像处理方法,其特征在于,
还具备相邻图形重新评价步骤,在相邻图形重新评价步骤中根据更新后的节点统计信息重新计算将合并处理后的图像区域及其相邻图像区域连接的边缘的权重因子,根据权重因子对相邻图形中的边缘进行重新分类,
重复进行所述图像区域合并处理步骤中的图像区域的合并和节点统计信息的更新,直到不存在根据所述统计处理算法应该合并的图像区域对为止。
34.根据权利要求32所述的图像处理方法,其特征在于,
在所述图像区域合并处理步骤中,当进行了图像区域的合并时,只保留由新生成的图像区域的边界附近的多边形构成的外壳,算出图像区域的面积以及多边形个数来进行所述节点统计信息的更新处理,使用更新后的节点统计信息判断以后的图像区域的合并是否应该进行。
35.根据权利要求34所述的图像处理方法,其特征在于,
在所述图像区域合并处理步骤中,将进行合并而新生成的图像区域的整个外围的边界附近的多边形作为外壳而保留。
36.根据权利要求34所述的图像处理方法,其特征在于,
在所述图像区域合并处理步骤中,将要合并的各图像区域邻接的边界附近的多边形作为外壳而保留,
当进行了该合并处理时,在所述相邻图形评价步骤中进行相邻图形的重新评价。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP166466/2005 | 2005-06-07 | ||
JP2005166466 | 2005-06-07 | ||
PCT/JP2006/311251 WO2006132194A1 (ja) | 2005-06-07 | 2006-06-05 | 情報処理装置及び情報処理方法、画像処理装置及び画像処理方法、並びにコンピュータ・プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101194290A CN101194290A (zh) | 2008-06-04 |
CN101194290B true CN101194290B (zh) | 2010-06-09 |
Family
ID=37498395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2006800204746A Expired - Fee Related CN101194290B (zh) | 2005-06-07 | 2006-06-05 | 信息处理装置和信息处理方法、图像处理装置和图像处理方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US8224089B2 (zh) |
EP (1) | EP1890268A1 (zh) |
JP (1) | JP4780106B2 (zh) |
KR (1) | KR20080012954A (zh) |
CN (1) | CN101194290B (zh) |
WO (1) | WO2006132194A1 (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007157063A (ja) * | 2005-12-08 | 2007-06-21 | Sony Corp | 画像処理装置及び画像処理方法、並びにコンピュータ・プログラム |
JP2008059081A (ja) * | 2006-08-29 | 2008-03-13 | Sony Corp | 画像処理装置及び画像処理方法、並びにコンピュータ・プログラム |
JP4539756B2 (ja) * | 2008-04-14 | 2010-09-08 | 富士ゼロックス株式会社 | 画像処理装置及び画像処理プログラム |
WO2009139161A1 (ja) * | 2008-05-15 | 2009-11-19 | 株式会社ニコン | 画像処理装置、画像処理方法、処理装置、処理方法およびプログラム |
WO2010139091A1 (en) * | 2009-06-03 | 2010-12-09 | Google Inc. | Co-selected image classification |
US8428354B2 (en) * | 2009-06-23 | 2013-04-23 | Los Alamos National Security, Llc | Image segmentation by hierarchial agglomeration of polygons using ecological statistics |
US8526723B2 (en) * | 2009-06-23 | 2013-09-03 | Los Alamos National Security, Llc | System and method for the detection of anomalies in an image |
US9459851B2 (en) * | 2010-06-25 | 2016-10-04 | International Business Machines Corporation | Arranging binary code based on call graph partitioning |
US9177041B2 (en) * | 2010-09-03 | 2015-11-03 | Robert Lewis Jackson, JR. | Automated stratification of graph display |
US9128998B2 (en) | 2010-09-03 | 2015-09-08 | Robert Lewis Jackson, JR. | Presentation of data object hierarchies |
JP5772446B2 (ja) * | 2010-09-29 | 2015-09-02 | 株式会社ニコン | 画像処理装置及び画像処理プログラム |
US9082197B2 (en) * | 2011-07-18 | 2015-07-14 | Zte Corporation | Local image translating method and terminal with touch screen |
WO2013058740A1 (en) * | 2011-10-18 | 2013-04-25 | Intel Corporation | Surface based graphics processing |
CN103164487B (zh) * | 2011-12-19 | 2016-05-25 | 中国科学院声学研究所 | 一种基于密度与几何信息的数据聚类方法 |
US10110412B2 (en) * | 2012-10-17 | 2018-10-23 | Disney Enterprises, Inc. | Dynamically allocated computing method and system for distributed node-based interactive workflows |
JP6236817B2 (ja) | 2013-03-15 | 2017-11-29 | 株式会社リコー | 画像形成装置 |
JP5367919B1 (ja) * | 2013-07-22 | 2013-12-11 | 株式会社 ディー・エヌ・エー | 画像処理装置及び画像処理プログラム |
CN104463825B (zh) * | 2013-09-16 | 2019-06-18 | 北京三星通信技术研究有限公司 | 用于在三维体积图像中检测对象的设备和方法 |
CN105930204B (zh) * | 2016-04-11 | 2019-07-12 | 东软医疗系统股份有限公司 | 一种单事件时间信息处理方法和装置 |
US11245593B2 (en) * | 2016-04-25 | 2022-02-08 | Vmware, Inc. | Frequency-domain analysis of data-center operational and performance metrics |
JP6712965B2 (ja) * | 2017-04-25 | 2020-06-24 | 京セラ株式会社 | 電子機器、生成方法及び生成システム |
KR101989029B1 (ko) * | 2017-12-11 | 2019-06-13 | 한양대학교 산학협력단 | 복수의 쓰레드를 이용하는 그래프 엔진 및 그 그래프 엔진의 동작 방법 |
EP3848908A4 (en) * | 2018-09-03 | 2022-05-11 | Sony Interactive Entertainment Inc. | INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD AND PROGRAM |
US11401786B2 (en) | 2019-03-06 | 2022-08-02 | Saudi Arabian Oil Company | Systems and methods for hydrocarbon reservoir well connectivity graph optimization, simulation and development |
WO2021155000A1 (en) | 2020-01-29 | 2021-08-05 | ReportsNow, Inc. | Systems, methods, and devices for image processing |
US11158031B1 (en) | 2021-05-24 | 2021-10-26 | ReportsNow, Inc. | Systems, methods, and devices for image processing |
CN117848423B (zh) * | 2024-03-07 | 2024-05-17 | 南京中鑫智电科技有限公司 | 一种换流变阀侧套管壳体完整性的在线监测方法、系统、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1340178A (zh) * | 1999-08-17 | 2002-03-13 | 皇家菲利浦电子有限公司 | 基于颜色的分割进行基于区域的图象检索的系统和方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2642070B2 (ja) | 1994-11-07 | 1997-08-20 | インターナショナル・ビジネス・マシーンズ・コーポレイション | 四角形メッシュの生成方法及びシステム |
JP2736879B2 (ja) | 1995-10-30 | 1998-04-02 | 株式会社超高速ネットワーク・コンピュータ技術研究所 | 三次元図形データ削減方法 |
JP3973273B2 (ja) | 1997-09-22 | 2007-09-12 | 三洋電機株式会社 | 画像生成装置および画像生成方法 |
KR100294924B1 (ko) | 1999-06-24 | 2001-07-12 | 윤종용 | 영상분할 장치 및 방법 |
US6898316B2 (en) * | 2001-11-09 | 2005-05-24 | Arcsoft, Inc. | Multiple image area detection in a digital image |
US7623709B2 (en) * | 2005-09-06 | 2009-11-24 | General Electric Company | Method and system for segmenting image data |
JP2008059081A (ja) * | 2006-08-29 | 2008-03-13 | Sony Corp | 画像処理装置及び画像処理方法、並びにコンピュータ・プログラム |
US8073217B2 (en) * | 2007-11-01 | 2011-12-06 | Siemens Medical Solutions Usa, Inc. | Structure segmentation via MAR-cut |
-
2006
- 2006-06-05 EP EP06747181A patent/EP1890268A1/en not_active Withdrawn
- 2006-06-05 WO PCT/JP2006/311251 patent/WO2006132194A1/ja active Application Filing
- 2006-06-05 CN CN2006800204746A patent/CN101194290B/zh not_active Expired - Fee Related
- 2006-06-05 US US11/913,264 patent/US8224089B2/en not_active Expired - Fee Related
- 2006-06-05 JP JP2007520097A patent/JP4780106B2/ja not_active Expired - Fee Related
- 2006-06-05 KR KR1020077028730A patent/KR20080012954A/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1340178A (zh) * | 1999-08-17 | 2002-03-13 | 皇家菲利浦电子有限公司 | 基于颜色的分割进行基于区域的图象检索的系统和方法 |
Non-Patent Citations (4)
Title |
---|
Frank NIELSEN,Richard NOCK.On Region Merging:The Statistical Soundness ofFastSorting,with Applications.Proceedings of the 2003 IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR'03)2.2003,219-26. * |
Richard NOCK,Frank NIELSEN.Grouping with Bias Revisited.Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR'04)2.2004,2460-465. * |
Richard NOCK,Frank NIELSEN.Statistical Region Merging.IEEE Transactions on Pattern Analysis and Machine Intelligence26 11.2004,26(11),1452-1458. |
Richard NOCK,Frank NIELSEN.Statistical Region Merging.IEEE Transactions on Pattern Analysis and Machine Intelligence26 11.2004,26(11),1452-1458. * |
Also Published As
Publication number | Publication date |
---|---|
US8224089B2 (en) | 2012-07-17 |
CN101194290A (zh) | 2008-06-04 |
EP1890268A1 (en) | 2008-02-20 |
JPWO2006132194A1 (ja) | 2009-01-08 |
KR20080012954A (ko) | 2008-02-12 |
US20090175543A1 (en) | 2009-07-09 |
WO2006132194A1 (ja) | 2006-12-14 |
JP4780106B2 (ja) | 2011-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101194290B (zh) | 信息处理装置和信息处理方法、图像处理装置和图像处理方法 | |
dos Santos et al. | A relevance feedback method based on genetic programming for classification of remote sensing images | |
Lalitha et al. | A survey on image segmentation through clustering algorithm | |
CN102165491A (zh) | 图像处理设备、图像处理方法以及程序 | |
CN108830326A (zh) | 一种mri图像的自动分割方法及装置 | |
Seetharaman et al. | Texture characterization, representation, description, and classification based on full range Gaussian Markov random field model with Bayesian approach | |
Yang et al. | A modified clustering method based on self-organizing maps and its applications | |
CN103942571A (zh) | 一种基于遗传规划算法的图形图像分类方法 | |
CN112819747A (zh) | 一种基于肺部断层扫描图片自动诊断结节良恶性的方法 | |
Krasnoshchekov et al. | Order-k α-hulls and α-shapes | |
CN110349159A (zh) | 基于权重能量自适应分布的三维形状分割方法及系统 | |
CN110084136A (zh) | 基于超像素crf模型的上下文优化室内场景语义标注方法 | |
Kumar et al. | Automatic image segmentation using wavelets | |
Kumar et al. | A hybrid cluster technique for improving the efficiency of colour image segmentation | |
Chang | Research on sports video image based on fuzzy algorithms | |
Vilalta et al. | An efficient approach to external cluster assessment with an application to martian topography | |
Florindo et al. | Fractal descriptors of texture images based on the triangular prism dimension | |
Hay | Visualizing Scale‐Domain Manifolds: A Multiscale Geo‐Object‐Based Approach | |
CN114842339A (zh) | 一种联合GF-6和Sentinel-2的冬小麦种植区影像提取方法 | |
Usha et al. | Time series analysis of multispectral satellite images using game theory classifier | |
Wang et al. | A fast incremental spectral clustering algorithm for image segmentation | |
CN111242960A (zh) | 基于复杂网络理论的图像分割方法 | |
Du et al. | A new method for grayscale image segmentation based on affinity propagation clustering algorithm | |
CN111353966B (zh) | 基于全变分深度学习的图像融合方法及其应用与系统 | |
Saxena et al. | An Optimized Technique for Plant Identification Through Deep Residual Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100609 Termination date: 20130605 |