JP2000048187A - 画像変換方法 - Google Patents

Abstract

(57)【要約】 【課題】 任意の射影系のレンズで撮影した原画像を、
異なる射影系のレンズで撮影したときに得られるべき変
換画像に簡単に変換する。 【解決手段】 ニューラルネットワーク学習のため、魚
眼レンズによる画像及び広角レンズによる画像を読み取
り（１００）、各々の画像で対応する参照点と対応点を
設定し各位置を記憶する（１０２）。次にニューラルネ
ットワークを学習させ（１０４）、学習が終了すると、
広角レンズによる画像への変換を必要とする魚眼レンズ
による画像を読み取り（１０６）、広角レンズによる画
像に相当する変換画像の各位置が求められ、その位置に
濃度や色を表す画素データが再配置され、画像が形成さ
れる（１０８）。変換の後には、画像をメモリに記憶し
たり出力したりする（１１０）。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、画像変換方法にか
かり、特に、任意の射影系のレンズで被写体を撮影する
ことによって得た原画像を、異なる射影系のレンズで撮
影したときに得られるべき変換画像に変換する画像変換
方法に関する。

【０００２】

【従来の技術】風景画像や室内空間等を広範囲画像とし
て提供できるものにパノラマ画像がある。このパノラマ
画像は、カメラの角度を変更しながら数十枚の画像を撮
影し、つなぎ合わせることによって、一定範囲のパノラ
マ画像を得ることができ、３６０度の範囲を網羅すれ
ば、全周囲パノラマ画像を作成することができる。近
年、このようなパノラマ画像を簡便に得るために様々な
試みがなされている。

【０００３】一例として、２枚の魚眼レンズで撮影した
画像から全周囲パノラマ画像を作成する技術が知られて
いる。この技術を用いると、カメラの角度を変更しなが
ら数十枚の画像を撮影し、つなぎ合わせる煩雑な作業を
伴うことなく、全周囲パノラマ画像を作成することがで
きる。

【０００４】このように魚眼画像からパノラマ画像を作
成する際には、像高ｙ＝ｆ・θ、または像高ｙ＝ｆ・ｓ
ｉｎθの魚眼レンズ射影系を、像高ｙ＝ｆ・ｔａｎθの
一般的な広角レンズ射影系に変換しなければならない。
すなわち、魚眼レンズ射影系のレンズで被写体を撮影す
ることによって得た原画像を、広角レンズで撮影したと
きに得られるべき画像に変換する必要がある。

【０００５】

【発明が解決しようとする課題】しかしながら、上記射
影変換は、撮影したレンズの基本特性が既知の場合には
比較的容易に数式化が可能であるので簡単に変換するこ
とができるが、撮影時のデータが不明な場合には容易で
はない。例えばレンズの焦点距離等の基本特性が不明な
場合、レンズ射影系そのものを特定することができない
ので、射影変換は困難である。また、レンズの基本特性
が既知の場合であっても、レンズ収差を考慮すると、簡
単には基本特性を数式化することができない。

【０００６】本発明は、上記事実を考慮して、任意の射
影系のレンズで撮影した原画像を、異なる射影系のレン
ズで撮影したときに得られるべき変換画像に簡単に変換
することができる画像変換方法を得ることが目的であ
る。

【０００７】

【課題を解決するための手段】上記目的を達成するため
に請求項１に記載の発明は、被写体を第１レンズで撮影
した原画像を、前記第１レンズと異なる射影系の第２レ
ンズで被写体を撮影したときに得られるべき変換画像に
変換する画像変換方法であって、同一の被写体を前記第
１レンズ及び前記第２レンズの各々で撮影して前記第１
レンズによる第１画像と前記第２レンズによる第２画像
との１または複数の組み合わせを予め定め、前記組み合
わせの第１原画像と第２原画像とについて、第１原画像
上の複数の原位置に対応する第２原画像上の対応位置を
求め、原位置と対応位置との位置関係を既知データとし
て複数求め、前記原画像上の位置を入力とすると共に前
記変換画像上の位置を出力とする、多層構造の神経回路
モデルを有する対応手段を用い、前記複数の既知データ
を用いて前記神経回路モデルを変更して前記対応手段を
構築し、任意の原画像に対応する変換画像を求めること
を特徴とする。

【０００８】請求項２に記載の発明は、請求項１に記載
の画像変換方法であって、前記第１レンズは魚眼レンズ
であり、前記第２レンズは広角レンズであることを特徴
とする。

【０００９】異なる射影系の画像変換における位置対応
は非線形の場合もあり、非線形な対応関係を求めること
も可能なものとして、神経回路をモデル化したニューラ
ルネットワークを用いたシステムがある。

【００１０】そこで、請求項１の発明では、ニューラル
ネットワークの概念を導入した。まず、予め、同一の被
写体を第１レンズ及び第１レンズと異なる射影系の第２
レンズの各々で撮影する。これら撮影した第１レンズに
よる第１画像と第２レンズによる第２画像との組み合わ
せを１または複数定める。これら１または複数の組み合
わせの第１原画像と第２原画像について、第１原画像上
の複数の原位置に対応する第２原画像上の対応位置を求
める。求めた原位置と対応位置の位置関係を既知データ
として複数求める。多層構造の神経回路をモデル化した
ニューラルネットワークである対応手段は、原画像上の
位置と、変換画像上の位置との関係が既知の複数の既知
データにより、学習される。この対応手段は、原画像上
の位置を入力とすると共に変換画像上の位置を出力とし
て、入出力関係が非線形な対応を含む対応を定めるもの
である。

【００１１】この対応手段の神経回路モデルを、既知デ
ータにより学習することによって構築する。これによ
り、任意の原画像の位置に対応する変換画像の位置を求
めることができる。このように、被写体を第１レンズで
撮影した原画像を、第１レンズと異なる射影系の第２レ
ンズで被写体を撮影したときに得られるべき変換画像に
容易に変換することができる。

【００１２】撮影時に用いるレンズで、より広範囲の画
角を有するものとして魚眼レンズがある。この魚眼レン
ズの射影系を一般的な広角レンズの射影系に変換するこ
とは容易ではない。そこで、請求項２にも記載したよう
に、前記第１レンズを魚眼レンズとし、第２レンズを広
角レンズと設定することによって、魚眼レンズ射影系の
レンズで被写体を撮影することによって得た原画像を、
広角レンズで撮影したときに得られるべき画像に簡単に
変換することができる。

【００１３】

【発明の実施の形態】以下、図面を参照して本発明の実
施の形態の一例を詳細に説明する。本実施の形態は魚眼
レンズで撮影したカラー原画像を広角レンズで撮影した
ときに得られるべき画像に変換する画像データ変換装置
に本発明を適用したものである。

【００１４】図１に示すように、本実施の形態の画像デ
ータ変換装置１０は、画像を表示するための表示装置等
のディスプレイ装置１２、外部からコマンドやデータを
入力するためのキーボード等の入力装置１４、装置本体
１６、及びカラー原稿からカラー原画像を読み取るため
の画像読取装置３０から構成されている。

【００１５】装置本体１６は、ＣＰＵ１８、ＲＡＭ２
０、ＲＯＭ２２、入出力ポート（Ｉ／Ｏ）２８、からな
るマイクロコンピュータで構成され、各々はコマンドや
データの授受が可能なようにバス２６によって接続され
ている。なお、ＲＯＭ２２には、装置本体１６において
実行される後述する処理ルーチンが記憶されている。

【００１６】装置本体１６の入出力ポート２８には、画
像データを記憶するためのメモリ２４が接続されてい
る。また、装置本体１６の入出力ポート２８には、入力
装置１４が接続されると共に、ディスプレイ装置１２が
接続されている。また、入出力ポート２８には、カラー
スキャナ等の画像読取装置３０が接続されている。

【００１７】なお、画像読取装置３０は、印刷物等のカ
ラー原稿、及び被写体の撮影後に現像処理されてネガ画
像またはポジ画像が可視化された写真フィルムからカラ
ー原画像を読み取ることができる。

【００１８】上記の入出力ポート２８には、記録媒体と
してのフロッピーディスク（以下、ＦＤという）が挿抜
可能なフロッピーディスクユニット（以下、ＦＤＵとい
う）が接続されている。なお、後述する処理ルーチン等
は、ＦＤＵを用いてＦＤに対して読み書き可能である。
従って、後述する処理ルーチンは、ＲＯＭ２２に記憶す
ることなく、予めＦＤに記録しておき、ＦＤＵを介して
ＦＤに記録された処理プログラムを実行してもよい。ま
た、装置本体１６にハードディスク装置等の大容量記憶
装置（図示省略）を接続し、ＦＤに記録された処理プロ
グラムを大容量記憶装置（図示省略）へ格納（インスト
ール）して実行するようにしてもよい。また、記録媒体
としては、ＣＤ−ＲＯＭ等の光ディスクや、ＭＤ，ＭＯ
等の光磁気ディスクがあり、これらを用いるときには、
上記ＦＤＵに代えてまたはさらにＣＤ−ＲＯＭ装置、Ｍ
Ｄ装置、ＭＯ装置等を用いればよい。

【００１９】なお、本実施の形態では、一例として、カ
ラースキャナ等の画像読取装置３０によりカラー原画像
を入力する場合を説明するが、本発明はこれに限定され
るものではなく、ＦＤ等の記憶媒体に予め記憶された画
像データを入力するようにしてもよい。また、入出力ポ
ート２８にネットワークボード等の信号授受装置を接続
し、他の装置との間で信号授受を可能とする所謂ＬＡＮ
を構成して、他の装置から画像データを受け取るように
してもよい。

【００２０】図２は本実施の形態の画像データ変換装置
１０の機能別概略構成を示すブロック図である。本実施
の形態の画像データ変換装置１０では、魚眼レンズで撮
影したカラー原画像（以下、魚眼画像という）を広角レ
ンズで撮影したときに得られるべき画像に変換し、その
画像データを記憶すると共に出力する。なお、以下の説
明では、魚眼画像を変換して得た広角レンズで撮影した
ときに得られるべき画像を広角変換画像といい、広角レ
ンズで撮影した画像そのものを、広角画像という。

【００２１】この画像データ変換装置１０は、機能別
に、非線形演算部３２、既知データ記憶部３４、データ
入力部４０、及びデータ出力部４４に分類される。非線
形演算部３２は、ニューラルネットワークで構成され
（詳細後述）、魚眼画像の位置と広角変換画像の位置と
の対応を計算する計算部として機能し、データ入力部４
０から入力されたデータ（魚眼画像上の位置）に基づい
て、広角変換画像上の位置とが関連付けられたモデルを
求めるためのものである。なお、ここでいうモデルと
は、魚眼画像上の位置（例えば画素）と広角変換画像の
位置（例えば画素）とが１対１に対応するように変換及
び逆変換が可能な変換系そのものをいい、学習後のニュ
ーラルネットワークを数式で表現するときは数式及びそ
の係数を含めたものをいう。

【００２２】データ入力部４０は、魚眼画像の位置を数
値化して入力するためのものである。データ出力部４４
は、非線形演算部３２の演算の結果として、データ入力
部４０からの魚眼画像上の位置を表すデータに対応する
広角変換画像上の位置を表すデータを出力するためのも
のである。

【００２３】なお、本実施の形態では、非線形演算部３
２は、図１に示すハードウェア資源及び後述するソフト
ウェア資源を用いて構成され、後述するように概念的な
ニューラルネットワークで構成された変換機能を有する
と共に、それを学習する学習機能を有している。また、
魚眼画像上の位置と広角変換画像上の位置との対応を、
予め他のニューラルネットワークで学習し、学習された
他のニューラルネットワークの変換係数を入力するよう
にして、この変換係数を用いてニューラルネットワーク
を構築するようにしてもよい。

【００２４】上記の非線形演算部３２は、魚眼画像上の
位置（ｘ，ｙ）の各値毎の入力を可能とするために入力
層として位置の数に応じたすなわち２つのニューロンを
有し、中間層を介して出力層として広角変換画像上の位
置の数に応じたすなわち２つのニューロンを有して各々
のニューロンがシナプスによって結合されたニューラル
ネットワークを構成している。この非線形演算部３２
は、後述する学習後に、魚眼画像上の位置の各値が入力
されると、それに対応する広角変換画像上の位置が出力
される。学習時には、魚眼画像上の位置と広角画像上の
位置とが対応された既知データが教師として入力され、
出力の広角変換画像上の位置と既知の広角画像上の位置
との誤差差分等の大小により、魚眼画像上の位置の各値
と、広角変換画像上の位置とが対応されるように設定さ
れる。

【００２５】図３に示すように、非線形演算部３２に用
いられているニューラルネットワークの一例としては、
入力層Ｏ１、中間層Ｏ２、及び出力層Ｏ３から構成され
ている。入力層Ｏ１は、ニューロンに対応する所定数
（本実施の形態では２つのユニットＩｉ（ｉ＝１，２）
から構成されている。また、中間層Ｏ２も、ニューロン
に対応する所定数（本実施の形態では１０個）のユニッ
トＭｊ（ｊ＝１，・・・，１０）から構成されている。
同様に、出力層Ｏ３は、所定数（本実施の形態では２
つ）の出力ユニットＵｋ（ｋ＝１，２）から構成されて
いる。なお、入力層のユニット数、中間層のユニット数
及び出力層のユニット数は、上記個数に限定されるもの
ではなく、２個以上複数であってもよい。また、中間層
の各ユニット及び出力層のユニットには出力値を所定値
だけオフセットさせるためのオフセットユニット４６、
４８に接続されている。

【００２６】なお、本実施の形態では、中間層のユニッ
ト及び出力層のユニットは入出力関係がシグモイド関数
によって表されるシグモイド特性を有する神経回路素子
により構成され、入力層のユニットは入出力関係が線形
の神経回路素子で構成されている。このシグモイド特性
を有するように構成することによって、出力値は実値
（正の数）となる。

【００２７】非線形演算部３２における、中間層のユニ
ットの各出力Ｏ２［ｊ］は、次の（１）式で表すことが
できる。すなわち、中間層のユニットについて、各シナ
プス結合（入力層と中間層の間の結合）の強さに相当す
る重み（ユニットの結合係数）をｗ21とし、入力信号を
Ｏ１[p][i]とするとき、ニューロンの膜電位の平均値に
相当する仮想的な内部状態で表すことができ、出力はニ
ューロンの特性を表す非線形関数ｆにより表すことがで
きる。同様に、出力層のユニットの各出力Ｏ３［ｋ］
は、入力は中間層からであり、各シナプス結合（中間層
と出力層の間の結合）の強さに相当する重み（ユニット
の結合係数）をｗ23とするとき、次の（２）式で表すこ
とができる。

【００２８】なお、以下の説明では、ｔは教師パターン
（すなわち既知データ）の番号を表し、ｐは入力パター
ン（すなわち魚眼画像）の番号（本実施の形態では、
１，・・・，４０）を表している。また、ｂｉａｓはオ
フセットを表し、ｆ（）はシグモイド関数を表し、Ｍｙ
ｕ，Ｅｔａは定数を表している。

【００２９】

【数１】 従って、入力層のユニットへ魚眼画像上の位置の各値を
入力することによって、出力層のユニットから広角変換
画像上の位置を表す各値が出力される。

【００３０】なお、上記の入力層の各ユニットの特性は
入力をそのまま出力する特性でよい。また、非線形演算
部３２（ニューラルネットワーク）の各ユニットの重み
（結合係数）は、後述する学習処理により、既知である
実験データについて誤差が最小となるように学習・修正
される。すなわち、生物の神経系ではニューロン間のシ
ナプス結合の強さを変化させることによって学習してい
ると考えられている。このため、ニューラルネットワー
クにおいて、学習・修正とは、シナプス加重に対応する
各ユニットの重み（結合係数）としきい値を変化させる
ことをいう。

【００３１】次に、画像データ変換装置１０の作動を図
４乃至図６を参照して説明する。画像データ変換装置１
０へ電源が投入されると、図４の処理ルーチンが実行さ
れ、ステップ１００へ進み、上記説明した非線形演算部
３２であるニューラルネットワークを学習させるときの
ために、魚眼レンズ射影系データ及び広角レンズ射影系
データが読み取られる。

【００３２】すなわち、図５に示すように、本実施の形
態の画像データ変換装置１０では、魚眼画像を広角変換
画像に変換するため、同一の被写体を撮影した魚眼画像
５０（図５（Ａ）参照）及び広角画像５２（図５（Ｂ）
参照）を予め作成する。非線形演算部３２では、魚眼画
像５０の各位置が入力されたときに広角画像５２に相当
する広角変換画像の位置が出力されればよいことにな
る。そこで、非線形演算部３２に用いて好適なニューラ
ルネットワークを学習させるために、魚眼画像５０及び
広角画像５２の各々の画像上に、画像間で対応する所定
数（本実施の形態では、４０点）の参照点Ｄ及び対応点
Ｓを設定する。すなわち、魚眼画像５０には参照点Ｄ
１，Ｄ２，・・・，Ｄ４０を設定し、広角画像５２に
は、対応する対応点すなわち参照点Ｄ１〜Ｄ４０の被写
体における位置に対応する広角画像５２上の位置に対応
点Ｓ１，Ｓ２，・・・，Ｓ４０を設定する。従って、魚
眼画像５０上の参照点Ｄ１，Ｄ２，・・・，Ｄ４０の各
位置が、広角画像５２上の対応点Ｓ１，Ｓ２，・・・，
Ｓ４０の各位置に変換させればよい。

【００３３】そこで、ステップ１００では、同一の被写
体を撮影した魚眼画像５０及び広角画像５２の位置を伴
うデータを魚眼レンズ射影系データ及び広角レンズ射影
系データとして読み取る。次のステップ１０２では、上
記説明したように、魚眼画像５０に参照点Ｄ１，Ｄ２，
・・・，Ｄ４０を設定し各位置を記憶し、また、広角画
像５２上に対応点Ｓ１，Ｓ２，・・・，Ｓ４０を設定し
各位置を記憶する。

【００３４】なお、ここでは、１枚の魚眼画像５０及び
広角画像５２を用いてニューラルネットワークを学習さ
せる場合を説明するが、魚眼レンズ及び広角レンズは同
一であり、他の被写体を魚眼レンズ及び広角レンズの各
々で撮影したときの、複数の魚眼画像と広角画像との画
像組を用いて設定してもよい。

【００３５】次のステップ１０４では、非線形演算部３
２におけるニューラルネットワークの学習の処理がなさ
れる。このステップ１０４の処理が終了すると、魚眼画
像上の位置の各値を入力することによって、広角変換画
像上の位置を表す各値が出力されることになる。

【００３６】次のステップ１０６では、広角画像への変
換を必要とする魚眼画像が読み取られる。このステップ
１０６で読み取るデータは、例えば魚眼画像の濃度や色
を表す画素データ及び画素位置を表す位置データであ
る。次のステップ１０８では、魚眼画像上の各位置に対
する広角変換画像の各位置が求められ、その位置に濃度
や色を表す画素データが再配置され、広角変換画像が形
成される。そして、次のステップ１１０において、上記
ステップ１０８で求めた広角変換画像をメモリに記憶す
る。このステップ１１０では、広角変換画像のデータを
出力するようにしてもよい。

【００３７】次のステップ１１２では、広角画像への変
換を必要とする魚眼画像が残存するか否かを判断するこ
とによって他画像があるか否かを判断し、否定された場
合には、本ルーチンを終了する。

【００３８】一方、変換を必要とする魚眼画像が残存す
るときは、ステップ１１２で肯定され、次のステップ１
１４において残存する魚眼画像の射影系及び変換先の広
角画像の射影系が上記ステップ１０４で学習した射影系
と同一か否かを判断し、他の射影系であるときは、ステ
ップ１１４で否定され、ステップ１００へ戻り、同一の
射影系であるときは肯定され、ステップ１０６へ戻る。

【００３９】次に、非線形演算部３２におけるニューラ
ルネットワークの学習の処理の詳細を図６を参照して説
明する。上記で説明したように、同一の被写体を撮影し
た魚眼画像及び広角画像を作成すると共に、その参照点
及び対応点の位置を表す各値を予め求める。この参照点
及び対応点の位置の複数を既知データとして求めて、ニ
ューラルネットワークの学習時に用いる複数の教師デー
タとしている。

【００４０】なお、魚眼画像と広角画像の組み合わせが
複数存在するときは、魚眼画像と広角画像の組み合わせ
による既知データうち一部の組み合わせ（例えば、全体
の１０〜２０％）による既知データを学習後の検証用の
データとして用いることが好ましい。

【００４１】まず、ステップ２００では、予め求めた、
既知データを読み取る。次のステップ２０２では、ニュ
ーラルネットワークにおける各ユニットのの結合係数
（重み）及びしきい値を予め定めた値に設定することに
よって初期化する。次のステップ２０４では、既知デー
タを用いてニューラルネットワークを学習させるため、
中間層及び出力層の各々のユニットの誤差を求める。各
結合係数及びしきい値の少なくとも１つを僅かづつ変化
させることによって出力層の誤差、すなわちユニットの
誤差が最小になるようにすることができる。また、中間
層の誤差は、出力層の誤差を用いて誤差逆伝搬法（所
謂、バックプロパゲーション法）等の逆計算により求め
ることができる。次のステップ２０６では、上記求めた
各結合係数及びしきい値を更新（書換え）する。これ
ら、誤差を求め、結合係数及びしきい値を更新すること
は、以下の（３）〜（６）式で表すことができる。

【００４２】

【数２】 上記（３）、（５）式は、学習誤差を表し、（４）、
（６）式は、その学習誤差をもとにして重みを更新する
ことを表している。

【００４３】次のステップ２０８では、誤差の値が収束
判定の基準である所定範囲内の値か否かを判別すること
により収束したか否かを判断するか、または上記の処理
を所定回数繰り返ししたか否かを判断し、肯定判断の場
合には本ルーチンを終了する。一方、否定判断の場合に
はステップ２０４へ戻り、上記処理を繰り返す。本実施
の形態では、学習回数を１万回として、収束判定の基準
を、平均して教師点（参照点及び対応点）で±１７画素
以下としている。これによって、既知データを入力した
場合に、中間層及び出力層の各々のユニットの誤差が最
小になるように各結合係数及びしきい値が定まる。

【００４４】このようにして、魚眼画像の位置及び広角
画像の位置が既知の複数の既知データを用いてニューラ
ルネットワークを学習させる。すなわち、教師信号に対
するニューラルネットワークの出力層からの出力値の誤
差が最小となるように学習される。このように、学習す
ることによって非線形演算部３２では、魚眼画像の画像
データ（例えば画素の濃度や色と画素位置）の値が入力
されると、広角変換画像の画素の濃度や色と画素位置を
表す値を出力することになる。

【００４５】なお、以上の処理が終了し、ニューラルネ
ットワークの学習が十分に行われた後に、ネットワーク
の構造、すなわち結合係数やしきい値をメモリ２４に記
憶し、変換系を構築するようにしてもよい。

【００４６】以上説明したように、本実施の形態によれ
ば、魚眼画像の位置及び広角画像の位置が既知の複数の
既知データを用いてニューラルネットワークを構築して
いるので、レンズの焦点距離等の基本特性が不明な場合
や、レンズ射影系そのものを特定することができない場
合であっても、魚眼レンズの射影系から広角レンズの射
影系への変換が可能となり、魚眼画像を容易に広角画像
へ変換することができる。

【００４７】なお、上記では、魚眼レンズと広角レンズ
を用いた射影変換に本発明を適用した場合を説明した
が、本発明はこれに限定されるものではなく、任意の射
影系のレンズで撮影した原画像を、異なる射影系のレン
ズで撮影したときに得られるべき画像に変換する場合に
も適用が可能である。

【００４８】

【発明の効果】以上説明したように本発明によれば、同
一の被写体を第１レンズ及び射影系の異なる第２レンズ
の各々で撮影した第１画像と第２画像との間での位置関
係を既知データとして多層構造の神経回路をモデル化し
た対応手段を構築し、原画像上の位置を入力とすると共
に変換画像上の位置を出力としているので、被写体を第
１レンズで撮影した原画像を、第１レンズと異なる射影
系の第２レンズで被写体を撮影したときに得られるべき
変換画像に容易に変換することができる、という効果が
ある。

【図面の簡単な説明】

【図１】本実施の形態にかかる画像データ変換装置の概
略構成図である。

【図２】本実施の形態にかかる画像データ変換装置の機
能別概略ブロック図である。

【図３】ニューラルネットワークの概念構成図である。

【図４】本実施の形態にかかる画像データ変換装置の作
動の流れを示すフローチャートである。

【図５】魚眼画像と広角画像を表すイメージ図である。

【図６】ニューラルネットワークの学習処理の流れを示
すフローチャートである。

【符号の説明】

１０ 画像データ変換装置 ３２ 非線形演算部 ３４ 既知データ記憶部 ４０ データ入力部 ４４ データ出力部 ５０ 魚眼画像 ５２ 広角画像

Claims (2)

【特許請求の範囲】
1. 【請求項１】 被写体を第１レンズで撮影した原画像
   を、前記第１レンズと異なる射影系の第２レンズで被写
   体を撮影したときに得られるべき変換画像に変換する画
   像変換方法であって、 同一の被写体を前記第１レンズ及び前記第２レンズの各
   々で撮影して前記第１レンズによる第１画像と前記第２
   レンズによる第２画像との１または複数の組み合わせを
   予め定め、 前記組み合わせの第１原画像と第２原画像とについて、
   第１原画像上の複数の原位置に対応する第２原画像上の
   対応位置を求め、原位置と対応位置との位置関係を既知
   データとして複数求め、 前記原画像上の位置を入力とすると共に前記変換画像上
   の位置を出力とする、多層構造の神経回路モデルを有す
   る対応手段を用い、前記複数の既知データを用いて前記
   神経回路モデルを変更して前記対応手段を構築し、任意
   の原画像に対応する変換画像を求めることを特徴とする
   画像変換方法。
2. 【請求項２】 前記第１レンズは魚眼レンズであり、前
   記第２レンズは広角レンズであることを特徴とする請求
   項１に記載の画像変換方法。