JP2003303344A - 画像領域抽出方法および装置 - Google Patents

画像領域抽出方法および装置

Info

Publication number
JP2003303344A
JP2003303344A JP2002108608A JP2002108608A JP2003303344A JP 2003303344 A JP2003303344 A JP 2003303344A JP 2002108608 A JP2002108608 A JP 2002108608A JP 2002108608 A JP2002108608 A JP 2002108608A JP 2003303344 A JP2003303344 A JP 2003303344A
Authority
JP
Japan
Prior art keywords
class
coarse
grained
image
evaluation function
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.)
Granted
Application number
JP2002108608A
Other languages
English (en)
Other versions
JP3649328B2 (ja
Inventor
Asaharu Kiyuna
朝春 喜友名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Priority to JP2002108608A priority Critical patent/JP3649328B2/ja
Priority to US10/409,140 priority patent/US7136540B2/en
Publication of JP2003303344A publication Critical patent/JP2003303344A/ja
Application granted granted Critical
Publication of JP3649328B2 publication Critical patent/JP3649328B2/ja
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

(57)【要約】 【課題】 領域抽出の対象となる像を含む画像に対し，
画像上の各ピクセルが，所望の領域に属すか否かを規定
する閾値を陽に設定することなく，自動的に，かつ高速
・高精度に所望の領域を抽出する。 【解決手段】 画像データ空間を粗視化し（ステップＡ
２），粗視化経験確率分布を算出し（ステップＡ３），
パラメータを初期化し（ステップＡ４），粗視化条件付
き確率分布を算出し（ステップＡ５），クラス帰属確率
を算出し（ステップＡ６），パラメータを更新し（ステ
ップＡ７），評価関数を算出し（ステップＡ８），評価
関数の変化が無くなるまでステップＡ２からＡ８までを
繰り返し，評価関数の変化が無くなった時点で，クラス
帰属確率に基づいて画像領域を抽出する。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は、領域抽出の対象像
を含む画像データに対し、画像のピクセルが持つ属性に
基づいて、対象となる物体の領域を抽出する技術に関
し、特に、ＭＲＩ装置やＣＴスキャン装置などで撮影さ
れた画像データ、あるいは生物顕微鏡で観測された生体
組織の断面図から、画像を特定の臓器や腫瘍、細胞の
核、腺腔などの領域を抽出する画像領域抽出方法および
装置に関する。
【０００２】
【従来の技術】従来、画像から特定の物体の像を抽出す
るには、次のような方法が知られている（例えば、特開
２００１−９２９８０号公報；以下文献１とする。） 文献１にでは、輪郭抽出の対象となる物体の像を含む画
像データに対し、前記画像の各点が持つ属性に基づい
て、画像各点が各領域に属する確率である領域帰属確率
を用いて、前記各点が属する領域を分離し、前記領域間
の境界を輪郭として抽出する構成としている。このよう
な構成とすることにより、領域分類の閾値を陽（explic
it）に設定することなく、自動的に各領域の輪郭を抽出
することが可能となり、輪郭領域抽出の高速化を可能に
している。
【０００３】
【発明が解決しようとする課題】上記文献１における輪
郭領域抽出は、画像データから、画像上各点が領域の各
々に属する領域帰属確率の期待値を算出し、領域帰属確
率と領域パラメータから求められる混合確率分布に基づ
いて評価関数を算出し、領域帰属確率に基づいて各領域
を分離し、分離された領域に基づいて輪郭を抽出してい
るため、評価関数を求める際、すべての画像点（ピクセ
ル）に関して和を取る必要があり、最適なパラメータを
求めるためにはこの評価関数の算出を何度も繰り返すこ
とになる。
【０００４】そのため、従来の方法においては，画像の
サイズが大きくなればなるほど、領域抽出に要する時間
が膨大になるという問題がある。
【０００５】本発明は上述した問題点を鑑み、画像か
ら、閾値を陽に設定することなく、更なる高速かつ高精
度に対象領域を抽出する画像領域抽出方法および装置を
提供することにある。
【０００６】
【課題を解決するための手段】本発明第１記載の画像領
域抽出方法は、前記画像の前記各ピクセルが取りうる属
性値全体から構成されるデータ空間を、所与の解像度で
部分空間に分解し、該各部分空間に属性値を取るピクセ
ルの集合と、該ピクセルの属性値の平均と、該ピクセル
の個数を保持し、粗視化データ空間を構成する第１の工
程と、前記各部分空間のピクセル数を前記画像に含まれ
る全ピクセル数で割り、前記粗視化データ空間上の粗視
化経験確率分布を算出する第２の工程と、前記各クラス
の属性を規定するクラスパラメータ、前記クラスの数、
および前記クラスの混合比率を初期化する第３の工程
と、前記各クラスの属性を規定するクラスパラメータか
ら、前記クラスが指定されたもとでの条件付き確率分布
を算出し、該算出した条件付き確率分布を、前記各部分
空間内で平均化することによって粗視化条件付き確率分
布を算出する第４の工程と、前記画像を構成する各ピク
セルが前記各クラスに帰属する確率であるクラス帰属確
率を、前記クラス混合比に前記粗視化条件付き確率分布
を掛けることにより算出する第５の工程と、評価関数を
増加させるように前記クラスパラメータ、および前記ク
ラス混合比を更新する第６の工程と、前記粗視化条件付
き確率分布を用いて、前記評価関数として粗視化対数尤
度を算出する第７の工程と、前記評価関数が所与の終了
条件を満たしているかどうかを調べる第８の工程と、前
記評価関数が前記所与の終了条件を満たした後、前記ク
ラスパラメータおよび前記クラス混合比を保持し、前記
クラス帰属確率に基づいて、前記ピクセルが属する領域
を決定し、前記所望の領域を抽出する第９の工程とを有
し、所与の条件が満たされるまで、前記第４、前記第
５、前記第６、前記第７、および前記第８の工程を繰り
返すことを特徴とする。
【０００７】本発明第２記載の画像領域抽出方法は、前
記第４の工程において、前記粗視化条件付き確率分布を
算出する際に、前記各部分空間に含まれるデータの平均
値を算出し、該平均値を用いて前記各部分空間における
前記粗視化条件付き確率分布を算出することを特徴とす
る。
【０００８】本発明第３記載の画像領域抽出方法は、前
記第１または第２に記載の画像領域抽出方法において、
粗視化の解像度が元の解像度であるかを調べる第１０の
工程と、前記部分空間の解像度を元の解像度へ復元する
第１１の工程とを有し、前記第３の工程において、前記
第９の工程で保持されているクラスパラメータおよび前
記クラス混合比を初期値として用い、所与の条件が満た
されるまで、前記第４、前記第５、前記第６、前記第
７、および前記第８の工程を繰り返すことを特徴とす
る。
【０００９】本発明第４記載の画像領域抽出方法は、前
記第１及至第３のいずれかに記載の画像領域抽出方法に
おける前記第９の工程において、推定された前記クラス
混合比に前記画像を構成する全ピクセル数を掛けて前記
各クラスに属するピクセル数を算出し、前記クラス帰属
確率が高い順から前記ピクセルを選択し、前記各クラス
に属するピクセルを決定することを特徴とする。
【００１０】本発明第５記載の画像領域抽出方法は、前
記第１及至第４のいずれかに記載の画像領域抽出方法に
おける前記第７の工程において、前記評価関数としてＡ
ＩＣ（Akaike Information Criterion）を用い、前記第
６の工程において評価関数を減少させるようパラメータ
を変更することを特徴とする。
【００１１】本発明第６記載の画像領域抽出方法は、前
記第１及至第４のいずれかに記載の画像領域抽出方法に
おける前記第７の工程において、前記評価関数としてＭ
ＤＬ（Minimum Description Length）を用い、前記第６
の工程において該評価関数を減少させるようパラメータ
を変更することを特徴とする。
【００１２】本発明第７記載の画像領域抽出方法は、前
記第１及至第４のいずれかに記載の画像領域抽出方法に
おける前記第７の工程において、前記評価関数としてス
トラクチュラル・リスク（Structural Risk）を用い、
前記第６の工程において該評価関数を減少させるようパ
ラメータを変更することを特徴とする。
【００１３】本発明第８記載の画像領域抽出方法は、前
記第１及至第７のいずれかに記載の画像領域抽出方法に
おける前記第３の工程において、前記各部分空間同士が
近傍にあるかどうかを定義する近傍半径と、前記クラス
の数を設定し（ステップＢ１）、前記各部分空間ごと
に、各部分空間の代表値を設定し（ステップＢ２）、分
類対象部分空間の集合を設定し（ステップＢ３）、前記
分類対象部分空間の集合の中から、前記粗視化経験確率
の最も高い部分空間を選択し（ステップＢ４）、前記粗
視化経験確率の最も高い部分空間の代表値との距離が、
前記近傍半径以内である代表値を持つ部分空間全てを、
近傍集合として選択し（ステップＢ５）、すでに分類が
完了したクラスに含まれる部分空間の代表値と、前記近
傍集合に含まれる部分空間の代表値との間の最短距離
が、前記近傍半径よりも大きいかどうかを調べ（ステッ
プＢ６）、もし、すでに分類が完了したクラスに含まれ
る部分空間の代表値と、前記近傍集合に含まれる部分空
間の代表値との間の最短距離が、前記近傍半径よりも大
きければ、前記近傍集合を新規クラスとし、前記分類対
象部分空間から前記近傍集合を削除し、ステップＢ４以
降を繰り返し（ステップＢ７）、そうでなければ、前記
近傍集合をすでに分類済みのクラスに追加し、前記分類
対象部分空間から、前記近傍集合を削除し（ステップＢ
８）、前記分類対象部分空間が空集合であるかどうかを
調べ（ステップＢ９）、もし、前記分類対象部分空間が
空集合でなければ、ステップＢ４以下を繰り返し、前記
分類対象部分空間が空集合であれば、分類が完了したク
ラスの数が所与の数以上あるかどうかを調べ（ステップ
Ｂ１０）、もし分類が完了したクラスの数が所与の数よ
りも少なければ、前記近傍半径を縮小し（ステップＢ１
１）、ステップＢ３以下を繰り返し、もし、前記分類対
象部分空間が空集合であり、かつ分類済みのクラスの数
が所与の数よりも多ければ、各クラス内で前記クラスパ
ラメータを算出し、これをクラスパラメータの初期値と
し、また各クラス内に含まれる部分空間の数の比率を前
記クラス混合比の初期値とする（ステップＢ１２）、こ
とを特徴とする。
【００１４】本発明第９記載の画像領域抽出装置は、領
域抽出の対象となる像を含む画像データに対し、画像上
の各ピクセルを複数のクラスに分類し、所望の領域を抽
出する画像領域抽出装置において、画像データを読み込
む入力装置と、前記画像の前記各ピクセルが取りうる属
性値全体から構成されるデータ空間を、所与の解像度で
部分空間に分解し、該各部分空間に属性値を取るピクセ
ルの集合と、該ピクセルの属性値の平均と、該ピクセル
の個数を保持し、粗視化データ空間を構成する領域粗視
化装置と、前記各部分空間のピクセル数を前記画像に含
まれる全ピクセル数で割り、前記粗視化データ空間上の
粗視化経験分布を算出する粗視化経験確率分布算出装置
と、前記各クラスの属性を規定するクラスパラメータ、
前記クラスの数、および前記クラスの混合比率を初期化
し、前記各クラスの属性を規定するクラスパラメータか
ら、前記クラスが指定されたもとでの条件付き確率分布
を算出し、前記クラスが指定されたもとでの条件付き確
率分布を、前記各部分空間内で平均化することによって
粗視化条件付き確率分布を算出する粗視化条件付き確率
分布装置と、前記画像を構成する各ピクセルが前記各ク
ラスに帰属する確率であるクラス帰属確率を、前記粗視
化条件付き確率分布から算出するクラス帰属確率算出装
置と、評価関数として粗視化対数尤度を用いるときに
は、該評価関数を増加させるように、また評価関数とし
てＡＩＣ、ＭＤＬ、ストラクチュラル・リスクのいずれ
かを用いる場合は該評価関数を減少させるように前記パ
ラメータを更新するパラメータ更新装置と、前記粗視化
対数尤度、前記ＡＩＣ、前記ＭＤＬ、前記ストラクチュ
ラル・リスクのいずれかを用いて前記評価関数を算出す
る評価関数算出装置と、前記評価関数が所与の終了条件
を満たしているかどうかを調べ、前記評価関数が前記所
与の終了条件を満たした後、前記パラメータを保持し、
前記クラス帰属確率に基づいて、前記各ピクセルが属す
るクラスを決定し、領域を抽出する領域抽出装置と、抽
出した領域を出力する出力装置と、を有することを特徴
とする。
【００１５】本発明第１０記載の画像領域抽出装置は、
前記第９記載の画像領域抽出装置において、前記評価関
数が前記所与の終了条件を満たしていることが確認され
たのち、粗視化の解像度が元の解像度であるかを調べ、
前記データ空間の解像度を元の解像度へ復元する解像度
復元装置を有することを特徴とする。
【００１６】また、本発明は、本発明における画像領域
抽出処理をコンピュータに実行させるための画像領域抽
出プログラムをその特徴とする。
【００１７】本発明では文献１記載の発明と同様に、推
定したクラス帰属確率に基づいて領域を抽出している。
この特徴により、閾値を自動的に設定できるという利点
がある。しかしながら、このクラス帰属確率を推定する
ためには、パラメータの更新を何度も（通常５０回程
度）繰り返し行う必要があり、計算に時間を要するとい
う問題がある。
【００１８】そこで、本発明では画像データの発生源の
モデルとして粗視化確率分布を用い、それに伴ってデー
タ空間も粗視化する。これにより、通常は条件付き確率
分布やクラス帰属確率を数十万個のデータについて計算
する必要があるところを、数千個の部分空間についての
計算に置き換えることができる。この特徴により、領域
抽出に要する時間を大幅に短縮することが可能となる。
【００１９】推定されるクラスパラメータは、粗視化に
よって精度が劣ることになるが、本発明ではクラスパラ
メータを直接使うのではなく、パラメータから計算した
クラス帰属確率に基づいて領域抽出を行うため、後に示
すように、粗視化による誤差の影響をうけることなく領
域抽出を行うことが可能となっている。
【００２０】以下、上記本発明の作用の有効性について
更に詳細に説明する。
【００２１】本発明の第１に記載の画像領域抽出方法に
おいては、画像を構成する各ピクセルの持つ属性値を確
率変数と見なし、推定したピクセル値の確率分布に基づ
いて所望の領域を抽出する。属性値としては、例えばモ
ノクロ画像ならば輝度の値、カラー画像ならば赤
（Ｒ）、緑（Ｇ）、青（Ｂ）の色要素の強度などを用い
ることができる。
【００２２】所望の領域を抽出するためには、各ピクセ
ルの属性値に基づいて、類似の属性をもった複数のグル
ープに各ピクセルを分類する必要がある。本明細書にお
いては、類似の属性を持ったピクセルの集合をクラスと
呼ぶ。各クラスは、例えばそのクラスに属する属性値の
平均値や分散などによって特徴づけられるものとする。
以下、これらクラスの特徴をそのクラスの「クラスパラ
メータ」と呼び、φi（i=1,,,k）と書くこととする。ｋ
はクラスの数である。このような定式化のもとで、ｊ番
目のピクセルが、ｘjという属性値を取る確率は、次の
混合分布で表現できる。
【００２３】
【数１】 ここで、f(xj|φi)はデータがｉ番目のクラスから発生
していると仮定したときの条件付確率分布、ｗiは、各
クラスの混合比で、
【００２４】
【数２】 を満たす。
【００２５】ｘjは、例えばモノクロ画像ならば、0から
255などの整数値をとり、カラー画像ならばＲＧＢの色
要素の値を成分とした３次元ベクトル（xj1,xj2,xj3）
で表される。ここで各ｘjl（l=1,2,3）は、例えば0から
255の整数値を取る。
【００２６】混合比ｗiは、異なるクラスに属する領域
の面積比を表す。例えば、平均輝度200、輝度の標準偏
差が20という特徴で表される明るい画像領域（クラス１
とする）と、平均輝度50、輝度の標準偏差が10という特
徴で表される暗い領域（クラス２とする）の、二つの領
域から構成されるモノクロ画像があるとする。また、そ
の画像の面積の７割を明るい領域が、３割を暗い領域が
占めているとする。この場合、クラスの数はｋ=2、クラ
スパラメータはφ1=(200,20),φ2=(50,10)であり、この
画像の混合分布は、 p(xj)=0.7(xj|200,20)+0.3(xj|50,10) ……(２） などと表現できる。
【００２７】以下、クラス混合比ｗiとクラスパラメー
タφiをまとめてθiと書くことにする。以下において単
に「パラメータ」というときは、このθiを意味するこ
ととする。
【００２８】本発明第１記載の画像領域抽出方法では、
以下のように定義される平均対数尤度
【００２９】
【数３】 を最大にするパラメータを推定し、推定したパラメータ
の情報を利用して領域抽出を行う。ここでｎは画像に含
まれるピクセル数である。このような統計手法は最尤法
と呼ばれている。
【００３０】しかしながら、平均対数尤度Ｌを最大にす
るパラメータを推定することは、一般に困難である。そ
こで、この平均対数尤度Ｌの代わりに次の量
【００３１】
【数４】 で表される完全対数尤度の期待値Ｑを用いてパラメータ
を推定することができる。ここで
【００３２】
【数５】 は、ｊ番目のピクセルがｉ番目のクラスに帰属する確率
である。本発明ではこれをクラス帰属確率と呼ぶ。Ｑが
増大するようにパラメータを更新すれば、上述の平均対
数尤度Ｌも必ず増大することは、数学的に証明されてお
り、この証明は、例えば A. P. Dempster, N.M.Laird,
and D.B.Rubin, Maximum Likelihood FromIncomplete D
ata via The EM Algorithm, J. Roy. Stat. Soc. Vol.3
0, pp.205248, 1977（以下文献２とする）に詳しい。
【００３３】本発明において、推定されたパラメータか
ら実際に領域を抽出するには、以下のように行う。まず
適当な初期パラメータから開始し、（５）式で与えられ
るクラス帰属確率を求める。次にＱを増加させるように
パラメータｗ，φを更新し、改めてＱを算出する。最終
的にＱが増加しなくなるまでこの手順を繰り返す。
【００３４】ｋ個のクラスのうち、例えばｉ番目のクラ
スに属する点を抽出するには、ｉ番目のクラスへの帰属
確率の値を調べ、その確率値が一定値以上のピクセルを
そのクラスに属するものとして分類する。すべてのピク
セルを分類し終わった時点で、ｋ個のクラスの中から所
望の属性を持ったクラスを選択し、そのクラスに属する
ピクセルを画像から抽出すれば、所望の領域を自動的に
抽出することができる。
【００３５】本発明では、このＱの最大化を高速に行う
ために、粗視化確率分布を導入する。粗視化確率分布
は、データが取りうる値全体からなる空間（以下、デー
タ空間と呼ぶ）を互いに交わらないＮ個の部分空間に分
解し、各部分空間に確率を割り当てることによって構成
される。
【００３６】具体的には、ｊ番目の部分空間における粗
視化された条件付き確率分布を
【００３７】
【数６】 で定義し、粗視化条件付き確率分布を
【００３８】
【数７】 とする。ここで、Ａjはｊ番目の部分空間である。Ｄを
データ空間全体とすると
【００３９】
【数８】 を満たす。またＩＡ(x)は、データ値が部分空間Ａに含
まれるときに１、それ以外の時に０となる指示関数で、
m(A)=∫Adx はＡの測度である（データ空間が２次元の
ときにはＡの面積を、３次元空間のときは体積を表
す。） このように定義された粗視化条件付き確率分布を用いる
と、Ｑは、
【００４０】
【数９】 と書き換えることができる。ここで
【００４１】
【数１０】 は粗視化された経験確率分布、
【００４２】
【数１１】 は粗視化されたクラス帰属確率である。この式（９）で
与えられる粗視化された完全対数尤度を最大化すること
によって、次の粗視化平均対数尤度
【００４３】
【数１２】 を最大化することが可能となる。
【００４４】元のＱと比較すると、式（４）で与えられ
るＱが全データに関して和をとっているのに対し、式
（９）で与えられる粗視化された完全対数尤度は、部分
空間に関してのみ和を取っている。後に示すように、こ
の改善によって本発明では計算量が大幅に軽減できる。
例えば、512×512ピクセルの画像の場合、２６万個以上
のデータについて和を取る必要があるが、本発明の粗視
化分布を用いた場合、部分空間に関する和を１０００個
程度にまで軽減でき、高速な推定が可能となる。
【００４５】本発明第２に記載の画像領域抽出方法で
は、各部分空間における粗視化された確率値を、その部
分空間に含まれるデータの平均値における確率値で近似
する。
【００４６】
【数１３】 ここで
【００４７】
【数１４】 は、ｊ部分空間Ａjに含まれるデータの平均値である。
この近似によって、部分空間内における積分（あるいは
総和）操作を省略することができ、さらなる計算量の軽
減が可能となる。
【００４８】本発明第３に記載の画像領域抽出方法で
は、粗視化確率分布を用いて推定したパラメータを初期
値とし、元の解像度で再度推定を行う。この場合、粗視
化確率分布を用いてすでにほぼ最適なパラメータが得ら
れているため、最初から元の解像度で推定を行う場合に
比較して、パラメータの逐次更新の回数がはるかに少な
くてすむため、高精度な推定を高速に行うことが可能と
なる。
【００４９】本発明第４に記載の画像領域抽出方法で
は、領域を抽出する際、推定された混合比ｗiに全ピク
セル数ｎを掛け、ｉ番目の領域に属するピクセル数を推
定する。そして領域帰属確率の高い順に上位ｎi個をこ
の領域に属するピクセルとして抽出する。この方法によ
り、どの値までの確率値をその領域に属しているものと
見なすか、という閾値を自動的に決定することができ
る。
【００５０】本発明第５、第６および第７に記載の画像
領域抽出方法においては、評価関数として、それぞれＡ
ＩＣ、ＭＤＬ、ストラクチュラル・リスクを用い、その
値がもっとも小さい結果を与えるモデルを選択する。最
尤推定においては一般にパラメータの数が多いほど、評
価値としてはよい値を与えるため、本来のパラメータ数
が決定できないという問題がある。
【００５１】これに対し、本発明第５、第６および第７
に記載の評価関数は、過剰なパラメータ数を用いたと
き、評価関数の値が逆に増加するという特性を持ってい
る。これにより、最適なパラメータ数を推定することが
可能となる。領域抽出へ適用する場合は、画像が何種類
の領域から形成されているか、その適切な領域数を推定
することができる。
【００５２】
【発明の実施の形態】次に、本発明の好ましい実施の形
態について、図面を参照しながら詳細に説明する。な
お、以下の説明において用いる記号は、特に言及しない
限りこれまで用いてきた記号の説明に従うものである。
また、以下の実施例では、染色された細胞のカラー顕微
鏡写真から、細胞の各組織（核、腺腔）を抽出する場合
を例に取って説明を行うが、画像として記録されている
像であるならば、以下に説明する方法と同様な方法で実
行できる。
【００５３】図１は本発明の第１の実施形態の画像領域
抽出方法における処理手順を示すフローチャートであ
る。また、図２は本実施形態の画像領域抽出装置の構成
を示すブロック図である。
【００５４】本発明の画像領域抽出装置は、画像データ
を読み込む入力装置１と、データ空間粗視化装置２と、
粗視化経験確率分布算出装置３と、粗視化条件付き確率
分布算出装置４と、クラス帰属確率算出装置５と、パラ
メータ更新装置６と、評価関数算出装置７と、領域抽出
装置８と、出力装置９から構成されている。
【００５５】以下、本発明の画像領域抽出装置の処理に
ついて、図１および図２を用いて説明する。
【００５６】入力装置１は、生物顕微鏡などで観測され
た細胞のカラー画像を入力する（ステップＡ１）。この
入力装置は、例えば、画像スキャナやデジタルカメラな
どを用いて構成することができる。あるいは、生物顕微
鏡をコンピュータに接続し、ネットワークを通して画像
を直接入力することも可能である。入力装置１は、読み
込んだデータをデータ空間粗視化装置２に送る。
【００５７】データ空間粗視化装置２は、本発明第１記
載の第１の工程に基づいて、粗視化データ空間を構成す
る（ステップＡ２）。ここで、データ空間とは、画像の
各ピクセルが取りうる属性値全体の集合を意味する。例
えば標準的グレースケールの画像において、各ピクセル
の属性は輝度によって表すことができ、輝度は通常0か
ら255の整数値で表現される１次元空間である。また、
標準的なカラー画像の場合ならば、Ｒ、Ｇ、Ｂ各色要素
に対し、通常0から255の整数値で表現される３次元空間
となる。
【００５８】部分空間を構成するには、例えば解像度を
８とすると、ＲＧＢの各値を８ずつに区切り、８×８×
８の立方体を１つの部分空間として構成することができ
る。解像度は３次元の軸で同一で無くともよい。例えば
Ｒ軸をｈ1ずつ、Ｇ軸をｈ2ずつ、Ｂ軸をｈ3ずつに区切
って粗視化してもよく、各部分空間が重なりを持たず、
かつ全データ空間をもれなく覆うことができればよい。
以下において、解像度ｈで粗視化すると表現する場合
は、ｈ×ｈ×ｈでＲＧＢの各値を区切ることを意味す
る。
【００５９】データ空間粗視化装置２は、また、各部分
空間に値を取るピクセルの集合と、それらピクセル値の
平均と、ピクセルの個数を保持する。
【００６０】図６に解像度ｈ1×ｈ2×ｈ3で粗視化した
ときの粗視化データ空間１１、および部分空間１２を示
す。例えばｊ番目のピクセルの属性値ｘjが、Ｒ=128、
Ｇ=255、Ｂ=18なる値の時、このピクセルは、（16,31,
2）なる指標で指定される部分空間に値を取る。このこ
とを以下では、ｘjがこの部分空間に含まれる、と表現
する。
【００６１】データ空間粗視化装置２は、粗視化データ
空間を構成した後、各部分空間に含まれるピクセルの番
号と、ピクセル数を粗視化経験確率分布算出装置３に送
る。粗視化経験確率分布算出装置３では、本発明第１記
載の第２の工程に基づいて、粗視化経験確率分布を算出
する（ステップＡ３）。ここで粗視化経験確率分布と
は、粗視化データ空間の各部分空間に含まれる観測デー
タを、全ピクセル数で割った値から算出された確率分布
を表す。
【００６２】粗視化経験確率分布算出装置３は、粗視化
経験確率分布を粗視化条件付き確率分布算出装置４に送
る。粗視化条件付き確率分布算出装置４では、本発明第
１記載の第３の工程に基づいて、クラスパラメータを初
期化する（ステップＡ４）。また、粗視化条件付き確率
分布算出装置４では、本発明第１記載の第４の工程に基
づいて、粗視化条件付き確率分布を算出する（ステップ
Ａ５）。
【００６３】粗視化条件付き確率分布を具体的に算出す
るには、以下のようにする。ここでは、ｊ番目のピクセ
ル値がｉ番目のクラスから発生しているとした条件のも
とでの条件付き確率が、以下のような多次元正規分布
【００６４】
【数１５】 で与えられているとする。ここで、ｘは、ＲＧＢ各色の
値からなる３次元ベクトル、μiはｉ番目のクラスの平
均色を表す３次元ベクトル、Σiはｉ番目のクラスの共
分散行列であり、|Σi|,Σi -1はそれぞれ行列Σiの行列
式，逆行列を表す。また、(x-μi)Ｔは転置を表す。
【００６５】粗視化条件付き確率分布算出装置４では、
この条件付き確率を式（６）で与えられる式で計算す
る。このとき、各部分空間の測度ｍ(Ａj)は、各部分空
間の体積となる。例えば、解像度８で一様に粗視化した
場合、8×8×8=512となる。
【００６６】粗視化条件付き確率分布算出装置４では、
本発明第２記載の方法のように、粗視化条件付き確率分
布を式（１３）によって近似することも可能である。こ
の方法により、パラメータを更新する度に式（６）で与
えられる演算をする必要がなくなり、計算量を大幅に削
減できる効果がある。
【００６７】また、粗視化条件付き確率分布算出装置４
では、本発明第８記載の方法のように、粗視化経験分布
に基づいてパラメータの初期値を決定することも可能で
ある。本発明第８記載の方法では、各部分空間を大雑把
にクラス分類し、分類の結果得られた各クラス内で平均
値や分散値を求め、これらの値をパラメータ推定の初期
値とする。
【００６８】図５は、粗視化経験確率分布に基づいて、
パラメータの初期値を決定する処理手順を示したフロー
チャートである。以下、図５を参照しながらパラメータ
の初期値設定法について説明する。
【００６９】まず、ステップＢ１において、近傍半径ｒ
と、分類すべきクラスの個数ｋを設定する。近傍半径
は、近傍半径内にあるすべての部分空間を同じクラスに
属するとみなし、大雑把にクラス分類するための基準値
として用いられる。例えばカラー画像の場合、同じよう
な色のピクセル同士はＲＧＢ値も近く、したがって同じ
クラスに分類するのが自然であると考えられるからであ
る。
【００７０】後に説明するように、近傍半径が大きすぎ
る場合は所望のクラス数に到達する前に分類が完了して
しまう場合があるが、近傍半径を縮小して再度クラス分
類を行うため、最終的には必要な数のクラスに分類する
ことができる。したがってこの近傍半径の初期値は十分
大きな値に、例えば５０などに設定する。分類すべきク
ラスの個数ｋは、所与の値をそのまま用いる。
【００７１】次に、ステップＢ２において、各部分空間
ごとに、各部分空間の代表値Ｘｊを設定する。各部分空
間の代表値としては、例えば部分空間の中央値などを用
いることができる。以下では、これら代表値間の距離を
部分空間の距離とする。
【００７２】次に分類対象となる部分空間の集合を設定
する（ステップＢ３）。以下ではこの集合をΩと書く。
Ωの初期値は、データを含む全部分空間全体から成る集
合とする。また分類済みクラスの数ｉを1とし、分類済
みクラスＣｉの初期値を空集合とする。
【００７３】次に、Ωに属する部分空間の中から、粗視
化経験確率の最も高い部分空間を選択する（ステップＢ
４）。この部分空間をＡＳと書く。次に、Ωに属する部
分空間とＡＳとの距離を調べ、近傍半径ｒ以内にある部
分空間を全て選択し、これを近傍集合とする（ステップ
Ｂ５）。以下では、近傍集合をＢＳと書く。
【００７４】次に、すでに分類が完了しているクラスＣ
ｉに含まれる部分空間と、近傍集合ＢＳに含まれる部分
空間との最短距離を求め、近傍半径ｒよりも大きいかど
うかを調べる（ステップＢ６）。もしこの最短距離がｒ
よりも大きいならば、近傍集合ＢＳは、すでに分類が完
了したクラスと十分異なる属性を持ち、かつ高い確率で
出現しているから、新しいクラスと見なしてよい。した
がって、近傍集合ＢＳをそのまま新規クラスとして採用
する。
【００７５】ＢＳは分類が完了したので、分類対象集合
Ωから削除する。図５においてはこの削除を、記号を用
いて「Ω←Ω＼ＢＳ」と表している。Ωを更新したらス
テップＢ４に戻る（ステップＢ７）。
【００７６】もし、すでに分類が完了しているクラスＣ
ｉに含まれる部分空間と、近傍集合ＢＳに含まれる部分
空間との最短距離が、近傍半径ｒよりも小さければ、近
傍集合ＢＳはＣｉと属性が近いと考えられるため、ＢＳ
をＣｉに統合する。ＢＳは分類が完了したので、分類対
象集合Ωから削除する（ステップＢ８）。
【００７７】次に、Ωが空集合であるかどうかを調べ
（ステップＢ９）、もし、空集合でなければ、ステップ
Ｂ４へ行き、Ωが空集合であれば、分類が完了したクラ
スの数がｋ個以上あるかどうかを調べ（ステップＢ１
０）、ｋ個以下なら近傍半径ｒに１以下の定数をかけて
半径を縮小する。この定数としては例えば0.9などの値
を用いることができる。そののちステップＢ３以下を繰
り返す。
【００７８】もし、Ωが空集合であり、かつ分類済みの
クラスの数が所与の数よりも多ければ、所望の数のクラ
ス分類が完了しているので、各クラス内で前記クラスパ
ラメータを算出し、これをクラスパラメータの初期値と
し、また各クラス内に含まれる部分空間の数の比率を前
記クラス混合比の初期値とする（ステップＢ１２）。
【００７９】図７は、図５に示す粗視化経験確率分布に
基づいてパラメータの初期値を決定する初期値設定の手
順を理解しやすくするための簡単な例を表した図であ
る。図７ではデータ空間が一次元であるとし、全部で１
０個の部分空間に分けられていると仮定する。以下、図
７を用いて初期値設定の手順について説明する。
【００８０】図７（ａ）において、横軸は部分空間の番
号を表し、縦軸は粗視化経験確率分布を表す。以下では
処理の流れを直観的に説明することに主眼を置くため、
粗視化経験確率値や部分空間の代表値、近傍半径につい
ては具体的な数値は用いず、図示することにする。
【００８１】まず、スッテプＢ１において、例えばクラ
ス数を２とし、近傍半径をｒとする。ステップＢ２にお
いて、各部分空間の代表値を設定する。ステップＢ３に
おいて、分類対象集合Ωの初期値は、データを含んだ全
部分空間とするので、 Ω＝｛Ａ３，Ａ４，Ａ５，Ａ６，Ａ７，Ａ８｝ となる。Ａ１，Ａ２およびＡ９，Ａ１０は、粗視化確率
が０、すなわちこれらの部分空間に含まれるデータは観
測されていないので、分類対象集合には含めない。
【００８２】ステップＢ４で、分類対象集合に含まれる
部分空間の中で、最も高い粗視化経験確率を持つＡ７を
選び、これをＡＳとする（図７（ａ））。ステップＢ５
で、Ａ７から近傍半径ｒ内にある部分空間を選択し、こ
れをＢＳとする。図７（ａ）に示された近傍半径内にあ
る部分空間は、Ａ５，Ａ６，Ａ７，Ａ８であるから、 ＢＳ＝｛Ａ５，Ａ６，Ａ７，Ａ８｝ となる（図７（ｂ））。
【００８３】スッテプＢ６において、分類されているク
ラスはまだないので、このＢＳをそのまま最初のクラス
Ｃ１として採用し、分類対象集合からＢＳを取り除き、
ステップＢ４に戻る。図７（ｂ）において、粗視化経験
確率の高さを示す棒グラフが白抜きで表されているの
は、部分空間が分類対象集合から除かれたことを表す。
【００８４】ステップＢ４において、残りの分類対象集
合の中で最も高い粗視化経験確率を持つものは、Ａ４で
あるから、これを新たにＡＳとする（図７（ｃ））。ス
テップＢ５で、Ａ４から近傍半径ｒ内にある部分空間を
選択して、これをＢＳとする。ここでは、 ＢＳ＝｛Ａ３，Ａ４｝ となる。
【００８５】ステップＢ６で、分類済みのクラス、すな
わち Ｃ１＝｛Ａ５，Ａ６，Ａ７，Ａ８｝ を調べると、Ａ４から近傍半径ｒ内にあるＡ５，Ａ６を
含んでいる。したがって現在のＢＳを分類済みのクラス
Ｃ１に統合する（図７（ｄ））。
【００８６】これで分類対象集合Ωは空となり、全ての
部分空間の分類が完了したことになるが、分類されたク
ラス数は１であり、所望のクラス数２に達していない
（スッテプＢ１０）。したがって近傍半径を縮小し（ス
テップ１１）、ステップＢ３以下を繰り返す。
【００８７】以下、縮小された半径をｒ’とし（図７
（ｅ））、上述の説明と同様の手続きを繰り返す。ただ
し、今回は近傍半径が縮小されているため、以下のよう
な違いが生じる。即ち、Ａ７の近傍半径ｒ’内にある部
分空間は、今回の場合 ＢＳ＝｛Ａ６，Ａ７，Ａ８｝ となる（図７（ｆ））。
【００８８】このＢＳをそのまま最初のクラスＣ１とし
て採用し、残りの分類対象集合の中から最も高い粗視化
経験確率を持つＡ４を選ぶ（図７（ｇ））。Ａ４から近
傍半径ｒ’内にある部分空間は、 ＢＳ＝｛Ａ３，Ａ４，Ａ５｝ となる。今回は、分類済みのクラスＣ１の中に、Ａ４か
ら近傍半径ｒ’内にある部分空間は存在しないので、現
在のＢＳを新規クラスＣ２として採用する（図７
（ｈ））。これで全ての部分空間が所望の二つのクラス
に分類されたことになる。
【００８９】大雑把なクラス分類が完了すれば、分類さ
れたクラス内で平均や分散を求め、以降で行う推定の初
期パラメータとすることができる。初期パラメータを適
切に設定することは、粗視化対数尤度の最大化の過程で
局所最適解に陥ることを防止する上で有効である。
【００９０】粗視化条件付き確率分布算出装置４では、
このようにして求めたパラメータを初期値として粗視化
条件付き確率分布を求めることが可能となる。粗視化条
件付き確率分布算出装置４は、求めた粗視化条件付き確
率分布をクラス帰属確率算出装置５に送る。クラス帰属
確率算出装置５は、本発明第１記載の第５の工程に基づ
いて、式（１１）を用いてクラス帰属確率を算出する
（ステップＡ６）。
【００９１】このクラス帰属確率は、ｊ番目の部分空間
に含まれるピクセルが、ｉ番目のクラスに属する確率を
表す。したがって、画像各ピクセルに対してこのクラス
帰属確率を算出し、確率の高いクラスに各ピクセルを分
類することによって、領域抽出が容易に行うことが可能
となる。クラス帰属確率算出装置５は、算出したクラス
帰属確率をパラメータ更新装置６に送る。
【００９２】パラメータ更新装置６では、本発明第１記
載の第６の工程に基づいて、式（９）を最大化するよう
にパラメータを更新する。具体的には、以下のようにパ
ラメータを更新する。
【００９３】
【数１６】 ここで、
【００９４】
【数１７】 は、ベクトルｕ，ｖのｉ成分とｊ成分の積ｕｉｖｊをｉ
ｊ成分に持つマトリクスを表す。また、
【００９５】
【数１８】 は、式（１４）で定義されるｊ番目の部分空間Ａｊに含
まれるデータの平均値である。
【００９６】すでに述べたように、このようにパラメー
タを更新すれば、式（９）で与えられる粗視化された完
全対数尤度は増加し、したがって式（１２）で与えられ
る粗視化平均対数尤度も増加する。このことは文献２に
詳しい説明がある。パラメータ更新装置６は、パラメー
タを更新した後、更新したパラメータを評価関数算出装
置７に送る。評価関数算出装置７は、本発明第１記載の
第７の工程に従って、式（１２）を用いて粗視化対数尤
度を算出する（ステップＡ８）。
【００９７】また粗視化対数尤度のかわりに、本発明第
５に記載のＡＩＣ
【００９８】
【数１９】 を用い、ＡＩＣが小さいほど良い推定結果であるとする
評価関数を用いることも可能である。ここでｍは、全パ
ラメータの個数を表す。ＡＩＣは粗視化対数尤度にマイ
ナスを掛けた量に比例するため、パラメータ変更装置６
で行う更新によってＡＩＣは減少する方向に変化する。
また、パラメータに比例する項が付加されているため、
同じ粗視化対数尤度ならばパラメータの少ないモデルを
用いた推定結果の方が良いとする。この評価関数を用い
ることにより、データへの過剰な適合が抑制され、雑音
に強い推定を行うことが可能となる。
【００９９】また、本発明第６に記載するように、次式
で定義されるＭＤＬ
【０１００】
【数２０】 を用いても同様な効果が得られる。
【０１０１】さらに、ストラクチュラル・リスク
【０１０２】
【数２１】 を用いても同様な効果が得られる。ここでηは式（２
１）が確率ηで成り立つことを表し、通常0.01などの値
を用いる。c,a1,a2は確率分布の性質によって決まる定
数であるが、通常 c＝１,a1＝１,a2＝１などの値が用いられる。ｈはＶＣ
次元と呼ばれるものであり、パラメータの数に比例する
量である。
【０１０３】評価関数算出装置７は、本発明請求項１の
第８の工程として記載されるように、評価関数の変化が
所与の終了条件を満たしているかどうかを調べ、終了条
件が満たされていれば領域抽出装置８に現在のパラメー
タを送り、終了条件が満たされていなければ粗視化条件
付き確率分布算出装置４に現在のパラメータを送る（ス
テップＡ９）。終了条件としては、例えば現時点での評
価関数値と前回算出した評価関数値の差を現時点での評
価関数値で割り、その値の絶対値が0.0001以下であるか
どうか、などの条件を用いることができる。
【０１０４】領域抽出装置８は、本発明請求項１の第９
の工程として記載されるように、評価関数算出装置７か
らパラメータを受け取り、パラメータの情報を用いて領
域を抽出する（ステップＡ１０）。例えば、ｉ番目のク
ラスに属する領域を抽出するには、式（１１）で与えら
れる粗視化されたクラス帰属確率の値をｊ＝１からｊ＝
Ｎまで調べ、その確率がある値（閾値）以上の部分空間
をｉ番目のクラスに属する部分空間とする。次に、その
部分空間に含まれるピクセルを調べ、これらのピクセル
をｉ番目の領域であるとして抽出する。クラス帰属確率
の閾値としては、例えば0.5を用いれば、所望の結果を
得ることができる。
【０１０５】領域抽出装置８は、本発明請求項４に記載
されるように、自動的に閾値を設定することも可能であ
る。そのためには以下のようにする。ｉ番目の領域を抽
出するためには、まず推定されたクラス混合比ｗｉに全
ピクセル数を掛け、各クラスに属するピクセル数の推定
値を求める。この数をｎｉとする。
【０１０６】次に、式（１１）の粗視化されたクラス帰
属確率をｊ＝１からｊ＝Ｎまで調べ、値の高い部分空間
から順に、その部分空間に含まれるピクセルを抽出し、
抽出したピクセルがｎｉに到達するまで続ける。ｎｉ番
目に抽出したピクセルの番号をｌとすると、式（１１）
の粗視化されたクラス帰属確率の値が、ｉ番目の領域に
属する確率の閾値となる。領域抽出装置８は、領域抽出
が完了した後、抽出した領域のデータを出力装置９へ送
る。
【０１０７】上に説明した、データ空間粗視化装置２、
粗視化経験分布算出装置３、粗視化条件付き確率分布
４、クラス帰属確率算出装置５、パラメータ更新装置
６、評価関数算出装置７、領域抽出装置８は、例えば、
パーソナルコンピュータやワークステーション、あるい
はスーパーコンピュータなどの計算機を用いて構築する
ことができる。出力装置９は、領域抽出装置８から領域
データを受け取り、出力する（ステップＡ１１）。出力
装置９は、例えばディスプレイ装置やプリンタなどを用
いて構成することができる。
【０１０８】図３は本発明の第２の実施形態の画像領域
抽出方法における処理手順を示すフローチャートであ
る。また、図４は本実施形態の画像領域抽出装置の構成
を示すブロック図である。本実施形態は、第１の実施形
態に領域復元装置１０を追加した点を特徴とする。従っ
て、以下の説明では、第１の実施の形態と重複する部分
の説明は省略する。
【０１０９】領域復元装置１０は、請求項３に記載され
るように、粗視化確率分布を用いたパラメータ推定が完
了した後、粗視化の解像度が元の解像度に等しいかを調
べ（ステップＡ１２）、粗視化されていれば、データを
元の解像度に戻す（ステップＡ１３）。粗視化されてい
なければ、元の解像度での推定が完了していることを意
味するから、元の解像度で推定されたパラメータを領域
抽出装置８に送る。
【０１１０】データを元の解像度に戻すには、粗視化の
解像度をデータ属性値の最小単位に設定し（例えば
１）、第１の実施の形態に述べた方法と全く同一の方法
を繰り返せばよい。この場合、第１の実施例で述べた方
法よりも推定に時間を要するようになるが、より高い精
度でパラメータを推定することができ、結果としてより
精度の高い領域抽出が可能となる。また、粗視化確率分
布を用いて推定したパラメータは、すでに最適なパラメ
ータの近傍に推定されているため、最初から高い解像度
で推定を行うよりも少ない回数のパラメータ更新で最適
パラメータが推定でき、はるかに高速に領域抽出を行う
ことができる。
【０１１１】次に、シミュレーションデータを用いて本
発明の有効性を評価した結果について説明する。
【０１１２】図８は、細胞の顕微鏡写真を模擬した画像
であり、腺腔（画像中もっとも明るい領域）、細胞核
（腺腔の周りを取り囲むように存在する輝度の低い小さ
な円形の組織）、およびそれ以外の組織から成る。書面
ではモノクロ画像であるが、実際は腺腔が薄いピンク、
細胞核が暗い青紫色、それ以外の領域が赤紫色のカラー
画像となっている。
【０１１３】ここでの目的は、画像から腺腔領域と細胞
核領域を分離して抽出することである。抽出した腺腔の
形状、細胞核の密度や大きさは、例えば細胞が癌化して
いるかどうかの判定に役立てることができる。しかしな
がら図８からわかるように、細胞核に対応する領域は背
景と区別が付きにくく、通常の方法では細胞核領域だけ
を自動抽出することは困難である。
【０１１４】この画像に対し、本発明に記載する手法を
用いて、腺腔領域と細胞核領域を抽出することを試み
た。ここでの推定は、粗視化解像度を16×16×16とし、
クラスの数を３と仮定して行っている。クラスの数を３
としたのは、細胞核に対応する領域（クラス１とす
る）、腺腔に対応する領域（クラス２とする）、それ以
外の領域（クラス３とする）に分離できることを期待し
ているからである。
【０１１５】このようにして得られた推定結果を図９
（ａ）、（ｂ）、（ｃ）、（ｄ）に示す。図９（ａ）
は、クラス１（細胞核領域）のクラス帰属確率を３次元
的に表現したものであり、ｘ軸、ｙ軸が画像上のピクセ
ル位置を示し、ｚ軸が帰属確率値を表している。図９
（ｂ）はクラス１への帰属確率を２次元的に濃淡で表示
したものであり、クラス１に属する確率が低いピクセル
ほど黒く、確率が高いピクセルほど白く表現されてい
る。
【０１１６】同様にして図９の（ｃ）、（ｄ）は、クラ
ス２（腺腔領域）へのクラス帰属確率を、それぞれ３次
元的、２次元的に表したものであり、帰属確率の高い部
分が腺腔領域に属するピクセルとなっていることが分か
る。（クラス３に対する結果は、今の場合抽出対象では
ないので省略する。）これらの結果は、閾値を陽に設定
することなく自動的に得られたものであり、各クラスへ
の帰属確率の分布を調べるだけで、領域抽出が可能とな
っている。
【０１１７】同じ推定を、粗視化無し（粗視化解像度
１）で行った結果を図１０の（ａ）、（ｂ）、（ｃ）、
（ｄ）に示す。図１０（ａ）、（ｂ）は、クラス１への
クラス帰属確率を、それぞれ３次元的、２次元的に表し
たもの、また図１０（ｃ）、（ｄ）は、クラス２への帰
属確率を、それぞれ３次元的、２次元的に表したもので
ある。これらの図から、粗視化解像度１６での推定結果
と粗視化無しでの推定結果がほとんど同じであることが
分かる。
【０１１８】推定されたパラメータ値を比較すると、例
えばクラス１に属する領域の平均ＲＧＢ値は、粗視化無
しで推定した場合ＲＧＢ＝（１４３.０６８，８６.６８
９，１３５.７３７）、解像度１６で推定した場合ＲＧ
Ｂ＝（１４１.５２２，８６.１２８，１３５.５１３）
となっており、粗視化の影響はほとんどない。
【０１１９】しかしながら、粗視化のある無しでは推定
時間に大きな差が生じる。この違いを調べるために、さ
まざまな粗視化解像度で推定したときの推定時間を比較
したグラフを図１１に示す。このグラフより、粗視化解
像度１６で推定した場合、粗視化無しで推定したときに
比べて約１／７の時間で推定できていることがわかる。
【０１２０】
【発明の効果】以上に説明したように本発明では、クラ
ス帰属確率に基づいて領域抽出を行うことにより、閾値
を陽に設定することなく、自動的に画像データから所望
の領域を抽出することができる。また、粗視化確率分布
を用いることにより、従来例よりも更に高速に領域抽出
を行うことができる。
【図面の簡単な説明】
【図１】本発明の第１の実施の形態における処理手順を
示すフローチャートである。
【図２】本発明の第１の実施の形態における、画像領域
抽出装置の構成を示すブロック図である。
【図３】本発明の第２の実施の形態における処理手順を
示すフローチャートである。
【図４】本発明の第２の実施の形態における、画像領域
抽出装置の構成を示すブロック図である。
【図５】本発明の第１の実施の形態における、パラメー
タの初期化手順を示すフローチャートである。
【図６】粗視化データ空間と部分空間の一形態を示す図
である。
【図７】本発明請求項８記載の、パラメータの初期化方
法の一例を表した図である。
【図８】本発明が適応できる画像の一例である。
【図９】本発明を用いた画像領域抽出を、粗視化解像度
１６で行った結果を示しており、（ａ）クラス１（細胞
核領域）に属するクラス帰属確率分布の３次元表示、
（ｂ）クラス１（細胞核領域）に属するクラス帰属確率
分布の２次元表示、（ｃ）クラス２（腺腔領域）に属す
るクラス帰属確率分布の３次元表示、（ｄ）クラス２
（腺腔領域）に属するクラス帰属確率分布の２次元表示
をそれぞれ示す。
【図１０】本発明を用いた画像領域抽出を、粗視化無し
（粗視化解像度１）で行った結果を示しており、（ａ）
クラス１（細胞核領域）に属するクラス帰属確率分布の
３次元表示、（ｂ）クラス１（細胞核領域）に属するク
ラス帰属確率分布の２次元表示、（ｃ）クラス２（腺腔
領域）に属するクラス帰属確率分布の３次元表示、
（ｄ）クラス２（腺腔領域）に属するクラス帰属確率分
布の２次元表示をそれぞれ示す。
【図１１】本発明を用いた画像領域抽出を、粗視化解像
度１、２、４、８、１６で行ったときの推定時間を示す
グラフである。
【符号の説明】
１ 入力装置 ２ データ空間粗視化装置 ３ 粗視化経験確率分布算出装置 ４ 粗視化条件付き確率分布算出装置 ５ クラス帰属確率算出装置 ６ パラメータ更新装置 ７ 評価関数算出装置 ８ 領域抽出装置 ９ 出力装置 １０ 領域復元装置 １１ 粗視化データ空間 １２ 部分空間 Ａ１〜Ａ１３ ステップ Ｂ１〜Ｂ１２ ステップ

Claims (18)

    【特許請求の範囲】
  1. 【請求項１】 領域抽出の対象となる像を含む画像デー
    タに対し、画像上の各ピクセルを複数のクラスに分類
    し、所望の領域を抽出する画像領域抽出方法において、 前記画像の前記各ピクセルが取りうる属性値全体から構
    成されるデータ空間を、所与の解像度で部分空間に分解
    し、該各部分空間に属性値を取るピクセルの集合と、該
    ピクセルの属性値の平均と、該ピクセルの個数を保持
    し、粗視化データ空間を構成する第１の工程と、 前記各部分空間のピクセル数を前記画像に含まれる全ピ
    クセル数で割り、前記粗視化データ空間上の粗視化経験
    確率分布を算出する第２の工程と、 前記各クラスの属性を規定するクラスパラメータ、前記
    クラスの数、および前記クラスの混合比率を初期化する
    第３の工程と、 前記各クラスの属性を規定するクラスパラメータから、
    前記クラスが指定されたもとでの条件付き確率分布を算
    出し、前記クラスが指定されたもとでの条件付き確率分
    布を、前記各部分空間内で平均化することによって粗視
    化条件付き確率分布を算出する第４の工程と、 前記画像を構成する各ピクセルが前記各クラスに帰属す
    る確率であるクラス帰属確率を、前記クラス混合比に前
    記粗視化条件付き確率分布を掛けることにより算出する
    第５の工程と、 評価関数を増加させるように前記クラスパラメータ、お
    よび前記クラス混合比を更新する第６の工程と、 前記粗視化条件付き確率分布を用いて、前記評価関数と
    して粗視化対数尤度を算出する第７の工程と、 前記評価関数が所与の終了条件を満たしているかどうか
    を調べる第８の工程と、 前記評価関数が前記所与の終了条件を満たした後、前記
    クラスパラメータおよび前記クラス混合比を保持し、前
    記クラス帰属確率に基づいて、前記ピクセルが属する領
    域を決定し、前記所望の領域を抽出する第９の工程とを
    有し、 前記評価関数が前記所与の条件を満たすまで、前記第
    ４、前記第５、前記第６、前記第７、および前記第８の
    工程を繰り返すことを特徴とする画像領域抽出方法。
  2. 【請求項２】 前記第４の工程において、前記粗視化条
    件付き確率分布を算出する際に、前記各部分空間に含ま
    れるデータの平均値を算出し、該平均値を用いて前記各
    部分空間における前記粗視化条件付き確率分布を算出す
    ることを特徴とする請求項１に記載の画像領域抽出方
    法。
  3. 【請求項３】 前記第８の工程において、前記評価関数
    が前記所与の終了条件を満たしたとき、前記粗視化の解
    像度が元の解像度であるかを調べる第１０の工程と、前
    記粗視化の解像度が元の解像度でなかったとき前記部分
    空間の解像度を元の解像度へ復元する第１１の工程とを
    有し、 前記第３の工程において、前記第９の工程で保持されて
    いるクラスパラメータおよび前記クラス混合比を初期値
    として用い、所与の条件が満たされるまで、前記第４、
    前記第５、前記第６、前記第７、および前記第８の工程
    を繰り返すことを特徴とする請求項１または２に記載の
    画像領域抽出方法。
  4. 【請求項４】 前記第９の工程において、推定された前
    記クラス混合比に前記画像を構成する全ピクセル数を掛
    けて前記各クラスに属するピクセル数を算出し、前記ク
    ラス帰属確率が高い順から前記ピクセルを選択し、前記
    各クラスに属するピクセルを決定することを特徴とする
    請求項１及至３のいずれかに記載の画像領域抽出方法。
  5. 【請求項５】 前記第７の工程において、前記評価関数
    としてＡＩＣを用い、前記第６の工程において評価関数
    を減少させるようパラメータを変更することを特徴とす
    る請求項１及至４のいずれかに記載の画像領域抽出方
    法。
  6. 【請求項６】 前記第７の工程において、前記評価関数
    としてＭＤＬを用い、前記第６の工程において該評価関
    数を減少させるようパラメータを変更することを特徴と
    する請求項１及至４のいずれかに記載の画像領域抽出方
    法。
  7. 【請求項７】 前記第７の工程において、前記評価関数
    としてストラクチュラル・リスク（Structural Risk）
    を用い、前記第６の工程において該評価関数を減少させ
    るようパラメータを変更することを特徴とする請求項１
    及至４のいずれかに記載の画像領域抽出方法。
  8. 【請求項８】 前記第３の工程は、 前記各部分空間同士が近傍にあるかどうかを定義する近
    傍半径と、前記クラスの数を設定する第１のステップ
    と、 前記各部分空間ごとに、各部分空間の代表値を設定する
    第２のステップと、 分類対象部分空間の集合を設定する第３のステップと、 前記分類対象部分空間の集合の中から、前記粗視化経験
    確率の最も高い部分空間を選択する第４のステップと、 前記粗視化経験確率の最も高い部分空間の代表値との距
    離が、前記近傍半径以内である代表値を持つ部分空間全
    てを、近傍集合として選択する第５のステップと、 すでに分類が完了したクラスに含まれる部分空間の代表
    値と、前記近傍集合に含まれる部分空間の代表値との間
    の最短距離が、前記近傍半径よりも大きいかどうかを調
    べる第６のステップと、 もし、すでに分類が完了したクラスに含まれる部分空間
    の代表値と、前記近傍集合に含まれる部分空間の代表値
    との間の最短距離が、前記近傍半径よりも大きければ、
    前記近傍集合を新規クラスとし、前記分類対象部分空間
    から前記近傍集合を削除して前記第４のステップ以降を
    繰り返す第７のステップと、 前記最短距離が前記近傍半径以下であれば、前記近傍集
    合をすでに分類済みのクラスに追加し、前記分類対象部
    分空間から、前記近傍集合を削除する第８のステップ
    と、 前記分類対象部分空間が空集合であるかどうかを調べる
    第９のステップと、 もし、前記分類対象部分空間が空集合でなければ、前記
    第４のステップ以下を繰り返し、前記分類対象部分空間
    が空集合であれば、分類が完了したクラスの数が所与の
    数以上あるかどうかを調べる第１０のステップと、 もし分類が完了したクラスの数が所与の数よりも少なけ
    れば、前記近傍半径を縮小して前記第３のステップ以降
    を繰り返す第１１のステップと、 もし、前記分類対象部分空間が空集合であり、かつ分類
    済みのクラスの数が所与の数よりも多ければ、各クラス
    内で前記クラスパラメータを算出し、これをクラスパラ
    メータの初期値とし、また各クラス内に含まれる部分空
    間の数の比率を前記クラス混合比の初期値とする第１２
    のステップと、からなることを特徴とする請求項１及至
    ７のいずれかに記載の画像領域抽出方法。
  9. 【請求項９】 領域抽出の対象となる像を含む画像デー
    タに対し、画像上の各ピクセルを複数のクラスに分類
    し、所望の領域を抽出する画像領域抽出装置において、 画像データを読み込む入力装置と、 前記画像の前記各ピクセルが取りうる属性値全体から構
    成されるデータ空間を、所与の解像度で部分空間に分解
    し、該各部分空間に属性値を取るピクセルの集合と、該
    ピクセルの属性値の平均と、該ピクセルの個数を保持
    し、粗視化データ空間を構成する領域粗視化装置と、 前記各部分空間のピクセル数を前記画像に含まれる全ピ
    クセル数で割り、前記粗視化データ空間上の粗視化経験
    分布を算出する粗視化経験確率分布算出装置と、 前記各クラスの属性を規定するクラスパラメータ、前記
    クラスの数、および前記クラスの混合比率を初期化し、
    前記各クラスの属性を規定するクラスパラメータから、
    前記クラスが指定されたもとでの条件付き確率分布を算
    出し、前記クラスが指定されたもとでの条件付き確率分
    布を、前記各部分空間内で平均化することによって粗視
    化条件付き確率分布を算出する粗視化条件付き確率分布
    算出装置と、 前記画像を構成する各ピクセルが前記各クラスに帰属す
    る確率であるクラス帰属確率を、前記粗視化条件付き確
    率分布から算出するクラス帰属確率算出装置と、 評価関数として粗視化対数尤度を用いるときには、該評
    価関数を増加させるように、また評価関数としてＡＩ
    Ｃ、ＭＤＬ、ストラクチュラル・リスクのいずれかを用
    いる場合は該評価関数を減少させるように前記パラメー
    タを更新するパラメータ更新装置と、 前記粗視化対数尤度、前記ＡＩＣ、前記ＭＤＬ、前記ス
    トラクチュラル・リスクのいずれかを用いて前記評価関
    数を算出する評価関数算出装置と、 前記評価関数が所与の終了条件を満たしているかどうか
    を調べ、前記評価関数が前記所与の終了条件を満たした
    後、前記パラメータを保持し、前記クラス帰属確率に基
    づいて、前記各ピクセルが属するクラスを決定し、領域
    を抽出する領域抽出装置と、 抽出した領域を出力する出力装置と、を有することを特
    徴とする画像領域抽出装置。
  10. 【請求項１０】 前記評価関数が前記所与の終了条件を
    満たしていることが確認されたのち、粗視化の解像度が
    元の解像度であるかを調べ、前記データ空間の解像度を
    元の解像度へ復元する解像度復元装置を有することを特
    徴とする請求項９に記載の画像領域抽出装置。
  11. 【請求項１１】 領域抽出の対象となる像を含む画像デ
    ータに対し、画像上の各ピクセルを複数のクラスに分類
    することによって所望の画像領域を抽出する処理をコン
    ピュータに実行させるためのプログラムであって、 前記画像を構成する各ピクセルが取りうる属性値全体か
    ら構成されるデータ空間を、所与の解像度で部分空間に
    分解し、該各部分空間に属性値を取るピクセルの集合
    と、該ピクセルの属性値の平均と、該ピクセルの個数を
    保持し、粗視化データ空間を構成する第１の処理と、 前記各部分空間のピクセル数を前記画像に含まれる全ピ
    クセル数で割り、前記粗視化データ空間上の粗視化経験
    確率分布を算出する第２の処理と、 前記各クラスの属性を規定するクラスパラメータ、前記
    クラスの数、および前記クラスの混合比率を初期化する
    第３の処理と、 前記各クラスの属性を規定するクラスパラメータから、
    前記クラスが指定されたもとでの条件付き確率分布を算
    出し、前記クラスが指定されたもとでの条件付き確率分
    布を、前記各部分空間内で平均化することによって粗視
    化条件付き確率分布を算出する第４の処理と、 前記画像を構成する各ピクセルが前記各クラスに帰属す
    る確率であるクラス帰属確率を、前記クラス混合比に前
    記粗視化条件付き確率分布を掛けることにより算出する
    第５の処理と、 評価関数を増加させるように前記クラスパラメータ、お
    よび前記クラス混合比を更新する第６の処理と、 前記粗視化条件付き確率分布を用いて、前記評価関数と
    して粗視化対数尤度を算出する第７の処理と、 前記評価関数が所与の終了条件を満たしているかどうか
    を調べる第８の処理と、 前記評価関数が前記所与の終了条件を満たした後、前記
    クラスパラメータおよび前記クラス混合比を保持し、前
    記クラス帰属確率に基づいて、前記ピクセルが属する領
    域を決定し、前記所望の領域を抽出する第９の処理とを
    含み、 前記評価関数が前記所与の条件を満たすまで、前記第
    ４、前記第５、前記第６、前記第７、および前記第８の
    処理を繰り返すことを特徴とする画像領域抽出プログラ
    ム。
  12. 【請求項１２】 前記第４の処理は、前記粗視化条件付
    き確率分布を算出する際に、前記各部分空間に含まれる
    データの平均値を算出し、該平均値を用いて前記各部分
    空間における前記粗視化条件付き確率分布を算出する処
    理を含むことを特徴とする請求項１１に記載の画像領域
    抽出プログラム。
  13. 【請求項１３】 前記第８の処理において、前記評価関
    数が前記所与の終了条件を満たしたとき、前記粗視化の
    解像度が元の解像度であるかを調べる第１０の処理と、
    前記粗視化の解像度が元の解像度でなかったとき前記部
    分空間の解像度を元の解像度へ復元する第１１の処理を
    含み、 前記第３の処理において前記第９の処理で保持されてい
    るクラスパラメータおよび前記クラス混合比を初期値と
    して用い、前記評価関数が前記所与の条件を満たすま
    で、前記第４、前記第５、前記第６、前記第７、および
    前記第８の処理を繰り返すことを特徴とする請求項１１
    または１２に記載の画像領域抽出プログラム。
  14. 【請求項１４】 前記第９の処理は、推定された前記ク
    ラス混合比に前記画像を構成する全ピクセル数を掛けて
    前記各クラスに属するピクセル数を算出し、前記クラス
    帰属確率が高い順から前記ピクセルを選択し、前記各ク
    ラスに属するピクセルを決定する処理を含むことを特徴
    とする請求項１１及至１３のいずれかに記載の画像領域
    抽出プログラム。
  15. 【請求項１５】 前記第７の処理は、前記評価関数とし
    て前記粗視化対数尤度に代えてＡＩＣを算出する処理で
    あり、前記第６の処理は、該評価関数を減少させるよう
    パラメータを変更する処理であることを特徴とする請求
    項１及至４のいずれかに記載の画像領域抽出プログラ
    ム。
  16. 【請求項１６】 前記第７の処理は、前記評価関数とし
    て前記粗視化対数尤度に代えてＭＤＬを算出する処理で
    あり、前記第６の処理は、該評価関数を減少させるよう
    パラメータを変更する処理であることを特徴とする請求
    項１及至４のいずれかに記載の画像領域抽出プログラ
    ム。
  17. 【請求項１７】 前記第７の処理は、前記評価関数とし
    て前記粗視化対数尤度に代えてストラクチュラル・リス
    ク（Structural Risk）を算出する処理であり、前記第
    ６の処理は、該評価関数を減少させるようパラメータを
    変更する処理であることを特徴とする請求項１及至４の
    いずれかに記載の画像領域抽出プログラム。
  18. 【請求項１８】 前記第３の処理は、 前記各部分空間同士が近傍にあるかどうかを定義する近
    傍半径と、前記クラスの数を設定する第１のステップ
    と、 前記各部分空間ごとに、各部分空間の代表値を設定する
    第２のステップと、 分類対象部分空間の集合を設定する第３のステップと、 前記分類対象部分空間の集合の中から、前記粗視化経験
    確率の最も高い部分空間を選択する第４のステップと、 前記粗視化経験確率の最も高い部分空間の代表値との距
    離が、前記近傍半径以内である代表値を持つ部分空間全
    てを、近傍集合として選択する第５のステップと、 すでに分類が完了したクラスに含まれる部分空間の代表
    値と、前記近傍集合に含まれる部分空間の代表値との間
    の最短距離が、前記近傍半径よりも大きいかどうかを調
    べる第６のステップと、 もし、すでに分類が完了したクラスに含まれる部分空間
    の代表値と、前記近傍集合に含まれる部分空間の代表値
    との間の最短距離が、前記近傍半径よりも大きければ、
    前記近傍集合を新規クラスとし、前記分類対象部分空間
    から前記近傍集合を削除して前記第４のステップ以降を
    繰り返す第７のステップと、 前記最短距離が前記近傍半径以下であれば、前記近傍集
    合をすでに分類済みのクラスに追加し、前記分類対象部
    分空間から、前記近傍集合を削除する第８のステップ
    と、 前記分類対象部分空間が空集合であるかどうかを調べる
    第９のステップと、 もし、前記分類対象部分空間が空集合でなければ、前記
    第４のステップ以下を繰り返し、前記分類対象部分空間
    が空集合であれば、分類が完了したクラスの数が所与の
    数以上あるかどうかを調べる第１０のステップと、 もし分類が完了したクラスの数が所与の数よりも少なけ
    れば、前記近傍半径を縮小して前記第３のステップ以降
    を繰り返す第１１のステップと、 もし、前記分類対象部分空間が空集合であり、かつ分類
    済みのクラスの数が所与の数よりも多ければ、各クラス
    内で前記クラスパラメータを算出し、これをクラスパラ
    メータの初期値とし、また各クラス内に含まれる部分空
    間の数の比率を前記クラス混合比の初期値とする第１２
    のステップと、を含むことを特徴とする請求項１１及至
    １７のいずれかに記載の画像領域抽出プログラム。
JP2002108608A 2002-04-10 2002-04-10 画像領域抽出方法および装置 Expired - Fee Related JP3649328B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2002108608A JP3649328B2 (ja) 2002-04-10 2002-04-10 画像領域抽出方法および装置
US10/409,140 US7136540B2 (en) 2002-04-10 2003-04-09 Picture region extraction method and device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2002108608A JP3649328B2 (ja) 2002-04-10 2002-04-10 画像領域抽出方法および装置

Publications (2)

Publication Number Publication Date
JP2003303344A true JP2003303344A (ja) 2003-10-24
JP3649328B2 JP3649328B2 (ja) 2005-05-18

Family

ID=28786527

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2002108608A Expired - Fee Related JP3649328B2 (ja) 2002-04-10 2002-04-10 画像領域抽出方法および装置

Country Status (2)

Country Link
US (1) US7136540B2 (ja)
JP (1) JP3649328B2 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005234810A (ja) * 2004-02-18 2005-09-02 Fuji Xerox Co Ltd 画像処理装置
US8280139B2 (en) 2007-02-13 2012-10-02 Nec Corporation Cell feature amount calculating apparatus and cell feature amount calculating method
US8571279B2 (en) 2008-01-18 2013-10-29 Nec Corporation Spot quantification apparatus, spot quantification method, and recording medium
JP2016522720A (ja) * 2013-09-26 2016-08-04 コリア インスティテュート オブ コンストラクション テクノロジー 複合媒質からなる試片に対するｘ線ｃｔ画像の最小単位に存在する各純粋媒質の体積比の測定方法
CN112092675A (zh) * 2020-08-31 2020-12-18 长城汽车股份有限公司 一种电池热失控预警方法、系统及服务器

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7526112B2 (en) * 2001-04-30 2009-04-28 Chase Medical, L.P. System and method for facilitating cardiac intervention
US7327862B2 (en) 2001-04-30 2008-02-05 Chase Medical, L.P. System and method for facilitating cardiac intervention
WO2004068406A2 (en) 2003-01-30 2004-08-12 Chase Medical, L.P. A method and system for image processing and contour assessment
US7840357B2 (en) * 2003-07-29 2010-11-23 Nec Corporation Method of evaluating chromosome state and evaluation system
JP2005141601A (ja) * 2003-11-10 2005-06-02 Nec Corp モデル選択計算装置，動的モデル選択装置，動的モデル選択方法およびプログラム
US7333643B2 (en) * 2004-01-30 2008-02-19 Chase Medical, L.P. System and method for facilitating cardiac intervention
US7848566B2 (en) * 2004-10-22 2010-12-07 Carnegie Mellon University Object recognizer and detector for two-dimensional images using bayesian network based classifier
JP4493679B2 (ja) * 2007-03-29 2010-06-30 富士フイルム株式会社 対象領域抽出方法および装置ならびにプログラム
JP5365011B2 (ja) * 2008-01-29 2013-12-11 日本電気株式会社 病理診断支援装置、病理診断支援方法、およびプログラム
EP2309493B1 (en) * 2009-09-21 2013-08-14 Google, Inc. Coding and decoding of source signals using constrained relative entropy quantization
JP5557091B2 (ja) * 2010-03-30 2014-07-23 日本電気株式会社 画像処理装置、画像読取装置、画像処理方法及び画像処理プログラム
JP5906071B2 (ja) * 2011-12-01 2016-04-20 キヤノン株式会社 情報処理方法、情報処理装置、および記憶媒体
CN102609721B (zh) * 2012-02-01 2014-06-04 北京师范大学 遥感影像的聚类方法
WO2021005733A1 (ja) * 2019-07-10 2021-01-14 サイバネットシステム株式会社 画像解析装置及び画像解析方法
WO2021178287A1 (en) * 2020-03-02 2021-09-10 Texas Instruments Incorporated Projector with phase hologram modulator
CN111401470B (zh) * 2020-03-31 2023-03-10 西安电子科技大学 基于特征空间分布的Fisher特征选择方法
US20210366139A1 (en) * 2020-05-21 2021-11-25 Samsung Electronics Co., Ltd. Method and apparatus for generating depth image

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6415048B1 (en) * 1993-10-12 2002-07-02 Schneider Medical Technologies, Inc. Compositional analysis system
JP3534009B2 (ja) 1999-09-24 2004-06-07 日本電気株式会社 輪郭抽出方法及び装置
US6424960B1 (en) * 1999-10-14 2002-07-23 The Salk Institute For Biological Studies Unsupervised adaptation and classification of multiple classes and sources in blind signal separation
US20040125877A1 (en) * 2000-07-17 2004-07-01 Shin-Fu Chang Method and system for indexing and content-based adaptive streaming of digital video content

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005234810A (ja) * 2004-02-18 2005-09-02 Fuji Xerox Co Ltd 画像処理装置
US8280139B2 (en) 2007-02-13 2012-10-02 Nec Corporation Cell feature amount calculating apparatus and cell feature amount calculating method
US8571279B2 (en) 2008-01-18 2013-10-29 Nec Corporation Spot quantification apparatus, spot quantification method, and recording medium
JP2016522720A (ja) * 2013-09-26 2016-08-04 コリア インスティテュート オブ コンストラクション テクノロジー 複合媒質からなる試片に対するｘ線ｃｔ画像の最小単位に存在する各純粋媒質の体積比の測定方法
CN112092675A (zh) * 2020-08-31 2020-12-18 长城汽车股份有限公司 一种电池热失控预警方法、系统及服务器
CN112092675B (zh) * 2020-08-31 2022-03-25 长城汽车股份有限公司 一种电池热失控预警方法、系统及服务器

Also Published As

Publication number Publication date
US7136540B2 (en) 2006-11-14
JP3649328B2 (ja) 2005-05-18
US20030194132A1 (en) 2003-10-16

Similar Documents

Publication Publication Date Title
JP2003303344A (ja) 画像領域抽出方法および装置
KR101176649B1 (ko) 동적 프로그래밍에 의한 경계선 매팅
US8655069B2 (en) Updating image segmentation following user input
CN109472199B (zh) 一种图像融合分类的方法及装置
CN106340016B (zh) 一种基于细胞显微镜图像的dna定量分析方法
US20090252429A1 (en) System and method for displaying results of an image processing system that has multiple results to allow selection for subsequent image processing
Chen et al. An efficient and robust algorithm for 3D mesh segmentation
Tashk et al. Automatic detection of breast cancer mitotic cells based on the combination of textural, statistical and innovative mathematical features
JP2006153742A (ja) 病理診断支援装置、病理診断支援プログラム、病理診断支援方法、及び病理診断支援システム
CN104463843B (zh) 安卓系统的交互式图像分割方法
KR101150901B1 (ko) 위성영상을 이용한 객체기반 분석을 위한 자동 영상분할 방법
CN110675464A (zh) 一种医疗影像的处理方法、装置、服务器及存储介质
CN105389821B (zh) 一种基于云模型和图割相结合的医学图像分割方法
Lakshmi et al. Tooth decay prediction and classification from X-ray images using deep CNN
US11830622B2 (en) Processing multimodal images of tissue for medical evaluation
CN110838094A (zh) 病理切片染色风格转换方法和电子设备
CN109961449B (zh) 图像分割的方法与设备、三维图像的重建方法与系统
Berezsky et al. Segmentation of cytological and histological images of breast cancer cells
Lodha et al. Aerial lidar data classification using expectation-maximization
CN114708237A (zh) 一种用于头发健康状况的检测算法
JP2009151371A (ja) 画像処理装置、画像処理方法およびプログラム
US20230096719A1 (en) Scalable and high precision context-guided segmentation of histological structures including ducts/glands and lumen, cluster of ducts/glands, and individual nuclei in whole slide images of tissue samples from spatial multi-parameter cellular and sub-cellular imaging platforms
CN112840375A (zh) 使用图形分析显微数据的系统
Samsi et al. Colorization of H&E stained tissue using Deep Learning
JP5617841B2 (ja) 画像処理装置、画像処理方法および画像処理用プログラム

Legal Events

Date Code Title Description
A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20041112

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20041227

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20050127

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20050209

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20080225

Year of fee payment: 3

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20090225

Year of fee payment: 4

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20100225

Year of fee payment: 5

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20100225

Year of fee payment: 5

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20110225

Year of fee payment: 6

LAPS Cancellation because of no payment of annual fees