JP2003346151A - 画像認識方法および装置並びにプログラム - Google Patents
画像認識方法および装置並びにプログラムInfo
- Publication number
- JP2003346151A JP2003346151A JP2002155525A JP2002155525A JP2003346151A JP 2003346151 A JP2003346151 A JP 2003346151A JP 2002155525 A JP2002155525 A JP 2002155525A JP 2002155525 A JP2002155525 A JP 2002155525A JP 2003346151 A JP2003346151 A JP 2003346151A
- Authority
- JP
- Japan
- Prior art keywords
- image
- recognition
- self
- color
- recognizing
- 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.)
- Withdrawn
Links
Landscapes
- Image Analysis (AREA)
Abstract
(57)【要約】
【課題】 複数の画像の種類を認識する画像認識方法お
よび装置において、画像の種類の認識を精度よく行な
う。 【解決手段】 画像における像構造に基づく複数の像特
徴量と、色に基づく複数の色特徴量とをそれぞれ算出
し、複数の像特徴量に基づいて上記画像について第１の
認識を行ない、その第１の認識により認識された画像に
ついてさらに上記複数の色特徴量に基づいて第２の認識
を行なうことにより画像の種類を認識する。
よび装置において、画像の種類の認識を精度よく行な
う。 【解決手段】 画像における像構造に基づく複数の像特
徴量と、色に基づく複数の色特徴量とをそれぞれ算出
し、複数の像特徴量に基づいて上記画像について第１の
認識を行ない、その第１の認識により認識された画像に
ついてさらに上記複数の色特徴量に基づいて第２の認識
を行なうことにより画像の種類を認識する。
Description
【０００１】
【発明の属する技術分野】本発明は、複数の画像の種類
を認識する画像認識方法および装置並びに画像認識方法
をコンピュータに実行させるためのプログラムに関する
ものである。
を認識する画像認識方法および装置並びに画像認識方法
をコンピュータに実行させるためのプログラムに関する
ものである。
【０００２】
【従来の技術】近年、デジタルカメラなどの発達にとも
ない、そのデジタルカメラ等で撮影された画像の画像処
理についても様々な方法が提案されている。上記のよう
な画像処理を施す際、予め画像の種類がわかっていれば
その画像の種類毎に適切な画像処理などを施すことが可
能であるが、このような画像の種類毎に適切な画像処理
等を施すためには、まず画像の種類を適切に認識するこ
とが必要である。
ない、そのデジタルカメラ等で撮影された画像の画像処
理についても様々な方法が提案されている。上記のよう
な画像処理を施す際、予め画像の種類がわかっていれば
その画像の種類毎に適切な画像処理などを施すことが可
能であるが、このような画像の種類毎に適切な画像処理
等を施すためには、まず画像の種類を適切に認識するこ
とが必要である。
【０００３】一方、一般的に情報の種類の認識を行なう
方法として、自己組織化アルゴリズムを用いたものが提
案されている。この自己組織化アルゴリズを用いた情報
認識方法としては、自己組織化マップ（ｓｅｌｆ−ｏｒ
ｇａｎｉｚｉｎｇ ｍａｐ：ＳＯＭ）を利用したアルゴ
リズムが“Ｔ．Ｋｏｈｏｎｅｎ：Ｔｈｅ ｓｅｌｆ−ｏ
ｒｇａｎｉｚｉｎｇ ｍａｐ ，Ｐｒｏｃ．ＩＥＥＥ，ｖ
ｏｌ．７８（９），ｐ．１４６４−８０，１９９０”な
どに提案されている。この自己組織化アルゴリズムを用
いた情報認識方法においては、入力情報をｎ次元の入力
ベクトルとして扱う。そして、この入力ベクトルと同じ
次元の参照ベクトルが２次元空間上に多数配列された出
力層において、予め情報の種類が既知である入力ベクト
ルと最も近似した参照ベクトルを選択し、この選択され
た参照ベクトルとその近傍の参照ベクトルとを入力ベク
トルに近づけることにより学習させ、予め類似した情報
をクラスタリングして自己組織化マップを生成する。そ
して、この自己組織化マップ上において、情報の種類が
未知の入力ベクトルの属するクラスタを認識することに
より、その入力情報の種類を認識する。上記のような自
己組織化アルゴリズムを用いた情報の種類の認識方法
は、様々な情報について適用することができ、たとえ
ば、特開平１０−２８３３３６号公報には、入力波形を
認識する方法が提案されており、この方法においては、
入力された波形信号を量子化し、この量子化された波形
データに基づいて自己相関関数を生成し、この自己相関
関数を入力ベクトルとして上記認識方法を適用してい
る。
方法として、自己組織化アルゴリズムを用いたものが提
案されている。この自己組織化アルゴリズを用いた情報
認識方法としては、自己組織化マップ（ｓｅｌｆ−ｏｒ
ｇａｎｉｚｉｎｇ ｍａｐ：ＳＯＭ）を利用したアルゴ
リズムが“Ｔ．Ｋｏｈｏｎｅｎ：Ｔｈｅ ｓｅｌｆ−ｏ
ｒｇａｎｉｚｉｎｇ ｍａｐ ，Ｐｒｏｃ．ＩＥＥＥ，ｖ
ｏｌ．７８（９），ｐ．１４６４−８０，１９９０”な
どに提案されている。この自己組織化アルゴリズムを用
いた情報認識方法においては、入力情報をｎ次元の入力
ベクトルとして扱う。そして、この入力ベクトルと同じ
次元の参照ベクトルが２次元空間上に多数配列された出
力層において、予め情報の種類が既知である入力ベクト
ルと最も近似した参照ベクトルを選択し、この選択され
た参照ベクトルとその近傍の参照ベクトルとを入力ベク
トルに近づけることにより学習させ、予め類似した情報
をクラスタリングして自己組織化マップを生成する。そ
して、この自己組織化マップ上において、情報の種類が
未知の入力ベクトルの属するクラスタを認識することに
より、その入力情報の種類を認識する。上記のような自
己組織化アルゴリズムを用いた情報の種類の認識方法
は、様々な情報について適用することができ、たとえ
ば、特開平１０−２８３３３６号公報には、入力波形を
認識する方法が提案されており、この方法においては、
入力された波形信号を量子化し、この量子化された波形
データに基づいて自己相関関数を生成し、この自己相関
関数を入力ベクトルとして上記認識方法を適用してい
る。
【０００４】ここで、上述したような画像の種類の認識
を行なう際にも、上記自己組織化アルゴリズムを用いた
認識方法が適用でき、具体的には、画像における像構造
や色の特徴量を抽出し、この特徴量を入力ベクトルとす
ることにより、上記のようにして自己組織化マップ上に
種類の近似する画像をクラスタリングし、そのクラスタ
リングされた自己組織化マップにより画像の種類を認識
することができる。
を行なう際にも、上記自己組織化アルゴリズムを用いた
認識方法が適用でき、具体的には、画像における像構造
や色の特徴量を抽出し、この特徴量を入力ベクトルとす
ることにより、上記のようにして自己組織化マップ上に
種類の近似する画像をクラスタリングし、そのクラスタ
リングされた自己組織化マップにより画像の種類を認識
することができる。
【０００５】
【発明が解決しようとする課題】しかしながら、上記の
ように画像における種類の異なる特徴量をすべて同じ入
力ベクトルとして自己組織化マップにおいてクラスタリ
ングすると、複雑な特徴量を有する画像の適切なクラス
タリングは困難である。たとえば、像特徴量と色特徴量
を同じ入力ベクトルしてクラスタリングした際には、色
特徴量の方がクラスタリングに対する寄与度が大きいた
め、複雑な像構造の特徴量を有する画像の適切な認識を
行なうことができない。
ように画像における種類の異なる特徴量をすべて同じ入
力ベクトルとして自己組織化マップにおいてクラスタリ
ングすると、複雑な特徴量を有する画像の適切なクラス
タリングは困難である。たとえば、像特徴量と色特徴量
を同じ入力ベクトルしてクラスタリングした際には、色
特徴量の方がクラスタリングに対する寄与度が大きいた
め、複雑な像構造の特徴量を有する画像の適切な認識を
行なうことができない。
【０００６】本発明は、上記のような事情に鑑み、画像
の種類の認識を精度よく行なうことができる画像認識方
法および装置並びに画像認識方法を実行するプログラム
を提供することを目的とするものである。
の種類の認識を精度よく行なうことができる画像認識方
法および装置並びに画像認識方法を実行するプログラム
を提供することを目的とするものである。
【０００７】
【課題を解決するための手段】本発明の画像認識方法
は、複数の画像の種類を認識する画像認識方法におい
て、画像における像構造に基づく複数の像特徴量と色に
基づく複数の色特徴量とをそれぞれ算出し、複数の像特
徴量に基づいて画像について第１の認識を行ない、その
第１の認識により認識された画像についてさらに複数の
色特徴量に基づいて第２の認識を行なって画像の種類を
認識することを特徴とする。
は、複数の画像の種類を認識する画像認識方法におい
て、画像における像構造に基づく複数の像特徴量と色に
基づく複数の色特徴量とをそれぞれ算出し、複数の像特
徴量に基づいて画像について第１の認識を行ない、その
第１の認識により認識された画像についてさらに複数の
色特徴量に基づいて第２の認識を行なって画像の種類を
認識することを特徴とする。
【０００８】ここで、上記「画像の種類」とは、画像の
内容の種類を意味し、たとえば、「空」、「建物」、
「木」などをいう。
内容の種類を意味し、たとえば、「空」、「建物」、
「木」などをいう。
【０００９】また、上記「像特徴量」とは、たとえば、
画像におけるエッジに関する情報を意味する。
画像におけるエッジに関する情報を意味する。
【００１０】また、上記第１の認識は、複数の像特徴量
を第１の入力ベクトルとして自己組織化アルゴリズムを
用いて第１の自己組織化マップを生成し、その第１の自
己組織化マップにより画像を認識する処理とし、上記第
２の認識は、第１の自己組織化マップ上における第１の
入力ベクトルに応じた発火要素の座標および複数の色特
徴量を第２の入力ベクトルとして自己組織化アルゴリズ
ムを用いて第２の自己組織化マップを生成し、その第２
の自己組織化マップにより画像を認識する処理とするこ
とができる。
を第１の入力ベクトルとして自己組織化アルゴリズムを
用いて第１の自己組織化マップを生成し、その第１の自
己組織化マップにより画像を認識する処理とし、上記第
２の認識は、第１の自己組織化マップ上における第１の
入力ベクトルに応じた発火要素の座標および複数の色特
徴量を第２の入力ベクトルとして自己組織化アルゴリズ
ムを用いて第２の自己組織化マップを生成し、その第２
の自己組織化マップにより画像を認識する処理とするこ
とができる。
【００１１】ここで、上記「発火要素」とは、上記第１
の入力ベクトルを第１の自己組織化マップに入力するこ
とにより反応した参照ベクトルを意味し、たとえば、第
１の入力ベクトルと最もユークリッド距離が近い参照ベ
クトルのことをいう。
の入力ベクトルを第１の自己組織化マップに入力するこ
とにより反応した参照ベクトルを意味し、たとえば、第
１の入力ベクトルと最もユークリッド距離が近い参照ベ
クトルのことをいう。
【００１２】本発明の画像認識装置は、複数の画像の種
類を認識する画像認識装置において、画像における像構
造に基づく複数の像特徴量を算出する像特徴量算出手段
と、画像における色に基づく複数の色特徴量を算出する
色特徴量算出手段と、複数の像特徴量に基づいて画像に
ついて第１の認識を行なう像構造認識手段と、第１の認
識により認識された画像についてさらに複数の色特徴量
に基づいて第２の認識を行なう色認識手段とを備え、第
１の認識および第２の認識により画像の種類を認識する
ものであることを特徴とする。
類を認識する画像認識装置において、画像における像構
造に基づく複数の像特徴量を算出する像特徴量算出手段
と、画像における色に基づく複数の色特徴量を算出する
色特徴量算出手段と、複数の像特徴量に基づいて画像に
ついて第１の認識を行なう像構造認識手段と、第１の認
識により認識された画像についてさらに複数の色特徴量
に基づいて第２の認識を行なう色認識手段とを備え、第
１の認識および第２の認識により画像の種類を認識する
ものであることを特徴とする。
【００１３】また、上記像構造認識手段は、複数の像特
徴量を第１の入力ベクトルとして自己組織化アルゴリズ
ムを用いて第１の自己組織化マップを生成し、その第１
の自己組織化マップにより第１の認識を行なうものと
し、上記色認識手段は、第１の自己組織化マップ上にお
ける第１の入力ベクトルに応じた発火要素の座標および
複数の色特徴量を第２の入力ベクトルとして自己組織化
アルゴリズムを用いて第２の自己組織化マップを生成
し、その第２の自己組織化マップにより第２の認識を行
なうものとすることができる。
徴量を第１の入力ベクトルとして自己組織化アルゴリズ
ムを用いて第１の自己組織化マップを生成し、その第１
の自己組織化マップにより第１の認識を行なうものと
し、上記色認識手段は、第１の自己組織化マップ上にお
ける第１の入力ベクトルに応じた発火要素の座標および
複数の色特徴量を第２の入力ベクトルとして自己組織化
アルゴリズムを用いて第２の自己組織化マップを生成
し、その第２の自己組織化マップにより第２の認識を行
なうものとすることができる。
【００１４】本発明の画像認識方法を実行するためのプ
ログラムは、複数の画像の種類を認識する画像認識のプ
ログラムであって、画像における像構造に基づく複数の
像特徴量と色に基づく複数の色特徴量とをそれぞれ算出
する手順と、複数の像特徴量に基づいて画像について第
１の認識を行なう手順と、その第１の認識により認識さ
れた画像についてさらに複数の色特徴量に基づいて第２
の認識を行なう手順とをコンピュータに実行させ、第１
の認識および第２の認識により画像の種類を認識するこ
とを可能にすることを特徴とする。
ログラムは、複数の画像の種類を認識する画像認識のプ
ログラムであって、画像における像構造に基づく複数の
像特徴量と色に基づく複数の色特徴量とをそれぞれ算出
する手順と、複数の像特徴量に基づいて画像について第
１の認識を行なう手順と、その第１の認識により認識さ
れた画像についてさらに複数の色特徴量に基づいて第２
の認識を行なう手順とをコンピュータに実行させ、第１
の認識および第２の認識により画像の種類を認識するこ
とを可能にすることを特徴とする。
【００１５】
【発明の効果】本発明の画像認識方法および装置並びに
プログラムによれば、画像における像構造に基づく複数
の像特徴量と色に基づく複数の色特徴量とをそれぞれ算
出し、複数の像特徴量に基づいて画像について第１の認
識を行ない、その第１の認識により認識された画像につ
いてさらに複数の色特徴量に基づいて第２の認識を行な
って画像の種類を認識するようにしたので、複雑な特徴
量を有する画像に対してもその画像の種類の認識を精度
よく行なうことができる。したがって、複数の画像つい
てその画像の種類毎に分類するような場合においても精
度よくその分類を行なうことができる。
プログラムによれば、画像における像構造に基づく複数
の像特徴量と色に基づく複数の色特徴量とをそれぞれ算
出し、複数の像特徴量に基づいて画像について第１の認
識を行ない、その第１の認識により認識された画像につ
いてさらに複数の色特徴量に基づいて第２の認識を行な
って画像の種類を認識するようにしたので、複雑な特徴
量を有する画像に対してもその画像の種類の認識を精度
よく行なうことができる。したがって、複数の画像つい
てその画像の種類毎に分類するような場合においても精
度よくその分類を行なうことができる。
【００１６】また、上記第１の認識は、複数の像特徴量
を第１の入力ベクトルとして自己組織化アルゴリズムを
用いて第１の自己組織化マップを生成し、その第１の自
己組織化マップにより画像を認識する処理とし、上記第
２の認識は、第１の自己組織化マップ上における第１の
入力ベクトルに応じた発火要素の座標および複数の色特
徴量を第２の入力ベクトルとして自己組織化アルゴリズ
ムを用いて第２の自己組織化マップを生成し、その第２
の自己組織化マップにより画像を認識する処理とした場
合には、多数の像特徴量および色特徴量を有する画像の
種類の認識をより簡易な方法により行なうことができ
る。
を第１の入力ベクトルとして自己組織化アルゴリズムを
用いて第１の自己組織化マップを生成し、その第１の自
己組織化マップにより画像を認識する処理とし、上記第
２の認識は、第１の自己組織化マップ上における第１の
入力ベクトルに応じた発火要素の座標および複数の色特
徴量を第２の入力ベクトルとして自己組織化アルゴリズ
ムを用いて第２の自己組織化マップを生成し、その第２
の自己組織化マップにより画像を認識する処理とした場
合には、多数の像特徴量および色特徴量を有する画像の
種類の認識をより簡易な方法により行なうことができ
る。
【００１７】
【発明の実施の形態】以下に、本発明の実施の形態につ
いて図面を参照して説明する。図１に本発明の画像認識
方法を実施する画像認識装置の概略構成を示す。
いて図面を参照して説明する。図１に本発明の画像認識
方法を実施する画像認識装置の概略構成を示す。
【００１８】図１に示すように、本発明の画像認識装置
は、画像における像構造に基づく複数の像特徴量を算出
する像特徴量算出手段１０、画像における色に基づく複
数の色特徴量を算出する色特徴量算出手段２０、像特徴
量に基づいて画像について第１の認識を行なう像構造認
識手段３０および第１の認識により認識された画像を色
特徴量に基づいて第２の認識を行なう色認識手段４０を
備え、上記第１の認識および第２の認識により画像をそ
の画像の種類を認識するものである。
は、画像における像構造に基づく複数の像特徴量を算出
する像特徴量算出手段１０、画像における色に基づく複
数の色特徴量を算出する色特徴量算出手段２０、像特徴
量に基づいて画像について第１の認識を行なう像構造認
識手段３０および第１の認識により認識された画像を色
特徴量に基づいて第２の認識を行なう色認識手段４０を
備え、上記第１の認識および第２の認識により画像をそ
の画像の種類を認識するものである。
【００１９】像特徴量算出手段１０は、入力された画像
信号にウェーブレット変換を施すことにより、画像信号
における６つの像構造に基づく像特徴量を算出するもの
である。
信号にウェーブレット変換を施すことにより、画像信号
における６つの像構造に基づく像特徴量を算出するもの
である。
【００２０】色特徴量算出手段２０は、入力された画像
信号に対してＬａｂ変換を施し、Ｌ成分、ａ成分、ｂ成
分の３つの色特徴量を算出するものである。
信号に対してＬａｂ変換を施し、Ｌ成分、ａ成分、ｂ成
分の３つの色特徴量を算出するものである。
【００２１】像構造認識手段３０は、像特徴量算出手段
１０において算出された６つの像特徴量を第１の入力ベ
クトルとして自己組織化アルゴリズムを用いて第１の自
己組織化マップを生成し、該第１の自己組織化マップに
より第１の認識を行なうものである。
１０において算出された６つの像特徴量を第１の入力ベ
クトルとして自己組織化アルゴリズムを用いて第１の自
己組織化マップを生成し、該第１の自己組織化マップに
より第１の認識を行なうものである。
【００２２】色認識手段４０は、上記像構造認識手段３
０において生成された第１の自己組織化マップ上におけ
る上記第１の入力ベクトルに応じた第１の発火要素の座
標（ｘ，ｙ）と、色特徴量算出手段２０において算出さ
れた３つの色特徴量とを第２の入力ベクトルとして自己
組織化アルゴリズムを用いて第２の自己組織化マップを
生成し、該第２の自己組織化マップにより第２の認識を
行なうものである。
０において生成された第１の自己組織化マップ上におけ
る上記第１の入力ベクトルに応じた第１の発火要素の座
標（ｘ，ｙ）と、色特徴量算出手段２０において算出さ
れた３つの色特徴量とを第２の入力ベクトルとして自己
組織化アルゴリズムを用いて第２の自己組織化マップを
生成し、該第２の自己組織化マップにより第２の認識を
行なうものである。
【００２３】次に、上記実施の形態の画像認識装置の作
用について説明する。本実施の形態の画像認識装置にお
いては、まず、予め画像の種類がわかっている複数の画
像信号が入力され、この画像信号の入力により像構造認
識手段３０および色認識手段４０において自己組織化ア
ルゴリズムによる学習が行なわれる。そして、この学習
後、像構造認識手段３０において生成された第１の自己
組織化マップおよび色認識手段４０において生成された
第２の自己組織化マップにより画像信号を認識すること
により画像の種類を認識する。
用について説明する。本実施の形態の画像認識装置にお
いては、まず、予め画像の種類がわかっている複数の画
像信号が入力され、この画像信号の入力により像構造認
識手段３０および色認識手段４０において自己組織化ア
ルゴリズムによる学習が行なわれる。そして、この学習
後、像構造認識手段３０において生成された第１の自己
組織化マップおよび色認識手段４０において生成された
第２の自己組織化マップにより画像信号を認識すること
により画像の種類を認識する。
【００２４】まず、上記学習の過程について説明する。
学習過程においては、まず、画像信号として、図２に示
すような３２画素（主走査方向）×３２画素（副走査方
向）の矩形であって、ＲＧＢの３面の画像データが像特
徴量算出手段１０および色特徴量算出手段２０にそれぞ
れ入力される。像特徴量算出手段１０は、入力されたＲ
ＧＢの３面の画像データに対してＬａｂ変換を施し、Ｌ
成分についてウェーブレット変換を施すことにより像特
徴量を算出する。なお、本実施の形態におけるウェーブ
レット変換は、ウェーブレット変換の各係数が直交する
直交ウェーブレット変換を行うものであり、Ｍａｒｃ
Ａｎｔｏｎｉｎｉらの“Ｉｍａｇｅ Ｃｏｄｉｎｇ Ｕｓ
ｉｎｇ Ｗａｖｅｌｅｔ Ｔｒａｎｓｆｏｒｍ，ＩＥＥＥ
ＴＲＡＮＳＡＣＴＩＯＮＳ ＯＮ ＩＭＡＧＥ ＰＲＯＣ
ＥＳＳＩＮＧ，ＶＯＬ．１，ＮＯ．２，ｐ２０５−２２
０，ＡＰＲＩＬ １９９２”に記載されているものであ
る。
学習過程においては、まず、画像信号として、図２に示
すような３２画素（主走査方向）×３２画素（副走査方
向）の矩形であって、ＲＧＢの３面の画像データが像特
徴量算出手段１０および色特徴量算出手段２０にそれぞ
れ入力される。像特徴量算出手段１０は、入力されたＲ
ＧＢの３面の画像データに対してＬａｂ変換を施し、Ｌ
成分についてウェーブレット変換を施すことにより像特
徴量を算出する。なお、本実施の形態におけるウェーブ
レット変換は、ウェーブレット変換の各係数が直交する
直交ウェーブレット変換を行うものであり、Ｍａｒｃ
Ａｎｔｏｎｉｎｉらの“Ｉｍａｇｅ Ｃｏｄｉｎｇ Ｕｓ
ｉｎｇ Ｗａｖｅｌｅｔ Ｔｒａｎｓｆｏｒｍ，ＩＥＥＥ
ＴＲＡＮＳＡＣＴＩＯＮＳ ＯＮ ＩＭＡＧＥ ＰＲＯＣ
ＥＳＳＩＮＧ，ＶＯＬ．１，ＮＯ．２，ｐ２０５−２２
０，ＡＰＲＩＬ １９９２”に記載されているものであ
る。
【００２５】本実施の形態では、上記ウェーブレット変
換により求められたウェーブレット変換係数信号のうち
最高解像度における水平方向（主走査方向）高周波帯域
の信号ＶＷ１、垂直方向（副走査方向）高周波帯域の信
号ＷＶ１、斜め方向（主副方向）高周波帯域の信号ＷＷ
１の各帯域の信号の平均値、および２番目の解像度にお
ける各帯域の信号ＶＷ２、ＷＶ２、ＷＷ２の平均値を６
つの像特徴量とする。
換により求められたウェーブレット変換係数信号のうち
最高解像度における水平方向（主走査方向）高周波帯域
の信号ＶＷ１、垂直方向（副走査方向）高周波帯域の信
号ＷＶ１、斜め方向（主副方向）高周波帯域の信号ＷＷ
１の各帯域の信号の平均値、および２番目の解像度にお
ける各帯域の信号ＶＷ２、ＷＶ２、ＷＷ２の平均値を６
つの像特徴量とする。
【００２６】一方、色特徴量算出手段２０においては、
３つの色特徴量が算出される。この３つの色特徴量は上
記ＲＧＢの３面の画像データをＬａｂ変換して得られた
Ｌ成分、ａ成分およびｂ成分の各成分の画像データの平
均値である。
３つの色特徴量が算出される。この３つの色特徴量は上
記ＲＧＢの３面の画像データをＬａｂ変換して得られた
Ｌ成分、ａ成分およびｂ成分の各成分の画像データの平
均値である。
【００２７】そして、図３にフローチャートで示すよう
に、まず、画像データの６つの像特徴量が、６個の数値
要素からなる６次元の第１の入力ベクトルとして像構造
認識手段３０に入力される。像構造認識手段３０は、上
記第１の入力ベクトルを受け取り、自己組織化アルゴリ
ズムを用いて第１の自己組織化マップを生成する。
に、まず、画像データの６つの像特徴量が、６個の数値
要素からなる６次元の第１の入力ベクトルとして像構造
認識手段３０に入力される。像構造認識手段３０は、上
記第１の入力ベクトルを受け取り、自己組織化アルゴリ
ズムを用いて第１の自己組織化マップを生成する。
【００２８】ここで、第１の自己組織化マップとは、図
１および図４に示すように、入力層３１と出力層３２と
から構成される。入力層３１は、第１の入力ベクトルの
次元の数である６個のユニット３３から構成される。出
力層３２は、たとえば、１６×１６＝２５６のユニット
３４から構成される２次元のマップとする。出力層３２
を構成するユニット３４は、それぞれ参照ベクトルを持
つ。参照ベクトルは入力ベクトルと同じ次数を持つベク
トルである。
１および図４に示すように、入力層３１と出力層３２と
から構成される。入力層３１は、第１の入力ベクトルの
次元の数である６個のユニット３３から構成される。出
力層３２は、たとえば、１６×１６＝２５６のユニット
３４から構成される２次元のマップとする。出力層３２
を構成するユニット３４は、それぞれ参照ベクトルを持
つ。参照ベクトルは入力ベクトルと同じ次数を持つベク
トルである。
【００２９】第１の入力ベクトルｘｉ（ｉは第１の入力
ベクトルの番号を表し、本実施の形態ではｄ個の第１の
入力ベクトルが学習用に入力されるものとする。）は、
まず、上記入力層３１に入力される（Ｓ５０）。次に繰
り返し回数ｔを０に初期化し（Ｓ５１）、第１の入力ベ
クトルの数ｉを０に初期化する。そして、出力層３２に
おいて、第１の入力ベクトルｘｉに最も近似した（たと
えば最もユークリッド距離等の近い）参照ベクトルをも
つユニットｃを選択する（Ｓ５３）。次に、出力層３２
のユニットｃの近傍集合Ｎｃ＝Ｎｃ（ｔ）を形成する。
この近傍集合はたとえば、下式（１）で定義する。
ベクトルの番号を表し、本実施の形態ではｄ個の第１の
入力ベクトルが学習用に入力されるものとする。）は、
まず、上記入力層３１に入力される（Ｓ５０）。次に繰
り返し回数ｔを０に初期化し（Ｓ５１）、第１の入力ベ
クトルの数ｉを０に初期化する。そして、出力層３２に
おいて、第１の入力ベクトルｘｉに最も近似した（たと
えば最もユークリッド距離等の近い）参照ベクトルをも
つユニットｃを選択する（Ｓ５３）。次に、出力層３２
のユニットｃの近傍集合Ｎｃ＝Ｎｃ（ｔ）を形成する。
この近傍集合はたとえば、下式（１）で定義する。
【００３０】
Ｎｃ（ｔ）＝Ｎｃ（０）＊（１−ｔ／Ｔ） … （１）
ただし、Ｎｃ（０）は初期値であり、Ｔは行なわれるべ
き学習での予定された全更新学習回数である。
き学習での予定された全更新学習回数である。
【００３１】近傍集合は、たとえば、図５に示すよう
に、ユニットｃに対して５×５＝２５個のユニットの範
囲を近傍集合とする。次に、近傍集合に属するユニット
の参照ベクトルを下式（２）にしたがって更新する。
に、ユニットｃに対して５×５＝２５個のユニットの範
囲を近傍集合とする。次に、近傍集合に属するユニット
の参照ベクトルを下式（２）にしたがって更新する。
【００３２】
ｍｊ(ｔ＋１)＝ｍｊ(ｔ)＋α(ｔ)｛ｘｉ(ｔ)−ｍｊ(ｔ)｝ (ｊ∈Ｎｃ(ｔ))
ｍｊ(ｔ＋１)＝ｍｊ(ｔ) (ｊはＮｃ(ｔ)以外) …（２）
すなわち、近傍集合Ｎｃ（ｔ）に属するユニットの参照
ベクトルはその値を式（２）にしたがって更新し、それ
以外のユニットの参照ベクトルは何もしない。そして、
Ｓ５３からＳ５５までの処理を第１の入力ベクトル数ｄ
だけ繰り返す。その後、学習回数ｔが更新され（Ｓ５
８）、再びＳ５２に戻る。そして、Ｓ５３からＳ５５ま
での処理をｄ回繰り返す処理が、学習回数Ｔの回数だけ
繰り返される。ここで、学習係数α（ｔ）は、学習回数
ｔに対して、一様に減少させ、それとともにＮｃ＝Ｎｃ
（ｔ）も同様にその範囲を減らしていく。そして、上記
のような処理を経て第１の自己組織化マップが生成され
る（Ｓ６０）。
ベクトルはその値を式（２）にしたがって更新し、それ
以外のユニットの参照ベクトルは何もしない。そして、
Ｓ５３からＳ５５までの処理を第１の入力ベクトル数ｄ
だけ繰り返す。その後、学習回数ｔが更新され（Ｓ５
８）、再びＳ５２に戻る。そして、Ｓ５３からＳ５５ま
での処理をｄ回繰り返す処理が、学習回数Ｔの回数だけ
繰り返される。ここで、学習係数α（ｔ）は、学習回数
ｔに対して、一様に減少させ、それとともにＮｃ＝Ｎｃ
（ｔ）も同様にその範囲を減らしていく。そして、上記
のような処理を経て第１の自己組織化マップが生成され
る（Ｓ６０）。
【００３３】上記のようにして像構造認識手段３０にお
いて第１の自己組織化マップが生成されるとともに、一
方、色認識手段４０においては、色特徴量に基づく第２
の自己組織化マップが生成される。このとき、色認識手
段４０には、上記第１の自己組織化マップの生成過程の
Ｓ５３において、ｔ＝０のときに選択されたユニットｃ
の座標（ｘ，ｙ）（第１の発火要素の座標）と、色特徴
量算出手段２０において求められた３つの色特徴量とが
５次元の第２の入力ベクトルとして入力される。なお、
このとき第２の入力ベクトルにおける座標値（ｘ、ｙ）
と色特徴量とは同一の画像信号に応じたものである。つ
まり、上記複数の画像信号に応じた第２の入力ベクトル
が色認識手段４０に入力される。
いて第１の自己組織化マップが生成されるとともに、一
方、色認識手段４０においては、色特徴量に基づく第２
の自己組織化マップが生成される。このとき、色認識手
段４０には、上記第１の自己組織化マップの生成過程の
Ｓ５３において、ｔ＝０のときに選択されたユニットｃ
の座標（ｘ，ｙ）（第１の発火要素の座標）と、色特徴
量算出手段２０において求められた３つの色特徴量とが
５次元の第２の入力ベクトルとして入力される。なお、
このとき第２の入力ベクトルにおける座標値（ｘ、ｙ）
と色特徴量とは同一の画像信号に応じたものである。つ
まり、上記複数の画像信号に応じた第２の入力ベクトル
が色認識手段４０に入力される。
【００３４】そして、色認識手段４０においては、上記
に示した像特徴量に基づく自己組織化アルゴリズムを用
いた第１の自己組織化マップの生成過程と同様の過程に
より、第２の自己組織化マップが生成される。なお、第
２の自己組織化マップは、第１の自己組織化マップと同
様に、入力層４１と出力層４２とから構成されるが、入
力層４１は、第２の入力ベクトルの次元の数である５個
のユニットから構成される。
に示した像特徴量に基づく自己組織化アルゴリズムを用
いた第１の自己組織化マップの生成過程と同様の過程に
より、第２の自己組織化マップが生成される。なお、第
２の自己組織化マップは、第１の自己組織化マップと同
様に、入力層４１と出力層４２とから構成されるが、入
力層４１は、第２の入力ベクトルの次元の数である５個
のユニットから構成される。
【００３５】次に、上記のようにして生成された第１の
自己組織化マップおよび第２の自己組織化マップを利用
して、未知の画像の種類を認識する作用について説明す
る。
自己組織化マップおよび第２の自己組織化マップを利用
して、未知の画像の種類を認識する作用について説明す
る。
【００３６】まず、種類が未知である画像のＲＧＢの３
面の画像データが像特徴量算出手段１０および色特徴量
算出手段２０にそれぞれ入力される。像特徴量算出手段
１０は、上記学習過程と同様にして、入力されたＲＧＢ
の３面の画像データに対してＬａｂ変換を施し、Ｌ成分
についてウェーブレット変換を施すことにより６つの像
特徴量を算出する。
面の画像データが像特徴量算出手段１０および色特徴量
算出手段２０にそれぞれ入力される。像特徴量算出手段
１０は、上記学習過程と同様にして、入力されたＲＧＢ
の３面の画像データに対してＬａｂ変換を施し、Ｌ成分
についてウェーブレット変換を施すことにより６つの像
特徴量を算出する。
【００３７】一方、色特徴量算出手段２０においては、
上記学習過程と同様にして、３つの色特徴量が算出され
る。
上記学習過程と同様にして、３つの色特徴量が算出され
る。
【００３８】そして、まず、画像データの６つの像特徴
量が、６個の数値要素からなる６次元の第１の入力ベク
トルとして像構造認識手段３０に入力される。像構造認
識手段３０は、上記第１の入力ベクトルを受け取り、第
１の自己組織化マップの出力層３２においてその第１の
入力ベクトルに最も近似した参照ベクトルをもつユニッ
トｃを選択する。そして、その選択されたユニットｃの
座標（ｘ，ｙ）（第１の発火要素の座標）と、色特徴量
算出手段２０において求められた３つの色特徴量とが５
次元の第２の入力ベクトルとして入力される。そして、
色認識手段４０は、第２の自己組織化マップの出力層４
２においてその第２の入力ベクトルに最も近似した参照
ベクトルをもつユニットｃを選択する。そして、その選
択されたユニットｃの座標（ｘ，ｙ）（第２の発火要素
の座標）が出力される。そして、第２の自己組織化マッ
プにおいて、第２の発火要素の座標の属するクラスタの
画像の種類が、上記種類が未知の画像の種類と認識され
る。
量が、６個の数値要素からなる６次元の第１の入力ベク
トルとして像構造認識手段３０に入力される。像構造認
識手段３０は、上記第１の入力ベクトルを受け取り、第
１の自己組織化マップの出力層３２においてその第１の
入力ベクトルに最も近似した参照ベクトルをもつユニッ
トｃを選択する。そして、その選択されたユニットｃの
座標（ｘ，ｙ）（第１の発火要素の座標）と、色特徴量
算出手段２０において求められた３つの色特徴量とが５
次元の第２の入力ベクトルとして入力される。そして、
色認識手段４０は、第２の自己組織化マップの出力層４
２においてその第２の入力ベクトルに最も近似した参照
ベクトルをもつユニットｃを選択する。そして、その選
択されたユニットｃの座標（ｘ，ｙ）（第２の発火要素
の座標）が出力される。そして、第２の自己組織化マッ
プにおいて、第２の発火要素の座標の属するクラスタの
画像の種類が、上記種類が未知の画像の種類と認識され
る。
【００３９】上記第２の自己組織化マップにおける上記
座標（ｘ，ｙ）と画像の種類との対応付けについては、
上記学習過程後に生成された第２の自己組織化マップに
応じた２次元出力マップを生成し、その２次元出力マッ
プ上にユーザがマニュアルでクラスタの範囲を設定した
ものを利用するようにしてもよいし、修正対向伝搬ネッ
トワーク（ＭＣＰ：Ｍｏｄｉｆｉｅｄ Ｃｏｕｎｔｅｐ
ｒｏｐａｇａｔｉｏｎ）を利用して、画像の種類を自動
的に認識するようにしてもよい。
座標（ｘ，ｙ）と画像の種類との対応付けについては、
上記学習過程後に生成された第２の自己組織化マップに
応じた２次元出力マップを生成し、その２次元出力マッ
プ上にユーザがマニュアルでクラスタの範囲を設定した
ものを利用するようにしてもよいし、修正対向伝搬ネッ
トワーク（ＭＣＰ：Ｍｏｄｉｆｉｅｄ Ｃｏｕｎｔｅｐ
ｒｏｐａｇａｔｉｏｎ）を利用して、画像の種類を自動
的に認識するようにしてもよい。
【００４０】上記実施の形態の画像認識装置によれば、
画像における像構造に基づく複数の像特徴量と色に基づ
く複数の色特徴量とをそれぞれ算出し、複数の像特徴量
に基づいて画像について第１の認識を行ない、その第１
の認識により認識された画像についてさらに複数の色特
徴量に基づいて第２の認識を行なって画像の種類を認識
するようにしたので、複雑な特徴量を有する画像に対し
てもその画像の種類の認識を精度よく行なうことができ
る。したがって、複数の画像ついてその画像の種類毎に
分類するような場合においても精度よくその分類を行な
うことができる。
画像における像構造に基づく複数の像特徴量と色に基づ
く複数の色特徴量とをそれぞれ算出し、複数の像特徴量
に基づいて画像について第１の認識を行ない、その第１
の認識により認識された画像についてさらに複数の色特
徴量に基づいて第２の認識を行なって画像の種類を認識
するようにしたので、複雑な特徴量を有する画像に対し
てもその画像の種類の認識を精度よく行なうことができ
る。したがって、複数の画像ついてその画像の種類毎に
分類するような場合においても精度よくその分類を行な
うことができる。
【００４１】また、本実施の形態の画像認識装置はハー
ドウェア資源を用いて実現してもよいし、本発明の画像
認識方法を実行する画像認識プログラムとコンピュータ
との協働により実現するようにしてもよい。
ドウェア資源を用いて実現してもよいし、本発明の画像
認識方法を実行する画像認識プログラムとコンピュータ
との協働により実現するようにしてもよい。
【図１】本発明の画像認識方法を実施する画像認識装置
の概略構成図
の概略構成図
【図２】図１に示す画像認識装置に入力される画像デー
タを示す図
タを示す図
【図３】自己組織化アルゴリズムを用いて第１の自己組
織化マップを生成する過程を説明するフローチャート
織化マップを生成する過程を説明するフローチャート
【図４】第１の自己組織化マップを示す図
【図５】自己組織化アルゴリズムにおける近傍集合を説
明する図
明する図
１０ 像特徴量算出手段
２０ 色特徴量算出手段
３０ 像構造認識手段
３１ 入力層
３２ 出力層
４０ 色認識手段
４１ 入力層
４２ 出力層
Claims (5)
- 【請求項１】 複数の画像の種類を認識する画像認識方
法において、 前記画像における像構造に基づく複数の像特徴量と色に
基づく複数の色特徴量とをそれぞれ算出し、 前記複数の像特徴量に基づいて前記画像について第１の
認識を行ない、 該第１の認識により認識された画像についてさらに前記
複数の色特徴量に基づいて第２の認識を行なって前記画
像の種類を認識することを特徴とする画像認識方法。 - 【請求項２】 前記第１の認識が、前記複数の像特徴量
を第１の入力ベクトルとして自己組織化アルゴリズムを
用いて第１の自己組織化マップを生成し、該第１の自己
組織化マップにより前記画像を認識する処理であり、 前記第２の認識が、前記第１の自己組織化マップ上にお
ける前記第１の入力ベクトルに応じた発火要素の座標お
よび前記複数の色特徴量を第２の入力ベクトルとして自
己組織化アルゴリズムを用いて第２の自己組織化マップ
を生成し、該第２の自己組織化マップにより前記画像を
認識する処理であることを特徴とする請求項１記載の画
像認識方法。 - 【請求項３】 複数の画像の種類を認識する画像認識装
置において、 前記画像における像構造に基づく複数の像特徴量を算出
する像特徴量算出手段と、 前記画像における色に基づく複数の色特徴量を算出する
色特徴量算出手段と、 前記複数の像特徴量に基づいて前記画像について第１の
認識を行なう像構造認識手段と、 前記第１の認識により認識された画像についてさらに前
記複数の色特徴量に基づいて第２の認識を行なう色認識
手段とを備え、 前記第１の認識および第２の認識により前記画像の種類
を認識するものであることを特徴とする画像認識装置。 - 【請求項４】 前記像構造認識手段が、前記複数の像特
徴量を第１の入力ベクトルとして自己組織化アルゴリズ
ムを用いて第１の自己組織化マップを生成し、該第１の
自己組織化マップにより前記第１の認識を行なうもので
あり、 前記色認識手段が、前記第１の自己組織化マップ上にお
ける前記第１の入力ベクトルに応じた発火要素の座標お
よび前記複数の色特徴量を第２の入力ベクトルとして自
己組織化アルゴリズムを用いて第２の自己組織化マップ
を生成し、該第２の自己組織化マップにより前記第２の
認識を行なうものであることを特徴とする請求項３記載
の画像認識装置。 - 【請求項５】 複数の画像の種類を認識する画像認識を
コンピュータに実行させるプログラムであって、 前記画像における像構造に基づく複数の像特徴量と色に
基づく複数の色特徴量とをそれぞれ算出する手順と、 前記複数の像特徴量に基づいて前記画像について第１の
認識を行なう手順と、 該第１の認識により認識された画像についてさらに前記
複数の色特徴量に基づいて第２の認識を行なう手順とを
コンピュータに実行させ、 前記第１の認識および第２の認識により前記画像の種類
を認識することを可能にすることを特徴とするプログラ
ム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002155525A JP2003346151A (ja) | 2002-05-29 | 2002-05-29 | 画像認識方法および装置並びにプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002155525A JP2003346151A (ja) | 2002-05-29 | 2002-05-29 | 画像認識方法および装置並びにプログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2003346151A true JP2003346151A (ja) | 2003-12-05 |
Family
ID=29772029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002155525A Withdrawn JP2003346151A (ja) | 2002-05-29 | 2002-05-29 | 画像認識方法および装置並びにプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2003346151A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007012024A (ja) * | 2005-06-03 | 2007-01-18 | Canon Inc | 画像検索装置、画像検索方法、プログラム及び記憶媒体 |
| CN112153383A (zh) * | 2020-07-01 | 2020-12-29 | 西安万像电子科技有限公司 | 一种图像编码方法及装置 |
| JP2021514497A (ja) * | 2019-02-02 | 2021-06-10 | 深▲せん▼市商▲湯▼科技有限公司Ｓｈｅｎｚｈｅｎ Ｓｅｎｓｅｔｉｍｅ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．， Ｌｔｄ． | 顔部認識方法及び装置、電子機器並びに記憶媒体 |
-
2002
- 2002-05-29 JP JP2002155525A patent/JP2003346151A/ja not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007012024A (ja) * | 2005-06-03 | 2007-01-18 | Canon Inc | 画像検索装置、画像検索方法、プログラム及び記憶媒体 |
| JP2021514497A (ja) * | 2019-02-02 | 2021-06-10 | 深▲せん▼市商▲湯▼科技有限公司Ｓｈｅｎｚｈｅｎ Ｓｅｎｓｅｔｉｍｅ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．， Ｌｔｄ． | 顔部認識方法及び装置、電子機器並びに記憶媒体 |
| JP7038829B2 (ja) | 2019-02-02 | 2022-03-18 | 深▲セン▼市商▲湯▼科技有限公司 | 顔部認識方法及び装置、電子機器並びに記憶媒体 |
| US11455830B2 (en) | 2019-02-02 | 2022-09-27 | Shenzhen Sensetime Technology Co., Ltd. | Face recognition method and apparatus, electronic device, and storage medium |
| CN112153383A (zh) * | 2020-07-01 | 2020-12-29 | 西安万像电子科技有限公司 | 一种图像编码方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109949255B (zh) | 图像重建方法及设备 | |
| KR101183391B1 (ko) | 메트릭 임베딩에 의한 이미지 비교 | |
| CN109964250A (zh) | 用于分析卷积神经网络中的图像的方法和系统 | |
| CN112767456B (zh) | 一种三维激光点云快速重定位方法 | |
| CN110838122B (zh) | 点云的分割方法、装置及计算机存储介质 | |
| CN107301643B (zh) | 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法 | |
| CN110428473B (zh) | 一种基于辅助变量的对抗生成网络的彩色图像灰度化方法 | |
| CN103093226B (zh) | 一种用于图像特征处理的ratmic描述子的构造方法 | |
| CN115937552A (zh) | 一种基于融合手工特征与深度特征的图像匹配方法 | |
| CN106845555A (zh) | 基于Bayer格式的图像匹配方法及图像匹配装置 | |
| US8001061B2 (en) | First and second unsupervised learning processes combined using a supervised learning apparatus | |
| CN114387454A (zh) | 一种基于区域筛选模块和多层次对比的自监督预训练方法 | |
| JP2003346151A (ja) | 画像認識方法および装置並びにプログラム | |
| US7609885B2 (en) | System and method for effectively implementing a texture feature detector | |
| CN113283423B (zh) | 基于生成网络的自然场景扭曲文本图像矫正方法及系统 | |
| CN114708434A (zh) | 基于迭代域内适应和自训练的跨域遥感图像语义分割方法 | |
| JP7106144B2 (ja) | 画像解析装置 | |
| JPH11339017A (ja) | ナンバープレート認識装置 | |
| KR20210124012A (ko) | 이미지 인식 방법, 장치 및 저장 매체 | |
| Cai et al. | Ske2Grid: skeleton-to-grid representation learning for action recognition | |
| CN111369452A (zh) | 大区域图像局部破损点优化提取方法 | |
| JPH118838A (ja) | 画像信号処理装置及び方法並びに予測パラメータの学習方法 | |
| JP2010074416A (ja) | 画像データ処理方法、画像データ処理装置及びプログラム | |
| JPH1049684A (ja) | 高速モーメント計算装置 | |
| JP3435286B2 (ja) | テンプレートマッチング方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20050802 |