JP2004038980A - 画像を解析する方法、しきい値を生成する方法、該方法を実行するコンピュータプログラム、該プログラムを記憶するコンピュータ可読媒体および該方法を実行するように適応した装置 - Google Patents

Abstract

【課題】構造物のモデルを必要とせず、境界および区分けの問題を良好に処理することができる画像解析方法を得る。
【解決手段】画像を解析する方法は、画像空間内の点に対してｎ次元ハフ空間へのハフ変換を実行し、画像空間内の特徴を表すハフ空間内の点を選択し、画像空間内の特徴に関する情報のために、選択された点についてのｎ個の変数のうちのｍ個（ただしｍはｎより小さい）を解析することを含む。
【選択図】図１

Description

るように適応した装置
【技術分野】
【０００１】
本発明は、画像を処理する方法および装置に関する。より詳細には、本発明は、画像内の特定の特徴または特徴のタイプを検出し識別すること、ならびに画像内のオブジェクトおよび領域を分類することに関する。
【０００２】
本発明は、画像内の人工構造物の検出に特に有益であり、例えば写真判読、地図作製法および監視において応用を有する。
【背景技術】
【０００３】
画像内の直線およびエッジのような特徴を識別する方法が知られている。エッジをオブジェクト境界へと連結する単純な方法も知られている。
【考案の開示】
【発明が解決しようとする課題】
【０００４】
しかしこの方法は一般に、比較的単純な情景でのみ成功する。画像内の特定の特徴を識別するためにモデルに基づく技法を使用することも知られているが、この技法は用意された基準モデルを必要とし、そのような基準モデルは必ずしもすべての特徴について利用可能であるとは限らない。３Ｄ構造を推論しようとする他の手法もあるが、それはしばしば信頼性がなく、情景の複数のビューを必要とすることがある。
【０００５】
さらに、画像内の人工構造物および都市区域を検出することは、いくつかの理由で特に困難である。例えば、建物と周辺構造物の間のコントラストは非常に低いことがあり、これにより寸断された低レベルの区分けおよびエッジ抽出をもたらす。さらに、建物のような大きい構造物に隣接する自動車、樹木または岩石のような小さい構造物は、区分け段階でさらなる問題点を引き起こし、ノイズの多い乱れた境界、または偽りの境界を生じる可能性がある。その問題点はしばしば、影および標識の存在によりさらに複雑化される。
【０００６】
本明細書において、画像への言及は、画像全体および画像の領域を含む。
【課題を解決するための手段】
【０００７】
本発明の諸態様は、併記の特許請求の範囲に記載される。
【０００８】
本発明の第一の態様によると、画像空間内の点に対してｎ次元ハフ空間へのハフ変換を実行し、前記画像空間内の特徴を表す前記ハフ空間内の点を選択し、前記画像空間内の特徴に関する情報を導出するために、前記選択された点についてのｎ個の変数のうちのｍ個の変数（ただしｍはｎより小さい）を解析することを備える画像を解析する方法を提供する。
【０００９】
より詳細には、例えばエッジもしくはコーナー検出器のような特徴検出手段、または他の類似の特徴検出手段を用いて、画像内の特徴点が抽出される。特徴点はハフ変換にかけられ、ハフ空間内の特徴点の像が解析される。
【発明の効果】
【００１０】
本発明の結果として、画像内の特徴に関して、より信頼性のある結論を引き出すことが可能となる。本技法は、構造物のモデルを必要とせず、境界および区分けの問題点を良好に処理する。
【発明を実施するための最良の形態】
【００１１】
実施の形態１．
以下、実施の形態１が、図４に示すいくつかの建物（すなわち人工構造物）を含む画像領域例と、図１の流れ図を参照して説明される。
【００１２】
この実施の形態において、本方法は、図９に参照符号２００により全体として図示されるコンピュータを用いて実行される。コンピュータ２００は、適当なソフトウェアを用いて本方法を実行するようにプログラムされる。コンピュータ２００は、プロセッサ２１０、ディスプレイ２２０の形態の画像表示手段、およびスキャナ２３０の形態の画像入力手段を有する。
【００１３】
第１ステップとして、ステップ５０で、ディジタル画像がコンピュータに入力される。本実施の形態では、画像は、写真をスキャンするスキャナ２３０を用いて入力されるが、他の入力手段も使用でき、また画像はデータ記憶手段から読み出されることも可能である。
【００１４】
ステップ１００で、画像は部分領域に分割される。ここで、領域は２５６×２５６画素のブロックである。ブロックは、重なりがあってもなくてもよい。本実施の形態では、ブロックは重なりがなく隣接している。図４に１つのブロックを示す。
【００１５】
次のステップ、すなわちステップ１１０は、各ブロック内の特徴点の検出である。本実施の形態では、対象となる可能性のある特徴点の位置は、画像内で、画素値の不連続を識別するエッジ検出器を用いて識別される。さまざまなエッジ検出器が知られており、使用可能である。本実施の形態ではキャニー（Ｃａｎｎｙ）エッジ検出器が使用される。
【００１６】
エッジ検出ステップは、画像領域内の各画素を、特徴点の１つであるかまたは特徴点でないかのいずれかに分類し、それに従って２値画像を生成する。図５は、図４の画像領域内の特徴点を示す２値画像である。
【００１７】
ステップ１３０で、図５の特徴点は、直線検出のためのハフ変換を用いてハフ空間内に表現される。
【００１８】
ハフ変換の一般的説明は以下の通りである。
【００１９】
図２および図３はハフ変換を図示している。ハフ変換は、パラメータ形式で表現され得る曲線を検出するために使用される。ハフ変換は、画像空間（図２）内の特徴点を、ハフ空間（図３）とも呼ばれるパラメータ空間内の点に投影する。画像空間内の各点は、その点を通るパラメトリック曲線を生成するすべてのパラメータセット（たとえばハフ空間内の点）をプロットするために用いられる。図２を参照して、点Ａ（ｘ，ｙ）に対し、その点を通る１つの直線を考える。原点を通るその直線の垂線は、長さがｐで、ｘ軸となす角はθであり、変数ｐおよびθは、図３のドットで示すように、ハフ空間内でその直線を定義する。画像空間内の点のハフ変換は、点Ａ（ｘ，ｙ）を通るすべての可能な直線をとり、結果として得られる（ｐ，θ）パラメータ値をハフ空間内にプロットする。
【００２０】
図３は、ハフ空間内の境界を示す。水平軸は、図２から理解されるように、０から２πまで変化するθ値に対応する。垂直軸は、ｐ値に対応し、それぞれπ／２ラジアンを周期とする最小値ａとａ√（２）の間で変化する。ただし２ａは図２に示すブロックの幅である。
【００２１】
ハフ変換では、画像空間内の各特徴点はハフ空間内の点に変換される。画像空間内の複数の点の処理により、ハフ空間内のいくつかのｐ、θ位置における点の累積を生じ、画像空間内の同一直線上の点はハフ空間内のピーク、すなわち局所的最大を生じる。その局所的最大を抽出してから、逆ハフ変換を適用して画像空間へ戻す写像を行うことにより、それぞれの局所的最大に対応するそれぞれの直線を導出する。結果として得られる直線は長さが無限であるため、それらの直線を組み合わせることにより、もとの画像空間内の特徴点に対応する形状がわかる。
【００２２】
本明細書において、ハフ空間の次元は、パラメトリック曲線を定義するパラメータの個数に関係している。したがって、直線を検出するためのハフ変換の場合、画像空間内の点（ｘ，ｙ）は２次元ハフ空間内の点（ｐ、θ）に写像される。
【００２３】
図６は、図５の特徴点に対して実行されたハフ変換の結果を例示している。図６における輝度の値は累積された値に対応し、ハフ空間内のピークが最も明るい点として示されるようになっている（局所的ピークは局所的に最も明るい点である）。
【００２４】
ステップ１４０で、ランドマーク点が選択される。まず、ハフ空間内の累積値の局所的最大が検出される。図７は、ハフ空間内の局所的ピークに対応する画像空間内の直線を例示している。局所的最大の累積値がしきい値と比較される。本実施の形態でのしきい値は、そのブロックにおける大域的な最大累積値のあらかじめ決められたパーセンテージ（８０％）である。しきい値を超える局所的最大に対する（ｐ、θ）値が、ランドマークサブセットと呼ばれるサブセットとして選択される。しきい値は変わり得る。例えば、他のパーセンテージも使用可能であり、大域的な最大は代わりに画像全体に対するものでもよく、しきい値は他の方法で決定されてもよい。
【００２５】
次に、ステップ１５０で、ランドマークサブセット内の局所的最大がさらに処理される。本実施の形態では、ランドマークサブセット内の（ｐ、θ）値はθ軸上に投影され累積される。この結果、本例に対して図８に示すグラフが得られる。投影の結果は、ランドマークサブセットに対応する直線に関する特性を判定するために解析される。より詳細には、本実施の形態では、ランドマークサブセットについて直線の相対角度が解析される。図８からわかるように、最高のピークは、４６°および１３６°の顕著な方向に対応する。これは、多数の直線が９０°で交わっていることを示しており、都市区域のような人工環境を示唆する。同様に、大きい単一ピークは、一般に人工環境で発生する平行線を示唆する。
【００２６】
他の変数への他の投影も使用可能である。例えば、投影はｐ軸上に行うことも可能である。
【００２７】
実施の形態２．
次に、実施の形態２が、図１０の流れ図を参照して説明される。図１０の流れ図は、ステップ１１０と１４０の間に追加ステップ、すなわちステップ１２０があることを除いては、図１の流れ図と同一である。
【００２８】
実施の形態２は、以下で論じる相違点を除けば、実施の形態１と同様である。
【００２９】
特徴点の検出のステップ、すなわちステップ１１０で、本実施の形態のエッジ検出は、特徴が所与の位置に存在するかどうかを示す値を、画像内の点に割り当てる。例えば、より高い値はエッジの存在の信頼度がより高いことを示す、０と１の間の値をとるエッジ信頼尺度を使用でき、それによりエッジ特徴点に対する確率マップが得られる。例えばコーナーや色特徴のような他の特徴も使用できる。
【００３０】
ステップ１１０の後、ステップ１２０では、ステップ１１０で検出された特徴点の統計解析がブロックごとに実行される。より詳細には、ブロックごとに信頼値からヒストグラムが形成される。また、ブロックごとに特徴点の密度が計算される。ブロック内の特徴点の分布に関する他の統計情報を導出してもよい。この統計情報は、後の処理において、ランドマーク点を選択する際に使用される。
【００３１】
ランドマーク点を検出するためのしきい値は以下のように導出され得る。所与のブロックサイズに対して、特徴点の代表配置を多数ランダムに選択して生成する。配置ごとに、ハフ変換を実行し、ハフ空間内の累積値のヒストグラムを求める。すべての配置に対するヒストグラムを組み合わせ（例えば平均し）、それを用いて、ランドマーク点を検出するための適当なしきい値を決定する。
【００３２】
例えば、組み合わされたヒストグラムで観察される最高値に相当する値が、このしきい値として使用され得る。
【００３３】
組み合わされたヒストグラムは、特定のアプリケーションで、例えば特定のブロックサイズに対して、一般的なランダムな画像挙動から生じるハフ空間内の像の反映である。換言すれば、この手法は、ランダムに発生するハフ空間内のピークの目安にはなるが、必ずしも画像内のランドマーク点に対応するとは限らない。すなわちノイズの場合がある。しきい値は、ランドマーク点抽出に必要とされる信頼度に従って変えることができる。例えば、組み合わされたヒストグラム内の最高値の３倍のようなより高いしきい値は、偶然に発生するランドマーク点をより多く排除するが、他方対象となる可能な点を排除するリスクも増大する。同様に、例えば組み合わされたヒストグラム内の最高値の８０％までしきい値を低下させると、対象となる点を正しく返す可能性は増大するが、誤った点を返すリスクも増大する。
【００３４】
上記のような他の統計情報は、しきい値情報を導出する際に使用可能である。例えば、特徴点のランダムに選択された代表配置は、考慮中の画像領域の特徴点の密度を考慮に入れてもよい（すなわち、それらの配置は類似した密度を有する）。また適宜他の統計情報についても同様に考慮に入れてよい。
【００３５】
処理を単純化するため、ランダムに生成された画像からの基準ヒストグラムおよび対応するしきい値を生成するモデル化がオフラインで実行され、ヒストグラムまたはしきい値が例えばルックアップテーブルに記憶されることも可能である。
【００３６】
上記の実施の形態は、直線を検出するためにハフ変換を使用する。ハフ変換は、円、楕円のような他の規則的曲線を検出するためにも使用可能である。ハフ変換は特徴の単純な解析的記述が不可能なアプリケーションでも使用可能であるが、このような場合には、計算の複雑さが増大する。本発明は、ハフ変換原理のこれらの他のアプリケーションでも使用可能である。例えば、本発明は、円の中心の間の関係を解析する際にも使用可能である。その場合、円の中心の規則的な間隔は人間の影響を示唆する。
【００３７】
本発明は、適切にプログラムされたコンピュータのようないかなる適切な装置により実施されることも可能である。コンピュータは、専用の特定用途コンピュータであるか、または本方法を実行するための適切なソフトウェアが供給された、もしくは特別に設計された集積回路のようなハードウェアで実施されたコンピュータである。本装置は、スキャナ、ディジタルカメラ、インターネットリンク、またはデータキャリアのような画像記憶手段への接続のような画像入力手段を含んでもよい。
【図面の簡単な説明】
【００３８】
【図１】本発明の実施の形態による方法を説明する流れ図である。
【図２】ハフ変換を説明する図である。
【図３】ハフ変換を説明するもう１つの図である。
【図４】人工構造物を示す画像例である。
【図５】図４の画像に対するエッジ検出プロセスの結果を示す図である。
【図６】図５の画像内の点に対して実行されたハフ変換の結果を示す図である。
【図７】図６に基づく逆ハフ変換の結果を示す図である。
【図８】図６に基づくハフ空間からの写像の結果を示すグラフである。
【図９】本発明の実施の形態による装置の概略図である。
【図１０】本発明の実施の形態２を説明する流れ図である。

Claims (16)

1. 画像空間内の点に対してｎ次元ハフ空間へのハフ変換を実行するステップと、
   前記画像空間内の特徴を表す前記ハフ空間内の点を選択するステップと、
   前記画像空間内の特徴に関する情報を導出するために、前記選択された点についてのｎ個の変数のうちのｍ個の変数（ただしｍはｎより小さい）を解析するステップと
   を備える画像を解析する方法。
2. エッジもしくはコーナー検出手段または色特徴検出手段のような特徴検出手段を用いて前記ハフ変換のための点を検出するステップを備える請求項１に記載の方法。
3. 前記選択された点についてのｍ個の変数の解析は、前記選択された点の間の関係を解析することを含む請求項１または２に記載の方法。
4. 前記ハフ変換は直線を検出するためのものであり、画像空間内の点（ｘ，ｙ）をハフ空間内の点（ｒ，θ）に写像する請求項１ないし３のいずれか１項に記載の方法。
5. 前記選択された点の解析はθの値を解析することを含む請求項４に記載の方法。
6. 前記ハフ空間内の点を選択するステップは、局所的ピークを識別し該局所的ピークをしきい値と比較することを含む請求項１ないし５のいずれか１項に記載の方法。
7. 前記しきい値は、好ましくは解析される画像に類似した統計的性質を有するランダムな基準画像に基づく請求項６に記載の方法。
8. 前記選択された点の解析は、人工構造物を識別するためおよび／または都市／非都市区域間を区別するためのものである請求項１ないし７のいずれか１項に記載の方法。
9. ハフ変換を用いて対象画像内の特徴を識別するためのしきい値を生成する方法であって、
   複数のランダムな基準画像領域を生成し、基準画像領域ごとにハフ変換を実行し、ハフ空間内の累積値のヒストグラムを導出するステップと、
   前記基準画像に対するヒストグラムを組み合わせるステップと、
   しきい値を導出するために前記組み合わされたヒストグラムを使用するステップと、
   を備える方法。
10. 前記基準画像領域は、前記対象画像に類似した統計的性質を有する請求項９に記載の方法。
11. 請求項１ないし１０のいずれか１項に記載の方法を実行するコンピュータプログラム。
12. 請求項１１に記載のコンピュータプログラムを記憶するコンピュータ可読媒体。
13. 請求項１ないし９のいずれか１項に記載の方法を実行するように適応した装置。
14. 画像信号を処理する手段と、
    ハフ変換を実行する手段と、
    前記画像空間内の特徴を表す前記ハフ空間内の点を選択する手段と、
    前記画像空間内の特徴に関する情報のために、前記選択された点についてのｎ個の変数のうちのｍ個の変数（ただしｍはｎより小さい）を解析する手段と、
    を備える請求項１３に記載の装置。
15. 画像入力手段を備える請求項１３または請求項１４に記載の装置。
16. 画像表示手段を備える請求項１３ないし１５のいずれか１項に記載の装置。

Images