JP2004061176A - ハイパースペクトル画像解析システム - Google Patents

Abstract

【課題】自己組織化特徴マップによるハイパースペクトル画像の解析において、特徴ベクトルに類似する重みベクトルを高速に探索する。
【解決手段】ハイパースペクトル画像の各ピクセルのスペクトルを特徴ベクトルとする。２分割探索法により、探索範囲の立方体を次々１／８にしながら、特徴ベクトルに最も近い最類似ベクトルを、色空間の重みベクトルの中から探索する。最類似ベクトルとそれに隣接する重みベクトルを特徴ベクトルに近づけることで学習を行う。全ピクセルについて所定回学習したら、新しい重みベクトルをもとの立方体の頂点の重みベクトルから平均演算により求めることにより、色空間立方体の細分化を行う。目的の細分化レベルになるまで学習を繰り返して、色空間をクラスター化する。各ピクセルの特徴ベクトルに最も近い重みベクトルに対応する色を、そのピクセルに割り当てる。
【選択図】　　　図１

Description

【０００１】
【発明の属する技術分野】
本発明は、ハイパースペクトル画像解析システムに関し、特に、自己組織化特徴マップにおける学習を高速化したハイパースペクトル画像解析システムに関する。
【０００２】
【従来の技術】
すべてのものは、特徴的な光反射スペクトルをもっている。そのため、ほとんどのものは、目で見て何であるかわかる。しかし、可視光線で見ただけでは違いがわからないものもある。例えば、図１３に示すように、可視光線では同じに見えるが、紫外線写真では違って見えるものもある。そこで、対象物を複数の波長の光でそれぞれ撮影し、それらの画像を組み合わせて処理することで、多くの有用な画像を得ることができる。対象物を多数の波長の光でそれぞれ撮影した画像を、ハイパースペクトル画像と呼んでいる。ハイパースペクトル画像を処理することで、連続的なスペクトルを高い分解能で細分類でき、人間の目では見えないものを見えるようにできる。ハイパースペクトル画像から特徴を抽出して可視化するために、多くの画像解析技術が提案されている。
【０００３】
リモートセンシング分野でよく知られた技術の１つは、３つの画像にＲ，Ｇ，Ｂの各色を割り当てるという「擬似カラーアルゴリズム」である。擬似カラーアルゴリズムは単純なので、短い計算時間で結果を得ることができる。しかし、３つのスペクトルの画像までにしか適用できない。もう１つの方法であるＫｏｈｏｎｅｎ自己組織化アルゴリズムは、ニューラルネットワークを利用する方法であり、超多次元ベクトル空間を適当に分割できる。詳しくは、文献１［Ｔ．　Ｋｏｈｏｎｅｎ著，徳高平蔵他訳「自己組織化マップ」シュプリンガー・フェアラーク東京１９９６年発行］などを参照されたい。しかし、この方法では、クラスターの最適な数が予めわかっていない場合には、特性を正確に抽出することは困難である。多次元ベクトルをクラスター分割する手法は、コホネンのニューラルネットワーク以外に、Ｋ平均法などのいくつかの手法も古くから提案されているが、ボトルネックになっている問題点はどれも同じである。
【０００４】
この困難を避けるために、本発明者は、ハイパースペクトル画像をＲＧＢ画像で表わす新しいアルゴリズムを、文献２［Ｓ．　Ｏｋａ，　Ｗ．　Ｈａｕｎｇ，　Ｋ．　Ｍｕｒａｉ，　ａｎｄ　Ｙ．　Ｔａｋｅｆｕｊｉ，　”Ａ　ＲＧＢ　Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ　ｏｆ　Ｆｅａｔｕｒｅｓ　ｉｎ　Ｈｙｐｅｒｓｐｅｃｔｒａｌ　Ｉｍａｇｅｓ　ｂｙ　Ｓｅｌｆ−Ｏｒｇａｎｉｚａｔｉｏｎ　Ｔｏｐｏｌｏｇｉｃａｌ　Ｍａｐ”，　Ｔｈｅ　Ｔｈｉｒｄ　Ｗｏｒｌｄ　Ｍｕｌｔｉ　ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｓｙｓｔｅｍｉｃｓ，　Ｃｙｂｅｒｎｅｔｉｃｓ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｃｓ　（ＳＣＩ’９９）　ａｎｄ　ｔｈｅ　Ｆｉｆｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｙｓｔｅｍｓ　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｓｙｎｔｈｅｓｉｓ　（ＩＳＡＳ’９９），　Ｐｒｏｃ．　ｏｆ　Ｉｍａｇｅ，　Ａｃｏｕｓｔｉｃ，　Ｓｐｅｅｃｈ　ａｎｄ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｉｎｇ，　ｖｏｌ．　６，　ｐｐ．１４５−１４９，　ｉｎ　Ｏｒｌａｎｄｏ，　ＵＳＡ，　Ｊｕｌ．　３１　−　Ａｕｇ．　４，　１９９９．　］で提案した。その主たるアイデアは、人間の色彩感覚が重要な役割を果たすという点である。以下、ハイパースペクトル画像をＲＧＢ画像で表すアルゴリズムを説明する。
【０００５】
このアルゴリズムで使用するＣＩＥＬＵＶ色空間について簡単に説明する。詳しくは、文献３［Ｒ．　Ｗ．　Ｈｕｎｔ，　”ＭＥＡＳＵＲＩＮＧ　ＣＯＬＯＲ　ｓｅｃｏｎｄ　ｅｄｉｔｉｏｎ”，　ＥＬＬＩＳ　ＨＯＲＷＯＯＤ，　１９９５］　などを参照されたい。ハイパースペクトル画像のすべてのピクセルは、自己組織化特徴マップにより、ＣＩＥＬＵＶ色空間（単に色空間ともいう）にマッピングされる。ＣＩＥＬＵＶ色空間は、ＣＩＥで勧告された基本一様色空間計量である。それは、色の相違を表現する計量を包含するのみでなく、明るさに対する目の反応に関する知覚的な情報をも含むものである。ＣＩＥＬＵＶ（Ｌ^＊，ｕ^＊，ｖ^＊）の座標は、
Ｌ^＊＝１１６（Ｙ／Ｙ_ｎ）^１／３−１６　　（Ｙ／Ｙ_ｎ）＞０．００８８５６
Ｌ^＊＝９０３．３（Ｙ／Ｙ_ｎ）　　　　（Ｙ／Ｙ_ｎ）≦０．００８８５６
ｕ^＊＝１３Ｌ^＊（ｕ’−ｕ’_ｎ）
ｖ^＊＝１３Ｌ^＊（ｖ’−ｖ’_ｎ）
で与えられる。ただし、ｕ’とｖ’は、
ｕ’＝４Ｘ／（Ｘ＋１５Ｙ＋３Ｚ）
ｖ’＝９Ｘ／（Ｘ＋１５Ｙ＋３Ｚ）
である。
【０００６】
ＲＧＢからＸＹＺへの変換式は、
【数１】

で与えられる。定数値は、
ｕ’_ｎ＝０．２１０５
ｖ’_ｎ＝０．４７３７
Ｙ_ｎ＝１００
である。
【０００７】
ＣＩＥＬＵＶ色空間は、ＲＧＢ立体色空間に比べていくつかの利点がある。１つは、色の見え方における差を決めるために有効な、輝度と色差の両方を決める式を含んでいる点である。ＣＩＥＬＵＶ色差は、
ΔＥ_ｕｖ ^＊＝［（ΔＬ^＊）^２＋（Δｕ^＊）^２＋（Δｖ^＊）^２］^１／２
で表現される単純なユークリッド距離である。この式は、色差を記述するためにＣＩＥで勧告された基本的な手段である。ＣＩＥＬＵＶ色空間を使う最大の利点は、ＣＩＥＬＵＶ色空間における等距離は、同様に別々の色を表わすという点である。この点において、色の差がユークリッド距離で計算できるから、ＣＩＥＬＵＶ色空間は、ＲＧＢ色空間よりすぐれている。言い換えれば、ＣＩＥＬＵＶ色空間における色の距離は、異なる色に対する人間の感受性に比例するのである。
【０００８】
自己組織化特徴マップ（Ｓｅｌｆ−Ｏｒｇａｎｉｚａｔｉｏｎ　Ｍａｐ：ＳＯＭ）について説明する。ハイパースペクトル画像におけるすべてのピクセルは、自己組織化特徴マップにより、ＣＩＥＬＵＶ色空間に写像される。ＳＯＭアリゴリズムにより、種々の色がピクセルに割り当てられる。それゆえ、スペクトルが類似しているピクセルは、それぞれ似た色で表現され、異なるスペクトルのピクセルは、異なる色で表現される。
【０００９】
入力画像の数をＰとする。すなわち、対象物をＰ種類の波長で撮影して、Ｐ枚の画像を得る。ピクセルｋのスペクトルを表す特徴ベクトルは、
Ｘ_ｋ＝（ｘ_１ｋ，ｘ_２ｋ，・・・，ｘ_ｐｋ）
と表現できる。ここで、ｘ_ｓｋは、ｓ番目の波長で撮影された画像のピクセルｋの輝度である。
【００１０】
Ｗ_ｉを、ＣＩＥＬＵＶ色空間上のＰ次元のＳＯＭ重みベクトル（単に重みベクトルともいう）とする。ｉは、ＣＩＥＬＵＶ色空間の格子点に対応している。ＣＩＥＬＵＶ色空間は、例えば、１０×２０×２０個の立方体からなる格子に分割されている。つまり、ＳＯＭにより、４０００色をピクセルに割り当てることができる。この場合、ｉ＝１，２，・・・，４０００である。一般的には、ａ×ｂ×ｃ＝ａｂｃ個の立方体からなる格子に分割すれば、ａｂｃ色をピクセルに割り当てることができる。
【００１１】
図１４を参照しながら、ＳＯＭアルゴリズムを説明する。具体的な数値を例示して説明するが、実際には目的に応じた数値を使えばよい。
（ステップ１）一様乱数で、Ｗ_ｉ（ｉ＝１，２，・・・，４０００）を初期化する。
（ステップ２）各ピクセルｋに対して、そのピクセルの特徴ベクトルＸ_ｋとすべての重みベクトルＷ_ｉとの距離の二乗（Ｘ_ｋ−Ｗ_ｉ）^２を計算する。
（ステップ３）各ピクセルｋの特徴ベクトルＸ_ｋと最も近い距離の重みベクトルＷ_ｉを選択して、最類似ベクトルＷ_ｚとする。すなわち、ｍｉｎ_ｉ（Ｘ_ｋ−Ｗ_ｉ）^２となる重みベクトルＷ_ｉを最類似ベクトルＷ_ｚとする。格子点ｚは、特徴ベクトルＸ_ｋと最も近い重みベクトルがある点である。ピクセルｋに対応するＷ_ｚは、ステップごとに異なる。
【００１２】
（ステップ４）各重みベクトルＷ_ｉを、
Ｗ_ｉ（ｔ＋１）＝Ｗ_ｉ（ｔ）＋α（Ｘ_ｋ−Ｗ_ｉ（ｔ））
で更新する。すなわち、重みベクトルＷ_ｉを、ＣＩＥＬＵＶ色空間の格子点ｚに対応するピクセルｋの特徴ベクトルＸ_ｋに、少し（１％未満）近づける。ただし、
α＝０．０１・（１／（ｄ_ｚｉ＋１））
ｄ_ｚｉ＝｜Ｌ_ｚ−Ｌ_ｉ｜＋｜Ｕ_ｚ−Ｕ_ｉ｜＋｜Ｖ_ｚ−Ｖ_ｉ｜
である。ｄ_ｚｉは、重みベクトルＷ_ＺとＷ_ｉの対応する点（ＣＩＥＬＵＶ色空間の格子点）の間のＭａｎｈａｔｔａｎ距離である。ＣＩＥＬＵＶ色空間の格子点ｚの座標を（Ｌ_ｚ，Ｕ_ｚ，Ｖ_ｚ）とし、格子点ｉの座標を（Ｌ_ｉ，Ｕ_ｉ，Ｖ_ｉ）とする。
【００１３】
（ステップ５）ステップ２〜４を、例えば８０回繰り返す。一般的には、収束条件を満足する適当な学習回数を設定する。学習においては、計算時間を短縮するために、次の規則に従って、ピクセルｋの特徴ベクトルＸ_ｋの最類似ベクトルの格子点ｚの近傍の格子点ｉの重みベクトルＷ_ｉのみを更新し、繰返回数ｔ＝８０で学習を打ち切る。繰返回数ｔが（０＜ｔ≦２０）の場合は、格子点ｚの前後上下左右３点までの７×７×７の近傍格子点にある（ｄ_ｚｉ≦９）を満たす格子点ｉの重みベクトルＷ_ｉのみについて計算する。（２０＜ｔ≦４０）の場合は、５×５×５の近傍格子点にある（ｄ_ｚｉ≦６）を満たす格子点ｉの重みベクトルＷ_ｉのみについて計算する。（４０＜ｔ≦６０）の場合は、３×３×３の近傍格子点にある（ｄ_ｚｉ≦３）を満たす格子点ｉの重みベクトルＷ_ｉのみについて計算する。（６０＜ｔ≦８０）の場合は、格子点ｚの重みベクトルＷ_ｚのみについて計算する。
【００１４】
このようにして、特徴ベクトルが類似しているピクセルは、色空間の小領域の重みベクトルと類似することになり、特徴ベクトルの異なるピクセルは、色空間の離れた領域の重みベクトルとそれぞれ類似することになる。つまり、色空間が特徴ベクトルに対応してクラスター化される。
（ステップ６）最終ステップの終了後、ピクセルｋに対応する格子点ｚの色（Ｌ_ｚ，Ｕ_ｚ，Ｖ_ｚ）を、ピクセルｋの色とする。
【００１５】
このように、ＳＯＭアルゴリズムでは、ハイパースペクトル画像における類似の特徴が、それぞれ類似の色によって表され、異なった特徴が、異なった色によって表される。その結果、対象物の特徴が、色の違いによって視覚的に識別できるようになり、可視光線では見えなかった特徴が引き出される。しかも、前もってクラスターの最適値を知らなくても、重要な特徴が、注目に値する色で自動的に強調されるのである。
【００１６】
【発明が解決しようとする課題】
しかし、従来のＳＯＭアルゴリズムを用いたハイパースペクトル画像解析アルゴリズムでは、解析に時間がかかるという問題がある。数十〜数百枚のスペクトル画像をＳＯＭアルゴリズムで解析すると、膨大な計算コストのため、時間がかかりすぎて実用にならない。
【００１７】
本発明は、上記従来の問題を解決して、自己組織化特徴マップによるハイパースペクトル画像の解析において、特徴ベクトルに類似する重みベクトルを高速に探索して、連続する大量のスペクトル画像を高速に解析することを目的とする。
【００１８】
【課題を解決するための手段】
上記の課題を解決するために、本発明では、対象物を複数の波長の光で撮影してハイパースペクトル画像を生成する手段と、ハイパースペクトル画像の各ピクセルのスペクトルに基づいて特徴ベクトルを求める手段と、互いに類似した特徴ベクトルが３次元色空間上の近い位置にある重みベクトルに対応するように色空間をクラスター化する自己組織化特徴マップ手段と、各ピクセルの特徴ベクトルに最も近い重みベクトルが位置する色空間上の点に対応する色をそのピクセルに割り当てる色割当手段とを具備するハイパースペクトル画像解析システムの自己組織化特徴マップ手段に、色空間の重みベクトルを立方体の格子点に対応させて記憶する色空間記憶手段と、色空間の重みベクトルを初期化する初期化手段と、立方体の全体または一部である部分立方体の８頂点の重みベクトルから平均演算により部分立方体の体心と各面心と各稜中点の重みベクトルを求めて色空間の細分化レベルを進める細分化手段と、色空間の細分化レベルに対応する重みベクトルの中から特徴ベクトルに最も近い最類似ベクトルを２分割探索法により求める２分割探索手段と、最類似ベクトルとその位置する頂点に隣接する頂点の重みベクトルを特徴ベクトルに近づける学習手段とを備えた構成とした。このように構成したことにより、ハイパースペクトル画像を高速に解析することができる。
【００１９】
また、２分割探索手段に、部分立方体の１つである探索部分立方体の８頂点の重みベクトルと各ピクセルの特徴ベクトルとを比較する手段と、特徴ベクトルに最も近い重みベクトルを選択する手段と、選択した重みベクトルの属する頂点を頂点とする１／８体積の立方体を新たな探索部分立方体とする探索進行手段と、色空間の細分化レベルに対応する探索部分立方体において特徴ベクトルに最も近い重みベクトルとして選択した重みベクトルを最類似ベクトルとする手段とを設けた。このように構成したことにより、最類似ベクトルを高速に探索することができる。
【００２０】
また、特徴ベクトルとして、ハイパースペクトル画像の各ピクセルのスペクトルを波長で微分した値を用いる構成とした。このように構成したことにより、明るさの異なる同一対象物を同じ色で表わすことができる。
【００２１】
また、色割当手段に、ピクセルの平均輝度に応じて割当色の明度を決定する手段を設けた構成とした。このように構成したことにより、明るさの異なる同一対象物を、もとの明るさに応じた同じ色で表わすことができる。
【００２２】
また、可視光画像を表示する表示手段と、表示された可視光画像の１点を指示する指示手段と、指示された点の所定近傍の部分画像を解析対象画像として選択する画像選択手段と、解析結果の合成画像を可視光画像の部分画像と置き換えて表示する手段とを備えた構成とした。このように構成したことにより、任意の部分を解析して表示することができる。
【００２３】
【発明の実施の形態】
以下、本発明の実施の形態について、図１〜図１２を参照しながら詳細に説明する。
【００２４】
（第１の実施の形態）
本発明の第１の実施の形態は、２分割探索法により、探索立方体を次々１／８にしながら、特徴ベクトルに最も近い最類似ベクトルを、色空間の重みベクトルの中から高速に探索するハイパースペクトル画像解析システムである。
【００２５】
図１は、本発明の第１の実施の形態におけるハイパースペクトル画像解析システムの機能ブロック図である。図１（ａ）は、ハイパースペクトル画像解析システムの概略ブロック図である。図１（ｂ）は、ハイパースペクトル画像解析システムの自己組織化特徴マップ手段の機能ブロック図である。図１において、カメラ１は、数１０〜数１００の波長で対象物を撮影して、ハイパースペクトル画像を出力するスチルカメラである。画像記録装置２は、ハイパースペクトル画像を格納しておくメモリである。表示手段３は、画像を表示する装置である。自己組織化特徴マップ手段４は、入力画像を解析して色空間をクラスター化する手段である。画像合成手段５は、入力画像のピクセルの特徴ベクトルに最も近い重みベクトルの色を入力画像に割り当てて１枚の画像に合成する手段である。
【００２６】
初期化手段４１は、色空間立方体の最外側の８頂点の重みベクトルを乱数により初期化する手段である。色空間記憶手段４２は、色空間立方体の重みベクトルを記憶する手段である。細分化手段４３は、色空間立方体の体心と面心と稜中点の重みベクトルを計算し、分割レベルが１つ進んだ色空間立方体を構成する手段である。２分割探索手段４４は、探索立方体を次々１／８にしながら、特徴ベクトルに最も近い最類似ベクトルを、色空間の重みベクトルの中から探索する手段である。学習手段４５は、特徴ベクトルに最も近い重みベクトルとその隣接重みベクトルを、特徴ベクトルに少しだけ近づける学習処理を行う手段である。特徴ベクトル記憶手段４６は、ハイパースペクトル画像の各ピクセルのスペクトルに基づく特徴ベクトルを記憶する手段である。
【００２７】
図２は、本発明の第１の実施の形態におけるハイパースペクトル画像解析システムで用いる自己組織化特徴マップの処理手順の流れ図である。図３は、ハイパースペクトル画像解析システムで用いる２分割探索法の処理手順の流れ図である。図３（ａ）は、２分割探索法Ａの処理手順の流れ図である。図３（ｂ）は、２分割探索法Ａの一部である２分割探索法Ｂの処理手順の流れ図である。図４は、ハイパースペクトル画像解析システムで用いる２分割探索法の説明図である。図４（ａ）〜（ｄ）は、自己組織化における色空間立方体の細分化を説明する図である。図４（ｅ）〜（ｈ）は、２分割探索法における探索立方体の細分化を説明する図である。
【００２８】
図５は、本発明の第１の実施の形態におけるハイパースペクトル画像解析システムの自己組織化特徴マップ手段の機能ブロック図である。図５において、探索進行手段４７は、選択した重みベクトルの属する頂点を頂点とする１／８体積の立方体を新たな探索立方体とする手段である。比較手段４８は、探索対象の部分立方体である探索立方体の８頂点の重みベクトルと特徴ベクトルとを比較する手段である。選択手段４９は、特徴ベクトルに最も近い重みベクトルを選択する手段である。図６は、紫外線スペクトル画像を解析して合成した図である。
【００２９】
上記のように構成された本発明の第１の実施の形態におけるハイパースペクトル画像解析システムの動作を説明する。最初に、図１を参照して、ハイパースペクトル画像解析システムの機能の概要を説明する。カメラ１で対象物を多数の波長ごとに撮影して、画像記録装置２に格納する。ハイパースペクトル画像の各ピクセルのスペクトルに基づいて特徴ベクトルを求めて、自己組織化特徴マップ手段４の特徴ベクトル記憶手段４６に格納する。自己組織化特徴マップ手段４で、画像の特徴ベクトルを解析して、色空間の重みベクトルをクラスター化する。画像合成手段５で、ピクセルの特徴ベクトルに最も近い重みベクトルの色をそのピクセルに割り当てて、１枚の画像に合成する。合成された画像を、表示手段３に表示する。
【００３０】
自己組織化特徴マップ手段４では、初期化手段４１で、色空間立方体の最外側の８頂点の重みベクトルを乱数により初期化し、色空間記憶手段４２に記憶する。特徴ベクトル記憶手段４６に記憶された特徴ベクトルを１つ取り出して、２分割探索手段４４で重みベクトルと比較する。最も近い重みベクトルを最類似ベクトルとして、それに隣接する重みベクトルとともに、学習手段４５で、特徴ベクトルに少しだけ近づける学習処理を行う。この動作を、すべてのピクセルについて行い、それを所定回、例えば８０回繰り返す。これで１レベルの学習が終了する。細分化手段４３で、色空間立方体の体心と面心と稜中点の重みベクトルを計算し、分割レベルが１つ進んだ色空間立方体を構成する。目的の分割レベルになるまで、すなわち、色空間立方体の部分立方体が単位立方体になるまで、学習を繰り返すことで、色空間の重みベクトルをクラスター化する。
【００３１】
全レベルの学習が終了したら、画像合成手段５で、ピクセルの特徴ベクトルに最も近い重みベクトルを探して、その重みベクトルの座標に対応する色を、そのピクセルに割り当てる。これをすべてのピクセルに対して行う。ここまでの基本的な構成は、従来のものと同じである。ただ、色空間の細分化のレベルごとに、２分割探索法で学習を行い、色空間を目的のレベルまで細分化する点が、従来のものと異なる。
【００３２】
次に、図２と図４を参照しながら、自己組織化特徴マップ手段の処理手順を説明する。例えば、ハイパースペクトルの画像数を１００とし、ピクセル数を１００万とする。ピクセルの特徴ベクトルは、１００次元となる。色空間を、一辺が２^ｎの立方体とする。例えば、ｎ＝４とすれば、１６^３＝４０９６の小立方体からなる立方体となる。ｎ＝３とすれば、８^３＝５１２の小立方体からなる立方体となる。重みベクトルの数は、小立方体の頂点の数となるので、ｎ＝４ならば、（１６＋１）^３＝１７^３＝４９１３となり、ｎ＝３ならば、（８＋１）^３＝９^３＝７２９となる。
【００３３】
ここで、色空間の細分化のレベルについて説明する。細分化のレベルは、一辺が２^ｎの立方体の場合、細分化しない頂点の数が８の立方体の細分化レベルを１とし、頂点の数が（２^ｎ＋１）^３の立方体の細分化レベルを（ｎ＋１）とする。ｎ＝４の場合、細分化レベルは、１、２、３、４、５となり、頂点の数は、８、２７、１２５、７２９、４９１３となる。説明の都合上、自己組織化における色空間の立方体の細分化レベルと２分割探索における探索立方体の細分化レベルを区別する。同じ色空間の立方体を細分化するのであるが、処理途中では、細分化レベルの値が異なるので、混乱を避けるために、別の用語を用いる。自己組織化の細分化レベルは、最初１である。以下の例では、目標とする自己組織化の細分化レベルを３とする。すなわち、頂点の数（重みベクトルの数）を、８、２７、１２５とする。２分割探索の細分化レベルは、自己組織化の細分化レベルの進行に応じて、１、１〜２、１〜３となる。
【００３４】
（１）ステップ２１で、初期設定として、一辺が４の色空間の立方体の８頂点の重みベクトルを、乱数で決める。重みベクトルの次元は、特徴ベクトルと同じ１００次元である。自己組織化の細分化レベルは、最初では１である。
（２）ステップ２２で、最初のピクセルを選択する。
（３）ステップ２３で、２分割探索法により、自己組織化の細分化レベルにおいて、ピクセルの特徴ベクトルに最も近い最類似重みベクトルを探して、最類似重みベクトルとその隣接重みベクトルを特徴ベクトルに少し近づけるという学習を行う。
（４）ステップ２４で、次のピクセルを選択する。
（５）ステップ２５で、すべてのピクセル（例えば１００万個）について学習が終わったかどうか調べる。終わっていなければ、ステップ２３に戻る。終わっていれば、ステップ２６を実行する。
【００３５】
（６）ステップ２６で、所定回数（例えば８０回）の学習が終了したかどうか調べる。終わっていなければ、ステップ２２に戻る。終わっていれば、ステップ２７を実行する。
（７）ステップ２７で、色空間が目標サイズに細分化されているかどうか調べる。すなわち、最小の部分立方体の稜の長さが１になったかどうか調べる。目標サイズに細分化されていれば、ステップ２８を実行する。細分化されていなければ、ステップ２９を実行する。
（８）ステップ２８で、特徴ベクトルに最も近い重みベクトルの色をピクセルに割り当てて、処理を終了する。この処理は、画像合成手段５で行う。特徴ベクトルに最も近い重みベクトルを探索する方法は、２分割探索法と同じ方法を使う。
【００３６】
（９）ステップ２９で、自己組織化の細分化レベルを１つ進め、ステップ２２に戻る。すなわち、色空間の小立方体の各稜の中点の重みベクトルを、稜の両端の重みベクトルの平均値とする。各面の中心の重みベクトルを、面の４頂点の重みベクトルの平均値とする。立方体の中心の重みベクトルを、８頂点の重みベクトルの平均値とする。例えば、自己組織化の細分化レベルを１から２に進める場合は、図４（ｂ）に示すｂ３の重みベクトルを、ｂ１とｂ２の重みベクトルの平均とする。ｂ６の重みベクトルを、ｂ１，ｂ２，ｂ４，ｂ５の重みベクトルの平均とする。図４（ｃ）に示すｃ９の重みベクトルを、ｃ１〜ｃ８の重みベクトルの平均とする。レベル１では、図４（ａ）の立方体を学習領域としたが、レベル２に進むと、図４（ｂ）の立方体を学習領域とする。レベル３では、図４（ｄ）の立方体を学習領域とすることになる。その後、ステップ２２に戻る。
【００３７】
第３に、図３と図４を参照しながら、２分割探索法の処理手順を説明する。色空間を、稜の長さが４の立方体とする。まず、２分割探索法Ａの手順を説明する。
（１）ステップ３１で、色空間立方体のうち、自己組織化の細分化の段階までを学習領域とする。最終目的の自己組織化の細分化レベルが３（重みベクトルの数が５×５×５）で、現時点での自己組織化の細分化レベルが２（重みベクトルの数が３×３×３）ならば、図４（ｃ）の２７個の重みベクトルの中から最類似ベクトルを探すことになる。
（２）ステップ３２で、２分割探索法Ｂを実行し、自己組織化の細分化の段階における最類似ベクトルを探す。
（３）ステップ３３で、２分割探索法Ｂで見つかった最類似ベクトルと、それに隣接する重みベクトルを、特徴ベクトルに近づける。すなわち、最類似ベクトルに隣接する頂点の重みベクトルを、特徴ベクトルに近づける学習を行う。例えば、自己組織化の細分化レベルが１で、最類似ベクトルの位置を、図４（ｅ）に示すａ１とすると、ａ１，ａ２，ａ３，ａ４の位置の重みベクトルを、１％だけ特徴ベクトルに近づける。図４（ｈ）に示すｃ１が最類似ベクトルの頂点である時、図４（ｈ）に示すｃ１〜ｃ８が隣接ベクトルの頂点である。
【００３８】
次に、２分割探索法Ｂの手順を説明する。
（４）ステップ３４で、図４（ｅ）に示す８頂点の中から最類似ベクトルを探す。すなわち、一辺が４の色空間の立方体の最外側の８頂点のみについて、特徴ベクトルと重みベクトルを比較して、最も近い重みベクトルを最類似ベクトルとする。
（５）ステップ３５で、自己組織化の細分化レベルと、２分割探索法の細分化レベルが一致するかどうか調べる。一致していたら処理を終了する。一致していなかったら、ステップ３６を実行する。
（６）ステップ３６で、２分割探索法の細分化レベルを１つ進める。細分化レベルを１つ進めるとは、図４（ｅ）から（ｆ）に移ることや、（ｆ）から（ｇ）に移ることである。図４（ｆ）は、Ｓｔｅｐ３４で図４（ｅ）においてａ６が最類似ベクトルとして見つかった場合の細分化を表わしており、図４（ｇ）は、Ｓｔｅｐ３４で図４（ｆ）においてｂ１が最類似ベクトルとして見つかった場合の細分化を表している。他の最類似ベクトルが見つかった場合は、それに応じて細分化する場所を変える。
（７）ステップ３７で、２分割探索法の新たな細分化レベルにおける小立方体の８頂点の中から、最類似ベクトルを探す。例えば、図４（ｆ）では、ｂ１〜ｂ８の８つの重みベクトルの中から、最類似ベクトルを探す。その後、ステップ３５に戻る。
【００３９】
具体的な処理の流れを、改めて以下に示す。
（１）色空間の立方体の頂点の数を、（５×５×５）とする。すなわち、図４（ｄ）に示す色立方体で、自己組織化を行う。
（２）まず、図４（ａ）に示す立方体の８頂点の重みベクトルを、乱数で決める（図２のＳｔｅｐ２１）。自己組織化の細分化レベルは１で、頂点の数は（２×２×２）である。
（３）ピクセルを１つ選び、２分割探索法Ａを実行する（図２のＳｔｅｐ２２、Ｓｔｅｐ２３）。
（４）自己組織化の細分化レベルが１（頂点数：２×２×２）なので、この８頂点の中から、最類似ベクトルを探せばよい（図３のＳｔｅｐ３１）。
（５）最類似ベクトルを、図４（ｅ）に示す立方体の８頂点から探す。２分割探索法の細分化レベルは１（頂点数：２×２×２）である。図４（ｅ）に示す立方体の頂点ａ７の重みベクトルが、最類似ベクトルであるとする（図３のＳｔｅｐ３４）。
（６）自己組織化の細分化レベルの１（頂点数：２×２×２）と、２分割探索法の細分化レベルの１が一致しているので、図４（ｅ）に示す立方体の頂点ａ７の重みベクトルが、最終的な最類似ベクトルとなる（図３のＳｔｅｐ３５）。
（７）図４（ｅ）に示す立方体の頂点ａ７とその隣接頂点ａ３、ａ５、ａ８の重みベクトルを、ピクセルの特徴ベクトルに近づける（図３のＳｔｅｐ３３）。
（８）同様に、他のピクセルについても学習する（図２のＳｔｅｐ２５）。
（９）これらを規定回数繰り返す（図２のＳｔｅｐ２６）。
【００４０】
（１０）目的の細分化レベル３（頂点数：５×５×５）に、自己組織化の細分化レベル１（頂点数：２×２×２）が達していない（図２のＳｔｅｐ２７）。
（１１）自己組織化の細分化レベルを、図４（ｂ）に示す立方体の細分化レベル２（頂点数：３×３×３）にする。この時、新たにできた頂点の重みベクトルは、平均法によって求める。
（１２）最初のピクセルを持ってきて、２分割探索法で最類似ベクトルを探す（図２のＳｔｅｐ２２、Ｓｔｅｐ２３）。
（１３）自己組織化の細分化レベル２（頂点数：３×３×３）の２７個の重みベクトルが、学習領域の重みベクトルである（図３のＳｔｅｐ３１）。
（１４）図４（ｅ）に示す立方体の８頂点（ａ１〜ａ８）から、最類似ベクトルを探す。２分割探索法の細分化レベルは１（頂点数：２×２×２）である。図４（ｅ）に示す立方体の頂点ａ６の重みベクトルが、最類似ベクトルであるとする（図３のＳｔｅｐ３４）。
（１５）自己組織化の細分化レベル２（頂点数：３×３×３）と、２分割探索法の細分化レベル１（頂点数：２×２×２）が一致していない（図３のＳｔｅｐ３５）。
（１６）図４（ｆ）に示すように、２分割探索法の細分化レベルを１つ進めて、頂点ａ６を含む小立方体を新しい探索立方体とする。２分割探索法の細分化レベルが２（頂点数：３×３×３）になる（図３のＳｔｅｐ３６）。
【００４１】
（１７）図４（ｆ）に示す小立方体の８頂点（ｂ１〜ｂ８）の中から、最類似ベクトルを探す（図３のＳｔｅｐ３７）。図４（ｆ）に示す小立方体の頂点ｂ２が、最類似ベクトルであるとする。
（１８）自己組織化の細分化レベル２（頂点数：３×３×３）と、２分割探索法の細分化レベル２（頂点数：３×３×３）が一致している（図３のＳｔｅｐ３５）。
（１９）図４（ｆ）に示す小立方体の頂点ｂ２とその隣接頂点の重みベクトル、すなわち頂点ｂ１、ｂ２、ｂ３、ｂ４、ｂ６の重みベクトルを、特徴ベクトルに近づける（図３のＳｔｅｐ３３）。
（２０）他のピクセルについても同様に学習する。
（２１）この学習を規定回数行う。
（２２）自己組織化の細分化レベルを３（頂点数：５×５×５）にして、すべてのピクセルについて、規定回数同様の作業を行う。
（２３）各ピクセルの特徴ベクトルに最も近い重みベクトルを探して、そのピクセルに、その重みベクトルに対応する色を割り当てる。この時の探し方も、２分割探索法の手法を用いる。但し、図３のＳｔｅｐ３３は実行しない。また、自己組織化の細分化レベルは、目的の細分化レベルの３（頂点数：５×５×５）として行う。
【００４２】
すなわち、自己組織化の細分化レベルを１から３まで変えながら、それぞれのレベルで学習を行う。自己組織化の細分化レベルのそれぞれにおいては、２分割探索法により、最類似ベクトルを探す。２分割探索法においては、細分化レベルが進むごとに、稜の長さが半分の小立方体を探索立方体として、探索の細分化レベルが自己組織化の細分化レベルになるまで、細分化を繰り返す。上の例の場合、３レベルの学習を実行することになる。各学習レベルで、それぞれ１、２、３レベルの探索を行うことになる。１レベルごとに８つの重みベクトルと特徴ベクトルを比較するので、８＋１６＋２４＝４８回の比較演算を行う。従来方法では、頂点の数が（１＋４）^３であるので、１２５回比較することになる。これが、１ピクセルの１回の学習である。これを、１００万ピクセルについて行う。これが、画像の１回の学習である。この学習を、８０回繰り返す。
【００４３】
第４に、図５と図６を参照しながら、ハイパースペクトル画像解析システムの自己組織化特徴マップ手段の動作を説明する。例えば、図６（ａ）に示すように、少しずつ波長の異なった光で対象物を撮影したハイパースペクトル画像を得る。図６では、可視光線から紫外線にかけて、波長数１０ｎｍごとに撮影した画像のうち、７枚の画像を示してあるが、目的に応じて、波長２ｎｍごとに数十枚〜数百枚の画像を得る。ハイパースペクトル画像から特徴ベクトルを求めて、特徴ベクトル記憶手段４６に記憶する。これは、基本的には従来技術と同じである。
【００４４】
初期化手段４１で、色空間立方体の最外側の８頂点の重みベクトルを乱数により初期化し、色空間記憶手段４２に記憶する。探索進行手段４７で、色空間立方体の細分化レベルに応じた探索立方体の重みベクトルを抽出する。特徴ベクトル記憶手段４６に記憶された特徴ベクトルを１つ取り出して、２分割探索手段４４の比較手段４８で、探索対象の部分立方体である探索立方体の８頂点の重みベクトルと特徴ベクトルとを比較し、最も近い重みベクトルを選択する。探索進行手段４７で、選択した重みベクトルの属する頂点を頂点とする１／８体積の立方体を新たな探索立方体とする。探索立方体の細分化レベルが色空間立方体の細分化レベルになるまで繰り返す。選択手段４９で、特徴ベクトルに最も近い重みベクトルを選択する。学習手段４５で、最類似ベクトルと、それに隣接する重みベクトルを、特徴ベクトルに少しだけ近づける学習処理を行う。この動作を、すべてのピクセルについて行い、それを所定回繰り返す。細分化手段４３で、色空間立方体の最も小さい部分立方体の体心と面心と稜中点の重みベクトルを計算し、分割レベルが１つ進んだ色空間立方体を構成する。目的の分割レベルになるまで、すなわち部分立方体が単位立方体になるまで、この学習を繰り返す。
【００４５】
このようにして、自己組織化特徴マップ手段により、ハイパースペクトル画像の全ピクセルの特徴ベクトルを解析して、色空間の格子点に対応する重みベクトルをクラスター化する。すなわち、特徴ベクトルを入力として、教師なし学習を行い、特徴ベクトルを類別した重みベクトルのクラスターを、色空間に形成する。
【００４６】
学習が終了すると、ハイパースペクトル画像の各ピクセルの特徴ベクトルに最も近い重みベクトルに対応する色空間の点を求め、そのピクセルの色として割り当てる。こうして、ハイパースペクトル画像を１枚のカラー画像に合成して、図６（ｂ）に示すような合成画像を生成する。比較対象として、可視光線で撮影した画像を、図６（ｃ）に示す。図６の原図は、いずれもカラー画像である。モノクロ２値画像にしてあるので、不明瞭ではあるが、ある程度のことはわかる。可視光線の画像では、蝶は、オスメスともわずかな違いがあるだけで、同じような見え方をしている。合成画像では、オスの蝶は白っぽく写っており、メスの蝶は黒っぽく写っている。
【００４７】
上記のように、本発明の第１の実施の形態では、ハイパースペクトル画像解析システムを、探索立方体を次々１／８にしながら、特徴ベクトルに最も近い最類似ベクトルを、色空間の重みベクトルの中から探索する２分割探索法で探索する構成としたので、探索を高速化して学習の計算コストを削減し、複数のスペクトル特徴を同時に色差で表現した出力画像を短時間で得ることができる。
【００４８】
（第２の実施の形態）
本発明の第２の実施の形態は、ハイパースペクトル画像のピクセルのスペクトルの微分を特徴ベクトルとして解析するハイパースペクトル画像解析システムである。
【００４９】
図７は、本発明の第２の実施の形態におけるハイパースペクトル画像解析システムの機能ブロック図である。図７において、カメラ１、画像記録装置２、表示手段３、自己組織化特徴マップ手段４、画像合成手段５は、第１の実施の形態を同じである。スペクトル微分手段６は、ピクセルのスペクトルを微分して特徴ベクトルとする手段である。微分特徴ベクトル格納手段７は、微分して得た特徴ベクトルを格納しておく記憶装置である。図８は、ピクセルのスペクトルの輝度値を示す図である。図９は、ピクセルのスペクトルの微分値を示す図である。
【００５０】
上記のように構成された本発明の第２の実施の形態におけるハイパースペクトル画像解析システムの動作を説明する。ピクセルのスペクトルを特徴ベクトルとする方法では、明るさが異なると、同じ反射特性をもつものでも、異なったスペクトルとして扱われる。解析結果の合成画像では、全く異なる色で表現されることがある。光の当たり具合が異なるだけなのに、異なる物体として識別される。しかし、実際は同じものなので、これでは不都合である。そこで、スペクトルを波長で微分して、明るさの影響を除去する。実際は、離散スペクトルであるので、差分をとって特徴ベクトルとする。隣接する波長の輝度値の差分を特徴量として、この差分に基づいて分類する。明度が異なる場合でも、差分が同じなら、同じ特徴ベクトルとなるので、合成画像では同じ色となる。差分を特徴ベクトルとする点以外は、第１の実施の形態と同じである。
【００５１】
図７と図８と図９を参照しながら、画像解析方法を説明する。カメラ１で対象物を多数の波長ごとに撮影して、画像記録装置２に格納するところまでは、第１の実施の形態と同じである。その結果、例えば４つのピクセルのスペクトルが、図８に示すような４つのスペクトルとなったとする。この場合、４つのピクセルは異なる特徴ベクトルをもつ。スペクトル微分手段６で、ピクセルのスペクトルを微分する。実際は差分をとるのであるが、わかりやすいので、微分と表現する。４つのスペクトルを微分すると、図９に示すように、２つの微分特徴ベクトルとなる。微分した結果を特徴ベクトルとして、微分特徴ベクトル格納手段７に記憶しておく。
【００５２】
自己組織化特徴マップ手段４で、重みベクトルと微分特徴ベクトルを比較して学習し、色空間をクラスター化する。クラスター化した結果を使って、画像合成手段５で合成画像を生成し、表示装置３に表示する。図８に示す４つのピクセルは、２つずつ同じ微分特徴ベクトルをもつこととなるので、それぞれ同じ色が割り当てられる。したがって、明るさが異なっても、同じ反射特性をもつものは、同じ色が割り当てられるので、同じものと認識できる。
【００５３】
上記のように、本発明の第２の実施の形態では、ハイパースペクトル画像解析システムを、スペクトルの微分を特徴ベクトルとして色空間をクラスター化する構成としたので、明るさが異なるものを別のものと誤認することがなくなる。
【００５４】
（第３の実施の形態）
本発明の第３の実施の形態は、微分特徴ベクトルの合成画像の明度を、もとのハイパースペクトル画像の平均輝度に対応させるハイパースペクトル画像解析システムである。
【００５５】
図１０は、本発明の第３の実施の形態におけるハイパースペクトル画像解析システムの機能ブロック図である。図１０において、カメラ１、画像記録装置２、表示手段３、自己組織化特徴マップ手段４、画像合成手段５、スペクトル微分手段６、微分特徴ベクトル格納手段７は、第２の実施の形態と同じである。ただ、画像合成手段５が、画像記録装置２を参照して画像を合成する点が異なる。
【００５６】
上記のように構成された本発明の第３の実施の形態におけるハイパースペクトル画像解析システムの動作を説明する。スペクトルの微分を特徴ベクトルとすると、解析後の合成画像に明るさが反映されないので、もとのハイパースペクトル画像のピクセルの平均輝度を、合成画像のピクセルの明度とする。スペクトルの微分を特徴ベクトルとして解析して、もとのハイパースペクトル画像の平均輝度に対応した明度で、合成画像を表示する。色相で対象物の種類が判別でき、明度で光の当たり具合がわかるので、対象物が異なるのか、光の当たり具合だけが異なるのかを、区別することができる。
【００５７】
図１０を参照しながら、画像の合成方法を説明する。カメラ１で対象物を多数の波長ごとに撮影して画像記録装置２に格納し、スペクトル微分手段６でピクセルのスペクトルを微分した結果を特徴ベクトルとして、微分特徴ベクトル格納手段７に記憶し、自己組織化特徴マップ手段４で、重みベクトルと微分特徴ベクトルを比較して学習し、色空間をクラスター化するところまでは、第２の実施の形態と同じである。
【００５８】
クラスター化した結果と、画像記録装置２に格納されたハイパースペクトル画像のピクセルの平均輝度を使って、画像合成手段５で合成画像を生成し、表示装置３に表示する。合成画像のピクセルの明度が、もとのハイパースペクトル画像のピクセルの平均輝度となるようにするが、特定の波長の輝度を使ってもよいし、複数の波長の輝度を適当に重み付き平均したものを使ってもよい。
【００５９】
上記のように、本発明の第３の実施の形態では、ハイパースペクトル画像解析システムを、微分特徴ベクトルの合成画像の明度を、もとのハイパースペクトル画像の平均輝度とするように構成したので、反射特性と光の当たり具合を区別することができる。
【００６０】
（第４の実施の形態）
本発明の第４の実施の形態は、もとの画像の指定部分のみを解析して表示するハイパースペクトル画像解析システムである。
【００６１】
図１１は、本発明の第４の実施の形態におけるハイパースペクトル画像解析システムの機能ブロック図である。図１１において、カメラ１、画像記録装置２、自己組織化特徴マップ手段４、画像合成手段５は、第１の実施の形態と同じである。解析領域選択手段８は、ポインティング手段で指示された周辺の領域を解析領域として選択する手段である。表示入力手段９は、表示手段にポインティング手段を付加したものである。可視光画像を表示する表示手段と、可視光画像の１点を指示する指示手段とを兼ね備えた手段である。図１２は、表示画面の状態を示す図である。
【００６２】
上記のように構成された本発明の第４の実施の形態におけるハイパースペクトル画像解析システムの動作を説明する。原画像の任意の点を、マウスなどのポインティングデバイスでポイントすると、その点を中心とする一定範囲の画像が解析されて表示される。指定された点のまわりの円または矩形の領域を、解析領域とする。この領域の画像のピクセルについて、第１の実施の形態で説明したように、自己組織化特徴マップ手段によって解析する。解析結果の画像を、原画像と置き換えて表示する。
【００６３】
図１１と図１２を参照しながら、具体的な動作を説明する。カメラ１で対象物を多数の波長ごとに撮影して、画像記録装置２に格納するところまでは、第１の実施の形態と同じである。ハイパースペクトル画像のうちから、可視光の画像を２，３選択して合成し、可視光画像として表示入力手段９に表示する。図１２（ａ）に示すように、マウスなどのポインティング手段で、画像中の所望の点を指示する。解析領域選択手段８で、指示された点の所定近傍の部分画像を解析対象画像として選択する。解析対象画像について、第１の実施の形態と同様にして、自己組織化特徴マップ手段４で、クラスター化する。クラスター化の結果に基づいて、画像合成手段５で合成画像を生成する。合成画像を、もとの部分画像と置き換えて、表示入力手段９に表示する。ポインティング手段などによる終了指示で、合成画像を消して、もとの画像を表示する。この例では、第１の実施の形態で説明した解析方法を用いたが、第２、第３の実施の形態で説明した解析方法を適用してもよい。
【００６４】
上記のように、本発明の第４の実施の形態では、ハイパースペクトル画像解析システムを、もとの画像の指定部分のみを解析して表示する構成としたので、所望の部分のみを選択して解析することができる。
【００６５】
【発明の効果】
以上の説明から明らかなように、本発明では、対象物を複数の波長の光で撮影してハイパースペクトル画像を生成する手段と、ハイパースペクトル画像の各ピクセルのスペクトルに基づいて特徴ベクトルを求める手段と、互いに類似した特徴ベクトルが３次元色空間上の近い位置にある重みベクトルに対応するように色空間をクラスター化する自己組織化特徴マップ手段と、各ピクセルの特徴ベクトルに最も近い重みベクトルが位置する色空間上の点に対応する色をそのピクセルに割り当てる色割当手段とを具備するハイパースペクトル画像解析システムの自己組織化特徴マップ手段に、色空間の重みベクトルを立方体の格子点に対応させて記憶する色空間記憶手段と、色空間の重みベクトルを初期化する初期化手段と、立方体の全体または一部である部分立方体の８頂点の重みベクトルから平均演算により部分立方体の体心と各面心と各稜中点の重みベクトルを求めて色空間の細分化レベルを進める細分化手段と、色空間の細分化レベルに対応する重みベクトルの中から特徴ベクトルに最も近い最類似ベクトルを２分割探索法により求める２分割探索手段と、最類似ベクトルとその位置する頂点に隣接する頂点の重みベクトルを特徴ベクトルに近づける学習手段とを備えた構成としたので、自己組織化特徴マップ手段の計算コストを削減して、複数のスペクトル特徴を同時に色差で表現した出力画像を短時間で得ることができるという効果が得られる。
【００６６】
また、２分割探索手段に、部分立方体の１つである探索部分立方体の８頂点の重みベクトルと各ピクセルの特徴ベクトルとを比較する手段と、特徴ベクトルに最も近い重みベクトルを選択する手段と、選択した重みベクトルの属する頂点を頂点とする１／８体積の立方体を新たな探索部分立方体とする探索進行手段と、色空間の細分化レベルに対応する探索部分立方体において特徴ベクトルに最も近い重みベクトルとして選択した重みベクトルを最類似ベクトルとする手段とを設けた構成としたので、最類似ベクトルを高速に探索することができるという効果が得られる。
【００６７】
また、特徴ベクトルとして、ハイパースペクトル画像の各ピクセルのスペクトルを波長で微分した値を用いる構成としたので、明るさの異なる同一対象物を同じ色で表すことができるという効果が得られる。
【００６８】
また、色割当手段に、ピクセルの平均輝度に応じて割当色の明度を決定する手段を設けた構成としたので、明るさの異なる同一対象物を、もとの明るさに応じた同じ色で表すことができるという効果が得られる。
【００６９】
また、可視光画像を表示する表示手段と、表示された可視光画像の１点を指示する指示手段と、指示された点の所定近傍の部分画像を解析対象画像として選択する画像選択手段と、解析結果の合成画像を可視光画像の部分画像と置き換えて表示する手段とを備えた構成としたので、任意の部分を解析して表示することができるという効果が得られる。
【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ハイパースペクトル画像解析システムの機能ブロック図、
【図２】本発明の第１の実施の形態におけるハイパースペクトル画像解析システムで用いる自己組織化特徴マップの処理手順の流れ図、
【図３】本発明の第１の実施の形態におけるハイパースペクトル画像解析システムで用いる２分割探索法の処理手順の流れ図、
【図４】本発明の第１の実施の形態におけるハイパースペクトル画像解析システムで用いる２分割探索法の説明図、
【図５】本発明の第１の実施の形態におけるハイパースペクトル画像解析システムで用いる自己組織化特徴マップ手段の機能ブロック図、
【図６】本発明の第１の実施の形態におけるハイパースペクトル画像解析システムで撮影した紫外線スペクトル画像と合成画像の図、
【図７】本発明の第２の実施の形態におけるハイパースペクトル画像解析システムの機能ブロック図、
【図８】本発明の第２の実施の形態におけるハイパースペクトル画像解析システムの処理対象のスペクトル図、
【図９】本発明の第２の実施の形態におけるハイパースペクトル画像解析システムの処理対象の微分スペクトル図、
【図１０】本発明の第３の実施の形態におけるハイパースペクトル画像解析システムの機能ブロック図、
【図１１】本発明の第４の実施の形態におけるハイパースペクトル画像解析システムの機能ブロック図、
【図１２】本発明の第４の実施の形態におけるハイパースペクトル画像解析システムの画面説明図、
【図１３】可視光線画像と紫外線画像の違いを示す図、
【図１４】従来の自己組織化特徴マップによる特徴抽出方法の動作手順を示す流れ図である。
【符号の説明】
１　カメラ
２　画像記録装置
３　表示装置
４　自己組織化特徴マップ手段
５　画像合成手段
６　スペクトル微分手段
７　微分特徴ベクトル格納手段
８　解析領域選択手段
９　表示入力手段
４１　初期化手段
４２　色空間記憶手段
４３　細分化手段
４４　２分割探索手段
４５　学習手段
４６　特徴ベクトル記憶手段
４７　探索進行手段
４８　比較手段
４９　選択手段

Claims (5)

1. 対象物を複数の波長の光で撮影してハイパースペクトル画像を生成する手段と、前記ハイパースペクトル画像の各ピクセルのスペクトルに基づいて特徴ベクトルを求める手段と、互いに類似した特徴ベクトルが３次元色空間上の近い位置にある重みベクトルに対応するように前記色空間をクラスター化する自己組織化特徴マップ手段と、前記各ピクセルの特徴ベクトルに最も近い重みベクトルが位置する前記色空間上の点に対応する色をそのピクセルに割り当てる色割当手段とを具備するハイパースペクトル画像解析システムにおいて、前記自己組織化特徴マップ手段に、前記色空間の重みベクトルを立方体の格子点に対応させて記憶する色空間記憶手段と、前記色空間の重みベクトルを初期化する初期化手段と、前記立方体の全体または一部である部分立方体の８頂点の重みベクトルから平均演算により前記部分立方体の体心と各面心と各稜中点の重みベクトルを求めて色空間の細分化レベルを進める細分化手段と、色空間の細分化レベルに対応する前記重みベクトルの中から前記特徴ベクトルに最も近い最類似ベクトルを２分割探索法により求める２分割探索手段と、前記最類似ベクトルとその位置する頂点に隣接する頂点の重みベクトルを前記特徴ベクトルに近づける学習手段とを備えたことを特徴とするハイパースペクトル画像解析システム。
2. 前記２分割探索手段に、前記部分立方体の１つである探索部分立方体の８頂点の重みベクトルと前記各ピクセルの特徴ベクトルとを比較する手段と、前記特徴ベクトルに最も近い重みベクトルを選択する手段と、選択した重みベクトルの属する頂点を頂点とする１／８体積の立方体を新たな探索部分立方体とする探索進行手段と、色空間の細分化レベルに対応する探索部分立方体において前記特徴ベクトルに最も近い重みベクトルとして選択した重みベクトルを最類似ベクトルとする手段とを設けたことを特徴とする請求項１記載のハイパースペクトル画像解析システム。
3. 前記特徴ベクトルとして、前記ハイパースペクトル画像の各ピクセルのスペクトルを波長で微分した値を用いることを特徴とする請求項１記載のハイパースペクトル画像解析システム。
4. 前記色割当手段に、前記ピクセルの平均輝度に応じて割当色の明度を決定する手段を設けたことを特徴とする請求項３記載のハイパースペクトル画像解析システム。
5. 可視光画像を表示する表示手段と、表示された前記可視光画像の１点を指示する指示手段と、指示された点の所定近傍の部分画像を解析対象画像として選択する画像選択手段と、解析結果の合成画像を前記可視光画像の部分画像と置き換えて表示する手段とを備えたことを特徴とする請求項１記載のハイパースペクトル画像解析システム。

Images