JP2014089613A - 画像クラスタ分析装置 - Google Patents
画像クラスタ分析装置 Download PDFInfo
- Publication number
- JP2014089613A JP2014089613A JP2012239685A JP2012239685A JP2014089613A JP 2014089613 A JP2014089613 A JP 2014089613A JP 2012239685 A JP2012239685 A JP 2012239685A JP 2012239685 A JP2012239685 A JP 2012239685A JP 2014089613 A JP2014089613 A JP 2014089613A
- Authority
- JP
- Japan
- Prior art keywords
- pixel
- image
- data
- attribute
- vector
- 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
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
【課題】気象および地理的環境に左右されづらく、複数の植生が混淆している森林を含む地表属性に対しても高い識別力をもち、さらに、森林の場合、存在する樹種を含む地表の属性が限定されていない場合に対しても地表の属性を識別することが可能となる地表分類方法を提供する。
【解決手段】平面ないし曲面の表面のマルチスペクトル画像の各画素の類似性を評価し画素同士を順次グループ化していくことにより、当該マルチスペクトル画像を複数の領域に分類する装置であって、分類した領域に含まれる画素の実際の対象物を目視確認する手段により得た属性データを、当該画像内の当該画素と類似な特性を有するすべての画素に付与する。
【選択図】図１
【解決手段】平面ないし曲面の表面のマルチスペクトル画像の各画素の類似性を評価し画素同士を順次グループ化していくことにより、当該マルチスペクトル画像を複数の領域に分類する装置であって、分類した領域に含まれる画素の実際の対象物を目視確認する手段により得た属性データを、当該画像内の当該画素と類似な特性を有するすべての画素に付与する。
【選択図】図１
Description
本発明は、地表を含む曲面のマルチスペクトル画像から特定対象物を認識し選別する装置に関する。特に、人工衛星または航空機等において上空から撮影したマルチスペクトル画像を利用してするシステムに関し、スペクトル帯域ごとの画像を用いて行うクラスター分析装置に関する。
すべてのものには特徴的な光反射スペクトルがあるが、肉眼では識別できないものもある。そこで、対象物を非可視領域を含む多数の帯域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、スペクトル分布の特徴の相違から対象物を識別することが行なわれている。対象物を多数の波長の光でそれぞれ撮影した画像をマルチペクトル画像と呼んでいる。マルチ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。
従来、画像のスペクトル情報を用いた分類技術にはクラスタ分析と言う技術があり非特許文献３で概説されている。クラスタ分析には「教師つきクラスタ分析」と「教師なしクラスタ分析」がある。前者は分析対象の画像の中から類似性を判定しようとする対象点を通常複数選定し、この対象点のスペクトル特性を統計処理して代表的スペクトル分布を求め、その代表的スペクトル分布と類似性のある部分を画像全体から抽出するものであり、特許文献１、特許文献２、非特許文献４、非特許文献５の方法がこの方法を採用している。この教師つきクラスタ分析は従来広範に研究されてきた技術であり公開文献も多い。
一方、「教師なしクラスタ分析」は人間の手で比較の基準となる代表的スペクトル分布を求めるのではなく、対象画像のスペクトル分布特性自体から領域分類を行なう方法である。対象画像のスペクトル分布をどのように区分すべきかと言う根本的問題があり、従来技術として公開されているものはほとんどなく、また非公開のまま実用化されている兆候も見当たらない。本発明になる方法は「教師なしクラスタ分析」に属する方法であり、後述の「発明が解決しようとする課題」を「教師つきクラスタ分析」では解決できないために新たに考案したものである。
以下、従来技術を述べる。特許文献１の方法は、土壌の分類をスペクトル特性により行なう方法であるが、分析対象土壌に対して、複数の土壌から得られた土壌スペクトルの波形の集合体からそれらの波形と近似した複数の波形群を特徴スペクトルとして求め、新規の土壌から得られた土壌スペクトルと特徴スペクトルを比較することにより土壌の特性を分析することを特徴としており、「教師つきクラスタ分析」であり、事前に比較対象となるサンプル土壌のスペクトル分布を求めておく必要がある。
特許文献２の方法は森林の樹木の識別について、上空から撮影したカラー画像より黒白画像を生成した上で、ウォーターシェッドという明暗の勾配を利用した樹木の樹冠を抽出し、抽出した樹冠により樹木の境界を判定し、境界内の樹木に対してあらかじめ定められた樹種ごとのスペクトル分布と比較して、類似性により樹種を決める方法であり、教師つきクラスタ分析である。
非特許文献４の方法は、８バンドのマルチスペクトル衛星画像を使用して10種類の樹木を識別する研究の論文であり、基準となるスペクトルを各樹種ごとに測定しておき、森林のスペクトルと比較することにより、森林を樹種別に識別する技術である。教師つきクラスタ分析に分類される。
非特許文献４の方法は、８バンドのマルチスペクトル衛星画像を使用して10種類の樹木を識別する研究の論文であり、基準となるスペクトルを各樹種ごとに測定しておき、森林のスペクトルと比較することにより、森林を樹種別に識別する技術である。教師つきクラスタ分析に分類される。
非特許文献５の方法は、樹木の樹冠の形状を捉えることが主体で樹冠形状を捉えるための補助的情報としてスペクトル別の画像を使用する方法であって、スペクトル情報と形状データを合わせて森林を識別する技術である。スペクトル分布は樹冠認識の補助的情報として利用していてクラスタ分析とは異なった分析法の例である。
本発明が対象とする地表の分類に関する調査した範囲の先行技術は全て教師つきクラスタ分析を使用している。教師つきクラスタ分析には「発明が解決しようとする課題」に述べる欠点があり、この解決が求められていた。
本発明が対象とする地表の分類に関する調査した範囲の先行技術は全て教師つきクラスタ分析を使用している。教師つきクラスタ分析には「発明が解決しようとする課題」に述べる欠点があり、この解決が求められていた。
従来行なわれていた教師つきクラスタ分析には、下記に述べるいくつかの根本的欠陥があり、これらの欠陥は教師つきクラスタ分析に本質的に起因するものである。教師なしクラスタ分析はこれらの問題を解決できるが、最適方式の構築に有効な方法がないことと、計算量が膨大となる問題があり従来ほとんど行なわれてこなかった。以下、教師つきクラスタ分析の欠陥を順次説明する。
第一に教師つきクラスタ分析には、気象および地理的環境に左右されない分類を行いにくい場合がある。教師つきクラスタ分析では、比較の基準となる樹種等の対象物のスペクトルをあらかじめ定める必要がある。大きく２つの方法があって、対象物のサンプルを採集してスペクトル分布を計測して基準スペクトル分布とする方法と、実画像の中から対象物の画像領域を複数点選択し、統計処理を行なって基準スペクトル分布とする方法である。
第一に教師つきクラスタ分析には、気象および地理的環境に左右されない分類を行いにくい場合がある。教師つきクラスタ分析では、比較の基準となる樹種等の対象物のスペクトルをあらかじめ定める必要がある。大きく２つの方法があって、対象物のサンプルを採集してスペクトル分布を計測して基準スペクトル分布とする方法と、実画像の中から対象物の画像領域を複数点選択し、統計処理を行なって基準スペクトル分布とする方法である。
前者の方法は、実画像と異なった環境で基準スペクトル分布を計測しているため、実画像との比較にノイズ成分が発生して識別能力が低下する。樹木のスペクトル分布は、日射方向、季節、大気中水蒸気により変化するだけでなく、局地的気候条件または地理的条件により同一樹種であっても森林内の標高などの場所の相違によってスペクトル特性に相違があることは当業者であれば日常経験するところである。
後者の方法は、対象画像の中から基準スペクトルを採取するため、日射方向、季節、大気中水蒸気による変化は回避できるが、対象画像の中から基準スペクトルを採取する過程で本来の対象物でないスペクトル分布を取り込むことが避けられず、ノイズ成分が発生して識別能力が低下する。このリスクは空間分解能が低い場合は、1画素中に複数の樹種等対象物のスペクトル分布が混入することによりノイズ成分が発生して識別能力が低下する。逆に空間分解能が高い場合は、地上における画素サイズが小さくなり、本来の基準スペクトルでない成分を混入させることによるノイズ成分が発生して識別能力が低下する。
後者の方法は、対象画像の中から基準スペクトルを採取するため、日射方向、季節、大気中水蒸気による変化は回避できるが、対象画像の中から基準スペクトルを採取する過程で本来の対象物でないスペクトル分布を取り込むことが避けられず、ノイズ成分が発生して識別能力が低下する。このリスクは空間分解能が低い場合は、1画素中に複数の樹種等対象物のスペクトル分布が混入することによりノイズ成分が発生して識別能力が低下する。逆に空間分解能が高い場合は、地上における画素サイズが小さくなり、本来の基準スペクトルでない成分を混入させることによるノイズ成分が発生して識別能力が低下する。
第二に、複数の植生が混淆している森林に対する識別能力が低下する。これは、対象画像の画素内にスペクトル分布の混入が起こること、および対象画像から基準スペクトルを抽出する場合にも基準スペクトルに対してノイズとなるスペクトル分布が混入することにより識別能力が低下する。特に竹林が森林に侵入する場合には、既存の樹種に混在する形で侵入するのでスペクトル分布の混入が避けられず識別能力が低下する。これが竹林を検出することの困難さの最大の原因である。
第三に、存在する樹種が限定されていない森林の樹種区分が不可能であることである。これは基準スペクトルがない対象を教師つきクラスタ分析では対象画像から識別できないので当然のことである。しかし、日本の森林は樹種が多く、よく整備された人工林以外は異なった樹種が混淆しているのでこれらの識別も望まれる。この技術が実現できれば、森林内の森林資源をくまなく把握することが出来、山菜、きのこ採集などの多角的利用を可能とするほか、不法植物の検知にも活用できる。
第四に、高分解能衛星画像に対応した分類としてその特性を活かしきれないことである。具体的に述べると、高分解能衛星の分解能には、空間分解能とスペクトル分解能があるが、本発明の時点で、空間分解能１．６ｍ、スペクトル分解能８バンドが商業的に利用可能である。この数値は今後さらに高分解能化するが、この意味するところは、地上の小さい範囲ごとに多くの植生、樹種等の識別がスペクトル分布の混淆なしに性格に出来ることを意味するが、上記の教師つきクラスタ分析の第一の欠陥で対象画像の中から基準スペクトルを採取する過程で、空間分解能が高い場合は、地上における画素サイズが小さくなり、対象物が均一でない状況が発生するので本来の基準スペクトルでない成分を混入させることによるノイズ成分が発生して識別能力が低下することにより、高分解能衛星画像を利用する利点が生かせない。
上記欠陥ないし課題を解決し、空間分解能とスペクトル分解能において高分解能である衛星画像を最大限に活用した、地表分類方法を提供するのが本発明の目的である。
第一の手段は対象画像の地表を分類するに際して、各画素のスペクトル特性の類似のものを対象画面の中から相互にグループ化していくことにより教師つきクラスタ分析のような基準スペクトルを外部から与えることなしに、対象画像が持つ各画素のスペクトル情報だけから自律的に取得し分類を行なうことである。具体的には、各画素をマルチスペクトル各バンドの全部または一部より構成されるベクトルデータ（画素ベクトルデータと呼称する）として表現し、当該各画素ベクトルデータノルムを正規化した上で、当該各画素ベクトルデータ間でなす内積の１．０よりの偏差（以下、内積偏差と呼称する）の大小により画素ベクトル間の類似性を評価し、画素間の当該内積偏差の０．０に近くあらかじめ定められた閾値以下のもの同士を順次画素グループとしてグループ化していくことにより、当該マルチスペクトル画像を複数画素グループに対応した領域に分類する。
第一の手段は対象画像の地表を分類するに際して、各画素のスペクトル特性の類似のものを対象画面の中から相互にグループ化していくことにより教師つきクラスタ分析のような基準スペクトルを外部から与えることなしに、対象画像が持つ各画素のスペクトル情報だけから自律的に取得し分類を行なうことである。具体的には、各画素をマルチスペクトル各バンドの全部または一部より構成されるベクトルデータ（画素ベクトルデータと呼称する）として表現し、当該各画素ベクトルデータノルムを正規化した上で、当該各画素ベクトルデータ間でなす内積の１．０よりの偏差（以下、内積偏差と呼称する）の大小により画素ベクトル間の類似性を評価し、画素間の当該内積偏差の０．０に近くあらかじめ定められた閾値以下のもの同士を順次画素グループとしてグループ化していくことにより、当該マルチスペクトル画像を複数画素グループに対応した領域に分類する。
このことにより、教師つきクラスタ分析の第一の欠陥におけるスペクトル分布データの混淆による分析能力低下が避けられる。さらに、教師つきクラスタ分析の第二の欠陥に対しても画素ごとに相互の類似性を評価してグループ化するので欠陥を解消することが出来る。第三の欠陥に対しては、基準スペクトルを用いずに 対象画像が持つ各画素のスペクトル情報だけから自律的に分類を行なうため、森林であれば全ての樹種についてグループ化を行なうことができる。第四の欠陥に対しては、高分解能衛星画像の画素単位で類似性を評価してグループ化するのであるから、高分解能衛星画像の空間分解能の精度で、スペクトルデータの混淆がない状態で地表の分類を行なうことができ、高分解能衛星の空間分解能とスペクトル分解能を最大限に生かした分類が可能となる。
第二の手段として、本発明の分類法は、対象画像の各画素に対してそのスペクトルの分布特性を画素ベクトルとして定義し、全ての画素に対して、他の全ての画素との類似性を画素ベクトルを正規化した上で内積演算で求め、内積が1.0に近く類似と認識されたものを順次グループ化していくものである。そのまま演算すると、4000画素X4000画素の８バンドマルチスペクトル画像の場合であっても、スーパーコンピュータが必要な程度の計算量を要する。このような計算は、天文学において宇宙の原初の微粒子から相互の引力で惑星が出来る過程の計算にも似ており、類似の画素同士を集めていく計算は工夫をしないと膨大な計算量になる。ちなみに天文学では専用のスーパーコンピュータを構築して計算している。本発明では新たに計算法を開発してこの問題を解決した。
第三の手段として、本発明の分類法は、対象画像の各画素の画素ベクトルに対して相互の類似性でグループ化するものであるから、各グループが樹種を含むどのような地表状態（以下、属性と称する）に対応するかを定めなくてはならない。本発明になる方式は、特に高分解能衛星画像に適用した場合、森林中に２〜３ｍX２〜３ｍの裸地があればそれを識別し、立ち枯れの木が有ればそれを画素ベクトルの相違として正確に識別するが、それらを実際の属性に対応させ確認手段を用意する必要がある。地表の樹種等の属性は事前に判明しているものもあるため、このような場合は判明しているデータ設定することにより同一のグループに属する画素の属性が定まる。第三の手段として、属性の定まらない画素グループに対して実際の属性と対応づける装置を考案した。
すなわち、DGPS（Differential Global Positioning System ）を含む精密位置標定装置により緯度経度を高精度に求め、対象地域の高分解能衛星画像を含むマルチスペクトル画像データを、タブレットPCを含む画像データ表示装置に精密位置標定装置により求めた緯度経度に合わせて表示する可搬型属性データ特定装置を導入する。さらに、方位検出器に応動して可搬型属性データ特定装置の表示画面を視認する方向と同一にするように回転させ、画面を拡大縮小操作することにより、表示画面上の画素グループと実際の対象物を対応視認し、データ入力装置よりその目視結果を入力して画素グループと属性を対応付ける手段を設ける。
以上の方策により、発明が解決しようとする課題を解決することが可能となる。
以上の方策により、発明が解決しようとする課題を解決することが可能となる。
以上のように、本発明によれば、高分解能衛星画像の特性を活かして、気象および地理的環境に左右されづらく、複数の植生が混淆している森林を含む地表属性に対しても高い識別能力をもち、さらに、森林の場合、存在する樹種を含む地表の属性が限定されていない場合に対しても地表の属性を識別することが可能となる地表分類方法を提供することが出来る。
以下、本発明を実施するための形態について、図面を参照しながら詳細に説明を行なう。なお、本発明は以下の説明に限定されることはなく、その要旨を逸脱しない範囲において種々に変形を加えて実施することが可能である。
図１は本発明のマルチスペクトル画像領域分類装置の全体構成を示す図であり、画像クラスタ分析装置固定部 100と可搬型属性データ特定装置 110より構成される。画像クラスタ分析装置固定部 100は本特許出願時点で市販の高性能パソコンであればよく、演算装置A 101,
マルチスペクトル画像データ装置 102, 属性グループデータ装置 103, データインタフェース装置A 104を含み、オペレータ 105がモニタ、キーボード、マウスを介して操作する。マルチスペクトル画像データ装置
102および属性グループデータ装置 103は通常のHDDなどの記憶装置で構成できる。
図１は本発明のマルチスペクトル画像領域分類装置の全体構成を示す図であり、画像クラスタ分析装置固定部 100と可搬型属性データ特定装置 110より構成される。画像クラスタ分析装置固定部 100は本特許出願時点で市販の高性能パソコンであればよく、演算装置A 101,
マルチスペクトル画像データ装置 102, 属性グループデータ装置 103, データインタフェース装置A 104を含み、オペレータ 105がモニタ、キーボード、マウスを介して操作する。マルチスペクトル画像データ装置
102および属性グループデータ装置 103は通常のHDDなどの記憶装置で構成できる。
マルチスペクトル画像は縦横の２次元の座標に対応した画素よりなり、各画素はマルチスペクトル数に対応した多次元ベクトル配列となる。各画素に対応して当該画素が属する画素グループは図１３のマルチスペクトル画像画素/画素グループ対応テ−ブル 213で割り当てられる。マルチスペクトル画像とマルチスペクトル画像画素/画素グループ対応テ−ブル 213はマルチスペクトル画像データ装置 102に格納される。
マルチスペクトル画像の各画素グループに対して、その属性を規定する属性コードが画素グループ/属性対応テ−ブル 214により割り当てられる。森林の場合、属性コードは樹種コードである。画素グループは複数あり、各画素グループ毎に１つの属性コードが割り当てられる。複数の画素グループに同一の属性コードが割り当てられることもある。
マルチスペクトル画像データ装置 102および属性グループデータ装置 103の内容はデータインタフェース装置A 104を介して、可搬型属性データ特定装置 110 とイクスポートおよびインポートされる。演算の開始時点では、マルチスペクトル画像 画素/画素グループ対応テ−ブル 213と画素グループ/属性対応テ−ブル 214のデータの割り当ては行なわれていない。
マルチスペクトル画像の各画素グループに対して、その属性を規定する属性コードが画素グループ/属性対応テ−ブル 214により割り当てられる。森林の場合、属性コードは樹種コードである。画素グループは複数あり、各画素グループ毎に１つの属性コードが割り当てられる。複数の画素グループに同一の属性コードが割り当てられることもある。
マルチスペクトル画像データ装置 102および属性グループデータ装置 103の内容はデータインタフェース装置A 104を介して、可搬型属性データ特定装置 110 とイクスポートおよびインポートされる。演算の開始時点では、マルチスペクトル画像 画素/画素グループ対応テ−ブル 213と画素グループ/属性対応テ−ブル 214のデータの割り当ては行なわれていない。
画像クラスタ分析装置固定部 100のデータインタフェース装置A 104からデータインタフェース装置B 115を介して可搬型属性データ特定装置 110が受け取ったデータはマルチスペクトル画像データ装置 113,および、属性グループデータ装置 114に格納される。データインタフェース装置A 104, データインタフェース装置B 115はUSBメモリで構成することが出来る。DGPS 116は精密位置標定用のDifferential GPS装置であり、１ｍ以下の位置精度で標定が可能であり、公然実施されている。DGPS 116以外の可搬型属性データ特定装置 110 の構成部分はタブレットPCとして公然実施されている。可搬型属性データ特定装置 110は現場で実測により属性データが未定のマルチスペクトル画像の画素グループに属性データを割り当てる機能を有する。
図２は本発明のマルチスペクトル画像領域分類装置の原理を示す図である。（１）自然色クラスタ分析はRGB３原色による画素ベクトルにより属性Aと属性Bを識別することであり、（２）８バンドマルチスペクトルクラスタ分析はRGB３原色の替わり、８バンドの画素ベクトルにより識別を行なう。方法としては、ノルムを正規化した属性Aの画素ベクトルおよび属性Bの画素ベクトルと認識対象の画素ベクトルの内積を求めて1.0との偏差が閾値以内であるとき、認識対象画素ベクトルが属性Aまたは属性Bであると識別する。８バンドのスペクトルデータの替わりに異なったスペクトルバンド数を用いることも出来る。図２（３）は１２バンドマルチスペクトルクラスタ分析の概念図である。一般的に画素ベクトルを構成するベクトル間に線形独立性が強ければ、ベクトルの次元が多いほど情報量が増え識別能力は高くなる。
スペクトル帯域の重複が少ないマルチスペクトルバンドによる画素ベクトルの各要素間は線形独立性が高い。（正確には、相互相関係数を求めて判断する必要があり、対照物質により異なるが、スペクトル帯域の重複がないとき最も線形独立性が高くなる。）線形独立性が高い画素ベクトルの要素間の非線形演算により求められたたベクトル要素は元となる画素ベクトルに対して線形独立性を持ちうる。下記（１）から（９）の指標は元となる実測による画素ベクトルに対して追加して線形独立性を持ちうるので、基となる画素ベクトルに追加して次元を増やすことにより識別能力を向上させることが出来る。以下の式で、NIR:近赤外，R:赤，MIR:中間赤外，SWIR:短波長赤外で、たとえば、a=0.96916，b=0.084726，L=0.5．である。
（１）Ratio
Vegetation Index（RVI） すなわち、RVI=NIR/R
（２）Normalized
Difference Vegetation Index（NDVI） すなわち、NDVI=(NIR-R)/(NIR+R)
（３）Normalized
Difference Wetness Index（NDWI） すなわち、NDWI=(SWIR-MIR)/(SWIR+MIR)
（４）Green
Vegetation Index（GVI） すなわち、GVI=(NIR+SWIR)/(R+MIR)
（５）Perpendicular
VI（PVI） すなわち、PVI=(NIR-aR-b)/(1+a^2)^(1/2)
（６）Weighted
difference VI（WDVI）
すなわち、WDVI=NIR-NIR(soil)/R(soil)*R、 NIR(soil)=aR(soil)+b
（７）Soil
Adjusted VI（SAVI） すなわち、SAVI=(1+L)(NIR-R)/(NIR+R+L)
（８）Soil
Adjusted Ratio VI（SARVI） すなわち、SARVI=NIR/(R+b/a)
（９）Transformed
Soil Adjusted VI（TSAVI）
すなわち、TSAVI=a*(NIR-a*R-b)/(R+a*NIR-a*b)
Vegetation Index（RVI） すなわち、RVI=NIR/R
（２）Normalized
Difference Vegetation Index（NDVI） すなわち、NDVI=(NIR-R)/(NIR+R)
（３）Normalized
Difference Wetness Index（NDWI） すなわち、NDWI=(SWIR-MIR)/(SWIR+MIR)
（４）Green
Vegetation Index（GVI） すなわち、GVI=(NIR+SWIR)/(R+MIR)
（５）Perpendicular
VI（PVI） すなわち、PVI=(NIR-aR-b)/(1+a^2)^(1/2)
（６）Weighted
difference VI（WDVI）
すなわち、WDVI=NIR-NIR(soil)/R(soil)*R、 NIR(soil)=aR(soil)+b
（７）Soil
Adjusted VI（SAVI） すなわち、SAVI=(1+L)(NIR-R)/(NIR+R+L)
（８）Soil
Adjusted Ratio VI（SARVI） すなわち、SARVI=NIR/(R+b/a)
（９）Transformed
Soil Adjusted VI（TSAVI）
すなわち、TSAVI=a*(NIR-a*R-b)/(R+a*NIR-a*b)
本発明のマルチスペクトル画像領域分類装置では、対象画像の画素間の相関演算を行なって相関の高いもの同士をグループ化していくが、この演算には膨大な演算を要する。一辺10,000画素の10,000画素 X 10,000画素の12次元ベクトルの画素ベクトルの場合、10,000 X 10,000 X 10,000
X 10,000 /2 組の相関演算が必要で、画素ベクトルが１２次元であり、１組の画素間相関演算に100FLOPS必要で、演算装置が100GFLOPSであるとすると、とすると相関演算だけで58日を要し、現実的ではない。
X 10,000 /2 組の相関演算が必要で、画素ベクトルが１２次元であり、１組の画素間相関演算に100FLOPS必要で、演算装置が100GFLOPSであるとすると、とすると相関演算だけで58日を要し、現実的ではない。
この問題を解決する方法を図３の本発明のマルチスペクトル画像領域分類装置の相関演算領域設定方法で示す。以下、対象が森林である場合を例に取り説明するが、森林以外を対象としても同様に行なえる。まず、マルチスペクトル画像 130から森林領域 131をNormalized Difference Vegetation Index（NDVI）、Normalized
Difference Wetness Index（NDWI）を含むスペクトル演算により抽出する。次に、森林領域 131から 画素間の相関演算を行なう領域を対象領域 １ 132〜対象領域
ｉ 137〜対象領域 ｎ 138として選択する。この目的は、画素間の相関演算の量を削減しつつ、森林領域 131の属性データに対応する画素ベクトルを収集することである。したがって、対象領域を複数ｎ個、森林領域 131の属性（森林の場合樹種）を代表すると目視で判断する部分に設定する。
Difference Wetness Index（NDWI）を含むスペクトル演算により抽出する。次に、森林領域 131から 画素間の相関演算を行なう領域を対象領域 １ 132〜対象領域
ｉ 137〜対象領域 ｎ 138として選択する。この目的は、画素間の相関演算の量を削減しつつ、森林領域 131の属性データに対応する画素ベクトルを収集することである。したがって、対象領域を複数ｎ個、森林領域 131の属性（森林の場合樹種）を代表すると目視で判断する部分に設定する。
森林領域 131内の対象領域 ｉ 137を例として以下、図４の「本発明のマルチスペクトル画像領域分類装置の画素間相関演算の方法」で説明する。画素ベクトル間の相関演算は対象領域 ｉの範囲で行い、対象領域 ｉに対する属性データを求めてから、同様に他の各対象領域
に対してもそれぞれの属性データを求めた後、全ての対象領域の属性データを統合する方法を採る。対象領域 ｉは一辺をたとえば１００Ｘ１００画素に設定すれば、画素間の相関演算数は500,000組に減少する。図４（１）は、対象領域 ｉを構成する全画素間の相関演算を行い、最も相関の高い画素の組み合わせを選択してRank i=0の組み合わせとして抽出する。
に対してもそれぞれの属性データを求めた後、全ての対象領域の属性データを統合する方法を採る。対象領域 ｉは一辺をたとえば１００Ｘ１００画素に設定すれば、画素間の相関演算数は500,000組に減少する。図４（１）は、対象領域 ｉを構成する全画素間の相関演算を行い、最も相関の高い画素の組み合わせを選択してRank i=0の組み合わせとして抽出する。
次に図４（２）でRank i=0の組み合わせ画素に対して対象領域 ｉを構成するそれ以外の全画素との相関演算を行い、相関が一定の閾値より高い（たとえば内積0.9995以上） 画素をRank i=0の画素に対するRank i=1の画素として接続しグループ化する。さらに、図４（３）でRank i=１組み合わせ画素に対して対象領域 ｉを構成するそれ以外の全画素との相関演算を行い、相関が一定の閾値より高い（たとえば内積0.9995以上） 画素をRank i=1の画素に対するRank i=2の画素として接続しグループ化する。図４（３）ではどうようにRank i=3のグループ化を行なう。この操作をあらかじめ決められた（たとえば４〜５回）繰り返して図４（１）で選定された画素からスタートしたグループ化を終了する。
前節で述べた操作を、対象領域 ｉの画素で前節でグループされずに残った画素に対して適用して、前節とは別の画素グループを生成する。この操作を繰り返して、対象領域
ｉの画素からＭ個のグループを生成する。図５はマルチスペクトル画像内の対象領域ごとの画素グループを統合する処理の概念を示した図である。図５（１） 対象領域1から図５（M） 対象領域Mに示すように各対象領域に画素グループが生成される。図４で示した方法は、各対象領域内の画素グループ、各対象領域間の画素グループの独立性を保障するものではなく、同一の属性をもつ画素が異なったグループにグループ化されているので、各画素グループ間の類似性を各画素グループを代表する画素ベクトル（たとえばグループ内の画素を平均化し正規化して求めることが出来る。これを代表ベクトルと称する）間の内積が一定の閾値（たとえば内積0.9995）以上であったとき同一の属性に対応すると判断してグループ間の統合を行い、図５に示す統合対象領域に対する統合画素グループjを得ることが出来る。各統合画素グループを代表する画素ベクトル(代表ベクトル)は、マルチスペクトル画像の領域分類の基準となる各属性に対応することになる。
ｉの画素からＭ個のグループを生成する。図５はマルチスペクトル画像内の対象領域ごとの画素グループを統合する処理の概念を示した図である。図５（１） 対象領域1から図５（M） 対象領域Mに示すように各対象領域に画素グループが生成される。図４で示した方法は、各対象領域内の画素グループ、各対象領域間の画素グループの独立性を保障するものではなく、同一の属性をもつ画素が異なったグループにグループ化されているので、各画素グループ間の類似性を各画素グループを代表する画素ベクトル（たとえばグループ内の画素を平均化し正規化して求めることが出来る。これを代表ベクトルと称する）間の内積が一定の閾値（たとえば内積0.9995）以上であったとき同一の属性に対応すると判断してグループ間の統合を行い、図５に示す統合対象領域に対する統合画素グループjを得ることが出来る。各統合画素グループを代表する画素ベクトル(代表ベクトル)は、マルチスペクトル画像の領域分類の基準となる各属性に対応することになる。
本発明のマルチスペクトル画像領域分類装置の処理の全体構造を図６に示す。画像クラスタ分析装置固定部100において処理ブロック001 140の処理を行なう。これは画像クラスタ分析装置固定部における前処理であり、入力されたマルチスペクトル画像に対して図５までに述べた各統合画素グループに対する代表画素ベクトルを生成する処理である。この段階では、入力されたマルチスペクトル画像のほとんどの画素の画素ベクトルが統合画素グループに分類されているが、各統合画素グループが樹種などのどの属性に対応するかは定まっていない。事前に知れている情報（たとえば、この地域にはXXと言う樹種が生えていると言う先験的情報）で各統合画素グループと樹種などの属性対応が定まっているものはその対応関係によりマルチスペクトル画像の領域分類を行なう（この機能は可搬型属性データ特定装置 110 にもあるので後述する）。統合画素グループと樹種などの属性対応が定まっていないものを定めるのが処理ブロック002 141であり、可搬型属性データ特定装置 110を用いて現場で目視確認により統合画素グループと樹種などの属性対応が未定のものを確定する。処理ブロック003 142では、処理ブロック002
141で対応づけた統合画素グループと樹種などの属性対応を反映させて画像クラスタ分析装置固定部 100でマルチスペクトル画像の領域分類を完成させる。
141で対応づけた統合画素グループと樹種などの属性対応を反映させて画像クラスタ分析装置固定部 100でマルチスペクトル画像の領域分類を完成させる。
以下、図６の処理ブロック001 140, 処理ブロック002 141, 処理ブロック003 142、処理ブロック004 143の各々について図７以降を用いて実施例を詳説する。
図６処理ブロック001の内容を図７に示す。処理ブロック010 150で対象画像からクラスタ分析を行なう対象領域を演算量削減の目的で限定する。森林の樹種分類であれば新領域のみを抽出する。図８に詳細を記す。処理ブロック020 160で陸水域除外処理をおこなう。公然実施されているNormalized
Difference Water Indexを用いて閾値との大小で判定できる。処理ブロック021 161ではクロロフィル活動指標であるNDVIが閾値以下の領域を除外して植物領域以外を除外する。処理ブロック022 162では裸地領域を同様に閾値との大小で判定除外する。公然実施されているSoil Adjusted Ratio VI（SARVI）含む土壌インデックスを用いることが出来る。処理ブロック020〜処理ブロック022 160〜162 の処理は順不同であり、必要に応じてその他の処理を追加してよい。
図６処理ブロック001の内容を図７に示す。処理ブロック010 150で対象画像からクラスタ分析を行なう対象領域を演算量削減の目的で限定する。森林の樹種分類であれば新領域のみを抽出する。図８に詳細を記す。処理ブロック020 160で陸水域除外処理をおこなう。公然実施されているNormalized
Difference Water Indexを用いて閾値との大小で判定できる。処理ブロック021 161ではクロロフィル活動指標であるNDVIが閾値以下の領域を除外して植物領域以外を除外する。処理ブロック022 162では裸地領域を同様に閾値との大小で判定除外する。公然実施されているSoil Adjusted Ratio VI（SARVI）含む土壌インデックスを用いることが出来る。処理ブロック020〜処理ブロック022 160〜162 の処理は順不同であり、必要に応じてその他の処理を追加してよい。
処理ブロック023 163ではクラスタ分析を行なう領域からさらに画素間の相関演算を行なう複数の対象領域を設定する。図３の説明で記載した処理であり、マルチスペクトル画像 130からクラスタ分析を行なう領域（図３の場合、森林領域 131）を選択した後、さらに複数の対象領域
１〜対象領域 ｉ〜対象領域 ｎを設定する処理である。各対象領域の対角線上の座標をモニタ上でマウスを操作しながら入力するなど公然実施されている方法で領域指定することが出来る。
１〜対象領域 ｉ〜対象領域 ｎを設定する処理である。各対象領域の対角線上の座標をモニタ上でマウスを操作しながら入力するなど公然実施されている方法で領域指定することが出来る。
処理ブロック011 151では、クラスタ分析を行なう対象領域の画素ベクトルを生成し、正規化する。画素ベクトルはマルチスペクトルセンサによる実測スペクトルバンド（以下、実測画素ベクトルとよぶ）に加えて、実測スペクトル間の非線形演算による演算結果を追加のバンドとしてベクトル要素として必要に応じて追加することが出来、新たに画素ベクトルとして再定義する。（以下、拡張画素ベクトルまたは単に画素ベクトルとよぶ。）画素ベクトルはスペクトル分析の目的では明暗情報は有害であるので、正規化処理を行い、スペクトル分布情報のみとする。
処理ブロック012 152では、対象画像中のクラスタ分析を行なう対象領域を画素ベクトルの類似性で画素グループに分類する。処理ブロック012 152の内容をさらに図９を用いて説明する。処理ブロック030 170は図３でN個に分割設定した代表領域について順次処理することを示す。処理ブロック031 171は選択された代表領域について、代表領域を構成する全画素ベクトルにつき類似であると判定された組み合わせを列挙し抽出する処理であり、さらにその内容を図１０で詳説する。
処理ブロック040 180は選択された代表領域を構成する全画素間の画素ベクトルの内積の全ての組み合わせを計算する。画素間の類似性を判断するために、全画素ベクトル相互間の類似性を内積として把握する。処理ブロック041 181は選択された代表領域を構成する全画素間相互の画素ベクトルの内積の分布（ヒストグラム）を計算する。次に、処理ブロック042 182では上記分布（ヒストグラム）から画素ベクトルが類似であると判断する内積の閾値を求める。閾値の基準として、1つの方法は内積の１．０からの偏差（内積偏差と称す）の標準偏差を求め、0.0から標準偏差までの間で、標準偏差を中心として３σの画素数が入る範囲を画素が類似でないと判断する方法であり、別の方法として、内積偏差の0.0は画素ベクトルが一致することを意味するので、内積偏差の0.0から出発して内積偏差の増加方向にヒストグラムを見ていったときヒストグラムの変曲点を生じる内積偏差を閾値とする方法もある。処理ブロック043 183は選択された代表領域を構成する全画素ベクトルにつき処理ブロック042 182の閾値で類似であると判定された組み合わせを全て列挙し抽出する。
図９に戻って、処理ブロック032 172は選択された代表領域について類似であると判定された全ての画素ベクトル組み合わせをグループ化する。処理ブロック031 171の処理は類似の2画素の組み合わせのみを抽出しているので、これを相互に連結して画素グループとしてまとめることを行なう。詳細は図１１に記述する。図４の説明で概念は説明したが、以下に具体的手順を述べる。
処理ブロック050 190は選択された代表領域につき（処理ブロック043 183で）類似であると判定された全画素ベクトルのM個の画素ペア（組合せ）について順次処理する。処理ブロック051 191では類似であると判定された全画素ベクトルから最初の孤立画素ペアを取り出す。ここでいう孤立画素ペアとは、2つの画素間のみで類似であるとされている画素を言う（図４（１））。次に処理ブロック052
192で取り出した最初の孤立画素ペアを接続Rank i=0とする。接続Rankとは類似画素のグループ化のレベルを示すもので、図４（１）のように２画素間のみで関係づけられているものをRank i=0という。これに対して、図4（１）の２画素のそれぞれ類似であると判断された画素をグループ化して図４（２）のようにRank i=1として接続する。この処理は処理ブロック055 195で選択された後続の全ての未接続の画素ペアのうち接続Rank i画素ペアに対して接続Rank i＋１画素ペアとして接続できるものがなくなるまで実施する。（接続された画素は孤立画素ペアでなくなる） 接続Rank i＋１画素ペアとして接続できるものがなくなると、処理ブロック056 196で接続Rank i を+１して次のRankの接続を行なう。このように、以下、図４（３）さらに図４（４）のように繰り返し接続してグループ化するが、接続のRank数が増えるとRank i=0の画素との類似性が下がってくるので、処理ブロック056 196で接続Rank数に上限ｋ（経験的に葉は５程度が適当である）をおいて、処理ブロック053〜56の処理を打ち切って、処理ブロック051 191に戻って、グループ化され残った画素ペアに対して処理ブロック051〜56の処理を異なる画素グループの生成操作として実施する。このようにしてM個の全ての画素ペアに対してグループ化できるものがなくなるまで繰り返す。
192で取り出した最初の孤立画素ペアを接続Rank i=0とする。接続Rankとは類似画素のグループ化のレベルを示すもので、図４（１）のように２画素間のみで関係づけられているものをRank i=0という。これに対して、図4（１）の２画素のそれぞれ類似であると判断された画素をグループ化して図４（２）のようにRank i=1として接続する。この処理は処理ブロック055 195で選択された後続の全ての未接続の画素ペアのうち接続Rank i画素ペアに対して接続Rank i＋１画素ペアとして接続できるものがなくなるまで実施する。（接続された画素は孤立画素ペアでなくなる） 接続Rank i＋１画素ペアとして接続できるものがなくなると、処理ブロック056 196で接続Rank i を+１して次のRankの接続を行なう。このように、以下、図４（３）さらに図４（４）のように繰り返し接続してグループ化するが、接続のRank数が増えるとRank i=0の画素との類似性が下がってくるので、処理ブロック056 196で接続Rank数に上限ｋ（経験的に葉は５程度が適当である）をおいて、処理ブロック053〜56の処理を打ち切って、処理ブロック051 191に戻って、グループ化され残った画素ペアに対して処理ブロック051〜56の処理を異なる画素グループの生成操作として実施する。このようにしてM個の全ての画素ペアに対してグループ化できるものがなくなるまで繰り返す。
処理ブロック032 172の処理では類似の画素ペアを次々と接続しているため、合一の画素グループに属していてもRank i=0の画素ベクトルが同一の画素グループの中心である保障はなくなっている。このため、処理ブロック033 173で、同一の画素グループの全画素ベクトルを代表する画素ベクトルを再計算する。再計算の方法は同一の画素グループの全画素ベクトルの平均値を求めて正規化する方法、さらに代表画素ベクトルからの偏差が大きい画素ベクトルをグループから除外して代表画素ベクトルを再計算する方法がある。以下、このように再計算された代表画素ベクトルを核ベクトルと呼ぶ。
処理ブロック030〜33の処理でN個の代表領域に対する画素のグループ化とその核ベクトルが求まったが、マルチスペクトル画像 130の同一属性に異なった代表領域の複数の画素グループが対応するだけでなく、同一の代表領域であっても複数の画素グループが同一属性に対応することが起こる。この問題を解決するのが処理ブロック034 174の処理であり、その詳細を図１２に記述する。まず、処理ブロック060 200でN個の代表領域各々について、グループを画素数の多い順に整列して、卓越した画素グループから整列させる。次に、処理ブロック061 201で、代表領域の垣根をはずして、N個の代表領域を１つの領域に統合し、各々の領域のグループの核ベクトルを画素数の多い順に整列する。
処理ブロック062〜66の処理は処理ブロック061
201でまとめた画素グループ間の類似性を核ベクトル間の内積で評価して画素グループを統合整理するプロセスである。処理ブロック063 203で、全核ベクトル間の相関（内積）を計算する。 処理ブロック064 204で全ての核ベクトル間の相関（内積）最大値が閾値より小さくなれば、核ベクトルは相互に類似性はないと反されるので、画素グループの統合は終了する。核ベクトル間の相関（内積）のなかに閾値より大きいものがあれば、核ベクトルが代表する画像グループは類似であると判断して当該画像グループを統合し処理ブロック065 205で統合した画像グループに対して核ベクトルを再計算する。さらに処理ブロック066
206で核ベクトルをグループの画素数の多い順に整列する。処理ブロック065〜066の処理を処理ブロック064 204が成立するまで続ける。
201でまとめた画素グループ間の類似性を核ベクトル間の内積で評価して画素グループを統合整理するプロセスである。処理ブロック063 203で、全核ベクトル間の相関（内積）を計算する。 処理ブロック064 204で全ての核ベクトル間の相関（内積）最大値が閾値より小さくなれば、核ベクトルは相互に類似性はないと反されるので、画素グループの統合は終了する。核ベクトル間の相関（内積）のなかに閾値より大きいものがあれば、核ベクトルが代表する画像グループは類似であると判断して当該画像グループを統合し処理ブロック065 205で統合した画像グループに対して核ベクトルを再計算する。さらに処理ブロック066
206で核ベクトルをグループの画素数の多い順に整列する。処理ブロック065〜066の処理を処理ブロック064 204が成立するまで続ける。
以下、図７の処理ブロック013 153に戻って説明を行なう。すべての代表画素ベクトル（核ベクトル）について具体的に属性データ（森林の場合は樹種）を割り当てる必要があるので順次処理を行なう。処理ブロック014 154で処理対象代表画素ベクトル（核ベクトル）は属性が決まっている場合には処理ブロック015 155で図１３（２）における画素グループ/属性対応テ−ブル 214の画素グループに対応して属性を登録する。ここで図１３は。マルチスペクトル画像において属性（森林の場合）を規定するテーブル構造を示す。マルチスペクトル画像 画素/画素グループ対応テ−ブル 213は、マルチスペクトル画像130をH座標軸 210とV座標軸 211の２次元座標（H,V）で記述し、各画素を画素グループとしてグループ化して画素ごとにグループ番号（図１３（１）でGrp j,Grp j-1）を割り当てる。このグループ番号と属性との対応は画素グループ/属性対応テ−ブル 214で規定されるが、処理ブロック014 154では事前情報により画素グループと属性の対応が定まっているもの以外は対応が定まっていない。
処理ブロック016 156で、図１３記載のマルチスペクトル画像 画素/画素グループ対応テ−ブル 213と一部対応が未定の画素グループ/属性対応テ−ブル 214を可搬型属性データ特定装置入力用データとして出力する。出力には画像クラスタ分析装置固定部 100のデータインタフェース装置A 104を用い、USBメモリで行なうことができる。参考表示用にマルチスペクトル画像を出力してもよい。可搬型属性データ特定装置 110 はデータインタフェース装置B 115を介してこのデータを読み込む。
可搬型属性データ特定装置 110により画素グループ/属性対応テ−ブル 214をを完成させるが、その動作と機能を示したのが図１４である。システム構成は図１の可搬型属性データ特定装置 110 であり、DGPS 116以外は図１４に示すようにタブレットPC 221の内蔵機能で実現できる。可搬型属性データ特定装置 110の現在位置 224 は支柱 220 の上部に設置されたDGPS 116 により現在位置 224 を緯度経度として測定する。DGPSを用いた場合、60cmの精度で測定可能である。DGPSはHemispere社A100として公然実施されている。測定緯度経度データは信号ケーブル 223を介してUSBポートからタブレットPC 221に取り込まれる。データインタフェース装置B 115を介して得られた図１３記載のマルチスペクトル画像 画素/画素グループ対応テ−ブル 213と一部対応が未定の画素グループ/属性対応テ−ブル 214は タブレットPC 221内のマルチスペクトル画像データ装置113および属性グループデータ装置114に取り込まれる。参考表示用にマルチスペクトル画像をマルチスペクトル画像 画素/画素グループ対応テ−ブル 213とともにインポートしマルチスペクトル画像データ装置113にしてもよい。
可搬型属性データ特定装置 110の機能を以下、タブレットPC 221 の表示画面 222 およびタッチパネルの表示と動作を図１５と関連する図１６〜１８のフローチャートを用いて説明する。図１５は図１４の状態で可搬型属性データ特定装置 110を使用した場合の表示画面 222 の表示例である。図１４において、タブレットPC 221
を属性を設定しようとする目標 228 の目標位置 225
の方向である目標位置方向 226 に指向する（目標表示方向
227 ）。タブレットPC 221 は内部に電子コンパスによる方位センサ118を実装しており、DGPS 116 により現在位置 224 を、方位センサ118により目標表示方向 227 を知り表示画面 222 に反映表示させることが出来る。
電子コンパスの方位取り込みはAndroidで下記のように行なえる。
sensorManage=(SensorManager)getSystemService(Context.SENSOR_SERVICE);
ｓensor=sensorManager.getDefaultSemsor(Sensor.TYPE._MAGNETIC_FIELD);
を属性を設定しようとする目標 228 の目標位置 225
の方向である目標位置方向 226 に指向する（目標表示方向
227 ）。タブレットPC 221 は内部に電子コンパスによる方位センサ118を実装しており、DGPS 116 により現在位置 224 を、方位センサ118により目標表示方向 227 を知り表示画面 222 に反映表示させることが出来る。
電子コンパスの方位取り込みはAndroidで下記のように行なえる。
sensorManage=(SensorManager)getSystemService(Context.SENSOR_SERVICE);
ｓensor=sensorManager.getDefaultSemsor(Sensor.TYPE._MAGNETIC_FIELD);
図１５は図１４に対応した表示例であり、表示画面 222 上に現在位置 224 と目標位置 225 を表示する。目標位置 225 は現在位置 224 から現在位置データ表示欄 230 に表示される距離だけ目標表示方向 227に離れた点を表示するマー;カーである。目標表示方向 227 は表示画面 222 の向きの方向と一致し、現在位置 224 と目標位置 225 間の距離はタッチパネル上でAndroid標準機能のジェスチャー入力により設定できる。表示画面 222 を属性が不明な目標 228 に向け、目標位置 225 が属性不明の目標 228 と重なるように現在位置 224 を移動し、表示縮尺を必要に応じてジェスチャー入力で変更する。目標位置 225 の方位と距離を調整して、目標 228 の属性を目し確認して結果を属性表示欄 231 の中からハイライトした上で属性操作SW 232の設定をクリックして属性入力を行なう。画素グループ/属性対応テ−ブル 214で属性が未定であった画素グループの属性が確定し、表示画面 222の当該画素グループに対応する画素はすべて入力された属性に対応した表示となる。このようにして現場で画素グループ/属性対応テ−ブル 214で属性が未定であった画素グループの属性を全て定めることが出来る。
以上のべた図１５の機能の実現方法を図１６〜１８を用いて説明する。Android搭載のタブレットPCを前提にしている。表示画面 222 上の動作モート゛SW 233 のインホ゜ートをクリックすることにより図１６（２）が起動され、処理ブロック080
250でデータインタフェース装置Bより、マルチスペクトル画像、マルチスペクトル画像画素/画素グループ対応テ−ブル 213、画素グループ/属性対応テ−ブル
214が読み込まれ、マルチスペクトル画像データ装置113および属性グループデータ装置114に格納される。処理ブロック081 251で表示画面位置・縮尺・方位を初期化する。図１８の処理（後述）は周期起動されているので、初期化されたパラメタにより表示画面 222 に目標情報が表示される。表示画面 222 上の動作モート゛SW 233 のイクスポ゜ートをクリックするとり図１６（３）が起動され、処理ブロック090 260によりマルチスペクトル画像データ装置113および属性グループデータ装置114データインタフェース装置Bへマルチスペクトル画像、マルチスペクトル画像画素/画素グループ対応テ−ブル 213、画素グループ/属性対応テ−ブル 214が書き出され、図６の処理ブロック003 142により画像クラスタ分析装置固定部後処理である可搬型属性データ特定装置
が取得した属性データの統合処理がおこなわれ本発明のマルチスペクトル画像領域分類装置の処理が完了する。
250でデータインタフェース装置Bより、マルチスペクトル画像、マルチスペクトル画像画素/画素グループ対応テ−ブル 213、画素グループ/属性対応テ−ブル
214が読み込まれ、マルチスペクトル画像データ装置113および属性グループデータ装置114に格納される。処理ブロック081 251で表示画面位置・縮尺・方位を初期化する。図１８の処理（後述）は周期起動されているので、初期化されたパラメタにより表示画面 222 に目標情報が表示される。表示画面 222 上の動作モート゛SW 233 のイクスポ゜ートをクリックするとり図１６（３）が起動され、処理ブロック090 260によりマルチスペクトル画像データ装置113および属性グループデータ装置114データインタフェース装置Bへマルチスペクトル画像、マルチスペクトル画像画素/画素グループ対応テ−ブル 213、画素グループ/属性対応テ−ブル 214が書き出され、図６の処理ブロック003 142により画像クラスタ分析装置固定部後処理である可搬型属性データ特定装置
が取得した属性データの統合処理がおこなわれ本発明のマルチスペクトル画像領域分類装置の処理が完了する。
図１５で動作モート゛SW 233 の現在位置をクリックしてONにすると、DGPS 116 による現在位置を常時取り込む。動作モート゛SW 233 のコンパスをクリックしてONにすると、タブレットPC内臓の電子コンパスより表示画面 222 が指向している方位情報を取り込む。表示画面 222 は図１８の処理を周期起動して表示する。起動周期は250ms以下が好ましい。処理ブロック130 300で“現在位置”を動作モート゛SW 233 で選択中かチェックし、選択中の場合は処理ブロック132 302でDGPS位置情報を現在位置に設定する。選択中でない場合は処理ブロック131 301で表示画面 222上のジェスチャー設定値により現在位置を定める。ジェスチャー設定値は図１６（２）（後述）により取り込む。
処理ブロック133 303で”コンパス”を動作モート゛SW 233 で選択中かチェックし、選択中の場合は処理ブロック135 305でコンパス測定値より画面上方方位を設定する。選択中でない場合は処理ブロック134 304で画面上方を北に設定する。次に処理ブロック136 306でジェスチャー入力値による表示縮尺を設定して、処理ブロック137 307で、画素-属性対応図を設定された現在位置・画面上方方位・縮尺および画素-属性対応データにより表示する。以上により図１４、図１5に示された機能が実現する。、
タブレットPC 221 のオペレーティングシステムであるAndroidではタブレット上の指の動きに応動した”ジェスチャー”が用意されており、図１６（１）はジェスチャーに対する受付処理である。処理ブロック071〜074 241〜244は表示画面中心座標を東西南北へ移動する操作である。図１６の動作モート゛SW 233 の”現在位置”が選択されていない場合は、表示画面 222 中は現在位置 224 の周辺を表示しないで、表示画面中心座標を”ジェスチャー”により東西南北へ移動させる。処理ブロック075〜076 245〜246は動作モート゛SW 233の選択によらず表示画面の縮尺を拡大/縮小を行ない、図１５の現在位置データ表示欄 230 の縮尺表示を変更し、表示画面 222 の縮尺を処理ブロック137 307の処理に反映させる。
図１６において目標位置 225 に表示されている目標 228 の属性が不明である場合、属性表示欄 231 および属性操作SW 232を操作して属性を設定あるいは修正することが出来る。属性設定の操作は、図１７（１）（２）（３）のフローチャートに従い行なう。属性表示欄 231 に表示される左側の数字は画素グループ番号であり、右側は属性データ（ここでは樹種）を示し、ジェスチャーにより上下にスクロールすることができる。
属性表示欄 231 上でジェスチャーを行なった場合、図１７（１）の処理ブロック100 270によりジェスチャー方向により処理ブロック101 271または処理ブロック104 274に分岐する。処理ブロック101 271では、属性選択部の上端項目を選択している場合には処理ブロック102 272で属性選択部の表示項目を上方へスクロールしハイライトし、属性選択部の上端項目を選択してない場合は、処理ブロック103 273で属性選択部の選択項目を上方に移動してハイライトする。処理ブロック104
274は方向性が下方であるが、同様に議論できる。
属性表示欄 231 で属性データを選択して属性操作SW 232 の”設定”をクリックすると図１７（３）の処理が起動され、処理ブロック110 280で属性選択部の選択項目を読込み、処理ブロック111 281で表示画面位置上の目標カーソル位置から画素-属性対応図上の画素位置を求め、処理ブロック112 282で画素-属性対応図上の同一グループの属性を確定する。
274は方向性が下方であるが、同様に議論できる。
属性表示欄 231 で属性データを選択して属性操作SW 232 の”設定”をクリックすると図１７（３）の処理が起動され、処理ブロック110 280で属性選択部の選択項目を読込み、処理ブロック111 281で表示画面位置上の目標カーソル位置から画素-属性対応図上の画素位置を求め、処理ブロック112 282で画素-属性対応図上の同一グループの属性を確定する。
属性表示欄 231 で属性操作SW 232 の”リセット”をクリックすると処理ブロック120 290で表示画面位置上の目標カーソル位置から画素-属性対応図上の画素位置を求め、処理ブロック121 291で画素-属性対応図上の同一グループの属性をリセットする。
以上で図６の処理ブロック002 141の説明を終了し、次の段階の処理ブロック003 142を説明する。処理ブロック003 142では、可搬型属性データ特定装置
が取得した統合画素グループと属性データの対応関係を画像クラスタ分析装置固定部に統合して属性データに対応する代表画素ベクトルを決定する。マルチスペクトル画像 画素/画素グループ対応テ−ブル 213と、画素グループ/属性対応テ−ブル 214の内容は処理ブロック002 141の結果更新され最終的なものなるので、この結果をデータインタフェース装置A 104を介して画像クラスタ分析装置固定部 100のマルチスペクトル画像データ装置
102と属性グループデータ装置 103に戻し、各属性データに対応する代表画素ベクトル（核ベクトル）を決定する。
が取得した統合画素グループと属性データの対応関係を画像クラスタ分析装置固定部に統合して属性データに対応する代表画素ベクトルを決定する。マルチスペクトル画像 画素/画素グループ対応テ−ブル 213と、画素グループ/属性対応テ−ブル 214の内容は処理ブロック002 141の結果更新され最終的なものなるので、この結果をデータインタフェース装置A 104を介して画像クラスタ分析装置固定部 100のマルチスペクトル画像データ装置
102と属性グループデータ装置 103に戻し、各属性データに対応する代表画素ベクトル（核ベクトル）を決定する。
処理ブロック004 143では、ｎ個の対象領域で得た属性データとそれに対応する代表画素ベクトル（核ベクトル）を森林領域 131全体またはマルチスペクトル画像 130全体に適用する。森林領域 131全体またはマルチスペクトル画像 130全体の画素ベクトルを正規化したうえでその画素ベクトルと、属性データとそれに対応する代表画素ベクトル（核ベクトルー正規化ベクトル）との間で内積演算を行い、一定閾値以上で最も１．０に核ベクトルに対応する属性データを近いものを当該画素ベクトルに割り当てることにより、マルチスペクトル画像
130または森林領域 131を属性データにより領域分類する。
130または森林領域 131を属性データにより領域分類する。
本発明の画像クラスタ分析装置は、地表を含む曲面のマルチスペクトル画像から特定対象物を認識し選別する装置として一般的特性を有しているので、人工衛星画像、航空機撮影画像、通常のディジタルカメラの撮影主体を選ばない。また、マルチスペクトル画像のスペクトル分布を利用して対象の属性を判別するため、対象が地表で森林野の場合、森林の樹種識別、立ち枯れや病虫害の判別、希少樹木の探索、不法植物の検知、竹林の侵入に利用することが出来る。森林以外の地表の場合、土地利用、植生分布の分類に利用することが出来る。スペクトル画像の属性分類であるから、一般の画像、顕微鏡画像を含む全ての画像に適用することが出来る。
100 画像クラスタ分析装置固定部
101 演算装置A
102 マルチスペクトル画像データ装置
103 属性グループデータ装置
104 データインタフェース装置A
105 オペレータ
110 可搬型属性データ特定装置
111 演算装置B
112 表示装置
113 マルチスペクトル画像データ
114 属性グループデータ
115 データインタフェース装置B
116 DGPS
117 データ入力装置
118 方位センサ
120 画素ベクトル
130 マルチスペクトル画像
131 森林領域
132〜136 対象領域１〜5
137
対象領域ｉ ｉ
138
対象領域 n
140〜143 処理ブロック001〜処理ブロック004
150〜156 処理ブロック010〜処理ブロック016
160〜163 処理ブロック020〜処理ブロック023
170〜174 処理ブロック030〜処理ブロック034
180〜183 処理ブロック040〜処理ブロック043
190〜196 処理ブロック050〜処理ブロック056
200〜206 処理ブロック060〜処理ブロック066
210
H座標軸
211
V座標軸
212
画素kl
213 マルチスペクトル画像 画素/画素グループ対応テ−ブル
214
画素グループ/属性対応テ−ブル
220
支柱
221
タブレットPC
222
表示画面
223
信号ケーブル
224
現在位置
225
目標位置
226
目標位置方向
227
目標表示方向
228
目標
229
非目標
230
現在位置データ表示欄
231
属性表示欄
232
属性操作SW
233
動作モート゛SW
240〜246 処理ブロック070〜処理ブロック076
250〜251 処理ブロック080〜処理ブロック043
260 処理ブロック090
270〜276 処理ブロック100〜処理ブロック106
280〜282 処理ブロック110〜処理ブロック112
290〜291 処理ブロック120〜処理ブロック121
300〜307 処理ブロック130〜処理ブロック137
101 演算装置A
102 マルチスペクトル画像データ装置
103 属性グループデータ装置
104 データインタフェース装置A
105 オペレータ
110 可搬型属性データ特定装置
111 演算装置B
112 表示装置
113 マルチスペクトル画像データ
114 属性グループデータ
115 データインタフェース装置B
116 DGPS
117 データ入力装置
118 方位センサ
120 画素ベクトル
130 マルチスペクトル画像
131 森林領域
132〜136 対象領域１〜5
137
対象領域ｉ ｉ
138
対象領域 n
140〜143 処理ブロック001〜処理ブロック004
150〜156 処理ブロック010〜処理ブロック016
160〜163 処理ブロック020〜処理ブロック023
170〜174 処理ブロック030〜処理ブロック034
180〜183 処理ブロック040〜処理ブロック043
190〜196 処理ブロック050〜処理ブロック056
200〜206 処理ブロック060〜処理ブロック066
210
H座標軸
211
V座標軸
212
画素kl
213 マルチスペクトル画像 画素/画素グループ対応テ−ブル
214
画素グループ/属性対応テ−ブル
220
支柱
221
タブレットPC
222
表示画面
223
信号ケーブル
224
現在位置
225
目標位置
226
目標位置方向
227
目標表示方向
228
目標
229
非目標
230
現在位置データ表示欄
231
属性表示欄
232
属性操作SW
233
動作モート゛SW
240〜246 処理ブロック070〜処理ブロック076
250〜251 処理ブロック080〜処理ブロック043
260 処理ブロック090
270〜276 処理ブロック100〜処理ブロック106
280〜282 処理ブロック110〜処理ブロック112
290〜291 処理ブロック120〜処理ブロック121
300〜307 処理ブロック130〜処理ブロック137
Claims (7)
- 表面が地表面または地表を覆う樹木を含む植生または地表上の人工物または物質を含む、平面ないし曲面の表面における位置に対応した電磁波の異なる複数の波長帯域の反射信号レベルで撮影して得た画像（以下、マルチスペクトル画像と呼称する）の各画素をマルチスペクトル画像の各バンドの全部または一部より構成されるベクトルデータ（以下、画素ベクトルデータと呼称する）として表現し、当該各画素ベクトルデータノルムを正規化した上で、当該各画素ベクトルデータ間でなす内積の１．０よりの偏差（以下、内積偏差と呼称する）の大小により画素ベクトル間の類似性を評価し、画素間の当該内積偏差の０．０に近くあらかじめ定められた閾値以下のもの同士を順次グループ化していくことにより画素グループを構成し、当該マルチスペクトル画像を当該画素グループにより複数の領域に分類する装置において、
当該分類した領域に含まれる画素の実際の対象物を確認する手段を有し、当該確認手段により得た当該分類に対応した属性データを、当該画像内の当該画素と同一の画素グループに属するすべての画素に付与することを特徴とするマルチスペクトル画像の領域分類装置。 - 請求項１において、ノルムを正規化した当該各画素ベクトルデータ間の類似性をベクトル間の内積偏差で評価して、当該内積偏差が閾値以下のもの同士を順次グループ化していくことにより生成される複数の画素グループに対して、当該複数画素グループの各画素グループにおける構成画素の平均画素ベクトルを含む当該画素グループを代表するベクトル（以下、代表ベクトルと呼ぶ）間の内積偏差が閾値以下の画素グループに対して、実際の対象物を確認する手段により得た属性データを共通に割り当てることを特徴とするマルチスペクトル画像の領域分類装置。
- 請求項１または請求項２において、マルチスペクトル画像のノルムを正規化した画素ベクトルデータ間の内積偏差を尺度として類似性を評価する画像領域を当該マルチスペクトル画像の全領域より小さい複数の部分領域に設定することを特徴とするマルチスペクトル画像の領域分類装置。
- 請求項１において、マルチスペクトル画像は非可視光を含む４バンド以上のバンド数を有する衛星画像であり、マルチスペクトル画像の空間分解能が２ｍ以下であることを特徴とするマルチスペクトル画像の領域分類装置。
- 請求項１または請求項２のいずれかにおいて、マルチスペクトル画像の画素ベクトルデータのベクトル成分としてマルチスペクトル画像の各バンドデータに加えて、各バンドデータ間の非線形演算により得られる値を新たに画素ベクトルデータのベクトル成分に追加することを特徴とするマルチスペクトル画像の領域分類装置であって、当該新たに追加する画素ベクトルデータのベクトル成分にRed Edge帯域を用いたNDVI
(Normalized Difference Vegetation Index)、NDWI(Normalized Difference Water Index)、NDSI (Normalized Difference Soil Index)、NHFD (Non-Homogeneous Feature Difference)を含むことを特徴とするマルチスペクトル画像の領域分類装置。 - 請求項１から請求項２のいずれかにおいて、当該分類した領域に含まれる画素の実際の対象物の属性データを確認する手段として、DGPS（Differential Global
Positioning System ）を含む精密位置標定装置、画像表示装置、データ入力装置、演算装置、およびマルチスペクトル画像データ、マルチスペクトル画像の領域分類データ、画素グループと対象物の属性データの対応表、マルチスペクトル画像データの緯度経度データを含むデータを記憶したデータベース装置を含む構成部分より成る可搬型属性データ特定装置を用い、
当該可搬型属性データ特定装置を当該分類した領域に含まれる画素に対応する実際の対象物を直接目視確認可能な近傍になるように設置し、精密位置標定装置により設置位置の緯度経度を測定し、データベース装置内部の当該緯度経度に対応したマルチスペクトル画像データおよびマルチスペクトル画像の領域分類データを含む画像を検索して画像表示装置に表示し、
当該分類した領域に含まれる画素と実際の対象物の属性データの対応を目視確認して、データ入力装置よりその目視結果を入力することを特徴とするマルチスペクトル画像の領域分類装置。 - 請求項６において可搬型属性データ特定装置の画像表示装置の画面を視認する方向と当該分類した領域に含まれる画素と対応する実際の対象物を視認する方向が同一となるようにするために画像表示装置に方位検出器を設置し、方位検出器の検出結果に応動して表示画面を回転させ常に画面上方が、当該分類した領域に含まれる画素と対応する実際の対象物を視認する方向と同一となるようにすることを特徴とするマルチスペクトル画像の領域分類装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012239685A JP6060377B2 (ja) | 2012-10-31 | 2012-10-31 | 画像クラスタ分析装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012239685A JP6060377B2 (ja) | 2012-10-31 | 2012-10-31 | 画像クラスタ分析装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2014089613A true JP2014089613A (ja) | 2014-05-15 |
| JP6060377B2 JP6060377B2 (ja) | 2017-01-18 |
Family
ID=50791464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2012239685A Expired - Fee Related JP6060377B2 (ja) | 2012-10-31 | 2012-10-31 | 画像クラスタ分析装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6060377B2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017032371A (ja) * | 2015-07-31 | 2017-02-09 | 富士通株式会社 | 情報処理装置、情報処理方法、及びプログラム |
| CN109241866A (zh) * | 2018-08-15 | 2019-01-18 | 中国农业科学院农业资源与农业区划研究所 | 一种基于历史作物分布图的农作物自动分类方法及装置 |
| CN111924101A (zh) * | 2020-08-31 | 2020-11-13 | 金陵科技学院 | 一种无人机双云台相机及其工作方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011252870A (ja) * | 2010-06-04 | 2011-12-15 | Hitachi Solutions Ltd | サンプリング位置決定装置 |
-
2012
- 2012-10-31 JP JP2012239685A patent/JP6060377B2/ja not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011252870A (ja) * | 2010-06-04 | 2011-12-15 | Hitachi Solutions Ltd | サンプリング位置決定装置 |
Non-Patent Citations (1)
| Title |
|---|
| JPN6015043676; 長沼靖雄，胡勝治: 'ハイパースペクトルによる植生マッピング技術' ＦＵＪＩＴＳＵ 第６２巻 第６号, 20111110, 第７５３-７５８頁, 富士通株式会社 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017032371A (ja) * | 2015-07-31 | 2017-02-09 | 富士通株式会社 | 情報処理装置、情報処理方法、及びプログラム |
| CN109241866A (zh) * | 2018-08-15 | 2019-01-18 | 中国农业科学院农业资源与农业区划研究所 | 一种基于历史作物分布图的农作物自动分类方法及装置 |
| CN109241866B (zh) * | 2018-08-15 | 2020-10-27 | 中国农业科学院农业资源与农业区划研究所 | 一种基于历史作物分布图的农作物自动分类方法及装置 |
| CN111924101A (zh) * | 2020-08-31 | 2020-11-13 | 金陵科技学院 | 一种无人机双云台相机及其工作方法 |
| CN111924101B (zh) * | 2020-08-31 | 2024-04-09 | 金陵科技学院 | 一种无人机双云台相机及其工作方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6060377B2 (ja) | 2017-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shahtahmassebi et al. | Remote sensing of urban green spaces: A review | |
| Lee et al. | Individual tree species classification from airborne multisensor imagery using robust PCA | |
| Shang et al. | Classification of Australian native forest species using hyperspectral remote sensing and machine-learning classification algorithms | |
| AU2015324185B2 (en) | Multi-spectral image labeling with radiometric attribute vectors of image space representation components | |
| US9639755B2 (en) | Automated compound structure characterization in overhead imagery | |
| JP6273473B2 (ja) | 森林情報管理装置 | |
| Baron et al. | Combining image processing and machine learning to identify invasive plants in high-resolution images | |
| Marcinkowska-Ochtyra et al. | Subalpine and alpine vegetation classification based on hyperspectral APEX and simulated EnMAP images | |
| JP6064712B2 (ja) | 樹種識別装置及び樹種識別方法 | |
| Kuzmin et al. | Automatic segment-level tree species recognition using high resolution aerial winter imagery | |
| Yue et al. | Texture extraction for object-oriented classification of high spatial resolution remotely sensed images using a semivariogram | |
| Lefebvre et al. | Monitoring the morphological transformation of Beijing old city using remote sensing texture analysis | |
| Quan et al. | Tree species classification in a typical natural secondary forest using UAV-borne LiDAR and hyperspectral data | |
| JP6060377B2 (ja) | 画像クラスタ分析装置 | |
| Bin et al. | Parcel-based change detection in land-use maps by adopting the holistic feature | |
| Huang et al. | Juvenile tree classification based on hyperspectral image acquired from an unmanned aerial vehicle | |
| Jusoff et al. | Mapping of individual oil palm trees using airborne hyperspectral sensing: an overview | |
| Wolfe et al. | Hyperspectral analytics in envi target detection and spectral mapping methods | |
| Ferreira et al. | Automatic tree crown delineation in tropical forest using hyperspectral data | |
| Ilangakoon et al. | Estimating leaf area index by bayesian linear regression using terrestrial Lidar, LAI-2200 plant canopy analyzer, and landsat tm spectral indices | |
| Widipaminto et al. | Roof materials identification based on pleiades spectral responses using supervised classification | |
| Zhang et al. | Applicability of UAV-based optical imagery and classification algorithms for detecting pine wilt disease at different infection stages | |
| Veramendi et al. | Algorithm for the countering maize plants based on UAV, digital image processing and semantic modeling | |
| Kumar et al. | Objects detection in hyperspectral images using spectral derivative | |
| Wolfe et al. | Hyperspectral analytics in ENVI |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150110 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20151026 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20151124 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160124 Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160123 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160621 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160817 |
|
| 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: 20161025 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20161114 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6060377 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| LAPS | Cancellation because of no payment of annual fees |