JP2015148979A5

JP2015148979A5 -

Info

Publication number: JP2015148979A5
Application number: JP2014022034A
Authority: JP
Filing date: 2014-02-07
Publication date: 2017-03-09
Anticipated expiration: 2034-02-07

Description

本発明の一側面としての画像処理方法は、第１の画像を第２の画像に変換する。該画像処理方法は、辞書学習により生成された複数の第１の辞書および該複数の第１の辞書のそれぞれに対応する複数の第２の辞書を用意し、第１の画像を第１の辞書の要素の線形結合により近似して線形結合係数を生成する処理を複数の第１の辞書のそれぞれについて行って複数の線形結合係数を求め、該複数の線形結合係数のそれぞれに対して、絶対値が２番目に大きな係数要素に対する絶対値が最大の係数要素の比の値を算出して、該比の値が最大となる特定線形結合係数を選択し、複数の第２の辞書のうち、特定線形結合係数が生成された第１の辞書に対応する特定辞書を選択し、特定線形結合係数と特定辞書の要素との線形結合を用いて第２の画像を生成することを特徴とする。

また、本発明の他の一側面としての画像処理装置は、第１の画像を第２の画像に変換する画像処理を行う。該画像処理装置は、辞書学習により生成された複数の第１の辞書および該複数の第１の辞書のそれぞれに対応する複数の第２の辞書を用意する用意手段と、第１の画像を第１の辞書の要素の線形結合により近似して線形結合係数を生成する処理を複数の第１の辞書のそれぞれについて行って複数の線形結合係数を求める係数算出手段と、複数の線形結合係数のそれぞれに対して、絶対値が２番目に大きな係数要素に対する絶対値が最大の係数要素の比の値を算出して、該比の値が最大となる特定線形結合係数を選択する係数選択手段と、複数の第２の辞書のうち、特定線形結合係数が生成された第１の辞書に対応する特定辞書を選択する辞書選択手段と、特定線形結合係数と特定辞書の要素との線形結合を用いて第２の画像を生成する画像生成手段とを有することを特徴とする。

ステップＳ２０８では、画像処理装置１０１は、ステップＳ２０７において選択した線形結合係数が生成された第１の辞書と、これに対応する第２の辞書（特定辞書）を選択する。すなわち、ｉ番目の線形結合係数を選択した場合には、この線形結合係数を生成したのはｉ番目の第１の辞書であるので、これに対応するｉ番目の第２の辞書を選択する。

ステップＳ３０５では、画像処理装置１０１は、実施例１のステップＳ２０５にて説明した方法によって、各クラスタに対して辞書学習を行い、クラスタごとに第１および第２の辞書を生成する。実施例１でも説明したように、クラスタをＭ個生成した場合にはＭ組の第１および第２の辞書を生成する。本実施例では、例として１０個のクラスタを生成する。第１および第２の辞書の全要素数が多いほど画像処理精度は高くなることは知られている。しかし、全要素数が多いほどそれらを生成するための計算時間が必要となり、処理が遅くなる。このため、本実施例においては、例として、第１および第２の辞書の全要素数をそれぞれ１０２４個とする。

次に、ステップＳ７０２では、画像処理装置は、ステップＳ３０２と同様に、第１の訓練画像から複数の第１の訓練小領域を抽出する。なお、ここで抽出する第１の訓練小領域のサイズもステップＳ３０２で抽出した訓練小領域のサイズと同じである。

次に、ステップＳ７０５では、画像処理装置は、第１の画像の任意の場所から入力小領域を抽出し、抽出した入力小領域のＡＣ成分を第１の辞書の要素の線形結合で近似して１つの線形結合係数を求める。線形結合近似の方法は実施例１のステップＳ２０６にて説明した方法と同じである。また、抽出する入力小領域のサイズは、ステップＳ７０２で定めた第１の訓練小領域のサイズと同じである。

Claims

第１の画像を第２の画像に変換する画像処理方法であって、
辞書学習により生成された複数の第１の辞書および該複数の第１の辞書のそれぞれに対応する複数の第２の辞書を用意し、
前記第１の画像を前記第１の辞書の要素の線形結合により近似して線形結合係数を生成する処理を前記複数の第１の辞書のそれぞれについて行って複数の線形結合係数を求め、
前記複数の線形結合係数のそれぞれに対して、絶対値が２番目に大きな係数要素に対する絶対値が最大の係数要素の比の値を算出して、該比の値が最大となる特定線形結合係数を選択し、
前記複数の第２の辞書のうち、前記特定線形結合係数が生成された前記第１の辞書に対応する特定辞書を選択し、
前記特定線形結合係数と前記特定辞書の要素との線形結合を用いて前記第２の画像を生成することを特徴とする画像処理方法。
前記第１および第２の辞書を用意するために、
前記第１の画像と前記第２の画像のそれぞれに応じた訓練画像である第１の訓練画像と第２の訓練画像を用意し、
前記第１の訓練画像から複数の第１の訓練部分画像を抽出し、
前記第２の訓練画像のうち、前記複数の第１の訓練部分画像のそれぞれに対応する複数の場所から複数の第２の訓練部分画像を抽出し、
前記複数の第１および第２の訓練部分画像のそれぞれの画素値の分布から該画素値の平均値を減算してＡＣ成分を生成し、
前記各第１の訓練部分画像の前記ＡＣ成分および前記各第２の訓練部分画像の前記ＡＣ成分をそれぞれベクトルに変換してＡＣベクトルを生成し、
互いに対応する前記第１および第２の訓練部分画像の前記ＡＣベクトル同士を連結して訓練ベクトルを生成する処理を前記複数の第１および第２の訓練部分画像に対して行って複数の訓練ベクトルを生成し、
前記複数の訓練ベクトルをクラスタリングして、それぞれ類似の訓練ベクトルを含む複数のクラスタを生成し、
前記クラスタから辞書学習アルゴリズムによって辞書行列を生成する処理を前記複数のクラスタに対して行って複数の辞書行列を生成し、
前記複数の辞書行列のそれぞれから前記第１および第２の辞書を生成することを特徴とする請求項１に記載の画像処理方法。
前記第２の画像は、前記第１の画像に含まれる複数種類の物体像を分類した結果を示す画像であり、
前記第１の画像に対応する第１の訓練画像と前記複数の物体像のそれぞれの種類を表す第２の訓練画像としての複数のベクトルデータとを用いた辞書学習により生成された前記複数の第１および第２の辞書を用意し、
前記複数の線形結合係数を、前記第１の画像から抽出した部分画像を前記第１の辞書の要素の線形結合により近似して線形結合係数を生成する処理を前記複数の第１の辞書のそれぞれについて行うことにより求め、該複数の線形結合係数から前記特定線形結合係数を選択し、
前記特定線形結合係数と前記特定辞書の要素との線形結合を用いて分類ベクトルを生成して、該分類ベクトルを用いて前記部分画像における物体像の種類を判別し、
前記特定線形結合係数の選択および前記分類ベクトルと前記複数のベクトルデータとを用いた前記物体像の種類の判別を前記第１の画像の全域から抽出した複数の前記部分画像のそれぞれに対して行い、
前記複数の部分画像において判別された前記物体像の種類に応じて前記第２の画像を生成することを特徴とする請求項１に記載の画像処理方法。
前記物体像の種類の判別において、前記複数のベクトルデータのうち前記分類ベクトルの類似度が最も高いベクトルデータが表す種類と判別することを特徴とする請求項３に記載の画像処理方法。
前記第１および第２の辞書を用意するために、
前記第１の訓練画像から複数の訓練部分画像を抽出し、
前記複数の訓練部分画像のそれぞれの画素値の分布から該画素値の平均値を減算した成分であるＡＣ成分を生成し、
前記各訓練部分画像のＡＣ成分をベクトルに変換してＡＣベクトルを生成し、
前記ＡＣベクトルと該ＡＣベクトルを生成した前記訓練部分画像の前記物体像の種類を示す前記ベクトルデータとを連結して訓練ベクトルを生成する処理を前記複数の訓練部分画像に対して行って複数の訓練ベクトルを生成し、
前記複数の訓練ベクトルをクラスタリングして、それぞれ類似の訓練ベクトルを含む複数のクラスタを生成し、
前記クラスタから辞書学習アルゴリズムによって辞書行列を生成する処理を前記複数のクラスタに対して行って複数の辞書行列を生成し、
前記複数の辞書行列のそれぞれから前記第１および第２の辞書を生成することを特徴とする請求項３または４に記載の画像処理方法。
コンピュータに、第１の画像を第２の画像に変換する画像処理を実行させるコンピュータプログラムとしての画像処理プログラムであって、
前記画像処理は、
辞書学習により生成された複数の第１の辞書および該複数の第１の辞書のそれぞれに対応する複数の第２の辞書を用意し、
前記第１の画像を前記第１の辞書の要素の線形結合により近似して線形結合係数を生成する処理を前記複数の第１の辞書のそれぞれについて行って複数の線形結合係数を求め、
前記複数の線形結合係数のそれぞれに対して、絶対値が２番目に大きな係数要素に対する絶対値が最大の係数要素の比の値を算出して、該比の値が最大となる特定線形結合係数を選択し、
前記複数の第２の辞書のうち、前記特定線形結合係数が生成された前記第１の辞書に対応する特定辞書を選択し、
前記特定線形結合係数と前記特定辞書の要素との線形結合を用いて前記第２の画像を生成する処理であることを特徴とする画像処理プログラム。
前記第２の画像は、前記第１の画像に含まれる複数種類の物体像を分類した結果を示す画像であり、
前記画像処理は、
前記第１の画像に対応する第１の訓練画像と前記複数の物体像のそれぞれの種類を表す第２の訓練画像としての複数のベクトルデータとを用いた辞書学習により生成された前記複数の第１および第２の辞書を用意し、
前記複数の線形結合係数を、前記第１の画像から抽出した部分画像を前記第１の辞書の要素の線形結合により近似して線形結合係数を生成する処理を前記複数の第１の辞書のそれぞれについて行うことにより求め、該複数の線形結合係数から前記特定線形結合係数を選択し、
前記特定線形結合係数と前記特定辞書の要素との線形結合を用いて分類ベクトルを生成して、該分類ベクトルを用いて前記部分画像における物体像の種類を判別し、
前記特定線形結合係数の選択および前記分類ベクトルと前記複数のベクトルデータとを用いた前記物体像の種類の判別を前記第１の画像の全域から抽出した複数の前記部分画像のそれぞれに対して行い、
前記複数の部分画像において判別された前記物体像の種類に応じて前記第２の画像を生成する処理であることを特徴とする請求項６に記載の画像処理プログラム。
第１の画像を第２の画像に変換する画像処理を行う画像処理装置であって、
辞書学習により生成された複数の第１の辞書および該複数の第１の辞書のそれぞれに対応する複数の第２の辞書を用意する用意手段と、
前記第１の画像を前記第１の辞書の要素の線形結合により近似して線形結合係数を生成する処理を前記複数の第１の辞書のそれぞれについて行って複数の線形結合係数を求める係数算出手段と、
前記複数の線形結合係数のそれぞれに対して、絶対値が２番目に大きな係数要素に対する絶対値が最大の係数要素の比の値を算出して、該比の値が最大となる特定線形結合係数を選択する係数選択手段と、
前記複数の第２の辞書のうち、前記特定線形結合係数が生成された前記第１の辞書に対応する特定辞書を選択する辞書選択手段と、
前記特定線形結合係数と前記特定辞書の要素との線形結合を用いて前記第２の画像を生成する画像生成手段とを有することを特徴とする画像処理装置。
前記第２の画像は、前記第１の画像に含まれる複数種類の物体像を分類した結果を示す画像であり、
前記用意手段は、前記第１の画像に対応する第１の訓練画像と前記複数の物体像のそれぞれの種類を表す第２の訓練画像としての複数のベクトルデータとを用いた辞書学習により生成された前記複数の第１および第２の辞書を用意し、
前記係数算出手段は、前記複数の線形結合係数を、前記第１の画像から抽出した部分画像を前記第１の辞書の要素の線形結合により近似して線形結合係数を生成する処理を前記複数の第１の辞書のそれぞれについて行うことにより求め、
前記画像生成手段は、
前記特定線形結合係数と前記特定辞書の要素との線形結合を用いて分類ベクトルを生成して、該分類ベクトルを用いて前記部分画像における物体像の種類を判別し、
前記特定線形結合係数の選択および前記分類ベクトルと前記複数のベクトルデータとを用いた前記物体像の種類の判別を前記第１の画像の全域から抽出した複数の前記部分画像のそれぞれに対して行い、
前記複数の部分画像において判別された前記物体像の種類に応じて前記第２の画像を生成することを特徴とする請求項８に記載の画像処理装置。