JP2017073138A - 水状態検出装置、方法及び画像処理装置 - Google Patents

Abstract

【課題】本発明は、水状態検出装置、方法及び画像処理装置を提供する。【解決手段】検出方法は、水を記録するリアルタイム画像を複数のリアルタイムサブブロックに分割し；各リアルタイムサブブロックに対して方向性フィルタリング処理を行い、各リアルタイムサブブロックの異なる方向のフィルタリング結果を取得し；前記フィルタリング結果に基づいて統計的特徴を抽出し；予め取得された分類器モデル及び前記統計的特徴に基づいて各リアルタイムサブブロックに対して類型識別を行い；リアルタイム画像の複数のリアルタイムサブブロックの類型に対して統計を行い；及び、統計結果に基づいて前記リアルタイム画像に対応する水状態を確定することを含む。【選択図】図１

Description

本発明は、画像処理技術分野に関し、特に、水状態検出装置、方法及び画像処理装置に関する。

多くの場合（例えば、廃水処理）、水の運動状態を検出する必要がある。例えば、貯水タンク中の水が静止状態から運動状態になる時又は運動状態から静止状態になる時に、これらの変化に対して迅速な対応を行うことが必要且つ重要である。

今のところ、水状態（水の運動状態及び水の静止状態）を検出するためのシステムが幾つかあり、例えば、水位センサー、温度センサー、塩素測量センサーなどによるものがある。これらのセンサーにより、水状態を一定程度検出することができる。

しかしながら、発明者は、次のようなことを発見した。即ち、従来の水状態検出システムでは、センサーを使用する必要があるため、システムが複雑であり、コストが高く、また、検出結果が往々にして立ち後れているから、水状態をリアルタイム且つ正確に検出することができない。

そこで、本発明の目的は、システムが簡単であり、コストが低く、また、水状態をリアルタイム且つ正確に検出することができる水状態検出装置、方法及び画像処理装置を提供することにある。

本発明の第一側面によれば、水状態検出装置が提供され、前記検出装置は、
水を記録するリアルタイム画像を複数のリアルタイムサブブロックに分割するためのリアルタイムサブブロック分割ユニット；
各リアルタイムサブブロックに対して方向性フィルタリング処理を行い、各リアルタイムサブブロックの異なる方向のフィルタリング結果を得るためのリアルタイムフィルタリングユニット；
前記異なる方向のフィルタリング結果に基づいて統計的特徴をそれぞれ抽出するためのリアルタイム特徴抽出ユニット；
予め取得された分類器モデル及び前記統計的特徴に基づいて、各リアルタイムサブブロックに対して類型識別を行うための類型識別ユニット；
前記リアルタイム画像の前記複数のリアルタイムサブブロックの類型に対して統計を行うための類型統計ユニット；及び
統計結果に基づいて、前記リアルタイム画像に対応する水状態を確定するための状態確定ユニットを含む。

本発明の第二側面によれば、水状態検出方法が提供され、前記検出方法は、
水を記録するリアルタイム画像を複数のリアルタイムサブブロックに分割し；
各リアルタイムサブブロックに対して方向性フィルタリング処理を行い、各リアルタイムサブブロックの異なる方向のフィルタリング結果を取得し；
前記異なる方向のフィルタリング結果に基づいて統計的特徴をそれぞれ抽出し；
予め取得された分類器モデル及び前記統計的特徴に基づいて、各リアルタイムサブブロックに対して類型識別を行い；
前記リアルタイム画像の前記複数のリアルタイムサブブロックの類型に対して統計を行い；及び
統計結果に基づいて、前記リアルタイム画像に対応する水状態を確定することを含む。

本発明の第三側面によれば、画像処理装置が提供され、前記画像処理装置は、上述のような水状態検出装置を含む。

本発明の実施例の有益な効果は、水を記録する画像を複数のサブブロックに分割し；各サブブロックに対して方向性フィルタリング処理を行って統計的特徴を抽出した後に、各リアルタイムサブブロックに対して類型識別を行い；前記画像の複数のサブブロックの類型に対して統計を行い；及び、統計結果に基づいて前記画像に対応する水状態を確定することにより、水状態検出時に、センサーの使用を要しないのみならず、システムが簡単であり、コストが低く、また、リアルタイム且つ正確に水状態を検出することもできる。

本発明の実施例1における水状態検出方法を示す図である。 本発明の実施例1における水状態検出方法を示す他の図である。 本発明の実施例1における方向性フィルタリングを示す図である。 本発明の実施例1における方向性フィルタリングを示す他の図である。 本発明の実施例2における水状態検出装置を示す図である。 本発明の実施例2における水状態検出装置を示す他の図である。 本発明の実施例3における画像処理装置の構成を示す図である。

以下、添付した図面を参照しながら、本発明を実施するための形態を詳細に説明する。

本発明の実施例は水状態検出方法を提供する。図1は本発明の実施例における水状態検出方法を示す図である。図1に示すように、前記検出方法は次のステップを含む。

ステップ101：水を記録するリアルタイム画像を複数のリアルタイムサブブロックに分割し；
ステップ102：各リアルタイムサブブロックに対して方向性フィルタリング処理を行い、各リアルタイムサブブロックの異なる方向のフィルタリング結果を取得し；
ステップ103：各リアルタイムサブブロックの異なる方向のフィルタリング結果に基づいて統計的特徴をそれぞれ抽出し；
ステップ104：予め取得された分類器モデル及び前記統計的特徴に基づいて、各リアルタイムサブブロックに対して類型識別を行い；
ステップ105：前記リアルタイム画像の前記複数のリアルタイムサブブロックの類型に対して統計を行い；及び
ステップ106：統計結果に基づいて、前記リアルタイム画像に対応する水状態を確定する。

本実施例では、水状態を検出する必要のあるモニタリング要の領域に対して、カメラを設置して連続して撮影することで、複数のフレームを含むリアルタイム画像のビデオを得ることができる。各フレームのリアルタイム画像について、上述のステップ101〜ステップ106により、該フレーム画像に対応する水状態を検出することができる。

本実施例では、カメラは、水面に合わせて設置されても良く又は一定の角度で設置されても良い。そのうち、水状態は、水の運動状態及び水の静止状態を含んでも良く、水の運動状態とは、例えば、水の泡（bubble）が出ている状態又は水紋（水面にできる波紋）が出ている状態を指すが、本発明はこれに限定されず、他の状態であっても良い。

本実施例では、分類器モデルは、予め取得されても良く、例えば、予めモニタリング要の領域の画像に対して所定期間内でトレーニングを行った後に取得されても良い。なお、本発明はこれに限定されず、例えば、経験値に基づいて予め生成されても良い。

図2は、本発明の実施例における水状態検出方法を示すもう一つの図である。図2に示すように、前記検出方法は、トレーニング段階及びモニタリング段階を含んでも良い。

トレーニング段階では、前記方法は次のステップを含み、即ち、
ステップ2011：トレーニング画像を複数のトレーニングサブブロックに分割し；
ステップ2012：各トレーニングサブブロックに対して方向性フィルタリング処理をそれぞれ行い、前記各トレーニングサブブロックの異なる方向のフィルタリング結果を取得し；
ステップ2013：前記各トレーニングサブブロックの異なる方向のフィルタリング結果に基づいて統計的特徴をそれぞれ抽出し；及び
ステップ2014：前記統計的特徴をSVM（support vector machine）又はANN（artificial neural network）に入力して分類器モデルを得る。

具体的な実施にあたって、カメラを用いて複数のトレーニング画像を取得し、上述のステップ2011〜ステップ2014を反復して実行することにより、比較的正確な分類器モデルを得ることができる。

また、モニタリング段階では、前記方法は次のステップを含み、即ち、
ステップ2021：水を記録するリアルタイム画像を複数のリアルタイムサブブロックに分割し；
ステップ2022：各リアルタイムサブブロックに対して方向性フィルタリング処理をそれぞれ行い、各リアルタイムサブブロックの異なる方向のフィルタリング結果を取得し；
ステップ2023：前記各リアルタイムサブブロックの異なる方向のフィルタリング結果に基づいて、統計的特徴をそれぞれ抽出し；
ステップ2024：予め取得された分類器モデル及び前記統計的特徴に基づいて、前記各リアルタイムサブブロックに対して類型識別をそれぞれ行い；
ステップ2025：前記リアルタイム画像の前記複数のリアルタイムサブブロックの類型に対して統計を行い；
ステップ2026：統計結果に基づいて、前記リアルタイム画像に対応する水状態を確定する。

なお、上述のトレーニング段階及びモニタリング段階の実行順序について限定せず、例えば、トレーニング段階を実行してからモニタリング段階を実行しても良く、又は、両者を同時に実行しても良く、これにより、類器モデルに対して絶えずに更新及び最適化を行うことができる。

本実施例では、画像（リアルタイム画像又はトレーニング画像）を複数のサブブロック、例えば、65*65のサブブロックに分割しても良く、そのうち、単位はピクセルである。なお、本発明はこれに限定されず、実際の状況に応じてサブブロックの大小（サイズ）又は形状等を確定しても良い。

ステップ2012又はステップ2022では、各サブブロックに対して方向性フィルタリングを行うことは、改良されたGaborフィルタリングアルゴリズムを用いてもよいが、本発明はこれに限定されず、例えば、他の方向性フィルタリングアルゴリズムを使っても良い。以下、Gaborフィルタリングによる方法を例として説明を行う。

例えば、次のような公式を用いて方向性フィルタリング処理を行うことができる。即ち、

である。そのうち、

及び

であり、x及びyはピクセル座標を表し、λは正弦曲線因子の波長を表し、θは基準から平行帯までの方向を表し、φは位相偏移を表し、σはガウス因子の標準差を表し、γは空間縦横比を表す。

具体的な実施にあたって、例えば、次のような設定を行っても良く、即ち、
波長：λ=10であり、原則的に2＜λ＜blocksize*0.2であり、そのうち、blocksizeは、サブブロックの大小（サイズ）であり、
ガウス因子の標準差：σ=4であり、
縦横比：γ=1であり、
相位偏移：φ=0である。

なお、以上は各パラメータの値の例示に過ぎず、本発明はこれに限定されない。

そのうち、Gaborフィルタリング中のスケールについては、σ及びλを反比例の関係に構成し、比例の大小は所定公式により決められ得る。例えば、良く言う「マルチスケール」とは、異なる中心周波数（1/λ）を取ることを指す。本発明の実施例の実験では、λの値を10とする（単一スケールと理解されても良い）。なお、画像スケールの差異が本発明の関心対象でないため、スケール上では一つの良く用いられる経験値を取っても良い。

本実施例では、異なるθ値を用いて方向性フィルタリングを行うことにより、各サブブロック間の差異を強化する。例えば、θ=45，90，135，180である。

図3は、本発明の実施例における方向性フィルタリングを示す図である。左から右へは、それぞれ、水の泡の画像、該画像に対してθ=90の方向性フィルタリングを行った後の画像、及び、該画像に対してθ=180の方向性フィルタリングを行った後の画像を示す。

図4は、本発明の実施例における方向性フィルタリングを示す他の図である。左から右へは、それぞれ、静止水面を有するの画像、該画像に対してθ=90の方向性フィルタリングを行った後の画像、及び、該画像に対してθ=180の方向性フィルタリングを行った後の画像を示す。

図3及び4に示すように、異なるθ値を用いて方向性フィルタリングを行うことにより、水が運動状態にある画像と、水が静止状態にある画像との差異を強化することができる。

ステップ2013又はステップ2023では、各サブブロックの異なる方向のフィルタリング結果に基づいて統計的特徴をそれぞれ抽出することができる。そのうち、統計的特徴は、画像の１次モーメント及び画像の２次モーメントを含む。例えば、統計的特徴は、平均値及び分散（variance）であっても良い。

本実施例では、方向性フィルタリング後の特徴値を直接採用せず、統計的特徴を用いて各サブブロックに対して類型識別をそれぞれ行う。

例えば、次の公式で統計的特徴の抽出を行っても良く、即ち、

である。そのうち、meanは平均値を示し、varは分散を示し、M及びNはそれぞれ前記リアルタイムサブブロック又は前記トレーニングサブブロックの高さ及び幅であり、I()は、前記リアルタイムサブブロック又は前記トレーニングサブブロック中の各ピクセルのピクセル値を示す。

このように、各サブブロックについて、例えば、次のような画像特徴を得ることができ、即ち、

であり、そのうち、1、2、3、4は、それぞれ、θ=45，90，135，180の場合を表す。

これにより、本実施例は、方向性フィルタリング（例えば、Gaborフィルタリング）を用いて画像方向性を強化し、方向性フィルタリング後のテクスチャ画像を得ることで、運動と静止との水状態の差異を強調することができ、これにより、ノイズによる影響を低減し、テクスチャ画像の情報を計算することができる。また、本実施例は、方向性フィルタリングの特徴値を直接採用せず、統計的特徴を用い、即ち、水の運動による画像ピクセル分布方向の差異のみに関心を持ち、これにより、計算複雑度を低減し、計算量を減少させることができる。

ステップ2024では、予め取得された分類器モデル及び前記統計的特徴に基づいて、前記各リアルタイムサブブロックに対して類型識別をそれぞれ行うことができる
具体的には、各リアルタイムサブブロックに対して、予め取得された分類器モデル及び前記リアルタイムサブブロックの統計的特徴に基づいて採点を行って得点を取得し、前記得点が所定閾値（第一閾値）よりも大きい場合、該リアルタイムサブブロックを運動類型と確定し、そうでない場合、前記リアルタイムサブブロックを静止類型と確定する。

具体的に如何に採点を行うかは、従来技術中の任意の方法を採用することができる。

ステップ2025では、前記リアルタイム画像の前記複数のリアルタイムサブブロックの類型に対して統計を行うことができる。これにより、ある画像中の全てのサブブロックのうちの任意の一つについて、運動類型又は静止類型であるかを確定することができる。

ステップ2026では、統計結果に基づいて前記リアルタイム画像に対応する水状態を確定することができる。

具体的には、前記リアルタイム画像中の、運動類型と確定されたリアルタイムサブブロックの個数が所定閾値（第二閾値）よりも大きい場合、前記リアルタイム画像を、水が運動状態にあるものと確定し、そうでない場合、前記リアルタイム画像を、水が静止状態にあるものとか確定する。

例えば、一つのリアルタイム画像に32個のサブブロックが含まれ、統計によりそのうちの28個（第二閾値の25よりも大きい）のサブブロックが運動類型であると確定されたときに、該リアルタイム画像を、水が運動状態にあるものと確定することができる。一方、統計のよりそのうちの12個のみ（第二閾値の25より小さい）のサブブロックが運動類型であると確定されたときに、該リアルタイム画像を、水が静止状態にあるものと確定することができる。

表1は、水状態を確定する例を示すものである。

上述の実施例から分かるように、水を記録する画像を複数のサブブロックに分割し；各サブブロックに対して方向性フィルタリング処理を行って統計的特徴を抽出した後に、各リアルタイムサブブロックに対して類型識別をそれぞれ行い；前記画像の複数のサブブロックの類型に対して統計を行い；及び、統計結果に基づいて前記画像に対応する水状態を確定することにより、水状態検出時に、センサーの使用を要しないのみならず、システムが簡単であり、コストが低く、また、リアルタイムで水状態を正確に検出することもできる。

本発明の実施例は水状態検出装置を提供し、それは、実施例1における水状態検出方法に対応するため、実施例1と同じ内容は省略される。

図5は、本発明の実施例における水状態検出装置を示す図である。図5に示すように、前記検出装置500は、次のユニットを含み、即ち、
リアルタイムサブブロック分割ユニット501：水を記録するリアルタイム画像を複数のリアルタイムサブブロックに分割し；
リアルタイムフィルタリングユニット502：各リアルタイムサブブロックに対して方向性フィルタリング処理をそれぞれ行い、各リアルタイムサブブロックの異なる方向のフィルタリング結果を取得し；
リアルタイム特徴抽出ユニット503：前記各リアルタイムサブブロックの異なる方向のフィルタリング結果に基づいて統計的特徴をそれぞれ抽出し；
類型識別ユニット504：予め取得された分類器モデル及び前記統計的特徴に基づいて、前記各リアルタイムサブブロックに対して類型識別をそれぞれ行い；
類型統計ユニット505：前記リアルタイム画像の前記複数のリアルタイムサブブロックの類型に対して統計を行い；及び
状態確定ユニット506：統計結果に基づいて、前記リアルタイム画像に対応する水状態を確定する。

図6は、本発明の実施例における水状態検出装置を示す他の図である。図6に示すように、前記検出装置600は、上述の各ユニットを含む以外に、更に次のユニットも含み、即ち、
トレーニングサブブロック分割ユニット601：トレーニング画像を複数のトレーニングサブブロックに分割し；
トレーニングフィルタリングユニット602：各トレーニングサブブロックに対して方向性フィルタリング処理をそれぞれ行い、各トレーニングサブブロックの異なる方向のフィルタリング結果を取得し；
トレーニング特徴抽出ユニット603：前記各トレーニングサブブロックの異なる方向のフィルタリング結果に基づいて統計的特徴をそれぞれ抽出し；及び
モデル生成ユニット604：前記統計的特徴をSVM（support vector machine）又はANN（artificial neural network）に入力して、前記分類器モデルを得る。

本実施例では、前記リアルタイムフィルタリングユニット502又は前記トレーニングフィルタリングユニット602は、次の公式を用いて方向性フィルタリング処理を行うことができ、即ち、

である。そのうち、

及び

である。x及びyはピクセル座標を示し、λは正弦曲線因子の波長を示し、θは基準から平行帯までの方向を示し、φは相位偏移を示し、σはガウス因子の標準差を示し、γは空間縦横比を示す。

本実施例では、前記リアルタイムフィルタリングユニット502又は前記トレーニングフィルタリングユニット602は、異なるθ値を用いて方向性フィルタリング処理を行うことで、各サブブロック間の差異を強化することができる。前記統計的特徴は、画像の１次モーメント及び画像の２次モーメントを含んでも良い。

本実施例では、前記リアルタイム特徴抽出ユニット503又は前記トレーニング特徴抽出ユニット603は、次の公式で統計的特徴の抽出を行うことができ、即ち、

である。

そのうち、meanは平均値を示し、varは分散を示し、M及びNはそれぞれ前記リアルタイムサブブロック又は前記トレーニングサブブロックの高さ及び幅であり、I()は、前記リアルタイムサブブロック又は前記トレーニングサブブロック中の各ピクセルのピクセル値を示す。

本実施例では、前記類型識別ユニット504は次のユニットを含んでも良い。即ち、
サブブロック採点ユニット：各リアルタイムサブブロックに対して、予め取得された分類器モデル及び前記リアルタイムサブブロックの統計的特徴に基づいて採点を行って得点を取得し；及び
類型確定ユニット：前記得点が所定閾値より大きい場合、前記リアルタイムサブブロックを運動類型と確定し、そうでない場合、前記リアルタイムサブブロックを静止類型と確定する。

本実施例では、前記状態確定ユニット506は具体的に、前記画像中の、運動類型と確定されたリアルタイムサブブロックの個数が所定閾値よりも大きい場合、前記画像を、水が運動状態にあるものと確定し、そうでない場合、前記画像を、水が静止状態にあるものと確定するために用いられる。

上述の実施例から分かるように、水を記録する画像を複数のサブブロックに分割し；各サブブロックに対して方向性フィルタリング処理をそれぞれ行って統計的特徴を抽出した後に、各リアルタイムサブブロックに対して類型識別をそれぞれ行い；前記画像の複数のサブブロックの類型に対して統計を行い；及び、統計結果に基づいて前記画像に対応する水状態を確定することにより、水状態検出時に、センサーの使用を要しないのみならず、システムが簡単であり、コストが低く、また、リアルタイムで水状態を正確に検出することもできる。

本発明の実施例は画像処理装置を提供し、前記画像処理装置は実施例2に記載の水状態検出装置を含む。

図7は本発明の実施例における画像処理装置の構成図である。図7に示すように、画像処理装置700は中央処理装置（CPU）100及び記憶器110を含み；記憶器110は中央処理装置100に結合される。そのうち、該記憶器110は各種のデータを記憶することができ、情報処理用のプログラムを記憶することもでき、また、中央処理装置100の制御により、該プログラムを実行することもできる。

一実施方式では、水状態検出装置500又は600の機能は、中央処理装置100に統合することができる。そのうち、中央処理装置100は、実施例1に記載の水状態検出方法を実現し得るように構成されても良い。即ち、中央処理装置100は次のような制御を行っても良い。

水を記録するリアルタイム画像を複数のリアルタイムサブブロックに分割し；各リアルタイムサブブロックに対して方向性フィルタリング処理をそれぞれ行い、各リアルタイムサブブロックの異なる方向のフィルタリング結果を取得し；前記各リアルタイムサブブロックの異なる方向のフィルタリング結果に基づいて、統計的特徴をそれぞれ抽出し；予め取得された分類器モデル及び前記統計的特徴に基づいて、前記各リアルタイムサブブロックに対して類型識別をそれぞれ行い；前記リアルタイム画像の前記複数のリアルタイムサブブロックの類型に対して統計を行い；及び、統計結果に基づいて前記リアルタイム画像に対応する水状態を確定する。

他の実施方式では、水状態検出装置500又は600は、中央処理装置100と別々に構成されても良く、例えば、水状態検出装置500又は600は、中央処理装置100に接続されるチップとして構成されても良く、中央処理装置の制御より、水状態検出装置500又は600の機能を実現することができる。

また、図7に示すよに、画像処理装置700はさらに入力／出力ユニット120及び表示ユニット130等を含んでも良い。そのうち、これらの部品の機能は従来技術と同様であるため、ここではその詳しい説明を省略される。なお、画像処理装置700は必ずしも図7に示している全ての部品を含む必要がない。また、画像処理装置700はさらに図7に示していない部品を含んでもよく、これについては従来技術を参照することができる。

本発明の実施例はさらにコンピュータ可読プログラムを提供し、そのうち、画像処理装置中で前記プログラムを実行する時に、前記プログラムは、コンピュータに前記画像処理装置中で実施例1に記載の水状態検出方法を実行させる。本発明の実施例はさらに前記コンピュータ可読プログラムを記憶した記憶媒体も提供する。

また、本発明の実施例による装置及び方法は、ソフトウェアにより実現されても良く、ハードウェアにより実現されてもよく、ハードウェア及びソフトウェアの組み合わせにより実現されても良い。また、本発明はこのようなコンピュータ可読プログラムにも関し、即ち、前記プログラムは、ロジック部品により実行される時に、前記ロジック部品に、上述の装置又は構成要素を実現させることができ、又は、前記ロジック部品に、上述の方法又はそのステップを実現させることができる。さらに、本発明は上述のプログラムを記憶するための記憶媒体、例えば、ハードディスク、磁気ディスク、光ディスク、DVD、フラッシュメモリなどにも関する。

また、上述の実施例を含む実施態様に関し、次のようにさらに付記を開示する。

（付記1）
水状態検出装置であって、
水を記録するリアルタイム画像を複数のリアルタイムサブブロックに分割するためのリアルタイムサブブロック分割ユニット；
各リアルタイムサブブロックに対して方向性フィルタリング処理をそれぞれ行い、各リアルタイムサブブロックの異なる方向のフィルタリング結果を得るためのリアルタイムフィルタリングユニット；
前記異なる方向のフィルタリング結果に基づいて統計的特徴をそれぞれ抽出するためのリアルタイム特徴抽出ユニット；
予め取得された分類器モデル及び前記統計的特徴に基づいて、前記各リアルタイムサブブロックに対して類型識別をそれぞれ行うための類型識別ユニット；
前記リアルタイム画像の前記複数のリアルタイムサブブロックの類型に対して統計を行うための類型統計ユニット；及び
統計結果に基づいて、前記リアルタイム画像に対応する水状態を確定するための状態確定ユニットを含む、検出装置。

（付記2）
付記1に記載の検出装置であって、更に、
トレーニング画像を複数のトレーニングサブブロックに分割するためのトレーニングサブブロック分割ユニット；
各トレーニングサブブロックに対して方向性フィルタリング処理をそれぞれ行い、各トレーニングサブブロックの異なる方向のフィルタリング結果を得るためのトレーニングフィルタリングユニット；
前記異なる方向のフィルタリング結果に基づいて、統計的特徴をそれぞれ抽出するためのトレーニング特徴抽出ユニット；及び
前記統計的特徴をSVM（support vector machine）又はANN（artificial neural network）に入力して前記分類器モデルを得るためのモデル生成ユニットを含む、検出装置。

（付記3）
付記1又は2に記載の検出装置であって、
前記リアルタイムフィルタリングユニット又は前記トレーニングフィルタリングユニットは、

を用いて方向性フィルタリング処理を行い、
そのうち、

及び

であり、x及びyはピクセル座標を示し、λは正弦曲線因子の波長を示し、θは基準から平行帯までの方向を示し、φは相位偏移を示し、σはガウス因子の標準差を示し、γは空間縦横比を示す、検出装置。

（付記4）
付記3に記載の検出装置であって、
前記リアルタイムフィルタリングユニット又は前記トレーニングフィルタリングユニットは、異なるθ値を用いて方向性フィルタリング処理を行い、各サブブロック間の差異を強化する、検出装置。

（付記5）
付記1又は2に記載の検出装置であって、
前記統計的特徴は、画像の１次モーメント及び画像の２次モーメントを含む、検出装置。

（付記6）
付記5に記載の検出装置であって、
前記リアルタイム特徴抽出ユニット又は前記トレーニング特徴抽出ユニットは、

を用いて統計的特徴の抽出を行い、
そのうち、meanは平均値を示し、varは分散を示し、M及びNはそれぞれ前記リアルタイムサブブロック又は前記トレーニングサブブロックの高さ及び幅を示し、I()は、前記リアルタイムサブブロック又は前記トレーニングサブブロック中の各ピクセルのピクセル値を示す、検出装置。

（付記7）
付記1に記載の検出装置であって、
前記類型識別ユニットは、
各リアルタイムサブブロックに対して、予め取得された分類器モデル及び前記リアルタイムサブブロックの統計的特徴に基づいて採点を行って得点を得るためのサブブロック採点ユニット；及び
前記得点が所定閾値よりも大きい場合、前記リアルタイムサブブロックを運動類型と化確定し、そうでない場合、前記リアルタイムサブブロックを静止類型と確定するための類型確定ユニットを含む、検出装置。

（付記8）
付記1に記載の検出装置であって、
前記状態確定ユニットは、
前記リアルタイム画像中の、運動類型と確定されたリアルタイムサブブロックの個数が所定閾値よりも大きい場合、前記リアルタイム画像を、水が運動状態にあるものと確定し、そうでない場合、前記リアルタイム画像を、水が静止状態にあるものと確定する、検出装置。

（付記9）
水状態検出方法であって、
水を記録するリアルタイム画像を複数のリアルタイムサブブロックに分割し；
各リアルタイムサブブロックに対して方向性フィルタリング処理をそれぞれ行い、各リアルタイムサブブロックの異なる方向のフィルタリング結果を取得し；
前記異なる方向のフィルタリング結果に基づいて、統計的特徴をそれぞれ抽出し；
予め取得された分類器モデル及び前記統計的特徴に基づいて、前記各リアルタイムサブブロックに対して類型識別をそれぞれ行い；
前記リアルタイム画像の前記複数のリアルタイムサブブロックの類型に対して統計を行い；及び
統計結果に基づいて、前記リアルタイム画像に対応する水状態を確定する、検出方法。

（付記10）
付記9に記載の検出方法であって、更に、
トレーニング画像を複数のトレーニングサブブロックに分割し；
各トレーニングサブブロックに対して方向性フィルタリング処理をそれぞれ行い、各トレーニングサブブロックの異なる方向のフィルタリング結果を取得し；
前記異なる方向のフィルタリング結果に基づいて、統計的特徴をそれぞれ抽出し；及び
前記統計的特徴をSVM（support vector machine）又はANN（artificial neural network）に入力して前記分類器モデルを得ることを含む、検出方法。

（付記11）
付記9又は10に記載の検出方法であって、

を用いて方向性フィルタリング処理を行い、
そのうち、

及び

であり、x及びyはピクセル座標を示し、λは正弦曲線因子の波長を示し、θは基準から平行帯までの方向を示し、φは相位偏移を示し、σはガウス因子の標準差を示し、γは空間縦横比を示す、検出方法。

（付記12）
付記11に記載の検出方法であって、
異なるθ値を用いて方向性フィルタリング処理を行い、各サブブロック間の差異を強化する、検出方法。

（付記13）
付記9又は10に記載の検出方法であって、
前記統計的特徴は、画像の１次モーメント及び画像の２次モーメントを含む、検出方法。

（付記14）
請求項13に記載の検出方法であって、

を用いて統計的特徴の抽出を行い、
そのうち、meanは平均値を示し、varは分散を示し、M及びNはそれぞれ前記リアルタイムサブブロック又は前記トレーニングサブブロックの高さ及び幅であり、I()は、前記リアルタイムサブブロック又は前記トレーニングサブブロック中の各ピクセルのピクセル値を示す、検出方法。

（付記15）
付記9に記載の検出方法であって、
予め取得された分類器モデル及び前記統計的特徴に基づいて前記各リアルタイムサブブロックに対して類型識別をそれぞれ行うことは、
各リアルタイムサブブロックに対して、予め取得された分類器モデル及び前記リアルタイムサブブロックの統計的特徴に基づいて採点を行って得点を取得し；及び
前記得点が所定閾値より大きい場合、前記リアルタイムサブブロックを運動類型と確定し、そうでない場合、前記リアルタイムサブブロックを静止類型と確定することを含む、検出方法。

（付記16）
付記9に記載の検出方法であって、
統計結果に基づいて前記リアルタイム画像に対応する水状態を確定することは、
前記リアルタイム画像中の、運動類型と確定されたリアルタイムサブブロックの個数が所定閾値よりも大きい場合、前記リアルタイム画像を、水が運動状態にあるものと確定し、そうでない場合、前記リアルタイム画像を、水が静止状態にあるものと確定することを含む、検出方法。

（付記17）
画像処理装置であって、付記1〜8の任意の１項に記載の水状態検出装置を含む、画像処理装置。

以上、本発明の好ましい実施形態を説明したが、本発明はこの実施形態に限定されず、本発明の趣旨を離脱しない限り、本発明に対するあらゆる変更は本発明の技術的範囲に属する。

Claims (17)

1. 水状態検出装置であって、
   水を記録するリアルタイム画像を複数のリアルタイムサブブロックに分割するためのリアルタイムサブブロック分割ユニット；
   各リアルタイムサブブロックに対して方向性フィルタリング処理をそれぞれ行い、各リアルタイムサブブロックの異なる方向のフィルタリング結果を得るためのリアルタイムフィルタリングユニット；
   前記異なる方向のフィルタリング結果に基づいて、統計的特徴をそれぞれ抽出するためのリアルタイム特徴抽出ユニット；
   予め取得された分類器モデル及び前記統計的特徴に基づいて、前記各リアルタイムサブブロックに対して類型識別をそれぞれ行うための類型識別ユニット；
   前記リアルタイム画像の前記複数のリアルタイムサブブロックの類型に対して統計を行うための類型統計ユニット；及び
   統計結果に基づいて、前記リアルタイム画像に対応する水状態を確定するための状態確定ユニットを含む、検出装置。
2. 請求項1に記載の検出装置であって、更に、
   トレーニング画像を複数のトレーニングサブブロックに分割するためのトレーニングサブブロック分割ユニット；
   各トレーニングサブブロックに対して方向性フィルタリング処理をそれぞれ行い、各トレーニングサブブロックの異なる方向のフィルタリング結果を得るためのトレーニングフィルタリングユニット；
   前記異なる方向のフィルタリング結果に基づいて、統計的特徴をそれぞれ抽出するためのトレーニング特徴抽出ユニット；及び
   前記統計的特徴をSVM（support vector machine）又はANN（artificial neural network）に入力して前記分類器モデルを得るためのモデル生成ユニットを含む、検出装置。
3. 請求項1又は2に記載の検出装置であって、
   前記リアルタイムフィルタリングユニット又は前記トレーニングフィルタリングユニットは、
   

   

   
   を用いて方向性フィルタリング処理を行い、
   そのうち、
   

   

   
   及び
   

   

   
   であり、x及びyはピクセル座標を示し、λは正弦曲線因子の波長を示し、θは基準から平行帯までの方向を示し、φは相位偏移を示し、σはガウス因子の標準差を示し、γは空間縦横比を示す、検出装置。
4. 請求項3に記載の検出装置であって、
   前記リアルタイムフィルタリングユニット又は前記トレーニングフィルタリングユニットは、異なるθ値を用いて方向性フィルタリング処理を行い、各サブブロック間の差異を強化する、検出装置。
5. 請求項1又は2に記載の検出装置であって、
   前記統計的特徴は、画像の１次モーメント及び画像の２次モーメントを含む、検出装置。
6. 請求項5に記載の検出装置であって、
   前記リアルタイム特徴抽出ユニット又は前記トレーニング特徴抽出ユニットは、
   

   

   
   を用いて統計的特徴の抽出を行い、
   そのうち、meanは平均値を示し、varは分散を示し、M及びNはそれぞれ前記リアルタイムサブブロック又は前記トレーニングサブブロックの高さ及び幅を示し、I()は、前記リアルタイムサブブロック又は前記トレーニングサブブロック中の各ピクセルのピクセル値を示す、検出装置。
7. 請求項1に記載の検出装置であって、
   前記類型識別ユニットは、
   各リアルタイムサブブロックに対して、予め取得された分類器モデル及び前記リアルタイムサブブロックの統計的特徴に基づいて採点を行って得点を得るためのサブブロック採点ユニット；及び
   前記得点が所定閾値よりも大きい場合、前記リアルタイムサブブロックを運動類型と確定し、そうでない場合、前記リアルタイムサブブロックを静止類型と確定するための類型確定ユニットを含む、検出装置。
8. 請求項1に記載の検出装置であって、
   前記状態確定ユニットは、
   前記リアルタイム画像中の、運動類型と確定されたリアルタイムサブブロックの個数が所定閾値よりも大きい場合、前記リアルタイム画像を、水が運動状態にあるものと確定し、そうでない場合、前記リアルタイム画像を、水が静止状態にあるものと確定する、検出装置。
9. 水状態検出方法であって、
   水を記録するリアルタイム画像を複数のリアルタイムサブブロックに分割し；
   各リアルタイムサブブロックに対して方向性フィルタリング処理をそれぞれ行い、各リアルタイムサブブロックの異なる方向のフィルタリング結果を取得し；
   前記異なる方向のフィルタリング結果に基づいて、統計的特徴をそれぞれ抽出し；
   予め取得された分類器モデル及び前記統計的特徴に基づいて、前記各リアルタイムサブブロックに対して類型識別をそれぞれ行い；
   前記リアルタイム画像の前記複数のリアルタイムサブブロックの類型に対して統計を行い；及び
   統計結果に基づいて、前記リアルタイム画像に対応する水状態を確定する、検出方法。
10. 請求項9に記載の検出方法であって、更に、
    トレーニング画像を複数のトレーニングサブブロックに分割し；
    各トレーニングサブブロックに対して方向性フィルタリング処理をそれぞれ行い、各トレーニングサブブロックの異なる方向のフィルタリング結果を取得し；
    前記異なる方向のフィルタリング結果に基づいて、統計的特徴をそれぞれ抽出し；及び
    前記統計的特徴をSVM（support vector machine）又はANN（artificial neural network）に入力して前記分類器モデルを得ることを含む、検出方法。
11. 請求項9又は10に記載の検出方法であって、
    

    

    
    を用いて方向性フィルタリング処理を行い、
    そのうち、
    

    

    
    及び
    

    

    
    であり、x及びyはピクセル座標を示し、λは正弦曲線因子の波長を示し、θは基準から平行帯までの方向を示し、φは相位偏移を示し、σはガウス因子の標準差を示し、γは空間縦横比を示す、検出方法。
12. 請求項11に記載の検出方法であって、
    異なるθ値を用いて方向性フィルタリング処理を行い、各サブブロック間の差異を強化する、検出方法。
13. 請求項9又は10に記載の検出方法であって、
    前記統計的特徴は、画像の１次モーメント及び画像の２次モーメントを含む、検出方法。
14. 請求項13に記載の検出方法であって、
    

    

    
    を用いて統計的特徴の抽出を行い、
    そのうち、meanは平均値を示し、varは分散を示し、M及びNはそれぞれ前記リアルタイムサブブロック又は前記トレーニングサブブロックの高さ及び幅であり、I()は、前記リアルタイムサブブロック又は前記トレーニングサブブロック中の各ピクセルのピクセル値を示す、検出方法。
15. 請求項9に記載の検出方法であって、
    予め取得された分類器モデル及び前記統計的特徴に基づいて前記各リアルタイムサブブロックに対して類型識別をそれぞれ行うことは、
    各リアルタイムサブブロックに対して、予め取得された分類器モデル及び前記リアルタイムサブブロックの統計的特徴に基づいて採点を行って得点を取得し；及び
    前記得点が所定閾値より大きい場合、前記リアルタイムサブブロックを運動類型と確定し、そうでない場合、前記リアルタイムサブブロックを静止類型と確定することを含む、検出方法。
16. 請求項9に記載の検出方法であって、
    統計結果に基づいて前記リアルタイム画像に対応する水状態を確定することは、
    前記リアルタイム画像中の、運動類型と確定されたリアルタイムサブブロックの個数が所定閾値よりも大きい場合、前記リアルタイム画像を、水が運動状態にあるものと確定し、そうでない場合、前記リアルタイム画像を、水が静止状態にあるものと確定することを含む、検出方法。
17. 画像処理装置であって、
    請求項1〜8の任意の１項に記載の水状態検出装置を含む、画像処理装置。
    

Images