JP2851263B2 - ノイズレベル検出方法とその装置、画像処理装置 - Google Patents
ノイズレベル検出方法とその装置、画像処理装置Info
- Publication number
- JP2851263B2 JP2851263B2 JP7280021A JP28002195A JP2851263B2 JP 2851263 B2 JP2851263 B2 JP 2851263B2 JP 7280021 A JP7280021 A JP 7280021A JP 28002195 A JP28002195 A JP 28002195A JP 2851263 B2 JP2851263 B2 JP 2851263B2
- Authority
- JP
- Japan
- Prior art keywords
- level
- noise level
- value
- noise
- pixel
- 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.)
- Expired - Lifetime
Links
- 238000000034 method Methods 0.000 title claims description 23
- 238000001514 detection method Methods 0.000 claims description 18
- 230000007423 decrease Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 241001502386 Hippotragus leucophaeus Species 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Description
【０００１】
【発明の属する技術分野】本発明は、画像データのノイ
ズレベル検出方法とその装置、及び画像処理装値に関わ
り、特にノイズ成分を除去して目的とする図形を良好な
コントラストで表示するのに好適なノイズレベル検出方
法とその装置、及び画像処理装置に関する。
ズレベル検出方法とその装置、及び画像処理装値に関わ
り、特にノイズ成分を除去して目的とする図形を良好な
コントラストで表示するのに好適なノイズレベル検出方
法とその装置、及び画像処理装置に関する。
【０００２】
【従来の技術】たとえばＭＲＩ画像やＸ線ＣＴ画像、あ
るいはエミッションＣＴ画像のような医用画像では、対
象物を表す情報はその大部分が濃度の中間レベル付近に
集まっており、一方、ローレベルには撮像時などに混入
したノイズ成分が多く集中している。このような画像を
観察するには、ノイズの多いローレベルの成分をすべて
レベル“０”に置き換え、残りの部分の濃度を拡大する
ことにより、対象物図形のコントラストを上げ、こうし
て表示手段に表示して観察を行う。また、撮像画像のハ
イレベル部分にも同様にノイズが含まれていることがあ
るから、その場合にはハイレベル部分のノイズも除去す
るとより鮮明な画像が得られる。
るいはエミッションＣＴ画像のような医用画像では、対
象物を表す情報はその大部分が濃度の中間レベル付近に
集まっており、一方、ローレベルには撮像時などに混入
したノイズ成分が多く集中している。このような画像を
観察するには、ノイズの多いローレベルの成分をすべて
レベル“０”に置き換え、残りの部分の濃度を拡大する
ことにより、対象物図形のコントラストを上げ、こうし
て表示手段に表示して観察を行う。また、撮像画像のハ
イレベル部分にも同様にノイズが含まれていることがあ
るから、その場合にはハイレベル部分のノイズも除去す
るとより鮮明な画像が得られる。
【０００３】このような画像データの処理を行う場合、
どのレベルより小さい成分をカットするか、またどのレ
ベルより大きい成分をカットするかを表すローカットレ
ベル及びハイカットレベルを定める必要があり、この２
つのカットレベルを組にしたものがウインドウレベルと
よばれる。もしこれらのカットレベルが適切に選ばれて
いないと、コントラストの改善が不十分であったり、あ
るいは対象物の情報が一部失われるという問題が生じ
る。しかもそれらの適切なレベルは一般に図形ごとに異
なっている。
どのレベルより小さい成分をカットするか、またどのレ
ベルより大きい成分をカットするかを表すローカットレ
ベル及びハイカットレベルを定める必要があり、この２
つのカットレベルを組にしたものがウインドウレベルと
よばれる。もしこれらのカットレベルが適切に選ばれて
いないと、コントラストの改善が不十分であったり、あ
るいは対象物の情報が一部失われるという問題が生じ
る。しかもそれらの適切なレベルは一般に図形ごとに異
なっている。
【０００４】図５は、上記ローカットレベルの従来の決
定法の説明図である。同図は横軸が画素の濃度、縦軸が
その画素濃度が撮像画像の画面上に現れる頻度をとった
ヒストグラムの例を示すもので、中間レベルより右より
の山が主に観察したい対象物のレベルを表している。そ
して左よりの高い山は主に雑音成分である。そこでほぼ
中間レベルにある極小点（例えば図５のｈ0）を求め、
その極小点をローカットレベルとする方法が用いられて
いた。
定法の説明図である。同図は横軸が画素の濃度、縦軸が
その画素濃度が撮像画像の画面上に現れる頻度をとった
ヒストグラムの例を示すもので、中間レベルより右より
の山が主に観察したい対象物のレベルを表している。そ
して左よりの高い山は主に雑音成分である。そこでほぼ
中間レベルにある極小点（例えば図５のｈ0）を求め、
その極小点をローカットレベルとする方法が用いられて
いた。
【０００５】また、ニューラルネットワークを利用した
方法が、“ニューラルネットワークを用いた表示ウイン
ドウの自動設定”（川崎他、日本磁気共鳴学会雑誌 VO
L.15,Suppl. P.285）として提案されている。これは、
画像の特徴量を算出し、それをニューラルネットワーク
に学習させることによりウインドウレベルの自動設定を
行えるようにしたものである。
方法が、“ニューラルネットワークを用いた表示ウイン
ドウの自動設定”（川崎他、日本磁気共鳴学会雑誌 VO
L.15,Suppl. P.285）として提案されている。これは、
画像の特徴量を算出し、それをニューラルネットワーク
に学習させることによりウインドウレベルの自動設定を
行えるようにしたものである。
【０００６】
【発明が解決しようとする課題】従来のヒストグラムを
利用する方法では、ヒストグラムの極小値が、図５の矢
印で示したように、多数現れ、対象に応じて経験的に決
定する必要がある。また、計算機処理でヒストグラムの
包絡線をなめらかにする処理を行い、極小点を１点に絞
ることもできるが、この方法によると、観察対象図形の
辺縁部のノイズを含むようなローカットレベルになって
しまうことが多く、計算機処理だけでは十分なコントラ
ストが得られない。例えば、実際に良好なコントラスト
で対象図形を観察できるレベルをカットアンドトライで
求めてみると、それは図５のｈで示したように、ｈ0よ
りも大きいところにあることが多い。このため手作業に
よりローカットレベルの試行錯誤的な修正を必要として
いた。しかし、近年のように、多数の画像データが短時
間に取得できるようになってくると、手作業で処理して
いたのでは能率が悪いという問題があった。
利用する方法では、ヒストグラムの極小値が、図５の矢
印で示したように、多数現れ、対象に応じて経験的に決
定する必要がある。また、計算機処理でヒストグラムの
包絡線をなめらかにする処理を行い、極小点を１点に絞
ることもできるが、この方法によると、観察対象図形の
辺縁部のノイズを含むようなローカットレベルになって
しまうことが多く、計算機処理だけでは十分なコントラ
ストが得られない。例えば、実際に良好なコントラスト
で対象図形を観察できるレベルをカットアンドトライで
求めてみると、それは図５のｈで示したように、ｈ0よ
りも大きいところにあることが多い。このため手作業に
よりローカットレベルの試行錯誤的な修正を必要として
いた。しかし、近年のように、多数の画像データが短時
間に取得できるようになってくると、手作業で処理して
いたのでは能率が悪いという問題があった。
【０００７】また、ニューラルネットを利用する方法で
は、多数の画像データについて特徴量を計算するととも
に、それらの画像の適切なレベルを手作業で決定し、そ
の結果をニューラルネットワークに学習させておく必要
がある。しかも対象図形が別の物体であると、同一のニ
ューラルネットワークで学習・処理するのは難しいか
ら、対象画像の種類に応じて別のネットワークを用いて
学習させておく必要がある。
は、多数の画像データについて特徴量を計算するととも
に、それらの画像の適切なレベルを手作業で決定し、そ
の結果をニューラルネットワークに学習させておく必要
がある。しかも対象図形が別の物体であると、同一のニ
ューラルネットワークで学習・処理するのは難しいか
ら、対象画像の種類に応じて別のネットワークを用いて
学習させておく必要がある。
【０００８】本発明の目的は、対象図形の種類に関係な
く、かつ特別な学習の準備なしに、短時間で効率よくロ
ーカットレベル、及び必要な場合にハイカットレベルを
自動決定できるようにしたノイズレベル検出方法とその
装置、及び画像処理装置を提供するにある。
く、かつ特別な学習の準備なしに、短時間で効率よくロ
ーカットレベル、及び必要な場合にハイカットレベルを
自動決定できるようにしたノイズレベル検出方法とその
装置、及び画像処理装置を提供するにある。
【０００９】
【課題を解決するための手段】本発明は、画像データの
画素値であるレベルと、該レベルに関連づけられて画素
ごとに定められた関連量とを成分とする２次元のサンプ
ルデータを生成し、前記レベルの最大値と順次減少する
ように可変設定されるサーチレベルとの間のレベルを有
する前記サンプルデータに対して、その説明変数を前記
関連量とし目的変数を前記レベルとする回帰直線とその
適合性を表す指数を算出し、該算出した指数が前記サー
チレベルの減少に伴って前記適合性を最もよくする極値
を与える前記サーチレベルの値を検出してノイズレベル
とすることを特徴とするノイズレベル検出方法を開示す
る。
画素値であるレベルと、該レベルに関連づけられて画素
ごとに定められた関連量とを成分とする２次元のサンプ
ルデータを生成し、前記レベルの最大値と順次減少する
ように可変設定されるサーチレベルとの間のレベルを有
する前記サンプルデータに対して、その説明変数を前記
関連量とし目的変数を前記レベルとする回帰直線とその
適合性を表す指数を算出し、該算出した指数が前記サー
チレベルの減少に伴って前記適合性を最もよくする極値
を与える前記サーチレベルの値を検出してノイズレベル
とすることを特徴とするノイズレベル検出方法を開示す
る。
【００１０】また、本発明は、画像データの画素値であ
るレベルと、該レベルに関連づけられて画素ごとに定め
られた関連量とを成分とする２次元データをサンプルデ
ータとするか、あるいは前記２次元データのレベル成分
が等しい関連量の平均値または中間値と当該レベルとを
成分とする２次元データをサンプルデータとして生成す
るためのサンプルデータ生成手段と、前記サンプルデー
タの、与えられたレベル範囲にそのレベル成分が入って
いる前記サンプルデータに対して、その説明変数を前記
関連量とし目的変数を前記レベルとする回帰直線とその
適合性を表す指数を算出するための指数算出手段と、前
記レベルの最大値と順次減少するように可変設定したサ
ーチレベルとを前記指数算出手段に与え、該指数算出手
段により算出された前記指数が前記サーチレベルの減少
に伴って前記適合性を最もよくする極値を与える前記サ
ーチレベルの値をノイズレベルとして検出するためのノ
イズレベル検出手段と、を備えたことを特徴とするノイ
ズレベル検出装置を開示する。
るレベルと、該レベルに関連づけられて画素ごとに定め
られた関連量とを成分とする２次元データをサンプルデ
ータとするか、あるいは前記２次元データのレベル成分
が等しい関連量の平均値または中間値と当該レベルとを
成分とする２次元データをサンプルデータとして生成す
るためのサンプルデータ生成手段と、前記サンプルデー
タの、与えられたレベル範囲にそのレベル成分が入って
いる前記サンプルデータに対して、その説明変数を前記
関連量とし目的変数を前記レベルとする回帰直線とその
適合性を表す指数を算出するための指数算出手段と、前
記レベルの最大値と順次減少するように可変設定したサ
ーチレベルとを前記指数算出手段に与え、該指数算出手
段により算出された前記指数が前記サーチレベルの減少
に伴って前記適合性を最もよくする極値を与える前記サ
ーチレベルの値をノイズレベルとして検出するためのノ
イズレベル検出手段と、を備えたことを特徴とするノイ
ズレベル検出装置を開示する。
【００１１】また、本発明は、前記ノイズレベル検出装
置と、該ノイズレベル検出装置で検出されたノイズレベ
ルより小さいレベルを有する画素レベルをすべて最小の
ローレベルとするための画像データカット手段と、前記
ノイズレベルより大きい画素レベルを前記ノイズレベル
よりも小さく設定したレベルと最大のハイレベルとの間
のレベルに線形拡大するためのレベル拡大手段と、を備
えたことを特徴とする画像処理装置を開示する。
置と、該ノイズレベル検出装置で検出されたノイズレベ
ルより小さいレベルを有する画素レベルをすべて最小の
ローレベルとするための画像データカット手段と、前記
ノイズレベルより大きい画素レベルを前記ノイズレベル
よりも小さく設定したレベルと最大のハイレベルとの間
のレベルに線形拡大するためのレベル拡大手段と、を備
えたことを特徴とする画像処理装置を開示する。
【００１２】
【発明の実施の形態】以下、本発明の実施の形態を説明
する。図１は、本発明になるノイズレベル自動設定方法
を用いて画像処理・表示を行うシステムの例を示すブロ
ック図である。同図において、撮像装置１０１は、例え
ばエミッションＣＴ装置であり、これにより得られた撮
像データは図示しないインタフェースを介していったん
画像メモリ１０２へ格納される。サンプルデータ生成手
段１０３は、画像メモリ１０２に格納された画像データ
から、後述のＡＩＣ算出手段１０５によるＡＩＣ（情報
量規準）算出に用いるサンプルデータを生成し、これを
サンプルデータメモリ１０４へ格納する。第１及び第２
カットレベル検出手段１０６及び１０７は、ＡＩＣ算出
手段１０５により算出されたＡＩＣが極小または最小と
なるレベルを求めることによって、カットレベルを検出
する。画像データカット手段１０８は、上記検出された
カットレベルに従って、画像メモリ１０２の撮像データ
に対するカット処理を実行し、このカット処理されたデ
ータはレベル拡大手段１０９でレベル拡大されて表示手
段１１０に表示される。また、カット処理された画像デ
ータまたはその後レベル拡大された画像データは、処理
データメモリ１１１へ必要に応じて格納される。
する。図１は、本発明になるノイズレベル自動設定方法
を用いて画像処理・表示を行うシステムの例を示すブロ
ック図である。同図において、撮像装置１０１は、例え
ばエミッションＣＴ装置であり、これにより得られた撮
像データは図示しないインタフェースを介していったん
画像メモリ１０２へ格納される。サンプルデータ生成手
段１０３は、画像メモリ１０２に格納された画像データ
から、後述のＡＩＣ算出手段１０５によるＡＩＣ（情報
量規準）算出に用いるサンプルデータを生成し、これを
サンプルデータメモリ１０４へ格納する。第１及び第２
カットレベル検出手段１０６及び１０７は、ＡＩＣ算出
手段１０５により算出されたＡＩＣが極小または最小と
なるレベルを求めることによって、カットレベルを検出
する。画像データカット手段１０８は、上記検出された
カットレベルに従って、画像メモリ１０２の撮像データ
に対するカット処理を実行し、このカット処理されたデ
ータはレベル拡大手段１０９でレベル拡大されて表示手
段１１０に表示される。また、カット処理された画像デ
ータまたはその後レベル拡大された画像データは、処理
データメモリ１１１へ必要に応じて格納される。
【００１３】以下、各部分の詳細を説明する。まず、サ
ンプルデータ生成手段１０３の処理は次のようである。
今、撮像データは、エミッションＣＴ画像あるいはＭＲ
Ｉ画像のように、対象物体の断面（これをｘ，ｙ面とす
る）を、その断面と直交する方向（これをｚ軸とする）
に少しづつ移動させながら撮像したデータであるとす
る。ここで書く座標値は離散値で与えられ、通常
ンプルデータ生成手段１０３の処理は次のようである。
今、撮像データは、エミッションＣＴ画像あるいはＭＲ
Ｉ画像のように、対象物体の断面（これをｘ，ｙ面とす
る）を、その断面と直交する方向（これをｚ軸とする）
に少しづつ移動させながら撮像したデータであるとす
る。ここで書く座標値は離散値で与えられ、通常
【数１】０≦ｘ≦Ｓｘ−１，０≦ｙ≦Ｓｙ−１，０≦ｚ
≦Ｓｚ−１ のように整数値で表される。この各点（ｘ，ｙ，ｚ）が
１つの画素に対応し、上記の撮像データはこの各画素に
おけるレベル（濃度）ｆ（ｘ，ｙ，ｚ）で与えられると
する。ただし本発明はこのような３次元画像データのみ
を対象とするものではなく、通常のカメラ撮像による画
像データのような２次元の画像データでもよい。その場
合はｚ方向は１つの値のみをとるものとすればよい。
≦Ｓｚ−１ のように整数値で表される。この各点（ｘ，ｙ，ｚ）が
１つの画素に対応し、上記の撮像データはこの各画素に
おけるレベル（濃度）ｆ（ｘ，ｙ，ｚ）で与えられると
する。ただし本発明はこのような３次元画像データのみ
を対象とするものではなく、通常のカメラ撮像による画
像データのような２次元の画像データでもよい。その場
合はｚ方向は１つの値のみをとるものとすればよい。
【００１４】さて、上記のような撮像データに対して、
【数２】ｕ＝ｆ（ｘ，ｙ，ｚ）， ｖ1＝（ｆ（ｘ＋Δ，ｙ＋Δ，ｚ）−ｕ）／ｕ＊１０
０， ｖ2＝（ｆ（ｘ＋Δ，ｙ−Δ，ｚ）−ｕ）／ｕ＊１０
０， ｖ3＝（ｆ（ｘ−Δ，ｙ＋Δ，ｚ）−ｕ）／ｕ＊１０
０， ｖ4＝（ｆ（ｘ−Δ，ｙ−Δ，ｚ）−ｕ）／ｕ＊１００ とおく。ここで例えばΔ＝２とすると、ｖ１〜ｖ４は、
画面位置（ｘ，ｙ，ｚ）におけるレベル傾斜のレベルｕ
に対する比を表す量である。そこでサンプルデータ生成
手段１０３では、画面上のすべての位置（ｘ，ｙ，ｚ）
について値の組（ｕ，ｖk），ｋ＝１〜４を求め、これ
をサンプルデータとする。（数２）のｘ±Δ、ｙ±Δ等
は対象図形の周辺部では意味を持たないから、周辺部の
ｘ，ｙ方向のΔ画素を除いた画素位置（ｘ，ｙ，ｚ）の
集合をＧと書き、
０， ｖ2＝（ｆ（ｘ＋Δ，ｙ−Δ，ｚ）−ｕ）／ｕ＊１０
０， ｖ3＝（ｆ（ｘ−Δ，ｙ＋Δ，ｚ）−ｕ）／ｕ＊１０
０， ｖ4＝（ｆ（ｘ−Δ，ｙ−Δ，ｚ）−ｕ）／ｕ＊１００ とおく。ここで例えばΔ＝２とすると、ｖ１〜ｖ４は、
画面位置（ｘ，ｙ，ｚ）におけるレベル傾斜のレベルｕ
に対する比を表す量である。そこでサンプルデータ生成
手段１０３では、画面上のすべての位置（ｘ，ｙ，ｚ）
について値の組（ｕ，ｖk），ｋ＝１〜４を求め、これ
をサンプルデータとする。（数２）のｘ±Δ、ｙ±Δ等
は対象図形の周辺部では意味を持たないから、周辺部の
ｘ，ｙ方向のΔ画素を除いた画素位置（ｘ，ｙ，ｚ）の
集合をＧと書き、
【数３】Ｇ＝｛（ｘ，ｙ，ｚ）｜Δ≦ｘ≦Ｓｘー１ー
Δ，Δ≦ｙ≦Ｓｙー１ーΔ，０≦ｚ≦Ｓｚ−１）｝ に対して（数２）の計算を行うものとすると、サンプル
データの個数Ｎは
Δ，Δ≦ｙ≦Ｓｙー１ーΔ，０≦ｚ≦Ｓｚ−１）｝ に対して（数２）の計算を行うものとすると、サンプル
データの個数Ｎは
【数４】 Ｎ＝４・｜Ｇ｜＝４（Ｓｘー２Δ）（Ｓｙ−２Δ）Ｓｚ となり、このＮ個の値の組がサンプルデータメモリ１０
４へ格納されることになる。
４へ格納されることになる。
【００１５】ｕ−ｖ平面上に上記のサンプルデータをプ
ロットしていくと，図３に示すような分布が得られる。
ただし、各サンプルデータは同図の斜線部内に分布し、
同一点に複数のサンプルデータが重なっている場合も少
なくない。この分布は、人間頭部の断面のエミッション
ＣＴ画像から生成したサンプルデータの例で、Ｓｘ＝Ｓ
ｙ＝６４、Ｓｚ＝１０、従ってサンプルデータの個数は
約１６万個である。この図で、目的とする形状のエッジ
の部分では比較的大きな濃度勾配（ｖ方向の大きな値）
が現れるが、それがレベル（ｕ軸方向）のほぼ中央部に
見られるピーク部分を形成している。また、レベルの低
いところにはノイズ成分が多く、濃度勾配は広く分布す
るが、これが図３の低レベル部分に現れている。
ロットしていくと，図３に示すような分布が得られる。
ただし、各サンプルデータは同図の斜線部内に分布し、
同一点に複数のサンプルデータが重なっている場合も少
なくない。この分布は、人間頭部の断面のエミッション
ＣＴ画像から生成したサンプルデータの例で、Ｓｘ＝Ｓ
ｙ＝６４、Ｓｚ＝１０、従ってサンプルデータの個数は
約１６万個である。この図で、目的とする形状のエッジ
の部分では比較的大きな濃度勾配（ｖ方向の大きな値）
が現れるが、それがレベル（ｕ軸方向）のほぼ中央部に
見られるピーク部分を形成している。また、レベルの低
いところにはノイズ成分が多く、濃度勾配は広く分布す
るが、これが図３の低レベル部分に現れている。
【００１６】なお、サンプルデータとしては、その個数
を減らして以後の処理を高速化することも可能である。
（数２）によりサンプルデータを生成すると、（数４）
で示したように、サンプルデータの個数Ｎはほぼ画素数
の４倍になり、これは少なくない値である。そこで、Ａ
ＩＣを算出するのに必要な時間を短縮したいときには、
各レベル値ｕごとに、図３の縦方向の値ｖ（すなわちレ
ベル値がｕのサンプルデータのｖ値）の平均値あるいは
中間値を代表値ｖRとして算出し、サンプルデータを
（ｕ，ｖR）とする。このように各レベルごとのサンプ
ルデータを１点とし、その個数をレベルの値の個数程度
としても、近似的に望ましいカットレベルを算出するこ
とができる。
を減らして以後の処理を高速化することも可能である。
（数２）によりサンプルデータを生成すると、（数４）
で示したように、サンプルデータの個数Ｎはほぼ画素数
の４倍になり、これは少なくない値である。そこで、Ａ
ＩＣを算出するのに必要な時間を短縮したいときには、
各レベル値ｕごとに、図３の縦方向の値ｖ（すなわちレ
ベル値がｕのサンプルデータのｖ値）の平均値あるいは
中間値を代表値ｖRとして算出し、サンプルデータを
（ｕ，ｖR）とする。このように各レベルごとのサンプ
ルデータを１点とし、その個数をレベルの値の個数程度
としても、近似的に望ましいカットレベルを算出するこ
とができる。
【００１７】次に、ＡＩＣ算出手段１０５について説明
する。今、Ｋ個のサンプルデータ（Ｘh，Ｙh），ｈ＝１
〜Ｋが与えられたとき、これを表す回帰モデルを
する。今、Ｋ個のサンプルデータ（Ｘh，Ｙh），ｈ＝１
〜Ｋが与えられたとき、これを表す回帰モデルを
【数５】Ｙ＝ａ＋ｂＸ＋ε とする。ここで
【数６】Ｗh＝ａ＋ｂＸh Ｑｋ＝ Σh（Ｙh−Ｗh）2 とおくと、（数５）のａ，ｂはＱkを最小とするように
定められる。ただしΣhは、ｈ＝１〜Ｋについての和を表
すものとする。ここで、
定められる。ただしΣhは、ｈ＝１〜Ｋについての和を表
すものとする。ここで、
【数７】Ａ＝ΣhＸh，Ｂ＝ΣhＹh，Ｃ＝ΣhＸh 2， Ｄ＝ΣhＸhＹh，Ｅ＝ΣhＫＣ−Ａ2 とおくと、Ｑkを最小にするａ，ｂは
【数８】ａ＝（ＢＣ−ＡＤ）／Ｅ， ｂ＝（ＫＤ−ＡＢ）／Ｅ で与えられる。さらにこれらの係数ａ，ｂに対して（数
６）から求めたＱkは残差平方和と呼ばれる。また、ε
は誤差項である。
６）から求めたＱkは残差平方和と呼ばれる。また、ε
は誤差項である。
【００１８】（数５）のモデルの妥当性をはかるＡＩＣ
（情報量規準）は、上記の残差平方和Ｑkを用いて次式
で定義される；
（情報量規準）は、上記の残差平方和Ｑkを用いて次式
で定義される；
【数９】 ＡＩＣ＝Ｋlog（Ｑk／Ｋ）＋２・（パラメータの個数） ＝Ｋlog（Ｑk／Ｋ）＋４ ただしパラメータというのは、回帰モデルの係数のこと
であり、その個数は今の場合ａ，ｂの２個である。また
（数９）の右辺第１項は、誤差項εが正規分布に従うも
のとしたときのサンプルデータに対する最大対数尤度
であり、その個数は今の場合ａ，ｂの２個である。また
（数９）の右辺第１項は、誤差項εが正規分布に従うも
のとしたときのサンプルデータに対する最大対数尤度
【数１０】ＭＬＬ＝−（Ｋ／２）log（Ｑk／Ｋ） に−２を乗じた量である。そしてこのＡＩＣが小さいほ
ど、回帰モデルはよいモデルであると判定される。（情
報量規準については、例えば鈴木“先を読む統計学−
「情報量規準」とは何か”，ブルーバックスＢ−８５
５，1994,4,第４刷参照）
ど、回帰モデルはよいモデルであると判定される。（情
報量規準については、例えば鈴木“先を読む統計学−
「情報量規準」とは何か”，ブルーバックスＢ−８５
５，1994,4,第４刷参照）
【００１９】上記のＡＩＣの意味は次のようである。す
なわち、一般に（数５）のように１つの独立変数（説明
変数という）Ｘで従属変数（目的変数という）Ｙを与え
るモデルよりも、パラメータを勝手に追加し、より多く
の説明変数Ｘ1，Ｘ2，・・・により目的変数Ｙを表すモ
デルを用いると、このモデルに対する残差平方和は必ず
小さくなる傾向がある。このことから、残差平方和の大
小だけではモデルの良否を判定できないことになり、
（数９）で示されたようなパラメータの個数も考慮した
ＡＩＣがモデルの妥当性をより正確に判定できる基準と
されている。
なわち、一般に（数５）のように１つの独立変数（説明
変数という）Ｘで従属変数（目的変数という）Ｙを与え
るモデルよりも、パラメータを勝手に追加し、より多く
の説明変数Ｘ1，Ｘ2，・・・により目的変数Ｙを表すモ
デルを用いると、このモデルに対する残差平方和は必ず
小さくなる傾向がある。このことから、残差平方和の大
小だけではモデルの良否を判定できないことになり、
（数９）で示されたようなパラメータの個数も考慮した
ＡＩＣがモデルの妥当性をより正確に判定できる基準と
されている。
【００２０】さて、ＡＩＣ算出手段１０５は、第１また
は第２カットレベル検出手段１０６または１０７によ
り、レベル範囲（ＸL，ＸU）を与えられると、サンプル
データ
は第２カットレベル検出手段１０６または１０７によ
り、レベル範囲（ＸL，ＸU）を与えられると、サンプル
データ
【数１１】（ｕ，ｖk），ｋ＝１〜４，（ｘ，ｙ）∈Ｇ の内で、
【数１２】ＸL≦ｕ≦ＸU を満たすサンプルデータのすべてを対象として（従って
（数１２）を満たすｕを有したサンプルデータの個数が
（数９）のサンプル数Ｋになる）、前述したＡＩＣを算
出し、この算出結果を第１または第２カットレベル検出
手段１０６または１０７へ返す。
（数１２）を満たすｕを有したサンプルデータの個数が
（数９）のサンプル数Ｋになる）、前述したＡＩＣを算
出し、この算出結果を第１または第２カットレベル検出
手段１０６または１０７へ返す。
【００２１】次に、第１カットレベル検出手段１０６
は、図２に示すフローに従って第１カットレベルＣＬ１
を算出する。このためにまず、画像メモリ１０２内の撮
像データを調べ、第１カットレベルＣＬ１をサーチする
レベル範囲ｕL〜ｕUを決定する（ステップ２０１）。こ
こでは、全画素中の最大レベルｕmaxをｕL、最小レベル
ｕminをｕuとする。
は、図２に示すフローに従って第１カットレベルＣＬ１
を算出する。このためにまず、画像メモリ１０２内の撮
像データを調べ、第１カットレベルＣＬ１をサーチする
レベル範囲ｕL〜ｕUを決定する（ステップ２０１）。こ
こでは、全画素中の最大レベルｕmaxをｕL、最小レベル
ｕminをｕuとする。
【００２２】次に、適当に定めたサーチステップδuに
対して
対して
【数１３】ＸL＝ｕU−δu，ＸU＝ｕmax としてこれをＡＩＣ算出手段１０５へ送り、このとき算
出されたＡＩＣを受け取る（ステップ２０２）。以後は
ＸUは一定であるが、ＸLはステップ２０３〜２０７のル
ープを回るごとに変化し、以後、このＸLをサーチレベ
ルと呼ぶことにする。
出されたＡＩＣを受け取る（ステップ２０２）。以後は
ＸUは一定であるが、ＸLはステップ２０３〜２０７のル
ープを回るごとに変化し、以後、このＸLをサーチレベ
ルと呼ぶことにする。
【００２３】ついでこのＸLをＸL−δuで置き換え（ス
テップ２０３）、この置き換えた結果のサーチレベルＸ
Lが
テップ２０３）、この置き換えた結果のサーチレベルＸ
Lが
【数１４】ＸL≧ｕL を満しているかを調べる（ステップ２０４）。もし（数
１４）が満たされていなければ、カットレベルＣＬ１は
求められなかったことを表示手段１１０に表示して（ス
テップ２０９）、処理を終了する。また、（数１４）が
満たされていれば、ステップ２０２で求めたＡＩＣをＡ
ＩＣ0へ代入し（ステップ２０５）、上記置き換えたサ
ーチレベルＸLと（数１３）のＸUをＡＩＣ算出手段１０
５へ送ってＡＩＣを算出し（ステップ２０６）、ついで
１４）が満たされていなければ、カットレベルＣＬ１は
求められなかったことを表示手段１１０に表示して（ス
テップ２０９）、処理を終了する。また、（数１４）が
満たされていれば、ステップ２０２で求めたＡＩＣをＡ
ＩＣ0へ代入し（ステップ２０５）、上記置き換えたサ
ーチレベルＸLと（数１３）のＸUをＡＩＣ算出手段１０
５へ送ってＡＩＣを算出し（ステップ２０６）、ついで
【数１５】ＡＩＣ＞ＡＩＣ0 が満たされているかを調べる（ステップ２０７）。（数
１５）の条件が満たされていないときはステップ２０３
へ戻り、ここでサーチレベルＸLをδuだけ小さくして再
びＡＩＣを求め、（数１５）の比較を行うステップ２０
３〜２０６の処理を繰り返す。この繰り返しの途中で
（数１４）の条件が常に満たされており、かつ（数１
５）の条件が満たされると、そのときのサーチレベルＸ
Lを第１カットレベルＣＬ１として処理を終了する（ス
テップ２０８）。
１５）の条件が満たされていないときはステップ２０３
へ戻り、ここでサーチレベルＸLをδuだけ小さくして再
びＡＩＣを求め、（数１５）の比較を行うステップ２０
３〜２０６の処理を繰り返す。この繰り返しの途中で
（数１４）の条件が常に満たされており、かつ（数１
５）の条件が満たされると、そのときのサーチレベルＸ
Lを第１カットレベルＣＬ１として処理を終了する（ス
テップ２０８）。
【００２４】以上の第１カットレベル検出手段１０６の
動作は、撮像データから定めたサーチ範囲ｕL〜ｕUの間
でサーチレベルＸLを徐々にδuづつ小さくしながら、Ｘ
Lと撮像データの最高レベルＸU＝ｕmaxとの間にそのレ
ベル成分が入る（数１１）のサンプルデータの回帰モデ
ルに対するＡＩＣを求め、このＡＩＣが極小となったと
きのサーチレベルＸLを第１カットレベルとするもので
ある。この処理の考え方は、レベルｕがｕmax付近だけ
のサンプルデータは、多くのノイズを含んでいるが、サ
ンプルデータＸLを小さくしていくに従って対象図形の
相関の大きいサンプルデータが多くなり、回帰モデルの
適合性が少しづつよくなり、これに伴って求められるＡ
ＩＣが漸減していくこと、さらにこの傾向はサーチレベ
ルＸLが対象図形を表すレベル範囲よりもさらに低下し
てくると、ノイズ分が徐々に増加して、相関が小さいサ
ンプルデータが増加し始め、ＡＩＣも増加傾向に転じ
る、というものである。こうして、図２のフローにより
求められたＡＩＣを極小とするサーチレベルは、ほぼ対
象図形を表しているレベル範囲の下限に近い値、すなわ
ちローカットレベルと考えられる。
動作は、撮像データから定めたサーチ範囲ｕL〜ｕUの間
でサーチレベルＸLを徐々にδuづつ小さくしながら、Ｘ
Lと撮像データの最高レベルＸU＝ｕmaxとの間にそのレ
ベル成分が入る（数１１）のサンプルデータの回帰モデ
ルに対するＡＩＣを求め、このＡＩＣが極小となったと
きのサーチレベルＸLを第１カットレベルとするもので
ある。この処理の考え方は、レベルｕがｕmax付近だけ
のサンプルデータは、多くのノイズを含んでいるが、サ
ンプルデータＸLを小さくしていくに従って対象図形の
相関の大きいサンプルデータが多くなり、回帰モデルの
適合性が少しづつよくなり、これに伴って求められるＡ
ＩＣが漸減していくこと、さらにこの傾向はサーチレベ
ルＸLが対象図形を表すレベル範囲よりもさらに低下し
てくると、ノイズ分が徐々に増加して、相関が小さいサ
ンプルデータが増加し始め、ＡＩＣも増加傾向に転じ
る、というものである。こうして、図２のフローにより
求められたＡＩＣを極小とするサーチレベルは、ほぼ対
象図形を表しているレベル範囲の下限に近い値、すなわ
ちローカットレベルと考えられる。
【００２５】図３には、上記のようにして算出されたロ
ーカットレベルＣＬ１が示されている。また、同図の直
線Ｌ１は、上記のようにして求められた第１カットレベ
ルＣＬ１からｕmaxの間の回帰直線を示しており、また
直線Ｌ２は、第１カットレベルＣＬ１以下のレベルｕを
成分とするサンプルデータに対して求められた回帰直線
である。ただしこれは前述のように、サンプルデータを
図３のｕの各値におけるｖ値の平均値を用いて、少ない
個数のサンプルデータによって計算した例である。ま
た、同図のレベルｕ0以下は後述のように、あらかじめ
サンプルデータから除去された部分である。
ーカットレベルＣＬ１が示されている。また、同図の直
線Ｌ１は、上記のようにして求められた第１カットレベ
ルＣＬ１からｕmaxの間の回帰直線を示しており、また
直線Ｌ２は、第１カットレベルＣＬ１以下のレベルｕを
成分とするサンプルデータに対して求められた回帰直線
である。ただしこれは前述のように、サンプルデータを
図３のｕの各値におけるｖ値の平均値を用いて、少ない
個数のサンプルデータによって計算した例である。ま
た、同図のレベルｕ0以下は後述のように、あらかじめ
サンプルデータから除去された部分である。
【００２６】以上のようにしてローカットレベルが求ま
ると、これだけで図１の画像データカット手段１０８以
下の処理を行えるが、撮像データの最高レベルｕmax付
近にもノイズが含まれている場合には、第２カットレベ
ル検出手段１０７により第２カットレベルＣＬ２、すな
わちハイカットレベルを求めておく。この第２カットレ
ベル検出手段の動作フローは図４に示されている。これ
は、図２の動作と原理的には同じであるが、ステップ４
０１でサーチ範囲をＣＬ１〜ｕU（＝ｕmax）とし、サー
チレベルを上端のＸUとしてレベルＣＬ１からδuづつ大
きい方へ変化させている点が異なっている。この場合
も、対象図形のデータよりもノイズが増えてくると、次
第に減少していたＡＩＣが増大に転じることから、ハイ
カットレベルとしての第２カットレベルが求められると
いうものである。
ると、これだけで図１の画像データカット手段１０８以
下の処理を行えるが、撮像データの最高レベルｕmax付
近にもノイズが含まれている場合には、第２カットレベ
ル検出手段１０７により第２カットレベルＣＬ２、すな
わちハイカットレベルを求めておく。この第２カットレ
ベル検出手段の動作フローは図４に示されている。これ
は、図２の動作と原理的には同じであるが、ステップ４
０１でサーチ範囲をＣＬ１〜ｕU（＝ｕmax）とし、サー
チレベルを上端のＸUとしてレベルＣＬ１からδuづつ大
きい方へ変化させている点が異なっている。この場合
も、対象図形のデータよりもノイズが増えてくると、次
第に減少していたＡＩＣが増大に転じることから、ハイ
カットレベルとしての第２カットレベルが求められると
いうものである。
【００２７】第１及び第２カットレベルが決まると（第
２カットレベルを求めなかったときはＣＬ２＝ｕUとす
る。今の場合はｕU＝ｕmax）、図１の画像データカット
手段１０８は撮像データの各画素レベルを調べ、それが
ｕ＜ＣＬ１となる画素のレベルをすべてｕminとし、ま
たｕ＞ＣＬ２となる画素のレベルをすべてｕmaxとす
る。
２カットレベルを求めなかったときはＣＬ２＝ｕUとす
る。今の場合はｕU＝ｕmax）、図１の画像データカット
手段１０８は撮像データの各画素レベルを調べ、それが
ｕ＜ＣＬ１となる画素のレベルをすべてｕminとし、ま
たｕ＞ＣＬ２となる画素のレベルをすべてｕmaxとす
る。
【００２８】さらにレベル拡大手段１０９は、画像デー
タカット手段１０８の処理対象とならなかった撮像デー
タの画素レベル、すなわちＣＬ１〜ＣＬ２の間にあった
画素レベルを、ｕhL〜ｕhUへ線形拡大する。ただし、ｕ
min≦ｕhL≦ＣＬ１，ＣＬ２≦ｕhU≦ｕmaxである。例え
ば各画素が８ビットの２５６レベル（ｕ＝ｆ（ｘ，ｙ）
＝０〜２５５）で表され、ｕmin＝０，ｕmax＝２５５，
ＣＬ１＝１００，ＣＬ２＝２００であったとすると、こ
のＣＬ１，ＣＬ２の間の画素のレベルをｕhL＝５０，ｕ
hU＝２５０の間に線形写像により拡大する。このように
することによって、対象図形部分のみが良好なコントラ
ストでかつ多くのノイズ成分が除去されて表示される。
しかも、このために必要な処理の自動化が容易で、きわ
めて効率のよい正確な図形処理を行える効果がある。
タカット手段１０８の処理対象とならなかった撮像デー
タの画素レベル、すなわちＣＬ１〜ＣＬ２の間にあった
画素レベルを、ｕhL〜ｕhUへ線形拡大する。ただし、ｕ
min≦ｕhL≦ＣＬ１，ＣＬ２≦ｕhU≦ｕmaxである。例え
ば各画素が８ビットの２５６レベル（ｕ＝ｆ（ｘ，ｙ）
＝０〜２５５）で表され、ｕmin＝０，ｕmax＝２５５，
ＣＬ１＝１００，ＣＬ２＝２００であったとすると、こ
のＣＬ１，ＣＬ２の間の画素のレベルをｕhL＝５０，ｕ
hU＝２５０の間に線形写像により拡大する。このように
することによって、対象図形部分のみが良好なコントラ
ストでかつ多くのノイズ成分が除去されて表示される。
しかも、このために必要な処理の自動化が容易で、きわ
めて効率のよい正確な図形処理を行える効果がある。
【００２９】なお、以上の説明では、第１カットレベル
検出手段におけるサーチ範囲を簡単のためｕL＝ｕmin、
ｕU＝ｕmaxとした。しかし例えば、対象画像はほぼ同一
で少しの変化しかなく、また撮像系やその撮像条件も固
定していて、画素レベルの低い部分、例えば０〜ｕmax
／１０までのレベルはノイズとしてあらかじめサンプル
データから除去してもよいときは、ｕL＝ｕmax／１０と
して図２の処理を行うようにする。こうすると、（数
１）から明らかなように、分母ｕが０を含む小さい値の
時にｖ1〜ｖ4が計算できなかったり極端に大きくなっ
て、以後の計算処理精度に影響するのを防止できる。さ
らに除去した分だけサンプルデータの生成処理も必要な
くなるから、処理効率が向上する。また、ノイズとして
あらかじめ撮像データから除去する境界のレベルを、図
５で説明したヒストグラムから求めるようにしてもよ
い。例えば図５のｈ1で示したような、小レベル部分の
最初のピークの右端に現れる極小点を上記の除去レベル
とするようにしてもよい。更にこのような事前のデータ
除去は、ハイレベルのノイズの場合も同様である。図３
のｕ0以下のレベルのデータは、この意味であらかじめ
除去したものである。
検出手段におけるサーチ範囲を簡単のためｕL＝ｕmin、
ｕU＝ｕmaxとした。しかし例えば、対象画像はほぼ同一
で少しの変化しかなく、また撮像系やその撮像条件も固
定していて、画素レベルの低い部分、例えば０〜ｕmax
／１０までのレベルはノイズとしてあらかじめサンプル
データから除去してもよいときは、ｕL＝ｕmax／１０と
して図２の処理を行うようにする。こうすると、（数
１）から明らかなように、分母ｕが０を含む小さい値の
時にｖ1〜ｖ4が計算できなかったり極端に大きくなっ
て、以後の計算処理精度に影響するのを防止できる。さ
らに除去した分だけサンプルデータの生成処理も必要な
くなるから、処理効率が向上する。また、ノイズとして
あらかじめ撮像データから除去する境界のレベルを、図
５で説明したヒストグラムから求めるようにしてもよ
い。例えば図５のｈ1で示したような、小レベル部分の
最初のピークの右端に現れる極小点を上記の除去レベル
とするようにしてもよい。更にこのような事前のデータ
除去は、ハイレベルのノイズの場合も同様である。図３
のｕ0以下のレベルのデータは、この意味であらかじめ
除去したものである。
【００３０】また、サンプルデータの生成に際しては、
（数２）においてΔ＝２としたが、この値は２に限った
ものではなく、対象に応じて適当に選べばよい。例えば
対象図形の周辺部におけるレベル勾配が緩やかで、Δ＝
４程度にした方がサンプルデータが特徴をよく表してい
ると考えられる場合は、そのような値を選べばよい。ま
た、レベルの傾斜を（ｘ，ｙ）面の斜め４方向について
求めてサンプルデータを生成しているが、これを同じく
（ｘ，ｙ）面の縦、横方向としたり、あるいは縦横斜め
の内の一部の方向のレベル勾配に特徴がある図形の時
は、その方向のみを取り出してサンプルデータを生成す
るようにすることもできる。更にｚ軸方向の傾斜に特徴
があるときは、この方向の勾配も取り入れてサンプルデ
ータを生成すればよい。また、これらのサンプルデータ
の生成において、Δの値を各方向で変え、より対象図形
の特徴が捉えられるようにすることも有効である。
（数２）においてΔ＝２としたが、この値は２に限った
ものではなく、対象に応じて適当に選べばよい。例えば
対象図形の周辺部におけるレベル勾配が緩やかで、Δ＝
４程度にした方がサンプルデータが特徴をよく表してい
ると考えられる場合は、そのような値を選べばよい。ま
た、レベルの傾斜を（ｘ，ｙ）面の斜め４方向について
求めてサンプルデータを生成しているが、これを同じく
（ｘ，ｙ）面の縦、横方向としたり、あるいは縦横斜め
の内の一部の方向のレベル勾配に特徴がある図形の時
は、その方向のみを取り出してサンプルデータを生成す
るようにすることもできる。更にｚ軸方向の傾斜に特徴
があるときは、この方向の勾配も取り入れてサンプルデ
ータを生成すればよい。また、これらのサンプルデータ
の生成において、Δの値を各方向で変え、より対象図形
の特徴が捉えられるようにすることも有効である。
【００３１】また、第１及び第２カットレベル検出手段
の動作において、サーチレベルを徐々に移動して最初に
現れたＡＩＣの極小点を図２のステップ２０７あるいは
図４のステップ４０７で検出するものとしたが、対象と
する撮像データによっては、望ましいカットレベルに到
達する前にＡＩＣの小さな（谷の浅い）極小値が現れる
場合がある。このような場合には、図２あるいは図４の
フローでは適切なカットレベルが検出できないので、処
理方法の変更が必要になる。
の動作において、サーチレベルを徐々に移動して最初に
現れたＡＩＣの極小点を図２のステップ２０７あるいは
図４のステップ４０７で検出するものとしたが、対象と
する撮像データによっては、望ましいカットレベルに到
達する前にＡＩＣの小さな（谷の浅い）極小値が現れる
場合がある。このような場合には、図２あるいは図４の
フローでは適切なカットレベルが検出できないので、処
理方法の変更が必要になる。
【００３２】その１つは、図２のステップ２０７あるい
は図４のステップ４０７において、あらかじめ定めた定
数α＞０に対して
は図４のステップ４０７において、あらかじめ定めた定
数α＞０に対して
【数１６】ＡＩＣ＞ＡＩＣ0＋α を判定条件とする方法である。すなわち、サーチレベル
の変化δuに対してＡＩＣがα以上の大きさで増加に転
じたときにその点をカットレベルとする方法であって、
ＡＩＣの小さな変化を無視することでより正確な判断を
可能とするものである。
の変化δuに対してＡＩＣがα以上の大きさで増加に転
じたときにその点をカットレベルとする方法であって、
ＡＩＣの小さな変化を無視することでより正確な判断を
可能とするものである。
【００３３】もう１つのカットレベルの決定方法は、図
２及び図４と同様な処理によるが、極小点に達したとき
のサーチレベルをカットレベルとする代わりに、ｕL〜
ｕUの間の全体にわたってサーチレベルをδuづつ変化さ
せてそのたびにＡＩＣの算出・記憶を行い、それから記
憶しているＡＩＣの最小値を与えるサーチレベルをカッ
トレベルとする方法である。この方法によると、やはり
正確なカットレベルを検出できる。
２及び図４と同様な処理によるが、極小点に達したとき
のサーチレベルをカットレベルとする代わりに、ｕL〜
ｕUの間の全体にわたってサーチレベルをδuづつ変化さ
せてそのたびにＡＩＣの算出・記憶を行い、それから記
憶しているＡＩＣの最小値を与えるサーチレベルをカッ
トレベルとする方法である。この方法によると、やはり
正確なカットレベルを検出できる。
【００３４】さらに、カットレベル検出の基準量として
ＡＩＣを用いるものとしたが、本発明の場合、回帰モデ
ルのパラメータ数は、サーチレベルを動かしても常に２
の一定値である。従って、（数９）（数１０）から明ら
かなように、ＡＩＣの極小を求めることは（数１０）の
最大対数尤度ＭＬＬの極大を求めることと等価である。
ＡＩＣを用いるものとしたが、本発明の場合、回帰モデ
ルのパラメータ数は、サーチレベルを動かしても常に２
の一定値である。従って、（数９）（数１０）から明ら
かなように、ＡＩＣの極小を求めることは（数１０）の
最大対数尤度ＭＬＬの極大を求めることと等価である。
【００３５】
【発明の効果】本発明によれば、比較的簡単な処理によ
り、撮像データのノイズレベルを正確に求めることがで
き、その自動化も容易であるという効果がある。そして
このノイズレベルの決定方法を用いて、医用画像などの
ノイズ除去、コントラスト改善の処理を行えば、自動処
理によって効率よく観察しやすい画像が得られる効果が
ある。
り、撮像データのノイズレベルを正確に求めることがで
き、その自動化も容易であるという効果がある。そして
このノイズレベルの決定方法を用いて、医用画像などの
ノイズ除去、コントラスト改善の処理を行えば、自動処
理によって効率よく観察しやすい画像が得られる効果が
ある。
【図１】本発明になるノイズレベル検出方法を用いた画
像処理装置の例を示すブロック図である。
像処理装置の例を示すブロック図である。
【図２】図１の第１カットレベル検出手段の動作を示す
フローチャートである。
フローチャートである。
【図３】サンプルデータの分布と回帰直線の例を示す図
である。
である。
【図４】図１の第２カットレベル検出手段の動作を示す
フローチャートである。
フローチャートである。
【図５】従来のノイズレベル検出方法の説明図である。
１０３ サンプルデータ生成手段 １０５ ＡＩＣ算出手段 １０６ 第１カットレベル検出手段 １０７ 第２カットレベル検出手段 １０８ 画像データカット手段 １０９ レベル拡大手段 １１０ 表示手段 １１１ 処理データメモリ
───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.6，ＤＢ名) G06T 5/00 - 5/50 G06T 1/00 H04N 1/40 - 1/409
Claims (13)
- 【請求項１】 画像データの画素値であるレベルと、該
レベルに関連づけられて画素ごとに定められた関連量と
を成分とする２次元のサンプルデータを生成し、 前記レベルの最大値と順次減少するように可変設定され
るサーチレベルとの間のレベルを有する前記サンプルデ
ータに対して、その説明変数を前記関連量とし目的変数
を前記レベルとする回帰直線とその適合性を表す指数を
算出し、 該算出した指数が前記サーチレベルの減少に伴って前記
適合性を最もよくする極値を与える前記サーチレベルの
値を検出してノイズレベルとすることを特徴とするノイ
ズレベル検出方法。 - 【請求項２】 画像データの画素値であるレベルと、該
レベルに関連づけられて画素ごとに定められた関連量と
を成分とする２次元データを生成し、更に該２次元デー
タのレベル成分が等しいものの関連量の平均値または中
間値とそのレベル値とを成分とする２次元サンプルデー
タを生成し、 前記レベルの最大値と順次減少するように可変設定され
るサーチレベルとの間のレベルを有する前記サンプルデ
ータに対して、その説明変数を前記関連量とし目的変数
を前記レベルとする回帰直線とその適合性を表す指数を
算出し、 該算出した指数が前記サーチレベルの減少に伴って前記
適合性を最もよくする極値を与える前記サーチレベルの
値を検出してノイズレベルとすることを特徴とるノイズ
レベル検出方法。 - 【請求項３】 請求項１または２に記載のノイズレベル
検出方法において、前記関連量を、各画素におけるレベ
ルの勾配を表す量としたことを特徴とするノイズレベル
検出方法。 - 【請求項４】 請求項３に記載のノイズレベル検出方法
において、各画素における前記レベルの勾配を表す量
は、当該画素から１つまたは複数の方向のレベルの勾配
を表す量であることを特徴とするノイズレベル検出方
法。 - 【請求項５】 請求項３に記載のノイズレベル検出方法
において、各画素における前記レベルの勾配を表す量
は、１つの平面内の縦、横方向がともに２画素づつ離れ
た４つの画素のレベルと当該画素レベルとの差を当該画
素レベルで割った値に比例する量としたことを特徴とす
るノイズレベル検出方法。 - 【請求項６】 請求項１または２に記載のノイズレベル
検出方法において、前記指数を、情報量規準または最大
対数尤度としたことを特徴とするノイズレベル検出方
法。 - 【請求項７】 請求項１または２に記載のノイズレベル
検出方法において、あらかじめ定めたレベルより小さい
レベル成分を有するサンプルデータは生成しないように
したことを特徴とするノイズレベル検出方法。 - 【請求項８】 請求項１〜７の１つに記載のノイズレベ
ル検出方法において、 前記検出したノイズレベルと順次増大するように可変設
定されるサーチレベルとの間のレベルを有する前記サン
プルデータに対して、その説明変数を前記関連量とし目
的変数を前記レベルとする回帰直線とその適合性を表す
指数を算出し、 該算出した指数が前記サーチレベルの増大に伴って前記
適合性を最もよくする極値を与える前記サーチレベルの
値を検出してハイノイズレベルとすることを特徴とする
ノイズレベル検出方法。 - 【請求項９】 画像データの画素値であるレベルと、該
レベルに関連づけられて画素ごとに定められた関連量と
を成分とする２次元データをサンプルデータとするか、
あるいは前記２次元データのレベル成分が等しい関連量
の平均値または中間値と当該レベルとを成分とする２次
元データをサンプルデータとして生成するためのサンプ
ルデータ生成手段と、 前記サンプルデータの、与えられたレベル範囲にそのレ
ベル成分が入っている前記サンプルデータに対して、そ
の説明変数を前記関連量とし目的変数を前記レベルとす
る回帰直線とその適合性を表す指数を算出するための指
数算出手段と、 前記レベルの最大値と順次減少するように可変設定した
サーチレベルとを前記指数算出手段に与え、該指数算出
手段により算出された前記指数が前記サーチレベルの減
少に伴って前記適合性を最もよくする極値を与える前記
サーチレベルの値をノイズレベルとして検出するための
ノイズレベル検出手段と、 を備えたことを特徴とするノイズレベル検出装置。 - 【請求項１０】 請求項９に記載のノイズレベル検出装
置において、前記ノイズレベル検出手段により検出され
たノイズレベルと、順次増大するように可変設定したサ
ーチレベルとを前記指数算出手段に与え、該指数算出手
段により算出された前記指数が前記サーチレベルの減少
に伴って前記適合性を最もよくする極値を与える前記サ
ーチレベルの値をハイノイズレベルとして検出するため
のハイノイズレベル検出手段を付加したことを特徴とす
るノイズレベル検出装置。 - 【請求項１１】 請求項９に記載のノイズレベル検出装
置と、 該ノイズレベル検出装置で検出したノイズレベルより小
さいレベルを有する画素レベルをすべて最小のローレベ
ルとするための画像データカット手段と、 前記ノイズレベルより大きい画素レベルを前記ノイズレ
ベルよりも小さく設定したレベルと最大のハイレベルと
の間のレベルに線形拡大するためのレベル拡大手段と、 を備えたことを特徴とする画像処理装置。 - 【請求項１２】 請求項１０に記載のノイズレベル検出
装置と、 該ノイズレベル検出装置で検出されたノイズレベルより
小さいレベルを有する画素値をすべて最小のローレベル
とし、さらに前記ノイズレベル検出装置により検出され
たハイノイズレベルより大きいレベルを有する画素レベ
ルをすべて最大のハイレベルとするための画像データカ
ット手段と、 前記ノイズレベルとハイノイズレベルとの間の値を有す
る画素レベルを、前記ノイズレベルよりも小さく設定し
た第１のレベルと前記ハイノイズレベルよりも大きく設
定した第２のレベルとの間のレベルに線形拡大するため
のレベル拡大手段と、 を備えたことを特徴とする画像処理装置。 - 【請求項１３】請求項１１または１２に記載の画像処理
装値において、前記レベル拡大手段により線形拡大され
た画像データを格納するための記憶手段を付加したこと
を特徴とする画像処理装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7280021A JP2851263B2 (ja) | 1995-10-27 | 1995-10-27 | ノイズレベル検出方法とその装置、画像処理装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7280021A JP2851263B2 (ja) | 1995-10-27 | 1995-10-27 | ノイズレベル検出方法とその装置、画像処理装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH09128530A JPH09128530A (ja) | 1997-05-16 |
| JP2851263B2 true JP2851263B2 (ja) | 1999-01-27 |
Family
ID=17619201
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7280021A Expired - Lifetime JP2851263B2 (ja) | 1995-10-27 | 1995-10-27 | ノイズレベル検出方法とその装置、画像処理装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2851263B2 (ja) |
-
1995
- 1995-10-27 JP JP7280021A patent/JP2851263B2/ja not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| JPH09128530A (ja) | 1997-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2845995B2 (ja) | 領域抽出手法 | |
| US6396939B1 (en) | Method and system for segmentation of medical images | |
| US8270696B2 (en) | Image slice segmentation using midpoints of contour anchor points | |
| US8331619B2 (en) | Image processing apparatus and image processing method | |
| US7155042B1 (en) | Method and system of measuring characteristics of an organ | |
| JP2808773B2 (ja) | 階調変換自動化装置 | |
| US5617459A (en) | Method of processing images in order automatically to detect key points situated on the contour of an object and device for implementing this method | |
| US6820137B2 (en) | Computer-readable recording medium storing resolution converting program, resolution converting device and resolution converting method | |
| EP0653726A1 (en) | A technique for finding the histogram region of interest for improved tone scale reproduction of digital radiographic images | |
| Pekar et al. | Fast detection of meaningful isosurfaces for volume data visualization | |
| US20030174890A1 (en) | Image processing device and ultrasonic diagnostic device | |
| EP0778543A2 (en) | A gradient based method for providing values for unknown pixels in a digital image | |
| US20090252429A1 (en) | System and method for displaying results of an image processing system that has multiple results to allow selection for subsequent image processing | |
| JPH09191408A (ja) | 画像アクティビティ測定を用いた階調スケールの自動調整法 | |
| US6885762B2 (en) | Scale-based image filtering of magnetic resonance data | |
| JP2008511366A (ja) | 距離座標を使った特徴重み付け医療オブジェクト輪郭検出 | |
| JP2004105737A (ja) | 心臓磁気共振潅流データのための統合的画像記録方法 | |
| JP3534009B2 (ja) | 輪郭抽出方法及び装置 | |
| CN109360144A (zh) | 一种基于手机平台的图像实时校正改进方法 | |
| US8280125B2 (en) | Method and system for segmentation of tubular structures using pearl strings | |
| JP2000163555A (ja) | 領域抽出方法 | |
| EP1573672B1 (en) | Method of segmenting a three-dimensional data set allowing user corrections | |
| JP4052128B2 (ja) | 画像トリミング装置、画像のトリミング方法、及びプログラム | |
| JP2000126150A (ja) | 関心領域設定方法、画像処理装置および医用画像処理装置 | |
| JP6731753B2 (ja) | 画像処理装置、画像処理方法、画像処理システムおよびプログラム |