JP3351461B2 - 降水量最尤推定装置 - Google Patents
降水量最尤推定装置Info
- Publication number
- JP3351461B2 JP3351461B2 JP18223197A JP18223197A JP3351461B2 JP 3351461 B2 JP3351461 B2 JP 3351461B2 JP 18223197 A JP18223197 A JP 18223197A JP 18223197 A JP18223197 A JP 18223197A JP 3351461 B2 JP3351461 B2 JP 3351461B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- maximum likelihood
- kalman filter
- equation
- gray value
- 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 - Fee Related
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Description
【０００１】
【発明の属する技術分野】本発明は、時系列画像中の物
体の移動速度を推定し、同時に、表面変化を伴う物体の
移動を予測することを必要する気象レーダーエコー画像
からの降水量の変化の予測、流体工学における流体の挙
動の解析等、非剛体の動きを検出してその挙動を予測す
る分野に属する。
体の移動速度を推定し、同時に、表面変化を伴う物体の
移動を予測することを必要する気象レーダーエコー画像
からの降水量の変化の予測、流体工学における流体の挙
動の解析等、非剛体の動きを検出してその挙動を予測す
る分野に属する。
【０００２】
【従来の技術】従来、画像中の剛体系の物体の移動ベク
トルを推定する場合には、物体上の照明変化がほとんど
ないモデルを採用していることが多い．その検出方法に
は、オプテイカルフローや相互相関法に基づいた方法が
中心的である（例えば、Dona H. Ballard 著 コンピュ
ータビジョン 日本コンピュータビジョン協会参照）。
一方、非剛体の物体に対しては適切に定義された移動ベ
クトルはないと言える。これは、物体の輪郭線、濃淡値
等の属性が同時に変化するために、連続する画像間であ
っても、それらの画像間の明確な対応づけを行なうこと
ができないことに起因する。通常、輪郭線、濃淡値等が
複雑に変化する物体の移動の推定には、連続する画像間
の統計的な類似性を追従していく相互相関法が適用され
ることが多い．例えば、非剛体的に変化する降水パター
ンの推定に気象レーダーエコー画像を用いる場合には、
相互相関法が適用されている。
トルを推定する場合には、物体上の照明変化がほとんど
ないモデルを採用していることが多い．その検出方法に
は、オプテイカルフローや相互相関法に基づいた方法が
中心的である（例えば、Dona H. Ballard 著 コンピュ
ータビジョン 日本コンピュータビジョン協会参照）。
一方、非剛体の物体に対しては適切に定義された移動ベ
クトルはないと言える。これは、物体の輪郭線、濃淡値
等の属性が同時に変化するために、連続する画像間であ
っても、それらの画像間の明確な対応づけを行なうこと
ができないことに起因する。通常、輪郭線、濃淡値等が
複雑に変化する物体の移動の推定には、連続する画像間
の統計的な類似性を追従していく相互相関法が適用され
ることが多い．例えば、非剛体的に変化する降水パター
ンの推定に気象レーダーエコー画像を用いる場合には、
相互相関法が適用されている。
【０００３】相互相関法の解析結果に基づいて連続する
画像から物体の移動ベクトルを推定する場合には、いず
れの場合においても、ある画像と次の画像との間で、物
体の濃淡値分布がほとんど変化しないという仮定をおい
ている。剛体系の場合には、照明の変化がほとんどな
く、非剛体系の場合には、特に、気象レーダー画像の場
合には対流現象に伴う生成・消滅がないモデルを想定し
ている．その他、物体の濃淡値にはノイズがないと仮定
されている．
画像から物体の移動ベクトルを推定する場合には、いず
れの場合においても、ある画像と次の画像との間で、物
体の濃淡値分布がほとんど変化しないという仮定をおい
ている。剛体系の場合には、照明の変化がほとんどな
く、非剛体系の場合には、特に、気象レーダー画像の場
合には対流現象に伴う生成・消滅がないモデルを想定し
ている．その他、物体の濃淡値にはノイズがないと仮定
されている．
【０００４】
【発明が解決しようとする課題】本発明の課題は、剛体
系、非剛体系の物体の画像の、濃淡値変化の予測精度を
向上させることである。
系、非剛体系の物体の画像の、濃淡値変化の予測精度を
向上させることである。
【０００５】
【課題を解決するための手段】本発明の降水量最尤推定
装置は、画像を入力する画像入力手段と、入力された画
像を時系列画像として蓄積する画像蓄積手段と、前記画
像蓄積手段に蓄積されている２つ以上の２次元画像間で
画像処理を行って、画像特徴量を抽出して画像中の物体
の移動速度を推定する移動速度検出手段と、前記画像の
濃淡値を最尤推定すべき流体予測量に対応させ、移動速
度を１つのパラメータとして当該流体予測量の状態変化
を記述する流体予測方程式が組み込まれているカルマン
フィルターによって画像濃淡値を最尤推定する流体予測
量最尤推定手段と、最尤推定された画像濃淡値に基づい
て所望の降水量を予測するための予測画像を計算する予
測手段とを有する。
装置は、画像を入力する画像入力手段と、入力された画
像を時系列画像として蓄積する画像蓄積手段と、前記画
像蓄積手段に蓄積されている２つ以上の２次元画像間で
画像処理を行って、画像特徴量を抽出して画像中の物体
の移動速度を推定する移動速度検出手段と、前記画像の
濃淡値を最尤推定すべき流体予測量に対応させ、移動速
度を１つのパラメータとして当該流体予測量の状態変化
を記述する流体予測方程式が組み込まれているカルマン
フィルターによって画像濃淡値を最尤推定する流体予測
量最尤推定手段と、最尤推定された画像濃淡値に基づい
て所望の降水量を予測するための予測画像を計算する予
測手段とを有する。
【０００６】２次元画像間で行われる画像処理は、画像
間の画素毎の濃淡値の相互相関を計算する処理を含むこ
とが望ましい。２つ以上の２次元画像間で行われる画像
処理は平均処理を含むことが望ましい。カルマンフィル
ターは拡張カルマンフィルター、または適応的カルマン
フイルターを含む。また、流体予測方程式には移流、拡
散、湧きだし、吸い込み、および消散の項を含むことが
できる。
間の画素毎の濃淡値の相互相関を計算する処理を含むこ
とが望ましい。２つ以上の２次元画像間で行われる画像
処理は平均処理を含むことが望ましい。カルマンフィル
ターは拡張カルマンフィルター、または適応的カルマン
フイルターを含む。また、流体予測方程式には移流、拡
散、湧きだし、吸い込み、および消散の項を含むことが
できる。
【０００７】
【作用】レーダー用カメラによって観測される流体系の
物体の濃淡値分布には、さまざまなノイズが加わってい
るので真の濃淡値分布が乱されている。しかも、このノ
イズは時間とともに推移していく。このノイズ対策とし
て、本発明の降水量最尤推定装置においては、先ず、画
像の平均処理を実行し、この平均処理によって画像特徴
量を抽出して画像中の物体の移動速度を推定した上で、
画像蓄積手段から時系列的に読み出された画像データを
カルマンフィルターに入力し、カルマンフイルターによ
って時間的に真の濃淡値を最尤推定する。このようにし
て、予測精度を向上させることができる。
物体の濃淡値分布には、さまざまなノイズが加わってい
るので真の濃淡値分布が乱されている。しかも、このノ
イズは時間とともに推移していく。このノイズ対策とし
て、本発明の降水量最尤推定装置においては、先ず、画
像の平均処理を実行し、この平均処理によって画像特徴
量を抽出して画像中の物体の移動速度を推定した上で、
画像蓄積手段から時系列的に読み出された画像データを
カルマンフィルターに入力し、カルマンフイルターによ
って時間的に真の濃淡値を最尤推定する。このようにし
て、予測精度を向上させることができる。
【０００８】このようにして、物体の移動速度や画像面
積の初期値を定めた後、カルマンフィルターによる最尤
推定が実行される。
積の初期値を定めた後、カルマンフィルターによる最尤
推定が実行される。
【０００９】上記の平均処理とは、例えば、時系列的な
６つの画像Ａ、Ｂ、Ｃ、Ｄ、Ｅ、Ｆがある場合に、画像
Ｂの面積または濃淡値を考えるとき、（Ａ＋Ｂ＋Ｃ）／
３をその値とし、画像Ｅの面積または濃淡値を考えると
き、（Ｄ＋Ｅ＋Ｆ）／３をその値とする処理である。ま
た、［（Ａ＋Ｂ＋Ｃ）／３＋（Ｄ＋Ｅ＋Ｆ）／３］÷２
を、例えば、画像Ｃの面積または濃淡値とする。さら
に、画像Ｂと画像Ｅとの面積または濃淡値の差分を考え
るときには、［（Ａ＋Ｂ＋Ｃ）／３ー（Ｄ＋Ｅ＋Ｆ）／
３］÷２をその値にとる。
６つの画像Ａ、Ｂ、Ｃ、Ｄ、Ｅ、Ｆがある場合に、画像
Ｂの面積または濃淡値を考えるとき、（Ａ＋Ｂ＋Ｃ）／
３をその値とし、画像Ｅの面積または濃淡値を考えると
き、（Ｄ＋Ｅ＋Ｆ）／３をその値とする処理である。ま
た、［（Ａ＋Ｂ＋Ｃ）／３＋（Ｄ＋Ｅ＋Ｆ）／３］÷２
を、例えば、画像Ｃの面積または濃淡値とする。さら
に、画像Ｂと画像Ｅとの面積または濃淡値の差分を考え
るときには、［（Ａ＋Ｂ＋Ｃ）／３ー（Ｄ＋Ｅ＋Ｆ）／
３］÷２をその値にとる。
【００１０】
【発明の実施の形態】図１は、本発明の一実施形態の降
水量最尤推定装置の構成図である。本実施形態の降水量
最尤推定装置は、画像入力部１００、画像蓄積部１１
０、移動速度検出部１２０、流体予測量最尤推定部１３
０、予測部１４０、出力部１５０を備えている。画像入
力部１００は画像を入力する。画像蓄積部１１０は画像
を時系列画像として蓄積する。移動速度検出部１２０は
画像蓄積部１１０から画像の濃淡値を読み出し、画像の
平均処理を実行し、画像間の濃淡値の相互相関を計算し
て物体の移動速度を推定する。流体予測量最尤推定部１
３０（以下、最尤推定部１３０と記す）は、流体予測方
程式が組み込まれたカルマンフイルターを備え、ノイズ
に汚された画像濃淡値データから物体の流体予測量の真
の画像濃淡値を逐次最尤推定する。予測部１５０は真の
画像濃淡値に基づいて真の予測画像を算出する。出力部
１６０は予測部１４０によって演算された予測画像の算
出結果を出力する。
水量最尤推定装置の構成図である。本実施形態の降水量
最尤推定装置は、画像入力部１００、画像蓄積部１１
０、移動速度検出部１２０、流体予測量最尤推定部１３
０、予測部１４０、出力部１５０を備えている。画像入
力部１００は画像を入力する。画像蓄積部１１０は画像
を時系列画像として蓄積する。移動速度検出部１２０は
画像蓄積部１１０から画像の濃淡値を読み出し、画像の
平均処理を実行し、画像間の濃淡値の相互相関を計算し
て物体の移動速度を推定する。流体予測量最尤推定部１
３０（以下、最尤推定部１３０と記す）は、流体予測方
程式が組み込まれたカルマンフイルターを備え、ノイズ
に汚された画像濃淡値データから物体の流体予測量の真
の画像濃淡値を逐次最尤推定する。予測部１５０は真の
画像濃淡値に基づいて真の予測画像を算出する。出力部
１６０は予測部１４０によって演算された予測画像の算
出結果を出力する。
【００１１】式（１）は、本実施形態に適用される流体
予測方程式を示す。本実施形態においては、画像濃淡値
I(x,y,t)は方程式（１）に従う流体予測量に対応させ
る。流体方程式（１）は、例えば、気象レーダーエコー
画像の予測に適用することができる。この場合には、画
像濃淡値I(x,y,t)は降水量に対応する。
予測方程式を示す。本実施形態においては、画像濃淡値
I(x,y,t)は方程式（１）に従う流体予測量に対応させ
る。流体方程式（１）は、例えば、気象レーダーエコー
画像の予測に適用することができる。この場合には、画
像濃淡値I(x,y,t)は降水量に対応する。
【００１２】
【数１】 本実施形態においては、画像濃淡値の時間的変化（式
１、左辺）が生じる原因として、画像濃淡値分布に勾配
がある場合に拡散による濃度変化（右辺第１項）、画像
濃淡値分布の移動（例えば、降水の移動によって生じる
気象レーダーエコー画像の濃淡値分布の移動）による濃
度変化（右辺第２項）、画像濃度の発生（湧き出し）源
および消滅（吸い込み）源（右辺第３および第４項）、
その他の不特定原因（右辺第５項）を考慮対象にしてい
る。
１、左辺）が生じる原因として、画像濃淡値分布に勾配
がある場合に拡散による濃度変化（右辺第１項）、画像
濃淡値分布の移動（例えば、降水の移動によって生じる
気象レーダーエコー画像の濃淡値分布の移動）による濃
度変化（右辺第２項）、画像濃度の発生（湧き出し）源
および消滅（吸い込み）源（右辺第３および第４項）、
その他の不特定原因（右辺第５項）を考慮対象にしてい
る。
【００１３】式（１）中、λは拡散係数、εは消散定
数、uvは移流ベクトルであり、本実施形態では推定され
た移動ベクトルが挿入される。評価の比較実験では、相
互相関法により推定された移動ベクトルを一次補間によ
って穴埋めをし、その穴埋めされた移動ベクトルが移流
ベクトルuvとして全画素に与えられた。
数、uvは移流ベクトルであり、本実施形態では推定され
た移動ベクトルが挿入される。評価の比較実験では、相
互相関法により推定された移動ベクトルを一次補間によ
って穴埋めをし、その穴埋めされた移動ベクトルが移流
ベクトルuvとして全画素に与えられた。
【００１４】式（１）の左辺は前記したように時間項で
あり、右辺は第１項から、拡散項、移流項、湧きだし
項、吸い込み項、消散項である。式（１）をx=ih, y=j
h, t=δt*n, I≒Ii,j n, h=1.0 とおいて、画像の画素に
ついて離散化し、時間項については前進差分にした上で
時間積分を必要な予測ステップ数だけ続ける．このよう
にして、画像の各画素毎に濃淡値データをカルマンフィ
ルターに入力すると、カルマンフィルターによる時間積
分の結果、I(x,y,t)の更新値が出力される。この更新さ
れた画像濃淡値が予測降水パターンそのものを与える。
湧きだし項、吸い込み項は、連続する画像を２値化し、
その差分画像をとったとき、正値の領域を湧き出し項に
対応させ、負値をとる領域を吸い込み領域に対応させる
ことによって定められる。拡散係数λについては、予
め、面積変化と拡散係数との間の線形関係を記述したテ
ーブルを統計的に作成しておく。消散項は白色雑音を仮
定する。
あり、右辺は第１項から、拡散項、移流項、湧きだし
項、吸い込み項、消散項である。式（１）をx=ih, y=j
h, t=δt*n, I≒Ii,j n, h=1.0 とおいて、画像の画素に
ついて離散化し、時間項については前進差分にした上で
時間積分を必要な予測ステップ数だけ続ける．このよう
にして、画像の各画素毎に濃淡値データをカルマンフィ
ルターに入力すると、カルマンフィルターによる時間積
分の結果、I(x,y,t)の更新値が出力される。この更新さ
れた画像濃淡値が予測降水パターンそのものを与える。
湧きだし項、吸い込み項は、連続する画像を２値化し、
その差分画像をとったとき、正値の領域を湧き出し項に
対応させ、負値をとる領域を吸い込み領域に対応させる
ことによって定められる。拡散係数λについては、予
め、面積変化と拡散係数との間の線形関係を記述したテ
ーブルを統計的に作成しておく。消散項は白色雑音を仮
定する。
【００１５】
【数２】 カルマンフイルタのアルゴリズムは多くのディジタル制
御関係の教科書に記載されているので、ここでは、本実
施形態で使用される公式のみをまとめて式（２）〜
（８）に示す．式（２）、（３）は、それぞれ状態方程
式、観測方程式である．ｗ、ｖはそれぞれシステムノイ
ズと観測ノイズである．Ｆ，Ｈはそれぞれ状態遷移行列
および観測行列である。式（４）、（５）はフイルター
方程式で、＜ｘ＞はカルマンフィルターから出力された
ｘの推定値を表す。式（４）を式（２）と比較すれば分
かるように、カルマンフィルターを通すと、ｘからノイ
ズが除去されるので、システムノイズｗは式（４）から
除去されている。＜ｘ＞t/tは離散時刻ｔにおけるｘの
最尤推定値を表し、＜ｘ＞t/tー1は、離散時刻ｔー１か
ら推定される、離散時刻ｔにおけるｘの推定値、すなわ
ち、予測値を表す。通常、カルマンフィルターのアルゴ
リズムは再帰形式で記述され、式（５）は式（４）の再
帰式である。式（５）のＫはゲインマトリックスと呼ば
れ、式（６）〜（８）の再帰方程式によって再帰ステッ
プ毎に逐次に定められる。Ｋが定まれば、ｘも再帰方程
式（５）によって再帰ステップ毎に定まる。
御関係の教科書に記載されているので、ここでは、本実
施形態で使用される公式のみをまとめて式（２）〜
（８）に示す．式（２）、（３）は、それぞれ状態方程
式、観測方程式である．ｗ、ｖはそれぞれシステムノイ
ズと観測ノイズである．Ｆ，Ｈはそれぞれ状態遷移行列
および観測行列である。式（４）、（５）はフイルター
方程式で、＜ｘ＞はカルマンフィルターから出力された
ｘの推定値を表す。式（４）を式（２）と比較すれば分
かるように、カルマンフィルターを通すと、ｘからノイ
ズが除去されるので、システムノイズｗは式（４）から
除去されている。＜ｘ＞t/tは離散時刻ｔにおけるｘの
最尤推定値を表し、＜ｘ＞t/tー1は、離散時刻ｔー１か
ら推定される、離散時刻ｔにおけるｘの推定値、すなわ
ち、予測値を表す。通常、カルマンフィルターのアルゴ
リズムは再帰形式で記述され、式（５）は式（４）の再
帰式である。式（５）のＫはゲインマトリックスと呼ば
れ、式（６）〜（８）の再帰方程式によって再帰ステッ
プ毎に逐次に定められる。Ｋが定まれば、ｘも再帰方程
式（５）によって再帰ステップ毎に定まる。
【００１６】Ｐは推定誤差共分散行列で式（８）から分
かるように、これも再帰形式で記述されている。したが
って、Ｐの初期値Ｐ0から始めて、再帰ステップ毎にＰ
を定め、Ｐが定まると、式（６）からＫが定まる。Ｑと
Ｒとは、それぞれシステムノイズｗと観測ノイズｖの共
分散行列である。
かるように、これも再帰形式で記述されている。したが
って、Ｐの初期値Ｐ0から始めて、再帰ステップ毎にＰ
を定め、Ｐが定まると、式（６）からＫが定まる。Ｑと
Ｒとは、それぞれシステムノイズｗと観測ノイズｖの共
分散行列である。
【００１７】このようにして、適当な初期値を状態変数
ｘと共分散行列Ｐに与えて、式（４）〜（８）を用い
て、再帰的に状態変数から予測値と最尤推定値を算出す
る。なお、ノイズ項についてはオフラインで大凡推定さ
れる．式（４）〜（８）は、式（２）と（３）を決定し
た後、すべて、式（２）と（３）から導かれる行列で一
意的に決定される。
ｘと共分散行列Ｐに与えて、式（４）〜（８）を用い
て、再帰的に状態変数から予測値と最尤推定値を算出す
る。なお、ノイズ項についてはオフラインで大凡推定さ
れる．式（４）〜（８）は、式（２）と（３）を決定し
た後、すべて、式（２）と（３）から導かれる行列で一
意的に決定される。
【００１８】式（１）をカルマンフィルターに組み込む
ためには、式（１）の変数I(x,y,t)，を状態変数とみな
すことになる．即ち、各画素における濃淡値には、ノイ
ズが加わっていると仮定するモデルになり、真の濃淡値
をカルマンフィルターを通じて最尤推定していく。
ためには、式（１）の変数I(x,y,t)，を状態変数とみな
すことになる．即ち、各画素における濃淡値には、ノイ
ズが加わっていると仮定するモデルになり、真の濃淡値
をカルマンフィルターを通じて最尤推定していく。
【００１９】式（１）は次のようにして式（２）に組み
込まれる。式（１）の左辺は１階時間微分であり、一
方、式（２）のｘt+1(=I(x,y,t+h))とｘt(=I(x,y,t))と
の関係は、それらの差が(∂I/∂t)hにほぼ等しいという
関係である。したがって、式（２）の状態遷移行列Ｆt
は、式（１）の右辺（εを除く）に対応し、容易に算出
することができる。ｙは実際に観測されたノイズを含ん
だ画像濃淡値そのもので観測行列Ｈtは試行錯誤的に定
められる。
込まれる。式（１）の左辺は１階時間微分であり、一
方、式（２）のｘt+1(=I(x,y,t+h))とｘt(=I(x,y,t))と
の関係は、それらの差が(∂I/∂t)hにほぼ等しいという
関係である。したがって、式（２）の状態遷移行列Ｆt
は、式（１）の右辺（εを除く）に対応し、容易に算出
することができる。ｙは実際に観測されたノイズを含ん
だ画像濃淡値そのもので観測行列Ｈtは試行錯誤的に定
められる。
【００２０】システムノイズには、式（１）中の消散項
εが相当する。ノイズは白色性ガウス分布をとっている
ものとする．式（１）でI(x,y,t)以外の項は定数とみな
される。観測方程式中のノイズは、濃淡値が８bits/pix
elの階調をもつ場合には、分散４００、平均１０程度に
設定される。これは、階調２０で、降水量が１mm/hour
であり、階調２０未満は、ほとんどノイズと推定される
ためである．図２は、カルマンフィルターに流体方程式
を代入して濃淡値に関して最尤推定をおこなったとき
の、濃淡値誤差に対する評価結果である。カルマンフイ
ルターと流体方程式を併用して降水パターン変化を予測
した場合、濃淡値（降水量）の予測誤差が軽減されるこ
とが、流体予測方程式を単独に用いた場合、および、ガ
ウスフイルターで流体予測方程式から予測された画像全
体を一様に平滑化した場合と比較して示されている。こ
の図から、カルマンフイルターは、見かけ上、平滑化の
効果があるけれど、統計的には予測誤差が低減するとい
う意味で、数学的な平滑化とは異なった効果をもつこと
分かる。
εが相当する。ノイズは白色性ガウス分布をとっている
ものとする．式（１）でI(x,y,t)以外の項は定数とみな
される。観測方程式中のノイズは、濃淡値が８bits/pix
elの階調をもつ場合には、分散４００、平均１０程度に
設定される。これは、階調２０で、降水量が１mm/hour
であり、階調２０未満は、ほとんどノイズと推定される
ためである．図２は、カルマンフィルターに流体方程式
を代入して濃淡値に関して最尤推定をおこなったとき
の、濃淡値誤差に対する評価結果である。カルマンフイ
ルターと流体方程式を併用して降水パターン変化を予測
した場合、濃淡値（降水量）の予測誤差が軽減されるこ
とが、流体予測方程式を単独に用いた場合、および、ガ
ウスフイルターで流体予測方程式から予測された画像全
体を一様に平滑化した場合と比較して示されている。こ
の図から、カルマンフイルターは、見かけ上、平滑化の
効果があるけれど、統計的には予測誤差が低減するとい
う意味で、数学的な平滑化とは異なった効果をもつこと
分かる。
【００２１】図３は本発明の降水量最尤推定装置の動作
を説明するフローチャートである。先ず、最尤推定処理
が開始すると（ステップＳ１）、画像が入力され（Ｓ
２）、連続する画像間の対応する画素毎の相互相関を計
算して（ステップＳ３）、降水の移動速度uvを推定し、
さらに、流体予測方程式の積分に必要なパラメータとし
て拡散係数λ、移動速度uv、湧き出し項、吸い込み項を
設定する（Ｓ４）。次に、流体予測方程式が組み込まれ
たカルマンフィルターによる最尤推定再帰演算が実行さ
れる（ステップＳ５）。この演算によって、画像濃淡値
I(x,y,t)は時間軸方向に逐次積分される。カルマンフィ
ルターの出力は画像濃淡値I(x,y,t)の最尤推定値であ
る。この画像濃淡値I(x,y,t)の最尤推定値を用いて降水
量、例えば降水パターンの予測を実行する（ステップＳ
６）。予測した降水パターンデータを出力して（ステッ
プＳ７）、降水量最尤推定を終了する（Ｓ８）。
を説明するフローチャートである。先ず、最尤推定処理
が開始すると（ステップＳ１）、画像が入力され（Ｓ
２）、連続する画像間の対応する画素毎の相互相関を計
算して（ステップＳ３）、降水の移動速度uvを推定し、
さらに、流体予測方程式の積分に必要なパラメータとし
て拡散係数λ、移動速度uv、湧き出し項、吸い込み項を
設定する（Ｓ４）。次に、流体予測方程式が組み込まれ
たカルマンフィルターによる最尤推定再帰演算が実行さ
れる（ステップＳ５）。この演算によって、画像濃淡値
I(x,y,t)は時間軸方向に逐次積分される。カルマンフィ
ルターの出力は画像濃淡値I(x,y,t)の最尤推定値であ
る。この画像濃淡値I(x,y,t)の最尤推定値を用いて降水
量、例えば降水パターンの予測を実行する（ステップＳ
６）。予測した降水パターンデータを出力して（ステッ
プＳ７）、降水量最尤推定を終了する（Ｓ８）。
【００２２】上記のカルマンフィルターには拡張カルマ
ンフィルター、または適応的カルマンフイルターを用い
ることができる。
ンフィルター、または適応的カルマンフイルターを用い
ることができる。
【００２３】
【発明の効果】以上説明したように、本発明によれば、
気象予測方程式をカルマンフイルターに組み込むことに
よって、ノイズを含んだ濃淡値情報から真の濃淡値情報
を時間方向に最尤推定することができ、その結果、ノイ
ズによる予測誤差の蓄積を抑制して予測精度を向上させ
ることができる効果がある。
気象予測方程式をカルマンフイルターに組み込むことに
よって、ノイズを含んだ濃淡値情報から真の濃淡値情報
を時間方向に最尤推定することができ、その結果、ノイ
ズによる予測誤差の蓄積を抑制して予測精度を向上させ
ることができる効果がある。
【図１】本発明の降水量最尤推定装置の構成を示すブロ
ック図である。
ック図である。
【図２】図１の装置によって最尤推定をおこなったとき
の濃淡値誤差に対する評価結果を示す図である。
の濃淡値誤差に対する評価結果を示す図である。
【図３】本発明の降水量最尤推定方法の動作を示すフロ
ーチャートである。
ーチャートである。
１００ 画像入力部 １１０ 画像蓄積部 １２０ 移動速度検出部 １３０ 流体予測量最尤推定部 １４０ 予測部 １５０ 出力部
フロントページの続き (56)参考文献 特開 平８−149459（ＪＰ，Ａ) 特開 昭57−60275（ＪＰ，Ａ) 特公 平７−62863（ＪＰ，Ｂ２) 境野英朋、岸野文郎，“眼球運動下の 視空間の安定知覚のための適応的カルマ ンフィルタモデル”，電子通信情報学会 論文誌Ａ，日本，社団法人電子情報通信 学会 基礎・境界ソサイエティ，1996年 ２月25日，第Ｊ79−Ａ巻、第２号，ｐ. 383−398 篠沢一彦、藤井雅晴、曽根原登，“局 所並列計算による降雪レーダ予測方式の 検討”，電子情報通信学会論文誌，日 本，社団法人電子情報通信学会，1995年 ７月25日，第Ｊ78−Ｄ−２巻、第７号, ｐ．1144−1149 境野英朋、堀越力、鈴木智，“レーダ ーエコー画像における移流・拡散方程式 を用いた降水パターン変化予測方法”, 電子情報通信学会総合大会講演論文集, 日本，社団法人電子情報通信学会，1997 年３月６日，Ｄ−11−197，ｐ．197 (58)調査した分野(Int.Cl.7，ＤＢ名) G01W 1/00 - 1/18 G01P 3/36 G06T 1/00 G06T 7/20 ＪＩＣＳＴファイル（ＪＯＩＳ)
Claims (5)
- 【請求項１】 画像を入力する画像入力手段と、 入力された画像を時系列画像として蓄積する画像蓄積手
段と、 前記画像蓄積手段に蓄積されている２つ以上の２次元画
像間で画像処理を行って、画像特徴量を抽出して画像中
の物体の移動速度を推定する移動速度検出手段と、 前記画像の濃淡値を最尤推定すべき流体予測量に対応さ
せ、移動速度を１つのパラメータとして当該流体予測量
の状態変化を記述する流体予測方程式が組み込まれてい
るカルマンフィルターによって画像濃淡値を最尤推定す
る流体予測量最尤推定手段と、 最尤推定された画像濃淡値に基づいて所望の降水量を予
測するための予測画像を計算する予測手段とを有する降
水量最尤推定装置． - 【請求項２】 ２次元画像間で行われる画像処理は、画
像間の画素毎の濃淡値の相互相関を計算する処理を含ん
でいる、請求項１に記載の装置。 - 【請求項３】 前記２つ以上の２次元画像間で行われる
画像処理は平均処理を含む請求項１に記載の装置。 - 【請求項４】 前記カルマンフィルターが拡張カルマン
フィルター、または適応的カルマンフイルターを含む請
求項１に記載の装置。 - 【請求項５】 前記流体予測方程式が移流、拡散、湧き
だし、吸い込み、および消散の項を含む請求項１に記載
の装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18223197A JP3351461B2 (ja) | 1997-07-08 | 1997-07-08 | 降水量最尤推定装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18223197A JP3351461B2 (ja) | 1997-07-08 | 1997-07-08 | 降水量最尤推定装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH1123727A JPH1123727A (ja) | 1999-01-29 |
| JP3351461B2 true JP3351461B2 (ja) | 2002-11-25 |
Family
ID=16114647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP18223197A Expired - Fee Related JP3351461B2 (ja) | 1997-07-08 | 1997-07-08 | 降水量最尤推定装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3351461B2 (ja) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2861869A1 (fr) * | 2003-11-05 | 2005-05-06 | Michelin Soc Tech | Procede d'extraction d'au moins une grandeur caracterisant un signal periodique, et application. |
| JP4568697B2 (ja) * | 2006-05-30 | 2010-10-27 | 日本電信電話株式会社 | 映像配信システム |
| JP5493191B2 (ja) * | 2010-02-10 | 2014-05-14 | 学校法人東京理科大学 | 画像復元装置および画像復元方法 |
| US8999139B2 (en) * | 2011-05-26 | 2015-04-07 | Hach Company | Oxidation/reduction measurement |
| CN112036630B (zh) * | 2020-08-25 | 2023-08-04 | 长安大学 | 一种公路路面降雨量分布估计方法、存储介质及计算设备 |
-
1997
- 1997-07-08 JP JP18223197A patent/JP3351461B2/ja not_active Expired - Fee Related
Non-Patent Citations (3)
| Title |
|---|
| 境野英朋、堀越力、鈴木智，"レーダーエコー画像における移流・拡散方程式を用いた降水パターン変化予測方法"，電子情報通信学会総合大会講演論文集，日本，社団法人電子情報通信学会，１９９７年３月６日，Ｄ−１１−１９７，ｐ．１９７ |
| 境野英朋、岸野文郎，"眼球運動下の視空間の安定知覚のための適応的カルマンフィルタモデル"，電子通信情報学会論文誌Ａ，日本，社団法人電子情報通信学会 基礎・境界ソサイエティ，１９９６年２月２５日，第Ｊ７９−Ａ巻、第２号，ｐ．３８３−３９８ |
| 篠沢一彦、藤井雅晴、曽根原登，"局所並列計算による降雪レーダ予測方式の検討"，電子情報通信学会論文誌，日本，社団法人電子情報通信学会，１９９５年７月２５日，第Ｊ７８−Ｄ−２巻、第７号，ｐ．１１４４−１１４９ |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH1123727A (ja) | 1999-01-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6452637B1 (en) | Image frame fusion by velocity estimation using region merging | |
| JP2978406B2 (ja) | 局所異常の排除による動きベクトルフィールド生成装置およびその方法 | |
| KR100677574B1 (ko) | 비디오 시퀀스로부터 노이즈 분포를 추정하는 방법 | |
| US6628715B1 (en) | Method and apparatus for estimating optical flow | |
| US20110037894A1 (en) | Enhanced image and video super-resolution processing | |
| JP2006260527A (ja) | 画像マッチング方法およびこれを用いた画像補間方法 | |
| JP2000182065A (ja) | 動画像リアルタイム変換方法、キ―フレ―ム選択方法、及び動画像変換システム | |
| US20110058610A1 (en) | Methods and Systems for Motion Estimation with Nonlinear Motion-Field Smoothing | |
| CN106296729A (zh) | 一种鲁棒的实时红外成像地面运动目标跟踪方法和系统 | |
| JP2000512440A (ja) | 動きベクトルフィールド符号化 | |
| EP0998825B1 (en) | Method and apparatus for multiresolution object-oriented motion estimation | |
| Adarve et al. | A filter formulation for computing real time optical flow | |
| KR100994367B1 (ko) | 영상 추적 장치의 이동표적 움직임 추적 방법 | |
| JP3351461B2 (ja) | 降水量最尤推定装置 | |
| JP2000232384A (ja) | データ処理装置およびデータ処理方法 | |
| KR100635883B1 (ko) | 실시간 물체 추적 장치 | |
| JP3351460B2 (ja) | 移動体の挙動解析予測装置およびそのうねり対応づけ処理方法 | |
| KR100289862B1 (ko) | 2차원병진움직임벡터와회기법을이용한전역움직임존재유무판정방법 | |
| Meier et al. | A robust Markovian segmentation based on highest confidence first (HCF) | |
| CN101242488A (zh) | 一种数字图像极值的平滑方法 | |
| Kim et al. | Hybrid recursive energy-based method for robust optical flow on large motion fields | |
| JP3377078B2 (ja) | 対流場変化予測推定装置 | |
| Tian et al. | Motion segmentation and estimation | |
| US20200279376A1 (en) | Image restoration method | |
| JP2003256849A (ja) | 物体抽出システム、物体抽出方法および物体抽出プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080920 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080920 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090920 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090920 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100920 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100920 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110920 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120920 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130920 Year of fee payment: 11 |
|
| LAPS | Cancellation because of no payment of annual fees |