JP3418157B2 - 画像領域分割装置および画像領域分割方法 - Google Patents
画像領域分割装置および画像領域分割方法Info
- Publication number
- JP3418157B2 JP3418157B2 JP2000162037A JP2000162037A JP3418157B2 JP 3418157 B2 JP3418157 B2 JP 3418157B2 JP 2000162037 A JP2000162037 A JP 2000162037A JP 2000162037 A JP2000162037 A JP 2000162037A JP 3418157 B2 JP3418157 B2 JP 3418157B2
- Authority
- JP
- Japan
- Prior art keywords
- image data
- subspaces
- image
- target
- histogram
- 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
- Facsimile Image Signal Circuits (AREA)
- Color Image Communication Systems (AREA)
- Image Analysis (AREA)
Description
【０００１】
【発明の属する技術分野】本発明は、画像認識や画像通
信などにおいて用いられる画像を領域分割するための画
像領域分割装置および画像領域分割方法に関する。
信などにおいて用いられる画像を領域分割するための画
像領域分割装置および画像領域分割方法に関する。
【０００２】
【従来の技術】画像認識においては、画像中の物体の輪
郭の抽出作業等のために当該画像中に含まれる領域を識
別する必要がある。一方、画像通信などにおいても、回
線により伝送されるべき画像は、カメラなどで撮影され
た画面中のすべての画像情報ではなく、その画像中の重
要な画像部分、たとえば、人物の画像部分に対応する画
像情報であることが多い。したがって、必要な画像部分
のみを自動的に抽出して随時伝送できれば、伝送情報量
を圧縮することが可能になる。この場合にも、画像中の
領域の認識、言いかえると、画像の領域分割の手法が必
要になる。
郭の抽出作業等のために当該画像中に含まれる領域を識
別する必要がある。一方、画像通信などにおいても、回
線により伝送されるべき画像は、カメラなどで撮影され
た画面中のすべての画像情報ではなく、その画像中の重
要な画像部分、たとえば、人物の画像部分に対応する画
像情報であることが多い。したがって、必要な画像部分
のみを自動的に抽出して随時伝送できれば、伝送情報量
を圧縮することが可能になる。この場合にも、画像中の
領域の認識、言いかえると、画像の領域分割の手法が必
要になる。
【０００３】すなわち、しばしば「クラスタリング」と
も呼ばれる画像分割は、画像認識や、対象物抽出や、画
像圧縮や、画像分類等に対して用いられる基本的な方法
である。
も呼ばれる画像分割は、画像認識や、対象物抽出や、画
像圧縮や、画像分類等に対して用いられる基本的な方法
である。
【０００４】今日までに、多くの統計的な画像分割の方
法が提案されている。これらの方法は、密度関数の形が
既知のものとして仮定するか否かに応じて、パラメトリ
ックな方法とノンパラメトリックな方法に二分される。
もしも、密度関数の形が既知であると仮定するならば、
パラメトリックな方法を採用することができる。
法が提案されている。これらの方法は、密度関数の形が
既知のものとして仮定するか否かに応じて、パラメトリ
ックな方法とノンパラメトリックな方法に二分される。
もしも、密度関数の形が既知であると仮定するならば、
パラメトリックな方法を採用することができる。
【０００５】しかしながら、このような仮定の妥当性を
確認することは一般には困難な問題である。一方で、密
度関数の形が未知であるときは、ノンパラメトリックな
方法を適用することができる。ノンパラメトリックな方
法は、パーゼンウィンドウ法や、ｋ−最近接法や、ｋ−
平均法や、ヒストグラムに基づく方法などがある。
確認することは一般には困難な問題である。一方で、密
度関数の形が未知であるときは、ノンパラメトリックな
方法を適用することができる。ノンパラメトリックな方
法は、パーゼンウィンドウ法や、ｋ−最近接法や、ｋ−
平均法や、ヒストグラムに基づく方法などがある。
【０００６】これらの技術内容については、文献１：E.
Parzen:“On Estimation of a Probability Density F
unction and Mode,”Annals Math. Statist., vol.33,
pp.1065-1076, Sept. 1962.、文献２：W.H. Equitz:“F
ast Algorithms for VectorQuantization Picture Codi
ng,”M.S. Thesis, MIT, June 1984.等に開示されてい
る。
Parzen:“On Estimation of a Probability Density F
unction and Mode,”Annals Math. Statist., vol.33,
pp.1065-1076, Sept. 1962.、文献２：W.H. Equitz:“F
ast Algorithms for VectorQuantization Picture Codi
ng,”M.S. Thesis, MIT, June 1984.等に開示されてい
る。
【０００７】パーゼンウィンドウ法は、密度関数を評価
するために用いられる。しかしながら、各観測データご
とにカーネル関数が必要とされるため、計算負荷が非常
に重くなるという問題がある。ｋ−最近接法もｋ−平均
法も、ともにクラスタリング法である。しかしながら、
これらの方法は、サンプルデータや初期推定値、および
クラスタの数などは予め既知のものであると仮定してい
る。
するために用いられる。しかしながら、各観測データご
とにカーネル関数が必要とされるため、計算負荷が非常
に重くなるという問題がある。ｋ−最近接法もｋ−平均
法も、ともにクラスタリング法である。しかしながら、
これらの方法は、サンプルデータや初期推定値、および
クラスタの数などは予め既知のものであると仮定してい
る。
【０００８】
【発明が解決しようとする課題】これらに対して、古典
的なヒストグラム法は、簡単なものではあるが観測デー
タの解析を行なうためのノンパラメトリックな方法とし
ては有用である。そしてその最大の利点の１つは、乱数
初期化を行なう必要がないということである。他の方法
においては、この乱数初期化がしばしば用いられる。
的なヒストグラム法は、簡単なものではあるが観測デー
タの解析を行なうためのノンパラメトリックな方法とし
ては有用である。そしてその最大の利点の１つは、乱数
初期化を行なう必要がないということである。他の方法
においては、この乱数初期化がしばしば用いられる。
【０００９】古典的なヒストグラム法は、ノンパラメト
リックな方法としてこのような利点を有するものの、以
下のような問題点が存在する。
リックな方法としてこのような利点を有するものの、以
下のような問題点が存在する。
【００１０】すなわち、古典的なヒストグラム法におい
て、観測データに基づいたヒストグラムを生成しようと
試みるということは、すなわちヒストグラムの幅を決定
するということである。単一の分布から得られたデータ
に対して、ヒストグラムの幅を決定するということに対
しては、すでにいくつかの方法が展開されてきてはいる
ものの、いくつかの分布が混合したものから得られたデ
ータに対する規則を規定することは困難である。ここ
で、単一データ分布に対する方法については、文献３：
D.W. Scott:“Multivariate Density Estimation Theor
y, Practice, andVisualization,”New York, John Wil
ey & Sons, Inc., 1992.に開示されている。
て、観測データに基づいたヒストグラムを生成しようと
試みるということは、すなわちヒストグラムの幅を決定
するということである。単一の分布から得られたデータ
に対して、ヒストグラムの幅を決定するということに対
しては、すでにいくつかの方法が展開されてきてはいる
ものの、いくつかの分布が混合したものから得られたデ
ータに対する規則を規定することは困難である。ここ
で、単一データ分布に対する方法については、文献３：
D.W. Scott:“Multivariate Density Estimation Theor
y, Practice, andVisualization,”New York, John Wil
ey & Sons, Inc., 1992.に開示されている。
【００１１】さらに、一般的には、ある画像中にどれだ
けの領域が含まれているかということを決定することは
困難であるために、領域の数、すなわちクラスタの数は
既知なものであるとして扱われる。ウォンやデリンら
は、文献４：C.S. Won and H.Derin:“Unsupervised Se
gmentation of Noisy and Textured Images Using Mark
ov Random Fields,”CVGIP: Graphical Models and Ima
ge Processing, vol.54, no.4, pp.308-328, July 199
2.において、領域の数を決定する基準について提案して
いる。そこでは、いわゆる「赤池の情報量基準」が用い
られている。しかしながら、これらは、モデルに基づい
た方法であって、したがって、パラメトリックな方法に
対して適したものである。
けの領域が含まれているかということを決定することは
困難であるために、領域の数、すなわちクラスタの数は
既知なものであるとして扱われる。ウォンやデリンら
は、文献４：C.S. Won and H.Derin:“Unsupervised Se
gmentation of Noisy and Textured Images Using Mark
ov Random Fields,”CVGIP: Graphical Models and Ima
ge Processing, vol.54, no.4, pp.308-328, July 199
2.において、領域の数を決定する基準について提案して
いる。そこでは、いわゆる「赤池の情報量基準」が用い
られている。しかしながら、これらは、モデルに基づい
た方法であって、したがって、パラメトリックな方法に
対して適したものである。
【００１２】したがって、従来は、ノンパラメトリック
な統計的画像分割法に対して、領域の数、すなわちクラ
スタの数を決定するための基準となるものが存在しない
という問題があった。
な統計的画像分割法に対して、領域の数、すなわちクラ
スタの数を決定するための基準となるものが存在しない
という問題があった。
【００１３】本発明の目的は、多次元ヒストグラムに基
づいて、カラー画像に対して、データから適切なヒスト
グラムの幅とクラスタの数を求める装置および方法を提
供することである。
づいて、カラー画像に対して、データから適切なヒスト
グラムの幅とクラスタの数を求める装置および方法を提
供することである。
【００１４】
【課題を解決するための手段】請求項１記載の画像領域
分割装置は、カラー画像データを記憶するための記憶手
段と、記憶手段中に格納されたカラー画像データを画像
カラー空間上に分布するデータとして表現した場合に、
予め定められたヒストグラム幅候補集合中から１つヒス
トグラム幅候補を選択する手段と、選択されたヒストグ
ラム幅候補に対応する幅で、画像カラー空間を複数の部
分空間に分割し、各部分空間に含まれる画像データ数に
応じて、複数の部分空間の順序付けを行うための空間分
割手段と、順序付けられた部分空間のうち、ヒストグラ
ム幅候補に対応して処理対象となる複数の対象部分空間
を選択する処理を、複数の対象部分空間に含まれる画像
データ数に応じて増加し、かつ選択される対象部分空間
数に応じて減少する評価関数を極大化するとの条件の下
に行なう手段と、ヒストグラム幅候補のうちから、ヒス
トグラム幅候補に対応して処理対象となる複数の対象部
分空間に含まれる画像データの数が最大となるヒストグ
ラム幅候補を最適ヒストグラム幅として選択する手段
と、最適ヒストグラム幅で分割された部分空間に基づい
て、カラー画像データに対応する領域数を決定する統合
手段とを備える。
分割装置は、カラー画像データを記憶するための記憶手
段と、記憶手段中に格納されたカラー画像データを画像
カラー空間上に分布するデータとして表現した場合に、
予め定められたヒストグラム幅候補集合中から１つヒス
トグラム幅候補を選択する手段と、選択されたヒストグ
ラム幅候補に対応する幅で、画像カラー空間を複数の部
分空間に分割し、各部分空間に含まれる画像データ数に
応じて、複数の部分空間の順序付けを行うための空間分
割手段と、順序付けられた部分空間のうち、ヒストグラ
ム幅候補に対応して処理対象となる複数の対象部分空間
を選択する処理を、複数の対象部分空間に含まれる画像
データ数に応じて増加し、かつ選択される対象部分空間
数に応じて減少する評価関数を極大化するとの条件の下
に行なう手段と、ヒストグラム幅候補のうちから、ヒス
トグラム幅候補に対応して処理対象となる複数の対象部
分空間に含まれる画像データの数が最大となるヒストグ
ラム幅候補を最適ヒストグラム幅として選択する手段
と、最適ヒストグラム幅で分割された部分空間に基づい
て、カラー画像データに対応する領域数を決定する統合
手段とを備える。
【００１５】請求項２記載の画像領域分割装置は、請求
項１記載の画像領域分割装置の構成に加えて、空間分割
手段は、予め定められたしきい値に基づいて、しきい値
以下の画像データ数を含む部分空間を順序付けの対象か
ら除外する手段を含む。
項１記載の画像領域分割装置の構成に加えて、空間分割
手段は、予め定められたしきい値に基づいて、しきい値
以下の画像データ数を含む部分空間を順序付けの対象か
ら除外する手段を含む。
【００１６】請求項３記載の画像領域分割装置は、請求
項２記載の画像領域分割装置の構成において、評価関数
は、順序付けの対象となった複数の対象部分空間に含ま
れる画像データの数に対する処理対象となる複数の対象
部分空間に含まれる画像データの数の割合と、順序付け
の対象となった複数の対象部分空間の数に対する処理対
象となる複数の対象部分空間の数の割合との差に対応す
る。
項２記載の画像領域分割装置の構成において、評価関数
は、順序付けの対象となった複数の対象部分空間に含ま
れる画像データの数に対する処理対象となる複数の対象
部分空間に含まれる画像データの数の割合と、順序付け
の対象となった複数の対象部分空間の数に対する処理対
象となる複数の対象部分空間の数の割合との差に対応す
る。
【００１７】請求項４記載の画像領域分割方法は、カラ
ー画像データを画像カラー空間上に分布するデータとし
て表現した場合に、予め定められたヒストグラム幅候補
集合中から１つヒストグラム幅候補を選択するステップ
と、選択されたヒストグラム幅候補に対応する幅で、画
像カラー空間を複数の部分空間に分割し、各部分空間に
含まれる画像データ数に応じて、複数の部分空間を順序
付けるステップと、順序付けられた部分空間のうち、ヒ
ストグラム幅候補に対応して処理対象となる複数の対象
部分空間を選択する処理を、複数の対象部分空間に含ま
れる画像データ数に応じて増加し、かつ選択される対象
部分空間数に応じて減少する評価関数を極大化するとの
条件の下に行なうステップと、ヒストグラム幅候補のう
ちから、ヒストグラム幅候補に対応して処理対象となる
複数の対象部分空間に含まれる画像データの数が最大と
なるヒストグラム幅候補を最適ヒストグラム幅として選
択するステップと、最適ヒストグラム幅で分割された部
分空間に基づいて、カラー画像データに対応する領域数
を決定するステップとを備える。
ー画像データを画像カラー空間上に分布するデータとし
て表現した場合に、予め定められたヒストグラム幅候補
集合中から１つヒストグラム幅候補を選択するステップ
と、選択されたヒストグラム幅候補に対応する幅で、画
像カラー空間を複数の部分空間に分割し、各部分空間に
含まれる画像データ数に応じて、複数の部分空間を順序
付けるステップと、順序付けられた部分空間のうち、ヒ
ストグラム幅候補に対応して処理対象となる複数の対象
部分空間を選択する処理を、複数の対象部分空間に含ま
れる画像データ数に応じて増加し、かつ選択される対象
部分空間数に応じて減少する評価関数を極大化するとの
条件の下に行なうステップと、ヒストグラム幅候補のう
ちから、ヒストグラム幅候補に対応して処理対象となる
複数の対象部分空間に含まれる画像データの数が最大と
なるヒストグラム幅候補を最適ヒストグラム幅として選
択するステップと、最適ヒストグラム幅で分割された部
分空間に基づいて、カラー画像データに対応する領域数
を決定するステップとを備える。
【００１８】請求項５記載の画像領域分割方法は、請求
項４記載の画像領域分割方法の構成に加えて、複数の部
分空間を順序付けるステップは、予め定められたしきい
値に基づいて、しきい値以下の画像データ数を含む部分
空間を順序付けの対象から除外するステップを含む。
項４記載の画像領域分割方法の構成に加えて、複数の部
分空間を順序付けるステップは、予め定められたしきい
値に基づいて、しきい値以下の画像データ数を含む部分
空間を順序付けの対象から除外するステップを含む。
【００１９】請求項６記載の画像領域分割方法は、請求
項５記載の画像領域分割方法の構成において、評価関数
は、順序付けの対象となった複数の対象部分空間に含ま
れる画像データの数に対する処理対象となる複数の対象
部分空間に含まれる画像データの数の割合と、順序付け
の対象となった複数の対象部分空間の数に対する処理対
象となる複数の対象部分空間の数の割合との差に対応す
る。
項５記載の画像領域分割方法の構成において、評価関数
は、順序付けの対象となった複数の対象部分空間に含ま
れる画像データの数に対する処理対象となる複数の対象
部分空間に含まれる画像データの数の割合と、順序付け
の対象となった複数の対象部分空間の数に対する処理対
象となる複数の対象部分空間の数の割合との差に対応す
る。
【００２０】
【発明の実施の形態】［システムの構成］図１は、本発
明の実施の形態の領域分割方法を実施するためのシステ
ムの構成を示す概略ブロック図である。
明の実施の形態の領域分割方法を実施するためのシステ
ムの構成を示す概略ブロック図である。
【００２１】図１を参照して、領域分割処理システム
は、対象物体（図示せず）またはユーザ２自身の画像を
画像情報データに変換して取りこむためのカメラ１０
と、カメラ１０により取込まれた画像データに対して画
像の領域分割処理を行なうための画像処理部１００と、
画像処理部１００に対してユーザ２からの指示を与える
ための入力装置２０と、画像処理部１００からの出力を
画像として表示するための表示装置３０とを備える。
は、対象物体（図示せず）またはユーザ２自身の画像を
画像情報データに変換して取りこむためのカメラ１０
と、カメラ１０により取込まれた画像データに対して画
像の領域分割処理を行なうための画像処理部１００と、
画像処理部１００に対してユーザ２からの指示を与える
ための入力装置２０と、画像処理部１００からの出力を
画像として表示するための表示装置３０とを備える。
【００２２】画像処理部１００は、カメラ１０からの画
像データの取込みや入力装置２０からの指示の取込みな
どを行なうためのデータ入出力インターフェース部１０
２と、データ入出力インターフェース部１０２からのデ
ータに対して、画像の領域分割等の処理を行なうための
演算処理部１１０と、画像データ等を格納するためのデ
ータ記憶部１０４と、画像処理部１００と他の装置との
間でデータの授受を行なうためのデータ通信部１１２と
を備える。
像データの取込みや入力装置２０からの指示の取込みな
どを行なうためのデータ入出力インターフェース部１０
２と、データ入出力インターフェース部１０２からのデ
ータに対して、画像の領域分割等の処理を行なうための
演算処理部１１０と、画像データ等を格納するためのデ
ータ記憶部１０４と、画像処理部１００と他の装置との
間でデータの授受を行なうためのデータ通信部１１２と
を備える。
【００２３】カメラ１０から画像処理部１００へのデー
タの伝送は、ケーブル等を介して行なうこととしても良
いし、無線伝送を用いることもできる。さらには、カメ
ラ１０において、画像を記録する記録媒体、たとえばメ
モリカード等に記録した上で、この記録媒体を介して画
像処理部１００が画像データを取りこむ構成としてもよ
い。
タの伝送は、ケーブル等を介して行なうこととしても良
いし、無線伝送を用いることもできる。さらには、カメ
ラ１０において、画像を記録する記録媒体、たとえばメ
モリカード等に記録した上で、この記録媒体を介して画
像処理部１００が画像データを取りこむ構成としてもよ
い。
【００２４】領域分割処理システムは、カメラ１０から
取込んだ画像に対して、画像の輪郭抽出などの画像処理
をおこなって表示装置３０に提示する構成としてもよい
し、また、さらに領域分割結果に応じて、画像中の重要
部分のみを抜き出して、データ通信部１１２を介して他
の装置との間で画像伝送をおこなってもよい。
取込んだ画像に対して、画像の輪郭抽出などの画像処理
をおこなって表示装置３０に提示する構成としてもよい
し、また、さらに領域分割結果に応じて、画像中の重要
部分のみを抜き出して、データ通信部１１２を介して他
の装置との間で画像伝送をおこなってもよい。
【００２５】さらに、一般的には、領域分割処理システ
ムにより画像の領域分割結果を用いて、ロボットの動作
制御を行なうシステムとして用いることも可能である。
ムにより画像の領域分割結果を用いて、ロボットの動作
制御を行なうシステムとして用いることも可能である。
【００２６】［多次元ヒストグラムの方法］以下では、
カメラ１０から取込まれたカラー画像を表現するための
赤（Ｒ）、緑（Ｇ）、青（Ｂ）の三原色にそれぞれ対応
するＲ−Ｇ−Ｂカラー画像データを、ｙ＝（ｙ１，…，
ｙＮｐ）と表わす。ここで、ｙｉ＝（ｙｉR，ｙｉG，ｙ
ｉB）（ｉ＝１，…，Ｎｐ）は、ｉ番目のピクセルにお
いて観測される要素である。
カメラ１０から取込まれたカラー画像を表現するための
赤（Ｒ）、緑（Ｇ）、青（Ｂ）の三原色にそれぞれ対応
するＲ−Ｇ−Ｂカラー画像データを、ｙ＝（ｙ１，…，
ｙＮｐ）と表わす。ここで、ｙｉ＝（ｙｉR，ｙｉG，ｙ
ｉB）（ｉ＝１，…，Ｎｐ）は、ｉ番目のピクセルにお
いて観測される要素である。
【００２７】また、Ｎｐは、ピクセルの総数であり、ｙ
ｉXはｉ番目のピクセルにおいてＸ平面上で観測される
スカラー値である。ここで、Ｘは、Ｒ，ＧまたはＢを表
わしている。また、ｙｉXはＧｍｉｎからＧｍａｘまで
の間の範囲を変化するものとする。なお、カラー画像デ
ータとしては、このような三原色信号による表現だけで
なく、輝度信号と色差信号との組合せで表現することも
可能である。
ｉXはｉ番目のピクセルにおいてＸ平面上で観測される
スカラー値である。ここで、Ｘは、Ｒ，ＧまたはＢを表
わしている。また、ｙｉXはＧｍｉｎからＧｍａｘまで
の間の範囲を変化するものとする。なお、カラー画像デ
ータとしては、このような三原色信号による表現だけで
なく、輝度信号と色差信号との組合せで表現することも
可能である。
【００２８】このようなカラー画像データに対して、多
次元のヒストグラムは以下のようにして形成される。
次元のヒストグラムは以下のようにして形成される。
【００２９】図２は、多次元ヒストグラムの構成を示す
図である。すなわち、まず、観測されたデータをＲ−Ｇ
−Ｂカラー空間に分布させる。次に、このカラー空間の
立方体（［Ｇｍｉｎ，Ｇｍａｘ］3）を幅ｈで均等に分
割することにより、互いに重なり合わないように空間を
仕切る。ここで、このように分割された個々の立方体を
「ｂｉｎ」で表わす。最後に、各立方体ｂｉｎ中におけ
る要素の個数をカウントする。なお、以下では、分割さ
れるカラー空間も、分割されたここの部分空間も立方体
であるものとして説明するが、より一般的には、直方体
でもよい。
図である。すなわち、まず、観測されたデータをＲ−Ｇ
−Ｂカラー空間に分布させる。次に、このカラー空間の
立方体（［Ｇｍｉｎ，Ｇｍａｘ］3）を幅ｈで均等に分
割することにより、互いに重なり合わないように空間を
仕切る。ここで、このように分割された個々の立方体を
「ｂｉｎ」で表わす。最後に、各立方体ｂｉｎ中におけ
る要素の個数をカウントする。なお、以下では、分割さ
れるカラー空間も、分割されたここの部分空間も立方体
であるものとして説明するが、より一般的には、直方体
でもよい。
【００３０】図２では、Ｇｍｉｎ＝０の場合の多次元ヒ
ストグラムの構成を示している。ヒストグラムの幅ｈ
が、重要なパラメータであり、これがデータ分布と関連
している。
ストグラムの構成を示している。ヒストグラムの幅ｈ
が、重要なパラメータであり、これがデータ分布と関連
している。
【００３１】データが単一の密度関数に対応している場
合は、上述のとおり、このヒストグラムの幅ｈを決定す
るためのいくつかの規則が提案されている。しかしなが
ら、これらのデータが複数の密度関数に対応しており、
密度関数の個数Ｎｃが未知であるときは、このようなヒ
ストグラムの幅ｈを決定することは困難であった。カラ
ー画像データの多次元ヒストグラムはこの後者に属する
ものである。
合は、上述のとおり、このヒストグラムの幅ｈを決定す
るためのいくつかの規則が提案されている。しかしなが
ら、これらのデータが複数の密度関数に対応しており、
密度関数の個数Ｎｃが未知であるときは、このようなヒ
ストグラムの幅ｈを決定することは困難であった。カラ
ー画像データの多次元ヒストグラムはこの後者に属する
ものである。
【００３２】［データからクラスタを導出する方法］
（ヒストグラムの幅の決定）ヒストグラムの幅に関して
は、１組の候補値が予め存在しているものとする。すな
わち、この候補の集合はＨ＝[ｈ1，ｈ2，…，ｈC]であ
る。
は、１組の候補値が予め存在しているものとする。すな
わち、この候補の集合はＨ＝[ｈ1，ｈ2，…，ｈC]であ
る。
【００３３】以下に説明するような方法で、本発明にお
いては、ヒストグラムの幅ｈおよびクラスタの個数Ｎｃ
を決定する。
いては、ヒストグラムの幅ｈおよびクラスタの個数Ｎｃ
を決定する。
【００３４】図３は、本発明の領域分割の手続きを説明
するためのフローチャートである。図３を参照して、領
域分割処理が開始されると（ステップＳ１００）、まず
第１に行なう処理としては、この集合Ｈのうちから、ヒ
ストグラムの幅の候補ｈj（ｊ＝１，…，Ｃ）を選び出
す（ステップＳ１０２）。幅ｈjでヒストグラムを生成
し、このヒストグラム中において少なくとも１つの要素
を有する立方体ｂｉｎを選ぶ。続いて、立方体ごとにそ
れに含まれる要素の数の順序に従ってこれら立方体ｂｉ
ｎを並べ替える（ステップＳ１０４）。並び替えられた
立方体ｂｉｎは、含まれる要素の数の順序に従って、ｂ
1 j，ｂ2 j，…，ｂnz jというふうに番号づけられる。こ
こで、ｂnz jは、少なくとも１つの要素を有する立方体
ｂｉｎの個数である。
するためのフローチャートである。図３を参照して、領
域分割処理が開始されると（ステップＳ１００）、まず
第１に行なう処理としては、この集合Ｈのうちから、ヒ
ストグラムの幅の候補ｈj（ｊ＝１，…，Ｃ）を選び出
す（ステップＳ１０２）。幅ｈjでヒストグラムを生成
し、このヒストグラム中において少なくとも１つの要素
を有する立方体ｂｉｎを選ぶ。続いて、立方体ごとにそ
れに含まれる要素の数の順序に従ってこれら立方体ｂｉ
ｎを並べ替える（ステップＳ１０４）。並び替えられた
立方体ｂｉｎは、含まれる要素の数の順序に従って、ｂ
1 j，ｂ2 j，…，ｂnz jというふうに番号づけられる。こ
こで、ｂnz jは、少なくとも１つの要素を有する立方体
ｂｉｎの個数である。
【００３５】図４は、このようにして並べ替えられた立
方体ｂｉｎの分布を示す図である。図４において、ｋ番
目の立方体ｂk jは、ｎk j個の要素を有している。
方体ｂｉｎの分布を示す図である。図４において、ｋ番
目の立方体ｂk jは、ｎk j個の要素を有している。
【００３６】再び図３を参照して、第２に行なう処理と
しては、もしも、ｎk j＜ｎcut jのときは、ｂk jを取除く
処理を行なうことにより立方体ｂｉｎの足きり処理を行
なう（ステップＳ１０６）。ここで、しきい値ｎ
cut jは、以下のようにして計算される。
しては、もしも、ｎk j＜ｎcut jのときは、ｂk jを取除く
処理を行なうことにより立方体ｂｉｎの足きり処理を行
なう（ステップＳ１０６）。ここで、しきい値ｎ
cut jは、以下のようにして計算される。
【００３７】
【数１】
【００３８】ここで、αhjは、制御パラメータであっ
て、実験的に各ｈjに対して決定されているものであ
る。
て、実験的に各ｈjに対して決定されているものであ
る。
【００３９】ｎcutは、重要でない立方体ｂｉｎを識別
するためのしきい値である。最終的に、ｂcut j個の立方
体が残ることになる。
するためのしきい値である。最終的に、ｂcut j個の立方
体が残ることになる。
【００４０】第３に行なう処理としては、最も重要な立
方体ｂｉｎとして上からｂsig j個の立方体をｂcut j個の
立方体から抽出する（ステップＳ１０８）。ここで、抽
出される重要な立方体の個数ｂsig jは、以下のようにし
て決定される。
方体ｂｉｎとして上からｂsig j個の立方体をｂcut j個の
立方体から抽出する（ステップＳ１０８）。ここで、抽
出される重要な立方体の個数ｂsig jは、以下のようにし
て決定される。
【００４１】
【数２】
【００４２】ここで、Ｃｒsig（ｋ）は、選択される立
方体の個数を抑制することを考慮して、最も多くの要素
を含むように選択された重要な立方体を決定するための
基準である。
方体の個数を抑制することを考慮して、最も多くの要素
を含むように選択された重要な立方体を決定するための
基準である。
【００４３】すなわち、基準Ｃｒsig（ｋ）の表式中、
第１項は、ｂcut jまでの立方体に含まれる画素数に対す
る、ｂsig jまでの立方体に含まれる画素数の割合を示
し、この値は、画像データに含まれる情報を有効に利用
するという観点からは、なるべく大きいことが望まし
い。一方で、基準Ｃｒsig（ｋ）の表式中、第２項は、
いくつの立方体を重要な立方体として選択したかに対応
しており、この値は、領域分割数を不必要に多くしない
ためには、小さくなることがのぞましい。つまり、基準
Ｃｒsig（ｋ）は、この両者のトレードオフにより決定
されることになる。
第１項は、ｂcut jまでの立方体に含まれる画素数に対す
る、ｂsig jまでの立方体に含まれる画素数の割合を示
し、この値は、画像データに含まれる情報を有効に利用
するという観点からは、なるべく大きいことが望まし
い。一方で、基準Ｃｒsig（ｋ）の表式中、第２項は、
いくつの立方体を重要な立方体として選択したかに対応
しており、この値は、領域分割数を不必要に多くしない
ためには、小さくなることがのぞましい。つまり、基準
Ｃｒsig（ｋ）は、この両者のトレードオフにより決定
されることになる。
【００４４】第４に行なう処理としては、すべてのヒス
トグラム幅の候補ｈjごとに、対応するｂsig jを計算し
たときには（ステップＳ１１０）、次のステップＳ１１
２に進み、そうでなければ、ステップＳ１０２に復帰し
て、個数ｂsig jがまだ計算されていないヒストグラムの
候補を抽出することを行なう。
トグラム幅の候補ｈjごとに、対応するｂsig jを計算し
たときには（ステップＳ１１０）、次のステップＳ１１
２に進み、そうでなければ、ステップＳ１０２に復帰し
て、個数ｂsig jがまだ計算されていないヒストグラムの
候補を抽出することを行なう。
【００４５】ステップＳ１１２では、最適なヒストグラ
ム幅ｈ*を以下のようにして計算する。
ム幅ｈ*を以下のようにして計算する。
【００４６】
【数３】
【００４７】ここで、個数ｂsig jは、ヒストグラム幅ｈ
jに対応しており、最適なヒストグラム幅ｈ*に対応する
個数ｂsig jは、ｂsig *で表わされる。
jに対応しており、最適なヒストグラム幅ｈ*に対応する
個数ｂsig jは、ｂsig *で表わされる。
【００４８】結果として、最適ヒストグラム幅ｈ*が、
分布の統計を計算するために、最も多くの重要な要素を
抽出するという観点から、最適なヒストグラム幅として
集合Ｈから選択される。
分布の統計を計算するために、最も多くの重要な要素を
抽出するという観点から、最適なヒストグラム幅として
集合Ｈから選択される。
【００４９】［クラスタ数の決定］以上のような手続に
より、重要なｂsig *個の立方体が予め決定されることに
なる。続いて、最終的なクラスタ数Ｎｃを決定するため
に、同一の密度関数に属すると考えられる隣接する立方
体を統合する処理を行なう（ステップＳ１１４）。
より、重要なｂsig *個の立方体が予め決定されることに
なる。続いて、最終的なクラスタ数Ｎｃを決定するため
に、同一の密度関数に属すると考えられる隣接する立方
体を統合する処理を行なう（ステップＳ１１４）。
【００５０】このようなクラスタ数を求めるための基準
は以下のとおりである。まず、ｋ番目の立方体（ｋ＝
１，…，ｂsig *）に対して、それに含まれる要素の平均
値（μk R，μk G，μk B）と標準偏差（σk R，σk G，
σk B）を計算する。
は以下のとおりである。まず、ｋ番目の立方体（ｋ＝
１，…，ｂsig *）に対して、それに含まれる要素の平均
値（μk R，μk G，μk B）と標準偏差（σk R，σk G，
σk B）を計算する。
【００５１】続いて、すべてのｂsig *個の立方体から、
任意の２つの立方体、たとえばｂlとｂmを選び出す。
任意の２つの立方体、たとえばｂlとｂmを選び出す。
【００５２】ここで、以下の条件が満たされるときは、
２つの立方体は同一のクラスタに属しているものとす
る。
２つの立方体は同一のクラスタに属しているものとす
る。
【００５３】
【数４】
【００５４】なお、ここで係数βはパラメータである。
最終的に、ｂsig *個の立方体がＮｃ個のクラスタにまと
められて処理が終了する（ステップＳ１２０）。
最終的に、ｂsig *個の立方体がＮｃ個のクラスタにまと
められて処理が終了する（ステップＳ１２０）。
【００５５】なお、ここで、βを決定するにあたって
は、母集団が正規分布に従うという仮定の下で、その標
準偏差が未知のときに平均値に関する仮説を標本標準偏
差を用いて検定する方法としてスチューデントの平均差
テストと呼ばれる方法を用いる。βの値としては、この
ようなスチューデントのｔ分布を用いた検定により求め
ることが可能である。
は、母集団が正規分布に従うという仮定の下で、その標
準偏差が未知のときに平均値に関する仮説を標本標準偏
差を用いて検定する方法としてスチューデントの平均差
テストと呼ばれる方法を用いる。βの値としては、この
ようなスチューデントのｔ分布を用いた検定により求め
ることが可能である。
【００５６】［シミュレーション結果］以下では、以上
説明したようなクラスタ数の導出方法の有効性を計算機
シミュレーションにより示す。
説明したようなクラスタ数の導出方法の有効性を計算機
シミュレーションにより示す。
【００５７】シミュレーションにおいては、データの組
は、Ｎｇ個の３変数正規分布から生成されている。
は、Ｎｇ個の３変数正規分布から生成されている。
【００５８】（パラメータの決定）まず、平均値が同一
である２つの立方体を統合するということに関し、以下
のコンピュータシミュレーションでは、自由度が１００
で９９．５％の有意水準によるスチューデントのｔ分布
検定によって、βの値は２．６３と決定されている。
である２つの立方体を統合するということに関し、以下
のコンピュータシミュレーションでは、自由度が１００
で９９．５％の有意水準によるスチューデントのｔ分布
検定によって、βの値は２．６３と決定されている。
【００５９】続いて、パラメータαhjを決定するための
予備的な実験を行なった。この実験においては、Ｎｇは
３とし、６個のパターンのデータの組が生成された。各
パターンに対する平均値と分散は互いに異なっており、
各分布は１０００個の要素を有している。
予備的な実験を行なった。この実験においては、Ｎｇは
３とし、６個のパターンのデータの組が生成された。各
パターンに対する平均値と分散は互いに異なっており、
各分布は１０００個の要素を有している。
【００６０】図５は、このようなシミュレーション実験
のためのパターンのうちの１つのデータの組についての
分布を示す図である。
のためのパターンのうちの１つのデータの組についての
分布を示す図である。
【００６１】上述したようなアルゴリズムで最適なヒス
トグラム幅ｈ*とクラスタの数Ｎｃを各パターンについ
て計算した。ここで、ヒストグラム幅の候補の集合Ｈ
は、Ｈ＝[４，８，１６，３２]である。
トグラム幅ｈ*とクラスタの数Ｎｃを各パターンについ
て計算した。ここで、ヒストグラム幅の候補の集合Ｈ
は、Ｈ＝[４，８，１６，３２]である。
【００６２】αhjの値としては、α4＝１．０，α8＝
０．７，α16＝０．３５，α32＝０．０５と決定され
た。
０．７，α16＝０．３５，α32＝０．０５と決定され
た。
【００６３】図６は、各パターンに対して、最終的に得
られた最適ヒストグラム幅ｈ*と、最終的な立方体個数
ｂsigと、立方体統合による最終的なクラスタ数Ｎｃと
を示す図である。
られた最適ヒストグラム幅ｈ*と、最終的な立方体個数
ｂsigと、立方体統合による最終的なクラスタ数Ｎｃと
を示す図である。
【００６４】［種々の条件下におけるクラスタ数の決
定］パラメータを決定した後に、Ｎｇ個の正規分布の混
合したものから得られた１８個のパターンについてクラ
スタ個数を求める実験を行なった。ここで、個数Ｎｇ
は、４から６まで変化させている。図７、図８および図
９は、それぞれクラスタ数が４個、５個、６個の場合に
ついてのシミュレーション結果を示す図である。
定］パラメータを決定した後に、Ｎｇ個の正規分布の混
合したものから得られた１８個のパターンについてクラ
スタ個数を求める実験を行なった。ここで、個数Ｎｇ
は、４から６まで変化させている。図７、図８および図
９は、それぞれクラスタ数が４個、５個、６個の場合に
ついてのシミュレーション結果を示す図である。
【００６５】図７〜図９を参照して、クラスタ数が６個
の場合のパターン１においてクラスタ数の同定に失敗し
ているものの、その他の場合には正しくクラスタ数が同
定されていることがわかる。
の場合のパターン１においてクラスタ数の同定に失敗し
ているものの、その他の場合には正しくクラスタ数が同
定されていることがわかる。
【００６６】同定に失敗したパターンに関していえば、
２つあるいはそれ以上の近接する分布の平均値が非常に
類似しているという理由で、あるいは非常に大きな分散
を有する異なった分布はノイズとみなされてしまうとい
う理由により、正しくクラスタを同定するということは
困難であったと言える。その結果、クラスタの個数Ｎｃ
は、過小評価されたりあるいは過大評価されたりしてし
まうことになる。
２つあるいはそれ以上の近接する分布の平均値が非常に
類似しているという理由で、あるいは非常に大きな分散
を有する異なった分布はノイズとみなされてしまうとい
う理由により、正しくクラスタを同定するということは
困難であったと言える。その結果、クラスタの個数Ｎｃ
は、過小評価されたりあるいは過大評価されたりしてし
まうことになる。
【００６７】しかしながら、このような問題は、候補の
集合Ｈをより大きな集合とするか、あるいはパラメータ
のαまたはβの値を適切に選択することによって緩和す
ることが可能である。
集合Ｈをより大きな集合とするか、あるいはパラメータ
のαまたはβの値を適切に選択することによって緩和す
ることが可能である。
【００６８】［実データへの適用］以下では、上述した
ようなアルゴリズムを実際の画像データに適用した結果
について説明する。
ようなアルゴリズムを実際の画像データに適用した結果
について説明する。
【００６９】図１０は、実際の画像データの「バラを持
った女性」の原画像のうちの１つを示す図である。
った女性」の原画像のうちの１つを示す図である。
【００７０】図１０に示す原画像は、４８０×４８０ピ
クセルのデータであって、ＲＧＢカラー空間において規
定されるものである。
クセルのデータであって、ＲＧＢカラー空間において規
定されるものである。
【００７１】ヒストグラム幅の候補の組およびパラメー
タαhjの値は、上述したコンピュータシミュレーション
と同一の値とされている。この実験においてはβの値は
０とされている。すなわち、これはクラスタを統合化す
る過程を省略したことに相当する。
タαhjの値は、上述したコンピュータシミュレーション
と同一の値とされている。この実験においてはβの値は
０とされている。すなわち、これはクラスタを統合化す
る過程を省略したことに相当する。
【００７２】結果として、ヒストグラムの幅は３２と決
定され、クラスタの数は６とされた。さらに、正規分布
に従うとの前提の下に、各クラスタについての統計量が
計算され、最短距離分類法および最尤法によって、画像
が領域分割された。
定され、クラスタの数は６とされた。さらに、正規分布
に従うとの前提の下に、各クラスタについての統計量が
計算され、最短距離分類法および最尤法によって、画像
が領域分割された。
【００７３】図１１は、図１０についての最終結果に対
して３×３のモードフィルタリング処理を行なった結果
を示す図である。また、図１２は、図１１についての結
果の平均値および最終的な割合の評価結果を示す図であ
る。
して３×３のモードフィルタリング処理を行なった結果
を示す図である。また、図１２は、図１１についての結
果の平均値および最終的な割合の評価結果を示す図であ
る。
【００７４】図１１および図１２を参照すると、大雑把
に言って、バラは肌の部分と同一であるものと同定され
ている。また、肌の部分の一部はシャツの部分と同一で
あると同定されている。青いセーターは他の部分からは
分離されている。黒い髪は灰色の背景と同一であるもの
と同定されている。すなわち、髪の毛の部分を除いて
は、バラを持った女性は背景から抽出されていることに
なる。
に言って、バラは肌の部分と同一であるものと同定され
ている。また、肌の部分の一部はシャツの部分と同一で
あると同定されている。青いセーターは他の部分からは
分離されている。黒い髪は灰色の背景と同一であるもの
と同定されている。すなわち、髪の毛の部分を除いて
は、バラを持った女性は背景から抽出されていることに
なる。
【００７５】さらに、提案したアルゴリズムを、他の実
画像データに適用した結果について以下に説明する。
画像データに適用した結果について以下に説明する。
【００７６】図１３は、「ピーマン」の原画像のうちの
１つを示す図である。また、図１４は、図１３中の各ピ
ーマンの特徴をまとめた図である。
１つを示す図である。また、図１４は、図１３中の各ピ
ーマンの特徴をまとめた図である。
【００７７】この画像は２４８×２４８ピクセルであ
り、ＹＵＶ色空間で規定されている。ヒストグラム幅の
候補の組とαhjの値とはコンピュータシミュレーション
と同一の値とされている。この実験においては、βの値
は２．５８に設定している。この値は、自由度無限大
で、有意水準９９．５％としてスチューデントｔ分布検
定により求められた。最終的には、ヒストグラム幅は３
２とされ、クラスタの数は６とされている。図１０に示
した「バラを持った女性」の画像と同様にして、最短距
離分類法と最尤法および３×３モードフィルタリングを
行なった。
り、ＹＵＶ色空間で規定されている。ヒストグラム幅の
候補の組とαhjの値とはコンピュータシミュレーション
と同一の値とされている。この実験においては、βの値
は２．５８に設定している。この値は、自由度無限大
で、有意水準９９．５％としてスチューデントｔ分布検
定により求められた。最終的には、ヒストグラム幅は３
２とされ、クラスタの数は６とされている。図１０に示
した「バラを持った女性」の画像と同様にして、最短距
離分類法と最尤法および３×３モードフィルタリングを
行なった。
【００７８】図１５は、図１３の原画像に対する最終的
な領域分割の結果を示す図である。また、図１６は、図
１５についての最終的な平均値および割合の評価結果を
示す図である。
な領域分割の結果を示す図である。また、図１６は、図
１５についての最終的な平均値および割合の評価結果を
示す図である。
【００７９】図１４〜図１６を参照して、反射と影の効
果を除いては左下の最も大きなピーマンは左側の上のピ
ーマンから分離されている。右下のピーマンは左上のも
のと同一のものと同定されている。右上のピーマンは、
左下のものと同一であると同定され、事実上これらは同
一の種類のものである。右側の中央部のピーマンは他の
ピーマンからは分離されている。
果を除いては左下の最も大きなピーマンは左側の上のピ
ーマンから分離されている。右下のピーマンは左上のも
のと同一のものと同定されている。右上のピーマンは、
左下のものと同一であると同定され、事実上これらは同
一の種類のものである。右側の中央部のピーマンは他の
ピーマンからは分離されている。
【００８０】以上説明したとおり、本願発明により、実
際の観測された画像データに対して画像の領域分割した
結果のクラスタの個数を求めることが可能となる。
際の観測された画像データに対して画像の領域分割した
結果のクラスタの個数を求めることが可能となる。
【００８１】本発明においては、画像データは多変数分
布の混合から得られるものとし、ヒストグラムの幅とク
ラスタの数を決定するための基準が与えられる。これら
の基準はデータに適合したヒストグラムを生成し、クラ
スタの数を選択した上で、従来から知られているような
最尤法やｋ−平均法と組合わせて用いられることが可能
である。
布の混合から得られるものとし、ヒストグラムの幅とク
ラスタの数を決定するための基準が与えられる。これら
の基準はデータに適合したヒストグラムを生成し、クラ
スタの数を選択した上で、従来から知られているような
最尤法やｋ−平均法と組合わせて用いられることが可能
である。
【００８２】今回開示された実施の形態はすべての点で
例示であって制限的なものではないと考えられるべきで
ある。本発明の範囲は上記した説明ではなくて特許請求
の範囲によって示され、特許請求の範囲と均等の意味お
よび範囲内でのすべての変更が含まれることが意図され
る。
例示であって制限的なものではないと考えられるべきで
ある。本発明の範囲は上記した説明ではなくて特許請求
の範囲によって示され、特許請求の範囲と均等の意味お
よび範囲内でのすべての変更が含まれることが意図され
る。
【００８３】
【発明の効果】以上説明したとおり、本発明によれば、
ノンパラメトリックな統計的画像分割法において、多次
元ヒストグラムに基づいて、カラー画像に対して、デー
タからクラスタの個数を求めることが可能となる。
ノンパラメトリックな統計的画像分割法において、多次
元ヒストグラムに基づいて、カラー画像に対して、デー
タからクラスタの個数を求めることが可能となる。
【図１】 本発明の実施の形態の領域分割方法を実施す
るためのシステムの構成を示す概略ブロック図である。
るためのシステムの構成を示す概略ブロック図である。
【図２】 Ｇｍｉｎ＝０の場合の多次元ヒストグラムの
構成を示す図である。
構成を示す図である。
【図３】 本発明の領域分割の手続きを説明するための
フローチャートである。
フローチャートである。
【図４】 並べ替えられた立方体ｂｉｎの分布を示す図
である。
である。
【図５】 シミュレーション実験のためのパターンのう
ちの１つのデータの組についての分布を示す図である。
ちの１つのデータの組についての分布を示す図である。
【図６】 最終的に得られた最適ヒストグラム幅ｈ
*と、最終的な立方体個数ｂsigと、立方体統合による最
終的なクラスタ数Ｎｃとを示す図である。
*と、最終的な立方体個数ｂsigと、立方体統合による最
終的なクラスタ数Ｎｃとを示す図である。
【図７】 クラスタ数が４個の場合についてのシミュレ
ーション結果を示す図である。
ーション結果を示す図である。
【図８】 クラスタ数が５個の場合についてのシミュレ
ーション結果を示す図である。
ーション結果を示す図である。
【図９】 クラスタ数が６個の場合についてのシミュレ
ーション結果を示す図である。
ーション結果を示す図である。
【図１０】 「バラを持った女性」の原画像のうちの１
つを示す図である。
つを示す図である。
【図１１】 図１０についての最終結果に対して３×３
のフィルタリング処理を行なった結果を示す図である。
のフィルタリング処理を行なった結果を示す図である。
【図１２】 図１１についての結果の平均値および最終
的な割合の評価結果を示す図である。
的な割合の評価結果を示す図である。
【図１３】 「ピーマン」に基づいた原画像のうちの１
つを示す図である。
つを示す図である。
【図１４】 図１３中の各ピーマンの特徴をまとめた図
である。
である。
【図１５】 図１３の原画像に対する最終的な領域分割
の結果を示す図である。
の結果を示す図である。
【図１６】 図１５についての最終的な平均値および割
合の評価結果を示す図である。
合の評価結果を示す図である。
２ ユーザ、１０ カメラ、２０ 入力装置、３０ 表
示装置、１００ 画像処理部、１０２ データ入出力イ
ンターフェース部、１０４ データ記憶部、１１０ 演
算処理部、１１２ データ通信部。
示装置、１００ 画像処理部、１０２ データ入出力イ
ンターフェース部、１０４ データ記憶部、１１０ 演
算処理部、１１２ データ通信部。
─────────────────────────────────────────────────────
フロントページの続き
(56)参考文献 山崎達也，多次元ヒストグラムを用い
たカラー画像領域分割手法の一提案，電
子情報通信学会技術研究報告，日本，電
子情報通信学会，2000年10月17日，Ｖｏ
ｌ．100 Ｎｏ．281，ｐｐ．９−14
(58)調査した分野(Int.Cl.7，ＤＢ名)
G06T 7/00
H04N 1/40
H04N 1/46
H04N 1/60
ＪＩＣＳＴファイル（ＪＯＩＳ)
Claims (6)
- 【請求項１】 カラー画像データを記憶するための記憶
手段と、 前記記憶手段中に格納されたカラー画像データを画像カ
ラー空間上に分布するデータとして表現した場合に、予
め定められたヒストグラム幅候補集合中から１つヒスト
グラム幅候補を選択する手段と、 選択された前記ヒストグラム幅候補に対応する幅で、前
記画像カラー空間を複数の部分空間に分割し、各部分空
間に含まれる前記画像データ数に応じて、前記複数の部
分空間の順序付けを行うための空間分割手段と、 前記順序付けられた部分空間のうち、前記ヒストグラム
幅候補に対応して処理対象となる複数の対象部分空間を
選択する処理を、前記複数の対象部分空間に含まれる前
記画像データ数に応じて増加し、かつ選択される対象部
分空間数に応じて減少する評価関数を極大化するとの条
件の下に行なう手段と、 前記ヒストグラム幅候補のうちから、前記ヒストグラム
幅候補に対応して処理対象となる複数の対象部分空間に
含まれる前記画像データの数が最大となる前記ヒストグ
ラム幅候補を最適ヒストグラム幅として選択する手段
と、 前記最適ヒストグラム幅で分割された部分空間に基づい
て、前記カラー画像データに対応する領域数を決定する
統合手段とを備える、画像領域分割装置。 - 【請求項２】 前記空間分割手段は、予め定められたし
きい値に基づいて、前記しきい値以下の前記画像データ
数を含む部分空間を順序付けの対象から除外する手段を
含む、請求項１記載の画像領域分割装置。 - 【請求項３】 前記評価関数は、 前記順序付けの対象となった複数の対象部分空間に含ま
れる前記画像データの数に対する前記処理対象となる複
数の対象部分空間に含まれる前記画像データの数の割合
と、前記順序付けの対象となった複数の対象部分空間の
数に対する前記処理対象となる複数の対象部分空間の数
の割合との差に対応する、請求項２記載の画像領域分割
装置。 - 【請求項４】 カラー画像データを画像カラー空間上に
分布するデータとして表現した場合に、予め定められた
ヒストグラム幅候補集合中から１つヒストグラム幅候補
を選択するステップと、 選択された前記ヒストグラム幅候補に対応する幅で、前
記画像カラー空間を複数の部分空間に分割し、各部分空
間に含まれる前記画像データ数に応じて、前記複数の部
分空間を順序付けるステップと、 前記順序付けられた部分空間のうち、前記ヒストグラム
幅候補に対応して処理対象となる複数の対象部分空間を
選択する処理を、前記複数の対象部分空間に含まれる前
記画像データ数に応じて増加し、かつ選択される対象部
分空間数に応じて減少する評価関数を極大化するとの条
件の下に行なうステップと、 前記ヒストグラム幅候補のうちから、前記ヒストグラム
幅候補に対応して処理対象となる複数の対象部分空間に
含まれる前記画像データの数が最大となる前記ヒストグ
ラム幅候補を最適ヒストグラム幅として選択するステッ
プと、 前記最適ヒストグラム幅で分割された部分空間に基づい
て、前記カラー画像データに対応する領域数を決定する
ステップとを備える、画像領域分割方法。 - 【請求項５】 前記複数の部分空間を順序付けるステッ
プは、予め定められたしきい値に基づいて、前記しきい
値以下の前記画像データ数を含む部分空間を順序付けの
対象から除外するステップを含む、請求項４記載の画像
領域分割方法。 - 【請求項６】 前記評価関数は、 前記順序付けの対象となった複数の対象部分空間に含ま
れる前記画像データの数に対する前記処理対象となる複
数の対象部分空間に含まれる前記画像データの数の割合
と、前記順序付けの対象となった複数の対象部分空間の
数に対する前記処理対象となる複数の対象部分空間の数
の割合との差に対応する、請求項５記載の画像領域分割
方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000162037A JP3418157B2 (ja) | 2000-05-31 | 2000-05-31 | 画像領域分割装置および画像領域分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000162037A JP3418157B2 (ja) | 2000-05-31 | 2000-05-31 | 画像領域分割装置および画像領域分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2001344602A JP2001344602A (ja) | 2001-12-14 |
| JP3418157B2 true JP3418157B2 (ja) | 2003-06-16 |
Family
ID=18665977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000162037A Expired - Fee Related JP3418157B2 (ja) | 2000-05-31 | 2000-05-31 | 画像領域分割装置および画像領域分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3418157B2 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9542000B2 (en) | 2011-02-10 | 2017-01-10 | Kyocera Corporation | Electronic device and control method for electronic device |
-
2000
- 2000-05-31 JP JP2000162037A patent/JP3418157B2/ja not_active Expired - Fee Related
Non-Patent Citations (1)
| Title |
|---|
| 山崎達也，多次元ヒストグラムを用いたカラー画像領域分割手法の一提案，電子情報通信学会技術研究報告，日本，電子情報通信学会，２０００年１０月１７日，Ｖｏｌ．１００ Ｎｏ．２８１，ｐｐ．９−１４ |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2001344602A (ja) | 2001-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4746050B2 (ja) | ビデオデータを処理するための方法及びシステム | |
| US7440638B2 (en) | Image retrieving system, image classifying system, image retrieving program, image classifying program, image retrieving method and image classifying method | |
| EP2063393B1 (en) | Color classifying method, color recognizing method, color classifying device, color recognizing device, color recognizing system, computer program, and recording medium | |
| US12002259B2 (en) | Image processing apparatus, training apparatus, image processing method, training method, and storage medium | |
| JP6192271B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
| CN109154978A (zh) | 用于检测植物疾病的系统和方法 | |
| CN108510499B (zh) | 一种基于模糊集和Otsu的图像阈值分割方法及装置 | |
| JP4098021B2 (ja) | シーン識別方法および装置ならびにプログラム | |
| EP1700269A2 (en) | Detection of sky in digital color images | |
| CN108710916B (zh) | 图片分类的方法及装置 | |
| JP2002203242A (ja) | 植物認識システム | |
| CN109190456B (zh) | 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法 | |
| CN106951869A (zh) | 一种活体验证方法及设备 | |
| CN110569859B (zh) | 一种服装图像的颜色特征提取方法 | |
| CN109903265B (zh) | 一种图像变化区域侦测阀值设定方法、系统及其电子装置 | |
| US20040240733A1 (en) | Image transmission system, image transmission unit and method for describing texture or a texture-like region | |
| US7620246B2 (en) | Method and apparatus for image processing | |
| CN117115117B (zh) | 基于小样本下的病理图像识别方法、电子设备及存储介质 | |
| WO2008124029A1 (en) | Systems and methods for segmenting an image based on perceptual information | |
| JP4285640B2 (ja) | オブジェクト識別方法および装置ならびにプログラム | |
| JP3418157B2 (ja) | 画像領域分割装置および画像領域分割方法 | |
| CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别系统和方法 | |
| CN113240611B (zh) | 一种基于图片序列的异物检测方法 | |
| CN114511567A (zh) | 舌体与舌苔图像识别分离方法 | |
| Shen et al. | A holistic image segmentation framework for cloud detection and extraction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20030318 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |