JP3469619B2 - 色分類装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、色を利用して対象物を
分類する色分類装置に関する。

【０００２】

【従来の技術】従来より、各種工業の生産現場に於ける
塗装色，染色度の管理、または生産物の色測定、あるい
は医療，学術分野に於ける被検体の色測定等に於いて
は、対象物の色を識別する色識別装置が利用されてい
る。

【０００３】例えば、特開平３−２６７７２６号公報に
開示されている色識別装置では、対象物の反射分光スペ
クトルに統計的処理を施すことによって２クラスの分類
を行なっている。具体的には、クラスが既知の対象物の
反射分光スペクトルをFoleySammon変換（ＦＳ変換）を
利用して統計処理している（Q.Tian，M.Barbaro 他、
“Image classification by Foley-Sammon transfor
m”，Optical Engineering，Vol.25,No7，1986参照）。

【０００４】ここで、ＦＳ変換とは、２つのクラスに分
類する手法であり、具体的には、ある対象物が２つ与え
られたときのＳ1 ，Ｓ2 からFisher ratio Ｒ（ｄi ）＝（ｄi ^t Ｓ1 ｄi ）／（ｄi ^t Ｓ2 ｄi ） …（１） ｄi ：分類スペクトル ｄi ^t ：分類スペクトル（転置） Ｓ1 ：クラス間共分散行列 Ｓ2 ：クラス内共分散行列 のＲ（ｄi ）を最大にするときのスペクトルｄi を求め
ることである。以後、この分類のためのスペクトルｄi
を分類スペクトルと呼ぶ。この分類スペクトルｄi は、
対象物のスペクトルと同じ次元数を有するため、正確に
はｄi （λ）と表記すべきであるが、本明細書では、簡
単のためにｄi と記すものとする。そして、Fisher rat
ioを大きくする分類スペクトルを２種類求める。Fisher
ratioを最大にする分類スペクトルｄi をｄ1 、このｄ
1 と直交するスペクトルの中でFisher ratioを最大にす
る分類スペクトルｄi をｄ2 とする。この分類スペクト
ルｄ1 ，ｄ2 で構成される空間に各データを投影するこ
とにより、２つのクラスが分類される。分類スペクトル
ｄ1 ，ｄ2 は次式から求める。

【０００５】 ｄ1 ＝α1 Ｓ2 ^-1Δ ｄ2 ＝α2 Ｓ2 ^-1［Ｉ−（Δ^t Ｓ2 ^-2Δ）／（Δ^t Ｓ2 ^-3Δ）Ｓ2 ^-1］Δ …（２） ここで、α1 ，α2 は正規化係数、ΔはＸ1 −Ｘ2 （ク
ラス１とクラス２の差スペクトル）、Ｉは単位行列であ
る。

【０００６】このようにして得た分類スペクトルｄ1 ，
ｄ2 で構成される空間に各データを投影するために分類
スペクトルと対象物の反射分光スペクトルとの内積を求
める。対象物の反射分光スペクトルをｆ（λ）（但し、
λ＝波長）とすれば、内積ｔ1 ，ｔ2 は次式で表せられ
る。

【０００７】 ｔ1 ＝ｆ（λ）・ｄ1 t2 ＝ｆ（λ）・ｄ2 …（３） ここで、記号「・」は内積演算を表す。

【０００８】上記公報に開示の装置では、この内積ｔ1
，ｔ2 の値から図７のように分類境界を決め、この分
類スペクトルの特性を有するフィルタを図２３に示すよ
うに回析格子１と液晶２を用いて実現している。

【０００９】

【発明が解決しようとする課題】ところが、分類スペク
トルｄ1 ，ｄ2 は一般に、図２４に示すように形状が複
雑であり、また、正負の値をとるため、回析格子１，液
晶フィルタ２などの取り付け精度も厳しく要求される。
従って、装置の移動等にともなう機械的振動により、そ
の取り付け位置がずれると、分類精度が著しく低下して
しまう。また、回折格子自体はコストが高いという問題
もある。そのため、装置構成が簡単で、低コストで、且
つ機械的振動等にも耐えられるような色分類装置が望ま
れている。

【００１０】また、上記公報の装置では、光源をある程
度限定している（ランプ３）ため、異なる光源に対して
の分類には不向きであり、光源のスペクトルが変化する
場合には良好な分類を行なうことが難しい。工場などで
色分類を行なう場合には、光源を限定することができる
が、光源を限定せずに、そのスペクトルが変化する場合
などにも良好に色分類できる装置が望まれている。

【００１１】本発明は、上記の点に鑑みてなされたもの
で、装置構成が簡単で、低コストで、且つ機械的振動等
にも耐えられ、しかも光源を限定せずにそのスペクトル
が変化する場合などにも良好に色分類可能な色分類装置
を提供することを目的とする。

【００１２】

【課題を解決するための手段】上記の目的を達成するた
めに、本発明による色分類装置は、対象物の反射分光ス
ペクトルを撮像する撮像手段と、上記対象物と撮像手段
との間に設置したそれぞれ異なる帯域を持つ複数のバン
ドパスフィルタと、クラスが既知の対象物の反射分光ス
ペクトルから統計的手法を用いてクラスが未知の前記対
象物の分類を行なう分類手段と、上記対象物の輝度に応
じて、上記複数のバンドパスフィルタのそれぞれの透過
率もしくは露光時間を制御する手段とを備えることを特
徴としている。また、本発明による色分類装置は、対象
物の反射分光スペクトルを撮像する撮像手段と、上記対
象物と撮像手段との間に配置したそれぞれ異なる帯域を
持つ複数のバンドパスフィルタと、クラスが既知の対象
物の反射分光スペクトルから統計的手法を用いて上記対
象物の分類を行なう分類手段とを備える色分類装置であ
って、上記複数のバンドパスフィルタは、それぞれ所定
数のバンドパスフィルタを有する複数組のフィルタ手段
から成り、上記色分類装置は、上記対象物を照明する光
源と、上記光源の種類を検出する光源検出手段と、上記
光源検出手段で検出された上記光源の種類に応じて、上
記複数組のフィルタ手段の一つを選択的に上記対象物と
撮像手段との間に配置する第１の切替手段と、上記第１
の切替手段によって選択的に配置された上記フィルタ手
段の所定数のバンドパスフィルタのそれぞれを上記対象
物と撮像手段との間に適宜挿入配置する第２の切替手段
とをさらに備えることを特徴とする。

【００１３】

【作用】即ち、本発明の色分類装置によれば、それぞれ
異なる帯域を持つ複数のバンドパスフィルタを用意して
おき、これら複数のバンドパスフィルタのそれぞれを上
記対象物と撮像手段との間に配置する。そして、分類手
段によって、クラスが既知の対象物の反射分光スペクト
ルから統計的手法を用いてクラスが未知の上記対象物の
分類を行なう。また、対象物の輝度に応じて、上記複数
のバンドパスフィルタのそれぞれの透過率もしくは露光
時間を制御する。 また、本発明の色分類装置によれば、
それぞれ異なる帯域を持つ複数のバンドパスフィルタを
用意しておき、これら複数のバンドパスフィルタのそれ
ぞれを上記対象物と撮像手段との間に配置する。そし
て、分類手段によって、クラスが既知の対象物の反射分
光スペクトルから統計的手法を用いて上記対象物の分類
を行なう。また、上記複数のバンドパスフィルタを、そ
れぞれ所定数のバンドパスフィルタを有する複数組のフ
ィルタ手段によって構成し、第１の切替手段によって、
光源検出手段で検出した光源の種類に応じて、それら複
数組のフィルタ手段の一つを選択的に上記対象物と撮像
手段との間に配置し、さらに、この第１の切替手段によ
って選択的に配置された上記フィルタ手段の所定数のバ
ンドパスフィルタの中から適宜、１つのバンドパスフィ
ルタを第２の切替手段によって上記対象物と撮像手段と
の間に挿入配置する。

【００１４】

【実施例】本発明の実施例を説明する前に、本発明の理
解を助けるために、まず本発明の原理から説明する。本
発明では、分類のためのフィルタを、従来の装置のよう
な回析格子及び液晶フィルタで構成するのではなく、図
２の（Ａ）に示すような特定の波長のみを透過させるよ
うなバンドパスフィルタを複数組み合わせた同図の
（Ｂ）や（Ｃ）に示すようなフィルタを用いることによ
り、簡易で安価な構成の色分類装置を実現するものであ
る。

【００１５】また、異なる光源のもとでも色分類を行な
うために、対象物を撮影するときと同じ条件で、適当な
参照板の反射分光スペクトルを計測し、対象物の反射分
光スペクトルを参照板の反射分光スペクトルで補正する
ことによって、光源（照明光）の影響を除去するように
している。即ち、λを波長として、対象物の反射分光ス
ペクトルをｆ（λ）、参照板の反射分光スペクトルをｓ
（λ）、照明光の反射分光スペクトルをＬ（λ）、撮影
系の感度スペクトル（撮影レンズの透過スペクトル、撮
像素子の感度スペクトル等）をＭ（λ）とすれば、対象
物の撮影スペクトルｇi （λ）、及び参照板の撮影スペ
クトルｇs （λ）はそれぞれ、 ｇi （λ）＝ｆ（λ）×Ｌ（λ）×Ｍ（λ） ｇs （λ）＝ｓ（λ）×Ｌ（λ）×Ｍ（λ） で表せられ、対象物のスペクトルｇi'（λ）は、 ｇi'（λ）＝ｇi （λ）／ｇs （λ）＝ｆ（λ）／ｓ（λ） …（４） と表すことができる。

【００１６】こうして、照明光の反射分光スペクトルＬ
（λ）の影響を除去でき、ｇi'（λ）を用いれば、異な
る光源のもとでも分類できることになる。また、さらに
照明光の輝度が異なる場合には、除去後の信号ｇi'
（λ）のパワーを正規化すれば良い。

【００１７】以下、図面を参照して、本発明の実施例を
説明する。 ［第１実施例］まず、本発明の第１実施例として、２ク
ラスの対象物の分類を行なう色分類装置について説明す
る。

【００１８】図１は、その構成を示す図で、本実施例の
色分類装置は、絞りやレンズを含む光学系１０、図２の
（Ａ）に示されるような複数枚のバンドパスフィルタ１
２Ａ，１２Ｂ，…，１２Ｅで構成される回転色フィルタ
１２、対象物Ｏ及び参照板Ｒの画像を取り込むためのＣ
ＣＤ１４、Ａ／Ｄ変換器１６、フレームメモリ１８、撮
影している部分を表示するモニタ２０、ＣＣＤ駆動ドラ
イバ２２、回転色フィルタ１２の駆動モータ２４、ＣＣ
Ｄ駆動ドライバ２２及び回転色フィルタ駆動モータ２４
等を制御すると共に分類演算回路２８に命令を送るコン
トロール部２６、分類を行なうための分類演算回路２８
から構成される。

【００１９】上記回転色フィルタ１２は、図２の（Ｂ）
に示すように、何種類かのバンドパスフィルタ１２Ａ〜
１２Ｅから構成されており、各フィルタは同図の（Ａ）
に示すような任意のバンド幅を透過するような特性を持
っている。本実施例では、図面及び説明の簡単化のため
５枚のバンドパスフィルタで回転色フィルタ１２を構成
している。なお、光学系１０と回転色フィルタ１２の配
置は、光学系１０の前に回転色フィルタ１２を配置する
ような逆の配置でも良い。

【００２０】上記分類演算回路２８は、図３に示すよう
に、対象物Ｏの輝度成分を抽出するための輝度成分抽出
部３０、分類のための演算（ＦＳ変換等）を行なう分類
演算部３２、及び分類判定のための学習及び分類判定を
行なう分類判定部３４から成る。

【００２１】ここで、上記輝度成分抽出部３０は、図４
に示すように、撮影した画像の対象物Ｏ及び参照板Ｒの
測定領域を抽出する３個の測定領域抽出部３６Ａ，３６
Ｂ，３６Ｗ、測定した輝度成分の平均を求める３個の輝
度成分平均化部３８Ａ，３８Ｂ，３８Ｗ、撮影したクラ
ス１またはクラス未知のデータの輝度成分を書き込む輝
度成分メモリ“Ａ”４０Ａ、撮影したクラス２のデータ
の輝度成分を書き込む輝度成分メモリ“Ｂ”４０Ｂ，撮
影した参照板Ｒのデータの輝度成分を書き込む輝度成分
メモリ“Ｗ”４０Ｗ、光源の影響を補正するための補正
回路４２、補正したクラス１又はクラス未知のデータを
書き込む輝度スペクトルメモリ“ｄta”４４Ａ、及び補
正したクラス２のデータを書き込む輝度スペクトルメモ
リ“ｄtb”４４Ｂを有している。

【００２２】上記輝度成分メモリ４０Ａ，４０Ｂ，４０
Ｗは、回転色フィルタ１２を構成するバンドパスフィル
タの枚数（本実施例では、５枚）分だけの輝度成分を書
き込むことができるようになっている。

【００２３】上記補正回路４２は、図５の（Ａ）に示す
ように除算器４２₁ 、または同図の（Ｂ）に示すように
除去器４２₁ とパワー正規化回路４２₂ により構成され
る。以下の本実施例の説明では、同図の（Ｂ）に示した
構成として説明を行うものとする。

【００２４】上記輝度スペクトルメモリ４４Ａ，４４Ｂ
は、撮影するデータのサンプル数Ｎだけの輝度成分（各
輝度成分はフィルタ枚数個のデータからなる）を書き込
むことができるようになっている。

【００２５】一方、上記分類演算部３２は、図５の
（Ｃ）に示すように、切り替えスイッチ“Ａ”４６、分
類スペクトルを求める分類スペクトル算出部４８、分類
スペクトルｄ1 を書き込む分類スペクトルｄ1 メモリ５
０、分類スペクトルｄ2 を書き込む分類スペクトルｄ2
メモリ５２、切り替えスイッチ“Ｂ”５４、積算器５
６、加算器５８Ａとラッチ５８Ｂで構成され累積加算を
行なう累積演算部５８とによって構成されている。

【００２６】また、上記分類判定部３４は、同図に示す
ように、切り替えスイッチ“Ｃ”６０、分類境界を決定
する分類境界決定部６２、決定した分類境界を書き込む
分類境界メモリ“cl”６４、分類判定を行なう分類決定
部６６から構成されている。

【００２７】次に、以上のような構成の色分類装置を使
い、２クラスの対象物を分類する処理について説明す
る。この処理では、まず分類境界を求めるための学習モ
ードを実行し、次にクラス未知のデータの色分類を行な
うための分類モードを行なう。

【００２８】まず、学習モードについて説明する。これ
は、図６に示すような２クラスの対象物Ｏを分類するた
めの分類スペクトルを求めるものである。最初に、コン
トロール部２６は、光学系１０の方向及び焦点距離を、
２クラスの対象物を同時に撮像できるように調節する。
そして、図示しない合焦調節機構により合焦調節を行う
と共に、図示しない測光器により測光し光学系１０の絞
り及びＣＣＤ１４の露光時間を設定する。

【００２９】ここで、回転色フィルタ１２の第１のバン
ドパスフィルタ（例えば、１２Ａ）で撮影が行なわれる
ように、回転色フィルタ１２の位置を制御する。そし
て、ＣＣＤ駆動ドライバ２２に撮影コマンドを送ること
によって第１の画像を撮影する。ＣＣＤ１４で取り込
み、Ａ／Ｄ変換器１６でＡ／Ｄ変換された画像データ
は、フレームメモリ１８に転送され格納される。そし
て、分類演算回路２８にフレームメモリ１８に格納され
た画像データを読み込ませる。

【００３０】分類演算回路２８に於いては、画像データ
は、まず、輝度成分抽出部３０へ転送される。この輝度
成分抽出部３０に於いては、各画像について、測定領域
抽出部３６Ａ，３６Ｂにて、取り込んだ各画像データの
なかでそれぞれクラス１，クラス２に対応する分類対象
領域を抽出し、その各画素ごとに輝度成分を抽出する。
そして、輝度成分平均化部３８Ａ，３８Ｂにて、各領域
での輝度の平均値を検出し、輝度成分メモリ４０Ａ，４
０Ｂに書き込む。これを、データｄａ1 ，ｄｂ1 とす
る。

【００３１】次に、回転色フィルタ１２を回転し、第２
のフィルタ（例えば、１２Ｂ）で第２の画像を撮影し、
同様にして平均値を輝度成分メモリ４０Ａ，４０Ｂに書
き込む。これを、データｄａ2 ，ｄｂ2 とする。

【００３２】このような操作を、第５のフィルタ（例え
ば、１２Ｅ）まで行ない、輝度成分メモリ“Ａ”４０Ａ
にデータｄａ3 ，ｄａ4 ，ｄａ5 を、また輝度成分メモ
リ“Ｂ”４０Ｂにデータｄｂ3 ，ｄｂ4 ，ｄｂ5 を書き
込む。即ち、この一連の操作で、輝度成分メモリ“Ａ”
４０Ａにはデータｄａi （但し、ｉ＝１〜５）を、輝度
成分メモリ“Ｂ”４０Ｂにはデータｄｂi （ｉ＝１〜
５）を書き込む。

【００３３】次に、対象物の近傍に参照板Ｒを配置し、
同様に５種類のフィルタで撮影し、輝度成分メモリ
“Ｗ”４０Ｗにデータｄｗi （ｉ＝１〜５）を書き込
む。その後、補正回路４２では、クラス１については輝
度成分メモリ“Ａ”４０Ａと輝度成分メモリ“Ｗ”４０
Ｗから、またクラス２については輝度成分メモリ“Ｂ”
４０Ｂと輝度成分メモリ“Ｗ”４０Ｗから、データを読
み出して補正を行なう。この補正は、まず各フィルタ成
分ごとに輝度成分メモリ“Ａ”４０Ａのデータを輝度成
分メモリ“Ｗ”４０Ｗのデータで除算器４２₁ にて次式
のように除算する。

【００３４】 ｄａ^m i'＝ｄａ^m i ／ｄｗi （但し、ｉ＝１〜５，ｍ＝１〜Ｎ） ｄｂ^m i'＝ｄｂ^m i ／ｄｗi （但し、ｉ＝１〜５，ｍ＝１〜Ｎ） …（５）ａ この演算により、異なる光源（スペクトル特性）の影響
を除去できる。ここで、ｉはフィルタ番号、ｍはサンプ
ル番号を示す。

【００３５】さらに、パワー正規化回路４２₂ にて、上
記除算されたデータのパワー値が一定化されるように、
パワー値Ｃａ^m 及びＣｂ^m により次式の演算が行なわれ
る。 ｄａ^m i"＝ｄａ^m i'／Ｃａ^m （但し、ｉ＝１〜５，ｍ＝１〜Ｎ） ｄｂ^m i"＝ｄｂ^m i'／Ｃｂ^m （但し、ｉ＝１〜５，ｍ＝１〜Ｎ） …（５）ｂ ここで、パワー値Ｃａ^m 及びＣｂ^m は、

【００３６】

【数１】 または、

【００３７】

【数２】 である。このパワー正規化により、光源の輝度が異なる
場合の影響を除去できる。

【００３８】このようにして求められたｄａ^m i"及びｄ
ｂ^m i"を、輝度スペクトルとして輝度スペクトルメモリ
“dtａ”４４Ａ及び“dtｂ”４４Ｂに書き込む。以上の
補正を、対象物のサンプル数Ｎだけ行ない、輝度スペク
トルメモリ“dtａ”４４Ａ及び“dtｂ”４４Ｂに輝度ス
ペクトルを書き込む。この際、対象物のサンプルは、対
象物そのものを交換しても良いし、同一対象物の異なる
領域を利用しても良い。このようにして、輝度スペクト
ルメモリ“dtａ”４４Ａ，“dtｂ”４４Ｂには、対象物
のサンプル数Ｎだけの輝度スペクトルデータが書き込ま
れることになる。

【００３９】また、同時に、２つのクラスの対象物を撮
影できない場合は、１つのクラス毎に対象物、参照板に
ついて上記と同様に撮影及び補正を行い、それぞれ輝度
スペクトルメモリ“dtａ”４４Ａ及び“dtｂ”４４Ｂに
それぞれの輝度スペクトルを書き込む。この操作をサン
プル数Ｎだけ行なうようにする。

【００４０】次に、分類演算部３２では、切り替えスイ
ッチ“Ａ”４６をｂ側に切り替える。そして、輝度スペ
クトルメモリ“dtａ”４４Ａ及び“dtｂ”４４Ｂからそ
れぞれクラス１及びクラス２に係る輝度スペクトルデー
タを読み出し、分類スペクトル算出部４８にて、前述し
たＦＳ変換を用いて分類スペクトルｄ1i（但し、ｉ＝１
〜５）、及びこれに直交するｄ2i（ｉ＝１〜５）を求
め、それぞれ分類スペクトルｄ1 メモリ５０及びｄ2 メ
モリ５２にそれぞれ分類スペクトルｄ1i及びｄ2iを書き
込む。

【００４１】次に、切り替えスイッチ“Ａ”４６をａ側
に、また分類判定部３４の切り替えスイッチ“Ｃ”６０
をｂ側に切り替える。そして、切り替えスイッチ“Ｂ”
５４をａ側に切り替えて、輝度スペクトルメモリ“dt
ａ”４４Ａから輝度スペクトルデータｄａ^m i"を、また
分類スペクトルｄ1 メモリ５０から分類スペクトルデー
タｄ1iを読み出して、積算器５６及び累積演算部５８に
より内積演算

【００４２】

【数３】 を行ない、結果を分類判定部３４の分類境界決定部６２
へ転送する。続いて、輝度スペクトルメモリ“dtｂ”４
４Ｂから輝度スペクトルデータｄｂ^m i"を、また分類ス
ペクトルｄ1 メモリ５０から分類スペクトルデータｄ1i
を読み出して、同様に内積演算

【００４３】

【数４】 を行ない、結果を分類境界決定部６２へ転送する。

【００４４】次に、切り替えスイッチ“Ｂ”５４をｂ側
に切り替えて、輝度スペクトルメモリ“dtａ”４４Ａか
ら輝度スペクトルデータｄａ^m i"を、また分類スペクト
ルｄ2 メモリ５２から分類スペクトルデータｄ2iを読み
出して、内積演算

【００４５】

【数５】 を行ない、結果を分類境界決定部６２へ転送する。続い
て、輝度スペクトルメモリ“ｄｔｂ”４４Ｂから輝度ス
ペクトルデータｄｂ^m i"を、また分類スペクトルｄ2 メ
モリ５２から分類スペクトルデータｄ2iを読み出して、
内積演算

【００４６】

【数６】 を行ない、結果を分類境界決定部６２へ転送する。

【００４７】このように、各クラスについてサンプル数
分だけ処理を行ない、こうして得た分積値を分類境界決
定部６２で図７のように分類境界を決定し、分類境界メ
モリ“cl”６４に書き込む。

【００４８】以上、ここまでが、学習モードである。次
に、分類モードについて説明する。この分類モードで
は、まず、図８に示すような分類したいクラス未知の対
象物Ｏを、学習モードのときと同様に撮影し、輝度成分
メモリ“Ａ”４０Ａに輝度スペクトルｄｘi （但し、ｉ
＝１〜５）を書き込む。続いて、これと同じ撮影条件
で、参照板Ｒを同様に撮影し、輝度成分メモリ“Ｗ”４
０Ｗに輝度スペクトルｄｗi （但し、ｉ＝１〜５）を書
き込む。そして、これら輝度成分メモリ“Ａ”４０Ａ及
び“Ｗ”４０Ｗからデータを読み込んで、補正回路４２
で補正 ｄｘi'＝ｄｘi ／ｄｗi （但し、ｉ＝１〜５） …（１０） を行ない、更にパワー正規化回路４２₂ にて上記除算さ
れたデータのパワー値が正規化されるように

【００４９】

【数７】 を行い、輝度スペクトルメモリ“dtａ”４４Ａに輝度ス
ペクトルｄｘi"を書き込む。

【００５０】ここで、分類演算部３２では、切り替えス
イッチ“Ａ”４６をａ側に切り替え、分類判定部３４で
は、切り替えスイッチ“Ｃ”６０をａ側に切り替える。
そして、分類演算部３２の切り替えスイッチ“Ｂ”５４
をまずａ側に切り替えて、輝度スペクトルメモリ“dt
ａ”４４Ａから輝度スペクトルｄｘi"を、また分類スペ
クトルｄ1 メモリ５０から分類スペクトルデータｄ1iを
読み出して、積算器５６及び累積演算部５８により内積
演算

【００５１】

【数８】 を行ない、ｔｘ1 を分類判定部３４の分類決定部６６へ
転送する。

【００５２】次に、切り替えスイッチ“Ｂ”５４をｂ側
に切り替えて、輝度スペクトルメモリ“dtａ”４４Ａか
ら輝度スペクトルｄｘi"を、また分類スペクトルｄ2 メ
モリ５２から分類スペクトルデータｄ2iを読み出して、
内積演算

【００５３】

【数９】 を行ない、ｔｘ2 を分類決定部６６へ転送する。

【００５４】そして、分類決定部６６は、分類境界メモ
リ“cl”６４から分類境界を読み出して、このデータよ
り、上記転送されてきた内積値ｔｘ1 ，ｔｘ2 が分類境
界のどちら側にあるかを判定し、分類結果を出力する。

【００５５】ここまでの操作が、分類モードである。以
上のように、本実施例では、光源のスペクトル特性の相
違を除算器４２₁ にて、また輝度の相違をパワー正規化
回路４２₂ にて補正するために、異なる光源についても
良好な分類を行うことができる。この際に、さらに図５
の（Ｂ）に示すように、パワー正規化回路４２₂ を用い
ているために、光源の輝度が変化する場合に於いても良
好な分類を行なうことができる。なお、光源のスペクト
ルが変化せずに、輝度のみが変化する場合には、除算回
路４２₁ は不要で、パワー正規化回路４２₂ だけで良
い。

【００５６】また、回転色フィルタ１２を用いた簡単な
構成であるため、安価で機械的振動等にも頑健になる。
また、学習モードと分類モードを有することから、異な
る分類目的にも容易に対応することができる。

【００５７】さらに、図９の（Ａ）に示すように、分類
演算部３２を、既に学習済みの分類スペクトルｄ1i，ｄ
2iを記憶する分類スペクトルｄ1 ，ｄ2 メモリ５０，５
２の対とそれらを選択するための切り替えスイッチ
“Ｂ”５４との組を複数設け、それぞれの組の分類スペ
クトルｄ1 ，ｄ2 メモリ５０，５２に異なる学習済みの
分類スペクトルを記憶しておき、各組を選択するための
切り替えスイッチ“Ｃ’”６８を利用するようにすれ
ば、異なる分類目的にも瞬時に対応することができる。
また、回転フィルタ１２を交換するようにしてもよいの
も勿論である。

【００５８】なお、本実施例では回転色フィルタ１２と
して、図２の（Ｂ）に示すように、円形のフィルタ１２
Ａ〜１２Ｅを同一円上に配置した構成のものを用い、各
フィルタで停止させるため各フィルタ毎にその位置を制
御するようにしているが、図２の（Ｃ）に示すように、
フィルタ１２Ａ〜１２Ｅを円弧状に構成し、それらを同
一円上に配列してなる回転色フィルタ１２を用いれば、
各フィルタ毎に停止させ位置制御する必要がなくなり、
常に動かし続けることができるので、より高速に分類処
理を行なえる。ただし、当然のことながら、この場合
は、ＣＣＤ１４での露光のタイミングと回転色フィルタ
１２の回転のスピードとの同期をとる必要がある。

【００５９】また、本実施例では撮像素子としてＣＣＤ
１４を１つだけ用いたが、図１０に示すように、複数個
の撮像素子１４と光路分割手段７０を用いて構成しても
良いのは当然である。

【００６０】また、分類した結果は、分類されたクラス
に応じて異なる色の画像として表示しても良いし、音声
等で撮影者に知らせるようにしても良い。 ［第２実施例］次に、本発明の第２実施例として、多ク
ラス（ｎクラス）のものの分類を行なう色分類装置につ
いて説明する。本実施例の色分類装置は、前述した第１
実施例と同様の構成を有しており、輝度成分抽出部３０
の内部構成のみが異なっている。

【００６１】即ち、輝度成分抽出部３０は、図１１に示
すように、撮影した画像の対象物Ｏの測定領域を抽出す
る対象物の測定領域抽出部３６₁ 〜３６_n ，３６Ｗと、
測定した輝度成分の平均を求める輝度成分平均化部３８
₁ 〜３８_n ，３８Ｗと、撮影したクラス１またはクラス
未知のデータの輝度成分を書き込む輝度成分メモリ“1
”４０₁ ，撮影したクラス２のデータの輝度成分を書
き込む輝度成分メモリ“2 ”４０₂ ，…，撮影したクラ
スｎのデータの輝度成分を書き込む輝度成分メモリ“n
”４０_n ，撮影した参照板Ｒのデータの輝度成分を書
き込む輝度成分メモリ“Ｗ”４０Ｗとを有している。こ
れらの輝度成分メモリ“1 ”４０₁ 〜“n ”４０_n 及び
輝度成分メモリ“Ｗ”４０Ｗは、回転色フィルタ１２を
構成するフィルタの枚数（５枚）分だけの輝度成分を書
き込むことができる容量を有している。

【００６２】また、この輝度成分抽出部３０は、さら
に、光源の影響を補正するための補正回路４２と、補正
したクラス１のデータを書き込む輝度スペクトルメモリ
“dt1”４４₁ ，補正したクラス２のデータを書き込む
輝度スペクトルメモリ“dt2 ”４４₂ ，…，補正したク
ラスｎのデータを書き込む輝度スペクトルメモリ“dt
n”４４_n とを有している。これらの輝度スペクトルメ
モリ“dt1 ”４４₁ 〜“dtn ”４４_n はそれぞれ、撮影
するデータのサンプル数Ｎだけの輝度成分（各輝度成分
はフィルタ枚数個のデータからなる）を書き込むことが
できる容量を有している。

【００６３】このような構成の色分類装置では、前述の
第１実施例と同様に、まず分類境界を求めるための学習
モードを実行し、次にクラス未知のデータの色分類を行
なうための分類モードを行なう。

【００６４】まず、学習モードについて説明する。多ク
ラスの対象物の内の任意の２クラスの対象物について、
上記第１実施例と同様に撮影、補正し、輝度スペクトル
メモリ“dt1 ”４４₁ ，“dt2 ”４４₂ に輝度スペクト
ルｄａ^m i"，ｄｂ^m i"を書き込む。そして、上記第１実
施例と同様にＦＳ変換を利用して分類スペクトルｄ1i
（但し、ｉ＝１〜５），ｄ2i（ｉ＝１〜５）を求め、図
５の（Ｃ）の分類スペクトルｄ1 ，ｄ2 メモリ５０，５
２に書き込む。続いて、残りのｎ−２クラスの対象物に
ついても、上記第１実施例と同様に撮影、補正し、輝度
スペクトルメモリ“dts ”４４_s に輝度スペクトルｄｓ
^m i"（但し、ｓ＝３〜ｎ，ｉ＝１〜５）を書き込む。こ
こで、ｓはクラス番号、ｍはサンプル番号、ｉはフィル
タ番号とする。このようにしてクラス１からクラスｎま
での対象物について、各輝度スペクトルメモリ“dts ”
４４_s に書きこまれた輝度スペクトルｄｓ^m i"と分類ス
ペクトルｄ1i，ｄ2iを用いて、分類境界を求める。分類
境界を求めるために、上記第１実施例と同様の操作をし
て、各クラスの対象物の輝度スペクトルｄｓ^m i"につい
て分類スペクトルｄ1iとの内積値ｔs1（但し、ｓ＝１〜
ｎ）及びｄ2iとの内積値ｔs2（ｓ＝１〜ｎ）を求め、分
類境界決定部６２へ転送する。そして、この転送された
内積値を分類境界決定部６２で図９の（Ｂ）に示すよう
に分類境界を決定し、分類境界メモリ“cl”６４に書き
込む。

【００６５】以上ここまでが、学習モードである。次
に、分類モードについて説明する。即ち、前述の第１実
施例と同様に、分類したい対象物Ｏを撮影、補正し、輝
度スペクトルメモリ“dt1 ”４４₁ に輝度スペクトルｄ
xiを書き込む。続いて、上記第１実施例と同様にして、
分類演算部３２及び分類判定部３４で分類判定を行な
う。

【００６６】ここまでの操作を、分類モードとする。以
上の多クラスの場合にも、異なる光源で良好な分類を行
なうことができる。なお、本第２実施例に於いては、多
クラスの中の任意の２クラスのデータからＦＳ変換にて
分類スペクトルを求めるようにしたが、クラス全ての情
報を用いて分類スペクトルを求めても良い（これは、次
の第３実施例としてさらに詳細に後述する）。

【００６７】また、分類を何ステップかに段階的に行な
っても良い。例えば、１０クラスの分類を行なう場合に
は、まず５クラスずつの２クラスに分ける分類スペクト
ルにより分類を行ない、その分類された結果に応じてさ
らに細かく分類するための分類スペクトルを選択し、分
類するようにしても良い。このように多段的に行なうこ
とにより、さらに分類精度を向上させることができる。

【００６８】［第３実施例］次に、本発明の第３実施例
として、多クラス（ｎクラス）のものの分類を行なう別
の色分類装置について説明する。本実施例の色分類装置
は、分類演算部３２の構成が前述した第２実施例と異な
っている。

【００６９】即ち、この分類演算部３２は、図１２に示
すように、切り替えスイッチ“Ｄ”７２と、分類空間へ
投影するための変換行列を求める変換行列算出部７４
と、この変換行列算出部７４で求めた変換行列を書き込
む変換行列メモリ７６と、この変換行列を用いて分類空
間へ投影するための変換部７８とで構成されている。

【００７０】まず、本第３実施例で用いる分類手法（Ｈ
ＴＣ）について説明する。ＨＴＣ（Hotelling trace cr
iterion ）は、多クラスのものを分離する手法で、具体
的には、対象物の反射分光スペクトルを変換行列Ａで変
換したときのＳ1 をクラス間共分散行列、Ｓ2 をクラス
内共分散行列として、ＨＴＣ Ｊ＝ｔｒ（Ｓ2 ^-1Ｓ1 ） …（１３） （但し、ｔｒ（Ｘ）は、行列Ｘのトレース（対角成分の
和）） を最大にするような変換行列Ａを求めることである。

【００７１】このＡは、次のように求められる。ここ
で、ｄimをｉ番目のクラスのｍ個目のデータ（ベクト
ル）、ｄi をｉ番目のクラスの平均データ（ベクト
ル）、ｄを全クラスの平均データ（ベクトル）とする。
また、Ｉを単位行列、Ｗi をｉ番目のクラスのデータで
構成される残差行列（Ｗi ＝（ｄi1−ｄi ｄi2−ｄi
…ｄim−ｄi ））、Ｗt を全データで構成される残差
行列（Ｗt ＝（ｄ1 −ｄ ｄ2 −ｄ … ｄn −
ｄ））、Ｅを（Ｗt ^t Ｗt ）の固有ベクトル行列、Λを
（Ｗt ^t Ｗt ）の固有値行列、ＵをＳ2 を白色化する行
列、ＶをＳ2 の固有ベクトル行列、ΓをＳ2 の固有値行
列とする。

【００７２】まず、次の固有値問題を解く。なお、Ｓ2
＝Ｗt Ｗt ^t である。 Ｓ2 Ｖ＝ＶΓ、Ｖ^t Ｖ＝Ｉ …（１４） Ｖ^t Ｓ2 Ｖ＝Γ …（１５） ここで、 （Ｗt ^t Ｗt ）Ｅ＝ＥΛ …（１６） この両辺にＷt を左から掛けると （Ｗt Ｗt ^t ）Ｗt Ｅ＝（Ｗt Ｅ）Λ …（１７） これと上記（１４）式を比較してＶ＝Ｗt Ｅ、Γ＝Λ次
に、Ｓ2 を白色化する。

【００７３】 Ｕ^t Ｓ2 Ｕ＝Ｉ …（１８） ただし Ｕ＝Ｗt ＥΛ^-1 …（１９） 同様に、Ｓ1 についても Ｕ^t Ｓ1 Ｕ＝Ｄ …（２０） そして、Ｄの固有値問題を解く。

【００７４】 ＤΨ＝ΨΘ Ψ^t Ψ＝Ｉ …（２１） Ψ^t ＤΨ＝Θ …（２２） （Ψ^t Ｕ^t ）Ｓ1 （ΨＵ）＝Θ …（２３） これは、 Ｚ＝（Ψ^t Ｕ^t ）Ｘ …（２４） と変換したときのＺのＳ1 に相等する。この変換により
Ｓ2 は白色化される。

【００７５】 （Ｕ^t Ψ^t ）Ｓ2 （ＵΨ）＝Ψ^t ＩΨ＝Ψ^t Ψ＝Ｉ …（２５） Ａ＝Ψ^t Ｕ^t ＝Ψ^t Λ^-1Ｅ^t Ｗt ^t …（２６） 各クラスの対象物の反射分光スペクトルに（２６）式で
表せられる変換行列Ａを掛けることで、多クラスの分類
が可能となる。

【００７６】次に、本第３実施例の色分類装置を使った
色分類について説明する。本実施例も、上記第１及び第
２実施例と同様に、まず学習モードを行ない、次に分類
モードを行なう。

【００７７】まず、学習モードについて説明する。即
ち、多クラスの対象物を前述の第１実施例と同様に撮
像、補正し、輝度スペクトルメモリ“dts ”４４_s に輝
度スペクトルｄｓ^m i"（但し、ｓ＝１〜ｎ，ｉ＝１〜
５）を書き込む。ここで、ｓはクラス番号、ｍはサンプ
ル番号、ｉはフィルタ番号とする。

【００７８】次に、分類演算部３２の切り替えスイッチ
“Ｄ”７２をｂ側に切り替えて、輝度スペクトルメモリ
“dts ”４４_s から輝度スペクトルｄｓ^m i"を読み込ん
で変換行列算出部７４で上記で説明したＨＴＣを用いて
変換行列を求め、変換行列メモリ７６に書き込む。この
変換行列をＡとする。

【００７９】次に、切り替えスイッチ“Ｄ”７２をａ側
に、また切り替えスイッチ“Ｃ”６０をｂ側に切り替え
て、輝度スペクトルメモリ“dts ”４４_s から輝度スペ
クトルｄｓ^m i"を読み出し、さらに変換行列メモリ７６
から変換行列Ａを読み出し、変換部７８でそれぞれの輝
度スペクトルｄｓ^m i"に変換行列Ａを掛ける。つまり、

【００８０】

【数１０】 この掛け算では、輝度スペクトルの次元数は変化せず、
この場合は５次元のままであり、この５次元のデータ

【００８１】

【数１１】 が分類のための評価値として分類境界決定部６２へ転送
される。なお、この（２７）式に於いては、Ｔは転置を
表す。分類境界決定部６２で、図９の（Ｂ）に示すよう
に分類境界を決定し、分類境界メモリ“cl”６４に書き
込む。

【００８２】以上ここまでが、学習モードである。次
に、分類モードについて説明する。前述した第１実施例
と同様に、分類したい対象物Ｏを撮像、補正し、輝度ス
ペクトルメモリ“dt1 ”４４₁ に輝度スペクトルｄxiを
書き込む。続いて、上記第１実施例と同様にして、分類
演算部３２の切り替えスイッチ“Ｄ”７２をａ側に、ま
た分類判定部３４の切り替えスイッチ“Ｃ”６０をａ側
に切り替えて、輝度スペクトルメモリ“dt1 ”４４₁ か
ら輝度スペクトルｄxi" を読み出し、さらに変換行列メ
モリ７６から変換行列Ａを読み出し、変換部７８で輝度
スペクトルｄxi" に変換行列Ａを掛け、その結果（値）
を分類決定部６６へ転送する。つまり

【００８３】

【数１２】 なる

【００８４】

【数１３】 が分類決定部６６へ送られる。そして、分類境界メモリ
“cl”６４から分類境界を読み出し、分類決定部６６へ
転送された値が、図９の（Ｂ）の分類境界中のどこにあ
るかを分類判定する。

【００８５】ここまでの操作を、分類モードとする。以
上のように、ＨＴＣを用いることにより、多クラスの場
合に於いて最適な分類のための変換行列を求めることが
できる。

【００８６】また、本第３実施例では、分類を５次元で
行うようにしたが、適当に次元を落とし（例えば２次
元）、分類境界を求めるようにしても良い。なお、ここ
まで説明した第１乃至第３実施例では、バンドパスフィ
ルタの通過帯域は任意に定められていた。つまり、既に
市販されている任意のフィルタを利用することができ、
回転色フィルタ１２を安価に製作することが可能であ
る。

【００８７】［第４実施例］次に、前述の第１乃至第３
実施例とは異なり、回転色フィルタ１２の帯域を分類し
たい対象物に応じて最適に求めるようにした色分類装置
を、本発明の第４実施例として説明する。

【００８８】本第４実施例の色分類装置の構成は前述し
た第１実施例と同様であり、ここでは、最適な分類フィ
ルタを計算する処理法について説明する。図１３の
（Ａ）は、最適化フィルタを求めるための装置の構成を
示す図で、対象物の反射分光スペクトルを測定するため
の分光計８０と、最適なフィルタを見つけるためのフィ
ルタ最適化演算回路８２と、参照板データメモリ８４
Ｗ，クラス１データメモリ８４Ａ，クラス２データメモ
リ８４Ｂと、フィルタパラメータメモリ８６Ａ，分類ス
ペクトルｄ1 メモリ８６Ｂ，分類スペクトルｄ2 メモリ
８６Ｃとから構成されている。本第４実施例では、分光
計８０を利用して、対象物Ｏのスペクトルを細かい間隔
で撮影し（例えば５ｎｍ）、このデータから複数枚（５
〜１０枚）の最適なバンドパスフィルタを決定する。

【００８９】まず、図１３の（Ａ）に示すように、クラ
ス既知の２クラスの対象物Ｏの反射分光スペクトル及び
参照板Ｒの反射分光スペクトルを分光計８０に撮影し、
データｄｓ^m （λ）としてデータメモリ８４Ａ，８４Ｂ
に書き込む。但しここで、ｓはクラス番号（ｓ＝０が参
照板，ｓ＝１がクラス１，ｓ＝２がクラス２）、ｍはサ
ンプル番号である。

【００９０】以降の処理はすべてフィルタ最適化演算回
路８２のなかで行なわれるもので、これを図１４に示す
フローチャートに沿って説明する。まず、回転色フィル
タ１２を構成するバンドパスフィルタのパラメータの初
期値を設定する（ステップＳ１）。このパラメータは、
図１３の（Ｂ）に示すように、フィルタの枚数（ｋ
枚）、各フィルタの中心波長（λi ）、各フィルタの帯
域幅（ｗi ）、各フィルタの透過率（ｔi ）であり、全
部でフィルタの枚数×３個である。なおここで、ｉはフ
ィルタ番号（ｉ＝１〜ｋ）である。

【００９１】その後、まず、クラス１の１つの対象物Ｏ
の反射分光スペクトルｄ1 ¹ （λ）について、バンドパ
スフィルタを通したデータに変換する。具体的には、１
枚目のフィルタについて

【００９２】

【数１４】 を行なう。続いて、２枚目，３枚目，…，ｋ枚目と行な
い、他のサンプルの反射分光スペクトルについても上記
の操作を行なって、ｄf1^m を求める。そして、この操作
を、クラス２の対象物Ｏの反射分光スペクトル及び参照
板Ｒの反射分光スペクトルについても行ない、ｄf2^m
（ｉ）とｄfs（ｉ）とを求める。以上の操作を、本第４
実施例では、スペクトル変換と呼ぶ（ステップＳ２）。

【００９３】このようにして得たデータｄf1^m （ｉ）及
びｄf2^m （ｉ）（但し、ｉ＝１〜ｋ，ｍ＝１〜Ｎ）を参
照板Ｒのデータｄfs（ｉ）で補正し（ステップＳ３）、
ＦＳ変換を行なって分類スペクトルを求める（ステップ
Ｓ４）。

【００９４】そして、この求めた分類スペクトルからFi
sher ratioを計算し、分類評価値Ｃを求める。分類評価
値Ｃは、このFisher ratioの他、センサのＳ／Ｎ比snr
や対象物Ｏの輝度等を考慮した値で、例えば次式であ
る。

【００９５】

【数１５】 ここで、Ｃa ，Ｃb ，Ｃc は、適当な重み係数である。
そして、この分類評価値Ｃとそのときのフィルタのパラ
メータを、フィルタパラメータメモリ８６Ａに書き込む
（ステップＳ５）。

【００９６】次に、フィルタのパラメータの１つを変更
し（ステップＳ６）、再び対象物Ｏの反射分光スペクト
ルを用いて上記のようにスペクトル変換を行ない（ステ
ップＳ７）、参照板Ｒのデータで補正する（ステップＳ
８）。そして、この新たに求められたデータを用いてＦ
Ｓ変換を行ない、分類スペクトルｄ1 ，ｄ2 を求め（ス
テップＳ９）、分類評価値Ｃnew を求める（ステップＳ
１０）。

【００９７】このとき、フィルタパラメータメモリ８６
Ａに書き込まれている分類評価値Ｃを読み込み、Ｃnew
とＣの大きさを比較する（ステップＳ１１）。その結
果、Ｃnew がＣよりも大きければ、フィルタパラメータ
メモリ８６Ａの分類評価値Ｃnew をＣに更新すると共に
このときのフィルタのパラメータを更新し、また分類ス
ペクトルｄ1 ，ｄ2 の値をそれぞれ分類スペクトルｄ1
メモリ８６Ｂ，分類スペクトルｄ2 メモリ８６Ｃに書き
込む（ステップＳ１２）。反対に、Ｃnew がＣより小さ
ければ、フィルタのパラメータを変更前の状態に戻す
（ステップＳ１３）。

【００９８】そして、フィルタのパラメータをすべて変
更したか否かを判断し（ステップＳ１４）、変更し終え
た場合には処理を終了し、変更し終えていない場合には
上記ステップＳ６に戻って、再びパラメータを変更す
る。

【００９９】なお、分類評価値が所定の値を越えたら処
理を中止するようにしても良い。以上のようにして、回
転色フィルタ１２のバンドパスフィルタのパラメータ及
び分類スペクトルｄ1 ，ｄ2 が求まる。そして、この特
性を有するバンドパスフィルタを製作し、以後は前述の
第１実施例等と同様に、学習モードにて分類境界を求
め、分類処理を行うことができる。ただし、上記第１実
施例と異なり、分類スペクトル算出部４８は不用とな
る。

【０１００】また、上記フローチャートに於いては、ス
テップＳ１１では単純にＣnew がＣより大きい時にのみ
ステップＳ１２に進むようにしているが、Ｃnew がＣよ
り小さい時にもある確率でステップＳ１２に進むような
Simulated Anealing法を用いることにより、グローバル
な最適値を求めることができる。

【０１０１】また、多クラス（ｎクラス）の分類に対し
て同様の処理を行うこともできる。この場合は、任意の
２クラスを選択し、上述したＦＳ変換を利用する。そし
て、分類評価値Ｃは２クラスの分類の分離具合を調べる
Fisher ratio、多クラスの分類の分離具合を表すＨＴＣ
値、センサのＳ／Ｎ比snr 、対象物の輝度df等を考慮し
た値で、例えば次式である。

【０１０２】

【数１６】 但しここで、Ｃa ，Ｃb ，Ｃc ，Ｃd は、適当な重み係
数である。

【０１０３】また、任意の２クラスを選択したＦＳ変換
ではなく、前述した第３実施例で説明したような変換行
列を求めた上で、上述の分類評価値を利用しても良い。 ［第５実施例］次に、本発明の第５実施例を説明する。
前述の第４実施例に於いては、各フィルタの透過率（ｔ
i ）もパラメータとして最適化した。しかし、撮影時の
ダイナミックレンジを考慮した場合には、この透過率は
対象物の輝度にあわせて決めた方が好ましい。例えば、
被写体の輝度が高い帯域では透過率を下げ、また、被写
体の輝度が低い帯域では透過率を上げた方がダイナミッ
クレンジが大きくなり、撮像時のＳ／Ｎが向上する。そ
こで、次式で示すような値に設定する。

【０１０４】

【数１７】 但しここで、Ｃは定数、Ｗi はフィルタの帯域幅、Ｌia
veはその帯域における対象物の平均輝度である。これを
模式的に図示すると、図１５に示すようになる。

【０１０５】また、ダイナミックレンジを向上させる別
の手段として、露光時間を変化させても良い。この場合
には、各フィルタの画像を撮像する度にＣＣＤのシャッ
タ速度を変化させたり、光学系１０の絞りを変化させ
る。

【０１０６】また、図２の（Ｃ）に示したような回転色
フィルタ１２を用いる場合には、図１６のように光の遮
光部分（即ち、各フィルタ）の大きさを、露光量に応じ
て変化させるようにしても良い。

【０１０７】［第６実施例］次に、本発明の第６実施例
を説明する。上述した実施例は光源が変化するのに対応
したものであったが、限定されている光源の場合には、
より簡単に最適化を行なうことができる。そこで、光源
が限定されている場合の２クラスのものの分類を行なう
色分類装置を、本発明の第６実施例として説明する。

【０１０８】即ち、光源が限定されている場合には、参
照板Ｒによる補正が不要なため、分光計で撮影された次
元でＦＳ変換を行ない、理想的な分類スペクトルを算出
でき、このフィルタから実用的な次元数の少ないフィル
タを算出できる。図１７の（Ａ）には、全体のフィルタ
算出までの構成図を示す。

【０１０９】分類スペクトル算出部４８は、前述した第
１実施例と同様なものであり、ＦＳ変換により分類スペ
クトルｄ1 ，ｄ2 を算出する。ただし、次元数は、分光
計８０で撮影されるスペクトルの次元数だけであり、フ
ィルタ演算回路８８では、この分類スペクトルｄ1 ，ｄ
2 を近似するべき複数のバンドパスフィルタが算出され
る。この算出には、前述した第４実施例で述べたような
逐次的な処理を用いることができる。例えば、実現した
い分類スペクトルｄ1 ，ｄ2 を適当なバンドパスフィル
タの線型結合として近似する。分類スペクトルｄ1 ，ｄ
2 を近似するスペクトルｄ1 ’，ｄ2 ’を ｄ1 ’＝Ｕ1 （λ）＋Ｕ2 （λ）＋Ｕ3 （λ）＋…＋Ｕｍ（λ） ｄ2 ’＝Ｖ1 （λ）＋Ｖ2 （λ）＋Ｖ3 （λ）＋…＋Ｖｎ（λ） …（３３） のように、バンドパスフィルタＵi （λ）（但し、ｉ＝
１〜ｍ）、Ｖj （λ）（但し、ｊ＝１〜ｎ）にて表し、
次の評価値Ｃ1 ，Ｃ2 を最小とするＵi （λ），Ｖj
（λ）を逐次的に求める。

【０１１０】 Ｃ1 ＝｜ｄ1 −ｄ1 ’｜² Ｃ2 ＝｜ｄ2 −ｄ2 ’｜² …（３４） なお、上記第４実施例で示したように、評価値にさらに
Fisher RatioやＳ／Ｎを考慮するようにしても良い。

【０１１１】このようにして、分類スペクトルｄ1 ，ｄ
2 を近似するべき複数のバンドパスフィルタが算出さ
れ、図１７の（Ｂ）に示すように、回転色フィルタ１２
として構成される。

【０１１２】また、分類演算回路２８は、図１８のよう
に構成される。まず、輝度成分抽出部３０は、光源の補
正が不要のためメモリ４０Ａ，４０Ｂ及び補正回路４２
が無くなり、輝度スペクトルはダイレクトに輝度スペク
トルメモリ“dtａ”４４Ａ及び“dtｂ”４４Ｂに記憶さ
れる。また、分類演算部３２は、単純な累積加算回路と
なり、累積加算値ｔ１，ｔ２が分類判定部３４へ送られ
る。分類判定部３４は、上記第１実施例と同構成であ
る。

【０１１３】本第６実施例のように、光源が限定された
場合には、光源を補正する場合に比較して回路構成が大
変にシンプルとなる。また、光源が数種類に限定されて
いる場合には、図１９に示すように、光源９０を検出す
るための光源検出装置９２を設け、その光源９０の種類
に応じて、専用の回転色フィルタ１２を交換するような
フィルタ交換部９４を設けても良い。

【０１１４】［第７実施例］次に、図１３の分類判定部
３４にニューラルネットワークを用い、複雑な分類判定
を良好に行なうようにした本発明の第７実施例を説明す
る。この分類判定部３４は、内積値ｔ１，ｔ２から対象
物のクラス番号を出力するものであり、図２０の（Ａ）
に示すように、２入力，１出力のニューラルネットワー
ク９６と、その学習のための学習器９８とにより構成す
ることができる。

【０１１５】このニューラルネットワーク９６は、内積
値ｔ１，ｔ２の値が、入力層のユニット１００Ａ，１０
０Ｂに入力する。これら入力層のユニット１００Ａ，１
００Ｂは、入力した信号をそのまま中間のユニット１０
２Ａ〜１０２Ｎに分配する。中間のユニット１０２Ａ〜
１０２Ｎ及び出力層のユニット１０４は、複数の入力端
子と１個の出力端子を有している。

【０１１６】各ユニットは次式の処理を実行する。 ｙ＝ｆ（Σｗ_i ｘ_i ＋θ） …（３５） 但しここで、ｘ_i は端子ｉへの入力、ｗ_i は端子ｉの重
み係数、θはバイアス値である。また、ｆは、次式のよ
うなシグモイド関数である。

【０１１７】 ｆ（ｘ）＝１／（１＋ｅ^-x） …（３６） このニューラルネットワーク９６には、重みメモリ１０
６からそれぞれのクラス決定に必要な重み係数とバイア
ス値が、中間層及び出力層の各ユニット１０２Ａ〜１０
２Ｎ及び１０４に与えられるように構成されている。

【０１１８】そして、学習モード時には、学習器９８に
よりクラス番号がニューラルネットワーク９６から出力
されるように、ラメルハート等が考案した一般化デルタ
ルール学習法（「ＰＤＰモデル・認知科学とニューロン
回路網の探索」第８章、Ｄ．Ｅ．ラメルハート、Ｊ．
Ｌ．マクレランド、ＰＤＰリサーチグループ著、甘利俊
一監訳、産業図書、１９８９）により学習が行なわれ
る。

【０１１９】このニューラルネットワークを用いること
により、その分類境界が複雑な場合や、多クラスの場合
にも容易に分類判定を行なうことができる。また、現在
人間が経験的に行なっている分類も、ニューラルネット
ワークを利用することにより、容易に実現することがで
きる。

【０１２０】なお、ニューラルネットワークで学習を行
なう際には、学習に適さないデータを取り除くための前
処理回路を設けても良い。また、ニューラルネットワー
クは、その実行時に於いて時間がかかることから、図２
０の（Ｂ）に示すように、学習により得られたニューラ
ルネットワーク９６を利用して、２入力１出力の分類テ
ーブル１０８を作成し、実行時にこの分類テーブル１０
８を用いることもできる。この場合には、分類テーブル
１０８の作成のためのテーブル作成回路１１０を利用す
る。

【０１２１】また、異なる分類目的には改めて学習を行
なうことになるが、この場合は、重みメモリ１０６の値
だけが異なる。そこで、分類目的毎に学習をして、異な
る重みメモリに記憶しておき、実行時に、分類目的に応
じて重みメモリを選択する又は分類テーブルを選択する
構成としても良い。

【０１２２】［第８実施例］前述の実施例では、主に回
転色フィルタ１２により分類を行なう色分類装置であっ
たが、この場合、対象物Ｏが動いたときに、各フィルタ
で撮像された画像にずれが生じる。上記第１実施例で
は、輝度成分抽出部３０にて、ある範囲の平均を求める
ようにしたため、このずれが平均する大きさに対して小
さい場合は実用上問題はない。しかし、高速に動く対象
物を撮像する場合や、対物物が小さく十分平均する範囲
を確保できない場合は、このずれが問題となってくる。
そこで、このずれの影響を除去する方法を、本発明の第
８実施例として説明する。

【０１２３】即ち、図２１の（Ａ）に示すように、輝度
成分抽出部３０に、マスク回路１１２Ａ，１１２Ｂ，１
１２Ｗを設ける。このマスク回路１１２Ａ，１１２Ｂ，
１１２Ｗは、図２１の（Ｂ）に示すように、２次元画像
の周辺に近いほど振幅が小さくなるような１種のフィル
タである。画像にずれが生じる場合画像の周辺部ほど異
なるパターンが周りから入りこむため、このようなマス
ク処理することによりずれの影響を軽減することができ
る。このマスクとしては、例えばガウシアン関数を近似
したものを用いる。この方法は、簡単な処理で大きな効
果を得ることができる。

【０１２４】また、図２２の（Ａ）示すように、画像ず
れ補正回路１１４を用いる。この画像ずれ補正回路１１
４は、各フィルタ１２Ａ〜１２Ｅで撮像された画像のず
れを補正するもので、具体的には、図２２の（Ｂ）に示
すように構成される。即ち、この画像ずれ補正回路１１
４は、フレームメモリ１１６と、相関演算に用いる参照
画像を記憶する参照エリアメモリ１１８、相関演算を行
なう相関回路１２０と読み出し制御回路１２２にて構成
される。このような構成に於いて、フィルタを通して撮
像された画像は、まずフレームメモリ１１６に記憶され
ると共に、その１部が参照エリアメモリ１１８に記憶さ
れる。そして、続いて撮像される別のフィルタを通して
得られた画像がフレームメモリ１１６に記憶され、相関
回路１２０にて、参照エリアメモリ１１８に記憶されて
いる参照画像との間で相関演算が行なわれる。この相関
演算は、差の絶対値和を比較する方法等により行なわ
れ、２画像連続したフィルタ画像間でのずれ量が得られ
る。そして、このずれ量に基づいて、読み出し制御回路
１２２にて、最初に撮像した画像に合わせるようにフレ
ームメモリからの読み出し位置を制御することにより、
画像間のずれを補正することができる。この方法は、対
象物が小さい場合でも有効である。

【０１２５】また、画像を細かいブロックに分割し、ブ
ロック毎にずれ量を求め、これを補正することにより、
画像中の１部分が動く場合でも、ずれを補正することが
できる。

【０１２６】

【発明の効果】以上詳述したように、本発明によれば、
装置構成が簡単で、低コストで、且つ機械的振動等にも
耐えられ、しかも光源を限定せずにそのスペクトルが変
化する場合などにも良好に色分類可能な色分類装置を提
供することができる。

【図面の簡単な説明】

【図１】本発明の第１実施例の色分類装置の構成を示す
図である。

【図２】（Ａ）は第１実施例の色分類装置に使用される
回転色フィルタに使用される複数のバンドパスフィルタ
の特性を示す図であり、（Ｂ）及び（Ｃ）はそれぞれ回
転色フィルタの構成を示す図である。

【図３】図１中の分類演算回路のブロック構成図であ
る。

【図４】図３中の輝度成分抽出部の構成を示す図であ
る。

【図５】（Ａ）及び（Ｂ）はそれぞれ図４中の補正回路
の構成を示す図であり、（Ｃ）は図３中の分類演算部及
び分類判定部の構成を示す図である。

【図６】２クラスの対象物を示す図である。

【図７】第１実施例の色分類装置が学習モードで決定す
る分類境界を示す図である。

【図８】分類したいクラス未知の対象物を示す図であ
る。

【図９】（Ａ）は第１実施例に於ける分類演算部の別の
構成例を示す図であり、（Ｂ）は本発明の第２実施例の
色分類装置に於いて決定される分類境界を示す図であ
る。

【図１０】第１実施例の色分類装置の変形例を示す図で
ある。

【図１１】本発明の第２実施例の色分類装置に於ける輝
度成分抽出部の構成を示す図である。

【図１２】本発明の第３実施例の色分類装置に於ける輝
度成分抽出部及び分類判定部の構成を示す図である。

【図１３】（Ａ）は本発明の第４実施例に於いて最適化
フィルタを求めるための装置の構成を示す図であり、
（Ｂ）は回転色フィルタを構成するフィルタのパラメー
タに関する図である。

【図１４】図１３の（Ａ）中のフィルタ最適化演算回路
の動作フローチャートである。

【図１５】本発明の第５実施例に於ける各フィルタの透
過率の決め方を説明するための図である。

【図１６】第５実施例に使用される回転色フィルタの構
成を示す図である。

【図１７】（Ａ）は本発明の第６実施例に於いて最適化
フィルタを求めるための装置の構成を示す図であり、
（Ｂ）は第６実施例に使用される回転色フィルタの構成
を示す図である。

【図１８】第６実施例の色分類装置に於ける輝度成分抽
出部、分類演算部、及び分類判定部の構成を示す図であ
る。

【図１９】第６実施例の色分類装置の変形例を示す図で
ある。

【図２０】（Ａ）及び（Ｂ）はそれぞれ本発明の第７実
施例の色分類装置に於ける分類判定部の構成例を示す図
である。

【図２１】（Ａ）は本発明の第８実施例の色分類装置に
於ける輝度成分抽出部の構成を示す図であり、（Ｂ）は
（Ａ）中の各マスク回路の特性を示す図である。

【図２２】（Ａ）は第８実施例の色分類装置の構成を示
す図であり、（Ｂ）は（Ａ）中の画像ずれ補正回路の構
成を示す図である。

【図２３】従来の色判別装置に於ける分類スペクトルの
特性を有するフィルタの構成を示す図である。

【図２４】分類スペクトルを説明するための図である。

【符号の説明】

１０…光学系、１２…回転色フィルタ、１２Ａ〜１２Ｅ
…バンドパスフィルタ、１４…ＣＣＤ、１６…Ａ／Ｄ変
換器、１８，１１６…フレームメモリ、２０…モニタ、
２２…ＣＣＤ駆動ドライバ、２４…回転色フィルタ駆動
モータ、２６…コントロール部、２８…分類演算回路、
３０…輝度成分抽出部、３２…分類演算部、３４…分類
判定部３４、３６Ａ，３６Ｂ，３６Ｗ，３６₁ 〜３６_n
…測定領域抽出部、３８Ａ，３８Ｂ，３８Ｗ，３８₁ 〜
３８_n …輝度成分平均化部、４０Ａ，４０Ｂ，４０Ｗ，
４０₁ 〜４０_n …輝度成分メモリ、４２…補正回路、４
２₁ …除算器、４２₂ …パワー正規化回路、４４Ａ，４
４Ｂ，４４₁ 〜４４_n …輝度スペクトルメモリ、４６，
５４，６０，６８，７２…切り替えスイッチ、４８…分
類スペクトル算出部、５０，５２，８６Ｂ，８６Ｃ…分
類スペクトルメモリ、５６…積算器、５８…累積演算
部、５８Ａ…加算器、５８Ｂ…ラッチ、６２…分類境界
決定部、６４…分類境界メモリ、６６…分類決定部、７
０…光路分割手段、７４…変換行列算出部、７６…変換
行列メモリ、７８…変換部、８０…分光計、８２…フィ
ルタ最適化演算回路、８４Ａ，８４Ｂ，８４Ｗ…データ
メモリ、８６Ａ…フィルタパラメータメモリ、８８…フ
ィルタ演算回路、９０…光源、９２…光源検出装置、９
４…フィルタ交換部、９６…ニューラルネットワーク、
９８…学習器、１００Ａ，１００Ｂ，１０２Ａ〜１０２
Ｎ，１０４…ユニット、１０６…重みメモリ、１０８…
分類テーブル、１１０…テーブル作成回路、１１２Ａ，
１１２Ｂ，１１２Ｗ…マスク回路、１１４…画像ずれ補
正回路、１１８…参照エリアメモリ、１２０…相関回
路、１２２…読み出し制御回路、Ｏ…対象物、Ｒ…参照
板。

───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平５−93654（ＪＰ，Ａ) 特開 平３−267726（ＪＰ，Ａ) 特開 平５−187921（ＪＰ，Ａ) 特開 平５−164687（ＪＰ，Ａ) 特開 平７−113689（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) G01J 3/00 - 3/52 G01N 21/00 - 21/01 G01N 21/17 - 21/61 ＰＡＴＯＬＩＳ

Claims (12)

(57)【特許請求の範囲】
1. 【請求項１】 対象物の反射分光スペクトルを撮像する
   撮像手段と、 前記対象物と撮像手段との間に配置したそれぞれ異なる
   帯域を持つ複数のバンドパスフィルタと、クラスが既知の 対象物の反射分光スペクトルから統計的
   手法を用いてクラスが未知の前記対象物の分類を行なう
   分類手段と、前記対象物の輝度に応じて、前記複数のバンドパスフィ
   ルタのそれぞれの透過率もしくは露光時間を制御する手
   段と、 を具備することを特徴とする色分類装置。
2. 【請求項２】 前記分類手段は、前記対象物を照明する
   光源のスペクトル特性及び輝度を正規化する正規化手段
   を含むことを特徴とする請求項１に記載の色分類装置。
3. 【請求項３】 前記分類手段は、クラスが既知の対象物
   の反射分光スペクトルからFisher ratioを最大にすると
   きのスペクトルである分類スペクトルを算出し、この分
   類スペクトルを用いてクラスが未知の対象物の分類を行
   なうことを特徴とする請求項１に記載の色分類装置。
4. 【請求項４】 前記分類手段は、前記撮像手段によって
   撮像されたクラスが既知の対象物の反射分光スペクトル
   を記憶する記憶手段と、前記記憶手段に記憶されたクラ
   スが既知の対象物の反射分光スペクトルから前記分類ス
   ペクトルを算出する算出手段と、前記算出手段で算出さ
   れた分類スペクトルを用いて、前記撮像手段で撮像され
   たクラスが未知の対象物を分類する手段とを具備するこ
   とを特徴とする請求項３に記載の色分類装置。
5. 【請求項５】 前記分類手段は、それぞれ異なるクラス
   が既知の反射分光スペクトルを予め記憶している複数の
   記憶手段と、前記記憶手段を適宜選択して記憶されてい
   る反射分光スペクトルを出力する選択出力手段と、前記
   選択出力手段によって出力された反射分光スペクトルか
   ら前記分類スペクトルを算出する算出手段と、前記算出
   手段で算出された分類スペクトルを用いて、前記撮像手
   段で撮像されたクラスが未知の対象物を分類する手段と
   を具備することを特徴とする請求項３に記載の色分類装
   置。
6. 【請求項６】 前記複数のバンドパスフィルタは、予め
   クラスが既知の対象物の反射分光スペクトルを所定の波
   長間隔で撮像して得たデータから求められた帯域及び振
   幅を有するように構成されていることを特徴とする請求
   項１に記載の色分類装置。
7. 【請求項７】 前記対象物を照明する光源が限定されて
   いる場合、予めクラスが既知の対象物の反射分光スペク
   トルを撮像し、Foley Sammon変換を利用して統計処理し
   てFisher ratioを最大にするときのスペクトルである分
   類スペクトルを算出し、この分類スペクトルを近似する
   よう前記複数のバンドパスフィルタが構成されることを
   特徴とする請求項１に記載の色分類装置。
8. 【請求項８】 対象物の反射分光スペクトルを撮像する
   撮像手段と、 前記対象物と撮像手段との間に配置したそれぞれ異なる
   帯域を持つ複数のバンドパスフィルタと、 クラスが既知の対象物の反射分光スペクトルから統計的
   手法を用いて前記対象物の分類を行なう分類手段と、 を具備する色分類装置であって、 前記複数のバンドパスフィルタは、それぞれ所定数のバ
   ンドパスフィルタを有する複数組のフィルタ手段から成
   り、 前記色分類装置は、 前記対象物を照明する光源と、 前記光源の種類を検出する光源検出手段と、 前記光源検出手段で検出された前記光源の種類に応じ
   て、前記複数組のフィルタ手段の一つを選択的に前記対
   象物と撮像手段との間に配置する第１の切替手段と、 前記第１の切替手段によって選択的に配置された前記フ
   ィルタ手段の所定数のバンドパスフィルタのそれぞれを
   前記対象物と撮像手段との間に適宜挿入配置する第２の
   切替手段と、 をさらに具備することを特徴とする色分類装置。
9. 【請求項９】 前記分類手段は、前記撮像手段によって
   撮像された対象物の反射分光スペクトルからFisher rat
   ioを最大にするときのスペクトルである分類スペクトル
   を算出し、該分類スペクトルと前記反射分光スペクトル
   との内積値を演算する分類演算手段と、前記分類演算手
   段からの前記内積値を用いて前記対象物の分類を行なう
   ニューラルネットワークを含む分類判定手段とを有する
   ことを特徴とする請求項１に記載の色分類装置。
10. 【請求項１０】 前記分類判定手段は、前記撮像手段に
    よってクラス既知の対象物を撮像して学習したニューラ
    ルネットワークを利用して分類テーブルを作成するテー
    ブル作成手段と、前記撮像手段によって撮像されたクラ
    ス未知の対象物を前記テーブル作成手段によって作成さ
    れた分類テーブルを用いて分類する手段と含むことを特
    徴とする請求項９に記載の色分類装置。
11. 【請求項１１】 前記複数のバンドパスフィルタで撮像
    される画像間のずれを補正するためのマスクフィルタも
    しくは画像ずれ補正回路をさらに具備することを特徴と
    する請求項１に記載の色分類装置。
12. 【請求項１２】 前記統計的手法は、複数クラスの分類
    に於いて、前記複数クラスの内の任意の２クラスを用い
    たFoley Sammon変換もしくはHotelling trace criterio
    nであることを特徴とする請求項１に記載の色分類装
    置。