JP5127738B2 - 画像処理方法および画像処理装置およびプログラム - Google Patents

画像処理方法および画像処理装置およびプログラム Download PDF

Info

Publication number
JP5127738B2
JP5127738B2 JP2009026689A JP2009026689A JP5127738B2 JP 5127738 B2 JP5127738 B2 JP 5127738B2 JP 2009026689 A JP2009026689 A JP 2009026689A JP 2009026689 A JP2009026689 A JP 2009026689A JP 5127738 B2 JP5127738 B2 JP 5127738B2
Authority
JP
Japan
Prior art keywords
distance
pixel
cluster
feature vector
processed
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
Application number
JP2009026689A
Other languages
English (en)
Other versions
JP2010182204A5 (ja
JP2010182204A (ja
Inventor
聡 内藤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Inc
Original Assignee
Canon Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Canon Inc filed Critical Canon Inc
Priority to JP2009026689A priority Critical patent/JP5127738B2/ja
Priority to US12/697,438 priority patent/US8290255B2/en
Publication of JP2010182204A publication Critical patent/JP2010182204A/ja
Publication of JP2010182204A5 publication Critical patent/JP2010182204A5/ja
Application granted granted Critical
Publication of JP5127738B2 publication Critical patent/JP5127738B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)

Description

本発明は、画像データを領域分割するための画像処理方法および画像処理装置およびプログラムに関する。
近年、文書を紙ではなく、電子化して保存あるいは送信する需要が高まっている。ここでいう文書の電子化とは、単に紙上の文書をスキャナ等によって読み取って画像データを得るにとどまらない。例えば、文書を構成する文字、図、写真、表等の性質の異なる領域に画像データを分離する。そして、文字領域は文字コード、図領域はベクトルデータ、背景領域や写真領域はビットマップデータ、表領域は構造データなど、各々最も適した形式にデータ化する処理が、文書の電子化処理で行なわれる。
ベクトルデータへの変換手法として、例えば特許文献1の画像処理装置が開示されている。該画像処理装置では、クラスタリング処理により領域分割を行い、各領域の輪郭を抽出し、抽出された輪郭をベクトルデータへ変換する。また、特許文献2では、画像を背景と前景に分離し、前景をベクトルデータに変換し、背景を背景専用の方法でデータ圧縮する画像処理方法が開示されている。
ところで、画像をクラスタリング処理により領域分割する方法としてはNearest Neighborクラスタリング法や、K−meansクラスタリング法等が知られている。
Nearest Neighborクラスタリング法は、処理対象の画素の特徴ベクトルと各クラスタの代表特徴ベクトルを比較して、最も距離が近い特徴ベクトルを持つクラスタを探索する。距離が所定の閾値以下であれば該クラスタに処理対象の画素を帰属させる。そうでなければ新たなクラスタを定義して、該クラスタに処理対象の画素を帰属させる。なお、ここで特徴ベクトルは色情報(R、G、Bから成る画素値)が使われるのが一般的である。クラスタの代表特徴ベクトルとは、一般的にクラスタの重心が用いられる。即ち、クラスタに帰属する各画素の特徴ベクトル(色情報)の平均値である。
K−meansクラスタリング法は、予めK個のクラスタとその代表特徴ベクトルを定義しておき、各画素を特徴ベクトルとの距離が最も近いクラスタに帰属させる。全ての画素に対する処理を終えた後、各クラスタの代表特徴ベクトルを更新する。以上の処理を、更新前後の代表特徴ベクトルの差が所定値以下になるまで繰り返す。
ところで、Nearest Neighborクラスタリング法とK−meansクラスタリング法のいずれも、処理対象の画素の特徴ベクトルと距離が最も近い代表特徴ベクトルを持つクラスタを、全てのクラスタの中から探索する処理を行う。即ち、画素毎に全てのクラスタの代表特徴ベクトルとの距離を算出しなければならない。その為、領域分割の精度を高めるためにクラスタ数を増やすと、計算時間が増大するという問題があった。
このような問題を解決するための従来技術として、例えば特許文献3のカラー画像処理装置が開示されている。従来技術では、処理対象の画素と隣接画素の特徴ベクトル(色情報)に基づいてクラスタリングを行う。次に、クラスタ同士の色情報及び幾何学情報に基づいてクラスタのグルーピングを行う。ここで、幾何学情報とは、領域同士の近さを表す座標情報などである。
特開2007−158725号公報 特開2008−042345号公報 特開平11−288465号公報
しかしながら、従来技術では処理対象の画素と隣接画素の特徴ベクトルの距離が離れている場合は、クラスタを新たに定義し、注目画素を該クラスタに帰属させるので、大量のクラスタが定義される。その為、グルーピングに要する処理時間が増大するという問題があった。
そこで、本発明は、クラスタリング処理により高速に画像の領域分割を行うことのできる画像処理方法を提供する事を目的とする。
以上に説明した課題を解決するため、本発明の画像処理方法は、画像データを複数のクラスタに分割する画像処理方法であって、処理対象の画素の特徴ベクトルと、前記処理対象の画素の近傍画素が属するクラスタの代表特徴ベクトルとの距離である第1の距離を算出する第1の距離の算出工程と、前記第1の距離が第1の閾値以下である場合、前記処理対象の画素を近傍画素が属するクラスタに帰属させる第1帰属工程と、定義されたクラスタがあり、かつ前記第1の距離が前記第1の閾値より大きい場合、前記処理対象の画素の特徴ベクトルと前記定義された各クラスタの代表特徴ベクトルとの距離を各々算出し、その中で最も近い距離である第2の距離を算出する第2の距離の算出工程と、前記第2の距離が第2の閾値以下である場合、前記処理対象の画素を前記第2の距離に対応するクラスタに帰属させ、定義されたクラスタがない場合または前記第2の距離が前記第2の閾値よりも大きい場合、前記処理対象の画素が帰属すべきクラスタを新たに定義し、前記処理対象の画素を新たに定義したクラスタに帰属させる第2帰属工程とを有する。
また他の観点によれな本発明は、画像データを、予め代表特徴ベクトルが定められた複数のクラスタに分割する画像処理方法であって、処理対象の画素の特徴ベクトルと、前記処理対象の画素の近傍画素が属するクラスタの代表特徴ベクトルとの距離である第1の距離を算出する第1の距離の算出工程と、前記第1の距離が閾値以下である場合、前記処理対象の画素を近傍画素が属するクラスタに帰属させる第1帰属工程と、前記第1の距離が前記閾値より大きい場合、前記処理対象の画素の特徴ベクトルと前記複数のクラスタそれぞれの代表特徴ベクトルとの距離を算出し、距離が最も近いクラスタに前記処理対象の画素を帰属させる第2帰属工程とを有する。
本発明の画像処理方法では、処理対象画素の特徴ベクトルと、処理対象画素が属する蓋然性が高いと考えられるクラスタ、例えば隣接画素の属するクラスタの代表特徴ベクトルとの距離が先ず算出される。そして、前記距離が閾値以下である場合、処理対象画素は該クラスタに帰属するものとして領域分割される。このため、従来よりも距離の算出回数を削減できる、高速な領域分割が可能となる。
実施形態1の画像処理方法の具体的な処理を表すフローチャート 実施形態2の画像処理方法の具体的な処理を表すフローチャート 実施形態3の画像処理方法の具体的な処理を表すフローチャート 実施形態4の画像処理方法の具体的な処理を表すフローチャート 実施形態5の画像処理方法の具体的な処理を表すフローチャート 実施形態6の画像処理方法の具体的な処理を表すフローチャート ベクトルデータ変換装置の構成を表すブロック図 ベクトルデータ変換装置の構成を表すブロック図 実施形態1の画像処理方法における距離算出回数を例示する図 従来技術と実施形態1の画像処理方法による領域分割を例示する図 実施形態1の画像処理方法による領域分割を例示する図 実施形態2の画像処理方法における距離算出回数を例示する図 実施形態3の画像処理方法における距離算出回数を例示する図 実施形態4の画像処理方法における距離算出回数を例示する図 実施形態5の画像処理方法における距離算出回数を例示する図 実施形態6の画像処理方法における距離算出回数を例示する図
<実施形態1>
本発明の実施形態1の画像処理方法と、それを用いたベクトルデータ変換装置の構成について、図7を参照して説明する。なお画素の属するクラスタは、例えば各画素に関連づけられた属性のビットマップデータとしてメモリ等に保持される。したがって或る画素が或るクラスタに帰属するとは、当該画素に関連づけられた属性のうち帰属するクラスタを示す情報として、当該クラスタの識別情報が書き込まれる、或いは保存されることを意味している。
図7において、701は本実施形態の画像処理方法を適用して画像の領域分割を行うクラスタリング処理部である。クラスタリング処理部701へは画像データが左上から1画素ずつラスタスキャン順で入力される。702はクラスタリング処理部701によって分割された各領域の輪郭を抽出する輪郭抽出部である。703は輪郭抽出部702によって抽出された輪郭を基にベクトルデータを生成するベクトルデータ生成部である。図7の構成は、例えばプログラムをコンピュータにより実行することで実現されるソフトウェアモジュールを示す。コンピュータは、汎用コンピュータであっても良いし、ディジタル多機能機等に組み込まれた組み込みコンピュータであっても良い。コンピュータシステムの構成は一般的なものであり、プロセッサと主メモリとファイルストレージとユーザインターフェースと外部機器(例えばスキャナ)等との間のインターフェースを有する。本実施形態における処理対象の画像データは、ファイルストレージに格納されたものや、例えばスキャナで読み取られたもの、あるいは通信で接続された他のコンピュータから受信したものなどである。
次に、クラスタリング処理部701の動作を、図1に示すフローチャートを用いて詳細に説明する。
まず、クラスタ数を表す変数num_clusterを0に初期化する(ステップS101)。次に、クラスタリング処理対象の画素(以下、処理対象画素と記す)の特徴ベクトルPcを取得する(ステップS102)。なお、本実施形態の画像処理方法では、特徴ベクトルとしてRGB色空間の画素値(すなわち色値)を用いるが、本発明はこれに限定されるものではない。例えば、YCC色空間の画素値を用いてもよいし、画素値に加えて画素の座標情報を特徴ベクトルに用いてもよい。
次に、クラスタ数が0であるか否かを判定する(ステップS103)。クラスタ数が0である場合は(ステップS103でYES)、ステップS117へ処理を移行する。そうでない場合は(ステップS103でNO)、ステップS104へ処理を移行する。
ステップS104で、処理対象画素の近傍に位置する画素(以下、近傍画素と記す)が帰属するクラスタCnの代表特徴ベクトルPnを取得する。ここで、代表特徴ベクトルとは、クラスタに帰属する画素の特徴ベクトルの平均値であるとする。即ち、クラスタに帰属する画素の画素値の平均値とする。
なお、本実施形態の画像処理方法では、近傍画素を処理対象画素の左隣に位置する画素とするが、本発明はこれに限定されるものではない。例えば処理対象画素の左、上及び左上に位置する複数の画素としてもよい。近傍画素として参照する画素の数については、例えば近傍画素の情報を格納可能なメモリの容量に応じて決めればよい。画像に含まれる画素は空間的な相関性が高いという性質を持つため、或る画素とその近傍画素とは互いに同じクラスタに属する(例えばよく似た色を持つ)蓋然性が高い。そこで本実施形態(および実施形態3,5も同様)では、同じクラスタに属する蓋然性が高いと画素として近傍画素を用いている。
ステップS105で、処理対象画素の特徴ベクトルPcと近傍画素の代表特徴ベクトルPnとの距離D(Pc,Pn)を算出する。ここで算出される距離D(Pc,Pn)を第1の距離とも呼ぶ。これは他の実施形態も同様である。本実施形態の画像処理方法ではユークリッド距離を算出するが、本発明はこれに限定されるものではなく、例えばマンハッタン距離を算出してもよい。
次に、距離D(Pc,Pn)と予め定められた第1の閾値T1とを比較する。距離D(Pc,Pn)が閾値T1以下(すなわち第1の閾値以下)であれば(ステップS106でYES)、処理対象画素をクラスタCnに帰属させ、クラスタCnの代表特徴ベクトルを更新する(ステップS107)。そうでなければ(ステップS106でNO)、ステップS108へ処理を移行する。なお帰属させる処理とは、例えば、処理対象画素の属性に含まれる帰属先のクラスタを示すクラスタ情報として、クラスタCnに固有の識別情報を書き込むなどして、画素の帰属先クラスタを定義する処理である。この帰属させるステップを、他と区別するために第1帰属ステップと呼ぶこともある。また更新とは新たに帰属が決定された対象画素を含めた、当該クラスタに属する画素の特徴ベクトルの平均値を再計算することである。
ここで、本実施形態の画像処理方法では、閾値T1の値は後述する閾値T2より小さいものとするが、本発明はこれに限定されるものではなく、例えば同じ値であってもよい。
なお、ステップS104で複数の近傍画素が帰属する各々のクラスタの代表特徴ベクトルを取得した場合は、各々の代表特徴ベクトルとの距離を算出して最も値が小さいものを選択し、閾値T1と比較すればよい。あるいは、左、上、左上といった順番に、近傍画素が帰属するクラスタの代表特徴ベクトルとの距離の算出と閾値T1との比較を順次行ってもよい。この場合は、閾値T1以下と判定した時点で帰属するクラスタを決定し、残りの近傍画素が帰属するクラスタの代表特徴ベクトルとの距離の算出処理を打ち切る。
ステップS108へ処理を移行した場合(ステップS106でNO)は、処理対象画素の特徴ベクトルと近傍画素が帰属するクラスタの代表特徴ベクトルとの距離が離れている。よって、ステップS108〜S114で全てのクラスタの代表特徴ベクトルとの比較を行う。
ステップS108では、ループインデクスiを初期化(初期値=1)する。また、処理対象画素の特徴ベクトルと各クラスタの代表特徴ベクトルとの距離のうち、最短の距離を表す変数min_distanceを定数MAX_VALで初期化する。ここで、定数MAX_VALには、特徴空間(色情報)で取り得る最大の距離よりも大きな値を設定する。さらに、処理対象画素の特徴ベクトルとの距離が最も近いクラスタの番号を表す変数nを初期化(初期値=1)する。
次に、クラスタCiの代表特徴ベクトルPiを取得する(ステップS109)。処理対象画素の特徴ベクトルPcとクラスタCiの代表特徴ベクトルPiとの距離D(Pc,Pi)を算出し(ステップS110)、変数min_distanceと比較する(ステップS111)。距離D(Pc,Pi)が変数min_distance以下であれば(ステップS111でYES)、min_distanceに距離D(Pc,Pi)を代入して変数nにループインデクスiを代入し(ステップS112)、ステップS113へ処理を移行する。そうでなければ(ステップS111でNO)、ステップS113へ処理を移行する。
ステップS113でループインデクスiに1を加算し、ステップS114では処理対象画素の特徴ベクトルPcと全てのクラスタの代表特徴ベクトルとの比較を終えた否かを判定する。全てのクラスタとの比較を終えた場合(ステップS114でYES)、ステップS115へ処理を移行する。そうでない場合は(ステップS114でNO)、ステップS109へ処理を移行する。
ステップS115で、変数min_distanceと第2の閾値T2を比較する。ここで変数min_distanceには最小値が格納されており、この変数min_distanceで示される距離を第2の距離とも呼ぶ。これは他の実施形態も同様である。変数min_distanceが閾値T2以下(すなわち第2の閾値以下)である場合は(ステップS115でYES)、処理対象の画素をクラスタCnに帰属させ、クラスタCnの代表特徴ベクトルPnを更新する。すなわち、この場合には、処理対象画素を第2の距離に対応するクラスタに帰属させる。この帰属させるステップを、他と区別するために第2帰属ステップと呼ぶこともある。変数min_distanceが閾値T2より大きい場合(ステップS115でNO)は、いずれのクラスタも処理対象画素の特徴ベクトルから距離が離れている。よって、新しいクラスタを定義し、該クラスタに処理対象の画素を帰属させる(ステップS117)。新しいクラスタの定義とは、例えば新たなクラスタを示す固有の識別情報を決定することである。ステップS117では、処理対象画素の特徴ベクトルPcを当該クラスタの代表特徴ベクトルとする。さらに、クラスタ数num_clusterに1を加算する。
画像データ内の全ての画素を処理した場合は(ステップS118でYES)、クラスタリング処理部701の処理を終了する。そうでない場合は(ステップS118でNO)、ステップS102へ処理を移行し、後続する画素を処理対象とする。
以上に説明したように、本実施形態の画像処理方法では、処理対象画素の特徴ベクトルと近傍画素の帰属するクラスタの代表特徴ベクトルとを最初に比較する(ステップS104〜S106)。一般的に画像データは隣接する画素との相関性が高いため、処理対象画素が近傍画素と同一のクラスタに帰属する蓋然性が高い。よって、従来のNearest Neighborクラスタリング法よりも処理対象画素の特徴ベクトルとクラスタの代表特徴ベクトルとの距離を算出する(以下、「距離算出」と記す)回数を減らすことができる。以下、図9に例示する画像を用いて説明する。
図9(a)に示す縦8画素、横16画素から成る画像をクラスタリングにより領域分割する場合、4つの領域に分割される。図9(b)は、従来のNearest Neighborクラスタリング法における距離算出回数を画素毎に示したものである。図9(c)は、本実施形態において、ステップS104〜S106で左隣の画素が帰属するクラスタとの距離を算出した場合の、距離算出回数を画素毎に示したものである。図9(d)は、本実施形態において、ステップS104〜S106で左隣の画素が帰属するクラスタとの距離を先ず比較し、次に上隣の画素のクラスタとの距離を比較した場合の距離算出回数を示したものである。
従来のNearest Neighborクラスタリング法では、画素901までは画素毎の距離算出回数は1回だが、新たな色が出現する毎に距離算出回数が増大し、画素902以降は画素毎に4回の距離算出が必要となる。よって、図9(b)では、画像データ全体での距離算出回数は440回となる。
一方、本実施形態の画像処理方法では、図9(c)に示すように、例えば画素902については、左隣の画素が帰属するクラスタとの比較によりクラスタが決定される為、距離算出回数は1回で済む。画像データ全体での距離算出回数は347回となる。さらに、上隣の画素とも比較する場合は、図9(d)に示すように、画素903も1回の演算で済み、画像データ全体での距離算出回数は246回となる。
以上より、本実施形態の画像処理方法は、従来のNearest Neighborクラスタリング法よりも高速な領域分割が可能となる。
また、本実施形態の画像処理方法では、処理対象画素と近傍画素のクラスタとの距離が遠い場合は、他のクラスタの代表特徴ベクトルとの比較を行う(ステップS108〜S115)。よって、特許文献3の従来技術におけるグルーピング処理をしなくても、処理対象の画素を最適なクラスタに帰属させることができる。例えば、図10(a)に例示する画像を領域分割した場合、従来技術では図10(b)に示す5つの領域に分割した後、グルーピング処理により図10(c)の領域に統合する。一方、本実施形態の画像処理方法では、クラスタリング処理を終えた時点で図10(c)に示す領域に分割される。
さらに、本実施形態の画像処理方法では、近傍画素の帰属するクラスタと比較する際に用いる閾値T1(ステップS106)を、新しいクラスタを定義するか否かを判定する閾値T2(ステップS115)よりも小さくしている。その効果について、図11(a)に例示する画像を用いて説明する。
説明を簡単にするため、図11(a)に例示する画像はグレースケールとし、各数値は画素値を表すものとする。図11(b)は閾値T1と閾値T2を同じ値にしてクラスタリング処理を行った結果を例示する図である。図11(c)は、閾値T1を閾値T2より小さくしてクラスタリング処理を行った結果を例示する図である。
図11(b)に示すように、画素1101を処理し終えた時点で、画素1101を含むクラスタの代表特徴ベクトル(画素値の平均値)は25である。画素1102の特徴ベクトル(画素値)は30である。もし閾値T1と閾値T2の値が同じ5であった場合、図11(b)に示すように、画素1102は画素1101が帰属するクラスタに帰属される。一方、閾値T1を閾値T2より小さくした場合(例えばT1=1、T2=5とする)、図11(c)に例示するように、画素1102は、より特徴ベクトルの距離が近い画素1100が帰属するクラスタに帰属される。以上に説明したように、本実施形態の画像処理方法は、閾値T1を閾値T2より小さくすることにより、精度の高い領域分割が可能となる。
<実施形態2>
本発明の実施形態2の画像処理方法と、それを用いたベクトルデータ変換装置の構成について説明する。本実施形態の画像処理方法は、処理対象画素の特徴ベクトルと近傍画素の帰属するクラスタの代表特徴ベクトルとを最初に比較する点において実施形態1と共通する。ただし本実施形態では、画像のクラスタ数を予め定めておく点で実施形態1と相違する。実施形態1ではクラスタは、着目画素の属するクラスタを判定する過程で画されていくため、その数は処理の進行に応じて増加し、クラスタ数は予測が困難である。これに対して本実施形態ではクラスタ数を予め定めておくため、特徴ベクトルの比較処理およびそれに付随する処理の回数を制限することができ、より処理の迅速化を図ることができる。
図12(a)に例示する縦8画素、横16画素から成る画像を用いて、距離算出回数を説明する。クラスタ数kを4に設定した場合、図12(b)に示すように、従来のk−meansクラスタリング法では画素毎に常に4回の距離算出が実行されるため、画像全体で512回の距離算出が必要となる。一方、本実施形態の画像処理方法では、近傍画素として左隣と上隣を参照した場合、図12(c)に示すように画像全体で262回の距離算出で済む。以上より、本実施形態の画像処理方法は、従来のK−meansクラスタリング法よりも高速な領域分割が可能となる。
本実施形態のベクトルデータ変換装置の構成は、本発明の実施形態1(図6)で説明したものと同一であり、輪郭抽出部702とベクトルデータ生成部703の処理は同じである。クラスタリング処理部701は本実施形態の画像処理方法を適用して画像の領域分割を行う。以下、本実施形態のクラスタリング処理部701の動作を、図2に示すフローチャートを用いて詳細に説明する。
まず、クラスタ数kと、k個のクラスタの代表特徴ベクトル初期値P1〜Pkを定義する(ステップS201)。クラスタ数k及び各クラスタの代表特徴ベクトル初期値の定義方法については、従来技術のK−meansクラスタリング法において周知であるので、ここでは簡単に説明する。たとえば、ランダムにk個の画素を、各クラスタに属する代表点として処理対象の画像から選ぶ。その代表点の特徴ベクトルが、各区ラスタの初期の代表特徴ベクトルとなる。
次に、処理対象画素の特徴ベクトルPcを取得する(ステップS202)。そして、上記特徴ベクトルPcと近傍画素が帰属するクラスタCnの代表特徴ベクトルPnとの距離D(Pc,Pn)を、閾値Tと比較する(ステップS203〜S205)。距離D(Pc,Pn)が閾値T以下であれば(ステップS205でYES)、処理対象画素をクラスタCnに帰属させ(ステップS206)、ステップS215へ処理を移行する。そうでなければ(ステップS205でNO)ステップS207へ処理を移行する。
ステップS207〜S213は、k個のクラスタの中から、処理対象画素の特徴ベクトルと最も距離が近いものを探索する処理である。以下、ステップS207〜S213を説明する。
ステップS207では、ループインデクスiを初期化する。また、処理対象画素の特徴ベクトルとクラスタの代表特徴ベクトルとの距離のうち、最短の距離を表す変数min_distanceを定数MAX_VALで初期化する。ここで、MAX_VALには、特徴空間で取り得る最大の距離よりも大きな値を設定する。さらに、処理対象画素の特徴ベクトルとの距離が最も近いクラスタの番号を表す変数nを初期化する。
次に、処理対象画素の特徴ベクトルPcとクラスタCiの代表特徴ベクトルPiとの距離D(Pc,Pi)を算出し(ステップS208〜S209)、変数min_disatanceと比較する(ステップS210)。距離D(Pc,Pi)が変数min_distance以下であれば(ステップS210でYES)、min_distanceに距離D(Pc,Pi)を代入して変数nにループインデクスiを代入し(ステップS211)、ステップS212へ処理を移行する。そうでなければ(ステップS210でNO)、ステップS212へ処理を移行する。
ステップS212でループインデクスiに1を加算し、ステップS213で処理対象画素の特徴ベクトルPcと全てのクラスタの代表特徴ベクトルとの比較を終えた否かを判定する。比較を終えた場合(ステップS213でYES)、ステップS214へ処理を移行する。そうでない場合は(ステップS214でNO)、ステップS208へ処理を移行する。
ステップS207〜S213の処理により、処理対象画素の特徴ベクトルと最も距離が近いクラスタCnが選択されたので、ステップS214で処理対象画素をクラスタCnに帰属させる。
画像データ内の全ての画素を処理した場合は(ステップS215でYES)、ステップS216へ処理を移行する。そうでない場合は(ステップS215でNO)、後続する画素を処理対象とするため、ステップS202へ処理を移行する。
ステップS216で、k個のクラスタの代表特徴ベクトルP1〜Pkを各々更新する。ただし、クラスタの代表特徴ベクトルがそのクラスタの重心の特徴ベクトルであるなら、更新すべきはステップS214で着目画素が帰属すると決定されたクラスタの代表特徴ベクトルのみでよい。このクラスタのみが、新たな画素の帰属により重心が変化するためである。ステップS217で、代表特徴ベクトルP1〜Pkについて、各々更新前後の値の差が所定値以内であるか否かを判定する。全てのクラスタについて、上記の値の差が所定値以内であれば(ステップS217でYES)、クラスタリング処理部701の処理を終了する。そうでない場合は(ステップS217でNO)、ステップS202へ処理を移行し、画像データの最初(ラスタスキャン順で処理する場合は左上)の画素から再び処理を開始する。
以上説明したように、本実施形態の画像処理方法では、処理対象画素の特徴ベクトルと近傍画素の帰属するクラスタの代表特徴ベクトルとを最初に比較する(ステップS202〜S205)。一般的に画像データは隣接する画素との相関性が高いため、処理対象画素が近傍画素と同一のクラスタに帰属する可能性が高い。よって、従来のK−meansクラスタリング法よりも距離算出回数を減らすことができる。
図12(a)に例示する縦8画素、横16画素から成る画像を用いて、距離算出回数を説明する。クラスタ数kを4に設定した場合、図12(b)に示すように、従来のk−meansクラスタリング法では画素毎に常に4回の距離算出が実行されるため、画像全体で512回の距離算出が必要となる。一方、本実施形態の画像処理方法では、近傍画素として左隣と上隣を参照した場合、図12(c)に示すように画像全体で262回の距離算出で済む。以上より、本実施形態の画像処理方法は、従来のK−meansクラスタリング法よりも高速な領域分割が可能となる。
<実施形態3>
本発明の実施形態3の画像処理方法と、それを用いたベクトルデータ変換装置の構成について、図8を参照して説明する。図8において、800は入力された画像の各画素が、画像の前景であるか背景であるかを判定する背景判定部である。あるいは背景を特定する背景特定部と呼ぶこともできる。背景を判定する、あるいは特定する方法については、特許文献2において公知である。例えば背景の判定は、画像データ作成時に、画素の属性として背景部分に属する画素には、背景である旨を示すフラグ等の情報を設定しておく。こうして予め背景部分を定義しておけば、画素の属性に基づいて背景であることを判定できる。また、例えばスキャナから光学的に読み取られた画像データの場合、紙の色を判別し、その色に基づいて背景画素を判定してもよい。背景判定部800は、背景色と、入力された画像データの画素値及び画素が背景に属するか否かを表す背景フラグを出力する。
801は本実施形態の画像処理方法を適用して画像の領域分割を行うクラスタリング処理部である。クラスタリング処理部801へは、背景色が1つの画像データにつき1つ入力され、上記画像データ及び背景フラグが1画素ずつラスタスキャン順で入力される。クラスタリング処理部801は、領域分割後の画像データと、クラスタリング処理によって補正された背景色と背景フラグを出力する。802はクラスタリング部802によって分割された各領域の輪郭を抽出する輪郭抽出部である。803は輪郭抽出部802によって抽出された輪郭を基にベクトルデータを生成するベクトルデータ生成部である。なお、ベクトルデータ生成部803は、背景以外の領域についてベクトルデータを生成する。804は、背景判定部800またはクラスタリング処理部801から出力された背景色と背景フラグを基に、画像データのうち背景以外の画素を背景色で塗りつぶして出力する背景生成部である。805は背景生成部804から出力されたデータを圧縮する背景圧縮部である。806は、ベクトルデータ生成部803から出力されたベクトルデータ及び背景圧縮部805から出力された圧縮データを結合し、ファイルを出力するデータ結合部である。
以下、クラスタリング処理部801の処理を、図3に示すフローチャートを用いて詳細に説明する。まず、ステップS301でクラスタ数を表す変数num_clusterを1に初期化し、背景を表すクラスタ(以下、「背景クラスタ」と記す)Cbの代表特徴ベクトルを、背景判定部800から出力された背景色に設定する。ステップS302で、処理対象画素の特徴ベクトルPcを取得する。
次に、ステップS303で、背景判定部800から出力された背景フラグを基に、処理対象画素が背景に属する画素(以下、「背景画素」と記す)であるか否かを判定する。背景画素であれば(ステップS303でYES)、ステップS304へ処理を移行する。そうでなければ(ステップS303でNO)、ステップS308へ処理を移行する。ステップS304では、処理対象画素の特徴ベクトルPcと背景クラスタCbの代表特徴ベクトルPbとの距離D(Pc,Pb)を算出し、ステップS305で第3の閾値T3以下であるか否かを判定する。距離D(Pc,Pb)を第3の距離とも呼ぶ。距離D(Pc,Pb)が閾値T3(第3の閾値)以下であれば(ステップS305でYES)、ステップS306へ処理を移行する。そうでなければ(ステップS305でNO)、ステップS308へ処理を移行する。なお、本実施形態においては、閾値T3はステップS315で用いる閾値T2よりも小さい値とする。
ステップS306では、処理対象画素を背景クラスタCbに帰属させ、ステップS307ではクラスタCbの代表特徴ベクトルPbを更新した後、ステップS319へ処理を移行する。
ステップS308〜S318は、全てのクラスタの中から、処理対象画素の特徴ベクトルPcとの距離が最も近いものを選択し、該クラスタに帰属させるか、新しいクラスタを定義する処理である。この処理は本発明の実施形態1の画像処理方法(図1)のステップS108〜S117と同一であるため、説明を省略する。
画像データ内の全ての画素を処理した場合は(ステップS319でYES)、クラスタリング処理部801の処理を終了する。そうでない場合は(ステップS319でNO)、ステップS302へ処理を移行し、後続する画素を処理対象とする。
以上説明したように、本実施形態の画像処理方法では、処理対象画素が背景画素であると判定された場合、処理対象画素の特徴ベクトルと背景クラスタの代表特徴ベクトルとを最初に比較する(ステップS303〜S305)。例えばスキャナで読み取られた文書データは、一般的に余白が多く、クラスタリング処理対象の画素が背景である可能性が高い。よって、従来のNearest Neighborクラスタリング法よりも距離算出回数を減らすことができる。以下、図13に例示する画像を用いて説明する。
図13(b)は、図13(a)に例示する画像を、従来のNearest Neighborクラスタリング法により領域分割した場合の、各々の画素において実行される距離算出回数を表したものである。図13(c)は、図13(a)に例示する画像を、本実施形態の方法により領域分割した場合の、各々の画素において実行される距離算出(ステップS304、S310)回数を表したものである。図13において、白色の画素は、背景判定部800において背景画素であると判定されたものとする。また、図13(a)の1201に示す画素は、本来は背景ではないが、背景判定部800において背景画素であると誤って判定されたものとする。図13(b)より、従来のNearest Neighborクラスタリング法では440回の距離算出が必要であったが、本実施形態の画像処理方法では、図13(c)より、236回の距離算出で済む。
以上説明したように、本実施形態の画像処理方法では、従来よりも距離算出回数を減らすことができるので、高速な領域分割が可能となる。また、本実施形態の画像処理方法では、背景画素であると判定された場合には背景クラスタとの距離と閾値を比較し、距離が閾値より大きければ通常の画素としてクラスタリング処理を行う。よって、図13(a)の画素1201のように、背景判定部800の判定に誤りがあっても、正確な領域分割処理が可能となる。
なお、本実施形態の画像処理方法では、図4のステップS307で背景クラスタCbの代表特徴ベクトルPb、即ち背景色を更新しているが、本発明はこれに限定されるものではない。より領域分割処理を高速化するために、上記代表特徴ベクトルPbを更新しなくてもよい。この場合、図8の背景生成部804は、背景判定部800から出力される背景色を用いて穴埋め処理を行う。
また、ステップS303で背景画素であると判定された場合に、処理対象画素をそのまま背景クラスタに帰属させてもよい。例えば、ステップS304において、距離D(PC,Pb)を算出せず、D(PC,Pb)に閾値T3以下の値を設定する。この場合は領域分割の精度は本実施形態の画像処理方法よりも低下するが、さらに処理を高速化することが可能となる。ステップS304〜S307の一連の処理を実行するか否かは、領域分割処理に対する要求処理時間と分割精度に応じて決めればよい。
<実施形態4>
本発明の実施形態4の画像処理方法と、それを用いたベクトルデータ変換装置の構成について説明する。図8は、ベクトルデータ変換装置の構成を表すブロック図であり、本発明の実施形態3で説明したものと同一である。本実施形態の画像処理方法を適用して画像の領域分割を行うクラスタリング処理部801については、実施形態3と異なるので、図4を用いて詳細に説明する。
図4は、本実施形態の画像処理方法の具体的な処理を表すフローチャートである。まず、クラスタ数kと、k個のクラスタの代表特徴ベクトル初期値P1〜Pkを定義する(ステップS401)。ここで、k個のクラスタのうち1つは背景クラスタとし、背景クラスタの代表特徴ベクトルについては、背景判定部800から出力された背景色を設定する。その他のクラスタの代表特徴ベクトル初期値については、従来のK−meansクラスタリング法において周知の方法を用いて設定すればよい。
次に、処理対象画素の特徴ベクトルPcを取得する(ステップS402)。背景判定部800から出力された背景フラグに基づいて、処理対象画素が背景画素であるか否かを判定する(ステップS403)。背景画素であれば(ステップS403でYES)、ステップS404へ処理を移行する。そうでなければ(ステップS403でNO)、ステップS407へ処理を移行する。
背景画素については、処理対象画素の特徴ベクトルPcと、背景クラスタCbの代表特徴ベクトルPbとの距離D(Pc,Pb)を算出し(ステップS404)、閾値T3以下であるか否かを判定する(ステップS405)。距離D(Pc,Pb)が閾値T3以下であった場合(ステップS405でYES)、処理対象画素をクラスタCbに帰属させ(ステップS406)、ステップS415へ処理を移行する。そうでない場合(ステップS405でNO)、ステップS407へ処理を移行する。
ステップS407〜S414は、k個のクラスタの中から、処理対象画素の特徴ベクトルと最も距離が近いクラスタを選び、該クラスタに処理対象画素を帰属させる処理である。ステップS415は、画像内の全ての画素を処理したか否かを判定する処理である。ステップS416〜S417は、クラスタの代表特徴ベクトルP1〜Pkを各々更新し、クラスタリング処理部801の処理を終了させるか否かを判定する処理である。これらの処理は、本発明の実施形態2(図2)のステップS207〜S217と同一であるため、説明を省略する。
以上に説明したように、本実施形態の画像処理方法では、処理対象画素が背景画素である場合は、先ず背景クラスタの代表特徴ベクトルとの比較を行う。図14(a)に例示する画像データを領域分割する場合、従来のK−meansクラスタリング法では、図14(b)に示すように、全ての画素において1画素につき4回の距離算出が必要であった。一方、本実施形態の画像処理方法では、図14(c)に示すように、背景画素(領域#1)については1画素につき1回の距離算出で済むので、従来よりも高速な領域分割が可能となる。
<実施形態5>
本発明の実施形態5の画像処理方法と、それを用いたベクトルデータ変換装置の構成について説明する。図8は、ベクトルデータ変換装置の構成を表すブロック図であり、本発明の実施形態3で説明したものと同一である。本実施形態の画像処理方法を適用して画像の領域分割を行うクラスタリング処理部801については、実施形態3と異なるので、図5を用いて説明する。
図5は、本実施形態の画像処理方法の具体的な処理を表すフローチャートである。まず、ステップS501でクラスタ数を表す変数num_clusterを1に初期化し、背景クラスタCbの代表特徴ベクトルに、背景判定部800から出力された背景色を設定する。ステップS502で、処理対象画素の特徴ベクトルPcを取得する。
ステップS503〜S507は、処理対象画素が背景画素である場合に、背景クラスタの代表特徴ベクトルとの距離(第3の距離とも呼ぶ)と第3の閾値T3とを比較し、第3の閾値以下であれば処理対象画素を背景クラスタに帰属させる処理である。このステップを、第3帰属ステップとも呼ぶ。この処理は実施形態3(図3)のステップS303〜S307と同一である。
ステップS508〜S512は、処理対象画素の近傍画素が帰属するクラスタの代表特徴ベクトルとの距離と第1の閾値T1とを比較し、閾値T1以下であれば処理対象画素を上記クラスタに帰属させる処理である。この処理は実施形態1(図1)のS104〜S107と同一である。
ステップS513〜S523は、全てのクラスタの中から、処理対象画素の特徴ベクトルPcとの距離が最も近いものを選択し、該クラスタに帰属させるか、新しいクラスタを定義する処理である。この処理は本発明の実施形態1の画像処理方法(図1)のステップS108〜S117と同一である。
画像データ内の全ての画素を処理した場合は(ステップS524でYES)、クラスタリング処理部801の処理を終了する。そうでない場合は(ステップS524でNO)、ステップS502へ処理を移行し、後続する画素を処理対象とする。
以上に説明したように、本実施形態の画像処理方法では、処理対象画素が背景画素であると判定された場合、処理対象画素の特徴ベクトルと背景クラスタの代表特徴ベクトルとを最初に比較する(ステップS503〜S505)。また、背景画素でない場合には、近傍画素の帰属するクラスタの代表特徴ベクトルとを最初に比較する(ステップS508〜S510)。
図15を用いて、本実施形態における処理対象画素の特徴ベクトルとクラスタの代表特徴ベクトルとの距離算出回数について説明する。図15(b)は、図15(a)に例示する画像を従来のNearest Neighborクラスタリング法で領域分割した場合における距離算出回数を、画素毎に表したものである。図15(c)は、本実施形態の画像処理方法において、ステップS508〜S510で近傍画素として左隣の画素を用いた場合の距離算出回数を画素毎に表したものである。図15(d)は、本実施形態の画像処理方法において、ステップS508〜S510で先ず左隣の画素を用い、次に上隣の画素を用いた場合の距離算出回数を画素毎に表したものである。
図15より、従来のNearest Neighborクラスタリング法では440回の演算を必要とするが、本実施形態では230回(図15(b))あるいは194回(図15(c))まで演算回数を削減できる。よって、従来よりも高速な領域分割が可能となる。
<実施形態6>
本発明の実施形態6の画像処理方法と、それを用いたベクトルデータ変換装置の構成について説明する。図8は、ベクトルデータ変換装置の構成を表す図であり、本発明の実施形態4で説明したものと同一である。本実施形態の画像処理方法を適用して画像の領域分割を行うクラスタリング処理部801については、実施形態4と異なるので、図6を用いて説明する。
図6は、本実施形態の画像処理方法の具体的な処理を表すフローチャートである。ステップS601は、クラスタ数kと、k個のクラスタの代表特徴ベクトル初期値P1〜Pkを定義する処理である。k個のクラスタのうち1つを背景クラスタとする。この処理は本発明の実施形態4(図4)のステップS401と同一である。
次に、処理対象画素の特徴ベクトルPcを取得する(ステップS602)。ステップS603〜S606は、処理対象画素が背景画素である場合に、背景クラスタの代表特徴ベクトルとの距離と閾値T3とを比較し、閾値以内であれば処理対象画素を背景クラスタに帰属させる処理である。この処理は実施形態4(図4)のステップS402〜S406と同一である。
ステップS607〜S610は、処理対象画素の近傍画素が帰属するクラスタの代表特徴ベクトルとの距離と閾値T1とを比較し、閾値以内であれば処理対象画素を該クラスタに帰属させる処理である。この処理は実施形態2(図2)のステップS202〜S206と同一である。
ステップS611〜S618は、k個のクラスタの中から、処理対象画素の特徴ベクトルと最も距離が近いクラスタを選び、該クラスタに処理対象画素を帰属させる処理である。ステップS619は、画像内の全ての画素を処理したか否かを判定する処理である。ステップS620〜S621は、クラスタの代表特徴ベクトルP1〜Pkを各々更新し、クラスタリング処理部801の処理を終了させるか否かを判定する処理である。これらの処理は本発明の実施形態2の画像処理方法(図2)のステップS207〜S217と同一である。
以上に説明したように、本実施形態の画像処理方法では、処理対象画素が背景画素であると判定された場合、処理対象画素の特徴ベクトルと背景クラスタの代表特徴ベクトルとを最初に比較する(ステップS603〜S605)。また、背景画素でない場合には、近傍画素の帰属するクラスタの代表特徴ベクトルとを最初に比較する(ステップS607〜S609)。
図16を用いて、本実施形態における処理対象画素の特徴ベクトルとクラスタの代表特徴ベクトルとの距離の算出と比較の演算回数について説明する。図16(b)は、図16(a)の画像を従来のK−meansクラスタリング法で領域分割した場合に、距離算出に要した回数を画素毎に表したものである。図16(c)は、本実施形態の画像処理方法において、ステップS607〜S609で先ず左隣の画素を用い、次に上隣の画素を用いた場合に、距離算出に要した回数を画素毎に表したものである。
図16(b)より、従来のk−meansクラスタリング法では512回の距離算出を必要とするが、図16(c)より、本実施形態では199回まで距離算出を削減できる。よって、従来よりも高速な領域分割が可能となる。
<その他の実施形態>
本発明の目的は前述した実施例の機能を実現するソフトウエアのプログラムコードを記録した記録媒体を、システムあるいは装置に供給し、そのシステムあるいは装置のコンピュータ(またはCPUまたはMPU)が記録媒体に格納されたプログラムコードを読み出し実行することによっても達成される。この場合、記憶媒体から読み出されたプログラムコード自体が前述した実施形態の機能を実現することとなり、そのプログラムコードを記憶した記憶媒体は本発明を構成することになる。
プログラムコードを供給するための記憶媒体としては、例えば、フレキシブルディスク、ハードディスク、光ディスク、光磁気ディスク、CD−ROM、CD−R、磁気テープ、不揮発性のメモリカード、ROM、DVDなどを用いることができる。
また、コンピュータが読み出したプログラムコードを実行することにより、前述した実施例の機能が実現されるだけでなく、そのプログラムコードの指示に基づき、コンピュータ上で稼動しているオペレーティングシステム(OS)などが実際の処理の一部または全部を行い、その処理によって前述した実施例の機能が実現される場合も含まれる。
さらに、記憶媒体から読み出されたプログラムコードが、コンピュータに挿入された機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに書きこまれた後、そのプログラムコードの指示に基づき、その機能拡張ボードや機能拡張ユニットに備わるCPUなどが実際の処理の一部または全部を行い、その処理によって前述した実施形態の機能が実現される場合も含まれる。
701 クラスタリング処理部
702 輪郭抽出部
703 ベクトルデータ生成部
800 背景判定部
801 クラスタリング処理部
802 輪郭抽出部
803 ベクトルデータ生成部
804 背景生成部
805 背景圧縮部
806 データ結合部

Claims (10)

  1. 画像データを複数のクラスタに分割する画像処理方法であって、
    処理対象の画素の特徴ベクトルと、前記処理対象の画素の近傍画素が属するクラスタの代表特徴ベクトルとの距離である第1の距離を算出する第1の距離の算出工程と、
    前記第1の距離が第1の閾値以下である場合、前記処理対象の画素を近傍画素が属するクラスタに帰属させる第1帰属工程と、
    定義されたクラスタがあり、かつ前記第1の距離が前記第1の閾値より大きい場合、前記処理対象の画素の特徴ベクトルと前記定義された各クラスタの代表特徴ベクトルとの距離を各々算出し、その中で最も近い距離である第2の距離を算出する第2の距離の算出工程と、
    前記第2の距離が第2の閾値以下である場合、前記処理対象の画素を前記第2の距離に対応するクラスタに帰属させ、定義されたクラスタがない場合または前記第2の距離が前記第2の閾値よりも大きい場合、前記処理対象の画素が帰属すべきクラスタを新たに定義し、前記処理対象の画素を新たに定義したクラスタに帰属させる第2帰属工程と
    を有することを特徴とする画像処理方法。
  2. 前記第1の閾値は、前記第2の閾値よりも値が小さいことを特徴とする請求項1に記載の画像処理方法。
  3. 画像データを、予め代表特徴ベクトルが定められた複数のクラスタに分割する画像処理方法であって、
    処理対象の画素の特徴ベクトルと、前記処理対象の画素の近傍画素が属するクラスタの代表特徴ベクトルとの距離である第1の距離を算出する第1の距離の算出工程と、
    前記第1の距離が第1の閾値以下である場合、前記処理対象の画素を近傍画素が属するクラスタに帰属させる第1帰属工程と、
    前記第1の距離が前記第1の閾値より大きい場合、前記処理対象の画素の特徴ベクトルと予め定められた前記複数のクラスタそれぞれの代表特徴ベクトルとの距離を算出し、距離が最も近いクラスタに前記処理対象の画素を帰属させる第2帰属工程と
    を有することを特徴とする画像処理方法。
  4. 前記第1の距離の算出工程は、近傍画素の情報を格納するメモリの容量に応じて、近傍画素として参照する画素の数を決めることを特徴とする請求項1乃至3のいずれか一項に記載の画像処理方法。
  5. 前記画像データは、背景部分が定義されており、前記第1の距離の算出工程の前に、
    前記処理対象の画素の特徴ベクトルと、前記背景部分が属するクラスタの代表特徴ベクトルとの距離である第3の距離を算出する第3の距離の算出工程と、
    前記第3の距離が第3の閾値以下である場合、前記処理対象の画素を前記背景部分が属するクラスタに帰属させる第3帰属工程と
    を更に有することを特徴とする請求項1乃至4のいずれか一項に記載の画像処理方法。
  6. 前記処理対象の画素の特徴ベクトルは、色空間における当該画素の色値であり、前記クラスタの代表特徴ベクトルは、前記クラスタに属する画素の特徴ベクトルの平均値であることを特徴とする請求項1乃至5のいずれか一項に記載の画像処理方法。
  7. 画像データを複数のクラスタに分割する画像処理装置であって、
    処理対象の画素の特徴ベクトルと、前記処理対象の画素の近傍画素が属するクラスタの代表特徴ベクトルとの距離である第1の距離を算出する第1の距離の算出手段と、
    前記第1の距離が第1の閾値以下である場合、前記処理対象の画素を近傍画素が属するクラスタに帰属させる第1帰属手段と、
    定義されたクラスタがあり、かつ前記第1の距離が前記第1の閾値より大きい場合、前記処理対象の画素の特徴ベクトルと前記定義された各クラスタの代表特徴ベクトルとの距離を各々算出し、その中で最も近い距離である第2の距離を算出する第2の距離の算出手段と、
    前記第2の距離が第2の閾値以下である場合、前記処理対象の画素を前記第2の距離に対応するクラスタに帰属させ、定義されたクラスタがない場合または前記第2の距離が前記第2の閾値よりも大きい場合、前記処理対象の画素が帰属すべきクラスタを新たに定義し、前記処理対象の画素を新たに定義したクラスタに帰属させる第2帰属手段と
    を有することを特徴とする画像処理装置。
  8. 画像データを、予め代表特徴ベクトルが定められた複数のクラスタに分割する画像処理装置であって、
    処理対象の画素の特徴ベクトルと、前記処理対象の画素の近傍画素が属するクラスタの代表特徴ベクトルとの距離である第1の距離を算出する第1の距離の算出手段と、
    前記第1の距離が閾値以下である場合、前記処理対象の画素を近傍画素が属するクラスタに帰属させる第1帰属手段と、
    前記第1の距離が前記閾値より大きい場合、前記処理対象の画素の特徴ベクトルと予め定められた前記複数のクラスタそれぞれの代表特徴ベクトルとの距離を算出し、距離が最も近いクラスタに前記処理対象の画素を帰属させる第2帰属手段と
    を有することを特徴とする画像処理装置。
  9. 画像データを複数のクラスタに分割するプログラムであって、
    処理対象の画素の特徴ベクトルと、前記処理対象の画素の近傍画素が属するクラスタの代表特徴ベクトルとの距離である第1の距離を算出する第1の距離の算出手段と、
    前記第1の距離が第1の閾値以下である場合、前記処理対象の画素を近傍画素が属するクラスタに帰属させる第1帰属手段と、
    定義されたクラスタがあり、かつ前記第1の距離が前記第1の閾値より大きい場合、前記処理対象の画素の特徴ベクトルと前記定義された各クラスタの代表特徴ベクトルとの距離を各々算出し、その中で最も近い距離である第2の距離を算出する第2の距離の算出手段と、
    前記第2の距離が第2の閾値以下である場合、前記処理対象の画素を前記第2の距離に対応するクラスタに帰属させ、定義されたクラスタがない場合または前記第2の距離が前記第2の閾値よりも大きい場合、前記処理対象の画素が帰属すべきクラスタを新たに定義し、前記処理対象の画素を新たに定義したクラスタに帰属させる第2帰属手段と
    してコンピュータを機能させるためのプログラム。
  10. 画像データを、予め代表特徴ベクトルが定められた複数のクラスタに分割するプログラムであって、
    処理対象の画素の特徴ベクトルと、前記処理対象の画素の近傍画素が属するクラスタの代表特徴ベクトルとの距離である第1の距離を算出する第1の距離の算出手段と、
    前記第1の距離が閾値以下である場合、前記処理対象の画素を近傍画素が属するクラスタに帰属させる第1帰属手段と、
    前記第1の距離が前記閾値より大きい場合、前記処理対象の画素の特徴ベクトルと予め定められた前記複数のクラスタそれぞれの代表特徴ベクトルとの距離を算出し、距離が最も近いクラスタに前記処理対象の画素を帰属させる第2帰属手段と
    してコンピュータを機能させるためのプログラム。
JP2009026689A 2009-02-06 2009-02-06 画像処理方法および画像処理装置およびプログラム Expired - Fee Related JP5127738B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2009026689A JP5127738B2 (ja) 2009-02-06 2009-02-06 画像処理方法および画像処理装置およびプログラム
US12/697,438 US8290255B2 (en) 2009-02-06 2010-02-01 Image processing method, image processing apparatus, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2009026689A JP5127738B2 (ja) 2009-02-06 2009-02-06 画像処理方法および画像処理装置およびプログラム

Publications (3)

Publication Number Publication Date
JP2010182204A JP2010182204A (ja) 2010-08-19
JP2010182204A5 JP2010182204A5 (ja) 2012-03-22
JP5127738B2 true JP5127738B2 (ja) 2013-01-23

Family

ID=42763751

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2009026689A Expired - Fee Related JP5127738B2 (ja) 2009-02-06 2009-02-06 画像処理方法および画像処理装置およびプログラム

Country Status (1)

Country Link
JP (1) JP5127738B2 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9275466B2 (en) 2013-10-09 2016-03-01 Canon Kabushiki Kaisha Image processing method and image processing apparatus for segmenting image into regions

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5977958B2 (ja) * 2012-02-29 2016-08-24 綜合警備保障株式会社 特異データ検出装置および特異データ検出方法
JP5912667B2 (ja) * 2012-02-29 2016-04-27 綜合警備保障株式会社 クラスタリング装置およびクラスタリング方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4001446B2 (ja) * 2000-02-09 2007-10-31 株式会社リコー 画像背景色特定のための方法、装置及びコンピュータ読み取り可能な記録媒体
JP4202692B2 (ja) * 2002-07-30 2008-12-24 富士フイルム株式会社 画像処理方法および装置
JP4739082B2 (ja) * 2006-03-30 2011-08-03 キヤノン株式会社 画像処理方法及び画像処理装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9275466B2 (en) 2013-10-09 2016-03-01 Canon Kabushiki Kaisha Image processing method and image processing apparatus for segmenting image into regions

Also Published As

Publication number Publication date
JP2010182204A (ja) 2010-08-19

Similar Documents

Publication Publication Date Title
US8290255B2 (en) Image processing method, image processing apparatus, and program
JP5276541B2 (ja) 画像処理方法及び画像処理装置及びプログラム
US7508998B2 (en) Image search apparatus, image search method, program, and storage medium
US8175407B2 (en) Image processing method, image processing apparatus, and program for clustering data
JP5276539B2 (ja) 画像処理方法および画像処理装置およびプログラム
CN110088805B (zh) 用于检测和分割多个前景对象的方法
JP5298831B2 (ja) 画像処理装置及びプログラム
US8488190B2 (en) Image processing apparatus, image processing apparatus control method, and storage medium storing program
US7277584B2 (en) Form recognition system, form recognition method, program and storage medium
JP5974589B2 (ja) 画像処理装置およびプログラム
JP4772819B2 (ja) 画像検索装置および画像検索方法
JP5377148B2 (ja) クラスタリング処理方法、クラスタリング処理装置、およびプログラム
US9131193B2 (en) Image-processing device removing encircling lines for identifying sub-regions of image
JP5539066B2 (ja) クラスタリング処理装置、クラスタリング処理方法
JP5127738B2 (ja) 画像処理方法および画像処理装置およびプログラム
JP5127739B2 (ja) 画像処理方法および画像処理装置およびプログラム
US20020057841A1 (en) Data processing method and apparatus
JP5335581B2 (ja) 画像処理装置、画像処理方法及びプログラム
JP2009271700A (ja) 画像処理装置および画像処理方法
JP7301529B2 (ja) 画像処理装置、画像処理方法、及びプログラム
JP2008158626A (ja) テンプレート作成装置,テンプレート作成方法,その方法を実装したテンプレート作成プログラム,そのプログラムを格納した記憶媒体と、テンプレートマッチング装置,テンプレートマッチング方法,その方法を実装したテンプレートマッチングプログラム,そのプログラムを格納した記憶媒体
JP4328511B2 (ja) パターン認識装置、パターン認識方法、プログラムおよび記憶媒体
JP2007334437A (ja) 画像処理装置及び方法、並びにプログラム及び記憶媒体
JP2016134016A (ja) 画像処理装置およびコンピュータプログラム

Legal Events

Date Code Title Description
A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20120202

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20120202

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20120924

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20121001

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20121030

R151 Written notification of patent or utility model registration

Ref document number: 5127738

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20151109

Year of fee payment: 3

LAPS Cancellation because of no payment of annual fees