JP6132485B2 - 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム - Google Patents

Description

本発明は、生体の管腔内を撮像した画像に対して異常部の有無を判別する画像処理装置、画像処理方法、および画像処理プログラムに関する。

大腸の粘膜を拡大内視鏡で観察することにより取得された管腔内画像（以下、単に画像ともいう）に対する画像処理として、例えば特許文献１には、粘膜表面の腺口（ピット）の形態（大腸ピット・パターン（pit pattern）と呼ばれる）を複数の型に分類する技術が開示されている。具体的には、画像内に設定した注目領域の各画素に対し、ｍ個の周波数及びｋ個の位相方向によるガボール（Gabor）フィルタを適用して、ｍ×ｋ次元の特徴ベクトルを算出し、これらの特徴ベクトルの平均や分散を算出する。そして、特徴ベクトルの平均や分散に基づいて大腸pit patternを分類し、当該大腸pit patternが異常であるか否かを判別する。

特開２００７−２３６９５６号公報

ところで、近年、管腔内画像を取得する手段として、被検体内に導入されて蠕動運動により移動しつつ撮像を行うカプセル型内視鏡も利用されている。このカプセル型内視鏡の場合、被写体（例えば小腸の粘膜表面）に対するカプセル内視鏡の撮像部の相対的な姿勢を制御することが困難なので、一般的な内視鏡のように、被写体に正対して撮像した画像が常に得られるわけではない。このため、例えば被写体に対する撮像方向（撮像部の角度）が傾いていた場合、１つの管腔内画像に映った被写体までの奥行き方向の距離（撮像距離）が、画像内の領域に応じて異なってしまう。

一方、粘膜表面の微細構造である柔毛、特に、膨張した状態の異常柔毛は、撮像距離に応じて見え方（形状）が異なってくる。このため、カプセル型内視鏡により取得された管腔内画像に対し、上述したような画像処理を、画像内の撮像距離の違いを考慮せず一律に施すと、画像内に写った異常柔毛の形状が撮像距離に応じて変化してしまい、泡領域や粘膜の輪郭(溝)等と異常柔毛とを区別することが困難となって、異常部の過検出が生じてしまうという問題があった。

本発明は、上記に鑑みて為されたものであって、１つの画像内に被写体までの撮像距離が異なる領域が含まれる場合であっても、異常柔毛の有無を精度良く判別することができる画像処理装置、画像処理方法、及び画像処理プログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明に係る画像処理装置は、画像内に注目領域を設定する注目領域設定部と、前記注目領域において、周囲よりも画素値が高い画素が所定の画素数以上連続する線形状の領域を抽出する線形状凸領域抽出部と、前記線形状の領域に沿った１つ以上の円弧の曲率に基づく曲率特徴量を算出する領域内曲率特徴量算出部と、前記曲率特徴量の分布に基づき、前記注目領域内に異常部が存在するか否かを判別する異常判別部と、を備えることを特徴とする。

本発明に係る画像処理方法は、画像内に注目領域を設定する注目領域設定ステップと、前記注目領域において、周囲よりも画素値が高い画素が所定の画素数以上連続する線形状の領域を抽出する線形状凸領域抽出ステップと、前記線形状の領域に沿った１つ以上の円弧の曲率に基づく曲率特徴量を算出する領域内曲率特徴量算出ステップと、前記曲率特徴量の分布に基づき、前記注目領域内に異常部が存在するか否かを判別する異常判別ステップと、を含むことを特徴とする。

本発明に係る画像処理プログラムは、画像内に注目領域を設定する注目領域設定ステップと、前記注目領域において、周囲よりも画素値が高い画素が所定の画素数以上連続する線形状の領域を抽出する線形状凸領域抽出ステップと、前記線形状の領域に沿った１つ以上の円弧の曲率に基づく曲率特徴量を算出する領域内曲率特徴量算出ステップと、前記曲率特徴量の分布に基づき、前記注目領域内に異常部が存在するか否かを判別する異常判別ステップと、をコンピュータに実行させることを特徴とする。

本発明によれば、周囲よりも画素値が高い画素が所定の画素数以上連続する線形状の領域を抽出し、この線形状の領域に沿った１つ以上の円弧の曲率に基づく曲率特徴量を算出して、この曲率特徴量の分布に基づいて異常柔毛の有無を判別するので、１つの画像内に被写体までの撮像距離が異なる領域が含まれる場合であっても、異常柔毛の有無を精度良く判別することが可能となる。

図１は、本発明の実施の形態１に係る画像処理装置の構成を示すブロック図である。 図２は、図１に示す画像処理装置の動作を示すフローチャートである。 図３は、図１に示す注目領域設定部が実行する処理を詳細に示すフローチャートである。 図４は、図１に示す粘膜領域抽出部が実行する処理を詳細に示すフローチャートである。 図５は、色相平均値の度数を示すヒストグラムの作成例である。 図６は、ヒストグラムの谷を境界として複数のクラスタに分けるクラスタリング方法を説明する模式図である。 図７は、図５に示すヒストグラムに対してクラスタリングした結果を示すグラフである。 図８は、図１に示す線形状凸領域抽出部が実行する処理を詳細に示すフローチャートである。 図９は、トップハット変換を説明する模式図である。 図１０は、細線化フィルタ処理において画像の探索に用いられるパターンを示す図である。 図１１は、図１に示す領域内曲率特徴量算出部が実行する処理を詳細に示すフローチャートである。 図１２は、図１に示すサイズ特徴量算出部が実行する処理を詳細に示すフローチャートである。 図１３は、線形状領域の区間を示す模式図である。 図１４は、円弧の曲率の算出方法を説明する模式図である。 図１５は、図１に示す曲率算出部が実行する処理を説明する模式図である。 図１６Ａは、正常な柔毛モデルを示す模式図である。 図１６Ｂは、正常な柔毛モデルに対応する凸領域を示す模式図である。 図１７Ａは、異常柔毛モデルを示す模式図である。 図１７Ｂは、異常柔毛に対応する線形状領域を示す模式図である。 図１７Ｃは、異常柔毛に対応する線形状領域に沿った円弧の曲率の分布を示すグラフである。 図１８Ａは、泡モデルを示す模式図である。 図１８Ｂは、泡領域に対応する線形状領域を示す模式図である。 図１８Ｃは、泡領域に対応する線形状領域に沿った円弧の曲率の分布を示すグラフである。 図１９は、円弧の曲率及び距離情報の２軸からなる頻度分布を示す模式図である。 図２０は、実施の形態１の変形例１−１に係る画像処理装置を示すブロック図である。 図２１は、図２０に示す線形状凸領域抽出部が実行する処理の詳細を示すフローチャートである。 図２２は、Hilditch細線化アルゴリズムにおいて用いられるパターンを示す模式図である。 図２３は、Hilditch細線化アルゴリズムにおいて用いられるパターンを示す模式図である。 図２４は、本発明の実施の形態２に係る画像処理装置の構成を示すブロック図である。 図２５は、図２４に示す領域内曲率特徴量算出部が実行する処理を示すフローチャートである。 図２６は、図２４に示す形状特徴量算出部が実行する処理を示すフローチャートである。 図２７Ａは、異常柔毛モデルを示す模式図である。 図２７Ｂは、異常柔毛に対応する線形状領域に沿った円弧の曲率を示す模式図である。 図２７Ｃは、異常柔毛に対応する線形状領域について算出された曲率の標準偏差を示すグラフである。 図２８Ａは、泡モデルを示す模式図である。 図２８Ｂは、異常柔毛に対応する線形状領域に沿った円弧の曲率を示す模式図である。 図２８Ｃは、泡領域に対応する線形状領域について算出された曲率の標準偏差を示すグラフである。 図２９は、本発明の実施の形態３に係る画像処理装置の構成を示すブロック図である。 図３０は、図２９に示す領域内曲率特徴量算出部が実行する処理を示すフローチャートである。 図３１は、図２９に示す方向特徴量算出部が実行する処理を示すフローチャートである。 図３２Ａは、異常柔毛モデルを示す模式図である。 図３２Ｂは、異常柔毛に対応する線形状領域を示す模式図である。 図３２Ｃは、異常柔毛に対応する線形状領域に沿った円弧の曲率中心方向を示す模式図である。 図３２Ｄは、異常柔毛における勾配方向別の曲率中心方向の頻度を示すグラフである。 図３３Ａは、泡モデルを示す模式図である。 図３３Ｂは、泡領域に対応する線形状領域を示す模式図である。 図３３Ｃは、泡領域に対応する線形状領域に沿った円弧の曲率中心方向を示す模式図である。 図３３Ｄは、泡領域における勾配方向別の曲率中心方向の頻度を示すグラフである。 図３４は、本発明の実施の形態４に係る画像処理装置の構成を示すブロック図である。 図３５は、図３４に示す注目領域設定部が実行する処理を示すフローチャートである。 図３６は、実施の形態４の変形例４−１における画像処理装置の動作を示すフローチャートである。

以下、本発明の実施の形態に係る画像処理装置、画像処理方法、及び画像処理プログラムについて、図面を参照しながら説明する。なお、これら実施の形態によって本発明が限定されるものではない。また、各図面の記載において、同一部分には同一の符号を付して示している。

（実施の形態１）
図１は、本発明の実施の形態１に係る画像処理装置を示すブロック図である。本実施の形態１に係る画像処理装置１は、一例として、カプセル型内視鏡によって生体の管腔内を撮像することにより取得された管腔内画像（以下、単に画像ともいう）に対し、粘膜表面の微細構造である柔毛が膨張した病変部（異常部）の有無を判別する画像処理を施す装置である。管腔内画像は、通常、各画素位置においてＲ（赤）、Ｇ（緑）、Ｂ（青）の波長成分（色成分）に対して、所定の（例えば２５６階調の）画素レベル（画素値）を有するカラー画像である。

図１に示すように、画像処理装置１は、該画像処理装置１全体の動作を制御する制御部１０と、内視鏡によって撮像された画像に対応する画像データを取得する画像取得部２０と、外部から入力される入力信号を受け付ける入力部３０と、各種表示を行う表示部４０と、画像取得部２０によって取得された画像データや種々のプログラムを格納する記録部５０と、画像データに対して所定の画像処理を実行する演算部１００とを備える。

制御部１０は、ＣＰＵ等のハードウェアによって実現され、記録部５０に記録された各種プログラムを読み込むことにより、画像取得部２０から入力される画像データや入力部３０から入力される操作信号等に従って、画像処理装置１を構成する各部への指示やデータの転送等を行い、画像処理装置１全体の動作を統括的に制御する。

画像取得部２０は、内視鏡を含むシステムの態様に応じて適宜構成される。例えば、カプセル型内視鏡との間の画像データの受け渡しに可搬型の記録媒体が使用される場合、画像取得部２０は、この記録媒体を着脱自在に装着し、記録された画像の画像データを読み出すリーダ装置で構成される。また、内視鏡によって撮像された画像の画像データを保存しておくサーバを設置する場合、画像取得部２０は、サーバと接続される通信装置等で構成され、サーバとデータ通信を行って画像データを取得する。或いは、画像取得部２０を、内視鏡からケーブルを介して画像信号を入力するインターフェース装置等で構成しても良い。

入力部３０は、例えばキーボードやマウス、タッチパネル、各種スイッチ等の入力デバイスによって実現され、受け付けた入力信号を制御部１０に出力する。
表示部４０は、ＬＣＤやＥＬディスプレイ等の表示装置によって実現され、制御部１０の制御の下で、管腔内画像を含む各種画面を表示する。

記録部５０は、更新記録可能なフラッシュメモリ等のＲＯＭやＲＡＭといった各種ＩＣメモリ、内蔵若しくはデータ通信端子で接続されたハードディスク、又は、ＣＤ−ＲＯＭ等の情報記録媒体及びその読取装置等によって実現される。記録部５０は、画像取得部２０によって取得された画像データの他、画像処理装置１を動作させると共に、種々の機能を画像処理装置１に実行させるためのプログラムや、このプログラムの実行中に使用されるデータ等を格納する。具体的には、記録部５０は、粘膜表面における柔毛の異常部の有無を判別する画像処理プログラム５１や、このプログラムの実行中に使用される種々の情報等を格納する。

演算部１００は、ＣＰＵ等のハードウェアによって実現され、画像処理プログラム５１を読み込むことにより、管腔内画像に対して画像処理を施し、粘膜表面における柔毛の異常部の有無を判別するための種々の演算処理を実行する。

次に、演算部１００の構成について説明する。
図１に示すように、演算部１００は、処理対象の管腔内画像に注目領域を設定する注目領域設定部１１０と、周囲よりも画素値が高い画素が所定の画素数以上連続する線形状の領域（以下、線形状領域ともいう）を抽出する線形状凸領域抽出部１２０と、線形状領域に沿った１つ以上の円弧の曲率に基づく特徴量（以下、曲率特徴量ともいう）の分布を算出する領域内曲率特徴量算出部１３０と、曲率特徴量に基づき注目領域内に異常部が存在するか否かを判別する異常判別部１４０を備える。

このうち、注目領域設定部１１０は、画像から残渣や暗部といった粘膜以外の領域を除外して粘膜領域を抽出する粘膜領域抽出部１１１を備え、抽出された粘膜領域を注目領域に設定する。

また、線形状凸領域抽出部１２０は、凸形状高周波成分算出部１２１と、孤立点除外部１２２と、細線化部１２３とを備える。
凸形状高周波成分算出部１２１は、周囲よりも画素値が高い画素領域に対し、空間周波数が所定値以上である成分（以下、高周波成分という）の強度を算出する。なお、以下において、周囲よりも画素値が高い画素領域のことを、凸形状領域又は単に凸形状ともいい、凸形状であって、且つ高周波成分の強度が所定値以上である画素領域のことを、凸形状高周波領域ともいう。また、凸形状高周波領域における高周波成分の強度のことを、凸形状高周波成分ともいう。

孤立点除外部１２２は、凸形状高周波成分算出部１２１により算出された凸形状高周波成分に基づき、孤立点を正常な柔毛として除外する。ここで、孤立点とは、凸形状高周波領域のうち、該凸形状高周波領域の周囲の全方向において、連続する画素数が所定の閾値よりも少ない領域のことである。
細線化部１２３は、凸形状高周波領域を細線化する。

また、領域内曲率特徴量算出部１３０は、線形状領域に沿った１つ以上の円弧の曲率及び該円弧までの撮像距離に対応する距離情報を、円弧のサイズ特徴量として算出するサイズ特徴量算出部１３１と、円弧のサイズ特徴量の頻度分布を作成する頻度分布作成部１３２とを備える。このうち、サイズ特徴量算出部１３１は、線形状領域から１つ以上の円弧の曲率を算出する曲率算出部１３１ａと、算出された１つ以上の円弧の曲率から代表値を算出する曲率代表値算出部１３１ｂと、管腔内画像の撮像位置（即ち、カプセル型内視鏡の位置）から線形状をなす凸領域までの距離情報を算出する距離情報算出部１３１ｃとを備える。

次に、画像処理装置１の動作について説明する。図２は、画像処理装置１の動作を示すフローチャートである。
まず、ステップＳ１０において、演算部１００は、記録部５０に記録された画像データを読み込むことにより、処理対象の管腔内画像を取得する。

続くステップＳ２０において、注目領域設定部１１０は、管腔内画像に対して注目領域を設定する。図３は、注目領域設定部１１０が実行する処理を詳細に示すフローチャートである。

ステップＳ２０１において、粘膜領域抽出部１１１は、管腔内画像内の各画素のエッジ強度に基づいて、管腔内画像を複数の小領域に分割する。この管腔内画像を複数の小領域に分割する処理を、図４を参照しながら詳しく説明する。まず、ステップＳ２０１１において、粘膜領域抽出部１１１は、管腔内画像内の各画素の画素値のうちのＧ成分を用いて、Ｇ成分画像を作成する。ここでＧ成分を用いる理由は、Ｇ成分は血液の吸光帯域に近いことから、粘膜の隆起や残渣の境界といった被写体の構造を最もよく表すからである。なお、本実施の形態１においてはＧ成分を用いるが、その代わりに、他の色成分や、画素値（Ｒ、Ｇ、Ｂ各成分）を変換して得られる輝度値、色差(ＹＣｂＣｒ変換)、色相、彩度、明度(ＨＳＩ変換)、色比等を用いても良い。

ステップＳ２０１２において、粘膜領域抽出部１１１は、このＧ成分画像にフィルタ処理を施してエッジ強度を算出し、エッジ強度を各画素の画素値とするエッジ画像を作成する。エッジ強度を算出するためのフィルタ処理としては、ブリューウイットフィルタ、ソーベルフィルタといった１次微分フィルタや、ラプラシアンフィルタ、ＬＯＧ（Laplacian of Gaussian）フィルタといった２次微分フィルタ等が用いられる(参考：ＣＧ-ＡＲＴＳ協会、「ディジタル画像処理」、第１１４〜１２１頁)。

さらに、粘膜領域抽出部１１１は、エッジ画像におけるエッジ強度をもとに、領域分割を行う。領域分割の手法の一例として、本実施の形態１においては、国際公開第２００６／０８０２３９号に開示された方法を適用する。即ち、ステップＳ２０１３において、エッジ画像に対し、ノイズを除去するために平滑化処理を施す。続くステップＳ２０１４において、エッジ画像内の各画素位置において、エッジ強度の勾配が最大となる方向（最大勾配方向）を取得する。そして、ステップＳ２０１５において、各画素（出発画素）から最大勾配方向に沿ってエッジ画像を探索し、画素値（エッジ強度）が極値となる画素位置を取得する。さらに、ステップＳ２０１６において、同一の画素位置において極値となる出発画素同士を１つの領域としてラベリングしたラベル画像を作成する。ここで、ラベル画像とは、ラベリングにより得られたラベル番号（１〜ｎ，ｎはラベル数）を各画素の画素値とする画像のことである。このラベル画像において同一の画素値を有する画素領域が、管腔内画像を領域分割した各小領域に相当する。その後、処理はメインルーチンに戻る。

なお、管腔内画像を領域分割する方法としては、上述した方法以外の公知の方法を適用しても良い。具体的には、分水嶺(watershed)アルゴリズム（参考：Luc Vincent and Pierre Soille，“Watersheds in digital spaces：An efficient algorithm based on immersion simulations”，IEEE Transactions on Pattern Analysis and Machine Intelligence，Vol．13， No．6，pp．583−598，June 1991）を用いても良い。分水嶺アルゴリズムは、画像の画素値情報を高度とみなした地形において水を満たしていく際に、異なるくぼみに溜まる水の間で境界ができるように画像を分割する方法である。

また、本実施の形態１においては、孤立的な画素ノイズによる影響を軽減したり、粘膜や残渣等の境界に沿った領域分割により後段における異常判別を実行し易くする目的で、エッジに基づく領域分割を行ったが、他の領域分割の手法として、管腔内画像を所定サイズの矩形領域に分割しても良い。この場合、エッジ画像の作成及びエッジ強度に基づく領域分割といった処理が不要となり、処理時間を短縮することができる。或いは、領域分割を行わずに、各画素を以下に説明する各ステップにおける処理単位としても良い。この場合、ステップＳ２０１の処理を省略することができる。

ステップＳ２０１に続くステップＳ２０２において、粘膜領域抽出部１１１は、領域分割により得られた各小領域に対し、特徴量の平均値を算出する。より詳細には、粘膜領域抽出部１１１は、小領域内の各画素の画素値から、Ｒ、Ｇ、Ｂ各成分の平均値を算出する。そして、これらの平均値に対してＨＳＩ変換(参考：ＣＧ-ＡＲＴＳ協会、「ディジタル画像処理」、第６４頁（ＨＳＩ変換と逆変換）)を施すことにより、小領域の色相平均値を算出する。ここで、色相平均値を算出するのは、粘膜や管腔内の内容物等の被写体は、それらの成分である血液や胆汁等の吸光特性の違いから、色相等の色特徴量によってある程度判別できるからである。基本的に、胃粘膜、腸粘膜、内容物の色相は、この順に、赤系の色相から黄系に向かって変化する。

なお、各小領域の色相平均値は、小領域内の各画素の画素値（Ｒ、Ｇ、Ｂ各成分）に対してＨＳＩ変換を施して色相を算出した後、各画素の色相の平均値を算出することにより求めても良い。また、色相の代わりに、例えば、色差、色比（Ｇ／Ｒ、Ｂ／Ｇ）等の特徴量の平均値を算出しても良い。

ステップＳ２０３において、粘膜領域抽出部１１１は、各小領域に対し、特徴量の平均値を基に暗部領域であるか否かを判別する。より詳細には、粘膜領域抽出部１１１は、まず、各小領域の判別結果リストを作成する。ここで、判別結果リストとは、管腔内画像を複数の小領域に分割した際のラベル画像におけるラベル番号と、各ラベル番号に対応するフラグ情報とを関連付けたリストのことである。なお、判別結果リストのサイズは、ラベル数ｎに対応する。続いて、粘膜領域抽出部１１１は、判別結果リストを初期化して、全ての小領域に対して粘膜領域のフラグ(０：粘膜領域)を付与する。そして、粘膜の隆起や残渣の境界といった被写体の構造に最もよく表すＧ成分を特徴量として用い、該特徴量の平均値が所定の閾値以下となる小領域に対して暗部領域のフラグ(１：暗部領域)を付与する。なお、この際の閾値は、明度の変化に対して小領域の色相平均値等の変化が線形性を保つ範囲内で決定される。これは、暗部領域においては、ノイズ等の影響により線形性が崩れるためである。

ステップＳ２０４において、粘膜領域抽出部１１１は、ステップＳ２０２において算出した特徴量の平均値（色相平均値）の分布をクラスタリングする。ここで、クラスタリングとは、特徴空間内におけるデータ分布を、データ間の類似性を基にクラスタと呼ばれる塊に分ける手法であり、階層法やk-means法等の公知の様々な手法で実行することができる（参考：ＣＧ-ＡＲＴＳ協会:「ディジタル画像処理」、第２３１〜２３２頁（クラスタリング））。本実施の形態１においては、後段で色相空間におけるデータのヒストグラムを用いる処理を行うため、特徴空間を色相の１次元空間とし、データのヒストグラムに基づくクラスタリングの手順を示す。なお、クラスタリングは、これに限定する必要はなく、他の手法を用いても良い。

以下、色相平均値の分布をクラスタリングする処理を、図５〜図７を参照しながら詳しく説明する。まず、横軸を色相平均値の階級区間とし、縦軸を各階級区間に相当する色相平均値の度数とするヒストグラムを作成する。この際、色相平均値は、判別結果リストにおいて粘膜領域のフラグ(０：粘膜領域)が付与された小領域から取得する。また、階級区間に関しては、管腔内画像における色相分布範囲を十分に含む黄系から赤系の色相範囲を、事前に定められた所定の間隔で分割することにより設定する。図５は、ヒストグラムの作成例である。なお、図５においては、度数の総和が１になるように正規化されている。

続いて、色相平均値の分布を、ヒストグラムの谷を境界として複数のクラスタに分ける。図６は、クラスタリング方法を説明する模式図である。図６に示す度数データのグラフは、ヒストグラムの度数変化を折れ線で簡易的に示したものである。また、ここでは、ヒストグラムの横軸に示す階級区間を便宜的に座標で示している。なお、クラスタリングされたクラスタ数を制限するために、ヒストグラムの階級区間の幅を変更したり、クラスタリングの前にヒストグラムに平滑化処理を施したりしても良い。

このような度数データに対し、各座標における勾配方向を求める。ここで、勾配方向とは、注目座標における度数データと、注目座標に隣接する座標における度数データとの差に基づいて決まる方向であり、度数の値が増加する方向を矢印で示している。なお「極」と表示された座標は、隣接する何れの座標よりも度数が高い極値（極大値）座標である。

さらに、各座標から勾配方向に沿って極値座標を探索する。図６においては、極値座標を探索した際の座標の変化を、出発座標（ｎ＝０における各座標）の位置から下方向に向かって座標の数値で示している。例えば、座標１から探索を開始する場合、座標１においては勾配方向が右方向となっているため、１回目の探索ステップ（ｎ＝１）では右隣の座標２が得られる。続いて、座標２においても勾配方向は右方向となっているため、２回目の探索ステップ（ｎ＝２）では、座標２の右隣の座標３が得られる。その後も順次、勾配方向に沿って探索を続けると、最終的に極値座標である座標５に辿り着く（ｎ＝４）。次に、座標２から探索を開始すると、やはり、最終的には極値座標である座標５の極値座標に辿り着く（ｎ＝３）。同様にして、全ての座標から同様の探索を行うと、座標１〜９を出発座標とする場合には、座標５に辿り着き、座標１０〜１５を出発座標とする場合には、座標１２に辿り着く。

このような探索の結果、極値座標として座標５が得られた座標１〜９を第１のクラスタとし、極値座標として座標１２が得られた座標１０〜１５を第２のクラスタとすることにより、ヒストグラムの谷を境界としてデータ分布をクラスタに分けることができる。

図７は、上述したクラスタリング方法を図５に示すヒストグラムに適用した結果を示すグラフである。図５の場合には、ヒストグラムの谷を境界として、色相平均値をクラスタ１〜３の３つに分類することができる。

ステップＳ２０４に続くステップＳ２０５において、粘膜領域抽出部１１１は、特徴量平均値の分布を基に残渣等の不要領域を判別する。ここで、管腔内においては一般に、胆汁と血液との吸光特性の違いから、残渣等の不要領域は黄系の色になる。そこで、ステップＳ２０４において得られたクラスタのうち、色相が黄系寄りのクラスタを、不要領域である小領域の色相平均値データからなるクラスタ（以下、不要領域クラスタという）と推定し、不要領域クラスタを特定する。

より詳細には、まず、各クラスタａ（ａはクラスタ番号であり、図７の場合、ａ＝１、２、３）の重心ω_aバー（バーはωの上に平均を示す記号「−」が記されていることを示す）を、クラスタａ内の色相平均値の総和ω_a、及びクラスタａに属するデータの数（即ち、小領域の数）ｍ_aを用いて、次式（１）によって算出する。

式（１）において、

また、記号ｉは小領域のラベル番号を示す。記号ｎはラベル数、即ち、画像内の小領域の数を示す。記号ｈ_iは、小領域ｉの色相平均値を示す。記号ａ＿ｍｉｎは、クラスタａにおける色相平均値の最小値を示し、記号ａ＿ｍａｘは、クラスタａにおける色相平均値の最大値を示す。さらに、

図７に示す色相平均値のヒストグラムにおいては、色相軸（横軸）の左に行くほど、黄系が強くなる。そこで、予め取得した教師データから、残渣の色相の範囲を示す残渣判定閾値を算出しておき、この残渣判定閾値よりも重心がグラフの左側に位置するクラスタを、不要領域クラスタと判別する。例えば図７においては、クラスタ１が不要領域クラスタとして判別される。

さらに、粘膜領域抽出部１１１は、判別結果リストにおいて粘膜領域のフラグ（０：粘膜領域）が付与された小領域のうち、不要領域クラスタに属する小領域に対し、不要領域のフラグ（２：不要領域）を付与する。
なお、不要領域の判別にあたっては、色相以外の特徴量の平均値を用いて同様の処理を行っても良い。

続くステップＳ２０６において、注目領域設定部１１０は、ラベル画像及び判別結果リストのフラグ情報をもとに、画像内の粘膜領域（不要領域以外の領域）の座標情報を取得し、該粘膜領域の座標情報を注目領域として出力する。その後、処理はメインルーチンに戻る。

ステップＳ２０に続くステップＳ３０において、線形状凸領域抽出部１２０は、画像内の注目領域から、周囲よりも画素値が高い画素が所定の画素数以上連続する線形状領域を抽出する。図８は、線形状凸領域抽出部１２０が実行する処理を詳細に示すフローチャートである。

ステップＳ３０１において、凸形状高周波成分算出部１２１は、凸形状高周波成分の強度を算出する。より詳細には、まず、凸形状高周波成分算出部１２１は、管腔内画像内の各画素の画素値のうちのＧ成分を用いて、Ｇ成分画像を作成する。Ｇ成分を用いる理由は、上述したように、Ｇ成分は血液の吸光帯域に近いため、被写体の構造を最もよく表すからである。なお、本実施の形態１においてはＧ成分を用いるが、その代わりに、他の色成分や、画素値（Ｒ、Ｇ、Ｂ各成分）を変換して得られる輝度値、色差(ＹＣｂＣｒ変換)、色相、彩度、明度(ＨＳＩ変換)、色比等を用いても良い。

続いて、凸形状高周波成分算出部１２１は、Ｇ成分画像に対して濃淡モフォロジ(モルフォロジー)によるトップハット変換（参考：コロナ社、「モルフォロジー」、第１０３〜１０４頁）を実行する。ここで、トップハット変換とは、図９に示すように、元の信号出力ｙ＝ｆ（ｘ）に対してローパスフィルタ処理を施した出力ｙ＝ｆ_g（ｘ）を、元の信号出力ｆ（ｘ）から引き去った処理のことであり、ハイパスフィルタ処理の出力ｙ＝ｆ（ｘ）−ｆ_g（ｘ）を与える。また、この際のローパスフィルタ処理としては、モフォロジのオープニング処理が実行される。オープニング処理とは、図９に示すような球形の構造要素によって、与えられた信号ｆ（ｘ）を下からトレースする処理に相当する。この際、信号が緩やかに変化しているところでは信号出力ｙ＝ｆ（ｘ）は正確になぞられるが、正のパルスがあるところでは球（構造要素）が入りきれないためにトレース可能な範囲から外れる。そのため、オープニング処理により、正のパルスが除かれた出力ｙ＝ｆ_g（ｘ）が得られる。この出力ｙ＝ｆ_g（ｘ）を元の信号出力ｙ＝ｆ（ｘ）から差し引くことにより、結果として、正のパルスの出力である凸形状領域における高周波成分を取得することができる。
なお、この他にも、フーリエ空間によるハイパスフィルタ処理や、ＤｏＧ(Difference of Gaussian)等を用いて凸形状高周波成分の強度を算出しても良い。

続くステップＳ３０２において、孤立点除外部１２２は、ステップＳ３０１において算出された凸形状高周波成分の強度に基づいて孤立点を抽出し、この孤立点を正常な柔毛として除外する。

詳細には、孤立点除外部１２２はまず、凸形状高周波成分の強度に対して閾値処理を施すことにより、二値化画像を作成する。この際、孤立点除外部１２２は、凸形状高周波成分の強度が所定の閾値以下の画素には０を与え、該閾値以上の画素には１を与える。なお、閾値としては、例えば、注目領域内の凸形状高周波成分の強度から算出された１つの代表値(最大値又は平均値)に対する所定の割合の値を設定する。或いは、閾値として、０より大きい固定値を設定しても良い。後者の場合、凸形状高周波成分に対する代表値の算出及び該代表値からの閾値の算出処理を省略することができる。なお、この処理により作成された二値化画像は、凸形状高周波領域が抽出された画像となる。

続いて、孤立点除外部１２２は、粒子解析を実行して、二値化画像から孤立点を除外する。本実施の形態１においては、粒子解析として、二値化画像内の対象領域（粒子）の面積に基づいて解析を行う。具体的には、孤立点除外部１２２は、二値化画像に対して画素値１を有する領域をラベリングすることにより、ラベル番号１〜ｓ（ｓはラベル数）を割り与えたラベル画像を作成する。そして、ラベル画像を走査してラベル番号ごとに画素数をカウントし、面積リストを作成する。ここで、面積リストは、ラベル番号と各ラベル番号に対応する面積とによって構成され、面積リストのサイズはラベル数ｓに対応する。さらに、孤立点除外部１２２は、各ラベル番号に対応するラベル領域の面積を所定の閾値で閾値処理し、面積が閾値以下であるラベル番号を有するラベル領域を孤立点と判定する。孤立点と判定されたラベル領域のラベル番号は０に設定される。

なお、孤立点の除外処理を行う際には、対象領域の面積以外にも、対象領域の周囲長、フェレ径(最大フェレ径)、対象領域の輪郭線上の任意の２点間の距離の最大値を示す絶対最大長、対象領域と等しい面積をもつ円の直径を示す円相当径等を用いた粒子解析を行っても良い。

ステップＳ３０３において、細線化部１２３は、凸形状高周波領域を細線化する。より詳細には、細線化部１２３は、孤立点除外部１２２により孤立点を除外されたラベル画像において、１以上のラベル番号を有する領域に対して細線化処理を実行する。そのために、細線化部１２３は、まず、ラベル画像に対し、ラベル番号が０の領域に画素値０を与え、ラベル番号が１以上の領域に画素値１を与えることにより、二値化画像を作成する。続いて、細線化部１２３は、二値化画像に対し、細線化フィルタ処理を施す。細線化フィルタ処理とは、図１０に示すような３×３画素からなる局所領域のパターンＭ１〜Ｍ８を二値化画像内から順次探索して、中心画素を削除する処理のことである（参考：東京大学出版会、「画像解析ハンドブック」、第５７７〜５７８頁（細線化と縮退化））。具体的には、まず、パターンＭ１を二値化画像内から探索して、中心画素の画素値を０に変更する。なお、図１０に示す＊は考慮しなくて良い画素を示す。次に、パターンＭ２を二値化画像内から探索して、中心画素の画素値を０に変更する。このような処理を、パターンＭ８まで繰り返して１サイクルとする。このサイクルを、削除する点がなくなるまで反復する。

さらに、ステップＳ３０４において、線形状凸領域抽出部１２０は、細線化処理が施された二値化画像（以下、線形状画像ともいう）を出力する。その後、処理はメインルーチンに戻る。

ステップＳ３０に続くステップＳ４０において、領域内曲率特徴量算出部１３０は、線形状領域に沿った円弧の曲率に基づく曲率特徴量を算出する。図１１は、領域内曲率特徴量算出部１３０が実行する処理を詳細に示すフローチャートである。

ステップＳ４０１において、サイズ特徴量算出部１３１は、円弧のサイズの特徴量として、線形状画像において観察される線形状領域に沿った円弧の曲率、及び撮像位置（カプセル型内視鏡）から円弧までの撮像距離に対応する距離情報を算出する。このサイズ特徴量算出部１３１が実行する処理について、図１２を参照しながら詳細に説明する。

ステップＳ４０１１において、サイズ特徴量算出部１３１は、線形状画像内の連続する線形状領域をラベリングする。本実施の形態１においては、８連結の連結成分に関するラベル付けを行う。具体的には、サイズ特徴量算出部１３１は、まず、線形状画像に対してラスタスキャンを行い、画素値１を有する画素のうち、ラベル番号が付与されていない画素を探索する。そして、ラベル番号が付与されていない画素を発見した際に、当該画素を注目画素とする。

サイズ特徴量算出部１３１は、注目画素の上隣又は左上の画素がラベル番号を有するとき、当該上隣又は左上の画素のいずれかのラベル番号を注目画素に付与する。その後、注目画素の左隣の画素のラベル番号が注目画素のラベル番号と異なる場合には、予め用意されたルックアップテーブルに、注目画素及びその左隣の画素のラベル番号が同一連結成分に属することを記録する。

また、注目画素の上隣及び左上の画素のラベル番号が０（ラベル番号なし）で、左隣の画素がラベル番号を有するとき、左隣の画素のラベル番号を注目画素に付与する。

さらに、サイズ特徴量算出部１３１は、注目画素の上隣、左隣、及び左上の画素のいずれにもラベル番号が付与されていない場合、当該注目画素に新たなラベル番号を付与する。

サイズ特徴量算出部１３１は、これらの処理を、線形状画像内の全画素に対して実行する。そして、最後に再度ラスタスキャンを行い、ルックアップテーブルを参照しながら、同一の連結成分に属する画素群に対し、それらの画素群に付与されたラベル番号のうち、最も小さいラベル番号を選んで付け直す（参考：ＣＧ-ＡＲＴＳ協会、「ディジタル画像処理」、第１８１〜１８２頁）。

ステップＳ４０１２において、曲率算出部１３１ａは、図１３に示すように、線形状画像Ｇ１内の線形状領域Ｌの端点Ｐ_t、及び／又は線形状領域Ｌ同士の交点Ｐ_cによって区切られる線形状領域Ｌの各区間（即ち、端点間、交点間、又は端点と交点との間）から、１つ以上の円弧の曲率を算出する。

より詳細には、曲率算出部１３１ａは、線形状画像を走査して、線形状領域の端点Ｐ_t又は線形状領域同士の交点Ｐ_cの画素を検出する。そして、図１４に示すように、検出された端点Ｐ_t又は交点Ｐ_cの画素を開始点画素Ｍ（ｘ_s，ｙ_s）に設定する。さらに、開始点画素Ｍ（ｘ_s，ｙ_s）から線形状領域Ｌ上（即ち、同じラベル番号が付与された画素上）を所定の画素数Δｓだけ辿って到着した画素を、終点画素Ｎ（ｘ_e，ｙ_e）に設定する。

続いて、曲率算出部１３１ａは、開始点画素Ｍの接線の傾き、及び終点画素Ｎの接線の傾きを算出する。本実施の形態においては、各接線の傾きを、ｘ軸とのなす角度ＤＥＧ_s、ＤＥＧ_eで表す。各接線とｘ軸とのなす角度ＤＥＧ_i（ｉ＝ｓ、ｅ）は、線形状領域に沿って開始点画素Ｍ（又は終点画素Ｎ）から前後に所定の画素数だけ離れた２つの画素（座標（ｘ_a，ｙ_a）、（ｘ_b，ｙ_b））を設定し、次式（２）を用いて算出される。

なお、線形状画像の左上を座標（０，０）に設定し、左上から各行を右方向に走査する場合、座標（ｘ_a，ｙ_a）は開始点画素Ｍ（又は終点画素Ｎ）の前方座標とし、座標（ｘ_b，ｙ_b）は開始点画素Ｍ（又は終点画素Ｎ）の後方座標とする。ただし、開始点画素Ｍ（又は終点画素Ｎ）から所定の画素数だけ離れると線形状領域から外れてしまう場合（端点又は交点を越えてしまう場合）には、線形状領域の端点又は交点の座標を上記座標（ｘ_a，ｙ_a）、（ｘ_b，ｙ_b）のいずれかに設定する。

続いて、曲率算出部１３１ａは、開始点画素Ｍと終点画素Ｎとの間の円弧の中心角αを算出する。この中心角αは、角度ＤＥＧ_sと角度ＤＥＧ_e角度との差ＤＥＧ_e−ＤＥＧ_sに相当する。

さらに、曲率算出部１３１ａは、開始点画素Ｍと終点画素Ｎとの間の円弧の曲率κを算出する。ここで、曲率κは円弧の曲率半径Ｒの逆数であり、円弧の長さに対応する画素数ΔｓはＲ×α×（π／１８０）と近似することができるから、曲率κは、次式（３）によって与えられる。

曲率算出部１３１ａは、図１５に示すように、線形状領域上の開始点画素Ｍ（Ｍ₁、Ｍ₂、…）及び終点画素Ｎ（Ｎ₁、Ｎ₂、…）をずらしつつ、曲率κ（κ₁、κ₂、…）の算出処理を繰り返す。そして、曲率算出部１３１ａは、終点画素Ｎが線形状領域Ｌの端点Ｐ_t、又は線形状領域Ｌ同士の交点Ｐ_cを越えると曲率αの算出処理を終了し、曲率αを算出した線形状領域に対して、１から順にインクリメントされたラベル番号を付与する。

曲率算出部１３１ａは、このような曲率κの算出及びラベル番号の付与を、図１３に示す線形状画像Ｇ１から検出された全て線形状領域Ｌに対して実行する。図１３に示す括弧付きの数字は、各線形状領域Ｌに付与されたラベル番号を示している。

続くステップＳ４０１３において、曲率代表値算出部１３１ｂは、曲率算出部１３１ａによって同一のラベル番号を付与された線形状領域ごとに、円弧の曲率の代表値を算出する。なお、本実施の形態１においては、代表値として中央値を算出するが、曲率の平均値、最大値、最小値等を代表値として算出しても良い。

続くステップＳ４０１４において、距離情報算出部１３１ｃは、撮像位置から線形状領域までの奥行き方向における距離情報を算出する。具体的には、距離情報算出部１３１ｃは、元の管腔内画像内の注目領域に対応する部分から、各画素の画素値のうちでヘモグロビンによる吸光が少なく、粘膜の表層の形状を最もよく表すＲ成分値を取得してＲ成分画像を作成する。

なお、本ステップＳ４０１４においては、粘膜上の柔毛の微細構造に及ぼす影響が少ない画像であれば、他の手法により作成された画像から距離情報を取得しても良い。例えば、凸形状高周波成分算出部１２１の処理において説明した濃淡モフォロジによるオープニング処理を施した画像を用いても良い。

続いて、距離情報算出部１３１ｃは、曲率代表値算出部１３１ｂによって曲率が算出された各円弧の位置における距離情報を算出する。具体的には、円弧上の画素位置におけるＲ成分値を取得し、円弧ごとに、Ｒ成分値の平均値、中央値、最小値、最大値といった代表値を取得する。本実施の形態１においては、このＲ成分値の代表値を、撮像距離に対応する距離情報として用いる。なお、この場合、距離情報の値が大きいほど撮像距離が短く、距離情報の値が小さいほど撮像距離が長くなる。また、円弧の曲率中心の画素位置や、円弧の曲率中心と曲率半径とからなる円形状領域や扇状領域の内部領域におけるＲ成分値を、当該円弧の距離情報として用いても良い。

さらに、ステップＳ４０１５において、サイズ特徴量算出部１３１は、円弧の曲率及び距離情報を、円弧のサイズの特徴量として出力する。その後、処理はメインルーチンに戻る。

ステップＳ４０１に続くステップＳ４０２において、頻度分布作成部１３２は、サイズ特徴量算出部１３１から出力された特徴量の頻度分布を作成する。より詳細には、円弧の曲率及び距離情報の２軸からなる頻度分布を作成する。この際、頻度分布作成部１３２は、作成した頻度分布から分散等の統計量も併せて算出する。

さらに、ステップＳ４０３において、領域内曲率特徴量算出部１３０は、円弧の曲率及び距離情報の２軸からなる頻度分布を曲率特徴量として出力する。その後、処理はメインルーチンに戻る。

ステップＳ４０に続くＳ５０において、異常判別部１４０は、曲率特徴量に基づき注目領域に異常部が存在するか否かを判別する。
ここで、管腔内画像に見られる円弧形状の領域としては、粘膜表面の柔毛が膨張した異常部、管腔内の液体が泡状になった泡領域、粘膜の溝といった構造物の輪郭（以下、粘膜輪郭という）等が挙げられる。以下において、膨張した柔毛のことを異常柔毛という。

図１６Ａは、正常な柔毛モデルを示す模式図である。正常な柔毛は、通常、粘膜表面の法線方向から見た平面形状が円形で、全体として中心部が突出した形状をなすため、管腔内画像においては、柔毛の中心部及びその近傍における輝度が最も高くなる。このため、正常な柔毛が映った管腔内画像から、周囲の画素よりも輝度値が高い凸領域を抽出すると、図１６Ｂに示すように、柔毛の中心部に対応する点状の凸領域ＰＲ１が得られる。このような点状の凸領域ＰＲ１は、孤立点として予め線形状画像から除外されている。

図１７Ａは、異常柔毛モデルを示す模式図である。異常柔毛を粘膜表面の法線方向から見た平面形状は、楕円のような扁平状をなすため、管腔内画像においては、撮像方向に対する柔毛の向きに応じた輪郭部分（曲率が高い輪郭部分、又は曲率が低い輪郭部分）の輝度が高くなる。従って、異常柔毛が映った管腔内画像から凸領域を抽出すると、図１７Ｂに示すように、撮像方向に応じた曲率の円弧状をなす線形状領域ＰＲ２が得られる。このため、線形状領域ＰＲ２に沿った円弧の曲率の分布は、図１７Ｃに示すように、ある程度の狭い範囲に収まる。また、各線形状領域ＰＲ２に沿った円弧の曲率代表値として曲率の最小値を採用する場合、曲率は値が小さい側に偏って分布する（実線参照）。一方、曲率代表値として曲率の最大値を採用する場合には、曲率は値が大きい側に偏って分布する（破線参照）。

図１８Ａは、泡モデルを示す模式図である。泡領域において、１つひとつの泡はほぼ球形状をなす。また、泡の表面全体は高反射領域となっているため、管腔内画像においては、泡の輪郭部分の輝度が高くなる。従って、泡領域が映った管腔内画像から凸領域を抽出すると、図１８Ｂに示すように、ほぼ円形状をなす様々な大きさの線形状領域ＰＲ３が得られる。このため、線形状領域ＰＲ３に沿った円弧の曲率の分布は、図１８Ｃに示すように、大きくばらつく。
また、粘膜輪郭に沿った円弧の曲率は、一般に、異常柔毛や泡領域と比較して小さい値を取る。

図１９は、円弧の曲率及び距離情報の２軸からなる頻度分布を示す模式図である。粘膜輪郭を示す線形状領域に沿った円弧の曲率は、概ね、撮像距離にはよらず、値が小さく、且つ狭い範囲に分布する。また、泡領域を示す線形状領域に沿った円弧の曲率は、撮像距離によらず、広い範囲に分布する。それに対して、異常柔毛を示す線形状領域に沿った円弧の曲率の分布範囲は、撮像距離に応じて変化する。具体的には、撮像距離が長くなると（撮像情報の値が小さくなると）、曲率は値が大きい方（円弧のカーブが強い方）に分布し、撮像距離が短くなると（撮像情報の値が大きくなると）、曲率は値が小さい方（円弧のカーブが緩い方）に分布する。

そこで、異常判別部１４０は、以下のように判別を行う。
まず、異常判別部１４０は、ある距離情報Ｌ_arbにおける曲率の分散が、距離情報Ｌ_arbに応じて予め定められた所定の閾値（分散閾値）ＴＨ₁よりも大きい場合、当該注目領域には泡領域が映っており、異常部は存在しないと判別する。

また、異常判別部１４０は、距離情報Ｌ_arbにおける曲率の分散が上記分散閾値ＴＨ₁以下である場合において、曲率が所定の閾値（曲率閾値）ＴＨ₂よりも小さい範囲に分布する場合、当該注目領域には粘膜輪郭が映っており、異常部は存在しないと判別する。

一方、異常判別部１４０は、距離情報Ｌ_arbにおける曲率の分散が上記分散閾値ＴＨ₁以下である場合において、曲率が上記曲率閾値ＴＨ₂以上の範囲に分布する場合、当該注目領域には異常柔毛が映っており、異常部が存在すると判別する。

続くステップＳ６０において、演算部１００は、ステップＳ５０においてなされた異常部の有無の判別結果を出力する。これに応じて、制御部１０は、判別結果を表示部４０に表示させると共に、処理対象の管腔内画像の画像データと関連付けて記録部５０に記録する。

以上説明したように、実施の形態１によれば、管腔内画像から抽出された粘膜領域を注目領域として設定し、この注目領域から、周囲の画素よりも画素値が高い画素群からなる凸領域のうちの高周波成分を抽出する。そして、該高周波成分を細線化した線形状領域に対し、曲率の特徴量として曲率及び距離情報を算出し、これらの特徴量の頻度分布に基づいて注目領域に映った被写体を識別する。従って、粘膜輪郭や泡等の誤検出（過検出）を抑制し、柔毛の微細構造の撮像距離に応じたサイズの変化や、撮像方向に対する柔毛の向きに応じた形状の変化にも対応して、異常柔毛を精度良く識別して、異常部の有無を判別することが可能となる。

（変形例１−１）
上記実施の形態１においては、管腔内画像から不要領域を除去した残りの領域全体を１つの注目領域として設定したが、残りの領域を分割した複数の領域を注目領域としてそれぞれ設定しても良い。この場合、管腔内画像内のどの位置に異常部が存在するかを特定することが可能となる。分割方法は特に限定されず、例えば、不要領域を除去した残りの領域を単にマトリクス状に分割しても良い。或いは、不用領域を除去した残りの領域内の各画素の画素値から撮像距離に対応する距離情報を取得し、距離情報を階層分けした階層ごとに領域を分割しても良い。この場合、図１２に示すステップＳ４０１４の処理を省略することができる。

（変形例１−２）
次に、実施の形態１の変形例１−２について説明する。
図２０は、変形例１−１に係る画像処理装置を示すブロック図である。図２０に示すように、変形例１−１に係る画像処理装置１−２は、図１に示す演算部１００の代わりに、演算部１００−２を備える。

演算部１００−２は、図１に示す線形状凸領域抽出部１２０の代わりに、線形状凸領域抽出部１５０を備える。この線形状凸領域抽出部１５０は、画素値が尾根形状に変化する画素群を尾根形状の領域として抽出する尾根形状抽出部１５１と、抽出された尾根形状の領域から、周囲に対して孤立している画素群を孤立点として除外する孤立点除外部１５２と、該孤立点を除外した後の尾根形状の領域を細線化して線形状凸領域を抽出する細線化部１５３とを有する。

演算部１００−２の動作は全体として図２に示すものと同様であり、ステップＳ３０において線形状凸領域抽出部１５０が実行する処理の内容のみが異なる。図２１は、線形状凸領域抽出部１５０が実行する処理の詳細を示すフローチャートである。

まず、ステップＳ３１１において、尾根形状抽出部１５１は、注目領域から尾根形状の領域を抽出する。より詳細には、尾根形状抽出部１５１は、注目領域内において注目画素を順次設定し、各注目画素における画素値の勾配の最大方向（以下、最大勾配方向という）及び最小方向（以下、最小勾配方向という）を求める。そして、最大勾配方向及び最小勾配方向の各々に対し、画素値が変化する形状の曲率を算出し、これらの曲率の比をもとに尾根領域を検出する。

そのために、尾根形状抽出部１５１は、まず、注目画素に対し、次式（４）に示すヘッセ行列Ｈによる固有方程式を解くことにより、固有値である最大勾配方向における曲率ｋ₁、及び、最小勾配方向における曲率ｋ₂を算出する。
ｄｅｔ（Ｈ−λＥ）＝０ …（４）

式（４）において、ヘッセ行列Ｈは、次式（５）によって与えられる。

また、記号Ｅは単位行列であり、λＥは次式（６）のとおりである。

続いて、曲率ｋ₁、ｋ₂から、次式（７−１）及び（７−２）によって与えられるガウス曲率Ｋ_G及び平均曲率Ａ_kを算出する。
Ｋ_G＝ｋ₁×ｋ₂ …（７−１）
Ａ_k＝（ｋ₁＋ｋ₂）／２ …（７−２）

このとき、Ａ_k＜０、且つ、Ｋ_G≒０である画素群、即ち、絶対値｜Ｋ_G｜が所定の閾値以下である画素群が、尾根形状の領域であると判別される。尾根形状抽出部１５１は、尾根形状の領域と判別された画素群に対して画素値１を付与し、その他の画素に画素値０を付与することにより、二値化画像を作成する。

なお、曲率ｋ₁、ｋ₂を算出した後、例えばShape index and Curvednessのように、任意の３次元表面形状を認識する公知技術を用いて尾根形状の領域の判別を行っても良い（参考：Chitra Dorai，Anil K Jain，“COSMOS-A Representation Scheme for Free-Form Surfaces”)。

続くステップＳ３１２において、孤立点除去部１５２は、ステップＳ３１１において抽出された尾根形状の領域から孤立点を抽出し、該孤立点を正常な柔毛として除外する。より詳細には、ステップＳ３１１において作成された二値化画像に対し、連続する画素の数が所定値以下である画素群（即ち、所定値以下のサイズの領域）を孤立点として抽出する。そして、孤立点として抽出した画素群に対し、画素値０を付与する。

続くステップＳ３１３において、細線化部１５３は、孤立点を除外した後の尾根形状の領域を細線化する。より詳細には、細線化部１５３は、ステップＳ３１２において作成された二値化画像に対し、図１０に示すパターンＭ１〜Ｍ８を用いた細線化フィルタ処理を施す。なお、細線化フィルタ処理の詳細な内容については、実施の形態１と同様である。

さらに、ステップＳ３１４において、線形状凸領域抽出部１５０は、細線化処理が施された二値化画像を出力する。その後、処理はメインルーチンに戻る。

（変形例１−３）
実施の形態１において、注目領域から抽出された凸形状高周波領域を細線化する処理（図８のステップＳ３０３参照）としては、上述した方法以外にも、種々の公知技術を適用することができる。以下、公知技術の１つであるHilditch細線化アルゴリズムについて説明する。

まず、第１ステップとして、凸形状高周波領域が抽出された二値化画像に対し、細線化対象である画素Ｐ_ｋのうち、以下に示す６つの条件を満たす画素を境界画素として逐次削除する。ここで、ｋは二値化画像内の画素の画素番号である（ｋは自然数）。また、画素Ｐ_ｋの画素値をＢ（Ｐ_k）（Ｂ（Ｐ_k）＝１）と示す。この場合、第１ステップは、画素値Ｂ（Ｐ_k）を１から−１に置き換える処理に相当する。なお、細線化の非対象画素の画素値はＢ（Ｐ_k）＝０である。

条件１：注目画素が細線化の対象画素である。即ち、次式（ａ１）を満たす。
Ｂ（Ｐ_k）＝１ …（ａ１）

条件２：注目画素に対し、縦、横で隣接する画素のうちいずれか１つが０である。即ち、次式（ａ２）を満たす。

条件３：端点でない。即ち、次式（ａ３）を満たす。

条件４：孤立点でない。即ち、次式（ａ４）を満たす。ここでは、逐次処理により得られる結果をＢ（Ｐ_k）、１つ前のラスタ操作完了時の結果をＢ^*（Ｐ_k）として区別して示している。なお、画素値Ｂ^*（Ｐ_k）は−１を取らない。

条件５：連結性を保持する。即ち、図２２に示すパターンＭ１１〜Ｍ１４のいずれかに当てはまる。なお、図２２において、※で示す画素は、画素値１又は−１を取る。この条件を条件式で表すと、次式（ａ５）となる。

条件６：線幅が２である線分に対して、その片方のみを削除する。即ち、１つ前のラスタ操作完了時の結果Ｂ^*（Ｐ_k）が、図２３に示すパターンＭ２１〜Ｍ２４のいずれかに当てはまる。この条件を条件式で表すと、次式（ａ６）となる。

次に第２ステップとして、境界画素として逐次削除された画素（即ち、画素値Ｂ（Ｐ_k）が１から−１に置き換えられた画素）の画素値を、非対象領域の画素値Ｂ（Ｐ_k）＝０に置き換える。
これらの第１ステップ及び第２ステップを、非対象領域の画素値への置換えがなくなるまで繰り返す。それにより、対象領域の細線化がなされる。

（実施の形態２）
次に、本発明の実施の形態２について説明する。
図２４は、実施の形態２に係る画像処理装置の構成を示すブロック図である。図２４に示すように、実施の形態２に係る画像処理装置２は、図１に示す演算部１００の代わりに演算部２００を備える。この演算部２００は、注目領域設定部１１０と、線形状凸領域抽出部１２０と、領域内曲率特徴量算出部２１０と、異常判別部２２０とを備える。なお、注目領域設定部１１０及び線形状凸領域抽出部１２０の構成及び動作については、実施の形態１と同様である。また、演算部２００以外の画像処理装置の各部の構成及び動作についても、実施の形態１と同様である。

領域内曲率特徴量算出部２１０は、線形状凸領域抽出部１２０によって抽出された線形状領域に沿った１つ以上の円弧の曲率を算出すると共に、それらの曲率のばらつきを特徴量として算出する形状特徴量算出部２１１と、特徴量の頻度分布を作成する頻度分布作成部２１２とを備える。より詳細には、形状特徴量算出部２１１は、線形状領域の端点及び／又は線形状領域同士の交点によって区切られる線形状領域の各区間から１つ以上の円弧の曲率を算出する曲率算出部２１１ａと、各区間から算出された１つ以上の円弧の曲率の標準偏差を算出する曲率標準偏差算出部２１１ｂとを有する。
異常判別部２２０は、上記曲率のばらつきに基づいて異常部の有無を判別する。

次に、画像処理装置２の動作について説明する。
画像処理装置２の動作は全体として図２に示すものと同様であり、ステップＳ４０において領域内曲率特徴量算出部２１０が実行する処理、及びステップＳ５０において異常判別部２２０が実行する処理の内容が実施の形態１とは異なる。

図２５は、領域内曲率特徴量算出部２１０が実行する処理を示すフローチャートである。まず、ステップＳ４２１において、形状特徴量算出部２１１は、ステップＳ３０において抽出された線形状領域の形状を示す特徴量として、線形状領域に沿った円弧の曲率のばらつきを算出する。この形状特徴量算出部２１１が実行する処理について、図２６を参照しながら詳細に説明する。なお、図２６に示すステップＳ４２１１及びＳ４２１２は、図１２に示すステップＳ４０１１及びＳ４０１２と対応している。このうち、ステップＳ４０１２の処理は、曲率算出部１３１ａ（図１参照）の代わりに、曲率算出部２１１ａが実行する。

ステップＳ４２１２に続くステップＳ４２１３において、曲率標準偏差算出部２１１ｂは、線形状領域の区間ごとに、１つ以上の円弧の曲率の標準偏差を算出する。具体的には、曲率標準偏差算出部２１１ｂは、曲率算出部２１１ａによって付与された同一のラベル番号を有する円弧に対して算出されたｍ個の曲率κ_i（ｉ＝１〜ｍ）から、次式（８）によって与えられる標準偏差σを算出する。

式（８）において、κの上にバーが附されたκバーは、曲率κ_iの平均値であり、次式（９）によって与えられる。

続くステップＳ４２１４において、形状特徴量算出部２１１は、線形状領域の各区間について算出された標準偏差を、線形状領域の形状を表す特徴量として出力する。その後、処理はメインルーチンに戻る。

ステップＳ４２１に続くステップＳ４２２において、頻度分布作成部２１２は、特徴量の頻度分布として、形状特徴量算出部２１１から出力された標準偏差の頻度分布を作成する。

さらに、ステップＳ４２３において、領域内曲率特徴量算出部２１０は、標準偏差の頻度分布を曲率特徴量として出力する。その後、処理はメインルーチンに戻る。

次に、異常判別部２２０が実行する処理について説明する。
異常判別部２２０は、曲率特徴量である標準偏差の頻度分布に基づき注目領域に異常部が存在するか否かを判別する。

ここで、注目領域に異常柔毛が存在する場合、図２７Ａに示すように、当該注目領域から作成された線形状画像には、扁平な線形状領域ＰＲ４が現れる。図２７Ｂに示すように、このような線形状領域ＰＲ４に沿った円弧の曲率は、線形状領域ＰＲ４内の位置に応じて様々な値を取る。このため、曲率のばらつきは比較的大きくなる。なお、図２７Ｂに示すベクトルｖ_i（ｉ＝１、２、…）は、円弧の曲率の大きさを表すベクトルである。従って、図２７Ｃに示すように、線形状領域ＰＲ４について算出された曲率の標準偏差は、比較的、値が大きい範囲に分布する。

一方、注目領域に泡領域が存在する場合、図２８Ａに示すように、当該注目領域から作成された線形状画像には、円形の線形状領域ＰＲ５が現れる。図２８Ｂに示すように、このような線形状領域ＰＲ５において、円弧の曲率は、ほぼ一定値となり、曲率のばらつきは小さくなる。従って、図２８Ｃに示すように、線形状領域ＰＲ５について算出された曲率の標準偏差は、値が小さい範囲（０又はその近傍）に分布する。

そこで、異常判別部２２０は、標準偏差の頻度分布に基づいて、異常部の有無を判別する。具体的には、標準偏差の頻度分布が、所定の閾値よりも大きい範囲に偏っている場合、当該注目領域に異常部が存在すると判別する。

以上説明したように、実施の形態２によれば、管腔内画像から抽出された粘膜領域を注目領域として設定し、この注目領域から、周囲の画素よりも画素値が高い画素群からなる凸領域のうちの高周波成分を抽出する。そして、該高周波成分を細線化した線形状領域に対し、線形状領域に沿った円弧の曲率の標準偏差の頻度分布を算出し、この標準偏差の頻度分布に基づいて、注目領域における異常部の有無を判別する。従って、異常柔毛と泡領域とを精度良く識別して、異常部の判別精度を向上させることが可能となる。

また、実施の形態２によれば、注目領域内の被写体までの撮像距離（距離情報）を用いることなく判別を行うので、演算処理を簡略化することが可能となる。

（実施の形態３）
次に、本発明の実施の形態３について説明する。
図２９は、実施の形態３に係る画像処理装置の構成を示すブロック図である。図２９に示すように、実施の形態３に係る画像処理装置３は、図１に示す演算部１００の代わりに演算部３００を備える。この演算部３００は、注目領域設定部１１０と、線形状凸領域抽出部１２０と、領域内曲率特徴量算出部３１０と、異常判別部３２０とを備える。なお、注目領域設定部１１０及び線形状凸領域抽出部１２０の構成及び動作については、実施の形態１と同様である。また、演算部３００以外の画像処理装置３の各部の構成及び動作についても、実施の形態１と同様である。

領域内曲率特徴量算出部３１０は、線形状凸領域抽出部１２０によって抽出された線形状領域に沿った１つ以上の円弧の中心方向を示す曲率特徴量を算出する方向特徴量算出部３１１と、曲率特徴量の頻度分布を作成する頻度分布作成部３１２とを備える。このうち、方向特徴量算出部３１１は、各円弧から曲率中心に向かう方向（以下、曲率中心方向という）を算出する曲率中心方向算出部３１１ａと、各円弧の位置における被写体の勾配方向を算出する勾配方向算出部３１１ｂとを有する。ここで、被写体の勾配方向とは、画像の奥行き方向に被写体（具体的には粘膜構造）が勾配する方向のことである。

異常判別部３２０は、粘膜構造の勾配の方向と、曲率中心方向の分布とに基づいて、異常部の有無を判別する。

次に、画像処理装置３の動作について説明する。
画像処理装置３の動作は全体として図２に示すものと同様であり、ステップＳ４０において領域内曲率特徴量算出部３１０が実行する処理、及びＳ５０において異常判別部２２０が実行する処理の内容が実施の形態１とは異なる。

図３０は、領域内曲率特徴量算出部３１０が実行する処理を示すフローチャートである。まず、ステップＳ４３１において、方向特徴量算出部３１１は、円弧の中心方向を示す特徴量として、円弧の曲率中心方向及び勾配方向を算出する。この方向特徴量算出部３１１が実行する処理について、図３１を参照しながら詳細に説明する。

ステップＳ４３１１において、曲率中心方向算出部３１１ａは、線形状領域に沿った円弧の曲率中心方向を算出する。具体的には、まず、図１２に示すステップＳ４０１２と同様にして、各円弧の曲率を算出し、さらに、曲率の逆数である曲率半径Ｒを算出する。

続いて、曲率中心方向算出部３１１ａは、当該円弧上の位置座標（ｘ，ｙ）及び曲率半径Ｒを用いてハフ（hough）変換を実行することにより近似円を作成する（参考：ＣＧ−ＡＲＴＳ協会、「ディジタル画像処理」、第２１３〜２１４頁）。ここで、ハフ変換による近似円の検出は、円弧上の位置座標（ｘ，ｙ）を通る半径Ｒの円を、円の中心座標（ａ，ｂ）及び半径Ｒからなるパラメータ空間に投票し、その投票結果を調べることにより作成することができる。

さらに、曲率中心方向算出部３１１ａは、円弧上の任意の点（例えば、中心点）から近似円の中心に向かう方向ベクトルを算出し、この方向ベクトルを曲率中心方向として出力する。

続くステップＳ４３１２において、勾配方向算出部３１１ｂは、線形状領域に沿った円弧の位置における被写体の勾配方向を算出する。具体的には、勾配方向算出部３１１ｂは、元の管腔内画像のうち処理対象である注目領域に対応する部分から、各画素の画素値のうちでヘモグロビンによる吸光が少なく、粘膜の表層の形状に最も近いＲ成分値を取得してＲ成分画像を作成する。

なお、本ステップＳ４３１２においては、粘膜上の柔毛の微細構造に及ぼす影響が少ない画像であれば、他の手法により作成された画像から勾配方向を取得しても良い。例えば、凸形状高周波成分算出部１２１の処理において説明した濃淡モフォロジによるオープニング処理により画像を用いても良い。

続いて、勾配方向算出部３１１ｂは、Ｒ成分画像から、曲率中心方向算出部３１１ａにより曲率中心方向を算出した円弧の位置における勾配方向を算出する。具体的には、エッジ強度を算出するためのフィルタ処理(参考：ＣＧ-ＡＲＴＳ協会、「ディジタル画像処理、第１１４〜１１７頁)である１次微分フィルタ処理（プリューウイットフィルタ、ソーベルフィルタ等）を実行する。

ステップＳ４３１３において、方向特徴量算出部３１１は、円弧の曲率中心方向及び勾配方向を特徴量として出力する。その後、処理はメインルーチンに戻る。

ステップＳ４３１に続くステップＳ４３２において、頻度分布作成部３１２は、方向特徴量算出部３１１から出力された特徴量の頻度分布を作成する。具体的には、円弧の勾配方向別に、円弧の曲率中心方向の頻度分布を作成する。

ステップＳ４３３において、領域内曲率特徴量算出部３１０は、円弧の曲率中心方向の頻度分布を曲率特徴量として出力する。

次に、異常判別部３２０が実行する処理を説明する。
異常判別部３２０は、曲率特徴量である曲率中心方向の頻度分布に基づき、注目領域に異常部が存在するか否かを判別する。

ここで、注目領域に異常柔毛が存在する場合、図３２Ａに示すように、被写体（粘膜構造）の勾配に対して１つの撮像方向から撮像を行うと、図３２Ｂに示すように、線形状領域ＰＲ６がほぼ１方向を向いた線形状画像が得られる。この場合、図３２Ｃに示すように、線形状領域ＰＲ６における曲率中心方向ｄは概ね一定の方向を向く。従って、図３２Ｄに示すように、勾配方向別の曲率中心方向の分布には偏りが生じる。

一方、注目領域に泡領域が存在する場合、図３３Ａに示すように、被写体（粘膜構造）の勾配に対して１つの撮像方向から撮像を行うと、図３３Ｂに示すように、線形状領域ＰＲ７が泡領域の輪郭に対応する円形状をなす線形状画像が得られる。この場合、図３３Ｃに示すように、線形状領域ＰＲ７における曲率中心方向ｄはあらゆる方向を向く。従って、図３３Ｄに示すように、勾配方向別の曲率中心方向は、幅広く、且つ概ね均一に分布する。

そこで、異常判別部３２０は、勾配方向別の曲率中心方向の頻度分布において、曲率中心方向が偏っている場合、即ち、曲率中心方向の分散が所定の閾値以下である場合、当該注目領域に異常部が存在すると判別する。

以上説明したように、実施の形態３によれば、管腔内画像から抽出された粘膜領域を注目領域として設定し、この注目領域から、周囲の画素よりも画素値が高い画素群からなる凸領域のうちの高周波成分を抽出する。そして、該高周波成分を細線化した線形状領域に対し、線形状領域に沿った円弧の曲率中心方向及び勾配方向を算出し、勾配方向別の曲率中心方向の頻度分布に基づいて、注目領域における異常部の有無を判別する。従って、撮像方向によって変化する柔毛の向きに応じて、異常柔毛と泡領域とを精度良く識別し、異常部の判別精度を向上させることが可能となる。

（実施の形態４）
次に、本発明の実施の形態４について説明する。
図３４は、実施の形態４に係る画像処理装置の構成を示すブロック図である。図３４に示すように、実施の形態４に係る画像処理装置４は、図１に示す演算部１００の代わりに、演算部４００を備える。この演算部４００は、注目領域設定部４１０と、線形状凸領域抽出部１２０と、領域内曲率特徴量算出部４２０と、異常判別部４３０とを備える。なお、線形状凸領域抽出部１２０の構成及び動作については、実施の形態１と同様である。また、演算部４００以外の画像処理装置４の各部の構成及び動作についても、実施の形態１と同様である。

注目領域設定部４１０は、処理対象の管腔内画像から残渣や暗部といった粘膜以外の領域を除外して、粘膜領域を抽出する粘膜領域抽出部１１１と、抽出された粘膜領域をさらに複数の領域に分割する領域分割部４１１とを備え、分割された各領域を注目領域に設定する。なお、粘膜領域抽出部１１１の動作は実施の形態１と同様である。

領域内曲率特徴量算出部４２０は、曲率算出部１３１ａ及び曲率代表値算出部１３１ｂを備えるサイズ特徴量算出部４２１と、頻度分布作成部１３２とを備える。なお、曲率算出部１３１ａ、曲率代表値算出部１３１ｂ、及び頻度分布作成部１３２の動作は実施の形態１と同様である。

異常判別部４３０は、領域内曲率特徴量算出部４２０によって算出された曲率特徴量に基づいて、各注目領域に異常部が存在するか否かを判別する。

次に、画像処理装置４の動作について説明する。
画像処理装置４の動作は全体として図２に示すものと同様であり、ステップＳ２０〜Ｓ６０の各々において実行される処理の内容が実施の形態１とは異なる。

図３５は、ステップＳ２０において注目領域設定部４１０が実行する処理を示すフローチャートである。なお、図３５におけるステップＳ２０１〜Ｓ２０５は、図３と対応している。

ステップＳ２０５に続くステップＳ２４１において、注目領域設定部４１０は、不要領域を除去した後に残った粘膜領域を、各々が所定サイズ以下の複数の領域に分割する。分割方法は特に限定されず、本実施の形態４においては、粘膜領域を矩形状の領域に分割する。また、分割される１つの領域のサイズは、分割された領域内で被写体までの撮像距離の差が所定の範囲に収まるサイズとなるように、予め設定されている。

続くステップＳ２４２において、注目領域設定部４１０は、分割された各領域の座標情報を注目領域として出力する。

ステップＳ３０において、線形状凸領域抽出部１２０は、ステップＳ２０において出力された注目領域の各々から線形状領域を抽出する。

ステップＳ４０において、領域内曲率特徴量算出部４２０は、ステップＳ２０において出力された注目領域ごとに、線形状領域に沿った円弧の曲率に基づく曲率特徴量を算出する。なお、曲率特徴量としては、実施の形態１と同様に、線形状領域の各区間から算出された１つ以上の円弧の曲率の代表値の頻度分布が算出されるが、実施の形態１とは異なり、撮像情報は算出されない。

ステップＳ５０において、異常判別部４３０は、注目領域ごとに、曲率特徴量である円弧の曲率の代表値の頻度分布に基づいて、当該注目領域に異常部が存在するか否かを判別する。具体的には、まず、曲率が所定の閾値（曲率閾値）よりも小さい場合、当該注目領域には粘膜輪郭が映っており、異常部は存在しないと判別する。

また、異常判別部４３０は、曲率が上記曲率閾値より大きく、且つ曲率の分散が所定の閾値（分散閾値）よりも大きい場合、当該注目領域には泡領域が映っており、異常部は存在しないと判別する。これは、撮像距離が一定であるとしても、本来、泡領域には様々な曲率の泡が含まれるからである。

一方、異常判別部４３０は、曲率が上記曲率閾値より大きく、且つ曲率の分散が所定の閾値（分散閾値）以下である場合、当該注目領域に異常柔毛が映っており、異常部が存在すると判別する。これは、本来、近傍領域内における異常柔毛は互いに類似した形状を有しているため、注目領域のサイズが小さく、１つの注目領域内における撮像距離の差を無視できる場合には、異常柔毛の輪郭に対応する円弧の曲率が揃うからである。

ステップＳ６０において、演算部４００は、ステップＳ５０において各注目領域に対してなされた判別の結果を、注目領域の座標情報と共に出力する。これに応じて、制御部１０は、判別結果を表示部に表示させると共に、処理対象の管腔内画像の画像データと関連付けて記録部５０に記録する。この際、制御部１０は、表示部４０に表示された管腔内画像に対し、異常部が存在すると判別された注目領域の位置を表すマーク等を重ねて表示させても良い。

以上説明したように、実施の形態４によれば、管腔内画像から抽出された粘膜領域を分割することにより複数の注目領域を設定し、各注目領域から、周囲の画素よりも画素値が高い画素群からなる凸領域のうちの高周波成分を抽出する。そして、該高周波成分を細線化した線形状領域に対し、曲率の特徴量として曲率の頻度分布を算出し、この特徴量に基づいて、注目領域に映った被写体を判別する。従って、異常柔毛と泡領域及び粘膜輪郭とを精度良く識別して、異常部の有無を判別することが可能となる。

また、実施の形態４によれば、管腔内画像から抽出された粘膜領域を、被写体までの撮像距離の差を無視できる程度に分割し、分割された各領域を注目領域に設定してから異常部の有無を判別するための各処理を行うので、距離情報の算出処理及び距離情報に応じた異常部の判別処理を省略することができ、演算処理を簡単にすることができる。

また、実施の形態４によれば、注目領域ごとに異常部の有無の判別を行うので、管腔内画像における異常部の存在範囲を特定することが可能となる。

（変形例４−１）
次に、実施の形態４の変形例４−１について説明する。
注目領域設定部４１０が設定する注目領域のサイズは可変としても良い。以下、注目領域のサイズを可変とする場合の画像処理装置４の動作について説明する。図３６は、変形例４−１における画像処理装置４の動作を示すフローチャートである。

ステップＳ２０において、注目領域設定部４１０は、不要領域を除去した残りの粘膜領域を１つの注目領域として設定する。
続くステップＳ３０〜Ｓ５０における処理内容は、実施の形態４と同様である。

ステップＳ５０に続くステップＳ７１において、演算部４００は、設定された注目領域のいずれかにおいて異常部が存在するとの判別結果が得られたか否かを判定する。なお、１巡目においては、注目領域は１つである。

異常部が存在するとの判別結果が得られた場合（ステップＳ７１：Ｙｅｓ）、処理はステップＳ６０に移行する。なお、ステップＳ６０における処理内容は、実施の形態４と同様である。

一方、異常部が存在するとの判別結果が得られていない場合（ステップＳ７１：Ｎｏ）、演算部４００は、現在設定されている注目領域のサイズが所定サイズ以下であるか否かを判定する（ステップＳ７２）。なお、この際の所定サイズとしては、注目領域内の被写体に対する撮像距離の差を無視できる程度のサイズが設定される。
注目領域のサイズが上記所定サイズ以下である場合（ステップＳ７２：Ｙｅｓ）、処理はステップＳ６０に移行する。

一方、注目領域のサイズが上記所定サイズよりも大きい場合（ステップＳ７２：Ｎｏ）、注目領域設定部４１０は、現在設定されている注目領域よりもサイズを小さくし、粘膜領域に対して注目領域を再設定する（ステップＳ７３）。その後、処理はステップＳ３０に移行する。

以上説明したように、本変形例４−１によれば、注目領域のサイズを徐々に小さくしながら、各注目領域における異常部の有無の判別処理を行う。ここで、注目領域のサイズを小さくすることにより、各注目領域内における被写体までの撮像距離の差が小さくなるので、ステップＳ３０〜ステップＳ７３の処理を一巡するごとに、各注目領域に対する異常部の判別精度が上がることになる。このように管腔内画像に対する異常部の判別精度を低い方から高い方に変化させることにより、異常部の判別処理を効率化しつつ、異常部の判別漏れを抑制することが可能となる。

以上説明した実施の形態１〜４並びにこれらの変形例に係る画像処理装置は、記録媒体に記録された画像処理プログラムをパーソナルコンピュータやワークステーション等のコンピュータシステムで実行することによって実現することができる。また、このようなコンピュータシステムを、ローカルエリアネットワーク、広域エリアネットワーク（ＬＡＮ／ＷＡＮ）、又は、インターネット等の公衆回線を介して、他のコンピュータシステムやサーバ等の機器に接続して使用しても良い。この場合、実施の形態１〜４に係る画像処理装置は、これらのネットワークを介して管腔内画像の画像データを取得したり、これらのネットワークを介して接続された種々の出力機器（ビュアーやプリンタ等）に画像処理結果を出力したり、これらのネットワークを介して接続された記憶装置（記録媒体及びその読取装置等）に画像処理結果を格納するようにしても良い。

なお、本発明は、実施の形態１〜４及びこれらの変形例に限定されるものではなく、各実施の形態や変形例に開示されている複数の構成要素を適宜組み合わせることによって、種々の発明を形成できる。例えば、各実施の形態や変形例に示される全構成要素からいくつかの構成要素を除外して形成しても良いし、異なる実施の形態や変形例に示した構成要素を適宜組み合わせて形成しても良い。

１、１−２、２〜４ 画像処理装置
１０ 制御部
２０ 画像取得部
３０ 入力部
４０ 表示部
５０ 記録部
５１ 画像処理プログラム
１００、１００−２、２００、３００、４００ 演算部
１１０、４１０ 注目領域設定部
１１１ 粘膜領域抽出部
１２０ 線形状凸領域抽出部
１２１ 凸形状高周波成分算出部
１２２、１５２ 孤立点除外部
１２３、１５３ 細線化部
１３０、２１０、３１０、４２０ 領域内曲率特徴量算出部
１３１ サイズ特徴量算出部
１３１ａ、２１１ａ 曲率算出部
１３１ｂ 曲率代表値算出部
１３１ｃ 距離情報算出部
１３２、２１２、３１２ 頻度分布作成部
１４０、２２０、３２０、４３０ 異常判別部
１５０ 線形状凸領域抽出部
１５１ 尾根形状抽出部
２１１ 形状特徴量算出部
２１１ｂ 曲率標準偏差算出部
３１１ 方向特徴量算出部
３１１ａ 曲率中心方向算出部
３１１ｂ 勾配方向算出部
４１１ 領域分割部
４２１ サイズ特徴量算出部

Claims (11)

1. 管腔内画像内に注目領域を設定する注目領域設定部と、
   前記注目領域において、周囲よりも画素値が高い画素が所定の画素数以上連続する線形状の領域を抽出する線形状凸領域抽出部と、
   前記線形状の領域の端点又は前記線形状の領域同士の交点によって区切られる前記線形状の領域の各区間における、前記線形状の領域に沿った１つ以上の円弧の曲率、及び前記管腔内画像の撮像位置から前記線形状の領域までの距離情報を算出するサイズ特徴量算出部を有する領域内曲率特徴量算出部と、
   前記曲率の分散が前記距離情報に応じて決定される分散閾値以下である場合において、前記曲率が前記距離情報に応じて決定される曲率閾値以上の範囲に分布する場合に、前記注目領域内に柔毛の異常部が存在すると判別する異常判別部と、
   を備えることを特徴とする画像処理装置。
2. 管腔内画像内に注目領域を設定する注目領域設定部と、
   前記注目領域において、周囲よりも画素値が高い画素が所定の画素数以上連続する線形状の領域を抽出する線形状凸領域抽出部と、
   前記線形状の領域の端点又は前記線形状の領域同士の交点によって区切られる前記線形状の領域の各区間における、前記線形状の領域に沿った１つ以上の円弧の曲率のばらつきを算出する形状特徴量算出部を有する領域内曲率特徴量算出部と、
   前記ばらつきが所定の値より大きい場合、前記注目領域に柔毛の異常部が存在すると判別する異常判別部と、
   を備えることを特徴とする画像処理装置。
3. 管腔内画像内に注目領域を設定する注目領域設定部と、
   前記注目領域において、周囲よりも画素値が高い画素が所定の画素数以上連続する線形状の領域を抽出する線形状凸領域抽出部と、
   前記線形状の領域の端点又は前記線形状の領域同士の交点によって区切られる前記線形状の領域の各区間における、前記線形状の領域に沿った１つ以上の円弧の各々から曲率中心に向かう方向、及び、前記１つ以上の円弧の各々の位置において、前記画像の奥行き方向に被写体が勾配する方向を算出する方向特徴量算出部を有する領域内曲率特徴量算出部と、
   前記被写体が勾配する方向別に作成された前記曲率中心に向かう方向の頻度の分散が所定の閾値以下である場合、前記注目領域に柔毛の異常部が存在すると判別する異常判別部と、
   を備えることを特徴とする画像処理装置。
4. 前記サイズ特徴量算出部は、
   前記線形状の領域の端点又は前記線形状の領域同士の交点によって区切られる前記線形状の領域の各区間から、１つ以上の円弧の曲率を算出する曲率算出部と、
   前記１つ以上の円弧の曲率から代表値を算出する曲率代表値算出部と、
   前記管腔内画像の撮像位置から前記線形状の領域までの距離情報を算出する距離情報算出部と、
   を有することを特徴とする請求項１に記載の画像処理装置。
5. 前記注目領域設定部は、設定した注目領域に対して前記異常部が存在しないと判別された場合に、注目領域のサイズを小さくして、注目領域を再設定することを特徴とする請求項１〜３のいずれか一つに記載の画像処理装置。
6. 画像処理装置の作動方法であって、
   注目領域設定部が、管腔内画像内に注目領域を設定する注目領域設定ステップと、
   線形状凸領域抽出部が、前記注目領域において、周囲よりも画素値が高い画素が所定の画素数以上連続する線形状の領域を抽出する線形状凸領域抽出ステップと、
   領域内曲率特徴量算出部が、前記線形状の領域の端点又は前記線形状の領域同士の交点によって区切られる前記線形状の領域の各区間における、前記線形状の領域に沿った１つ以上の円弧の曲率、及び前記管腔内画像の撮像位置から前記線形状の領域までの距離情報を算出する領域内曲率特徴量算出ステップと、
   異常判別部が、前記曲率の分散が前記距離情報に応じて決定される分散閾値以下である場合において、前記曲率が前記距離情報に応じて決定される曲率閾値以上の範囲に分布する場合に、前記注目領域内に柔毛の異常部が存在すると判別する異常判別ステップと、
   を含むことを特徴とする画像処理装置の作動方法。
7. 画像処理装置の作動方法であって、
   注目領域設定部が、管腔内画像内に注目領域を設定する注目領域設定ステップと、
   線形状凸領域抽出部が、前記注目領域において、周囲よりも画素値が高い画素が所定の画素数以上連続する線形状の領域を抽出する線形状凸領域抽出ステップと、
   領域内曲率特徴量算出部が、前記線形状の領域の端点又は前記線形状の領域同士の交点によって区切られる前記線形状の領域の各区間における、前記線形状の領域に沿った１つ以上の円弧の曲率のばらつきを算出する領域内曲率特徴量算出ステップと、
   異常判別部が、前記ばらつきが所定の値より大きい場合、前記注目領域に柔毛の異常部が存在すると判別する異常判別ステップと、
   を含むことを特徴とする画像処理装置の作動方法。
8. 画像処理装置の作動方法であって、
   注目領域設定部が、管腔内画像内に注目領域を設定する注目領域設定ステップと、
   線形状凸領域抽出部が、前記注目領域において、周囲よりも画素値が高い画素が所定の画素数以上連続する線形状の領域を抽出する線形状凸領域抽出ステップと、
   領域内曲率特徴量算出部が、前記線形状の領域の端点又は前記線形状の領域同士の交点によって区切られる前記線形状の領域の各区間における、前記線形状の領域に沿った１つ以上の円弧の各々から曲率中心に向かう方向、及び、前記１つ以上の円弧の各々の位置において、前記画像の奥行き方向に被写体が勾配する方向を算出する領域内曲率特徴量算出ステップと、
   異常判別部が、前記被写体が勾配する方向別に作成された前記曲率中心に向かう方向の頻度の分散が所定の閾値以下である場合、前記注目領域に柔毛の異常部が存在すると判別する異常判別ステップと、
   を含むことを特徴とする画像処理装置の作動方法。
9. 管腔内画像内に注目領域を設定する注目領域設定ステップと、
   前記注目領域において、周囲よりも画素値が高い画素が所定の画素数以上連続する線形状の領域を抽出する線形状凸領域抽出ステップと、
   前記線形状の領域の端点又は前記線形状の領域同士の交点によって区切られる前記線形状の領域の各区間における、前記線形状の領域に沿った１つ以上の円弧の曲率、及び前記管腔内画像の撮像位置から前記線形状の領域までの距離情報を算出する領域内曲率特徴量算出ステップと、
   前記曲率の分散が前記距離情報に応じて決定される分散閾値以下である場合において、前記曲率が前記距離情報に応じて決定される曲率閾値以上の範囲に分布する場合に、前記注目領域内に柔毛の異常部が存在すると判別する異常判別ステップと、
   をコンピュータに実行させることを特徴とする画像処理プログラム。
10. 管腔内画像内に注目領域を設定する注目領域設定ステップと、
    前記注目領域において、周囲よりも画素値が高い画素が所定の画素数以上連続する線形状の領域を抽出する線形状凸領域抽出ステップと、
    前記線形状の領域の端点又は前記線形状の領域同士の交点によって区切られる前記線形状の領域の各区間における、前記線形状の領域に沿った１つ以上の円弧の曲率のばらつきを算出する領域内曲率特徴量算出ステップと、
    前記ばらつきが所定の値より大きい場合、前記注目領域に柔毛の異常部が存在すると判別する異常判別ステップと、
    をコンピュータに実行させることを特徴とする画像処理プログラム。
11. 管腔内画像内に注目領域を設定する注目領域設定ステップと、
    前記注目領域において、周囲よりも画素値が高い画素が所定の画素数以上連続する線形状の領域を抽出する線形状凸領域抽出ステップと、
    前記線形状の領域の端点又は前記線形状の領域同士の交点によって区切られる前記線形状の領域の各区間における、前記線形状の領域に沿った１つ以上の円弧の各々から曲率中心に向かう方向、及び、前記１つ以上の円弧の各々の位置において、前記画像の奥行き方向に被写体が勾配する方向を算出する領域内曲率特徴量算出ステップと、
    前記被写体が勾配する方向別に作成された前記曲率中心に向かう方向の頻度の分散が所定の閾値以下である場合、前記注目領域に柔毛の異常部が存在すると判別する異常判別ステップと、
    をコンピュータに実行させることを特徴とする画像処理プログラム。

Images