JP6168876B2 - 検出装置、学習装置、検出方法、学習方法及びプログラム - Google Patents

Description

本発明は、検出装置、学習装置、検出方法、学習方法及びプログラム等に関する。

従来、特許文献１に開示された手法のように、血液に含まれるヘモグロビンに吸収されやすい狭帯域化された波長の照明光を照射し、粘膜表面の毛細血管等を強調表示する狭帯域光観察（ＮＢＩ）が知られている。この狭帯域光観察は、食道領域の詳細診断や大腸のピットパターン（腺管構造）観察のために広く行われている色素散布の代替観察法として期待され、検査時間や不必要な生検の減少によって、検査の効率化への貢献が期待されている。

しかしながら、狭帯域光観察は、血管の強調表示を行うことはできるが、神経を強調表示することは困難である。直腸全摘出手術や前立腺全摘出手術において神経の温存を行う場合は、対象臓器を摘出する際に、対象臓器を取り囲むように分布している神経を傷つけないように対象臓器を露出させて摘出する必要があるが、直径５０〜３００μｍの細い神経は、白色あるいは透明であるため、腹腔鏡による拡大観察でも観察することが困難である。このため、医師が経験や勘に頼って手術せざるを得ず、損傷してしまう可能性が高いという不都合がある。対象臓器を取り囲む神経は脂肪層内に存在していることに着目し、神経を可視化するため、神経の周囲にある脂肪を抽出することで、対象臓器を取り囲んでいる神経の損傷を未然に防止する手法が提案されている。

画像から、特定の領域を認識したり抽出したりする手法として、特許文献２には学習を用いた手法が開示されている。具体的には、抽出すべき領域を学習し、この学習により求められたパラメータを用いて、入力画像から特定領域を抽出する処理を行う。

特開２０１１−２２４０３８号公報 特開２００２−３４２７５８号公報

同じ特徴を画像として取得するとき、撮像装置から対象までの距離が異なると、照明のあたりかたの違いや強度の違いなどが起こり、異なる特性を示すことがある。これらの異なる特性に対応する特徴量をそのまま同一のクラスに分類して学習を行ってしまうと、学習データにおいて同一クラスに対する特徴量のばらつきが大きくなってしまう。その結果、学習結果としての判別基準の精度が低下し、検出精度の低下を招く。これに対し、画像取得とともに距離情報を取得し検出処理を行うことで、安定した検出が可能となる。特許文献２では、ロボットの視覚認識システムとして、画像と距離情報を用いたシステムが提案されている。取得画像を距離により正規化し、学習および認識処理をおこなうものである。この手法では、距離によって異なって取得される大きさやパターンの細かさを、距離情報を用いて補正している。

しかしながら、特許文献２では、距離に応じて特徴量の補正処理を行うと記載されているものの、その補正度合いの制御については触れられていない。一般的に、距離（狭義には基準距離に対する距離の変動）に応じた特徴量の変動特性は一定であるとは限らない。例えば、ｄが小さい場合には距離の単位変動量に対する特徴量の変動が小さい（例えば特徴量の変動がα×ｄで表される）が、ｄが大きい場合には距離の単位変動量に対する特徴量の変動が大きい（例えば特徴量の変動がβ＞αを満たすβ×ｄで表される）場合も考えられる。

そのような場合、所与の被写体の距離による特徴量変動を、特定の補正手法（例えば１つの式を用いた正規化処理を行う手法）により補正することは困難である。つまり特許文献２の単純な手法では、距離に応じた補正処理で、特徴量の変動を充分補償することができず、当該補正処理に基づく検出処理、学習処理の精度が低くなってしまう。

本発明の幾つかの態様によれば、複数の距離範囲ごとの学習特徴量を用いて検出処理を行うことで、画像から精度よく対象領域を検出する検出装置、学習装置、検出方法、学習方法及びプログラム等を提供することができる。

本発明の一態様は、撮像部の撮像により、被写体の像を含む画像を取得する画像取得部と、前記撮像の際の前記撮像部から前記被写体までの距離に基づく距離情報を取得する距離情報取得部と、取得した前記画像から前記被写体に関する特徴量を算出する特徴量算出部と、前記撮像部から前記被写体までの前記距離に応じて設定された複数の距離範囲について、距離範囲ごとの学習処理により求められ、各距離範囲に対応する学習特徴量を記憶する学習特徴量記憶部と、前記学習特徴量と、前記距離情報と、前記特徴量に基づいて、前記画像から対象領域を検出する検出部と、を含み、前記検出部は、前記距離情報取得部で取得された前記距離情報に基づいて、前記特徴量算出部で算出された前記特徴量に対応する距離範囲を、前記複数の距離範囲から特定し、特定された前記距離範囲に対応する前記学習特徴量と、前記特徴量算出部で算出された前記特徴量とに基づいて、前記対象領域を検出する検出装置に関係する。

本発明の一態様では、距離に応じて設定された複数の距離範囲ごとの学習処理により求められた学習特徴量と、撮像された画像から取得される特徴量に基づいて、画像から対象領域を検出する。所与の特性を有する被写体の画像上での特徴量は、距離の遠近や、被写体の凹凸構造等によって変動してしまう可能性があるところ、距離に応じて設定された複数の距離範囲を用いるため、当該変動による影響を抑止することができ、対象領域を精度よく検出すること等が可能になる。

また、本発明の他の態様は、撮像部の撮像により、被写体の像を含む画像を取得する画像取得部と、前記撮像の際の前記撮像部から前記被写体までの距離に基づく距離情報を取得する距離情報取得部と、取得した前記画像から前記被写体に関する特徴量を算出する特徴量算出部と、前記距離情報取得部で取得された前記距離情報に応じて複数の距離範囲を設定し、設定した前記複数の距離範囲ごとに前記特徴量の学習処理を行う学習部と、前記学習部での前記学習処理により求められた学習特徴量を記憶する学習特徴量記憶部と、を含む学習装置に関係する。

これにより、学習処理においても、距離情報に応じて設定された複数の距離範囲を用いた処理を行うことで、学習処理を精度よく行うことや、当該学習処理の結果を用いた検出処理を精度よく行うこと等が可能になる。

また、本発明の他の態様は、撮像部の撮像により、被写体の像を含む画像を取得する処理と、前記撮像の際の前記撮像部から前記被写体までの距離に基づく距離情報を取得する距離情報取得処理と、取得した前記画像から前記被写体に関する特徴量を算出する特徴量算出処理と、前記撮像部から前記被写体までの前記距離に応じて設定された複数の距離範囲について、距離範囲ごとの学習処理により求められ、各距離範囲に対応する学習特徴量を記憶する学習特徴量記憶処理と、前記学習特徴量と、前記距離情報と、前記特徴量に基づいて、前記画像から対象領域を検出する検出処理と、をコンピュータに実行させ、前記検出処理として、前記距離情報取得処理で取得された前記距離情報に基づいて、前記特徴量算出処理で算出された前記特徴量に対応する距離範囲を、前記複数の距離範囲から特定し、特定された前記距離範囲に対応する前記学習特徴量と、前記特徴量算出処理で算出された前記特徴量とに基づいて、前記対象領域を検出する処理を行う検出方法に関係する。

また、本発明の他の態様は、撮像部の撮像により、被写体の像を含む画像を取得する処理と、前記撮像の際の前記撮像部から前記被写体までの距離に基づく距離情報を取得する距離情報取得処理と、取得した前記画像から前記被写体に関する特徴量を算出する特徴量算出処理と、前記距離情報取得処理で取得された前記距離情報に応じて複数の距離範囲を設定し、設定した前記複数の距離範囲ごとに前記特徴量の学習を行う学習処理と、前記学習処理により求められた学習特徴量を記憶する学習特徴量記憶処理と、をコンピュータに実行させる学習方法に関係する。

また、本発明の他の態様は、撮像部の撮像により、被写体の像を含む画像を取得するステップと、前記撮像の際の前記撮像部から前記被写体までの距離に基づく距離情報を取得するステップと、取得した前記画像から前記被写体に関する特徴量を算出するステップと、前記撮像部から前記被写体までの前記距離に応じて設定された複数の距離範囲について、距離範囲ごとの学習処理により求められ、各距離範囲に対応する学習特徴量を記憶するステップと、前記学習特徴量と、前記距離情報と、前記特徴量に基づいて、前記画像から対象領域を検出するステップと、をコンピュータに実行させ、前記対象領域を検出するステップにおいて、前記距離情報に基づいて、前記特徴量に対応する距離範囲を、前記複数の距離範囲から特定し、特定された前記距離範囲に対応する前記学習特徴量と、前記特徴量とに基づいて、前記対象領域を検出する処理を行うプログラムに関係する。

また、本発明の他の態様は、撮像部の撮像により、被写体の像を含む画像を取得するステップと、前記撮像の際の前記撮像部から前記被写体までの距離に基づく距離情報を取得するステップと、取得した前記画像から前記被写体に関する特徴量を算出するステップと、前記距離情報に応じて複数の距離範囲を設定し、設定した前記複数の距離範囲ごとに前記特徴量の学習処理を行うステップと、前記学習処理により求められた学習特徴量を記憶するステップと、をコンピュータに実行させるプログラムに関係する。

本実施形態に係る検出装置を含む内視鏡装置の構成例。 距離に応じて特徴量の変動特性が異なる場合の例。 第１の実施形態の検出装置の構成例。 第１の実施形態の学習処理を説明するフローチャート。 第１の実施形態の検出処理を説明するフローチャート。 第１の実施形態の変形例の検出処理を説明するフローチャート。 第２の実施形態の検出装置の構成例。 第２の実施形態の学習処理を説明するフローチャート。 第２の実施形態の検出処理を説明するフローチャート。 図１０（Ａ）〜図１０（Ｄ）は学習処理の例を説明する図。 図１１（Ａ）、図１１（Ｂ）は被写体の凹凸構造による特徴量の変動を説明する図。 図１２（Ａ）は検出装置と学習装置が別体として設けられる例、図１２（Ｂ）は検出装置が学習部を含む例。 第１の実施形態の処理を説明する図。 第１の実施形態の変形例の補間処理を説明する図。 第２の実施形態の処理を説明する図。 図１６（Ａ）〜図１６（Ｆ）はモルフォロジー処理による抽出凹凸情報の抽出処理の説明図。 図１７（Ａ）〜図１７（Ｄ）はフィルタ処理による抽出凹凸情報の抽出処理の説明図。

以下、本実施形態について説明する。なお、以下に説明する本実施形態は、特許請求の範囲に記載された本発明の内容を不当に限定するものではない。また本実施形態で説明される構成の全てが、本発明の必須構成要件であるとは限らない。

１．本実施形態の手法
まず本実施形態の手法について説明する。神経の損傷抑止に用いられる脂肪検出の例を挙げて上述したように、画像中から被写体に関する何らかの特徴量を求め、求めた特徴量を用いて所望の被写体を検出する処理を行うことが有用である。脂肪検出の場合、被写体に関する特徴量とは色、輝度、色差等であり、以下の説明においても特徴量の例としてそれらを用いるものとする。ただし、本実施形態の特徴量は色、輝度、色差等の情報に限定されず、エッジ検出等を用いて取得される被写体の形状情報等、種々の情報を用いることが可能である。

そのような判定処理、すなわち所望の被写体の検出処理においては、学習処理を行い、その結果（以下、学習結果と表記し、狭義には分類モデルであってもよい）を用いることが有用である。学習処理の具体例について簡単に説明する。１つの処理対象データは、１つの特徴量、或いは複数の特徴量の組により表現される。例えば、画像の輝度値Ｙを特徴量とするのであれば、１つの処理対象データはＹの値により表現されるし、カラー画像の画素値（Ｒ，Ｇ，Ｂ）を特徴量とするのであれば、１つの処理対象データは（Ｒ，Ｇ，Ｂ）という３つの値の組により表現される。ただし、画像から算出される特徴量は、画素値（ＲＧＢ）や、輝度色差（ＹＣｒＣｂ）に限定されるものではなく、これらの値に対して何らかの特徴量算出処理を行った結果を用いてもよい。この場合、１つの特徴量に１つの軸を割り当てることで特徴量空間を設定すれば、１つの処理対象データは特徴量空間における１つの点としてプロットすることができる。図１０（Ａ）は２つの特徴量を用いた例であり、この場合、特徴量空間は平面（特徴量平面）となり、１つの処理対象データは平面上の１点に対応する。

一般的な学習、特に教師あり学習であれば、学習処理においては所与のデータが正解不正解の情報付きで入力される。上述の脂肪の例であれば、この入力値（特徴量）は脂肪である、この入力値は脂肪ではない、という情報に合わせて入力値が入力される。学習処理では、それら正解不正解がわかっているデータを特徴量空間にプロットしていく。プロット結果の一例を図１０（Ｂ）に示す。図１０（Ｂ）では○が正解データのプロット位置、×が不正解データのプロット位置である。特徴量の設定が適切である、すなわち当該特徴量が正解か不正解かで値に何らかの差異を生じる性質を持つものであれば、図１０（Ｂ）に示したように、正解データは特徴量空間の所与の領域にプロットされ、不正解データは正解データとは異なる領域にプロットされる。

図１０（Ｂ）のような結果が得られれば、その後の検出処理において、正解不正解が不明であるデータを取得した場合に、当該データが図１０（Ｂ）のＡ１にプロットされれば、当該データに対応する被写体は正解（所望の被写体である）と考えられるし、Ａ２にプロットされれば、当該データに対応する被写体は不正解と考えられる。つまり、学習処理とは、特徴量空間における正解データの領域と不正解データの領域との境界を求める処理であると言い換えることもできる。図１０（Ｂ）の例であれば、図１０（Ｃ）或いは図１０（Ｄ）のような境界を学習結果として求めておけば、正解不正解が不明な検出対象データが入力された際には、当該検出対象データが正解データの領域にいるか、不正解データの領域にいるかを上記境界に基づいて求めればよいことになる。なお、境界の設定手法は図１０（Ｃ）、図１０（Ｄ）のように種々考えられるが、学習処理自体については公知の手法であるため、これ以上の説明は省略する。また、図１０（Ａ）〜図１０（Ｄ）は特徴量空間を平面で表したが、３次以上の特徴量空間を用いてもよいことは言うまでもない。また、正解不正解の２通りではなく、第１〜第Ｎの被写体（及びそのいずれとも異なる被写体）を区別することも考えられ、その場合には特徴量空間上に複数の境界を設定すればよい。

以上が学習処理の一例であるが、このような学習処理では、所与の特性を有する被写体は所与の（理想的には一定の）特徴量を有することを前提としている。例えば、ある脂肪を撮像対象として複数の画像を撮像した場合には、理想的には全ての画像から算出される特徴量は一致するものとしている。特徴量空間での位置は処理対象データの特性に対応するものであるから、同一特性であれば同一位置になければその対応関係が破綻し、適切な境界設定ができなくなるためである。この課題は学習結果を用いた検出処理においても同様である。図１０（Ｂ）のＡ１やＡ２に示したように、検出対象データが特徴量空間のどの位置にプロットされるかは検出結果に直結する。つまり、検出対象データに対応する被写体が一定であるならば、特徴量空間の一定位置にプロットされなければいけないことになり、プロット位置の変動要因、すなわち算出される特徴量の変動要因があるならば、それは検出処理を妨げる要因となる。

しかし、撮像部と被写体との距離によっては、このような前提が成立しない場合も考えられる。例えば、図１で後述するような内視鏡装置で取得される画像を対象とした場合、撮像対象は生体等となる。内視鏡装置の撮像時には、太陽光や室内天井の照明からの照明光のような環境光は存在せず、照射光を照射する必要がある。図１の例であれば、光源部１００からの光を、ライトガイドファイバ２０１を介して照明レンズ２０３から照射している。

よって、撮像部からの距離が近い被写体については、強い光が照射されるため、結果として撮像部で受光する反射光も強いものになるのに対して、撮像部からの距離が遠い被写体については、距離に応じた光の減衰によって照射される光が弱くなり、反射光も弱いものになる。つまり、例えば同一の被写体のように、同様の特性を有する被写体であったとしても、撮像部からの距離に応じて色味は異なるものとなる。そのため、距離の遠近による影響を考慮しなくては、適切な学習処理或いは検出処理を行うことができない。

また、距離の遠近だけでなく、被写体の凹凸等の構造情報による影響も考慮するとよい。例えば、画像中の所与の位置の画素に対応する被写体が、撮像部からの距離がｘにあるということがわかったとする。しかし、同一の距離ｘに同様の特性を有する被写体があったとしても、図１１（Ａ）の場合と図１１（Ｂ）の場合とでは被写体に到達する光量は異なり、結果として撮像される画像での色味等は異なるものになる。図１１（Ａ）では対象としている被写体は凸構造の一部であり、直接到達する照明光だけでなく、周辺の被写体により反射された光や散乱光も到達する可能性が高く、比較的明るく撮像される。一方、図１１（Ｂ）では対象としている被写体は凹構造の一部であり、散乱光等の到達が多くないことが想定されるため、図１１（Ａ）に比べて暗く撮像されてしまう。その結果、距離は同じであっても画像上での特性、すなわち特徴量の値は異なるものとなってしまう。

そこで本出願人は、撮像から被写体までの距離に基づく距離情報を用いて、学習処理及び検出処理の少なくとも一方の処理を行う手法を提案する。具体的には、上述した距離の遠近や、距離情報に基づき特定される凹凸情報に基づいた学習処理、検出処理を行う。さらにその学習処理、検出処理の際に、複数の距離範囲を設定し、設定した複数の距離範囲を用いる。

距離に応じて画像に対して正規化処理を行うことで、距離による特徴量の変動を抑止する手法は特許文献２に開示されている。しかし、その正規化処理の具体的な処理内容（例えば正規化処理に用いる式）は距離によらず一定である。それに対して、距離による特徴量の変動特性が一定とはならず、距離に応じて異なる場合があり得る。例えば、第１の距離では、特徴量の変動が定数αと距離ｄを用いてα×ｄで表されるのに対して、第２の距離では、特徴量の変動がαと異なる定数βを用いてβ×ｄで表される場合が考えられる。そのようなケースで特許文献２の手法による正規化処理を行ったとしても、距離に応じた特徴量の変動を充分補償することができない。結果として、一定の特徴を有する被写体が特徴量空間で異なる点にプロットされることになり、検出処理や学習処理の精度が低下する。

それに対して本実施形態では、複数の距離範囲を設定し、当該複数の距離範囲を用いて検出処理、学習処理を行う。このようにすれば、距離による特徴量の変動特性が、距離に応じて変化する場合のように、特定の補正処理では充分な精度で特徴量変動を補償できない場合であっても、精度よく検出処理、学習処理を行うことが可能になる。

例えば、ある程度狭い距離範囲を設定し、当該距離範囲毎に学習処理、検出処理を行ってもよい。この「ある程度狭い距離範囲」とは、当該距離範囲内では、特徴量が距離によらずほぼ一定であると見なせる程度の範囲を表す。例えば、所与の距離範囲に属する任意の２つの距離値をｄｐ、ｄｑとした場合に、距離値ｄｐに対応する特徴量ｆ（ｄｐ）と、距離値ｄｑに対応する特徴量ｆ（ｄｑ）は、その差分値｜ｆ（ｄｐ）−ｆ（ｄｑ）｜が、関数ｆがどのような関数であるかによらず充分小さな値となることが期待される。このような距離範囲を設定すれば、１つの距離範囲に着目した場合、当該距離範囲に属する特徴量は距離に応じて変動する可能性はあるが、その変動量は充分小さいと見なすことができる。

上述したように、距離による特徴量変動が問題となるのは、距離ｄ１では第１の変動量だけ変動が加えられ、距離ｄ２では第２の変動量だけ変動が加えられることで、同一の特徴を有する被写体が特徴量空間で大きく異なる点にプロットされるためである。また、特許文献２の手法が問題となるのは、ｄ１における特徴量の変動特性と、ｄ２における特徴量の変動特性が異なる場合のように、特定の補正処理を用いただけでは、全ての距離において特徴量変動に対する充分な補償ができないためである。その点、上記のように複数の距離範囲を設定すれば、異なる距離範囲間での特徴量は異なるものとなる可能性があるが、少なくとも１つの距離範囲内では、当該距離範囲に属する特徴量は一定である（少なくとも精度に問題を与えないレベルで変動が小さい）と見なすことができる。よって図１３を用いて後述するように、複数の距離範囲のそれぞれについては、距離に応じて特徴量が変動しているという点を意識することなく（すなわち補正処理等を行うことなく）、学習処理を行って学習結果を取得することで、高精度の学習処理が可能となる。

この場合、検出処理でも検出対象データがどの距離範囲に対応するかを特定し、特定された距離範囲での学習結果と比較することで、高精度での検出処理が可能となる。

ただし、複数の距離範囲を用いる学習処理、検出処理の手法はこれに限定されない。例えば、特許文献２の手法と同様に、特徴量に対して何らかの補正処理を行った上で学習処理、検出処理を行ってもよい。ただし、特徴量の変動特性が距離範囲によって異なる場合にも充分な精度を出すために、複数の距離範囲のそれぞれに対して固有の補正処理（狭義には補正式）を割り当てるものとする。例えば、距離による特徴量変動が、図２に示すように複数の式の組み合わせにより表現されることがわかっている場合には、各式と距離範囲とを対応づけることで処理を行ってもよい。

図２の例であれば、距離による特徴量変動は、全体では滑らかでない関数となるため、全ての距離範囲に共通な特定の補正処理（例えば１つの補正式を用いた補正処理）では高精度の補正処理を行うことが難しい。しかし、距離範囲としてＺ１〜Ｚ４の４つを設定すれば、それぞれの区間では滑らかな関数として定義できるため、特徴量の変動、すなわち補正処理により補正すべき補正量はシンプルな距離の関数として定義可能となる。よって、例えばＺ１に対応する第１の距離範囲を設定し、Ｚ２〜Ｚ４についても同様に第２〜第４の距離範囲を設定し、各距離範囲単位で処理を行うことで容易に且つ精度よく検出処理、学習処理を行うことが可能となる。

なお、本実施形態は、図１２（Ａ）に示したように、学習装置と検出装置が別体として設けられてもよく、その場合の学習装置、或いは検出装置に適用できる。また、本実施形態は図１２（Ｂ）に示したように、学習部を含む検出装置にも適用でき、その場合学習処理と検出処理の両方を行うことになる。以下の具体的な実施形態では、図１２（Ｂ）に対応する学習部３８０を含む検出装置について説明するが、図１２（Ａ）に対応するように、学習装置と検出装置を分けて考えることもできる。

２．第１の実施形態
第１の実施形態について説明する。以下の説明では内視鏡装置を例に説明するが、上述の距離の遠近或いは凹凸に起因する課題は、環境光が期待できず照明光を用意する必要性が高い場合（例えば通常のデジタルビデオカメラであっても暗部での撮影時等）であれば同様に考えることができるため、内視鏡装置に限定されるものではない。また、内視鏡装置等の撮像装置と本実施形態の検出装置とが別体として設けられてもよい。

本実施形態では、距離情報に基づいてＮ個の距離範囲を設定し、処理対象データをいずれかの距離範囲に対応付けた上で処理を行う。距離範囲分けの例を図１３に示す。図１３の例では、距離情報の値に応じてＮ個の距離範囲を設定している。この場合、学習時であれば学習用のデータが入力された際に、当該データの距離情報を参照して１〜Ｎのいずれの距離範囲に該当するかを特定する。そして学習処理は特定された距離範囲毎に行われる。その結果、図１３に示したように、学習結果（学習特徴量）は距離範囲ごとに算出されることになる。この場合、１つの距離範囲の中では距離の差が大きくならない（例えば第ｉの距離範囲では距離の差はｄ_ｉ＋１−ｄ_ｉの範囲に収まることになる）ため、各距離範囲での学習処理では距離に応じた特徴量変動を意識せずともよく、特徴量の補正処理等は不要である。距離情報による影響は、複数の距離範囲を適宜用いることにより抑止され、１つの距離範囲内においてまで補正処理を行う必要性は高くないためである。具体的には、第ｉの距離範囲の学習処理では、当該距離範囲に対応づけられた特徴量を、補正せずに平均や分散を求める、或いはそのまま特徴量空間にプロットして境界を求めるといった処理を行えばよい。

検出処理においても同様であり、検出対象データが入力された場合には、当該データに対応する距離情報を参照して１〜Ｎのいずれの距離範囲に該当するかを特定する。そして第ｉの距離範囲が特定された場合には、当該距離範囲の学習結果ｆ_ｉと、検出対象データの特徴量を比較すればよく、この場合も検出対象データの特徴量を補正しなくてもよい。

２．１ システム構成例
図１は第１の実施形態に係る検出装置を含む内視鏡装置の機能ブロック図である。図１に示したように、内視鏡装置は、光源部１００と、撮像部２００と、プロセッサ部３００と、表示部４００と、外部Ｉ／Ｆ部５００からなる。ただし内視鏡装置は図１の構成に限定されず、これらの一部の構成要素を省略したり、他の構成要素を追加するなどの種々の変形実施が可能である。また種々の変形実施が可能な点は、他のブロック図の説明においても同様である。

光源部１００は、白色光源１０１と、複数の分光透過率を持った回転色フィルタ１０２と、回転色フィルタ１０２を駆動させる回転駆動部１０３と、回転色フィルタ１０２からの分光特性を持った光をライトガイドファイバ２０１の入射端面に集光させる集光レンズ１０４と、からなる。

回転色フィルタ１０２は、三原色の赤の色フィルタと緑の色フィルタと青の色フィルタと回転モータとから構成されている。

回転駆動部１０３は、プロセッサ部３００の制御部３０２からの制御信号に基づき撮像素子２０６の撮像期間と同期して回転色フィルタ１０２を所定回転数で回転させる。例えば色フィルタを１秒間に２０回転させると、各色フィルタは６０分の１秒間隔で入射白色光を横切る事になり、撮像素子２０６は６０分の１秒間隔で３原色の各色光（Ｒ或はＧ或はＢ）に対する観察対象からの反射光を撮像し、画像の転送を完了することになる。つまりこの実施例はＲ画像、Ｇ画像、Ｂ画像が６０分の１秒間隔で面順次で撮像される内視鏡装置の例となり、実質のフレームレートは２０ｆｐｓとなる。

撮像部２００は、例えば胃や大腸などの体腔への挿入を可能にするため細長くかつ湾曲可能に形成されている。撮像部２００には、光源部１００で集光された光を導くためのライトガイドファイバ２０１と、ライトガイドファイバ２０１により先端まで導かれた光を拡散させて観察対象に照射する照明レンズ２０３と、観察対象から戻る反射光を集光する対物レンズ２０４、２０５がある。対物レンズ２０４、２０５は所定間隔離した位置に配置され所定の視差画像（以降、ステレオ画像と記す）が撮影可能な位置に配置されており、撮像素子２０６、２０７にそれぞれ左画像、及び右画像が結像されるようになっている。

さらに撮像部２００は、撮像素子２０６、２０７からの光電変換されたアナログ信号をデジタル信号に変換するＡ／Ｄ変換部２０９と、撮像部２００のスコープＩＤ情報と製造バラツキを含めた固有情報が記録されているメモリ２１０と、プロセッサ部３００と着脱可能なコネクタ２１２を備えている。ここで前記撮像素子２０６、２０７はモノクロ単板撮像素子とし、ＣＣＤやＣＭＯＳ等が利用できる。

また撮像素子２０６、２０７から出力された画像はＡ／Ｄ変換部２０９でデジタル信号に変換されて画像処理部３０１へ出力される。またメモリ２１０は制御部３０２と接続されておりスコープＩＤ情報と製造バラツキを含めた固有情報が制御部３０２へ送られる。

プロセッサ部３００は、画像処理部３０１と制御部３０２とから構成される。狭義には画像処理部３０１が検出装置（及び学習装置）に対応することになる。画像処理部３０１の詳細については後述する。

表示部４００はＣＲＴや液晶モニタ等の動画表示可能な表示装置である。

外部Ｉ／Ｆ部５００は、この内視鏡装置に対するユーザからの入力等を行うためのインターフェースであり、電源のオン／オフを行うための電源スイッチ、撮影操作を開始するためのシャッタボタン、撮影モードやその他各種のモードを切り換えるためのモード切換スイッチ（例えば生体表面の凹凸部の選択的な強調処理を行う為のスイッチ）などを含んで構成されている。そして、この外部Ｉ／Ｆ部５００は、入力された情報を制御部３０２へ出力するようになっている。

続いて画像処理部３０１の詳細について図３に基づいて説明する。画像処理部３０１は、距離情報取得部３２０、画像構成部３３０、特徴量算出部３４０、検出部３６０、強調処理部３７０、学習部３８０、学習特徴量記憶部３９０から構成される。

撮像部２００の撮像素子２０６、２０７から出力される左画像と右画像からなるステレオ画像が、画像構成部３３０と、距離情報取得部３２０に入力される。

距離情報取得部３２０は、撮像されたステレオ画像を構成する左画像を基準画像とし、左画像の局所領域の中央に位置する注目画素を通るエピポーラ線上で右画像の局所領域とのマッチング演算を行い、最大相関となる位置を視差として算出する。距離情報取得部３２０では更に算出された視差をＺ方向の距離に変換して距離情報（狭義には距離マップ）を取得する。取得された距離情報は、検出部３６０及び学習部３８０へ出力される。

なお、距離情報取得処理については他の変形実施も可能であり、例えば赤外光等を用いたTime of Flight方式等により距離情報を求めてもよい。また、Time of Flightを用いる場合にも、赤外光ではなく青色光を用いる等の変形実施が可能である。この場合、撮像部２００はステレオ構成とする必要はない。

画像構成部３３０は撮像されたステレオ画像に対して表示部４００に出力可能画像とするために所定画像処理（ＯＢ処理、ゲイン処理、γ処理）を施し特徴量算出部３４０、強調処理部３７０へ出力される。

特徴量算出部３４０は、画像構成部３３０から出力された画像から、被写体に関する特徴量を算出する。上述したように、特徴量としては色情報や形状情報等の種々の情報が適用可能であり、それらの情報の算出手法については種々の手法が広く知られているため、詳細な説明は省略する。算出された特徴量は検出部３６０及び学習部３８０へ出力される。

検出部３６０は、学習部３８０における学習により設定され、学習特徴量記憶部３９０に記憶された学習特徴量と、特徴量算出部３４０から出力された特徴量を比較し、検出処理を行う。具体的には、特徴量算出部３４０からの特徴量と、距離情報取得部３２０からの距離情報が対応づけられているため、当該距離情報に基づいて当該特徴量の属する距離範囲を特定する。例えば図１３の距離範囲ＩＤ＝ｋの距離範囲であると特定された場合には、特徴量と、距離範囲ｋに対応する学習特徴量ｆｋとの比較処理を行えばよい。検出手法の例としては、学習特徴量からのマハラノビス距離がある閾値以内である特徴量を持つ画素を検出対象とする手法などが考えられる。或いは、上述したように特徴量空間に境界を設定した場合には、正解データの境界内であれば検出対象とする手法が考えられる。

強調処理部３７０は、検出された領域に対する強調処理を行って表示部４００に出力する。

学習部３８０は、特徴量算出部３４０からの特徴量、及び距離情報取得部３２０から出力される当該特徴量に対応する距離情報を用いて、検出処理に用いられる特徴量（学習特徴量）を算出する。算出した結果は学習特徴量記憶部３９０にて記憶される。図１３の例であれば、所与の学習データについての特徴量と距離情報が入力されたら、距離情報に基づいて距離範囲を特定する。例えば距離範囲ＩＤ＝ｋの距離範囲であると特定された場合には、当該特徴量は学習特徴量ｆｋを求めるための学習処理に用いられることになる。学習処理の詳細については後述する。なお、上述したように教師あり学習の場合には、所与のデータが正解不正解を表す情報付きで入力される。この情報は、例えば外部Ｉ／Ｆ部５００を介してユーザーにより入力されてもよい。その場合、学習部３８０では、外部Ｉ／Ｆ部５００からの情報と、当該情報に対応する特徴量算出部３４０からの特徴量と、距離情報取得部３２０からの距離情報と、を組にして学習処理を行うことになる。

２．２ 学習処理
図４に学習処理のフローを示す。学習処理が開始されると、撮像画像を取得し、取得した撮像画像に基づいて、距離情報の取得（Ｓ３０１）及び特徴量の算出（Ｓ３０２）を行う。なお、上述したTime of Flight方式であれば、測距センサからのセンサー情報に基づき距離情報が取得されるため、距離情報の取得に画像を用いる必要はない。また特徴量の例としては、色、輝度、色差、分光スペクトル（反射率、透過率、放射輝度等）などがある。

その後、距離情報に基づく距離範囲分けが行われ（Ｓ３０３）、その距離範囲ごとに、特徴量を学習し、学習特徴量を出力することになる（Ｓ３０４）。学習手法としては、例えば距離範囲毎に入力された特徴量の平均や分散などを算出する。平均や分散を用いる場合には、学習結果である学習特徴量は１組（或いは１つ）の特徴量となる。ただし上述したように、特徴量空間での境界に対応する分類モデルを求める処理を学習処理として行ってもよい。なお、教師あり学習においては上述したように、正解不正解を表す情報を特徴量と対応づけて取得しておく。その場合、図４には不図示であるがＳ３０１やＳ３０２の処理とともに、正解不正解を表す情報の取得処理を行っておき、Ｓ３０４では、補正した特徴量と、正解不正解を表す情報を対応づけて学習処理を行う。

例えば図１３に示したようにＮ個の距離範囲が設定されている場合には、Ｓ３０４の処理は第１〜第Ｎの距離範囲のそれぞれについて行われるため、Ｓ３０４は実際にはＮ回分実行されることになり、結果として学習特徴量もｆ１〜ｆＮのＮ個が取得されることになる。

２．３ 検出処理
図５に検出処理のフローを示す。検出処理が開始されると、学習処理と同様、撮像画像を取得し、取得した撮像画像に基づいて、距離情報の取得（Ｓ４０１）及び特徴量の算出（Ｓ４０２）を行う。

その後、学習処理と同様に距離情報に基づく距離範囲分けが行われる（Ｓ４０３）。そして、検出処理においては、Ｎ個の学習特徴量のうち、Ｓ４０３において特定された距離範囲の学習特徴量との比較処理が行われ、検出されるか否かが決定される（Ｓ４０４）。例えば、前述したように学習処理において平均と分散を求めておき、マハラノビス距離を計算してある閾値以下の画素を検出する、或いは特徴量空間に設定された境界との位置関係に基づき正解データの境界内の画素を検出する、などの処理が行われる。

その後、強調処理部３７０では、検出した領域情報を元に、強調処理が行われる（Ｓ４０５）。強調処理は、たとえば、検出領域に色をつけ入力画像に重畳する手法、検出領域に当たる色を変調する手法（輝度を上げる、色相を変化させる、彩度を上げるなど）などがある。

２．４ 距離情報として凹凸情報を用いる変形例
また、上述したように被写体の凹凸に関する情報を用いて補正処理を行ってもよい。この場合、距離による特徴量変動は、凹部（溝）では周囲より暗く撮像されたり、凸部では周囲より明るく撮像されることに起因するものである。よって本変形例では、複数の距離範囲の設定は撮像部２００からの距離値そのものではなく、溝の深さや幅、凸部の高さや幅に基づいて設定するとよい。例えば、図１３においてｄを基準面に対する凹部や凸部の高さ方向（撮像部２００の光軸方向）での変化とし、凹部を正の値（或いは負の値）、凸部を負の値（或いは正の値）とすれば、上述の例と同様に考えることが可能である。以下、被写体の距離情報から、凹凸構造に関する抽出凹凸情報を抽出する処理の一例について説明する。

上述したように、基本的には凸部は明るく凹部は暗く撮像される傾向にあるため、その差異を吸収するように複数の距離範囲の設定を行う。しかし、凸部の高さが低い場合や凹部の深さが浅い場合、或いは凹凸の距離変化がなだらかである場合には、凹凸構造による画像上での特徴量への影響は大きくないと考えられる。つまり、被写体のあらゆる凹凸構造を抽出する必要はなく、明るさに影響を与えるディメンションの凹凸を抽出すればよい。よって、ここでは既知特性情報に基づいて抽出処理パラメータを設定し、設定した抽出処理パラメータを用いた抽出処理により、距離情報から抽出凹凸情報を抽出する手法を説明する。具体的には、既知特性情報を用いて、所望のディメンジョン特性を有する凹凸部（狭義にはその幅が所望の範囲にある凹凸部）を抽出凹凸情報として抽出する。距離情報には被写体の３次元構造が反映されることから、当該距離情報には所望の凹凸部の他、それとはディメンションの異なる構造が含まれる。つまり、本実施形態の抽出凹凸情報取得処理は、距離情報から不要な構造を除外する処理であると言うこともできる。具体的には、既知特性情報に基づいて抽出処理パラメータを決定し、決定された抽出処理パラメータに基づいて抽出凹凸情報の抽出処理を行う。

まず、入力された距離情報に対してＮ×Ｎ画素の所定サイズのローパスフィルタ処理を施し、大まかな距離情報を抽出する。そして抽出された大まかな距離情報に基づいて、適応的に抽出処理パラメータを決定する。抽出処理パラメータの詳細については以降で説明するが、例えば距離マップの距離情報と直交する平面位置での距離情報に適応したモルフォロジーのカーネルサイズ（構造要素のサイズ）であったり、前記平面位置の距離情報に適応したローパス特性のフィルタであったり、前記平面位置に適応したハイパス特性のフィルタであったりする。つまり距離情報に応じた適応的な非線形、及び線形のローパスフィルタやハイパスフィルタを変更する変更情報となる。なお、ここでのローパスフィルタ処理は、抽出処理パラメータが画像上位置に応じて頻繁に、或いは極端に変化することによる抽出処理の精度低下を抑止するためのものであり、当該精度低下が問題とならないのであればローパスフィルタ処理を行わなくてもよい。

次に、決定された抽出処理パラメータに基づいて、抽出処理を行うことで被写体に実在する所望サイズの凹凸部のみを抽出する。これら抽出した凹凸部は撮像画像（強調処理の対象となる画像）と同一サイズの抽出凹凸情報（凹凸画像）として出力される。検出処理や学習処理においては、抽出凹凸情報により凹部又は凸部と判定された被写体について、その凹凸の深さ、高さ、幅等のディメンジョンを求め、求めたディメンジョンに応じて距離範囲分類を行うことになる。

続いて抽出処理パラメータの決定処理の詳細を、図１６（Ａ）〜図１６（Ｆ）を用いて説明する。図１６（Ａ）〜図１６（Ｆ）の抽出処理パラメータはモルフォロジー処理のオープニング処理とクロージング処理に利用する構造要素（球）の直径である。図１６（Ａ）は、被写体の表面と撮像部２００の垂直方向の断面を模式的に示した図である。

抽出処理パラメータの決定処理にて実現したいのは、このような被写体表面から、比較的大きい構造（図１における２，３，４）は抽出せずに、明るさに影響を与えうる凹凸部（図１における１０，２０，３０）のみを抽出するための抽出処理パラメータを決定することである。

これを実現するには、抽出対象である凹凸部の幅や高さや奥行き等のディメンジョン情報を用いる必要がある。この情報を使って実際の被写体表面をオープニング処理及びクロージング処理でなぞる球の直径を決定すれば所望の凹凸部のみを抽出できる。球の直径は大局的な構造のサイズよりも小さく、所望の凹凸部のサイズよりも大きい直径を設定する。上記条件を満たす球をオープニング処理とクロージング処理に使用した例が、図１６（Ａ）〜図１６（Ｆ）に描かれている。

図１６（Ｂ）はクロージング処理した後の被写体表面であり、適切な抽出処理パラメータ（構造要素のサイズ）を決定することで、大局的な構造を維持しつつ、抽出対象としているディメンジョンの凹凸部のうち、凹部が埋められた情報が得られることがわかる。クロージング処理により得られた情報と、元の被写体表面（図１６（Ａ）に対応）との差分を取る事で図１６（Ｃ）のような生体表面の凹部のみを抽出できる。

同様に図１６（Ｄ）はオープニング処理した後の被写体表面であり、抽出対象としているディメンジョンの凹凸部のうち、凸部が削られた情報が得られることがわかる。よってオープニング処理により得られた情報と、元の被写体表面との差分を取る事で図１６（Ｅ）のような被写体表面の凸部のみを抽出できる。

上記のように実際の被写体表面に対して全て同一サイズの球を使ったオープニング処理、クロージング処理を行えばよいのだが、ステレオ画像は距離情報が遠い程小さい領域として撮像素子上に結像されるので、所望サイズの凹凸部を抽出するには、距離情報が近い場合には上記球の直径を大きく、距離情報が遠い場合は上記球の直径を小さくするように制御すれば良い。

図１６（Ｆ）には距離マップに対するオープニング処理、クロージング処理を行う場合の平均的な距離情報に対して、球の直径を変更する様に制御している事を示している。つまり距離マップに対して所望の凹凸部を抽出するには被写体表面のリアルな大きさを撮像素子上の結像画像上の画素ピッチの大きさと一致させるために光学倍率で補正する必要がある。そのため、スコープＩＤ情報に基づき決定される撮像部２００の光学倍率等を取得しておくとよい。

つまり抽出処理パラメータである構造要素のサイズの決定処理は、除外対象とする形状に対して構造要素による処理を行った場合（図１６（Ａ）では表面で球を滑らせた場合）には、当該形状を潰さない（形状に追従して球が移動する）ような構造要素のサイズを決定するものとなる。逆に、抽出凹凸情報として抽出対象となる凹凸部に対して構造要素による処理を行った場合には、当該凹凸部をなくす（上から滑らせた場合に凹部に入り込まない、或いは下から滑らせた場合に凸部に入り込まない）ような構造要素のサイズを決定すればよい。なおモルフォロジー処理については広く知られた手法であるため詳細な説明は省略する。

また、抽出処理はモルフォロジー処理には限定されず、フィルタ処理により行ってもよい。例えばローパスフィルタ処理を用いる場合には、上記抽出したい凹凸部は平滑化可能で、抽出対象でない構造が保持されるローパスフィルタの特性を決定する。既知特性情報から、抽出対象である凹凸部や、除外対象の特性がわかるため、それらの空間周波数特性は既知となり、ローパスフィルタの特性は決定可能である。

ローパスフィルタは公知のガウスフィルタやバイラテラルフィルタとし、その特性はσで制御し、距離マップの画素に一対一対応するσマップを作成してもよい（バイラテラルフィルタの場合は輝度差のσと距離のσの両方或いはどちらか１つでσマップを作成してもよい）。ここで「輝度差のσ」における輝度とは、距離マップを画像と見なしたときの画素値を表すものであるため、輝度差とはＺ方向での距離の差を表す。一方、「距離のσ」における距離とは、ＸＹ方向の注目画素と周辺画素との間の距離を表すものである。なお、ガウスフィルタは下式（１）、バイラテラルフィルタは下式（２）で表すことができる。

例えばここでこのσマップは画素単位でなくても間引き処理したσマップを作成して、当該σマップにより距離マップに対して所望のローパスフィルタを作用させてもよい。

ローパスフィルタの特性を決めるσは、例えば抽出したい生体固有の凹凸部のサイズに対応する距離マップの画素間距離Ｄ１の所定倍α（＞１）よりも大きく、観察部位固有の管腔及び襞のサイズに対応する距離マップの画素間距離Ｄ２の所定倍β（＜１）よりも小さい値を設定する。例えば、σ=(α*D1+β*D2)/2*Rσとしてもよい。

また、ローパスフィルタの特性として、より急峻なシャープカットな特性を設定することもできる。この場合はσではなくカットオフ周波数ｆｃでフィルタ特性を制御することになる。カットオフ周波数ｆｃは、上記Ｄ１周期の周波数Ｆ１をカットし、Ｄ２周期の周波数Ｆ２を通過するように指定すればよい。例えば、fc=(F1+F2)/2*Rfとしてもよい。

ここでRσは局所平均距離の関数であり、局所平均距離が小さくなれば出力値が大きく、局所平均距離が大きくなれば小さくなる。一方、Rfは局所平均距離が小さくなれば出力値が小さく、局所平均距離が大きくなれば大きくなる関数である。

ローパス処理していない距離マップからローパス処理結果を減算して負となる領域だけ抽出することで凹部画像を出力できる。また、ローパス処理していない距離マップからローパス処理結果を減算して正となる領域だけ抽出することで凸部画像を出力できる。

ローパスフィルタによる所望の凹凸部の抽出に関する考え方を図１７（Ａ）〜図１７（Ｄ）に示す。図１７（Ａ）の距離マップに対して、ローパスフィルタを用いたフィルタ処理を行うことで、図１７（Ｂ）に示すように、大局的な構造を維持しつつ、抽出対象としているディメンジョンの凹凸部が除かれた情報が得られることがわかる。図１６（Ａ）〜図１６（Ｆ）のようなオープニング処理とクロージング処理の２つの処理を行わなくてもローパスフィルタ処理結果が所望の凹凸部を抽出する基準局面（図１７（Ｂ））となるので、元の距離マップ（図１７（Ａ））との減算処理で、図１７（Ｃ）に示したように凹凸部を抽出できる。モルフォロジー処理で大まかな距離情報に応じて構造要素のサイズを適応的に変更したのと同様に、フィルタ処理では、大まかな距離情報に応じてローパスフィルタの特性を変更するとよく、その例を図１７（Ｄ）に示す。

また、ローパスフィルタ処理ではなくハイパスフィルタ処理を行ってもよく、その場合病変部起因の抽出したい生体固有の凹凸部を保持し、観察部位固有の管腔及び襞の構造がカットされるハイパスフィルタの特性を決定する。

ハイパスフィルタの特性として、例えばカットオフ周波数ｆｈｃでフィルタ特性を制御する。カットオフ周波数ｆｈｃは、上記Ｄ１周期の周波数Ｆ１を通過し、Ｄ２周期の周波数Ｆ２をカットするように指定すればよい。例えば、fhc=(F1+F2)/2*Rfとしてもよい。ここで、Rfは局所平均距離が小さくなれば出力値が小さく、局所平均距離が大きくなれば大きくなる関数である。

ハイパスフィルタ処理では、抽出したい凹凸部を抽出できる。具体的には、図１７（Ｃ）に示したように、差分を取らなくとも直接抽出凹凸情報が取得されることになる。

２．５ 複数の距離範囲の学習結果を補間して用いる変形例
上述した本実施形態の基本的な手法では、複数の距離範囲について各距離範囲で閉じた処理が行われており、距離範囲をまたいだ処理は想定していない。本変形例では、検出処理の際に複数の距離範囲の学習結果を補間して用いる。図１３の距離範囲分けの例を考えた場合に、検出対象データの距離情報がｄ２に非常に近いｄ２−Δ（Δは非常に小さい正の数）であったとする。その場合、当該検出対象データは距離範囲１に該当するため、検出処理で比較対象となる学習特徴量はｆ１である。しかしｄ２−Δという距離情報の値は、同じ距離範囲１に該当する値ｄ１よりも、異なる距離範囲２に該当する値ｄ２に近い値であると考えられる。つまり、距離範囲の境界付近となる距離情報をもつ検出対象データが入力された場合には、当該検出対象データは、隣接距離範囲に近い特性を有する場合も充分考えられる。そのため、該当距離範囲の学習特徴量を単体で用いるのではなく、隣接距離範囲の学習特徴量を併用することで、より入力された検出対象データに対応した学習特徴量を設定することができ、検出精度を高めることが期待できる。

また、距離範囲数が少ないときは上述したように入力された距離情報と、距離範囲の平均距離との乖離（上述の例であれば、距離範囲１について平均距離（ｄ１＋ｄ２）／２と、距離範囲１に含まれる距離値ｄ２−Δの差異が大きいこと）が問題となる。一方、距離範囲数が逆に多すぎる場合には、そのような乖離が生じる可能性は低くなるが、各距離範囲の学習データ数が十分でないという問題も生じる。学習データが少ない場合、学習結果である学習特徴量の値の信頼性も低くなる。その場合にも上記の補間処理は有効であり、１つの学習特徴量の信頼性が低かったとしても、複数の距離範囲の学習結果を併用することで精度向上を図ることができる。

補間処理の一例を図１４に示す。図１４の横軸が距離情報の値、縦軸が学習特徴量の値である。ｄ１，ｄ２，ｄ３は図１３の距離範囲の境界値に対応し、図１４ではｄ１，ｄ２，ｄ３は等間隔ではない例を示している。ｆ１，ｆ２は図１３の距離範囲１，２の学習特徴量の値であり、ここでは（ｄ１＋ｄ２）／２に対応する縦軸の値をｆ１，（ｄ２＋ｄ３）／２に対応する縦軸の値をｆ２としてプロットした。そして、図１４のｄが入力された検出対象データの距離情報の値である。本実施形態の基本的な手法であれば、このｄはｄ１≦ｄ＜ｄ２を満たすため、比較対象となる学習特徴量はｆ１が用いられる。本変形例では、ｄがｄ２に近いことを考慮して、距離範囲２の学習特徴量ｆ２との補間処理を行い、図１４の例では線形補間を行って求められるｆ’を比較対象となる学習特徴量とする。

ただし補間処理は図１４の例に限定されない。例えば図１４のような線形補間に限定されず、非線形な補間処理を行ってもよい。或いは、距離範囲数が多いことにより各距離範囲の学習特徴量の信頼性が低い場合には、補間対象とする学習特徴量は２つに限定せずに、３つ以上用いることでより精度向上を図れる場合もあり得る。

本変形例を用いた場合の検出処理のフローを図６に示す。図５と比較した場合、学習特徴量補間処理Ｓ５０３が追加された構成となっている。つまり本変形例では、学習処理により取得された学習特徴量をそのまま用いるのではなく、検出対象データの距離情報に基づく補間処理を行った上で、検出処理Ｓ５０４に利用することになる。

２．６ 本実施形態の具体例
以上の本実施形態では、検出装置（図１の内視鏡装置では画像処理部３０１に対応）は図３に示したように、撮像部２００の撮像により、被写体の像を含む画像を取得する画像取得部（画像構成部３３０に対応）と、撮像の際の撮像部２００から被写体までの距離に基づく距離情報を取得する距離情報取得部３２０と、取得した画像から被写体に関する特徴量を算出する特徴量算出部３４０と、撮像部２００から被写体までの距離に応じて設定された複数の距離範囲について、距離範囲ごとの学習処理により求められた学習特徴量を記憶する学習特徴量記憶部３９０と、学習特徴量と、距離情報と、特徴量に基づいて、画像から対象領域を検出する検出部３６０を含む。そして検出部３６０は、距離情報取得部３２０で取得された距離情報に基づいて、特徴量算出部３４０で算出された特徴量に対応する距離範囲を、複数の距離範囲から特定し、特定された距離範囲に対応する学習特徴量と、特徴量算出部で算出された特徴量とに基づいて、対象領域を検出する。

ここで、本実施形態の学習特徴量には、学習結果を表す情報も含まれるものとする。上述したように、学習処理として、複数の学習データの特徴量の平均や分散を求める処理を行った場合には、学習結果も特徴量の平均や分散となるため、当該情報が学習特徴量に含まれる点に問題はない。ただし、図１０（Ｃ）や図１０（Ｄ）に示したように、学習結果を特徴量空間における境界（広義には分類モデル）とする場合には、当該学習結果が「特徴量」そのものではないとの考えも可能である。しかし本実施形態の学習特徴量は、特徴量を用いた学習処理により得られる情報を広く表すものとして用いており、分類モデル等も含む概念とする。また、「距離範囲ごとの学習処理」とは、本実施形態で上述したように、距離範囲ごとに学習結果を求める処理を行う（そのため学習結果が距離範囲の数に対応する数だけ求められる）ものに限定されない。例えば、第２の実施形態で後述するように、距離範囲ごとに設定された補正手法を用いて特徴量を補正し、補正後の特徴量を用いて複数の距離範囲（狭義には全ての距離範囲）を対象として学習結果を求める処理を行う（そのため学習結果が狭義には１つだけ求められる）ものであってもよい。

これにより、撮像部２００から被写体までの距離情報と、画像から算出された特徴量と、学習処理の結果である学習特徴量とに基づいて、画像から対象領域を検出することが可能になる。上述したように、距離の遠近や、図１１（Ａ）、図１１（Ｂ）のような構造の差異によって、所与の特性を有する被写体が、画像上では異なる特性を有するように見えてしまうことがあり得る。しかし、所与の特性を有する被写体を画像中から精度よく検出するためには、学習段階においても検出段階においても、画像上での特性変動は抑止しなくてはならない。そこで本実施形態では、距離の遠近、或いは被写体表面の構造は、距離情報に基づき取得することができる点に鑑み、距離情報を用いることで精度よく所望の被写体を検出するものとしている。具体的には、複数の距離範囲を設定し、検出処理において適切な距離範囲を特定することで、距離に応じた特徴量の変動を吸収するものである。

また、検出装置の学習特徴量記憶部３９０は、距離に基づいて設定された複数の距離範囲の各距離範囲について、学習処理を行うことで取得された複数の学習結果を、学習特徴量として記憶し、検出部３６０は、距離情報取得部３２０で取得された距離情報に基づいて、特徴量算出部３４０で算出された特徴量に対応する距離範囲を、複数の距離範囲から特定し、特定された距離範囲に対応する学習特徴量と、特徴量算出部３４０で算出された特徴量とに基づいて、対象領域を検出してもよい。

これにより、図１３に示したように、複数の距離範囲に分割することで、距離の差異による画像上での特徴量への影響を抑止することが可能になる。なお、図１３では省略したが、凹凸構造による影響も抑止するのであれば、その点を考慮した距離範囲設定を行えばよい。例えば、図１３に示した各距離範囲を、凹部、凸部、それ以外、といったように構造に応じてさらに細分化することが考えられる。この場合、３×Ｎ個の距離範囲が設定されるが、各距離範囲内において、所与の特性を有する被写体の画像上での特徴量の変動が大きくならないようにする、という点では同様である。従来手法においては、特許文献２の正規化処理のように、補正式が１つであることが想定されるため、距離に応じて補正式自体を変更すべき状況等には対応できなかったが、本実施形態であれば距離範囲分けにより各距離範囲内では特徴量変動が小さいものとできるため、そのような状況にも対応可能である。

また、検出部３６０は、距離情報取得部３２０で取得された距離情報に基づいて、特徴量算出部３４０で算出された特徴量に対応する第１〜第Ｍ（Ｍは２以上の整数）の距離範囲を、複数の距離範囲から特定し、特定された第１〜第Ｍの距離範囲に対応する第１〜第Ｍの学習特徴量の補間処理を行って補間特徴量を求め、求めた補間特徴量と特徴量算出部３４０で算出された特徴量とに基づいて、対象領域を検出してもよい。

これにより、変形例として上述したように、学習特徴量の補間処理を行うことで、より精度よく検出処理を行うことが可能になる。具体的には、距離範囲数が少ないことで、各距離範囲内での特徴量変動が小さいという仮定が成立しない場合や、逆に距離範囲数が多いことで各距離範囲の学習データが少なく学習特徴量の信頼性が低い場合等に有用である。

また、検出装置は図３に示したように、距離情報取得部３２０で取得された距離情報に基づいて、特徴量算出部３４０で算出された、被写体に対応する特徴量の学習処理を行う学習部３８０を含んでもよい。そして、学習特徴量記憶部３９０は、学習部３８０で行われた学習処理の結果を、学習特徴量として記憶する。

これにより、図１２（Ｂ）に示したように検出装置３０が学習部３８０を含むものとできるため、検出処理と学習処理を同装置内で行うことが可能になる。この場合、検出処理の対象を撮像した画像を学習処理に用いることができるため、より当該検出処理の対象の特性を反映した学習処理が可能になる。例えば、生体用内視鏡の場合、検出対象とする組織によっては、特徴量（例えば色味）に個人差が生じる場合もある。そのような検出対象を用いる場合、学習処理においては汎用性を高める観点から、検出範囲を広くしたり、或いは平均値や中央値に近い範囲に限定する可能性がある。そのため、所与の被検体にとっては対象組織がとり得ない特徴量まで検出範囲としていたり、当該被検体にとっては対象組織が取り得る色味が検出範囲外となる危険性がある。その点、実際の被検体を撮像した画像による学習処理を行えば、個人差を考慮した学習となるため、汎用的な学習結果を用いる場合に比べて検出精度を向上させることができる。この場合、汎用的な学習を行った上で、その学習結果を用いて個人的な学習を行うことが想定される。その際には、状況に応じてユーザが教師データ（処理対象が正解データであるか否か）を入力してもよい。

また、検出装置は図３に示したように、検出部３６０により検出された対象領域に対して、強調処理を行う強調処理部３７０を含んでもよい。

これにより、検出された対象領域に対して強調処理を行うことが可能になる。強調処理は例えば視認性をより高める処理であってもよく、上述した脂肪の例であれば、神経が存在する可能性が高い領域の視認性を高めることで、神経の損傷を抑止する効果を向上させることが可能である。

また、以上の本実施形態は、撮像部２００の撮像により、被写体の像を含む画像を取得する画像取得部（画像構成部３３０に対応）と、撮像の際の撮像部２００から被写体までの距離に基づく距離情報を取得する距離情報取得部３２０と、取得した画像から被写体に関する特徴量を算出する特徴量算出部３４０と、距離情報取得部３２０で取得された距離情報に応じて設定された、複数の距離範囲ごとに特徴量の学習処理を行う学習部３８０と、学習部３８０での学習処理により求められた学習特徴量を記憶する学習特徴量記憶部３９０を含む学習装置に適用できる。

これにより、距離情報に応じて設定された複数の距離範囲ごとに学習処理を行う学習装置を実現することが可能になる。上述してきたように、検出精度を高めるためには、学習処理も距離の差異や構造の差異による影響を抑止しておくことが重要である。

なお、本実施形態の検出装置或いは学習装置は、その処理の一部または大部分をプログラムにより実現してもよい。この場合には、ＣＰＵ等のプロセッサがプログラムを実行することで、本実施形態の検出装置や学習装置等が実現される。具体的には、非一時的な情報記憶装置に記憶されたプログラムが読み出され、読み出されたプログラムをＣＰＵ等のプロセッサが実行する。ここで、情報記憶装置（コンピュータにより読み取り可能な装置）は、プログラムやデータなどを格納するものであり、その機能は、光ディスク（ＤＶＤ、ＣＤ等）、ＨＤＤ（ハードディスクドライブ）、或いはメモリ（カード型メモリ、ＲＯＭ等）などにより実現できる。そして、ＣＰＵ等のプロセッサは、情報記憶装置に格納されるプログラム（データ）に基づいて本実施形態の種々の処理を行う。即ち、情報記憶装置には、本実施形態の各部としてコンピュータ（操作部、処理部、記憶部、出力部を備える装置）を機能させるためのプログラム（各部の処理をコンピュータに実行させるためのプログラム）が記憶される。

３．第２の実施形態
次に第２の実施形態について説明する。第２の実施形態では、距離範囲分けを行った上で特徴量の補正処理を行う。第２の実施形態の説明図を図１５に示す。距離情報に応じてＮ個の距離範囲を設定する点は第１の実施形態と同様である。しかし学習処理は距離範囲毎に行うのではなく、各距離範囲には距離範囲毎の補正式が対応づけられることになる。そして、所与の学習データが入力され、当該学習データの距離情報から距離範囲ｉに該当することが特定された場合、当該学習データの特徴量は補正式ｉを用いて補正処理が行われる。そして、距離範囲に応じた補正処理が行われた特徴量を用いて学習処理を行って、１つの学習特徴量を算出する。

第２の実施形態は、距離によらず同一の補正式を用いる手法と比較した場合、距離情報に応じて補正式を変更することができるという点で異なる。また、第１の実施形態と比較した場合、第１の実施形態では距離範囲毎に学習処理を行って、距離範囲毎に学習特徴量を求めていたのに対して、本実施形態は学習特徴量は１つですむ点が異なる。

例えば、図２に示したように距離情報の変動に対する特徴量の変動が滑らかでなかったり、線形な部分と非線形な部分を含むような場合、補正量、或いは補正後の特徴量を１つの関数ｆ（Ｄ）で求めるような単純な手法では補正処理を適切に行うことができない。それに対して本変形例を用いれば、複数の補正式を距離範囲毎に設定することができるため、柔軟な補正処理が可能である。

図７に本実施形態の画像処理部３０１の構成を示す。図３と比較した場合に、特徴量補正部３５０が追加されている。距離情報取得部３２０及び特徴量算出部３４０は特徴量補正部３５０に接続される。特徴量補正部３５０は、検出部３６０と学習部３８０に接続される。

特徴量補正部３５０は、距離情報取得部３２０から出力された距離情報に基づき、当該距離情報に対応する特徴量の距離範囲を特定する。そして特定された距離範囲に対応する補正手法（狭義には補正式）を用いて、特徴量に対して補正処理を行う。例えば、距離に応じた特徴量変動が図２のように表されているのであれば、特徴量補正部３５０での補正処理は、当該特徴量変動を補償する処理となる。

検出部３６０及び学習部３８０には補正後の特徴量が出力される。つまり図１５に示したように、距離範囲は複数あるものの学習部３８０では１つの学習特徴量が求められる。そして検出部３６０では、当該学習特徴量と、補正後の特徴量との比較処理を行うことになる。

第２の実施形態を用いた場合の学習処理のフローを図８に示し、検出処理のフローを図９に示す。学習処理においては、距離情報、特徴量の取得後（Ｓ６０１，Ｓ６０２）、距離範囲分類処理が行われ（Ｓ６０３）、特定された距離範囲に応じた特徴量の補正処理が行われる（Ｓ６０４）。そして、補正処理後の特徴量を用いて学習処理が行われる（Ｓ６０５）。

一方、検出処理においても、距離情報、特徴量の取得後（Ｓ７０１，Ｓ７０２）、距離範囲分類処理が行われ（Ｓ７０３）、特定された距離範囲に応じた特徴量の補正処理が行われる（Ｓ７０４）。そして、補正処理後の特徴量と、図８のＳ６０５で求められた学習特徴量を用いた検出処理が行われ（Ｓ７０５）、検出された被写体を強調する（Ｓ７０６）。

以上の本実施形態では、検出装置の学習特徴量記憶部３９０は、距離に基づいて補正処理が行われた特徴量に基づく学習特徴量を記憶し、検出部３６０は、特徴量算出部３４０で算出された特徴量に対して、距離情報取得部３２０で取得された距離情報に基づいて補正処理を行い、補正処理後の特徴量と、学習特徴量とに基づいて、対象領域を検出してもよい。

これにより、特徴量に対して距離情報に基づく補正処理を行うことで、検出処理の精度を高めることが可能になる。ここでの補正処理とは、具体的には距離情報の差異による特徴量の変動、或いは距離情報に基づき取得できる被写体の凹凸構造の差異による特徴量の変動を補償する補正処理とすることが考えられる。なお、凹凸部に対する補正処理では、凹部の深さや幅、凸部の高さや幅に応じて補正量を変更するものであってもよい。これにより、距離情報や凹凸構造による画像上での特徴量の変動を抑止できるため、所与の特性を有する被写体は、距離や構造によらず所与の（狭義には一定の）特性を画像上でも有することになり、精度よく検出処理を行うことが可能になる。

また、学習特徴量記憶部３９０は、距離に基づいて第１〜第Ｎ（Ｎは２以上の整数）の距離範囲が設定されるとともに、第１〜第Ｎの距離範囲に対応する第１〜第Ｎの補正処理が設定された場合に、複数の特徴量に対して、それぞれ対応する距離範囲の補正処理を行うことで求められる学習結果を学習特徴量として記憶し、検出部３６０は、距離情報取得部３２０で取得された距離情報に基づいて、特徴量算出部で算出された特徴量に対応する第ｉ（ｉは１≦ｉ≦Ｎを満たす整数）の距離範囲を、第１〜第Ｎの距離範囲から特定し、特定された第ｉの距離範囲に対応する第ｉの補正処理を特徴量に対して行い、学習特徴量と第ｉの補正処理後の特徴量とに基づいて、対象領域を検出してもよい。

これにより、本実施形態で上述したように、距離範囲の特定処理を行い、特定された距離範囲での補正処理を特徴量に対して行うことで、より精度よく検出処理を行うことが可能になる。この場合、距離によらず一律で補正処理を決定する手法と異なり、距離に応じて補正処理の内容（例えば補正式）を変更することが可能である。また、補正処理後の特徴量を用いて学習処理を行うため、基本的には取得される学習結果は１つであり、第１の実施形態での変形例のような補間処理はそもそも必要とならない。

なお、検出処理を精度よく行うために、学習特徴量についても、撮像部２００から被写体までの距離に応じて設定された複数の距離範囲を考慮した学習処理により取得された値を記憶するものとしている。ここで、本実施形態の検出装置は、図１２（Ａ）に示したように、学習処理を行う学習装置４０を含まない構成であってもよい。その場合、学習処理の入力とされる学習データの取得手法は限定されないことから、学習処理において、複数の距離範囲を用いた処理が行われない場合もあり得る。例えば、光源等の配置を工夫することで、撮像部からの距離に依存せずに一定の明るさで被写体を撮像できる環境を用意すれば、撮像画像から取得される特徴量に対しては、特に複数の距離範囲を考慮しなくとも課題の解決は可能である。生体内画像から所与の組織を検出する処理を考えた場合、検出処理では内視鏡装置による撮像は必須となるものの、生体から摘出された後も特徴量（例えば色特性等）が変化しない組織を対象とするのであれば、学習段階では摘出後の組織を用いることで撮像環境を自由に設定することは可能である。しかし、このような理想的な環境を用意することは、言い換えれば実際の距離情報によらず、全被写体を所与の基準距離にあるかのように撮像していることになるため、撮像部２００から被写体までの距離を考慮している点に変わりはない。つまり本実施形態での「撮像部から被写体までの距離に応じて設定された、複数の距離範囲に基づく学習処理」という表現は、「撮像部から被写体までの距離に基づく学習処理」と拡張して考えることも可能である。そして「撮像部から被写体までの距離に基づく学習処理」とは、学習処理において距離情報を用いた処理を実際に行っている場合に限定されず、距離を反映した学習処理を広く指すものであり、例えば上述したような理想的な環境を用いた学習処理を含む。

以上の点を鑑みるに、本実施形態では、距離範囲分けや補正処理が学習処理においてはスキップされる可能性がある。つまり、学習特徴量記憶部３９０は、撮像部２００から「被写体までの距離に基づく学習処理」により求められた学習特徴量を記憶し、検出部３６０は、距離情報取得部３２０で取得された距離情報に基づいて、特徴量算出部で算出された特徴量に対応する第ｉ（ｉは１≦ｉ≦Ｎを満たす整数）の距離範囲を、第１〜第Ｎの距離範囲から特定し、特定された第ｉの距離範囲に対応する第ｉの補正処理を特徴量に対して行い、学習特徴量と第ｉの補正処理後の特徴量とに基づいて、対象領域を検出してもよい。

以上、本発明を適用した２つの実施の形態１〜２およびその変形例について説明したが、本発明は、各実施の形態１〜２やその変形例そのままに限定されるものではなく、実施段階では、発明の要旨を逸脱しない範囲内で構成要素を変形して具体化することができる。また、上記した各実施の形態１〜２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、種々の発明を形成することができる。例えば、各実施の形態１〜２や変形例に記載した全構成要素からいくつかの構成要素を削除してもよい。さらに、異なる実施の形態や変形例で説明した構成要素を適宜組み合わせてもよい。また、明細書又は図面において、少なくとも一度、より広義または同義な異なる用語と共に記載された用語は、明細書又は図面のいかなる箇所においても、その異なる用語に置き換えることができる。このように、発明の主旨を逸脱しない範囲内において種々の変形や応用が可能である。

３０ 検出装置、４０ 学習装置、１００ 光源部、１０１ 白色光源、
１０２ 回転色フィルタ、１０３ 回転駆動部、１０４ 集光レンズ、２００ 撮像部、２０１ ライトガイドファイバ、２０３ 照明レンズ、２０４ 対物レンズ、
２０６ 撮像素子、２０９ Ａ／Ｄ変換部、２１０ メモリ、２１２ コネクタ、
３００ プロセッサ部、３０１ 画像処理部、３０２ 制御部、
３２０ 距離情報取得部、３３０ 画像構成部、３４０ 特徴量算出部、
３５０ 特徴量補正部、３６０ 検出部、３７０ 強調処理部、３８０ 学習部、
３９０ 学習特徴量記憶部、４００ 表示部、５００ 外部Ｉ／Ｆ部

Claims (10)

1. 撮像部の撮像により、被写体の像を含む画像を取得する画像取得部と、
   前記撮像の際の前記撮像部から前記被写体までの距離に基づく距離情報を取得する距離情報取得部と、
   取得した前記画像から前記被写体に関する特徴量を算出する特徴量算出部と、
   前記撮像部から前記被写体までの前記距離に応じて設定された複数の距離範囲について、距離範囲ごとの学習処理を行うことで取得された複数の学習結果を、各距離範囲に対応する学習特徴量として記憶する学習特徴量記憶部と、
   前記学習特徴量と、前記距離情報と、前記特徴量に基づいて、前記画像から対象領域を検出する検出部と、
   を含み、
   前記検出部は、
   前記距離情報取得部で取得された前記距離情報に基づいて、前記特徴量算出部で算出された前記特徴量に対応する第１〜第Ｍ（Ｍは２以上の整数）の距離範囲を、前記複数の距離範囲から特定し、特定された前記第１〜第Ｍの距離範囲に対応する第１〜第Ｍの学習特徴量の補間処理を行って補間特徴量を求め、求めた前記補間特徴量と前記特徴量算出部で算出された前記特徴量とに基づいて、前記対象領域を検出することを特徴とする検出装置。
2. 撮像部の撮像により、被写体の像を含む画像を取得する画像取得部と、
   前記撮像の際の前記撮像部から前記被写体までの距離に基づく距離情報を取得する距離情報取得部と、
   取得した前記画像から前記被写体に関する特徴量を算出する特徴量算出部と、
   前記撮像部から前記被写体までの前記距離に応じて設定された複数の距離範囲について、距離範囲ごとの学習処理により求められ、各距離範囲に対応する学習特徴量を記憶する学習特徴量記憶部と、
   前記距離情報取得部で取得された前記距離情報に基づいて、前記特徴量算出部で算出された前記特徴量に対応する距離範囲を、前記複数の距離範囲から特定し、特定された前記距離範囲に対応する前記学習特徴量と、前記特徴量算出部で算出された前記特徴量とに基づいて、前記画像から対象領域を検出する検出部と、
   を含み、
   前記学習特徴量記憶部は、
   前記距離に基づいて補正処理が行われた前記特徴量に基づく前記学習特徴量を記憶し、
   前記検出部は、
   前記特徴量算出部で算出された前記特徴量に対して、前記距離情報取得部で取得された前記距離情報に基づいて補正処理を行い、前記補正処理後の前記特徴量と、前記学習特徴量とに基づいて、前記対象領域を検出することを特徴とする検出装置。
3. 請求項２において、
   前記学習特徴量記憶部は、
   前記距離に基づいて第１〜第Ｎ（Ｎは２以上の整数）の距離範囲が設定されるとともに、前記第１〜第Ｎの距離範囲に対応する第１〜第Ｎの補正処理が設定された場合に、複数の前記特徴量に対して、それぞれ対応する前記距離範囲の前記補正処理を行うことで求められる学習結果を前記学習特徴量として記憶し、
   前記検出部は、
   前記距離情報取得部で取得された前記距離情報に基づいて、前記特徴量算出部で算出された前記特徴量に対応する第ｉ（ｉは１≦ｉ≦Ｎを満たす整数）の距離範囲を、前記第１〜第Ｎの距離範囲から特定し、特定された前記第ｉの距離範囲に対応する第ｉの補正処理を前記特徴量に対して行い、前記学習特徴量と前記第ｉの補正処理後の前記特徴量とに基づいて、前記対象領域を検出することを特徴とする検出装置。
4. 撮像部の撮像により、被写体の像を含む画像を取得する画像取得部と、
   前記撮像の際の前記撮像部から前記被写体までの距離に基づく距離情報を取得する距離情報取得部と、
   取得した前記画像から前記被写体に関する特徴量を算出する特徴量算出部と、
   前記撮像部から前記被写体までの前記距離に応じて設定された複数の距離範囲について、距離範囲ごとの学習処理により求められ、各距離範囲に対応する学習特徴量を記憶する学習特徴量記憶部と、
   前記距離情報取得部で取得された前記距離情報に基づいて、前記特徴量算出部で算出された前記特徴量に対応する距離範囲を、前記複数の距離範囲から特定し、特定された前記距離範囲に対応する前記学習特徴量と、前記特徴量算出部で算出された前記特徴量とに基づいて、前記画像から対象領域を検出する検出部と、
   前記距離情報取得部で取得された前記距離情報に基づいて、前記特徴量算出部で算出された、前記被写体に対応する前記特徴量の前記学習処理を行う学習部を含み、
   前記学習特徴量記憶部は、
   前記学習部で行われた前記学習処理の結果を、前記学習特徴量として記憶することを特徴とする検出装置。
5. 請求項１において、
   前記検出部により検出された前記対象領域に対して、強調処理を行う強調処理部を含むことを特徴とする検出装置。
6. 撮像部の撮像により、被写体の像を含む画像を取得する画像取得部と、
   前記撮像の際の前記撮像部から前記被写体までの距離に基づく距離情報を取得する距離情報取得部と、
   取得した前記画像から前記被写体に関する特徴量を算出する特徴量算出部と、
   前記距離情報取得部で取得された前記距離情報に応じて複数の距離範囲を設定し、設定した前記複数の距離範囲ごとに前記特徴量の学習処理を行う学習部と、
   前記学習部での前記学習処理により求められた学習特徴量を記憶する学習特徴量記憶部と、
   を含むことを特徴とする学習装置。
7. 撮像部の撮像により、被写体の像を含む画像を取得する処理と、
   前記撮像の際の前記撮像部から前記被写体までの距離に基づく距離情報を取得する距離情報取得処理と、
   取得した前記画像から前記被写体に関する特徴量を算出する特徴量算出処理と、
   前記撮像部から前記被写体までの前記距離に応じて設定された複数の距離範囲について、距離範囲ごとの学習処理を行うことで取得された複数の学習結果を、各距離範囲に対応する学習特徴量として記憶する学習特徴量記憶処理と、
   前記学習特徴量と、前記距離情報と、前記特徴量に基づいて、前記画像から対象領域を検出する検出処理と、
   をコンピュータに実行させ、
   前記検出処理として、
   前記距離情報取得処理で取得された前記距離情報に基づいて、前記特徴量算出処理で算出された前記特徴量に対応する第１〜第Ｍ（Ｍは２以上の整数）の距離範囲を、前記複数の距離範囲から特定し、特定された前記第１〜第Ｍの距離範囲に対応する第１〜第Ｍの学習特徴量の補間処理を行って補間特徴量を求め、求めた前記補間特徴量と前記特徴量算出処理で算出された前記特徴量とに基づいて、前記対象領域を検出する処理を行うことを特徴とする検出方法。
8. 撮像部の撮像により、被写体の像を含む画像を取得する処理と、
   前記撮像の際の前記撮像部から前記被写体までの距離に基づく距離情報を取得する距離情報取得処理と、
   取得した前記画像から前記被写体に関する特徴量を算出する特徴量算出処理と、
   前記距離情報取得処理で取得された前記距離情報に応じて複数の距離範囲を設定し、設定した前記複数の距離範囲ごとに前記特徴量の学習を行う学習処理と、
   前記学習処理により求められた学習特徴量を記憶する学習特徴量記憶処理と、
   をコンピュータに実行させることを特徴とする学習方法。
9. 撮像部の撮像により、被写体の像を含む画像を取得するステップと、
   前記撮像の際の前記撮像部から前記被写体までの距離に基づく距離情報を取得するステップと、
   取得した前記画像から前記被写体に関する特徴量を算出するステップと、
   前記撮像部から前記被写体までの前記距離に応じて設定された複数の距離範囲について、距離範囲ごとの学習処理を行うことで取得された複数の学習結果を、各距離範囲に対応する学習特徴量として記憶するステップと、
   前記学習特徴量と、前記距離情報と、前記特徴量に基づいて、前記画像から対象領域を検出するステップと、
   をコンピュータに実行させ、
   前記対象領域を検出するステップにおいて、
   前記距離情報に基づいて、前記特徴量に対応する第１〜第Ｍ（Ｍは２以上の整数）の距離範囲を、前記複数の距離範囲から特定し、特定された前記第１〜第Ｍの距離範囲に対応する第１〜第Ｍの学習特徴量の補間処理を行って補間特徴量を求め、求めた前記補間特徴量と、前記特徴量とに基づいて、前記対象領域を検出する処理を行うことを特徴とするプログラム。
10. 撮像部の撮像により、被写体の像を含む画像を取得するステップと、
    前記撮像の際の前記撮像部から前記被写体までの距離に基づく距離情報を取得するステップと、
    取得した前記画像から前記被写体に関する特徴量を算出するステップと、
    前記距離情報に応じて複数の距離範囲を設定し、設定した前記複数の距離範囲ごとに前記特徴量の学習処理を行うステップと、
    前記学習処理により求められた学習特徴量を記憶するステップと、
    をコンピュータに実行させるプログラム。