JPH04199379A - 画像処理における局所的領域分割方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は画像処理において画像内に含まれている個々の
対象物に応した領域を抽出する局所的領域分割方法に関
するものである。

〔従来の技術〕

従来、この種の局所的領域分割方法は、例えば、自動車
の自律走行における画像処理に使用されている。この局
所的領域分割方法においては、入力画像を部分矩形画像
であるセクタに区分することで特徴空間でのクラスタ検
出をやり易くしている。

二のような局所的領域分割方法としては、画像分割法、
ローカルヒストグラム法かある。画像分割法は、セクタ
内でクラスタリング検出を行い、セクタ外の領域でセク
タ境界を除去するものである。

この画像分割法によれば詳細な領域を抽出することが可
能である。また、ローカルヒストグラム法は、セクタ内
でクラスタリング検出を行い、セクタ外の領域でセクタ
境界の除去、小領域除去、領域成長を行うものである。

このローカルヒストグラム法によっても詳細な領域を抽
出することか可能である。第１０図に二のローカルヒス
トグラム法のブロックフローチャートを示す。

ローカルヒストグラム法は、■平滑化等の前処理、■セ
クタ単位の領域形成、■全画面の領域形成、■ＲＧＢの
各分割結果の統合、■領域成長の５段階からなる。ます
、［１伴走行車に設置されたカメラから走行路画像を入
力しくブロックＩＱＯ１）、Ｒ画像、６画像、８画像に
区分する（ブロック１００２）。次に、各画像毎にエノ
〉保存平滑化とダイナミックレンンの変換処理を実行す
る（ブロック１００Ｂ）。そして、各セクタ毎に１次元
ヒストグラムを作成し、クラスタ検出、ラヘリング処理
を実行する（ブロック１００４）。

この後、着目セクタの４近傍のセクタと通信しくブロッ
ク１００５）、重要なピークを伝播する（ブロック１０
０６）。そして、各セクタ間に形成されるセクタ境界を
除去しくブロック１００７）、小領域を除去する（プロ
・ツク１００ｇ）。ここまでの処理により、ＲＧＢの各
分割画像か得られる（ブロック１００９）。これら各分
割画像を基にして分割結果を統合しくブロック１０１０
）、領域成長を行う（ブロック１０１、１　）。

上記の分割結果の統合処理は、各分割領域の色差を評価
関数として表現し、この評価関数に基づいて統合するこ
とにより実行される。また、この統合の順序は、評価関
数の値か最も小さい組から順に行われる。または、単に
ラベル番号の小さいものから調べていき、統合基準を満
たす組かみつかった時に即座に統合を行う。

〔発明か解決しようとする課題〕

しかしながら、上記従来の画像分割法は、処理途中のク
ラスタリング結果によって画面の分割結果か変動する。

また、セクタ内の処理は直列的に実行され、他のセクタ
内処理との間に並列性が無い。このため、画像分割処理
に時間がかかり、高速性が要求される自動車の自律走行
に適さない。

また、上記従来のローカルヒストグラム法は、画面の分
割は固定しており、また、セクタ内処理にはほぼ並列性
かある。しかし、特徴量のヒストり゛ラム形状によって
は必要なりラスタに対応するピークか隠れてしまう場合
かあり、それを補うｔコめに処理の途中でセクタ間の通
信を行う必要力・ある。

このため、ローカルヒストグラム法（こお（入でも処理
の十分な高速性か確保されない。

また、分割領域の統合に際して評価関数の値の小さい組
から順に統合すると、ソートに時間力・力・かつてしま
う。また、統合基準を満たす組方〜みつかった時に即座
に統合する。と、真にまとめｔこ０ヤ頁域かまとまらす
、性能的に劣ってしまう。

本発明は、画像内に含まれている個々の対象物に応じた
領域を詳細かつ高速に抽出することを目的とする。

〔課題を解決するための手段〕

本発明は、画像を入力し、画像を構成する画素のうち明
度か所定のしきい値以下の画素を分類し、入力画像を所
定数のセクタに区分し、セクタ毎（こ単純クラスタリン
グ処理を行ってセクタ内の画素をグループ分けしてクラ
ス画像をセクタ毎（こ並列に作成し、クラス画像のうち
同一クラスに属する連結画素に対して１つのラベルを与
えるラベリング処理を行ってラベル画像をセクタ毎に並
列に作成し、ラベル画像において小領域を隣接する大き
な領域に併合して小領域をセクタ毎に並列に除去し、ラ
ベル画像における各領域の画像平面上の位置の連結性お
よび各領域の有する特徴の類似性に基づいて各領域をセ
クタ毎に並列に統合して領域成長し、セクタ毎に成長さ
れた各領域を人力画像の全画面を対象にして各領域の有
する特徴の類似性に基づいて統合して領域成長するもの
である。

また、セクタ毎に並列に実行される領域の統合は、各領
域の有する特徴の類似性を統合基準のしきい値に基づい
て判断し、しきい値を所定数のステップに分割し、各ス
テップに区分された統合基準の各しきい値と各領域間の
特徴の類似性とを比較して統合処理を行うものである。

〔作用〕

セクタ単位で領域成長か行われ、セクタ間の通信は分割
処理終了時点まで行われない。また、領域統合はしきい
値の各ステップ毎に行われ、従来の、評価関数の値の小
さい組から順に統合する領域統合と、統合基準を満たす
組かみつかった時に即座に統合する領域統合との中間的
な性質を有する。

〔実施例〕

次に、本発明を、自律走行車の走行路領域の抽圧処理に
適用した場合について説明する。第１図は、本発明の一
実施例による局所的領域分割方法のアルゴリスムの概略
を示すブロックフローチャートである。

この処理は、■平滑化等の前処理、■セクタ単位の領域
形成、■全画面の領域成長の３段階からなる。従来の第
１０図に示されたローカルヒストグラム法に比較し、小
領域除去処理と領域成長処理とを■の処理に含んでいる
点が大きく異なっている。ます、領域分割の対象となる
画像を撮像し、これを入力する（ブロック１０１）。次
に、入力画像をカラーメデイアンフィルタに通して平滑
化する（ブロック１０２）。平滑化された入力画像を構
成する画素のうち、所定のしきい値以下の暗い画素を分
類する。そして、入力画像を複数のセクタに区分する（
ブロック１０３）。第２図はこのセクタを示す図であり
、斜線部分の画像分割された部分矩形画像か１つのセク
タである。本実施例の場合には、５１２Ｘ５１２ドツト
の入力画像を６４×６４ドツトの大きさのセクタに区分
しである。

次に、各セクタ毎に単純クラスタリング処理を実行し、
各画素の色に基づいて画素のグループ分けを行う（ブロ
ック１０４）。そして、グループ分けされｔ：各領域に
弓いてラベル付けをするラベリング処理を行う（ブロッ
ク１０５）。このラベリングにより得られたラベル領域
のうち、小領域のラベル領域を隣接する最大面積の領域
にマージ、つまり、併合する小領域除去処理を実行する
（ブロック１０６）。この後、セクタ内の各領域につい
て、位置の連結性および各領域の色の特徴の類似性を利
用してセクタ内において領域成長を行う（ブロック１０
７）。

以上のブロック１０４からブロック１０７の各処理は、
各セクタ毎に並列に実行される。そして、最後に、各セ
クタ毎に成長された領域について、全画面を対象にして
領域内平均色によるマージ処理を行い、全画面において
領域成長を行う（ブロック］０８）。

次に、以上の各処理の詳細について以下に説明する。

ブロック１．０２におけるカラーメデイアンフィルタは
、画像の平滑化のためのものであり、本実施例の場合に
はＣＭＵ　＜アメリカのカーネギ−・メロン・ユニバー
シティ）の提案によるカラーメデイアンフィルタ（参考
文献；　Ｐｕｊｉｍｏｒｊ　＆Ｋａｎａｄｅ、　　”Ｋ
ｎｏｗｌｅｄｇｅ−Ｂａｓｅ　Ｉｎｔｅｒｐｒｅｔａｔ
ｉｏｎｓ　ｏｆｏｕｔ　ｄｏｏｒ　Ｒｏａｄ　５ｃｅｎ
ｅｓ”　、１９８７　Ｙｅａｒ　Ｅｎｄ　Ｒｅｐｏｒｔ
ｆｏｒ　Ｒｏａｄ　Ｆｏｌｌｏｗｉｎｇ　ａｔ　Ｃａｒ
ｎｅｇｉｅ　ｌ＋１ｅｌｌｏｎ、ｐｐ４５−９０）を用
いる。このフィルタはエツジの保存性が良く、平滑化の
効果も高い。

ブロック１０３における暗い画素の分類処理は、まず、
平滑画像の中から暗い画素を分類し、残りの各画素につ
いてＬ＊ａ＊ｂ本系と呼ばれる表色系を使用して色差を
定義する。この定義付けは、後に行われる画素値のクラ
スター化の際に、その方法に因らすに必要とされる。な
お、色差を表色系におけるニークリシト距離で定義する
場合は、使用する表色系によ−〕で領域分割の結果はも
ちろん異なる。以下に、各表色系の性質と領域分割にお
ける問題について説明する。

通常のビデオ信号であるＮＴＳＣＯＲＧＢ表色系は、２
つの色を表す座標点のユークリッド距離か、入間の感し
る色差ときちんとχ１応しないという性質を持っている
。二の表色系を領域成長に使用すると、１つの対象物か
求まる前に別の場所で過統合か起こり易いという問題が
生しる。また、１９７６Ｌ’　ａ＊ｂ’表色系表色−て
は、２つの色を表す座標点のユークリッド距離が、人間
の感しる色差とほぼ比例する。しかし、暗い色どうしの
色距離は、相対的に非常に大きな計算値となってしまう
。この表色系を領域分割に使用すると、人間の目で見て
自然な領域か形成される。しかし、画像内の暗いエリア
かいたずらに細分され過ぎてしまう。

一方、本実施例での暗い画素の分類処理を併用したＬ＊
ａ＊ｂ本表色系においては、明度か所定のしきい値以下
の色については処理の最初の段階で暗い色として分類し
てしまう性質を有している。

しかし、この表色系を領域分割に使用すると、暗い部分
は１つにまとめることかでき、全体として自然な処理結
果か得られる。

次に、入力画面のセクタへの分割処理は、ブロック１０
３の暗い画素の分類処理のあとで実行されるか、本実施
例では前述したように、５］２Ｘ５］２ドツトの画像を
縦横各８分割して６４×６４ドツトの大きさのセクタに
分割する。本実施例における画像処理の対象である道路
画像では、画像を縦横各４分割してセクタサイズを１２
８×１２８ドツトとするとセクタのローカル性か薄れて
しまう。また、画像を縦横各１６分割してセクタサイズ
を３２　ｘ　３２　ドツトとすると、セクタ単位で可能
なたけ処理を進めても全画面に戻ってからの処理か多い
ため、処理の高速性か活かせない。

次に、第１図のブロック］０４における単純クラスタリ
ング処理について説明する。

一般的に、特徴空間における画素のクラスクリングを行
う場合、全画面の射影に基づくクラスタリングと一部分
のみの局所的な射影に基づくクラスクリングとか考えら
れる。これらを比較すると、局所的な射影の方かクラス
タリングか容易な場合か多い。例えば、走行路の遠方に
存在する白線なとの小さな対象物を１つのセクタの特徴
空間に射影すると、第３図（ａ）に示されるヒストグラ
ムか得られる。同図の横軸は特徴量を示し、縦軸はその
頻度を示している。白線に相当する特徴量ヒストグラム
３０１は他のセクタにおける特徴量ヒストグラム３０２
から分離し、遠方に白線かあることか把握される。しか
し、全画面の特徴空間に射影すると、他のセクタに同し
ような色がある場ｒ７には同図（ｂ）に示されるヒスト
グラムになる。

つまり、白線に相当する特′６！１．ｉヒストグラム３
０コは他のセクタの特徴量ヒストグラム−（０３に隠れ
てしまう。

また、シェーディングのある画像の場合においては、１
つのセクタの特徴空間への射影法によると同図（ｃ）に
示される特徴量ヒスｉ・ダラムか得られ、各ヒストクラ
ム３０４．，３０５は分離している。しかし、全画面の
特徴空間への射影法によると、同図（Ｃ）に示される各
ヒストクラムがシフ）・シて多数重なったヒストグラム
３０６が得られる。このたと、各セクタの小さな特徴が
把握できない。

なお、ヒストクラムを用いて濃淡画像を２値化する従来
のローカルヒストグラム法も、画素の明度という１次元
の特徴空間において画素を２つのクラスタに分類する問
題と考えられ、やはり局所的な射影か有効である。

このため、本実施例は局所的な射影法を使用し、セクタ
内の画素の値をＬ＊ａ＊ｂ本空間に射影し、ユークリッ
ド距離が半径５以内の色をまとめていく。例えば、入力
画像の１セクタが第４図（ａ）に示される場合を想定す
る。このセクタには、道路領域４０１とこの道路領域４
０１上に描かれた白線４０２および背景領域４０Ｂか存
在する。各画素はその色に基づいてＬ＊ａ＊ｂ＊空間に
おいてグループ分けされ、同図（ｂ）に示される○印の
グループ４０４．Δ印のグループ４０５．Ｘ印のグルー
プ４０６に区分される。○印のグループ４０４の画素は
同図（ｂ）において斜線か付された背景領域４０３に相
当し、Δ印のグループ４０５の画素は斜線か付された白
線４０２に相当し、Ｘ印のグループは斜線か付された道
路領域４０１に相当する。

Ｌ＊ａ＊ｂ＊空間において色差５というのは非常に近い
色であり、結果として得られる画像は過分割される。単
純クラスタリング処理を領域成長の前処理と考えている
ため、過分割されても構わない。この単純クラスタリン
グ処理の手順について、第５図に示されるフローチャー
トに従って第６図に示される３次元座標を参照しつつ以
下に説明する。

まず、各セクタ内においてＬ＊ａ＊ｂ＊を特徴量とする
３次足ヒストゲラムを作成する（ステップ５０１　）。

たたし、第７図（ａ）に示される４つのセクタ７０１〜
７１’、”　４にわたって白線のような細い領域か存在
し、セクタ７Ｃ１１，７０３に丘かな領域しか存在し−
ない場合かある。二のような場合には、セクタ７０１．
７Ｃ１３における画素数は少ないため、ヒストクラム上
では無視されてしまう。このため、６−ＩＸ６４ビット
のセクタサイズよりやや広齢に拡張した領域でヒストク
ラムを作成し、もとの６４Ｘ６４ビツトエリアのみをこ
の拡張した領域に基づいて分割するようにする。

例えば、拡張する領域を同図（ｂ）に示されるやや広め
の８０Ｘ８０ビツトのエリア７０５とする。

このように広めのエリア７０５に基づいてもとのセクタ
７０１内の画素を判断すれば、僅かな画素も無視される
ことは無い。

セクタ内の３次元ヒストグラムを作成した後、このヒス
トグラムに基づき、人力画像に使われている色のうちヒ
ストクラム最犬の色をクラス０の代表色とする（ステッ
プ５０２）。例えば、第６図（ａ）に示される３次元座
標では図示の記号×がヒストグラム最大の色であるとす
る。次に、クラス０の代表色との色差かＯｔｈｒｅｓｈ
以下の色、現在のインプリメントては５以下の色はクラ
ス０として分類する（ステップ５０３）。例えば、第６
図（ｂ）ではグループ６０１かクラス０として分類され
た色になる。次に、クラスＯとして分類された色以外で
ヒストグラム最大の色をクラス１の代表色とする（ステ
ップ５０４）。例えば、第６図（Ｃ）では図示の記号△
かクラス０以外でヒストグラム最大の色であり、クラス
１の代表色になる。次に、フラスコの代表色との色差が
Ｏｔ　ｈ　ｒ　ｅ　ｓ　ｈ以下の色、現在のインプリメ
ントては５以′Ｆ（つ色はクラス］として分類する（ス
テップ５０５）。例えば、第６図（ｄ）ではグループ６
　（’、’ｌ　’、’％がクラス１として分類された色
（−なる。

’ＬＳＩ　−”　、上述した処理を繰り返し、例えば、
第６図１、ｅ）に示されるグループ６０３がクラス２と
１、、！：ノ、ｊ類されｆ：ｌ、　：）　、５する。同
図（−！）に、−Ｊ′Ｘされるグル　プ５１：＋　２．
す・】３パノＪ　１１．−、、訳し−〜冊スの代表色か
既存のクラスの代表色と１０以下の距離にある場合には
クラスの重なりを生しる。この場合には、この重なり部
分はより距離の近い方に分類する（ステップ５０６）。

さらに、同様の処理を繰り返し、未分類の色のヒストク
ラム最大値かＬｏｖＰｅａｋ以下、現在のインプリメン
トては５以下になるまでクラス分類をする。ヒストグラ
ム最大値かＬ　ｏ　ｗ　Ｐ　ｅ　ａに以ｒ、つまり５以
下にな９たときはそれ以１クラスを作らない。この未分
類の色は既存のクラスのうち最も距離の近い代表色のク
ラスに分類する（ステップ５０７）。各出現色に対する
クラスか決まったら、入力ＲＧＢ画像からクラス画像（
画素の値がその所属するクラスの番号になっＣいる画像
）を作成する（ステップ５０８）。

次に、第１図の７テノプ１０５におけるラベリング処理
につい？：説明する。このラベリング処理は、Ｌ＊ａ７
ｂ本空間における画素のクラスタリング結Ｗを＆すクー
・７、画像をベカし、ｕｌ−クラス、−属すで、４４′
３１西素１−１寸して１′）・＞　、、　、□＜ニルを
旬えｔこ画像を出力するものである。なお、画素の連結
関係の判断に際しては、着目する画素の上下左右に位置
する４近傍の画素を考慮して行う。また、ラベリングの
方法は色々あるが、本実施例ではＬ字型のマスクをラス
シスキャン類に走らせて２スキヤンてラベリングを行う
。従って、ラベルの順番はラスシスキャン類で、もとの
クラスの順番とは無関係である。

例えば、第８図（ａ）に示される画像が入力されたとす
る。たたし、本実施例の１セクタは６４ドツト平方であ
るか、この入力画像は４ドツト平方で１セクタが構成さ
れているものと仮定する。

セクタ内の各画素に与えられた番号は、上述したように
、各画素が所属するクラスの番号に等しくなっている。

この入力画像についてＬ字型のマスクを画像の左上から
行方向に右側へ走査する。そして、画像の上方から下方
にこの走査を繰り返して実行し、各画素の値をこのラス
シスキャン類に付は替えていく。この結果、同図（ａ）
の入力画像は同図（ｂ）に示される出力画像に変換され
る。

次に、第１図のステ・・Ｉブ］０６における小領域除去
処理について説明する。各画素は、ラベリング処理によ
り付されたラヘル値に応して領域を構成する。つまり、
同一のラベル値か付された各画素は１つの領域を構成す
る。小領域除去処理は、このように構成された領域の中
で小さい領域を、大きな領域に併合するマージ処理を行
うものである。

例えば、ラベリング処理により、第９図（ａ）に示され
るセクタ区分されたラベル画像か得られたとする。ここ
で、このラベル画像のラベル数をＮとする。二のラベル
画像において、面積かしきい値以下のラベルのみを取り
出し、取り田したラベル値をＮ＋１に書き替える。図示
の例では、ラベル数Ｎが７であり、面積のしきい値を２
とすると、しきい値以下の面積を構成するラベル値は３
゜４．６．７である。このため、このしきい値以下の面
積を構成するラベルの値をＮ＋１、つまり、８に書き替
えると、同図（ｂ）に示されるラベル画像に変換される
。

こうして得られた画像を新たなりラス画像と考え、さら
に、ラベリング処理を実行する。すなわち、前述したよ
うにＬ字型のマスクをラスシスキャン類に走査する。こ
の結果、同図（ｃ）に示される画像か得られ、もとのラ
ベル画像の小面積ラヘルが統合された画像か得られる。

この出力画像において残っている面積小ラヘルの隣接ラ
ベルは全て面積大ラベルである。また、この処理によっ
てまとめられた面積小ラベルはテクスチャー領域に対応
すると考えることか出来る。次に、小面積のラベルを隣
接ラベルのうち最も面積の大きなラベルに書き替える。

この結果、小領域か隣接する最大面積の領域にマージさ
れる。

次に、第１図のステップ１０７におけるセクタ内の領域
成長処理について説明する。領域成長とは、一般的に、
画像を一旦小領域（最少単位は画素）に分離しておき、
隣接した小領域間の類似度を計算し、似た小領域を順次
統合していって領域を形成する方法である（参考文献Ｈ
Ｂｒ１ｃｅ　＆Ｐｈｅｎｅｎｍａ、　　　”５ｃｅｎｅ
　　ａｎａｌｙｓｉｓ　　ｕｓｔｎｇ　ｒｅｇｉｏｎ　
　”　　。

ＡＩ　、ｖｏｌ、１．Ｎｏ３．ｐｐ２０５−２２８．１
９７［））。統合して得られた領域について特徴量およ
び隣接領域との類似度の計算か必要で、従来の領域成長
方法では、初期の小領域数か多い場合には非常に処理時
間かかかる。しかし、本実施例の処理では、画像平面上
の各ラベル領域の位置の連結性を利用して特徴の類似し
た隣接領域の統合を繰り返す領域成長の手法を用いてい
るため、処理時間が短縮している。また、特徴の類似性
の尺度としては様々なものが提案されている。本実施例
ではラベル内平均色のＬ＊ａ＊ｂ本空間における一色差
のみを評価関数として用いている。色差なのてこの評価
関数は各領域間の非類似性を示す関数である。

本実施例における各領域の統合処理は次のように行われ
る。つまり、与えられた統合基準の所定のしきい値Ｘを
にステップに分割する。そして、このにステップに分割
されたしきい値Ｘ／にと評価関数の値とを比較し、評価
関数の値がこの分割されたしきい値Ｘ／により小さい（
評価関数くＸ／Ｋ）組みを次々に統合する。この後、分
割したしきい値のステップを上げ、しきい値２Ｘ／にと
評価関数の値とを比較し、評価関数の値かしきい［２Ｘ
／により小さい（評価関数＜　２Ｘ／Ｋ）組みを統合す
る。以下、順にしきい値の分割ステップを上げて行き、
上記と同様な処理を繰り返し行い、領域成長をする。

次に、第１図の最終ステップ１０８における領域成長に
ついて説明する。ここまでの各ステップにより、各セク
タ内において領域成長処理か行われ、各セクタ毎に領域
か統合されている。この最終ステップにおける領域成長
は、セクタ毎に統合された各領域を全画面を対象として
行うものである。この領域成長においても、上記のセク
タ毎の領域成長と同様に領域内平均色に基づいてマージ
が行われる。セクタ分割による人工的な領域境界線はこ
の処理により除去される。

以上のように本実施例における局所的領域成長は、上述
のように、セクタ単位で初期領域形成および領域成長を
行い、各セクタ間で完全に並列に行うため、処理時間が
短縮されている。また、−般的に、クラスタリング部分
は過分側になるように行っているため、従来のローカル
ヒストグラム法のようなセクタ間の通信処理を行うと時
間かかかるか、本手法の場合にこのセクタ間の通信は不
要になっており、時間か大幅に短縮される。また、領域
形成時に画素の位置情報、つまり、細かく分割された状
態の初期領域のどれととれとか隣接しているという情報
を利用しているため、セクタ内の分割結果が良い。また
、本実施例の領域成長時の領域統合順序によれば、従来
の領域統合の性能を落とさすにソートに要する時間を短
縮することができる。

従って、道路の状況を画像理解により詳細に調べるため
の前処理として、画像内に含まれている個々の対象物に
応じた領域を高速に抽出することが可能である。なお、
領域抽出の対象物としては、道路の他に、白線、黄緑、
道路標識、道路表示、壁、ガードレール等がある。

〔発明の効果〕

以上説明したように本発明によれば、セクタ単位で領域
成長か行われ、セクタ間の通信は分割処理終了時点まで
行われない。このため、各セクタの処理は完全に並列に
実行可能であり、並列に実行されれば処理時間が短縮さ
れる。

また、領域統合はしきい値の各ステップ毎に行われ、従
来の、評価関数の値の小さい組から順に統合する領域統
合と、統合基準を満たす組かみつかった時に即座に統合
する領域統合との中間的な性質を有する。このため、領
域統合の性能を低下させずに処理に要する時間を短縮す
ることができる。

【図面の簡単な説明】

第１図は本発明の一実施例による局所的領域分割処理の
概略を示すフローチャート、第２図は画面内で区分され
たセクタを示す図、第３図は画素のクラスタリングの際
に全画面の射影と一部分のみの局所的な射影との違いを
説明するための特徴空間における分布を示す図、第４図
はクラスタリング処理の概要を説明するための図、第５
図はこのクラスタリング処理の手順を示すフローチャー
ト、第６図は第５図に示されたクラスタリング処理の各
過程で得られるクラスタ・グループを説明するだめの図
、第７図はセクタより拡大したエリアから得られるヒス
トグラムに基づいてセクタ判断を行うことを説明するだ
めの図、第８図はラベリング処理を説明するための図、
第９図は小領域を除去する際に再度行われるラヘリング
を説明するだめの図、第１０図は従来の局所的領域分割
処理の概略を示すフローチャートである。 代理人弁理士　　　長谷用　　芳　　樹第１図 じ−１夕の害す モｎ貸曳？ｒ、ニア貝コろケ）雨のＰ−重交第３図 第７図 うへ゛りツク 小論１或再ラヘリンク゛ 第９図

Claims (1)

1. 【特許請求の範囲】 １、画像を入力し、 該画像を構成する画素のうち明度が所定のしきい値以下
   の画素を分類し、 前記入力画像を所定数のセクタに区分し、 該セクタ毎に単純クラスタリング処理を行って前記セク
   タ内の画素をグループ分けしてクラス画像を前記セクタ
   毎に並列に作成し、 該クラス画像のうち同一クラスに属する連結画素に対し
   て１つのラベルを与えるラベリング処理を行ってラベル
   画像を前記セクタ毎に並列に作成し、 該ラベル画像において小領域を隣接する大きな領域に併
   合して該小領域を前記セクタ毎に並列に除去し、 前記ラベル画像における各領域の画像平面上の位置の連
   結性および該各領域の有する特徴の類似性に基づいて該
   各領域を前記セクタ毎に並列に統合して領域成長し、 前記セクタ毎に成長された該各領域を前記入力画像の全
   画面を対象にして該各領域の有する特徴の類似性に基づ
   いて統合して領域成長する ことを特徴とする画像処理における局所的領域分割方法
   。 ２、セクタ毎に並列に実行される領域の統合は、各領域
   の有する特徴の類似性を統合基準のしきい値に基づいて
   判断し、該しきい値を所定数のステップに分割し、該各
   ステップに区分された統合基準の各しきい値と各領域間
   の特徴の類似性とを比較して統合処理を行うことを特徴
   とする請求項１記載の画像処理における局所的領域成長
   方法。