JPH04275685A - 画像領域識別処理方法 - 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】

【０００１】

【産業上の利用分野】本発明は、入力された自然画像等
がどのような部分領域からなり、その位置関係がどのよ
うになっているかを、テクスチャ情報を手がかりとして
推定する画像領域識別処理方法に関する。

【０００２】

【従来の技術】テクスチャ特徴やテクスチャ領域を抽出
する手法は、一般に「統計的手法」と「構造的手法」に
大別される。おおまかに言って、統計的な特徴抽出法は
ミクロなテクスチャの解析に適し、構造的な特徴抽出法
はマクロなテクスチャの解析に適する。統計的な特徴抽
出法は更に、統計量を用いる解析法、モデルあてはめに
よる解析法、局所幾何学的特徴による解析法などに分類
される。実用的なレベルで使われている手法の大半は統
計量を用いる解析法である。

【０００３】

【発明が解決しようとする課題】統計量を用いる解析法
については、古くから性能評価が進んでおり、統計量と
して濃度共起行列を用いる手法の強力さが知られている
。ここで濃度共起行列とは、ある相対的位置における２
画素の濃度がある特定の値の組を示す確率を、２画素の
濃度値を行と列とに対応させた行列の形式で表したもの
である。しかし、必要となる画素間の距離と角度との全
てについて濃度共起行列を計算することは一般に困難で
あるし、上記行列から算出する特徴量についても、適当
な数個のみを用いるのが通常である。このような用い方
をした場合、濃度共起行列の理論的性能は必ずしも得ら
れない。

【０００４】次に、モデルあてはめ系の手法では、マル
コフモデルを用いた解析法が、空間的な識別精度の点で
有望視されているが、その既存アルゴリズムの大半は、
領域を形成する似かよった特性に従い、画素を合併して
いく「領域ベースのアプローチ」であるため、テクスチ
ャクラスに関する事前知識を必要としたり、計算が過度
に複雑であったり、空間的に不均質な場の取り扱いが困
難であるなどの欠点がある。

【０００５】これに対し、ある画像特徴の不連続をまず
探す「エッヂベースのアプローチ」を採れば、上記欠点
の軽減が期待できる。しかし、この種のアプローチの検
討がまだ多くないこともあり、エッジ候補の連結や、特
徴抽出のための適当な窓サイズの選択などの困難があっ
た。

【０００６】本発明の目的は、上記のような各手法の問
題点を回避し、広い種類のテクスチャ複合画像について
、適格にテクスチャ特徴を抽出するとともに、該テクス
チャ特徴に基づき画像の部分領域の境界を推定する方法
を提供することにある。

【０００７】

【課題を解決するための手段】本発明は、ガウス関数や
ガボール関数あるいはその他のウェーブレット展開関数
など、その分布が局在的な関数を基底に用いて画像情報
を空間周波数成分や方位成分の空間分布の形式に展開し
、その展開係数が、画像情報そのものや、その導関数の
不連続の検出に有効である性質を利用して、画像のおお
まかな構造を抽出するとともに、抽出された部分領域内
のテクスチャがガウス型マルコフモデルで表現されると
仮定して、より精緻に領域境界を推定しようとするもの
である。

【０００８】ここで基底ならびに局在的関数について補
足する。ここで用いる基底とは、信号や画像を関数展開
する手法における基本単位関数のことである。例えばフ
ーリエ解析においては、三角関数が基底になる。

【０００９】次に局在的関数について補足する。

【００１０】例えばガウス関数は、ある空間点の周りで
急激に減衰している。これに対し、三角関数は空間座標
上を振動しながら一様に広がっている。よって空間座標
上で、ガウス関数は局在的関数であるが、三角関数は局
在的関数でない。このような意味で局在的関数という言
葉を使っている。

【００１１】また、ガボール関数とはガウス関数が正弦
波変調されたような局在的関数である。ウェーブレット
展開関数とは、ウェーブレット変換およびその離散形式
であるウェーブレット展開に用いる関数のことである。

【００１２】ここでウェーブレット変換とは、フーリエ
変換のような積分変換族の１種であり、局在的な関数の
平行移動と相似変換によって積分核を作る方法である。 フーリエ変換に比べ、局所的な相似構造の解析に適する
という特徴がある。

【００１３】定義から明らかなように、非常に多くの関
数がウェーブレット展開関数になり得る。局在的関数の
例として、ガウス関数の差分、ガボール関数、滑らかな
ウェーブレット展開関数の１例を図６、図７、図８に示
す。

【００１４】図６はガウス関数の差分（ＤＯＧ）関数の
例を示し、左上の図は空間座標上の１次元特性を表して
おり、同じく右上の図は空間座標上の２次元特性を表し
ている。また左下の図は空間周波数座標上の１次元特性
を表し、同じく右下の図は空間周波数座標上の２次元特
性を表している。

【００１５】図７はガボール関数の例を示し、上の図は
空間座標上の２次元特性を表し、下の図は空間周波数座
標上の２次元特性を表している。

【００１６】更に図８はウェーブレット基底関数の例を
示し、上の図は空間座標上の２次元特性を表し、下の図
は空間周波数座標上の２次元特性を表している。

【００１７】

【作用】本発明では、ウェーブレット展開基底など、そ
の分布が局在的な関数を基底にして展開した展開係数を
用いて画像のおおまかな構造を抽出するので、従来の「
エッヂベースのマルコフモデルを用いた解析法」におけ
るエッヂ検出の困難性を緩和することができる。また、
空間定数の異なる基底の組を用いることにより、多重ス
ケール処理が自然に導入される。

【００１８】更に、推定された境界を、該境界によって
生じる部分領域内のテクスチャがガウス型マルコフモデ
ルで表現されると仮定して、再評価するので、単にテク
スチャの方位成分や空間周波数成分を統計的に分析する
だけの手法に比べ、より精緻に領域境界を推定すること
ができる。

【００１９】

【実施例】以下、本発明の一実施例について図面により
説明する。

【００２０】図１は、本発明の画像領域識別処理方法の
一実施例の処理フロー図である。図１において１０１は
画像入力部である。これは、例えばスキャナあるいはカ
メラおよび画像メモリ等のハードフェアを用いた処理と
して実現される。

【００２１】１０２は局在的関数を基底に用いた画像展
開部である。ここで局在的関数とは、ガボール関数、ウ
ェーブレット基底関数などである。このような画像展開
により局所領域毎に空間周波数成分や方位成分が抽出さ
れるので、ある範囲の空間周波数成分の空間分布や方位
成分の空間分布が各成分毎に得られる。

【００２２】１０３は展開係数の分布特性を解析する展
開係数解析部である。分布特性の解析は、例えば、展開
係数の１次統計量の変化が、ある閾値を越える点を探す
ことにより行う。

【００２３】１０４は、展開係数解析部１０３の解析結
果に従い変化点を出力する、領域境界出力部である。こ
のように、画像展開係数が画像の不連続性に敏感に反応
する性質を利用して領域境界を推定し、その結果を出力
する。

【００２４】図９は画像展開と領域境界出力の１例を表
す図である。この例では、ノイズ状のテクスチャをガボ
ール関数で展開することにより得られた、方位成分毎の
強度空間分布を示している。符号９１で示すものが原画
像であり、符号９２で示すものが方位π／４対応の分布
であり、符号９３で示すものがπ／２対応の分布であり
、符号９４で示すものが３π／４対応の分布である。

【００２５】図中の白い部分は、検出された強度値が大
きく、黒い部分は強度値が小さい。このような分布値の
空間的変化がある値以上のところを検出することにより
、符号９５で示すもののような領域境界が推定される。

【００２６】図２は、本発明の画像領域識別処理方法の
他の一実施例の処理フロー図である。図２において、２
０１は画像入力部である。これは図１の画像入力部１０
１と同じである。

【００２７】２０２は局在的関数を基底に用いた画像展
開部である。画像展開部２０２では、図１の画像展開部
１０２と同様な処理を行うとともに、展開によって得ら
れた１段階低い解像度の画像情報出力を隣接する画像展
開部２０２に入力する。この処理は、あらかじめ設定さ
れた数だけの画像展開部２０２について行う。このよう
な処理により、階層的な画像展開が実行される。

【００２８】２０３は展開係数の分布特性を解析する展
開係数解析部である。展開係数解析部２０３では、図１
の展開係数解析部１０３と同様な処理を、空間定数の異
なる基底に関する各展開表現のそれぞれについて行う。

【００２９】２０４は領域境界推定部である。領域境界
推定部２０４では、図１の領域境界出力部１０４と同様
な処理を、各展開係数解析部２０３の出力のそれぞれに
ついて行う。

【００３０】２０５は領域境界出力部である。領域境界
出力部２０５では、領域境界推定部２０４の推定出力を
統合し、もっとも矛盾の少ない領域境界を出力する。

【００３１】図３は、本発明の画像領域識別処理方法の
更に他の一実施例の処理フロー図である。図３において
、３０１は画像入力部であり、３０２は局在的関数を基
底に用いた画像展開部であり、３０３は展開係数の分布
特性を解析する展開係数解析部であり、３０４は領域境
界推定部である。

【００３２】これらは、それぞれ図２の画像入力部２０
１、局在的関数を基底に用いた画像展開部２０２、展開
係数解析部２０３、領域境界推定部２０４と同様な処理
部である。その後に以下の処理が付加される。

【００３３】３０５はマルコフモデルフィッティング部
であり、テクスチャがマルコフモデルで記述されるとみ
なし、最尤法等により最適なパラメータを決める。

【００３４】ここで、テクスチャをマルコフモデルで記
述する手法について補足する。この手法ではテクスチャ
画像を、構成する画素間の相互作用に基づく確率過程で
あると見なす。更にある画素に対応する確率変数が、該
画素の近傍画素値からの条件付き確率のみで決まるとい
う拘束を加える。このような確率モデルがマルコフモデ
ルである。

【００３５】このような拘束条件の妥当性や有効性は、
幾つかのテクスチャについて確認されている。

【００３６】更に、与えられたテクスチャ画像を上記確
率モデルの１サンプルと見なし、そのパラメータを推定
するためのモデルフィッティング法には、予測誤差最小
分散表現による方法、実現確率を最大にする最尤推定法
、白色ノイズ入力時の応答表現による方法などがあるが
、最尤法系統の手法の有効性が知られている。

【００３７】３０６は領域境界出力部であり、各領域に
対応するマルコフモデルフィッティング部３０５の出力
結果を統合して、精度の高い境界配置を算出する。

【００３８】図４は、図２に示す画像展開部２０２にお
ける画像展開法の一実施例の処理フロー図である。図４
では、２次元ウェーブレット展開が変数分離可能な様式
を持ち、例えば１次元展開を水平方向と垂直方向に適用
することで２次元展開がなされる場合を想定している。

【００３９】図４において、４０１は密解像度画像入力
部である。４０２はウェーブレット展開における水平方
向のスムージング関数に対応するローパスフィルタ部、
４０３はローパスフィルタ部４０２と対をなすハイパス
フィルタ部である。

【００４０】４０６，４０８は同じくウェーブレット展
開における垂直方向のスムージング関数に対応するロー
パスフィルタ部、４０７，４０９はローパスフィルタ部
４０６，４０８と対をなすハイパスフィルタ部である。

【００４１】４０４，４０５，４１０，４１１，４１２
，４１３はサンプル点を間引きする間引き処理部である
。４１４は疎解像度画像出力部である。４１５，４１６
，４１７は差分情報のストア部である。

【００４２】４１８はストア部４１５，４１６，４１７
から出力される情報をまとめ、展開係数情報として出力
する、展開係数出力部である。密解像度画像入力部４０
１から入力された画像情報はローパスフィルタ部４０２
において水平方向にスムージング処理され、またハイパ
スフィルタ部４０３において前記スムージング処理と対
をなすハイパス処理がなされる。それらの出力は間引き
処理部４０４，４０５において間引き処理される。例え
ば展開基底が２のべき乗の形式を採る場合には、１／２
に間引きされる。

【００４３】間引き処理部４０４の出力は、続いてロー
パスフィルタ部４０６において垂直方向にスムージング
処理され、またハイパスフィルタ部４０７において前記
スムージング処理と対をなすハイパス処理がなされる。 それらの出力は間引き処理部４１０，４１１において間
引き処理される。

【００４４】同様に間引き処理部４０５の出力は、続い
てローパスフィルタ部４０８において垂直方向にスムー
ジング処理され、またハイパスフィルタ部４０９におい
て前記スムージング処理と対をなすハイパス処理がなさ
れる。それらの出力は間引き処理部４１２，４１３にお
いて間引き処理される。

【００４５】このような処理により、密解像度画像入力
部４０１に入力された画像よりも１段階解像度が低い疎
解像度近似画像が、間引き処理部４１０から疎解像度画
像出力部４１４に出力される。

【００４６】疎解像度画像出力部４１４の出力は隣接す
る画像展開部２０２の密解像度画像入力部４０１に入力
されることになる。また、間引き処理部４１１，４１２
，４１３からそれぞれストア部４１５，４１６，４１７
に、密解像度画像入力部４０１に入力された画像と疎解
像度画像出力部４１４に出力された疎解像度近似画像と
の差分情報が出力される。

【００４７】展開係数出力部４１８は、これらの情報を
まとめ、展開係数情報として出力する。

【００４８】このような処理により、複数の解像度画像
と差分情報の組が得られる。例えば、原画像の解像度を
Ｎとするとき、該画像を画像展開部２０２の密解像度画
像入力部４０１に入力し、上記の処理の後、解像度Ｎ／
２の画像を疎解像度画像出力部４１４から取り出す。こ
の解像度Ｎ／２の画像を隣接する画像展開部２０２の密
解像度画像入力部４０１に入力し、今度は解像度Ｎ／４
の画像を疎解像度画像出力部４１４から取り出す。更に
このような処理を行い、解像度Ｎ／８の画像、Ｎ／１６
の画像、．．．．．等を導く。

【００４９】もっとも疎に採った解像度の画像出力とそ
こに至るまでの差分情報との組がウェーブレット展開係
数となる。

【００５０】図１０、図１１、図１２は階層的な画像展
開表現の１例を説明する図である。図１０は原画像であ
る。一様な低強度の画像領域（図示斜線部分）内にそれ
よりも高強度の長方形領域が置かれたものである。

【００５１】図１１、図１２に示す（ａ），（ｂ），（
ｃ）の部分は、図１０の原画像をもとに図４に説明した
ような展開形式に従って１段階低い解像度の表現を導く
ときの、原情報との差分を画像化したものであり、図４
のストア部４１５，４１６，４１７の出力に夫々対応す
る。更に、図１１、図１２に示す（ｄ），（ｅ），（ｆ
）の部分が隣接する画像展開部２０２のストア部４１５
，４１６，４１７の出力に対応する。そして、図１１、
図１２に示す（ｈ），（ｉ），（ｊ）の部分がその次に
隣接する画像展開部２０２のストア部４１５，４１６，
４１７の出力に対応する。また、図１１、図１２に示す
（ｇ）の部分が展開表現から導かれる低解像度表現であ
り、画像展開部２０２の疎解像度画像出力部４１４の出
力に対応する。

【００５２】図５は、図３のマルコフモデルフィッティ
ング部３０５における処理の一実施例の処理フロー図で
ある。

【００５３】図５において、５０１，５０２，５０３は
各解像度の画像に対応する推定境界入力部、５０４，５
０５，５０６は境界近傍領域抽出部、５０７，５０８，
５０９は各領域のテクスチャをガウシアンマルコフモデ
ルで表現したときのパラメータ推定部、５１０，５１１
，５１２は前記パラメータを用いて領域境界を推定する
境界推定部である。

【００５４】ここでガウシアンマルコフモデルとは、既
に説明したマルコフ確率モデルにおいて確率密度分布が
ガウス関数で示されるものである。

【００５５】推定境界入力部５０１に入力される情報が
もっとも疎な解像度に対応し、推定境界入力部５０２は
それより密で、推定境界入力部５０３はそれよりも更に
密であるとする。

【００５６】境界近傍領域抽出部５０４，５０５，５０
６では、各解像度の画素についてそれぞれ、その画素内
に１種のみのテクスチャ領域が含まれるか、２種以上の
テクスチャ領域が含まれるかを推定し、後者を境界近傍
領域とする。

【００５７】パラメータ推定部５０７，５０８，５０９
では各領域のテクスチャをガウシアンマルコフモデルに
当てはめ、もっとも良く適合するパラメータを最尤法等
により求める。

【００５８】境界推定部５１０ではパラメータ推定部５
０７で求められたパラメータを用い、領域境界を最尤推
定する。境界推定部５１１ではパラメータ推定部５０８
で規定されるパラメータを用い、領域境界を最尤推定す
る。このとき、境界推定部５１０の結果を事前知識とし
て参照する。

【００５９】更に境界推定部５１２では、パラメータ推
定部５０９で規定されるパラメータを用い、領域境界を
最尤推定する。このとき、境界推定部５１１の結果を事
前知識として参照する。

【００６０】このような階層的処理により、精度の高い
領域境界が境界推定部５１２より出力され、これが最終
的なマルコフモデルフィッティング部３０５の出力にな
る。

【００６１】

【発明の効果】本発明によれば、人工視覚装置等が画像
内容を把握するために必要な、画像領域識別問題へのア
プローチを提供することができるものであり、画像特徴
の不連続部を発見的に探す「エッヂベースのアプローチ
」を採る。その結果、扱おうとする画像の内容について
特に予備知識がなくても、適正な画像分割が可能になる
。

【００６２】また本発明によれば、画像を複数の解像度
に展開して階層的な処理を行う。その結果、処理の効率
性と精度を両立させ得る可能性がある。

【００６３】更に本発明によれば、テクスチャ画像特徴
を推定するためにモデルあてはめ手法を組み合わせる。 その結果、精緻な領域識別が可能になる。

【００６４】また、画像についてなんらかの予備知識が
ある場合には、それに応じて更に効率的な処理ができる
。これらの性質は、人工視覚装置に当然求められる類の
ものであるが、従来の方法では、不可能な場合や複雑な
処理を要する場合が多かった。本発明では、比較的簡易
で系統的な処理により上記の性質を実現するので、人工
視覚装置の画像領域識別能力の向上に大きな効果がある
。

【図面の簡単な説明】

【図１】本発明の画像領域識別処理方法の一実施例の処
理フロー図である。

【図２】本発明の画像領域識別処理方法の一実施例の処
理フロー図である。

【図３】本発明の画像領域識別処理方法の一実施例の処
理フロー図である。

【図４】図２の画像展開部２０２における画像展開法の
一実施例の処理フロー図である。

【図５】図３のマルコフモデルフィッティング部３０５
における処理の一実施例の処理フロー図である。

【図６】ガウス関数の差分の例示である。

【図７】ガボール関数の例示である。

【図８】ウェーブレット基底関数の例示である。

【図９】画像展開と領域境界出力の一例である。

【図１０】階層的な画像展開表現の１例である。

【図１１】階層的な画像展開表現の１例である。

【図１２】階層的な画像展開表現の１例である。

【符号の説明】

１０１　　画像入力部 １０２　　画像展開部 １０３　　展開係数解析部 １０４　　領域境界出力部 ２０１　　画像入力部 ２０２　　画像展開部 ２０３　　展開係数解析部 ２０４　　領域境界推定部 ２０５　　領域境界出力部 ３０１　　画像入力部 ３０２　　画像展開部 ３０３　　展開係数解析部 ３０４　　領域境界推定部 ３０５　　マルコフモデルフィッティング部３０６　　
領域境界出力部 ４０１　　密解像度画像入力部 ４０２　　ローパスフィルタ部 ４０３　　ハイパスフィルタ部 ４０４，４０５　　間引き処理部 ４０６，４０８　　ローパスフィルタ部４０７，４０９
　　ハイパスフィルタ部４１０，４１１，４１２，４１
３　　間引き処理部４１４　　疎解像度画像出力部 ４１５，４１６，４１７　　差分情報ストア部４１８　
　展開係数出力部

Claims (3)

【特許請求の範囲】
1. 【請求項１】　　２次元画像からテクスチャ特徴を検出
   し、その特徴に基づいて上記画像中の領域境界やその位
   置関係を推定する装置において、画像情報を、ガウス関
   数やガボール関数あるいはその他のウェーブレット展開
   関数を含む分布が局在的な関数を基底に用いて空間周波
   数成分や方位成分の空間分布の形式に展開すると共に、
   その展開係数の分布特性から領域境界を推定するように
   したことを特徴とする画像領域識別処理方法。
2. 【請求項２】　　請求項１記載の、画像情報を空間周波
   数成分や方位成分の空間分布の形式に展開するに当って
   、解像度の異なる画像に関する展開係数を順々に得るよ
   うに処理することを特徴とする画像領域識別処理方法。
3. 【請求項３】　　請求項１記載の、領域境界を推定する
   に当って、画像の展開係数の分布特性から境界候補を推
   定した後、各領域内のテクスチャがガウス型マルコフモ
   デルで近似できると仮定して最尤法やコーディング法を
   含む推定方法によって該モデルのパラメータを推定する
   ことにより、精細に領域の位置関係を推定する処理を加
   えたことを特徴とする画像領域識別処理方法。