JPH0478972A - 濃淡画像識別装置 - 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］ この発明は、神経回路網を用いて従来の逐次処理方式で
は困難であった画像認識や視覚情報処理などを実現する
濃淡画像識別装置に関するものである。

［従来の技術］ 神経回路網は生体の神経素子を模したもので、多数の入
力をしきい値処理し多数へ出力する人工的神経素子を多
数結合することにより、新しい並列処理を実現すること
ができる。この神経回路網を画像処理に適用することが
試みられている。

画像処理応用の代表例は、画像認識（パターン認識）で
あり、これは画像から適切な特徴を抽出して画像を識別
するものである。

具体的には、数字や文字認識、あるいは飛行機などの目
標探知などの例がある。この場合、画像の形状的な線分
特徴がフィルタなどにより事前に抽出され、神経回路網
に入力される。神経回路網はこれらの特徴の組合わせと
して対象を識別する。この方法は、膨大な画像データが
事前の処理により比較的少量の特徴データ群に置き換え
られる長所がある。

また、濃淡画像を事前に２値化し、これを神経回路網に
入力することにより、神経回路網は何らかの形状的特徴
を自動的に抽出して対象を識別する方法がある。

［発明が解決しようとする課題〕 従来の事前に線分を抽出する方法では、フィルタ処理に
より線分を抽出するが、まだ万能なフィルタ技術がな（
、通常無駄な線分がでたり、逆に必要な線分が抽出され
ない場合が応々にしである。これは、対象画像の濃淡分
布に偏りがなく、かつピントがあっている場合において
さえであり、濃淡に偏りがあったりピントがぼけている
ものについては、線分抽出はほとんど困難となる欠点が
ある。

一方、濃淡画像を事前に２値化する方法では、例えば５
００Ｘ５００画素のモノクロ画像では２５００００ｘ８
ビツトの画像データ量を１／８に低減することができる
が、それでも神経回路網の人力層のユニット数は２５０
０００個という大きな数が必要となる。このため、中間
層や出力層との組合わせ数はさらに膨大となり、大規模
なハードウェアと大きな処理時間を必要とする欠点があ
る。さらに、形状特徴の自動抽出のため、原画は濃淡に
偏りのないこと、ピントのあっていることが必要不可欠
な条件となる難点がある。

そこで、この発明の目的は、上述の問題点を克服し、濃
淡画像を少ないデータ量で表現し、かつ、少ない計算量
で所望の画像識別を可能とする濃淡画像識別装置を提供
することにある。

ところで、カラー画像は、通常、赤（Ｒ）、緑（Ｇ）、
青（Ｂ）の３原色に分離でき、分離後は各色ごとにモノ
クロ多値画像、すなわち、濃淡画像として扱うことがで
きることから、以下では濃淡画像で代表する事とする。

［課題を解決するための手段］ この発明にかかる濃淡画像識別装置は、入力すべき画像
の位置とサイズを決定して画像を切り出す画像切り出し
手段と、切り出された画像をあらかじめ定められた複数
のブロックに分割し、各ブロックごとに濃度の代表値を
算出する画像ブロック化手段と、各代表値を入力とし識
別すべき画像ごとに特定の識別信号を教師信号とする神
経回路網とを有するものである。

［作用］ この発明においては、濃淡画像をあらかじめ定めた複数
のブロックに分割し、各ブロック毎にブロック内の画素
の代表値を算出する。例えば５００Ｘ５００画素で、か
つ各画素が８ビツトで表される濃淡画像を縦横各２０に
分割した場合、当該画像は２０ｘ２０＝４００個×８ビ
ット＝４００バイトの代表データで表現される。これは
４００字分のデータと同数である。

次にこれらの代表データを、例えば入力層のユニット数
は濃淡画像の分割ブロック数（上記の例では４００）　
、出力層のユニット数は識別すべき画像の数、中間層（
隠れ層）は、例えば出力層ユニットの半分程度からなる
層状神経回路網に入力する。学習時の教師信号として、
識別すべき画像ごとに特定の識別信号を与える。学習が
終了すると、中間層には代表データ群による画像の識別
に必要な特徴が自動的に形成される。

Ｃ実施例〕 第１図はこの発明の一実施例のブロック図である。第２
図は画像のブロック化を説明するための図である。ここ
では、前述のとおり、モノクロ多値画像、すなわち、濃
淡画像を対象に説明する。

画像入力装置１はビデオカメラあるいはスキャナなどで
あり、第２図（ａ）のように、画像Ｐの中心○等があら
かじめ指定された場所となるよう位置合わせをして濃淡
画像を取り込み、これを画像ブロック化装置２へ送る。

画像ブロック化装置２はこの濃淡画像から、第２図（ａ
）のように、あらかじめ対象によって定められたサイズ
の領域を切り出す。なお、限られた対象であれば画像の
中心の自動検出が可能な場合もあり、このとき中心等の
位置合わせは画像入力装置１ではなく、画像ブロック化
装置２で自動化してもよく、要は画像切り出し手段があ
ればよい。

次に、この発明の画像ブロック化手段としての画像ブロ
ック化装置２は、上記のごと（切り出した濃淡画像を第
２図（ｂ）のようにあらかじめ定められたブロック数（
縦の数と横の数の積）Ｎに分割し、さらに、各ブロック
ごとに代表値を算出する。代表値の算出法としては、ブ
ロック内の全画素の値の平均値としたり、ブロック内の
中心を最大とする２次元のガウス関数やラプラシアンガ
ウシアン関数、ガボール関数などによる重み付は算出法
など種々ある。こうして、画像ブロック化装置２は各ブ
ロックごとに代表値を算出すると、その結果を神経回路
網３に送出する。

なお、画像ブロック化装置２は前述したとおり画像入力
装置１の機能を持つことがあるので、画像人力装置１と
画像ブロック化装置２とを合わせて画像切り出し手段と
画像ブロック化手段を備えていればよい。

神経回路網３は第３図に示すように、例えば、少なくと
も入力層４．中間層５．出力層６の３層以上からなる層
状神経回路網である。入力層４は前記で分割されたブロ
ックの数と同数Ｎのユニット４１を有しており、出力層
６は識別すべき画像の数りと同数の出力層ユニット６１
を有している。ただし、識別すべき画像の数を符号化す
ることにより、出力層６のユニット数を低減することも
可能である。中間層５は必要に応じて複数の層をとりつ
るが、ここでは１層で、かつＭ個ユニット５１の場合に
ついて説明する。

入力層４の各ユニット４１から中間層５の各ユニット５
１へはすべて重みＷｉｈ４２を介して結合されており、
同様に、中間層５の各ユニット５１から出力層６の各ユ
ニット６１へはすべて重みＷｈ０５２を介して結合され
ている。

画像ブロック化装置２から送り出された画像のブロック
の代表値■、は、それぞれ入力層４の対応する各ユニッ
ト４１に入力される。さらに、各人カニニットからの出
力は、それぞれ重みＷｉｈ４２を乗じて中間層５の中間
層ユニット５１に集められる。すなわち、中間層５の各
ユニット５１の値ＨｎｅｔＪは第　（１）式のように算
出される。

ＨｎｅｔＪ＝Σ　　Ｗ　ｉｈ、　、　　　Ｉ　、−−（
１）さらに、中間層５の各ユニット５１は第　（２）式
のように、ロジスティック関数などの非線形の入出力関
数ｆ　（Ｈｎｅｔ、−〇ｈ）により出力する。

穀に、ＨｎｅｔＪが適切なしきい値θ。以上であればオ
ンとし、そうでなければオフとなる。

ＨＪ　＝ｆ４（ＨｎｅｔＪ−θｈ） ＝ｆＪ（孟８、Ｗｉｈ、Ｉ＋−〇ｈ）・・・・・・（２
）同様に、中間層５の各ユニット５１からの出力Ｈ８は
、それぞれ重みＷｈｏ５２を乗じて出力層６の出力層ユ
ニット６１に集められる。さらに、各ユニット６１は第
　（３）式のように、中間層５の全ユニット５１からの
出力を加算しく　ＯｎｅｔＪ）て、しきい値θ。との差
をとり非線形関数ｆにより出力する。

０、、＝ｆ、（ＯｎｅＪ−〇。） ＝ｆ、（Σ　Ｗ　ｈａ、、　ｉ　Ｈ＋−θｏｌ　　−・
−（３）この結果、出力層６の各ユニット６１はブロッ
クの代表値で表現された画像に対し出力値を算出し、結
果を学習制御装置７に送出する。

出力層６の各出力層ユニット６１はそれぞれ識別すべき
画像に対応しており、あらかじめ定めた出力層ユニット
６１のみ入力画像に反応するよう神経回路網３の全ての
重み４２．５２を調整する必要がある。このため、学習
制御装置７は、画像入力装置１等から転送された望まし
い値と出力層６から転送された出力値からこれらの誤差
を算出し、当該誤差が小さくなるように重み５２．４２
を調整する。

これを識別すべき画像に対し繰り返し実施することによ
り、神経回路網３は誤差が最も小さ（なるように重み５
２．４２が調整され、この結果、どの画像に対しても望
ましい出力を出すようになり学習は終了する。

学習が終了した神経回路網３に、画像入力装置１、画像
ブロック化装置２を介して未知画像を入力すると、当該
画像の識別結果が出力装置８に出力され、結果の表示あ
るいは他装置への出力がなされる。

なお、この発明の神経回路網３は、層状神経回路網に限
定されない。また、この発明は画像を識別して分類を行
うのにも極めて有効である。

〔発明の効果〕

この発明は以上説明したように、入力すべき画像の位置
とサイズを決定して画像を切り出す画像切り出し手段と
、切り出された画像をあらかじめ定められた複数のブロ
ックに分割し、各ブロックごとに濃度の代表値を算出す
る画像ブロック化手段と、各代表値を入力とし識別すべ
き画像ごとに特定の識別信号を教師信号とする神経回路
網とを有するので、次の効果が得られる。

（１）画像から線分抽出をする必要がないため、画像に
濃淡の偏りなど照明条件に差があったり、またはピント
調節の不備によるぼけがあっても画像の適切な認識が可
能である。

（２）画像を複数のブロックに分割してその代表値をデ
ータとするので、入力データ量を１１５００以上に激減
することができ、このため、神経回路網の大きさならび
に処理計算量を大きく低減することができる。

【図面の簡単な説明】

第１図はこの発明の一実施例を示すブロック図、第２図
は画像のブロッ化を説明する図、第３図は、第１図の実
施例における神経回路網の詳細を示す図である。 図中、１は画像入力装置、２は画像ブロック化装置、３
は神経回路網、４は入力層、５は中間層、６は出力層、
７は学習制御装置、８は出力装置、４１は入力層ユニッ
ト、４２は入力層と中間層間の重み、５１は中間層ユニ
ット、５２は中間層と出力層間の重み、６１は出力層ユ
ニットである。

Claims (1)

【特許請求の範囲】
1. 入力すべき画像の位置とサイズを決定して画像を切り出
   す画像切り出し手段と、切り出された画像をあらかじめ
   定められた複数のブロックに分割し、各ブロックごとに
   濃度の代表値を算出する画像ブロック化手段と、前記各
   代表値を入力とし識別すべき画像ごとに特定の識別信号
   を教師信号とする神経回路網とを有することを特徴とす
   る濃淡画像識別装置。