JPH0546764A - エツジ抽出システム - Google Patents
エツジ抽出システムInfo
- Publication number
- JPH0546764A JPH0546764A JP3201986A JP20198691A JPH0546764A JP H0546764 A JPH0546764 A JP H0546764A JP 3201986 A JP3201986 A JP 3201986A JP 20198691 A JP20198691 A JP 20198691A JP H0546764 A JPH0546764 A JP H0546764A
- Authority
- JP
- Japan
- Prior art keywords
- image
- edge
- edge extraction
- input
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Landscapes
- Image Analysis (AREA)
Abstract
(57)【要約】
【目的】本発明の目的は、画像の性質に依存することな
く、画像から容易に鮮明なエッジを抽出できるエッジ抽
出システムを提供することにある。 【構成】画像を入力する画像入力手段１と、この画像入
力手段１から出力される入力画像から画像のエッジを抽
出するエッジ抽出手段２と、このエッジ抽出手段２で抽
出されたエッジ抽出画像を取り込むエッジ抽出画像出力
手段３とを備え、エッジ抽出手段２は、画像入力手段１
から出力される入力画像の中から切り出した領域のデー
タを入力データとし該領域の特定画素がエッジか否かを
示すデータを教師データとして画像のエッジ抽出処理を
学習するエッジ抽出学習部２１と、このエッジ抽出学習
部２１で学習した学習結果に基づき画像入力手段１から
出力される入力画像から画像のエッジを抽出するエッジ
抽出部２２とを有することを特徴とする。
く、画像から容易に鮮明なエッジを抽出できるエッジ抽
出システムを提供することにある。 【構成】画像を入力する画像入力手段１と、この画像入
力手段１から出力される入力画像から画像のエッジを抽
出するエッジ抽出手段２と、このエッジ抽出手段２で抽
出されたエッジ抽出画像を取り込むエッジ抽出画像出力
手段３とを備え、エッジ抽出手段２は、画像入力手段１
から出力される入力画像の中から切り出した領域のデー
タを入力データとし該領域の特定画素がエッジか否かを
示すデータを教師データとして画像のエッジ抽出処理を
学習するエッジ抽出学習部２１と、このエッジ抽出学習
部２１で学習した学習結果に基づき画像入力手段１から
出力される入力画像から画像のエッジを抽出するエッジ
抽出部２２とを有することを特徴とする。
Description
【０００１】
【産業上の利用分野】本発明は、画像から画像のエッジ
を抽出するエッジ抽出システムに関する。
を抽出するエッジ抽出システムに関する。
【０００２】
【従来の技術】画像から画像のエッジ（端縁）を抽出す
る技術は、画像処理の基本技術として重要であり、利用
分野も多い。例えばＦＡ（Ｆａｃｔｏｒｙ Ａｕｔｏｍ
ａｔｉｏｎ）の一環としてロボットを用いて生産ライン
を監視する場合には、生産ライン上を流れる部品を認識
する必要がある。この部品を認識するには、生産ライン
上が、ロボットに取り付けられたＴＶカメラ等により撮
像されて得られた生産ライン上の画像から、該画像のエ
ッジを抽出して部品の輪郭を求める必要がある。
る技術は、画像処理の基本技術として重要であり、利用
分野も多い。例えばＦＡ（Ｆａｃｔｏｒｙ Ａｕｔｏｍ
ａｔｉｏｎ）の一環としてロボットを用いて生産ライン
を監視する場合には、生産ライン上を流れる部品を認識
する必要がある。この部品を認識するには、生産ライン
上が、ロボットに取り付けられたＴＶカメラ等により撮
像されて得られた生産ライン上の画像から、該画像のエ
ッジを抽出して部品の輪郭を求める必要がある。
【０００３】また、例えば自動走行車では、走行方向に
障害物がないかどうかを、前面に設置されたＴＶカメラ
等で入力した画像から、画像のエッジを抽出して物体を
認識する必要がある。
障害物がないかどうかを、前面に設置されたＴＶカメラ
等で入力した画像から、画像のエッジを抽出して物体を
認識する必要がある。
【０００４】従来のエッジ抽出システムは、例えば、次
のようにして画像のエッジを抽出している。即ち、画像
の各画素毎の微分を行なうディジタルフィルタなどのマ
スクパターンを用いて画像を走査し、各画素のマスクパ
ターンによる微分値（画素値）を求めると、画像の輪郭
のみが画素値が大きくなるから、画像のエッジを抽出す
ることができる。
のようにして画像のエッジを抽出している。即ち、画像
の各画素毎の微分を行なうディジタルフィルタなどのマ
スクパターンを用いて画像を走査し、各画素のマスクパ
ターンによる微分値（画素値）を求めると、画像の輪郭
のみが画素値が大きくなるから、画像のエッジを抽出す
ることができる。
【０００５】
【発明が解決しようとする課題】しかしながら、従来技
術では、画像の性質により微分演算を適当に選択する必
要がある。また実際の画像は、雑音の影響などにより同
一の領域であっても均一の濃度になることはほとんどな
く、エッジも非常に曖昧なものとなっていた。このた
め、微分した画像から雑音の影響を考慮してエッジを構
成する必要があり、処理する対象画像に応じて適切なエ
ッジを抽出することが非常に困難であった。
術では、画像の性質により微分演算を適当に選択する必
要がある。また実際の画像は、雑音の影響などにより同
一の領域であっても均一の濃度になることはほとんどな
く、エッジも非常に曖昧なものとなっていた。このた
め、微分した画像から雑音の影響を考慮してエッジを構
成する必要があり、処理する対象画像に応じて適切なエ
ッジを抽出することが非常に困難であった。
【０００６】本発明の目的は、画像の性質に依存するこ
となく、画像から容易に鮮明なエッジを抽出することが
できるエッジ抽出システムを提供することにある。
となく、画像から容易に鮮明なエッジを抽出することが
できるエッジ抽出システム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、上記課題を解
決し目的を達成するために下記の構成とした。図１は本
発明の原理ブロック図である。図１を参照して本発明を
説明する。
決し目的を達成するために下記の構成とした。図１は本
発明の原理ブロック図である。図１を参照して本発明を
説明する。
【０００８】本発明は、画像を入力する画像入力手段１
と、この画像入力手段１から出力される入力画像から画
像のエッジを抽出するエッジ抽出手段２と、このエッジ
抽出手段２で抽出されたエッジ抽出画像を取り込むエッ
ジ抽出画像出力手段３とを備えている。
と、この画像入力手段１から出力される入力画像から画
像のエッジを抽出するエッジ抽出手段２と、このエッジ
抽出手段２で抽出されたエッジ抽出画像を取り込むエッ
ジ抽出画像出力手段３とを備えている。
【０００９】エッジ抽出手段２は、画像入力手段１から
出力される入力画像の中から切り出した領域のデータを
入力データとし該領域の特定画素がエッジか否かを示す
データを教師データとして画像のエッジ抽出処理を学習
するエッジ抽出学習部２１と、このエッジ抽出学習部２
１で学習した学習結果に基づき画像入力手段１から出力
される入力画像から画像のエッジを抽出するエッジ抽出
部２２とを有することを特徴とする。
出力される入力画像の中から切り出した領域のデータを
入力データとし該領域の特定画素がエッジか否かを示す
データを教師データとして画像のエッジ抽出処理を学習
するエッジ抽出学習部２１と、このエッジ抽出学習部２
１で学習した学習結果に基づき画像入力手段１から出力
される入力画像から画像のエッジを抽出するエッジ抽出
部２２とを有することを特徴とする。
【００１０】また、入力データは、端末装置の画面上に
表示された図面画像の中から、ポインティングデバイス
を用いて対話的に領域を切り出すことにより生成される
ことを特徴とする。
表示された図面画像の中から、ポインティングデバイス
を用いて対話的に領域を切り出すことにより生成される
ことを特徴とする。
【００１１】また、エッジ抽出手段２は、入力画像の中
から切り出した領域のデータを変形させて複数のデータ
を生成し該複数のデータを入力データとしてエッジ抽出
学習部２１に与える学習データ生成部２０を有すること
を特徴とする。
から切り出した領域のデータを変形させて複数のデータ
を生成し該複数のデータを入力データとしてエッジ抽出
学習部２１に与える学習データ生成部２０を有すること
を特徴とする。
【００１２】
【作用】本発明によれば、次のような作用を呈する。画
像入力手段１から出力される入力画像の中から切り出し
た領域のデータと、該領域にエッジが含まれるか否かの
教師データとの組が、エッジ抽出学習部２１に学習デー
タとして与えられると、該エッジ抽出学習部２１で画像
のエッジ抽出処理が学習される。さらにこの学習結果に
基づき入力画像は、エッジ抽出部２２で画像のエッジ抽
出処理が行われ、エッジの抽出されたエッジ抽出画像が
出力される。
像入力手段１から出力される入力画像の中から切り出し
た領域のデータと、該領域にエッジが含まれるか否かの
教師データとの組が、エッジ抽出学習部２１に学習デー
タとして与えられると、該エッジ抽出学習部２１で画像
のエッジ抽出処理が学習される。さらにこの学習結果に
基づき入力画像は、エッジ抽出部２２で画像のエッジ抽
出処理が行われ、エッジの抽出されたエッジ抽出画像が
出力される。
【００１３】従って、学習機能を有するエッジ抽出手段
２により画像の性質に依存することなく、画像から容易
に鮮明なエッジを抽出できる。また、入力データを、図
面画像の中から、ポインティングデバイスを用いて対話
的に領域を切り出すことにより生成することもできる。
２により画像の性質に依存することなく、画像から容易
に鮮明なエッジを抽出できる。また、入力データを、図
面画像の中から、ポインティングデバイスを用いて対話
的に領域を切り出すことにより生成することもできる。
【００１４】また、入力画像の中から切り出した領域の
データを変形させて複数のデータを生成し該複数のデー
タを学習データとすることもできる。
データを変形させて複数のデータを生成し該複数のデー
タを学習データとすることもできる。
【００１５】
【実施例】以下、本発明の一実施例を説明する。エッジ
抽出システムは、画像対象物を撮像することにより入力
画像を得るＴＶカメラなどの画像入力装置１と、この画
像入力装置１から出力される入力画像から画像のエッジ
を抽出するエッジ抽出装置２と、このエッジ抽出装置２
から出力されるエッジ抽出画像を取り込むエッジ抽出画
像出力装置３とを備えている。
抽出システムは、画像対象物を撮像することにより入力
画像を得るＴＶカメラなどの画像入力装置１と、この画
像入力装置１から出力される入力画像から画像のエッジ
を抽出するエッジ抽出装置２と、このエッジ抽出装置２
から出力されるエッジ抽出画像を取り込むエッジ抽出画
像出力装置３とを備えている。
【００１６】エッジ抽出装置２は、画像入力装置１から
出力される入力画像に基づき学習データを生成する学習
データ生成部２０と、学習データ生成部２０から出力さ
れる学習データに基づきエッジ抽出処理を学習するニュ
ーラルネットワークからなるエッジ抽出学習部２１と、
このエッジ抽出学習部２１で学習した学習結果に基づき
画像入力装置１から出力される入力画像の中から画像の
エッジを抽出し抽出されたエッジ抽出画像をエッジ抽出
画像出力装置３に出力するニューラルネットワークから
なるエッジ抽出部２２とを有する。
出力される入力画像に基づき学習データを生成する学習
データ生成部２０と、学習データ生成部２０から出力さ
れる学習データに基づきエッジ抽出処理を学習するニュ
ーラルネットワークからなるエッジ抽出学習部２１と、
このエッジ抽出学習部２１で学習した学習結果に基づき
画像入力装置１から出力される入力画像の中から画像の
エッジを抽出し抽出されたエッジ抽出画像をエッジ抽出
画像出力装置３に出力するニューラルネットワークから
なるエッジ抽出部２２とを有する。
【００１７】図３は入力画像の例であって模式的な地図
である。図中、領域３４５，３４６，３４７，３４８，
３６５，Ｅ1，Ｅ2，Ｅ3，Ｅ4，Ｅ5及びＲ1が存在し、各
領域間にはエッジが存在している。しかし、実際の画像
は雑音などの影響により各領域内であっても均一な濃度
になることはほとんどなく、エッジも非常に曖昧なもの
となるが、このような入力画像の中から鮮明なエッジの
みを抽出する。
である。図中、領域３４５，３４６，３４７，３４８，
３６５，Ｅ1，Ｅ2，Ｅ3，Ｅ4，Ｅ5及びＲ1が存在し、各
領域間にはエッジが存在している。しかし、実際の画像
は雑音などの影響により各領域内であっても均一な濃度
になることはほとんどなく、エッジも非常に曖昧なもの
となるが、このような入力画像の中から鮮明なエッジの
みを抽出する。
【００１８】図４は学習データの一例を示す図である。
図４に示すＡＢＣは学習データとなる例えば５×５画素
の正方領域である。図５は学習データの生成例を示す図
であり、図５（ａ）は図４に示す正方領域Ａの拡大図、
図５（ｂ）は図５（ａ）に示す正方領域Ａの鏡像パター
ン図、図５（ｃ）は図５（ａ）に示す正方領域Ａの回転
パターン図、図５（ｄ）は図５（ａ）に示す正方領域Ａ
の鏡像回転パターン図である。
図４に示すＡＢＣは学習データとなる例えば５×５画素
の正方領域である。図５は学習データの生成例を示す図
であり、図５（ａ）は図４に示す正方領域Ａの拡大図、
図５（ｂ）は図５（ａ）に示す正方領域Ａの鏡像パター
ン図、図５（ｃ）は図５（ａ）に示す正方領域Ａの回転
パターン図、図５（ｄ）は図５（ａ）に示す正方領域Ａ
の鏡像回転パターン図である。
【００１９】次にこのように構成されたエッジ抽出シス
テムの各処理を詳細に説明する。 （１）まず、画像入力装置１は、図３に示すような模式
的な地図をＴＶカメラなどで撮像することにより、入力
画像を得て、この入力画像を学習データ生成部２０に出
力する。 （２）次に学習データ生成部２０では、画像入力装置１
から出力される入力画像の中から、図４に示すように学
習データとして任意のＮ×Ｎ画素（例えば５×５画素）
の正方領域Ａなどの画素データを切り出す。学習データ
Ａ，Ｂ，Ｃの初期データは、例えば端末装置の画面上に
表示された図面画像の中から、対話的にマウス等のポイ
ンティングデバイスを用いて正方領域を切り出すことに
より、生成される。
テムの各処理を詳細に説明する。 （１）まず、画像入力装置１は、図３に示すような模式
的な地図をＴＶカメラなどで撮像することにより、入力
画像を得て、この入力画像を学習データ生成部２０に出
力する。 （２）次に学習データ生成部２０では、画像入力装置１
から出力される入力画像の中から、図４に示すように学
習データとして任意のＮ×Ｎ画素（例えば５×５画素）
の正方領域Ａなどの画素データを切り出す。学習データ
Ａ，Ｂ，Ｃの初期データは、例えば端末装置の画面上に
表示された図面画像の中から、対話的にマウス等のポイ
ンティングデバイスを用いて正方領域を切り出すことに
より、生成される。
【００２０】さらに、学習データ生成部２０では、図５
（ａ）に示すように切り出された正方領域Ａの画素デー
タを変形して図５（ｂ）〜図５（ｄ）に示すような複数
の学習データを自動生成することにより、学習データ生
成の工数を削減する。
（ａ）に示すように切り出された正方領域Ａの画素デー
タを変形して図５（ｂ）〜図５（ｄ）に示すような複数
の学習データを自動生成することにより、学習データ生
成の工数を削減する。
【００２１】図５（ｂ）に示す５×５の画素ＰY（ピク
セルともいう。）は、図５（ａ）に示す５×５の画素Ｐ
の縦軸Ｙに対する線対称図形であり、図５（ｂ）に示す
５×５の画素ＰXは、図５（ａ）に示す５×５の画素Ｐ
の横軸Ｘに対する線対称図形である。
セルともいう。）は、図５（ａ）に示す５×５の画素Ｐ
の縦軸Ｙに対する線対称図形であり、図５（ｂ）に示す
５×５の画素ＰXは、図５（ａ）に示す５×５の画素Ｐ
の横軸Ｘに対する線対称図形である。
【００２２】図５（ｃ）に示す５×５の画素Ｐ90は、図
５（ａ）に示す５×５の画素Ｐを時計方向に９０度回転
させて得られ、図５（ｃ）に示す５×５の画素Ｐ
180は、図５（ａ）に示す５×５の画素Ｐを時計方向に
１８０度回転させて得られ、図５（ｃ）に示す５×５の
画素Ｐ270は、図５（ａ）に示す５×５の画素Ｐを時計
方向に２７０度回転させて得られる。
５（ａ）に示す５×５の画素Ｐを時計方向に９０度回転
させて得られ、図５（ｃ）に示す５×５の画素Ｐ
180は、図５（ａ）に示す５×５の画素Ｐを時計方向に
１８０度回転させて得られ、図５（ｃ）に示す５×５の
画素Ｐ270は、図５（ａ）に示す５×５の画素Ｐを時計
方向に２７０度回転させて得られる。
【００２３】図５（ｄ）に示す５×５の画素Ｐ90Yは、
図５（ａ）に示す５×５の画素Ｐを時計方向に９０度回
転させさらに縦軸Ｙに対して線対称変形させて得られ、
図５（ｃ）に示す５×５の画素Ｐ270Yは、図５（ａ）に
示す５×５の画素Ｐを時計方向に２７０度回転させさら
に縦軸Ｙに対して線対称変形させて得られる。 （３）次にエッジ抽出学習部２１では、学習データ生成
部２０で生成された複数の学習データに基づきニューラ
ルネットワークによりエッジ抽出処理を学習する。エッ
ジ抽出処理の学習を行なうにはＢＰ（バックプロパゲー
ション，誤差逆伝播）法を用いる。判断が入力層から出
力層への信号伝播だとしたら、ＢＰによる学習は、出力
層での誤差を入力層へ向かって伝播させることで達成さ
れる。ＢＰで用いるネットワークは、一般的には多層の
ネットワークであるが、ここでは通常用いられる３層の
ネットワークの場合について説明する。
図５（ａ）に示す５×５の画素Ｐを時計方向に９０度回
転させさらに縦軸Ｙに対して線対称変形させて得られ、
図５（ｃ）に示す５×５の画素Ｐ270Yは、図５（ａ）に
示す５×５の画素Ｐを時計方向に２７０度回転させさら
に縦軸Ｙに対して線対称変形させて得られる。 （３）次にエッジ抽出学習部２１では、学習データ生成
部２０で生成された複数の学習データに基づきニューラ
ルネットワークによりエッジ抽出処理を学習する。エッ
ジ抽出処理の学習を行なうにはＢＰ（バックプロパゲー
ション，誤差逆伝播）法を用いる。判断が入力層から出
力層への信号伝播だとしたら、ＢＰによる学習は、出力
層での誤差を入力層へ向かって伝播させることで達成さ
れる。ＢＰで用いるネットワークは、一般的には多層の
ネットワークであるが、ここでは通常用いられる３層の
ネットワークの場合について説明する。
【００２４】図６は３層のニューラルネットワークの構
成を示す図である。図６において、３つの層は、入力層
２１１，隠れ層２１２，出力層２１３からなり、各層２
１１，２１２，２１３は多くのユニット２１１ー１〜２
１３ー３で構成されている。
成を示す図である。図６において、３つの層は、入力層
２１１，隠れ層２１２，出力層２１３からなり、各層２
１１，２１２，２１３は多くのユニット２１１ー１〜２
１３ー３で構成されている。
【００２５】隠れ層２１２の各ユニット２１２ー１〜２
１２ー３は、入力層２１１のすべてのユニット２１１ー
１〜２１１ー３と結合している。出力層２１３の各ユニ
ット２１３ー１〜２１３ー３は、隠れ層２１３のすべて
のユニットと結合している。なお、各層内でのユニット
間での結合はない。
１２ー３は、入力層２１１のすべてのユニット２１１ー
１〜２１１ー３と結合している。出力層２１３の各ユニ
ット２１３ー１〜２１３ー３は、隠れ層２１３のすべて
のユニットと結合している。なお、各層内でのユニット
間での結合はない。
【００２６】入力層２１１の各ユニット２１１ー１〜２
１１ー３には、ネットワークへの入力データとして、学
習データ生成部２０で生成された複数の学習データが与
えられる。隠れ層２１２の各ユニットの出力値ｈは、 ｎｅｔj＝ ｗjkｄk＋θj・・・・（１） ｈj＝１／｛１＋ｅｘｐ（−ｎｅｔi）｝・・（２） ここで、ｄkはｋ番目の入力ユニットの出力値であり、
ｈjはｊ番目の隠れユニットの出力値であり、ｗjkはｋ
番目の入力ユニットとｊ番目の隠れユニット間の結合の
重みであり、θjはｊ番目の隠れユニットのいき値であ
る。
１１ー３には、ネットワークへの入力データとして、学
習データ生成部２０で生成された複数の学習データが与
えられる。隠れ層２１２の各ユニットの出力値ｈは、 ｎｅｔj＝ ｗjkｄk＋θj・・・・（１） ｈj＝１／｛１＋ｅｘｐ（−ｎｅｔi）｝・・（２） ここで、ｄkはｋ番目の入力ユニットの出力値であり、
ｈjはｊ番目の隠れユニットの出力値であり、ｗjkはｋ
番目の入力ユニットとｊ番目の隠れユニット間の結合の
重みであり、θjはｊ番目の隠れユニットのいき値であ
る。
【００２７】また、出力層の各ユニットの出力層ｏは、 ｎｅｔi＝ ｗijｈj＋θi・・・・（３） ｏi＝１／｛１＋ｅｘｐ（−ｎｅｔi）｝・・・・・・（４） ここで、ｈiはｊ番目の隠れユニットの出力値であ
り、ｏiはｉ番目の出力ユニットの出力値であり、ｗij
はｊ番目の隠れユニットとｉ番目の出力ユニット間の結
合の重みであり、θiはｉ番目の出力ユニットのいき値
である。
り、ｏiはｉ番目の出力ユニットの出力値であり、ｗij
はｊ番目の隠れユニットとｉ番目の出力ユニット間の結
合の重みであり、θiはｉ番目の出力ユニットのいき値
である。
【００２８】隠れ層２１２と出力層２１３の各ユニット
のいき値は、出力層２１３，隠れ層２１２のすべてと結
合しているバイアスユニットを設け（出力が常に１のユ
ニット）、各々の結合の重みを変化させることで、各ユ
ニットのいき値の代わりにすることができる。
のいき値は、出力層２１３，隠れ層２１２のすべてと結
合しているバイアスユニットを設け（出力が常に１のユ
ニット）、各々の結合の重みを変化させることで、各ユ
ニットのいき値の代わりにすることができる。
【００２９】次にニューラルネットワークでの学習は、
ネットワークの重みを変えることである。ある入力デー
タｐを与えた時の実際の出力値（ｏpi）と、教師データ
としての望ましい出力値（ｔpi）の平均２乗誤差をと
る。
ネットワークの重みを変えることである。ある入力デー
タｐを与えた時の実際の出力値（ｏpi）と、教師データ
としての望ましい出力値（ｔpi）の平均２乗誤差をと
る。
【００３０】 Ｅｐ＝（ｔｐｉ−ｏｐｉ）2／２・・・（５） この誤差を学習データとして入力層２１１のほうへ伝播
させながら、誤差を減らすようにネットワーク中のすべ
ての結合の重みを変える。そして学習は、すべての学習
データについて誤差の２乗平均がある設定値以下となる
まで繰り返し行われ、学習が収束する。
させながら、誤差を減らすようにネットワーク中のすべ
ての結合の重みを変える。そして学習は、すべての学習
データについて誤差の２乗平均がある設定値以下となる
まで繰り返し行われ、学習が収束する。
【００３１】学習の入力データとしては、学習データ生
成部２０により作成されたＮ×Ｎの領域の画素データを
０〜１に正規化したデータを入力層２１１に与え、教師
データにはその領域の中心画素がエッジである場合に
は、１を与え、エッジでない場合には０を与える。
成部２０により作成されたＮ×Ｎの領域の画素データを
０〜１に正規化したデータを入力層２１１に与え、教師
データにはその領域の中心画素がエッジである場合に
は、１を与え、エッジでない場合には０を与える。
【００３２】例えば図４において領域ＡとＢに対しては
その中心画素がエッジ部分であるので、教師データとし
て１を与え、領域ＣとＤはエッジではないので、教師デ
ータとして０を与える。 （４）次に学習が終了すると、実際にネットワークを動
かして画像のエッジ抽出処理の判断が行われる。すなわ
ち、エッジ抽出部２２では、エッジ抽出学習部２１で学
習の収束したネットワークを用いて画像のエッジ抽出処
理が行われる。具体的にはＮ×Ｎ（学習時と一致させ
る）のマスクで画像入力装置１からの入力画像を走査
し、その領域内部の画素をネットワークに入力したとき
のネットワークの出力が１に近ければ、その領域の中心
画素はエッジであると判断し、０に近ければエッジでな
いと判断する。例えば図４において領域ｆをネットワー
クに入力すると、１に近い値が出力され、その領域の中
心画素がエッジであると判断される。また、同様に領域
ｇの中心画素はエッジでないと判断される。
その中心画素がエッジ部分であるので、教師データとし
て１を与え、領域ＣとＤはエッジではないので、教師デ
ータとして０を与える。 （４）次に学習が終了すると、実際にネットワークを動
かして画像のエッジ抽出処理の判断が行われる。すなわ
ち、エッジ抽出部２２では、エッジ抽出学習部２１で学
習の収束したネットワークを用いて画像のエッジ抽出処
理が行われる。具体的にはＮ×Ｎ（学習時と一致させ
る）のマスクで画像入力装置１からの入力画像を走査
し、その領域内部の画素をネットワークに入力したとき
のネットワークの出力が１に近ければ、その領域の中心
画素はエッジであると判断し、０に近ければエッジでな
いと判断する。例えば図４において領域ｆをネットワー
クに入力すると、１に近い値が出力され、その領域の中
心画素がエッジであると判断される。また、同様に領域
ｇの中心画素はエッジでないと判断される。
【００３３】このようにして、エッジ抽出部２２により
入力画像の中から、エッジのみが抽出されたエッジ抽出
画像が得られ、このエッジ抽出画像はエッジ抽出画像出
力装置３に出力される。
入力画像の中から、エッジのみが抽出されたエッジ抽出
画像が得られ、このエッジ抽出画像はエッジ抽出画像出
力装置３に出力される。
【００３４】このように本実施例によれば、学習データ
生成部２０により入力画像の中から切り出した学習デー
タを基にして、多数の学習データを生成し、これらの学
習データと、該領域にエッジが含まれるか否かの教師デ
ータとの組が、エッジ抽出学習部２１に学習データとし
て与えられると、該エッジ抽出学習部２１で画像のエッ
ジ抽出処理が学習される。さらにこの学習結果に基づき
入力画像は、エッジ抽出部２２で画像のエッジ抽出処理
が行われ、エッジの抽出されたエッジ抽出画像が出力さ
れるので、雑音の影響を受けた領域及びエッジであって
も、しかも画像の性質に依存することなく、入力画像か
ら容易に鮮明なエッジを抽出することができる。
生成部２０により入力画像の中から切り出した学習デー
タを基にして、多数の学習データを生成し、これらの学
習データと、該領域にエッジが含まれるか否かの教師デ
ータとの組が、エッジ抽出学習部２１に学習データとし
て与えられると、該エッジ抽出学習部２１で画像のエッ
ジ抽出処理が学習される。さらにこの学習結果に基づき
入力画像は、エッジ抽出部２２で画像のエッジ抽出処理
が行われ、エッジの抽出されたエッジ抽出画像が出力さ
れるので、雑音の影響を受けた領域及びエッジであって
も、しかも画像の性質に依存することなく、入力画像か
ら容易に鮮明なエッジを抽出することができる。
【００３５】
【発明の効果】本発明によれば、入力画像の中から切り
出した領域のデータと該領域にエッジが含まれるか否か
の教師データとを学習データとして与えることにより、
エッジ抽出学習部で画像のエッジ抽出処理を学習し、学
習結果に基づき入力画像からエッジ抽出処理を行なうの
で、画像の性質に依存することなく、入力画像から容易
に鮮明なエッジ抽出を行うことができるエッジ抽出シス
テムを提供できる。
出した領域のデータと該領域にエッジが含まれるか否か
の教師データとを学習データとして与えることにより、
エッジ抽出学習部で画像のエッジ抽出処理を学習し、学
習結果に基づき入力画像からエッジ抽出処理を行なうの
で、画像の性質に依存することなく、入力画像から容易
に鮮明なエッジ抽出を行うことができるエッジ抽出シス
テムを提供できる。
【図１】本発明の原理ブロック図である。
【図２】本発明の一実施例の構成を示すブロック図であ
る。
る。
【図３】入力画像の模式図である。
【図４】学習データの例を示す図である。
【図５】学習データの生成例を示す図である。
【図６】ニューラルネットワークの構成を示す図であ
る。
る。
１・・画像入力装置 ２・・エッジ抽出装置 ３・・エッジ抽出画像出力装置 ２０・・学習データ生成部 ２１・・エッジ抽出学習部 ２２・・エッジ抽出部 ２１１・・入力層 ２１２・・隠れ層 ２１３・・出力層
Claims (3)
- 【請求項１】 画像を入力する画像入力手段（１）と、 この画像入力手段（１）から出力される入力画像から画
像のエッジを抽出するエッジ抽出手段（２）と、 このエッジ抽出手段（２）で抽出されたエッジ抽出画像
を取り込むエッジ抽出画像出力手段（３）とを備え、 前記エッジ抽出手段（２）は、前記画像入力手段（１）
から出力される入力画像の中から切り出した領域のデー
タを入力データとし該領域の特定画素がエッジか否かを
示すデータを教師データとして画像のエッジ抽出処理を
学習するエッジ抽出学習部（２１）と、 このエッジ抽出学習部（２１）で学習した学習結果に基
づき前記画像入力手段（１）から出力される入力画像か
ら画像のエッジを抽出するエッジ抽出部（２２）とを有
することを特徴とするエッジ抽出システム。 - 【請求項２】 前記入力データは、端末装置の画面上に
表示された図面画像の中から、ポインティングデバイス
を用いて対話的に領域を切り出すことにより生成される
ことを特徴とする請求項１記載のエッジ抽出システム。 - 【請求項３】 前記エッジ抽出手段（２）は、前記入力
画像の中から切り出した領域のデータを変形させて複数
のデータを生成し該複数のデータを前記入力データとし
て前記エッジ抽出学習部（２１）に与える学習データ生
成部（２０）を有することを特徴とする請求項１記載の
エッジ抽出システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3201986A JPH0546764A (ja) | 1991-08-12 | 1991-08-12 | エツジ抽出システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3201986A JPH0546764A (ja) | 1991-08-12 | 1991-08-12 | エツジ抽出システム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0546764A true JPH0546764A (ja) | 1993-02-26 |
Family
ID=16450048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3201986A Withdrawn JPH0546764A (ja) | 1991-08-12 | 1991-08-12 | エツジ抽出システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0546764A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011086183A (ja) * | 2009-10-16 | 2011-04-28 | Canon Inc | 画像処理装置、画像処理方法及びプログラム |
| WO2019188009A1 (ja) * | 2018-03-27 | 2019-10-03 | 株式会社Ｎｇｒ | パターンエッジ検出方法 |
-
1991
- 1991-08-12 JP JP3201986A patent/JPH0546764A/ja not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011086183A (ja) * | 2009-10-16 | 2011-04-28 | Canon Inc | 画像処理装置、画像処理方法及びプログラム |
| US8873839B2 (en) | 2009-10-16 | 2014-10-28 | Canon Kabushiki Kaisha | Apparatus of learning recognition dictionary, and method of learning recognition dictionary |
| WO2019188009A1 (ja) * | 2018-03-27 | 2019-10-03 | 株式会社Ｎｇｒ | パターンエッジ検出方法 |
| JP2019174940A (ja) * | 2018-03-27 | 2019-10-10 | 株式会社 Ｎｇｒ | パターンエッジ検出方法 |
| CN111902844A (zh) * | 2018-03-27 | 2020-11-06 | 塔斯米特株式会社 | 图案边缘检测方法 |
| US11436736B2 (en) | 2018-03-27 | 2022-09-06 | Tasmit, Inc. | Pattern edge detection method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11403860B1 (en) | Multi-sensor object detection fusion system and method using point cloud projection | |
| CN102507592B (zh) | 表面缺陷仿蝇视觉在线检测装置及检测方法 | |
| Kim et al. | High-speed drone detection based on yolo-v8 | |
| CN110263706B (zh) | 一种雾霾天气车载视频动态目标检测和识别的方法 | |
| CN108510458B (zh) | 基于深度学习方法和非参数化采样的侧扫声呐图像合成方法 | |
| CN112529015A (zh) | 一种基于几何解缠的三维点云处理方法、装置及设备 | |
| CN109060838B (zh) | 一种基于机器视觉的产品表面划痕检测方法 | |
| CN111611918B (zh) | 基于航拍数据和深度学习的交通流数据集采集及构建方法 | |
| CN105931246A (zh) | 一种基于小波变换和遗传算法的织物瑕疵检测方法 | |
| CN116468725B (zh) | 基于预训练模型的工业缺陷检测方法、装置及存储介质 | |
| CN109376641A (zh) | 一种基于无人机航拍视频的运动车辆检测方法 | |
| CN111582074A (zh) | 一种基于场景深度信息感知的监控视频树叶遮挡检测方法 | |
| CN113298024A (zh) | 一种基于轻量化神经网络的无人机对地小目标识别方法 | |
| CN113065431A (zh) | 一种基于隐马尔可夫模型和循环神经网络的人体违规行为预测方法 | |
| CN111738071A (zh) | 一种基于单目摄像机的运动变化的逆透视变换方法 | |
| CN114066795A (zh) | Df-sas高低频声呐图像精细配准融合方法 | |
| CN109034070B (zh) | 一种置换混叠图像盲分离方法及装置 | |
| CN113392728B (zh) | 一种基于ssa锐化注意机制的目标检测方法 | |
| JPH0546764A (ja) | エツジ抽出システム | |
| CN116682178A (zh) | 密集场景下的多人姿态检测方法 | |
| CN116682105A (zh) | 一种毫米波雷达和视觉特征注意力融合的目标检测方法 | |
| CN115456870A (zh) | 基于外参估计的多图像拼接方法 | |
| CN114972276A (zh) | 一种车辆自动驾驶距离判断算法 | |
| Leipnitz et al. | The effect of image resolution in the human presence detection: A case study on real-world image data | |
| CN111753853A (zh) | 一种mpcnn-fast声呐图像特征点检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 19981112 |