JPH06150000A - 画像クラスタリング装置 - Google Patents
画像クラスタリング装置Info
- Publication number
- JPH06150000A JPH06150000A JP4294837A JP29483792A JPH06150000A JP H06150000 A JPH06150000 A JP H06150000A JP 4294837 A JP4294837 A JP 4294837A JP 29483792 A JP29483792 A JP 29483792A JP H06150000 A JPH06150000 A JP H06150000A
- Authority
- JP
- Japan
- Prior art keywords
- vector
- class
- sample
- distance
- class 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】 （修正有）
【目的】 画素の標本ベクトルが撮像されている物体の
統計的性質を表すよう、クラス平均とクラス内共分散を
求め、かつ高速安定に画像のクラスタリングを行なう。 【構成】 画像を記憶するフレームメモリ１０２と、ラ
ンダムに画素の値を読み出して、画素の特徴値と対応す
る水平垂直位置の結合を含む標本ベクトルとする読み出
し手段１０３と、平均ベクトルと共分散行列の組をクラ
スデータとして複数保持するメモリと、標本ベクトル
と、複数のクラスデータに対する尤度を標本ベクトルと
平均ベクトルとの残差を共分散行列で正規化した距離と
共分散行列の大きさの加算とした標本クラス間距離とし
て演算する尤度演算手段１１５と、クラスデータの組合
せの中で標本クラス間距離が最小となる組を選択する最
尤クラス選択手段と、そのクラスデータについて、構成
する平均ベクトルと共分散行列を、標本クラス間距離が
小さくなる方向に、差ベクトルにより逐次変更するクラ
スデータ変更手段を有する。
統計的性質を表すよう、クラス平均とクラス内共分散を
求め、かつ高速安定に画像のクラスタリングを行なう。 【構成】 画像を記憶するフレームメモリ１０２と、ラ
ンダムに画素の値を読み出して、画素の特徴値と対応す
る水平垂直位置の結合を含む標本ベクトルとする読み出
し手段１０３と、平均ベクトルと共分散行列の組をクラ
スデータとして複数保持するメモリと、標本ベクトル
と、複数のクラスデータに対する尤度を標本ベクトルと
平均ベクトルとの残差を共分散行列で正規化した距離と
共分散行列の大きさの加算とした標本クラス間距離とし
て演算する尤度演算手段１１５と、クラスデータの組合
せの中で標本クラス間距離が最小となる組を選択する最
尤クラス選択手段と、そのクラスデータについて、構成
する平均ベクトルと共分散行列を、標本クラス間距離が
小さくなる方向に、差ベクトルにより逐次変更するクラ
スデータ変更手段を有する。
Description
【０００１】
【産業上の利用分野】本発明は画像の高能率符号化、ノ
イズ低減、合成編集等に必要となる領域分割、画像によ
る物体追跡を扱う画像クラスタリング装置に関するもの
である。
イズ低減、合成編集等に必要となる領域分割、画像によ
る物体追跡を扱う画像クラスタリング装置に関するもの
である。
【０００２】
【従来の技術】画像から類似の画素データの集合を求め
て領域分割とする画像クラスタリングの手に関して、第
１の従来例として、泉伸明、森川博之、原島博：”色情
報と位置情報を併用したセグメンテーション手の一検
討”、電子情報通信学会全国大会、１９９１年春季全国
大会講演集、分冊７，３９２頁、講演番号Ｄ−６８０を
挙げる。これは、画素データをベクトル量子化器で参照
ベクトルを作成する時によく用いられるＫ−平均によ
り、クラスタリングして画像を分割するものである。
て領域分割とする画像クラスタリングの手に関して、第
１の従来例として、泉伸明、森川博之、原島博：”色情
報と位置情報を併用したセグメンテーション手の一検
討”、電子情報通信学会全国大会、１９９１年春季全国
大会講演集、分冊７，３９２頁、講演番号Ｄ−６８０を
挙げる。これは、画素データをベクトル量子化器で参照
ベクトルを作成する時によく用いられるＫ−平均によ
り、クラスタリングして画像を分割するものである。
【０００３】ｋ−平均法の処理ステップは、以下の３ス
テップの繰り返しにより行なわれる。
テップの繰り返しにより行なわれる。
【０００４】ステップ１）ｎ個のクラス平均を適当に決
める。 ステップ２）標本集合の各要素について、最も距離が近
いクラス平均を持つクラスに割り当てる。
める。 ステップ２）標本集合の各要素について、最も距離が近
いクラス平均を持つクラスに割り当てる。
【０００５】ステップ３）各クラスについて、割り当て
られた標本集合の平均を計算し、新たなクラス平均とす
る。この例では、特徴ベクトルに、ＲＧＢカラーの３次
元ベクトルに加えて画素の画像上の水平位置と垂直位置
を加えて５次元として、（数１）に示した距離計算を行
なう。
られた標本集合の平均を計算し、新たなクラス平均とす
る。この例では、特徴ベクトルに、ＲＧＢカラーの３次
元ベクトルに加えて画素の画像上の水平位置と垂直位置
を加えて５次元として、（数１）に示した距離計算を行
なう。
【０００６】
【数１】
【０００７】ここで、ｒ、ｇ、ｂ、ｘ、ｙは標本の、ｒ
￣、ｇ￣、ｂ￣、ｘ￣、ｙ￣はクラス平均のＲＧＢカラ
ーと水平垂直位置の各要素である。従来のクラスタリン
グによる画像の分割では，画面上での空間的連続性を考
慮せずに行なわれていたために、得られた分割は、胡麻
塩状の抜けが生じていた（例えば、Ｈａｒａｌｉｃｋ
Ｒ．ａｎｄ Ｓｈａｐｉｒｏ Ｌ．：”ＳＵＲＶＥＹ：
Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｔｅｃｈｎｉ
ｑｕｅｓ”，Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，Ｇｒａ
ｐｈｉｃｓ，ａｎｄ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎ
ｇ，Ｖｏｌ．２９，ｐｐ．１００−１３２，１９８
５）。これに対して、第１の従来例では、水平垂直位置
を加えたクラスタリングであるために画像上の近傍の画
素が同一クラスタに集められ、比較的連続な領域が得ら
れる。
￣、ｇ￣、ｂ￣、ｘ￣、ｙ￣はクラス平均のＲＧＢカラ
ーと水平垂直位置の各要素である。従来のクラスタリン
グによる画像の分割では，画面上での空間的連続性を考
慮せずに行なわれていたために、得られた分割は、胡麻
塩状の抜けが生じていた（例えば、Ｈａｒａｌｉｃｋ
Ｒ．ａｎｄ Ｓｈａｐｉｒｏ Ｌ．：”ＳＵＲＶＥＹ：
Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｔｅｃｈｎｉ
ｑｕｅｓ”，Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，Ｇｒａ
ｐｈｉｃｓ，ａｎｄ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎ
ｇ，Ｖｏｌ．２９，ｐｐ．１００−１３２，１９８
５）。これに対して、第１の従来例では、水平垂直位置
を加えたクラスタリングであるために画像上の近傍の画
素が同一クラスタに集められ、比較的連続な領域が得ら
れる。
【０００８】第１の従来例の類似例として、Ｃｒｉｓｍ
ａｎ Ｊ．ａｎｄ ＴｈｏｒｐｅＣ．：”ＵＮＳＣＡＲ
Ｆ，Ａ Ｃｏｌｏｒ Ｖｉｓｉｏｎ Ｓｙｓｔｅｍ ｆ
ｏｒ ｔｈｅ Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｕｎｓｔｒ
ｕｃｔｕｒｅｄ Ｒｏａｄｓ”，Ｐｒｏｃ．１９９１
ＩＥＥＥ Ｉｎｔ．Ｃｏｎｆ．ｏｎ Ｒｏｂｏｔｉｃｓ
ａｎｄ Ａｕｔｏｍａｔｉｏｎ，ｐｐ．２４９６−２
５０１．（１９９１）がある。これは距離の関数に、
（数２）を用いている。
ａｎ Ｊ．ａｎｄ ＴｈｏｒｐｅＣ．：”ＵＮＳＣＡＲ
Ｆ，Ａ Ｃｏｌｏｒ Ｖｉｓｉｏｎ Ｓｙｓｔｅｍ ｆ
ｏｒ ｔｈｅ Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｕｎｓｔｒ
ｕｃｔｕｒｅｄ Ｒｏａｄｓ”，Ｐｒｏｃ．１９９１
ＩＥＥＥ Ｉｎｔ．Ｃｏｎｆ．ｏｎ Ｒｏｂｏｔｉｃｓ
ａｎｄ Ａｕｔｏｍａｔｉｏｎ，ｐｐ．２４９６−２
５０１．（１９９１）がある。これは距離の関数に、
（数２）を用いている。
【０００９】
【数２】
【００１０】（数２）において、ｘは（ｒ，ｇ，ｂ，
ｘ，ｙ）tを列ベクトルとする特徴ベクトル、ｕiはｉ番
目のクラスデータの平均である。（）tは行列の転置を
表す。Ｃ’は行列式の値が１となるように修正された共
分散行列で、（数３）に示すように行列式の５乗根‖Ｃ
‖で修正されている。共分散行列の逆行列を修正せずに
（数２）に用いると、すべての標本が分散の大きな単一
のクラスに割り当てられる状態に落ちいることがある。
これを避けるために修正が行なわれている。
ｘ，ｙ）tを列ベクトルとする特徴ベクトル、ｕiはｉ番
目のクラスデータの平均である。（）tは行列の転置を
表す。Ｃ’は行列式の値が１となるように修正された共
分散行列で、（数３）に示すように行列式の５乗根‖Ｃ
‖で修正されている。共分散行列の逆行列を修正せずに
（数２）に用いると、すべての標本が分散の大きな単一
のクラスに割り当てられる状態に落ちいることがある。
これを避けるために修正が行なわれている。
【００１１】
【数３】
【００１２】共分散行列は、前記ｋ−平均法のステップ
３において、クラス平均を求めたのと同様に、割り当て
られた標本を直接用いて求める。これを、第２の従来例
を用いても第１の従来例と同様の効果を得ることができ
る。
３において、クラス平均を求めたのと同様に、割り当て
られた標本を直接用いて求める。これを、第２の従来例
を用いても第１の従来例と同様の効果を得ることができ
る。
【００１３】
【発明が解決しようとする課題】本発明が解決しようと
する課題を以下に述べる。
する課題を以下に述べる。
【００１４】１）第１の従来例では、（数１）で求め
た、距離の評価尺度は、定数ＫsとＫlによりクラスタリ
ングの結果が異なる。これは画像の輝度変化に依存して
自動的に決定されるべきである。また、他の画素の特徴
として、微分値、赤外波長の輝度値等を含めた標本ベク
トルを想定すると係数設定が困難になると予想される。
前記第２の従来例では、修正された共分散行列で正規化
することにより、標本ベクトルとクラス平均間の距離演
算に関する重みづけを自動化していることになる。しか
し、修正された共分散行列では、クラスまでの統計的な
正規化距離（マハラノビス距離）を表さず、物体の物理
的意味を反映しているとは言えない。単一光源に照らさ
れた絶縁物体は、その輝度の分布が多次元スペクトル
（例えばＲＧＢ空間）の平面上に分布するという性質が
知られている（例えば、Ｈｅａｌｅｙ， Ｇ．：”Ｓｅ
ｇｍｅｎｔｉｎｇ Ｉｍａｇｅｓ Ｕｓｉｎｇ Ｎｏｒ
ｍａｌｉｚｅｄ Ｃｏｌｏｒ”，ＩＥＥＥ Ｔｒａｎｓ
ａｃｔｉｏｎ ｏｎ Ｓｙｓｔｅｍｓ，Ｍａｎ，ａｎｄ
Ｃｙｂｅｒｎｅｔｉｃｓ， Ｖｏｌ．２２，Ｎｏ．
１，ｐｐ．６４−７５，Ｊａｎｕａｌｌｙ，１９９
２）． この平面からの距離の分散が、物体と撮影系に
固有であるとすると、前記修正されたクラス共分散はこ
れと一致しない。
た、距離の評価尺度は、定数ＫsとＫlによりクラスタリ
ングの結果が異なる。これは画像の輝度変化に依存して
自動的に決定されるべきである。また、他の画素の特徴
として、微分値、赤外波長の輝度値等を含めた標本ベク
トルを想定すると係数設定が困難になると予想される。
前記第２の従来例では、修正された共分散行列で正規化
することにより、標本ベクトルとクラス平均間の距離演
算に関する重みづけを自動化していることになる。しか
し、修正された共分散行列では、クラスまでの統計的な
正規化距離（マハラノビス距離）を表さず、物体の物理
的意味を反映しているとは言えない。単一光源に照らさ
れた絶縁物体は、その輝度の分布が多次元スペクトル
（例えばＲＧＢ空間）の平面上に分布するという性質が
知られている（例えば、Ｈｅａｌｅｙ， Ｇ．：”Ｓｅ
ｇｍｅｎｔｉｎｇ Ｉｍａｇｅｓ Ｕｓｉｎｇ Ｎｏｒ
ｍａｌｉｚｅｄ Ｃｏｌｏｒ”，ＩＥＥＥ Ｔｒａｎｓ
ａｃｔｉｏｎ ｏｎ Ｓｙｓｔｅｍｓ，Ｍａｎ，ａｎｄ
Ｃｙｂｅｒｎｅｔｉｃｓ， Ｖｏｌ．２２，Ｎｏ．
１，ｐｐ．６４−７５，Ｊａｎｕａｌｌｙ，１９９
２）． この平面からの距離の分散が、物体と撮影系に
固有であるとすると、前記修正されたクラス共分散はこ
れと一致しない。
【００１５】２）前記第１の従来例、第２の従来例と
も、クラスデータを求めるためにｋ−平均法あるいはこ
れに準じる手法（ＩＳＯＤＡＴＡ）を利用している。こ
れにより、標本を保持しておくメモリが必要であり、ま
たクラスデータは、ステップ１、３までの繰り返しが必
要なことから、暫時データが変化するような画像に適用
が困難である。３）第１の従来例および第２の従来例で
は、画像クラスタリングに関して、クラスタリングの結
果を規制する教師情報がない場合であった。 しかし、
画像クラスタリングでは、ある画像について予め物体の
境界が与えられ、その後、類似の画像について対応する
境界を求めるような応用がある。ｋ平均によるクラスタ
リングでは、その標本ベクトルの割当が誤りであるとさ
れた場合、この”負の”標本に対して、クラスデータを
動的に変更する方が知られていない。
も、クラスデータを求めるためにｋ−平均法あるいはこ
れに準じる手法（ＩＳＯＤＡＴＡ）を利用している。こ
れにより、標本を保持しておくメモリが必要であり、ま
たクラスデータは、ステップ１、３までの繰り返しが必
要なことから、暫時データが変化するような画像に適用
が困難である。３）第１の従来例および第２の従来例で
は、画像クラスタリングに関して、クラスタリングの結
果を規制する教師情報がない場合であった。 しかし、
画像クラスタリングでは、ある画像について予め物体の
境界が与えられ、その後、類似の画像について対応する
境界を求めるような応用がある。ｋ平均によるクラスタ
リングでは、その標本ベクトルの割当が誤りであるとさ
れた場合、この”負の”標本に対して、クラスデータを
動的に変更する方が知られていない。
【００１６】２）に関して、一般に特徴ベクトル集合か
ら、類似の特徴を持つベクトルのクラスデータを得る際
に、逐クラスデータを変更していく手に関してコホーネ
ンの自己組織化マップ（例えば、Ｋｏｈｏｎｅｎ，
Ｔ．：”Ｔｈｅ Ｓｅｌｆ−Ｏｒｇａｎｉｚｉｎｇ Ｍ
ａｐ”、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥ
ＥＥ，Ｖｏｌ．７８，Ｎｏ．９，１９９０）がある。コ
ーホネンがニューロンと呼ぶ、クラスデータを保持しか
つ距離計算を行なう処理要素を動作させ、各ニューロン
で行なった距離計算の中で最小のニューロンのクラスデ
ータをデルタ規則と呼ぶ規則により変更しようとするも
のである。これにより、各ニューロンはクラスデータを
保持することになる。明らかにこの自己組織化処理での
距離計算はｋ−平均法での処理と同様に並列化すること
が可能である。そして自己組織化処理では、逐クラスデ
ータが得られること、標本データを保持するためのメモ
リを用意しなくて良いことが利点である。しかし、Ｋｏ
ｈｏｎｅｎの自己組織化処理は、ユークリッド距離をク
ラスタリング尺度に、クラス平均のみを操作する処理で
ある。したがって、共分散をクラスデータとして獲得す
る目的には利用できない。３）に関して、同じくコーホ
ーネンの前記文献には、学習ベクトル量子化が報告され
ている。何らかの学習用標本ベクトルの集合が存在し
て、標本ベクトルの誤ったクラスデータへの割当がある
場合、クラス平均を”負の”標本ベクトルから遠ざける
ようにクラス平均を変更することにより、望まないクラ
スデータへの割当を減らすことができる。しかし、この
課題についても、Ｋｏｈｏｎｅｎの学習ベクトル量子化
は、ユークリッド距離をクラスタリング尺度に、クラス
平均のみを操作する処理である。したがって、共分散を
クラスデータとして獲得する目的には利用できない。
ら、類似の特徴を持つベクトルのクラスデータを得る際
に、逐クラスデータを変更していく手に関してコホーネ
ンの自己組織化マップ（例えば、Ｋｏｈｏｎｅｎ，
Ｔ．：”Ｔｈｅ Ｓｅｌｆ−Ｏｒｇａｎｉｚｉｎｇ Ｍ
ａｐ”、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥ
ＥＥ，Ｖｏｌ．７８，Ｎｏ．９，１９９０）がある。コ
ーホネンがニューロンと呼ぶ、クラスデータを保持しか
つ距離計算を行なう処理要素を動作させ、各ニューロン
で行なった距離計算の中で最小のニューロンのクラスデ
ータをデルタ規則と呼ぶ規則により変更しようとするも
のである。これにより、各ニューロンはクラスデータを
保持することになる。明らかにこの自己組織化処理での
距離計算はｋ−平均法での処理と同様に並列化すること
が可能である。そして自己組織化処理では、逐クラスデ
ータが得られること、標本データを保持するためのメモ
リを用意しなくて良いことが利点である。しかし、Ｋｏ
ｈｏｎｅｎの自己組織化処理は、ユークリッド距離をク
ラスタリング尺度に、クラス平均のみを操作する処理で
ある。したがって、共分散をクラスデータとして獲得す
る目的には利用できない。３）に関して、同じくコーホ
ーネンの前記文献には、学習ベクトル量子化が報告され
ている。何らかの学習用標本ベクトルの集合が存在し
て、標本ベクトルの誤ったクラスデータへの割当がある
場合、クラス平均を”負の”標本ベクトルから遠ざける
ようにクラス平均を変更することにより、望まないクラ
スデータへの割当を減らすことができる。しかし、この
課題についても、Ｋｏｈｏｎｅｎの学習ベクトル量子化
は、ユークリッド距離をクラスタリング尺度に、クラス
平均のみを操作する処理である。したがって、共分散を
クラスデータとして獲得する目的には利用できない。
【００１７】以上の課題を対して、本発明は画素の標本
ベクトルが撮像されている物体の統計的性質を表すよ
う、クラス平均とクラス内共分散を求め、高速かつ安定
に画像のクラスタリングを行なう画像クラスタリング装
置を提することを目的とする。さらに、画像の分割に関
して教師情報があれば、この教師情報の構造を反映した
クラス平均とクラス内共分散を求める画像クラスタリン
グ装置を提することを目的とする。
ベクトルが撮像されている物体の統計的性質を表すよ
う、クラス平均とクラス内共分散を求め、高速かつ安定
に画像のクラスタリングを行なう画像クラスタリング装
置を提することを目的とする。さらに、画像の分割に関
して教師情報があれば、この教師情報の構造を反映した
クラス平均とクラス内共分散を求める画像クラスタリン
グ装置を提することを目的とする。
【００１８】
【課題を解決するための手段】第１の発明は、画像の分
割に関して教師情報がない場合のクラスタリングに関す
るもので、（ａ）符号化された画素から構成される画像
を記憶するフレームメモリと、（ｂ）前記フレームメモ
リから画像上の水平位置、垂直位置についてランダムに
画素の値を読み出して、画素の特徴値とこれに対応する
水平垂直位置の結合を含む標本ベクトルとする読み出し
手段と、（ｃ）前記標本ベクトルの平均ベクトルと共分
散行列の組をクラスデータとして複数保持するメモリ
と、（ｄ）前記標本ベクトルと、予め保持された前記複
数のクラスデータに対する尤度を前記標本ベクトルと平
均ベクトルとの残差を共分散行列で正規化した距離と共
分散行列の大きさの加算とした標本クラス間距離として
演算する尤度演算手段と、（ｅ）前記クラスデータの組
合せの中で前記標本クラス間距離が最小となる組を選択
する最尤クラス選択手段と、（ｆ）前記標本クラス間距
離が最小となるクラスデータについて、前記クラスデー
タを構成する平均ベクトルと共分散行列を、前記標本ク
ラス間距離が小さくなる方向に、標本ベクトルと平均ベ
クトルとの差ベクトルにより逐次変更するクラスデータ
変更手段を有している。
割に関して教師情報がない場合のクラスタリングに関す
るもので、（ａ）符号化された画素から構成される画像
を記憶するフレームメモリと、（ｂ）前記フレームメモ
リから画像上の水平位置、垂直位置についてランダムに
画素の値を読み出して、画素の特徴値とこれに対応する
水平垂直位置の結合を含む標本ベクトルとする読み出し
手段と、（ｃ）前記標本ベクトルの平均ベクトルと共分
散行列の組をクラスデータとして複数保持するメモリ
と、（ｄ）前記標本ベクトルと、予め保持された前記複
数のクラスデータに対する尤度を前記標本ベクトルと平
均ベクトルとの残差を共分散行列で正規化した距離と共
分散行列の大きさの加算とした標本クラス間距離として
演算する尤度演算手段と、（ｅ）前記クラスデータの組
合せの中で前記標本クラス間距離が最小となる組を選択
する最尤クラス選択手段と、（ｆ）前記標本クラス間距
離が最小となるクラスデータについて、前記クラスデー
タを構成する平均ベクトルと共分散行列を、前記標本ク
ラス間距離が小さくなる方向に、標本ベクトルと平均ベ
クトルとの差ベクトルにより逐次変更するクラスデータ
変更手段を有している。
【００１９】また第２の発明は、画像の分割に関して教
師情報がある場合のクラスタリングに関し、（ｇ）符号
化された画素から構成される画像を記憶するフレームメ
モリと、（ｈ）前記フレームメモリから画像上の水平位
置、垂直位置についてランダムに画素の値を読み出し
て、画素の特徴値とこれに対応する水平垂直位置の結合
を含む標本ベクトルとする読み出し手段と、（ｉ）前記
標本ベクトルの平均ベクトルと共分散行列の組をクラス
データとして複数保持するメモリと、（ｊ）前記標本ベ
クトルと、予め保持された前記複数のクラスデータに対
する尤度を前記標本ベクトルと平均ベクトルとの残差を
共分散行列で正規化した距離と共分散行列の大きさの加
算とした標本クラス間距離として演算する尤度演算手段
と、（ｋ）前記クラスデータの組合せの中で前記標本ク
ラス間距離が最小となる組を選択する最尤クラス選択手
段と、（ｌ）前記クラスデータの組合せの中で前記正規
化距離が最小となるクラスデータの正誤を判定し、その
結果を出力する教師手段と、（ｍ）前記標本クラス間距
離が最小となるクラスデータについて、前記教師手段に
よって正であると判定された場合は、前記クラスデータ
を構成する平均ベクトルと共分散行列を、前記標本クラ
ス間距離が小さくなる方向に、標本ベクトルの入力後、
逐次変更し、また逆に前記教師手段によって誤であると
判定された場合は、前記クラスデータを構成する平均ベ
クトルと共分散行列を、前記標本クラス間距離が大きく
なる方向に、標本ベクトルと平均ベクトルとの差ベクト
ルにより逐次変更するクラスデータ変更手段を有してい
る。
師情報がある場合のクラスタリングに関し、（ｇ）符号
化された画素から構成される画像を記憶するフレームメ
モリと、（ｈ）前記フレームメモリから画像上の水平位
置、垂直位置についてランダムに画素の値を読み出し
て、画素の特徴値とこれに対応する水平垂直位置の結合
を含む標本ベクトルとする読み出し手段と、（ｉ）前記
標本ベクトルの平均ベクトルと共分散行列の組をクラス
データとして複数保持するメモリと、（ｊ）前記標本ベ
クトルと、予め保持された前記複数のクラスデータに対
する尤度を前記標本ベクトルと平均ベクトルとの残差を
共分散行列で正規化した距離と共分散行列の大きさの加
算とした標本クラス間距離として演算する尤度演算手段
と、（ｋ）前記クラスデータの組合せの中で前記標本ク
ラス間距離が最小となる組を選択する最尤クラス選択手
段と、（ｌ）前記クラスデータの組合せの中で前記正規
化距離が最小となるクラスデータの正誤を判定し、その
結果を出力する教師手段と、（ｍ）前記標本クラス間距
離が最小となるクラスデータについて、前記教師手段に
よって正であると判定された場合は、前記クラスデータ
を構成する平均ベクトルと共分散行列を、前記標本クラ
ス間距離が小さくなる方向に、標本ベクトルの入力後、
逐次変更し、また逆に前記教師手段によって誤であると
判定された場合は、前記クラスデータを構成する平均ベ
クトルと共分散行列を、前記標本クラス間距離が大きく
なる方向に、標本ベクトルと平均ベクトルとの差ベクト
ルにより逐次変更するクラスデータ変更手段を有してい
る。
【００２０】
【作用】第１の発明によれば、読み出し手段では、フレ
ームメモリから画像上の水平位置、垂直位置についてラ
ンダムに画素の値を読み出す、画像上のランダムな位置
について標本ベクトルを良み出すことにより、偏ったク
ラスデータに収束することが避けられる。そして、前記
読みだし手段は、画素の特徴値とこれに対応する水平垂
直位置の結合を含む標本ベクトルとする。水平垂直位置
を結合した標本ベクトルとすることにより、画像上近傍
の画素が同一のクラスに属する。次に、読み出された標
本ベクトルに対して、尤度演算手段は複数のクラスデー
タへの尤度を演算する。
ームメモリから画像上の水平位置、垂直位置についてラ
ンダムに画素の値を読み出す、画像上のランダムな位置
について標本ベクトルを良み出すことにより、偏ったク
ラスデータに収束することが避けられる。そして、前記
読みだし手段は、画素の特徴値とこれに対応する水平垂
直位置の結合を含む標本ベクトルとする。水平垂直位置
を結合した標本ベクトルとすることにより、画像上近傍
の画素が同一のクラスに属する。次に、読み出された標
本ベクトルに対して、尤度演算手段は複数のクラスデー
タへの尤度を演算する。
【００２１】共分散行列で正規化した距離に共分散行列
の大きさを加算した距離が小さければ尤度が高いと評価
する。共分散行列の大きさを正規化距離に加えることに
より、分散の大きなクラスに全ての標本ベクトルが帰属
する状態が避けられる。
の大きさを加算した距離が小さければ尤度が高いと評価
する。共分散行列の大きさを正規化距離に加えることに
より、分散の大きなクラスに全ての標本ベクトルが帰属
する状態が避けられる。
【００２２】次に、最尤クラス選択手段によって最も尤
度が高いクラスが選択され、そのクラスについて、平均
ベクトルと共分散の値を、前記標本ベクトルを用いてク
ラスデータ変更手段により前記標本クラス間距離が小さ
くなる方向に標本ベクトルと平均ベクトルとの差ベクト
ルにより逐次変更する。
度が高いクラスが選択され、そのクラスについて、平均
ベクトルと共分散の値を、前記標本ベクトルを用いてク
ラスデータ変更手段により前記標本クラス間距離が小さ
くなる方向に標本ベクトルと平均ベクトルとの差ベクト
ルにより逐次変更する。
【００２３】以上の作用を数式を用いて説明する。画像
の輝度ベクトルと２次元の位置情報ベクトルの結合を特
徴ベクトル（次元数をｄとする。ｄ≧３）として、これ
があるクラスに属する尤度を、（数４）で評価するもの
とする。
の輝度ベクトルと２次元の位置情報ベクトルの結合を特
徴ベクトル（次元数をｄとする。ｄ≧３）として、これ
があるクラスに属する尤度を、（数４）で評価するもの
とする。
【００２４】
【数４】
【００２５】ここで、Σiは共分散行列ｕiはクラス平均
である。（数４）は、標本ベクトルと平均ベクトルとの
残差を共分散行列で正規化した距離と共分散行列の大き
さを加算した形の一つの例であり、ｘとｕiの差ベクト
ルが正規分布するとした時の確率密度関数を対数化した
のち、定数分除き、符号を変えて得ている。標本ベクト
ルｘには位置情報が含まれているため、（数１）の値を
小さくする画素は画面上のクラス平均近傍に限られる。
また（数４）の右辺の第１項に加えて第２項に共分散行
列の対数項が加えられているため、残差の大きな標本を
含むクラスの出現は抑制される。（数４）の、ｕiおよ
びΣiの要素をσpq（ｉ）（１≦ｐ，ｑ≦ｄ），逆行列
Σi -1の要素をσ’pq（ｉ）（１≦ｐ，ｑ≦ｎ）， ｘ
のｐ成分をｘp、ｕiのｐ成分をｕp（ｉ）と表記する
と、平均ベクトルと、共分散逆行列の各要素についての
（数４）の勾配が、（数５）、（数６）に得られる。
σ’pq（ｉ） ＝σ’qp（ｉ）、σpq（ｉ） ＝σ
qp（ｉ） であるために、クロネッカーのδpq項が存在
している。
である。（数４）は、標本ベクトルと平均ベクトルとの
残差を共分散行列で正規化した距離と共分散行列の大き
さを加算した形の一つの例であり、ｘとｕiの差ベクト
ルが正規分布するとした時の確率密度関数を対数化した
のち、定数分除き、符号を変えて得ている。標本ベクト
ルｘには位置情報が含まれているため、（数１）の値を
小さくする画素は画面上のクラス平均近傍に限られる。
また（数４）の右辺の第１項に加えて第２項に共分散行
列の対数項が加えられているため、残差の大きな標本を
含むクラスの出現は抑制される。（数４）の、ｕiおよ
びΣiの要素をσpq（ｉ）（１≦ｐ，ｑ≦ｄ），逆行列
Σi -1の要素をσ’pq（ｉ）（１≦ｐ，ｑ≦ｎ）， ｘ
のｐ成分をｘp、ｕiのｐ成分をｕp（ｉ）と表記する
と、平均ベクトルと、共分散逆行列の各要素についての
（数４）の勾配が、（数５）、（数６）に得られる。
σ’pq（ｉ） ＝σ’qp（ｉ）、σpq（ｉ） ＝σ
qp（ｉ） であるために、クロネッカーのδpq項が存在
している。
【００２６】
【数５】
【００２７】
【数６】
【００２８】次に、共分散行列の要素σpq（ｉ）と共分
散逆行列の要素σ’pq（ｉ）には（数７）の関係があ
る。
散逆行列の要素σ’pq（ｉ）には（数７）の関係があ
る。
【００２９】
【数７】
【００３０】ここで、Σpq（ｉ）はｐｑ成分のΣiにお
ける余因数を表している．（数７）右辺において∂Σpq
（ｉ）／∂σpqはｐｑ成分の余因数（符号は（−１）
(p+q)）から、さらにｑｐ成分の余因数（符号は（−
１）(p+q)（−１）(p+q-1)）を求めることにより得られ
る。従って、∂Σpq（ｉ）／∂σpqは負号を付したｎ−
２次の実対称行列式になる。共分散行列式が半正値であ
ることを考えると、（数７）の値は常に半負値である。
以上から、（数４）に示した距離を減少させる方向に標
本ベクトルと平均ベクトルとの差ベクトルにより移動さ
せるデルタ規則が存在する。
ける余因数を表している．（数７）右辺において∂Σpq
（ｉ）／∂σpqはｐｑ成分の余因数（符号は（−１）
(p+q)）から、さらにｑｐ成分の余因数（符号は（−
１）(p+q)（−１）(p+q-1)）を求めることにより得られ
る。従って、∂Σpq（ｉ）／∂σpqは負号を付したｎ−
２次の実対称行列式になる。共分散行列式が半正値であ
ることを考えると、（数７）の値は常に半負値である。
以上から、（数４）に示した距離を減少させる方向に標
本ベクトルと平均ベクトルとの差ベクトルにより移動さ
せるデルタ規則が存在する。
【００３１】例として、傾斜の方向を無視すると、（数
８）、（数９）になる。
８）、（数９）になる。
【００３２】
【数８】
【００３３】
【数９】
【００３４】すなわち、標本ベクトルが最も近いとされ
たクラスｉのクラス平均、共分散行列にΔｕi，ΔΣiを
加えることにより、その標本について距離が小さくな
り、残差の小さなクラスタリングを行なうことができ
る。また、クラスタリングに教師信号がある場合、第２
の発明では、クラスデータの組合せの中で前記正規化距
離が最小となるクラスデータの正誤を判定し、その結果
を出力する教師手段があり、標本クラス間距離が最小と
なるクラスデータについて、前記教師手段によって正で
あると判定された場合は、例えば、標本ベクトルと平均
ベクトルとの差ベクトルから、例えば、Δｕi，ΔΣiを
計算し、標本ベクトルが最も近いとされたクラスｉのク
ラス平均、共分散行列にΔｕi，ΔΣiを加えることによ
り、その標本について距離を小さくする。また、逆に前
記教師手段によって誤であると判定された場合は、Δｕ
i，ΔΣiを減ずることにより、その標本について距離を
大きくする。これにより、クラスタリングの誤りを減ず
ることができる。
たクラスｉのクラス平均、共分散行列にΔｕi，ΔΣiを
加えることにより、その標本について距離が小さくな
り、残差の小さなクラスタリングを行なうことができ
る。また、クラスタリングに教師信号がある場合、第２
の発明では、クラスデータの組合せの中で前記正規化距
離が最小となるクラスデータの正誤を判定し、その結果
を出力する教師手段があり、標本クラス間距離が最小と
なるクラスデータについて、前記教師手段によって正で
あると判定された場合は、例えば、標本ベクトルと平均
ベクトルとの差ベクトルから、例えば、Δｕi，ΔΣiを
計算し、標本ベクトルが最も近いとされたクラスｉのク
ラス平均、共分散行列にΔｕi，ΔΣiを加えることによ
り、その標本について距離を小さくする。また、逆に前
記教師手段によって誤であると判定された場合は、Δｕ
i，ΔΣiを減ずることにより、その標本について距離を
大きくする。これにより、クラスタリングの誤りを減ず
ることができる。
【００３５】
【実施例】以下、本発明の第１の実施例を図面を用いて
説明する。請求項１に記載の発明に該当する第１の実施
例を図１、図２、図３を用いて説明する。図１は第１の
実施例における画像クラスタリング装置の構成図、図２
はクラス分割の説明図、図３はクラスデータ変更の説明
図である。本実施例では、一つの処理要素（ＰＥ）が、
クラスデータを保持するメモリ、尤度演算手段、クラス
データ変更手段の一部を各クラスについて独立に有する
構成となっており、１００個の処理要素で構成されてい
る。図１では図面の大きさの制約から、１０６から１０
８に代表させた。さらに、処理要素の構造については処
理要素（１０６）についてのみ図示し、他の処理要素
（１０７）（１０８）については同じであるとする。第
１図において、１０１はＡ／Ｄ変換器、１０２はフレー
ムメモリ、１０３は読みだし回路、１０４は水平垂直位
置ランダム発生回路、１０５はベクトル合成回路、１０
６〜１０８は処理要素、１１０は尤度比較回路、１１１
は行列式比較回路、１１２は標本ベクトルバス、１１３
はクラスデータバス、１１４は標本データ保持メモリ、
１１５は対数尤度演算回路、１１６は行列式演算回路、
１２０は共分散行列保持メモリ、１２１は参照データ変
更回路である。
説明する。請求項１に記載の発明に該当する第１の実施
例を図１、図２、図３を用いて説明する。図１は第１の
実施例における画像クラスタリング装置の構成図、図２
はクラス分割の説明図、図３はクラスデータ変更の説明
図である。本実施例では、一つの処理要素（ＰＥ）が、
クラスデータを保持するメモリ、尤度演算手段、クラス
データ変更手段の一部を各クラスについて独立に有する
構成となっており、１００個の処理要素で構成されてい
る。図１では図面の大きさの制約から、１０６から１０
８に代表させた。さらに、処理要素の構造については処
理要素（１０６）についてのみ図示し、他の処理要素
（１０７）（１０８）については同じであるとする。第
１図において、１０１はＡ／Ｄ変換器、１０２はフレー
ムメモリ、１０３は読みだし回路、１０４は水平垂直位
置ランダム発生回路、１０５はベクトル合成回路、１０
６〜１０８は処理要素、１１０は尤度比較回路、１１１
は行列式比較回路、１１２は標本ベクトルバス、１１３
はクラスデータバス、１１４は標本データ保持メモリ、
１１５は対数尤度演算回路、１１６は行列式演算回路、
１２０は共分散行列保持メモリ、１２１は参照データ変
更回路である。
【００３６】以上のように構成された第１の実施例につ
いて以下にその処理手順を説明する。画像入力はカラー
画像であり、カラー画像の３原色赤（ｒ），緑（ｇ），
青（ｂ）別にＡ／Ｄ変換器（１０１）によりフレームメ
モリ（１０２）に記憶される。水平垂直位置ランダム発
生回路は、画像上の水平位置（ｒｏｗ）、垂直位置（ｃ
ｏｌｕｍｎ）をランダムに発生する。これは、算術乱数
（例えばＭ系列）により発生された乱数を画像の水平位
置の最大値と垂直位置の最大値で除した余りとして得る
ことができ、その構成は容易に実現することができる。
読みだし回路（１０３）は、フレームメモリ（１０２）
より、前記水平位置（ｒｏｗ）、垂直位置（ｃｏｌｕｍ
ｎ）にある画素の特徴値（ｒ，ｇ，ｂ）を読み出す。そ
して、ベクトル合成回路（１０５）により統合されて、
標本ベクトル（Ｒ，Ｇ，Ｂ，ｒｏｗ，ｃｏｌｕｍｎ）t
として標本ベクトルバス（１１２）に入力される。ｋ番
目の入力である標本ベクトルをｘkと表す。以後は、ｋ
番目の標本ベクトルが標本ベクトルバス（１１２）に入
力された後、ｋ＋１番目の入力が入力されるまでの１サ
イクルの動作を説明する。
いて以下にその処理手順を説明する。画像入力はカラー
画像であり、カラー画像の３原色赤（ｒ），緑（ｇ），
青（ｂ）別にＡ／Ｄ変換器（１０１）によりフレームメ
モリ（１０２）に記憶される。水平垂直位置ランダム発
生回路は、画像上の水平位置（ｒｏｗ）、垂直位置（ｃ
ｏｌｕｍｎ）をランダムに発生する。これは、算術乱数
（例えばＭ系列）により発生された乱数を画像の水平位
置の最大値と垂直位置の最大値で除した余りとして得る
ことができ、その構成は容易に実現することができる。
読みだし回路（１０３）は、フレームメモリ（１０２）
より、前記水平位置（ｒｏｗ）、垂直位置（ｃｏｌｕｍ
ｎ）にある画素の特徴値（ｒ，ｇ，ｂ）を読み出す。そ
して、ベクトル合成回路（１０５）により統合されて、
標本ベクトル（Ｒ，Ｇ，Ｂ，ｒｏｗ，ｃｏｌｕｍｎ）t
として標本ベクトルバス（１１２）に入力される。ｋ番
目の入力である標本ベクトルをｘkと表す。以後は、ｋ
番目の標本ベクトルが標本ベクトルバス（１１２）に入
力された後、ｋ＋１番目の入力が入力されるまでの１サ
イクルの動作を説明する。
【００３７】まず処理要素の動作を説明する。ｉ番目
（１≦ｉ≦１００）の処理要素はｉ番目（１≦ｉ≦１０
０）のクラスデータを保持している。処理要素には、活
性状態、不活性状態の２状態があり、カウンタ（１１
７）の値をＰＥ制御回路（１１８）が読むことにより決
定される。本実施例ではカウンタの数が所定の非負整数
Ｔｈ1未満の時、活性であるとし、閾値Ｔｈ1に達する
と、不活性であるとする。カウンタ（１１７）は０から
出発し、標本データが標本保持データに到着する度に１
増やされる。カウンタの初期値は全て０で、全ての処理
要素の状態は活性状態にあるとする。従って、ｋ＝Ｔｈ
1の時、全ての処理要素は不活性状態になるが、そうは
ならないことを後で述べる。クラスデータは、クラス平
均ｕiとクラス共分散Σiで構成されており、各々は、平
均ベクトル保持メモリ（１１９）、共分散行列保持メモ
リ（１２０）に格納されている。クラス共分散Σiは
（数１０）の形をしており、これは、色に関する共分散
Ｃiと位置に関する共分散Ｐiを対角成分に持ち、色と位
置の分布は各々独立であると仮定している。
（１≦ｉ≦１００）の処理要素はｉ番目（１≦ｉ≦１０
０）のクラスデータを保持している。処理要素には、活
性状態、不活性状態の２状態があり、カウンタ（１１
７）の値をＰＥ制御回路（１１８）が読むことにより決
定される。本実施例ではカウンタの数が所定の非負整数
Ｔｈ1未満の時、活性であるとし、閾値Ｔｈ1に達する
と、不活性であるとする。カウンタ（１１７）は０から
出発し、標本データが標本保持データに到着する度に１
増やされる。カウンタの初期値は全て０で、全ての処理
要素の状態は活性状態にあるとする。従って、ｋ＝Ｔｈ
1の時、全ての処理要素は不活性状態になるが、そうは
ならないことを後で述べる。クラスデータは、クラス平
均ｕiとクラス共分散Σiで構成されており、各々は、平
均ベクトル保持メモリ（１１９）、共分散行列保持メモ
リ（１２０）に格納されている。クラス共分散Σiは
（数１０）の形をしており、これは、色に関する共分散
Ｃiと位置に関する共分散Ｐiを対角成分に持ち、色と位
置の分布は各々独立であると仮定している。
【００３８】
【数１０】
【００３９】行列式演算回路（１１６）は、処理要素が
活性状態の時は、共分散行列保持メモリより共分散デー
タを読み出して行列式の対数値ｌｎ｜Σi｜を演算し出
力する。不活性状態の時は、ｌｎ｜Σi｜＝０．０とし
て出力する。標本ベクトルバスに入力された標本ベクト
ルｘkは標本保持メモリ（１１４）に記憶される。対数
尤度演算回路（１１５）は処理要素が活性状態にある時
は、標本保持メモリ（１１４），平均ベクトル保持メモ
リ（１１９），共分散保持メモリ（１２０）、行列式演
算回路より各々、ｘk，ｕi，Σi，ｌｎ｜Σi｜のデータ
を受けとって、（数１１）に示す距離ｄ（ｘk，ｉ）を
計算する。不活性状態の時は、特別に決めた不活性状態
を示す符号として数値（例えば、負値）を送る。
活性状態の時は、共分散行列保持メモリより共分散デー
タを読み出して行列式の対数値ｌｎ｜Σi｜を演算し出
力する。不活性状態の時は、ｌｎ｜Σi｜＝０．０とし
て出力する。標本ベクトルバスに入力された標本ベクト
ルｘkは標本保持メモリ（１１４）に記憶される。対数
尤度演算回路（１１５）は処理要素が活性状態にある時
は、標本保持メモリ（１１４），平均ベクトル保持メモ
リ（１１９），共分散保持メモリ（１２０）、行列式演
算回路より各々、ｘk，ｕi，Σi，ｌｎ｜Σi｜のデータ
を受けとって、（数１１）に示す距離ｄ（ｘk，ｉ）を
計算する。不活性状態の時は、特別に決めた不活性状態
を示す符号として数値（例えば、負値）を送る。
【００４０】
【数１１】
【００４１】そして、この距離ｄ（ｘk，ｉ）を尤度比
較回路（１１０）に送る。尤度比較回路（１１０）では
活性状態でかつ距離ｄ（ｘk，ｉ）（１≦ｉ≦１００）
が最小となる識別子ｌを出力する。最小となったクラス
または処理要素を勝者と呼ぶことにする。 一方、行列
式比較回路（１１１）では、行列式演算回路より、ｌｎ
｜Σj｜（１≦ｊ≦１００）を受けとり、行列式対数値
が最大となる識別子ｊをその値と共に出力する。系制御
回路（１０９）の動作を（表１）に、（１１８）に代表
されるＰＥ制御回路の動作を（表２）に示す。
較回路（１１０）に送る。尤度比較回路（１１０）では
活性状態でかつ距離ｄ（ｘk，ｉ）（１≦ｉ≦１００）
が最小となる識別子ｌを出力する。最小となったクラス
または処理要素を勝者と呼ぶことにする。 一方、行列
式比較回路（１１１）では、行列式演算回路より、ｌｎ
｜Σj｜（１≦ｊ≦１００）を受けとり、行列式対数値
が最大となる識別子ｊをその値と共に出力する。系制御
回路（１０９）の動作を（表１）に、（１１８）に代表
されるＰＥ制御回路の動作を（表２）に示す。
【００４２】
【表１】
【００４３】
【表２】
【００４４】勝者の処理要素では、クラスデータの変更
が参照データ変更回路で行なわれる。識別子ｌのクラス
が勝者であるとすると、（数１２）、（数１３）で変更
する。
が参照データ変更回路で行なわれる。識別子ｌのクラス
が勝者であるとすると、（数１２）、（数１３）で変更
する。
【００４５】
【数１２】
【００４６】
【数１３】
【００４７】γは１未満の非負実数である。ｒは、残差
を表すが、これは動作モードによって異なるｘ，ｕ，Σ
の関数である。制限モード時は、（数１４）で、棄却モ
ードでは（数１５）で表現されるベクトルとなる。
を表すが、これは動作モードによって異なるｘ，ｕ，Σ
の関数である。制限モード時は、（数１４）で、棄却モ
ードでは（数１５）で表現されるベクトルとなる。
【００４８】
【数１４】
【００４９】
【数１５】
【００５０】これにより、棄却モードでは、大きな残差
となる標本ベクトルの場合、クラスデータを変更しな
い。また制限モードでは、クラスデータを変更するが、
残差はマハラノビス距離がＴｈ4となるベクトルに変更
して行なわれる。（数１４）のｗは（数１６）で表さ
れ。
となる標本ベクトルの場合、クラスデータを変更しな
い。また制限モードでは、クラスデータを変更するが、
残差はマハラノビス距離がＴｈ4となるベクトルに変更
して行なわれる。（数１４）のｗは（数１６）で表さ
れ。
【００５１】
【数１６】
【００５２】以上で、ｋ番目の標本ベクトル入力に関す
るサイクルが終る。ｋ＋１番目のサイクルに入る前にク
ラスデータの分割が可能であれば、行なわれる。（表
１）、（表２）によれば、行列式比較回路（１１１）で
行列式対数値が最大となるクラスが常時選ばれ、これが
所定の閾値Ｔｈ2より大きければ、常に分割対象とな
る。そして、不活性状態のクラスがあれば、参照データ
変更回路で分割動作と複製動作が行なわれる。今、分割
対象クラスの識別子をｊ，不活性クラスの識別子をｍと
すると、分割対象となるクラスｊの処理要素では、参照
データ変更回路を用いて、新たに２つのクラス平均
ｕj +， ｕj -と共分散行列Σj’を演算する。そして処
理要素ｊでは平均ｕj +、共分散行列Σj’を自クラスデ
ータに更新するとともに、平均ｕj -，共分散行列Σj’
をクラスデータバス（１１３）に出力する。処理要素ｍ
では、平均ｕj -，共分散行列Σj’を読み込んで、新た
なクラスデータとする。このとき、両処理要素のカウン
タは０に再設定される。これを（数１７）、（数１
８）、（数１９）で表現する。
るサイクルが終る。ｋ＋１番目のサイクルに入る前にク
ラスデータの分割が可能であれば、行なわれる。（表
１）、（表２）によれば、行列式比較回路（１１１）で
行列式対数値が最大となるクラスが常時選ばれ、これが
所定の閾値Ｔｈ2より大きければ、常に分割対象とな
る。そして、不活性状態のクラスがあれば、参照データ
変更回路で分割動作と複製動作が行なわれる。今、分割
対象クラスの識別子をｊ，不活性クラスの識別子をｍと
すると、分割対象となるクラスｊの処理要素では、参照
データ変更回路を用いて、新たに２つのクラス平均
ｕj +， ｕj -と共分散行列Σj’を演算する。そして処
理要素ｊでは平均ｕj +、共分散行列Σj’を自クラスデ
ータに更新するとともに、平均ｕj -，共分散行列Σj’
をクラスデータバス（１１３）に出力する。処理要素ｍ
では、平均ｕj -，共分散行列Σj’を読み込んで、新た
なクラスデータとする。このとき、両処理要素のカウン
タは０に再設定される。これを（数１７）、（数１
８）、（数１９）で表現する。
【００５３】
【数１７】
【００５４】
【数１８】
【００５５】
【数１９】
【００５６】共分散行列は、（数１０）に示したように
位置と色の分散が独立であるとしていることから、色に
独立な固有ベクトルが２つ存在する。（数１７）、（数
１８）でベクトルｐ1は、位置に関する固有ベクトル２
つのうち大きな固有値に対応する固有ベクトルである。
（数１７）、（数１８）の意味を図２を用いて説明す
る。図２左に、固有ベクトルｐ1を示す。今、一様に分
布する楕円内の位置の共分散を考えると、その長軸はｐ
1に並行で、その半径は、固有ベクトルｐ1の固有値に３
を乗して平方とした値になる。そこで、クラスデータの
分割位置は、等価な楕円の長軸方向に、２分割させたベ
クトル位置Ｂ，Ｂ’として得ている。これにより、等価
な楕円の長軸半径は２分されるため、対応する固有値は
１／４になる。
位置と色の分散が独立であるとしていることから、色に
独立な固有ベクトルが２つ存在する。（数１７）、（数
１８）でベクトルｐ1は、位置に関する固有ベクトル２
つのうち大きな固有値に対応する固有ベクトルである。
（数１７）、（数１８）の意味を図２を用いて説明す
る。図２左に、固有ベクトルｐ1を示す。今、一様に分
布する楕円内の位置の共分散を考えると、その長軸はｐ
1に並行で、その半径は、固有ベクトルｐ1の固有値に３
を乗して平方とした値になる。そこで、クラスデータの
分割位置は、等価な楕円の長軸方向に、２分割させたベ
クトル位置Ｂ，Ｂ’として得ている。これにより、等価
な楕円の長軸半径は２分されるため、対応する固有値は
１／４になる。
【００５７】次に本実施例で用いた閾値の説明を（表
３）を用いて行なう。
３）を用いて行なう。
【００５８】
【表３】
【００５９】本実施例では、勝者である識別子ｌのカウ
ンタの値が０に再設定されることにより、少なくともＴ
ｈ1サイクル間の活性状態が保存される。Ｔｈ1サイクル
の間、勝者とならなかったクラスは不活性状態となる。
これにより被写体の消失等による画像の変化に対応でき
る。
ンタの値が０に再設定されることにより、少なくともＴ
ｈ1サイクル間の活性状態が保存される。Ｔｈ1サイクル
の間、勝者とならなかったクラスは不活性状態となる。
これにより被写体の消失等による画像の変化に対応でき
る。
【００６０】Ｔｈ2は分割すべきクラスタの大きさを決
定する。これにより、画面に新たな被写体が出現した等
による画像の変化に対応できる。
定する。これにより、画面に新たな被写体が出現した等
による画像の変化に対応できる。
【００６１】Ｔｈ3とＴｈ4はクラスタリングの安定性に
大きく寄与する。これを図３を用いて説明する。ただ
し、図３では理解のため、標本の分布が２次元であるか
のように図示しているが、本実施例では５次元である。
標本ベクトルとクラス平均との残差が正規分布であると
仮定すると、これを共分散で正規化したマハラノビス距
離は自由度５のχ２乗分布となる。例えばＴｈ4＝１
５．０９とすると、９９％の標本ベクトルがその閾値内
に収まる。図３の左にこの閾値が表す境界をχ2乗分布
棄却域境界として図示している。クラスタリングでは、
図３に示しているような、この棄却域境界外の標本ベク
トルに対して勝者となり、データを変更する場合があ
る。この時、なんら制限を設けないと残差を用いてクラ
ス平均、共分散を変更すると、残差の大きな小数の標本
ベクトルに大きく影響を受け、クラスタリング結果が安
定しない。これに対して、本実施例ではまず制限モード
により、残差の大きな標本ベクトルに対して感度を下げ
てクラスタリングを行なう。そして棄却モードにより、
残差の大きな小数の標本ベクトルの影響を排除してクラ
ス平均、共分散を求めている。棄却モードの前に、制限
モードを動作させるのは、棄却モードでは、棄却域境界
外の標本ベクトルに対して全くクラスデータを変更しな
いために、クラスタリング結果が画像全体を表現しない
恐れがあるためである。従って、Ｔｈ3サイクル制限モ
ードを動作させた後、棄却モードに移る。
大きく寄与する。これを図３を用いて説明する。ただ
し、図３では理解のため、標本の分布が２次元であるか
のように図示しているが、本実施例では５次元である。
標本ベクトルとクラス平均との残差が正規分布であると
仮定すると、これを共分散で正規化したマハラノビス距
離は自由度５のχ２乗分布となる。例えばＴｈ4＝１
５．０９とすると、９９％の標本ベクトルがその閾値内
に収まる。図３の左にこの閾値が表す境界をχ2乗分布
棄却域境界として図示している。クラスタリングでは、
図３に示しているような、この棄却域境界外の標本ベク
トルに対して勝者となり、データを変更する場合があ
る。この時、なんら制限を設けないと残差を用いてクラ
ス平均、共分散を変更すると、残差の大きな小数の標本
ベクトルに大きく影響を受け、クラスタリング結果が安
定しない。これに対して、本実施例ではまず制限モード
により、残差の大きな標本ベクトルに対して感度を下げ
てクラスタリングを行なう。そして棄却モードにより、
残差の大きな小数の標本ベクトルの影響を排除してクラ
ス平均、共分散を求めている。棄却モードの前に、制限
モードを動作させるのは、棄却モードでは、棄却域境界
外の標本ベクトルに対して全くクラスデータを変更しな
いために、クラスタリング結果が画像全体を表現しない
恐れがあるためである。従って、Ｔｈ3サイクル制限モ
ードを動作させた後、棄却モードに移る。
【００６２】以上本実施例によれば、クラス数が可変の
クラスタリングが活性状態の導入とその制御により高速
に行なえる。またクラスタリングの収束性を高めようと
した場合、γの値を大きくとると収束速度は上がるが安
定性は悪くなる。この点に関し、本実施例では大きな残
差を制限あるいは、棄却することにより、安定性を得て
いる。この棄却域の設定も、共分散行列の推定を行なっ
ていることから、自動的に設定できるとことが特長であ
る。なお、γは定数としているが、時間、共分散の関数
としても良い。
クラスタリングが活性状態の導入とその制御により高速
に行なえる。またクラスタリングの収束性を高めようと
した場合、γの値を大きくとると収束速度は上がるが安
定性は悪くなる。この点に関し、本実施例では大きな残
差を制限あるいは、棄却することにより、安定性を得て
いる。この棄却域の設定も、共分散行列の推定を行なっ
ていることから、自動的に設定できるとことが特長であ
る。なお、γは定数としているが、時間、共分散の関数
としても良い。
【００６３】以下、本発明の第２の実施例を図面を用い
て説明する。請求項２に記載の発明に該当する第２の実
施例を図４、図５、図６、図７、図８、図９を用いて説
明する。図４は第１の実施例における画像クラスタリン
グ装置の構成図、図５、６は教師情報の説明図、図７、
図８、図９は実験結果である。第４図において、２０１
はＡ／Ｄ変換器、２０２はフレームメモリ、２０３は読
みだし回路、２０４は水平垂直位置ランダム発生回路、
２０５はベクトル合成回路、２０６〜２０８は処理要
素、２１０は尤度比較回路、２１１は行列式比較回路、
２１２は標本ベクトルバス、２１３はクラスデータバ
ス、２１４は標本データ保持メモリ、２１５は対数尤度
演算回路、２１６は行列式演算回路、２２０は共分散行
列保持メモリ、２２１は参照データ変更回路２２２は書
き込み回路，２２３はマスクメモリ、２２４は読みだし
回路である。本実施例の構成は、第１の実施例と多くを
共有しており、その差異のみを説明する。第２の実施例
では、第１の実施例に示した構成のうち、系制御回路
（１０９）、ＰＥ制御回路（１１８）、参照データ変更
回路（１２１）の動作を一部変更する。
て説明する。請求項２に記載の発明に該当する第２の実
施例を図４、図５、図６、図７、図８、図９を用いて説
明する。図４は第１の実施例における画像クラスタリン
グ装置の構成図、図５、６は教師情報の説明図、図７、
図８、図９は実験結果である。第４図において、２０１
はＡ／Ｄ変換器、２０２はフレームメモリ、２０３は読
みだし回路、２０４は水平垂直位置ランダム発生回路、
２０５はベクトル合成回路、２０６〜２０８は処理要
素、２１０は尤度比較回路、２１１は行列式比較回路、
２１２は標本ベクトルバス、２１３はクラスデータバ
ス、２１４は標本データ保持メモリ、２１５は対数尤度
演算回路、２１６は行列式演算回路、２２０は共分散行
列保持メモリ、２２１は参照データ変更回路２２２は書
き込み回路，２２３はマスクメモリ、２２４は読みだし
回路である。本実施例の構成は、第１の実施例と多くを
共有しており、その差異のみを説明する。第２の実施例
では、第１の実施例に示した構成のうち、系制御回路
（１０９）、ＰＥ制御回路（１１８）、参照データ変更
回路（１２１）の動作を一部変更する。
【００６４】そして、以上の動作の変更に加えて、教師
情報を与える書き込み回路（２２２），これを保持する
マスクメモリ（２２３）、これを処理要素に伝える読み
だし回路（２２４）が追加されている。
情報を与える書き込み回路（２２２），これを保持する
マスクメモリ（２２３）、これを処理要素に伝える読み
だし回路（２２４）が追加されている。
【００６５】以上のように構成された第２の実施例につ
いて以下にその処理手順を説明する。本実施例では、ク
ラスが２つのグループに属するよう教師情報が与えられ
る。これを図５に示す。マウスにより画像の領域が粗く
囲まれ、領域外の識別子が”０”、領域内の識別子が”
１”、それ以外の不確定領域が”２”として、書き込み
回路（２２２）を経てマスクパターンとしてマスクメモ
リ（２２３）に記憶される。これが教師情報である。
いて以下にその処理手順を説明する。本実施例では、ク
ラスが２つのグループに属するよう教師情報が与えられ
る。これを図５に示す。マウスにより画像の領域が粗く
囲まれ、領域外の識別子が”０”、領域内の識別子が”
１”、それ以外の不確定領域が”２”として、書き込み
回路（２２２）を経てマスクパターンとしてマスクメモ
リ（２２３）に記憶される。これが教師情報である。
【００６６】第１の実施例では、参照変更回路（１２
１）は、処理要素が勝者となったときの標本ベクトルを
（数１２）、（数１３）によって変更した。これを今、
正の変更動作と呼ぶ。参照変更回路（２２１）は、処理
要素が勝者となったときの標本ベクトルが、誤った領域
内の標本ベクトルである場合、クラスデータ変更の（数
１２）、（数１３）のγ（０．０≦γ＜１．０）の符号
を切替えて用いる。これを負の変更動作と呼ぶ。これが
参照変更回路（２２１）に新たに加わった動作である。
１）は、処理要素が勝者となったときの標本ベクトルを
（数１２）、（数１３）によって変更した。これを今、
正の変更動作と呼ぶ。参照変更回路（２２１）は、処理
要素が勝者となったときの標本ベクトルが、誤った領域
内の標本ベクトルである場合、クラスデータ変更の（数
１２）、（数１３）のγ（０．０≦γ＜１．０）の符号
を切替えて用いる。これを負の変更動作と呼ぶ。これが
参照変更回路（２２１）に新たに加わった動作である。
【００６７】クラスタリング動作の最初に系制御回路
（２０９）は各処理要素の平均ベクトルの初期位置に応
じて、領域識別子０または、１を与える。第２の実施例
では、第１の実施例の系制御回路（１０９）にこの動作
が追加されている。 ＰＥ制御回路（２１８）が系制御
回路から与えられた領域識別子を保持する。
（２０９）は各処理要素の平均ベクトルの初期位置に応
じて、領域識別子０または、１を与える。第２の実施例
では、第１の実施例の系制御回路（１０９）にこの動作
が追加されている。 ＰＥ制御回路（２１８）が系制御
回路から与えられた領域識別子を保持する。
【００６８】次に、第１の実施例と同じく、水平垂直位
置ランダム発生回路（２０４）により画像データが読み
出されるが、この時同時に読みだし回路（２２４）より
領域の識別子が読み出される。 この識別子は、０、
１、２の３種類であり、ＰＥ制御回路（２１８）に送ら
れる。 ＰＥ制御回路（２１８）では、与えられた識別
子と前記、読み出し回路（２２４）の出力とを比較する
ことにより、正誤を判定する。勝者信号が送られた時、
該当の処理要素は、参照変更回路（１２１）を動作させ
るが、ＰＥ制御回路（２１８）出力の識別子が２の場合
は、修正動作を行なわないよう制御する。また保持して
いる領域識別子とＰＥ制御回路（２１８）出力の識別子
が一致した場合は、第１の実施例と全く同じ正の変更動
作を参照変更回路（２２１）で行なわれるよう制御す
る。上記以外は、誤った標本ベクトルに勝者になった場
合として前述の負の変更動作を参照変更回路（２２１）
で行なわれるよう制御する。分割信号を受けとった場合
は、従来のクラスデータに加えて保持している領域識別
子もクラスデータバス（２１３）に出力する。そして、
複製信号を受けとった場合は、クラスデータバス（２１
３）から読み込んで、領域識別子も複製して保持する。
以上がＰＥ制御回路（２１８）の変更点である。
置ランダム発生回路（２０４）により画像データが読み
出されるが、この時同時に読みだし回路（２２４）より
領域の識別子が読み出される。 この識別子は、０、
１、２の３種類であり、ＰＥ制御回路（２１８）に送ら
れる。 ＰＥ制御回路（２１８）では、与えられた識別
子と前記、読み出し回路（２２４）の出力とを比較する
ことにより、正誤を判定する。勝者信号が送られた時、
該当の処理要素は、参照変更回路（１２１）を動作させ
るが、ＰＥ制御回路（２１８）出力の識別子が２の場合
は、修正動作を行なわないよう制御する。また保持して
いる領域識別子とＰＥ制御回路（２１８）出力の識別子
が一致した場合は、第１の実施例と全く同じ正の変更動
作を参照変更回路（２２１）で行なわれるよう制御す
る。上記以外は、誤った標本ベクトルに勝者になった場
合として前述の負の変更動作を参照変更回路（２２１）
で行なわれるよう制御する。分割信号を受けとった場合
は、従来のクラスデータに加えて保持している領域識別
子もクラスデータバス（２１３）に出力する。そして、
複製信号を受けとった場合は、クラスデータバス（２１
３）から読み込んで、領域識別子も複製して保持する。
以上がＰＥ制御回路（２１８）の変更点である。
【００６９】本実施例は、この領域分割に関するマスク
パターンに沿うよう、クラスデータを構成しようという
ものである。例えば、図６に示すように、領域識別子０
の領域が、黒（ｂｌａｃｋ），青（ｂｌｕｅ），灰（ｇ
ｒａｙ）の領域からなっていれば、それに対応してクラ
ス平均、共分散を求めることができる。
パターンに沿うよう、クラスデータを構成しようという
ものである。例えば、図６に示すように、領域識別子０
の領域が、黒（ｂｌａｃｋ），青（ｂｌｕｅ），灰（ｇ
ｒａｙ）の領域からなっていれば、それに対応してクラ
ス平均、共分散を求めることができる。
【００７０】図７、図８、図９にに第２の実施例の動作
結果を示す。図７はクラスタリング動作の初期値を表示
したものである。クラスデータの初期値から、位置の平
均、共分散から図２の説明に述べた等価楕円として、
図中の円を描画している。活性状態であるクラスは６４
である。マスクデータとしては、人物像内を１、人物像
外を０、その境界を２として与えている。３０、０００
回のランダム読みだしによる処理結果が図８である。交
差する楕円としてクラスタリングの結果が得られてい
る。クラス数は分割の結果最大の１００まで増えてい
る。図８に示した結果の性能を図示するため、図９に後
処理結果を示す。これは、画像を全て走査して標本ベク
トルを求め、最も距離の近いクラスが領域識別子０を持
つ（すなわち人物像内）となった画素を表示したもので
ある。若干の誤りはあるものの、本実施例で示したクラ
スタリングにより領域が分離できている。
結果を示す。図７はクラスタリング動作の初期値を表示
したものである。クラスデータの初期値から、位置の平
均、共分散から図２の説明に述べた等価楕円として、
図中の円を描画している。活性状態であるクラスは６４
である。マスクデータとしては、人物像内を１、人物像
外を０、その境界を２として与えている。３０、０００
回のランダム読みだしによる処理結果が図８である。交
差する楕円としてクラスタリングの結果が得られてい
る。クラス数は分割の結果最大の１００まで増えてい
る。図８に示した結果の性能を図示するため、図９に後
処理結果を示す。これは、画像を全て走査して標本ベク
トルを求め、最も距離の近いクラスが領域識別子０を持
つ（すなわち人物像内）となった画素を表示したもので
ある。若干の誤りはあるものの、本実施例で示したクラ
スタリングにより領域が分離できている。
【００７１】
【発明の効果】本発明によれば、従来の、画像クラスタ
リング装置に比べて、高速かつ安定に暫時データが変化
するような画像の画素の分類とそのクラスの平均、共分
散が得られる。特に共分散をクラスデータに含めるた
め、標本データのはずれ値に対して頑健なクラスタリン
グを行なうことができる。第１の発明は、教師情報がな
い場合の自己組織化に対応し、画像の中で、色位置で類
似性のある画素のクラスタリングが行なえる。これは物
体の追跡、符号化、類似性の評価などに応用できる。
リング装置に比べて、高速かつ安定に暫時データが変化
するような画像の画素の分類とそのクラスの平均、共分
散が得られる。特に共分散をクラスデータに含めるた
め、標本データのはずれ値に対して頑健なクラスタリン
グを行なうことができる。第１の発明は、教師情報がな
い場合の自己組織化に対応し、画像の中で、色位置で類
似性のある画素のクラスタリングが行なえる。これは物
体の追跡、符号化、類似性の評価などに応用できる。
【００７２】また第２の発明は、教師情報がある場合
の、類別系の学習に対応し、与えられた画像領域分割
を、クラスで表現することができる。これは、領域の切
り出し、追跡の初期化などに利用できる。以上、本発明
の画像処理における実用的効果は大きい。
の、類別系の学習に対応し、与えられた画像領域分割
を、クラスで表現することができる。これは、領域の切
り出し、追跡の初期化などに利用できる。以上、本発明
の画像処理における実用的効果は大きい。
【図１】本発明による画像クラスタリング装置の第１の
実施例における構成図
実施例における構成図
【図２】クラス分割の説明図
【図３】クラスデータ変更動作の説明図
【図４】本発明による画像クラスタリング装置の第２の
実施例における構成図
実施例における構成図
【図５】教師情報の説明図
【図６】第２の実施例の動作説明図
【図７】第２の実施例の動作結果、初期画像を示す図
【図８】第２の実施例の動作結果、処理結果を示す図
【図９】第２の実施例の動作結果、切り出しに応用した
結果を示す図
結果を示す図
１０１、２０１ Ａ／Ｄ変換器 １０２、２０２ フレームメモリ １０３、２０３ 読みだし回路 １０４、２０４ 水平垂直位置ランダム発生回路 １０５、２０５ ベクトル合成回路 １０６、１０７、１０８、２０６、２０７、２０８ ク
ラスタリング処理要素 １０９、２０９ 系制御回路 １１０、２１０ 尤度比較回路 １１１、２１１ 行列式比較回路 １１２、２１２ 標本ベクトルバス １１３、２１３ クラスデータバス １１４、２１４ 標本データ保持メモリ １１５、２１５ 対数尤度演算回路 １１６、２１６ 行列式演算回路 １１７、２１８ カウンタ １１９、２１９ 平均ベクトル保持メモリ １２０、２２０ 共分散行列保持メモリ １２１、２２１ 参照データ変更回路 ２２２ 書き込み回路 ２２３ マスクメモリ ２２４ 読みだし回路
ラスタリング処理要素 １０９、２０９ 系制御回路 １１０、２１０ 尤度比較回路 １１１、２１１ 行列式比較回路 １１２、２１２ 標本ベクトルバス １１３、２１３ クラスデータバス １１４、２１４ 標本データ保持メモリ １１５、２１５ 対数尤度演算回路 １１６、２１６ 行列式演算回路 １１７、２１８ カウンタ １１９、２１９ 平均ベクトル保持メモリ １２０、２２０ 共分散行列保持メモリ １２１、２２１ 参照データ変更回路 ２２２ 書き込み回路 ２２３ マスクメモリ ２２４ 読みだし回路
Claims (2)
- 【請求項１】（ａ）符号化された画素から構成される画
像を記憶するフレームメモリと、（ｂ）前記フレームメ
モリから画像上の水平位置、垂直位置についてランダム
に画素の値を読み出して、画素の特徴値とこれに対応す
る水平垂直位置の結合を含む標本ベクトルとする読み出
し手段と、（ｃ）前記標本ベクトルの平均ベクトルと共
分散行列の組をクラスデータとして複数保持するメモリ
と、（ｄ）前記標本ベクトルと、予め保持された前記複
数のクラスデータに対する尤度を前記標本ベクトルと平
均ベクトルとの残差を共分散行列で正規化した距離と共
分散行列の大きさの加算とした標本クラス間距離として
演算する尤度演算手段と、（ｅ）前記クラスデータの組
合せの中で前記標本クラス間距離が最小となる組を選択
する最尤クラス選択手段と、（ｆ）前記標本クラス間距
離が最小となるクラスデータについて、前記クラスデー
タを構成する平均ベクトルと共分散行列を、前記標本ク
ラス間距離が小さくなる方向に、標本ベクトルと平均ベ
クトルとの差ベクトルにより逐次変更するクラスデータ
変更手段を有することを特徴とする画像クラスタリング
装置。 - 【請求項２】（ｇ）符号化された画素から構成される画
像を記憶するフレームメモリと、（ｈ）前記フレームメ
モリから画像上の水平位置、垂直位置についてランダム
に画素の値を読み出して、画素の特徴値とこれに対応す
る水平垂直位置の結合を含む標本ベクトルとする読み出
し手段と、（ｉ）前記標本ベクトルの平均ベクトルと共
分散行列の組をクラスデータとして複数保持するメモリ
と、（ｊ）前記標本ベクトルと、予め保持された前記複
数のクラスデータに対する尤度を前記標本ベクトルと平
均ベクトルとの残差を共分散行列で正規化した距離と共
分散行列の大きさの加算とした標本クラス間距離として
演算する尤度演算手段と、（ｋ）前記クラスデータの組
合せの中で前記標本クラス間距離が最小となる組を選択
する最尤クラス選択手段と、（ｌ）前記クラスデータの
組合せの中で前記正規化距離が最小となるクラスデータ
の正誤を判定し、その結果を出力する教師手段と、
（ｍ）前記標本クラス間距離が最小となるクラスデータ
について、前記教師手段によって正であると判定された
場合は、前記クラスデータを構成する平均ベクトルと共
分散行列を、前記標本クラス間距離が小さくなる方向
に、標本ベクトルの入力後、逐次変更し、また逆に前記
教師手段によって誤であると判定された場合は、前記ク
ラスデータを構成する平均ベクトルと共分散行列を、前
記標本クラス間距離が大きくなる方向に、標本ベクトル
と平均ベクトルとの差ベクトルにより逐次変更するクラ
スデータ変更手段を有することを特徴とする画像クラス
タリング装置。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4294837A JP2894113B2 (ja) | 1992-11-04 | 1992-11-04 | 画像クラスタリング装置 |
| US08/141,073 US5519789A (en) | 1992-11-04 | 1993-10-26 | Image clustering apparatus |
| EP93117501A EP0596412B1 (en) | 1992-11-04 | 1993-10-28 | Image clustering apparatus |
| DE69324207T DE69324207T2 (de) | 1992-11-04 | 1993-10-28 | Bildgruppierungsvorrichtung |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4294837A JP2894113B2 (ja) | 1992-11-04 | 1992-11-04 | 画像クラスタリング装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH06150000A true JPH06150000A (ja) | 1994-05-31 |
| JP2894113B2 JP2894113B2 (ja) | 1999-05-24 |
Family
ID=17812896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4294837A Expired - Fee Related JP2894113B2 (ja) | 1992-11-04 | 1992-11-04 | 画像クラスタリング装置 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US5519789A (ja) |
| EP (1) | EP0596412B1 (ja) |
| JP (1) | JP2894113B2 (ja) |
| DE (1) | DE69324207T2 (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06318256A (ja) * | 1993-05-06 | 1994-11-15 | Matsushita Electric Ind Co Ltd | 画像検索装置 |
| JPH0863601A (ja) * | 1994-08-22 | 1996-03-08 | Nec Corp | 領域分割方法および装置 |
| US5909508A (en) * | 1995-04-24 | 1999-06-01 | Matsushita Electric Industrial Co., Ltd. | Parallel image-clustering apparatus |
| JP2016170602A (ja) * | 2015-03-12 | 2016-09-23 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
| JP2018116685A (ja) * | 2016-11-09 | 2018-07-26 | エイエムキャド バイオメッド コーポレーションＡｍｃａｄ Ｂｉｏｍｅｄ Ｃｏｒｐｏｒａｔｉｏｎ | 細胞画像処理装置および細胞画像の特性を定量化する方法 |
Families Citing this family (40)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5850475A (en) * | 1994-05-10 | 1998-12-15 | Fuji Xerox Co., Ltd. | Method and apparatus for dividing image area |
| US5872865A (en) * | 1995-02-08 | 1999-02-16 | Apple Computer, Inc. | Method and system for automatic classification of video images |
| US5649070A (en) * | 1995-02-17 | 1997-07-15 | International Business Machines Corporation | Learning system with prototype replacement |
| US6064770A (en) * | 1995-06-27 | 2000-05-16 | National Research Council | Method and apparatus for detection of events or novelties over a change of state |
| JPH09186907A (ja) * | 1996-01-08 | 1997-07-15 | Matsushita Electric Ind Co Ltd | 色調整方法 |
| GB2311184A (en) * | 1996-03-13 | 1997-09-17 | Innovision Plc | Motion vector field error estimation |
| US6052485A (en) * | 1997-02-03 | 2000-04-18 | The United States Of America As Represented By The Secretary Of The Navy | Fractal features used with nearest neighbor clustering for identifying clutter in sonar images |
| US6195458B1 (en) * | 1997-07-29 | 2001-02-27 | Eastman Kodak Company | Method for content-based temporal segmentation of video |
| US6104835A (en) * | 1997-11-14 | 2000-08-15 | Kla-Tencor Corporation | Automatic knowledge database generation for classifying objects and systems therefor |
| US5956026A (en) * | 1997-12-19 | 1999-09-21 | Sharp Laboratories Of America, Inc. | Method for hierarchical summarization and browsing of digital video |
| US6072904A (en) * | 1997-12-31 | 2000-06-06 | Philips Electronics North America Corp. | Fast image retrieval using multi-scale edge representation of images |
| FR2774493B1 (fr) * | 1998-02-04 | 2000-09-15 | Univ Paris Curie | Procede de segmentation spatiale d'une image en objets visuels et application |
| US6185335B1 (en) | 1998-07-07 | 2001-02-06 | Electronics For Imaging, Inc. | Method and apparatus for image classification and halftone detection |
| US6269376B1 (en) * | 1998-10-26 | 2001-07-31 | International Business Machines Corporation | Method and system for clustering data in parallel in a distributed-memory multiprocessor system |
| WO2000055811A1 (fr) * | 1999-03-12 | 2000-09-21 | Sony Corporation | Processeur de donnees, procede de traitement de donnees, et support d'enregistrement |
| US6631211B1 (en) * | 1999-07-08 | 2003-10-07 | Perkinelmer Las, Inc. | Interactive system for analyzing scatter plots |
| US6674907B1 (en) * | 2000-02-17 | 2004-01-06 | Microsoft Corporation | Color image quantization using a hierarchical color perception model |
| US6587585B1 (en) * | 2000-05-23 | 2003-07-01 | Ncr Corporation | Method of parameterizing a threshold curve for a binarization program and an apparatus therefor |
| GB2364417B (en) * | 2000-06-30 | 2004-10-06 | Post Office | Image processing |
| US9892606B2 (en) | 2001-11-15 | 2018-02-13 | Avigilon Fortress Corporation | Video surveillance system employing video primitives |
| US8711217B2 (en) * | 2000-10-24 | 2014-04-29 | Objectvideo, Inc. | Video surveillance system employing video primitives |
| US8564661B2 (en) | 2000-10-24 | 2013-10-22 | Objectvideo, Inc. | Video analytic rule detection system and method |
| US7424175B2 (en) | 2001-03-23 | 2008-09-09 | Objectvideo, Inc. | Video segmentation using statistical pixel modeling |
| US6625310B2 (en) | 2001-03-23 | 2003-09-23 | Diamondback Vision, Inc. | Video segmentation using statistical pixel modeling |
| US20030095707A1 (en) * | 2001-11-19 | 2003-05-22 | Koninklijke Philips Electronics N.V. | Computer vision method and system for blob-based analysis using a probabilistic pramework |
| US7035431B2 (en) * | 2002-02-22 | 2006-04-25 | Microsoft Corporation | System and method for probabilistic exemplar-based pattern tracking |
| WO2004034178A2 (en) * | 2002-10-11 | 2004-04-22 | Laboratories For Information Technology | Statistical data analysis tool |
| US20040098412A1 (en) * | 2002-11-19 | 2004-05-20 | International Business Machines Corporation | System and method for clustering a set of records |
| US7366352B2 (en) * | 2003-03-20 | 2008-04-29 | International Business Machines Corporation | Method and apparatus for performing fast closest match in pattern recognition |
| US7725484B2 (en) * | 2005-11-18 | 2010-05-25 | University Of Kentucky Research Foundation (Ukrf) | Scalable object recognition using hierarchical quantization with a vocabulary tree |
| KR101392294B1 (ko) * | 2006-04-17 | 2014-05-27 | 오브젝트비디오 인코퍼레이티드 | 통계적인 픽셀 모델링을 이용한 비디오 분할 |
| US8090167B1 (en) * | 2006-10-04 | 2012-01-03 | George Mason Intellectual Properties, Inc. | Neuronal measurement tool |
| WO2009023626A1 (en) * | 2007-08-10 | 2009-02-19 | The Trustees Of Columbia University In The City Of New York | Systems and methods for tissue characterization and border detection |
| US8150169B2 (en) * | 2008-09-16 | 2012-04-03 | Viewdle Inc. | System and method for object clustering and identification in video |
| US8219517B2 (en) * | 2009-07-27 | 2012-07-10 | Microsoft Corporation | Multi-class Poisson disk sampling |
| TWI391837B (zh) * | 2009-09-23 | 2013-04-01 | Univ Nat Pingtung Sci & Tech | 基於密度式之資料分群方法 |
| US8989514B2 (en) * | 2011-02-03 | 2015-03-24 | Voxeleron Llc | Method and system for image analysis and interpretation |
| JP2013179402A (ja) * | 2012-02-28 | 2013-09-09 | Sony Corp | 端末装置、情報処理装置、表示方法、及び表示制御方法 |
| US10102642B2 (en) * | 2015-11-25 | 2018-10-16 | Omni Ai, Inc. | Image driver that samples high-resolution image data |
| CN111062003A (zh) * | 2019-12-13 | 2020-04-24 | 武汉轻工大学 | 样本总体协方差判定方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4945478A (en) * | 1987-11-06 | 1990-07-31 | Center For Innovative Technology | Noninvasive medical imaging system and method for the identification and 3-D display of atherosclerosis and the like |
-
1992
- 1992-11-04 JP JP4294837A patent/JP2894113B2/ja not_active Expired - Fee Related
-
1993
- 1993-10-26 US US08/141,073 patent/US5519789A/en not_active Expired - Fee Related
- 1993-10-28 EP EP93117501A patent/EP0596412B1/en not_active Expired - Lifetime
- 1993-10-28 DE DE69324207T patent/DE69324207T2/de not_active Expired - Fee Related
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06318256A (ja) * | 1993-05-06 | 1994-11-15 | Matsushita Electric Ind Co Ltd | 画像検索装置 |
| JPH0863601A (ja) * | 1994-08-22 | 1996-03-08 | Nec Corp | 領域分割方法および装置 |
| US5909508A (en) * | 1995-04-24 | 1999-06-01 | Matsushita Electric Industrial Co., Ltd. | Parallel image-clustering apparatus |
| JP2016170602A (ja) * | 2015-03-12 | 2016-09-23 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
| JP2018116685A (ja) * | 2016-11-09 | 2018-07-26 | エイエムキャド バイオメッド コーポレーションＡｍｃａｄ Ｂｉｏｍｅｄ Ｃｏｒｐｏｒａｔｉｏｎ | 細胞画像処理装置および細胞画像の特性を定量化する方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US5519789A (en) | 1996-05-21 |
| JP2894113B2 (ja) | 1999-05-24 |
| EP0596412A1 (en) | 1994-05-11 |
| EP0596412B1 (en) | 1999-03-31 |
| DE69324207T2 (de) | 1999-08-05 |
| DE69324207D1 (de) | 1999-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH06150000A (ja) | 画像クラスタリング装置 | |
| CN108549891B (zh) | 基于背景与目标先验的多尺度扩散显著目标检测方法 | |
| CN109886121B (zh) | 一种遮挡鲁棒的人脸关键点定位方法 | |
| CN113870335B (zh) | 一种基于多尺度特征融合的单目深度估计方法 | |
| WO2019227479A1 (zh) | 人脸旋转图像的生成方法及装置 | |
| CN109977757B (zh) | 一种基于混合深度回归网络的多模态的头部姿态估计方法 | |
| CN109949255A (zh) | 图像重建方法及设备 | |
| CN110689599A (zh) | 基于非局部增强的生成对抗网络的3d视觉显著性预测方法 | |
| CN106960182B (zh) | 一种基于多特征集成的行人再识别方法 | |
| CN111814884B (zh) | 一种基于可变形卷积的目标检测网络模型的升级方法 | |
| CN108615229B (zh) | 基于曲率点聚类及决策树的碰撞检测优化方法 | |
| López-Rubio | Probabilistic self-organizing maps for continuous data | |
| CN113177592B (zh) | 一种图像分割方法、装置、计算机设备及存储介质 | |
| CN112329662B (zh) | 基于无监督学习的多视角显著性估计方法 | |
| CN109191485B (zh) | 一种基于多层超图模型的多视频目标协同分割方法 | |
| CN112907569A (zh) | 头部图像区域的分割方法、装置、电子设备和存储介质 | |
| CN114049531A (zh) | 一种基于弱监督人体协同分割的行人再识别方法 | |
| CN107392211B (zh) | 基于视觉稀疏认知的显著目标检测方法 | |
| CN112364747A (zh) | 一种有限样本下的目标检测方法 | |
| CN109947960B (zh) | 基于深度卷积的人脸多属性联合估计模型构建方法 | |
| CN114627272A (zh) | 一种具有自适应透光性的门窗ar方法及系统 | |
| CN117830611A (zh) | 目标检测方法、装置及电子设备 | |
| CN114898464B (zh) | 一种基于机器视觉的轻量化精准手指语智能算法识别方法 | |
| Ganebnykh et al. | Metric classifier using multilevel network of templates | |
| CN111932557B (zh) | 基于集成学习和概率图模型的图像语义分割方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |