JPH06168328A - 画像信号の領域分割装置 - Google Patents

Abstract

(57)【要約】 【目的】 従来よりも計算回数が少なく精度の高い画像
の領域分割装置を得る。 【構成】 画像の所定の複数個のパラメータの各々につ
いてヒストグラムを生成する手段３２，３３，３４と、
生成した各々のヒストグラムから所定の個数の閾値を求
める手段３５，３６，３７と、求められた各々のパラメ
ータの閾値の組合せによって画像内の画素をクラス分け
する手段３８と、予め定めた条件に基づき各クラス間の
近似度を求める手段４２と、求められた近似度を比較す
る手段４３と、比較の結果最も近似度の高い２クラスを
１つのクラスに統合する手段４４と、統合後のクラス数
を計算する手段４５と、求められたクラス数と予め定め
た目標分割数とを比較し、クラス数が目標分割数を越え
ている間、前記の画素数算出およびクラス統合を繰り返
す手段より構成される。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、画像をいくつかの領域
に分割して画像処理に用いるための領域分割装置に関す
るものである。

【０００２】

【従来の技術】画像を領域分割するための方法として、
ヒストグラムによるものがある。ヒストグラムは縦軸に
入力レベル、横軸に各レベル毎の発生頻度（画素数）を
とったグラフであり、このグラフに現われるピークによ
り谷部の値を閾値としてクラス分類を行なう。閾値の検
出には、ヒストグラムの形から直観的に求める方法の他
に、クラス間の分散を用いた判別分析による方法などが
ある。

【０００３】図７は従来のヒストグラムによる分割方法
を示した図である。７１はフレームメモリ、７２はヒス
トグラム生成器、７３は閾値算出器である。閾値算出器
７３はクラス間の分散を用いた判別分析による方法を用
いるものとし、閾値レベル発生器７４、クラス分類器７
５、バッファメモリ７６、クラス情報算出器７７、バッ
ファメモリ７８、クラス間分散算出器７９、比較器８
０、閾値選出器８１からなる。

【０００４】ここでは、輝度Ｙに対し入力レベルの両端
も入れて５個ずつの閾値を算出する。５個の閾値により
画素は４つのクラスに分類される。そして、輝度成分Ｙ
を入力データとし、ヒストグラム生成器７２によりヒス
トグラムを生成し記憶する。

【０００５】生成したヒストグラムを用いて５個の閾値
を閾値算出器７３により算出する。閾値レベル発生器７
３によりＴＨ（０）〜ＴＨ（４）の５個の閾値の候補を
値を変化させて順次発生し、発生された各閾値候補に応
じて、クラス分類器７５により入力データを４つのクラ
スに分類する。これにより各画素がどのクラスに属する
かが判定、記憶される。

【０００６】次に、クラス情報算出器７７を用いて各ク
ラスに属する画素データより各クラスの生起確率、平均
値を順次求め、バッファメモリ７８に記録する。各閾値
候補の組合せに対して、クラス間分散算出器７９により
クラス間分散を求める。各閾値候補の組合せを変化させ
て順次得られるクラス間分散を比較器８０により比べ、
最大となるような閾値候補の組合せを最適閾値として閾
値選出器８１により選ぶ。この時選定に要する計算回数
は、入力データのレベル数から閾値個数を選ぶ組合せの
数になる。

【０００７】求められた最適閾値を用いて、画像を領域
分割する。クラス分類器７５により入力データを４つの
クラスに分類し、バッファメモリ７６に記録する。これ
により各画素がどのクラスに属するかが判定できる。

【０００８】以上の処理により、各クラスに属する画素
の分割が行なえる。

【０００９】

【発明が解決しようとする課題】しかしながら、上記の
方法によれば、精度良く領域分割を行なうには輝度や色
の信号の一つのみをパラメータとして用いるのでなく、
いくつかの信号を組み合わせる必要がある。例えば輝度
信号Ｙと色差信号Ｒ−Ｙ、Ｂ−Ｙをそれぞれ８ビットで
扱ってヒストグラムを作成すると、そのヒストグラムの
画素値のとりうるレベルは２５６の３乗＝１６７７７２
１６通りとなり、このような膨大なレベル数から直接ク
ラス分け、領域分割を行なうと計算回数が膨大となる。

【００１０】本発明はかかる点に鑑み、計算回数の少な
い画像信号の領域分割装置を提供することを目的とす
る。

【００１１】

【課題を解決するための手段】上記課題を解決するため
に本発明は、画像の所定の複数個のパラメータの各々に
ついてヒストグラムを生成する手段と、生成した各々の
ヒストグラムから所定の個数の閾値を求める手段と、求
められた各々のパラメータの閾値の組合せによって画像
内の画素をクラス分けする手段と、各クラスに含まれる
画素数を算出する手段と、算出された画素数を比較する
手段と、比較の結果最も画素数の少ないクラスに隣接す
るクラスのうち予め定めた条件に基づき１つのクラスを
選出する手段と、最も画素数の少ないクラスに属する画
素と隣接するクラスから選出されたクラスに属する画素
を統合する手段と、統合後のクラス数を計算する手段
と、求められたクラス数と予め定めた目標分割数とを比
較しクラス数が目標分割数を越えている間、前記の画素
数算出およびクラス統合を繰り返す手段を有することを
特徴とするものである。

【００１２】また、本発明は、画像の所定の複数個のパ
ラメータの各々についてヒストグラムを生成する手段
と、生成した各々のヒストグラムから所定の個数の閾値
を求める手段と、求められた各々のパラメータの閾値の
組合せによって画像内の画素をクラス分けする手段と、
予め定めた条件に基づき各クラス間の近似度を求める手
段と、求められた近似度を比較する手段と、比較の結果
最も近似度の高い２クラスを１つのクラスに統合する手
段と、統合後のクラス数を計算する手段と、求められた
クラス数と予め定めた目標分割数とを比較しクラス数が
目標分割数を越えている間、前記の画素数算出およびク
ラス統合を繰り返す手段とを有することを特徴とするも
のである。

【００１３】さらに本発明は、画像の所定の複数個のパ
ラメータの各々についてヒストグラムを生成する手段
と、生成した各々のヒストグラムから所定の個数の閾値
を求める手段と、求められた各々のパラメータの閾値の
組合せによって画像内の画素をクラス分けする手段と、
同一のクラスに属しかつ隣接した位置に存在する複数の
画素が一つの領域に含まれるように画像を分割する手段
と、予め定めた条件に基づき分割された各領域間の近似
度を求める手段と、求められた近似度を比較する手段
と、比較の結果最も近似度の高い２領域を１つの領域に
統合する手段と、統合後の領域数を計算する手段と、求
められた領域数と予め定めた目標分割数とを比較し領域
数が目標分割数を越えている間、前記の画素数算出およ
び領域統合を繰り返す手段とを有することを特徴とする
ものである。

【００１４】

【作用】本発明は上記構成により、それぞれのパラメー
タに対して閾値を決め、その閾値の組合せにより画素を
複数個のクラスに分類し、所定の判定基準に基づき目標
領域数まで統合することにより、従来よりも少ない回数
で精度の良い領域分割装置を得ることが出来る。

【００１５】

【実施例】図１は本発明の第一の実施例を説明するため
の画像の領域分割装置の構成図である。

【００１６】１はフレームメモリ、２，３，４はヒスト
グラム生成器、５，６，７は閾値算出器、８はクラス分
類器、１０はクラス情報算出器、９，１１はバッファメ
モリ、１２は比較器、１３は最少クラス選出器、１４は
隣接クラス選出器、１５は平均レベル読み出し器、１６
は比較器、１７はクラス統合器、１８はクラス数算出
器、１９は仮想データ発生器、２０は境界追跡器であ
る。閾値算出器５，６，７は従来例と同様の構成でクラ
ス間の分散を用いた判別分析による方法を用いるものと
する。

【００１７】まず輝度Ｙ、色差Ｒ−Ｙ、Ｂ−Ｙの各パラ
メータに対してそれぞれ独立にヒストグラム生成器２，
３，４によりヒストグラムを生成し、閾値算出器５，
６，７により閾値を所定の個数ずつ算出する。ここでは
Ｙ、Ｒ−Ｙ、Ｂ−Ｙのそれぞれに対し入力レベルの両端
も入れて５個ずつの閾値を算出する。５個の閾値により
各パラメータは４つのクラスに分類される。

【００１８】次にクラス分類器８を用いてそれぞれのパ
ラメータに対して求められた閾値の組合せにより画素を
さらに細かくクラス分けする。これにより、各パラメー
タの組合せを入力信号としてヒストグラムを生成する場
合に比べ、より少ない計算回数で同等の細かいクラス分
けを行なうことができる。

【００１９】Ｙの閾値をＴＨＹ（０）〜ＴＨＹ（４）、
Ｒ−Ｙの閾値をＴＨＲ（０）〜ＴＨＲ（４）、Ｂ−Ｙの
閾値をＴＨＢ（０）〜ＴＨＢ（４）として、以上それぞ
れ両端を含む５つずつの閾値より、全画素を４の３乗個
＝６４個のクラスに分類する。分類した結果をバッファ
メモリ９に記憶する。

【００２０】図２に各パラメータの閾値によりクラス分
類、統合を行なう概念図を示す。ここでは図示を簡単に
するため、ＹとＲ−Ｙの二種類のパラメータを用いた場
合を示す。クラス情報算出器１０を用いて各クラスに属
する画素データより各クラスの生起確率、平均値を順次
求め、バッファメモリ１１に記録する。次に、比較器１
２と最少クラス選出器１３を用いて生起確率のもっとも
小さいクラスを最少クラスとして選出する。

【００２１】求められた最少クラスにヒストグラム上で
隣接しているクラスを隣接クラス選出器１４を用いて選
出し、平均レベル読み出し器１５により選出された隣接
クラスの平均レベルを読み出す。これを最少クラスの平
均レベルと比較器１６によって比較し、最も平均レベル
の近いクラスを統合クラスとして選出する。最少クラス
に属する画素を統合クラスに属するようにクラス統合器
１７によって書き換える。そして、統合されたクラスの
生起確率、平均値をクラス情報算出器１０を用いて求め
る。クラスが統合されるたびにクラス数算出器１８によ
りクラス数が更新され、所定のクラス数以下になるまで
上記の判定、統合処理を繰り返す。ただし、生起確率が
０となるクラスは仮想データ発生器１９によりクラスに
属するデータを仮定することにより、予め隣接するクラ
スに統合することができる。

【００２２】このように、各々のパラメータに対して独
立にヒストグラムを生成し、その組合せによりクラス分
割、統合を行なうことにより、従来のように各々のパラ
メータの組合せに対してヒストグラムを生成する場合に
比べ、より少ない計算回数で精度良く画像の領域分割を
行なうことが出来る。また、生起確率、すなわちクラス
に含まれる画素数を判定基準とするため、少ない計算回
数で容易に統合処理を行なうことができる。さらに同一
クラスに属する画素によって形成される閉じた空間を一
つ一つ領域として分割を行なうこともできる。この場合
には境界追跡器２０により、隣合う画素でクラスの異な
る位置を境界線として追跡し、閉じた境界線に囲まれた
部分を各々１つの領域とする。領域の表現には、追跡し
た各領域の境界線を符号化し、その内部に含まれる画素
を同じ領域に含まれるとする方法や、各画素あるいは数
個の画素毎にどの領域に含まれるかを示すラベルを付加
する方法などがある。

【００２３】図３は本発明の第二の実施例を説明するた
めの画像の領域分割装置の構成図である。

【００２４】３１はフレームメモリ、３２，３３，３４
はヒストグラム生成器、３５，３６，３７は閾値算出
器、３８はクラス分類器、４０はクラス情報算出器、３
９，４１はバッファメモリ、４２はクラス間レベル距離
算出器、４３は比較器、４４はクラス統合器、４５はク
ラス数算出器、４６は仮想データ発生器、４７は境界追
跡器である。閾値算出器３５，３６，３７は従来例と同
様の構成でクラス間の分散を用いた判別分析による方法
を用いるものとする。

【００２５】まず、第１の実施例と同様に輝度Ｙ、色差
Ｒ−Ｙ、Ｂ−Ｙの各パラメータに対してそれぞれ独立に
ヒストグラム生成器３２、３３、３４によりヒストグラ
ムを生成し、閾値算出器３５，３６，３７により閾値を
所定の個数ずつ算出する。ここではＹ、Ｒ−Ｙ、Ｂ−Ｙ
のそれぞれに対し、入力レベルの両端も入れて５個ずつ
の閾値を算出する。５個の閾値により各パラメータは４
つのクラスに分類される。

【００２６】次にクラス分類器３８を用いてそれぞれの
パラメータに対して求められた閾値の組合せにより画素
をさらに細かくクラス分けする。Ｙの閾値をＴＨＹ
（０）〜ＴＨＹ（４）、Ｒ−Ｙの閾値をＴＨＲ（０）〜
ＴＨＲ（４）、Ｂ−Ｙの閾値をＴＨＢ（０）〜ＴＨＢ
（４）として、以上それぞれ両端を含む５つずつの閾値
より全画素を４の３乗個＝６４個のクラスに分類する。
この分類した結果をバッファメモリ３９に記憶する。

【００２７】図４に各パラメータの閾値によりクラス分
類、統合を行なう概念図を示す。ここでは図示を簡単に
するため、ＹとＲ−Ｙの二種類のパラメータを用いた場
合を示す。

【００２８】次に、クラス情報算出器４０を用いて各ク
ラスに属する画素データより各クラスの生起確率、平均
値を順次求め、バッファメモリ４１に記録する。さら
に、クラス間レベル距離算出器４２を用いて各クラス間
の平均値の差の自乗和をレベル距離として算出する。そ
して、比較器４３を用いてレベル距離のもっとも小さい
２つのクラスの組を統合クラスとして求める。この求め
られた２クラスのうち、生起確率の小さい方のクラスに
属する画素を、もう一方のクラスに属するようにクラス
統合器４４によって書き換える。統合されたクラスの生
起確率、平均値をクラス数算出器４５を用いて求める。

【００２９】クラスが統合されるたびにクラス数算出器
４５によりクラス数が更新され、所定のクラス数以下に
なるまで上記の判定、統合処理を繰り返す。ただし、生
起確率が０となるクラスは仮想データ発生器４６により
クラスに属するデータを仮定することにより予め隣接す
るクラスに統合することができる。

【００３０】本実施例においては各クラス間の平均値の
差の自乗和を判定基準とするため、少ない計算回数で容
易に統合処理を行なうことができる。さらに第一の実施
例と同様、同一クラスに属する画素によって形成される
閉じた空間を一つ一つ領域として分割を行なうこともで
きる。この場合には境界追跡器４７により、隣合う画素
でクラスの異なる位置を境界線として追跡し、閉じた境
界線に囲まれた部分を各々１つの領域とする。領域の表
現には、追跡した各領域の境界線を符号化し、その内部
に含まれる画素を同じ領域に含まれるとする方法や、各
画素あるいは数個の画素毎に同一クラスに属する画素に
よって形成される閉じた空間を一つ一つの領域として分
割を行なうこともできる。

【００３１】図５は本発明の第三の実施例を説明するた
めの画像の領域分割装置の構成図である。

【００３２】５１はフレームメモリ、５２，５３，５４
はヒストグラム生成器、５５，５６，５７は閾値算出
器、５８，５９，６０は境界追跡器、６１，６２，６３
は領域ラベル生成器、６７は領域分割器、６４，６５，
６６，６８はバッファメモリ、６９は領域情報算出器、
７０は領域間距離算出器、７１は比較器、７２は領域統
合器、７３は領域数算出器である。閾値算出器５５，５
６，５７は従来例と同様の構成でクラス間の分散を用い
た判別分析による方法を用いるものとする。

【００３３】まず、第１の実施例と同様に輝度Ｙ、色差
Ｒ−Ｙ、Ｂ−Ｙの各パラメータに対してそれぞれ独立に
ヒストグラム生成器５２，５３，５４によりヒストグラ
ムを生成し、閾値算出器５５，５６，５７により閾値を
所定の個数ずつ算出する。ここではＹ、Ｒ−Ｙ、Ｂ−Ｙ
のそれぞれに対し入力レベルの両端も入れて５個ずつの
閾値を算出する。

【００３４】次に、それぞれのパラメータに対して求め
られた閾値を用いて、画像を領域分割する。Ｙの閾値を
ＴＨＹ（０）〜ＴＨＹ（４）より画像は４つのクラスに
分けられる。同一クラスに属する画素によって形成され
る閉じた空間を一つ一つの領域として分割を行なう。境
界追跡器５８により、隣合う画素でクラスの異なる位置
を境界線として追跡し、閉じた境界線に囲まれた部分を
各々１つの領域とする。そして、領域ラベル生成器６１
により、各画素がどの領域に属しているかを示すラベル
を割り当て、バッファメモリ６４に記録する。

【００３５】同様にＲ−Ｙの閾値をＴＨＲ（０）〜ＴＨ
Ｒ（４）、Ｂ−Ｙの閾値をＴＨＢ（０）〜ＴＨＢ（４）
より、境界追跡器５９と領域ラベル生成器６２および境
界追跡器６０と領域ラベル生成器６３を用いて独立に画
像を領域分割する。次に領域分割器６７を用いて、各パ
ラメータにより分割された領域の組合せによって、画像
をさらに細かく領域分割し、バッファメモリ６８に記憶
する。図６に領域の分割、統合を行なう概念図を示す。

【００３６】バッファメモリ６４，６５，６６に蓄えら
れたラベルの組合せが同じである画素を新たに同じ領域
としてラベルづけして分類する。そして、領域情報算出
器６９を用いて各領域に属する画素データより各領域の
生起確率、平均値、領域の位置を示す基準として重心を
順次求め、バッファメモリ６８に記録する。次に、領域
間距離算出器７０を用いて、各領域間の平均値の差の自
乗和をレベル距離として算出する。また、同時に各領域
の重心間の距離を算出する。

【００３７】さらに、比較器７１を用いて隣接する領域
間でのレベル距離のもっとも小さい２つの領域の組を求
める。この求められた二領域のうち、生起確率の小さい
方の領域に属する画素を、もう一方の領域に属するよう
に領域統合器７２によって書き換える。そして、統合さ
れた領域の生起確率、平均値、重心を領域情報算出器６
９を用いて求める。

【００３８】領域が統合されるたびに領域数算出器７３
によりクラス数が更新され、所定のクラス数以下になる
まで上記の判定、統合処理を繰り返す。領域数が所定の
数以下になるまで上記の判定、統合処理を繰り返す。

【００３９】本実施例においては、クラス分割、統合処
理と同時に画面上の統合処理を行なうことができる。

【００４０】なお、以上の実施例において、入力データ
のパラメータの種類は輝度Ｙおよび色差Ｒ−Ｙ、Ｂ−Ｙ
を用いたが、これはＲ、Ｇ、ＢやＨ（色相）、Ｖ（彩
度）など他の色情報、パラメータを用いても良い。ま
た、入力データのパラメータの数は輝度Ｙおよび色差Ｒ
−Ｙ、Ｂ−Ｙの３種類を用いたが、これは２個以上の任
意の数を用いても良い。また、ヒストグラムを用いた閾
値の算出にクラス間の分散を用いた判別分析による方法
を用いるとしたが、これはヒストグラムの山谷の形状か
ら算出する方法などを用いても良い。

【００４１】さらに、本実施例においては、クラス間の
レベル距離として各クラス間の平均値の差の自乗和を用
いたが、これは各クラス間の平均値の差の絶対値和など
を用いても良い。また各パラメータごとに重みづけを施
して加えたり、重みづけを適応的に切替えたりしてもか
まわない。

【００４２】また、閾値算出器などを複数個備える構成
としたが、これは一つの算出器を時分割などにより共有
する構成でも良い。

【００４３】また、第三の実施例において、各領域の位
置を示す基準として重心を用いたが、これは領域の境界
線の縦横における二分点など他の数値を用いても良い
し、統合の判定基準としてレベル距離を用いたが、これ
はレベル距離と重心間の距離の重みづけした和など他の
基準を用いても良い。

【００４４】

【発明の効果】以上説明したように、本発明によれば、
各々のパラメータに対して独立にヒストグラムを生成
し、その組合せによりクラス分割、統合を行なうことに
より、より少ない計算回数で精度良く画像の領域分割を
行なうことが出来る。

【図面の簡単な説明】

【図１】本発明の第一の実施例の領域分割装置の構成を
示したブロック図

【図２】本発明の第一の実施例を説明するためのクラス
分類、統合の概念図

【図３】本発明の第二の実施例の領域分割装置の構成を
示したブロック図

【図４】本発明の第二の実施例を説明するためのクラス
分類、統合の概念図

【図５】本発明の第三の実施例の領域分割装置の構成を
示したブロック図

【図６】本発明の第三の実施例を説明するための領域分
割、統合の概念図

【図７】従来の領域分割装置の構成を示したブロック図

【符号の説明】

３２ ヒストグラム生成器 ３３ 閾値算出器 ３５ クラス分類器 ３７ クラス情報算出器 ４２ 比較器 ４３ クラス間レベル距離算出器 ４４ 平均レベル読み出し器 ４５ クラス統合器 ４６ クラス数算出器 ４７ 仮想データ発生器 ４８ 境界追跡器

Claims (7)

【特許請求の範囲】
1. 【請求項１】画像の所定の複数個のパラメータの各々に
   ついてヒストグラムを生成するヒストグラム生成手段
   と、前記ヒストグラム生成手段により生成した各々のヒ
   ストグラムから所定の個数の閾値を算出する閾値算出手
   段と、前記閾値算出手段により求められた各々のパラメ
   ータの閾値の組合せによって画像内の画素をクラス分け
   するクラス分類手段と、前記クラス分類手段により分類
   されたそれぞれのクラスに含まれる画素数を算出する画
   素数算出手段と、前記画素数算出手段により算出された
   画素数を比較する比較手段と、前記比較手段による比較
   の結果最も画素数の少ないクラスを最少クラスとして選
   出する最少クラス選出手段と、前記最少クラス選出手段
   により選出された最少クラスに隣接するクラスを選出す
   る隣接クラス選出手段と、前記隣接クラス選出手段によ
   り選出された隣接クラスの中から予め定めた条件に基づ
   き１つのクラスを統合クラスとして選出する統合クラス
   選出手段と、前記最少クラスに属する画素と前記統合ク
   ラスに属する画素を統合するクラス統合手段と、統合後
   のクラス数を算出するクラス数算出手段と、前記クラス
   数算出手段により求められたクラス数と予め定めた目標
   分割数とを比較し、クラス数が目標分割数を越えている
   間、前記の画素数算出およびクラス統合を繰り返す手段
   とを有することを特徴とする画像信号の領域分割装置。
2. 【請求項２】画像の所定の複数個のパラメータの各々に
   ついてヒストグラムを生成するヒストグラム生成手段
   と、前記ヒストグラム生成手段により生成した各々のヒ
   ストグラムから所定の個数の閾値を算出する閾値算出手
   段と、前記閾値算出手段により求められた各々のパラメ
   ータの閾値の組合せによって画像内の画素をクラス分け
   するクラス分類手段と、予め定めた条件に基づき各クラ
   ス間の近似度を求めるクラス間近似度算出手段と、前記
   クラス間近似度算出手段に基づき求められた近似度を比
   較する比較手段と、前記比較手段による比較の結果最も
   近似度の高い２クラスを選定する統合クラス選定手段
   と、前記統合クラス選定手段により選出された２つのク
   ラスを１つに統合するクラス統合手段と、統合後のクラ
   ス数を算出するクラス数算出手段と、前記クラス数算出
   手段により求められたクラス数と予め定めた目標分割数
   とを比較し、クラス数が目標分割数を越えている間、前
   記の画素数算出およびクラス統合を繰り返す手段とを有
   することを特徴とする画像信号の領域分割装置。
3. 【請求項３】画像の所定の複数個のパラメータの各々に
   ついてヒストグラムを生成するヒストグラム生成手段
   と、前記ヒストグラム生成手段により生成した各々のヒ
   ストグラムから所定の個数の閾値を算出する閾値算出手
   段と、前記閾値算出手段により求められた各々のパラメ
   ータの閾値の組合せによって画像内の画素をクラス分け
   するクラス分類手段と、同一のクラスに属しかつ隣接し
   た位置に存在する複数の画素が一つの領域に含まれるよ
   うに画像を小領域に分割する領域分割手段と、予め定め
   た条件に基づき分割された各領域間の近似度を求める近
   似度算出手段と、前記近似度算出手段により求められた
   近似度を比較する比較手段と、前記比較手段による比較
   の結果最も近似度の高い２領域を選定する統合領域選定
   手段と、前記統合領域選定手段により選出された２つの
   領域を１つの領域に統合する領域統合手段と、統合後の
   領域数を計算する領域数算出手段と、前記領域数算出手
   段により求められた領域数と予め定めた目標分割数とを
   比較し、領域数が目標分割数を越えている間、前記の画
   素数算出および領域統合を繰り返す手段とを有すること
   を特徴とする画像信号の領域分割装置。
4. 【請求項４】最少クラス選出手段にて選出された最少ク
   ラスおよび隣接クラス選出手段により選出された隣接ク
   ラスに属する画素の平均値をそれぞれ算出する平均値算
   出手段と、前記手段により算出された最少クラスの平均
   値および隣接クラスの平均値の差分を算出する減算手段
   と、前記手段により算出された平均値の差分を入力とす
   る所定の関数の出力を統合の判定値として算出する統合
   判定値算出手段と、前記手段により算出した統合の判定
   値を比較する比較手段と、前記手段による比較結果に基
   づき隣接クラスから統合クラスを選ぶ手段とを有するこ
   とを特徴とする請求項１記載の画像信号の領域分割装
   置。
5. 【請求項５】各クラスに属する画素の平均値を求める手
   段と、各クラス間の近似度を求める手段として、求めら
   れた平均値の各クラス間の差分を比較する手段を用いる
   ことを特徴とする請求項２記載の画像信号の領域分割装
   置。
6. 【請求項６】各領域に属する画素の平均値および各領域
   の重心を求める手段と、各領域間の平均値の差分を求め
   る手段と、各領域の重心間の距離を求める手段と、各領
   域間の平均値の差分と重心間の距離を入力とする所定の
   関数の出力を統合の判定値として算出する手段と、算出
   した統合の判定値を比較する手段と、比較結果に基づき
   隣接するクラスからクラス統合に用いるクラスを選ぶ手
   段とを有することを特徴とする請求項３記載の画像信号
   の領域分割装置。
7. 【請求項７】最も画素数の少ないクラスの画素数が０で
   あった時、前記クラスに属する画素を仮定する手段を有
   することを特徴とする請求項１または請求項２記載の画
   像信号の領域分割装置。