JPH06231245A - 画像処理フィルタの構成方法 - Google Patents
画像処理フィルタの構成方法Info
- Publication number
- JPH06231245A JPH06231245A JP5015684A JP1568493A JPH06231245A JP H06231245 A JPH06231245 A JP H06231245A JP 5015684 A JP5015684 A JP 5015684A JP 1568493 A JP1568493 A JP 1568493A JP H06231245 A JPH06231245 A JP H06231245A
- Authority
- JP
- Japan
- Prior art keywords
- filter
- image processing
- processing filter
- data
- weight vector
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000013598 vector Substances 0.000 claims abstract description 36
- 210000002569 neuron Anatomy 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 description 23
- 210000004027 cell Anatomy 0.000 description 14
- 238000003708 edge detection Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 240000002627 Cordeauxia edulis Species 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
Landscapes
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
(57)【要約】
【目的】 目的とする画像処理フィルタを、自動的に構
成する。 【構成】 本発明の画像処理フィルタの構成方法におい
ては、ピクセルをニューロンとして、既知のデータをニ
ューラルネットワーク技法を適用して、画像フィルタの
係数を学習によって修正して目的とするフィルタを構成
する。設計者が希望するフィルタの構成条件を設定する
（ステップ１１、１２）。既知のデータを用いて目的指
向のないフィルタ構成用データを生成する（ステップ２
１）。このデータをフィルタの重みベクトルで畳み込み
（ステップ２３）、Ｋｏｈｏｎｅｎ学習規則に従って学
習し（ステップ２４）、ガウスフィルタを用いてウイン
ドウの寸法を調整し（ステップ２５）、全てのユニット
についてニューロンの出力を計算し、ウイナーを決定す
る（ステップ２６、２７）。畳み込み結果を用いて重み
ベクトルを修正し（ステップ２８）、誤差評価を行う
（ステップ２９）。希望する精度がでるまで上記処理を
反復して、重みベクトルを修正する。修正された重みベ
クトルを有するフィルタを実際に運用する。
成する。 【構成】 本発明の画像処理フィルタの構成方法におい
ては、ピクセルをニューロンとして、既知のデータをニ
ューラルネットワーク技法を適用して、画像フィルタの
係数を学習によって修正して目的とするフィルタを構成
する。設計者が希望するフィルタの構成条件を設定する
（ステップ１１、１２）。既知のデータを用いて目的指
向のないフィルタ構成用データを生成する（ステップ２
１）。このデータをフィルタの重みベクトルで畳み込み
（ステップ２３）、Ｋｏｈｏｎｅｎ学習規則に従って学
習し（ステップ２４）、ガウスフィルタを用いてウイン
ドウの寸法を調整し（ステップ２５）、全てのユニット
についてニューロンの出力を計算し、ウイナーを決定す
る（ステップ２６、２７）。畳み込み結果を用いて重み
ベクトルを修正し（ステップ２８）、誤差評価を行う
（ステップ２９）。希望する精度がでるまで上記処理を
反復して、重みベクトルを修正する。修正された重みベ
クトルを有するフィルタを実際に運用する。
Description
【０００１】
【産業上の利用分野】本発明は、画像処理、パターン認
識などにニューラルネットワークを用いる技術に関する
ものであり、特に、目的とする特性を有する画像処理フ
ィルタ、たとえば、エッジ検出画像フィルタ、を既知の
データをニューラルネットワーク技法を用いて学習し自
己組織化（自己構成化）する技術に関する。
識などにニューラルネットワークを用いる技術に関する
ものであり、特に、目的とする特性を有する画像処理フ
ィルタ、たとえば、エッジ検出画像フィルタ、を既知の
データをニューラルネットワーク技法を用いて学習し自
己組織化（自己構成化）する技術に関する。
【０００２】
【従来の技術】画像処理、パターン認識などにおいて
は、エッジ検出、特徴抽出などのフィルタ処理を行う。
このような画像処理には、その目的に適った適切なフィ
ルタを用いる必要があり、種々の画像処理フィルタが提
案されている。
は、エッジ検出、特徴抽出などのフィルタ処理を行う。
このような画像処理には、その目的に適った適切なフィ
ルタを用いる必要があり、種々の画像処理フィルタが提
案されている。
【０００３】画像処理フィルタ設計における現在の技術
は、設計者が使用することを望む機能、たとえば、Ｇａ
ｂｏｒフィルタを正確に計算することである。しかしな
がら、この方法には下記２つの問題がある。第１の問題
は、たとえば、エッジ検出器として使用するのにどのフ
ィルタを運用するかというように、設計者が与えられた
課題に使用する最良のフィルタを知らないことである。
このことは、設計者が知っているか、または、目的指向
が最良であることを実際に示唆しているかに拘わらず、
最悪の結果を招く。この設計者の知識不足に起因する第
２の問題は、設計者が効率のよくない多くの冗長なフィ
ルタを使用する可能性があることである。換言すれば、
与えられた運用資源の無駄をもたらすということであ
る。
は、設計者が使用することを望む機能、たとえば、Ｇａ
ｂｏｒフィルタを正確に計算することである。しかしな
がら、この方法には下記２つの問題がある。第１の問題
は、たとえば、エッジ検出器として使用するのにどのフ
ィルタを運用するかというように、設計者が与えられた
課題に使用する最良のフィルタを知らないことである。
このことは、設計者が知っているか、または、目的指向
が最良であることを実際に示唆しているかに拘わらず、
最悪の結果を招く。この設計者の知識不足に起因する第
２の問題は、設計者が効率のよくない多くの冗長なフィ
ルタを使用する可能性があることである。換言すれば、
与えられた運用資源の無駄をもたらすということであ
る。
【０００４】生態系などにおける信号処理モデルの最適
なフィルタとして、ステアブル（steerable ：制御可
能）な目的指向形（オリエンティドな）画像処理フィル
タ、たとえば、エッジ検出画像フィルタを構成すること
が知られている。ステアブルフィルタとは、任意の方向
（適応性）のフィルタが１組の「ベーシス（basis)フィ
ルタ」の線形組み合わせとして合成されたフィルタのク
ラスとして記述される。このようなステアブルフィル
タ、および、ニューラルネットワーク技法に関する技術
としては、下記に挙げる文献１〜５に種々の手法が記述
されている。
なフィルタとして、ステアブル（steerable ：制御可
能）な目的指向形（オリエンティドな）画像処理フィル
タ、たとえば、エッジ検出画像フィルタを構成すること
が知られている。ステアブルフィルタとは、任意の方向
（適応性）のフィルタが１組の「ベーシス（basis)フィ
ルタ」の線形組み合わせとして合成されたフィルタのク
ラスとして記述される。このようなステアブルフィル
タ、および、ニューラルネットワーク技法に関する技術
としては、下記に挙げる文献１〜５に種々の手法が記述
されている。
【０００５】文献１：William T. Freman,et al,"Steer
able Filters for Early Vision,Image Analysis,and W
avelet Decomposition",IEEE 1990,pp.406-415 文献２：K.Obermayer,et al,"Development and Spatial
of Cortical FeatureMaps:A Model Study,Advances in
Nuetral Information Processing Systems,3,1991,pp.
11-17 文献３：Ralph Linsker,"From basis network principl
es to nueral architecture:Emergence of spatial-opp
onent cells",Proc. Natl. Acad. Sci. USA,Vol.83,No
v. 1986,pp.7508-7512 文献４：Ralph Linsker,"From basis network principl
es to nueral architecture:Emergence of orientation
-selective cells",Proc. Natl. Acad. Sci. USA,Vol.8
3,Nov. 1986,pp.8390-8394 文献５：J.Rubner,et al,"Development of Feature Det
ectors by Self-Organization,Biological Cybernetic
s,Vol.62,1990,pp.193-199
able Filters for Early Vision,Image Analysis,and W
avelet Decomposition",IEEE 1990,pp.406-415 文献２：K.Obermayer,et al,"Development and Spatial
of Cortical FeatureMaps:A Model Study,Advances in
Nuetral Information Processing Systems,3,1991,pp.
11-17 文献３：Ralph Linsker,"From basis network principl
es to nueral architecture:Emergence of spatial-opp
onent cells",Proc. Natl. Acad. Sci. USA,Vol.83,No
v. 1986,pp.7508-7512 文献４：Ralph Linsker,"From basis network principl
es to nueral architecture:Emergence of orientation
-selective cells",Proc. Natl. Acad. Sci. USA,Vol.8
3,Nov. 1986,pp.8390-8394 文献５：J.Rubner,et al,"Development of Feature Det
ectors by Self-Organization,Biological Cybernetic
s,Vol.62,1990,pp.193-199
【０００６】文献１は、複数の小さなベーシス（basis)
フィルタの線形組み合わせから目的指向形フィルタを構
成する理論を紹介している。この理論は、複数のベーシ
スフィルタの組と、複数の乗算回路と、複数のゲインマ
ップと、加算回路を設け、実際の画像データを複数のベ
ーシスフィルタに印加して、フィルタリングさせ、その
フィルタリング結果とゲインマップからのゲインを乗算
回路でそれぞれ乗算し、これらの乗算結果を加算回路で
加算し、目的指向形フィルタによる画像を提供する。こ
の理論の適用例としては、局所的な方向性の解析、角度
適応形フィルタ、画像の輪郭検出、陰影から陰影を形状
を解析する手法（Shape From Shading Analisis)などが
試みられている。
フィルタの線形組み合わせから目的指向形フィルタを構
成する理論を紹介している。この理論は、複数のベーシ
スフィルタの組と、複数の乗算回路と、複数のゲインマ
ップと、加算回路を設け、実際の画像データを複数のベ
ーシスフィルタに印加して、フィルタリングさせ、その
フィルタリング結果とゲインマップからのゲインを乗算
回路でそれぞれ乗算し、これらの乗算結果を加算回路で
加算し、目的指向形フィルタによる画像を提供する。こ
の理論の適用例としては、局所的な方向性の解析、角度
適応形フィルタ、画像の輪郭検出、陰影から陰影を形状
を解析する手法（Shape From Shading Analisis)などが
試みられている。
【０００７】文献２は、大脳皮質のマップ組織のモデル
を研究した結果を述べている。ここでは自己組織化特徴
マップを用いて高次元のデータを二次元格子に組織化す
ることを述べている。その結果、下記に列挙する種々の
重要な性質が見出されたと報告されている。 （１）データ内に存在する特徴が特別の特徴を変数で階
層的にマップ化されること。 （２）類似する特徴が格子の上の近接する位置を伴うセ
ル（細胞）にマップ化されること。 （３）モデルが視認可能な皮質内の大脳皮質のある展望
を再生すること。
を研究した結果を述べている。ここでは自己組織化特徴
マップを用いて高次元のデータを二次元格子に組織化す
ることを述べている。その結果、下記に列挙する種々の
重要な性質が見出されたと報告されている。 （１）データ内に存在する特徴が特別の特徴を変数で階
層的にマップ化されること。 （２）類似する特徴が格子の上の近接する位置を伴うセ
ル（細胞）にマップ化されること。 （３）モデルが視認可能な皮質内の大脳皮質のある展望
を再生すること。
【０００８】文献３および文献４は、ニューラルの相互
作用ための局所的なＨｅｂｂｉａｎ規則を用いてモデル
を表しており、訓練（学習）に使用されるデータの組が
ランダムな電気的なアクティビティであること述べてい
る。文献３は、特に、空間的な相手（opponent) 細胞の
出現を述べている。この論文は、つまり、空間的な相手
細胞の展開によってプロセスをモデル化することを述べ
ている。文献４は、文献３に続くものであり、空間的な
相手細胞の層の頂部に他の層の細胞を加えて、目的を指
向する選択的な細胞を組織化することを述べている。
作用ための局所的なＨｅｂｂｉａｎ規則を用いてモデル
を表しており、訓練（学習）に使用されるデータの組が
ランダムな電気的なアクティビティであること述べてい
る。文献３は、特に、空間的な相手（opponent) 細胞の
出現を述べている。この論文は、つまり、空間的な相手
細胞の展開によってプロセスをモデル化することを述べ
ている。文献４は、文献３に続くものであり、空間的な
相手細胞の層の頂部に他の層の細胞を加えて、目的を指
向する選択的な細胞を組織化することを述べている。
【０００９】文献５に述べられているモデルは、Ｈｅｂ
ｂｉａｎ相互作用に類似するもの(および、アンチ
（反）Ｈｅｂｂｉａｎ相互作用) を用いてニューロンを
組織化するものであるが、接続（関連）構造はいくぶん
技巧をこらしている。しかしながら、この結果は、ニュ
ーロンの重みベクトルがフィルタの直角の組、つまり、
データの固有値を構成するものである。提供されるデー
タはローパスフィルタされたガウスノイズである。フィ
ルタリングの効果は上記文献に記載されたように空間的
な相手細胞の低い層を示すように意図されている。
ｂｉａｎ相互作用に類似するもの(および、アンチ
（反）Ｈｅｂｂｉａｎ相互作用) を用いてニューロンを
組織化するものであるが、接続（関連）構造はいくぶん
技巧をこらしている。しかしながら、この結果は、ニュ
ーロンの重みベクトルがフィルタの直角の組、つまり、
データの固有値を構成するものである。提供されるデー
タはローパスフィルタされたガウスノイズである。フィ
ルタリングの効果は上記文献に記載されたように空間的
な相手細胞の低い層を示すように意図されている。
【００１０】
【発明が解決しようとする課題】このように、上述した
文献１〜５に開示された方法はそのままでは本発明の対
象とする画像処理フィルタ、たとえば、画像のエッジを
検出するフィルタにそのままでは適用できない。また、
Ｇａｂｏｒフィルタを正確に計算するような場合、上述
した問題がある。
文献１〜５に開示された方法はそのままでは本発明の対
象とする画像処理フィルタ、たとえば、画像のエッジを
検出するフィルタにそのままでは適用できない。また、
Ｇａｂｏｒフィルタを正確に計算するような場合、上述
した問題がある。
【００１１】したがって、本発明は、画像処理を設計す
る設計者にとって、その画像処理に適した画像処理フィ
ルタ、たとえば、エッジ検出用画像処理フィルタを自動
的に容易に設計できる方法を提供することにある。
る設計者にとって、その画像処理に適した画像処理フィ
ルタ、たとえば、エッジ検出用画像処理フィルタを自動
的に容易に設計できる方法を提供することにある。
【００１２】
【課題を解決するための手段】本発明の画像処理フィル
タの構成方法は、図１に示すように、まず、ステップ１
のフィルタ条件設定段階において、設計者が希望する画
像処理フィルタの特性などを決定し、そのための設計条
件、画像処理フィルタを構成するためのパラメータなど
を設定した後、ステップ２のフィルタ構成段階（訓練段
階または学習段階）に示すように、上記設計者から与え
られたフィルタ設定条件に従って、ニューラルネットワ
ーク手法による学習（訓練）を行い、設計者が希望する
画像処理フィルタを自己組織化する。このようにして構
成された画像処理フィルタが、ステップ３において、実
際に運用される。
タの構成方法は、図１に示すように、まず、ステップ１
のフィルタ条件設定段階において、設計者が希望する画
像処理フィルタの特性などを決定し、そのための設計条
件、画像処理フィルタを構成するためのパラメータなど
を設定した後、ステップ２のフィルタ構成段階（訓練段
階または学習段階）に示すように、上記設計者から与え
られたフィルタ設定条件に従って、ニューラルネットワ
ーク手法による学習（訓練）を行い、設計者が希望する
画像処理フィルタを自己組織化する。このようにして構
成された画像処理フィルタが、ステップ３において、実
際に運用される。
【００１３】つまり、本発明は、ステップ１の設定段階
において設定された条件に基づいて、ステップ２の訓練
段階において決定された画像フィルタのフィルタ係数に
対応するニューロンの重み（ウエート）ベクトルを用い
て、希望する画像処理フィルタ、たとえば、１組のエッ
ジ検出目的指向形フィルタを形成する。
において設定された条件に基づいて、ステップ２の訓練
段階において決定された画像フィルタのフィルタ係数に
対応するニューロンの重み（ウエート）ベクトルを用い
て、希望する画像処理フィルタ、たとえば、１組のエッ
ジ検出目的指向形フィルタを形成する。
【００１４】したがって、本発明の画像処理フィルタの
構成方法は、ニューラルネットワーク手法により既知の
例示的なデータを用いて画像処理フィルタを自己組織化
（self-organizing)し、目的とする特性を有する画像処
理フィルタ、たとえば、エッジ検出用画像処理フィルタ
を構成する。
構成方法は、ニューラルネットワーク手法により既知の
例示的なデータを用いて画像処理フィルタを自己組織化
（self-organizing)し、目的とする特性を有する画像処
理フィルタ、たとえば、エッジ検出用画像処理フィルタ
を構成する。
【００１５】特定的には、前記画像処理フィルタを構成
するに際して、ステップ１の設定処理として、（ａ）設
計者が、画像処理フィルタ構成装置に、上記目的とする
画像処理フィルタの特性を示すパラメータ、および、フ
ィルタ係数（重みベクトル）の初期値を設定する。この
画像処理フィルタ構成装置は、目的とする画像処理フィ
ルタが組み込まれ、本発明の下記に述べる訓練（学習）
によって構成された画像処理フィルタが運用される装
置、または、別途、オフライン的な画像処理フィルタ構
成装置を用いることができる。ついで、ステップ２の処
理として、（ｂ）既知の例示的なデータを用いて目的指
向を持たない画像処理フィルタを構成するデータを算出
し、（ｃ）ニューラルネットワークにおけるニューロン
の出力を画像データをそのフィルタで畳み込んだ単一の
ピクセルとして、前記算出された画像処理フィルタ構成
用データデータと前記重みベクトルとの畳み込み演算を
行い、（ｄ）その畳み込み演算結果から前記重みベクト
ルを修正し、（ｅ）誤差評価を行い、（ｆ）該評価結果
が所定値に到達するまで、前記ステップｃ〜ステップｅ
の処理を反復する。
するに際して、ステップ１の設定処理として、（ａ）設
計者が、画像処理フィルタ構成装置に、上記目的とする
画像処理フィルタの特性を示すパラメータ、および、フ
ィルタ係数（重みベクトル）の初期値を設定する。この
画像処理フィルタ構成装置は、目的とする画像処理フィ
ルタが組み込まれ、本発明の下記に述べる訓練（学習）
によって構成された画像処理フィルタが運用される装
置、または、別途、オフライン的な画像処理フィルタ構
成装置を用いることができる。ついで、ステップ２の処
理として、（ｂ）既知の例示的なデータを用いて目的指
向を持たない画像処理フィルタを構成するデータを算出
し、（ｃ）ニューラルネットワークにおけるニューロン
の出力を画像データをそのフィルタで畳み込んだ単一の
ピクセルとして、前記算出された画像処理フィルタ構成
用データデータと前記重みベクトルとの畳み込み演算を
行い、（ｄ）その畳み込み演算結果から前記重みベクト
ルを修正し、（ｅ）誤差評価を行い、（ｆ）該評価結果
が所定値に到達するまで、前記ステップｃ〜ステップｅ
の処理を反復する。
【００１６】目的とする画像処理フィルタが、エッジ検
出用画像フィルタの場合、上記、目的指向を持たない画
像処理フィルタを構成するデータとしては、エッジ強調
画像データとして生成される。
出用画像フィルタの場合、上記、目的指向を持たない画
像処理フィルタを構成するデータとしては、エッジ強調
画像データとして生成される。
【００１７】また好適には、上述した文献に記載のＫｏ
ｈｏｎｅｎの自己組織化特徴マップ、または、Ｈｅｂｂ
ｉａｎ学習規則などを適用して、前記学習処理を行い目
的とする画像処理フィルタを構成する。
ｈｏｎｅｎの自己組織化特徴マップ、または、Ｈｅｂｂ
ｉａｎ学習規則などを適用して、前記学習処理を行い目
的とする画像処理フィルタを構成する。
【００１８】さらに好適には、前記ステップｂにおい
て、前記既知の例示的な画像処理データをガウスフィル
タのラプラシアンで畳み込み、特定の目的指向を持たな
いフィルタ構成用データを生成し、前記ステップｄにお
いて、このフィルタ構成用データを前記重みベクトルで
畳み込んで、自己組織化された画像処理フィルタを構成
する。
て、前記既知の例示的な画像処理データをガウスフィル
タのラプラシアンで畳み込み、特定の目的指向を持たな
いフィルタ構成用データを生成し、前記ステップｄにお
いて、このフィルタ構成用データを前記重みベクトルで
畳み込んで、自己組織化された画像処理フィルタを構成
する。
【００１９】
【作用】本発明の画像処理フィルタの構成方法によって
構成された画像処理フィルタの運用は、通常の画像処理
フィルタの運用と同じく、単にその画像フィルタを使用
することであるから、以下、図１ステップ１における設
計者が与えるフィルタ設定条件の設定と、ステップ２に
おける訓練段階における画像処理フィルタの構成方法
（訓練処理）を中心に述べる。
構成された画像処理フィルタの運用は、通常の画像処理
フィルタの運用と同じく、単にその画像フィルタを使用
することであるから、以下、図１ステップ１における設
計者が与えるフィルタ設定条件の設定と、ステップ２に
おける訓練段階における画像処理フィルタの構成方法
（訓練処理）を中心に述べる。
【００２０】まず、本発明の画像処理フィルタの構成方
法に適用するニューラルネットワークの簡単な一般的な
説明をする。ある人が「ニューロン」、「ユニット」、
または「セル（細胞）」を想定するとき、意味している
ことは何かというと、それは、「重みベクトル」ＷN 内
に配設された、その「重み」自体の組、またはその値の
組を持つ、少なくともデータの構造Ｎである。各ユニッ
トの入力は、その「受容野（receptive field)」として
参照され、この受容野とは「入力ベクトル」Ｘ内に配設
された入力データの組をいう。なお、受容野とは、視覚
神経系において、網膜に刺激を与えたときに、ある１個
の神経細胞の反応に影響を与えるような網膜上の領域を
いう。
法に適用するニューラルネットワークの簡単な一般的な
説明をする。ある人が「ニューロン」、「ユニット」、
または「セル（細胞）」を想定するとき、意味している
ことは何かというと、それは、「重みベクトル」ＷN 内
に配設された、その「重み」自体の組、またはその値の
組を持つ、少なくともデータの構造Ｎである。各ユニッ
トの入力は、その「受容野（receptive field)」として
参照され、この受容野とは「入力ベクトル」Ｘ内に配設
された入力データの組をいう。なお、受容野とは、視覚
神経系において、網膜に刺激を与えたときに、ある１個
の神経細胞の反応に影響を与えるような網膜上の領域を
いう。
【００２１】ニューロンは、重みベクトルＷN と入力ベ
クトルＸとの「出力関数」Ａ（．）を遂行する。ここ
で、出力関数Ａ（．）最も簡単な形態は、下記式１に示
した２つのベクトルのスカラー（ドット）積として表さ
れる。
クトルＸとの「出力関数」Ａ（．）を遂行する。ここ
で、出力関数Ａ（．）最も簡単な形態は、下記式１に示
した２つのベクトルのスカラー（ドット）積として表さ
れる。
【００２２】
【数１】
【００２３】このように、２つのベクトルの位置に対応
する値ＷN 、Ｘは関連している。画像処理の場合、画像
のある領域として入力ベクトルＸ、そして、ディジタル
フィルタの係数として重みベクトルＷN を考える。この
関係を図２に図解した。ニューロンの出力は、入力画像
データをディジタルフィルタで畳み込んだ（convolutio
n)単一のピクセルとして考えられる。
する値ＷN 、Ｘは関連している。画像処理の場合、画像
のある領域として入力ベクトルＸ、そして、ディジタル
フィルタの係数として重みベクトルＷN を考える。この
関係を図２に図解した。ニューロンの出力は、入力画像
データをディジタルフィルタで畳み込んだ（convolutio
n)単一のピクセルとして考えられる。
【００２４】ニューラルネットワークの考えは、ある種
のニューロンの概念的な配置の集合である。かりに、上
記文献に開示されているようなよく知られているＫｏｈ
ｏｎｅｎの自己組織化特徴マップの配置を採用したと
き、Ｓ個のニューロンの組の各ニューロン出力は格子状
に配置されるから、格子にある点相互間のユークリッド
距離としてのニューロン相互間の概念的な距離が規定で
きる。ニューロンの格子の大きさ（寸法）は、利用者
（設計者）によって選択される他のパラメータである。
図３はこの関係を示す代表的な構成を示す。
のニューロンの概念的な配置の集合である。かりに、上
記文献に開示されているようなよく知られているＫｏｈ
ｏｎｅｎの自己組織化特徴マップの配置を採用したと
き、Ｓ個のニューロンの組の各ニューロン出力は格子状
に配置されるから、格子にある点相互間のユークリッド
距離としてのニューロン相互間の概念的な距離が規定で
きる。ニューロンの格子の大きさ（寸法）は、利用者
（設計者）によって選択される他のパラメータである。
図３はこの関係を示す代表的な構成を示す。
【００２５】適切な入力データがニューロンの受容野に
提供される（しばしば全てについて同じ入力である）。
ニューラルネットワークの訓練アルゴリズムは、画像フ
ィルタのフィルタ係数に相当する、それらのニューロン
の重みベクトルを修正する関数として定義される。その
ような関数としては種々の形態をとりうるが、ここで本
発明の関心の対象としているのは、与えられた既知のデ
ータのみを用いてネットワークを訓練する（ニューロン
の重みを修正する）ものである。この方法は、自己組織
形ニューラルネットワーク訓練アルゴリズムと定義され
る。
提供される（しばしば全てについて同じ入力である）。
ニューラルネットワークの訓練アルゴリズムは、画像フ
ィルタのフィルタ係数に相当する、それらのニューロン
の重みベクトルを修正する関数として定義される。その
ような関数としては種々の形態をとりうるが、ここで本
発明の関心の対象としているのは、与えられた既知のデ
ータのみを用いてネットワークを訓練する（ニューロン
の重みを修正する）ものである。この方法は、自己組織
形ニューラルネットワーク訓練アルゴリズムと定義され
る。
【００２６】一般的に、この訓練アルゴリズムは、ある
終了時点に到達するまで、たとえば、ある種の測定誤差
平均が最小になるまで、例示的なデータを提供し、重み
ベクトルとの畳み込み演算を行い、その結果からニュー
ラルネットワークの重みを修正すること、を反復する。
しばしば、ネットワーク出力関数が訓練性能を測定する
ように定義されるが、ここで述べている訓練アルゴリズ
ムは重みベクトルを利用可能な画像フィルタに修正する
ことのみを記述する。
終了時点に到達するまで、たとえば、ある種の測定誤差
平均が最小になるまで、例示的なデータを提供し、重み
ベクトルとの畳み込み演算を行い、その結果からニュー
ラルネットワークの重みを修正すること、を反復する。
しばしば、ネットワーク出力関数が訓練性能を測定する
ように定義されるが、ここで述べている訓練アルゴリズ
ムは重みベクトルを利用可能な画像フィルタに修正する
ことのみを記述する。
【００２７】より具体的に本発明の画像処理フィルタの
構成方法について述べると、既知のデータを用いて、ニ
ューラルネットワーク技法を用いて目的とする画像処理
フィルタのフィルタ係数、つまり、重みベクトルを、訓
練（学習）しながら、最適な値に修正することになる。
換言すれば、本発明の画像処理フィルタの構成方法は、
画像処理フィルタの構成に際して、既知のデータを用い
てニューラルネットワーク技法によって重みベクトルを
決定するというデータ依存技法により、１組のステアブ
ルな目的指向形画像処理フィルタ、たとえば、エッジ検
出画像フィルタを構成する。また換言すれば、本発明は
このように、畳み込み操作を組み合わせた簡単な自己組
織化ニューラルネットワーク技法を画像処理フィルタの
構成に適用して、学習によって修正された重みベクトル
の組を有する１組の目的指向形選択フィルタを生成す
る。
構成方法について述べると、既知のデータを用いて、ニ
ューラルネットワーク技法を用いて目的とする画像処理
フィルタのフィルタ係数、つまり、重みベクトルを、訓
練（学習）しながら、最適な値に修正することになる。
換言すれば、本発明の画像処理フィルタの構成方法は、
画像処理フィルタの構成に際して、既知のデータを用い
てニューラルネットワーク技法によって重みベクトルを
決定するというデータ依存技法により、１組のステアブ
ルな目的指向形画像処理フィルタ、たとえば、エッジ検
出画像フィルタを構成する。また換言すれば、本発明は
このように、畳み込み操作を組み合わせた簡単な自己組
織化ニューラルネットワーク技法を画像処理フィルタの
構成に適用して、学習によって修正された重みベクトル
の組を有する１組の目的指向形選択フィルタを生成す
る。
【００２８】このようにして構成される画像処理フィル
タは画像処理の広い範囲に明確に発生されたものとし
て、使用できる。つまり、自己組織化処理により、ニュ
ーラルネットワークが示されたデータを慣習化した画像
処理フィルタが抽出できる。これは、自己組織化ニュー
ラルネットワークの本質的に重要な特性である。このフ
ィルタは与えられたデータを慣習化するという効果があ
る。
タは画像処理の広い範囲に明確に発生されたものとし
て、使用できる。つまり、自己組織化処理により、ニュ
ーラルネットワークが示されたデータを慣習化した画像
処理フィルタが抽出できる。これは、自己組織化ニュー
ラルネットワークの本質的に重要な特性である。このフ
ィルタは与えられたデータを慣習化するという効果があ
る。
【００２９】このように、統計的に最良のフィルタを使
用することを決定するためにデータを使用するとき、自
己組織化方法がより効率的であり、手製のフィルタの組
を使用するより、その適用において正確である。また、
技術者が最適な目的指向形（ステアブル）フィルタを構
成するために必要な情報を決定するために統計的な方法
を使用する事態において、ニューラルネットワークがデ
ータの同じ静的なデータによって制御できるから、ニュ
ーロンが技術者の問題を簡略化する。
用することを決定するためにデータを使用するとき、自
己組織化方法がより効率的であり、手製のフィルタの組
を使用するより、その適用において正確である。また、
技術者が最適な目的指向形（ステアブル）フィルタを構
成するために必要な情報を決定するために統計的な方法
を使用する事態において、ニューラルネットワークがデ
ータの同じ静的なデータによって制御できるから、ニュ
ーロンが技術者の問題を簡略化する。
【００３０】訓練アルゴリズムについて詳述する。画像
データＩ（ｘ，ｙ）が与えられたとき、ガウスフィルタ
のラプラシアン（２階微分）でその画像を畳み込み、特
定の目的指向を持たないエッジ強調画像を生成すること
である。この関数の式は下記式２で表される。
データＩ（ｘ，ｙ）が与えられたとき、ガウスフィルタ
のラプラシアン（２階微分）でその画像を畳み込み、特
定の目的指向を持たないエッジ強調画像を生成すること
である。この関数の式は下記式２で表される。
【００３１】
【数２】
【００３２】式２において、係数Ｋは重要ではなく、異
なるウインドーの寸法の関数を計量化するために経験的
に設定すべきである。ここでは、利用者が規定する他の
パラメータとして、このフィルタを使用するためにパラ
メータσをどうするかということだけである。換言すれ
ば、どのような分解能を使用するかということだけであ
る。この画像は、局部的な「正弦曲線」特徴を有する元
の画像におけるエッジを特徴づける一方、同時に画像を
ぼんやりさせる。発生された画像はそれから、ニューラ
ルネットワークアルゴリズムの入力データとして使用さ
れる。
なるウインドーの寸法の関数を計量化するために経験的
に設定すべきである。ここでは、利用者が規定する他の
パラメータとして、このフィルタを使用するためにパラ
メータσをどうするかということだけである。換言すれ
ば、どのような分解能を使用するかということだけであ
る。この画像は、局部的な「正弦曲線」特徴を有する元
の画像におけるエッジを特徴づける一方、同時に画像を
ぼんやりさせる。発生された画像はそれから、ニューラ
ルネットワークアルゴリズムの入力データとして使用さ
れる。
【００３３】本発明の学習において、特別な学習規則
「１」の使用が、良く知られた「Ｋｏｈｏｎｅｎの自己
組織化特徴マップアルゴリズム」、および、「Ｈｅｂｂ
ｉａｎの学習規則」に関連づけられる。各訓練段階にお
いて、正方形のウインドーが画像データからランダムに
サンプルされる。ウインドーの大きさは、希望するフィ
ルタの大きさに基づいて、利用者によって特定される。
このウインドーは全てのニューロンの受容野（換言すれ
ば、入力データＸ）として、使用されるべきである。つ
いで、このウインドーは、そのパラメータσと振幅とが
利用者によって特定されているガウスフィルタによって
大きさ（寸法）が調整される。再び、そのパラメータが
利用者が望む分解能に反映されるべきである。たとえ
ば、後述する実験において、ガウスパラメータσを受容
野の一方の側の寸法の半分に等しくする。
「１」の使用が、良く知られた「Ｋｏｈｏｎｅｎの自己
組織化特徴マップアルゴリズム」、および、「Ｈｅｂｂ
ｉａｎの学習規則」に関連づけられる。各訓練段階にお
いて、正方形のウインドーが画像データからランダムに
サンプルされる。ウインドーの大きさは、希望するフィ
ルタの大きさに基づいて、利用者によって特定される。
このウインドーは全てのニューロンの受容野（換言すれ
ば、入力データＸ）として、使用されるべきである。つ
いで、このウインドーは、そのパラメータσと振幅とが
利用者によって特定されているガウスフィルタによって
大きさ（寸法）が調整される。再び、そのパラメータが
利用者が望む分解能に反映されるべきである。たとえ
ば、後述する実験において、ガウスパラメータσを受容
野の一方の側の寸法の半分に等しくする。
【００３４】ついで、全てのユニットの出力が計算さ
れ、ウイナー（winner) の出力が最高になるように、ウ
イナーが選択する。それから、各ニューロンの重みを下
記式にもとづいて修正する。
れ、ウイナー（winner) の出力が最高になるように、ウ
イナーが選択する。それから、各ニューロンの重みを下
記式にもとづいて修正する。
【００３５】
【数３】
【００３６】ここで、win は勝っているニューロンであ
り、Ａ（win ）は勝っているニューロンの出力であり、
Ｎは訓練しているセル（細胞）であり、εは利用者（設
計者）が定義した訓練パラメータであり、ｈν（win ，
Ｎ）は、利用者が定義した隣接関数であり、この関数は
win から訓練しているセルＮの格子を減少させるもので
あり。
り、Ａ（win ）は勝っているニューロンの出力であり、
Ｎは訓練しているセル（細胞）であり、εは利用者（設
計者）が定義した訓練パラメータであり、ｈν（win ，
Ｎ）は、利用者が定義した隣接関数であり、この関数は
win から訓練しているセルＮの格子を減少させるもので
あり。
【００３７】隣接関数ｈν（win ，Ｎ）は下記式で定義
される。
される。
【００３８】
【数４】
【数５】
【００３９】また、不確定性が増大することからニュー
ロンの重みを維持するため、それらのニューロンは、＋
win max と−win max の範囲の任意のレベルに固定する
必要がある。十分なニューロンが与えられ、利用者から
適切な定義パラメータが与えられると、ネットワーク重
みベクトルが（ステアブル）目的指向形エッジ検出フィ
ルタの係数（重みベクトル）に収束する。このようにし
て、自己組織化された画像処理フィルタが実際に運用さ
れる。
ロンの重みを維持するため、それらのニューロンは、＋
win max と−win max の範囲の任意のレベルに固定する
必要がある。十分なニューロンが与えられ、利用者から
適切な定義パラメータが与えられると、ネットワーク重
みベクトルが（ステアブル）目的指向形エッジ検出フィ
ルタの係数（重みベクトル）に収束する。このようにし
て、自己組織化された画像処理フィルタが実際に運用さ
れる。
【００４０】
【実施例】図４は、既知のデータを用いてニューラルネ
ットワーク技法によって自己組織化する本発明の画像処
理フィルタの構成方法の手順を示すフローチャートであ
る。図４は、図１に示したステップ１に相当する設定段
階として、ステップ１１（Ｓ１１）およびステップ１２
（Ｓ１２）、および、図１に示したステップ２に相当す
る訓練（学習）段階として、ステップ２１（Ｓ２１）〜
ステップ２９（Ｓ２９）として、設定段階の処理および
訓練段階の処理を詳細を図解している。
ットワーク技法によって自己組織化する本発明の画像処
理フィルタの構成方法の手順を示すフローチャートであ
る。図４は、図１に示したステップ１に相当する設定段
階として、ステップ１１（Ｓ１１）およびステップ１２
（Ｓ１２）、および、図１に示したステップ２に相当す
る訓練（学習）段階として、ステップ２１（Ｓ２１）〜
ステップ２９（Ｓ２９）として、設定段階の処理および
訓練段階の処理を詳細を図解している。
【００４１】ステップ１１：設計者は、自己の希望する
画像処理フィルタ、たとえば、エッジ検出画像用フィル
タの特性を決定する。 ステップ１２：次いで，設計者は、その特性に応じた設
定条件およびパラメータを画像処理フィルタ構成処理装
置に設定する。 設定するパラメータとしては、隣接関数ｈν、パラメー
タσ、ウインドウ、格子の大きさ、学習比率、目的指向
を持たないデータを生成するための既知の参照データな
どがある。なお、画像処理フィルタ構成装置としては、
本発明によって構成（自己組織ガウス）される画像処理
フィルタを用いて実際に画像処理を行う画像処理装置を
用いる、または、そのような装置と別個の画像処理構成
用のオフラインの装置を用いることができる。
画像処理フィルタ、たとえば、エッジ検出画像用フィル
タの特性を決定する。 ステップ１２：次いで，設計者は、その特性に応じた設
定条件およびパラメータを画像処理フィルタ構成処理装
置に設定する。 設定するパラメータとしては、隣接関数ｈν、パラメー
タσ、ウインドウ、格子の大きさ、学習比率、目的指向
を持たないデータを生成するための既知の参照データな
どがある。なお、画像処理フィルタ構成装置としては、
本発明によって構成（自己組織ガウス）される画像処理
フィルタを用いて実際に画像処理を行う画像処理装置を
用いる、または、そのような装置と別個の画像処理構成
用のオフラインの装置を用いることができる。
【００４２】画像処理フィルタ構成装置は、上記設定さ
れたパラメータおよびデータに基づいて、以下に述べる
ニューラルネットワークを用いた学習（訓練）処理を行
い、自己組織化された希望する（目的指向形）画像処理
フィルタを構成する。より特定的には、画像処理フィル
タの係数（重みベクトル）を決定する。
れたパラメータおよびデータに基づいて、以下に述べる
ニューラルネットワークを用いた学習（訓練）処理を行
い、自己組織化された希望する（目的指向形）画像処理
フィルタを構成する。より特定的には、画像処理フィル
タの係数（重みベクトル）を決定する。
【００４３】ステップ２１：画像処理フィルタ構成装置
は、上記設定された既知の参照データを用いて、目的指
向を持たないデータ、たとえば、画像処理フィルタをエ
ッジ検出用フィルタとした場合、エッジ強調画像データ
を生成する。 ステップ２２：画像処理フィルタ構成装置は、生成され
たエッジ強調画像データをニューラルネットワークの入
力データとして読み込む。 ステップ２３：画像処理フィルタ構成装置は上述した式
１に従って、フィルタ構成用データとすでに設定された
重みベクトルの初期値との畳み込み演算を行う。 ステップ２４：画像処理フィルタ構成装置は、たとえ
ば、Ｋｏｈｏｎｅｎ学習規則に従って、学習処理を行
う。なお、この学習処理としては、Ｋｏｈｏｎｅｎ学習
規則に代えて、Ｈｅｂｂｉａｎ学習規則を用いてもよ
い。 ステップ２５：画像処理フィルタ構成装置は、設定され
たウインドウをガウスフィルタを用いてその寸法を調整
する。 ステップ２６：画像処理フィルタ構成装置は全てのユニ
ットについて、ピクセルに相当するニューロンの出力を
計算する。 ステップ２７：画像処理フィルタ構成装置は計算した全
てのユニットから、従ってウイナーを決定する。 ステップ２８：画像処理フィルタ構成装置は、上記式３
に従って重みベクトルを修正する。 ステップ２９、３０：画像処理フィルタの構成装置は、
誤差測定を行い、その平均誤差が所定の範囲内が否かを
判別して、その重みベクトルによる画像処理フィルタが
目的する特性を示すものか否かを決定する。なお、この
判別方法の他の方法としては、ある画像データについ
て、上記訓練段階の自己組織化された画像処理フィルタ
を適用して、その結果を表示装置に表示し、その表示結
果が目的とするフィルタ特性を有するものか否かを目視
などによって判断してもよい。
は、上記設定された既知の参照データを用いて、目的指
向を持たないデータ、たとえば、画像処理フィルタをエ
ッジ検出用フィルタとした場合、エッジ強調画像データ
を生成する。 ステップ２２：画像処理フィルタ構成装置は、生成され
たエッジ強調画像データをニューラルネットワークの入
力データとして読み込む。 ステップ２３：画像処理フィルタ構成装置は上述した式
１に従って、フィルタ構成用データとすでに設定された
重みベクトルの初期値との畳み込み演算を行う。 ステップ２４：画像処理フィルタ構成装置は、たとえ
ば、Ｋｏｈｏｎｅｎ学習規則に従って、学習処理を行
う。なお、この学習処理としては、Ｋｏｈｏｎｅｎ学習
規則に代えて、Ｈｅｂｂｉａｎ学習規則を用いてもよ
い。 ステップ２５：画像処理フィルタ構成装置は、設定され
たウインドウをガウスフィルタを用いてその寸法を調整
する。 ステップ２６：画像処理フィルタ構成装置は全てのユニ
ットについて、ピクセルに相当するニューロンの出力を
計算する。 ステップ２７：画像処理フィルタ構成装置は計算した全
てのユニットから、従ってウイナーを決定する。 ステップ２８：画像処理フィルタ構成装置は、上記式３
に従って重みベクトルを修正する。 ステップ２９、３０：画像処理フィルタの構成装置は、
誤差測定を行い、その平均誤差が所定の範囲内が否かを
判別して、その重みベクトルによる画像処理フィルタが
目的する特性を示すものか否かを決定する。なお、この
判別方法の他の方法としては、ある画像データについ
て、上記訓練段階の自己組織化された画像処理フィルタ
を適用して、その結果を表示装置に表示し、その表示結
果が目的とするフィルタ特性を有するものか否かを目視
などによって判断してもよい。
【００４４】もし、希望する特性のフィルタが構成され
ないときは、上記ステップ２２〜ステップ２９の処理を
反復する。 ステップ３１：希望する特性のフィルタが構成された
ら、そのフィルタを図１のステップ３に示した運用段階
において運用する。
ないときは、上記ステップ２２〜ステップ２９の処理を
反復する。 ステップ３１：希望する特性のフィルタが構成された
ら、そのフィルタを図１のステップ３に示した運用段階
において運用する。
【００４５】ここで、上記したパラメータについて注記
する。これらのパラメータとしては、フィールドσとウ
インドーの寸法、そして、使用するニューロンの数を含
む。学習比率、格子寸法、隣接関数などの他のパラメー
タは、厳格に定義されないから、下記のように適切に記
述される。学習比率は、訓練開始時点は高く設定し、そ
れから、訓練の終了まで傾斜的に減少するようにすべき
である。代表的には、パラメータεはゼロと１との間に
あり、ゼロに近い値にすべきである。格子寸法は、たと
えば、３次元格子の場合に要求されている適応性、周波
数、および、寸法のように、フィルタにおいて要求され
ている品質的な差分（differences)の数を示すべきであ
る。これは、概念的な「自由度」のパラメータである。
隣接関数ｈνは非線形であるべきであり，ウイナーのニ
ューロンの周囲の隣接刺激（stimulation)はウイナーか
ら離れる距離にわたって変化する、一般的には、時間と
ともに減少して広がる。また訓練スタッフ（回数）の数
は、重みベクトルの漸次的な発生を確実化するため、可
能な限り大きくすべきである。このことは時間を犠牲に
する可能性があるが、この要求に対してハードウエアで
対応可能である。
する。これらのパラメータとしては、フィールドσとウ
インドーの寸法、そして、使用するニューロンの数を含
む。学習比率、格子寸法、隣接関数などの他のパラメー
タは、厳格に定義されないから、下記のように適切に記
述される。学習比率は、訓練開始時点は高く設定し、そ
れから、訓練の終了まで傾斜的に減少するようにすべき
である。代表的には、パラメータεはゼロと１との間に
あり、ゼロに近い値にすべきである。格子寸法は、たと
えば、３次元格子の場合に要求されている適応性、周波
数、および、寸法のように、フィルタにおいて要求され
ている品質的な差分（differences)の数を示すべきであ
る。これは、概念的な「自由度」のパラメータである。
隣接関数ｈνは非線形であるべきであり，ウイナーのニ
ューロンの周囲の隣接刺激（stimulation)はウイナーか
ら離れる距離にわたって変化する、一般的には、時間と
ともに減少して広がる。また訓練スタッフ（回数）の数
は、重みベクトルの漸次的な発生を確実化するため、可
能な限り大きくすべきである。このことは時間を犠牲に
する可能性があるが、この要求に対してハードウエアで
対応可能である。
【００４６】実験例 実験で使用した例示の組を、上記式４で示した。隣接関
数ｈνは上記式５および式６で示した。ここで、実験に
用いた値を示す。
数ｈνは上記式５および式６で示した。ここで、実験に
用いた値を示す。
【表１】
【００４７】図５に上記実験による結果を示す。
【００４８】完全な感覚で、単に最小数のニューロンが
選択されるとすれば、その結果得られるフィルタは、
「ステアブルフィルタ」として組み合わされる。これに
関しては、上述した文献１に記載されている。寸法につ
いて最小数がＫｏｈｏｎｅｎ様の格子について選択され
ると、得られるフィルタは、画像の場合、代表的に適応
である、最も高い変数（variance) を有するデータにお
ける特徴を表す。これに関しては、上述した文献２に記
載されている。
選択されるとすれば、その結果得られるフィルタは、
「ステアブルフィルタ」として組み合わされる。これに
関しては、上述した文献１に記載されている。寸法につ
いて最小数がＫｏｈｏｎｅｎ様の格子について選択され
ると、得られるフィルタは、画像の場合、代表的に適応
である、最も高い変数（variance) を有するデータにお
ける特徴を表す。これに関しては、上述した文献２に記
載されている。
【００４９】このように、本発明の画像処理フィルタの
構成方法は、上述した細胞などにおける自己組織化およ
びニューラルネットワークについて記述した上記文献に
記載された技法を応用している。特に、ニューロンモデ
ル化について述べている文献３および文献４、および、
自己組織化システムについて述べている文献５に記載の
方法を応用している。
構成方法は、上述した細胞などにおける自己組織化およ
びニューラルネットワークについて記述した上記文献に
記載された技法を応用している。特に、ニューロンモデ
ル化について述べている文献３および文献４、および、
自己組織化システムについて述べている文献５に記載の
方法を応用している。
【００５０】以上、画像処理フィルタとして、エッジ検
出用画像処理フィルタを例示したが、本発明の画像処理
フィルタの構成方法はエッジ検出用画像フィルタに限ら
ず、その他種々のフィルタを構成できる。
出用画像処理フィルタを例示したが、本発明の画像処理
フィルタの構成方法はエッジ検出用画像フィルタに限ら
ず、その他種々のフィルタを構成できる。
【００５１】
【発明の効果】以上述べたように、本発明によれば、設
計者の希望する特性の画像処理フィルタが、自己組織化
処理により、ニューラルネットワークが示されたデータ
を慣習化し自動的に構成できる。これは、自己組織化ニ
ューラルネットワークの本質的に重要な特性であり、こ
のフィルタは与えられたデータを慣習化するという効果
を奏する。
計者の希望する特性の画像処理フィルタが、自己組織化
処理により、ニューラルネットワークが示されたデータ
を慣習化し自動的に構成できる。これは、自己組織化ニ
ューラルネットワークの本質的に重要な特性であり、こ
のフィルタは与えられたデータを慣習化するという効果
を奏する。
【図１】本発明の画像処理フィルタの構成方法の処理の
位置づけを示すブロック図である。
位置づけを示すブロック図である。
【図２】本発明において適用するニューラルネットワー
クにおけるニューロンモデルの概念図である。
クにおけるニューロンモデルの概念図である。
【図３】本発明の画像処理フィルタの構成方法に適用す
る、Ｋｏｈｏｎｅｎネットワークに類似する２次元格子
状配置のニューラルネットワークの概念を図解する図で
ある。
る、Ｋｏｈｏｎｅｎネットワークに類似する２次元格子
状配置のニューラルネットワークの概念を図解する図で
ある。
【図４】本発明の画像処理フィルタの構成方法の１例と
して、エッジ検出用画像処理フィルタの構成方法の処理
を示すフローチャートである。
して、エッジ検出用画像処理フィルタの構成方法の処理
を示すフローチャートである。
【図５】本発明の画像処理フィルタの構成方法によって
得られた重みベクトルの実験結果を示す図である。
得られた重みベクトルの実験結果を示す図である。
Claims (5)
- 【請求項１】ニューラルネットワーク手法により既知の
例示的なデータを用いて画像処理フィルタを自己組織化
し、目的とする特性を有する画像処理フィルタを構成す
ることを特徴とする画像処理フィルタの構成方法。 - 【請求項２】前記画像処理フィルタを構成するに際し
て、 ａ．上記目的とする画像処理フィルタの特性を示す関
数、パラメータを規定し、および、フィルタ係数（重み
ベクトル）の初期値を設定し、 ｂ．既知の例示的なデータを用いて目的指向を持たない
フィルタ構成用データを算出し、 ｃ．ニューラルネットワークにおけるニューロンの出力
を画像データをそのフィルタで畳み込んだ単一のピクセ
ルとして、前記フィルタ構成用データと前記重みベクト
ルとの畳み込み演算を行い、 ｄ．その畳み込み演算結果から前記重みベクトルを修正
し、 ｅ．その誤差評価を行い、 ｆ．該評価結果が所定値に到達するまで、前記ステップ
ｃ〜ステップｅの処理を反復するニューラルネットワー
ク手法による学習処理により画像処理フィルタを自己組
織化を行う、請求項１記載の画像処理フィルタの構成方
法。 - 【請求項３】Ｋｏｈｏｎｅｎの自己組織化特徴マップ、
または、Ｈｅｂｂｉａｎ学習規則を適用して、前記学習
処理を行い前記画像処理フィルタを構成する請求項２記
載の画像処理フィルタの構成方法。 - 【請求項４】前記ステップｂにおいて、前記フィルタ構
成用データとして、前記既知の例示的なデータをガウス
フィルタのラプラシアンで畳み込み、特定の目的指向を
持たないフィルタ構成用データを生成し、 前記ステップｄにおいて、このフィルタ構成用データを
前記重みベクトルで畳み込む請求項２または３記載の画
像処理フィルタの構成方法。 - 【請求項５】前記画像処理フィルタは、画像のエッジを
検出する画像処理フィルタであり、 前記フィルタ構成用データとして、エッジ強調画像デー
タを生成する請求項４記載の画像処理フィルタの構成方
法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5015684A JPH06231245A (ja) | 1993-02-02 | 1993-02-02 | 画像処理フィルタの構成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5015684A JPH06231245A (ja) | 1993-02-02 | 1993-02-02 | 画像処理フィルタの構成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06231245A true JPH06231245A (ja) | 1994-08-19 |
Family
ID=11895586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5015684A Pending JPH06231245A (ja) | 1993-02-02 | 1993-02-02 | 画像処理フィルタの構成方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06231245A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100861318B1 (ko) * | 2007-08-27 | 2008-10-01 | 한국전자통신연구원 | 최적의 스펙트럼 감지를 위한 적응필터 및 그 방법과 그를이용한 스펙트럼 감지 장치 및 그 방법 |
| JP2017084395A (ja) * | 2016-12-26 | 2017-05-18 | 日本電信電話株式会社 | 映像生成装置、映像生成方法、プログラム |
| WO2017125980A1 (ja) * | 2016-01-21 | 2017-07-27 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| WO2020027519A1 (ko) * | 2018-08-02 | 2020-02-06 | 삼성전자 주식회사 | 영상 처리 장치 및 그 동작방법 |
| US11334967B2 (en) * | 2020-07-30 | 2022-05-17 | Novatek Microelectronics Corp. | Method and image processing device for generating image filter |
-
1993
- 1993-02-02 JP JP5015684A patent/JPH06231245A/ja active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100861318B1 (ko) * | 2007-08-27 | 2008-10-01 | 한국전자통신연구원 | 최적의 스펙트럼 감지를 위한 적응필터 및 그 방법과 그를이용한 스펙트럼 감지 장치 및 그 방법 |
| WO2017125980A1 (ja) * | 2016-01-21 | 2017-07-27 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| JPWO2017125980A1 (ja) * | 2016-01-21 | 2018-11-15 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| US10789691B2 (en) | 2016-01-21 | 2020-09-29 | Sony Corporation | Information processing apparatus and information processing method |
| JP2017084395A (ja) * | 2016-12-26 | 2017-05-18 | 日本電信電話株式会社 | 映像生成装置、映像生成方法、プログラム |
| WO2020027519A1 (ko) * | 2018-08-02 | 2020-02-06 | 삼성전자 주식회사 | 영상 처리 장치 및 그 동작방법 |
| US11961203B2 (en) | 2018-08-02 | 2024-04-16 | Samsung Electronics Co., Ltd. | Image processing device and operation method therefor |
| US11334967B2 (en) * | 2020-07-30 | 2022-05-17 | Novatek Microelectronics Corp. | Method and image processing device for generating image filter |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3520048B2 (ja) | 等化直交マッピングによる多次元データの視覚化および自己組織化 | |
| JP4142098B2 (ja) | 適応フィルタ型ニューラルネットワーク分類器 | |
| US6894639B1 (en) | Generalized hebbian learning for principal component analysis and automatic target recognition, systems and method | |
| US6917703B1 (en) | Method and apparatus for image analysis of a gabor-wavelet transformed image using a neural network | |
| Tao | A closer look at the radial basis function (RBF) networks | |
| WO2019004350A1 (ja) | データ識別器訓練方法、データ識別器訓練装置、プログラム及び訓練方法 | |
| Plataniotis et al. | Color image processing using adaptive vector directional filters | |
| Lu et al. | Neuro-fuzzy synergism to the intelligent system for edge detection and enhancement | |
| US10853738B1 (en) | Inference circuit for improving online learning | |
| CN114663685B (zh) | 一种行人重识别模型训练的方法、装置和设备 | |
| KR20050085576A (ko) | 컴퓨터 비전 시스템 및 조명 불변 신경 네트워크를사용하는 방법 | |
| US20150356350A1 (en) | unsupervised non-parametric multi-component image segmentation method | |
| Diaz et al. | Residual generation and visualization for understanding novel process conditions | |
| US6594382B1 (en) | Neural sensors | |
| Lampinen et al. | Self-organizing maps for spatial and temporal AR models | |
| US20080317370A1 (en) | Method and System for Filtering Elongated Features | |
| Kersten | Statistical limits to image understanding | |
| Calhoun et al. | Complex infomax: Convergence and approximation of infomax with complex nonlinearities | |
| JPH06231245A (ja) | 画像処理フィルタの構成方法 | |
| Rocha Filho et al. | Recursive fuzzy instrumental variable based evolving neuro-fuzzy identification for non-stationary dynamic system in a noisy environment | |
| Demartines et al. | Vector quantization and projection neural network | |
| Pazouki et al. | Adaptive learning algorithm for RBF neural networks in kernel spaces | |
| Flentge | Locally weighted interpolating growing neural gas | |
| JPH0785277A (ja) | データ分類方式 | |
| Neto et al. | Identification and Inverse Modelling of Industrial Systems Using Regional Models |