JPH06348853A

JPH06348853A - 信号の分類方法

Info

Publication number: JPH06348853A
Application number: JP4199053A
Authority: JP
Inventors: Hauke Schmidt; シュミットハウケ; Klinnert Roland; クリネルトローラント; Kober Rudi; コーバールディ; Bock Peter; ボックペーター
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 1991-07-03
Filing date: 1992-07-03
Publication date: 1994-12-22
Also published as: EP0523407A3; DE59209633D1; EP0523407A2; US5680476A; ES2130143T3; EP0523407B1; DE4133590A1

Abstract

(57)【要約】【目的】種々様々な役割に容易に整合することができ
かつ出来るだけ簡単な学習過程の点で優れている、信号
の複数の可能な振幅値の各１つを表している信号の分類
方法を提供することである。【構成】１つのチャネルまたは複数のチャネルにおい
て並列に、それぞれ複数の標本値からサンプルを形成
し、それぞれのサンプルから少なくとも１つの特徴を抽
出し、それぞれのサンプルの１つないし複数の特徴を、
記憶されている出現確率を表から読み出すためにアドレ
スとして使用し、かつ引き続く評価のために、すべての
サンプルの出現確率から判定量を計算しかつしきい値と
比較する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、請求項１の上位概念に
記載の信号の分類方法から出発している。

【０００２】

【従来の技術】科学および技術の数多くの分野におい
て、実値の信号を１つまたは複数のクラスに分類するこ
とが必要である。その際信号は例えば、それぞれの形式
の音響信号および時間に依存した測定量のような１次元
であってよい。２次元の信号は、２つの変数ないし可変
量、殊にカメラ画像、画像シーケンス、投影ないし射
影、例えばソノグラムとしての音響信号の関数である。
更に、ｎ個の変数ないし変量の関数を表すｎ次元の信号
の分類が可能である。

【０００３】信号の分類のためのこれまでの提案は多く
は、２進信号、即ち例えば黒白表示のような２つの状態
しかとることができない信号に基づいている。この形式
の系は、Forschungsinstituts fuer anwendungsorienti
erte Wissensverarbeitungの研究報告“Project ALIAS
- Phase I Final Report”(Ｕｌｍ，１９９０年、５月
１６日）から公知でありかつそこでは複数の並列チャネ
ルにおいて、供給される２進信号から特徴を抽出する。

【０００４】それ故に複数のグレー段階を有する画像の
分類の際に、しばしば本来の分類の前に、２進画像を発
生するためにしきい値との比較が実施されるが、重要な
情報が消失することが多い。

【０００５】パターンの分類のための別の公知の方式
（ヨーロッパ特許第０１９１４０７号明細書）では、分
類のために複数のチャネルが設けられており、それらの
出力信号は１つの分類結果の得られるように組み合わさ
れる。個々のチャネルにおいて、分類すべき信号は、そ
れぞれそのクラスを特徴空間におけるその位置を中心と
した超球において表す原型（プロトタイプ）と比較され
る。この超球の半径は学習アルゴリズムによって適応化
される。トレーニングフェーズの後、テスト信号からの
特徴ベクトルには、該テスト信号が存在位置する超球を
有する原型（この原型の超球内には当該信号が存在位置
する）も所属しているクラスが割り当てられる。その際
クラスは、距離測定、即ち入力特徴ベクトルから原型ベ
クトルへの距離によって決定される。特徴空間における
種々のクラスの広範囲にわたる重なりのために交差領域
において、方式の一般化方法の際に大きな問題を来す可
能性がある、非常に小さな影響量を有する多数の原型が
生じる。更に、原型の決定のために、トレーニングフェ
ーズにおいて複数回の実行サイクルが必要である。

【０００６】

【発明の課題】本発明の課題は、種々様々な役割に容易
に整合することができかつ出来るだけ簡単な学習過程の
点で優れている、信号の複数の可能な振幅値の各１つを
表している信号の分類方法を提供することである。

【０００７】

【課題を解決するための手段】本発明の方法は、次のよ
うな特徴を有している。即ち１つのチャネルまたは複数
のチャネルにおいて次の処理ステップが並列に行われ
る： −それぞれ複数の標本値からサンプルを形成し、 −それぞれのサンプルから少なくとも１つの特徴を抽出
し、 −それぞれのサンプルの１つないし複数の特徴を、表か
ら記憶されている出現確率を読み出すためにアドレスと
して使用し、かつ引き続く評価のために、すべてのサン
プルの出現確率から決定量を計算しかつしきい値と比較
する。

【０００８】この方法は複数の類の学習ないし認識のた
めにも適しているにも拘らず、本発明の方法における類
の学習は特別簡単である。クラスの記述は、それぞれの
クラス内に存在位置する信号の例によってのみ行われ
る。本発明の方法における学習過程は、例毎に１度だけ
供給しさえすればよいデータから分類のために必要な規
則を、内在的に（インプリシットに）学習によって、抽
出する。

【０００９】本発明の方法に対する用途はとりわけ、製
造プロセスにおける欠陥のある部品の識別（自動的な品
質チェック）、自然のシーンの画像における物体の識別
および時系列における異常不規則性の識別である。

【００１０】本発明の方法によって分類される信号は、
センサ、例えばビデオカメラ、または同じ現象過程を観
測する複数のセンサによって発生することができる。本
発明の方式は、多次元の信号におけるパターン認識課題
の解決のために殊に適している。よしと判断されたトレ
ーニング例に基づいてその典型的な特徴を自動的に抽出
しかつ習得することができる。トレーニング過程の終了
後、任意の信号例においてクラスのわからない特徴ない
し欠陥のあるパターンを認識することができる。本発明
の方法向けに設計された方式をたった１つまたは複数の
クラスによってトレーニングすることができ、その際そ
れぞれの類およびそれぞれのチャネルに１つの表がセッ
ティングされた。

【００１１】表に記憶されている出現確率は、出現確率
に対して以前に求められた値に必ずしも正確に相応して
いない。記憶される値は単に、出現確率の単調関数を表
示する必要があるだけである。

【００１２】本発明の方法の１つの実施例によれば、複
数のチャネルを使用している場合、引き続く評価の前
に、すべてのチャネルの表から読み出された出現確率が
相互に結合される。

【００１３】本発明の方法は、ａを１と１つのサンプル
に属する時間的に順次連続する標本値の数との間にある
として、サンプルをａ個の標本期間だけ相互にずらすよ
うにして実施することができる。サンプルの大きさの選
択並びにずれａの選択によって、本発明の方法は種々異
なった形式の課題に整合することができる。

【００１４】本発明の方法の別の実施例によれば、１つ
のチャネルにおいてその都度複数の特徴が抽出され、該
複数の特徴は合さって表に対する１つのアドレスを形成
する。これにより、抽出された特徴の出現の結合確率を
簡単な方法で考慮することができる。本発明の方法の具
体例において、この実施例は更に、例えば１６の２進桁
のアドレス空間によって動作するデジタル信号処理系の
構成に応えるものである。特徴の比較的詳細な量子化は
必要でないまたは有意味でないことが多いので、複数の
特徴に対する共通のアドレスの形成によって上述のアド
レス空間が効果的に利用される。

【００１５】本発明の方法のフレキシビリティは、アド
レスが更に、サンプルからの特徴の抽出によって得られ
なかった付加情報を含むようにすれば、一層高められ
る。この付加情報は、同じアドレスに含まれている特徴
の組み合わせおよび／または重み付けに関するデータ、
信号の発生の際の状況に関するデータおよび／または分
類子の内部状態に関するデータを含むことができる。更
に付加情報は、後続の処理ステップから得ることができ
る。

【００１６】本発明の方法では有利には、個々のチャネ
ルにおいて、異なった大きさのサンプルおよび／または
種々異なった特徴の抽出を用いた処理が行われるように
設計することができる。個々のチャネル間のこれらの区
別によって、多種多様な所望の分類作業の処理が可能で
ある。しかし個々のチャネル間の別の区別も可能であ
る。チャネルに、同じ過程ないし同じ物体を観測する種
々のセンサの信号も供給することができる。

【００１７】本発明の方法の別の実施例によれば、表か
ら読み出された出現確率を結合するためにまず、時間的
または場所的に対応するサンプルの特徴からその都度得
られる、異なったチャネルの出現確率が相互に結合され
かつ結合されたすべての出現確率から決定量が計算さ
れ、該決定量がしきい値と比較される。これにより個々
のチャネルの結果の特別効果的な組み合わせが得られ
る。

【００１８】障害となる信号成分を抑圧するために、信
号を、特徴抽出の前にフィルタリングするかまたは表か
ら読み出された出現確率をフィルタリングするように設
定することができる。

【００１９】標本値が画像の画素の特性（グレー値、場
合によってはカラー）を表している、本発明の方法の有
利な実施例によれば、サンプルはそれぞれｍ×ｎ個の画
素を有しておりかつサンプルを行毎に順次取り出すが、
１つのサンプルから次のサンプルに対して行方向におい
て１個とｍ個の画素との間でずらしかつ行方向に垂直な
方向では１個とｎ個の画素との間でずらす。

【００２０】この実施例によって、種々異なった形式の
画像原画の分類が可能である。従って例えば、品質チェ
ックの領域において工業製品の表面を自動的に検査する
ことができ、その際例えばかき傷のような異常が識別さ
れる。この実施例において有利には、方形のサンプルを
意味していることだが、ｍ＝ｎである。

【００２１】抽出すべき特徴として殊に次のものが適し
ている：平均値、アクティビティ（１つサンプルに属す
る直接隣接するすべての標本値間の差の絶対値の和）、
モーメント、勾配（絶対値および角度についての）、テ
クスチャ、分散、フラクタル次元、導関数、サンプルの
相対および／または絶対位置、少なくとも１つの別のサ
ンプルとの時間的および／または場所的な組み合わせ
（例えば差）。

【００２２】特徴の抽出の際に規則的に、相対的に高い
精度ないし大きな数の２進桁を有する値が出現する。こ
の形式の値を出現確率の表に対するアドレスとして利用
すれば、学習過程の際に統計上の理由から、表のそれぞ
れ個々のアドレス下に出現確率に対して許容される値を
格納できるようにするには非常に多くの数の種々のサン
プルおよび種々の信号が必要になる。これに対して種々
の信号のサンプルないし信号の数を著しく低減するため
に、本発明の方法によれば、特徴はその都度のアドレス
を形成するためにスケール変換および／または量子化さ
れる。

【００２３】この場合量子化とは、それぞれの特徴を比
較的粗い量子化段に区分することであり、それは最も簡
単な場合下位の２進桁の省略によって行うことができ
る。スケール変換の際に実質的に、非線形の特性曲線が
使用され、その際例えば特徴の値領域の大部分から唯一
のアドレスが形成され、一方残りの値領域は残りの可能
な値によって量子化される。

【００２４】本発明の方法は完全に並進性の点で不変に
動作する。即ち、パターンの出現確率は信号注のパター
ンの位置に無関係に求められる。この不変性は、パター
ンの絶対位置または基準点に対して相対的な位置を一緒
に特徴として採り込むことによって部分的または完全に
解消することができる。

【００２５】このために本発明の方法を用いた画像の分
類の際に、アドレスに含まれている付加情報は殊に、付
加情報が、画像内のそれぞれのサンプルの場所に関する
データを含んでいるようにすることによって有利に利用
することができる。

【００２６】本発明の方法の範囲内における有利な学習
過程は、次のように構成されている。即ち、学習過程に
おいて、その都度学習すべきクラス内に位置存在する信
号を供給し、かつ１つまたは複数のチャネルにおいて次
の処理ステップを並列に行う： −それぞれ複数の標本値からサンプルを形成し、 −それぞれのサンプルから少なくとも１つの特徴を抽出
し、 −それぞれのサンプルの１つないし複数の特徴を、特徴
の出現の際に該特徴に相応するアドレスのもとに以前に
格納（ファイル）されていた値をインクリメントするた
めにアドレスとして使用する。

【００２７】その際、頻度分布の非線形の重み付けを行
いおよび／またはインクリメントの際に別のサンプルの
特徴を考慮するようにすることができる。

【００２８】本発明の別の実施例によれば、表から読み
出されおよび／または結合された出現確率が画像スクリ
ーンに表示される。このような表示は、実施された分類
の確証のために用いることができる。というのは、それ
が、行われた判定に対してどの領域が関与しているのか
を指示するからである。これにより、大抵は判定の局所
化された確証を許容しない別の学習方法に比べて別の利
点が得られる。

【００２９】

【実施例の説明】図中、同じ部分には同じ参照番号が付
されている。

【００３０】本発明による方法を実施するために、有利
には相応の性能を有する計算機が適している。部分的に
並列的に実施されるべき工程の数が著しく多いため、複
数の計算機、プロセッサ、トランスピュータ等を使用す
ることができる。したがって図１でなされている本発明
による方法を示す図は、適切なプログラムのための提
案、あるいは個々の回路素子群から成る構成のための例
と見なすことができる。具体的に示す目的で、図２〜図
４自体は回路的に示されている。しかしデータ処理の分
野における当業者であれば、このような回路に基づいて
適切な計算機プログラムを容易に開発することができ
る。

【００３１】図１に示された方法は、原画像Ｏからスタ
ートする。この画像は例えばすでにディジタル形式で表
わされており、グレー値がそれぞれ８ビットのデータ語
で表わされる２５６×２５６個の画素を有している。信
号処理をするために３２個のチャネルＫ１〜Ｋ３２が設
けられている。この場合、与えられた課題に応じてこれ
よりも僅かな個数のチャネルを用いることもできるし、
これよりも多くの個数のチャネルを用いることもでき
る。各チャネルの入力側にフィルタ処理部Ｆ１〜Ｆ３２
が設けられており、このフィルタ処理により、原画像Ｏ
のうち分類に不適切な構成要素を抑圧することができ
る。詳細には、例えば所定の周波数を例えば低域通過フ
ィルタにより抑圧することができるし、あるいはサブサ
ンプリングを行なうことができる。しばしば窓処理部を
設けることもでき、そこにおいて所定の窓内に位置する
画素だけが後続処理に利用される。フィルタ処理後、サ
ンプルＰ１〜Ｐ３２の形成が行なわれる。これに関する
詳細は、図２を参照して詳しく説明する。Ｍ１〜Ｍ３２
において、それぞれ１つのサンプルから例えば４つの特
徴が抽出される。

【００３２】過度に多くの個数のアドレスを避ける目的
で、Ｑ１〜Ｑ３２において特徴が量子化される。これは
例えば複数の下位ビットを省略することにより行なわれ
る。量子化された個々の特徴は、Ｖ１〜Ｖ３２において
１つの特徴ベクトルに統合される。この特徴ベクトルは
表Ｔ１〜Ｔ３２へアドレスとして導かれる。この表に
は、各特徴ベクトルに対して学習過程Ｌ１〜Ｌ３２内の
出現確率があらかじめ書き込まれている。

【００３３】そのつど１つの画像に対して読み出された
出現確率は、個々のサンプルの発生出所に応じてマトリ
クスとして表わされ、それぞれ１つの仮説Ｈ１〜Ｈ３２
を形成する。この仮説は次の方法ステップＣにおいて結
合され、超仮説ＳＨが形成される。さらに次のステップ
Ｅにおいて、この超仮説から判別量が算出され、続いて
この判別量はステップＳにおいて閾値と比較される。こ
の比較結果は、Ｒにおいてクラス貴族性に関する情報と
して得られる。

【００３４】図２には、チャネルＫ１〜Ｋ３２のうちの
１つが、図１よりもいくらか詳しくブロック図の形式で
示されている。入力側１にはフィルタＦ（ここでは低域
通過フィルタとして構成されている）が接続されてお
り、このフィルタの出力側は、入力画像をサンプルに分
解する回路Ｐと接続されている。回路Ｐは実質的に、デ
ータ入力側ＤＩとデータ出力側ＤＯを備えた書き込み／
読み出しメモリ２と、４において導かれた信号によりプ
ログラミング可能なアドレス発生器３とにより構成され
ている。入力側４ならびに別の入力側５〜９は、図示さ
れていない制御ユニットから送出される制御信号を供給
するために用いられる。これらの制御信号により個々の
回路に対し、そのつどの役割やそのつどの動作状態に依
存して種々異なる機能が割り当てられる。

【００３５】書き込み／読み出しメモリ２自体は、２５
６×２５６個のサンプリング値の容量を有する。見やす
くするために、図２には８×８個のサンプリング値のた
めの記憶場所しか示されていない。フィルタ処理された
原画像を書き込むために、アドレス発生器は、書き込み
／読み出しメモリ２のためのアドレスが行ごとに増分さ
れるように制御される、つまりａ１，ａ２，... ａ８，
ｂ１，... ｈ８となるように制御される。

【００３６】しかしこのアドレス発生器３はサンプルを
形成するためには、それぞれのサンプルのサンプリング
値がデータ出力側ＤＯを介して順次読み出されて後置接
続された回路Ｍへ導かれるように、プログラミングされ
る。図２に示されているように９個の画素のサンプルの
場合、読み出しは画素ａ１から始まり、これにつづいて
ａ２とａ３が、次に画素ｂ１、ｂ２およびｂ３が、そし
て最後に画素ｃ１、ｃ２およびｃ３が続く。これらの画
素を有するサンプルが後置接続された回路Ｍにおいて処
理されると、次に破線で囲まれた画素を有するサンプル
が読み出される。以降のサンプルは、一点鎖線で示され
たサンプルが読み出されるまで生じる。さらに画素ｂ１
からはじまる一連の別のサンプルがこれに続く。サンプ
ルの左上部の画素を、以下ではサンプルの出所と称す
る。既に述べたように本発明による方法の場合、種々異
なるチャネルにおいて種々異なる大きさのサンプルを処
理することができる。しかし種々異なるステップ幅をサ
ンプルごとに設けることもできる。

【００３７】図２による実施例の場合、回路Ｍは４つの
計算ユニットを有しており、これらは入力側５〜８を介
してプログラミング可能である。示されている実施例の
場合、計算ユニットＭＭはそれぞれ１つのサンプルのサ
ンプリング値の平均値形成の機能を有しており、計算ユ
ニットＭＡは当該サンプル内のアクティビティを算出す
るために用いられ、計算ユニットＭＧは当該サンプル内
の勾配の値を形成し、計算ユニットＭＤはサンプル内勾
配の方向を算出する。それぞれの計算ユニットで使われ
る式を以下に示す。

【００３８】

【数１】特徴抽出の結果は回路Ｑにおいて量子化される。個々の
特徴の種類ならびに意味に応じて、種々異なる細かい量
子化を行なうことができる。その結果はＶにおいて１つ
の特徴ベクトルＭＶに統合される。この実施例の場合、
複数個の特徴すなわち平均値、アクティビティ、勾配の
値および勾配の角度は、それぞれ３ビット（２進桁）で
量子化される。したがって、全体で１６ビット（２進
桁）であるうちの４ビット（２進桁）が付加情報のため
に残されている。図２に示された実施例の場合、これら
のビットは一方では、特徴ベクトルに位置情報を加える
ために用いられ、これはアドレス発生器３により行なわ
れる。さらに図示されていない制御ユニットから入力側
９を介して、付加情報のビットを任意にセットすること
ができる。

【００３９】特徴ベクトルＭＶは付加情報Ｚとともに、
アドレスとして書き込み／読み出しメモリ１０へ導かれ
る。このメモリ内には各アドレスＭＶ＋Ｚに対して１つ
の値が格納されており、この値は学習過程においてそれ
ぞれの特徴ベクトルＭＶの出現確率から求められたもの
である。この値を出現確率として直接表わすこともでき
るが、単調関数によりこの値から導出することもでき
る。この値を以下では正常度と称する。何故ならばこの
値は、それぞれの特徴ベクトルＭＶが学習過程中に導入
された画像に対してどの程度”正常性がある”かを表わ
すからである。

【００４０】各サンプルに対して、所属のアドレスＭＶ
＋Ｚに依存して書き込み／読み出しメモリ１０から正常
度が読み出され、次の書き込み／読み出しメモリＨにお
いて当該サンプルの出所に相応するアドレスに格納され
る。このアドレスは、アドレス発生器３から書き込み／
読み出しメモリＨのアドレス入力側Ａへ導かれる。書き
込み／読み出しメモリＨの出力側ＤＯにおいて、相応の
行ごとのアドレス指定の際に正常度Ｎを行ごとに呼び出
すことができる。

【００４１】１つの仮説の後続処理について、ないし複
数のチャネル使用時の複数の仮説の後続処理について説
明する前に、図３に基づき学習過程の例について説明す
る。図３には、学習過程において付加的に設けられるか
または分類時とは異なるように制御されるチャネルの一
部分しか示されていない。特徴ベクトルＭＶならびに付
加情報Ｚの形成は、分類そのものと同じようにして行な
われる。したがって回路Ｆ、Ｐ、Ｍ、ＱおよびＶの図は
省略されている。仮説Ｈのためのメモリは学習過程の場
合には不要である。

【００４２】図３による装置の場合、正常度のための書
き込み／読み出しメモリＴのほかに、計算装置２１と制
御装置２２が設けられている。この制御装置は、書き込
みモード（Ｗ）と読み出しモード（Ｒ）との間で書き込
み／読み出しメモリＴの切り換えを行なう。学習過程を
開始する前に、書き込み／読み出しメモリの内容が消去
される。１つのサンプルに対して１つのアドレスＭＶ＋
Ｚが存在していればただちに、書き込み／読み出しメモ
リＴの相応の行の内容が読み出され、この内容はまえも
って制御入力側２３へ供給された指示に応じて計算装置
により変えられる。この変更は最も簡単な場合には増分
から成り、したがって正常度は、相応のアドレスの発生
頻度に直接比例している。

【００４３】しかしこの計算装置は別の関数を用いるこ
ともでき、例えば非線形の関数を用いることもできる。
計算結果は書き込み／読み出しメモリＴにおいて同じア
ドレスに再び書き込まれる。その後、次のサンプルから
得られたアドレスが導かれ、まえもって記憶されていた
正常度が相応に変えられる。

【００４４】次に図４に基づいて、個々のチャネルで得
られた仮説を１つの超仮説として結合し、判別値を算出
し、さらにこの判別値を評価するための実施例を説明す
る。個々のチャネルの仮説が書き込み／読み出しメモリ
Ｈ１〜Ｈ３２から読み出される。これらのメモリには図
２にしたがってまえもって仮説が書き込まれている。ア
ドレスを形成するためにアドレス発生器２５が用いら
れ、これは同じアドレスを書き込み／読み出しメモリＨ
１〜Ｈ３２のアドレス入力側Ａへ導く。これにより同時
に、局所的に相応する正常度値が計算ユニット２６の入
力側に加わる。この計算ユニットは、種々異なる計算を
行なう目的で制御入力側２７を介してプログラミング可
能である。したがって例えば導かれた正常度の最小値ま
たは最大値あるいは平均値を形成することができる。こ
の結果は一方では別の書き込み／読み出しメモリ２８内
に同じアドレスを用いて書き込まれ、そこにおいて例え
ばスクリーン表示用に読み出すために用いることができ
る。

【００４５】判別値を形成するために、図４の実施例の
場合、別の計算ユニット２９においてそれぞれ１つの画
像に関して計算ユニット２６の出力値が合計される。こ
れにより判別値が形成され、これは閾値回路３０へ導か
れる。計算ユニット２９も閾値回路３０も、制御入力側
３１、３２を介して制御可能である。

【００４６】分類されるべき画像の特徴が、学習時に形
成された”特徴領域”内により多く該当するようになる
につれて、仮説および超仮説のより多くの正常度が、そ
の上限値の領域内の比較的大きな値をとるようになる。
これに応じてその合計も、つまり判別値も大きくなる。
個々の適用事例に対して定められるべき閾値により、分
類されるべき画像が学習されたクラスに入るか否かを判
別することができる。そして出力側Ｒにおいて、相応の
ディジタル信号を取り出すことができる。

【００４７】図５〜図１３には、多数のスクリーン画像
を用いて種々異なる処理ステップにおいて以下の前提条
件のもとで生じた信号が示されている。即ちこの場合、
先行の学習過程時にフラクタルが学習されている。何故
ならばこの種の画像は検索およびデモンストレーション
の目的に非常に適しているからである。ここでは４つの
チャネルが用いられており、その際、各チャネルにおい
て複数個の特徴すなわち平均値、アクティビティ、およ
び勾配の値が抽出されている。サンプル形成時のステッ
プサイズは全てのチャネルにおいて１であり、他方、チ
ャネルごとのサンプルの大きさはそれぞれ異なってい
る。個々の画像は、それらを形成した方法ステップ（図
１、図２）ににしたがって示されている。

【００４８】分類されるべき図５のＯの原画像は、学習
されたクラスに属するフラクタルを表わしているが、こ
の画像は異常性として単語”Ａｎｏｍａｌｙ”を含んで
いる。図５のＳＨはすでに超仮説を表しており、図４と
の関連で述べたようにこの超仮説から簡単に結果Ｒを算
出することができる。平面成分は、つまりは低い値を有
する正常性の個数（画像として表示する際の暗い画素の
個数）も、画像全体にわたって分布する低い値を有する
別の正常性の成分を明らかに上回っていることがわか
る。

【００４９】比較的小さい値を有する、画像上に分散し
たこれらの別の正常性は実質的に、不完全な学習過程に
より生じる。この方法を実際に実施する場合、経済的な
理由から、すべての正常性を有する考えられ得るだけの
分類されるべき画像すべてが最大値に達するまで、学習
過程は行なわれない。相応に（図４の）３０における閾
値をセットすることができる。

【００５０】これが好適であるのならば、超仮説の以降
の評価のために、例えば別個に生じる低い値の正常性
（図５のＳＨにおける個々の黒い点）を抑圧して比較的
大きい累積だけを考慮するような、他の周知の画像処理
方法を利用することもできる。

【００５１】図５の０および図５のＳＨの画像からわか
るように、超仮説における異常は観察者にとって原画像
におけるよりもはるかに強い感じを与える。したがって
この関連で、適用事例に応じて個々に本発明による方法
をすでに１つまたは複数個の仮説または超仮説の形成に
より有利に用いることができることを指摘しておく。一
方では例えば科学的検査の際に、全自動の分類を行なう
ことなく、画像の異常性を簡単に観察することができ
る。他方、典型的な自動化の適用の際の”中間画像”の
観察が、場合によっては学習過程時または学習過程上必
要なテストフェーズにおいて行なわれるのに対し、通常
動作の際には全自動の分類が優先される。

【００５２】図６および図７のＭＭ１〜ＭＭ４は、チャ
ネルＫ１〜Ｋ４において種々異なる大きさのサンプルで
平均値を形成した結果を示している。サンプルが大きく
なればなるほど、細部がより詳細に求められる。同じこ
とは、図１０および図１１の画像ＭＡ１〜ＭＡ４で表わ
されているアクティビティにおけるフラクタルの細部に
ついてもあてはまる。サンプルの大きさが増すにつれて
アクティビティの個々の値は均一化される。異常性の画
素が関与するサンプルに対しては、高いアクティビティ
値が生じる。

【００５３】図８および図９の画像ＭＧ１〜ＭＧ４は、
勾配の値から形成される。チャネルＫ１のサンプルが小
さい場合（画像ＭＧ１）、書体ははっきりと現われるの
に対して、これよりも大きくなったサンプルは、書体と
フラクタルとの間の区分にほとんど役立たない。

【００５４】図６および図７の画像ＭＭ１〜ＭＭ４、図
１０および図１１のＭＡ１〜ＭＡ４、ならびに図８およ
び図９のＭＧ１〜ＭＧ４に示されている個々の特徴は、
各チャネルにおいて画素ごとに１つのアドレスを形成
し、このアドレスにより表からそれぞれ１つの正常度値
が読み出され、このことによって図１２および図１３の
画像Ｈ１〜Ｈ４に示された仮説が生じる。先行の学習過
程の結果として、画像Ｈ１〜Ｈ４は、内容がもっぱらフ
ラクタルにより規定されている個所において、著しく白
い画素を有しており、つまり最大の正常度を有してい
る。異常性は学習されていないので、これにより黒い画
素が生じる、つまり低い正常性が生じる。

【００５５】図１４の０およびＳＨに示された実例も、
同様に１つの原画像に基づくものである。この原画像は
フラクタルを表わしているが、２個所にノイズが重畳さ
れている。図１４のＳＨに示されている超仮説から、障
害を受けていない画像領域に関しては結合された正常度
値は高く、障害を受けた画像領域に関しては低いことが
わかる。図４との関連で示した判別値の算出、ならびに
それにつづく閾値との比較により、ここでも障害ないし
異常の存在を簡単に検出することができる。

【００５６】図１５および図１６に基づいて、効果的に
産業上の品質管理に用いられる本発明による方法の実施
例を説明する。ここでは金属表面の画像が検査され、１
００枚の良好な画像から成る一連の画像がトレーニング
されてから、クラス”良”または”不良”に分類され
る。この実施例の場合には２つのチャネルが用いられ
る。各原画像（図１５の０）は両方のチャネルに分配さ
れ、そこにおいてフィルタ処理されずに６×６個の画点
の大きさの完全にオーバーラップしたパターンへ分解さ
れる。

【００５７】チャネル１はこのパターンから、２つの特
徴”パターン平均値（図１６のＭＭ）と勾配値（図１６
のＭＧ）を抽出する。これらの特徴の各々の値は、０％
と最大値（１００％）の間の範囲に位置している。特徴
量子化において、０％と最大値の６％の間の範囲におけ
る勾配値が８ビット（２５６ステップ）で線形量子化さ
れる。平均値は０％と４５％の間の範囲において８ビッ
トで線形量子化される。上方の領域限界よりも大きい特
徴値は、最上位の量子化ステップに配属される。量子化
された特徴値から、互いに結合することにより１６ビッ
ト長の特徴ベクトルが形成され、このベクトルによりチ
ャネルの正常度表がアドレス指定される。

【００５８】チャネル２はこのパターンから、２つの特
徴”勾配値（図１６のＭＧ）と”勾配方向”（図１６の
ＭＤ）を抽出する。勾配方向は０゜〜３６０゜の全領域
において８ビットで線形量子化されるのに対し、勾配値
はチャネル１の場合のように、０％〜６％の領域におい
てのみ８ビットで線形量子化される。生じた特徴ベクト
ルは、やはりチャネルの正常度表をアドレス指定するた
めに用いられる。

【００５９】このようにして形成されたランク仮説（図
１５のＨ１および図１５のＨ２）を平均することにより
超仮説（図１５のＳＨ）が生じ、この平均正常度値から
判別値が算出される。判別量があらかじめ設定された閾
値よりも大きければ、入力画像は”良”として分類さ
れ、そうでなければ”不良”として分類される。

【図面の簡単な説明】

【図１】本発明による方法を示す図である。

【図２】信号を分類する際のチャネルのブロック図であ
る。

【図３】学習過程時のチャネルのブロック図である。

【図４】種々異なるチャネルの結果を組み合わせるため
の実施例のブロック図である。

【図５】分類されるべき最初の画像に対する種々異なる
方法ステップの結果を表わす複数のスクリーン画像であ
る。

【図６】分類されるべき最初の画像に対する種々異なる
方法ステップの結果を表わす複数のスクリーン画像であ
る。

【図７】分類されるべき最初の画像に対する種々異なる
方法ステップの結果を表わす複数のスクリーン画像であ
る。

【図８】分類されるべき最初の画像に対する種々異なる
方法ステップの結果を表わす複数のスクリーン画像であ
る。

【図９】分類されるべき最初の画像に対する種々異なる
方法ステップの結果を表わす複数のスクリーン画像であ
る。

【図１０】分類されるべき最初の画像に対する種々異な
る方法ステップの結果を表わす複数のスクリーン画像で
ある。

【図１１】分類されるべき最初の画像に対する種々異な
る方法ステップの結果を表わす複数のスクリーン画像で
ある。

【図１２】分類されるべき最初の画像に対する種々異な
る方法ステップの結果を表わす複数のスクリーン画像で
ある。

【図１３】分類されるべき最初の画像に対する種々異な
る方法ステップの結果を表わす複数のスクリーン画像で
ある。

【図１４】別の画像を分類した際の複数のスクリーン画
像である。

【図１５】産業上の品質管理に対して本発明による方法
を用いた際の複数のスクリーン画像である。

【図１６】産業上の品質管理に対して本発明による方法
を用いた際の複数のスクリーン画像である。

【符号の説明】

１フィルタ２書き込み／読み出しメモリ３アドレス発生器１０書き込み／読み出しメモリ２１計算装置２２制御装置２５アドレス発生器２６計算ユニット２８書き込み／読み出しメモリ２９計算ユニット３０閾値回路ＭＭ，ＭＡ，ＭＧ，ＭＤ計算ユニットＨ，Ｔ書き込み／読み出しメモリ

─────────────────────────────────────────────────────

【手続補正書】

【提出日】平成６年３月２３日

【手続補正１】

【補正対象書類名】明細書

【補正対象項目名】図面の簡単な説明

【補正方法】変更

【補正内容】

【図面の簡単な説明】

【図１】本発明による方法を示す図である。

【図３】学習過程時のチャネルのブロック図である。

【図５】分類されるべき最初の画像に対するＯ状態およ
びＳＨ状態の中間調画像をディスプレー上に表示させ、
これを撮影した図面代用写真。

【図６】分類されるべき最初の画像に対するＭＭ１状態
およびＭＭ２状態の中間調画像をディスプレー上に表示
させ、これを撮影した図面代用写真。

【図７】分類されるべき最初の画像に対するＭＭ３状態
およびＭＭ４状態の中間調画像をディスプレー上に表示
させ、これを撮影した図面代用写真。

【図８】分類されるべき最初の画像に対するＭＧ１状態
およびＭＧ２状態の中間調画像をディスプレー上に表示
させ、これを撮影した図面代用写真。

【図９】分類されるべき最初の画像に対するＭＧ３状態
およびＭＧ４状態の中間調画像をディスプレー上に表示
させ、これを撮影した図面代用写真。

【図１０】分類されるべき最初の画像に対するＭＡ１状
態およびＭＡ２状態の中間調画像をディスプレー上に表
示させ、これを撮影した図面代用写真。

【図１１】分類されるべき最初の画像に対するＭＡ３状
態およびＭＡ４状態の中間調画像をディスプレー上に表
示させ、これを撮影した図面代用写真。

【図１２】分類されるべき最初の画像に対するＨ１状態
およびＨ２状態の中間調画像をディスプレー上に表示さ
せ、これを撮影した図面代用写真。

【図１３】分類されるべき最初の画像に対するＨ３状態
およびＨ４状態の中間調画像をディスプレー上に表示さ
せ、これを撮影した図面代用写真。

【図１４】別の画像を分類した際のＯ状態およびＳＨ状
態の中間調画像をディスプレー上に表示させ、これを撮
影した図面代用写真。

【図１５】産業上の品質管理に対して本発明による方法
を用いた際のＯ状態、ＳＨ状態、Ｈ１状態およびＨ２状
態の中間調画像をディスプレー上に表示させ、これを撮
影した図面代用写真。

【図１６】産業上の品質管理に対して本発明による方法
を用いた際のＭＤ状態、ＭＧ状態およびＭＭ状態の中間
調画像をディスプレー上に表示させ、これを撮影した図
面代用写真。

【符号の説明】１フィルタ２書き込み／読み出しメモリ３アドレス発生器１０書き込み／読み出しメモリ２１計算装置２２制御装置２５アドレス発生器２６計算ユニット２８書き込み／読み出しメモリ２９計算ユニット３０閾値回路ＭＭ，ＭＡ，ＭＧ，ＭＤ計算ユニットＨ，Ｔ書き込み／読み出しメモリ

【手続補正２】

【補正対象書類名】図面

【補正対象項目名】図５

【補正方法】変更

【補正内容】

【図５】

【手続補正３】

【補正対象書類名】図面

【補正対象項目名】図６

【補正方法】変更

【補正内容】

【図６】

【手続補正４】

【補正対象書類名】図面

【補正対象項目名】図７

【補正方法】変更

【補正内容】

【図７】

【手続補正５】

【補正対象書類名】図面

【補正対象項目名】図８

【補正方法】変更

【補正内容】

【図８】

【手続補正６】

【補正対象書類名】図面

【補正対象項目名】図９

【補正方法】変更

【補正内容】

【図９】

【手続補正７】

【補正対象書類名】図面

【補正対象項目名】図１０

【補正方法】変更

【補正内容】

【図１０】

【手続補正８】

【補正対象書類名】図面

【補正対象項目名】図１１

【補正方法】変更

【補正内容】

【図１１】

【手続補正９】

【補正対象書類名】図面

【補正対象項目名】図１２

【補正方法】変更

【補正内容】

【図１２】

【手続補正１０】

【補正対象書類名】図面

【補正対象項目名】図１３

【補正方法】変更

【補正内容】

【図１３】

【手続補正１１】

【補正対象書類名】図面

【補正対象項目名】図１４

【補正方法】変更

【補正内容】

【図１４】

【手続補正１２】

【補正対象書類名】図面

【補正対象項目名】図１５

【補正方法】変更

【補正内容】

【図１５】

【手続補正１３】

【補正対象書類名】図面

【補正対象項目名】図１６

【補正方法】変更

【補正内容】

【図１６】

───────────────────────────────────────────────────── フロントページの続き (72)発明者ローラントクリネルトドイツ連邦共和国ノイ−ウルムジルヒャーシュトラーセ１ (72)発明者ルディコーバードイツ連邦共和国オーバーディシンゲンゴーテンシュトラーセ 16 (72)発明者ペーターボックアメリカ合衆国ワシントンディーシーエヌダブリュナンバー 304 トウェンティーファーストストリート 1280

Claims

【特許請求の範囲】

【請求項１】信号の複数の可能な振幅値の各１つを表
している信号を分類する方法において、１つのチャネル
または複数のチャネルにおいて次の処理ステップが並列
に行われる： −それぞれ複数の標本値からサンプルを形成し、 −それぞれのサンプルから少なくとも１つの特徴を抽出
し、 −それぞれのサンプルの１つないし複数の特徴を、記憶
されている出現確率を表から読み出すためにアドレスと
して使用し、かつ引き続く評価のために、すべてのサン
プルの出現確率から判定量を計算しかつしきい値と比較
することを特徴とする信号の分類方法。
【請求項２】複数のチャネルを使用している場合、当
該の引き続く評価の前にすべてのチャネルの表から読み
出された出現確率を相互に結合する請求項１記載の信号
の分類方法。
【請求項３】サンプルをａ個の標本期間だけ相互にず
らし、ここにおいてａを１と１つのサンプルに属する時
間的に順次連続する標本値の数との間にあるようにした
請求項１記載の信号の分類方法。
【請求項４】その都度１つのチャネルにおいてそれぞ
れ複数の特徴を抽出し、該複数の特徴は合わさって表に
対する１つのアドレスを形成する請求項１記載の信号の
分類方法。
【請求項５】アドレスは更に、サンプルからの特徴の
抽出によって得られなかった付加情報を含んでいる請求
項１記載の信号の分類方法。
【請求項６】前記付加情報は、同じアドレスに含まれ
ている特徴の組み合わせおよび／または重み付けに関す
るデータを有している請求項５記載の信号の分類方法。
【請求項７】前記付加情報は、当該信号の発生の際の
状況に関するデータを含んでいる請求項５記載の信号の
分類方法。
【請求項８】前記付加情報は、分類子の内部状態に関
するデータを含んでいる請求項５記載の信号の分類方
法。
【請求項９】前記付加情報は、後続の処理ステップか
ら得られる請求項５記載の信号の分類方法。
【請求項１０】個々のチャネルにおいて、異なった大
きさのサンプルによるおよび／または種々異なった特徴
の抽出による処理を行なう請求項２記載の信号の分類方
法。
【請求項１１】表から読み出された出現確率を結合す
るためにまず、時間的または場所的に対応するサンプル
の特徴からその都度得られる、異なったチャネルの出現
確率を相互に結合しかつ結合されたすべての出現確率か
ら１つの判定量を計算し、該判定量をしきい値と比較す
る請求項２記載の信号の分類方法。
【請求項１２】それぞれのクラスに対して、チャネル
の数に相応する数の表が設けられている請求項１記載の
信号の分類方法。
【請求項１３】信号を、特徴抽出の前にフィルタリン
グする請求項１記載の信号の分類方法。
【請求項１４】表から読み出された出現確率をフィル
タリングする請求項１記載の信号の分類方法。
【請求項１５】１つのサンプルはそれぞれｍ×ｎ個の
画素を有しておりかつサンプルを線順次式に取り出し、
ここにおいて１つのサンプルから次のサンプルに対して
行方向において１個の画素とｍ個の画素との間でずらし
かつ行方向に垂直な方向では１個の画素とｎ個の画素と
の間でずらす、標本値が画像の画素の特性（グレー値、
場合によってはカラー）を表している請求項１記載の信
号の分類方法。
【請求項１６】ｍ＝ｎとする請求項１５記載の信号の
分類方法。
【請求項１７】それぞれ１つのサンプルから次の特徴
の１つまたは複数を抽出する：平均値、アクティビティ
（１つサンプルに属する直接隣接するすべての標本値間
の差の絶対値の和）、モーメント、勾配（絶対値および
角度についての）、テクスチャ、分散、フラクタル次
元、導関数、サンプルの相対および／または絶対位置、
少なくとも１つの別のサンプルとの時間的および／また
は場所的な組み合わせ（例えば差）請求項１５記載の信号の分類方法。
【請求項１８】当該特徴をその都度のアドレスを形成
するためにスケール変換（スーリング）および／または
量子化する請求項１５記載の信号の分類方法。
【請求項１９】前記アドレスは、１つまたは複数のス
ケール変換（スケーリング）および／または量子化され
た特徴に対して付加的に付加情報を有している請求項１
８記載の信号の分類方法。
【請求項２０】付加情報は、画像内のそれぞれのサン
プルの場所に関するデータを含んでいる請求項１９記載
の信号の分類方法。
【請求項２１】学習過程において、その都度学習すべ
きクラス内に位置存在する信号を供給し、かつ１つまた
は複数のチャネルにおいて次の処理ステップを並列に行
う： −それぞれ複数の標本値からサンプルを形成し、 −それぞれのサンプルから少なくとも１つの特徴を抽出
し、 −それぞれのサンプルの１つの特徴ないし複数の特徴
を、特徴の出現の際に該特徴に相応するアドレスのもと
にに以前に格納（ファイル）されていた１つの値をイン
クリメントするためにアドレスとして使用する請求項１
記載の信号の分類方法。
【請求項２２】頻度分布の非線形の重み付けを行う請
求項２１記載の信号の分類方法。
【請求項２３】当該のインクリメントの際に別のサン
プルの特徴を考慮する請求項２１記載の信号の分類方
法。
【請求項２４】表から読み出されおよび／または結合
された出現確率を画像スクリーンに表示する請求項１５
記載の信号の分類方法。