JPH0636038A

JPH0636038A - 監視統計パターン認識を用いる特徴分類

Info

Publication number: JPH0636038A
Application number: JP5126688A
Authority: JP
Inventors: Thomas F Herbert; フランシスハーバートトーマス
Original assignee: Eastman Kodak Co
Current assignee: Eastman Kodak Co
Priority date: 1992-05-29
Filing date: 1993-05-28
Publication date: 1994-02-10
Also published as: EP0572335A2; US5325445A; CA2094212A1; EP0572335A3

Abstract

(57)【要約】【目的】監視統計パターン認識法により、画像不良の
特徴分類を行う。【構成】画像処理システム８０により、ｎ次元特徴空
間のツリー状階層分解がオフラインで生成される。階層
ツリーは、異なる特徴分類のｎ次元特徴分類をミニマク
スタイプの分解によって分割することにより、対応する
特徴空間内に生成される。各セルは、好適には、ただ１
つの特徴分類の特徴ベクトルを含むか、空であるか、定
義済みの最少セルサイズである。生成された階層ツリー
は、画像処理システム８０が、静止パターンまたは動画
パターンにおける特徴の不良分類を実時間で実施するの
に利用することができる。各特徴は、深さを優先した階
層ツリーの探索によって決められたように、対応する特
徴ベクトルを適切な特徴空間セルに配置することによ
り、分類ツリーに索引付けされる。その特徴ベクトルを
含む最少リーフノードは、そのベクトルの分類に関する
統計情報を提供する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、一般的に静止画像用ま
たは動画像用の特徴分類技法に係り、より具体的には、
空間的に分類される多次元特徴空間の新規ベクトル分類
モデルを用いる、監視統計パターン認識を採用した特徴
分類システムとその方法に関する。

【０００２】

【従来の技術】光学的走査検出及び電子的欠陥検出の使
用が引き続き増加する中、自動不良分類識別が、利用可
能な技術となった。パターン認識は、物体または事象
を、複数のあらかじめ指定されたカテゴリーの１つに帰
属するため、特徴分類という課題にも適用が可能であ
る。それぞれの不良（または特徴）は、画像中の結合し
た領域として出現し、それぞれの不良は、あるカテゴリ
ーに帰属される。

【０００３】パターン認識（ＰＲ）には、構造パターン
認識と統計パターン認識の２種類がある。構造パターン
認識では境界表現（ＢＲＥＰ）として知られる特徴の形
状の表現を使用するのに対し、統計パターン認識ではそ
れぞれの特徴の特性を含む数値または測定値の配列を使
用し、この数値情報は、特性ベクトルと呼ばれる。しか
しながら、統計パターン認識では映像をその表現から再
現することはできない。しかし、特性ベクトルは、ＢＲ
ＥＰよりも、対象をコンパクトに表現することができ
る。いずれの方法においても、目的は、分類装置、すな
わち、自動的に画像を処理し、それぞれの特徴に対する
分類を生成する器械を作製することである。

【０００４】構造パターン認識では、分類子は形式言語
理論に基づいている。ＢＲＥＰは処理され、境界におけ
るベクトルの長さと方向を表す一連の記号になる。これ
らの記号の連続を含む文字列の集合が言語である。言語
を記述する数学的体系である文法は、特徴の構造または
境界を、記号の順番のある組合せとして記述する。この
文法から構成される識別子は、コンピュータ言語文を識
別し、区別するのに用いられるコンピュータ言語コンパ
イラのように動作する。たとえば、図６のボックスは言
語として考えることができる。ここに示されているよう
に、Ｌ＝｛ａn，ｂn ，ｃn ，ｄn ｎ≧１｝は、各辺
の長さが“１”以上のボックスを記述する言語である。

【０００５】

【発明が解決しようとする課題】現実の問題において
は、特徴または不良には正確な記述がないため、コンピ
ュータ言語を構文解析するよりも、問題はより困難とな
る。現実的な問題を取り扱うことのできる構造識別子
は、複雑な文脈に敏感な文法または確率的文法に基づ
き、高度なデータの複雑性と変動に対処できなければな
らない。このため、構造パターン認識は、通常の技術状
況においては、容易には実現できない。

【０００６】これに対して、統計パターン認識では、統
計的判断理論に基づいた識別子を用いる。統計パターン
認識にはいくつかの異なった種類が存在するが、一般的
には、監視分類と非監視分類と呼ばれる、２つの主要な
方法がある。

【０００７】監視分類では、専門家がサンプルの各要素
のカテゴリーを区別した際に形成されたラベル付きのト
レーニングサンプルを使用する。確率分布が推定される
か、識別子がトレーニングサンプルから直接作成され
る。専門家は、データを調べ、特徴のそれぞれにラベル
を付けなければならない。（ここに記載した新規のパタ
ーン認識法では、監視分類を使用する。）トレーニング
サンプルにラベルを付ける作業は、グラフィカルインタ
フェースを付加して専門家のデータとの対話を取り扱い
を容易にすることにより、簡便化が可能である。

【０００８】非監視分類ではラベル付きトレーニングサ
ンプルは使用しない。この方法では、識別子が前提とな
るデータのありのままの確率分布を学習する必要がある
が、これは困難な問題であることが多い。しかしなが
ら、非監視分類では、十分に大きなトレーニングサンプ
ルを蓄積するという、時には長くなるプロセスを必要と
せず、このサンプルの要素を区別するという作業は必ず
しも必要ない。本方法は、データの変更にシステムを適
応させることにより、監視分類を拡張するのに有用であ
る。

【０００９】前述の方法に加え、統計パターン認識で
は、パラメトリック法とノンパラメトリック法という、
２つの主要な方法を採用している。パラメトリック法で
は、前提となる現実のデータの確率分布を仮定する。ノ
ンパラメトリック法では、このような仮定は行わない。

【００１０】分布が正規分布またはガウス分布といっ
た、一般的な形式の１つであることが既知である場合、
パラメトリック法が一般に用いられる。分類子は、サン
プルデータから決定される既知の事前分類と同時確率分
布による、ベイズの法則に基づいて生成される。次いで
特定の特徴が既知の分類関数の統計と比較され、これら
を分類する。

【００１１】現実的な状況では、データは正規分布や他
の周知の分布に従来通り一致しない場合が多い。分類区
分の分布は多様相、すなわち、２つ以上のピークが不良
カテゴリーの分布に存在する様相となる（たとえば、図
７を参照）。図７の例のように、スポット様不良は円形
で、ほぼ等しい長さと幅により、容易に識別されるが、
すべてスポットとして知られている、比較的小さい不良
や大きな不良もある。この例では、スポットは周囲の長
さに対する面積の比によってより良く識別される。周囲
の長さに対する面積の比は、円形のスポットの大きさが
変化してもほぼ一定である。この例に対応するためには
特別な識別子を作成することも可能であるが、汎用性の
ある方法が必要である。

【００１２】ノンパラメトリック法では、上記の問題に
対し、判定関数または分類子をトレーニングサンプルか
ら直接生成するという、より一般的な解決法を提供して
いる。こうすることにより、このような方法ではパラメ
ータを推定する問題を回避し、濃度関数に対して推定さ
れる形式を無視している（下記に説明するように、本発
明はノンパラメトリック法から成る）。

【００１３】ノンパラメトリック法の主な問題点の１つ
は、次元が増大するのに従い、必要な記憶量と計算量が
指数的に増加してしまうことである。特徴が大量の測定
値（または要素）で記述された場合、周知の方法が使用
された場合に、問題は非常に大きくなる（本発明の技法
では、特徴空間を２の累乗によって反復して割ることに
より、記憶空間は、２を底とする対数分増加するだけな
ので、問題がより処理しやすくなる）。

【００１４】

【課題を解決するための手段】簡単に説明すると、一態
様において、複数の特徴を有するサンプルテスト画像か
ら統計分類モデルを生成する方法が提供される。対応す
る画像処理システムにより、統計モデルが実時間監視特
徴分類に用いられる。モデルを生成する方法は、複数の
特徴を有するサンプルテスト画像を画像化し、それらの
ディジタル画像表現を生成するステップと、そのディジ
タル画像表現を使用して独自の分類を同一タイプの選択
された特徴に帰属するステップと、分類された各特徴に
対してｎ個の要素から成る特徴ベクトルを生成するステ
ップと、帰属された分類を使用して特徴ベクトルを特徴
空間においてクラスタリングするステップと、新規パタ
ーンを実時間で特徴分類する間の画像処理システムによ
るアクセスに備え、ｎ次元特徴空間の階層的分解を記憶
するステップとを含む。ここで、ｎ個の要素から成る特
徴ベクトルは、対応するｎ次元特徴空間を定義し、クラ
スタリングはミニマクスサーチを用い、帰属された特徴
分類に基づいてｎ次元特徴空間のツリー状階層分解を定
義する。

【００１５】別の態様においては、本発明は、監視統計
分類装置を使用してウェブの特徴を分類する実時間画像
処理方法を含む。統計分類子は、異なる特徴タイプが階
層ツリーの異なる特徴空間セルでクラスタリングされる
ｎ次元特徴空間のツリー状階層分解から成る。本方法
は、ウェブを画像化し、そのディジタル画像表現を生成
するステップと、監視統計分類装置を参照し、画像化さ
れた特徴を、ｎ次元特徴空間のツリー状階層分解の対応
する特徴空間セル内に自動的に配置するステップと、階
層ツリーに対して配置された特徴ベクトルに基づいて画
像化特徴に関する統計を蓄積するステップとを含む。こ
こで、画像化操作は、ウェブの画像化されたそれぞれの
特徴に対するｎ次元特徴ベクトルを生成するステップを
含む。また、前記配置ステップは、特徴ベクトルを含む
階層ツリーの最小セルに対して特徴空間の階層分解を探
索するステップを含む。また、蓄積された統計は、対応
するウェブの特徴に対する特徴タイプ分類を含む。

【００１６】さらに、本発明の別の態様では、監視統計
分類装置を使用してウェブの特徴を分類する実時間画像
処理システムが提供される。本統計分類装置は、異なる
特徴タイプが階層ツリーの異なる特徴空間セルにクラス
タリングされるｎ次元特徴空間のツリー状階層分解から
成る。本システムは、ウェブのディジタル画像表現を生
成する画像化手段を含む。本画像化手段は、選択された
ウェブの特徴に対するｎ次元特徴ベクトルを含む。実時
間で監視統計分類装置にアクセスし、特徴ベクトルを、
ｎ次元特徴空間のツリー状階層分解の対応する特徴空間
セル内に自動的に配置する参照手段も提供される。各配
置された特徴ベクトルに対し、配置手段は、対象となる
特徴ベクトルを含む階層ツリーの最小セルに対して特徴
空間の階層分解全体を探索する探索手段を含む。最後
に、統計蓄積手段が、階層ツリー内の配置に基づき、選
択されたウェブの特徴に関する統計を蓄積する。本統計
は、各配置された特徴ベクトルに対し、対応するウェブ
の特徴の特徴タイプ分類を供与する。

【００１７】様々な付加的な方法及びシステムの拡張に
ついても説明し、請求するものとする。

【００１８】

【作用】前述の説明から明らかなように、サンプリング
したテスト画像（または、好適には、複数のサンプリン
グしたテスト画像）から統計モデルを生成する新規方法
が提供される。説明した柔軟性のあるノンパラメトリッ
ク法により、オンライン画像処理システムによって深さ
を優先して探索される分類ツリーが、たとえば品質管理
プロセスの一部として生成される。処理システムは特定
の特徴ベクトルを対応する特徴空間セル内に配置する。
データモデルは、一旦生成されると、所定のプロセス及
び画像条件に対して、精度を保つ。生成したデータモデ
ルは、特徴の分類において、現在までに知られているモ
デル化技法より効率的で正確である。技法を複数使用す
ること（ここでは“ハイパーツリー”と呼んだ）によっ
て不良カテゴリーの確率分布を自動的に学習する非監視
法を同時に使用することにより、更に高い精度が得られ
る。その結果生成したセルサイズとセルのサイズ比は、
これらの中にある不良の数と共に、即座に統計的性能の
質についての情報を生成する。認識の確実性は、不良分
類をあらかじめ推定することによって提供される。さら
に、本技法はソフトウェアでもハードウェアでも実現可
能である。

【００１９】

【実施例】本発明のこれら及び他の目的、利点、特徴
は、ある好適な実施例についての以下の次の詳細な説明
を添付の図面と照合することにより、より容易に理解す
ることができる。

【００２０】詳細な実施例で説明する実施例において、
本発明は“ハイパーツリー”と呼ぶ。

【００２１】ハイパーツリー法では、各不良または特徴
は、ｎ個の特徴の測定値または特性を含む特徴ベクトル
により、初期に記述される。これらのベクトルは、次元
の数が特徴ベクトルにおける測定値の数“ｎ”に等し
い、多次元（すなわち、より詳細にはｎ次元）特徴空間
を形成する。本発明に従う統計解析は、特徴ベクトル毎
に３個以上の要素または測定値を取込むことにより、拡
張される。本発明の方法はこの特徴空間を分解し、各不
良区分に対するクラスタを形成する。データモデルはサ
ンプルデータのクラスタから直接生成する。このデータ
モデルが最終的にオンラインの画像システムに転送さ
れ、新たな不良データを実時間で区分するのに使用され
る。

【００２２】アルゴリズムハイパーツリーのアルゴリズムでは、当該技術分野で
“ミニマクスサーチ”と呼ばれる発見的サーチの一種を
使用する。ミニマクスサーチは、他の区分に帰属される
特徴を示すことによってハイパーキューブの純度を損な
おうとする悪意のある対戦相手の存在すを想定すること
により、多次元特徴空間を反復して細分化するため、ゲ
ーム理論で用いられるものに類似している。これによっ
て、本方法を、三次元空間を分解し、幾何学的な立体を
配置及び測定するのに用いられるオクトツリーに類似し
た技法と結合する。オクトツリー法は、三次元から多次
元（すなわち、３次元より大きい次元）の“ハイパー空
間”に拡張され、“ハイパーツリー”を形成する。この
方法では、ハイパー空間における領域の純度を維持しよ
うとしながら、空間をより小さなハイパーキューブに反
復して分解する。ハイパーツリーアルゴリズムは、領域
が純粋になるか、定義済みの最小セルサイズに達した時
点で停止する。

【００２３】ハイパーキューブは、初期には、不特定の
区分であると仮定され、すべての点が空である。第１の
点が空のハイパーキューブに到達すると、キューブは２
d 個の子ハイパーキューブに分解される。所定の区分の
それぞれの新しい点が現れ、それぞれの点が空の貧領域
または異なる区分の領域に配置されると、細分化が起こ
る。分類された純粋なハイパーキューブに点が出現する
と、そのハイパーキューブについてカウントが増加す
る。このプロセスは、トレーニングサンプルにおけるす
べての点が読まれるまで、反復して継続する。特徴空間
は個別の抽出空間であるため、細分化は、分類ハイパー
ツリー上のリーフノードとしての単位サイズのハイパー
キューブを生成するのに十分な回数だけ反復される。ハ
イパーツリーは、必ず最小タイプセルに分解するわけで
はない。たとえば、発見的サーチを停止するのに別の基
準が用いられ、最大分解レベルと呼ばれる実物大のハイ
パーキューブよりも大きいハイパーキューブを形成する
場合がある。一般的には、不純なリーフノードは、相対
するカテゴリーの点が、ハイパー空間のほぼ同じ位置に
発生したことを示している。

【００２４】図３は、面積と周囲の長さによって各特徴
ベクトルが構成される二次元空間における２つの不良カ
テゴリを識別するために、特徴空間がどのように分解さ
れるかを単純化して示した、二次元の例である。この場
合には、特徴空間が分解され、それぞれのカテゴリーに
対して純粋な正方形を生成している。点で示した正方形
内にある点がスポットとして分類され、交差斜線領域内
にある点はストリークであると分類される。何もない領
域は分類されない。相対するカテゴリーの点同士が接近
していると、空間はさらに小さな正方形へと分解され
る。しかしながら、多次元空間を描くのが困難なため、
より現実的な例を示すのは困難である。長さと幅といっ
たさらに２つの次元が含まれれば、その結果生成するハ
イパー空間をより正確に分解する。また、実際の適用に
おいては、明確に分類できないトレーニングサンプルに
おける不良または特徴を包含するため、カテゴリーゼロ
といった、不特定の分類が含まれる。

【００２５】リーフノードの数と分解のレベルは、トレ
ーニングサンプルの品質と、生成したデータモデルが不
良カテゴリーを識別する際に有する成功率を示す。所定
のカテゴリーによって占有される領域において、その他
のカテゴリーの点の数の比を考慮することにより、損失
関数及びリスク関数が生成される。符号化された特徴空
間または生成したデータモデルは、各子ハイパーキュー
ブの存在を示すのに１ビットを使用して、たとえばディ
スクにセーブされる。このモデルは、新規データを実時
間で分類するために、オンライン画像処理プログラムに
よって読込まれる。本発明に従うモデル構築の１つのソ
フトウェアの実施例の概観を下記に示す。

【００２６】主プログラム：データベースからトレーニ
ングサンプルの各特徴を読込み、それぞれの新しい特徴
を読込んだ後、Ｄｅｃｏｍｐｏｓｅを呼出す。

【００２７】Ｄｅｃｏｍｐｏｓｅ：特徴が同一タイプの
ものであるか、最小ハイパーキューブか、または空であ
る場合、ハイパーキューブに特徴を付加する。ノードが
初期化されていない場合には、初期化される。ノードが
リーフノードでない場合、Ｄｅｃｏｍｐｏｓｅが反復し
て呼出される。ノードがリーフノードであるが、最小ノ
ードでない場合、現行の特徴と異なるカテゴリーを有す
るノードにおけるすべての点に対し、Ｔｒｙ−ｔｏ−Ｅ
ｘｃｌｕｄｅが呼出される。次いで、現行の特徴として
の同一のカテゴリーのすべての特徴に対し、Ｄｅｃｏｍ
ｐｏｓｅが反復して呼出される。

【００２８】Ｔｒｙ−ｔｏ−Ｅｘｃｌｕｄｅ：特徴が最
小セルか、空である場合、ノードに特徴を付加する。ノ
ードが初期化されていない場合には、初期化される。ノ
ードがリーフノードであるが、最小ノードでない場合、
同一の特徴のカテゴリーを有するノードにおけるすべて
の点に対し、Ｄｅｃｏｍｐｏｓｅが呼出される。次い
で、特徴と共に、Ｔｒｙ−ｔｏ−Ｅｘｃｌｕｄｅが反復
して呼出される。

【００２９】Ｔｒａｖｅｒｓｅ：データモデルの統計を
蓄積する。ハイパーツリー全体を探索し、それぞれの不
良カテゴリーに対し、事前確率及び事後確率、平均、分
散、損失関数、リスク関数を計算する。

【００３０】Ｐｒｉｎｔｓｔａｔ：Ｔｒａｖｅｒｓｅに
よって蓄積された統計の要約を印字する。

【００３１】Ｗｒｉｔｅｍｘ：ハイパーツリーを反復し
て降り、各子ハイパーキューブに対して１ビットだけが
使用されている符号化形式を使用して、データモデルを
ディスクに書込む。

【００３２】下記の擬コードは、上記に要約した主プロ
グラムの成分を記述する擬コードを表１から５に示す。
変数名はイタリック体で示す。

【００３３】

【表１】

【表２】

【表３】

【表４】

【表５】ハイパーツリーの実施図４について説明する。管理分類のハイパーツリー法で
は、符号化スレッショルドバイナリ画像の形式で実時間
画像システムより生成する大きなトレーニングサンプル
が必要である（２０）“符号化スレッショルドバイナリ
画像のトレーニングサンプル”。次いで結合された領域
または特徴が、結合性解析を実行することによって画像
から抽出される（２２）“結合領域の抽出”。それぞれ
の結合領域は頂点のリストか、境界記述か、それを囲む
多角形かによって記述される。頂点の各リストは、独自
の識別子または特徴番号によって索引が付けられたデー
タベースに記憶される（２４）“結合領域のデータベー
スへの記憶”。

【００３４】幾何学的測定値がデータベースの各領域よ
り取得され、特徴ベクトルと呼ばれる整数の配列を形成
する（２６）“幾何学測定値の取得と特徴ベクトルの形
成”。この配列は、たとえば、多次元ハイパー空間が定
義される、ｘとｙの位置、幅、長さ、周囲の長さ及び面
積を含む。各特徴ベクトルは、特徴番号によって索引付
けされるデータベースに記憶される（２８）“特徴ベク
トルの保存”。本ステップの後、データベースは、トレ
ーニングサンプルにすべての特徴を記述する情報を含む
ことになる。

【００３５】ハイパーツリーにおけるような監視分類に
ついては、トレーニングサンプルにおける対象の各特徴
の事前分類を設定することが必要である。すべての特徴
の映像がグラフィックワークステーションのスクリーン
上に表示され、専門家がそれをスクロールし、すべての
対象となる特徴を適切な分類によって標識することがで
きる（３０）“特徴ベクトルの分類”。

【００３６】ハイパーツリーはデータベースから分類さ
れた特徴のサンプル集合を読込み、分類子またはデータ
モデルを生成し、これを記憶する（３２）“ハイパーツ
リーを呼出し、データモデルを形成”。これは、多次元
ハイパーツリーをメモリに作成し、特徴空間をサンプル
データの分類によって指定されたように分解することに
よって実施される。各不良カテゴリーに対する、事前確
率、事後確率、平均、ばらつき、損失関数、リスク関数
は、好適にはすべて計算される（そして印字される）。
損失関数は、所定の特徴に対して、性質の真の状態が異
なる分類のときに間違った分類を選択する確率である。
リスク関数は、特定の間違った分類を選択する確率であ
る。

【００３７】図５は、上記に要約したサブルーチンを使
用した、具体的なハイパーツリー処理方法を示してい
る。ハイパーツリー処理は、ポインタを主プログラムに
対して初期化することによって開始する（４０）“ポイ
ンタをハイパーツリーに対して初期化”。その後、分解
の最大レベルが決定され（４２）“分解の最大レベルを
決定”、最小セルサイズが決定される（４４）“リーフ
ノードに対して最小セルサイズを決定”。それぞれの記
憶された特徴に対して分解されたサブルーチンが呼出さ
れ、適切なハイパーキューブに特徴を配置する（４６）
“それぞれの特徴に対してデータベースから特徴を読込
み、Ｄｅｃｏｍｐｏｓｅ（Ｆｅａｔｕｒｅn ，Ｈｅａ
ｄ）を呼出し、適切なハイパーキューブに特徴を配
置”。各特徴が配置されると、分類ツリーは全体が探索
され、各分類に対する統計を蓄積し（４８）“Ｔｒａｖ
ｅｒｓｅを呼出し、各カテゴリーに対する統計を蓄
積”、統計が印字される（５０）“Ｐｒｉｎｓｔａｔを
呼出し、統計を印字”。

【００３８】例として、表６〜１７には、動画映像フィ
ルム上の２つの不良タイプのサンプルについてハイパー
ツリーを実施した実施例の出力リストを示す。本表は、
特徴ベクトルにおける各要素に対する、特徴空間の区画
の範囲と、算出された損失関数と、リスク関数、平均、
標準偏差を示している。

【００３９】

【表６】

【表７】

【表８】

【表９】

【表１０】

【表１１】

【表１２】

【表１３】

【表１４】

【表１５】

【表１６】

【表１７】リストの第１の部分は、特徴空間の分解を示している。
“面積”は、実際にはハイパーキューブの端のサイズで
ある。面積が大きい場合は、ハイパー空間の分解が少な
く、特徴クラスタがより明瞭であることを示している。
各カテゴリーの特徴の数は、分解の各レベルについて示
してある。

【００４０】リストの第２の部分には統計が示されてい
る。事前確率は、全サンプルの所定のカテゴリーの特徴
の数に基づいている。損失関数、リスク関数、事後確率
は、特徴クラスタの“純度”の決定に基づいている。

【００４１】プログラムＤｅｃｉｓｉｏｎ（以下で説
明）は、分類子またはデータモデルを読込み、新規特徴
ベクトルの各ファイルを分類するのに用いる。まず、デ
ィスク上のコンパクトな表現から、ハイパーツリーをメ
モリに作成する。次いで、Ｄｅｃｉｓｉｏｎはファイル
のすべての特徴ベクトルを読込み、分類を生成する。こ
れは、特徴がリーフノードハイパーキューブに当てはま
る場合に、分類を帰属するハイパーツリー全体を探索す
ることによって実施される。

【００４２】ハイパーツリーの導出各不良カテゴリーに対する事後確率と、算出損失関数
と、算出リスク関数に対する式の導出を本セクションに
示す。ハイパーツリーにおいて、実際の分類子またはデ
ータモデルは、分類子が特徴空間の区画から直接生成
し、確率分布と濃度関数の推定を無視する、ノンパラメ
トリック法に基づいている。推定確率分布と濃度関数は
トレーニングサンプルから計算することができるが、こ
れらの推定はハイパーツリープログラムでは使用されな
い。事後確率に対するハイパーツリーの式は、ｋi ／ｋ
である。ｋi はタイプｉのサブボリュームＶにおける特
徴の数、ｋはサブボリュームＶにおける特徴の全数であ
る。特徴空間が既にハイパーキューブに最適に分解され
ているものと仮定すると、この区画が導出を示す。

【００４３】ハイパーツリー法では、特徴空間が実際の
特徴空間の個別サンプリングであり、区画がバイナリで
あるため、いくぶんサンプリングエラーが生じる。この
サンプリングエラーは小さいものと見なされ、考慮され
ない。また、データはサンプリングされた画像からとら
れた測定値から成り、特徴空間は最小ハイパーキューブ
サイズの１未満には分解されないため、サンプリングエ
ラーは無視できる。

【００４４】ｎ個のカテゴリーの集合を考慮すると、

【数１】サンプル集合は、それぞれがｄ個の要素：

【数２】を有する、複数の特徴ベクトルＸから成る。

【００４５】サンプルサイズが十分に大きく、所定のカ
テゴリーωj として発生する不良の事前確率が正確に予
測できるものとすると、確率Ｐ（ωj ）は次式となる。

【００４６】

【数３】ｎj はカテゴリーｊの点の数、Ｎは点の総数である。

【００４７】特徴ｘがハイパー空間Ｒの領域内にある確
率Ｐを仮定すると、

【数４】となる。ｄｘ’はボリューム要素である。

【００４８】

【数５】Ｖはハイパー空間の領域Ｒのボリュームである。

【００４９】Ｐａｒｚｅｎｗｉｎｄｏｗｓや最近傍法
といったノンパラメトリック技法では、ｄ空間における
ハイパーボリュームは、所定のカテゴリーωj の一定数
の特徴を含むのに十分なサイズとなるよう、選択され
る。ここで説明した方法のハイパーツリーでは、ハイパ
ーボリュームＶは、ｋ個の点を含むよう選択される。こ
こで、ｋ≧ｋj であり、ｋj は、ボリュームＶにおける
カテゴリーｊのすべての不良である。空間平均条件付確
率濃度ｐ（ｘ｜ωj ）は、

【数６】である。

【００５０】ベイズの法則によれば、ｐ（ωj ）ｐ（ｘ
｜ωj ）＝ｐ（ｘ）ｐ（ωj ，ｘ）である。ここで、

【数７】である。

【００５１】したがって、ベイズの法則を事後確率を算
出するのに適用することができる。

【００５２】特徴がタイプｘである場合、誤った決定を
するコストを最小化する次式の決定法則が適用される。

【００５３】

【数８】この方法で使用される決定法則は、特定のサンプル空間
における総リスクを最小化する。これがベイズリスクで
あり、実現可能な最小リスクである。

【００５４】真の分類がωj であるときに作用αi がと
られると、予測損失は

【数９】となる。

【００５５】この予測損失関数は、ボリュームＶにおけ
るタイプｉの点の数により、トレーニングサンプルから
推定することができる。

【００５６】

【数１０】特徴ｘに対して作用αi をとる総条件付リスクＲ（αi
｜ｘ）は、

【数１１】となる。

【００５７】性能分析本セクションでは、ハイパーツリーのアルゴリズムを分
析し、統計パターン認識を実施するのに用いられる他の
アルゴリズムと比較する。さらに、ノンパラメトリック
法とパラメトリック法の選択に関連する、実行時間と記
憶スペースの考慮について説明し、ハイパーツリー処理
の具体的な性能向上について、他のノンパラメトリック
法と比較して説明する。

【００５８】パラメトリック法では、必要な記憶スペー
スがノンパラメトリック法の場合よりも小さい。パラメ
トリック法では、基になる確率分布関数は既知であり、
判別関数は事前関数と区分条件付濃度関数から計算でき
るため、特徴空間の実際の表現を記憶する必要はない。
したがって、全記憶スペースの必要量は最小化される。
ハイパーツリーのメモリの使用は、多次元分類子を効率
的に２進符号化することによって最小化され、今日のコ
ンピュータにおいてはメモリコストが減少しているた
め、記憶空間の必要量を考慮することは重要ではなくな
りつつある。

【００５９】最近傍法またはＰａｒｚｅｎｗｉｎｄｏ
ｗｓといった、ノンパラメトリック法では、高データ量
に対して計算の必要量は抑制される。各特徴、すなわ
ち、ハイパー空間における点に対して、複数の近傍の点
を囲み、近傍における大多数の点を分類することができ
るよう十分大きなボリュームが選択されなければならな
い。これは、Ｏ（ｎ²）で実行される。ここで、ｎは１
つのカテゴリー分類子に対する特徴の数である。２つの
カテゴリー分類子に対しては、これはＯ（ｎ⁴）で実行
され、３つのカテゴリー分類子に対しては、Ｏ（ｎ⁸）
で実行される。ｃ個の分類に対しては、Ｏ（ｎ^2**c）で
実行される。

【００６０】ハイパーツリーでは、特徴空間は連続した
バイナリ区間によって分解される。したがって、特徴空
間が完全に分解される場合の、１つのカテゴリー分類子
に対する最悪の場合の実行時間は、Ｏ［ｎｌｏｇ
（ｎ）］である。ここで、ｎは特徴の数である。次元が
大きくなっても、実行時間は大幅には増加しない。特徴
ベクトルにおけるすべての余剰要素に対しては、特徴毎
にもう１つの比較演算があるだけなので、ファクタは一
次である。複数のカテゴリーに対しては、効果は次のよ
うになる。２つのカテゴリーに対し、ハイパーツリーは
Ｏ［ｎ²ｌｏｇ（ｎ）］で実行され、３つのカテゴリー
に対してはＯ［ｎ³ｌｏｇ（ｎ）］で実行され、ｃ個の
カテゴリーに対してはＯ［ｎ^cｌｏｇ（ｎ）］で実行さ
れる。非常に数の多い独自のカテゴリーに対してはハイ
パーツリーの性能は低下するが、性能はその他の方法ほ
ど急速には低下しない。

【００６１】ハイパーツリーを用いた演算不良分類シス
テム本セクションでは、図１にブロックダイアグラムで示し
た、オフラインのワークステーション（監視統計分類装
置６０）と、ニューヨーク州Ｒｏｃｈｅｓｔｅｒのイー
ストマンコダック社ＥＫＴＲＯＮ応用画像社により市販
されている、８０で示したＶＥＲＥＤＵＳ^TM実時間表面
欠陥検出解析システムを使用し、カテゴリーによって不
良を識別し、分類する、完全なシステムについて説明す
る。本システムの核心部にあるのは、統計パターン認識
のハイパーツリー法である。

【００６２】ＶＥＲＥＤＵＳ^TMシステム（画像処理装置
８０）は、表面の欠陥または不良、あるいは刻まれた欠
陥または不良を、ウェブ６２に基づくコーティング、プ
レーティング、或いは同様の処理によって光学的に検出
するのに用いられる、専用高速パイプライン画像処理シ
ステムである。ＶＥＲＥＤＵＳ^TMは、１つまたはそれ以
上のリニア光学画像センサ（画像化手段６４）に接続す
ることができ、オペレータ（図示せず）に対し、不良タ
イプ及び統計を統計的に作表したレポート（統計蓄積手
段７２）を生成する。

【００６３】ハイパーツリーは、ＶＥＲＥＤＵＳ^TM実時
間表面欠陥検出解析システム（画像処理装置８０）に、
実時間で走査中に、移動するウェブ上の不良を認識する
のを“教える”のに使用されるオフライン分類システム
（監視統計分類装置６０）の一部である。本プログラム
は、リレーショナル不良データベース７４を中心とした
システムの他のプログラムと統合されている。本システ
ムは、次のプログラムから成る。（１）Ｃｏｎｎｅｃｔ
（特徴ベクトル生成手段７３）：画像を分解し、分解し
た画像情報をリレーショナル不良データベース（統計分
類モデル７４）に挿入する。（２）Ｇｅｏ７５：特徴ベ
クトルを形成する不良の幾何学的測定値をとり、リレー
ショナル不良データベース（統計分類モデル７４）に追
加する。（３）Ｃｌａｓｓｉｆｙ（帰属手段７６）：事
前分類または既知の分類を“トレーニングサンプル”の
特徴に帰属するため、オペレータによって実行されるプ
ログラム。（４）ハイパーツリー（クラスタリング手段
７７）：前述したように、特徴空間を分解し、“ＯＦＣ
ＬＡＳＤａｔａＭｏｄｅｌ”と呼ばれる分類子、す
なわち分類モデルを形成する。また、ＶＥＲＥＤＵＳ^TM
実時間表面欠陥検出解析システム（画像処理システム８
０）には、データモデルＯＦＣＬＡＳをとり、それを未
分類データとして新規に適用する、すなわち、事後分類
演算を実施する、第５のプログラムＤｅｃｉｓｉｏｎ
（参照手段７０）もある。

【００６４】ＶＥＲＥＤＵＳ^TM実時間表面欠陥検出解析
システム（画像処理システム８０）には、走査した対象
画像の一部を、Ｙグループ符号化６６という圧縮形式で
取得するための専用モードがある。このＹグループ符号
化された画像は、ＶＥＲＥＤＵＳ^TM実時間表面欠陥検出
解析システム（画像処理システム８０）が共用ＶＭＥバ
スメモリ、シリアルポート、ｔｃｐ／ｉｐのいずれかを
装備していれば、これらを介して、ＶＥＲＥＤＵＳ^TM実
時間表面欠陥検出解析システム（画像処理システム８
０）からオフライン分類システム（監視統計分類装置６
０）に移動することができる。

【００６５】１．Ｃｏｎｎｅｃｔ（特徴ベクトル生成手
段７３）は、圧縮画像を取得する。これは一般に、画素
当り１ビットといったバイナリ画像であるが、画素当り
それ以上のビット数を有することもある。各共通部分を
各画像画素値の変化によって記録する際に、画像はＹグ
ループ符号化から解凍される。次の各走査線によって物
理的に別々の特徴に分解される。実際には、これによっ
て画像中の各特徴の境界が見出される。頂点の数を最小
必要数にまで減少させた後、各特徴は、すべての特徴の
負及び正の空間の輪郭または境界を記述する頂点のｘ，
ｙの対のリストとして、データベースに記憶される。す
なわち、外側の境界は、ホールまたは負の領域の境界と
共に記憶される。これらの特徴のそれぞれは、ユニーク
キーにより、データベースに記憶される。

【００６６】２．Ｇｅｏは、データベースから特徴を読
込み、それぞれの特徴の幾何学的測定値をとる。これら
の測定値は、特徴ベクトルと呼ばれるもの、すなわち、
これらの特徴のそれぞれの幾何学的特性を記述する数の
リストを形成する。特徴ベクトルは、最も広い点の幅、
最も長い点の長さ、周囲の長さ、ホールを除いた面積を
含むことができる。また、オプションとして、ｘ，ｙの
座標位置、重心、すなわち重力の中心、射影長を含むこ
とができる。Ｇｅｏは、各特徴に対する特徴ベクトルを
データベースに追加し、Ｃｏｎｎｅｃｔ（特徴ベクトル
生成手段７３）によって取得された境界にキー入力す
る。

【００６７】３．Ｃｌａｓｓｉｆｙ（帰属手段７６）
は、データベースで見出された境界頂点リストを使用し
て原画の画像表現をオフラインワークステーションのス
クリーン上に描画し、使用者が対象となる特徴をマウス
で指定して選択できるようにする。プログラムの使用者
は対象となる各特徴にたいして分類を選択することがで
きる。このようにして、事前分類が決定される。これら
の事前分類のそれぞれは、データベースに記憶され、前
述の境界リストと特徴ベクトルにキー入力される。

【００６８】４．ハイパーツリープログラムは、分類
子、すなわち分類モデルを作成するために実行される。
このモデルはＯＦＣＬＡＳデータモデルという。このモ
デルを生成するためにハイパーツリーに使用される方法
は、詳細に前述した。本モデルは上述のインタフェース
のうちの１つを用いてＶＥＲＥＤＵＳTM実時間表面欠陥
検出解析システム（画像処理装置８０）に転送される。

【００６９】５．Ｄｅｃｉｓｉｏｎは、モデルに従って
新規データを分類する。オフラインシステム上で実行さ
れ、結果を確認またはチェックするバージョンもある。

【００７０】図２は、“ＯＦＣＬＡＳ”と呼ばれる、本
発明に従って構築されたデータモデル構造の１実施例を
示している。標準化された名前と数が、各測定値に好適
に割当てられる。図２のサンプルデータモデルでは、次
の用語が用いられる。

【００７１】Ｄｉｍ：データモデルの次元数。これは、
特徴ベクトルの要素の数に等しい。

【００７２】Ｌｅｖｅｌ：本モデルで使用された分解レ
ベルの数。

【００７３】Ｃｌａｓｓ：分類。

【００７４】ＭＡＸＣＬＡＳＳ：可能な分類またはカテ
ゴリーの最大数。

【００７５】Ｒｉｓｋ：実際のカテゴリーがｉであると
きにカテゴリーｊを選択する場合の損失関数（またはコ
スト）。これは、各要素が浮動小数点数であるＭＡＸＣ
ＬＡＳＳ要素の二次元配列として実行される。

【００７６】Ｌｏｓｓ：カテゴリーを間違って選択する
場合の損失関数（またはコスト）。浮動小数点数の配列
として表される。

【００７７】Ｄａｕｇｈｔｅｒｍａｓｋ：マスクは、す
べての可能なｄａｕｇｈｔｅｒに対して１ビットを有
し、ｄａｕｇｈｔｅｒの最大数は２^dimである。ビット
位置における１はｄａｕｇｈｔｅｒが存在することを示
し、０はｄａｕｇｈｔｅｒが存在しないことを示す。常
にＤａｕｇｈｔｅｒｍａｓｋがルートノードにある。他
のノードでは、ノードの分類が＞０の場合のみＤａｕｇ
ｈｔｅｒｍａｓｋが存在する。

【００７８】Ｃｕｂｅ：次のレベルに対する分類とＤａ
ｕｇｈｔｅｒｍａｓｋを含むデータ構造。キューブがリ
ーフノードの場合、分類は＞０となる。分類が０未満の
場合、Ｄａｕｇｈｔｅｒｍａｓｋが続く。データ構造は
反復的であり、キューブの最大可能数は、分解レベルに
２の次元数ｄｉｍ乗を掛けたものに等しい。これを式で
表すと、ｍａｘｃｕｂｅｓ＝ｌｅｖｅｌ × ２^dim となる。

【００７９】“Ｃ”で表すと、キューブの最大数は、ｍａｘｃｕｂｅｓ＝ｌｅｖｅｌ ^* （１＜＜ｄｉｍ）となる。

【００８０】ｄａｕｇｈｔｅｒｍａｓｋに必要なバイト
数は、２^dim-3 である。

【００８１】“Ｃ”で表すと、ｄａｕｇｈｔｅｒｍａｓ
ｋは、ｃｈａｒｄａｕｇｈｔｅｒｍａｓｋ［１＜＜（ｄｉｍ−３）］と定義される。

【００８２】キューブの実際の数は、一般的に最大数よ
りもはるかに小さい。これは、分類子の質、すなわち、
モデルを作成するのに使用されたトレーニングサンプル
中のオリジナルデータの統計的分布に関連する。

【００８３】データモデルのトップには、ヘッダがあ
る。その次にあるのは損失関数配列、次いでリスク関数
配列と続く。最後には、キューブがルートキューブから
リーフキューブの順に見られる。

【００８４】本発明の特定の実施態様を、添付の図面に
示し、詳細な説明において説明してきたが、本発明はこ
こに記載した特定の実施態様に限定されるものでなく、
本発明の範囲から逸脱することなく、様々な変更、修
正、置換えが可能であるものとする。特許請求の範囲に
は、このような修正をすべて含むものとする。

【００８５】

【発明の効果】前述の説明から明らかなように、サンプ
リングしたテスト画像（または、好適には、複数のサン
プリングしたテスト画像）から統計モデルを生成する新
規方法が提供される。説明した柔軟性のあるノンパラメ
トリック法により、オンライン画像処理システムによっ
て深さを優先して探索される分類ツリーが、たとえば品
質管理プロセスの一部として生成される。処理システム
は特定の特徴ベクトルを対応する特徴空間セル内に配置
する。データモデルは、一旦生成されると、所定のプロ
セス及び画像条件に対して、精度を保つ。生成したデー
タモデルは、特徴の分類において、現在までに知られて
いるモデル化技法より効率的で正確である。技法を複数
使用すること（ここでは“ハイパーツリー”と呼んだ）
によって不良カテゴリーの確率分布を自動的に学習する
非監視法を同時に使用することにより、更に高い精度が
得られる。その結果生成したセルサイズとセルのサイズ
比は、これらの中にある不良の数と共に、即座に統計的
性能の質についての情報を生成する。認識の確実性は、
不良分類をあらかじめ推定することによって提供され
る。さらに、本技法はソフトウェアでもハードウェアで
も実現可能である。

【図面の簡単な説明】

【図１】本発明のシステムの１実施例のブロックダイア
グラム図である。

【図２】本発明に従って構築されたデータモデルの記憶
構造の１実施例のブロックダイアグラム図である。

【図３】本発明に従う、特徴空間の二次元反復的分解の
単純な例の図示である。

【図４】本発明に従う、データモデル作成中の前処理の
１実施例の機能フローチャートである。

【図５】本発明に従う、“ハイパーツリー”処理の特定
の実施例の機能フローチャートである。

【図６】構造パターン言語表現の例である。

【図７】定義した領域において所定の分類の不良が多様
相分布するサンプルのグラフ図である。

【符号の説明】

６０監視統計分類装置６２ウェブ６４画像化手段７０参照手段７２統計蓄積手段７３特徴ベクトル生成手段７４統計分類モデル７６帰属手段７７クラスタリング手段８０画像処理装置

Claims

【特許請求の範囲】

【請求項１】複数の特徴を有するサンプルテスト画像
から統計分類モデルを生成する方法において、前記統計分類モデルが、画像処理システム（８０）によ
って実時間特徴分類に使用され、前記統計分類モデルを生成する方法が、（ａ）前記複数の特徴を有する前記サンプルテストを画
像化し、それらのディジタル画像表現を生成するステッ
プと、（ｂ）前記ディジタル画像表現を参照することにより、
独自の分類を前記サンプルテスト画像中の同一タイプの
選択された特徴に帰属するステップと、（ｃ）前記ステップ（ｂ）で分類された各特徴に対して
ｎ個の要素から成る特徴ベクトルを生成するステップ
と、（ｄ）前記ステップ（ｂ）で帰属された前記分類を使用
して特徴ベクトルを特徴空間においてクラスタリングす
るステップと、（ｅ）新規画像を実時間で特徴分類するための前記画像
処理システム（８０）によるアクセスに備え、ステップ
（ｄ）の前記クラスタリングの結果生成した階層的に分
解されたｎ次元特徴空間を記憶するステップと、を含
み、前記ステップ（ｃ）の前記ｎ個の要素から成る特徴ベク
トルが対応するｎ次元特徴空間を定義し、前記ステップ（ｄ）の前記クラスタリングがミニマクス
サーチを用い、前記帰属された特徴分類に基づいてｎ次
元特徴空間のツリー状階層分解を定義することを特徴と
する統計分類モデルを生成する方法。
【請求項２】請求項１記載の統計分類モデルを生成す
る方法において、前記ミニマクスサーチクラスタリングステップ（ｄ）
が、各最終特徴セルが同一分類に対応する特徴ベクトル
のみを含むか、空であるか、前記分解特徴空間に対する
定義済みの最小セルサイズであるよう、ｎ次元特徴空間
の階層分解を定義することによって実施されることを特
徴とする統計分類モデルを生成する方法。
【請求項３】請求項２記載の統計分類モデルを生成す
る方法において、前記サンプルテスト画像中に少なくとも２つの異なる特
徴タイプが存在し、前記ステップ（ｂ）が独自の分類を
前記特徴タイプのそれぞれに帰属するステップを含むこ
とを特徴とする統計分類モデルを生成する方法。
【請求項４】請求項３記載の統計分類モデルを生成す
る方法において、各特徴タイプの複数の特徴が階層的に分解されたｎ次元
特徴空間内にクラスタリングされるよう、複数のサンプ
ルテスト画像に対して、ステップ（ａ）から（ｄ）を累
積的に反復するステップを含むことを特徴とする統計分
類モデルを生成する方法。
【請求項５】請求項３記載の統計分類モデルを生成す
る方法において、前記クラスタリングステップ（ｄ）が、（ｉ）特徴ベクトルを選択し、前記特徴ベクトルを特徴
空間内に配置するステップと、（ｉｉ）別の特徴ベクトルを選択し、前記別の特徴ベク
トルを前記特徴空間内に配置するステップと、（ｉｉｉ）少なくとも２つの異なる分類の特徴ベクトル
が同一の特徴空間セル内に配置されている場合に前記特
徴空間を選択的に分解し、前記少なくとも２つの異なる
分類の特徴ベクトルが異なるセルに配置されるか、前記
定義済みの最小セルサイズに達するまで前記選択的分解
が継続するステップと、（ｉｖ）ステップ（ｃ）で生成された前記特徴ベクトル
のそれぞれに対してステップ（ｉｉ）及び（ｉｉｉ）を
反復するステップと、を含み、前記ステップ（ｉｖ）において、生成したステップ（ｉ
ｉｉ）の分解特徴空間が、ｎ次元特徴空間のツリー状階
層分解であることを特徴とする統計分類モデルを生成す
る方法。
【請求項６】請求項３記載の統計分類モデルを生成す
る方法において、前記ステップ（ｃ）が、前記ステップ（ｄ）が多次元特
徴空間のツリー状階層分解を生成するよう、ディジタル
表現の画像における各分類特徴に対して多要素特徴ベク
トルを生成するステップを含むことを特徴とする統計分
類モデルを生成する方法。
【請求項７】請求項３記載の統計分類モデルを生成す
る方法において、前記ステップ（ｄ）で用いられる前記ミニマクスサーチ
が、特徴空間を２のべき乗によって選択的に分解するス
テップを含むことを特徴とする統計分類モデルを生成す
る方法。
【請求項８】請求項７記載の統計分類モデルを生成す
る方法において、前記ステップ（ｄ）の前記ミニマクスサーチに対する特
徴空間の最大レベルを設定するステップを含むことを特
徴とする統計分類モデルを生成する方法。
【請求項９】請求項８記載の統計分類モデルを生成す
る方法において、前記ステップ（ｄ）の間に、前記特徴空間の前記ミニマ
クスサーチ分解に対する最小セルサイズを決定するステ
ップを含むことを特徴とする統計分類モデルを生成する
方法。
【請求項１０】請求項３記載の統計分類モデルを生成
する方法において、ｎ次元特徴空間の前記ツリー状階層分解を前記オンライ
ン画像処理システムに転送するステップを含むことを特
徴とする統計分類モデルを生成する方法。
【請求項１１】請求項３記載の統計分類モデルを生成
する方法において、前記分類帰属ステップ（ｂ）が、オペレータによって手
動で実施されることを特徴とする統計分類モデルを生成
する方法。
【請求項１２】請求項３記載の統計分類モデルを生成
する方法において、前記画像化ステップ（ａ）が、特徴を画像化サンプルテ
スト画像内の結合した領域として定義し、前記結合した
領域のｎ個の幾何学的測定値を取得するステップを含
み、前記幾何学的測定値が、前記ステップ（ｃ）で前記ｎ個
の要素から成る特徴ベクトルを形成するのに用いられる
ことを特徴とする統計分類モデルを生成する方法。
【請求項１３】請求項４記載の統計分類モデルを生成
する方法において、生成したｎ次元特徴空間の階層分解が、前記画像処理シ
ステム（８０）による新規画像の実時間特徴分類用の監
視分類装置を含むことを特徴とする統計分類モデルを生
成する方法。
【請求項１４】監視統計分類装置を使用してウェブの
特徴を分類する実時間画像処理方法において、前記統計分類装置が、異なる特徴タイプが階層ツリーの
異なる特徴空間セルでクラスタリングされるｎ次元特徴
空間のツリー状階層分解を含み、前記実時間画像処理方法が、（ａ）前記ウェブ（６２）を画像化し、そのディジタル
画像表現を生成するステップと、（ｂ）前記監視統計分類装置を参照し、特徴ベクトル
を、ｎ次元特徴空間の前記ツリー状階層分解の対応する
特徴空間セル内に自動的に配置するステップと、（ｃ）前記ステップ（ｂ）の前記配置特徴ベクトルに基
づいて画像化特徴に関する統計を蓄積するステップと、
を含み、前記ステップ（ａ）の前記画像化が、選択されたウェブ
の特徴に対するｎ次元特徴ベクトルを生成するステップ
を含み、前記ステップ（ｂ）において、前記特徴ベクトルのそれ
ぞれに対し、前記配置ステップが、前記特徴ベクトルを
含む前記階層ツリーの最小セルに対して特徴空間の前記
階層分解を探索するステップを含み、前記ステップ（ｃ）の前記統計が、各配置された特徴ベ
クトルに対し、前記対応する特徴に対する特徴タイプ分
類を供与することを特徴とする実時間画像処理方法。
【請求項１５】請求項１４記載の実時間画像処理方法
において、前記監視統計分類装置が、多次元特徴空間のツリー状階
層分解を含み、前記画像化ステップ（ａ）が、選択され
たウェブの特徴に対して多次元特徴ベクトルを生成する
ステップを含むことを特徴とする実時間画像処理方法。
【請求項１６】請求項１４記載の実時間画像処理方法
において、前記ステップ（ａ）において画像化される前記ウェブ
（６２）が可動であることを特徴とする実時間画像処理
方法。
【請求項１７】請求項１６記載の実時間画像処理方法
において、前記可動ウェブがフィルム材の可動ウェブから成り、前
記ステップ（ａ）で画像化される前記ウェブの特徴が、
前記フィルム材上の欠陥を含むことを特徴とする実時間
画像処理方法。
【請求項１８】請求項１６記載の実時間画像処理方法
において、前記可動ウェブが可動ウェブ材から成り、前記ステップ
（ａ）で画像化される前記ウェブの特徴が、前記可動ウ
ェブ材上の表面欠陥を含むことを特徴とする実時間画像
処理方法。
【請求項１９】請求項１４記載の実時間画像処理方法
において、前記ステップ（ａ）から（ｃ）以前に前記監視統計分類
装置をあらかじめ定義するステップを含むことを特徴と
する実時間画像処理方法。
【請求項２０】請求項１９記載の実時間画像処理方法
において、前記ステップ（ｂ）中に実時間で参照するための前記監
視統計分類装置をあらかじめ記憶するステップを含むこ
とを特徴とする実時間画像処理方法。
【請求項２１】請求項１９記載の実時間画像処理方法
において、前記分類装置をあらかじめ定義するステップが、（ｉ）特徴を有する複数のサンプルテスト画像を画像化
し、それらのディジタル画像表現を生成するステップ
と、（ｉｉ）前記ディジタル画像表現を参照することによ
り、独自の分類を同一タイプの選択された特徴に帰属す
るステップと、（ｉｉｉ）前記ステップ（ｉｉ）で分類された各特徴に
対してｎ個の要素から成る特徴ベクトルを生成するステ
ップと、（ｉｖ）前記ステップ（ｉｉ）で帰属された前記分類を
使用して特徴ベクトルを特徴空間においてクラスタリン
グするステップと、を含み、前記ステップ（ｉｉｉ）の前記ｎ個の要素から成る特徴
ベクトルが対応するｎ次元特徴空間を定義し、前記ステップ（ｉｖ）の前記クラスタリングがミニマク
スサーチを用い、前記帰属された特徴分類に基づいてｎ
次元特徴空間のツリー状階層分解を定義し、ｎ次元特徴
空間の前記ツリー状階層分解が、前記監視統計分類装置
を含むことを特徴とする実時間画像処理方法。
【請求項２２】請求項２１記載の実時間画像処理方法
において、前記ステップ（ｉｖ）で用いられる前記ミニマクスサー
チが、特徴空間を２のべき乗によって選択的に分解する
ステップを含むことを特徴とする実時間画像処理方法。
【請求項２３】請求項１４記載の実時間画像処理方法
において、前記ステップ（ｃ）で蓄積された前記統計を、前記画像
化ウェブの品質管理用に、印字か、表示か、あるいは、
前記統計を処理装置にダウンロードすることによって転
送するステップを含むことを特徴とする実時間画像処理
方法。
【請求項２４】監視統計分類装置（６０）を使用して
ウェブ（６２）の特徴を分類する実時間画像処理装置
（８０）において、前記統計分類装置が、異なる特徴タイプが階層ツリーの
異なる特徴空間セルにクラスタリングされるｎ次元特徴
空間のツリー状階層分解を含み、前記実時間画像処理装置が、前記ウェブを画像化し、そのディジタル画像表現を生成
する画像化手段（６４）と、前記監視統計分類装置（６０）を参照し、特徴ベクトル
を、ｎ次元特徴空間の前記ツリー状階層分解の対応する
特徴空間セル内に自動的に配置する参照手段（７０）
と、前記配置特徴ベクトルに基づいて前記選択されたウェブ
の特徴に関する統計を蓄積する統計蓄積手段（７２）
と、を含み、前記画像化手段（６４）が、選択されたウェブの特徴に
対するｎ次元特徴ベクトルを生成する手段を含み、前記参照手段（７０）において、前記特徴ベクトルのそ
れぞれに対し、前記配置手段が、前記特徴ベクトルを含
む前記階層ツリーの最小セルに対して特徴空間の前記階
層分解を探索する手段から成り、前記統計蓄積手段（７２）の前記統計が、各配置された
特徴ベクトルに対し、前記対応するウェブの特徴に対す
る特徴タイプ分類を供与することを特徴とする実時間画
像処理装置。
【請求項２５】請求項２４記載の実時間画像処理装置
において、前記監視統計分類装置（６０）が前記参照手段（７０）
によって実時間探索を実行できるように維持するための
記憶手段を含むことを特徴とする実時間画像処理装置。
【請求項２６】請求項２４記載の実時間画像処理装置
において、前記画像手段によって画像化される前記ウェブ（６２）
が可動であることを特徴とする実時間画像処理装置。
【請求項２７】請求項２６記載の実時間画像処理装置
において、前記ウェブがフィルム材の可動ウェブから成り、前記画
像手段によって画像化される前記ウェブの特徴が、前記
フィルム材上の欠陥を含むことを特徴とする実時間画像
処理装置。
【請求項２８】請求項２６記載の実時間画像処理装置
において、前記ウェブが可動ウェブ材から成り、前記画像手段によ
って画像化される前記ウェブの特徴が、前記可動ウェブ
材上の表面欠陥を含むことを特徴とする実時間画像処理
装置。
【請求項２９】請求項２４記載の実時間画像処理装置
において、前記監視統計分類装置をあらかじめ定義する手段を含
み、前記あらかじめ定義する手段が、特徴を有する複数のサンプルテスト画像を画像化し、そ
れらのディジタル画像表現を生成する画像化手段（６
４）と、前記ディジタル画像表現を参照することにより、独自の
分類を同一タイプの選択された特徴に帰属する帰属手段
（７６）と、分類された各特徴に対してｎ個の要素から成る特徴ベク
トルを生成する特徴ベクトル生成手段（７３）と、前記帰属された分類を使用して特徴ベクトルを特徴空間
においてクラスタリングするクラスタリング手段（７
７）と、を含み、前記特徴ベクトル生成手段（７３）によって生成される
前記ｎ個の要素から成る特徴ベクトルが対応するｎ次元
特徴空間を定義し、前記クラスタリング手段（７７）がミニマクスサーチを
用い、前記帰属された特徴分類に基づいてｎ次元特徴空
間のツリー状階層分解を定義し、ｎ次元特徴空間の前記
ツリー状階層分解が、前記監視統計分類装置を含むこと
を特徴とする実時間画像処理装置。
【請求項３０】請求項２９記載の実時間画像処理装置
において、前記クラスタリング手段（７７）で用いられる前記ミニ
マクスサーチが、特徴空間を２のべき乗によって選択的
に分解する手段を含むことを特徴とする実時間画像処理
装置。
【請求項３１】複数の特徴を有するサンプルテスト画
像から統計分類モデル（７４）を生成する装置におい
て、前記統計分類モデルが画像処理システムによって実時間
特徴分類に使用され、前記モデル生成装置が、前記サンプルテスト画像を画像化し、それらのディジタ
ル画像表現を生成する画像化手段（６４）と、前記ディジタル画像表現を参照することにより、独自の
分類を同一タイプの選択された特徴に帰属する帰属手段
（７６）と、分類された各特徴に対してｎ個の要素から成る特徴ベク
トルを生成する特徴ベクトル生成手段（７３）と、前記帰属された分類を使用して特徴ベクトルを特徴空間
においてクラスタリングするクラスタリング手段（７
７）と、を含み、前記特徴ベクトル生成手段（７３）によって生成される
前記ｎ個の要素から成る特徴ベクトルが対応するｎ次元
特徴空間を定義し、前記クラスタリング手段（７７）が、ミニマクスサーチ
を用い、前記帰属された特徴分類に基づいてｎ次元特徴
空間のツリー状階層分解を定義する手段を含み、特徴空
間の前記ツリー状階層分解が、前記分類モデルから成る
ことを特徴とする統計分類モデル生成装置。
【請求項３２】請求項３１記載の統計モデル生成装置
において、前記クラスタリング手段（７７）が、各最終特徴セルが
同一分類に対応する特徴ベクトルのみを含むか、空であ
るか、前記分解特徴空間に対する定義済みの最小セルサ
イズであるよう、ｎ次元特徴空間の階層分解を定義する
ように実施されることを特徴とする統計分類モデル生成
装置。
【請求項３３】請求項３２記載の統計分類モデル生成
装置において、前記クラスタリング手段によって用いられる前記ミニマ
クスサーチが、特徴空間を２のべき乗によって選択的に
分解する手段を含むことを特徴とする統計分類モデル生
成装置。
【請求項３４】請求項３１記載の統計分類モデル生成
装置において、ｎ次元特徴空間の前記ツリー状階層分解を前記画像処理
装置に転送する参照手段（７０）を含むことを特徴とす
る統計分類モデル生成装置。