JPH0877359A - 形状認識方法と形状認識装置 - Google Patents
形状認識方法と形状認識装置Info
- Publication number
- JPH0877359A JPH0877359A JP6213352A JP21335294A JPH0877359A JP H0877359 A JPH0877359 A JP H0877359A JP 6213352 A JP6213352 A JP 6213352A JP 21335294 A JP21335294 A JP 21335294A JP H0877359 A JPH0877359 A JP H0877359A
- Authority
- JP
- Japan
- Prior art keywords
- image
- hsi
- shape
- dsi
- feature
- 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
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】 （修正有）
【目的】 本発明は簡便な方法で論理的な認識プログラ
ムを自動的に形成することができる装置を提供する。 【構成】 認識すべき対象について、その像の特徴を表
す面積、周囲長さ、円形度係数、・・フエレ径等の特徴
量の測定を、同じ形状として認識すべき複数の像につい
て測定し、それぞれの特徴量に関し、平均値、標準偏差
を求め、ある形状をもった像が上記の像とおなじかどう
かを所定の式で判定する。
ムを自動的に形成することができる装置を提供する。 【構成】 認識すべき対象について、その像の特徴を表
す面積、周囲長さ、円形度係数、・・フエレ径等の特徴
量の測定を、同じ形状として認識すべき複数の像につい
て測定し、それぞれの特徴量に関し、平均値、標準偏差
を求め、ある形状をもった像が上記の像とおなじかどう
かを所定の式で判定する。
Description
【０００１】
【産業上の利用分野】本発明は、物の形状を認識する方
法と装置に関するもので、その応用範囲は、文字の認識
等非常に幅が広い。
法と装置に関するもので、その応用範囲は、文字の認識
等非常に幅が広い。
【０００２】
【従来の技術】従来、物の形状を認識する方法として、
１）論理的な認識プログラムを作製することにより行う
方法と ２）ニューロネットワークによる学習により自
動的に認識ネットワークを形成する方法が行われてき
た。しかし、論理的な認識プログラムを作製する方法
は、認識対象ごとに形状を認識するロジックを考える必
要があり、膨大な開発時間と開発費がかかると言う問題
があった。これを解決するために、ニューロネットワー
クを用いた学習認識手法が考えられているが、現在の
所、１）どのようなニューロネットワークを組むべきか
が明確になっていない ２）どの程度学習すれば、正し
い認識ができるのかが明確でない ３）学習により、ほ
んとうに正しい認識が出来るのかが明確でない等の問題
があり、まだまだ実用の段階になっていない。
１）論理的な認識プログラムを作製することにより行う
方法と ２）ニューロネットワークによる学習により自
動的に認識ネットワークを形成する方法が行われてき
た。しかし、論理的な認識プログラムを作製する方法
は、認識対象ごとに形状を認識するロジックを考える必
要があり、膨大な開発時間と開発費がかかると言う問題
があった。これを解決するために、ニューロネットワー
クを用いた学習認識手法が考えられているが、現在の
所、１）どのようなニューロネットワークを組むべきか
が明確になっていない ２）どの程度学習すれば、正し
い認識ができるのかが明確でない ３）学習により、ほ
んとうに正しい認識が出来るのかが明確でない等の問題
があり、まだまだ実用の段階になっていない。
【０００３】
【発明が解決しようとする課題】上記のような問題に鑑
み、本発明の目的は、非常に簡単な方法で、論理的な認
識プログラムを自動的に形成することができる装置を提
供することにある。本発明は、学習により、認識システ
ムを自動的に作っていくという意味では、ニューロネッ
トワークと類似しているが、ニューロネットワークの形
成が必ずしも論理的に行われないのに対し、本発明が、
学習により作り上げるシステムは論理に基づいて形成さ
れる。
み、本発明の目的は、非常に簡単な方法で、論理的な認
識プログラムを自動的に形成することができる装置を提
供することにある。本発明は、学習により、認識システ
ムを自動的に作っていくという意味では、ニューロネッ
トワークと類似しているが、ニューロネットワークの形
成が必ずしも論理的に行われないのに対し、本発明が、
学習により作り上げるシステムは論理に基づいて形成さ
れる。
【０００４】
【課題を解決するための手段】すなわち本発明は、像の
形状を認識する方法であって、判定基準となる所定の同
じ像として認識すべき複数の像について、その個々の像
の特徴を表す面積Ｓ１、周囲長Ｓ２、円形度係数Ｓ３、
最大弦長Ｓ４、最小弦長Ｓ５、フェレ径Ｓ６、等の特徴
量Ｓｉ（ｉ＝１からｎ）の少なくとも一種以上の値を測
定し、それぞれの特徴量Ｓｉに関し、平均値ＨＳｉ、標
準偏差ＤＳｉを求め判定の基準とする、別にある形状を
持った対象像が、上記の像と同じかどうかを判定する際
に、まずその対象像の少なくとも一種以上の特徴量Ｓ
ｉ’を測定し、その全ての特徴量にたいし、 ＨＳｉ−Ｋ×ＤＳｉ ≦ Ｓｉ’≦ ＨＳｉ＋Ｋ×ＤＳｉ ｉ＝１，２，−−−，ｎ Ｋは任意の定数 の関係を満たすときに、対象像が上記の像と同じ像であ
ると判定する形状認識方法であり、像の形状を認識する
装置であって、判定基準となる所定の同じ像として認識
すべき複数の像について、その個々の像の特徴を表す面
積Ｓ１、周囲長Ｓ２、円形度係数Ｓ３、最大弦長Ｓ４、
最小弦長Ｓ５、フェレ径Ｓ６、等の特徴量Ｓｉ（ｉ＝１
からｎ）の少なくとも一種以上の値を測定する要素、前
記要素で得たそれぞれの特徴量Ｓｉに関し、平均値ＨＳ
ｉ、標準偏差ＤＳｉを求め判定の基準とする要素、前記
判定の基準と比較すべきある形状を持った対象像の前記
の少なくとも一種以上の特徴量Ｓｉ’を測定する要素、
前記特徴量Ｓｉ’の全ての特徴量に対して前記の平均値
ＨＳｉ、標準偏差ＤＳｉと比較演算する要素、を少なく
とも構成要素として含む像の形状を認識する装置であ
る。発明の内容について、以下詳述する。像の形状を表
す特徴量としては色々な量が考えられる。例えば、面
積、周囲長、円形度係数、最大弦長、最小弦長、最大弦
長／最小弦長、フェレ径、等価楕円の長軸長さ、短軸長
さやその比、等も像の特徴を表す特徴量である。今、こ
れらの特徴量をＳ１、Ｓ２、・・、Ｓｉ、・・Ｓｎとし
て表す。次に、同じ形状として認識すべき所定の複数の
像Ｇｊ（ｊ＝１からｍ）に対し特徴量Ｓｉを測定し、そ
れぞれの特徴量の平均ＨＳｉ、標準偏差ＤＳｉを下式よ
り求める。
形状を認識する方法であって、判定基準となる所定の同
じ像として認識すべき複数の像について、その個々の像
の特徴を表す面積Ｓ１、周囲長Ｓ２、円形度係数Ｓ３、
最大弦長Ｓ４、最小弦長Ｓ５、フェレ径Ｓ６、等の特徴
量Ｓｉ（ｉ＝１からｎ）の少なくとも一種以上の値を測
定し、それぞれの特徴量Ｓｉに関し、平均値ＨＳｉ、標
準偏差ＤＳｉを求め判定の基準とする、別にある形状を
持った対象像が、上記の像と同じかどうかを判定する際
に、まずその対象像の少なくとも一種以上の特徴量Ｓ
ｉ’を測定し、その全ての特徴量にたいし、 ＨＳｉ−Ｋ×ＤＳｉ ≦ Ｓｉ’≦ ＨＳｉ＋Ｋ×ＤＳｉ ｉ＝１，２，−−−，ｎ Ｋは任意の定数 の関係を満たすときに、対象像が上記の像と同じ像であ
ると判定する形状認識方法であり、像の形状を認識する
装置であって、判定基準となる所定の同じ像として認識
すべき複数の像について、その個々の像の特徴を表す面
積Ｓ１、周囲長Ｓ２、円形度係数Ｓ３、最大弦長Ｓ４、
最小弦長Ｓ５、フェレ径Ｓ６、等の特徴量Ｓｉ（ｉ＝１
からｎ）の少なくとも一種以上の値を測定する要素、前
記要素で得たそれぞれの特徴量Ｓｉに関し、平均値ＨＳ
ｉ、標準偏差ＤＳｉを求め判定の基準とする要素、前記
判定の基準と比較すべきある形状を持った対象像の前記
の少なくとも一種以上の特徴量Ｓｉ’を測定する要素、
前記特徴量Ｓｉ’の全ての特徴量に対して前記の平均値
ＨＳｉ、標準偏差ＤＳｉと比較演算する要素、を少なく
とも構成要素として含む像の形状を認識する装置であ
る。発明の内容について、以下詳述する。像の形状を表
す特徴量としては色々な量が考えられる。例えば、面
積、周囲長、円形度係数、最大弦長、最小弦長、最大弦
長／最小弦長、フェレ径、等価楕円の長軸長さ、短軸長
さやその比、等も像の特徴を表す特徴量である。今、こ
れらの特徴量をＳ１、Ｓ２、・・、Ｓｉ、・・Ｓｎとし
て表す。次に、同じ形状として認識すべき所定の複数の
像Ｇｊ（ｊ＝１からｍ）に対し特徴量Ｓｉを測定し、そ
れぞれの特徴量の平均ＨＳｉ、標準偏差ＤＳｉを下式よ
り求める。
【０００５】
【数１】
【０００６】
【数２】 数１、数２において、 ｉ＝１，２，．．．ｎ 但し、Ｓｉｊは像Ｇｊに対する特徴量Ｓｉをあらわし、
ＨＳｉ、ＤＳｉは、特徴量Ｓｉの平均値、標準偏差を表
している。次に、前記の複数の像と比較すべきある形状
をもった像Ｇ’が前記の像Ｇ（複数の像の判定の基準で
ある）と同じかどうかを判定する際に、まずそのＧ’の
特徴量Ｓｉ’を測定し、全ての特徴量に対し、 ＨＳｉ−Ｋ×ＤＳｉ ≦ Ｓｉ’≦ ＨＳｉ＋Ｋ×ＤＳｉ・・・（３） ｉ＝１，２，−−−，ｎ Ｋは任意の定数 の関係を満たすときに、同じ像と判定する。このこと
は、ｎ個の特徴量Ｓｉで表されるｎ次元のベクトル空間
を考えた時、その空間のなかで（３）式で表される閉じ
られた空間内に特徴量Ｓｉ’が存在するとき、像Ｇ’は
像Ｇと同じと認識することを意味している。つまり、
（１）式、（２）式を求める過程において、同じ像と認
識すべき複数の像に対する特徴量の平均と標準偏差を求
めることは、その像がしめるべき特徴ベクトル空間内の
領域を求めることは、その像がしめるべき特徴ベクトル
空間内の領域を求めていることになる。このような領域
において、例えば、特徴量Ｓｋが像Ｇの特徴を表す量と
しては、あまり関係がない量であったとすると、Ｓｋの
範囲（標準偏差ＤＳｋ）は非常に幅の広いものとなり、
逆に密接に関係のある量とすると、その範囲は幅の狭い
ものとなる。
ＨＳｉ、ＤＳｉは、特徴量Ｓｉの平均値、標準偏差を表
している。次に、前記の複数の像と比較すべきある形状
をもった像Ｇ’が前記の像Ｇ（複数の像の判定の基準で
ある）と同じかどうかを判定する際に、まずそのＧ’の
特徴量Ｓｉ’を測定し、全ての特徴量に対し、 ＨＳｉ−Ｋ×ＤＳｉ ≦ Ｓｉ’≦ ＨＳｉ＋Ｋ×ＤＳｉ・・・（３） ｉ＝１，２，−−−，ｎ Ｋは任意の定数 の関係を満たすときに、同じ像と判定する。このこと
は、ｎ個の特徴量Ｓｉで表されるｎ次元のベクトル空間
を考えた時、その空間のなかで（３）式で表される閉じ
られた空間内に特徴量Ｓｉ’が存在するとき、像Ｇ’は
像Ｇと同じと認識することを意味している。つまり、
（１）式、（２）式を求める過程において、同じ像と認
識すべき複数の像に対する特徴量の平均と標準偏差を求
めることは、その像がしめるべき特徴ベクトル空間内の
領域を求めることは、その像がしめるべき特徴ベクトル
空間内の領域を求めていることになる。このような領域
において、例えば、特徴量Ｓｋが像Ｇの特徴を表す量と
しては、あまり関係がない量であったとすると、Ｓｋの
範囲（標準偏差ＤＳｋ）は非常に幅の広いものとなり、
逆に密接に関係のある量とすると、その範囲は幅の狭い
ものとなる。
【０００７】このような、範囲の限定が、統計的には、
平均値と標準偏差により表されることは、統計学の示す
ところであるのでこれ以上の説明は省略する。ニューロ
ネットワークによる学習認識においても、特徴ベクトル
空間における領域をニューロンの学習により求めていく
ことで、学習が正しくおこなわれた時は、本発明と同じ
ような結果であると推定される。なぜなら、本発明で求
められる領域が、統計学的に意味のある領域であり、ニ
ューロンの学習が正しく行われたときも、同じような領
域が求められなくては、理論的にはおかしいことにな
る。尚、（２）式においては、標準偏差を用いたが、標
準偏差の代わりに分散を用いてもかまわないし、 （Σ｜Ｓｉｊ−ＨＳｉ｜）／ｍ を用いても良い、これらの式は、（２）式と数学的には
あまり有意差がない式である。
平均値と標準偏差により表されることは、統計学の示す
ところであるのでこれ以上の説明は省略する。ニューロ
ネットワークによる学習認識においても、特徴ベクトル
空間における領域をニューロンの学習により求めていく
ことで、学習が正しくおこなわれた時は、本発明と同じ
ような結果であると推定される。なぜなら、本発明で求
められる領域が、統計学的に意味のある領域であり、ニ
ューロンの学習が正しく行われたときも、同じような領
域が求められなくては、理論的にはおかしいことにな
る。尚、（２）式においては、標準偏差を用いたが、標
準偏差の代わりに分散を用いてもかまわないし、 （Σ｜Ｓｉｊ−ＨＳｉ｜）／ｍ を用いても良い、これらの式は、（２）式と数学的には
あまり有意差がない式である。
【０００８】また、（３）式におけるＫの値は、統計学
的には、通常は１から３の値が選ばれるが、認識の目的
により、必ずしも、この値の範囲に捕らわれなくても良
い。つまり、Ｋの値を大きく取ると、認識のあいまいさ
が増加し、狭く取ると、認識のあいまいさが減少するの
で、認識の目的により値を選択すべきである。
的には、通常は１から３の値が選ばれるが、認識の目的
により、必ずしも、この値の範囲に捕らわれなくても良
い。つまり、Ｋの値を大きく取ると、認識のあいまいさ
が増加し、狭く取ると、認識のあいまいさが減少するの
で、認識の目的により値を選択すべきである。
【０００９】〔実施例〕図１、図２に実施例を示す。図
１は学習回路、図２は認識回路である。図１において、
ＣＣＤカメラ（１）等の撮像装置により撮像された画像
は、画像入力回路（２）に取り込まれ、画像が記憶され
る。画像記録回路（２）に記憶された画像は、通常、濃
淡画像であるため、２値化回路（３）により像と背景の
分離処理が行われ、像を１、背景を０とおく２値化処理
が実行される。ＣＣＤカメラにより取り込まれた画像に
複数の像が含まれている時は、各像を区分けし、像ごと
にラベルを打つラベリング処理が必要となる。この処理
は、ラベリング回路（４）で実行される。ラベリング処
理が完了すると、対象画像選択回路（５）にはいり、人
間が、ラベルずけされた複数の像のなかから認識すべき
対象と同じ形状の像を選択する。選択された像は特徴量
演算回路（６）により、その像の特徴量Ｓｉｊが求めら
れ、特徴量データ記憶回路（７）に記憶される。次に、
選択完了判断回路（８）にはいり、ラベルづけされた複
数の像の中から、認識すべき対象と同じ形状を持った像
の選択が完了すると、画像入力判断回路（９）にいき、
選択が完了していないときは、再び、対象画像選択回路
（５）にいき、上記手順を繰り返す。画像入力判断回路
では、別の画像を入力するかどうかを選択する回路で、
特徴量のデータ数が、（１）式、（２）式の統計量を計
算するには少ない場合は、再び、画像入力回路（２）に
いき、別の画像を入力し、上記手順を繰り返す。特徴量
のデータ数が十分な場合は、特徴量平均値、標準偏差演
算回路（１０）にいき（１）式、（２）式の演算が実行
され、平均値ＨＳｉ、標準偏差ＤＳｉが求められ、特徴
量平均値、標準偏差記憶回路（１１）に記憶される。ま
た、特徴平均値、標準偏差記憶回路（１１）では、色々
な形状を持った像に対し、上記の手順により求められた
平均値ＨＳｉ、標準偏差ＤＳｉがデータベース化され、
保管される。
１は学習回路、図２は認識回路である。図１において、
ＣＣＤカメラ（１）等の撮像装置により撮像された画像
は、画像入力回路（２）に取り込まれ、画像が記憶され
る。画像記録回路（２）に記憶された画像は、通常、濃
淡画像であるため、２値化回路（３）により像と背景の
分離処理が行われ、像を１、背景を０とおく２値化処理
が実行される。ＣＣＤカメラにより取り込まれた画像に
複数の像が含まれている時は、各像を区分けし、像ごと
にラベルを打つラベリング処理が必要となる。この処理
は、ラベリング回路（４）で実行される。ラベリング処
理が完了すると、対象画像選択回路（５）にはいり、人
間が、ラベルずけされた複数の像のなかから認識すべき
対象と同じ形状の像を選択する。選択された像は特徴量
演算回路（６）により、その像の特徴量Ｓｉｊが求めら
れ、特徴量データ記憶回路（７）に記憶される。次に、
選択完了判断回路（８）にはいり、ラベルづけされた複
数の像の中から、認識すべき対象と同じ形状を持った像
の選択が完了すると、画像入力判断回路（９）にいき、
選択が完了していないときは、再び、対象画像選択回路
（５）にいき、上記手順を繰り返す。画像入力判断回路
では、別の画像を入力するかどうかを選択する回路で、
特徴量のデータ数が、（１）式、（２）式の統計量を計
算するには少ない場合は、再び、画像入力回路（２）に
いき、別の画像を入力し、上記手順を繰り返す。特徴量
のデータ数が十分な場合は、特徴量平均値、標準偏差演
算回路（１０）にいき（１）式、（２）式の演算が実行
され、平均値ＨＳｉ、標準偏差ＤＳｉが求められ、特徴
量平均値、標準偏差記憶回路（１１）に記憶される。ま
た、特徴平均値、標準偏差記憶回路（１１）では、色々
な形状を持った像に対し、上記の手順により求められた
平均値ＨＳｉ、標準偏差ＤＳｉがデータベース化され、
保管される。
【００１０】図２の認識回路は、図１の学習回路により
データベース化された特徴量の平均値と標準偏差から、
（３）式を用い、形状認識が実行される。図２におい
て、ＣＣＤカメラ（１２）等の撮像装置により撮像され
た画像は、画像入力回路（１３）に取り込まれ、画像が
記憶される。画像記憶回路（１３）に記憶された画像
は、通常、濃淡画像であるため２値化回路（１４）によ
り像と背景の分離処理が行われ、像を１、背景を０とお
く２値化処理が実行される。ＣＣＤカメラにより取り込
まれた画像に複数の像が含まれている時は、各像を区分
けし、像ごとにラベルを打つラベリング処理が必要とな
る。この処理は、ラベリング回路（１５）で実行され
る。ラベリング処理が完了すると、判定回路（１６）に
入りラベルづけされた像ごとに、（３）式による判定
が、特徴量平均値、標準偏差記憶回路（１１）に記憶さ
れているデータを基に、実行される。（３）式による判
定の結果、その像が何であるかを１つに特定できず、つ
まり、（３）式を満たす像の候補が複数存在することが
ある。
データベース化された特徴量の平均値と標準偏差から、
（３）式を用い、形状認識が実行される。図２におい
て、ＣＣＤカメラ（１２）等の撮像装置により撮像され
た画像は、画像入力回路（１３）に取り込まれ、画像が
記憶される。画像記憶回路（１３）に記憶された画像
は、通常、濃淡画像であるため２値化回路（１４）によ
り像と背景の分離処理が行われ、像を１、背景を０とお
く２値化処理が実行される。ＣＣＤカメラにより取り込
まれた画像に複数の像が含まれている時は、各像を区分
けし、像ごとにラベルを打つラベリング処理が必要とな
る。この処理は、ラベリング回路（１５）で実行され
る。ラベリング処理が完了すると、判定回路（１６）に
入りラベルづけされた像ごとに、（３）式による判定
が、特徴量平均値、標準偏差記憶回路（１１）に記憶さ
れているデータを基に、実行される。（３）式による判
定の結果、その像が何であるかを１つに特定できず、つ
まり、（３）式を満たす像の候補が複数存在することが
ある。
【００１１】このような場合は、 ＤＤ＝Σ｜Ｓｉ−ＨＳｉ｜／ＤＳｉ ・・・（４） または ＤＤ＝〔Σ（（Ｓｉ−ＨＳｉ）／ＤＳｉ）2 〕1/2 ・・・（５） が最小になる像をその像であるとする。また、（３）式
を満たす像の候補が存在しないときも、（４）式または
（５）式が最小になる像をその像であるとすることが出
来る。（４）式または（５）式の意味するところは、Ｄ
Ｓｉで無次元化された特徴ベクトル空間上に於いて、認
識すべき像から最も近い距離にある像を、その像である
と認識することである。この場合、ＤＳｉで無次元化す
ることは重要な意味があり、夫々の特徴量に対する重み
係数の役目を持っている。
を満たす像の候補が存在しないときも、（４）式または
（５）式が最小になる像をその像であるとすることが出
来る。（４）式または（５）式の意味するところは、Ｄ
Ｓｉで無次元化された特徴ベクトル空間上に於いて、認
識すべき像から最も近い距離にある像を、その像である
と認識することである。この場合、ＤＳｉで無次元化す
ることは重要な意味があり、夫々の特徴量に対する重み
係数の役目を持っている。
【００１２】
【発明の効果】本発明によれば、非常に簡便な方法で論
理的な認識プログラムに形成することができる装置と、
これを用いて、簡便に測定対象の形状を認識することが
できる。
理的な認識プログラムに形成することができる装置と、
これを用いて、簡便に測定対象の形状を認識することが
できる。
【図１】本発明の学習回路の１例を示す。
【図２】本発明の認識回路の１例を示す。
Claims (2)
- 【請求項１】 像の形状を認識する方法であって、判定
基準となる所定の同じ像として認識すべき複数の像につ
いて、その像の特徴を表す面積Ｓ１、周囲長Ｓ２、円形
度係数Ｓ３、最大弦長Ｓ４、最小弦長Ｓ５、フェレ径Ｓ
６、等の特徴量Ｓｉ（ｉ＝１からｎ）の少なくとも一種
以上の値を測定し、それぞれの特徴量Ｓｉに関し、平均
値ＨＳｉ、標準偏差ＤＳｉを求め判定の基準とする、別
にある形状を持った対象像が、上記の像と同じかどうか
を判定する際に、まずその対象像の少なくとも一種以上
の特徴量Ｓｉ’を測定し、その全ての特徴量にたいし、 ＨＳｉ−Ｋ×ＤＳｉ ≦ Ｓｉ’≦ ＨＳｉ＋Ｋ×ＤＳｉ ｉ＝１，２，−−−，ｎ Ｋは任意の定数 の関係を満たすときに、対象像が上記の像と同じ像であ
ると判定する形状認識方法。 - 【請求項２】 像の形状を認識する装置であって、判定
基準となる所定の同じ像として認識すべき複数の像につ
いて、その像の特徴を表す面積Ｓ１、周囲長Ｓ２、円形
度係数Ｓ３、最大弦長Ｓ４、最小弦長Ｓ５、フェレ径Ｓ
６、等の特徴量Ｓｉ（ｉ＝１からｎ）の少なくとも一種
以上の値を測定する要素、前記要素で得たそれぞれの特
徴量Ｓｉに関し、平均値ＨＳｉ、標準偏差ＤＳｉを求め
判定の基準とする要素、前記判定の基準と比較すべきあ
る形状を持った対象像の前記の少なくとも一種以上の特
徴量Ｓｉ’を測定する要素、前記特徴量Ｓｉ’の全ての
特徴量に対して前記の平均値ＨＳｉ、標準偏差ＤＳｉと
比較演算する要素、を少なくとも構成要素として含む像
の形状を認識する装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6213352A JPH0877359A (ja) | 1994-09-07 | 1994-09-07 | 形状認識方法と形状認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6213352A JPH0877359A (ja) | 1994-09-07 | 1994-09-07 | 形状認識方法と形状認識装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0877359A true JPH0877359A (ja) | 1996-03-22 |
Family
ID=16637748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6213352A Pending JPH0877359A (ja) | 1994-09-07 | 1994-09-07 | 形状認識方法と形状認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0877359A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006337237A (ja) * | 2005-06-03 | 2006-12-14 | Honda Motor Co Ltd | 構造体の接合状態検査方法及び装置 |
-
1994
- 1994-09-07 JP JP6213352A patent/JPH0877359A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006337237A (ja) * | 2005-06-03 | 2006-12-14 | Honda Motor Co Ltd | 構造体の接合状態検査方法及び装置 |
| JP4551821B2 (ja) * | 2005-06-03 | 2010-09-29 | 本田技研工業株式会社 | 構造体の接合状態検査方法及び装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6798619B2 (ja) | 情報処理装置、情報処理プログラム及び情報処理方法 | |
| CN108229267B (zh) | 对象属性检测、神经网络训练、区域检测方法和装置 | |
| US6738494B1 (en) | Method for varying an image processing path based on image emphasis and appeal | |
| CN110766095B (zh) | 基于图像灰度特征的缺陷检测方法 | |
| CN112464809A (zh) | 一种人脸关键点检测方法、装置、电子设备及存储介质 | |
| WO2020192442A1 (zh) | 利用少数标注图像生成分类器的方法 | |
| CN111881944B (zh) | 图像鉴别的方法、电子设备和计算机可读介质 | |
| CN113223614A (zh) | 一种染色体核型分析方法、系统、终端设备和存储介质 | |
| CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
| CN110909565B (zh) | 图像识别和行人再识别方法及装置，电子和存储设备 | |
| JP2001188906A (ja) | 画像自動分類方法及び画像自動分類装置 | |
| CN112348809A (zh) | 基于多任务深度学习的无参考屏幕内容图像质量评价方法 | |
| CN112966757A (zh) | 训练样本的扩展方法、装置、存储介质及设备 | |
| CN110472673B (zh) | 参数调整方法、眼底图像处理方法、装置、介质及设备 | |
| CN111444816A (zh) | 一种基于Faster RCNN的多尺度密集行人检测方法 | |
| CN115546553A (zh) | 一种基于动态特征抽取和属性修正的零样本分类方法 | |
| Liu et al. | Ground-based cloud classification using weighted local binary patterns | |
| Chen et al. | Visual quality evaluation for semantic segmentation: subjective assessment database and objective assessment measure | |
| CN110399868B (zh) | 一种滨海湿地鸟类检测方法 | |
| CN112613462B (zh) | 一种加权交并比方法 | |
| CN111782978B (zh) | 兴趣点数据的处理方法及装置、电子设备、可读介质 | |
| CN104766068A (zh) | 一种多规则融合的随机游走舌像提取方法 | |
| JPH0877359A (ja) | 形状認識方法と形状認識装置 | |
| JPH11219365A (ja) | 画像検索装置 | |
| Asha | An Enhanced Deep Learning Algorithms for Image Recognition and Plant Leaf Disease Detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20040427 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040507 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20040729 |