JPH1185950A

JPH1185950A - 画像処理装置、画像処理方法及びコンピュータ読み取り可能な記録媒体

Info

Publication number: JPH1185950A
Application number: JP9242530A
Authority: JP
Inventors: Hiroyuki Arahata; 弘之新畠
Original assignee: Canon Inc
Current assignee: Canon Inc
Priority date: 1997-09-08
Filing date: 1997-09-08
Publication date: 1999-03-30

Abstract

(57)【要約】【課題】Ｘ線撮影画像の撮影部位や撮影体位を表わす
画像のカテゴリを正確に判別する。【解決手段】入力された部位又は体位を示す判別位に
従い、必要関数を記憶部より判別部に引き渡す（ステッ
プＳ４０１）。次に画像記憶部から画像を特徴抽出部に
読み込み、（ステップＳ４０２）。次に特徴抽出部によ
り、特徴抽出を行う（ステップＳ４０３）。次に上記判
別部は、上記特徴抽出部で抽出された特徴量を入力と
し、上記記憶部より読み込んだ判別位に応じた関数でカ
テゴリを出力として計算する（ステップＳ４０４）。そ
して、判別結果を表示制御部に入力し、画像表示部に表
示する（ステップＳ４０５）。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、画像のカテゴリを
自動的に判別するための画像処理装置、画像処理方法及
びコンピュータ読み取り可能な記録媒体に関するもので
ある。

【０００２】

【従来の技術】近年のデジタル技術の進歩により放射線
画像等をデジタル画像信号に変換し、このデジタル画像
信号を画像処理してＣＲＴ等に表示、あるいはプリント
出力することが行われている。また放射線画像の撮影で
は、頭、手、足、胸、腰等撮影目的に応じて撮影部位や
撮影体位（横向き、正面等）等が異なるのが一般的であ
る。さらに、部位や体位毎に画像の濃度値分布は異な
り、注目領域の濃度分布値の幅も部位や体位毎で異な
る。そのため、通常、画像処理も各部位や体位毎に異な
る処理を行う。従って、画像処理を行う際に、撮影部位
や体位を画像処理装置に入力する必要がある。撮影部位
や体位を逐一入力することは大変な労力を要す。また、
入力ミスを犯す場合も生じる。これらの問題を解決する
ために撮影部位や撮影体位等の画像のカテゴリを自動的
に判別する必要がある。

【０００３】このような判別方法として、例えば画像の
累積ヒストグラムを作成し、この累積ヒストグラムの略
中央部分の変化率の値に基づいて画像のカテゴリを判別
する方法がある。

【０００４】

【発明が解決しようとする課題】しかしながら上記の方
法では、判別するためのパラメータがあらかじめ固定さ
れており、一定条件下での撮影でないと使用できないと
いう問題があった。また、累積ヒストグラムの略中央部
分の変化率の値に基づいて画像のカテゴリを判別するた
め、濃度値の最大値と最小値間の幅が変化した場合に、
判別精度が低下するという問題があった。さらに、撮影
条件等を変更する場合に、パラメータを変更するには熟
練した技術が要求されるため、容易にパラメータを変更
できないという問題があった。

【０００５】本発明は上記のような問題を解決するため
になされたもので、画像のカテゴリを正確に判別するこ
とを目的とする。

【０００６】

【課題を解決するための手段】請求項１の発明による画
像処理装置において、画像の濃度値分布の特徴量を抽出
する特徴抽出手段と、上記特徴抽出手段で抽出された特
徴量と所定の関数とに基づいて上記画像のカテゴリを判
別する判別手段とを設けている。

【０００７】請求項１１の発明による画像処理方法にお
いては、画像の濃度値分布の特徴量を抽出する工程と、
上記抽出された特徴量と所定の関数とに基づいて上記画
像のカテゴリを判別する工程とを設けている。

【０００８】請求項２０の発明によるコンピュータ読み
取り可能な記録媒体においては、上記画像処理方法にお
ける各工程を実行するためのプログラムを記録してい
る。

【０００９】

【発明の実施の形態】以下、この発明の実施の形態を図
面と共に説明する。図１は、本発明の第１の実施の形態
による画像処理装置としての画像判別装置の構成を示す
ブロック図であり、図において、１０１は外部より画像
を入力する画像入力部、１０２は画像入力部１０１で入
力された画像を記憶する画像記憶部、１０３は画像記憶
部１０２から読み込んだ画像を判別する画像判別部、１
０４は画像判別部１０３で判別した結果を画像表示する
画像表示部である。

【００１０】図２は画像判別部２０１の内部構成を示す
ブロック図であり、２００は上記画像記憶部１０２から
入力された入力画像、２０１は入力画像２００の濃度分
布の特徴を抽出する特徴抽出部、２０２は特徴抽出部２
０１で抽出した特徴量に基づいて記憶部２０４に記憶さ
れる関数を用いて画像を判別する判別部、２０３は入力
画像２００と判別部２０２の判別結果とを上記画像表示
部１０４に表示するように制御する表示制御部、２０７
は表示制御部２０３から画像表示部１０４に出力される
出力画像である。

【００１１】２０４は特徴抽出部２０１で抽出された特
徴量と、制御部２０６から入力される入力画像２００の
カテゴリと、学習部２０５で学習された関数を記憶する
記憶部である。２０５は記憶部２０４に記憶された上記
抽出された特徴量とカテゴリとから画像のカテゴリ判別
用の関数を学習する学習部である。２０６は、画像表示
部１０４に表示される画像のカテゴリを入力して記憶部
２０４に出力し、また判別部２０２が用いる関数を記憶
部２０４に指示する制御部である。

【００１２】図３は学習部２０５において上記関数を学
習するためのデータを作成する処理を示すフローチャー
トを示す。図４は学習部２０５で学習された関数に基づ
いて判別部２０２が入力画像２００のカテゴリを判別す
るための処理を示すフローチャートである。

【００１３】図５は画像の濃度値ヒストグラムとこの濃
度値ヒストグラムからの特徴抽出との関係を示す図であ
り、横軸に濃度、縦軸に出現頻度を示す。図６は画像の
濃度値ヒストグラムから抽出された特徴量を入力とし、
入力画像２００のカテゴリを出力とするニューラルネッ
トの構成図である。

【００１４】次に動作について説明する。外部装置（図
示せず）から画像入力部１０１により入力された画像は
画像記憶部１０２に保存される。画像判別部１０３では
画像記憶部１０２に保存された画像を読み込み、カテゴ
リを判別して画像表示部１０４に出力する。画像判別部
１０３では画像のカテゴリを判別するための関数を学習
するために用いるデータを作成するモード１と、この学
習された関数に基づいて画像のカテゴリを判別する通常
使用のモード２との２つのモードがある。

【００１５】まず、モード１について図３の流れに従い
説明する。図２において入力画像２００は予めカテゴリ
が知られている学習用画像として特徴抽出部２０１およ
び表示制御部２０３へ入力される（図３のステップＳ３
０１）。この入力画像２００は表示制御部２０３で制御
され、出力画像２０７として画像表示部１０４にそのカ
テゴリと共に出力される（ステップＳ３０２）。次に画
像表示部１０４に表示された上記学習用画像のカテゴリ
と、手、足、頭、肺等の撮影部位を判別するためのデー
タグループか、または正面位、側面位等の撮影体位を判
別するためのデータグループであるかなどの判別位を制
御部２０６より入力し、記憶部２０４に記憶する（ステ
ップＳ３０３）。

【００１６】画像表示部１０４への画像の表示と同時
に、特徴抽出部２０１は図５に示すような画像の濃度値
ヒストグラムを作成し、この濃度値ヒストグラムから特
徴抽出を行う（ステップＳ３０４）。ここでの特徴量は
図５で示すように、濃度値を示す横軸を８等分した点
（Ｘ₀からＸ₈）上の、濃度値の出現頻度（Ｙ₀からＹ
₈）と、濃度値の出現頻度の変化量としての濃度値ヒス
トグラムの接線の傾き（Ｙ₀′からＹ₈′）とする。こ
で接線の傾きは濃度値で出現頻度を微分した微分値を示
す。次に、上記特徴量（Ｙ₀〜Ｙ₈、Ｙ₀′〜Ｙ₈′）
を記憶部２０４に記憶する（ステップＳ３０５）。さら
に画像記憶部１０２から必要枚数の画像を逐次読み込
み、各画像について上記と同様の処理を繰り返す。

【００１７】上記関数を学習するのに必要な学習用画像
のカテゴリと上記特徴量とが記憶部２０４に記憶される
と、学習部２０５においては、１つ１つの学習用画像に
ついてその特徴量を入力とし、その画像のカテゴリを出
力とする関数を学習する。関数の学習には、図６に示す
ように、例えばセルを層状に結合した全結合の３層のフ
ィードフォワード型ニューラルネットを用い、Ｐ．Ｄ．
Ｐ．，Ｖｏｌ．１（ｐｐ．３１８−３６２，ＭＩＴｐ
ｒｅｓｓ，Ｃａｍｂｒｉｄｇｅ，ＭＡ，１９８６）に記
される誤差逆伝播法を用いる。

【００１８】ここでは入力層のセル数を特徴量（Ｙ₀〜
Ｙ₈、Ｙ₀′〜Ｙ₈′）の１８個とし、中間層のセル数
を４０個とする。出力層のセル数はカテゴリ数の個数と
し、例えばカテゴリ数の５個とした。カテゴリを指示す
るための教師信号としてはカテゴリ１の場合にＯ₁のセ
ルに１を与え、残りのセルに０を与える。カテゴリ２の
場合には、Ｏ₂のセルに１、残りのセルに０を与える。
以下同様に、カテゴリ３の場合には、Ｏ₃のセルに１、
残りに０を与え、カテゴリ４の場合にはＯ₄のセルに
１、残りに０を与え、カテゴリ５の場合にはＯ₅のセル
に１、残りに０を与える。また、出力層のセル数を１と
してもよく、この場合には例えば、教師信号をカテゴリ
毎に１、２、３、４、５等と決めて与えるようにしても
よい。

【００１９】上記のようにして学習が終了したなら、記
憶部２０４に学習した関数と判別位とを記憶する。尚、
中間層のセル数は必要に応じ変更してもよい。また、多
変量解析等を関数の学習に用いてもよく、例えば、入力
を特徴量とし、出力をカテゴリに割り付けた数字とする
回帰分析による関数でもよい。

【００２０】次にモード２について図４の流れに従い説
明する。まず、制御部２０６より、手、足、頭、肺等の
撮影部位を判別するための関数か、または正面位、側面
位等の撮影体位を判別するための関数を選択するかを示
す判別位を入力する。入力された判別位に応じて必要な
関数を記憶部２０４より判別部２０２に渡す（ステップ
Ｓ４０１）。画像入力の前に一度判別位を入力した後
は、以降の処理では判別位を入力する必要はない。次に
画像記憶部１０２から判別すべき画像２００を特徴抽出
部２０２に読み込む（ステップＳ４０２）。特徴抽出部
２０１は、特徴量（Ｙ₀〜Ｙ₈、Ｙ₀′〜Ｙ₈′）の抽
出を行う（ステップＳ４０３）。

【００２１】次に、判別部２０２は、上記抽出された特
徴量を入力とし、記憶部２０４より読み込んだ上記判別
位に応じた関数を用いてカテゴリを判別するための計算
を行う。ここで、ニューラルネットの出力層のセルの値
がカテゴリに対応する。例えばＯ₁、Ｏ₂、Ｏ₃、
Ｏ₄、Ｏ₅がそれぞれカテゴリ１、２、３、４、５に対
応し、Ｏ₁、Ｏ₂、Ｏ₃、Ｏ₄、Ｏ₅の内最大値を示す
セルに対応するカテゴリが画像のカテゴリとなる。例え
ば、Ｏ₁、Ｏ₂、Ｏ₃、Ｏ₄、Ｏ₅の出力がそれぞれ
０．９８、０．１、０．０３、０．２、０．１２である
場合は、Ｏ₁に対応するカテゴリ１をその画像のカテゴ
リと判別する。また、出力値の値に応じて判別不能とし
て棄却してもよい（ステップＳ４０４）。次に判別結果
を表示制御部２０３に入力し、画像表示部１０４に表示
する（ステップＳ４０５）。

【００２２】尚、本実施の形態では、特徴抽出部２０１
での特徴量を上述の１８種としているが、任意の数に変
更してよい。また、濃度値の分布の特徴を捉える他の特
徴を用いてもよい。また、ニューラルネットの構成も必
要に応じて変更してよい。

【００２３】以上のように、本実施の形態によれば、画
像の濃度値の分布の特徴を抽出し、抽出された特徴に基
づいて画像のカテゴリを判別するようにしているので、
人為的にカテゴリを入力する必要がなく、効率のよい装
置の運用ができる効果がある。

【００２４】また、学習部２０５を備えているため、撮
影条件、外部出力装置が変更されても、容易に判別関数
を学習でき、各種機器、撮影条件に容易に対応できると
いう効果が得られる。

【００２５】また、関数を学習するにあたり、特徴抽出
部２０１で抽出した各学習用画像毎の特徴量を用いてい
るため、各画像の情報を有効に使用することができ、効
率よく判別関数を学習でき、さらに、濃度値の最大値と
最小値が変動しても、特徴を濃度値分布全体から抽出し
ているため精度良く判別できるなどの効果が得られる。

【００２６】図７は本発明の第２の実施の形態による画
像判別装置の濃度値ヒストグラムと特徴量との関係を示
す図である。図７においては画像の濃度値の幅が最大値
と最小値で正規化されている。極端に濃度値の最大値と
最小値の値が濃度値の平均値からずれている場合には、
例えば上位５％最大値、下位５％最小値で正規化してよ
い。この場合、画像における上位５％最大値を超える点
は、正規化後の上位５％最大値と同一の値とし、画像に
おける下位５％最小値を超える点は、正規化後の下位５
％最大値と同一の値とする。本実施の形態では５％点と
しているが任意の％数値でよい。

【００２７】本実施の形態によれば、撮影環境等で各画
像の平均濃度値や、濃度値の幅にばらつきがある場合
に、関数学習用の画像数が少なくても、精度よく関数を
学習することができ、良好な出力画像を得ることができ
る。また、関数の学習時間を短縮することができるなど
の効果が得られる。

【００２８】次に、本発明の第３の実施の形態を説明す
る。本実施の形態においては、濃度値ヒストグラムを画
像の面積で正規化する。実際のＸ線画像はデータ部分の
大きさにばらつきがあるが、上記のように正規化するこ
とにより、特徴量が一定となり、処理がし易くなる。正
規化は、具体的には濃度値ヒストグラムの縦軸を全画素
数で割った値に定数を掛けることにより行われる。

【００２９】次に第４の実施の形態を説明する。表１は
本実施の形態による画像判別装置の特徴量を示す表であ
り、入力画像の各画素値を画素値の値でソートしたもの
である。

【００３０】

【表１】

【００３１】特徴量としては、全画素数を均等に分割し
た点のソート順位に該当する濃度値とする。例えば画像
が縦１００、横１００の画素数で構成されていて画面の
左上隅から右下隅まで１〜１００００の番号を付け、か
つ濃度値が２５６次元で表わされる場合に、あるカテゴ
リの画像においては、全画素数を１０等分した場合の特
徴量となる値が表１の丸印で囲んだ数値で示すようにな
る。そこでこれらの１１個の特徴量を関数の入力要素と
することができる。

【００３２】本実施の形態によれば、特徴量を簡単に抽
出することができ、計算時間を短縮することができる等
の効果がある。

【００３３】表２は本発明の第５の実施の形態による画
像判別装置の特徴量を示すものであり、入力画像の各画
素値を画素値の値でソートし、濃度値の値を正規化した
ものである。

【００３４】

【表２】

【００３５】特徴量としては、全画素数を均等に分割し
た点のソート順位に該当する正規化した濃度値とする。
例えば画像が縦１００、横１００の画素数で構成され、
濃度値が２５６次元で表わされる場合に、全画素数を１
０等分したときの特徴量となる値を表２の丸印で囲んだ
数値で示す。これらの１１個の特徴量を関数の入力要素
とする。

【００３６】表２においては画像の濃度値の幅が最大値
と最小値で正規化されている。極端に濃度値の最大値と
最小値の値が濃度値の平均値からずれている場合には、
例えば上位５％最大値、下位５％最小値で正規化しても
よい。この場合、画像における上位５％最大値を超える
点は、正規化後の上位５％最大値と同一の値とし、画像
における下位５％最小値を超える点は、正規化後の下位
５％最大値と同一の値とする。

【００３７】本実施の形態によれば、特徴量を簡単に抽
出することができ、計算時間を短縮することができると
共に撮影環境等で各画像の平均濃度値や、濃度値の幅に
ばらつきがある場合に、関数学習用の画像数が少なくて
も精度よく関数を学習することができ、良好な判別結果
を得ることができる。また、関数の学習時間を短縮する
ことができるなどの効果が得られる。

【００３８】次に第６の実施の形態を説明する。本実施
の形態は、前記学習用の画像として、手、足、頭、胸、
腰等の各撮影部位を用いるものである。従って、本実施
の形態によれば、学習用の画像として各撮影部位を用い
るため、撮影部位を精度よく判別する関数を得られるな
どの効果が得られる。

【００３９】次に第７の実施の形態を説明する。本実施
の形態は、学習用の画像として、正面位、側位等の各撮
影体位を用いるものである。従って、本実施の形態によ
れば、学習用の画像として各撮影体位を用いるため、撮
影体位を精度よく判別する関数を得られるなどの効果が
得られる。

【００４０】図８は第８の実施の形態による画像判別装
置の特徴量を示す図であり、同図（ａ）は胸の撮影画像
を示す。本実施の形態においては、す抜け領域（Ｘ線が
人体の外側をす通りした濃度の高い領域）を削除した
後、同図（ｂ）の水平軸及び（ｃ）の垂直軸に対する画
像データのプロジェクションｆ（ｘ）、ｆ（ｙ）を式
（１）により作成する。

【００４１】

【数１】

【００４２】ここでｆ１（ｘ，ｙ）をす抜け領域除去後
の画像データ、ｘ，ｙは画像データの水平軸、垂直軸の
位置とする。本実施の形態は、図８のように均等に分割
した点の画像データ値と傾きとを特徴量とするものであ
る。即ち、図８（ａ）の胸の正面撮影画像の場合、水平
軸上で同図（ｃ）の曲線の山が双つあるが、垂直軸上で
は平坦な山が１つあると言うパターン上の特徴がある。
尚、す抜け領域の削除方法としては、次のように画像を
変換する。

【００４３】

【数２】

【００４４】ここで、ｓｇｎ（ｘ，ｙ）＝０ｆ（ｘ，ｙ）≧Ｔｈ１のと
きｓｇｎ（ｘ，ｙ）＝１その他Ｔｈ１＝ｍａｘ × Ｔｈ２ｍａｘ：照射領域内の最大濃度値Ｔｈ２：す抜け濃度の幅を決める定数ｆ（ｘ，ｙ）：画像データ。

【００４５】また、単にす抜け領域の削除としては、一
定定数以上の領域を削除してもよい。また、このす抜け
領域の削除を、上述した各実施の形態において特徴量を
抽出する際に行うようにしてよい。

【００４６】尚、図１、図２の各機能ブロック１０１〜
１０４、２０１〜２０６は、ハード的に構成してもよ
く、また、ＣＰＵやメモリ等から成るマイクロコンピュ
ータシステムに構成してもよい。マイクロコンピュータ
システムに構成する場合、上記メモリは本発明による記
録媒体を構成し、この記録媒体には、図３、図４のフロ
ーチャートに示す処理を含む各実施の形態による前述し
た各処理を実行するためのプログラムが記録される。ま
たこの記録媒体としては、ＲＯＭ、ＲＡＭ等の半導体メ
モリや、光ディスク、光磁気ディスク、磁気媒体等を用
いてもよく、これらをＣＤ−ＲＯＭ、フロッピーディス
ク、磁気テープ、不揮発性のメモリカード等として用い
てよい。

【００４７】

【発明の効果】以上説明したように、請求項１、１１、
２０の発明によれば、画像の濃度値分布の特徴量を抽出
し、抽出された特徴量に基づいて画像のカテゴリを判別
するように構成したので、人為的にカテゴリを入力する
必要がなく、効率のよい装置の運用ができるなどの効果
がある。

【００４８】請求項２、１２の発明によれば、上記抽出
された画像の特徴量を入力とし上記の判別結果を出力と
する関数を学習するように構成したので、撮影条件、外
部出力装置が変更されても、容易に判別関数を学習で
き、各種機器、撮影条件に容易に対応できるという効果
が得られる。

【００４９】請求項３、１３の発明によれば、上記画像
及び判別結果を表示すると共に、表示部に表示される画
像のカテゴリを入力し、入力されたカテゴリと上記抽出
された画像の特徴量とを記憶するように構成したので、
関数の学習を効率よく行え、関数の学習時間を短縮する
ことができる等の効果が得られる。

【００５０】請求項４、１４の発明によれば、上記画像
の濃度値分布の特徴量を、画像の濃度ヒストグラムにお
いて濃度値を均等分した点における濃度値の出現頻度と
濃度値の出現変化量としたので、精度よく関数の学習が
可能となり、精度よく画像のカテゴリを判別できるなど
の効果が得られる。

【００５１】請求項５、１５の発明によれば、上記画像
の濃度ヒストグラムを、画像の濃度値又は面積で正規化
するようにしたので、撮影環境等で各画像の平均濃度値
や、濃度値の幅や画像の大きさにばらつきがある場合
に、関数学習用の画像が少なくても、精度よく関数を学
習することができ、あるいは特徴量を一定とすることが
でき、良好な判別結果を得ることができると共に、関数
の学習時間を短縮することができるなどの効果が得られ
る。

【００５２】請求項６、１６の発明によれば、画像の濃
度値分布の特徴量を、画像の濃度値をこの濃度値の値で
ソートし、このソートした濃度値の等間隔順位の点の濃
度値を、上記画像の濃度値分布の特徴量とするようにし
たので、特徴量を簡単に抽出することができ、計算時間
を短縮することができる等の効果がある。

【００５３】請求項７、１７の発明によれば、画像の濃
度値の幅を正規化したので、撮影環境等で各画像の平均
濃度値や、濃度値の幅にばらつきがある場合に、関数学
習用の画像が少なくても精度よく関数を学習することが
でき、良好な判別結果を得ることができる。また、関数
の学習時間を短縮することができるなどの効果が得られ
る。

【００５４】請求項８、１８の発明によれば、学習用の
画像として各撮影部位を用いるようにしたので、撮影部
位を精度よく判別する関数を得られるなどの効果が得ら
れる。

【００５５】請求項９、１９の発明によれば、学習用の
画像として各撮影体位を用いるようにしたので、撮影体
位を精度よく判別する関数を得られるなどの効果が得ら
れる。

【図面の簡単な説明】

【図１】本発明の第１の実施の形態による画像処理装置
のブロック図である。

【図２】画像判別部内の構成を示すブロック図である。

【図３】モード１における処理手順を示すフローチャー
トである。

【図４】モード２における処理手順を示すフローチャー
トである。

【図５】画像の濃度値ヒストグラムと特徴量との関係を
示す特性図である。

【図６】ニューラルネットの構成を示す構成図である。

【図７】正規化後の値ヒストグラムと特徴量を示す特性
図である。

【図８】本発明の第９の実施の形態を説明するための構
成図である。

【符号の説明】

１０３画像判別部１０４画像表示部２０１特徴抽出部２０２判別部２０５学習部２０３表示制御部２０６制御部２０４記憶部

Claims

【特許請求の範囲】

【請求項１】画像の濃度値分布の特徴量を抽出する特
徴抽出手段と、上記特徴抽出手段で抽出された特徴量と所定の関数とに
基づいて上記画像のカテゴリを判別する判別手段とを設
けたことを特徴とする画像処理装置。
【請求項２】上記カテゴリが知られている学習用の画
像から上記特徴抽出手段で抽出された特徴量を入力と
し、上記カテゴリを出力とする上記関数を学習する学習
手段を設けたことを特徴とする請求項１記載の画像処理
装置。
【請求項３】上記画像及び上記判別結果を表示する表
示手段と、上記表示手段に表示される上記学習用の画像のカテゴリ
を入力する制御手段と、上記制御手段で入力されたカテゴリと上記特徴抽出手段
で抽出された学習用の画像の特徴量とを記憶する記憶手
段とを設けたことを特徴とする請求項２記載の画像処理
装置。
【請求項４】上記画像の濃度値分布の特徴量を、画像
の濃度ヒストグラムにおいて濃度値を均等分した点にお
ける濃度値の出現頻度とこの濃度値の出現頻度の変化量
としたことを特徴とする請求項１記載の画像処理装置。
【請求項５】上記画像の濃度ヒストグラムを、画像の
濃度値又は面積で正規化したことを特徴とする請求項４
記載の画像処理装置。
【請求項６】上記画像の濃度値分布の特徴量を、画像
の濃度値をこの濃度値の値でソートし、このソートした
濃度値の等間隔順位の点の濃度値を、その画像の濃度値
分布の特徴量とする請求項１記載の画像処理装置。
【請求項７】上記画像の濃度値の幅を正規化したこと
を特徴とする請求項６記載の画像処理装置。
【請求項８】上記学習手段の学習用の画像として撮影
部位別の画像を用いることにより、撮影部位を判別する
ことを特徴とする請求項２記載の画像処理装置。
【請求項９】上記学習手段の学習用の画像として撮影
体位別の画像を用いることにより、撮影体位を判別する
ことを特徴とする請求項２記載の画像処理装置。
【請求項１０】上記画像の濃度値分布の特徴量を画像
の水平及び／又は垂直軸に関する画像データのパターン
としたことを特徴とする請求項１記載の画像処理装置。
【請求項１１】画像の濃度値分布の特徴量を抽出する
工程と、上記抽出された特徴量と所定の関数とに基づいて上記画
像のカテゴリを判別する工程とを設けたことを特徴とす
る画像処理方法。
【請求項１２】上記カテゴリが知られている学習用の
画像から上記抽出された特徴量を入力とし、上記カテゴ
リを出力とする上記関数を学習する工程を設けたことを
特徴とする請求項１１記載の画像処理方法。
【請求項１３】上記画像及び上記判別結果を表示する
工程と、上記表示される上記学習用の画像のカテゴリを入力する
工程と、上記入力されたカテゴリと上記抽出された上記学習用の
画像の特徴量とを記憶する工程とを設けたことを特徴と
する請求項１２記載の画像処理方法。
【請求項１４】上記画像の濃度値分布の特徴量を、画
像の濃度ヒスグラムにおいて濃度値を均等分した点にお
ける濃度値の出現頻度とこの濃度値の出現頻度の変化量
としたことを特徴とする請求項１１記載の画像処理方
法。
【請求項１５】上記画像の濃度ヒストグラムを、画像
の濃度値又は面積で正規化したことを特徴とする請求項
１４記載の画像処理方法。
【請求項１６】上記画像の濃度値分布の特徴量を、画
像の濃度値をこの濃度値の値でソートし、このソートし
た濃度値の等間隔順位の点の濃度値を、その画像の濃度
値分布の特徴量とする請求項１１記載の画像処理方法。
【請求項１７】上記画像の濃度値の幅を正規化したこ
とを特徴とする請求項１６記載の画像処理方法。
【請求項１８】上記学習用の画像として撮影部位別の
画像を用いることにより、撮影部位を判別することを特
徴とする請求項１２記載の画像処理方法。
【請求項１９】上記学習用の画像として撮影体位別の
画像を用いることにより、撮影体位を判別することを特
徴とする請求項１２記載の画像処理方法。
【請求項２０】請求項１１に記載の画像処理方法を構
成する各工程を実行するためのプログラムを記録したコ
ンピュータ読み取り可能な記録媒体。