JP4463016B2 - 画像解析装置、画像解析方法、画像解析プログラムおよび記録媒体 - Google Patents

Description

本発明は、オブジェクトの切り出しや類似画像検索などに応用できる画像解析技術に関し、画像濃度の周期的な変動特徴に基づいて、画像のテクスチャ特徴を解析し、所定領域の抽出を行う画像解析装置、画像解析方法、画像解析プログラムおよびこのプログラムを格納した記録媒体に関する。

テクスチャ画像に対する領域分割の主要な課題は、テクスチャ画像を一様性に関する評価の下に自由度の高い領域形状で分割することである。従来、テクスチャ特徴の抽出には、画像濃度に関するマルコフ確率場を用いたモデル化が多用されている。特に、二次のガウシアンマルコフ確率場モデルが多く利用されている。

ただし、画像濃度に関する二次のガウシアンマルコフ確率場モデルによって捉えられるるテクスチャ特徴は、比較的短い周期に限られる傾向がある。

また、最近では、異なるスケールにわたるテクスチャ特徴によって構成される大域的な特徴を捉える方法として、空間−周波数領域における解析が注目されている。特に、テクスチャ画像に対するシフト不変な解析手段として、ウェーブレットフレームが盛んに取り上げられている。また、空間−周波数領域におけるマルコフ確率場モデルが、テクスチャ認識に大変有効であるとの報告もある。

画像の領域分割の中でも、オブジェクトの切り出しを主眼とする場合、短い周期のテクスチャのみを捉えた局所的な特徴によって画像が多数の小領域に分割されることは望ましくない。なぜなら、オブジェクトに相当する領域をいくつもの小領域に分割するわけにはいかないからである。

また、ウェーブレットフレーム分解や空間−周波数領域におけるマルコフ確率場モデルといった解析手法をそのまま応用するだけでは、オブジェクトに相当する領域全体を高い自由度で精度よく切り出すことは必ずしもできない。なぜなら、たとえ大域的な特徴を捉えられたとしても、オブジェクトの領域が単一のモデルによって表現できるとは限らず、また、モデルを構成するための領域自体が未知であるためである。

本発明は、オブジェクトの切り出しや類似画像検索などに応用できる画像解析技術に関し、画像濃度の周期的な変動特徴に基づいて、画像のテクスチャ特徴を解析し、所定領域の抽出を行う画像解析装置、画像解析方法、画像解析プログラムおよびこのプログラムを格納した記録媒体を提供することを目的としている。

本発明の画像解析装置は、画像濃度の変動を、ウェーブレットフレームにより空間−周波数領域の係数に変換するウェーブレットフレーム分解手段と、上記ウェーブレットフレーム分解手段により変換された係数と近傍領域間のＫＬダイバージェンスとに基づいて所定の領域の分割と統合を所定の終了条件が満たされるまで反復して実行することにより、上記画像の領域を分割する領域分割手段と、上記領域分割によって得られる所定の領域に所定の数のマルコフ確率場モデルを導入して空間−周波数領域におけるモデルパラメータの推定を行うモデルパラメータ推定手段と、上記モデルパラメータ推定手段によって推定された各モデルパラメータの生起確率に応じて所定の境界形状を修正する境界形状修正手段とを備え、上記モデルパラメータ推定手段及び上記境界形状修正手段が、上記境界形状修正手段による修正後の境界形状に基づく上記モデルパラメータの推定及び境界形状の再修正を、所定の終了条件が満たされるまで反復して実行するようにしたものである。

あるいは、上記領域分割手段が、上記所定の領域の分割と統合を所定の終了条件が満たされるまで反復して実行した後、サブバンドごとの平均エネルギーを要素とする特徴ベクトルに基づいて、各領域をクラスタリングすることにより所定の領域の分割と統合を所定の終了条件が満たされるまで反復して行うようにするとよい。

また、上記モデルパラメータ推定手段が、所定の領域ごとに、クラスタの数を順次増加させながらモデルパラメータを算出し、そのモデルパラメータの優劣を所定の情報量基準に基づいて評価し、導入するマルコフ確率場モデルの数を、クラスタの数がｍ個の場合にｍ＋１個の場合より高い評価となるような最初のｍに決定するようにするとよい。

本発明の画像解析方法は、画像濃度の変動を、ウェーブレットフレームにより空間−周波数領域の係数に変換するウェーブレットフレーム分解ステップと、前記ウェーブレットフレーム分解ステップにより変換された係数と近傍領域間のＫＬダイバージェンスとに基づいて所定の領域の分割と統合を所定の終了条件が満たされるまで反復して実行することにより、上記画像の領域を分割する領域分割ステップと、上記領域分割によって得られる所定の領域に所定の数のマルコフ確率場モデルを導入して空間−周波数領域におけるモデルパラメータの推定を行うモデリングステップと、上記モデリングステップにおいて推定された各モデルパラメータの生起確率に応じて所定の境界形状を修正する境界形状修正ステップとを有し、上記モデルパラメータ推定ステップ及び上記境界形状修正ステップにより、上記境界形状修正ステップによる修正後の境界形状に基づく上記モデルパラメータの推定及び境界形状の再修正を、所定の終了条件が満たされるまで反復して実行するようにしたものである。

あるいは、上記領域分割ステップでは、上記所定の領域の分割と統合を所定の終了条件が満たされるまで反復して行った後、サブバンドごとの平均エネルギーを要素とする特徴ベクトルに基づいて、各領域をクラスタリングすることにより所定の領域の分割と統合を所定の終了条件が満たされるまで反復して行うようにするとよい。

上記モデルパラメータ推定ステップでは、所定の領域ごとに、クラスタの数を順次増加させながらモデルパラメータを算出し、そのモデルパラメータの優劣を所定の情報量基準に基づいて評価し、導入するマルコフ確率場モデルの数を、クラスタの数がｍ個の場合にｍ＋１個の場合より高い評価となるような最初のｍに決定するようにするとよい。

本発明の画像解析プログラムは、上記の画像解析方法における各ステップをコンピュータに実行させるための画像解析プログラムである。
また、本発明は、上記のプログラムを記録したコンピュータに読み取り可能な記録媒体も提供する。

以上の画像解析装置、画像解析方法、画像解析プログラムおよび記録媒体によれば、テクスチャ特徴に基づくオブジェクトの切り出しができるようになり、さらに、得られた領域情報や領域特徴を利用することにより、類似画像検索等を実現できるという効果を得る。

すなわち、本発明では、ウェーブレットフレームによる解析に基づく粗い領域分割をまず先に行い、分割された所定の領域ごとにその後所定の数のガウシアンマルコフ確率場モデルを空間−周波数領域において構成する。更に、それらのモデルに基づいて、オブジェクトに相当する領域の境界形状の修正とモデルパラメータの更新とを繰り返すことで、オブジェクトを切り出す。これにより得られた領域情報や領域特徴を利用することにより、類似画像検索等を高速かつ高精度で行うことができる。

本発明の一実施の形態について説明する。

図１は、本発明の一実施形態である画像解析装置１１のハードウェア構成を示すブロック図である。

図１に示すように、画像解析装置１１は、パーソナルコンピュータ等のコンピュータであり、これらはバス１００に接続された、ＣＰＵ１１１と、メモリ１１２と、磁気記憶装置１１３と、入力装置１１４と、表示装置１１５と、記憶媒体読取り装置１１６と、通信インタフェース１１７とを備えている。

ＣＰＵ１１１は、画像解析装置１１全体を統括制御し、メモリ１１２は、システムプログラム，各種ドライバ，各種設定値等が格納されたＲＯＭ、ＣＰＵ１１１の作業領域等が確保されたＲＡＭからなる。磁気記憶装置１１３はハードディスクであり、入力装置１１４はマウスやキーボードであり、表示装置１１５はＬＣＤやＣＲＴであり、記憶媒体読取装置１１６は記憶媒体ＭＭ（ＣＤ，ＤＶＤ等の光ディスク、光磁気ディスク、フロッピーディスク等の記憶メディア）の読み取り装置であり、通信インターフェイス（Ｉ／Ｆ）１１７はインターネットなどのネットワーク２００との通信装置である。

本実施形態では、本発明における画像解析プログラムは磁気記憶装置１１３に記憶されている。この画像解析プログラムは、記憶媒体読取装置１１６が記憶媒体ＭＭから読み取り磁気記憶装置１１３にインストールすることもできるし、ネットワーク２００からダウンロードして磁気記憶装置１１３にインストールすることもできる。このインストールにより、画像解析装置１１は動作可能な状態となる。この画像解析プログラムは、特定のアプリケーションソフトの一部をなすものであってもよいし、所定のＯＳ上で動作するものであってもよい。

以下、画像解析プログラムに基づいて画像解析装置１１が行う処理（ステップＳ１０１〜Ｓ１１３）の内容について説明する。

図２は、画像解析装置１１が行う処理の概略を示すフローチャートである。ＣＰＵ１１１は、メモリ１１２に格納されたウェーブレットフレーム分解プログラム、領域分割プログラム、モデルパラメータ推定プログラムおよび境界形状修正プログラムを実行することで、本発明におけるウェーブレットフレーム分解手段、領域分割手段、モデルパラメータ推定手段および境界形状修正手段としての機能を奏することができる。すなわち、ウェーブレットフレーム分解手段は画像濃度の変動を、ウェーブレットフレームにより空間−周波数領域の係数に変換し、領域分割手段は、分割統合法により画像の領域を分割し、モデルパラメータ推定手段は前記領域分割によって得られる所定の領域に所定の数のマルコフ確率場モデルを導入して空間−周波数領域におけるモデルパラメータの推定を行い、境界形状修正手段は前記モデルパラメータ推定手段によって推定された各モデルパラメータの生起確率に応じて所定の境界形状を修正する。ウェーブレットフレーム分解手段、領域分割手段、モデルパラメータ推定手段および境界形状修正手段は、ウェーブレットフレーム分解ステップ、領域分割ステップ、モデルパラメータ推定ステップおよび境界形状修正ステップにより実現される。

図２に示すように、ＣＰＵ１１１は、まず、所定のカウンタのカウント値ｎを所定の整数に初期化する（Ｓ１０１）。次に、ウェーブレットフレーム分解Ａ１により、所定の分解レベルＪまでウェーブレットフレーム分解を実行する（Ｓ１０２）。

Ｓ１０３では、カウント値ｎと繰り返し回数の上限Ｎ_２を比較する。ここで、Ｎ_２は所定の自然数である。カウント値ｎがＮ_２に達していないときは（ｎ＜Ｎ_２：Ｓ１０３の「Ｙ」）、対象とする処理対象画像Ｇを２^２ｎ個の矩形タイル（本発明領域）に分割する（Ｓ１０４）。その結果、分解レベルごとに、ＬＬ，ＨＬ，ＬＨおよびＨＨの４種類のサブバンドにそれぞれ対応するウェーブレット係数がタイルの画素数と同数ずつ得られる。一方、カウント値ｎがＮ_２に達しているときは（Ｓ１０３の「Ｎ」）、Ｓ１１３に進む。

次のＳ１０５では、カウンタｎと繰り返し回数の上限Ｎ_１とを比較する。ここで、Ｎ_１は所定の自然数である。ｎがＮ_１に達していないときは（ｎ＜Ｎ_１：Ｓ１０５の「Ｙ」）、各タイルのラベリング処理を行い（Ｓ１０６）、ｎを１だけインクリメントして（Ｓ１０７）、処理をＳ１０３に戻す。一方、ｎがＮ_１に達したときは（ｎ＝Ｎ_１：Ｓ１０５の「Ｎ」）、Ｓ１０８に処理を進める。

Ｓ１０８では、カウンタｎと繰り返し回数の上限Ｎ_１との異同を判定する。ｎがＮ_１に等しいときは（ｎ＝Ｎ_１：Ｓ１０８の「Ｙ」）、注目するオブジェクトに含まれるとみなされる所定の領域（以降、「選択領域」と称する）を選択し（Ｓ１０９）、Ｓ１１０に進む。ここで、選択領域は、Ｓ１０６によって設定された領域ラベルの中から画像の中心に最も近いものを選択することで設定する。ただし、画素数が所定の数に満たない領域ラベルについては選択領域の候補からは除外し、候補となる領域ラベルが存在しない際には全体の処理を終了する。

また、複数の領域ラベルが画像の中心から等距離にある場合には、それらの中で画素数の最も多い領域ラベルを選択する。更に、距離、画素数共等しい場合には、それらの中から任意の領域ラベルを選択する。一方、ｎとＮ _１ が異なるときは（Ｓ１０８の「Ｎ」）、Ｓ１１０に進む。

Ｓ１１０では、タイルごとに所定の特徴ベクトルａ_ｘｙを抽出する。ここで、ａ_ｘｙは、タイルｘｙの空間−周波数領域における各サブバンドの平均エネルギーを要素とする３Ｊ＋１次元数ベクトルである。次のＳ１１１では、選択領域内の特徴ベクトルからｍ個のクラスタ中心を設定する。ここで、ｍは所定の自然数である。続いて、全タイルを対象にクラスタリングを行い（Ｓ１１２）、Ｓ１０７の処理に戻る。

Ｓ１１３では、Ｓ１１２におけるクラスタリングの結果から得られる所定の領域（以降、注目領域と呼ぶ）とその周辺の所定の領域（以降、周辺領域と呼ぶ）との間で、ガウシアンマルコフ確率場モデルに基づく境界形状の修正を行い（Ｓ１１３）、処理を終了する。

図３は、Ｓ１０６におけるラベリング処理について説明するフローチャートである。領域ラベルの設定は、４近傍タイルとの間の分離度に基づいて行う。本処理においては、まず、すべてのタイルｘｙ（ｘ＝０，１，・・・，Ｎ_ｘ−１：ｙ＝０，１，・・・，Ｎ_ｙ−１）について、その近傍タイルｘｙ＋τ（τ∈τ｛（−１，０）、（０，−１）、（１，０）、（０，１）｝）との分離度Ｄ（ｘ，ｙ，τ）を次の式（１）により求める（Ｓ２０１）。

ここで、ｄ_{＊＊（ｊ）}｛ｈ_ｘｙ｜ｈ_ｘｙ＋τ｝はレベルｊのサブバンド＊＊におけるタイルｘｙと近傍タイルｘｙ＋

とのＫＬダイバージェンスを表し、ウェーブレット係数ｃに関するタイルｘｙにおける密度関数

と近傍タイルｘｙ＋

における密度関数ｈ_ｘｙ＋τ（ｃ）との偽距離に相当する。なお、同様の定義が、ｄ_{ＬＬ（ｊ）}｛ｈ_ｘｙ｜ｈ_ｘｙ＋τ｝についてもあてはまる。すなわち、

とすると、

となる。

Ｓ２０２では、領域ラベルを設定する際の基準となる閾値θを分離度の頻度分布（ヒストグラム）の移動平均ｒから次の式（５）による条件に従って設定する。

ここで、Δｔ_１はヒストグラムの所定の間隔、ｔは各区間の番号、α_１は所定の整数をそれぞれ表す。次のＳ２０３では、タイルの位置を表す変数ｘおよびｙを０に初期化すると共に、領域ラベルｌ_ｘｙの初期値として０をすべてのタイルに付与する。

Ｓ２０４では、ｌ_ｘｙについての判定を行う。ｌ_ｘｙが０に等しい場合（Ｓ２０４の「Ｙ」）、Ｄ（ｘ，ｙ，τ）＜θとなる近傍タイルのラベルｌ_ｘｙ＋τの集合をＬ_ｘｙと定義し（Ｓ２０５）、Ｓ２０６に進む。一方、ｌ_ｘｙが０に等しくない場合（Ｓ２０４の「Ｎ」）、Ｓ２０８に進む。

Ｓ２０６では、Ｌ_ｘｙについての判定を行う。Ｌ_ｘｙが空集合でない場合（Ｓ２０６の「Ｙ」）、次の式（６）により領域ラベルを設定する（Ｓ２０７）。

ここで、ｌ_ｍａｘは、使用済みラベルの最大値を表す。なお、式（６）によって０でない既存の領域ラベルが変更される場合、それと同じラベルをもつ各タイルのラベルを
ｍｉｎ｛ｌ_ｘｙ＋τ∈Ｌ_ｘｙ｝に変更する。

Ｓ２０８では、ｘについての判定を行う。ｘが上限Ｎ_ｘに達しない場合（Ｓ２０８の「Ｙ」）、ｘを１だけインクリメントし（Ｓ２０９）、Ｓ２０４に戻る。一方、ｘが上限Ｎ_ｘに達した場合（Ｓ２０８の「Ｎ」）、Ｓ２１０に進む。

Ｓ２１０では、ｙについての判定を行う。ｙが上限Ｎ_ｙに達しない場合（Ｓ２１０の「Ｙ」）、ｘに０を代入すると共にｙを１だけインクリメントし（Ｓ２１１）、Ｓ２０４に戻る。一方、ｙが上限Ｎ_ｙに達した場合（Ｓ２１０の「Ｎ」）、対応する画素の数が所定の値に満たないラベルの値を０に初期化した上で（Ｓ２１２）、ラベリング処理を終了し、Ｓ１０７に進む。

図４は、Ｓ１１２におけるクラスタリング処理について説明するフローチャートである。クラスタリングは、部分空間法に基づいて行う。本処理においては、まず、Ｓ１１１において設定したクラスタごとに、平均二乗誤差最小基準に基づくＫＬ展開によって、そのクラスタの部分空間を表す固有値と固有ベクトルを求める。（Ｓ３０１）。

Ｓ３０２では、すべてのタイルｘｙについて、クラスタｉに関する部分空間との類似度Ｓ_ｉを次の式（７）により求める。

ここで、ｏ_ｉはクラスタｉに関する部分空間における上位固有値の数を表す任意の整数である。また、ｗ_ｉｑは、クラスタｉに関する部分空間におけるｑ番目の上位固有値に対応する固有ベクトルを表す。

Ｓ３０３では、クラスタを設定する際の基準となる閾値ηを類似度のヒストグラムの移動平均ｒから次の式（８）による条件に従って設定する。

ここで、Δｔ_２はヒストグラムの所定の間隔、α_２は所定の整数をそれぞれ表す。次のＳ３０４では、タイルの位置を表す変数ｘおよびｙを０に初期化すると共に、クラスタ番号ｂ_ｘｙの初期値として０をすべてのタイルに付与する。

Ｓ３０５では、ｌ_ｘｙおよびｍａｘ｛Ｓ_ｉ（ａ_ｘｙ）｝についての判定を行う。ここで、選択領域のラベルを

と表すことにする。ｌ_ｘｙが

と異なりかつｍａｘ｛Ｓ_ｉ（ａ_ｘｙ）｝が閾値η_ｉより大きい場合（Ｓ３０５の「Ｙ」）、タイルｘｙのクラスタ番号ｂ_ｘｙに

を代入し（Ｓ３０６）、Ｓ３０７に進む。一方、ｌ_ｘｙが

に等しいまたはｍａｘ｛Ｓ_ｉ（ａ_ｘｙ）｝が閾値η_ｉ以下の場合（Ｓ３０５の「Ｎ」）、Ｓ３０７に進む。

Ｓ３０７では、ｘについての判定を行う。ｘが上限Ｎ_ｘに達しない場合（Ｓ３０７の「Ｙ」）、ｘに１を加算し（Ｓ３０８）、Ｓ３０５に戻る。一方、ｘが上限Ｎ_ｘに達した場合（Ｓ３０７の「Ｎ」）、Ｓ３０９に進む。

Ｓ３０９では、ｙについての判定を行う。ｙが上限Ｎ_ｙに達しない場合（Ｓ３０９の「Ｙ」）、ｘに０を代入すると共にｙに１を加算し（Ｓ３１０）、Ｓ３０５に戻る。一方、ｙが上限Ｎ_ｙに達した場合（Ｓ３０９の「Ｎ」）、Ｓ３１１に進む。

Ｓ３１１では、ラベル値

をもつタイルの８近傍に隣接するクラスタ番号

のタイルのラベル値を

に変更する。この処理は、ラベル値を変更するタイルがなくなるまで再帰的に繰り返す。この処理が済んだら、クラスタリングの処理を終了し、Ｓ１０７に進む。

図５は、Ｓ１１３における境界形状の修正処理について説明するフローチャートである。本処理においては、まず、オブジェクトとして切り出す注目領域とその周辺領域とを設定する（Ｓ４０１）。注目領域については、ラベル値

をもつタイルを設定する。周辺領域については、その他のラベル値をもつタイルの中から、同一ラベル領域の面積が大きいものから順に所定の数の領域を設定する。

Ｓ４０２では、注目領域と各周辺領域とにおいて、ガウシアンマルコフ確率場モデルパラメータの推定を行う。この際、最小記述長基準などの所定の情報量基準を用いて、それぞれの領域において最適なモデル数を決定する。具体的には、まず、領域内の画素をｍ個のクラスタに分ける。このとき使用する特徴ベクトルは、各サブバンドのウェーブレット係数を要素とする３Ｊ＋１次元数ベクトルである。クラスタが決定されたら、仮のモデルパラメータの推定をクラスタごとに行う。その後、推定したモデルパラメータに基づいて、領域内のすべての画素について、生起確率が最大となるクラスタを求める。この結果に従って、各画素の属するクラスタを更新し、仮のモデルパラメータ推定以降の処理をクラスタの更新がなくなるまで続ける。ただし、繰り返し回数が所定の値に達した場合は、その時点でのモデルパラメータを採用し、ｍ＋１個のクラスタに分けた場合のモデルパラメータとの優劣を所定の情報量基準によって判定する。ｍ個のクラスタに分けた場合の情報量基準による評価が高ければ、ｍ個のモデルを採用する。一方、ｍ＋１個のクラスタに分けた場合の情報量基準による評価が高ければ、ｍに１を加算して上記の処理を再度繰り返す。なお、クラスタ数には、所定の上限値を設ける。また、自由パラメータ数は、パラメータセットから分散のパラメータを除いた数になる。次のＳ４０３では、注目領域の境界画素の内外を判定する変数ｆｌａｇを１に、ラベル変更の有無を表す変数ｅを１に、繰り返し回数を表す変数ｚを０にそれぞれ初期化する。

Ｓ４０４では、画素の位置を表す変数ｕ、ｖに０を代入すると共に、ｆｌａｇに−１をかける。次のＳ４０５では、画素ｕｖについての判定を行う。具体的には、次の条件を満たすとき、ｕｖが注目領域の境界画素と判定される。

ここで、τ_１＝（１，−１）、τ_２＝（１，０）、τ_３＝（１，１）、τ_４＝（０，１）、τ_５＝（−１，１）、τ_６＝（−１，０）、τ_７＝（−１，−１）、τ_８＝（０，−１）である。ｕｖが注目領域の境界画素である場合（Ｓ４０５の「Ｙ」）、Ｓ４０２で求めたモデルパラメータに基づく生起確率が最大となるモデルｍｏｄｅｌ_ｍａｘ（ｕｖ）とそれに対応する領域ラベルｌ_ｎｅｗを求め（Ｓ４０６）、Ｓ４０７に進む。一方、ｕｖが注目領域の境界画素でない場合（Ｓ４０５の「Ｎ」）、Ｓ４０８に進む。

Ｓ４０７では、画素ｕｖのラベルを次の条件に従って更新する。

（１）ｆｌａｇ＝−１かつｌ_ｎｅｗが注目領域に対応するとき、ｌ_ｘｙにｌ_ｎｅｗ、ｅに０を代入してＳ４０８に進む。

（２）ｆｌａｇ＝−１かつｌ_ｎｅｗが周辺領域に対応するとき、Ｓ４０８に進む。

（３）ｆｌａｇ＝１かつｌ_ｎｅｗが周辺領域に対応するとき、ｌ_ｘｙに０、ｅに０を代入してＳ４０８に進む。

（４）ｆｌａｇ＝１かつｌ_ｎｅｗが注目領域に対応するとき、Ｓ４０８に進む。

Ｓ４０８では、ｕについての判定を行う。ｕが上限Ｎ_ｕに達しない場合（Ｓ４０８の「Ｙ」）、ｕに１を加算し（Ｓ４０９）、Ｓ４０５に戻る。一方、ｕが上限Ｎ_ｕに達した場合（Ｓ４０８の「Ｎ」）、Ｓ４１０に進む。

Ｓ４１０では、ｖについての判定を行う。ｖが上限Ｎ_ｖに達しない場合（Ｓ４１０の「Ｙ」）、ｕに０を代入すると共にｖに１を加算し（Ｓ４１１）、Ｓ４０５に戻る。一方、ｖが上限Ｎ_ｖに達した場合（Ｓ４１０の「Ｎ」）、Ｓ４１２に進む。

Ｓ４１２では、変数ｚと繰り返し回数の上限Ｚを比較すると共に、変数ｅの判定を行う。ここで、Ｚは所定の自然数である。ｚがＺ未満かつｅが０であるときは（Ｓ４１２の「Ｙ」）、画素ｕｖの属するモデルをｍｏｄｅｌ_ｍａｘ（ｕｖ）に従って変更し、モデルパラメータを再推定（Ｓ４１３）後、Ｓ４０４以降の処理を繰り返す。一方、ｚがＺ以上またはｅが０でないときは（Ｓ４１２の「Ｎ」）、領域の境界形状修正の処理を終了し、提案法におけるすべての処理を終了する。

本発明の一実施形態である画像解析装置のハードウェア構成を示すブロック図である。 図１の画像解析装置が行う処理の概略を示すフローチャートである。 図２のフローチャートにおけるラベリング処理について説明するフローチャートである。 図２のフローチャートにおけるクラスタリング処理について説明するフローチャートである。 図２のフローチャートにおける境界形状の修正処理について説明するフローチャートである。

符号の説明

１１ 画像解析装置
１００ バス
１１１ ＣＰＵ
１１２ メモリ
１１３ 磁気記憶装置
１１４ 入力装置
１１５ 表示装置
１１６ 記憶媒体読取り装置
１１７ 通信インタフェース
１１７とを備えている。

２００ ネットワーク

Claims (8)

1. 画像濃度の変動を、ウェーブレットフレームにより空間−周波数領域の係数に変換するウェーブレットフレーム分解手段と、
   前記ウェーブレットフレーム分解手段により変換された係数と近傍領域間のＫＬダイバージェンスとに基づいて所定の領域の分割と統合を所定の終了条件が満たされるまで反復して実行することにより、前記画像の領域を分割する領域分割手段と、
   前記領域分割によって得られる所定の領域に所定の数のマルコフ確率場モデルを導入して空間−周波数領域におけるモデルパラメータの推定を行うモデルパラメータ推定手段と、
   前記モデルパラメータ推定手段によって推定された各モデルパラメータの生起確率に応じて所定の境界形状を修正する境界形状修正手段とを備え、
   前記モデルパラメータ推定手段及び前記境界形状修正手段が、前記境界形状修正手段による修正後の境界形状に基づく前記モデルパラメータの推定及び境界形状の再修正を、所定の終了条件が満たされるまで反復して実行することを特徴とする画像解析装置。
2. 前記領域分割手段は、前記所定の領域の分割と統合を所定の終了条件が満たされるまで反復して実行した後、サブバンドごとの平均エネルギーを要素とする特徴ベクトルに基づいて、各領域をクラスタリングすることにより所定の領域の分割と統合を所定の終了条件が満たされるまで反復して行うことを特徴とする請求項１に記載の画像解析装置。
3. 前記モデルパラメータ推定手段は、所定の領域ごとに、クラスタの数を順次増加させながらモデルパラメータを算出し、該モデルパラメータの優劣を所定の情報量基準に基づいて評価し、導入するマルコフ確率場モデルの数を、クラスタの数がｍ個の場合にｍ＋１個の場合より高い評価となるような最初のｍに決定することを特徴とする請求項１又は２に記載の画像解析装置。
4. 画像濃度の変動を、ウェーブレットフレームにより空間−周波数領域の係数に変換するウェーブレットフレーム分解ステップと、
   前記ウェーブレットフレーム分解ステップにより変換された係数と近傍領域間のＫＬダイバージェンスとに基づいて所定の領域の分割と統合を所定の終了条件が満たされるまで反復して実行することにより、前記画像の領域を分割する領域分割ステップと、
   前記領域分割によって得られる所定の領域に所定の数のマルコフ確率場モデルを導入して空間−周波数領域におけるモデルパラメータの推定を行うモデリングステップと、
   前記モデリングステップにおいて推定された各モデルパラメータの生起確率に応じて所定の境界形状を修正する境界形状修正ステップとを有し、
   前記モデルパラメータ推定ステップ及び前記境界形状修正ステップにより、前記境界形状修正ステップによる修正後の境界形状に基づく前記モデルパラメータの推定及び境界形状の再修正を、所定の終了条件が満たされるまで反復して実行することを特徴とする画像解析方法。
5. 前記領域分割ステップでは、前記所定の領域の分割と統合を所定の終了条件が満たされるまで反復して行った後、サブバンドごとの平均エネルギーを要素とする特徴ベクトルに基づいて、各領域をクラスタリングすることにより所定の領域の分割と統合を所定の終了条件が満たされるまで反復して行うことを特徴とする請求項４に記載の画像解析方法。
6. 前記モデリングステップでは、所定の領域ごとに、クラスタの数を順次増加させながらモデルパラメータを算出し、該モデルパラメータの優劣を所定の情報量基準に基づいて評価し、導入するマルコフ確率場モデルの数を、クラスタの数がｍ個の場合にｍ＋１個の場合より高い評価となるような最初のｍに決定することを特徴とする請求項４又は５に記載の画像解析方法。
7. 請求項４乃至６の何れかに記載の画像解析方法における各ステップをコンピュータに実行させるための画像解析プログラム。
8. 請求項７に記載のプログラムを記録したコンピュータに読み取り可能な記録媒体。