CN103606160A - 图像处理装置及图像处理方法 - Google Patents
图像处理装置及图像处理方法 Download PDFInfo
- Publication number
- CN103606160A CN103606160A CN201310636355.5A CN201310636355A CN103606160A CN 103606160 A CN103606160 A CN 103606160A CN 201310636355 A CN201310636355 A CN 201310636355A CN 103606160 A CN103606160 A CN 103606160A
- Authority
- CN
- China
- Prior art keywords
- data
- image
- unit
- object thing
- comparable
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了图像处理装置及图像处理方法,根据拍摄的未知对象物的对象图像,来判定该未知对象物是否为特定对象物,包括参照图像参数提取单元、知识模块生成单元、参照数据存储单元、偏差测定单元、数据选择单元、判定基准生成单元、判定对象图像数据分析单元、判定单元,其中,判定单元基于判定基准生成单元生成的判定基准和判定对象图像数据分析单元生成的对象物数据,判定未知对象物是否为特定对象物。该图像处理装置及图像处理方法,基于将照片等图像数据参数化后的各种数据,能够迅速设定恰当的判定基准,可准确判定就拍摄的未知对象物是否为特定对象物。
Description
技术领域
本发明涉及一种图像处理装置及图像处理方法,根据拍摄的未知对象物的图像来判定该未知对象物是否为已知的特定对象物。
背景技术
未指定的对象物即未知对象物,比如判定是否为血液中的红血球时,人可以根据已有经验、知识,观察该对象物,进行判断。不仅仅是红血球,人可以对于各种特定的对象物进行判断。但是,对象物是否为特定对象物的人类的判断是具有抽象、模糊概念性广度的多样性的判断。在电脑控制的图像处理装置中,可将图像数据相关的颜色、形状等特征参数化,进行分析、剖析。关于上述未知对象物是否为特定对象物的判断,让电脑进行与人相同的判断并不容易,比如,人必须要赋予计算等可进行判断的条件、基准。
让电脑进行判断特定对象物的技术,比如,拍摄瓶口部等外观,获取拍摄图像,基于所取得的图像,检查是否有异物混入、破裂、缺损及油污等缺陷时,根据在表示异物混入等预先指定的条件下拍摄对象物的图像来进行判断广为人知。然而,在现有技术中,对各种未知对象物进行判定时,对应各个未知对象物的特性,每次人都可以让电脑等进行判定动作要以可设定判定基准、条件为前提,电脑等将颜色、形状等特征进行各种参数化,然后可以加以分析、剖析,根据被参数化的信息,设定恰当的判定基准并非容易之事。
发明内容
为了克服上述缺陷,本发明提供了一种图像处理装置及图像处理方法,根据将拍摄的未知对象物的图像数据参数化的各种数据,迅速设定适当的判定基准,切实判定未知对象物是否为特定对象物。
本发明为了解决其技术问题所采用的技术方案是:
一种图像处理装置,根据拍摄的未知对象物的对象图像,来判定该未知对象物是否为特定对象物,包括以下单元:
参照图像参数提取单元,将作为判定未知对象物是否为特定对象物的参照基准的参照图像相关的各种信息进行参数化,并加以提取形成参照图像的参数数据;
知识模块生成单元,基于所述参照图像参数提取单元提取的参照图像的参数数据,进行变换和组合至少其中之一,形成新的构造数据,作为可成为判定要素的数据的知识模块;
参照数据存储单元,存储所述参照图像参数提取单元提取的参照图像的参数数据,以及所述知识模块生成单元根据参照图像的参数数据生成的新的构造数据分别作为参照数据;
偏差测定单元,测定所述参照数据存储单元存储的参照数据的偏差度;
数据选择单元,基于所述偏差测定单元的测定结果,对多个种类的参照数据进行排序,并对该每一种类的参照数据是否能够作为图像判定用数据进行取舍选择;
判定基准生成单元,根据所述数据选择单元选择的图像判定用数据,生成能够数值性判定未知对象物是否为特定对象物的判定基准;
判定对象图像数据分析单元,将拍摄的未知对象物的图像的各种信息参数化后进行提取,生成根据所述判定基准生成单元生成的判定基准进行判定时所必要的判定未知对象物相关的对象物数据;
判定单元,基于所述判定基准生成单元生成的判定基准和所述判定对象图像数据分析单元生成的对象物数据,判定未知对象物是否为特定对象物。
作为本发明的进一步改进,还包括经验数据接收单元,该经验数据接收单元接收用于显示所述参照图像的在判定未知对象物是否为特定对象物时所必要的信息和不需要的信息的属性的经验数据;所述参照图像参数提取单元将所述参照图像相关的各种信息进行参数化时,仅就所述经验数据接收单元接收的所述经验数据中所必要的信息进行参数化。此时,基于经验数据接收单元接收的经验数据,限定处理对象的范围,通过省略不必要处理对象的演算过程,减少计算量,迅速且确切的进行处理。
作为本发明的进一步改进,所述数据选择单元对多个种类的参照数据进行排序时,以是所述特定对象物为正的贡献度顺序和非所述特定对象物为负的贡献度依次顺序,并分别选择其作为判定用数据。此时,根据正、负两个不同的侧面,生成判定基准,可实现高精度判定。
作为本发明的进一步改进,所述参照图像参数提取单元将按照所述正的贡献度排序形成的正的参照图像和按照所述负的贡献度排序形成的负的参照图像分别进行参数化。此时,基于正、负两个不同类型的参照图像,可生成不同观点的判定基准。
作为本发明的进一步改进,所述经验数据接收单元就所述知识模块生成单元存储的各知识模块应该采用正、负的贡献度排序中哪几个相关信息作为经验数据予以接收。此时,通过事前决定的各知识模块的处理对象是正、负贡献度排序中的哪几个,省略不必要的处理,可以减少计算量。
作为本发明的进一步改进,所述判定基准生成单元里设有确信度计算单元,该确信度计算单元将判定基准提取的对象物参数与判定用数据的相似性程度高低用数值化的确信度计算。判定单元利用该确信度可以进行快速判断。
作为本发明的进一步改进,所述知识模块生成单元包括至少包括一第一构造数据生成模块和第二构造数据生成模块其中之一作为知识模块,所述第一构造数据生成模板是将所述参数数据中同种类数据组合形成作为参数数据的模块,所述第二构造数据生成模块是将所述参数数据中不同种类的数据组合形成参数数据的模块。此时,通过包含各知识模块,可提高针对于各种未知对象物,对应各种特定对象物的特征,找到确切的判定基准。
作为本发明的进一步改进,所述知识模块生成单元基于所述偏差测定单元的测定从多个候补知识模块中选择可作为图像判定要素的新的知识模块并存储。
作为本发明的进一步改进,被所述数据选择单元排序的多个种类的参照数据中有相关时,该数据选择单元将排除位于后面的参照数据。这样,可以做成高精度的判定基准。
作为本发明的进一步改进,所述偏差测定单元对所述多个种类的参照数据分别进行归一化来测定其偏差度,所述数据选择单元按照被归一化的偏差度从小到大的顺序对所述多个种类的参照数据进行排序。此时,可直接比较各数据间的偏差度。
作为本发明的进一步改进,所述判定基准生成单元基于所述数据选择单元的排序,评价判定用数据的重要性并生成判定基准。此时,通过排序强调重要度,可实现更高精度的图像判断。
作为本发明的进一步改进,所述参照数据存储单元至少包含颜色相关参数数据、形状相关参数数据、结构相关参数数据、布局相关参数数据、阶调相关参数数据和大小相关参数数据中的一个。此时,比如特定对象物的特征明显呈现的对象,可以做成参照图像。
本发明还提供一种图像处理方法,根据拍摄的未知对象物的对象图像,判定该未知对象物是否为特定对象物,其特征在于包括以下工序:
参照图像参数提取工序,将作为判定未知对象物是否为特定对象物的参照基准的参照图像的相关各种信息参数化后进行提取;
数据生成工序:根据所述参照图像参数提取工序所提取的参照图像的参数数据,进行变换、组合后生成可作为判定要素的数据的新的构造数据,存储到知识模块生成单元的知识模块里;
参照数据存储工序,将参照数据存储于参照数据存储单元,该参照数据包含所述参照图像参数提取工序所提取的参照图像的参数数据和所述数据生成工序中根据所述参数数据生成的新的构造数据;
偏差测定工序,将所述参照数据存储单元收藏的参照数据,分别测定其偏差度;
数据选择工序,基于所述偏差测定工序的测定结果,将多个种类的参照数据进行排序,并从该参照数据中对图像判定中应当采用的判定用数据进行选择取舍;
判定基准生工序,基于所述数据选择工序所选择的判定用数据,生成可数值性判定未知对象物是否为特定对象物的判定基准;
判定对象图像数据分析工序,将拍摄的未知对象物的图像的各种信息参数化后进行提取,生成根据所述判定基准进行判定时所必要的判定对象物相关的对象物数据;
判定工序,基于所述判定基准生成工序中生成的判定基准和所述判定对象图像数据分析工序取得的所述对象物数据,判定未知对象物是否为特定对象物。
根据上述图像处理方法,在判定基准生成工序中生成为了数值性判定对象物是否为特定对象物的判定基准为前半部分,偏差测定工序中图像相关各种参数的偏差度分别被测定,此时,基于偏差的测定结果,决定应该被采用的参数数据。以此,可快速确切地从众多信息中选择有用的(采用),排除无用的(不采用)。此时的采用与否的判断类似于人根据经验法则进行判断。
本发明的有益效果是:该图像处理装置,在生成数值性判定对象物是否为特定对象物的判定基准时,偏差测定单元分别测定关于图像的各种参数的偏差,基于偏差相关测定结果,确定应该采用的参照数据。以此,可以快速有效的从大量信息中选择(采用)有用的,排除(不采用)无用的。上述基于偏差度判断是否采用,犹如人根据经验法则进行判断。比如,特定对象物是红血球,人会根据自己拥有的红血球的颜色、形状等信息(知识)与要判断的对象物的颜色、形状等信息做比较,进行综合判断。此时,比如,关于决定特定对象物的特征性信息,一般认为其偏差比较小。比如是否是红血球的判定,形状上来讲,通常为某种程度的圆形,偏离圆形的立方体、方锥台、中间有孔的筒状形状的都不会被当做红血球。从颜色上来讲,通常为特定范围波长的红色,黑色、白色等的就不会被当做红血球。此判断不仅仅局限于形状、颜色,通过基于各种信息进行核对,进行综合判断。另一方面,关于这些形状、颜色等的差异,将可使用的信息通过电脑进行参数化,对多个典型图像进行统计时,参数相关的统计数据(参数数据),会以偏差大小(偏差度)来表现。比如,关于上述红血球的圆形形状、特定范围波长的红色等,在多数典型图像中共同出现,被认为偏差很小。因此,生成判定基准时,通过基于偏差度取舍选择参数,可选择与根据人的知识、经验法则的判断相近的参数。另外,关于基于偏差度进行参数选择,电脑等可以自动且快速处理。因此,在盛成是否为某特定对象物的判定基准时,基于参数化的统计数据即参照数据的偏差的测定结果,进行应该采用的参照数据选择,基于被选择的参照数据即判定用数据,生成判定基准,迅速设定恰当判定基准,确切的进行拍摄的对象物是否为该特定对象物。
附图说明
【图1】为实施例1所述图像处理装置的构成进行概念性说明的BLOCK图;
【图2】为图像处理装置中存储装置部分的构成进行概念性说明的BLOCK图;
【图3】为图像处理装置中存储装置其它部分的构成进行概念性说明的BLOCK图;
【图4】为图3的存储装置中特定对象物图像数据存储单元的构成进行概念性说明的BLOCK图;
【图5】为图像处理装置的数据处理进行说明的概念图;
【图6】为使用图像护理装置进行图像处理的方法进行概念性说明的流程图;
【图7】就排序对象选择相关处理例子进行说明的流程图;
【图8】就基于由图像处理装置得到确信度算出程序的例子的图像判断处理进行概念性说明的流程图;
【图9】就变形例的存储装置部分构成进行概念性说明的BLOCK图。
【图10】就变形例的确信度算出程序生成处理进行说明的流程图。
【图11】基于图10处理中生成的确信度算出程序的例子,就图像判定处理进行说明的流程图。
【图12】就实施例2相关图像处理装置中新的知识模块的生成进行说明的流程图。
【图13】(A)~(K)为实施例3所述图像处理装置中判定用数据相关处理例子的说明图。
【图14】说明图13处理的流程图。
具体实施方式
实施例1:
以下,参照附图,就本发明实施例1相关图像处理装置进行说明。
如图1所示,一种图像处理装置100具有CPU10、拍摄装置11、存储装置12、显示装置13、输入装置14、总线50等。
图像处理装置100使CPU10等动作,根据已知特定的对象物(特定对象物)相关的图像数据即参照图像数据(典型图像数据),生成判定未知对象物是否为特定对象物的判定基准的装置。另外,图像处理装置100使CPU10动作,利用生成的判定基准程序,将未知对象物即判定对象相关图像数据(判定对象图像数据)参数化,提取必要的信息,基于提取所得到的对象物数据和判定基准,判断未知对象物是否为特定对象物。
图像处理装置100中,CPU10通过总线50,可在拍摄装置11、存储装置12、显示装置13、输入装置14之间互相传输数据。另外,CPU10基于输入装置14的操作指示,从存储装置12读取指定程序、数据,执行基于这些程序及数据的各种处理。
具体来讲,CPU10将从输入装置提前读取的特定对象物等相关的图像信息,或者拍摄装置11拍摄的特定对象物等相关图像信息存储到存储装置12,基于存储装置12中存储的图像信息,根据拍摄的对象物的对象图像,判定该对象物是否为特定对象物。
拍摄装置11内置有比如CCD等组成的固体摄像装置。通过此固体摄像装置检测出的图像比如可以作为数字图像信号被输出。
存储装置12具有程序存储单元和数据存储单元,程序存储单元存储有有多个使图像处理装置100动作的各种程序等,数据存储单元有暂时存储输入指示、输入数据、处理结果等的数据领域数据的存储。另外,存储装置12有通过输入装置14等接收外部信息的数据接收单元12r。数据接收单元12r接收比如特定对象物相关信息、判定未知对象即对象物的图像相关信息,将这些信息存储到存储装置12内的存储单元。关于存储装置12的存储单元的详细说明,参照图2等所示的BLOCK图,后续说明。
显示装置13由显示驱动回路和图像显示单元等构成,基于CPU10的指令信号,进行必要的显示。显示驱动回路基于从CPU10输入的数据生成驱动信号。图像显示单元基于显示驱动回路输入的驱动信号,进行必要的显示。
输入装置14由键盘等构成,将反应操作图像处理装置100的操作者的意思的指令信号输出到CPU10。
以下,参照图2-5,就图像处理装置100中为生成用于判定是否为特定对象物的判定基准、基于生成的判定基准进行图像判定的各种图像数据处理进行相关说明。
图2-4是就图像处理装置100内存储装置12的一部分的构成进行概念性说明的BLOCK图。如图2所示,存储装置12是由程序存储单元PM和数据存储单元DM构成。程序存储单元PM里存储有程序领域里的各种程序,数据存储单元DM有里存储有数据领域的各种数据。
图2显示了存储装置12的构成要素,包括程序存储单元PM和数据存储单元DM。程序存储单元PM含有前处理程序AP、各种参数提取程序EP、参数数据偏差测定程序VP1、各种构造形成程序SP、构造数据偏差测定程序VP2、组合构造数据形成程序PP、各种构造数据偏差测定程序VP3和判定基准生成单元JC,各种参数提取程序EP里有比如第1颜色参数提取程序CP1、第2颜色参数提取程序CP2、第3颜色参数提取程序CP3…,以及第1形状参数提取程序EP1、第2形状参数提取程序EP2…,各种构造形成程序SP里含有比如第1颜色构造形成程序CS1、第2颜色构造形成程序CS2…,第1形状构造形成程序FS1…,第1结构构造形成程序TS1…。数据存储单元DM里含有比如初期值数据存储单元IR、参数数据存储单元PR、各种构造数据存储单元SR和各种组合构造数据存储单元PD等,参数数据存储单元PR里含有第1颜色参数数据存储单元CR1、第2颜色参数数据存储单元CR2、第3颜色参数数据存储单元CR3…,以及第1形状参数数据存储单元FR1、第2形状参数数据存储单元FR2…。各种构造数据存储单元SR里含有比如第1颜色构造数据存储单元CD1、第2颜色构造数据存储单元CD2…,第1形状构造数据存储单元FD1…,以及第1结构构造数据存储单元TD1…。
图3为就图像处理装置100中存储装置另外一部分的构成进行概念性说明的BLOCK图。具体来讲,图3显示了存储装置12的构成要素即程序存储单元PM和数据存储单元DM。
程序存储单元PM基于由图2所示各程序而被提取、形成的各种数据,生成判定基准的判定基准生成单元JC、利用判定基准生成单元JC生成的判定基准程序,在进行未知对象物判定时生成必要数据的判定对象图像数据分析单元DD以及判定单元JG等各种程序相关内容。判定基准生成单元JC里有比如正的判定用数据选择单元DCp1、负的判定用数据选择单元DCn1、正的判定基准程序生成单元DJp1、负的判定基准程序生成单元DJn1、正的确信度计算程序生成单元SCp1、负的确信度计算程序生成单元SCn1等。
另外,还显示了被包含于程序存储单元PM中,收藏(存储)通过判定基准生成单元JC生成的程序的正的判断基准程序存储单元JMp、负的判断基准程序存储单元JMn、正的确信度计算程序存储单元RMp、负的确信度计算程序存储单元RMn等之外,还有保存从输入装置14等(参照图1)传来的各种图像数据的特定对象物图像数据存储单元DO、判定对象图像数据存储单元DP、对象物数据存储单元OM等相关内容。
其中,特定对象物图像数据存储单元DO是作为判定基准的特定对象物相关典型(参照)图像的原始数据的存储单元。特定对象物图像数据存储单元DO以生成判定基准程序为前提,通过数据接收单元12r(参照图1)存储作为从外部事先被输入的特定对象物相关图像数据的外部数据。判定对象图像数据存储单元DP存储判定对象即未知(未特定)对象物相关图像数据。更进一步详细内容后续描述,图3所示的判定对象图像数据分析单元DD中,对应判定基准程序,进行必要的参数化,获取判定时必要的各种数据即对象物数据,暂时存储于对象物数据存储单元OM中。
图4是将图3所示存储装置12的一部分即特定对象物图像数据存储单元DO的构成进行概念性说明的BLOCK图。具体来讲,特定对象物图像数据存储单元DO如上所述,作为生成特定对象物相关判定基准程序的前提信息,存储该特定对象物相关数据即参照图像数据的部分。在此,特别是存储正的参照图像数据存储单元RDp和负的参照图像数据存储单元RDn中特定对象物相关图像信息。正的参照图像数据存储单元RDp是收藏用于是特定对象物的图像信息,即正的参照图像数据存储单元RDp存储的是典型性显示特定对象物特征的多数(比如1万个)图像数据,就此进行分析(参数化),可以扑捉特定对象物的共通特征。另外一方面,负的参照图像数据存储单元RDn是收藏基于非特定对象物的典型图像的图像数据存储单元。作为此类图像的典型例,在此,不管是否是似是而非的特定对象物及非特定对象物,存储很可能被误检为对象物的图像的多数(比如5千个)图像数据。通过分析这些图像数据(参数化),可扑捉被很容易检测为非特定对象物的图像共通的特征。通过高精度检测此类图像,可排除判定时容易误识别的。
另外,特定对象物图像数据存储单元DO除了各正、负的参照图像数据存储单元外,作为外部事先输入信息之一,在经验数据存储单元DE中收藏着经验数据。所谓经验数据,以人而言,相当于人根据经验值取舍选择所需信息。具体来讲,这里的经验数据指是否作为处理对象予以采用的信息,所谓处理对象指在为了生成图2等所示程序存储单元MP中包含的数据的各程序中,提取或形成(参数化)上述正、负的参照图像数据存储单元中任何一种数据。图像处理装置100通过将经验数据作为从外部获取的信息,接收并保存,就不需要的处理对象相关的参数化过程予以省略,来减轻计算量,实现迅速且确切的生成判定基准。另外,关于将利用了经验数据存储单元DE的正、负哪一个作为处理对象的详细内容参照图2、图4,后续描述。另外,经验数据存储单元DE并不是必须信息,不存在的情况也有。
图5是概念性说明上述图1~图4所示的图像处理装置100中用于判定基准的各种参数、数据的生成、取舍选择的处理、进而基于所选择数据生成判定基准工序的例子。如参照图4进行说明那样,在此,有以正的参照(典型)图像数据作为处理对象的情形和以负的参照(典型)图像数据为处理对象的情形。因此,在以下处理中,关于成为处理对象的特定对象物的图像信息,会就正、负或者正负两者都有的情形进行说明。
首先,返回图2,就存储装置12中收藏的特定对象物的图像信息(参照图像数据)分析相关各种程序和各种数据进行说明。
在存储装置12中,程序存储单元PM存储着各种程序等,图2中,作为程序存储单元PM的一部分,显示了前处理程序AP、各种参数提取程序EP、参数数据偏差测定程序VP1、组合构造数据形成程序PP、组合构造数据偏差测定程序VP3、判定基准生成单元JC。另外,在存储装置12中,数据存储单元DM有暂时收藏(存储)输入指示、输入数据、处理结果等的数据领域,收藏通过程序存储单元PM参数化所得参数数据等。图2中,作为数据存储单元DM的一部分,显示了初期值数据存储单元IR、各种参数数据存储单元PR、各种构造数据存储单元SR、各种组合构造数据存储单元PD。
程序存储单元PM中,前处理程序AP是对于特定对象物的图像数据,以进行参数提取为前提,进行必须参照(典型)图像各种相关数据的前处理的程序。另外,数据存储单元DM中,初期值数据存储单元IR含前处理程序AP的设定,收藏着进行参数提取时的前提即初期设定相关信息。
在此,参数数据是作为图像信息,以多维向量形式被表现的信息,比如,关于图像中显现的颜色、形状、结构、尺寸等各种参数,基于这些特性,判定特定对象物的形态。比如,关于颜色的参数,生成RGB3色的平均值、中值、颜色直方图,其偏差可用于测定近似性高低的判定基准。另外,关于形状的参数,比如,在测定近似性高低的判定基准中,可以利用通过轮廓(边缘)划出的图形的圆形度、复杂度、尖度、力矩、纵横比等。在此,所谓圆形度是由划出的图形的纵横比来确定的指数,复杂度是指由划出的图形中是否存在空洞、空洞个数或外侧轮廓的弯曲度等来确定的指数。另外,尖度由直线距离与轮廓线距离的比、轮廓线的中心角和像素数的比来确定,力矩由划出的图形的形状来决定。所谓纵横比,由划出的图像的纵向的宽度和横向的宽度的比来决定。另外,关于结构参数,比如,可以根据一维投影法取得的模式相关而获得的偏差作为测定近似性高低的判定基准。另外,关于尺寸即大小的参数,可将通过轮廓(边缘)划出的图形的面积、周长、定方向接线径(纵向或横向)用于测定近似性高低的判定基准。另外,除上述之外,LAYYOUT相关参数、阶调相关参数、粒度相关参数等也属于所说的参数数据。关于LAYOUT相关参数,包括同心圆形状的LAYOUT、格子状的LAYOUT等。比如,判定对象图像是布卷、纸卷等卷装物体侧面的图像时,通过分析同心圆状的LAYOUT相关数据,提取特征性参数。因此,此种场合,将同心圆状LAYOUT作为判定基准加以采用的可能性非常大。关于格子状LAYOUT,比如像风景图像那样,比如,上方是天空的图像,下方是地面、海的图像,根据图像中的位置,提取特征性参数的情况下,作为判定基准采用的可能性非常高。另外,关于阶调相关参数,多个阶调时各个阶调占图像全体领域的比例等相当于参数。关于阶调的阶数,要考虑从最小的二值化(二阶段)的数据到更多阶段的各种数据。基于这些,可获得各种参数。另外,阶调相关参数,各阶调的占有比率是参数提取相关的各种对象,比如,各阶调和该阶调图像的位置关系一般不被视为对象。另外,关于粒度相关参数,通过应用各种二值化方法来加以提取。通过1个二值化方法,可以提取1个图像的黑白模式的图像,此黑白模式成为粒度的测定对象,即在黑白模式中,比如通过黑所占领域生成的图像上的颗粒形状、大小、个数、图像上的范围、分布等成为提取被参数化数据的对象。基于各种二值化方法,从1个图像可以获得多个黑白模式的图像,通过各黑白模式图像相关的粒度的大小、个数、图像上的范围、分布等,可以获得多个参数。
程序存储单元PM中,各种参数提取程序EP根据前处理程序AP中被处理的参照(典型)图像数据提取上述颜色、形状等相关各种参数。比如,关于颜色的参数(颜色参数),是指以R、G、B各色相关多个(比如1万个或5千个)的正或负参照(典型)图像数据中的平均值、中央值、差分等值为提取对象的参数数据。如上,各种参数提取程序EP发挥着参照图像参数提取单元的功能,即将参照图像相关各种信息参数化,进行提取。
各种参数提取程序EP作为提取颜色参数的程序,包含第1颜色参数提取程序CP1、第2颜色参数提取程序CP2、第3颜色参数提取程序CP3等。作为形状参数提取程序,包含第1形状参数提取程序FP1、第2形状参数提取程序FP2等。另外,还包括提取各种参数的程序,比如提取结构参数、LAYOUT参数、色调参数、粒度参数等的程序,此处省略示图。
数据存储单元DM中,各种参数数据存储单元PR具有分别对应上述各种参数提取程序EP的各种提取程序的存储单元,关于多个(比如1万个或5千个)被准备的参照(典型)图像数据,收藏各提取程序获得的参数收据。因此,各种参数数据存储单元PR作为收藏颜色参数数据的存储单元,包含第1颜色参数数据存储单元CR1、第2颜色参数数据存储单元CR2、第3颜色参数数据存储单元CR3等,作为收藏形状参数数据的存储单元,包含第1形状参数数据存储单元FR1、第2形状参数数据存储单元FR2等。另外,还包含存储各种参数数据的存储单元,比如收藏结构参数数据等的存储单元等,此处省略示图。
程序存储单元PM中,参数数据偏差测定程序VP1对通过上述各种参数提取程序EP被提取后保存于各种参数数据存储单元PR的参数数据进行偏差测定。基于此偏差测定结果,对于是否作为判断是否为特定对象物的判定基准应该采用的信息进行恰当的取舍选择。偏差小表示清楚地显示了其特定对象物的特征。比如,特定对象物是红血球时,颜色相关参数信息,指在特定波长领域检测出红色,即关于在此特定范围内被检测出的多个(1万个)数据共通的红色没有出现波动,这些参数中几乎没有发生偏差。因此,分析未知对象物相关图像信息时,关于此参数,如果同样被检测出,该未知对象物是红血球即特定对象物的可能性就高。
程序存储单元PM中,各种构造形成程序SP有生成新数据的程序,即按照根据上述参数提取程序获得的各颜色参数数据、形状参数数据等每个参数数据种类,进行参数数据的变换、组合,生成新的数据的程序。比如,可以想象第1颜色构造形成程序CS1是计算R、G、B3种颜色的平均的程序。
在此,由变换、组合各种颜色参数数据本身、各种颜色参数数据,得到的颜色数据相关各种信息群构成的整体称为颜色构造。另外,由基于形状参数形成的形状相关各种信息群构成的全体称为形状构造。其他参数也同样称为机构构造、LAYOUT构造、色调构造、轮廓构造、粒度构造等。另外,在各构造中,通过参数数据的变换等,基于参数数据获得的数据称为构造数据。比如,由称为第1颜色参数、第2颜色参数等的颜色参数构成的构造数据称为颜色构造数据。
各种构造形成程序SP作为生成颜色构造数据的程序,包含第1颜色构造形成程序CS1、第2颜色构造形成程序CS2等,作为生成形状构造数据的程序,包含第1形状构造形成程序FS1等。另外,还包含了生成其他各种构造数据的程序,比如作为生成结构构造数据的程序,包含生成第1结构构造形成程序TS1等。此处省略示意图。
数据存储单元DM中,各种构造数据存储单元SR有分别对应上述各种构造形成程序SP的各种程序的存储单元。数据存储单元DM收藏着每个构造形成程序根据多个(比如1万个或5千个)被准备的正或负相关参照(典型)图像数据获得的构造数据。各种构造数据存储单元SR作为存储颜色构造数据的存储单元,包含第1颜色构造数据存储单元CD1、第2颜色构造数据存储单元CD2等,作为收藏形状构造数据的存储单元,包含第1形状构造数据存储单元FD1等,作为收藏结构构造数据的存储单元,包含第1结构构造数据存储单元TD1等。另外,还包含存储各种构造数据的存储单元,比如收藏LAYOUT构造数据的存储单元等,此处省略示图。
程序存储单元PM中,构造数据偏差测定程序VP2对上述各种构造形成程序SP形成的构造数据进行偏差测定。基于此偏差测定结果,可恰当选择取舍作为是否为特定对象物的判定基准应该采用的信息。因为根据特定对象物不同,通过变换、组合某数据,其特征有时可以清楚地被显示。
组合构造数据形成程序PP组合各种参数数据、各种构造数据,形成新的构造数据。
在此,组合构造数据形成程序PP形成的组合构造数据是关于参数数据、构造数据等不限于同种数据的多种类数据的组合,与上述各种构造形成程序SP的数据形成不同。
数据存储单元DM中,各种组合构造数据存储单元PD作为对应上述组合构造数据形成程序PP的各种程序的存储单元,包含第1组合存储单元PD1等。
程序存储单元PM中,组合构造数据偏差测定程序VP3针对上述组合构造数据形成程序PP形成的组合构造数据进行偏差测定。基于此偏差测定结果,可恰当取舍选择是否为特定对象物的判定基准应该采用的信息。因特定对象物不同,有时通过组合不同种类数据,可以清楚显示其特征。
判定基准生成单元JC基于通过上述各种程序获得的各种数据,生成判定未知对象物是否是特定对象物的判定基准程序。另外,关于判定基准生成单元的构成,通过图3后续详细描述。
以下,参照图5等,就图像处理装置100中各种图像数据处理、判定基准程序的生成工序进行概念性说明。
在此,以各种图像数据处理、判定基准程序的生成工序的说明为前提,就图5所示构成进行说明。图5如前文所述,是就各种参数、数据的生成、数据的取舍选择处理、基于所选数据生成判定基准程序工序进行概念性说明的图。比如,在图5中,参照图2说明的颜色构造、形状构造等各构造中,参数数据被生成的样子以CPa、CPb、CPc……来表示。即参数数据CPa等相当于图2中收藏于参数数据存储单元的东西。同样,关于形状构造的数据用参数数据FPa、FPb、FPc……等,关于结构构造的数据用参数数据TPa、TPb、TPc……等,关于LAYOUT构造的数据用参数数据LPa、LPb、LPc……等来显示。这些参数数据如CPa等各种数据,是根据偏差测定结果,作为判定基准有可能被采用的数据。以下,像上述各参数数据、构造数据那样,将作为判定基准有可能被采用的数据综合统称参照数据。特别是,参数数据是根据称为单一颜色相关平均值的图像数据信息直接提取获得的数据,此类参照数据,即为参数数据LEVEL1。
另外,图5中,关于颜色构造、形状构造等每个构造生成的构造数据(参照数据),比如关于颜色构造数据,以构造数据Ca、Cb、Cc……来表示。同样,关于形状构造数据,以构造数据Fa、Fb、Fc……来表示。关于结构构造数据,以构造数据Ta、Tb、Tc……来表示。关于LAYOUT构造数据,以构造数据La、Lb、Lc……来表示。这些构造数据任何一个都是由同种的参数数据组合形成的。比如,构造数据Ca是颜色构造数据,由属于同种即颜色构造的颜色参数数据形成。如图中黑边空心箭头所示,构造数据Ca是基于颜色参数数据即参数数据CPa和参数数据CPb而形成的。同样,其他构造数据Fa等也是组合同种参数数据而形成的。在此,如构造数据Ca等那样,将组合同种参数数据而形成的参照数据称为构造数据LEVEL2。
进一步,在图5中,关于生成的组合构造数据,比如以颜色构造相关数据为主体,与其他构造数据相组合的,以组合构造数据C1、C2……来表示。同样,以形状构造相关数据为主体,与其他构造数据相组合的,以组合构造数据F1、F2……来表示。以结构构造相关数据为主体,与其他构造数据相组合的,以组合构造数据T1、T2……来表示。以LAYOUT构造相关数据为主体,与其他构造数据相组合的,以组合构造数据L1、L2……来表示。这些组合构造数据C1等组合参数数据、第1构造数据中不同种的数据而形成。比如如黑边空心箭头所示,构造数据C1是组合属于颜色构造数据的构造数据Cb和属于形状构造数据的构造数据Fa而形成的。在此,如组合构造数据C1等那样,将组合不同种参数数据、构造数据而形成的参照数据称为组合构造数据LEVEL3。
另外,图5显示了正的贡献度排序CRp和负的贡献度排序CRn。此顺序栏显示了参照数据中按照偏差的顺序从上到下的正或负的排序。各参照数据是关于正、或负、或正负双方的数据,关于正的排序的如实线箭头所示被排列于正的贡献度排序CRp中,关于负的排序的如虚线箭头所示被排列于负的贡献度排序CRn中。处于各正的贡献度排序CRp和负的贡献度排序CRn上边的参照数据被采用。在此,将参照数据中按照排序结果被采用的数据称为判定用数据。另外,图5中,用正、负判定用数据采用线来表示是否采用各正的贡献度排序CRp和负的贡献度排序CRn中排列(被排序的)的数据。
另外,在图5中显示了根据被采用的参照数据即判定用数据生成正、负的判定基准程序JPp、JPn,进而通过正、负的判定基准程序JPp、JPn来生成正、负的确信度计算程序RPp、RPn。
以下参照图5等,就各种图像数据处理、判定基准程序生成工序进行说明。首先,图像处理装置100的CPU10(参照图1)从存储装置12读取各种参数提取程序EP(参照图2),生成各种参数数据LEVEL1。
然后,CUP10从存储装置12读取各种构造形成程序SP(参照图2),根据参数数据中的如CPa等参数数据生成构造数据LEVEL2。
然后,CPU10从存储装置12读取组合构造数据形成程序PP(参照图2),将组合了参数数据中的如CPa等参数数据LEVEL1的参照数据、构造数据中的如Ca等构造数据LEVEL2生成组合构造数据LEVEL3。
在此,关于以上各参照数据的生成,换个视角,可以理解为图5中矩形所示的1个参数数据如CPa、第1构造数据如Ca、第2构造数据如T1等每一个分别是通过组合各种参数提取程序EP等(参照图2)的1个或多个程序而形成的。即1个矩形可被理解为相当于显示生成1类参照数据的模块。在此,被生成的各模块成为知识模块。即,有一个知识模块(1个程序或组合2个以上的程序的程序),包含于参照图像数据的一个一个图像数据分别被参数化或构造化,变成根据1群图像数据即参照图像的图像数据生成1类的参照数据。另外,此观点中,程序存储单元PM中,各种参数提取程序EP、各种构造形成程序SP和组合构造数据形成程序PP作为一个整体,基于参照图像参数提取单元即各种参数提取程序EP中提取的参数数据,发挥着收藏生成参照数据的各种知识模块的知识模块生成单元的功能。另外,数据存储单元DM中,参数数据存储单元PR、各种构造数据存储单元SR、各种组合构造数据存储单元PD作为整体,发挥着将包含参数数据和构造数据的多个种类的数据作为通过知识模块生成的参照数据加以收藏的参照数据存储单元的功能。
其次,CPU10作为偏差测定单元,从存储装置12读取偏差测定程序(参照图2),对于各知识模块生成的各参照数据分别测定偏差,从偏差小的数据开始,排序贡献度。为了可以比较各数据间的的偏差度,偏差测定被归一化。对于多数(比如1万个或5千个)图像数据,测定偏差,选择偏差小的数据,可以提高检测精度。
其次,CPU10基于偏差测定结果,进行排序处理。在此,有就“正”的相关参照(典型)图像数据进行参数化处理和就“负”的相关参照(典型)图像数据进行参数化处理的情形。即,通过各知识模块生成的参照数据有与正相关的数据和与负相关的数据。因此,基于偏差测定的排序,存在正的贡献度排序和负的贡献度排序2种。所谓正的贡献度排序指特定对象物,即关于表示与是特定对象物近似性的贡献度排序。另一方面,所谓负的贡献度排序是指非特定对象物,即关于表示与特定对象物相似但不是特定对象物的近似性的贡献度排序。
关于参照数据,CPU10就正、负贡献度分别测定偏差,在图5中,如实线箭头所示的正和虚线箭头所示的负,从上往下,分别排序,排列于正、负的贡献度排序CRp、CRn。进而,CPU10从排在前面的数据中,将规定个数的参照数据作为正、负分别采用。即在此的CUP10、判定基准生成单元JC的一部分,发挥着数据选择单元的功能,从参照数据选择应该采用的判定用数据。如所述,在图5中,是否采用由正、负判定用数据采用线显示。CPU10从存储单元12读取判定基准生成单元JC(参照图2或图3),基于所选择的判定用数据,生成可数值性判定对象物是否为特定对象物的判定基准程序。在此,分别生成关于正、负的判定基准程序JPp、JPn。进而,基于正、负的判定基准程序JPp、JPn,分别生成正、负的确信度计算程序RPp、RPn。正、负的确信度计算程序RPp、RPn计算确信度,此确信度是将对象物参数判定用数据的近似性程度数值化。
另外,关于确信度,是基于各种参数,通过各种计算方法来规定的。比如,将各参数的差向量性考虑,基于向量各成分的差确定的距离而规定的指数称为确信度。
以下,参照图3,就图5所示正、负的判定基准程序JPp、JPn,和正、负的确信度计算程序RPp、RPn的生成进行详细说明。
首先,如图3所示,存储装置12的程序存储单元PM中,在成为判定基准的判定基准生成单元JC中,有正、负的判定用数据选择单元DCp1、DCn1,正、负的判定基准程序生成单元DJp1、DJn1,正、负的确信度计算程序生成单元SCp1、SCn1。
正、负的判定用数据选择单元DCp1、DCn1分别收藏着正、负的相关判定用数据的采用个数,即图5用线标示的判定用数据。正、负的判定基准程序生成单元DJp1、DJn1分别收藏着正和负相关程序,用于通过组合作为判定用数据而被采用的参照数据生成判定基准程序。正、负的确信度计算程序生成单元SCp1、SCn1收藏着基于正、负的判定基准程序生成单元DJp1、DJn1生成的判定基准程序,生成确信度计算程序的程序。
CPU10通过适时读取存储装置12的判定基准生成单元JC中收藏的各种信息,生成正、负的判定基准程序JPp、JPn(参照图5),进而生成正、负的确信度计算程序RPp、RPn(同上)。
另外,如图3所示,存储装置12的数据存储单元DM中,除了有特定对象物图像数据存储单元DO、判定对象物图像数据存储单元DP外,还有正、负的判定基准程序存储单元JMp、JMn以及正、负的确信度计算程序存储单元RMp、RMn。正、负的判定基准程序存储单元JMp、JMn读取正、负的判定基准程序生成单元DJp1、DJn1,存储被生成的正、负的判定基准程序JPp、JPn。正、负的确信度计算程序存储单元RMp、RMn读取正、负的确信度计算程序生成单元SCp1、SCn1,存储被生成的正、负的确信度计算程序RPn、RPn。
在此,关于正、负的判定基准程序生成单元DJp1、DJn1的正、负的判定基准程序JPp、JPn,可应用各种方法,以下举一例进行说明。首先,作为前提,判定用数据即参数数据或者构造数据的任何一个都是通过多维的向量来表现的。正、负的判定基准程序JPp、JPn是通过组合如参数数据LEVEL1这些多维向量表现的数据而构成的,是表现判定基准的。即通过正、负的判定基准程序JPp、JPn表现的判定基准也相当于多维向量表现的数据。在此,以一例子说明,基于上述正或负相关的排序,加权判定用数据,通过固定方法生成正、负的判定基准程序JPp、JPn。为了可比较排序,对于各参照数据,在归一化状态下测定偏差。在上述排序中,从前往后,从第1位到第M位的参照数据作为判定用数据而被采用,表现各判定用数据的多维向量为A1~AM,基于排序的权重为α1~αM。此处,多维向量Ai(1≦i≦M)相当于比如生成第i个参照数据时的参数化或者构造化程序(知识模块)。对于此,相当于正、负的判定基准程序JPp、JPn的多维向量为加权判定基准,可以表现为Σαi×Ai。基于被组合到正、负的判定基准程序生成单元DJp1、DJn1的程序,可以进行以上的处理,生成正、负的判定基准程序JPp、JPn。另外,正、负的确信度计算程序生成单元SCp1、SCn1基于上述正、负的判定基准程序JPp、JPn中加权判定基准,规定确信度,可生成进行判定的正、负的确信度计算程序存储单元RMp、RMn。具体来讲,关于未知的1个对象物的图像数据(判定对象图像数据),通过进行相当于上述A1~AM的参数化或构造化,提取对象物数据,对于被提取的对象物数据,上述Σαi×Ai的值超过预先规定的阈值时,其未知的对象物为特定对象物,若在阈值以下,则不是特定对象物,可进行这样的判断。从判定对象图像提取对象物数据的处理按照判定对象数据分析单元DD中收藏的程序来进行。另外,关于α1~αM值,规定取比如排名的倒数的排位中靠前的值。关于此加权,事先可以收藏于正、负的判定基准程序生成单元DJp1、DJn1中,或者采用输入装置14(参照图1)的手动输入即人的判断。关于α1~αM的值,除了上述次序的倒数之外,也可以是各种规定。比如,也可反映各判定用数据的偏差的大小,即可以做成偏差越小的数据,αi的值变大。比如,使用偏差大小相关的倒数,规定α1~αM的值。
另外,如图3所示,存储装置12中程序存储单元PM除了判定基准生成单元JC外,作为分析对象物(基于判定基准生成单元JC进行判定的对象)图像的程序,具有判定对象图像数据分析单元DD和判定单元JG。
判定对象图像数据分析单元DD将收藏于判定对象图像数据存储单元DP中的判定对象图像数据参数化,收藏着获取判定对象物是否为特定对象物所必须的对象物数据的程序。即CPU10读取判定对象图像数据分析单元DD,对应正、负的判定基准程序JPp、JPn,更进一步具体地,对应正、负的判定基准程序JPp、JPn生成所采用的判定用数据,从被收藏于判定对象图像数据存储单元DP的判定对象图像数据,提取可算出对象物确信度的对象物数据。所提取的对象物数据暂时被存储于对象物数据存储单元OM。如上所述,在根据正、负的确信度计算程序存储单元RMp、RMn计算确信度时,作为对象物数据所必要的数据(参数)的种类取决于正、负的判定基准程序JPp、JPn。因此,CPU10读取判定对象图像数据分析单元DD,在生成对象物数据时,适当读取正、负的判定基准程序JPp、JPn的信息。
判定单元JG通过测定所提取对象物数据的确信度,判定该对象物是否为特定对象物。
以下,参照图4,就特定对象物相关输入信息中的经验数据相关内容进行说明。即以形成上述参照数据而进行的各处理为前提,在各程序(或者知识模块)中,就正和负中任何一个为处理对象进行说明。
首先,如上所述,在本实施例中,作为参照图像数据,正的参照图像数据存储单元RDp和负的参照图像数据存储单元RDn被输入于特定对象物图像数据存储单元DO,就此进行分析,对正和负分别进行排序,生成正和负的判定基准,可更高精度的判断是否为特定物。此时,正和负的数据分析也是必须的,与仅就任何一方(比如正的)进行分析相比,成倍的处理是必须的。与此相对,本实施例中,在数据接收单元12r(参照图1)中可接收正、负的参照图像数据存储单元RDp、RDn里存储的参照图像数据和经验数据存储单元DE中存储的经验数据。以此,在生成判定基准的参照数据的各程序中,事先决定正和负哪个为处理对象,通过限定处理对象,抑制处理量(计算量)的增大。此时,数据接收单元12r作为接收经验数据的经验数据接收单元发挥功能。
经验数据存储单元DE如图4所示,对于为生成参照数据的各种程序,拥有经验数据,此数据是用于事先决定作为正、负的贡献度是否予以采用。图中的○(圈)为采用,图中的×(叉)为不采用。比如,如图示,关于第1颜色参数的提取,仅采用正的贡献度,不采用负的贡献度。此时,作为原则,第1颜色参数提取程序CP1(参照图2)仅针对正的参照图像数据存储单元RDp发挥功能,不对负的参照图像数据存储单元RDn发挥功能。这样,可以事先排除被认为浪费的负的参照图像数据存储单元RDn相关参照数据的生成处理。即存储于经验数据存储单元DE的经验数据就相当于人的经验值。在经验数据存储单元DE中,不管是正还是负,带有×(叉)的表示该特定对象物判定中不需要的信息,不管正还是负,带有○(圈)的,相当于不知道是必要的信息还是不需要的信息,暂且假设采用。即经验数据中,正和负中有任何一方带×(叉)或者双方都带×(叉)时,关于要不要,对人而言相当于的经验丰富的专家。经验数据中,正和负双方都有○(圈)时,对人而言相当于外行,没有知识、经验去判断该数据是否适合于判定。另外,上述中,经验数据存储单元DE不是必须的信息,有时也不存在。经验数据存储单元DE中,相对于所有的各种程序,不管是正还是负,都带有○(圈)。这相当于不存在经验数据存储单元。即对人而言,因为是完全没有经验的外行,未知不应该排除那个项目,姑且全部采用的意思。
以下,返回图2,就经验数据的一个利用形态进行说明。首先,在图2中,在数据存储单元DM的各存储单元的旁边分别设的两栏中,左侧栏显示上述图4的经验数据存储单元DE中的信息。另外,图2所示数据存储单元DM的各存储单元的两个栏中,右侧栏显示的是所存储的参照数据是作为正而采用,还是作为负采用,还是不采用,或者从一开始数据没有被输入。
首先,左侧栏写着“-”(连字符)时(比如图2的第3颜色参数数据存储单元CR3),在图4的经验数据存储单元DE中,双方都有×(叉),表示已经决定不予采用。此时,比如,第3颜色参数提取程序CP3不发挥功能,表示所对应的第3颜色参数数据存储单元CR3中没有输入数据。即第3颜色参数数据存储单元CR3的右侧栏的“-”(连字符)的标记表示应该采用的参照数据从一开始就不存在。
其次,在左侧栏中没有任何内容时,表示根据经验数据存储单元DE的数据,已决定采用正和负中的任何一个。在此,在右侧栏中,如果有◇(菱形)(比如图2的第1形状参数数据存储单元FR1等),表示作为正的贡献度,可以被采用的数据,带有☆(星)的(比如图2中第2颜色参数数据存储单元CR2)表示作为负的贡献度可以被采用的数据。
最后,在左侧栏中写着*(星号)时,图4的经验数据存储单元DE的数据中,双方都带有○(圈),表示假定采用正负双方。此时,获取正的参照图像数据存储单元RDp和负的参照图像数据存储单元RDn双方的数据,测定任何一个数据的偏差。如果有◇(菱形)标记(比如图2的第2颜色构造数据存储单元CD2),表示作为偏差测定结果,正的贡献度被采用,带有☆(星)标记(比如图2的第1组合构造数据存储单元PD1),表示作为偏差测定结果,负的贡献度被采用,带有×(叉)标记(比如图2的第2形状参数数据存储单元ER2),表示作为偏差测定结果,不管是正的贡献度还是负的贡献度,都不被采用。
如上所述,通过利用存储于经验数据存储单元DE中的经验数据,正确限定各程序或指示模块参照数据生成中的对象,快速准确生成判定基准。
以下,参照图6,就使用了具有以上构成的图像处理装置100的图像处理方法的例子进行说明。
首先,CPU10读入存储装置12的特定对象物图像数据存储单元DO中准备的特定对象物相关参照图像数据(步骤S1)。在此,正和负两类的参照图像数据的读入分别进行。其次,CPU10确定参照图像数据的图像位置(步骤S2)。接着,CPU10读取前处理程序AP,作为参数提取前提,进行必要参照(典型)图像数据相关各种前处理,在初期值数据存储单元IR收藏初期设定相关信息(步骤S3)。接着,CPU10确认经验数据是否被输入,即确认经验数据存储单元DE中是否存在经验数据(步骤S4),经验数据存储单元DE中存在经验数据时(步骤S4:Yes),读取是否采用经验数据存储单元DE中收藏的经验数据的信息即各程序(或者知识模块)的信息,确定各程序处理的处理对象。经验数据存储单元DE中不存在经验数据时(步骤S4:No),关于所有的程序,假定采用正负参照图像数据双方均作为处理对象。
其次,CPU10读取各种参数提取程序EP,进行参数提取,以生成各种参数数据(步骤S6),关于各构造,使形成参数(步骤S7a、步骤S7b)。也就是说,比如,关于颜色构造,首先,通过形成颜色参数,生成各种颜色相关的颜色参数数据(步骤S7a)。进而CPU10读取各种构造形成程序SP,基于步骤S7a生成的颜色参数数据,生成第1构造数据之一即颜色构造数据(步骤S8a)。同样,关于形状构造,首先,生成形状参数数据(步骤S7b),基于步骤S7b生成的形状参数数据,生成第1构造数据之一即形状构造数据(步骤S8b)。另外,关于其他各构造,也进行同样动作,生成参数数据及第1构造数据(参照数据),在此省略说明。
生成参数数据及第1构造数据后,CPU10通过不同种类构造间的组合,形成组合构造数据(步骤S9)。即CPU10读取组合构造数据形成程序PP,生成组合构造数据及第2构造数据(参照数据)。
其次,CPU10读取参数数据偏差测定程序VP1、构造数据偏差测定程序VP2、组合构造数据偏差测定程序VP3,就经过上述步骤S6~S9所生成的多个种类的参照数据,进行偏差测定(步骤S10)。基于步骤S10的测定结果,确定要进行正和负相关排序的对象的参照数据(步骤S11),将各参照数据按照偏差程序小的顺序进行排列,即进行排序(步骤S12)。
其次,CPU10从判定基准生成单元JC分别读取正、负的判定用数据选择单元DCp1、DCn1,对应排序结果,分别进行关于正和负判定用应该采用的参照数据的取舍选择(步骤S14),进而,基于所生成的判定基准程序,决定确信度计算程序(步骤S15)。
通过以上的处理,图像处理装置100可以作为针对1个特定对象物进行判定的装置发挥功能。换而言之,相对于可针对各种特定对象物进行判定的通用型图像处理装置100,形成输入1个特定对象物的信息,分析此信息,可判定该对象物的专用装置。成为专用装置的图像处理装置100根据判定对象图像数据存储单元DP中输入的位置对象物的图像信息,可判定该对象物是否为特定对象物。
如上,在本实施例中,在生成可数值性判定对象物是否为特定对象物的正、负的判定基准程序JPp、JPn时,通过参数数据偏差测定程序VP1、构造数据偏差测定程序VP2、组合构造数据偏差测定程序VP3,分别测定图像相关各种参数的偏差度,基于偏差相关测定结果,确定应该采用的参照数据。以此,可以快速切实地从数目庞大的信息中选择(采用)有用的信息,排除(不采用)无用的信息。此时是否采用的判断相当于人根据经验进行判断。
以下,参照图7,就上述关于排序对象是否采用的判断处理的一个形式进行具体说明。图7是流程图,对图6所示的处理中,排序对象选择相关处理即步骤S11的具体一例子进行说明。图7显示了一个决定的过程,即针对于各知识模块,决定是否应该成为排序的对象,进而成为排序的对象时,是正和负那个贡献度排序的对象的过程。
在图6所示的步骤S11中,也可以无条件的采用基于图4所示经验数据的采用与否。但是,如图7所示例,对于偏差程度,确定阈值,对应偏差测定的结果,可变更基于所给经验数据的采用与否。具体来讲,首先,在图7中,作为前提,确定第1偏差阈值、第2偏差阈值及第3偏差阈值。第1偏差阈值是针对于确定采用图4的经验数据存储单元DE的信息而设定的阈值。第2及第3偏差阈值是针对不知道是否采用图4的经验数据存储单元DE的信息而假定被采用即不管是正或是负都可以被采用的状态而设定的阈值。第2偏差阈值是判断作为正的贡献度是否可以利用的阈值,第3偏差阈值是判断作为负的贡献度可否被利用的阈值。
如图7所示,为了确定排序对象,CPU10首先确认在经验数据判断中各知识模块(各种程序)是否被采用,以图2来讲,就是确认各存储单元的左侧栏里是否有标记(步骤SP1)。在步骤SP1中,判断采用经验数据(图2左侧栏里没有标记)时(步骤SP1:YES),CPU10确认对应各知识模块(各种程序)的参照数据的偏差是否在第1偏差阈值以内(步骤SP2)。在步骤SP2中,如果确认在第1偏差阈值以内(步骤SP2:YES),进而CPU10确认该知识模块是关于正贡献度的采用还是关于负贡献度的采用(步骤SP3),如果判断为时关于正共享度的采用(步骤SP3:YES),作为正贡献度对象进行选择处理(步骤SP4),如果是关于负贡献度的采用(步骤SP3:NO),作为负贡献度排序对象进行选择处理(步骤SP5)。
另外一方面,在步骤SP2中,如果确认不在第1偏差阈值以内(步骤SP2:NO),CPU10判断为非排序对象(贡献度排序对象之外),进行排除处理(步骤SP6)。
在步骤SP1中,经验数据没有被采用,则是假设采用(图2左侧栏里有*(星号)时(步骤SP1:NO),CPU10确认对应各知识模块(各种程序)的参照数据中正相关参照数据的偏差是否在第2偏差阈值以内(步骤SP7)。在步骤SP7中,确认在第2偏差阈值以内(步骤SP7:YES)时,判断正相关偏差十分小,作为正的贡献度排序对象进行选择处理(步骤SP4)。另外,在步骤SP4中,图2的右侧栏里有◇(菱形)。
在步骤SP7中,确认不在第2偏差阈值以内(步骤SP7:NO)时,CPU10确认对应各知识模块(各种程序)的参照数据中负相关参照数据的偏差是否在第3偏差阈值以内(步骤SP8)。在步骤SP8中,确认在第3偏差阈值以内(步骤SP8:YES),判断为负相关偏差十分小,作为正的贡献度排序对象进行选择处理(步骤SP5)。另外,在步骤SP5中,图2右侧栏里有☆(星)。在步骤SP8中,确认不在第3偏差阈值以内(步骤SP8:NO)时,CPU10判断为非贡献度排序对象(贡献度排序对象之外),进行排除处理(步骤SP6)。另外,在步骤SP8中,图2右侧栏里有×(叉)标记。
如上,在本实施例子的一种形式的图像处理装置100中,即使经验数据存储单元DE里被赋予经验数据,进而在图像处理装置100侧可以判断是否采用。另外,以上,作为原则,为了使如图4所示经验数据被采用,第1偏差阈值与第2偏差阈值和第3偏差阈值相比,范围可以更广泛(缓慢)。
以下,就基于使用图1所示图像处理装置100的图像处理的对象物的判定的主要动作的一个例子进行说明。即就输入关于1个特定对象物的信息,生成正和负的相关判定基准程序、确信度计算程序,进行该特定对象物判定的专用装置即图像处理装置100的动作的一个例子进行说明。
图8是概念性说明图像判定处理流程图,该判定处理是基于根据如上所述专用装置即图像处理装置100被确定的确信度计算程序的一个例子。另外,该图像处理装置100比如将未特定对象物是否为特定对象物的最终判定结果显示在显示装置13,可在输出装置(图中未表示)进行打印等。
首先,CPU10读取输入装置14,获取成为判定对象的对象物相关图像信息,或者读取使拍摄装置11动作的程序,拍摄未特定的对象物,取得图像信息。依次,获得对象物相关图像数据即判定对象图像数据,并读入(步骤S101)。其次,CPU10进行拍摄的判定对象图像定位(步骤S102)。接着,CPU10从存储装置12的判定对象图像数据分析单元DD(参照图3)适当读取参数化所必须的程序,提取判定对象图像的参数(步骤S103),根据对象物,生成判定所必须的对象物数据(步骤S104)。另外,所生成的对象物数据被暂时存储于存储装置12的对象物数据存储单元OM。通过以上动作,可判定对象物是否为特定对象物。
其次,CPU10分别计算正的确信度和负的确信度(步骤S105a、S105b、S106a、S106b)。具体来讲,CPU10从存储装置12的判定基准生成单元JC读取正的确信度计算程序(步骤S105a),根据对象物数据计算正的确信度(步骤S106a)。关于负的确信度,也是同样的,CPU10读取负的确信度计算程序(步骤S105b),计算负的确信度(步骤S106b)。其次,CPU10从判定基准生成单元JG(参照图3)读取适当的程序,进行对象物是特定对象物的正的判定或不是特定对象物的负的判定(步骤S107a~步骤S109)。在此,关于正和负的确信度,通过将正和负分别数值化,将未知对象物与特定对象物近似性高低(比如向量性的距离)作为正和负的确信度。即指数越高,越可以成为正的判定或负的判定。另外,各指数被规格化,比如所取得的对象物数据的参数与最典型的参照图像数据的参数完全一致时为最大值100%。
在此,对于上述规格化的值,设置正的确信度相关第1阈值和第2阈值,关于负的确信度,设置1个阈值。关于正的确信度,第1阈值设定为比较高的值,作为正的判定。第2阈值设定为比第1阈值小的值,通过设定某种程度高的值,在超过第2阈值时,也是应该作为正的判定的可能性比较高的值。另外,第1和第2阈值作为关于经过统计获得的特定对象物相关的判定,被规定于一定的范畴。另外,当不知道可以切实判定的阈值时,比如,可以通过重复尝试运行来调整,以确定阈值。
关于第1和第2阈值的设定,考虑到了各种情况,以具体一例来讲,就是基于确信度相关偏差值来规定。首先,从确信度高的到低的所有数据中随机提取的标本(第1标本)相关分布中,计算出了标准偏差时,可将一定以上偏差值时正的确信度的值规定为第1阈值。通过上述规定第1阈值,超过第1阈值时,作为可确实判断为特定对象物的值加以使用。另外,比如,在根据集合了典型图像的集合即确信度比较高的数据中随机提取的标本(第2标本)相关的分布中,计算出了标准偏差是,虽然偏差值比第2标本的平均值低,但为某种程度以上的值,可将比上述第1标本的平均值高的值规定为第2阈值。在集合了典型图像的集合中,因为有某种程度的正的确信度,可作为特定对象物可能性高的判定值加以使用。
另外,关于负的确信度相关阈值,比如上述第1或第2阈值时CPU10可进行同样设定。即可设定为可判定为与特定对象物似是而非的可能性高的值。
CPU10参照上述正和负确信度相关阈值,首先,关于步骤S106a、S106b计算出的正和负的确信度,判定(步骤S107a)正的确信度超过第1阈值且负的确信度没有超过阈值,判断为满足要件(步骤S107a:Yes),则做正的判定(步骤S108)即判定对象图像也就是对象物为特定对象物。
另一方面,在步骤S107a中,CPU10判断正的确信度在第1阈值以下,或者负的确信度在阈值以上(步骤S107a:No)后,进而判断负的确信度超过阈值且正的确信度是否没有超过第1阈值(步骤S107b)。在此,若判断负的确信度超过阈值且正的确信度没有超过第1阈值(步骤S107b:Yes),就可做否的判定(步骤S109),即对象图像也就是对象物不是特定对象物。
在步骤S107b中,CPU10判断负的确信度在阈值以下,或正的确信度在第1阈值以上(步骤S107b:No),进而,判断正的确信度超过第1阈值且负的确信度是否超过阈值(步骤S107c)。在此,若判断正的确信度超过第1阈值且负的确信度超过阈值(步骤S107c:Yes),相对于第2确信度即负的确信度,优先应用第1确信度即正的确信度,做正的判定(步骤S108),及对象图像也就是对象物为特定对象物。
在步骤S107c中,CPU10判断正的确信度在第1阈值以下,或者负的确信度在阈值以下(步骤S107c:No),进而,判断正的确信度是否超过第2阈值(步骤S107d)。在此,若判断正的确信度超过第2阈值(步骤S107d:Yes),优先应用正的确信度,做正的判定(步骤S108)即对象图像表示的对象物为特定对象物。
在步骤S107d中,CPU10判断正的确信度在第2阈值以下(步骤S107d:No)后,基于统计比例,进行正确与否的判定(步骤SQ)。在此,所谓统计比例,是指在该判定对象即对象物的检查中,统计获得的正确与否的比例。在步骤S107d中,判断为No时,该对象物相关图像处于正确信度或负确信度都不高的状态,通过上述步骤S107D为止的手法,不可以判定,可以说正确与否的判定非常难。在步骤SQ中,关于处于此状态的对象物,使用随机数等,通过对应统计比例的比例,决定是否为特定对象物。比如,关于判定对象即对象物,在检查中,通过q:(1-q)的比例,统计获取被检测的特定对象物和非特定对象物。在步骤SQ中,CPU10可判定q*100%的概率为特定对象物,(1-q)*100%的概率为非特定对象物。在本实施例中,可进行高精度图像的判定,可控制这样的情况发生几率到非常小。
另外,步骤S108或步骤S109的判定结果可通过接受CPU10的指令的显示装置13来显示。此时,也可显示正和负的确信度的数值等计算结果。
上述中,也可不进行基于步骤SQ所示统计比例的正确与否的判定。比如,在步骤S107d中,判定正的确信度在第2阈值以下时(步骤S107d:No),CPU10判定对象物为非特定对象物或者不可判定。
以下,参照图9等,就专用装置中图像吹了装置100动作的另一例子进行说明。
图9是概念性说明本变形例的图像处理装置100中存储装置12的一部分即特定对象物图像数据存储单元DO构成的BLOCK图,是对应图4的图。图10是就本变形例确信度计算程序生成处理进行说明的流程图,是简化了相当于图6的流程的图。图11是就基于图10的处理生成确信度计算程序的一个例子进行图像判定处理的流程进行说明。如图示,在本变形例中,准备了多种类参照图像数据。另外,在图像处理装置的构造中,与图1所示相同,在此省略图示和说明。
作为进行判定的状况,有时要多个特定对象物。比如,关于反映血液成分的图像,在特定图像里判断血液中未特定的成分时,并不是仅将红血球作为特定对象物,而是也可以将白血球、血小板等作为特定对象物,可以同时进行图像判定。在本变形例中,就判定多个特定对象物相关图像的处理,举一例子说明。在此,如图9~图11所示,准备(L-1)种类的正和负相关参照图像数据,关于特定对象物,使分类为L种类的图像的判定成为可能。比如,如图9所示,也准备了TYPE1到TYPE(L-1)的(L-1)种类的正和负相关参照图像数据存储单元RD1p、RD1n、RD2p、RD2n、……RD(L-1)p、RD(L-1)n。另外,如图示,关于1个种类的正和负相关参照图像数据,准备了1个经验数据,合计(L-1)种类的经验数据被分别收藏于经验数据存储单元DE1、DE2、……DE(L-1)。比如,相当于TYPE1的正和负相关参照图像数据存储单元RD1p、RD1n中如果是为了特定红血球的信息,则根据收藏于参照图像数据存储单元RD1p、RD1n及经验数据存储单元DE1的数据生成判定基准程序,可判定对象物是否为红血球。
如图10所示,关于TYPE1~TYPE(L-1)的参照图像数据,分别生成判定基准程序,进而生成确信度计算程序。比如,关于TYPE1,通过CPU10,进行参照图像读取(步骤201a)、经验数据的输入(步骤S202a)。进而,提取及选择参照数据(步骤S203b)、根据步骤S203b的参照数据,基于所选择判定用数据,生成判定基准程序,最终生成确信度计算程序,可判定TYPE1(特定对象物:红血球)。关于剩下的TYPE2~TYPE(L-1),也可以同样经过各步骤S201b~S204b,……S201x~S204x,分别生成确信度计算程序。
图11是就如上所述准备的多种种类确信度计算程序时对象物判定方法一种进行说明的流程图。在此,分类为(L-1)种类的TYPE,不输入任何一个种类时,判定为不属于TYPE1到TYPE(L-1)中任何一个的第L号TYPE(TYPEL),或者为不可判定。
首先,CPU10确认关于TYPE1是否进行了正的判断(步骤SR1)。即在步骤SR1中,通过图8所示方法,判定对象物是否为TYPE1的特定对象物(比如红血球)。在步骤SR1中,确认进行了正的判断后(步骤SR1:Yes),CPU10将该对象物为TYPE1特定对象物这一主旨显示到比如输出装置13(步骤SJ1)。另一方面,在步骤SR1中,确认没有进行正的判定(进行了负的判定)后(步骤SR1:No),CPU10确认关于TYPE2是否进行了正的判定(步骤SR2)。即判定对象物是否为TYPE2的特定对象物(比如白血球)。在步骤SR2中,确认做了正的判定后(步骤SR2:Yes),CPU10将该没有TYPE2特定对象物这一主旨显示到比如输出装置13(步骤SJ2)。另一方面,在步骤SR2中,确认没有进行正的判定(做了否的判定)后(步骤SR2:No),CPU10同样,进行关于TYPE3之后的正确与否的判定,最后,确认关于TYPE(L-1)是否进行了正的判定(步骤SR(L-1)),确认进行了正的判定(步骤SR(L-1):Yes)后,CPU10将该对象物为TYPE(L-1)的特定对象物这一主旨显示到输出装置13(步骤SJ(L-1))。当确认没有进行正的判定(进行了负的判定)(步骤SR(L-1):No),判定为不是TYPE1到TYPE(L-1)任何一个的TYPEL,或不能判定(步骤SJL)。
如上,在本变形例中,关于多个特定对象物,可一起进行对象物的判定。换种说法,即可以判定对象物属于多个特定对象物候补中的哪一个。
关于上述多个特定对象物的具体例子,是各种对象物,除了上述红血球等有形状、颜色的物体为特定对象物外,也可将背景、异物作为特定对象物。比如背景是没有形状又一定存在于图像的周边侧。另外,关于颜色参数,有时也认为其有特征。因此,提取清楚显示这些特征的参数,作为判断基准程序的要素而采用,可判别相当于背景的部分。另外,关于异物,有形状的,其尺寸(大小)方面存在特征。即提取清楚显示形状的有无、尺寸的特征,作为判定基准程序的要素加以采用,可判别异物。通过可特定背景、异物,比如作为全体图像中的一部分,除去存在的背景、异物,可加工为整体图像清晰的图像。
实施例2:
以下,通过图12,就第2实施例相关图像处理装置进行说明。本实施例相关图像处理装置为第1实施例的变形例,关于图像处理装置的构造,与图1所示第1实施例的图像处理装置100相同,这里省去图示及说明。
在上述第1实施例中,用于生成指示模块及参照数据的各种程序事先固定于程序存储单元PM中。与此相对,本实施例中,为新规知识模块,即新增图5矩形所示参照数据。
所谓生成1个新规知识模块即生成1个新的参照数据,就是增加1个成为判定基准的要素。这在人类来说,相当于判定是否为特定对象物时增加关于成为判定基准的对象看法的知识。通过获取新的知识模块,比如,对应特定对象物的属性,输入有力的知识,可以更加提高判定能力。作为其中一种方法,比如,在存储装置12的数据接收单元12r(参照图1),通过从输入装置14接收新规知识模块,增加知识模块。即人可以单方面直接地向电脑输入关于判断手法的新知识。然而,并不是人单方面授予知识,而是人给电脑授予生成新规知识模块的信息,在电脑侧生成新的知识模块。在本实施例中,举一例子,在关于颜色参数的各种参数或构造中,设定条件,即通过输入装置14输入人传来的信息,基于被输入的信息,在电脑即图像处理装置100中,自动生成新规(创新)知识模块的工程,就此进行说明。
以下,参照图12,就新规知识模块的生成进行说明。图12是说明新规(创新)知识模块生成一例的流程图。首先,图像处理装置100中,在存储装置12的数据接收单元12r,接收输入装置14传来的新规知识模块生成信息(步骤SM1)。作为步骤SM1的具体例子,在此,关于颜色参数,为人指定的各颜色(R、G、B)范围。比如,各颜色若有256个阶调,指定各阶调的范围。此时,通过指定范围,确定对应指定范围的有限个(n个)知识模块候补。在此,n个候补成为新规模块候补。在步骤SM1中,决定n个新规模块候补后,CUP10将此逐个编号,同时进行设定最初新规模块候补的初期设定(步骤SM2)。即关于成为对象的第j个新规模块候补,进行j=1的处理。其次,CPU10确认关于指定范围即n个新规模块候补的偏差测定是否结束(步骤SM3),若未完成(步骤SM3:No),进行关于第j个新规模块候补的偏差测定(步骤SM4)。即图像处理装置100从相当于新规模块候补的程序参数化多个(比如1万个)参照图像数据,将颜色参数数据作为参照数据,测定关于该参照数据的偏差程度。其次,CPU10将测定的结果存储到存储装置12(步骤SM5),将下一个新规模块候补作为对象(步骤SM6),一直到结束,对于n个新规模块候补重复进行同样的处理。在步骤SM3中,判断关于n个即指定范围所有新规模块候补的偏差测定处理结束了(步骤SM3:Yes)后,CPU10从n个新规模块候补选择1个,作为新规知识模块保存于存储装置12(步骤SM7)。作为步骤SM7中的选择方法,参照各新规模块候补的偏差,将n个中偏差最小的作为新规知识模块加以采用。
如上如例子所示,指定颜色参数范围,生成模块时,比如,明白特定紫色中有特征的对象物时的判定中,可生成有用的知识模块。此时,图像处理装置100在规定的颜色参数范围,基于特定对象物的参照图像数据,自动探知特征性波长范围,与人相同,生成基于紫色波长领域颜色参数的新规知识模块,并不是说要将与人感知的紫色同等的波长领域作为新规知识模块加以采用,而是根据图像处理装置100的判断来生成。
如上,在本实施例的图像处理装置100中,将可进行更高精度判定的基准的新规知识模块作为知识模块生成单元发挥功能,通过存储装置12等可自动生成。
实施例3:
以下,通过图13等就本发明第3实施例相关图像处理装置进行说明。本实施例相关图像处理装置是第1实施例的变形例,关于图像处理装置的构造,与图1所示第1实施例的图像处理装置100相同,在此省略图示及说明。
在上述第1实施例中,被排序的多个参照数据中,基于贡献度排序而被采用,此时,因其属性彼此相似,偏差测定结果也同样非常小,有时也包含排列于前面作为判定用数据被采用的数据。为了更确切的生成判定基准,关于这些属性相似的数据即有相互关系的数据,有时希望将它们总结在一起,作为1个判定基准要素。在本实施例中,可进行采取了这样相互关系的处理。另外,关于相互关系的有无的判定,可采用关于历来数据比较的各种方法。
以下,参照图13等,就本实施例相关图像处理装置处理一例进行说明。图13(A)~(K)是就判定用数据相关处理一例进行说明的图。另外,在图13中,显示了正的贡献度排序。关于负的贡献度的排序,因与正的贡献度排序是相同,在此省略图示及说明。
首先,如图13(A)所示,关于从正的贡献度排序被排列的参照数据中,位于第1位的数据,不用看与其他的相互关系,即可作为判定用数据采用。关于虚线包围的第2位参照数据,确认与第1位的参照数据的相关与否。若第2位的参照数据与第1位的参照数据不相关,如图13(B)所示那样,确定第2位的数据作为判定用数据加以采用,进而关于虚线包围的第3位的数据,确认与已经确定的第1位和第2位的参照数据的相关与否。第3位的参照数据与第1位和第2位的任何一个没有相关,如图13(C)所示,确定将第3位的数据作为判定用数据加以采用。进而,关于虚线包围的第4位的参照数据,确认与已经确定的第1位、第2位、第3位参照数据的相关。第4位的参照数据与第1位、第2位、第3位的任何一个均没有相关,如图13(D)所示,将第4位的数据作为判定用数据加以采用。进而,关于虚线包围的第5位的数据,确认与已经确定的第1位~4位参照数据的相关。接下来重复同样的操作。
另一方面,在图13(A)中,第2位的参照数据与第1位的参照数据若相关时,从确定的参照数据排除属于排序后边的第2位的参照数据。即作为排序对象之外的数据。如图13(E)所示,将虚线包围的第3位的参照数据提前,关于第3位的参照数据,确认与已确定的第1位的参照数据的相关。在此,第3位的参照数据与第1位的参照数据若没有相关,如图13(F)所示,可确定将第3位的数据作为判定用数据予以采用,进而,关于虚线包围的第4位的参照数据,确认其与已确定的第1位及第3位的参照数据的相关。以下,重复同样的工作。
另一方面,在图13(E)中,第3位的参照数据与第1位的参照数据相关时,从已确定的参照数据排除处于排序下方的第3位的参照数据,即作为排序对象之外的数据。如图13(G)所示,将虚线包围的第4位的参照数据提前,关于第4位的参照数据,确认其与已确定的第1位的参照数据的相关。以下,重复同样的工作。
另外,在图13(B)中,第3位的参照数据与第1位及第2位参照数据中任何一个有相关时,从已确定的参照数据排除处于排序下方的第3位的参照数据,即作为排序对象之外的数据。如图13(H)所示,将用虚线包围的第4位的参照数据提前,关于第4位的参照数据,确认其与第1位和第2位的参照数据的相关。在此,第4位的参照数据与第1位和第2位的参照数据中任何一个都无相关时,如图13(I)所示,确定将第4位的数据作为判定用数据予以采用,进而关于虚线包围的第5位的参照数据,确认其与已确定的第1位、第2位和第4位参照数据的相关。
另一方面,在图13(H)中,第4位的参照数据与第1位和第2位的参照数据的任何一个有相关时,从已确定的参照数据排除排序下方的第4位的参照数据,即作为排序对象以外的数据。如图13(J)所示,将虚线包围的第5位的数据提前,关于第5位的参照数据,确认其与已确定的第1位和第2位参照数据的相关。以下,重复同样的工作。
同样,在图13(C)中,第4位的参照数据与第1位、第2位和第3位的参照数据中任何一个有相关时,从已确定的参照数据排除处于排序下方的第4位的参照数据,即作为排序对象之外的数据。如图13(K)所示,将虚线包围的第5位的参照数据提前,关于第5位的参照数据,确认其与已确定的第1位、第2位和第3位的参照数据的相关。以下,重复同样的工作。
关于以上动作,在确定数达到图5所示判定用数据采用栏的个数即采用数之前一直重复。
图4是一般化显示上述图13处理的流程图。首先,图像处理装置100的CPU10从存储装置12读取作为正的贡献度排序应该采用的采用数(Ap)即判定用数据采用栏的个数(步骤SK1),另外,读取作为正的贡献度排序被排序的参照数据,将读取顺序编号作为排序顺序(步骤SK2)。其次,CPU10无条件确定读取的参照数据中第1位的数据(步骤SK3)。其次,CPU10就被排序的参照顺序的顺序编号进行初期设定(步骤SK4)。即已确定采用的个数值为k,第1位的参照数据表示作为第1个判定用数据被采用,进行k=1处理。其次,CPU10确认已确定采用的参照数据的个数即k的值是否达到应该采用的个数Ap(步骤SK5),如果没有完(步骤SK5:No),读取成为确定采用的第1~k号判定用数据的参照数据(步骤SK6),同时,读取第(k+1)号候补比较对象的参照数据(步骤SK7),为了判定该比较对象的参照数据与第1编号至第第k编号的判定用数据的任何一个是否相关而进行比较(步骤SK8)。比如,仅确定第1位的参照数据作为第1号判定用数据时,排序中第1位的参照数据之后的处于排序前面的第2位的参照数据成为比较对象的参照数据。根据步骤SK8的比较,进行相关的判定(步骤SK9),判定没有相关时(步骤SK9:No),确定将比较对象数据作为第(k+1)号的判定用数据加以采用,将下一个比较对象数据作为对象(步骤SK10),在采用数达到Ap个之前(步骤SK5)一直重复同样的处理。
另外一方面,在步骤SK9中,判定与第1~k号判定用数据的任何一个相关时(步骤SK10:Yes),将该比较对象数据从排序对象排除(步骤SK11),设定下一个比较对象数据(从剩下的参照数据中选处于排在前面的)(步骤SK12),确定采用第1~k号数据,读取判定用数据的参照数据(步骤SK6)的同时,读取该新的比较对象的参照数据(步骤SK7),为了判定新的比较对象数据与第1号至第k号判定用数据中任何一个是否相关而进行比较(步骤SK8)。
直到采用确定数达到应该采用个数Ap即图5所示判定用数据采用栏的个数为止,一直重复上述动作,整合判定基准程序生成所必须的判定用数据。
如上,通过本实施例的图像处理装置100,排除有相关的重复信息,组合独立的信息,可生成更高精度的判定基准。
通过以上各实施例对本发明进行了说明,但本发明并不仅限于上述各实施例。比如,在图1中,图像处理装置100有拍摄装置11,但如果所必须的图像数据已经被输入或者从外部可以数据的话,就有可能不需要拍摄装置11了。
另外,在上述例子中,关于通过各知识模块形成的参照数据,因说明的原因,阶段性分为三个部分进行了说明,即根据参照图像数据最直接提取的参数数据(LEVEL1)、根据同种类的构造生成的第1构造数据(LEVEL2)和组合不同种类构造生成的第2构造数据(LEVEL3)。各构造的阶层,并不仅限于3阶段,比如,可以是不包含第1构造数据(LEVEL2)的2阶层的构成,或是4阶段以上的构成。另外,根据构成各知识模块的程序的作法,也可以从参照图像数据直接地生成LEVEL2、LEVEL3的构造数据。即可以不是阶层显示,而是并列显示图5所示参照数据(或者知识模块)。
另外,上述中,准备了正和负2种类的参照图像数据,进行2种类的贡献度排序,也可以是3种类以上的参照图像数据,进行3种类以上的贡献度排序。比如,上述情况下,很容易将负的参照图像数据误认为典型数据的图像。存在多个这样类型的不同图像时,负的参照图像数据可以是多种类的。
另外,关于确信度,基于图像的颜色、形状等参数,通过各种计算方法来规定,就此,对应特定对象物的性质,可以进行各种调整。
Claims (13)
1.一种图像处理装置,根据拍摄的未知对象物的对象图像,来判定该未知对象物是否为特定对象物,其特征在于,包括以下单元:
参照图像参数提取单元,将作为判定未知对象物是否为特定对象物的参照基准的参照图像相关的各种信息进行参数化,并加以提取形成参照图像的参数数据;
知识模块生成单元,基于所述参照图像参数提取单元提取的参照图像的参数数据,进行变换和组合至少其中之一,形成新的构造数据,作为可成为判定要素的数据的知识模块;
参照数据存储单元,存储所述参照图像参数提取单元提取的参照图像的参数数据,以及所述知识模块生成单元根据参照图像的参数数据生成的新的构造数据分别作为参照数据;
偏差测定单元,测定所述参照数据存储单元存储的参照数据的偏差度;
数据选择单元,基于所述偏差测定单元的测定结果,对多个种类的参照数据进行排序,并对该每一种类的参照数据是否能够作为图像判定用数据进行取舍选择;
判定基准生成单元,根据所述数据选择单元选择的图像判定用数据,生成能够数值性判定未知对象物是否为特定对象物的判定基准;
判定对象图像数据分析单元,将拍摄的未知对象物的图像的各种信息参数化后进行提取,生成根据所述判定基准生成单元生成的判定基准进行判定时所必要的判定未知对象物相关的对象物数据;
判定单元,基于所述判定基准生成单元生成的判定基准和所述判定对象图像数据分析单元生成的对象物数据,判定未知对象物是否为特定对象物。
2.根据权利要求1所述的图像处理装置,其特征在于:还包括经验数据接收单元,该经验数据接收单元接收用于显示所述参照图像的在判定未知对象物是否为特定对象物时所必要的信息和不需要的信息的属性的经验数据;所述参照图像参数提取单元将所述参照图像相关的各种信息进行参数化时,仅就所述经验数据接收单元接收的所述经验数据中所必要的信息进行参数化。
3.根据权利要求2所述的图像处理装置,其特征在于:所述数据选择单元对多个种类的参照数据进行排序时,以是所述特定对象物为正的贡献度顺序和非所述特定对象物为负的贡献度依次顺序,并分别选择其作为判定用数据。
4.根据权利要求3所述的图像处理装置,其特征在于:所述参照图像参数提取单元将按照所述正的贡献度排序形成的正的参照图像和按照所述负的贡献度排序形成的负的参照图像分别进行参数化。
5.根据权利要求4所述的图像处理装置,其特征在于:所述经验数据接收单元就所述知识模块生成单元存储的各知识模块应该采用正、负的贡献度排序中哪几个相关信息作为经验数据予以接收。
6.根据权利要求1至5中任一项所述的图像处理装置,其特征在于:所述判定基准生成单元里设有确信度计算单元,该确信度计算单元将判定基准提取的对象物参数与判定用数据的相似性程度高低用数值化的确信度计算。
7.根据权利要求1至5中任一项所述的图像处理装置,其特征在于:所述知识模块生成单元包括至少包括一第一构造数据生成模块和第二构造数据生成模块其中之一作为知识模块,所述第一构造数据生成模板是将所述参数数据中同种类数据组合形成作为参数数据的模块,所述第二构造数据生成模块是将所述参数数据中不同种类的数据组合形成参数数据的模块。
8.根据权利要求1至5中任一项所述的图像处理装置,其特征在于:所述知识模块生成单元基于所述偏差测定单元的测定从多个候补知识模块中选择可作为图像判定要素的新的知识模块并存储。
9.根据权利要求1至5中任一项所述的图像处理装置,其特征在于:被所述数据选择单元排序的多个种类的参照数据中有相关时,该数据选择单元将排除位于后面的参照数据。
10.根据权利要求1至5中任一项所述的图像处理装置,其特征在于:所述偏差测定单元对所述多个种类的参照数据分别进行归一化来测定其偏差度,所述数据选择单元按照被归一化的偏差度从小到大的顺序对所述多个种类的参照数据进行排序。
11.根据权利要求1至5中任一项所述的图像处理装置,其特征在于:所述判定基准生成单元基于所述数据选择单元的排序,评价判定用数据的重要性并生成判定基准。
12.根据权利要求1至5中任一项所述的图像处理装置,其特征在于:所述参照数据存储单元至少包含颜色相关参数数据、形状相关参数数据、结构相关参数数据、布局相关参数数据、阶调相关参数数据和大小相关参数数据中的一个。
13.一种图像处理方法,根据拍摄的未知对象物的对象图像,判定该未知对象物是否为特定对象物,其特征在于包括以下工序:
参照图像参数提取工序,将作为判定未知对象物是否为特定对象物的参照基准的参照图像的相关各种信息参数化后进行提取;
数据生成工序:根据所述参照图像参数提取工序所提取的参照图像的参数数据,进行变换、组合后生成可作为判定要素的数据的新的构造数据,存储到知识模块生成单元的知识模块里;
参照数据存储工序,将参照数据存储于参照数据存储单元,该参照数据包含所述参照图像参数提取工序所提取的参照图像的参数数据和所述数据生成工序中根据所述参数数据生成的新的构造数据;
偏差测定工序,将所述参照数据存储单元收藏的参照数据,分别测定其偏差度;
数据选择工序,基于所述偏差测定工序的测定结果,将多个种类的参照数据进行排序,并从该参照数据中对图像判定中应当采用的判定用数据进行选择取舍;
判定基准生工序,基于所述数据选择工序所选择的判定用数据,生成可数值性判定未知对象物是否为特定对象物的判定基准;
判定对象图像数据分析工序,将拍摄的未知对象物的图像的各种信息参数化后进行提取,生成根据所述判定基准进行判定时所必要的判定对象物相关的对象物数据;
判定工序,基于所述判定基准生成工序中生成的判定基准和所述判定对象图像数据分析工序取得的所述对象物数据,判定未知对象物是否为特定对象物。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310636355.5A CN103606160B (zh) | 2013-12-02 | 2013-12-02 | 图像处理装置及图像处理方法 |
JP2014169530A JP2015106408A (ja) | 2013-12-02 | 2014-08-22 | 画像処理装置及び画像処理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310636355.5A CN103606160B (zh) | 2013-12-02 | 2013-12-02 | 图像处理装置及图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103606160A true CN103606160A (zh) | 2014-02-26 |
CN103606160B CN103606160B (zh) | 2018-04-13 |
Family
ID=50124380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310636355.5A Active CN103606160B (zh) | 2013-12-02 | 2013-12-02 | 图像处理装置及图像处理方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2015106408A (zh) |
CN (1) | CN103606160B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111465963A (zh) * | 2017-10-10 | 2020-07-28 | Cy游戏公司 | 用于确认对象物的获取的***、服务器、程序和方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307827B (zh) * | 2019-07-31 | 2024-04-26 | 梅特勒-托利多(常州)测量技术有限公司 | 对象识别装置,***和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1729479A (zh) * | 2003-04-16 | 2006-02-01 | 富士通株式会社 | 知识发现装置、知识发现程序和知识发现方法 |
CN101140619A (zh) * | 2006-09-05 | 2008-03-12 | 大日本网目版制造株式会社 | 图像处理装置、数据处理装置及参数调整方法 |
CN202584162U (zh) * | 2012-05-04 | 2012-12-05 | 苏州比特速浪电子科技有限公司 | 图像处理设备 |
CN202600736U (zh) * | 2012-05-04 | 2012-12-12 | 苏州比特速浪电子科技有限公司 | 图像处理设备 |
CN103383774A (zh) * | 2012-05-04 | 2013-11-06 | 苏州比特速浪电子科技有限公司 | 图像处理方法及其设备 |
-
2013
- 2013-12-02 CN CN201310636355.5A patent/CN103606160B/zh active Active
-
2014
- 2014-08-22 JP JP2014169530A patent/JP2015106408A/ja active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1729479A (zh) * | 2003-04-16 | 2006-02-01 | 富士通株式会社 | 知识发现装置、知识发现程序和知识发现方法 |
CN101140619A (zh) * | 2006-09-05 | 2008-03-12 | 大日本网目版制造株式会社 | 图像处理装置、数据处理装置及参数调整方法 |
CN202584162U (zh) * | 2012-05-04 | 2012-12-05 | 苏州比特速浪电子科技有限公司 | 图像处理设备 |
CN202600736U (zh) * | 2012-05-04 | 2012-12-12 | 苏州比特速浪电子科技有限公司 | 图像处理设备 |
CN103383774A (zh) * | 2012-05-04 | 2013-11-06 | 苏州比特速浪电子科技有限公司 | 图像处理方法及其设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111465963A (zh) * | 2017-10-10 | 2020-07-28 | Cy游戏公司 | 用于确认对象物的获取的***、服务器、程序和方法 |
CN111465963B (zh) * | 2017-10-10 | 2023-11-24 | Cy游戏公司 | 用于确认对象物的获取的***、服务器、程序和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103606160B (zh) | 2018-04-13 |
JP2015106408A (ja) | 2015-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116420159A (zh) | 缺陷检测方法、装置和*** | |
CN108921166A (zh) | 基于深度神经网络的医疗票据类文本检测识别方法及*** | |
CN103049733B (zh) | 人脸检测方法和人脸检测设备 | |
CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
CN102509118B (zh) | 一种监控视频检索方法 | |
CN112926405A (zh) | 一种安全帽佩戴检测方法、***、设备及存储介质 | |
CN110414538A (zh) | 缺陷分类方法、缺陷分类训练方法及其装置 | |
CN105426903A (zh) | 一种遥感卫星图像的云判方法及*** | |
CN104537356B (zh) | 利用瑞士轮排序进行步态识别的行人再标识方法和装置 | |
CN104036284A (zh) | 基于Adaboost算法的多尺度行人检测方法 | |
CN109948616A (zh) | 图像检测方法、装置、电子设备及计算机可读存储介质 | |
CN107240112A (zh) | 一种复杂场景下个体x角点提取方法 | |
CN112257799A (zh) | 一种生活垃圾目标检测的方法、***及装置 | |
CN109063773B (zh) | 一种利用图像特征提高激光探针分类精度的方法 | |
Farag | A lightweight vehicle detection and tracking technique for advanced driving assistance systems | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN107895136A (zh) | 一种煤矿区域识别方法及*** | |
CN116630301A (zh) | 基于超分辨率和YOLOv8的带钢表面小目标缺陷检测方法及*** | |
CN103065163A (zh) | 一种基于静态图片的快速目标检测识别***及方法 | |
CN106951863A (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN116342894A (zh) | 基于改进YOLOv5的GIS红外特征识别***及方法 | |
Faria et al. | Time series-based classifier fusion for fine-grained plant species recognition | |
CN111008956A (zh) | 基于图像处理的梁底裂纹检测方法、***、装置及介质 | |
CN108596244A (zh) | 一种基于光谱角度密度峰值的高光谱图像标签噪声检测方法 | |
CN114332058A (zh) | 基于神经网络的血清质量识别方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220729 Address after: Room 1051, 1st floor, Nanxun science and technology entrepreneurship Park, No. 666, Chaoyang Road, Nanxun Town, Nanxun District, Huzhou City, Zhejiang Province 313000 Patentee after: Daqiang vision technology (Huzhou) Co.,Ltd. Address before: Room 616, building a, Modern Plaza, No. 18 Weiye Road, Kunshan, Suzhou, Jiangsu 215300 Patentee before: SUZHOU BITSTRONG ELECTRONIC TECHNOLOGY Co.,Ltd. |