画像領域分割

画像認識処理の多くは、画像を画素の連結領域ごとに分割(セグメンテーション)、ラベリングする ことから始まります。ラベリングの後は 各領域の輪郭や芯線を元に形状認識をする(一般化ハフ変換、パラメータ曲線の当てはめなど) ラベリングした各領域の形状(面積、周囲長、サイズ、方向、円形度、線幅...)分析を元に画像解析する。 ラベリングした領域の属性、領域間距離を元にクラスタリングして、複数ラベルを統合したラベルを生成する。 などの処理を行います。 モノクロ２値画像が入力として与えられた場合、bit0とbit1の２つの領 域しかないので、領域のラベリングは比較的簡単にできます。アートロジック社では、特に超高速 ・多機能ラベリング技術を、画像認識のベース技術において、様々なシステムを構築しています。 グレイスケール画像やカラー画像が与えられた場合は、アートロジック社は以下の３通りの手法の どちらかを使って領域ラベリングを行います。 モノクロ２値画像に変換する。 カラー画像は、RGB→YUV変換した後にY成分を抜きだし、グレイスケール化します。さらに、判別 分析法を使ってグレイスケール→モノクロ２値変換をします。しきい値によって、本来一緒にすべき 領域が離れたり(かすれ)、逆に本来別々の領域がくっついたりする(つぶれ)という欠点があります。 そうした欠点を克服するために、合わせて以下のような画像処理を行うこともあります。 特殊なフィルタを使って裏写り除去処理を行う。 シェーディング補正などを使って照明補正をする。 ガウスフィルタ、メディアンフィルタを使って雑音を除去する。 経験則を使ったしきい値の調整 文書画像などでは判別分析法のしきい値をそのまま使うと文書品質に問題が出ることが多いため、 他の特性を使って調節します。 減色処理をして、色数や階調数を適宜減らした後、各色やパレットをラベリングをする。 決定済みラベル(ユーザーが指定したラベルや特に目立つ部分)との累積階調差・色差を元にラベリングする。 colorization using optimizationで使われている手法と同じ 統計的に最適なラベルを生成することができる、優れた方法だが半自動であり計算量も大きい。