特徴量算出装置、画像接続装置、画像検索装置、特徴量算出方法、および特徴量算出プログラム
【課題】画像の回転に強い特徴量を、コントラストによらずに算出することができる特徴量算出装置、画像接続装置、画像検索装置、特徴量算出方法、および特徴量算出プログラムを提供する。
【解決手段】特徴量算出装置として、コーナー量を算出するコーナー量算出部と、特徴点を検出する特徴点検出部と、支配的配向を算出する支配的配向算出部と、特徴点を中心とするｐ個の円の円周上の画素データを検出する同心円検出部と、各画素データにおける画素値の勾配の角度と支配的勾配との差分値に円の半径の平方根を乗じた重み付き差分値をそれぞれ算出する重み付き差分値算出部と、重み付き差分値についてのｑ個の階級を有する度数分布を作成する度数分布作成部と、各円についての各度数を成分とするｑ次元のベクトルから、ｐ×ｑ次元の記述子ベクトルを算出する記述子ベクトル算出部とを設ける。
【解決手段】特徴量算出装置として、コーナー量を算出するコーナー量算出部と、特徴点を検出する特徴点検出部と、支配的配向を算出する支配的配向算出部と、特徴点を中心とするｐ個の円の円周上の画素データを検出する同心円検出部と、各画素データにおける画素値の勾配の角度と支配的勾配との差分値に円の半径の平方根を乗じた重み付き差分値をそれぞれ算出する重み付き差分値算出部と、重み付き差分値についてのｑ個の階級を有する度数分布を作成する度数分布作成部と、各円についての各度数を成分とするｑ次元のベクトルから、ｐ×ｑ次元の記述子ベクトルを算出する記述子ベクトル算出部とを設ける。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、特徴量算出装置、画像接続装置、画像検索装置、特徴量算出方法、および特徴量算出プログラムに関する。
【背景技術】
【０００２】
複数の画像を接続してパノラマ画像を合成したり、一の画像の中から他の画像を検索したりするために、各画像における特徴的な点（特徴点）を利用することが一般的に行われている。たとえば、各画像において対応する特徴点を検出し、お互いに重ね合わせる特徴点で、パノラマ画像を合成できる。
【０００３】
各特徴点は、各特徴点について固有の量である特徴量によって規定される。特徴量は、特徴量の算出方法によって異なる。特許文献１には、ＳＩＦＴ（Scale Invariant Feature Transformation）と称される特徴量の算出方法が記載されている。ＳＩＦＴによれば、画像のスケール変換に強い特徴量を算出できるとされている。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】米国特許第６７１１２９３号明細書
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、ＳＩＦＴによって算出される特徴量は画像の回転に弱いという課題がある。また、ＳＩＦＴは、コントラストの弱い画像の特徴量の算出には適していないという課題がある。
【０００６】
本発明は、上述した課題を解決するためのものであり、画像の回転に強い特徴量を、コントラストによらずに算出することができる特徴量算出装置、画像接続装置、画像検索装置、特徴量算出方法、および特徴量算出プログラムを提供することを目的とする。
【課題を解決するための手段】
【０００７】
本発明は、入力された画像データを構成する複数の画素データについて、ハリス行列をそれぞれ算出し、算出したハリス行列を用いてコーナー量をそれぞれ算出するコーナー量算出部と、
前記画像データを構成する画素データのうち、周囲の画素データについてのコーナー量よりも大きなコーナー量を有する画素データを、特徴点として検出する特徴点検出部と、
前記特徴点の画素値および該特徴点の隣域の画素データの画素値から、該特徴点付近における画素値の勾配の角度を示す支配的配向を算出する支配的配向算出部と、
前記画像データにおいて、前記特徴点を中心とする半径の異なるｐ（ｐ≧２）個の円の円周上の画素データを検出する同心円検出部と、
ｐ個の各円について、円周上の各画素データにおける画素値の勾配の角度と前記支配的勾配との差分値に円の半径の平方根を乗じた重み付き差分値を、それぞれ算出する重み付き差分値算出部と、
前記重み付き差分値についてのｑ（ｑ≧２）個の階級を有する度数分布を、ｐ個の各円についてそれぞれ作成する度数分布作成部と、
ｐ個の各円について、各度数を成分とするｑ次元のベクトルをそれぞれ算出し、算出された各ｑ次元ベクトルから、ｐ×ｑ次元の記述子ベクトルを算出する記述子ベクトル算出部とを備えることを特徴とする特徴量算出装置である。
【０００８】
また本発明は、一の画像データと該一の画像データを平滑化した後に縮小化して得られる他の画像データとを含む画像データ群を作成し、作成した画像データ群を、前記画像データの代わりに、前記コーナー量算出部に入力する画像データ群作成部を備えることを特徴とする。
【０００９】
また本発明は、前記支配的配向算出部は、前記特徴点および該特徴点の周囲の８個の画素データにおける画素値の勾配の角度の平均値、該特徴点を中心とする半径が３画素の円上の画素データのうち該円上の画素データ全体における画素値の勾配の角度の平均値よりも大きな勾配の角度を有する画素データにおける勾配の角度の平均値、または、該特徴点を中心とする半径が３画素の円上の画素データのうち該円上の画素データ全体における画素値の勾配の角度の平均値よりも小さな勾配の角度を有する画素データにおける勾配の角度の平均値を、前記支配的配向として算出するように構成されることを特徴とする。
【００１０】
また本発明は、前記同心円検出部は、ｐの値を８に設定するように構成され、
前記度数分布作成部は、ｑの値を８に設定するように構成されることを特徴とする。
【００１１】
また本発明は、前記特徴量算出装置と、
前記記述子ベクトルを用いて２以上の画像データを接続して１つの画像データに合成する画像接続部とを備えることを特徴とする画像接続装置である。
【００１２】
また本発明は、前記特徴量算出装置と、
前記記述子ベクトルを用いて一の画像データの中から他の画像データを検索する画像検索部とを備えることを特徴とする画像検索装置である。
【００１３】
また本発明は、入力された画像データを構成する複数の画素データについて、ハリス行列をそれぞれ算出し、算出したハリス行列を用いてコーナー量をそれぞれ算出するステップと、
前記画像データを構成する画素データのうち、周囲の画素データについてのコーナー量よりも大きなコーナー量を有する画素データを、特徴点として検出するステップと、
前記特徴点の画素値および該特徴点の隣域の画素データの画素値から、該特徴点付近における画素値の勾配の角度を示す支配的配向を算出するステップと、
前記画像データにおいて、前記特徴点を中心とする半径の異なるｐ（ｐ≧２）個の円の円周上の画素データを検出するステップと、
ｐ個の各円について、円周上の各画素データにおける画素値の勾配の角度と前記支配的勾配との差分値に円の半径の平方根を乗じた重み付き差分値を、それぞれ算出するステップと、
前記重み付き差分値についてのｑ（ｑ≧２）個の階級を有する度数分布を、ｐ個の各円についてそれぞれ作成するステップと、
ｐ個の各円について、度数を要素とするｑ次元のベクトルをそれぞれ算出し、算出された各ｑ次元ベクトルから、ｐ×ｑ次元の記述子ベクトルを算出するステップとを含むことを特徴とする特徴量算出方法である。
【００１４】
また本発明は、コンピュータを、前記特徴量算出装置として機能させることを特徴とする特徴量算出プログラムである。
【発明の効果】
【００１５】
本発明によれば、記述子ベクトル算出部によって、特徴量として、ｐ×ｑ次元の記述子ベクトルが算出される。この記述子ベクトルは、スケール変換および回転の影響を受け難い。また、コントラストの弱い画像データであっても、各特徴点の各記述子ベクトルは、それぞれ独立性が高い。したがって、画像の回転に強い特徴量を、画像のコントラストによらずに算出する特徴量算出装置を提供することができる。
【００１６】
また本発明によれば、画像データ群作成部によって作成された画像データ群を用いて特徴点の検出が行われるので、より独立性の高い記述子ベクトルを算出することができる。
【００１７】
また本発明によれば、支配的配向算出部によって、特徴点付近における画素値の勾配の角度がより反映された支配的配向が得られるので、より独立性の高い記述子ベクトルを算出することができる。
【００１８】
また本発明によれば、ｐおよびｑの値が８に設定することで、より独立性の高い記述子ベクトルを算出することができる。
【００１９】
また本発明によれば、上記特徴量算出装置を備えることで精度良く画像データを接続する画像接続装置を提供することができる。
【００２０】
また本発明によれば、上記特徴量算出装置を備えることで精度良く画像データを検索する画像接続装置を提供することができる。
【００２１】
また本発明によれば、特徴量として、ｐ×ｑ次元の記述子ベクトルが算出される。この記述子ベクトルは、スケール変換および回転の影響を受け難い。また、コントラストの弱い画像データであっても、各特徴点の各記述子ベクトルは、それぞれ独立性が高い。したがって、画像の回転に強い特徴量を、画像のコントラストによらずに算出する特徴量算出方法を提供することができる。
【００２２】
また本発明によれば、コンピュータを上記特徴量算出装置として機能させる特徴量算出プログラムを提供することができる。
【図面の簡単な説明】
【００２３】
【図１】特徴量算出装置１の構成を示す模式図である。
【図２】記述子ベクトル算出処理を示すフローチャートである。
【図３】画像ピラミッドＧの概念図である。
【図４】ステップＡ２１の処理の詳細を示すフローチャートである。
【図５】ステップＡ２３の処理の詳細を示すフローチャートである。
【図６】ステップＡ２４の処理の詳細を示すフローチャートである。
【図７】ステップＡ２５の処理の詳細を示すフローチャートである。
【図８】ステップＡ２５１の処理の詳細を示すフローチャートである。
【図９】画像接続処理を示すフローチャートである。
【図１０】被写体１００を示す図である。
【図１１】４つの画像データ２００Ａ，２００Ｂ，２００Ｃ，２００Ｄを示す図である。
【図１２】接続後の画像データ３００Ａを示す図である。
【図１３】トリミング処理後の画像データ３００Ｂを示す図である。
【図１４】画像検索処理を示すフローチャートである。
【発明を実施するための形態】
【００２４】
以下に、本発明の実施形態である特徴量算出装置１について説明する。特徴量算出装置１は、デジタルカメラ、スキャナなどから入力された画像データを構成する複数の画素データから、該画像データの特徴を表す量（特徴量）を算出する装置である。
【００２５】
図１は、特徴量算出装置１の構成を示す模式図である。特徴量算出装置１は、制御演算部１１と、記憶部１２と、操作部１３と、表示部１４と、通信部１５と、インターフェイス部１６とを備える。
【００２６】
制御演算部１１は、プログラムに基づく演算処理、および異なる電子デバイス間でのデータの転送制御処理などを行う装置である。制御演算部１１としては、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processor）などが用いられる。
【００２７】
記憶部１２は、ＤＤＲ ＳＤＲＡＭ（Double Data Rate Synchronous Dynamic Random Access Memory）などの揮発性メモリと、ＨＤＤ（Hard Disk Drive）などの不揮発性メモリとを含む。不揮発性メモリには、後述する特徴量算出プログラムが記憶されている。
【００２８】
操作部１３は、たとえば、マウス、キーボード、タッチパネルなどである。ユーザは、操作部１３を介して、特徴量算出装置１を操作することができる。表示部１４は、たとえば、液晶表示装置などである。表示部１４には、制御演算部１１による演算処理の結果などが画像として表示される。通信部１５は、電話回線、インターネットなどによって、特徴量算出装置１以外の装置と通信する装置である。
【００２９】
インターフェイス部１６は、ＵＳＢ（Universal Serial Bus）接続、ＥＴＨＥＲネット接続などのための接続部である。たとえば、特徴量算出装置１は、インターフェイス部１６を介してデジタルカメラなどと接続でき、当該デジタルカメラに記憶されている画像データを記憶部１２に記憶することができる。
【００３０】
また、特徴量算出装置１は、通信部１５によって受信した画像データを記憶部１２に記憶するように構成される。また、特徴量算出装置１は、図示しないスキャナを備え、該スキャナによって取得した画像データを記憶部１２に記憶するように構成される。
【００３１】
記憶部１２に記憶されている特徴量算出プログラムは、上記のようにして記憶部１２に記憶された画像データについて、特徴量として記述子ベクトルを算出するためのプログラムである。特徴量算出プログラムに従うことで、制御演算部１１および記憶部１２は、本発明に係るコーナー量算出部、特徴点検出部、支配的配向算出部、同心円検出部、重み付き差分値算出部、度数分布作成部、記述子ベクトル算出部、および画像データ群作成部として機能する。
【００３２】
本発明において、コーナー量算出部は、入力された画像データを構成する複数の画素データについて、ハリス行列をそれぞれ算出し、算出したハリス行列を用いてコーナー量をそれぞれ算出する機能を有している。特徴点検出部は、画像データを構成する画素データのうち、周囲の画素データについてのコーナー量よりも大きなコーナー量を有する画素データを、特徴点として検出する機能を有している。支配的配向算出部は、特徴点の画素値および該特徴点の近傍の画素データの画素値から、該特徴点付近における画素値の勾配の角度を示す支配的配向を算出する機能を有している。
【００３３】
同心円検出部は、画像データにおいて、特徴点を中心とする半径の異なるｐ（ｐ≧２）個の円の円周上の画素データを検出する機能を有している。重み付き差分値算出部は、ｐ個の各円について、円周上の各画素データにおける画素値の勾配の角度と支配的配向との差分値に円の半径の平方根を乗じた重み付き差分値を、それぞれ算出する機能を有している。度数分布作成部は、重み付き差分値についてのｑ（ｑ≧２）個の階級を有する度数分布を、ｐ個の各円についてそれぞれ作成する機能を有している。記述子ベクトル算出部は、ｐ個の各円について、各度数を成分とするｑ次元のベクトルをそれぞれ算出し、算出された各ｑ次元ベクトルから、ｐ×ｑ次元の記述子ベクトルを算出する機能を有している。
【００３４】
また本実施形態において、画像データ群作成部は、一の画像データと該一の画像データを平滑化した後に縮小化して得られる他の画像データとを含む画像データ群を作成して、コーナー量算出部に入力する機能を有している。また、支配的配向算出部は、特徴点および該特徴点の周囲の８個の画素データにおける画素値の勾配の角度の平均値OLE_LINK1Ａｏと、該特徴点を中心とする半径が３画素の円内の画素データの画素値の勾配の角度の平均値Ａｃとを算出する。そして、支配的配向算出部は、ＡｃがＡｏより大きければ、該特徴点を中心とする半径が３画素の円内の画素データのうち、勾配の角度がＡｃより小さい画素データの勾配の角度の平均値を、支配的配向として算出し、ＡｃがＡｏより小さければ、該特徴点を中心とする半径が３画素の円内の画素データのうち、勾配の角度がＡｃより大きい画素データの勾配の角度の平均値を、支配的配向として算出し、ＡｃがＡｏと等しければ、平均値Ａｏを支配的配向として算出する。
【００３５】
これらの各部の機能によって、特徴量として記述子ベクトルが算出される。算出された記述子ベクトルは、後述する画像の接続、および画像の検索などに利用される。なお、本発明の他の実施形態としては、記憶部１２に特徴量算出プログラムが記憶される代わりに、上記機能を有する上記各部がそれぞれ独立した電子回路で構成されてもよい。
【００３６】
以下では、特徴量算出装置１が上記各部の機能によって記述子ベクトルを算出する処理（記述子ベクトル算出処理）について、詳細に説明する。図２は、記述子ベクトル算出処理を示すフローチャートである。記述子ベクトル算出処理は、画像ピラミッドを作成する処理（ステップＡ２１）と、画像ピラミッドにおける各画素データのコーナー量を算出する処理（ステップＡ２２）と、各コーナー量に基づいて局所的な特徴点を検出する処理（ステップＡ２３）と、局所的な特徴点の中から顕著な特徴点を検出する処理（ステップＡ２４）と、顕著な特徴点に対する記述子ベクトルを算出する処理（ステップＡ２５）とを含む。
【００３７】
まず、ステップＡ２１の処理について説明する。ステップＡ２１の処理は、デジタルカメラなどから入力された画像に基づく、画素値として輝度値を有する画像データ（以下、「第０水準の画像データ」と称する）から、画像ピラミッドを作成する処理である。
【００３８】
本発明において、画像ピラミッドとは、第０水準の画像データと、該画像データに所定の処理を行って得られる第ｎ（以下では、ｎは自然数を表すとする）水準の画像データとを要素とする画像データ群である。ここで、第０水準の画像データを構成する各画素データは、直交座標であるＸ０Ｙ０座標における各座標値（ｕＸ０，ｖＹ０）の関数である輝度値Ｉ０（ｕＸ０，ｖＹ０）で表され、該Ｘ０Ｙ０座標における各座標値（ｕＸ０，ｖＹ０）は、Ｘ０座標およびＹ０座標のいずれについても連続した整数値であるとする。また、第ｎ水準の画像データを構成する各画素データは、直交座標であるＸｎＹｎ座標における各座標値（ｕＸｎ，ｖＹｎ）の関数である輝度値Ｉｎ（ｕＸｎ，ｖＹｎ）で表され、該ＸｎＹｎ座標における各座標値（ｕＸｎ，ｖＹｎ）は、Ｘｎ座標およびＹｎ座標のいずれについても連続した整数値であるとする。
【００３９】
画像ピラミッドの一例として、図３に、画像ピラミッドＧの概念図を示す。図３に示す画像ピラミッドＧは、第０水準の画像ピラミッドのＧ０と、第１水準の画像データＧ１と、第２水準の画像データＧ２とからなっている。
【００４０】
図４は、ステップＡ２１の処理の詳細を示すフローチャートである。まず、変数ｍの値に、０が設定される（ステップＡ２１１）。次に、第ｍ水準の画像データについて、ガウシアンフィルタとの畳み込みによる平滑化が行われる（ステップＡ２１２）。
【００４１】
詳細には、ステップＡ２１２の処理では、第ｍ水準の画像データを構成する各画素データＩｍ（ｕＸｍ，ｖＹｍ）から、下記式（１）によって、ＸｍＹｍ座標における各座標値（ｓＸｍ，ｔＹｍ）の関数であるＪｍ（ｓＸｍ，ｔＹｍ）が得られる。
【数１】
【００４２】
上記式（１）において、定数σの値は、たとえば、√２に設定される。ステップＡ２１２の処理によって平滑化された画像データを構成する各画素データは、Ｊｍ（ｓＸｍ，ｔＹｍ）で表される。
【００４３】
ステップＡ２１２の処理の後、平滑化された画像データについて、該画像データを構成する画素データの間引き処理により縮小化が行われる（ステップＡ２１３）。より詳細には、Ｘｍ座標における画素データの総数が１／２となり、かつ、Ｙｍ座標における画素データの総数が１／２となるように、均等に間引き処理が行われる。この間引き処理によって、縮小化された画像データである第ｍ＋１水準の画像データが得られる。したがって、間引き処理前の座標である第ｍ水準の座標（ＸｍＹｍ座標）で、第ｍ＋１水準の画像データの各画素データの座標値を表すことができ、第０水準の座標（Ｘ０Ｙ０座標）で第ｍ＋１水準の画像データの各画素データの座標値を表すこともできる。
【００４４】
ステップＡ２１３の処理の後、第ｍ＋１水準の画像データについて、画像サイズが３２×３２未満であるか否かが判定される（ステップＡ２１４）。すなわち、第ｍ＋１水準の画像データについて、Ｘｍ＋１座標における画素データの数が３２未満であり、かつ、Ｙｍ＋１座標における画素データの数が３２未満であるか否かが判定される。ステップＡ２１４の判定の結果、画像サイズが３２×３２未満でない場合は、変数ｍの値が１だけ増加し（ステップＡ２１５）、ステップＡ２１２の処理に戻る。
【００４５】
ステップＡ２１４の判定の結果、画像サイズが３２×３２未満である場合は、ステップＡ２１の処理が終了する。ステップＡ２１の処理の開始から終了までの間に作成された第１〜第ｎ水準の画像データ、および第０水準の画像データは、画像ピラミッドとして、記憶部１２に記憶される。
【００４６】
図２に示すように、ステップＡ２１の処理の後は、画像ピラミッドにおける各画素データのコーナー量を算出するステップＡ２２の処理が行われる。コーナー量の算出は、以下に説明するハリス行列を用いて行われる。
【００４７】
画像ピラミッドにおける第ｚ（以下では、ｚは０以上の整数を表すとする）水準の画像データを構成する各画素データは、Ｉｚ（ｕＸｚ，ｖＹｚ）で表される。Ｉｚ（ｕＸｚ，ｖＹｚ）の、Ｘｚ座標における偏微分係数を、
【数２】
と表し、Ｙｚ座標における偏微分係数を、
【数３】
と表すとき、ハリス行列Ｍ（ｕＸｚ，ｖＹｚ）は下記式（２）で表される。
【００４８】
【数４】
【００４９】
各画素データについてのコーナー量Ｒ（ｕＸｚ，ｖＹｚ）は、その画素データにおけるハリス行列Ｍ（ｕＸｚ，ｖＹｚ）から、下記式（３）によって算出される。
Ｒ（ｕＸｚ，ｖＹｚ）＝ｄｅｔ（Ｍ（ｕＸｚ，ｖＹｚ））
−ｋ×（ｔｒａｃｅ（Ｍ（ｕＸｚ，ｖＹｚ）））２
…（３）
【００５０】
上記式（３）において、定数ｋの値は、０．０４〜０．１５の範囲内で設定される。本実施形態では、ｋ＝０．０４である。
【００５１】
このように、ステップＡ２２の処理では、画像ピラミッドの要素である各水準の画像データを構成する画素データについて、上記式（２），（３）により、コーナー量Ｒ（ｕＸｚ，ｖＹｚ）が算出される。算出されたコーナー量Ｒ（ｕＸｚ，ｖＹｚ）は、記憶部１２に記憶される。
【００５２】
図２に示すように、ステップＡ２２の処理の後は、画像ピラミッドを構成する画像データの中から、各コーナー量に基づいて局所的な特徴点を検出するステップＡ２３の処理が行われる。
【００５３】
図５は、ステップＡ２３の処理の詳細を示すフローチャートである。まず、変数ｊの値に、０が設定される（ステップＡ２３１）。次に、変数ｉの値に、１が設定される（ステップＡ２３２）。変数ｉは、第ｊ水準の画像データを構成する画素データを示す自然数である。
【００５４】
次に、第ｊ水準の画像データを構成するｉ番目の画素データについて、コーナー量が周囲の画素データのコーナー量よりも大きいか否かが判定される（ステップＡ２３３）。より詳細には、第ｊ水準の画像データを構成するｉ番目の画素データのＸｊＹｊ座標における座標値を（ｕＸｊ，ｖＹｊ）とするときに、その画素データのコーナー量Ｒ（ｕＸｊ，ｖＹｊ）が、Ｒ（ｕＸｊ，ｖＹｊ＋１）、Ｒ（ｕＸｊ＋１，ｖＹｊ＋１）、Ｒ（ｕＸｊ＋１，ｖＹｊ）、Ｒ（ｕＸｊ＋１，ｖＹｊ−１）、Ｒ（ｕＸｊ，ｖＹｊ−１）、Ｒ（ｕＸｊ−１，ｖＹｊ−１）、Ｒ（ｕＸｊ−１，ｖＹｊ）、およびＲ（ｕＸｊ−１，ｖＹｊ＋１）の８つのコーナー量のいずれよりも大きいか否かが判定される。なお、本実施形態では、ｉ番目の画素データの比較対象とする周囲の画素データの数を８としているけれども、たとえば、１５としてもよい。
【００５５】
ステップＡ２３３の判定の結果、コーナー量が周囲の画素よりも大きくなければ、ステップＡ２３５の処理に進む。ステップＡ２３３の判定の結果、コーナー量が周囲の画素よりも大きければ、第ｊ水準の画像データを構成するｉ番目の画素データのＸｊＹｊ座標における座標値（ｕＸｊ，ｖＹｊ）が、記憶部１２に記憶され（ステップＡ２３４）、その後、ステップＡ２３５の処理に進む。
【００５６】
ステップＡ２３５では、ｉ番目の画素データが、第ｊ水準の画像データにおいて、ステップＡ２３３の判定の対象とする最後の画素データであるか否かが判定される。ステップＡ２３５の判定の結果、最後の画素データであれば、ステップＡ２３６の処理に進み、最後の画素データでなければ、ステップＡ２３７の処理に進む。
【００５７】
ステップＡ２３７の処理では、変数ｉの値が１だけ増加され、その後、ステップＡ２３３の処理に戻る。ステップＡ２３６の処理では、第ｊ水準の画像データが、画像ピラミッドにおいて、ステップＡ２３３の判定の対象とする最後の画像データであるか否かが判定される。ステップＡ２３６の判定の結果、最後の画像データであれば、ステップＡ２３の処理を終了する。ステップＡ２３６の判定の結果、最後の画像データでなければ、ステップＡ２３８の処理に進む。ステップＡ２３８の処理では、変数ｊの値が１だけ増加され、ステップＡ２３２の処理に戻る。
【００５８】
このようにして、ステップＡ２３の処理では、画素データの座標値が記憶される。座標値が記憶された画素データが局所的な特徴点である。
【００５９】
図２に示すように、ステップＡ２３の処理の後は、局所的な特徴点の中から顕著な特徴点を検出するステップＡ２４の処理が行われる。本実施形態では、ステップＡ２４の処理によって、画像ピラミッドを構成するすべての水準の画像データの中から、Ｆ個以下の顕著な特徴点が検出される。
【００６０】
図６は、ステップＡ２４の処理の詳細を示すフローチャートである。まず、局所的な特徴点の数が予め定める定数Ｆの値以上であるか否かが判定される（ステップＡ２４１）。すなわち、上述したステップＡ２３４の処理において座標値が記憶された画素データの数が、定数Ｆの値以上であるか否かが判定される。定数Ｆの値は、たとえば、１０００〜１００００である。
【００６１】
ステップＡ２４１の判定の結果、定数Ｆの値以上であれば、Ｆ個以上の局所的な特徴点の中から、コーナー量の大きい順に、コーナー量の大きいＦ個の局所的な特徴点が抽出され、抽出された局所的な特徴点が顕著な特徴点であるとして、それらの座標値が記憶部１２に記憶される（ステップＡ２４２）。このとき記憶される座標値は、各局所的な特徴点が属する水準の座標における座標値、および第０水準の座標（Ｘ０Ｙ０座標）における座標値である。なお、コーナー量が等しい２以上の局所的な特徴点については、たとえば、ステップＡ２３の処理におけるｊの値がより小さいもの、その中でもｉの値がより小さいものが、優先的に抽出される。また、異なる水準の画像データをそれぞれ構成する、Ｘ０Ｙ０座標における座標値が互いに等しい局所的な特徴点については、それらのうちの１つの局所的な特徴点、たとえば、ステップＡ２３の処理におけるｊの値が最も小さな局所的な特徴点が抽出される。
【００６２】
ステップＡ２４１の判定の結果、定数Ｆの値以上でなければ、ステップＡ２３で検出された局所的な特徴点のすべてが顕著な特徴点であるとして、それらの局所的な特徴点が属する水準の座標における座標値、および第０水準の座標（Ｘ０Ｙ０座標）における座標値が、記憶部１２に記憶される（ステップＡ２４３）。ただし、異なる水準の画像データをそれぞれ構成する、Ｘ０Ｙ０座標における座標値が互いに等しい局所的な特徴点については、それらのうちの１つの局所的な特徴点、たとえば、ステップＡ２３におけるｊの値が最も小さな局所的な特徴点の座標値のみが記憶される。
【００６３】
ステップＡ２４２またはステップＡ２４３の処理の終了により、ステップＡ２４の処理が終了する。このようにして、ステップＡ２４の処理では、顕著な特徴点が検出される。
【００６４】
図２に示すように、ステップＡ２４の処理の後は、顕著な特徴点に対する記述子ベクトルを算出するステップＡ２５の処理が行われる。ステップＡ２５の処理は、各顕著な特徴点についてそれぞれ行われる。
【００６５】
図７は、ステップＡ２５の処理の詳細を示すフローチャートである。ステップＡ２５の処理は、支配的配向を算出する処理（ステップＡ２５１）と、顕著な特徴点を中心とする同心円の円周上の画素データを検出する処理（ステップＡ２５２）と、重み付き差分値を算出する処理（ステップＡ２５３）と、度数分布を作成する処理（ステップＡ２５４）と、記述子ベクトルを算出する処理（ステップＡ２５５）とを含む。
【００６６】
まず、ステップＡ２５１の処理について説明する。ステップＡ２５１の処理は、顕著な特徴点の輝度値および該顕著な特徴点の近傍の画素データの輝度値から、該顕著な特徴点付近における輝度値の勾配の角度を示す支配的配向を算出する処理である。
【００６７】
図８は、ステップＡ２５１の処理の詳細を示すフローチャートである。まず、顕著な特徴点が属する第ｚ水準の画像データにおける、該顕著な特徴点を中心とする円上の各画素データについて、輝度値の勾配の角度（配向）がそれぞれ算出される（ステップＡ２５１１）。この円の半径は、たとえば３画素である。
【００６８】
このとき、顕著な特徴点のＸｚＹｚ座標における座標値を（ｕｚ，ｖｚ）とすれば、第ｚ水準の画像データにおいて、下記式（４）を満たすＸｚＹｚ座標における座標値（αｚ、βｚ）を有する画素データが、この円上の画素データであり、下記式（５）を満たすＸｚＹｚ座標における座標値（αｚ、βｚ）を有する画素データが、この円の円周上の画素データである。
【００６９】
【数５】
【数６】
【００７０】
このような円上の画素データについて、勾配を表す次式、
【数７】
は、Ｓｏｂｅｌ演算子により、下記式（６）に従って算出され、勾配の角度である配向は、下記式（７）に従って算出される。なお、本発明において、下記式（７）に基づいて算出されるすべての配向は、０°以上３６０°未満であるとする。
【００７１】
【数８】
【数９】
【００７２】
次に、顕著な特徴点およびその顕著な特徴点の周囲の８個の画素データの配向についての平均値である第１平均配向Ａｏが算出される（ステップＡ２５１２）。第１平均配向Ａｏは、下記式（８）に従って算出される。
【００７３】
【数１０】
【００７４】
次に、ステップＡ２５１１で勾配が算出された円領域内のすべての画素データの配向を表す次式、
【数１１】
の平均値である第２平均配向Ａｃが算出される（ステップＡ２５１３）。次に、第１平均配向Ａｏと第２平均配向Ａｃとが等しいか否かが判定される（ステップＡ２５１４）。ステップＡ２５１４の判定の結果、２つの値が等しければ、第１平均配向Ａｏが、支配的配向Ａｄとして記憶部１２に記憶される（ステップＡ２５１５）。
【００７５】
ステップＡ２５１４の判定の結果、２つの値が等しくなければ、第１平均配向Ａｏが第２平均配向Ａｃよりも大きいか否かが判定される（ステップＡ２５１６）。ステップＡ２５１６の判定の結果、第１平均配向Ａｏが大きければ、第２平均配向Ａｃよりも大きな値が、支配的配向Ａｄとして記憶部１２に記憶される（ステップＡ２５１７）。より詳細には、ステップＡ２５１１で勾配が算出された円領域内の画素データのうち、第２平均配向Ａｃよりも大きな配向を有する画素データにおける配向の平均値が、支配的配向Ａｄとして記憶部１２に記憶される。
【００７６】
ステップＡ２５１６の判定の結果、第１平均配向Ａｏが大きくなければ、第２平均配向Ａｃよりも小さな値が、支配的配向Ａｄとして記憶部１２に記憶される（ステップＡ２５１８）。より詳細には、ステップＡ２５１１で勾配が算出された円領域内の画素データのうち、第２平均配向Ａｃよりも小さな配向を有する画素データにおける配向の平均値が、支配的配向Ａｄとして記憶部１２に記憶される。
【００７７】
ステップＡ２５１５、ステップＡ２５１７、またはステップＡ２５１８の処理の終了により、ステップＡ２５１の処理が終了する。このようにして、ステップＡ２５１の処理では、各顕著な特徴点について、支配的配向Ａｄが算出される。
【００７８】
図７に示すように、ステップＡ２５１の処理の後は、顕著な特徴点が属する第ｚ水準の画像データにおける、該顕著な特徴点を中心とする同心円の円周上の画素データを検出するステップＡ２５２の処理が行われる。本実施形態では、半径が３画素〜１０画素の、８個の各円について、それぞれの円周上の各画素データの座標値が、記憶部１２に記憶される。なお、円の半径および個数は、これに限られない。
【００７９】
次に、上記の８個の各円における、円周上の各画素データの配向と、ステップＡ２５１で算出された支配的勾配との差分値θが算出され、該差分値と各画素データが属する円の半径の平方根との乗算によって、重み付き差分値Ｄが、各画素データについてそれぞれ算出される（ステップＡ２５３）。円周上の各画素データの配向は、上記式（６），（７）に従って算出される。
【００８０】
たとえば、半径が３画素の円の円周上の画素データの数が１０個であるとき、１０個の重み付き差分値を表す次式、
【数１２】
が、それぞれ算出される。そして、半径４画素〜１０画素の他の円についても、同様に、重み付き差分値Ｄが算出される。なお、重み付き差分値Ｄの数値範囲は、０以上３６０未満であるとし、この範囲外となる場合には、３６０が加算または減算される。算出された重み付き差分値Ｄは、記憶部１２に記憶される。
【００８１】
次に、算出された重み付き差分値について、０以上４５未満、４５以上９０未満、９０以上１３５未満、１３５以上１８０未満、１８０以上２２５未満、２２５以上２７０未満、２７０以上３１５未満、および３１５以上３６０未満の、８個の階級を有する度数分布が、８個の各円についてそれぞれ作成される（ステップＡ２５４）。したがって、８個の階級を有する度数分布が、８個作成される。ここで、円の半径の平方根は重み付きとして、異なる差分値間の距離を増大することができる。これにより、得られた度数の分布が分散となり、度数の分布が１つの区間に集中することが低減され、記述子ベクトルの唯一性が向上される。
【００８２】
次に、作成された８個の度数分布から、記述子ベクトルが算出される（ステップＡ２５５）。より詳細には、作成された度数分布における各階級の度数を成分とする８次元のベクトルが、８個の各円の度数分布について作成される。そして、８個の８次元ベクトルが１つにまとめられ、８×８＝６４次元のベクトルが作成される。最後に、この６４次元のベクトルが、６４個の各成分の２乗の和の平方根で除されて、大きさが１の記述子ベクトルが算出される。
【００８３】
記述子ベクトルは、顕著な特徴点ごとに算出され、各顕著な特徴点のＸ０Ｙ０座標における座標値とともに、記憶部１２に記憶される。これによって、ステップＡ２５の処理が終了し、図２に示す記述子ベクトル算出処理がすべて終了する。
【００８４】
このように、図２に示す記述子ベクトル算出処理により、画像データにおける特徴的な点（特徴点）のＸ０Ｙ０座標における座標値と、その特徴点に対する記述子ベクトルとが算出される。本発明では、特徴点の検出にハリス行列が用いられるので、コントラストが弱い画像データであっても、各特徴点の記述子ベクトルは、独立性が高いものとなっている。したがって、たとえば、２つの画像データにおいて一致する特徴点を検出するときに、誤検出の可能性を減らすことができる。
【００８５】
また、本発明では、特徴点を中心とする同心円の円周上の配向と特徴点付近における支配的配向との差分値に基づいて、記述子ベクトルが算出されるので、該記述子ベクトルは、回転およびスケール変換の影響を受けにくい特徴量となっている。記述子ベクトルが回転およびスケール変換の影響を受けにくい特徴量となるのは、主には、円自身は回転に対して優れた不変性を持つことからであり、かつ、円周上の画素の配向と支配的配向は回転に対して同期性を持ち、その差分値は回転に対して不変であるからである。たとえば、円周が１０°回転しても、支配的配向と該円周上の画素の配向も１０°回転する。たとえそれらの配向の角度は変換したが、それら間の差分値はやはり不変である。
【００８６】
また本実施形態では、画像データ群である画像ピラミッドを用いて特徴点の検出が行われるので、より独立性の高い記述子ベクトルを算出することができる。また、第１平均配向Ａｏと第２平均配向Ａｃとが用いられることで、特徴点付近における支配的配向Ａｄが得られ、その支配的配向Ａｄに対する特徴点を中心とする円周上の画素の配向の回転不変性との特徴で、両者の固定な差分値によって、より独立性の高い記述子ベクトルを算出することができる。さらに、８個の階級を有する８個の度数分布によって、より独立性の高い６４次元の記述子ベクトルを算出することができる。
【００８７】
特徴量算出装置１は、上記のようにして算出された記述子ベクトルを用いて複数の画像データの接続を行う画像接続装置としても機能する。すなわち、記憶部１２に記憶される特徴量算出プログラムに従うことで、制御演算部１１および記憶部１２は、記述子ベクトルを用いて２以上の画像データを接続して１つの画像データに合成する処理（画像接続処理）を行う画像接続部として機能する。
【００８８】
以下に、特徴量算出装置１による画像接続処理について説明する。図９は、画像接続処理を示すフローチャートである。まず、デジタルカメラ、スキャナなどから、画像接続処理の対象となる２以上の画像データが入力される（ステップＢ１）。
【００８９】
次に、入力された各画像データについて、記述子ベクトル算出処理が行われる（ステップＢ２）。ステップＢ２の処理は、図２に示すステップＡ２１〜ステップＡ２５の記述子ベクトル算出処理と同様の処理である。
【００９０】
次に、複数の画像データ間において、一致点の検索が行われる（ステップＢ３）。一致点とは、記述子ベクトル間の距離が予め定める閾値より小さい特徴点の対である。すなわち、一の特徴点に付随する記述子ベクトルの各成分と、他の特徴点の記述子ベクトルの各成分との差の２乗の和の平方根が、予め定める閾値より小さいとき、それらの特徴点は一致点である。各画像データにおける一致点の座標値（Ｘ０Ｙ０座標値）は、記憶部１２に記憶される。
【００９１】
次に、一致点の数が２対以上であるか否かが判定される（ステップＢ４）。ステップＢ４の判定の結果、２対以上でない場合、画像データの接続ができないことを示す画像が、表示部１４に表示される（ステップＢ６）。
【００９２】
ステップＢ４の判定の結果、一致点の数が２対以上である場合、画像データの接続処理が行われる（ステップＢ５）。画像データの接続処理は、Ｘ０Ｙ０座標値に基づいて行われる。
【００９３】
以下に、２つの画像データＬ，Ｌ’において２対の一致点（ｗ１，ｗ１’），（ｗ２，ｗ２’）が検出されたときの画像データの接続処理について示す。なお、特徴点ｗ１，ｗ２は画像データＬ中の画素データであり、特徴点ｗ１’，ｗ２’は画像データＬ’中の画素データであるとする。また、Ｘ０Ｙ０座標において、各特徴点ｗ１，ｗ２，ｗ１’，ｗ２’の座標値はそれぞれ、（ｇ１，ｒ１），（ｇ２，ｒ２），（ｇ１’，ｒ１’），（ｇ２’，ｒ２’）であるとする。
【００９４】
これらの各座標値に基づいて、各画像データＬ，Ｌ’における特徴点間の距離、すなわち、座標値の差の２乗の和の平方根が算出される。画像データＬにおける２つの特徴点（ｗ１，ｗ２）間の距離Ｅは、
【数１３】
であり、画像データＬ’における２つの特徴点（ｗ１’，ｗ２’）間の距離Ｅ’は、
【数１４】
である。そして、距離Ｅと距離Ｅ’とから、距離の比Ｅ’／Ｅが算出される。
【００９５】
また、各座標値に基づいて、各画像データＬ，Ｌ’における特徴点間の傾斜角度が算出される。画像データＬにおける２つの特徴点（ｗ１，ｗ２）間の傾斜角度δは、
【数１５】
であり、画像データＬ’における２つの特徴点（ｗ１’，ｗ２’）間の傾斜角度δ’は、
【数１６】
である。そして、傾斜角度δと傾斜角度δ’とから、傾斜角度の差δ’−δが算出される。
【００９６】
その後、画像データＬに対して、算出された距離の比Ｅ’／Ｅで等倍処理が行われ、かつ、算出された傾斜角度の差δ’−δの値で回転処理が行われる。これらの処理後の画像データＬは、特徴点ｗ１が特徴点ｗ１’に重なり、特徴点ｗ２が特徴点ｗ２’に重なるように、画像データＬ’に接続される。そして、接続によって得られた画像データに対して、必要に応じてトリミング処理が行われ、１つの画像データが合成される。
【００９７】
なお、２つの画像データにおいて一致点が３対以上検出された場合は、各画像データにおける複数の距離の比の平均値と、複数の傾斜角度の差の平均値を用いて、画像データの接続が行われる。たとえば、一致点の数が３対の場合は、距離の比が３つ算出され、傾斜角度の差も３つ算出される。よって、この場合は、３つの距離の比の平均値で等倍処理が行われ、３つの傾斜角度の差の平均値で回転処理が行われる。
【００９８】
ステップＢ５の処理では、上記のような画像データの接続処理によって得られた画像データに基づく画像が、表示部１４に表示される。ステップＢ５またはステップＢ６の処理の終了により、特徴量算出装置１の画像接続処理が終了する。
【００９９】
特徴量算出装置１の画像接続処理によって得られる画像データの具体例を以下に示す。図１０は、被写体１００を示しており、図１１は、４つの画像データ２００Ａ，２００Ｂ，２００Ｃ，２００Ｄを示している。４つの画像データ２００Ａ，２００Ｂ，２００Ｃ，２００Ｄは、それぞれ、デジタルカメラによって被写体１００を撮影することで得られた画像データである。図１２は、接続後の画像データ３００Ａを示している。画像データ３００Ａは、特徴量算出装置１によって、画像データ２００Ａ，２００Ｄに対して回転処理が行われ、画像データ２００Ｃに対して等倍処理が行われた上で、これらの画像データ２００Ａ，２００Ｃ，２００Ｄと画像データ２００Ｂとが接続されて得られた画像データである。図１３は、トリミング処理後の画像データ３００Ｂを示している。画像データ３００Ｂは、特徴量算出装置１によって、画像データ３００Ａにトリミング処理が行われて得られた画像データである。
【０１００】
図１１に示すように、画像データに基づく画像は、互いに傾いていたり、互いにスケールが異なっていたりする。しかしながら、特徴量算出装置１は、記述子ベクトルを用いて画像データの接続を行うので、図１２に示すように、傾きおよびスケールの異なる画像同士を精度良く接続することができる。なお、特徴量算出装置１は、図１３に示す画像データ３００Ｂの代わりに、トリミング処理前の、図１２に示す画像データ３００Ａに基づく画像を、表示部１４に表示するように構成されてもよい。
【０１０１】
また、特徴量算出装置１は、算出された記述子ベクトルを用いて一の画像データの中から他の画像データの検索を行う画像検索装置としても機能する。すなわち、記憶部１２に記憶される特徴量算出プログラムに従うことで、制御演算部１１および記憶部１２は、記述子ベクトルを用いて一の画像データの中から他の画像データを検索する処理（画像検索処理）を行う画像検索部として機能する。
【０１０２】
以下に、特徴量算出装置１による画像検索処理について説明する。図１４は、画像検索処理を示すフローチャートである。まず、デジタルカメラ、スキャナなどから、画像検索処理の対象となる２以上の画像データが入力される（ステップＣ１）。
【０１０３】
次に、入力された各画像データについて、記述子ベクトル算出処理が行われる（ステップＣ２）。ステップＣ２の処理は、図２に示すステップＡ２１〜ステップＡ２５の記述子ベクトル算出処理と同様の処理である。
【０１０４】
次に、複数の画像データ間において、一致点の検索が行われる（ステップＣ３）。一致点とは、記述子ベクトル間の距離が予め定める閾値より小さい特徴点の対である。すなわち、一の特徴点に付随する記述子ベクトルの各成分と、他の特徴点の記述子ベクトルの各成分との差の２乗の和の平方根が、予め定める閾値より小さいとき、それらの特徴点は一致点である。各画像データにおける一致点の座標値（Ｘ０Ｙ０座標値）は、記憶部１２に記憶される。
【０１０５】
次に、一致点の数が多いか否かが判定される（ステップＣ４）。一致点の数が多いか否かの判定は、一致点の絶対的な数に基づいて行われてもよいし、特徴点の数に対する相対的な数に基づいて行われてもよい。たとえば、被検索対象画像データＱの中から、検索対象画像データＱ’を検索しようとする場合に、検索対象画像データＱ’における特徴点の数が５０個であり、ステップＣ３で検出された一致点の数が４５個であるとき、検索対象画像データＱ’中の９割の特徴点に一致する特徴点が被検索対象画像データＱ中から検出されることになるので、一致点の数は多いと判定される。
【０１０６】
ステップＣ４の判定の結果、一致点の数が少ない場合、検索対象画像データＱ’が発見されなかったことを示す画像が、表示部１４に表示される（ステップＣ６）。
【０１０７】
ステップＣ４の判定の結果、一致点の数が多い場合、被検索対象画像データＱにおいて、検索対象画像データＱ’に相当する部分の画像データに基づく画像が、表示部１４に表示される（ステップＣ５）。検索対象画像データＱ’に相当する部分とは、被検索対象画像データＱにおいて、ステップＣ３で検出された一致点をすべて含む部分である。ステップＣ５またはステップＣ６の処理の終了により、特徴量算出装置１の画像検索処理が終了する。
【０１０８】
このように、特徴量算出装置１は、記述子ベクトルを用いて、被検索対象画像データの中から検索対象画像データの検索を行うので、精度良く検索を行うことができる。
【符号の説明】
【０１０９】
１ 特徴量算出装置
１１ 制御演算部
１２ 記憶部
１３ 操作部
１４ 表示部
１５ 通信部
１６ インターフェイス部
【技術分野】
【０００１】
本発明は、特徴量算出装置、画像接続装置、画像検索装置、特徴量算出方法、および特徴量算出プログラムに関する。
【背景技術】
【０００２】
複数の画像を接続してパノラマ画像を合成したり、一の画像の中から他の画像を検索したりするために、各画像における特徴的な点（特徴点）を利用することが一般的に行われている。たとえば、各画像において対応する特徴点を検出し、お互いに重ね合わせる特徴点で、パノラマ画像を合成できる。
【０００３】
各特徴点は、各特徴点について固有の量である特徴量によって規定される。特徴量は、特徴量の算出方法によって異なる。特許文献１には、ＳＩＦＴ（Scale Invariant Feature Transformation）と称される特徴量の算出方法が記載されている。ＳＩＦＴによれば、画像のスケール変換に強い特徴量を算出できるとされている。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】米国特許第６７１１２９３号明細書
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、ＳＩＦＴによって算出される特徴量は画像の回転に弱いという課題がある。また、ＳＩＦＴは、コントラストの弱い画像の特徴量の算出には適していないという課題がある。
【０００６】
本発明は、上述した課題を解決するためのものであり、画像の回転に強い特徴量を、コントラストによらずに算出することができる特徴量算出装置、画像接続装置、画像検索装置、特徴量算出方法、および特徴量算出プログラムを提供することを目的とする。
【課題を解決するための手段】
【０００７】
本発明は、入力された画像データを構成する複数の画素データについて、ハリス行列をそれぞれ算出し、算出したハリス行列を用いてコーナー量をそれぞれ算出するコーナー量算出部と、
前記画像データを構成する画素データのうち、周囲の画素データについてのコーナー量よりも大きなコーナー量を有する画素データを、特徴点として検出する特徴点検出部と、
前記特徴点の画素値および該特徴点の隣域の画素データの画素値から、該特徴点付近における画素値の勾配の角度を示す支配的配向を算出する支配的配向算出部と、
前記画像データにおいて、前記特徴点を中心とする半径の異なるｐ（ｐ≧２）個の円の円周上の画素データを検出する同心円検出部と、
ｐ個の各円について、円周上の各画素データにおける画素値の勾配の角度と前記支配的勾配との差分値に円の半径の平方根を乗じた重み付き差分値を、それぞれ算出する重み付き差分値算出部と、
前記重み付き差分値についてのｑ（ｑ≧２）個の階級を有する度数分布を、ｐ個の各円についてそれぞれ作成する度数分布作成部と、
ｐ個の各円について、各度数を成分とするｑ次元のベクトルをそれぞれ算出し、算出された各ｑ次元ベクトルから、ｐ×ｑ次元の記述子ベクトルを算出する記述子ベクトル算出部とを備えることを特徴とする特徴量算出装置である。
【０００８】
また本発明は、一の画像データと該一の画像データを平滑化した後に縮小化して得られる他の画像データとを含む画像データ群を作成し、作成した画像データ群を、前記画像データの代わりに、前記コーナー量算出部に入力する画像データ群作成部を備えることを特徴とする。
【０００９】
また本発明は、前記支配的配向算出部は、前記特徴点および該特徴点の周囲の８個の画素データにおける画素値の勾配の角度の平均値、該特徴点を中心とする半径が３画素の円上の画素データのうち該円上の画素データ全体における画素値の勾配の角度の平均値よりも大きな勾配の角度を有する画素データにおける勾配の角度の平均値、または、該特徴点を中心とする半径が３画素の円上の画素データのうち該円上の画素データ全体における画素値の勾配の角度の平均値よりも小さな勾配の角度を有する画素データにおける勾配の角度の平均値を、前記支配的配向として算出するように構成されることを特徴とする。
【００１０】
また本発明は、前記同心円検出部は、ｐの値を８に設定するように構成され、
前記度数分布作成部は、ｑの値を８に設定するように構成されることを特徴とする。
【００１１】
また本発明は、前記特徴量算出装置と、
前記記述子ベクトルを用いて２以上の画像データを接続して１つの画像データに合成する画像接続部とを備えることを特徴とする画像接続装置である。
【００１２】
また本発明は、前記特徴量算出装置と、
前記記述子ベクトルを用いて一の画像データの中から他の画像データを検索する画像検索部とを備えることを特徴とする画像検索装置である。
【００１３】
また本発明は、入力された画像データを構成する複数の画素データについて、ハリス行列をそれぞれ算出し、算出したハリス行列を用いてコーナー量をそれぞれ算出するステップと、
前記画像データを構成する画素データのうち、周囲の画素データについてのコーナー量よりも大きなコーナー量を有する画素データを、特徴点として検出するステップと、
前記特徴点の画素値および該特徴点の隣域の画素データの画素値から、該特徴点付近における画素値の勾配の角度を示す支配的配向を算出するステップと、
前記画像データにおいて、前記特徴点を中心とする半径の異なるｐ（ｐ≧２）個の円の円周上の画素データを検出するステップと、
ｐ個の各円について、円周上の各画素データにおける画素値の勾配の角度と前記支配的勾配との差分値に円の半径の平方根を乗じた重み付き差分値を、それぞれ算出するステップと、
前記重み付き差分値についてのｑ（ｑ≧２）個の階級を有する度数分布を、ｐ個の各円についてそれぞれ作成するステップと、
ｐ個の各円について、度数を要素とするｑ次元のベクトルをそれぞれ算出し、算出された各ｑ次元ベクトルから、ｐ×ｑ次元の記述子ベクトルを算出するステップとを含むことを特徴とする特徴量算出方法である。
【００１４】
また本発明は、コンピュータを、前記特徴量算出装置として機能させることを特徴とする特徴量算出プログラムである。
【発明の効果】
【００１５】
本発明によれば、記述子ベクトル算出部によって、特徴量として、ｐ×ｑ次元の記述子ベクトルが算出される。この記述子ベクトルは、スケール変換および回転の影響を受け難い。また、コントラストの弱い画像データであっても、各特徴点の各記述子ベクトルは、それぞれ独立性が高い。したがって、画像の回転に強い特徴量を、画像のコントラストによらずに算出する特徴量算出装置を提供することができる。
【００１６】
また本発明によれば、画像データ群作成部によって作成された画像データ群を用いて特徴点の検出が行われるので、より独立性の高い記述子ベクトルを算出することができる。
【００１７】
また本発明によれば、支配的配向算出部によって、特徴点付近における画素値の勾配の角度がより反映された支配的配向が得られるので、より独立性の高い記述子ベクトルを算出することができる。
【００１８】
また本発明によれば、ｐおよびｑの値が８に設定することで、より独立性の高い記述子ベクトルを算出することができる。
【００１９】
また本発明によれば、上記特徴量算出装置を備えることで精度良く画像データを接続する画像接続装置を提供することができる。
【００２０】
また本発明によれば、上記特徴量算出装置を備えることで精度良く画像データを検索する画像接続装置を提供することができる。
【００２１】
また本発明によれば、特徴量として、ｐ×ｑ次元の記述子ベクトルが算出される。この記述子ベクトルは、スケール変換および回転の影響を受け難い。また、コントラストの弱い画像データであっても、各特徴点の各記述子ベクトルは、それぞれ独立性が高い。したがって、画像の回転に強い特徴量を、画像のコントラストによらずに算出する特徴量算出方法を提供することができる。
【００２２】
また本発明によれば、コンピュータを上記特徴量算出装置として機能させる特徴量算出プログラムを提供することができる。
【図面の簡単な説明】
【００２３】
【図１】特徴量算出装置１の構成を示す模式図である。
【図２】記述子ベクトル算出処理を示すフローチャートである。
【図３】画像ピラミッドＧの概念図である。
【図４】ステップＡ２１の処理の詳細を示すフローチャートである。
【図５】ステップＡ２３の処理の詳細を示すフローチャートである。
【図６】ステップＡ２４の処理の詳細を示すフローチャートである。
【図７】ステップＡ２５の処理の詳細を示すフローチャートである。
【図８】ステップＡ２５１の処理の詳細を示すフローチャートである。
【図９】画像接続処理を示すフローチャートである。
【図１０】被写体１００を示す図である。
【図１１】４つの画像データ２００Ａ，２００Ｂ，２００Ｃ，２００Ｄを示す図である。
【図１２】接続後の画像データ３００Ａを示す図である。
【図１３】トリミング処理後の画像データ３００Ｂを示す図である。
【図１４】画像検索処理を示すフローチャートである。
【発明を実施するための形態】
【００２４】
以下に、本発明の実施形態である特徴量算出装置１について説明する。特徴量算出装置１は、デジタルカメラ、スキャナなどから入力された画像データを構成する複数の画素データから、該画像データの特徴を表す量（特徴量）を算出する装置である。
【００２５】
図１は、特徴量算出装置１の構成を示す模式図である。特徴量算出装置１は、制御演算部１１と、記憶部１２と、操作部１３と、表示部１４と、通信部１５と、インターフェイス部１６とを備える。
【００２６】
制御演算部１１は、プログラムに基づく演算処理、および異なる電子デバイス間でのデータの転送制御処理などを行う装置である。制御演算部１１としては、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processor）などが用いられる。
【００２７】
記憶部１２は、ＤＤＲ ＳＤＲＡＭ（Double Data Rate Synchronous Dynamic Random Access Memory）などの揮発性メモリと、ＨＤＤ（Hard Disk Drive）などの不揮発性メモリとを含む。不揮発性メモリには、後述する特徴量算出プログラムが記憶されている。
【００２８】
操作部１３は、たとえば、マウス、キーボード、タッチパネルなどである。ユーザは、操作部１３を介して、特徴量算出装置１を操作することができる。表示部１４は、たとえば、液晶表示装置などである。表示部１４には、制御演算部１１による演算処理の結果などが画像として表示される。通信部１５は、電話回線、インターネットなどによって、特徴量算出装置１以外の装置と通信する装置である。
【００２９】
インターフェイス部１６は、ＵＳＢ（Universal Serial Bus）接続、ＥＴＨＥＲネット接続などのための接続部である。たとえば、特徴量算出装置１は、インターフェイス部１６を介してデジタルカメラなどと接続でき、当該デジタルカメラに記憶されている画像データを記憶部１２に記憶することができる。
【００３０】
また、特徴量算出装置１は、通信部１５によって受信した画像データを記憶部１２に記憶するように構成される。また、特徴量算出装置１は、図示しないスキャナを備え、該スキャナによって取得した画像データを記憶部１２に記憶するように構成される。
【００３１】
記憶部１２に記憶されている特徴量算出プログラムは、上記のようにして記憶部１２に記憶された画像データについて、特徴量として記述子ベクトルを算出するためのプログラムである。特徴量算出プログラムに従うことで、制御演算部１１および記憶部１２は、本発明に係るコーナー量算出部、特徴点検出部、支配的配向算出部、同心円検出部、重み付き差分値算出部、度数分布作成部、記述子ベクトル算出部、および画像データ群作成部として機能する。
【００３２】
本発明において、コーナー量算出部は、入力された画像データを構成する複数の画素データについて、ハリス行列をそれぞれ算出し、算出したハリス行列を用いてコーナー量をそれぞれ算出する機能を有している。特徴点検出部は、画像データを構成する画素データのうち、周囲の画素データについてのコーナー量よりも大きなコーナー量を有する画素データを、特徴点として検出する機能を有している。支配的配向算出部は、特徴点の画素値および該特徴点の近傍の画素データの画素値から、該特徴点付近における画素値の勾配の角度を示す支配的配向を算出する機能を有している。
【００３３】
同心円検出部は、画像データにおいて、特徴点を中心とする半径の異なるｐ（ｐ≧２）個の円の円周上の画素データを検出する機能を有している。重み付き差分値算出部は、ｐ個の各円について、円周上の各画素データにおける画素値の勾配の角度と支配的配向との差分値に円の半径の平方根を乗じた重み付き差分値を、それぞれ算出する機能を有している。度数分布作成部は、重み付き差分値についてのｑ（ｑ≧２）個の階級を有する度数分布を、ｐ個の各円についてそれぞれ作成する機能を有している。記述子ベクトル算出部は、ｐ個の各円について、各度数を成分とするｑ次元のベクトルをそれぞれ算出し、算出された各ｑ次元ベクトルから、ｐ×ｑ次元の記述子ベクトルを算出する機能を有している。
【００３４】
また本実施形態において、画像データ群作成部は、一の画像データと該一の画像データを平滑化した後に縮小化して得られる他の画像データとを含む画像データ群を作成して、コーナー量算出部に入力する機能を有している。また、支配的配向算出部は、特徴点および該特徴点の周囲の８個の画素データにおける画素値の勾配の角度の平均値OLE_LINK1Ａｏと、該特徴点を中心とする半径が３画素の円内の画素データの画素値の勾配の角度の平均値Ａｃとを算出する。そして、支配的配向算出部は、ＡｃがＡｏより大きければ、該特徴点を中心とする半径が３画素の円内の画素データのうち、勾配の角度がＡｃより小さい画素データの勾配の角度の平均値を、支配的配向として算出し、ＡｃがＡｏより小さければ、該特徴点を中心とする半径が３画素の円内の画素データのうち、勾配の角度がＡｃより大きい画素データの勾配の角度の平均値を、支配的配向として算出し、ＡｃがＡｏと等しければ、平均値Ａｏを支配的配向として算出する。
【００３５】
これらの各部の機能によって、特徴量として記述子ベクトルが算出される。算出された記述子ベクトルは、後述する画像の接続、および画像の検索などに利用される。なお、本発明の他の実施形態としては、記憶部１２に特徴量算出プログラムが記憶される代わりに、上記機能を有する上記各部がそれぞれ独立した電子回路で構成されてもよい。
【００３６】
以下では、特徴量算出装置１が上記各部の機能によって記述子ベクトルを算出する処理（記述子ベクトル算出処理）について、詳細に説明する。図２は、記述子ベクトル算出処理を示すフローチャートである。記述子ベクトル算出処理は、画像ピラミッドを作成する処理（ステップＡ２１）と、画像ピラミッドにおける各画素データのコーナー量を算出する処理（ステップＡ２２）と、各コーナー量に基づいて局所的な特徴点を検出する処理（ステップＡ２３）と、局所的な特徴点の中から顕著な特徴点を検出する処理（ステップＡ２４）と、顕著な特徴点に対する記述子ベクトルを算出する処理（ステップＡ２５）とを含む。
【００３７】
まず、ステップＡ２１の処理について説明する。ステップＡ２１の処理は、デジタルカメラなどから入力された画像に基づく、画素値として輝度値を有する画像データ（以下、「第０水準の画像データ」と称する）から、画像ピラミッドを作成する処理である。
【００３８】
本発明において、画像ピラミッドとは、第０水準の画像データと、該画像データに所定の処理を行って得られる第ｎ（以下では、ｎは自然数を表すとする）水準の画像データとを要素とする画像データ群である。ここで、第０水準の画像データを構成する各画素データは、直交座標であるＸ０Ｙ０座標における各座標値（ｕＸ０，ｖＹ０）の関数である輝度値Ｉ０（ｕＸ０，ｖＹ０）で表され、該Ｘ０Ｙ０座標における各座標値（ｕＸ０，ｖＹ０）は、Ｘ０座標およびＹ０座標のいずれについても連続した整数値であるとする。また、第ｎ水準の画像データを構成する各画素データは、直交座標であるＸｎＹｎ座標における各座標値（ｕＸｎ，ｖＹｎ）の関数である輝度値Ｉｎ（ｕＸｎ，ｖＹｎ）で表され、該ＸｎＹｎ座標における各座標値（ｕＸｎ，ｖＹｎ）は、Ｘｎ座標およびＹｎ座標のいずれについても連続した整数値であるとする。
【００３９】
画像ピラミッドの一例として、図３に、画像ピラミッドＧの概念図を示す。図３に示す画像ピラミッドＧは、第０水準の画像ピラミッドのＧ０と、第１水準の画像データＧ１と、第２水準の画像データＧ２とからなっている。
【００４０】
図４は、ステップＡ２１の処理の詳細を示すフローチャートである。まず、変数ｍの値に、０が設定される（ステップＡ２１１）。次に、第ｍ水準の画像データについて、ガウシアンフィルタとの畳み込みによる平滑化が行われる（ステップＡ２１２）。
【００４１】
詳細には、ステップＡ２１２の処理では、第ｍ水準の画像データを構成する各画素データＩｍ（ｕＸｍ，ｖＹｍ）から、下記式（１）によって、ＸｍＹｍ座標における各座標値（ｓＸｍ，ｔＹｍ）の関数であるＪｍ（ｓＸｍ，ｔＹｍ）が得られる。
【数１】
【００４２】
上記式（１）において、定数σの値は、たとえば、√２に設定される。ステップＡ２１２の処理によって平滑化された画像データを構成する各画素データは、Ｊｍ（ｓＸｍ，ｔＹｍ）で表される。
【００４３】
ステップＡ２１２の処理の後、平滑化された画像データについて、該画像データを構成する画素データの間引き処理により縮小化が行われる（ステップＡ２１３）。より詳細には、Ｘｍ座標における画素データの総数が１／２となり、かつ、Ｙｍ座標における画素データの総数が１／２となるように、均等に間引き処理が行われる。この間引き処理によって、縮小化された画像データである第ｍ＋１水準の画像データが得られる。したがって、間引き処理前の座標である第ｍ水準の座標（ＸｍＹｍ座標）で、第ｍ＋１水準の画像データの各画素データの座標値を表すことができ、第０水準の座標（Ｘ０Ｙ０座標）で第ｍ＋１水準の画像データの各画素データの座標値を表すこともできる。
【００４４】
ステップＡ２１３の処理の後、第ｍ＋１水準の画像データについて、画像サイズが３２×３２未満であるか否かが判定される（ステップＡ２１４）。すなわち、第ｍ＋１水準の画像データについて、Ｘｍ＋１座標における画素データの数が３２未満であり、かつ、Ｙｍ＋１座標における画素データの数が３２未満であるか否かが判定される。ステップＡ２１４の判定の結果、画像サイズが３２×３２未満でない場合は、変数ｍの値が１だけ増加し（ステップＡ２１５）、ステップＡ２１２の処理に戻る。
【００４５】
ステップＡ２１４の判定の結果、画像サイズが３２×３２未満である場合は、ステップＡ２１の処理が終了する。ステップＡ２１の処理の開始から終了までの間に作成された第１〜第ｎ水準の画像データ、および第０水準の画像データは、画像ピラミッドとして、記憶部１２に記憶される。
【００４６】
図２に示すように、ステップＡ２１の処理の後は、画像ピラミッドにおける各画素データのコーナー量を算出するステップＡ２２の処理が行われる。コーナー量の算出は、以下に説明するハリス行列を用いて行われる。
【００４７】
画像ピラミッドにおける第ｚ（以下では、ｚは０以上の整数を表すとする）水準の画像データを構成する各画素データは、Ｉｚ（ｕＸｚ，ｖＹｚ）で表される。Ｉｚ（ｕＸｚ，ｖＹｚ）の、Ｘｚ座標における偏微分係数を、
【数２】
と表し、Ｙｚ座標における偏微分係数を、
【数３】
と表すとき、ハリス行列Ｍ（ｕＸｚ，ｖＹｚ）は下記式（２）で表される。
【００４８】
【数４】
【００４９】
各画素データについてのコーナー量Ｒ（ｕＸｚ，ｖＹｚ）は、その画素データにおけるハリス行列Ｍ（ｕＸｚ，ｖＹｚ）から、下記式（３）によって算出される。
Ｒ（ｕＸｚ，ｖＹｚ）＝ｄｅｔ（Ｍ（ｕＸｚ，ｖＹｚ））
−ｋ×（ｔｒａｃｅ（Ｍ（ｕＸｚ，ｖＹｚ）））２
…（３）
【００５０】
上記式（３）において、定数ｋの値は、０．０４〜０．１５の範囲内で設定される。本実施形態では、ｋ＝０．０４である。
【００５１】
このように、ステップＡ２２の処理では、画像ピラミッドの要素である各水準の画像データを構成する画素データについて、上記式（２），（３）により、コーナー量Ｒ（ｕＸｚ，ｖＹｚ）が算出される。算出されたコーナー量Ｒ（ｕＸｚ，ｖＹｚ）は、記憶部１２に記憶される。
【００５２】
図２に示すように、ステップＡ２２の処理の後は、画像ピラミッドを構成する画像データの中から、各コーナー量に基づいて局所的な特徴点を検出するステップＡ２３の処理が行われる。
【００５３】
図５は、ステップＡ２３の処理の詳細を示すフローチャートである。まず、変数ｊの値に、０が設定される（ステップＡ２３１）。次に、変数ｉの値に、１が設定される（ステップＡ２３２）。変数ｉは、第ｊ水準の画像データを構成する画素データを示す自然数である。
【００５４】
次に、第ｊ水準の画像データを構成するｉ番目の画素データについて、コーナー量が周囲の画素データのコーナー量よりも大きいか否かが判定される（ステップＡ２３３）。より詳細には、第ｊ水準の画像データを構成するｉ番目の画素データのＸｊＹｊ座標における座標値を（ｕＸｊ，ｖＹｊ）とするときに、その画素データのコーナー量Ｒ（ｕＸｊ，ｖＹｊ）が、Ｒ（ｕＸｊ，ｖＹｊ＋１）、Ｒ（ｕＸｊ＋１，ｖＹｊ＋１）、Ｒ（ｕＸｊ＋１，ｖＹｊ）、Ｒ（ｕＸｊ＋１，ｖＹｊ−１）、Ｒ（ｕＸｊ，ｖＹｊ−１）、Ｒ（ｕＸｊ−１，ｖＹｊ−１）、Ｒ（ｕＸｊ−１，ｖＹｊ）、およびＲ（ｕＸｊ−１，ｖＹｊ＋１）の８つのコーナー量のいずれよりも大きいか否かが判定される。なお、本実施形態では、ｉ番目の画素データの比較対象とする周囲の画素データの数を８としているけれども、たとえば、１５としてもよい。
【００５５】
ステップＡ２３３の判定の結果、コーナー量が周囲の画素よりも大きくなければ、ステップＡ２３５の処理に進む。ステップＡ２３３の判定の結果、コーナー量が周囲の画素よりも大きければ、第ｊ水準の画像データを構成するｉ番目の画素データのＸｊＹｊ座標における座標値（ｕＸｊ，ｖＹｊ）が、記憶部１２に記憶され（ステップＡ２３４）、その後、ステップＡ２３５の処理に進む。
【００５６】
ステップＡ２３５では、ｉ番目の画素データが、第ｊ水準の画像データにおいて、ステップＡ２３３の判定の対象とする最後の画素データであるか否かが判定される。ステップＡ２３５の判定の結果、最後の画素データであれば、ステップＡ２３６の処理に進み、最後の画素データでなければ、ステップＡ２３７の処理に進む。
【００５７】
ステップＡ２３７の処理では、変数ｉの値が１だけ増加され、その後、ステップＡ２３３の処理に戻る。ステップＡ２３６の処理では、第ｊ水準の画像データが、画像ピラミッドにおいて、ステップＡ２３３の判定の対象とする最後の画像データであるか否かが判定される。ステップＡ２３６の判定の結果、最後の画像データであれば、ステップＡ２３の処理を終了する。ステップＡ２３６の判定の結果、最後の画像データでなければ、ステップＡ２３８の処理に進む。ステップＡ２３８の処理では、変数ｊの値が１だけ増加され、ステップＡ２３２の処理に戻る。
【００５８】
このようにして、ステップＡ２３の処理では、画素データの座標値が記憶される。座標値が記憶された画素データが局所的な特徴点である。
【００５９】
図２に示すように、ステップＡ２３の処理の後は、局所的な特徴点の中から顕著な特徴点を検出するステップＡ２４の処理が行われる。本実施形態では、ステップＡ２４の処理によって、画像ピラミッドを構成するすべての水準の画像データの中から、Ｆ個以下の顕著な特徴点が検出される。
【００６０】
図６は、ステップＡ２４の処理の詳細を示すフローチャートである。まず、局所的な特徴点の数が予め定める定数Ｆの値以上であるか否かが判定される（ステップＡ２４１）。すなわち、上述したステップＡ２３４の処理において座標値が記憶された画素データの数が、定数Ｆの値以上であるか否かが判定される。定数Ｆの値は、たとえば、１０００〜１００００である。
【００６１】
ステップＡ２４１の判定の結果、定数Ｆの値以上であれば、Ｆ個以上の局所的な特徴点の中から、コーナー量の大きい順に、コーナー量の大きいＦ個の局所的な特徴点が抽出され、抽出された局所的な特徴点が顕著な特徴点であるとして、それらの座標値が記憶部１２に記憶される（ステップＡ２４２）。このとき記憶される座標値は、各局所的な特徴点が属する水準の座標における座標値、および第０水準の座標（Ｘ０Ｙ０座標）における座標値である。なお、コーナー量が等しい２以上の局所的な特徴点については、たとえば、ステップＡ２３の処理におけるｊの値がより小さいもの、その中でもｉの値がより小さいものが、優先的に抽出される。また、異なる水準の画像データをそれぞれ構成する、Ｘ０Ｙ０座標における座標値が互いに等しい局所的な特徴点については、それらのうちの１つの局所的な特徴点、たとえば、ステップＡ２３の処理におけるｊの値が最も小さな局所的な特徴点が抽出される。
【００６２】
ステップＡ２４１の判定の結果、定数Ｆの値以上でなければ、ステップＡ２３で検出された局所的な特徴点のすべてが顕著な特徴点であるとして、それらの局所的な特徴点が属する水準の座標における座標値、および第０水準の座標（Ｘ０Ｙ０座標）における座標値が、記憶部１２に記憶される（ステップＡ２４３）。ただし、異なる水準の画像データをそれぞれ構成する、Ｘ０Ｙ０座標における座標値が互いに等しい局所的な特徴点については、それらのうちの１つの局所的な特徴点、たとえば、ステップＡ２３におけるｊの値が最も小さな局所的な特徴点の座標値のみが記憶される。
【００６３】
ステップＡ２４２またはステップＡ２４３の処理の終了により、ステップＡ２４の処理が終了する。このようにして、ステップＡ２４の処理では、顕著な特徴点が検出される。
【００６４】
図２に示すように、ステップＡ２４の処理の後は、顕著な特徴点に対する記述子ベクトルを算出するステップＡ２５の処理が行われる。ステップＡ２５の処理は、各顕著な特徴点についてそれぞれ行われる。
【００６５】
図７は、ステップＡ２５の処理の詳細を示すフローチャートである。ステップＡ２５の処理は、支配的配向を算出する処理（ステップＡ２５１）と、顕著な特徴点を中心とする同心円の円周上の画素データを検出する処理（ステップＡ２５２）と、重み付き差分値を算出する処理（ステップＡ２５３）と、度数分布を作成する処理（ステップＡ２５４）と、記述子ベクトルを算出する処理（ステップＡ２５５）とを含む。
【００６６】
まず、ステップＡ２５１の処理について説明する。ステップＡ２５１の処理は、顕著な特徴点の輝度値および該顕著な特徴点の近傍の画素データの輝度値から、該顕著な特徴点付近における輝度値の勾配の角度を示す支配的配向を算出する処理である。
【００６７】
図８は、ステップＡ２５１の処理の詳細を示すフローチャートである。まず、顕著な特徴点が属する第ｚ水準の画像データにおける、該顕著な特徴点を中心とする円上の各画素データについて、輝度値の勾配の角度（配向）がそれぞれ算出される（ステップＡ２５１１）。この円の半径は、たとえば３画素である。
【００６８】
このとき、顕著な特徴点のＸｚＹｚ座標における座標値を（ｕｚ，ｖｚ）とすれば、第ｚ水準の画像データにおいて、下記式（４）を満たすＸｚＹｚ座標における座標値（αｚ、βｚ）を有する画素データが、この円上の画素データであり、下記式（５）を満たすＸｚＹｚ座標における座標値（αｚ、βｚ）を有する画素データが、この円の円周上の画素データである。
【００６９】
【数５】
【数６】
【００７０】
このような円上の画素データについて、勾配を表す次式、
【数７】
は、Ｓｏｂｅｌ演算子により、下記式（６）に従って算出され、勾配の角度である配向は、下記式（７）に従って算出される。なお、本発明において、下記式（７）に基づいて算出されるすべての配向は、０°以上３６０°未満であるとする。
【００７１】
【数８】
【数９】
【００７２】
次に、顕著な特徴点およびその顕著な特徴点の周囲の８個の画素データの配向についての平均値である第１平均配向Ａｏが算出される（ステップＡ２５１２）。第１平均配向Ａｏは、下記式（８）に従って算出される。
【００７３】
【数１０】
【００７４】
次に、ステップＡ２５１１で勾配が算出された円領域内のすべての画素データの配向を表す次式、
【数１１】
の平均値である第２平均配向Ａｃが算出される（ステップＡ２５１３）。次に、第１平均配向Ａｏと第２平均配向Ａｃとが等しいか否かが判定される（ステップＡ２５１４）。ステップＡ２５１４の判定の結果、２つの値が等しければ、第１平均配向Ａｏが、支配的配向Ａｄとして記憶部１２に記憶される（ステップＡ２５１５）。
【００７５】
ステップＡ２５１４の判定の結果、２つの値が等しくなければ、第１平均配向Ａｏが第２平均配向Ａｃよりも大きいか否かが判定される（ステップＡ２５１６）。ステップＡ２５１６の判定の結果、第１平均配向Ａｏが大きければ、第２平均配向Ａｃよりも大きな値が、支配的配向Ａｄとして記憶部１２に記憶される（ステップＡ２５１７）。より詳細には、ステップＡ２５１１で勾配が算出された円領域内の画素データのうち、第２平均配向Ａｃよりも大きな配向を有する画素データにおける配向の平均値が、支配的配向Ａｄとして記憶部１２に記憶される。
【００７６】
ステップＡ２５１６の判定の結果、第１平均配向Ａｏが大きくなければ、第２平均配向Ａｃよりも小さな値が、支配的配向Ａｄとして記憶部１２に記憶される（ステップＡ２５１８）。より詳細には、ステップＡ２５１１で勾配が算出された円領域内の画素データのうち、第２平均配向Ａｃよりも小さな配向を有する画素データにおける配向の平均値が、支配的配向Ａｄとして記憶部１２に記憶される。
【００７７】
ステップＡ２５１５、ステップＡ２５１７、またはステップＡ２５１８の処理の終了により、ステップＡ２５１の処理が終了する。このようにして、ステップＡ２５１の処理では、各顕著な特徴点について、支配的配向Ａｄが算出される。
【００７８】
図７に示すように、ステップＡ２５１の処理の後は、顕著な特徴点が属する第ｚ水準の画像データにおける、該顕著な特徴点を中心とする同心円の円周上の画素データを検出するステップＡ２５２の処理が行われる。本実施形態では、半径が３画素〜１０画素の、８個の各円について、それぞれの円周上の各画素データの座標値が、記憶部１２に記憶される。なお、円の半径および個数は、これに限られない。
【００７９】
次に、上記の８個の各円における、円周上の各画素データの配向と、ステップＡ２５１で算出された支配的勾配との差分値θが算出され、該差分値と各画素データが属する円の半径の平方根との乗算によって、重み付き差分値Ｄが、各画素データについてそれぞれ算出される（ステップＡ２５３）。円周上の各画素データの配向は、上記式（６），（７）に従って算出される。
【００８０】
たとえば、半径が３画素の円の円周上の画素データの数が１０個であるとき、１０個の重み付き差分値を表す次式、
【数１２】
が、それぞれ算出される。そして、半径４画素〜１０画素の他の円についても、同様に、重み付き差分値Ｄが算出される。なお、重み付き差分値Ｄの数値範囲は、０以上３６０未満であるとし、この範囲外となる場合には、３６０が加算または減算される。算出された重み付き差分値Ｄは、記憶部１２に記憶される。
【００８１】
次に、算出された重み付き差分値について、０以上４５未満、４５以上９０未満、９０以上１３５未満、１３５以上１８０未満、１８０以上２２５未満、２２５以上２７０未満、２７０以上３１５未満、および３１５以上３６０未満の、８個の階級を有する度数分布が、８個の各円についてそれぞれ作成される（ステップＡ２５４）。したがって、８個の階級を有する度数分布が、８個作成される。ここで、円の半径の平方根は重み付きとして、異なる差分値間の距離を増大することができる。これにより、得られた度数の分布が分散となり、度数の分布が１つの区間に集中することが低減され、記述子ベクトルの唯一性が向上される。
【００８２】
次に、作成された８個の度数分布から、記述子ベクトルが算出される（ステップＡ２５５）。より詳細には、作成された度数分布における各階級の度数を成分とする８次元のベクトルが、８個の各円の度数分布について作成される。そして、８個の８次元ベクトルが１つにまとめられ、８×８＝６４次元のベクトルが作成される。最後に、この６４次元のベクトルが、６４個の各成分の２乗の和の平方根で除されて、大きさが１の記述子ベクトルが算出される。
【００８３】
記述子ベクトルは、顕著な特徴点ごとに算出され、各顕著な特徴点のＸ０Ｙ０座標における座標値とともに、記憶部１２に記憶される。これによって、ステップＡ２５の処理が終了し、図２に示す記述子ベクトル算出処理がすべて終了する。
【００８４】
このように、図２に示す記述子ベクトル算出処理により、画像データにおける特徴的な点（特徴点）のＸ０Ｙ０座標における座標値と、その特徴点に対する記述子ベクトルとが算出される。本発明では、特徴点の検出にハリス行列が用いられるので、コントラストが弱い画像データであっても、各特徴点の記述子ベクトルは、独立性が高いものとなっている。したがって、たとえば、２つの画像データにおいて一致する特徴点を検出するときに、誤検出の可能性を減らすことができる。
【００８５】
また、本発明では、特徴点を中心とする同心円の円周上の配向と特徴点付近における支配的配向との差分値に基づいて、記述子ベクトルが算出されるので、該記述子ベクトルは、回転およびスケール変換の影響を受けにくい特徴量となっている。記述子ベクトルが回転およびスケール変換の影響を受けにくい特徴量となるのは、主には、円自身は回転に対して優れた不変性を持つことからであり、かつ、円周上の画素の配向と支配的配向は回転に対して同期性を持ち、その差分値は回転に対して不変であるからである。たとえば、円周が１０°回転しても、支配的配向と該円周上の画素の配向も１０°回転する。たとえそれらの配向の角度は変換したが、それら間の差分値はやはり不変である。
【００８６】
また本実施形態では、画像データ群である画像ピラミッドを用いて特徴点の検出が行われるので、より独立性の高い記述子ベクトルを算出することができる。また、第１平均配向Ａｏと第２平均配向Ａｃとが用いられることで、特徴点付近における支配的配向Ａｄが得られ、その支配的配向Ａｄに対する特徴点を中心とする円周上の画素の配向の回転不変性との特徴で、両者の固定な差分値によって、より独立性の高い記述子ベクトルを算出することができる。さらに、８個の階級を有する８個の度数分布によって、より独立性の高い６４次元の記述子ベクトルを算出することができる。
【００８７】
特徴量算出装置１は、上記のようにして算出された記述子ベクトルを用いて複数の画像データの接続を行う画像接続装置としても機能する。すなわち、記憶部１２に記憶される特徴量算出プログラムに従うことで、制御演算部１１および記憶部１２は、記述子ベクトルを用いて２以上の画像データを接続して１つの画像データに合成する処理（画像接続処理）を行う画像接続部として機能する。
【００８８】
以下に、特徴量算出装置１による画像接続処理について説明する。図９は、画像接続処理を示すフローチャートである。まず、デジタルカメラ、スキャナなどから、画像接続処理の対象となる２以上の画像データが入力される（ステップＢ１）。
【００８９】
次に、入力された各画像データについて、記述子ベクトル算出処理が行われる（ステップＢ２）。ステップＢ２の処理は、図２に示すステップＡ２１〜ステップＡ２５の記述子ベクトル算出処理と同様の処理である。
【００９０】
次に、複数の画像データ間において、一致点の検索が行われる（ステップＢ３）。一致点とは、記述子ベクトル間の距離が予め定める閾値より小さい特徴点の対である。すなわち、一の特徴点に付随する記述子ベクトルの各成分と、他の特徴点の記述子ベクトルの各成分との差の２乗の和の平方根が、予め定める閾値より小さいとき、それらの特徴点は一致点である。各画像データにおける一致点の座標値（Ｘ０Ｙ０座標値）は、記憶部１２に記憶される。
【００９１】
次に、一致点の数が２対以上であるか否かが判定される（ステップＢ４）。ステップＢ４の判定の結果、２対以上でない場合、画像データの接続ができないことを示す画像が、表示部１４に表示される（ステップＢ６）。
【００９２】
ステップＢ４の判定の結果、一致点の数が２対以上である場合、画像データの接続処理が行われる（ステップＢ５）。画像データの接続処理は、Ｘ０Ｙ０座標値に基づいて行われる。
【００９３】
以下に、２つの画像データＬ，Ｌ’において２対の一致点（ｗ１，ｗ１’），（ｗ２，ｗ２’）が検出されたときの画像データの接続処理について示す。なお、特徴点ｗ１，ｗ２は画像データＬ中の画素データであり、特徴点ｗ１’，ｗ２’は画像データＬ’中の画素データであるとする。また、Ｘ０Ｙ０座標において、各特徴点ｗ１，ｗ２，ｗ１’，ｗ２’の座標値はそれぞれ、（ｇ１，ｒ１），（ｇ２，ｒ２），（ｇ１’，ｒ１’），（ｇ２’，ｒ２’）であるとする。
【００９４】
これらの各座標値に基づいて、各画像データＬ，Ｌ’における特徴点間の距離、すなわち、座標値の差の２乗の和の平方根が算出される。画像データＬにおける２つの特徴点（ｗ１，ｗ２）間の距離Ｅは、
【数１３】
であり、画像データＬ’における２つの特徴点（ｗ１’，ｗ２’）間の距離Ｅ’は、
【数１４】
である。そして、距離Ｅと距離Ｅ’とから、距離の比Ｅ’／Ｅが算出される。
【００９５】
また、各座標値に基づいて、各画像データＬ，Ｌ’における特徴点間の傾斜角度が算出される。画像データＬにおける２つの特徴点（ｗ１，ｗ２）間の傾斜角度δは、
【数１５】
であり、画像データＬ’における２つの特徴点（ｗ１’，ｗ２’）間の傾斜角度δ’は、
【数１６】
である。そして、傾斜角度δと傾斜角度δ’とから、傾斜角度の差δ’−δが算出される。
【００９６】
その後、画像データＬに対して、算出された距離の比Ｅ’／Ｅで等倍処理が行われ、かつ、算出された傾斜角度の差δ’−δの値で回転処理が行われる。これらの処理後の画像データＬは、特徴点ｗ１が特徴点ｗ１’に重なり、特徴点ｗ２が特徴点ｗ２’に重なるように、画像データＬ’に接続される。そして、接続によって得られた画像データに対して、必要に応じてトリミング処理が行われ、１つの画像データが合成される。
【００９７】
なお、２つの画像データにおいて一致点が３対以上検出された場合は、各画像データにおける複数の距離の比の平均値と、複数の傾斜角度の差の平均値を用いて、画像データの接続が行われる。たとえば、一致点の数が３対の場合は、距離の比が３つ算出され、傾斜角度の差も３つ算出される。よって、この場合は、３つの距離の比の平均値で等倍処理が行われ、３つの傾斜角度の差の平均値で回転処理が行われる。
【００９８】
ステップＢ５の処理では、上記のような画像データの接続処理によって得られた画像データに基づく画像が、表示部１４に表示される。ステップＢ５またはステップＢ６の処理の終了により、特徴量算出装置１の画像接続処理が終了する。
【００９９】
特徴量算出装置１の画像接続処理によって得られる画像データの具体例を以下に示す。図１０は、被写体１００を示しており、図１１は、４つの画像データ２００Ａ，２００Ｂ，２００Ｃ，２００Ｄを示している。４つの画像データ２００Ａ，２００Ｂ，２００Ｃ，２００Ｄは、それぞれ、デジタルカメラによって被写体１００を撮影することで得られた画像データである。図１２は、接続後の画像データ３００Ａを示している。画像データ３００Ａは、特徴量算出装置１によって、画像データ２００Ａ，２００Ｄに対して回転処理が行われ、画像データ２００Ｃに対して等倍処理が行われた上で、これらの画像データ２００Ａ，２００Ｃ，２００Ｄと画像データ２００Ｂとが接続されて得られた画像データである。図１３は、トリミング処理後の画像データ３００Ｂを示している。画像データ３００Ｂは、特徴量算出装置１によって、画像データ３００Ａにトリミング処理が行われて得られた画像データである。
【０１００】
図１１に示すように、画像データに基づく画像は、互いに傾いていたり、互いにスケールが異なっていたりする。しかしながら、特徴量算出装置１は、記述子ベクトルを用いて画像データの接続を行うので、図１２に示すように、傾きおよびスケールの異なる画像同士を精度良く接続することができる。なお、特徴量算出装置１は、図１３に示す画像データ３００Ｂの代わりに、トリミング処理前の、図１２に示す画像データ３００Ａに基づく画像を、表示部１４に表示するように構成されてもよい。
【０１０１】
また、特徴量算出装置１は、算出された記述子ベクトルを用いて一の画像データの中から他の画像データの検索を行う画像検索装置としても機能する。すなわち、記憶部１２に記憶される特徴量算出プログラムに従うことで、制御演算部１１および記憶部１２は、記述子ベクトルを用いて一の画像データの中から他の画像データを検索する処理（画像検索処理）を行う画像検索部として機能する。
【０１０２】
以下に、特徴量算出装置１による画像検索処理について説明する。図１４は、画像検索処理を示すフローチャートである。まず、デジタルカメラ、スキャナなどから、画像検索処理の対象となる２以上の画像データが入力される（ステップＣ１）。
【０１０３】
次に、入力された各画像データについて、記述子ベクトル算出処理が行われる（ステップＣ２）。ステップＣ２の処理は、図２に示すステップＡ２１〜ステップＡ２５の記述子ベクトル算出処理と同様の処理である。
【０１０４】
次に、複数の画像データ間において、一致点の検索が行われる（ステップＣ３）。一致点とは、記述子ベクトル間の距離が予め定める閾値より小さい特徴点の対である。すなわち、一の特徴点に付随する記述子ベクトルの各成分と、他の特徴点の記述子ベクトルの各成分との差の２乗の和の平方根が、予め定める閾値より小さいとき、それらの特徴点は一致点である。各画像データにおける一致点の座標値（Ｘ０Ｙ０座標値）は、記憶部１２に記憶される。
【０１０５】
次に、一致点の数が多いか否かが判定される（ステップＣ４）。一致点の数が多いか否かの判定は、一致点の絶対的な数に基づいて行われてもよいし、特徴点の数に対する相対的な数に基づいて行われてもよい。たとえば、被検索対象画像データＱの中から、検索対象画像データＱ’を検索しようとする場合に、検索対象画像データＱ’における特徴点の数が５０個であり、ステップＣ３で検出された一致点の数が４５個であるとき、検索対象画像データＱ’中の９割の特徴点に一致する特徴点が被検索対象画像データＱ中から検出されることになるので、一致点の数は多いと判定される。
【０１０６】
ステップＣ４の判定の結果、一致点の数が少ない場合、検索対象画像データＱ’が発見されなかったことを示す画像が、表示部１４に表示される（ステップＣ６）。
【０１０７】
ステップＣ４の判定の結果、一致点の数が多い場合、被検索対象画像データＱにおいて、検索対象画像データＱ’に相当する部分の画像データに基づく画像が、表示部１４に表示される（ステップＣ５）。検索対象画像データＱ’に相当する部分とは、被検索対象画像データＱにおいて、ステップＣ３で検出された一致点をすべて含む部分である。ステップＣ５またはステップＣ６の処理の終了により、特徴量算出装置１の画像検索処理が終了する。
【０１０８】
このように、特徴量算出装置１は、記述子ベクトルを用いて、被検索対象画像データの中から検索対象画像データの検索を行うので、精度良く検索を行うことができる。
【符号の説明】
【０１０９】
１ 特徴量算出装置
１１ 制御演算部
１２ 記憶部
１３ 操作部
１４ 表示部
１５ 通信部
１６ インターフェイス部
【特許請求の範囲】
【請求項１】
入力された画像データを構成する複数の画素データについて、ハリス行列をそれぞれ算出し、算出したハリス行列を用いてコーナー量をそれぞれ算出するコーナー量算出部と、
前記画像データを構成する画素データのうち、周囲の画素データについてのコーナー量よりも大きなコーナー量を有する画素データを、特徴点として検出する特徴点検出部と、
前記特徴点の画素値および該特徴点の隣域の画素データの画素値から、該特徴点付近における画素値の勾配の角度を示す支配的配向を算出する支配的配向算出部と、
前記画像データにおいて、前記特徴点を中心とする半径の異なるｐ（ｐ≧２）個の円の円周上の画素データを検出する同心円検出部と、
ｐ個の各円について、円周上の各画素データにおける画素値の勾配の角度と前記支配的勾配との差分値に円の半径の平方根を乗じた重み付き差分値を、それぞれ算出する重み付き差分値算出部と、
前記重み付き差分値についてのｑ（ｑ≧２）個の階級を有する度数分布を、ｐ個の各円についてそれぞれ作成する度数分布作成部と、
ｐ個の各円について、各度数を成分とするｑ次元のベクトルをそれぞれ算出し、算出された各ｑ次元ベクトルから、ｐ×ｑ次元の記述子ベクトルを算出する記述子ベクトル算出部とを備えることを特徴とする特徴量算出装置。
【請求項２】
一の画像データと該一の画像データを平滑化した後に縮小化して得られる他の画像データとを含む画像データ群を作成し、作成した画像データ群を、前記画像データの代わりに、前記コーナー量算出部に入力する画像データ群作成部を備えることを特徴とする請求項１に記載の特徴量算出装置。
【請求項３】
前記支配的配向算出部は、前記特徴点および該特徴点の周囲の８個の画素データにおける画素値の勾配の角度の平均値、該特徴点を中心とする半径が３画素の円上の画素データのうち該円上の画素データ全体における画素値の勾配の角度の平均値よりも大きな勾配の角度を有する画素データにおける勾配の角度の平均値、または、該特徴点を中心とする半径が３画素の円上の画素データのうち該円上の画素データ全体における画素値の勾配の角度の平均値よりも小さな勾配の角度を有する画素データにおける勾配の角度の平均値を、前記支配的配向として算出するように構成されることを特徴とする請求項１または２に記載の特徴量算出装置。
【請求項４】
前記同心円検出部は、ｐの値を８に設定するように構成され、
前記度数分布作成部は、ｑの値を８に設定するように構成されることを特徴とする請求項１〜３のいずれか１つに記載の特徴量算出装置。
【請求項５】
請求項１〜４のいずれか１つに記載の特徴量算出装置と、
前記記述子ベクトルを用いて２以上の画像データを接続して１つの画像データに合成する画像接続部とを備えることを特徴とする画像接続装置。
【請求項６】
請求項１〜４のいずれか１つに記載の特徴量算出装置と、
前記記述子ベクトルを用いて一の画像データの中から他の画像データを検索する画像検索部とを備えることを特徴とする画像検索装置。
【請求項７】
入力された画像データを構成する複数の画素データについて、ハリス行列をそれぞれ算出し、算出したハリス行列を用いてコーナー量をそれぞれ算出するステップと、
前記画像データを構成する画素データのうち、周囲の画素データについてのコーナー量よりも大きなコーナー量を有する画素データを、特徴点として検出するステップと、
前記特徴点の画素値および該特徴点の隣域の画素データの画素値から、該特徴点付近における画素値の勾配の角度を示す支配的配向を算出するステップと、
前記画像データにおいて、前記特徴点を中心とする半径の異なるｐ（ｐ≧２）個の円の円周上の画素データを検出するステップと、
ｐ個の各円について、円周上の各画素データにおける画素値の勾配の角度と前記支配的勾配との差分値に円の半径の平方根を乗じた重み付き差分値を、それぞれ算出するステップと、
前記重み付き差分値についてのｑ（ｑ≧２）個の階級を有する度数分布を、ｐ個の各円についてそれぞれ作成するステップと、
ｐ個の各円について、度数を要素とするｑ次元のベクトルをそれぞれ算出し、算出された各ｑ次元ベクトルから、ｐ×ｑ次元の記述子ベクトルを算出するステップとを含むことを特徴とする特徴量算出方法。
【請求項８】
コンピュータを、請求項１〜４のいずれか１つに記載の特徴量算出装置として機能させることを特徴とする特徴量算出プログラム。
【請求項１】
入力された画像データを構成する複数の画素データについて、ハリス行列をそれぞれ算出し、算出したハリス行列を用いてコーナー量をそれぞれ算出するコーナー量算出部と、
前記画像データを構成する画素データのうち、周囲の画素データについてのコーナー量よりも大きなコーナー量を有する画素データを、特徴点として検出する特徴点検出部と、
前記特徴点の画素値および該特徴点の隣域の画素データの画素値から、該特徴点付近における画素値の勾配の角度を示す支配的配向を算出する支配的配向算出部と、
前記画像データにおいて、前記特徴点を中心とする半径の異なるｐ（ｐ≧２）個の円の円周上の画素データを検出する同心円検出部と、
ｐ個の各円について、円周上の各画素データにおける画素値の勾配の角度と前記支配的勾配との差分値に円の半径の平方根を乗じた重み付き差分値を、それぞれ算出する重み付き差分値算出部と、
前記重み付き差分値についてのｑ（ｑ≧２）個の階級を有する度数分布を、ｐ個の各円についてそれぞれ作成する度数分布作成部と、
ｐ個の各円について、各度数を成分とするｑ次元のベクトルをそれぞれ算出し、算出された各ｑ次元ベクトルから、ｐ×ｑ次元の記述子ベクトルを算出する記述子ベクトル算出部とを備えることを特徴とする特徴量算出装置。
【請求項２】
一の画像データと該一の画像データを平滑化した後に縮小化して得られる他の画像データとを含む画像データ群を作成し、作成した画像データ群を、前記画像データの代わりに、前記コーナー量算出部に入力する画像データ群作成部を備えることを特徴とする請求項１に記載の特徴量算出装置。
【請求項３】
前記支配的配向算出部は、前記特徴点および該特徴点の周囲の８個の画素データにおける画素値の勾配の角度の平均値、該特徴点を中心とする半径が３画素の円上の画素データのうち該円上の画素データ全体における画素値の勾配の角度の平均値よりも大きな勾配の角度を有する画素データにおける勾配の角度の平均値、または、該特徴点を中心とする半径が３画素の円上の画素データのうち該円上の画素データ全体における画素値の勾配の角度の平均値よりも小さな勾配の角度を有する画素データにおける勾配の角度の平均値を、前記支配的配向として算出するように構成されることを特徴とする請求項１または２に記載の特徴量算出装置。
【請求項４】
前記同心円検出部は、ｐの値を８に設定するように構成され、
前記度数分布作成部は、ｑの値を８に設定するように構成されることを特徴とする請求項１〜３のいずれか１つに記載の特徴量算出装置。
【請求項５】
請求項１〜４のいずれか１つに記載の特徴量算出装置と、
前記記述子ベクトルを用いて２以上の画像データを接続して１つの画像データに合成する画像接続部とを備えることを特徴とする画像接続装置。
【請求項６】
請求項１〜４のいずれか１つに記載の特徴量算出装置と、
前記記述子ベクトルを用いて一の画像データの中から他の画像データを検索する画像検索部とを備えることを特徴とする画像検索装置。
【請求項７】
入力された画像データを構成する複数の画素データについて、ハリス行列をそれぞれ算出し、算出したハリス行列を用いてコーナー量をそれぞれ算出するステップと、
前記画像データを構成する画素データのうち、周囲の画素データについてのコーナー量よりも大きなコーナー量を有する画素データを、特徴点として検出するステップと、
前記特徴点の画素値および該特徴点の隣域の画素データの画素値から、該特徴点付近における画素値の勾配の角度を示す支配的配向を算出するステップと、
前記画像データにおいて、前記特徴点を中心とする半径の異なるｐ（ｐ≧２）個の円の円周上の画素データを検出するステップと、
ｐ個の各円について、円周上の各画素データにおける画素値の勾配の角度と前記支配的勾配との差分値に円の半径の平方根を乗じた重み付き差分値を、それぞれ算出するステップと、
前記重み付き差分値についてのｑ（ｑ≧２）個の階級を有する度数分布を、ｐ個の各円についてそれぞれ作成するステップと、
ｐ個の各円について、度数を要素とするｑ次元のベクトルをそれぞれ算出し、算出された各ｑ次元ベクトルから、ｐ×ｑ次元の記述子ベクトルを算出するステップとを含むことを特徴とする特徴量算出方法。
【請求項８】
コンピュータを、請求項１〜４のいずれか１つに記載の特徴量算出装置として機能させることを特徴とする特徴量算出プログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【公開番号】特開２０１２−３８２９０（Ｐ２０１２−３８２９０Ａ）
【公開日】平成２４年２月２３日（２０１２．２．２３）
【国際特許分類】
【出願番号】特願２０１１−２６５９２（Ｐ２０１１−２６５９２）
【出願日】平成２３年２月９日（２０１１．２．９）
【出願人】（０００００５０４９）シャープ株式会社 (33,933)
【Ｆターム（参考）】
【公開日】平成２４年２月２３日（２０１２．２．２３）
【国際特許分類】
【出願日】平成２３年２月９日（２０１１．２．９）
【出願人】（０００００５０４９）シャープ株式会社 (33,933)
【Ｆターム（参考）】
[ Back to top ]