画像におけるノイズ除去装置
【課題】本当にノイズであるか否かを正確に判断してノイズを除去できるようにする。
【解決手段】病理画像からノイズ５を除去する場合、癌細胞４ａが存在する同一部位に対して異なる解像度の第一層画像２１から第三層画像２３を取得する。そして、まず、第一層画像２１をセルに区切り、各セルがノイズ５であるか否かを第一確率モデルで判断する。その結果、そのセルがノイズ５でないと判断された場合は、そのセルの高解像度の画像を読み出し、セルで区切ってノイズ５であるか否かを第二確率モデルで判断する。この第二確率モデルを作成する場合、第一確率モデルの判断結果を組み込んで作成し、これによって、低解像度の画像で全体を見渡してノイズを判断し、また、高解像度の画像でその結果を考慮した細かい部分を判断する。
【解決手段】病理画像からノイズ５を除去する場合、癌細胞４ａが存在する同一部位に対して異なる解像度の第一層画像２１から第三層画像２３を取得する。そして、まず、第一層画像２１をセルに区切り、各セルがノイズ５であるか否かを第一確率モデルで判断する。その結果、そのセルがノイズ５でないと判断された場合は、そのセルの高解像度の画像を読み出し、セルで区切ってノイズ５であるか否かを第二確率モデルで判断する。この第二確率モデルを作成する場合、第一確率モデルの判断結果を組み込んで作成し、これによって、低解像度の画像で全体を見渡してノイズを判断し、また、高解像度の画像でその結果を考慮した細かい部分を判断する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、原画像からノイズを除去して特定の画像だけを抽出できるようにしたノイズ除去装置に関するもので、より詳しくは、例えば、解像度毎に異なる確率モデルを用いてノイズを高精度に除去できるようにしたノイズ除去装置に関するものである。
【背景技術】
【０００２】
従来より、画像内におけるノイズを除去して特定の画像だけを抽出するノイズ除去方法が各種提案されている。
【０００３】
このうちの一つの方法が、原画像とノイズの周波数分布の違いに基づいてノイズを除去する方法であり（特許文献１）、また、もう一つの方法が、確率モデルによってノイズを除去する方法である（特許文献２、特許文献３など）。これらの方法によれば、原画像からある程度ノイズを除去してきれいな画像を抽出することができる。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２０００−１５２０３６号公報
【特許文献２】特開平７−１２３２７７号公報
【特許文献３】特開２００６−３１０９９９号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
ところで、このように原画像からノイズを除去する際、その除去されるノイズが本当にノイズであるかどうかを正確に判断しなければならないケースがある。例えば、癌細胞を含む病理画像から癌細胞を抽出するようなケースなどの場合においては、癌細胞とそれ以外の細胞の画像やノイズ（以下、まとめてノイズと称する）とを正確に見極めなければ、誤診の原因となりかねない。
【０００６】
このような場合、一般的には、特定の解像度で取得された画像に基づいてノイズであるか否かを判断することになるが、その画像が比較的低解像度の画像である場合は、図６（ａ）に示すように、全体を見渡すことで、癌細胞とそれ以外の画像とを大まかに切り分けることができる。なお、図６（ａ）において、符号４ａが癌細胞であり、符号５を示す領域がそれ以外のノイズとみなされる領域である。
【０００７】
しかしながら、このように低解像度の画像で判断すると、細かな部分における判断が疎かにになり、誤った判断を生じさせてしまう可能性がある。具体的には、図６（ａ）において、黒い画像が密集した領域は癌細胞であるかノイズであるかを判断することが難しくなり誤診となりかねない。
【０００８】
一方で、高解像度で取得された画像に基づいて判断しようとすると、判断対象となるセルが癌細胞であるかそれ以外の細胞であるかを判断できなくなってしまう可能性がある。例えば、図６（ｂ）に示すように、図６（ａ）よりも高解像度の画像で細かな領域を判断しようとすると、ノイズが大きくなり、これが癌細胞であるかノイズであるかを判断することが難しくなる。
【０００９】
また、このような病理画像による診断だけでなく、他の分野においても抽出されるべき画像とそれ以外の画像とを正確に切り分けしなければならないような場合も多く、産業界においては原画像からノイズを正確に除去する要請が高くなってきている。
【００１０】
そこで、本発明は上記課題に着目してなされたものであり、原画像からノイズを除去する場合に、それが本当にノイズであるかどうかを正確に判断してノイズを除去できるようにしたノイズ除去装置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】
【００１１】
すなわち、本発明のノイズ除去装置は、上記課題を解決するために、原画像からノイズを除去するノイズ除去装置において、同一対象物に対して低解像度の画像と高解像度の画像を少なくとも２枚記憶させておく記憶手段と、低解像度の画像を所定のセルに区切り、当該セルがノイズであるか否かを判断する第一判断手段と、当該第一判断手段におけるセルの判断において、当該セルがノイズでないと判断された場合、当該セルの高解像度の画像を所定のセルで区切り、当該セルがノイズであるか否かを判断する第二判断手段とを備えるようにしたものである。
【００１２】
また、別の発明では、第一判断手段におけるセルの判断において、当該セルがノイズであると判断された場合、当該セルの高解像度の画像を所定のセルで区切り、当該セルがノイズであるか否かを判断する第三判断手段とを備えるようにする。
【００１３】
このようにすれば、低解像度の画像を用いて全体を見渡すことでノイズであるか否かをおおまかに判断することができ、また、高解像度の画像で細かい部分を判断することでノイズであるか否かを高精度に判断できるようになる。すなわち、はじめから高解像度の画像だけでノイズを除去しようとすると、判断対象となる小さなセルの領域内だけでノイズであるか否かを判断することができなくなってしまうが、低解像度の画像と組み合わせることでそれぞれの画像の利点を活かして高精度にノイズを除去することができるようになる。
【００１４】
また、このような発明において、前記第一判断手段における判断結果を、第二判断手段や第三判断手段における判断に組み込んで判断できるようにする。
【００１５】
このようにすれば、低解像度の画像による判断結果を高解像度の画像の判断に組み込むことで、判断対象となるセルが低解像度の画像においてノイズであるかどうかを判断することができ、高解像度の小さなセルの判断においても全体的な判断を誤るようなことがなくなる。
【００１６】
さらに、このような発明において第一判断手段によってノイズか否かを判断する場合に、確率モデルを用いてノイズであるかどうかを判断し、前記第一判断手段によってノイズでないと判断されたセルのノイズ確率又は非ノイズ確率を抽出し、当該非ノイズ確率又はノイズ確率を考慮した第二確率モデルを用いて第二判断手段でセルの判断を行うようにする。
【００１７】
もしくは、第三判断手段において、第一判断手段によってノイズであると判断されたセルの非ノイズ確率又はノイズ確率を抽出し、当該ノイズ確率又は非ノイズ確率を考慮した第三確率モデルを用いて前記第三判断手段でセルの判断を行うようにする。
【００１８】
このようにすれば、低解像度の画像におけるセルでノイズであると判断された確率を考慮するので、次に、高解像度の画像で判断する際に、そのセルの何パーセントがノイズであるかなどの全体的な判断を誤るようなことがなくなる。
【発明の効果】
【００１９】
本発明によれば、同一対象物に対して低解像度の画像と高解像度の画像を少なくとも２枚記憶させておく記憶手段と、低解像度の画像を所定のセルに区切り、当該セルがノイズであるか否かを判断する第一判断手段と、当該第一判断手段におけるセルの判断において、当該セルがノイズでないと判断された場合、当該セルの高解像度の画像を所定のセルで区切り、当該セルがノイズであるか否かを判断する第二判断手段とを備えるようにしたので、低解像度の画像を用いて全体を見渡すことでノイズであるか否かを大きく判断することができ、また、高解像度の画像で細かい部分を判断することでノイズであるか否かを高精度に判断できるようになる。すなわち、はじめから高解像度の画像だけでノイズを除去しようとすると、判断対象となる小さなセルの領域内だけでノイズであるか否かを判断することができなくなってしまうが、低解像度の画像と組み合わせることでそれぞれの画像の利点を活かして高精度にノイズを除去することができるようになる。
【図面の簡単な説明】
【００２０】
【図１】本発明の一実施の形態におけるノイズ除去装置の機能ブロック図
【図２】同実施の形態における低解像度の画像と高解像度の画像の階層関係を示す図
【図３】同実施の形態における確率モデルとセルの修正を示す図
【図４】同実施の形態における教師画像に基づいて確率モデルを作成する場合のフローチャート
【図５】同実施の形態におけるノイズ除去する場合のフローチャート
【図６】低解像度で取得された画像と高解像度で取得された画像を示す図
【図７】ノイズを除去した場合の画像を示す図
【発明を実施するための形態】
【００２１】
以下、本発明の一実施の形態におけるノイズ除去装置１について説明する。本実施の形態は、図６に示すような画像として癌細胞４ａなどを含む病理画像からノイズ５を除去し、図７に示すようなターゲットである癌細胞４ａを抽出するものである。しかしながら、必ずしもこのような病理画像からノイズ５を除去して癌細胞４ａのみを抽出する場合に限定されるものではなく、一般的に、抽出対象となるターゲット以外のノイズ５を除去することが望まれているすべての分野に適用することができる。
【００２２】
なお、この実施の形態において、図１はノイズ除去装置１の機能ブロック図を示し、図２は、低解像度から高解像度までを階層的に示した図であり、各階層のセルの状態を示したものである。
【００２３】
この実施の形態におけるノイズ除去装置１は、汎用的なパーソナルコンピューターなどによって構成されるものであって、低解像度の画像からノイズ５とターゲット４（ここでは癌細胞４ａ）のセルに分離し、この分離されたセルについて、更に高解像度の画像を読み出してノイズ５であるか否かを判断できるようにしたものである。このとき、各セルがノイズ５であるか否かを判断するための手法として確率モデルを用い、まず、低解像度の画像に基づいて各セルがノイズ５であるか否かの第一確率モデルを作成し、その第一確率モデルを用いてセルを判断する。そして、次に、そのセルの高解像度の画像を読み出し、その画像のセルの判断を行う場合には、上層である低解像度の第一確率モデルの判断結果を考慮して第二確率モデルを作成し、その第二確率モデルを用いて第二層のセルの判断を行っていく。以下、高解像になるにしたがって、上層のセルの判断結果を用い、このように上層の判断結果を下層の確率モデルに組み込むことで、おおまかな判断から細かな判断までを行えるようにしたものである。以下、本実施の形態におけるノイズ除去装置１について図１の機能ブロック図を用いて説明する。
【００２４】
このノイズ除去装置１を構成する教師データ記憶手段１１は、記憶装置の内部に設けられるものであって、あらかじめターゲット４（例えば、癌細胞４ａ）であるかノイズ５であるか否かの結果が分かっている画像を記憶させている。ここでは、一つの病理画像に対して、図２に示すように、異なる解像度で画像を取得し、例えば、第一層の画像として低解像度の画像（以下、第一層画像２１と称する）、第二層の画像として中解像度の画像（以下、第二層画像２２と称する）、第三層の画像として高解像度の画像（以下、第三層画像２３と称する）として記憶させるようにしている。また、必要ならば、更に高解像度で画像を取得して記憶させておいてもよい。このような画像としてはグレースケールの画像であってもよく、あるいは、ＲＧＢからなるカラー画像であってもよい。一般的に、癌細胞４ａであるか否かを判断する場合は、ＭＧ染色やＰＡＳ染色、免疫科学染色、ＨＥ染色などによって癌細胞４ａを染色するため、癌細胞４ａは相対的に他の領域よりも色の濃くなる。このため、病理画像から癌細胞４ａを抽出する場合は、染色されたＲＧＢ画像を教師画像として記憶させるようにしておく。
【００２５】
セル分割手段１２は、このような教師データ記憶手段１１に記憶されている画像を、所定の大きさのセルに分割し、そのセルにおける画像がノイズ５であるか否かを判断できるようにする。このようなセルの大きさとしては、図２では、第一層画像２１から第三層画像２３においてすべて同じ矩形状に設定しているが、このセルの形状については、矩形状である必要はなく、極座標系に区切った扇形状であってもよい。また、セルの大きさについては、ノイズ５であるかどうかを判断できる大きさに設定しておくことが望ましい。すなわち、低解像度の画像のセルが大き過ぎる場合、一つのセルの中にターゲット４やノイズ５などが混在してしまい、ノイズ５であるかどうかを判断しにくくなる。一方、セルが小さ過ぎる場合は、セルの数が多くなって計算量が膨大になってしまう。そのため、セルの大きさについては、画像の解像度やターゲット４やノイズ５の大きさ、計算量などに基づいて適切な大きさに設定しておく。
【００２６】
ルール作成手段１３は、あらかじめ用意された複数の解像度の画像に基づいて、その画像内におけるセルがノイズ５であるか否かを判断するためのルールを作成する。このルールを作成する場合、本実施の形態では確率モデルを用いて各セルがノイズ５であるか否かを判断するルールを作成し、あらかじめ各セルがノイズ５であるか否かの答えが分かっている画像を用いてルールを作成する。
【００２７】
＜第一層画像２１における確率モデルの構築＞
このルール作成手段１３のうち、第一ルール作成手段１３ａは、低解像度の第一層画像２１を用いて、その画像の各セルがノイズ５であるか否かの第一ルールを作成する。
【００２８】
この第一層画像２１から第一ルールを作成する場合は、分割されたセルと第一層画像２１とを重ね合わせ、その第一層画像２１と重ね合わされたセルがノイズ５である場合は、図３に示すように、そのセルに「０」を記憶させ、一方、ターゲット４である場合は「１」を記憶させる。このとき、「０」「１」を記憶させる最も簡単な方法としては、グレースケールの２５６階調輝度値を取得し、セルの輝度平均値が所定の閾値よりも高い場合（すなわち、明るい場合）は「０」としてセルに記憶させ、また、セルの輝度平均値がその閾値よりも低い場合は「１」としてセルに記憶させる方法を採用することができる。もちろん、他の方法も用いることができ、例えば、カラー画像を用いて判断する場合は、セルのＲＧＢ輝度値を抽出し、その各輝度値毎に設定された値やＲＧＢの各輝度値の割合などと所定の閾値とを比較して「０」や「１」を割り当てる方法も用いることもできる。このような閾値を設定する場合、あらかじめそのセルがターゲット４であるかノイズ５であるかが判っているため、その答えを導き出せるように閾値を設定しておく。そして、第一層画像２１のセルに「０」「１」を設定することにより、図３に示すような第一層画像２１のセルのマップを作成する。このセルマップは、第一層画像２１から得られるターゲット４の答えとなっている。そして、このように得られたセルマップから、「０」と「１」の配列状態を把握し、周囲のセルの状態がどのような状態であれば「０」となるか、または、周囲のセルの状態がどのような状態であれば「１」となるかの第一確率モデルを作成する。このような確率モデルは、図３（ａ）に示すように、あるセルのセル値に対して輝度値や周囲の条件などを考慮して分岐を行い、さらにその分岐先でも所定の条件を考慮して分岐を行い、最終的にそのセルの値を決定するものを用いる。図３（ａ）では、あるセルの値が「０」である場合、確率モデルを用いて「１」に修正される場合を示している。
【００２９】
ところで、このように低解像度の画像によって各セルがノイズ５であるか否かを判断する場合、図２に示すように、大部分がノイズ５である領域では、大まかにそのセルがノイズ５であると判断することができ、また、大部分がターゲット４である領域に対しても、大まかにそのセルがターゲット４であると判断することができる。しかしながら、ターゲット４とノイズ５の境界においては、仮にそこに位置するセルが「０」と判断されたとしても、そのセルがすべてノイズ５であったり、また、ノイズ５が６０％程度しか含まれていない可能性がある。また、逆にそのセルが「１」と判断されたとしても、そのセル内にノイズ５が全く存在しなかったり、ノイズ５が５０％も含まれている可能性もある。このため、低解像度の画像で「０」「１」を割り当てたとしても、実際には、そのセルが本当にノイズ５であるか否かを判断することができない。また、このような状況以外にも、ノイズ５の発生状態などによってそのセルがノイズ５であるか否かを正確に判断することができない場合もある。そこで、図２に示すように、第一層画像２１で「０」「１」とを大まかに判断して切り分けた後、第一層画像２１のすべてのセルについて、その第一層画像２１よりも高解像度の第二層画像２２を読み出し、その画像をもとに第一層のセルがノイズ５であるか否かを詳細に判断できるようにする。この第二層画像２２を読み出す場合、一般的には、第一層画像２１におけるセルの座標位置を読み出し、そのセルの座標位置に対応して記憶された領域の第二層画像２２を読み出す。
【００３０】
＜第二層画像２２における確率モデルの作成＞
第二ルール作成手段１３ｂによって第二ルールを作成する場合、図２の第二層画像２２に示すように、第二層画像２２を複数のセルに分割して画像と重ね合わせ、その分割されたセルにノイズ５が含まれているか否かを判断する。このような判断を行う場合においても、同様に、例えば、セルの平均輝度値を所定の閾値で仕切ることなどによって「０」や「１」を割り当て、第二層画像２２全体についてのセルマップを作成する。そして、このように第二層画像２２のセルマップを作成して「０」と「１」の配列状態を把握した後、周囲のセルの状態がどのような状態であれば「０」となるかの第二確率モデルを作成し、また、周囲のセルの状態がどのような状態であれば「１」となるのかを判断するための第三確率モデルを作成する。ただし、この第二確率モデルや第三確率モデルを作成する場合、上層セルの状態を参照し、その上層における当該セルの状態を考慮して確率モデルを作成していく。具体的には、第一層におけるセルが「０」と判断されている場合には、そのセルに対応する第二層画像２２が全体的にノイズ５を多く含んでいるとみなすような第二確率モデルを作成し、また、上層のセルが「１」と判断されている場合は、そのセルに対応する第二層画像２２が全体的にノイズ５をほとんど含んでいない（すなわち、ターゲット４を多く含んでいる）と判断するような第三確率モデルを作成する。また、これ以外にも、上層のセルの値だけを考慮するのではなく、第一層画像２１のセルの周囲の値を考慮して第二層画像２２の確率モデルを作成してもよい。例えば、このように第一層画像２１の周囲のセルを考慮する場合においては、第一層画像２１のセルの周囲８セルのすべてが「０」である場合は、第二層画像２２のセルをほとんど「０」と判断するように第二確率モデルを作成し、また、第一層画像２１のセルの周囲８セルのうち半分が「０」である場合は、第二層画像２２のセルのうち約半分が「０」と判断されるように第三確率モデルを作成する。また、これ以外にも、第一層画像２１のセルの輝度値などに基づいて確率モデルを作成するなど、上層における当該セルの状態を考慮して第二層画像２２の確率モデルを作成していく。
【００３１】
＜第三層画像２３における確率モデルの作成＞
以下、同様に、このような処理を繰り返していくことにより、第三層以降のルールを作成していく。第三ルール作成手段１３ｃでルールを作成する場合は、第二層画像２２で「０」もしくは「１」と判断されたセルを抽出し、このうち、第二層画像２２で「０」と判断されたセルについては、更に高解像度の第三層画像２３を読み出し、その第三層画像２３の分割されたセルとを重ね合わせて、各セルに「０」「１」を記憶させる。そして、このように作成された第三層のセルマップについて、「０」と「１」の配列状態を把握して、周囲のセルの状態がどのような状態であれば「０」となるか、また、周囲のセルの状態がどのような状態であれば「１」となるのかを判断するための第四確率モデルを作成する。また、第二層画像２２で「１」と判断されたセルについても、更に高解像度の第三層画像２３を読み出し、その第三層画像２３の分割されたセルとを重ね合わせて、各セルに「０」「１」を記憶させる。そして、このように作成された第三層のセルマップについて、「０」と「１」の配列状態を把握して、周囲のセルの状態がどのような状態であれば「０」となるか、また、周囲のセルの状態がどのような状態であれば「１」となるのかを判断するための第五確率モデルを作成する。これらの第四確率モデルや第五確率モデルを作成する場合も、上層の当該セルの値「０」「１」を考慮し、例えば、第一層画像２１のセルが「０」で第二層画像２２のセルが「０」と判断された場合、それらの値を考慮した確率モデルを第四確率モデルとして作成する。以下、同様に、第一層画像２１のセルが「０」で第二層画像２２のセルが「１」と判断された場合の確率モデルを第五確率モデル、第一層画像２１のセルが「１」で第二層画像２２のセルが「０」と判断された場合の確率モデルを第六確率モデル、第一層画像２１のセルが「１」で第二層画像２２のセルが「１」と判断された場合の確率モデルを第七確率モデルとして第三層の確率モデルを作成していく。これらの第五確率モデルから第七確率モデルを作成する場合についても、もちろん、上層画像のセルの値を考慮した確率モデルを構築していく。
【００３２】
このように作成された各層毎の確率モデルは、記憶手段１４に記憶され、後に取得される被験者の病理画像からこれらの確率モデルを用いてノイズ５を除去し、ターゲット４の画像を抽出できるようにする。
【００３３】
画像取得手段１５は、具体的には、ＣＣＤカメラやスキャナーなどによって構成され、同一の対象物から異なる解像度で画像を取得する。これらの異なる解像度で画像を取得する場合は、前記第一層画像２１・第二層画像２２・第三層画像２３と同じ解像度で画像を取得する。これらの画像を取得する場合、グレースケール画像でもＲＧＢのカラー画像であってもよい。但し、画像の精度を保証するために、同じカメラなどで解像度を変更して画像を取得できるようにしておくことが好ましい。
【００３４】
セル分割手段１２では、この取得された画像をメッシュ状のセルに分割し、そのセルに対して座標を割り当てる。このセル分割手段１２で画像を分割する場合、ルール作成手段１３でルールを作成する場合と同じ状態でセルを分割する。
【００３５】
判断手段１６では、セルに分割された画像からそのセルがノイズ５であるか否かの判断を行う。この判断を行う場合、第一層画像２１から第三層画像２３のそれぞれについて判断を行い、最終的には高解像度の画像における各セルがノイズ５であるかどうかを判断する。
【００３６】
この判断手段１６における第一判断手段１６ａは、低解像度の画像である第一層画像２１の各セルがノイズ５であるか（あるいは、ターゲット４であるか）否かを判断する。各セルの状態を判断する場合においては、例えば、取得された画像におけるセルの輝度平均値を取得し、その輝度平均値が所定の閾値よりも高いか低いかによって「０」「１」を判断する。もちろん、このような「０」「１」の判断をする場合、他の手法を用いることができるが、ルール作成手段１３の第一ルールによってノイズ５を除去することを考慮すれば、ルール作成手段１３で作成された判断手法によって「０」「１」を決定することが好ましい。そして、この判断手段１６で「０」や「１」と判断されたセルについて、第一ルールである第一確率モデルを適用して、「０」や「１」を修正する。これにより、低解像度でどのような「０」「１」配列のときに、本当にノイズ５であるかどうかを判断し、その判断結果に基づいてセルの値を修正する。これによって、全体を見渡せるようなおおまかな画像に基づいてノイズ５の判断を行う。
【００３７】
また、第二判断手段１６ｂは、中解像度の画像である第二層画像２２の各セルがノイズ５であるか否かを判断する。この場合においても、第一判断手段１６ａと同様に、取得された画像におけるセルの輝度平均値を取得し、その輝度平均値が所定の閾値よりも高いか低いかによって「０」「１」を判断する。そして、この判断手段１６で「０」や「１」と判断されたセルについて、第二ルールである第二確率モデルを適用して、「０」や「１」を修正する。この第二確率モデルでは、第一確率モデルによる判断結果を考慮しているため、そのセルが全体を見渡したときにノイズ５であるか否かを判断することができ、しかも、更に詳細にノイズ５を判断することができる。
【００３８】
さらに、第三判断手段１６ｃも、同様にして高解像度の画像である第三層画像２３の各セルがノイズ５であるか否かを判断し、第三確率モデルを用いて各セルの「０」「１」を修正する。以下、同様に必要な階層まで処理を繰り返し、高解像度の画像のセルについてノイズ５であるか否かの判断と修正を行う。
【００３９】
そして、ノイズ除去手段１７は、この第三判断手段１６ｃによりノイズ５と判断されたセルの画像を除去し、最終的にターゲット４となるセルの画像のみを残す。このような処理をすることにより、図７に示すように、癌細胞４ａのみからなる画像を抽出する。なお、ノイズ５を除去する場合においては、そのセルの画像を抜いてターゲット４の画像のみを残すようにしてもよく、あるいは、ノイズ５と判断されるセルや、ターゲット４と判断された画像を色分けしてノイズ５とターゲット４とを判別できるようにしてもよい。
【００４０】
次に、このように構成されたノイズ除去装置１における処理の流れを、図４および図５を用いて説明する。
【００４１】
＜教師画像に基づく確率モデルの作成＞
まず、教師画像から確率モデルを作成する場合の処理の流れについて、図４のフローチャートを用いて説明する。
【００４２】
ノイズ除去のためのルールを作成する場合、低解像度の画像である第１層画像（ステップＳ１）を読み出し（ステップＳ２）、その画像全体について矩形状のセルに分割する（ステップＳ３）。そして、そのセルに分割された画像と教師画像とを重ね合わせ、ノイズ５が多く含まれている場合は「０」、ターゲット４が多く含まれている場合は「１」を記憶させる。この「０」「１」の判断基準については、各セルにおける輝度平均値と閾値とを比較することや、目視判断などによって行う。そして、この処理を第一層画像２１全体について行い、周囲のセルがどのような状態であれば「０」と判断されているか、もしくは、周囲のセルがどのような状態であれば「１」と判断されているかという第一確率モデルを作成する（ステップＳ５、Ｓ７）。
【００４３】
次に、このように第一層画像２１に基づいて第一確率モデルを作成した後、第一層画像２１の該当セルについて高解像度である第二層画像２２を抽出し（ステップＳ９、Ｓ２）、同様にセルの分割と（ステップＳ３）、各セルのノイズ５の判断を行う（ステップＳ４）。ここでは、画像層が第二層であるため（ステップＳ５：Ｎｏ）、そのセルが属する上層セルである第一層のセルの判断結果を考慮した第二層画像２２の第二確率モデルを作成する（ステップＳ８）。このとき、第一層画像２１のセルが「０」であると判断されている場合は、これに対応して読み出された第二層画像２２のセルについて全体が「０」と判断されるように第二確率モデルを作成し、一方、第一層画像２１のセルが「１」であると判断されている場合は、これに対応して読み出された第二層画像２２のセルについて全体が「１」と判断されるように第三確率モデルを作成する。もしくは、第一層画像２１のセルについて第一確率モデルによってＡ％の確率で「０」もしくは「１」であると判断された場合、これに対応する第二層画像２２のセル全体がＡ％の確率で「０」「１」となるように第二確率モデルや第三確率モデルを作成する。
【００４４】
また、第三層画像２３の確率モデルを作成する場合についても、同様に、第二層画像２２の該当セルについて高解像度である第三層画像２３を抽出し（ステップＳ９、Ｓ２）、同様にセルの分割と（ステップＳ３）、各セルのノイズ５の判断を行う（ステップＳ４）。そして、この層は第三層であるため（ステップＳ５：Ｎｏ）、そのセルが属する上層セルである第二層のセルの判断結果を考慮した第三層画像２３の第三確率モデルを作成する（ステップＳ８）。このとき、第三確率モデルを作成する場合、第二層のセルの判断結果「０」「１」を考慮しており、また、第二層のセルは第一層のセルの判断結果「０」「１」を考慮しているため、合計４パターンの確率モデル（第四確率モデル〜第七確率モデル）が作成されることになる。
【００４５】
以下、同様に、最も高解像度の画像まで同様の処理を繰り返し、最終層である第Ｎ層（この実施の形態では第三層）の画像まで確率モデルを作成したら、これを記憶手段１４に記憶させて処理を終了する。
【００４６】
＜確率モデルを用いたノイズ除去フロー＞
次に、このように作成された各階層毎の確率モデルを用いて高解像度の画像までノイズ５を除去する場合のフローチャートについて図５を用いて説明する。
【００４７】
まず、被験者の病理画像を検査する場合、検査対象となる部位について異なる解像度で画像を取得しておき、これを記憶手段１４に記憶させておく。ここでは、低解像度、中解像度、高解像度の３種類の画像を取得しているものとする。
【００４８】
このような状態のもとで被験者の病理画像からノイズ５を除去する場合、まず、低解像度である第一層画像２１を読み出し（ステップＴ１、Ｔ２）、この読み出された画像をセルに分割する（ステップＴ３）。そして、セルに分割された画像と取得された画像とを重ね合わせ、そのセルがノイズ５であるか否かを輝度値と閾値などを用いて判断し、そのセルに「０」「１」を記憶させる（ステップＴ４）。そして、これに対応して、同じ階層の確率モデルとして第一確率モデルを読み出し、その第一確率モデルを用いて「０」「１」を修正する（ステップＴ５）。このとき、その第一確率モデルは、教師画像から作成されているため、確率モデルに基づいて何パーセントの確率で「０」であるか、あるいは「１」であるかを正確に判断することができる。
【００４９】
そして、このように第一層画像２１の「０」「１」を修正した後、被験者から取得された中解像度である第二層画像２２を読み取り、同様にして、セルの分割（ステップＴ３）やノイズ５であるか否かの判断を行う（ステップＴ４）。このとき、まず、第一層画像２１で「０」と判断されたセルの第二層画像２２を読み取り、「０」「１」のデータを書き込む。そして、記憶手段１４に記憶されている第二確率モデルを用いてそのセルが本当に「０」であるか否かの判断を行い、第二層画像２２の「０」「１」を修正する（ステップＴ５）。また、これと同様に、第一層画像２１で「１」と判断されたセルの第二層画像２２を読み取り、「０」「１」のデータを書き込む。そして、記憶手段１４に記憶されている第三確率モデルを用いてそのセルが本当に「１」であるか否かの判断を行い、第三層画像２３の「０」「１」を修正する（ステップＴ５）。
【００５０】
以下、同様に、第二層画像２２で「０」「１」と判断されたセルの詳細判断を行う場合、第二層で「０」と判断されたセルの第三層画像２３を読み取り、輝度値と閾値の判断などに基づいて「０」「１」のデータを書き込む。そして、その判断の結果、第三層のセルで「０」が書き込まれた場合、記憶手段１４に記憶されている第四確率モデルを用いてそのセルが本当に「０」であるか否かの判断を行い、その「０」と判断されたセルについて「０」「１」を修正する（ステップＴ５）。また、以下同様に、第二層のセルが「０」であって第三層のセルが「１」である場合、それが本当に「１」であるか否かの判断を第五確率モデルを用いて判断する（ステップＴ５）。一方、第二層で「１」と判断されたセルについては、同様に、第三層画像２３を読み取り、輝度値と閾値の判断などに基づいて「０」「１」のデータを書き込む。そして、第三層のセルで「０」が書き込まれた場合、記憶手段１４に記憶されている第六確率モデルを用いてそのセルが本当に「０」であるか否かの判断を行って、その「０」と判断されたセルについて「０」「１」を修正する（ステップＴ５）。また、以下同様に、第二層のセルが「１」で第三層のセルが「１」である場合、それが本当に「１」であるか否かの判断を第七確率モデルを用いて判断する（ステップＴ５）。
【００５１】
そして、最後に、最も高解像度の画像に対するノイズ５の判断が行われた後（ステップＴ７）、ノイズ５と判断された「０」のセルを除去し、ターゲット４だけが残されたセルを抽出する（ステップＴ８）。
【００５２】
このように、上記実施の形態によれば、病理画像からノイズ５を除去するノイズ除去装置１において、癌細胞４ａが存在する同一部位に対して第一層画像２１から第三層画像２３を記憶させておく記憶手段１４と、第一層画像２１を所定のセルに区切り、あるセルがノイズ５であるか否かを第一ルールに従って判断する第一判断手段１６ａと、当該第一判断手段１６ａでそのセルが「１」（すなわちノイズでない）であると判断された場合は、当該セルの高解像度の画像を読み出し、所定のセルで区切って当該セルがノイズ５であるか否かを判断する第二判断手段１６ｂを備え、また、第一判断手段１６ａでセルが「０」（すなわちノイズである）と判断された場合は、当該セルの高解像度の画像を読み出し、所定のセルで区切ってノイズ５であるか否かを判断する第三判断手段１６ｃとを備えるようにしたので、低解像度の画像を用いて全体を見渡すことでノイズ５であるか否かをおおまかに判断することができ、また、高解像度の画像で細かい部分を判断することでノイズ５であるか否かを高精度に判断できるようになる。すなわち、はじめから高解像度の画像だけでノイズ５を除去しようとすると、判断対象となる小さなセルの領域内だけでノイズ５であるか否かを判断することができなくなってしまうが、低解像度の画像と組み合わせることで各画像の利点を活かして高精度にノイズ５を除去することができるようになる。
【００５３】
また、このような階層別の画像の判断において、第一判断手段１６ａにおける判断結果を、第二ルールや第三ルールとして判断に組み込み、また、第二判断手段１６ｂや第三判断手段１６ｃにおける判断結果を第四ルールから第七ルールとして判断に組み込むようにしたので、低解像度の画像による判断結果を高解像度の画像の判断に組み込むことで、判断対象となるセルが低解像度の画像でノイズ５であるか否かを判断することができ、高解像度の小さなセルにおいても全体的な判断を誤るようなことがなくなる。
【００５４】
さらに、第一判断手段１６ａによって判断する場合、確率モデルを用いてノイズ５であるか否かを判断し、第二判断手段１６ｂにおいて、第一判断手段１６ａによってノイズ５でないと判断されたセルのノイズ５である確率又はノイズ５でない確率を抽出し、これらの確率を考慮して生成された第二確率モデルを用いて高解像度で区切られた各セルがノイズ５であるか否かを判断できるようにしたので、高解像度の画像で判断する際に、そのセルの何パーセントがノイズ５であるかなどの全体的な判断を誤るようなことがなくなる。
【００５５】
なお、本発明は上記実施の形態に限定されることなく、種々の態様で実施することができる。
【００５６】
すなわち、上記実施の形態では、低解像度、中解像度、高解像度の三層の画像に基づいて判断するようにしたが、低解像度と高解像度の二層だけの画像で判断してもよく、あるいは、四層以上の画像で判断してもよい。
【００５７】
また、上記実施の形態では、第一層画像のすべてのセルについて高解像度画像を読み出してノイズか否かを判断するようにしているが、第一層画像でノイズであると判断されたセルのみ、もしくはターゲットであると判断されたセルのみについて高解像度画像を読み出し、同様の手法で詳細に判断してもよい。このとき、第一層画像でＡ％以上ノイズであると判断された部分を除き、それ以外の部分のみを詳細に高解像度画像で判断するようにしてもよい。
【００５８】
また、上記実施の形態では、確率モデルを用いてセルのノイズ５の確率などを判断するようにしたが、各セルの判断においては他の手法を用いることもでき、例えば、各セルの輝度平均値について段階的に閾値を設けておき、第一段階の閾値内にセルの輝度平均値が入っていればノイズ５である可能性がＡ１％、第二段階のの閾値内にセルの輝度平均値が入っていればノイズ５である可能性がＡ２％というように、段階的にセルを判断するようにしてもよい。
【００５９】
さらに、上記実施の形態では、教師画像から確率モデルを作成する場合について説明したが、一枚の教師画像から確率モデルを作成する場合だけでなく、複数枚の教師画像から確率モデルを作成するようにするとよい。
【産業上の利用可能性】
【００６０】
本発明は、病理画像からノイズ５を除去して癌細胞４ａを抽出する分野のみならず、取得された画像（例えば、部品検査装置における検査画像や風景画など）からノイズ５を除去してきれいな画像を抽出するような分野に適用することができる。
【符号の説明】
【００６１】
１・・・ノイズ除去装置
１１・・・教師データ記憶手段
１２・・・セル分割手段
１３・・・ルール作成手段
１３ａ・・・第一ルール作成手段
１３ｂ・・・第二ルール作成手段
１３ｃ・・・第三ルール作成手段
１４・・・記憶手段
１５・・・画像取得手段
１６・・・判断手段
１６ａ・・・第一判断手段
１６ｂ・・・第二判断手段
１６ｃ・・・第三判断手段
１７・・・ノイズ除去手段
２１・・・第一層画像
２２・・・第二層画像
２３・・・第三層画像
３・・・セル
４・・・ターゲット
４ａ・・・癌細胞
５・・・ノイズ
【技術分野】
【０００１】
本発明は、原画像からノイズを除去して特定の画像だけを抽出できるようにしたノイズ除去装置に関するもので、より詳しくは、例えば、解像度毎に異なる確率モデルを用いてノイズを高精度に除去できるようにしたノイズ除去装置に関するものである。
【背景技術】
【０００２】
従来より、画像内におけるノイズを除去して特定の画像だけを抽出するノイズ除去方法が各種提案されている。
【０００３】
このうちの一つの方法が、原画像とノイズの周波数分布の違いに基づいてノイズを除去する方法であり（特許文献１）、また、もう一つの方法が、確率モデルによってノイズを除去する方法である（特許文献２、特許文献３など）。これらの方法によれば、原画像からある程度ノイズを除去してきれいな画像を抽出することができる。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２０００−１５２０３６号公報
【特許文献２】特開平７−１２３２７７号公報
【特許文献３】特開２００６−３１０９９９号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
ところで、このように原画像からノイズを除去する際、その除去されるノイズが本当にノイズであるかどうかを正確に判断しなければならないケースがある。例えば、癌細胞を含む病理画像から癌細胞を抽出するようなケースなどの場合においては、癌細胞とそれ以外の細胞の画像やノイズ（以下、まとめてノイズと称する）とを正確に見極めなければ、誤診の原因となりかねない。
【０００６】
このような場合、一般的には、特定の解像度で取得された画像に基づいてノイズであるか否かを判断することになるが、その画像が比較的低解像度の画像である場合は、図６（ａ）に示すように、全体を見渡すことで、癌細胞とそれ以外の画像とを大まかに切り分けることができる。なお、図６（ａ）において、符号４ａが癌細胞であり、符号５を示す領域がそれ以外のノイズとみなされる領域である。
【０００７】
しかしながら、このように低解像度の画像で判断すると、細かな部分における判断が疎かにになり、誤った判断を生じさせてしまう可能性がある。具体的には、図６（ａ）において、黒い画像が密集した領域は癌細胞であるかノイズであるかを判断することが難しくなり誤診となりかねない。
【０００８】
一方で、高解像度で取得された画像に基づいて判断しようとすると、判断対象となるセルが癌細胞であるかそれ以外の細胞であるかを判断できなくなってしまう可能性がある。例えば、図６（ｂ）に示すように、図６（ａ）よりも高解像度の画像で細かな領域を判断しようとすると、ノイズが大きくなり、これが癌細胞であるかノイズであるかを判断することが難しくなる。
【０００９】
また、このような病理画像による診断だけでなく、他の分野においても抽出されるべき画像とそれ以外の画像とを正確に切り分けしなければならないような場合も多く、産業界においては原画像からノイズを正確に除去する要請が高くなってきている。
【００１０】
そこで、本発明は上記課題に着目してなされたものであり、原画像からノイズを除去する場合に、それが本当にノイズであるかどうかを正確に判断してノイズを除去できるようにしたノイズ除去装置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】
【００１１】
すなわち、本発明のノイズ除去装置は、上記課題を解決するために、原画像からノイズを除去するノイズ除去装置において、同一対象物に対して低解像度の画像と高解像度の画像を少なくとも２枚記憶させておく記憶手段と、低解像度の画像を所定のセルに区切り、当該セルがノイズであるか否かを判断する第一判断手段と、当該第一判断手段におけるセルの判断において、当該セルがノイズでないと判断された場合、当該セルの高解像度の画像を所定のセルで区切り、当該セルがノイズであるか否かを判断する第二判断手段とを備えるようにしたものである。
【００１２】
また、別の発明では、第一判断手段におけるセルの判断において、当該セルがノイズであると判断された場合、当該セルの高解像度の画像を所定のセルで区切り、当該セルがノイズであるか否かを判断する第三判断手段とを備えるようにする。
【００１３】
このようにすれば、低解像度の画像を用いて全体を見渡すことでノイズであるか否かをおおまかに判断することができ、また、高解像度の画像で細かい部分を判断することでノイズであるか否かを高精度に判断できるようになる。すなわち、はじめから高解像度の画像だけでノイズを除去しようとすると、判断対象となる小さなセルの領域内だけでノイズであるか否かを判断することができなくなってしまうが、低解像度の画像と組み合わせることでそれぞれの画像の利点を活かして高精度にノイズを除去することができるようになる。
【００１４】
また、このような発明において、前記第一判断手段における判断結果を、第二判断手段や第三判断手段における判断に組み込んで判断できるようにする。
【００１５】
このようにすれば、低解像度の画像による判断結果を高解像度の画像の判断に組み込むことで、判断対象となるセルが低解像度の画像においてノイズであるかどうかを判断することができ、高解像度の小さなセルの判断においても全体的な判断を誤るようなことがなくなる。
【００１６】
さらに、このような発明において第一判断手段によってノイズか否かを判断する場合に、確率モデルを用いてノイズであるかどうかを判断し、前記第一判断手段によってノイズでないと判断されたセルのノイズ確率又は非ノイズ確率を抽出し、当該非ノイズ確率又はノイズ確率を考慮した第二確率モデルを用いて第二判断手段でセルの判断を行うようにする。
【００１７】
もしくは、第三判断手段において、第一判断手段によってノイズであると判断されたセルの非ノイズ確率又はノイズ確率を抽出し、当該ノイズ確率又は非ノイズ確率を考慮した第三確率モデルを用いて前記第三判断手段でセルの判断を行うようにする。
【００１８】
このようにすれば、低解像度の画像におけるセルでノイズであると判断された確率を考慮するので、次に、高解像度の画像で判断する際に、そのセルの何パーセントがノイズであるかなどの全体的な判断を誤るようなことがなくなる。
【発明の効果】
【００１９】
本発明によれば、同一対象物に対して低解像度の画像と高解像度の画像を少なくとも２枚記憶させておく記憶手段と、低解像度の画像を所定のセルに区切り、当該セルがノイズであるか否かを判断する第一判断手段と、当該第一判断手段におけるセルの判断において、当該セルがノイズでないと判断された場合、当該セルの高解像度の画像を所定のセルで区切り、当該セルがノイズであるか否かを判断する第二判断手段とを備えるようにしたので、低解像度の画像を用いて全体を見渡すことでノイズであるか否かを大きく判断することができ、また、高解像度の画像で細かい部分を判断することでノイズであるか否かを高精度に判断できるようになる。すなわち、はじめから高解像度の画像だけでノイズを除去しようとすると、判断対象となる小さなセルの領域内だけでノイズであるか否かを判断することができなくなってしまうが、低解像度の画像と組み合わせることでそれぞれの画像の利点を活かして高精度にノイズを除去することができるようになる。
【図面の簡単な説明】
【００２０】
【図１】本発明の一実施の形態におけるノイズ除去装置の機能ブロック図
【図２】同実施の形態における低解像度の画像と高解像度の画像の階層関係を示す図
【図３】同実施の形態における確率モデルとセルの修正を示す図
【図４】同実施の形態における教師画像に基づいて確率モデルを作成する場合のフローチャート
【図５】同実施の形態におけるノイズ除去する場合のフローチャート
【図６】低解像度で取得された画像と高解像度で取得された画像を示す図
【図７】ノイズを除去した場合の画像を示す図
【発明を実施するための形態】
【００２１】
以下、本発明の一実施の形態におけるノイズ除去装置１について説明する。本実施の形態は、図６に示すような画像として癌細胞４ａなどを含む病理画像からノイズ５を除去し、図７に示すようなターゲットである癌細胞４ａを抽出するものである。しかしながら、必ずしもこのような病理画像からノイズ５を除去して癌細胞４ａのみを抽出する場合に限定されるものではなく、一般的に、抽出対象となるターゲット以外のノイズ５を除去することが望まれているすべての分野に適用することができる。
【００２２】
なお、この実施の形態において、図１はノイズ除去装置１の機能ブロック図を示し、図２は、低解像度から高解像度までを階層的に示した図であり、各階層のセルの状態を示したものである。
【００２３】
この実施の形態におけるノイズ除去装置１は、汎用的なパーソナルコンピューターなどによって構成されるものであって、低解像度の画像からノイズ５とターゲット４（ここでは癌細胞４ａ）のセルに分離し、この分離されたセルについて、更に高解像度の画像を読み出してノイズ５であるか否かを判断できるようにしたものである。このとき、各セルがノイズ５であるか否かを判断するための手法として確率モデルを用い、まず、低解像度の画像に基づいて各セルがノイズ５であるか否かの第一確率モデルを作成し、その第一確率モデルを用いてセルを判断する。そして、次に、そのセルの高解像度の画像を読み出し、その画像のセルの判断を行う場合には、上層である低解像度の第一確率モデルの判断結果を考慮して第二確率モデルを作成し、その第二確率モデルを用いて第二層のセルの判断を行っていく。以下、高解像になるにしたがって、上層のセルの判断結果を用い、このように上層の判断結果を下層の確率モデルに組み込むことで、おおまかな判断から細かな判断までを行えるようにしたものである。以下、本実施の形態におけるノイズ除去装置１について図１の機能ブロック図を用いて説明する。
【００２４】
このノイズ除去装置１を構成する教師データ記憶手段１１は、記憶装置の内部に設けられるものであって、あらかじめターゲット４（例えば、癌細胞４ａ）であるかノイズ５であるか否かの結果が分かっている画像を記憶させている。ここでは、一つの病理画像に対して、図２に示すように、異なる解像度で画像を取得し、例えば、第一層の画像として低解像度の画像（以下、第一層画像２１と称する）、第二層の画像として中解像度の画像（以下、第二層画像２２と称する）、第三層の画像として高解像度の画像（以下、第三層画像２３と称する）として記憶させるようにしている。また、必要ならば、更に高解像度で画像を取得して記憶させておいてもよい。このような画像としてはグレースケールの画像であってもよく、あるいは、ＲＧＢからなるカラー画像であってもよい。一般的に、癌細胞４ａであるか否かを判断する場合は、ＭＧ染色やＰＡＳ染色、免疫科学染色、ＨＥ染色などによって癌細胞４ａを染色するため、癌細胞４ａは相対的に他の領域よりも色の濃くなる。このため、病理画像から癌細胞４ａを抽出する場合は、染色されたＲＧＢ画像を教師画像として記憶させるようにしておく。
【００２５】
セル分割手段１２は、このような教師データ記憶手段１１に記憶されている画像を、所定の大きさのセルに分割し、そのセルにおける画像がノイズ５であるか否かを判断できるようにする。このようなセルの大きさとしては、図２では、第一層画像２１から第三層画像２３においてすべて同じ矩形状に設定しているが、このセルの形状については、矩形状である必要はなく、極座標系に区切った扇形状であってもよい。また、セルの大きさについては、ノイズ５であるかどうかを判断できる大きさに設定しておくことが望ましい。すなわち、低解像度の画像のセルが大き過ぎる場合、一つのセルの中にターゲット４やノイズ５などが混在してしまい、ノイズ５であるかどうかを判断しにくくなる。一方、セルが小さ過ぎる場合は、セルの数が多くなって計算量が膨大になってしまう。そのため、セルの大きさについては、画像の解像度やターゲット４やノイズ５の大きさ、計算量などに基づいて適切な大きさに設定しておく。
【００２６】
ルール作成手段１３は、あらかじめ用意された複数の解像度の画像に基づいて、その画像内におけるセルがノイズ５であるか否かを判断するためのルールを作成する。このルールを作成する場合、本実施の形態では確率モデルを用いて各セルがノイズ５であるか否かを判断するルールを作成し、あらかじめ各セルがノイズ５であるか否かの答えが分かっている画像を用いてルールを作成する。
【００２７】
＜第一層画像２１における確率モデルの構築＞
このルール作成手段１３のうち、第一ルール作成手段１３ａは、低解像度の第一層画像２１を用いて、その画像の各セルがノイズ５であるか否かの第一ルールを作成する。
【００２８】
この第一層画像２１から第一ルールを作成する場合は、分割されたセルと第一層画像２１とを重ね合わせ、その第一層画像２１と重ね合わされたセルがノイズ５である場合は、図３に示すように、そのセルに「０」を記憶させ、一方、ターゲット４である場合は「１」を記憶させる。このとき、「０」「１」を記憶させる最も簡単な方法としては、グレースケールの２５６階調輝度値を取得し、セルの輝度平均値が所定の閾値よりも高い場合（すなわち、明るい場合）は「０」としてセルに記憶させ、また、セルの輝度平均値がその閾値よりも低い場合は「１」としてセルに記憶させる方法を採用することができる。もちろん、他の方法も用いることができ、例えば、カラー画像を用いて判断する場合は、セルのＲＧＢ輝度値を抽出し、その各輝度値毎に設定された値やＲＧＢの各輝度値の割合などと所定の閾値とを比較して「０」や「１」を割り当てる方法も用いることもできる。このような閾値を設定する場合、あらかじめそのセルがターゲット４であるかノイズ５であるかが判っているため、その答えを導き出せるように閾値を設定しておく。そして、第一層画像２１のセルに「０」「１」を設定することにより、図３に示すような第一層画像２１のセルのマップを作成する。このセルマップは、第一層画像２１から得られるターゲット４の答えとなっている。そして、このように得られたセルマップから、「０」と「１」の配列状態を把握し、周囲のセルの状態がどのような状態であれば「０」となるか、または、周囲のセルの状態がどのような状態であれば「１」となるかの第一確率モデルを作成する。このような確率モデルは、図３（ａ）に示すように、あるセルのセル値に対して輝度値や周囲の条件などを考慮して分岐を行い、さらにその分岐先でも所定の条件を考慮して分岐を行い、最終的にそのセルの値を決定するものを用いる。図３（ａ）では、あるセルの値が「０」である場合、確率モデルを用いて「１」に修正される場合を示している。
【００２９】
ところで、このように低解像度の画像によって各セルがノイズ５であるか否かを判断する場合、図２に示すように、大部分がノイズ５である領域では、大まかにそのセルがノイズ５であると判断することができ、また、大部分がターゲット４である領域に対しても、大まかにそのセルがターゲット４であると判断することができる。しかしながら、ターゲット４とノイズ５の境界においては、仮にそこに位置するセルが「０」と判断されたとしても、そのセルがすべてノイズ５であったり、また、ノイズ５が６０％程度しか含まれていない可能性がある。また、逆にそのセルが「１」と判断されたとしても、そのセル内にノイズ５が全く存在しなかったり、ノイズ５が５０％も含まれている可能性もある。このため、低解像度の画像で「０」「１」を割り当てたとしても、実際には、そのセルが本当にノイズ５であるか否かを判断することができない。また、このような状況以外にも、ノイズ５の発生状態などによってそのセルがノイズ５であるか否かを正確に判断することができない場合もある。そこで、図２に示すように、第一層画像２１で「０」「１」とを大まかに判断して切り分けた後、第一層画像２１のすべてのセルについて、その第一層画像２１よりも高解像度の第二層画像２２を読み出し、その画像をもとに第一層のセルがノイズ５であるか否かを詳細に判断できるようにする。この第二層画像２２を読み出す場合、一般的には、第一層画像２１におけるセルの座標位置を読み出し、そのセルの座標位置に対応して記憶された領域の第二層画像２２を読み出す。
【００３０】
＜第二層画像２２における確率モデルの作成＞
第二ルール作成手段１３ｂによって第二ルールを作成する場合、図２の第二層画像２２に示すように、第二層画像２２を複数のセルに分割して画像と重ね合わせ、その分割されたセルにノイズ５が含まれているか否かを判断する。このような判断を行う場合においても、同様に、例えば、セルの平均輝度値を所定の閾値で仕切ることなどによって「０」や「１」を割り当て、第二層画像２２全体についてのセルマップを作成する。そして、このように第二層画像２２のセルマップを作成して「０」と「１」の配列状態を把握した後、周囲のセルの状態がどのような状態であれば「０」となるかの第二確率モデルを作成し、また、周囲のセルの状態がどのような状態であれば「１」となるのかを判断するための第三確率モデルを作成する。ただし、この第二確率モデルや第三確率モデルを作成する場合、上層セルの状態を参照し、その上層における当該セルの状態を考慮して確率モデルを作成していく。具体的には、第一層におけるセルが「０」と判断されている場合には、そのセルに対応する第二層画像２２が全体的にノイズ５を多く含んでいるとみなすような第二確率モデルを作成し、また、上層のセルが「１」と判断されている場合は、そのセルに対応する第二層画像２２が全体的にノイズ５をほとんど含んでいない（すなわち、ターゲット４を多く含んでいる）と判断するような第三確率モデルを作成する。また、これ以外にも、上層のセルの値だけを考慮するのではなく、第一層画像２１のセルの周囲の値を考慮して第二層画像２２の確率モデルを作成してもよい。例えば、このように第一層画像２１の周囲のセルを考慮する場合においては、第一層画像２１のセルの周囲８セルのすべてが「０」である場合は、第二層画像２２のセルをほとんど「０」と判断するように第二確率モデルを作成し、また、第一層画像２１のセルの周囲８セルのうち半分が「０」である場合は、第二層画像２２のセルのうち約半分が「０」と判断されるように第三確率モデルを作成する。また、これ以外にも、第一層画像２１のセルの輝度値などに基づいて確率モデルを作成するなど、上層における当該セルの状態を考慮して第二層画像２２の確率モデルを作成していく。
【００３１】
＜第三層画像２３における確率モデルの作成＞
以下、同様に、このような処理を繰り返していくことにより、第三層以降のルールを作成していく。第三ルール作成手段１３ｃでルールを作成する場合は、第二層画像２２で「０」もしくは「１」と判断されたセルを抽出し、このうち、第二層画像２２で「０」と判断されたセルについては、更に高解像度の第三層画像２３を読み出し、その第三層画像２３の分割されたセルとを重ね合わせて、各セルに「０」「１」を記憶させる。そして、このように作成された第三層のセルマップについて、「０」と「１」の配列状態を把握して、周囲のセルの状態がどのような状態であれば「０」となるか、また、周囲のセルの状態がどのような状態であれば「１」となるのかを判断するための第四確率モデルを作成する。また、第二層画像２２で「１」と判断されたセルについても、更に高解像度の第三層画像２３を読み出し、その第三層画像２３の分割されたセルとを重ね合わせて、各セルに「０」「１」を記憶させる。そして、このように作成された第三層のセルマップについて、「０」と「１」の配列状態を把握して、周囲のセルの状態がどのような状態であれば「０」となるか、また、周囲のセルの状態がどのような状態であれば「１」となるのかを判断するための第五確率モデルを作成する。これらの第四確率モデルや第五確率モデルを作成する場合も、上層の当該セルの値「０」「１」を考慮し、例えば、第一層画像２１のセルが「０」で第二層画像２２のセルが「０」と判断された場合、それらの値を考慮した確率モデルを第四確率モデルとして作成する。以下、同様に、第一層画像２１のセルが「０」で第二層画像２２のセルが「１」と判断された場合の確率モデルを第五確率モデル、第一層画像２１のセルが「１」で第二層画像２２のセルが「０」と判断された場合の確率モデルを第六確率モデル、第一層画像２１のセルが「１」で第二層画像２２のセルが「１」と判断された場合の確率モデルを第七確率モデルとして第三層の確率モデルを作成していく。これらの第五確率モデルから第七確率モデルを作成する場合についても、もちろん、上層画像のセルの値を考慮した確率モデルを構築していく。
【００３２】
このように作成された各層毎の確率モデルは、記憶手段１４に記憶され、後に取得される被験者の病理画像からこれらの確率モデルを用いてノイズ５を除去し、ターゲット４の画像を抽出できるようにする。
【００３３】
画像取得手段１５は、具体的には、ＣＣＤカメラやスキャナーなどによって構成され、同一の対象物から異なる解像度で画像を取得する。これらの異なる解像度で画像を取得する場合は、前記第一層画像２１・第二層画像２２・第三層画像２３と同じ解像度で画像を取得する。これらの画像を取得する場合、グレースケール画像でもＲＧＢのカラー画像であってもよい。但し、画像の精度を保証するために、同じカメラなどで解像度を変更して画像を取得できるようにしておくことが好ましい。
【００３４】
セル分割手段１２では、この取得された画像をメッシュ状のセルに分割し、そのセルに対して座標を割り当てる。このセル分割手段１２で画像を分割する場合、ルール作成手段１３でルールを作成する場合と同じ状態でセルを分割する。
【００３５】
判断手段１６では、セルに分割された画像からそのセルがノイズ５であるか否かの判断を行う。この判断を行う場合、第一層画像２１から第三層画像２３のそれぞれについて判断を行い、最終的には高解像度の画像における各セルがノイズ５であるかどうかを判断する。
【００３６】
この判断手段１６における第一判断手段１６ａは、低解像度の画像である第一層画像２１の各セルがノイズ５であるか（あるいは、ターゲット４であるか）否かを判断する。各セルの状態を判断する場合においては、例えば、取得された画像におけるセルの輝度平均値を取得し、その輝度平均値が所定の閾値よりも高いか低いかによって「０」「１」を判断する。もちろん、このような「０」「１」の判断をする場合、他の手法を用いることができるが、ルール作成手段１３の第一ルールによってノイズ５を除去することを考慮すれば、ルール作成手段１３で作成された判断手法によって「０」「１」を決定することが好ましい。そして、この判断手段１６で「０」や「１」と判断されたセルについて、第一ルールである第一確率モデルを適用して、「０」や「１」を修正する。これにより、低解像度でどのような「０」「１」配列のときに、本当にノイズ５であるかどうかを判断し、その判断結果に基づいてセルの値を修正する。これによって、全体を見渡せるようなおおまかな画像に基づいてノイズ５の判断を行う。
【００３７】
また、第二判断手段１６ｂは、中解像度の画像である第二層画像２２の各セルがノイズ５であるか否かを判断する。この場合においても、第一判断手段１６ａと同様に、取得された画像におけるセルの輝度平均値を取得し、その輝度平均値が所定の閾値よりも高いか低いかによって「０」「１」を判断する。そして、この判断手段１６で「０」や「１」と判断されたセルについて、第二ルールである第二確率モデルを適用して、「０」や「１」を修正する。この第二確率モデルでは、第一確率モデルによる判断結果を考慮しているため、そのセルが全体を見渡したときにノイズ５であるか否かを判断することができ、しかも、更に詳細にノイズ５を判断することができる。
【００３８】
さらに、第三判断手段１６ｃも、同様にして高解像度の画像である第三層画像２３の各セルがノイズ５であるか否かを判断し、第三確率モデルを用いて各セルの「０」「１」を修正する。以下、同様に必要な階層まで処理を繰り返し、高解像度の画像のセルについてノイズ５であるか否かの判断と修正を行う。
【００３９】
そして、ノイズ除去手段１７は、この第三判断手段１６ｃによりノイズ５と判断されたセルの画像を除去し、最終的にターゲット４となるセルの画像のみを残す。このような処理をすることにより、図７に示すように、癌細胞４ａのみからなる画像を抽出する。なお、ノイズ５を除去する場合においては、そのセルの画像を抜いてターゲット４の画像のみを残すようにしてもよく、あるいは、ノイズ５と判断されるセルや、ターゲット４と判断された画像を色分けしてノイズ５とターゲット４とを判別できるようにしてもよい。
【００４０】
次に、このように構成されたノイズ除去装置１における処理の流れを、図４および図５を用いて説明する。
【００４１】
＜教師画像に基づく確率モデルの作成＞
まず、教師画像から確率モデルを作成する場合の処理の流れについて、図４のフローチャートを用いて説明する。
【００４２】
ノイズ除去のためのルールを作成する場合、低解像度の画像である第１層画像（ステップＳ１）を読み出し（ステップＳ２）、その画像全体について矩形状のセルに分割する（ステップＳ３）。そして、そのセルに分割された画像と教師画像とを重ね合わせ、ノイズ５が多く含まれている場合は「０」、ターゲット４が多く含まれている場合は「１」を記憶させる。この「０」「１」の判断基準については、各セルにおける輝度平均値と閾値とを比較することや、目視判断などによって行う。そして、この処理を第一層画像２１全体について行い、周囲のセルがどのような状態であれば「０」と判断されているか、もしくは、周囲のセルがどのような状態であれば「１」と判断されているかという第一確率モデルを作成する（ステップＳ５、Ｓ７）。
【００４３】
次に、このように第一層画像２１に基づいて第一確率モデルを作成した後、第一層画像２１の該当セルについて高解像度である第二層画像２２を抽出し（ステップＳ９、Ｓ２）、同様にセルの分割と（ステップＳ３）、各セルのノイズ５の判断を行う（ステップＳ４）。ここでは、画像層が第二層であるため（ステップＳ５：Ｎｏ）、そのセルが属する上層セルである第一層のセルの判断結果を考慮した第二層画像２２の第二確率モデルを作成する（ステップＳ８）。このとき、第一層画像２１のセルが「０」であると判断されている場合は、これに対応して読み出された第二層画像２２のセルについて全体が「０」と判断されるように第二確率モデルを作成し、一方、第一層画像２１のセルが「１」であると判断されている場合は、これに対応して読み出された第二層画像２２のセルについて全体が「１」と判断されるように第三確率モデルを作成する。もしくは、第一層画像２１のセルについて第一確率モデルによってＡ％の確率で「０」もしくは「１」であると判断された場合、これに対応する第二層画像２２のセル全体がＡ％の確率で「０」「１」となるように第二確率モデルや第三確率モデルを作成する。
【００４４】
また、第三層画像２３の確率モデルを作成する場合についても、同様に、第二層画像２２の該当セルについて高解像度である第三層画像２３を抽出し（ステップＳ９、Ｓ２）、同様にセルの分割と（ステップＳ３）、各セルのノイズ５の判断を行う（ステップＳ４）。そして、この層は第三層であるため（ステップＳ５：Ｎｏ）、そのセルが属する上層セルである第二層のセルの判断結果を考慮した第三層画像２３の第三確率モデルを作成する（ステップＳ８）。このとき、第三確率モデルを作成する場合、第二層のセルの判断結果「０」「１」を考慮しており、また、第二層のセルは第一層のセルの判断結果「０」「１」を考慮しているため、合計４パターンの確率モデル（第四確率モデル〜第七確率モデル）が作成されることになる。
【００４５】
以下、同様に、最も高解像度の画像まで同様の処理を繰り返し、最終層である第Ｎ層（この実施の形態では第三層）の画像まで確率モデルを作成したら、これを記憶手段１４に記憶させて処理を終了する。
【００４６】
＜確率モデルを用いたノイズ除去フロー＞
次に、このように作成された各階層毎の確率モデルを用いて高解像度の画像までノイズ５を除去する場合のフローチャートについて図５を用いて説明する。
【００４７】
まず、被験者の病理画像を検査する場合、検査対象となる部位について異なる解像度で画像を取得しておき、これを記憶手段１４に記憶させておく。ここでは、低解像度、中解像度、高解像度の３種類の画像を取得しているものとする。
【００４８】
このような状態のもとで被験者の病理画像からノイズ５を除去する場合、まず、低解像度である第一層画像２１を読み出し（ステップＴ１、Ｔ２）、この読み出された画像をセルに分割する（ステップＴ３）。そして、セルに分割された画像と取得された画像とを重ね合わせ、そのセルがノイズ５であるか否かを輝度値と閾値などを用いて判断し、そのセルに「０」「１」を記憶させる（ステップＴ４）。そして、これに対応して、同じ階層の確率モデルとして第一確率モデルを読み出し、その第一確率モデルを用いて「０」「１」を修正する（ステップＴ５）。このとき、その第一確率モデルは、教師画像から作成されているため、確率モデルに基づいて何パーセントの確率で「０」であるか、あるいは「１」であるかを正確に判断することができる。
【００４９】
そして、このように第一層画像２１の「０」「１」を修正した後、被験者から取得された中解像度である第二層画像２２を読み取り、同様にして、セルの分割（ステップＴ３）やノイズ５であるか否かの判断を行う（ステップＴ４）。このとき、まず、第一層画像２１で「０」と判断されたセルの第二層画像２２を読み取り、「０」「１」のデータを書き込む。そして、記憶手段１４に記憶されている第二確率モデルを用いてそのセルが本当に「０」であるか否かの判断を行い、第二層画像２２の「０」「１」を修正する（ステップＴ５）。また、これと同様に、第一層画像２１で「１」と判断されたセルの第二層画像２２を読み取り、「０」「１」のデータを書き込む。そして、記憶手段１４に記憶されている第三確率モデルを用いてそのセルが本当に「１」であるか否かの判断を行い、第三層画像２３の「０」「１」を修正する（ステップＴ５）。
【００５０】
以下、同様に、第二層画像２２で「０」「１」と判断されたセルの詳細判断を行う場合、第二層で「０」と判断されたセルの第三層画像２３を読み取り、輝度値と閾値の判断などに基づいて「０」「１」のデータを書き込む。そして、その判断の結果、第三層のセルで「０」が書き込まれた場合、記憶手段１４に記憶されている第四確率モデルを用いてそのセルが本当に「０」であるか否かの判断を行い、その「０」と判断されたセルについて「０」「１」を修正する（ステップＴ５）。また、以下同様に、第二層のセルが「０」であって第三層のセルが「１」である場合、それが本当に「１」であるか否かの判断を第五確率モデルを用いて判断する（ステップＴ５）。一方、第二層で「１」と判断されたセルについては、同様に、第三層画像２３を読み取り、輝度値と閾値の判断などに基づいて「０」「１」のデータを書き込む。そして、第三層のセルで「０」が書き込まれた場合、記憶手段１４に記憶されている第六確率モデルを用いてそのセルが本当に「０」であるか否かの判断を行って、その「０」と判断されたセルについて「０」「１」を修正する（ステップＴ５）。また、以下同様に、第二層のセルが「１」で第三層のセルが「１」である場合、それが本当に「１」であるか否かの判断を第七確率モデルを用いて判断する（ステップＴ５）。
【００５１】
そして、最後に、最も高解像度の画像に対するノイズ５の判断が行われた後（ステップＴ７）、ノイズ５と判断された「０」のセルを除去し、ターゲット４だけが残されたセルを抽出する（ステップＴ８）。
【００５２】
このように、上記実施の形態によれば、病理画像からノイズ５を除去するノイズ除去装置１において、癌細胞４ａが存在する同一部位に対して第一層画像２１から第三層画像２３を記憶させておく記憶手段１４と、第一層画像２１を所定のセルに区切り、あるセルがノイズ５であるか否かを第一ルールに従って判断する第一判断手段１６ａと、当該第一判断手段１６ａでそのセルが「１」（すなわちノイズでない）であると判断された場合は、当該セルの高解像度の画像を読み出し、所定のセルで区切って当該セルがノイズ５であるか否かを判断する第二判断手段１６ｂを備え、また、第一判断手段１６ａでセルが「０」（すなわちノイズである）と判断された場合は、当該セルの高解像度の画像を読み出し、所定のセルで区切ってノイズ５であるか否かを判断する第三判断手段１６ｃとを備えるようにしたので、低解像度の画像を用いて全体を見渡すことでノイズ５であるか否かをおおまかに判断することができ、また、高解像度の画像で細かい部分を判断することでノイズ５であるか否かを高精度に判断できるようになる。すなわち、はじめから高解像度の画像だけでノイズ５を除去しようとすると、判断対象となる小さなセルの領域内だけでノイズ５であるか否かを判断することができなくなってしまうが、低解像度の画像と組み合わせることで各画像の利点を活かして高精度にノイズ５を除去することができるようになる。
【００５３】
また、このような階層別の画像の判断において、第一判断手段１６ａにおける判断結果を、第二ルールや第三ルールとして判断に組み込み、また、第二判断手段１６ｂや第三判断手段１６ｃにおける判断結果を第四ルールから第七ルールとして判断に組み込むようにしたので、低解像度の画像による判断結果を高解像度の画像の判断に組み込むことで、判断対象となるセルが低解像度の画像でノイズ５であるか否かを判断することができ、高解像度の小さなセルにおいても全体的な判断を誤るようなことがなくなる。
【００５４】
さらに、第一判断手段１６ａによって判断する場合、確率モデルを用いてノイズ５であるか否かを判断し、第二判断手段１６ｂにおいて、第一判断手段１６ａによってノイズ５でないと判断されたセルのノイズ５である確率又はノイズ５でない確率を抽出し、これらの確率を考慮して生成された第二確率モデルを用いて高解像度で区切られた各セルがノイズ５であるか否かを判断できるようにしたので、高解像度の画像で判断する際に、そのセルの何パーセントがノイズ５であるかなどの全体的な判断を誤るようなことがなくなる。
【００５５】
なお、本発明は上記実施の形態に限定されることなく、種々の態様で実施することができる。
【００５６】
すなわち、上記実施の形態では、低解像度、中解像度、高解像度の三層の画像に基づいて判断するようにしたが、低解像度と高解像度の二層だけの画像で判断してもよく、あるいは、四層以上の画像で判断してもよい。
【００５７】
また、上記実施の形態では、第一層画像のすべてのセルについて高解像度画像を読み出してノイズか否かを判断するようにしているが、第一層画像でノイズであると判断されたセルのみ、もしくはターゲットであると判断されたセルのみについて高解像度画像を読み出し、同様の手法で詳細に判断してもよい。このとき、第一層画像でＡ％以上ノイズであると判断された部分を除き、それ以外の部分のみを詳細に高解像度画像で判断するようにしてもよい。
【００５８】
また、上記実施の形態では、確率モデルを用いてセルのノイズ５の確率などを判断するようにしたが、各セルの判断においては他の手法を用いることもでき、例えば、各セルの輝度平均値について段階的に閾値を設けておき、第一段階の閾値内にセルの輝度平均値が入っていればノイズ５である可能性がＡ１％、第二段階のの閾値内にセルの輝度平均値が入っていればノイズ５である可能性がＡ２％というように、段階的にセルを判断するようにしてもよい。
【００５９】
さらに、上記実施の形態では、教師画像から確率モデルを作成する場合について説明したが、一枚の教師画像から確率モデルを作成する場合だけでなく、複数枚の教師画像から確率モデルを作成するようにするとよい。
【産業上の利用可能性】
【００６０】
本発明は、病理画像からノイズ５を除去して癌細胞４ａを抽出する分野のみならず、取得された画像（例えば、部品検査装置における検査画像や風景画など）からノイズ５を除去してきれいな画像を抽出するような分野に適用することができる。
【符号の説明】
【００６１】
１・・・ノイズ除去装置
１１・・・教師データ記憶手段
１２・・・セル分割手段
１３・・・ルール作成手段
１３ａ・・・第一ルール作成手段
１３ｂ・・・第二ルール作成手段
１３ｃ・・・第三ルール作成手段
１４・・・記憶手段
１５・・・画像取得手段
１６・・・判断手段
１６ａ・・・第一判断手段
１６ｂ・・・第二判断手段
１６ｃ・・・第三判断手段
１７・・・ノイズ除去手段
２１・・・第一層画像
２２・・・第二層画像
２３・・・第三層画像
３・・・セル
４・・・ターゲット
４ａ・・・癌細胞
５・・・ノイズ
【特許請求の範囲】
【請求項１】
原画像からノイズを除去するノイズ除去装置において、
同一対象物に対して低解像度の画像と高解像度の画像を少なくとも２枚記憶させておく記憶手段と、
低解像度の画像を所定のセルに区切り、当該セルがノイズであるか否かを判断する第一判断手段と、
当該第一判断手段におけるセルの判断において、当該セルがノイズでないと判断された場合、当該セルの高解像度の画像を前記記憶手段から読み出す読み出し手段と、
当該読み出された高解像度の画像を所定のセルで区切り、当該セルがノイズであるか否かを判断する第二判断手段とを備えるようにしたノイズ除去装置。
【請求項２】
原画像からノイズを除去するノイズ除去装置において、
同一対象物に対して低解像度の画像と高解像度の画像を少なくとも２枚記憶させておく記憶手段と、
低解像度の画像を所定のセルに区切り、当該セルがノイズであるか否かを判断する第一判断手段と、
当該第一判断手段におけるセルの判断において、当該セルがノイズであると判断された場合、当該セルの高解像度の画像を前記記憶手段から読み出す読み出し手段と、
当該読み出された高解像度の画像を所定のセルで区切り、当該セルがノイズであるか否かを判断する第三判断手段とを備えるようにしたノイズ除去装置。
【請求項３】
前記第一判断手段におけるセルの判断結果を、第二判断手段におけるセルの判断に組み込むようにした請求項１に記載のノイズ除去装置。
【請求項４】
前記第一判断手段におけるセルの判断結果を、第三判断手段におけるセルの判断に組み込むようにした請求項２に記載のノイズ除去装置。
【請求項５】
前記第一判断手段が確率モデルによってノイズであるか否かを判断するものであり、第二判断手段が、前記第一判断手段によってノイズでないと判断されたセルの非ノイズ確率又はノイズ確率を抽出し、当該非ノイズ確率又はノイズ確率を考慮して生成された第二確率モデルを用いて、前記高解像度で区切られた各セルがノイズであるか否かを判断するものである請求項１に記載のノイズ除去装置。
【請求項６】
前記第一判断手段が確率モデルによってノイズであるか否かを判断するものであり、第三判断手段が、第一判断手段によってノイズであると判断されたセルの非ノイズ確率又はノイズ確率を抽出し、当該非ノイズ確率又はノイズ確率を考慮して生成された第三確率モデルを用いて、前記高解像度で区切られたセルがノイズであるか否かを判断するものである請求項２に記載のノイズ除去装置。
【請求項１】
原画像からノイズを除去するノイズ除去装置において、
同一対象物に対して低解像度の画像と高解像度の画像を少なくとも２枚記憶させておく記憶手段と、
低解像度の画像を所定のセルに区切り、当該セルがノイズであるか否かを判断する第一判断手段と、
当該第一判断手段におけるセルの判断において、当該セルがノイズでないと判断された場合、当該セルの高解像度の画像を前記記憶手段から読み出す読み出し手段と、
当該読み出された高解像度の画像を所定のセルで区切り、当該セルがノイズであるか否かを判断する第二判断手段とを備えるようにしたノイズ除去装置。
【請求項２】
原画像からノイズを除去するノイズ除去装置において、
同一対象物に対して低解像度の画像と高解像度の画像を少なくとも２枚記憶させておく記憶手段と、
低解像度の画像を所定のセルに区切り、当該セルがノイズであるか否かを判断する第一判断手段と、
当該第一判断手段におけるセルの判断において、当該セルがノイズであると判断された場合、当該セルの高解像度の画像を前記記憶手段から読み出す読み出し手段と、
当該読み出された高解像度の画像を所定のセルで区切り、当該セルがノイズであるか否かを判断する第三判断手段とを備えるようにしたノイズ除去装置。
【請求項３】
前記第一判断手段におけるセルの判断結果を、第二判断手段におけるセルの判断に組み込むようにした請求項１に記載のノイズ除去装置。
【請求項４】
前記第一判断手段におけるセルの判断結果を、第三判断手段におけるセルの判断に組み込むようにした請求項２に記載のノイズ除去装置。
【請求項５】
前記第一判断手段が確率モデルによってノイズであるか否かを判断するものであり、第二判断手段が、前記第一判断手段によってノイズでないと判断されたセルの非ノイズ確率又はノイズ確率を抽出し、当該非ノイズ確率又はノイズ確率を考慮して生成された第二確率モデルを用いて、前記高解像度で区切られた各セルがノイズであるか否かを判断するものである請求項１に記載のノイズ除去装置。
【請求項６】
前記第一判断手段が確率モデルによってノイズであるか否かを判断するものであり、第三判断手段が、第一判断手段によってノイズであると判断されたセルの非ノイズ確率又はノイズ確率を抽出し、当該非ノイズ確率又はノイズ確率を考慮して生成された第三確率モデルを用いて、前記高解像度で区切られたセルがノイズであるか否かを判断するものである請求項２に記載のノイズ除去装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【公開番号】特開２０１０−２１７９７０（Ｐ２０１０−２１７９７０Ａ）
【公開日】平成２２年９月３０日（２０１０．９．３０）
【国際特許分類】
【出願番号】特願２００９−６０８２９（Ｐ２００９−６０８２９）
【出願日】平成２１年３月１３日（２００９．３．１３）
【出願人】（５０３０２７９３１）学校法人同志社 (346)
【Ｆターム（参考）】
【公開日】平成２２年９月３０日（２０１０．９．３０）
【国際特許分類】
【出願日】平成２１年３月１３日（２００９．３．１３）
【出願人】（５０３０２７９３１）学校法人同志社 (346)
【Ｆターム（参考）】
[ Back to top ]