JPH10510073A - 二重しきい値を使用する適応形視覚システム - Google Patents

Abstract

(57)【要約】 本発明は、ヒストグラム、共発生マトリックス又は色空間の如く、データ空間を定義することにより、背景において物体を識別するための画像分析方法及びシステムに関する。データ空間は、複数の副空間を具備し、副空間は、例えば、ヒストグラム、もしくは、グレーレベル値又は色パラメータがそれぞれの空間において密集する方法に基づいて選択される。少なくとも一つの副空間が選択される。画像は、候補物体の少なくとも一つの表現に対して選択副空間を使用して、多重探索され、この場合、候補物体は、少なくとも一つの所定の属性値を有する。妥当物体は、ドライバーにおいて含まれた妥当物体属性値の規定セットと候補物体属性値を比較することにより、識別される。本発明は、再帰的、反復及び並列処理方法を含む。方法は、コロニー計数、カーペットにおける離散的特徴及びポリマーに埋め込まれた顔料要素の識別を含む、非常に多彩な産業検査技術において使用される。

Description

【発明の詳細な説明】 二重しきい値を使用する適応形視覚システム 発明の背景 本願は、１９９１年９月２６日付け米国出願第０７／７６７，３３９号、現在 米国特許第 号の一部継続出願である。 発明の分野 本発明は、物体の像と候補物体の背景を多様に探索し、妥当物体の少なくとも 一つの所定属性値を有する候補物体を確認することにより、背景における物体を 自動的に識別するための画像分析方法及びシステムに関する。 関連技術の説明 画像のグレーレベル空間の表現の分析は、論文”Ｅａｒｌｙ Ｐｒｏｃｅｓｓ ｉｎｇ ｏｆ Ｖｉｓｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ”，Ｉｍａｇｅ Ｕｎｄ ｅｒｓｔａｎｄｉｎｇ，ｅｄｓ．Ｓ．Ｕｌｌｍａｎ ａｎｄ Ｗ．Ｒｉｃｈａｒ ｄｓ，Ａｂｌｅｘ Ｐｕｂｌｉｓｈｉｎｇ Ｃｏｍｐａｎｙ，１９８４において Ｄ．Ｍａｒｒによって以前提案された。信号処理のための情報理論におけるエン トロピーの概念は、最初に、論文”Ａ Ｍａｔｈｅｍａｔｉｃａｌ Ｔｈｅｏｒ ｙ ｏｆ Ｃｏｍｍｕｎｉｃａｔｉｏｎ”，Ｂｅｌｌ Ｓｙｓｔｅｍ Ｔｅｃｈ ｎｏｌｏｇｙ Ｊ．，Ｖｏｌ．２７，Ｊｕｌｙ １９４８，ｐｐ．３７９−４２ ３においてＳｈａｎｎｏｎによって提案された。Ｓｈａｎｎｏｎは、エントロピ ー関数 が、次の３つの性質を一意的に満足することを示した。 （１）Ｈ（ｐ₁，ｐ₂，．．ｐ_n）は、ｐ_k＝１／ｎ、ｋ＝１，．．，ｎに対する最 大値である。 （２）Ｈ（ＡＢ）＝Ｈ（Ａ）＋Ｈ（Ｂ）、ここで、ＡとＢは、２つの有限区分で あり、そしてＨ_A（Ｂ）は、区分Ａが与えられた時の区分Ｂの条件付きエントロ ピーである。 （３）Ｈ（ｐ₁，ｐ₂，．．ｐ_n，０）＝Ｈ（ｐ₁，ｐ₂，．．ｐ_n） さらに、画像のグレーレベルヒストグラムを分析するためにエントロピーを使 用する思想は、元来、論文”Ｅｎｔｒｏｐｉｃ Ｔｈｒｅｓｈｏｌｄｉｎｇ，ａ Ｎｅｗ Ａｐｐｒｏａｃｈ”，Ｃｏｍｐ．Ｇｒａｐｈｉｃｓ ａｎｄ Ｉｍａ ｇｅ Ｐｒｏｃ．，Ｖｏｌ．１６，１９８１，ｐｐ．２１０−２３９においてＰ ｕｎによって提案された。Ｐｕｎのエントロピー分析は、論文”Ａ Ｎｅｗ Ｍ ｅｔｈｏｄ ｆｏｒ Ｇｒｅｙ−Ｌｅｖｅｌ Ｐｉｃｔｕｒｅ Ｔｈｒｅｓｈｏ ｌｄｉｎｇ Ｕｓｉｎｇ ｔｈｅ Ｅｎｔｒｏｐｙ ｏｆ ｔｈｅ Ｈｉｓｔｏ ｇｒａｍ”，Ｃｏｍｐ．Ｇｒａｐｈｉｃｓ ａｎｄ Ｉｍａｇｅ．Ｐｒｏｃ．２ ９，１９８５，ｐｐ．２７３−２８５においてＫａｐｕｒ他によってさらに洗練 された。Ｐｕｎによって示され、Ｋａｐｕｒによって洗練された如く、エントロ ピーの概念は、画像のグレーレベルヒストグラムが、確率分布 ｐ_s＝ｆ_s／Ｎ ｓ＝１，．．．，Ｎ_gray （２） ここで、ｆ_s＝グレーレベルｓの頻度 Ｎ＝画像におけるピクセル数 Ｎ_gray＝グレーレベル数 を定義するために使用されるならば、２次元に拡張される。一様グレーレベル分 布を有する画像を記述するヒストグラムのエントロピー関数は、最大になる。分 布のピーク数が多いほど、エントロピーは低くなる。 論文”Ｅｎｔｒｏｐｉｃ Ｔｈｒｅｓｈｏｌｄｉｎｇ”，Ｓｉｇｎａｌ Ｐｒ ｏｃｅｓｓｉｎｇ，Ｖｏｌ．１６，１９８９，ｐｐ．９７−１０８においてＰａ ｌ ａｎｄ Ｐａｌは、グレーレベルヒストグラムが、グレーレベルの間の空間 関係に関する情報を含まないことを認識し、グレーレベルヒストグラムへの代替 物として、２次元データ構造の使用を示唆した。示唆された構造は、”Ｔｅｘｔ ｕｒａｌ Ｆｅａｔｕｒｅｓ ｆｏｒ Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉ ｏｎ”，ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｙｓｔｅｍｓ，Ｍａｎ ，ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ，Ｖｏｌ．ＳＭＣ−３，Ｎｏ．６，１９７３ ，ｐｐ．６１０−６１２においてＨａｒａｌｉｃｋ他によって記載された如く、 Ｈａｒａｌｉｃｋ同時発生マトリックスである。 画像のグレーレベル空間を分析するための上記の技術は、単位エントロピーし きい値を計算し、多重エントロピーしきい値を自動的に計算することにより、画 像のグレーレベル空間を再帰的に分析するためのシステムを考慮しない。さらに 、上記の論文は、物体妥当化に関せず、物体比較及び妥当化のためのドライバー を提案しない。 論文”Ａｕｔｏｍａｔｉｃ Ｍｕｌｔｉｔｈｒｅｓｈｏｌｄ Ｓｅｌｅｃｔｉ ｏｎ”，Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ Ｇｒａｐｈｉｃｓ ａｎｄ Ｉｍａ ｇｅ Ｐｒｏｃｅｓｓｉｎｇ，Ｖｏｌ．２５，１９８４，ｐｐ．４６−４７にお いて、ＷａｎｇとＨａｒａｌｉｃｋは、画像における各ピクセルの局所近傍にお けるグレーレベル分布を用いた、多 しきい値選択の試行を記載する。この技術は、画像エントロピーを使用しない。 むしろ、それは、画像が、グレーレベル近傍の先験的な選択によって走査される 時、物体の局所背景を適応的に計算する。さらに、ＷａｎｇとＨａｒａｌｉｃｋ は、画像の領域をラベル付けする画像を処理するために多重しきい値を適用する 。ＷａｎｇとＨａｒａｌｉｃｋは、物体識別及び妥当化を行うために多重しきい 値を使用しない。 自動細菌コロニー計数システムは、ペトリ皿の如く、培養媒体における可視細 菌数を決定するために商業的に入手可能である。例としては、Ｐｅｒｃｅｐｔｉ ｖｅ Ｉｎｓｔｒｕｍｅｎｔｓ（Ｅｓｓｅｘ，Ｅｎｇｌａｎｄ）によるＤｏｍｉ ｎｏ Ｉｍａｇｅ Ａｎａｌｙｓｉｓ Ｓｙｓｔｅｍ、Ｓｅｅｓｃａｎ Ｉｍａ ｇｉｎｇ Ｌｉｍｉｔｅｄ（Ｃａｍｂｒｉｄｇｅ，Ｅｎｇｌａｎｄ）によるＳｅ ｅｓｃａｎ Ｉｍａｇｉｎｇ Ｐｌａｔｅ Ｒｅａｄｅｒ、Ａｎａｌｙｔｉｃａ ｌ Ｍｅａｓｕｒｉｎｇ Ｓｙｓｔｅｍｓ（Ｃａｍｂｒｉｄｇｅ，Ｅｎｇｌａｎ ｄ）製のＰｒｏｔｏｓ Ｃｏｌｏｎｙ Ｃｏｕｎｔｅｒ ａｎｄ Ｉｍａｇｅ４ ０−１Ａｎａｌｙｚｅｒ、Ｆｏｓｓ Ｅｌｅｃｔｒｉｃ（Ｙｏｒｋ，Ｅｎｇｌａ ｎｄ）製のＢｉｏ−Ｆｏｓｓ Ｃｏｌｏｎｙ Ｃｏｕｎｔｉｎｇ Ｓｙｓｔｅｍ 、Ｄｙｍａｔｅｃｈ Ｌａｂｏｒａｔｏｒｉｅｓ，Ｉｎｃ．（Ｃｈａｎｔｉｌｌ ｙ，ＶＡ）によるＡｒｔｅｋ ８１０ Ｉｍａｇｅ Ａｎａｌｙｚｅｒ、Ｂｉｏ Ｓｃａｎ（Ｅｄｍｏｎｄｓ，ＷＡ）によるＯｐｔｉｍａｓ Ｉｍａｇｅ Ａｎ ａｌｙｚｅｒ、Ｂｉｏｍｅｄ Ｉｎｓｔｒｕｍｅｎｔｓ，Ｉｎｃ．（Ｆｕｌｌｅ ｒｔｏｎ，ＣＡ）製のＶｉｄｅｏ Ｄｅｎｓｉｔｏｍｅｔｅｒ ＩＩ、及びＭｅ ｄｉａ Ｃｙｂｅｒｎｅｔｉｃｓ（Ｓｉｌｖｅｒ Ｓｐｒｉｎｇ，ＭＤ）製のＩ ｍａｇｅ−Ｐｒｏ Ｐｌｕｓがあげられる。これらの計器は、すべて、各画像に 対して単一の所定しきい値の入力を必要とする。物体識別に対して多重しきい値 を再帰的に計算するために画像エントロピーを使用できるものはない。 食物の区分における微生物成長の検出及び数量化の半自動化システムは、”Ｄ ｅｔｅｃｔｉｏｎ ａｎｄ Ｑｕａｎｔｉｆｉｃａｔｉｏｎ ｏｆ Ｍｉｃｒｏ ｏｒｇａｎｉｓｍｓ ｉｎ Ｈｅｔｅｒｏｇｅｎｅｏｕｓ Ｆｏｏｄｓｔｕｆｆ ｓ ｂｙ Ｉｍａｇｅ Ａｎａｌｙｓｉｓ”，Ｃａｂｉｏｓ，Ｖｏｌ．４，Ｎｏ ．２，１９８８，ｐｐ．２９１−２９５においてＦｅｒｎａｎｄｅｓ他によって 記載された。この論文において記載されたシステムは、単一しきい値を識別する ために、グレーレベルヒストグラムを手作業で検査することに依る。 コロニー計数システムにおける多数の特許が、Ｓｃｈａｌｋｏｗｓｋｙへの米 国特許Ｎｏ．４，６３７，０５３、Ｐｅｒｒｙへの米国特許Ｎｏ．３，８１１， ０３６、米国特許Ｎｏ．３，７３６，４３２、及びＳｅｇｕｉ他への仏国特許出 願Ｎｏ．２，６０２，０７４の如く、付与された。これらの特許はいずれも、コ ロニー列挙及び識別のために画像を適応的にセグメント化するために、画像エン トロピーを使用する概念を開示しない。「適応的セグメント化」は、２つ以上の しきいグレーレベルで画像をしきることを意味する。 従って、本発明の目的は、多重しきい値を使用し、物体識別及び妥当化を行う 方法及びシステムを提供することである。一つの実現において、しきい値は、自 動物体識別のために画像を探索するためにエントロピー的に選択されたしきいグ レーレベルである。 また、本発明の目的は、自動物体識別のために画像を再帰的に探索するために 、エントロピー的に選択されたしきいグレーレベルを使用する方法及びシステム を提供することである。 さらに、本発明の目的は、コロニー計数、コロニースクリーニング、カーペッ トにおける離散特徴の識別、及びポリマーに埋め込まれた顔料要素の識別におい て使用される自動物体識別のための方法及びシステムを提供することである。 発明の付加的な物体及び利点は、次の説明において記載され、そして部分的に 説明から明らかになり、あるいは、発明の実施によって習得される。発明の目的 及び利点は、添付のクレイムにおいて詳細に指摘された手段及び組み合わせを用 いて、認識及び獲得される。 発明の要約 前述の目的を達成するために、ここで具現され、広く記載された発明の目的に より、背景において少なくとも一つの所定の属性値を有する少なくとも一つの妥 当物体を識別する方法が、提供される。方法は、物体と背景の像を生成する段階 と、複数の副空間を含むデータ空間を規定する段階と、少なくとも一つの副空間 を選択する段階と、選択された副空間を用いて、少なくとも一つの所定の属性値 を有する候補物体の少なくとも一つの表現に対して像を多重に探索する段階と、 妥当物体を識別するために、所定の属性値を有する候補物体を妥当化する段階と を具備する。 本発明の方法は、複合環境においてかなり単純な物体の自動識別のために最良 に適する。そのような状況において、境界（即ち、縁領域）に接近した物体の内 部領域は、通常、かなり一様なグレーレベルである。 本発明の方法の再帰性は、広く変化する背景を探索するために十分に適する適応 的技術をもたらす。比較的単純な環境における複合物体の識別の場合のために、 共発生マトリックスを再帰的に区分化することが、必要である。 本発明の方法は、製品がかなり単純に記述されるが、製品の環境が未知である 製造プロセスにおいて、品質制御を向上させるためのオンライン産業点検技術に 適用される。 図面の簡単な説明 明細書に取り入れられ、その一部を構成する添付の図面は、発明の現在好まし い実施態様を例証し、そして上記の一般説明と下記の好ましい実施態様の詳細な 説明とともに、発明の原理を説明するために役立つ。 第１図は、本発明の第１実施態様による全方法の段階を示すブロック図である 。 第２図は、本発明の第１実施態様の特定実現による全方法の段階を示すブロッ ク図である。 第３図は、画像のグレーレベルヒストグラムを発生するために使用されるモジ ュールＨＩＳＴＯＧＲＡＭの段階を示す流れ図である。 第４図は、ヒストグラムのエントロピー関数が最大化される如く、しきいグレ ーレベルをエントロピー的に選択するために使用されるモジュールＥＮＴＲＯＰ Ｙの段階を示す流れ図である。 第５図は、変化する背景における単一の単純物体の画像のグレーレベルヒスト グラムである。 第６図は、少なくとも一つの候補物体に対して画像を探索するために使用され るモジュールＳＥＡＲＣＨ ＩＭＡＧＥの段階を示す流れ図で ある。 第７図は、画像を探索するために同様に使用されるモジュールＦＩＮＤ ＯＢ ＪＥＣＴの段階を示す流れ図である。 第８Ａ図と第８Ｂ図は、候補物体をトレースし、妥当化するために使用される モジュールＴＲＡＣＥ ＯＢＪＥＣＴの段階を示す流れ図である。 第９図は、候補物体が、背景よりも相対的に明るい又は暗いかを検出するため に使用されるモジュールＣＨＫ ＧＲＡＹの段階を示す流れ図である。 第１０Ａ〜１０Ｃ図は、画像のそれぞれ、原、上側及び下側グレーレベルヒス トグラムである。 第１１図は、候補物体に対して画像を再帰的に探索するために使用されるモジ ュールＡＮＡＬＹＺＥの段階を示す流れ図である。 第１２図は、エントロピーしきい化を使用し、所望のしきい値対を選択するた めの一定しきい値リストを発生するモジュールの段階を示す流れ図である。 第１３Ａ図〜第１３Ｄ図は、非均質物体における冗長度を解消するために使用 されるモジュールＣＨＫ ＬＩＳＴの段階を示す流れ図である。 第１４図は、第１３Ａ図〜第１３Ｄ図に示された如く、モジュールＣＨＫ Ｌ ＩＳＴで使用されるモジュールＳＥＴ ＳＴＡＴの段階を示す流れ図である。 第１５Ａ図と第１５Ｂ図は、均質物体における冗長度を解消するために使用さ れるモジュールＣＨＫ ＬＩＳＴの段階を示す流れ図である。 第１６図は、第１５Ａ〜１５Ｂ図に示された如く、モジュールＣＨＫ ＬＩＳＴで使用されるモジュールＳＥＴ ＳＴＡＴの段階を示す流れ図である 。 第１７Ａ〜１７Ｂ図は、非均質及び均質物体における冗長度を解消するための 最終チェックを行うために使用されるモジュールＦＩＮＡＬ ＣＨＫの段階を示 す流れ図である。 第１８図は、第１７Ａ〜１７Ｂ図に示された如く、モジュールＦＩＮＡＬ Ｃ ＨＫで使用されるモジュールＩＮＴ ＳＴＡＴの段階を示す流れ図である。 第１９Ａ図は、非均質物体を濾過するために使用されるモジュールＣＡＬＣＯ Ｎの全段階を示す流れ図である。 第１９Ｂ図は、重フィルターを適用する、第１９Ａ図に示されたＣＡＬＣＯＮ の一部の段階を示す流れ図である。 第１９Ｃ図は、中フィルターを適用する、第１９Ａ図に示されたＣＡＬＣＯＮ の一部の段階を示す流れ図である。 第１９Ｄ図は、軽フィルターを適用する、第１９Ａ図に示されたＣＡＬＣＯＮ の一部の段階を示す流れ図である。 第２０Ａ〜２０Ｂ図は、均質物体を濾過するために使用されるモジュールＣＡ ＬＣＯＮの段階を示す流れ図である。 第２１Ａ〜２１Ｄ図は、非均質物体を非凝集にするために使用されるモジュー ルＵＮＣＬＵＭＰの段階を示す流れ図である。 第２２Ａ〜２２Ｂ図は、非均質物体の凝集を処理するために使用されるモジュ ールＰＲＯＣＥＳＳ ＣＬＵＭＰの段階を示す流れ図である。 第２３Ａ図は、候補塊の外形である。 第２３Ｂ図は、第２３Ａ図に示された候補塊の質量中心への候補塊の 各周囲点の距離を表現する複数の距離値を具備する距離バッファーである。 第２３Ｃ図は、距離だけシフトされた第２３Ｂ図に示された距離バッファーで ある。 第２４図は、本発明の第１実施態様のシステムの構成要素を示すブロック図で ある。 第２５図は、本発明の第２実施態様の全方法の段階を示すブロック図である。 第２６図は、第２実施態様による画像の共発生マトリックスを生成するために 使用されるモジュールＶＥＲＴ、ＨＯＲＩＺ、ＬＦＴ ＤＩＡＧ及びＲＴ ＤＩ ＡＧの段階を示す流れ図である。 第２７図は、本発明の第２実施態様で使用されるモジュールＥＮＴＲＯＰＹの 段階を示す流れ図である。 第２８図は、４象限に区分化された共発生マトリックスである。 第２９図は、本発明の第２実施態様で使用されるモジュールＡＮＡＬＹＺＥの 段階を示す流れ図である。 第３０図は、第３実施態様の好ましい実施態様の全方法の段階を示すブロック 図である。 第３１図は、本発明の第３実施態様の好ましい実施態様によるＮ＋１サブヒス トグラムに分割されたグレーレベルヒストグラムである。 第３２図は、本発明の第４実施態様の好ましい実施態様の全方法の段階を示す ブロック図である。 第３３図は、本発明の第４実施態様の好ましい実現による本発明のシステムの ブロック図である。 第３４図は、本発明の第５実施態様の好ましい実施態様の全方法の段階を示す ブロック図である。 第３３図は、本発明の第６実施態様の好ましい実施態様の全方法の段階を示す ブロック図である。 第３４図は、本発明の第７実施態様の好ましい実施態様の全方法の段階を示す ブロック図である。 第３５図は、本発明の第８実施態様の好ましい実施態様の全方法の段階を示す ブロック図である。 好ましい実施態様の詳細な説明 添付の図面に示された発明の好ましい実施態様は、以下で詳細に参照される。 本発明の第１実施態様により、背景における少なくとも一つの妥当物体を識別 する方法が設けられる。第１図は、本発明の全方法を示すブロック図である。第 １実施態様の方法はまた、自然分析において再帰的エントロピーしきい化と呼ば れる。 本発明の方法は、物体と背景の像を発生する段階を含む。像が、第１図のブロ ックＡと第２図のブロックＡにおいて示された如く、発生される。第２図は、第 １図に示された如く、第１実施態様の方法の好ましい実現を示す。本発明の方法 を実現するために使用されたハードウェアは、像が発生される時、最初に初期化 されなければならない。物体と背景の像は、カメラによって発生される。ＣＣＤ カメラが、一般に、本発明の方法で使用されるが、任意の形式のカメラが、本発 明の一般原理に反することなく使用される。像は、それから、フレームグラバー 又はビデオデジタイザーによってデジタル化及び記憶される。 本発明の方法はまた、複数の副空間を含む、像を表現するデータ空間を規定す る段階を具備する。この段階は、第１図のブロックＢに示される。データ空間は 、妥当物体の少なくとも一つの所定の属性値に基づく。代替的に、データ空間は 、前に識別された物体の少なくとも一つの所定の属性値に基づく。さらに、デー タ空間は、画像のグレーレベル値を具備する。ヒストグラムは、像の各点に関連 したグレーレベル値を構成する一次元データ空間の例である。この例は、下記の 好ましい実現としてさらに詳細に説明される。代替的に、データ空間は、像の色 空間を具備する。この色空間は、Ｒ、Ｇ、Ｂ色空間、または、ＬＡＢ色空間であ る。そのような色空間は、３次元データ空間の例である。代替的に、データ空間 は、像のグレーレベル値の変換から生ずる空間を具備する。この合成空間は、例 えば、コントラスト、色相の大きさ、又は縁強度である。この段落において記載 されたデータ空間は、例示のみであり、本発明の範囲は、これらの例に限定され ない。 第２図において示された好ましい実現において、この段階は、像のグレーレベ ルヒストグラムを発生することを具備し、この場合、グレーレベルヒストグラム は、エントロピー関数を有する。この段階は、第２図のブロックＢに示される。 モジュールＨＩＳＴＯＧＲＡＭは、像の対象領域のグレーレベルヒストグラムを 発生するために使用される。グレーレベルヒストグラムを発生するための段階は 、第３図の流れ図において示される。第３図のブロックＡに示された如く、ＨＩ ＳＴＯＧＲＡＭは、まず、画像の対象領域のヒストグラムを算出する。それから 、第３図のブロックＢに示された如く、各グレーレベルＳに対して、エントロピ ー関数Ｈ_sの算出において続いて使用される値を算出する。この算出の結 果は、ブロックＣに示された如く、大域索引テーブルに記憶される。これは、エ ントロピーしきいグレーレベルの続く算出のために、単純な索引作業のみが要求 されることを保証する。 本発明の方法はまた、少なくとも一つの副空間を選択する段階を含む。この段 階は、第１図のブロックＣに示される。副空間は、データ空間の有界部分である 。即ち、それは、全データ空間にわたらない。副空間は、一対のグレーレベル値 か、または、グレーレベル値の範囲である。さらに、副空間は、例えば、グレー レベル値又はカラーパラメータがそれぞれの空間において集群する方法に基づい て、選択されるが、副空間が、これらの例に限定されないことが注目される。第 ２図に示された如く好ましい実現において、この段階は、ヒストグラムのエント ロピー関数が、第２図のブロックＣに示された如く、最大化される如く、しきい グレーレベルをエントロピー的に選択することを具備する。この段階は、第４図 に示された如く、ＥＮＴＲＯＰＹモジュールによって行われる。第４図のブロッ クＡに示された如く、ヒストグラムのエントロピー関数を最大にする際の第１段 階は、最大エントロピー関数を最小値に初期化することである。 第１実施態様の好ましい実現において、しきいグレーレベルをエントロピー的 に選択する段階は、各グレーレベル値におけるグレーレベルヒストグラムを第１ 区分と第２区分に順次に区分化する下位段階を含む。変化する背景における単一 の単純物体が識別される単純な場合を示すために、画像のグレーレベルヒストグ ラムが、第５図に示される。第１及び第２区分が、第５図のヒストグラムにおい て示され、この場合、背景のグレーレベルは、第１区分Ａによって表現され、そ して妥当物体のグ レーレベルは、第２区分Ｂによって表現される。ＥＮＴＲＯＰＹモジュールにお いて、区分化しきいグレーレベル値は、第４図のブロックＢに示された如く、最 小値に初期化される。 しきいグレーレベルをエントロピー的に選択する段階はまた、各区分に対して エントロピー関数を計算する下位段階を含み、この場合、ヒストグラムの全エン トロピー関数は、第１区分Ａのエントロピー関数Ｈ_s（Ａ）と第２区分Ｂのエン トロピー関数Ｈ_s（Ｂ）の合計として定義される。この段階は、第４図のブロッ クＣに示され、そして次の如く数学的に表現される。 所与のしきいグレーレベル値ｓに対して、 合計Ｈ_s（Ａ）＋Ｈ_s（Ｂ）は、画像のグレーレベルヒストグラムの全 エントロピー関数を表現する。最大エントロピーしきいグレーレベルは、全エン トロピー関数を最大にするｓの値である。 第４図の判断記号Ｄは、ヒストグラムのエントロピー関数が、ブロックＡにお いて初期化された最大エントロピー関数よりも大きいかを判断する。そうならば 、最大エントロピー関数は、第４図のブロックＥに示された如く、区分化しきい グレーレベルを使用して更新される。それから、最大エントロピーしきいグレー レベルは、ブロックＦに示された如く、区分化しきいグレーレベルにセットされ る。最大エントロピーしきいグレーレベルがセットされた後、又はヒストグラム のエントロピー関数が最大エントロピー関数よりも大きくないならば、第４図に 示された如く、ＥＮＴＲＯＰＹモジュールの判断記号Ｇは、区分化しきいグレー レベルが、最大しきいグレーレベルに等しいかを判断する。そうならば、最大エ ントロピーしきいグレーレベルが、第４図のブロックＨに示された如く返される 。そうでないならば、区分化しきいグレーレベルが、第４図のブロックＩに示さ れた如く増分され、そして増分された区分化しきいグレーレベルが、ブロックＣ に返され、ここで、増分された区分化しきいグレーレベルのエントロピー関数が 計算される。Ｃ−Ｇによるループは、区分化しきいグレーレベルが最大しきいグ レーレベルに等しくなり、この点において、最大エントロピーしきいグレーレベ ルがブロックＨに示された如く返されるまで反復される。 本発明により、Ｈ_s（Ａ）とＨ_s（Ｂ）において、確率分布は、各区分内にグレ ーレベルのみを含むように再正規化される。この再正規化により、最大エントロ ピー関数は、第５図においてＴで示された如く、グレーレベルヒストグラムにお ける物体ピーク縁においてちょうど発生する。 こうして、新しきいグレーレベルが、ヒストグラムのエントロピー関数が最大化 される如く選択される。第５図に示された単純な場合に対するしきい値のこの最 大選定により、背景の再正規化分布は、最低ピークになり、最も一様になる。背 景区分におけるグレーレベル数は物体区分におけるグレーレベル数よりもずっと 大きいために、ヒストグラムの全エントロピー関数は、背景のエントロピー関数 によって支配される。 本発明の方法はまた、各選択副空間を使用して、候補物体の少なくとも一つの 表現に対して画像を多重に走査する段階を含む。この段階は、副空間の各々を同 時に使用して、画像を一度走査するか、または、各走査に対して選択副空間を使 用して、多重回、画像を走査することを具備する。第２図に示された第１実施態 様の好ましい実施態様において、この段階は、少なくとも一つの候補物体に対し て画像を探索することを具備し、この場合、候補物体は、少なくとも一つの候補 物体属性値を有する。探索段階は、エントロピー的に選択されたしきいグレーレ ベルを使用して、少なくとも一つの候補物体に対して画像を探索する下位段階と 、エントロピー的に選択されたしきいグレーレベルによって決定された境界グレ ーレベルを有する候補物体をトレースする下位段階とを具備する。探索段階は、 第７図に示された如くモジュールＳＥＡＲＣＨ ＩＭＡＧＥ、第８図のモジュー ルＦＩＮＤ ＯＢＪＥＣＴと第９図に示された如くモジュールＴＲＡＣＥ ＯＢ ＪＥＣＴによって行われる。 本発明の方法はまた、妥当物体を識別するために、妥当物体の所定属性値を有 する候補物体を妥当化する段階を含む。妥当化段階は、候補物体の属性値を算出 する下位段階と、候補物体を妥当化するために、妥当物体の所定の属性値と候補 物体の属性値を比較する下位段階とを含む。 算出下位段階は、さらに、候補物体の属性値を記憶する下位段階を含む。妥当化 段階は、ＴＲＡＣＥ ＯＢＪＥＣＴモジュールによって実行される。本発明の第 １実施態様において、ＴＲＡＣＥ ＯＢＪＥＣＴは、妥当物体の所定の属性値と して、大きさ及び形状因子のみを使用する。一般に、他の属性値も、妥当物体の 所定の属性値に対して使用される。 本発明は、ドライバーとカーネルを使用する。ドライバーは、妥当物体の属性 値を記憶し、この場合、各値は、例えば、縁コントラスト、面積、形状等の妥当 物体の定義を表現する。本発明のドライバーは、所与の応用に特定である。オブ ジェクト指向環境において、大きさ、形状、色等の如く、属性リストを介して物 体を記述することは、多くの事例において直接的である。簡単なパラメータ記述 が可能でない複雑な物体に対して、物体を識別するために、ドライバーにおいて 神経網を使用することができる。候補物体から導出されたパラメータは、特定物 体を認識するように養成された神経網へ送られる。この点において、本発明のア ーキテクチャーは、脳と眼の間にフィードバックループがある神経視覚アーキテ クチャーに類似し始める。本発明において、高次ドライバーは、低次カーネルと 織り合わされる。この場合、ドライバーにおける物体のより複雑な記述は、さら に多くの候補物体を識別する探索プロセスを駆動するために使用される。 ドライバーは、カーネルを駆動する。カーネルは、幾つかの機能を行う。それ は、エントロピー的に選択されたしきいグレーレベルを算出し、画像を探索し、 候補物体に対して属性値を算出する。さらに、それは、上記の如く、ドライバー において含まれた妥当物体の所定の属性値と候補物体の属性値を比較することに より、候補物体について妥当性検査を 行う。それはまた、妥当物体の多重識別を防止するために、冗長検査を行う。 第６図のブロックＡによって示された如く、ＳＥＡＲＣＨ ＩＭＡＧＥモジュ ールの第１段階は、探索されない画像の部分を暗黒にすることである。それから 、ブロックＢに示された如く、探索位置が、初期化される。モジュールＳＥＡＲ ＣＨ ＩＭＡＧＥは、現在のエントロピー的に選択されたしきいグレーレベルで 対象領域を探索する。第６図の判断記号Ｃは、探索位置が、走査の終端にあるか を判断する。そうならば、第８図に詳細に示され、以下に非常に詳細に記載され るモジュールＣＨＫ ＧＲＡＹは、ブロックＤに示された如くランされる。ＣＨ Ｋ ＧＲＡＹは、背景よいも明るい物体のみを保持する。背景よりも暗い物体を 識別するために、画像は、発生後、即座に反転される。これにより、ＣＨＫ Ｇ ＲＡＹは、背景よりも暗い物体を保持することができる。また、第１３Ａ〜１３ Ｃ図と第１５Ａ〜１５Ｂ図に詳細に示され、妥当物体の多重識別を防止するモジ ュールＣＨＫ ＬＩＳＴは、ブロックＥに示された如くランされる。ＳＥＡＲＣ Ｈ ＩＭＡＧＥによって見いだされた新妥当物体の数は、第６図のブロックＦに 示された如く返される。 探索位置が、走査の終端にないならば、モジュールＳＥＡＲＣＨ ＩＭＡＧＥ は、モジュールＦＩＮＤ ＯＢＪＥＣＴを使用して、エントロピー的に選択され たしきいグレーレベルを越えるグレーレベルを有する点を見つけるまで、現在の エントロピー的に選択されたしきいグレーレベルを有する対象領域を探索する。 そのような点は、新候補物体の第１点である。第６図の判断記号Ｇは、新候補物 体が、モジュールＦＩＮＤ ＯＢＪＥＣＴを使用して見つけられたかを判断する 。そうならば、Ｆ ＩＮＤ ＯＢＪＥＣＴは、物体が、現探索においてすでにトレースされたかをチ ェックする。物体が、現探索においてまだ探索されていないならば、モジュール ＳＥＡＲＣＨ ＩＭＡＧＥは、第６図のブロックＨによって示された如く、第８ 図に詳細に示されたモジュールＴＲＡＣＥ ＯＢＪＥＣＴをランさせることによ り、物体をトレースすることに進む。物体が、トレースされた後、探索位置は、 第６図のブロックＩに示された如く、増分される。Ｂ−Ｉによるループは、モジ ュールＳＥＡＲＣＨ ＩＭＡＧＥが判断記号Ｃによって示された如く探索の終端 になるまで継続される。代替的に、新候補物体が判断記号Ｇによって示された如 く検出されないならば、探索位置は、ブロックＩにおいて示された如く増分され 、こうして、トレース段階をバイパスし、そしてＣ−Ｉによるループが、ＳＥＡ ＲＣＨ ＩＭＡＧＥが探索の終端になるまで継続される。 モジュールＦＩＮＤ ＯＢＪＥＣＴの段階は、第７図に示される。ＦＩＮＤ ＯＢＪＥＣＴにおける第１段階は、ブロックＡに示された如く、探索される画像 の現位置に探索位置を初期化することである。それから、判断記号Ｂは、探索位 置が物体の内側にあるかを判断する。そうならば、探索位置が、ブロックＣによ って示された如く増分され、そして判断記号Ｄは、ＦＩＮＤ ＯＢＪＥＣＴがそ の探索の終端にあるかを判断する。そうならば、新物体はブロックＥにおいて示 された如く検出されない。そうでないならば、判断記号Ｂは、増分された探索位 置が物体の内側にあるかを判断する。Ｂ−Ｅによるループのプロセスは、探索位 置が物体の内側になくなるまで継続する。この点において、判断記号Ｆは、次物 体が検出されたかを判断する。そうでないならば、探索位置は、第７図のブロッ クＧにおいて示された如く増分され、そして判断記号Ｈは、Ｓ ＥＡＲＣＨ ＩＭＡＧＥが探索の終端にあるかを判断する。そうならば、新物体 非検出が、ブロックＩによって示された如く返される。そうでないならば、判断 記号Ｆは、次物体が増分探索位置を使用して検出されたかを再び判断する。Ｆ− Ｉによるループのプロセスは、次物体が検出されるまで継続する。判断記号Ｊは 、検出された物体がすでにトレースされたかを判断する。そうならば、新物体非 検出が、ブロックＫによって示された如く返される。検出された物体がまだトレ ースされていないならば、探索位置が、ブロックＬによって更新され、そして新 物体検出が、第７図のブロックＭによって示された如く返される。 モジュールＴＲＡＣＥ ＯＢＪＥＣＴの段階は、第８Ａ図と第８Ｂ図において 示される。ＴＲＡＣＥ ＯＢＪＥＣＴモジュールの基本原理は、”Ｄｉｇｉｔａ ｌ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ” ｂｙ Ｒａｆａｅｌ Ｃ．Ｇｏｎｚ ａｌｅｚ ａｎｄ Ｐａｕｌ Ｗｉｎｔｚ、Ｓｅｃｏｎｄ Ｅｄ．、Ａｄｄｉｓ ｏｎ−Ｗｅｓｌｅｙ Ｐｕｂｌｉｓｈｉｎｇ Ｃｏｍｐａｎｙ、Ｒｅａｄｉｎｇ 、Ｍａｓｓａｃｈｕｓｅｔｔｓ（１９８７）において記載されたものに類似する 。第８Ａ図のブロックＡに示された如く、ＴＲＡＣＥ ＯＢＪＥＣＴモジュール における第１段階は、候補物体属性値を初期化することである。それから、ＴＲ ＡＣＥ ＯＢＪＥＣＴモジュールは、近隣周囲点が検出されたかを判断記号Ｂに おいて判断する。そうでないならば、トレースされた物体は、ブロックＣによっ て示された如く、無効である。近隣周囲点が検出されたならば、判断記号Ｄは、 ＴＲＡＣＥ ＯＢＪＥＣＴモジュールが候補物体の第１周囲点にあるかを判断す る。そうでないならば、候補物体属性値は、第８Ａ図のブロックＥに示された如 く更新される。それから、Ｂ −Ｅによるループが、ＴＲＡＣＥ ＯＢＪＥＣＴモジュールが候補物体の第１周 囲点になるまて、更新された候補物体属性値を使用して、反復される。それから 、質量中心座標が、第８Ａ図のブロックＦにおいて示された如く算出される。そ れから、判断記号Ｇは、候補物体面積が大きすぎるかを判断する。そうならば、 トレースされた物体は、第８Ａ図のブロックＨによって示された如く無効である 。 候補物体面積が大きすぎないならば、形状因子が、第８Ｂ図のブロックＩにお いて示された如く算出される。形状因子の定義は、識別される物体の幾何形状に より、変化する。例えば、円形物体に対する形状因子の定義は、 形状因子＝１−ｐ²／４πＡ （９） である。ここで、ｐは候補物体の周囲長であり、Ａは候補物体の面積である。そ れから、ＴＲＡＣＥ ＯＢＪＥＣＴは、形状因子が第８Ｂ図の判断記号Ｊにおい て示された如くドライバーに含められる所定範囲内にあるかをチェックする。形 状因子が所定範囲内に入らないならば、トレースされた物体は、第８Ｂ図のブロ ックＫによって示された如く無効である。形状因子が所定範囲内に入るならば、 候補物体は、ブロックＬに示された如く、カーネルによって維持される妥当物体 リストに追加される。 候補物体のすべてが、現探索においてトレースされた後、第９図に示された如 く、モジュールＣＨＫ ＧＲＡＹが、候補物体が、背景よりも相対的に明るいか をチェックするために呼び出される。第８図のブロックＡに示された如く、ＣＨ Ｋ ＧＲＡＹモジュールの第１段階は、現探索において見いだされた第１候補物 体へ進むことである。第９図の判断 記号Ｂは、候補物体が、候補物体リストにおける最終物体であるかを判断する。 そうならば、モジュールは、長円形Ｃによって示された如く、ランを停止する。 候補物体が、候補物体リストにおける最終物体でないならば、平均外部グレーレ ベルが、ブロックＤによって示された如く算出される。それから、判断記号Ｄは 、質量中心のグレーレベルが、物体の極値点の周囲の４つの外点（即ち、上、下 、左及び右点）の平均外部グレーレベルよりも大きいかを判断する。外点は、物 体の極値点のすぐ近傍である背景における点である。そうでないならば、物体は 、第９図のブロックＦにおいて示された如く削除される。質量中心のグレーレベ ルが、平均外部グレーレベルよりも大きいならば、候補物体は、保持され、そし てＣＨＫ ＧＲＡＹモジュールは、ブロックＧに示された如く、次の候補物体へ 進む。それから、ＣＨＫ ＧＲＡＹモジュールは、判断記号Ｂへ戻り、候補物体 が最終物体であるかを判断する。Ｂ−Ｇに示されたループは、次の候補物体が、 最終候補物体になり、この点において、ＣＨＫ ＧＲＡＹが、ランを停止するま で、次の候補物体に対して反復される。上記の如く、モジュールＣＨＫ ＧＲＡ Ｙは、背景よりも暗い物体を検出するためにランされる。この場合、画像は、物 体と背景の画像を発生する段階を行う前に、初期的に反転される。 こうして今まで記載された方法は、スクリーニングプロセスと呼ばれる。例え ば、それは、食料又は血液又は土壌試料において病原菌の存在を調べるために使 用される。スクリーニングプロセスは、肯定否定回答を生ずる。絶対数量化は必 要ではない。より厳格な識別プロセスに対して、下記の如く再帰的に本発明の方 法を実現することが、必要である。 本発明の方法は、さらに、上限としての上側副空間と下限として下側 副空間にデータ空間を細分する段階と、上側及び下側副空間の各々に対して選択 、妥当化及び細分段階を再帰的に繰り返すことにより、多重に探索し、これによ り、多重探索を終了するための条件に達するまで、データ空間を再帰的に区分化 する段階とを含む。終了条件は、所定最小数の新妥当物体が、識別されることで ある。この所定最小数は、ゼロ以上である。代替的に、終了条件は、最小グレー レベル区分幅でも良い。 第２図の好ましい実現において、本発明の方法は、さらに、上限と下限として ヒストグラムのエントロピー関数を最大にするように選択されたエントロピーし きいグレーレベルを使用して、グレーレベルヒストグラムを上側ヒストグラムと 下側ヒストグラムに細分する段階を含む。選択、探索、妥当化及び細分段階は、 上側及び下側ヒストグラムの各々に対して再帰的に反復される。選択段階の反復 は、次に連続するエントロピーしきいグレーレベルを選択し、これにより、所定 最小数の新妥当物体が識別されるまで、妥当物体を識別するためにグレーレベル ヒストグラムを再帰的に区分化する。好ましい実現において、所定最小数はゼロ である。しかし、完全な識別が必要ではない時の如く、所定数がゼロよりも大き い場合がある。 第１０Ａ〜１０Ｃ図は、ヒストグラムを上側ヒストグラムと下側ヒストグラム に細分する概念を示す。原ヒストグラムは、第１０Ａ図に示される。第１０Ａ図 においてＴで示されたＴＨＲＥＳＨは、探索される最小グレーレベルと探索され る最大グレーレベルの間のグレーレベル領域に対応する、グレーレベルヒストグ ラムのエントロピー的に選択されたしきいグレーレベルである。第１０Ａ図に示 された如く原ヒストグラムに対して、探索される最小グレーレベルは、ゼロであ り、そして探索さ れる最大グレーレベルはＭＡＸである。Ｂにおいて示されたＴＨＲＥＳＨ ＨＩ は、ＴＨＲＥＳＨとＭＡＸの間のグレーレベル領域に対応する、グレーレベルヒ ストグラムのエントロピー的に選択されたしきいグレーレベルである。Ａにおい て示されたＴＨＲＥＳＨ ＬＯは、ゼロとＴＨＲＥＳＨの間のグレーレベル領域 に対応するグレーレベルヒストグラムのエントロピー的に選択されたしきいグレ ーレベルである。 本発明により、細分、選択、探索及び妥当性段階が、再帰的に反復される。再 帰とは、ヒストグラムを上側及び下側ヒストグラムに連続的に分割し、各上側ヒ ストグラムを探索し、上側ヒストグラムは、それ自体、上側ヒストグラムにおい て検出された新妥当物体の数が所定最小数以下になるまで、新妥当物体に対して 上側及び下側ヒストグラムに連続的に分割され、そして続いて、最も最近に探索 された上側ヒストグラムに対応する各下側ヒストグラムを探索し、下側ヒストグ ラムは、それ自体、下側ヒストグラムにおいて検出された新妥当物体の数が、所 定最小数以下になるまで、上側及び下側ヒストグラムに連続的に分割されるプロ セスを意図する。 上側ヒストグラムは、第１０Ｂ図に示される。細分段階の反復は、上側ヒスト グラムを第１０Ｂ図に示された次に連続する上側及び下側ヒストグラムに細分す る。上側ヒストグラムの選択段階の反復は、第１０Ｂ図においてＢで示された如 く、次に連続する上側エントロピーしきいグレーレベル値を選択する。こうして 、原ヒストグラムにおいてＴＨＲＥＳＨ ＨＩであった点Ｂは、上側ヒストグラ ムのしきい値又はＮＥＸＴ ＵＰＰＥＲ ＴＨＲＥＳＨになる。第１０Ｂ図にお いて、探索される最小グレーレベル値は、今、ＴＨＲＥＳＨであり、そして探索 される最 大グレーレベル値は、今、ＭＡＸである。Ｃで示されたＮＥＸＴ ＵＰＰＥＲ ＴＨＲＥＳＨ ＨＩは、ＢとＭＡＸの間のグレーレベル領域に対応する、グレー レベルヒストグラムのエントロピー的に選択されたしきいグレーレベルである。 Ｄにおいて示されたＮＥＸＴ ＵＰＰＥＲ ＴＨＲＥＳＨ ＬＯは、ＴＨＲＥＳ ＨとＢの間のグレーレベル領域に対応する、グレーレベルヒストグラムのエント ロピー的に選択されたしきいグレーレベルである。それから、選択、探索及び妥 当化段階が、エントロピーしきいグレーレベルとして、次に連続する上側エント ロピーしきいグレーレベルＢを使用して再帰的に反復される。 第１０Ｃ図は、下側ヒストグラムを示す。細分段階の反復は、第１０Ｃ図に示 された如く、下側ヒストグラムを次に連続する上側及び下側ヒストグラムに細分 する。下側ヒストグラムに対する選択段階の反復は、第１０Ｃ図においてＡで示 された如く、次に連続する下側エントロピーしきいグレーレベルを選択する。こ うして、原ヒストグラムにおいてＴＨＲＥＳＨ ＬＯであった点Ａは、区分化下 側ヒストグラムのしきい値、即ちＮＥＸＴ ＬＯＷＥＲ ＴＨＲＥＳＨになる。 第１０Ｃ図において、探索される最小グレーレベルは、今、ゼロであり、そして 探索される最大グレーレベル値は、今、ＴＨＲＥＳＨである。Ｅで示されたＮＥ ＸＴ ＬＯＷＥＲ ＴＨＲＥＳＨ ＨＩは、ＡとＴＨＲＥＳＨの間のグレーレベ ル領域に対応する、グレーレベルヒストグラムのエントロピー的に選択されたし きいグレーレベルである。Ｆで示されたＮＥＸＴ ＬＯＷＥＲ ＴＨＲＥＳＨ ＬＯは、ゼロとＡの間のグレーレベル領域に対応する、グレーレベルヒストグラ ムのエントロピー的に選択されたしきいグレーレベルである。それから、選択、 探索及び妥当化段階が、エント ロピーしきいグレーレベルとして、次の連続する下側エントロピーしきいグレー レベル値Ａを使用して、下側ヒストグラムに対して再帰的に反復される。 第１１図に示された如くＡＮＡＬＹＺＥモジュールは、本発明のコア再帰カー ネルを構成し、ヒストグラムを再帰的に区分化する。ＡＮＡＬＹＺＥモジュール は、候補物体の事例を探索するために、グレーレベル空間における特定領域に有 効にズームインする。第１１図に示された如く、ＡＮＡＬＹＺＥモジュールにお ける第１段階は、第１１図のブロックＡにおいて示された如く、上記のエントロ ピー的に選択されたしきいグレーレベルＴＨＲＥＳＨ、ＴＨＲＥＳＨ ＨＩとＴ ＨＲＥＳＨ ＬＯを算出することである。ブロックＢに示された如く、モジュー ルＳＥＡＲＣＨ ＩＭＡＧＥは、上側ヒストグラムに含められたグレーレベルを 使用してランされる。それから、判断記号Ｃは、新妥当物体の数が、所定最小数 よりも大きいかを判断する。そうならば、モジュールＡＮＡＬＹＺＥは、上側ヒ ストグラムにおいて再帰的にランされる。検出された妥当物体数が、所定最小数 よりも大きくないならば、モジュールＳＥＡＲＣＨ ＩＭＡＧＥが、ブロックＥ において示された如く、下側ヒストグラムに含められたグレーレベルを使用して 、再びランされる。それから、判断記号Ｆは、検出された新妥当物体の数が所定 最小数よりも大きいかを判断する。そうならば、モジュールＡＮＡＬＹＺＥは、 ブロックＧにおいて示された如く、下側ヒストグラムにおいて再帰的にランされ る。そうでないならば、モジュールＡＮＡＬＹＺＥは、ランを停止し、そして妥 当物体が、第１１図のブロックＨに示された如く返される。本発明により、再帰 的プロセス中、妥当化段階においてチェックされる属 性の数の範囲の選択には、許容性がある。 本発明の好ましい実施態様において、探索段階は、エントロピー的に選択され たしきいグレーレベルを使用して、少なくとも一つの候補グレーレベルに対して 画像の部分を走査し、エントロピー的に選択されたしきいグレーレベルによって 決定された境界グレーレベルを有する候補物体をトレースする下位段階を含む。 走査された画像の部分は、複数のピクセルを具備し、そして各ピクセルは、上限 よりも小さなグレーレベル値と増分の和を有する。上限はまた、表記ＭＡＸを有 する。増分は、探索される領域の最大グレーレベルＭＡＸと探索される領域の最 小グレーレベルＭＩＮの間の差分に等しく、新最大グレーレベルＧｒａｙ ｌｅ ｖｅｌ_max Ｇｒａｙ ｌｅｖｅｌ_max＝２×ＭＡＸ−ＭＩＮ （１０） に帰着する。グレーレベルがＧｒａｙ ｌｅｖｅｌ_maxを超える画像の領域は、 探索において無視される。 上記の妥当物体を識別するために使用されたエントロピーしきい法は、すべて の物体を最適に検出するために、画像において含まれた情報を使用することにお いて、理想的である。しかし、この方法は、望ましくない多くの物体、即ち、人 為物の検出に帰着する。しばしば、人為物の数は、所望物体数よりも一桁分大き い。上記の妥当物体を識別する方法を実施した後、前に処理された画像の集合体 についての情報が獲得される。こうして、この情報を使用する方法は、先験的な 情報がない画像に対して特に有益である。そのような方法では、物体を識別する 条件の最適化の如く、どの条件が、所望の物体を生じ、どの条件が、他の非所望 の物体を生じるかを判定することができる。ここで記載された二重しきい法 は、エントロピーしきい化を使用し、前に処理された画像から獲得された先験的 情報に基づいて、所望のしきい対を選択する一定しきいリストを発生する。 簡単には、二重しきい法は、画像のセットを処理し、各物体を検出するために 使用されたしきい対を追跡する。このデータは、所望又は非所望物体として物体 の分類に、各物体トレースを獲得するために使用されたしきい対を相関させるた めに使用される。各しきい対に対して、二重しきい法は、検出された物体の大部 分が、所望又は非所望クラスのいずれであるかを判定する。それから、二重しき い法は、妥当物体を優先的に識別するしきい対のリストを構成する。この新しき いリストは、妥当物体を識別し、他の画像におけるそのような物体の冗長性を解 消するために、将来的に使用される。 できる限り多数の所望物体と、できる限り少数の非所望物体を獲得できるよう にするために、画像の処理に対してしきい対のセットを固定することが望ましい 。グレーレベル空間の２進分割、代表画像からエントロピー的に判定されたしき い対のセットの使用、あるいは、画像のセットの組合せヒストグラムを構成し、 その組合せヒストグラムからセットをエントロピー的に判定することを含む幾つ かの方法が、これを行うために使用される。この後者の接近方法は、第１２図に おいて示される。 第１２図は、二重しきい法の段階を示す流れ図である。養成画像のセットと試 験画像のセットが、選択される。第１２図のブロックＡに示された如く、すべて の養成画像に対する組合せヒストグラムが、発生される。養成画像のセットは、 物体識別及び類別化が望まれる画像を表現する、画像のセットを具備する。試験 画像のセットは、この方法の適用が望ま れるが、養成画像セットの一部ではない画像を再び表現する画像を具備する。こ れらの画像における妥当物体は、手作業で計数され、方法の精度の判断に役立つ ように類別によりマークされる。それから、組合せヒストグラムは、第１０Ａ〜 １０Ｃ図に関して記載された如く処理される。これは、第１２図のブロックＢに おいて示され、この場合、しきい対リストは、例えば、エントロピーしきい化を 使用して、組合せヒストグラムから発生される。それから、養成画像が、処理さ れる。即ち、ブロックＣにおいて示された如く、物体リストを獲得するために、 発生されたしきい対リストを使用して、候補物体を探索される。リストは、物体 トレースを発生するしきい対を含む。物体は、ブロックＤに示された如く、画像 毎に、類別マークと整合される。こうして、各画像は、ブロックＣに示された如 く、自己リストを有する。各物体は、Ｄにおいて整合される。それから、すべて の物体リストは、ブロックＥにおいて示された如く、組み合わされる。それから 、各しきい対で検出された所望及び非所望物体の数は、同様にブロックＥに示さ れた如く、計数される。所望のしきい対は、ブロックＦにおいて示された如く、 縮小しきい対リストを生成するために選択される。ブロックＧにおいて示された 如く、縮小しきい対リストは、方法性能を確認するために試験画像か、もしくは 、自動物体分類が望まれる新画像を処理するために使用される。 本発明の方法により、妥当化段階は、さらに、妥当物体の多重識別を防止する ために、冗長性をチェックする下位段階を含む。そのような冗長検査は、現探索 後に妥当として認識された物体が、前探索において妥当物体として認識されてい るかもしれないために、必要である。冗長検査の下位段階を行うために、妥当物 体は、均質又は非均質として分類さ れる。妥当物体はまた、比較的大きな妥当物体又は小さな妥当物体として分類さ れる。加えて、妥当物体は、別の妥当物体に包含される（内部妥当物体）か、又 は別の妥当物体に包含されない（外部妥当物体）として分類される。 本発明の方法により、冗長検査の下位段階は、非均質妥当物体を削除するため に行われる。それが行われる時、本発明の方法は、さらに、大物体が２つ以上の 小物体を含む時、大物体を削除する下位段階を含む。また、冗長検査の下位段階 が非均質妥当物体を削除するために行われる時、本発明の方法はまた、大及び小 妥当物体の平均縁コントラストを算出する下位段階と、大物体が唯一の小物体を 含む時、小縁コントラストを有する物体を削除する下位段階を含む。これらの下 位段階は、非均質妥当物体に対して第１３Ａ〜１３Ｄ図に示された如く、モジュ ールＣＨＫ ＬＩＳＴによって行われる。 第１３Ａ図のブロックＡに示された如く、非均質物体を削除するためのＣＨＫ ＬＩＳＴモジュールの第１段階は、現探索の前に検出された妥当物体の数とし て前カウントを規定することである。それから、テール物体が、ブロックＢに示 された如く、現探索において検出された初期候補物体として規定される。物体カ ウントは、ブロックＣに示された如く１に初期化され、そしてヘッド物体は、ブ ロックＤに示された如く全物体リスト（即ち、現在までに検出された全物体のリ スト）における初期物体として規定される。判断記号Ｅは、物体カウントが前カ ウントよりも大きいかを判断する。 物体カウントが前カウントよりも大きいならば、ＣＨＫ ＬＩＳＴは、第１３ Ｂ図のブロックＡに示された如く、全物体リストにおける第１物 体に進む。第１３Ｂ図の判断記号Ｂは、ＣＨＫ ＬＩＳＴが最終物体であるかを 判断する。そうでないならば、判断記号Ｃは、妥当物体が別の妥当物体内に包含 されるかを判断する。そうならば、物体状態は、ブロックＤに示された如く、そ れが包含された物体の状態にセットされ、そしてＣＨＫ ＬＩＳＴは、ブロック Ｅに示された如く、次の物体へ進む。また、物体が別の物体内に包含されないな らば、ＣＨＫ ＬＩＳＴは、ブロックＥに示された如く、次の物体へ進む。Ｂ− Ｅによるループは、ブロックＥの次の物体が最終物体になり、この点において、 ＣＨＫ ＬＩＳＴが、ブロックＦに示された如く、全物体リストにおける第１物 体へ進むまで継続する。すべての物体に対する物体状態属性値は、ブロックＧに 示された如く、「真」にセットされる。この文脈における「真」は、妥当を意味 し、そして「偽」は、無効を意味する。それから、判断記号Ｈは、ＣＨＫ ＬＩ ＳＴが最終物体であるかを判断する。 そうならば、ＣＨＫ ＬＩＳＴは、第１３Ｃ図のブロックＡに示された如く第 １物体へ進む。それから、判断記号Ｂは、ＣＨＫ ＬＩＳＴが最終物体であるか を再び判断する。そうならば、物体の総数が、ブロックＣに示された如くカウン トされ、そして物体の総数と前カウントの間の差が、ブロックＤに示された如く 返される。ＣＨＫ ＬＩＳＴが最終物体でないならば、判断記号Ｅは、物体状態 属性値が偽であるかを判断する。そうならば、物体は、ブロックＦに示された如 く削除される。そうでないならば、ＣＨＫ ＬＩＳＴは、ブロックＧに示された 如く物体を進め、そしてＣＨＫ ＬＩＳＴは、判断記号Ｂに示された如く、それ が最終物体であるかを再び判断する。Ｂ、Ｅ、ＦとＧによるループは、ブロック Ｇの前進物体が最終物体になるまで継続する。この点において、 物体の総数が、ブロックＣに示された如くカウントされ、そして物体の総数と前 カウントの間の差が、ブロックＤに示された如く返される。 第１３Ｂ図の判断記号Ｈに戻ると、ＣＨＫ ＬＩＳＴが、この点において最終 物体でないならば、それは、判断記号Ｉに行き、物体が２つ以上の妥当物体を含 むかを判断する。そうならば、物体状態属性値が、ブロックＪに示された如く偽 にセットされ、そしてＣＨＫ ＬＩＳＴは、ブロックＫに示された如く、次の物 体へ進む。それから、ＣＨＫ ＬＩＳＴは、判断記号Ｈへ復帰し、それが最終物 体であるかを判断し、そして物体が２つ以上の妥当物体を含まなくなるまで、こ のプロセスを継続する。それから、第１３Ｄ図の判断記号Ａは、物体が別の物体 内に包含された唯一の物体であるかを判断する。そうでないならば、ＣＨＫ Ｌ ＩＳＴは、第１３Ｂ図のブロックＫに示された如く次の物体へ進み、第１３Ｂ図 のＨ−Ｋと第１３Ｄ図のＡによるループが、物体が別の物体内に包含された唯一 の物体になるまで反復される。物体が別の物体内に包含された唯一の物体である ならば、判断記号Ｂは、物体を包含する物体の状態属性値が偽であるかを判断す る。そうならば、ＣＨＫ ＬＩＳＴは、第１３Ｂ図のブロックＫに示された如く 次の物体へ進み、そして第１３Ｂ図のＨ−Ｋと第１３Ｄ図のＡ−Ｂによるループ が、物体を包含する物体の状態属性値が偽でなくなるまで反復される。この点に おいて、判断記号Ｎは、別の物体を包含する物体の縁コントラストが物体の縁コ ントラストよりも大きいかを判断する。そうならば、ＣＨＫ ＬＩＳＴは、ブロ ックＤに示された如く、物体状態属性値を偽にセットし、第１３Ｂ図のブロック Ｋに示された如く、次の物体へ進み、そして第１３Ｂ図のＨ−Ｋと第１３Ｄ図の Ａ−Ｃによるループが、別の物体を包含する 物体の縁コントラストが別物体に包含された物体の縁コントラストを超えなくな るまで反復される。それから、ＣＨＫ ＬＩＳＴは、第１３Ｄ図にブロックＥに 示された如く、物体を包含する物体の状態を偽にセットし、そしてそれが最終物 体になるまで、第１３Ｄ図のブロックＫに示された如く、次の物体へ進む。 第１３Ａ図の判断記号Ｅに戻ると、物体カウントが前カウントよりも大きくな いならば、判断記号Ｆは、ヘッド物体が別の物体内に包含されるかを判断する。 そうならば、ヘッド物体が、ブロックＧに示された如く進められ、そして物体カ ウントが、ブロックＨに示された如く増分される。判断記号Ｅは、再び、増分さ れた物体カウントが、前カウントよりも大きいかを判断する。そうならば、ＣＨ Ｋ ＬＩＳＴは、上記の如く、第１３Ｂ図のブロックＡへ進む。増分されたカウ ントが前カウントよりも大きくないならば、第１３Ａ図のＦ、Ｇ、ＨとＥによる ループが、ヘッド物体が別の物体内に包含されなくなるまで反復される。それか ら、ＣＨＫ ＬＩＳＴは、第１３Ａ図の判断記号Ｉへ進み、テール物体が最終物 体であるか、又はヘッド物体が別の物体内に包含されるかを判断する。テール物 体が最終物体であるか、又はヘッド物体が別の物体内に包含されるならば、ＣＨ Ｋ ＬＩＳＴは、ブロックＧに示された如くヘッド物体を進め、そしてカウント が、ブロックＨに示された如く増分される。Ｅ、Ｆ、Ｉ、ＧとＨによるループは 、テール物体が最終物体でなくなるか、又はヘッド物体が別の物体内に包含され なくなるまで、反復される。それから、判断記号Ｊは、テール物体が別の物体内 に包含されるかを判断する。そうならば、テール物体は、第１３Ａ図のブロック Ｋに示された如く進められ、そしてＩ、ＪとＫによるループが、テール物体 が別の物体内に包含されなくなるまで反復される。それから、ＣＨＫ ＬＩＳＴ は、第１４図に示された如く、モジュールＳＥＴ ＳＴＡＴに行き、第１３Ａ図 のブロックＬに示された如くヘッド及びテール物体の状態をセットする。 冗長検査の下位段階は、さらに、複数の妥当物体の面積を比較する下位段階と 、妥当物体の一方を大妥当物体とし、第１及び第２妥当物体の他方を小妥当物体 として指定する下位段階と、小妥当物体が、非均質物体に対する大形物体の４つ の極点によって規定された大妥当物体に包含されるかを判定する下位段階とを含 む。第１４図に示された如く、モジュールＳＥＴ ＳＴＡＴは、非均質物体に対 するこれらの下位段階を行う。第１４図の判断記号Ａに示されたＳＥＴ ＳＴＡ Ｔの第１段階は、ヘッド物体がテール物体よりも大きいかを判断することである 。そうならば、ブロックＢに示された如く，ヘッド物体は、大妥当物体として規 定され、そしてテール物体は、小妥当物体として規定される。ヘッド物体がテー ル物体よりも大きくないならば、ブロックＣに示された如く、ヘッド物体は、小 妥当物体として規定され、そしてテール物体は、大妥当物体として規定される。 それから、判断記号Ｄは、小物体が大物体内に包含されるかを判断する。そうで ないならば、ＳＥＴ ＳＴＡＴは、ＥＮＤ長円形Ｅによって示された如く、終了 される。小物体が大物体内に包含されるならば、大物体形式属性値が、ブロック Ｆに示された如く小物体を包含することを示す値にセットされる。形式属性値は 、物体が別の物体内に包含されるか、又は物体が別の物体を包含するかをＳＥＴ ＳＴＡＴに通知する。また、小物体形式属性値は、ブロックＧに示された如く 、大物体内に包含されることを示す値にセットされる。最後に、大物体状 態属性値が、ブロックＨに示された如く増分される。それから、ＳＥＴ ＳＴＡ Ｔが、ＥＮＤ長円形Ｉによって示された如く終了され、そして第１３Ａ図のブロ ックＬに復帰する。 本発明の方法により、冗長検査の下位段階が、均質物体における冗長性を解消 するために行われる。それが行われる時、本発明の方法は、さらに、大及び小妥 当物体の縁コントラストを算出する下位段階と、大物体の平均縁コントラストが 小物体の平均縁コントラストよりも小さく、かつ所定の最小縁コントラストより も小さい場合に大物体を削除する下位段階とを含む。冗長性を解消するための冗 長検査の下位段階はまた、大及び小妥当物体の縁コントラストを算出する下位段 階と、大物体の平均縁コントラストが小物体の平均縁コントラストよりも大きく 、所定の最小コントラストよりも大きい場合に小物体を削除する下位段階とを含 む。これらの下位段階は、第１５Ａ図と第１５Ｂ図の流れ図によって示された如 く、均質物体に対するモジュールＣＨＫ ＬＩＳＴを使用して行われる。 第１５Ａ図のブロックＡに示された如く、ＣＨＫ ＬＩＳＴモジュールの第１ 段階は、均質物体を削除するためにランされた時、現探索の前に検出された妥当 物体の数として前カウントを規定することである。それから、テール物体が、ブ ロックＢに示された如く、現探索において検出された初期候補物体として規定さ れる。物体カウントは、ブロックＣに示された如く１に初期化され、そしてヘッ ド物体が、ブロックＤに示された如く、全物体リストにおける初期物体として規 定される。それから、物体状態属性値が、ブロックＥに示された如く、すべての 物体に対して真にセットされる。判断記号Ｆは、物体カウントが前カウントより も大きいかを判断する。 物体カウントが前カウントよりも大きいならば、ＣＨＫ ＬＩＳＴは、第１５ Ｂ図のブロックＡに示された如く、全物体リストにおける初期物体へ進む。第１ ５Ｂ図の判断記号Ｂは、ＣＨＫ ＬＩＳＴが最終物体であるかを判断する。そう ならば、物体の総数が、ブロックＣに示された如くカウントされ、そして物体の 総数と前カウントの間の差が、ブロックＤに示された如く返される。ＣＨＫ Ｌ ＩＳＴが最終物体でないならば、判断記号Ｅは、物体状態属性値が偽であるかを 判断する。そうならば、物体が、ブロックＦに示された如く削除される。物体状 態が偽でないならば、物体は、ブロックＧに示された如く進められ、そしてＣＨ Ｋ ＬＩＳＴモジュールは、再び、判断記号Ｂに示された如く、最終物体である かを判断する。このプロセスは、ＣＨＫ ＬＩＳＴが最終物体に達するまで継続 し、この点において、物体の総数がブロックＣに示された如くカウントされ、そ して物体の総数と前カウントの間の差がブロックＤに示された如く返される。 第１５Ａ図における判断記号Ｆに戻ると、物体カウントが前カウントよりも大 きくないならば、第１５Ａ図の判断記号Ｇは、ヘッド物体の状態属性値が偽であ るかを判断する。そうならば、ヘッド物体が、ブロックＨに示された如く進めら れ、そしてカウントが、ブロックＩに示された如く増分される。それから、判断 記号Ｆは、増分された物体カウントが前カウントよりも大きいかを判断する。そ うならば、ＣＨＫ ＬＩＳＴは、上記の如く、第１５Ｂ図のブロックＡへ進む。 第１５Ａ図のＧ、ＨとＩによるループは、物体の状態が偽でなくなるまで反復さ れる。それから、ＣＨＫ ＬＩＳＴは、第１５Ａ図の判断記号Ｊへ進み、テール 物体が最終物体でなく、かつヘッド物体状態属性値が真であるかを判断する。こ れらの両質問への回答は、肯定でなければならない。そうでないならば、ＣＨＫ ＬＩＳＴは、ブロックＨに示された如くヘッド物体を進め、そしてカウントが 、ブロックＩに示された如く増分される。Ｆ、Ｇ、Ｈ、ＩとＪによるループは、 テール物体が最終物体になり、かつヘッド物体状態属性値が真になるまで反復さ れる。それから、判断記号Ｋは、テール物体状態属性値が真であるかを判断する 。そうならば、ヘッド及びテール物体の縁状態が、第１５Ａ図のブロックＬに示 され、かつ第１６図に詳細に示された如く、モジュールＳＥＴ ＳＴＡＴによっ てセットされる。それから、ＣＨＫ ＬＩＳＴは、ブロックＭに示された如くテ ール物体を進め、そしてＪ、Ｋ、ＬとＭによるループが反復される。テール物体 状態が真でないならば、ＣＨＫ ＬＩＳＴは、ブロックＭに示された如くテール 物体を進め、そしてＪ、ＫとＭによるループが反復される。 第１６図に示されたモジュールＳＥＴ ＳＴＡＴは、複数の妥当物体の面積を 比較する下位段階と、妥当物体の一方を大妥当物体として、第１及び第２妥当物 体の他方を小妥当物体として指定する下位段階と、小妥当物体が、均質物体に対 する大物体の４つの極点によって規定される如く大妥当物体に包含されるかを判 定する下位段階とを行う。第１６図の判断記号Ａに示された如く、ＳＥＴ ＳＴ ＡＴの第１段階は、ヘッド物体がテール物体よりも大きいかを判断することであ る。そうならば、ブロックＢに示された如く、ヘッド物体は大妥当物体として規 定され、そしてテール物体が、小妥当物体として規定される。ヘッド物体がテー ル物体よりも大きくないならば、ヘッド物体は、小妥当物体として規定 され、そしてテール物体は、大妥当物体として規定される。それから、ＳＥＴ ＳＴＡＴの判断記号Ｄは、小物体が大物体内に包含されるかを判断する。そうで ないならば、ＳＥＴ ＳＴＡＴは、長円形Ｅによって示された如くランを停止す る。小物体が大物体内に包含されるならば、判断記号Ｆは、大物体の縁コントラ ストが小物体の縁コントラストよりも大きく、かつ大物体の縁コントラストが所 定の最小縁コントラストよりも大きいかを判断する。これらの両質問への回答が 肯定であるならば、ブロックＧによって示された如く、大物体状態属性値が、真 にセットされ、そして小物体状態属性値が、偽にセットされ、そしてモジュール は、長円形Ｈによって示された如くランを停止する。判断記号Ｆにおける質問の 少なくとも一方への回答が否定であるならば、ブロックＩに示された如く、小物 体状態属性値が真にセットされ、大物体状態属性値は偽にセットされ、そしてモ ジュールは、長円形Ｊによって示された如くランを停止する。 本発明の方法は、さらに、妥当物体の冗長性に対する最終チェックを行い、妥 当物体の多重識別を防止するために冗長性を解消する段階を含む。最終冗長検査 段階は、さらに、複数の妥当物体の面積を比較する下位段階と、妥当物体の一方 を大妥当物体として、第１及び第２妥当物体の他方を小妥当物体として指定する 下位段階と、小妥当物体と大妥当物体が重なる時大妥当物体を除去する下位段階 とを含む。最終冗長検査段階は、第１７Ａ図と第１７Ｂ図の流れ図によって示さ れた如く、モジュールＦＩＮＡＬ ＣＨＫと、第１８図の流れ図によって示され た如くモジュールＩＮＴ ＳＴＡＴによって行われる。モジュールＦＩＮＡＬ ＣＨＫとＩＮＴ ＳＴＡＴは、均質及び非均質物体の両方に対して同一 であり、こうして、一度だけ示される。 ＦＩＮＡＬ ＣＨＫの第１段階は、第 １７Ａ図のブロックＡに示された如く、物体属性値をすべての物体に対して真に 初期化することである。妥当物体をカウントするためのカウント指数は、ブロッ クＢに示された如く１に初期化される。ヘッド物体は、ブロックＣにおいて示さ れた如く、状態属性値リストにおける初期物体として規定される。それから、判 断記号Ｄは、カウント指数が物体の総数よりも小さいかを判断する。そうでない ならば、モジュールＦＩＮＡＬ ＣＨＫは、第１７Ｂ図のブロックＡに行く。 第１７Ｂ図のブロックＡに示された如く、ＦＩＮＡＬ ＣＨＫは、第１物体に 進む。判断記号Ｂは、ＦＩＮＡＬ ＣＨＫが最終物体であるかを判断する。そう でないならば、判断記号Ｃは、物体状態属性値が偽であるかを判断する。そうで ないならば、ＦＩＮＡＬ ＣＨＫは、ブロックＥに示された如く、次の物体へ進 み、そして判断記号Ｂは、再び、ＦＩＮＡＬ ＣＨＫが最終物体であるかを判断 する。Ｂ、ＣとＥによるループは、ＦＩＮＡＬ ＣＨＫが次の物体になるまで継 続する。物体状態属性値が偽であるならば、物体は、ブロックＤに示された如く 削除される。それから、ＦＩＮＡＬ ＣＨＫは、ブロックＥに示された如く次の 物体へ進み、そして判断記号Ｂは、ＦＩＮＡＬ ＣＨＫが最終物体であるかを判 断する。Ｂ−Ｅによるループは、次の物体が最終物体になるまで継続し、この点 において、ＦＩＮＡＬ ＣＨＫは、ブロックＦに示された如く第１物体へ進む。 それから、カウントが、ブロックＧに示された如く１に初期化される。それから 、判断記号Ｈは、ＦＩＮＡＬ ＣＨＫが最終物体であるかを判断する。そうでな いならば、カウントが、ブロックＩに示された如く増分され、そしてＦＩＮＡＬ ＣＨＫは、ブロッ クＪに示された如く次の物体へ進む。判断記号Ｈは、再び、ＦＩＮＡＬ ＣＨＫ が最終物体であるか判断し、そしてＨ、ＩとＪによるループが、ＦＩＮＡＬ Ｃ ＨＫが最終物体になるまで継続する。それから、カウントに含められた妥当物体 の総数が、第１７Ｂ図のブロックＫによって示された如く返される。 第１７Ａ図の判断記号Ｄに戻ると、カウント指数が物体の総数よりも小さいな らば、テール物体が、ブロックＥに示された如く、ヘッド物体の次の物体として 規定される。それから、判断記号Ｆは、ヘッド物体の状態属性値が真であるかを 判断する。そうでないならば、ＦＩＮＡＬ ＣＨＫは、ブロックＧに示された如 く、ヘッド物体を進め、そしてブロックＨに示された如くカウント指数を増分さ せる。それから、ＦＩＮＡＬ ＣＨＫは、判断記号Ｄに復帰し、そしてＤ−Ｉに よるループが、ヘッド物体の状態属性値が真になるまで継続する。それから、判 断記号Ｉは、テール物体が最終物体でなく、かつヘッド物体状態属性値が真であ るかを判断する。これらの条件の少なくとも一方が満たされないならば、ＦＩＮ ＡＬ ＣＨＫは、ブロックＧに示された如くヘッド物体を進め、そしてブロック Ｈに示された如く指数を増分させる。それから、ＦＩＮＡＬ ＣＨＫは、判断記 号Ｄへ復帰し、そしてＤ−Ｉによるループは、判断記号Ｉにおける両質問への回 答が肯定になるまで継続する。それから、判断記号Ｊは、テール物体状態属性値 が真であるかを判断する。そうでないならば、ＦＩＮＡＬ ＣＨＫは、第１５Ａ 図のブロックＬに示された如くテール物体を進め、そしてＩ、ＪとＬによるルー プが、テール物体状態属性値が真になるまで反復される。それから、ＦＩＮＡＬ ＣＨＫは、第１７Ａ図のブロックＫに示された如くモジュールＩＮＴ ＳＴ ＡＴをランさせ、そしてブロックＬに示された如くテール物体を進める。 第１７Ａ図のブロックＫに示された如くモジュールＩＮＴ ＳＴＡＴの段階は 、第１８図に詳細に示される。第１８図の判断記号Ａは、ヘッド物体がテール物 体よりも大きいかを判断する。そうならば、ブロックＢに示された如く、ヘッド 物体は、大妥当物体として規定され、そしてテール物体は、小妥当物体として規 定される。ヘッド物体がテール物体よりも大きくないならば、ブロックＣに示さ れた如く、ヘッド物体は、小妥当物体として規定され、そしてテール物体は、大 妥当物体として規定される。それから、判断記号Ｄは、小妥当物体が大妥当物体 に包含されるかを判断する。そうでないならば、ＩＮＴ ＳＴＡＴは、長円形Ｅ によって示された如く、終了する。小妥当物体が大妥当物体に包含されるならば 、大物体状態属性値が、ブロックＦに示された如く偽にセットされ、そしてＩＮ Ｔ ＳＴＡＴは、長円形Ｇによって示された如く終了する。 本発明の方法は、さらに、画像を濾過する段階を含む。濾過段階は、本発明の 方法が、スクリーニングプロセス又は再帰プロセスとして使用された後、行われ る。濾過段階は、第１９Ａ図に一般に示され、また、非均質妥当物体に対して第 １９Ｂ〜１９Ｄ図において詳細に、そして均質妥当物体に対して第１９Ａ図と第 １９Ｂ図において示された如く、モジュールＣＡＬＣＯＮによって行われる。 非均質物体を濾過するための濾過段階は、非均質物体が削除されるべき条件を 規定する３つのプロングを具備する。濾過段階における第１プロングは、上記の 如くＦＩＮＡＬ ＣＨＫによって行われた最終冗長検査後に保持された非均質妥 当物体の数が、所定の最小数以下である時、 重フィルターを使用して、非均質物体を削除する。第２プロングは、保持された 非均質妥当物体の数が、所定の最小数よりも大きく、所定の最大数よりも小さい 時、中フィルターを使用して、非均質妥当物体を削除する。第３プロングは、保 持された非均質妥当物体の数が、所定の最大数以上である時、軽フィルターを使 用して、非均質妥当物体を削除する。好ましくは、非均質妥当物体を削除するた めの濾過段階の３つのプロングは、各個のプロングの直後、２回、繰り返される 。また、プロングは、本発明の方法が再帰プロセスとして使用された時、ヒスト グラムの再帰的区分化の後に繰り返されることが好ましい。しかし、プロングは また、本発明の方法が、スクリーニングプロセスとして使用された時、妥当化段 階の後に繰り返される。 第１９Ａ図のブロックＡにおいて示された如く、非均質物体を削除するための ＣＡＬＣＯＮの第１段階は、初期物体へ進むことである。それから、判断記号Ｂ は、妥当物体数が、所定の最小数よりも大きいかを判断する。そうでないならば 、重フィルターが、ブロックＣにおいて示された如く、適用される。妥当物体数 が、所定の最小図よりも大きいならば、判断記号Ｄは、妥当物体数が、所定の最 小数よりも小さいかを判断する。そうならば、中フィルターが、ブロックＥにお いて示された如く適用される。そうでないならば、軽フィルターが、ブロックＦ において示された如く、適用される。それから、判断記号Ｇは、ＣＡＬＣＯＮが 、最終物体であるかを判断する。そうならば、モジュールは、長円形Ｈで示され た如く、ランを停止する。そうでないならば、判断記号Ｉは、物体が、画像境界 の縁から所定の最小ピクセル距離内にあるか、そして面積が、所定の最小面積よ りも小さいかを判断する。これらの両質問に対 する回答が肯定であるならば、物体は、第１９Ａ図のブロックＪにおいて示され た如く、削除され、そして物体は、ブロックＭにおいて示された如く、次の物体 へ進められる。それから、判断記号Ｇは、ＣＡＬＣＯＮが最終物体であるかを判 断する。Ｇ−Ｍによるループは、Ｉにおける質問の少なくとも一方への回答が否 定になるまで継続する。これらの質問の少なくとも一方への回答が否定であるな らば、判断記号Ｋは、フィルターが軽であるかを判断する。そうならば、軽フィ ルターが、ブロックＬに示され、第１９Ｂ図に詳細に示された如く、適用される 。それから、ＣＡＬＣＯＮは、ブロックＭにおいて示された如く次の物体へ進み 、そしてＧ、Ｉ、Ｊ、Ｋ、ＬとＭによるループが、フィルターが軽でなくなるま で継続する。それから、判断記号Ｎは、フィルターが中であるかを判断する。そ うならば、中フィルターが、第１９Ａ図のブロックＯにおいて示され、第１９Ｃ 図において詳細に示された如く適用される。それから、ＣＡＬＣＯＮは、ブロッ クＭにおいて示された如く次の物体へ進み、そしてＧ、Ｉ、Ｊ、Ｋ、Ｎ、ＯとＭ によるループが、フィルターが中でなくなるまで継続する。それから、重フィル ターが、ブロックＰにおいて示され、第１９Ｄ図において詳細に示された如く適 用される。それから、ＣＡＬＣＯＮは、ブロックＱにおいて示された如く、次の 物体へ進む。Ｇ、Ｉ、Ｊ、Ｋ、Ｎ、ＰとＱによるループは、ＣＡＬＣＯＮが、判 断記号Ｇにおいて判断された如く最終物体になるまで継続する。この点において 、モジュールは、長円形Ｈによって示された如くランを停止する。 非均質物体は、第１９Ｂ図において示された如く、ある基準を満たす時、軽フ ィルターを使用して削除される。判断記号Ａは、物体が、別の 物体に含まれたかを判断する。そうならば、モジュールは、長円形ＢのＥＮＤに おいて示された如く、ランを停止する。物体が、別の物体内に決して含まれなか ったならば、判断記号Ｃは、非均質物体面積が、所定の最小面積よりも小さいか を判断する。そうならば、物体は、ブロックＤによって示された如く削除され、 そしてモジュールは、長円形ＥのＥＮＤによって示された如くランを停止する。 非均質物体面積が、所定の最小面積よりも小さくないならば、判断記号Ｆは、物 体縁コントラストが、所定の最小縁コントラストよりも小さいか、そして質量中 心グレーレベルが、再帰プロセスによって規定された如く、下側ヒストグラムの エントロピーグレーレベルよりも小さいかを判断する。これらの両質問に対する 回答が肯定であるならば、物体は、ブロックＧによって示された如く削除される 。判断記号Ｇにおける質問の少なくとも一方への回答が否定であるならば、モジ ュールは、長円形ＩのＥＮＤによって示された如く、ランを停止する。 非均質物体は、第１９Ｃ図において示された如く、ある基準を満たす時、中フ ィルターを使用して、削除される。第１９Ｃ図の判断記号Ａは、物体が、別の物 体内に含まれたかを判断する。そうでないならば、判断記号Ｂは、非均質妥当物 体面積が、所定の最小面積よりも小さいかを判断する。そうならば、物体は、ブ ロックＣにおいて示された如く削除され、そしてモジュールは、長円形ＤのＥＮ Ｄによって示された如く、ランを停止する。物体面積が、非均質物体の最小面積 よりも小さくないならば、判断記号Ｅは、物体縁コントラストが、所定の最小縁 コントラストよりも小さいか、そして質量中心グレーレベルが、原エントロピー しきいグレーレベルよりも小さいかを判断する。これらの両質問に対する 回答が肯定であるならば、物体は、ブロックＦにおいて示された如く削除され、 そしてモジュールは、長円形ＧのＥＮＤによって示された如く、ランを停止する 。これらの質問の少なくとも一方への回答が否定であるならば、モジュールは、 長円形ＨのＥＮＤによって示された如く、ランを停止する。判断記号Ａへ戻り、 物体が、別の物体に以前に含まれたならば、判断記号Ｉは、非均質物体縁コント ラストが、所定の最小縁コントラストよりも小さいか、非均質物体の質量中心グ レーレベルが、原エントロピーしきいグレーレベルよりも小さいか、そして非均 質物体面積が所定の最小面積よりも小さいかを判断する。これらの両質問に対す る回答が肯定であるならば、物体は、ブロックＪにおいて示された如く削除され 、そしてモジュールは、長円形ＫのＥＮＤによって示された如く、ランを停止す る。これらの質問の少なくとも一方に対する回答が否定であるならば、モジュー ルは、長円形ＫのＥＮＤによって示された如く、ランを停止する。 非均質物体は、第１９Ｄ図において示された如く、ある基準を満たす時、重フ ィルターを使用して、削除される。第１９Ｄ図の判断記号Ａは、物体が、別の物 体内に含まれたかを判断する。そうでないならば、判断記号Ｂは、非均質妥当物 体が、所定の最小面積よりも小さな面積を有するかを判断する。この質問に対す る回答が肯定であるならば、物体は、ブロックＣにおいて示された如く削除され る。そうでないならば、判断記号Ｃは、非均質妥当物体が、所定の最小縁コント ラストよりも大きな縁コントラストと、所定の最小面積よりも大きく、所定の最 大面積よりも小さな面積を有するかを判断する。そうならば、物体は、ブロック Ｄにおいて示された如く削除され、そしてモジュールは、ランを停止する。 そうでないならば、モジュールは、長円形ＦのＥＮＤによって示された如く、ラ ンを停止する。非均質妥当物体が、別の物体に以前に含まれたならば、判断記号 Ｇは、非均質物体の質量中心グレーレベルが、原エントロピーしきいグレーレベ ルよりも小さいか、そして非均質物体面積が所定の最小面積よりも大きく、所定 の最大面積よりも小さいかを判断する。これらの両質問に対する回答が肯定であ るならば、物体は、ブロックＨにおいて示された如く削除され、そしてモジュー ルは、長円形ＩのＥＮＤによって示された如く、ランを停止する。これらの質問 の少なくとも一方に対する回答が否定であるならば、判断記号Ｊは、非均質物体 の質量中心グレーレベルが、再帰プロセスによって規定された如く下側ヒストグ ラムのエントロピーしきいグレーレベルよりも小さいかを判断する。そうならば 、物体は、ブロックＫにおいて示された如く削除され、そしてモジュールは、長 円形ＬのＥＮＤによって示された如く、ランを停止する。そうでないならば、モ ジュールは、長円形ＭのＥＮＤによって示された如く、ランを停止する。 均質物体を濾過するためにＣＡＬＣＯＮをランする段階は、第２０Ａ図と第２ ０Ｂ図の流れ図において示される。第２０Ａ図のブロックＡに示された如く、均 質物体を濾過するためのＣＡＬＣＯＮの第１段階は、第１物体へ進むことである 。それから、判断記号Ｂは、ＣＡＬＣＯＮが最終物体であるかを判断する。そう ならば、ＣＡＬＣＯＮは、長円形ＣのＥＮＤによって示された如く終了する。そ うでないならば、判断記号Ｄは、均質妥当物体が、画像境界の縁から所定の最小 ピクセル距離内にあるか、そして均質妥当物体が、所定の最小面積よりも小さな 面積を有するかを判断する。これらの両質問に対する回答が肯定であるならば、 均質物体は、ブロックＥにおいて示された如く削除され、そしてＣＡＬＣＯＮは 、ブロックＦにおいて示された如く物体を進める。判断記号Ｂは、前進した物体 が次の物体であるかを判断し、Ｂ−Ｆによるループが、判断記号Ｄにおける条件 の少なくとも一方が満たされなくなるまで継続する。それから、判断記号Ｇは、 均質物体面積が、所定の最小面積よりも小さいかを判断する。そうならば、物体 は、ブロックＥにおいて示された如く削除され、そしてＢ−Ｇによるループが、 均質物体面積が、所定の最小面積よりも小さくなくなるまで継続する。それから 、判断記号Ｈは、均質物体が、所定の最小縁コントラストよりも小さな縁コント ラストを有するか、そして均質物体面積が、所定の最小面積よりも小さいかを判 断する。これらの両質問に対する回答が、肯定であるならば、物体は、ブロック Ｅにおいて示された如く削除され、そしてＣＡＬＣＯＮは、ブロックＦにおいて 示された如くブロックを進める。Ｂ−Ｈによるループは、判断記号Ｈにおける質 問の一方に対する回答が否定になるまで継続する。 第２０Ｂ図の判断記号Ｉは、均質物体の質量中心グレーレベルが、原エントロ ピーしきいグレーレベルよりも小さいか、そして均質物体の縁コントラストが、 所定の最小縁コントラストよりも小さいかを判断する。これらの両質問に対する 回答が肯定であるならば、物体は、ブロックＪにおいて示された如く削除される 。それから、ＣＡＬＣＯＮは、ブロックＫにおいて示された如く物体を進め、、 そしてＢ−Ｉによるループが、判断記号Ｉにおける質問の少なくとも一方に対す る回答が否定になるまで継続する。それから、判断記号Ｌは、、均質物体の形状 因子が、所定の形状因子よりも小さいか、そして均質物体の縁コントラストが、 所定の 最小縁コントラストよりも小さいかを判断する。これらの両質問に対する回答が 肯定であるならば、物体は、ブロックＪにおいて示された如く削除される。Ｂ− Ｌによるループは、判断記号Ｌにおける質問の少なくとも一方に対する回答が否 定になるまで継続する。判断記号Ｍは、均質物体の縁コントラストが、所定の絶 対最小縁コントラストよりも小さいかを判断する。そうならば、物体は、ブロッ クＪにおいて示された如く削除され、そしてＣＡＬＣＯＮは、物体を進める。Ｂ −Ｍによるループは、物体縁コントラストが、所定の絶対最小縁コントラストよ りも小さくなくなるまで継続する。この点において、ＣＡＬＣＯＮは、最終物体 になるまで、物体を進め、そしてモジュールは、長円形ＣのＥＮＤによって示さ れた如く、ランを停止する。 本発明の方法によって検査された画像は、少なくとも一つの孤立妥当物体と、 妥当物体の少なくとも一つの候補塊とを具備する。孤立妥当物体は、その真円度 によって識別される。妥当物体の候補塊は、孤立妥当物体の平均面積よりも大き な面積と、所定の塊形状因子よりも小さな形状因子を有する。本発明の方法は、 さらに、非均質妥当物体の候補塊を識別する段階と、候補塊における非均質妥当 物体の数を決定する段階とを含む。均質妥当物体の非凝集は、本発明の第１実施 態様の再帰プロセスにおいて固有である。 モジュールＵＮＣＬＵＭＰは、候補塊を識別し、候補塊における妥当物体数を 決定するために使用される。ＵＮＣＬＵＭＰの段階は、第２１Ａ〜２１Ｂ図と第 ２２Ａ〜２２Ｂ図の流れ図において示される。第２１Ａ図のブロックＡにおいて 示された如く、ＵＮＣＬＵＭＰの第１段階は、初期物体へ進むことである。判断 記号Ｂは、ＵＮＣＬＵＭＰが最終物体 であるかを判断する。そうでないならば、判断記号Ｃは、物体形状因子が、所定 の塊形状因子よりも大きいかを判断する。そうならば、物体は、ブロックＤにお いて示された如く、孤立物体リストへ追加され、そしてカウントが、ブロックＥ において示された如く、増分される。ＵＮＣＬＵＭＰは、ブロックＦにおいて示 された如く、次の物体へ進む。それから、ＵＮＣＬＵＭＰは、判断記号Ｂへ戻り 、そしてＢ−Ｆによるループが、物体形状因子が、所定の塊形状因子よりも大き くなくなるまで継続する。それから、ＵＮＣＬＵＭＰは、ブロックＦにおいて示 された如く、次の物体へ進む。それから、ＵＮＣＬＵＭＰは、判断記号Ｂへ戻り 、そしてＢ、ＣとＦによるループが、ＵＮＣＬＵＭＰが最終物体になるまで継続 する。 ＵＮＣＬＵＭＰが最終物体に達した時、孤立物体の平均物体面積が、第２１Ａ 図のブロックＧにおいて示された如く、算出される。それから、ＵＮＣＬＵＭＰ は、ブロックＨにおいて示された如く、第１物体へ進み、そして判断記号Ｉは、 ＵＮＣＬＵＭＰが最終物体であるかを判断する。そうでないならば、判断記号Ｊ は、物体面積が平均物体面積よりも大きいか、そして物体形状因子が所定の塊形 状因子よりも小さいかを判断する。これらの両質問に対する回答が肯定であるな らば、物体形状属性値が、ブロックＫにおいて示された如く、真にセットされ、 そしてＵＮＣＬＵＭＰが、ブロックＬにおいて示された如く次の物体へ進む。Ｉ −Ｌによるループは、ＵＮＣＬＵＭＰが最終物体になるまで継続する。それから 、ＵＮＣＬＵＭＰは、ブロックＭにおいて示された如く、第１物体を進め、そし て物体カウンターが、第２１Ａ図のブロックＮにおいて示された如く、ゼロにセ ットされる。 ＵＮＣＬＵＭＰは、第２１Ｂ図において示された如く、判断記号Ｏへ行き、最 終物体であるかを判断する。そうならば、検出された物体の数が、ブロックＰに おいて示された如く、返される。ＵＮＣＬＵＭＰが、最終物体でないならば、判 断記号Ｑは、物体状態属性値が真であるかを判断する。値が真であるならば、Ｕ ＮＣＬＵＭＰは、モジュールＰＲＯＣＥＳＳ ＣＬＵＭＰを組み込むことにより 、塊を処理し、そしてブロックＲに示された如く、塊における物体の数を返す。 ＰＲＯＣＥＳＳ ＣＬＵＭＰの段階は、第２２Ａ図と第２２Ｂ図の流れ図におい て示される。カウントは、ブロックＳにおいて示された如く、塊における物体の 数だけ増分される。物体状態属性値が真でないならば、孤立物体が、ブロックＴ に示された如く表示される。カウントは、ブロックＵに示された如く増分され、 そしてＵＮＣＬＵＭＰは、ブロックＶに示された如く次の物体へ進む。それから 、ＵＮＣＬＵＭＰは、判断記号Ｏへ返る。Ｏ−Ｖによるループは、ＵＮＣＬＵＭ Ｐが最終物体になるまで継続し、この点において、検出物体の数が、ブロックＰ に示された如く返される。 ＰＲＯＣＥＳＳ ＣＬＵＭＰの第１段階は、第２２Ａ図のブロックＡに示され た如く、塊の境界をトレースすることである。候補塊の概要は、第２１Ａ図にお いて示される。周囲点は、Ａ、Ｂ、ＣとＤで示され、この場合、ＡとＣは、塊の 質量中心から最大距離ｄだけ離間される。それから、第２２Ｂ図に示された距離 バッファーが、生成される。距離バッファーは、候補塊の各周囲点から候補塊の 質量中心への距離を表現する複数の距離値を具備する。距離バッファーは、第２ ３Ｂ図に示された如く、複数の谷と山を含む。距離バッファーは、ヒステリシス ベース谷検出アルゴリズムを使用して、第２２Ａ図のブロックＣに示された如く 、 第１谷Ｖ₁を探索される。 ヒステリシスベース山検出アルゴリズムは、データ点の値において変動がある データのセットにおいて山値を識別するために、技術における当業者には公知の アルゴリズムである。擬似山がデータセットにおいて検出されないことを保証す るために、ヒステリシス「窓」が、ある値幅を規定される。真の山として計数さ れる山に対して、２つの条件が、満足されなければならない。（ａ）山データ点 の値は、山の前の点値よりも少なくとも一つの窓幅だけ上でなければならない。 （ｂ）山に続くデータ点の値は、立ち上がり始める前に、山値よりも少なくとも 一つの窓幅だけ下降しなければならない。これは、窓幅よりも小さな振幅を有す るデータにおける小リプルが、山として包含されないことを保証する。ヒステリ シスベース谷検出アルゴリズムは、ヒステリシスベース山検出アルゴリズムと同 一であり、唯一の差は、データセットが、分析前に、初期的に反転されることで ある。データセットの反転は、原谷を山に変換し、原山を谷に変換する。これに より、原谷を検出するために、上記のヒステリシスベース山検出アルゴリズムを 使用することができる。本発明において、窓幅は、最大データ点と最小データ点 の間の値の差の１０％に概算される。この差が非常に小さいデータに対して、窓 幅は、差の７５％に概算される。 第２２Ａ図に示された判断記号Ｄは、第１谷点が、距離バッファーにおける最 終点であるかを判断する。そうでないならば、距離バッファーは、第２２Ａ図の ブロックＥに示された如く、距離Ｄだけシフトされる。距離Ｄは、第２３Ｂ図と 第２３Ｃ図において示され、そして候補塊の周囲における第１所定点によって規 定された如く、第１距離値から第１谷 への距離に等しい。距離バッファーの開始における値は、バッファーの終端へラ ップアラウンドされる。それから、シフトされたバッファーにおける山の数は、 ブロックＦにおいて示された如く、ヒステリシスベース山検出アルゴリズムを使 用してカウントされ、塊における妥当物体の数に対して、第１値Ｎ₁を算出し、 そしてＰＲＯＣＥＳＳ ＣＬＵＭＰは、第２２Ｂ図のブロックＨへ進む。第１値 Ｎ₁は、次の公式に従って算出される。 Ｎ₁＝（山数／２）＋１ （１１） 距離バッファーにおける山数は、２で割り算され、整数と分数から成る結果を獲 得する。結果は、次の整数に切り上げられ、そして１が、次の整数に加算される 。第１谷点が、距離バッファーにおける最終点であるならば、第１値Ｎ₁は、第 ２２Ａ図のブロックＧに示された如く、１にセットされ、そしてＰＲＯＣＥＳＳ ＣＬＵＭＰは、第２２Ｂ図のブロックＨに進む。 候補塊における妥当物体数はまた、孤立妥当物体の平均面積を使用する第２方 法によって算出される。この段階は、第２２Ｂ図のブロックＨにおいて示される 。第２方法により、候補塊の面積が、算出される。それから、候補塊の面積は、 孤立妥当物体の平均面積によって割り算され、塊における妥当物体数に対する、 第２値Ｎ₂を算出する。比Ｎ₂は、塊において「フィット」する孤立コロニーの数 を決定する。 Ｎ₂＝塊の面積／孤立妥当物体の平均面積 （１２） 孤立妥当物体に対する妥当物体分布が大きく変化する背景を説明するために、 塊における妥当物体の数は、第３方法により算出される。この段階は、第２２Ｂ 図の流れ図のブロックＩにおいて示される。第３方法 により、候補塊の面積が算出される。それから、面積は、孤立妥当物体の平均面 積から孤立妥当物体の平均面積の標準偏差の半分を差し引いた値によって割り算 され、塊における妥当物体の数に対する第３値Ｎ₃を与える。 Ｎ₃＝塊の面積／(孤立物体平均面積−０．５(孤立物体平均面積の標準偏差) 第２及び第３値Ｎ₂、Ｎ₃の平均値が、算出される。平均値は、判断記号Ｊにお いて示された如く、第１値Ｎ₁と比較される。第１値Ｎ₁が３よりも大きいならば 、または、Ｎ₂とＮ₃の平均値が、Ｎ₁よりも大きいならば、平均値は、ブロック Ｋに示された如く、候補塊における妥当物体の数として選択される。そうでなけ れば、第１値は、ブロックＬに示された如く、候補塊における妥当物体の数とし て選択される。第２２Ｂ図の判断記号Ｍは、ＰＲＯＣＥＳＳ ＣＬＵＭＰが、塊 における妥当物体の数の推定値として、第１値Ｎ₁を使用しているかを判断する 。そうでなければ、塊は、ブロックＯに示された如く、候補塊における妥当物体 の数を指示する単色でトレースされる。それから、ＰＲＯＣＥＳＳ ＣＬＵＭＰ は、ブロックＰに示された如く、塊における妥当物体の数を返す。ＰＲＯＣＥＳ Ｓ ＣＬＵＭＰは、候補塊における妥当物体の数の推定値として、第１値Ｎ₁を 使用するならば、塊は、第２２Ｂ図のブロックＮにおいて示された如く、複数の 色においてトレースされる。トレースするために使用された色は、塊における妥 当物体の数を指示し、この場合、距離バッファーにおける隣接谷の間の塊の全周 囲点は、同一色においてトレースされる。それから、ＵＮＣＬＵＭＰは、ブロッ クＰに示された如く、塊における妥当物体の数を返す。 上記の方法の代替案として、３つの方法のいずれかが、塊における妥当物体の 数を決定するために個々に使用される。 本発明は、さらに、均質妥当物体の少なくとも一つの塊と、孤立妥当物体が真 円度によって識別される少なくとも一つの孤立均質妥当物体を具備する背景にお いて凝集された均質妥当物体の数を決定する第１、第２及び第３方法を含む。３ つの方法により、少なくとも一つの候補塊が、識別され、この場合、候補塊は、 孤立妥当物体の平均面積よりも大きな面積と、所定の塊形状因子よりも小さい形 状因子を有する。背景において凝集された均質妥当物体の数を決定するための段 階は、第２１Ａ〜２１Ｂ図と第２２Ａ〜２２Ｂ図において示されたものと同一で ある。 さらに、本発明の凝集された均質妥当物体の数を決定する第１方法により、距 離バッファーは、上記の如く、生成される。距離バッファーは、候補塊の各周囲 点から候補塊の質量中心への距離を表現する複数の距離値を具備する。距離バッ ファーは、第２３Ｂ図と第２３Ｃ図において示された如く、複数の谷と山を含む 。距離バッファーは、上記の如く、ヒステリシスベース谷検出アルゴリズムを使 用して、第１谷Ｖ₁に対して探索される。それから、距離バッファーは、候補塊 の周囲における第１所定点によって規定された第１距離値から第１谷への距離に 等しい距離Ｄだけシフトされる。バッファーの開始における距離値は、バッファ ーの終端において重ね合わされる。上記の方法における如く、山の数は、ヒステ リシスベース山検出アルゴリズムを使用して、シフトされたバッファーにおいて 計数され、塊における妥当物体の数に対して値Ｎ₁を算出する。第１値Ｎ₁は、上 記の如く、方程式（１１）に従って算出される。 背景における凝集された妥当物体の数を決定する第２方法により、妥当物体の 数はまた、孤立妥当物体の平均面積を使用して算出される。第２方法により、候 補塊の面積は算出される。候補塊の面積は、孤立妥当物体の平均面積によって割 り算され、塊における妥当物体の数に対して値Ｎ₂を算出し、この場合、Ｎ₂は、 上記の如く、方程式（１２）によって与えられる。 背景において凝集された妥当物体の数を決定する第３方法により、妥当物体の 数はまた、孤立妥当物体の平均面積を使用して算出される。この方法により、候 補塊の面積が算出される。それから、面積は、孤立妥当物体の平均面積から孤立 妥当物体の平均面積の標準偏差の２分の１を差し引いた値によって割り算され、 上記の方程式（１３）における如く、塊における妥当物体の数に対して値Ｎ₃を 算出する。 本発明の第１実施態様により、背景において少なくとも一つの妥当物体を識別 するための画像分析システムが提供される。妥当物体は、識別される物体の妥当 物体の定義を表現する少なくとも一つの所定属性値を有する。本発明のシステム のブロック図が、第２４図において示される。背景において少なくとも一つの妥 当物体を識別するためのシステムは、第２４図において一般に１０で示される。 本発明のシステムは、物体と背景の像を発生するための手段を具備する。第２ ４図に示された如く、物体と背景の像を発生するための手段は、カメラ１２を具 備する。ＣＣＤカメラが、一般に本発明で使用されるが、任意の形式のカメラが 、本発明の一般原理に反することなく使用される。 本発明のシステムはまた、画像をデジタル化し、記憶するための手段を具備す る。画像をデジタル化し、記憶するための手段は、第２４図に 示された如くフレームグラバー１４を具備する。フレームグラバーは、画像処理 技術における当業者には公知な如く、一つのフレームにおいてビデオ画像をデジ タル化し、記憶する。代替的に、画像をデジタル化し記憶するための手段は、必 ずしも一フレームではないが、画像をデジタル化し記憶するビデオデジタイザー を具備する。本発明のシステムは、さらに、画像を表示するための手段を具備す る。画像を表示するための手段は、第２４図に示された如くモニター１６を具備 する。 本発明のシステムはまた、コンピュータ手段を具備する。コンピュータ手段は 、第２４図に示された如く、コンピュータシステム１８を具備する。コンピュー タシステムは、中央演算処理装置（ＣＰＵ）とメモリを具備する。コンピュータ 手段はまた、第２４図に示された如く、ドライバー２０、カーネル２２と後走査 フィルター２６を含む。ドライバー２０は、妥当物体の定義を記憶する。エント ロピーカーネル２２は、画像のグレーレベルヒストグラムを発生させ、そしてヒ ストグラムのエントロピー関数が最大にされる如く、しきいグレーレベルをエン トロピー的に選択する。エントロピーカーネル２２はまた、少なくとも一つの候 補物体に対して画像を探索し、妥当物体を識別するために、妥当物体所定属性値 を有する候補物体を妥当化する。妥当化物体は、第２４図において箱２４によっ て表現される。ドライバーとカーネルは、メモリに組み込まれたソフトウェアを 具備する。代替的に、ドライバーとカーネルは、ソフトウェアが検索されるプロ グラマブル読み取り専用メモリ（ＰＲＯＭ）にプログラムされる。後走査フィル ターは、第２４図において２６で示され、そして上記の如く、重なる物体におけ る冗長性を除去するための最終チェックを設ける。 本発明の第２実施態様により、背景において少なくとも一つの所定属性を有す る少なくとも一つの妥当物体を識別する別の方法が提供される。第２５図は、本 発明の第２実施態様の全方法を示すブロック図である。 方法は、物体と背景の像を発生する段階を含む。像は、第２５図のブロックＡ に示された如く、発生される。第１実施態様と同様に、物体と背景の像は、カメ ラによって発生される。像は、それから、フレームグラバー又はビデオデジタイ ザーによってデジタル化及び記憶される。 方法はまた、像のグレーレベル共発生マトリックスを発生する段階を具備する 。この段階は、第２５図のブロックＢに示される。共発生マトリックスは、第２ ８図において示される。共発生マトリックスは、上記の”Ｅｎｔｒｏｐｉｃ Ｔ ｈｒｅｓｈｏｌｄｉｎｇ”と題するＰａｌ ａｎｄ Ｐａｌの論文において記載 された如く、公知の原理に従って発生される。Ｐａｌ ａｎｄ Ｐａｌによって 示唆された２次元共発生マトリックスは、原則として、視覚プロセスにとって重 要な一次及び二次グレーレベル統計量を含む。Ｐａｌ ａｎｄ Ｐａｌによって 記載された共発生マトリックスのマトリックス要素ｐ_ijは、所与の距離パラメー タｄだけ離間されたグレーレベルｉとｊの共発生の確率を表す。距離パラメータ は、「最近傍」テクスチャーを考察する際に、１に等しいと仮定される。２つの グレーレベルの共発生の確率は、４つの方向（水平、垂直、右対角、左対角）で 確率を平均する結果である。共発生マトリックスは、４つの方向の各々において ただ一つの経路で画像を探索することにより、非対称的にされる。例えば、水平 探索の場合に、各行は、左から右に探索される。 本発明は、４つのモジュールＨＯＲＩＺ、ＶＥＲＴ、ＬＦＴ ＤＩＡ Ｇ及びＲＴ ＤＩＡＧを使用し、画像の対象領域のグレーレベル共発生マトリッ クスを発生する。グレーレベルマトリックスを発生するための段階は、第２６図 の流れ図において示される。第２６図のブロックＡに示された如く、ＨＯＲＩＺ 、ＶＥＲＴ、ＬＦＴ ＤＩＡＧ及びＲＴ ＤＩＡＧは、まず、画像の対象領域の マトリックスを算出する。それから、マトリックスの各グレーレベルに対して、 第２４図のブロックＢにおいて示された如く、各グレーレベルｉのエントロピー 関数Ｈ_iの算出において続いて使用される値を算出する。この算出の結果は、ブ ロックＣにおいて示された如く、大域索引テーブルにおいて記憶される。 本発明の方法はまた、マトリックスのエントロピー関数が最大化される如く、 しきいグレーレベルをエントロピー的に選択する段階を含む。この段階は、第２ ５図のブロックＣにおいて一般に示され、そして第２７図において示された如く 、ＥＮＴＲＯＰＹモジュールによって実行される。第２７図のブロックＡに示さ れた如く、マトリックスのエントロピー関数を最大化する第１段階は、最大エン トロピー関数を最小値に初期化することである。それから、区分化しきいグレー レベルは、第２７図のブロックＢにおいて示された如く、最小値に初期化される 。 しきいグレーレベルをエントロピー的に選択する段階はまた、各グレーレベル におけるマトリックスを、第１、第２、第３及び第４象限に順次に区分化する下 位段階を含む。この下位段階は、第２８図に示されたマトリックスを、第１象限 Ａ、第２象限Ｂ、第３象限Ｃ、及び第４象限Ｄへ区分化する。この区分において 、「対角」象限ＡとＣは、それぞれ、背景と物体の内部テクスチャーを記述する 。「逆対角」象限ＢとＤは、物体と背景の間の縁テクスチャーを記述する。 最大しきいグレーレベルをエントロピー的に選択するための共発生マトリック スの区分化は、上記の”Ｅｎｔｒｏｐｉｃ Ｔｈｒｅｓｈｏｌｄｉｎｇ”として Ｐａｌ ａｎｄ Ｐａｌによって開発された。Ｐａｌ ａｎｄ Ｐａｌは、論文 において２つのエントロピー最大化理論系を示唆する。第１理論系において、対 角エントロピー関数は、最大化され、そして第２の場合に、逆対角エントロピー 関数が最大化される。対角エントロピーの最大化は、物体と背景の内部からグレ ーレベル情報を使用することを実際に含むために、グレーレベルヒストグラムの エントロピーの最大化に類似する。逆対角項は、グレーレベルヒストグラムにお いて存在しない縁情報に関する。下記の説明は、逆対角エントロピーに関するが 、一般性の損失なしに、対角エントロピーに拡張される。逆対角エントロピーは 、 として定義される。基本パラメータｐ_ijは、 によって定義される。ここで、ｔ_ijは、グレーレベル対（ｉ，ｊ）の共 発生の頻度である。ｐ_ijに代入し、必要な代数を行った後、 が獲得される。 本発明により、マトリックスのエントロピー関数が、計算される。この段階は 、第２７図のブロックＣにおいて示される。マトリックスのエントロピー関数は 、第２及び第３、もしくは、「逆対角」象限のエントロピー関数の合計として定 義される。代替的に、マトリックスのエントロピー関数は、マトリックスの第１ 及び第４、もしくは、「対角」象限のエントロピー関数の合計として定義される 。しきいグレーレベルは、マトリックスのエントロピー関数が最大化される如く 選択される。第２７図の判断記号Ｄは、マトリックスのエントロピー関数が、ブ ロックＡにおいて初期化された如く、最大エントロピー関数よりも大きいかを判 断する。そうならば、最大エントロピーしきいグレーレベルは、第２７図のブロ ックＥにおいて示された如く、区分化しきいグレーレベルに更新される。それか ら、最大エントロピー関数は、第２７図のブロックＦにおいて示された如く、マ トリックスのエントロピー関数に更新される。マトリックスのエントロピー関数 が、最大エントロピー関数よりも大きくないならば、第２７図のＥＮＴＲＯＰＹ モジュールの判断記号Ｇは、区分化しきいグレーレベルが最大しきいグレーレベ ルに等しいかを判断 する。そうならば、最大エントロピーしきいグレーレベルは、第２７図のブロッ クＨにおいて示された如く返される。そうでないならば、区分化しきいグレーレ ベルは、第２７図のブロックＩにおいて示された如く、増分され、そして増分さ れた区分化しきいグレーレベルは、ブロックＣへ返され、ここで、増分された区 分化しきいグレーレベルのエントロピー関数が計算される。このプロセスは、区 分化しきいグレーレベルが、ブロックＧに示された如く、最大しきいグレーレベ ルに等しくなるまで繰り返される。それから、最大エントロピーしきいグレーレ ベルは、ブロックＨに示された如く返される。最大エントロピーしきいグレーレ ベルは、逆対角の場合に対して、それぞれ、象限ＢとＤに対応する上側及び下側 マトリックスへ原マトリックスを分割する。 本発明の第２実施態様の方法はまた、少なくとも一つの候補物体に対して画像 を探索する段階を含み、この場合、候補物体は、少なくとも一つの候補物体属性 値を有する。この段階は、第２５図のブロックＤにおいて示される。探索段階は 、エントロピー的に選択されたしきいグレーレベルを使用して、少なくとも一つ の候補物体に対して画像を探索する下位段階と、エントロピー的に選択されたし きいグレーレベルによって決定された境界グレーレベルを有する候補物体をトレ ースする下位段階とを含む。探索段階は、ヒストグラムに対して第６図に示され た流れ図と同じ共発生マトリックスに対する流れ図ＳＥＡＲＣＨ ＩＭＡＧＥに よって示される。加えて、第１実施態様のヒストグラムに対する第７図の流れ図 ＦＩＮＤ ＯＢＪＥＣＴと第８図のＴＲＡＣＥ ＯＢＪＥＣＴは、第２実施態様 の共発生マトリックスに対して同一である。第２実施態様の方法は、さらに、妥 当物体の所定属性値を有する候補物体を妥当 化し、これにより、妥当物体を識別する段階を具備する。この段階は、第２５図 のブロックＥにおいて示され、そしてまた、ＴＲＡＣＥ ＯＢＪＥＣＴによって 行われる。 今まで記載された方法は、少なくとも一つの妥当物体を識別するために、スク リーニングプロセスとして使用される。第１実施態様と同様に、より厳格な識別 プロセスに対して、共発生マトリックスを使用することにより、グレーレベル空 間を再帰的に探索することが可能である。共発生マトリックスを使用する再帰プ ロセスの段階は、モジュールＡＮＡＬＹＺＥによって行われ、第２９図の流れ図 において示される。 第２９図のブロックＡに示された如く、共発生マトリックスに対するＡＮＡＬ ＹＺＥの第１段階は、エントロピー的に選択されたしきいグレーレベルＴＨＲＥ ＳＨ、ＴＨＲＥＳＨ ＨＩとＴＨＲＥＳＨ ＬＯを算出することである。ブロッ クＢに示された如く、ＡＮＡＬＹＺＥは、上側マトリックスに含められたグレー レベルを使用して、ＳＥＡＲＣＨ ＩＭＡＧＥをランする。それから、判断記号 Ｃは、ＳＥＡＲＣＨ ＩＭＡＧＥによって検出された新妥当物体の数が、所定最 小数よりも大きいかを判断する。そうならば、ＡＮＡＬＹＺＥは、ブロックＤに 示された如く、上側ヒストグラムにおいて再帰的にランされる。再帰は、ＳＥＡ ＲＣＨ ＩＭＡＧＥによって検出された新妥当物体数が、所定最小数よりも大 きくなくなるまで継続する。それから、ＳＥＡＲＣＨ ＩＭＡＧＥが、ブロック Ｅにおいて示された如く、下側ヒストグラムに含められたグレーレベルを使用し て、ランされる。それから、判断記号Ｆは、検出された新妥当物体の数が所定最 小数よりも大きいかを判断する。そうならば、ＡＮＡＬＹＺＥは、ブロックＧに おいて示された如く、下側ヒ ストグラムにおいて再帰的にランされ、そして再帰は、検出された新妥当物体数 が所定最小数よりも大きくなくなるまで継続する。この点において、ＡＮＡＬＹ ＺＥは、ブロックＨに示された如く、妥当物体を返す。 第１実施態様の方法の残りの段階と第１実施態様に対して第２４図に関して記 載されたシステムは、第２実施態様に等しく適用可能である。こうして、第９図 と第１２〜２２図において示された如くモジュールは、一般性の損失なしに、共 発生マトリックス実施態様に対してランされる。 ＩＥＴＮＡ（自然分析における反復エントロピーしきい化）と呼ばれる、本発 明の第３又は反復実施態様により、背景において少なくとも一つの所定の属性値 を有する少なくとも一つの妥当物体を識別する方法が提供される。反復とは、Ｎ ＋１サブヒストグラムを生成するために、所定数Ｎの分割又は反復に対して上側 及び下側ヒストグラムにヒストグラムを分割するプロセスが意図される。本発明 の第３実施態様による方法のブロック図は、第３０図において示される。 本発明の第３実施態様による方法は、物体と背景の画像を発生する段階を具備 する。画像は、第３０図のブロックＡにおいて示された如く発生される。第１及 び第２実施態様と同様に、物体と背景の画像は、カメラによって発生される。そ れから、画像は、フレームグラバー又はビデオディジタイザーによってデジタル 化及び記憶される。 本発明の方法はまた、画像のグレーレベルヒストグラムを発生する段階を具備 する。この段階は、第３０図のブロックＢにおいて示される。第３実施態様に対 してグレーレベルヒストグラムを発生するモジュールの段階は、第３図の流れ図 において示されたものと同一である。 本発明の第３実施態様の方法はまた、第３０図のブロックＣにおいて 示された如く、Ｎ個の大域エントロピーしきいグレーレベルを選択し、ブロック Ｄに示された如く、エントロピー的に選択されたしきいグレーレベルの各々を使 用して、Ｎ＋１個のサブヒストグラムにグレーレベルヒストグラムを細分する段 階を含む。これらの段階を示すために、第３１図は、Ｎ個の大域エントロピーし きいグレーレベルｔ₁−ｔ_Nを有するグレーレベルヒストグラムを示す。グレーレ ベルヒストグラムは、大域エントロピーしきいグレーレベルの各々を使用して、 Ｎ＋１個のサブヒストグラムへ分割される。Ｎ個の大域エントロピーしきいグレ ーレベルを選択するための段階は、モジュールＥＮＴＲＯＰＹによって行われ、 そして第４図の流れ図において示されたものと同一である。 選択段階は、各グレーレベルにおけるヒストグラムを、第１及び第２区分へ順 次に区分化する下位段階を含む。それから、エントロピー関数は、各区分に対し て計算される。ヒストグラムのエントロピー関数は、第１及び第２区分のエント ロピー関数の合計として定義される。大域エントロピーしきいグレーレベルは、 ヒストグラムのエントロピー関数が最大化される如く、選択される。グレーレベ ルヒストグラムは、上側ヒストグラムと下側ヒストグラムを生成するために、上 限と下限としてヒストグラムのエントロピー関数を最大にする上記の大域的なエ ントロピー的に選択されたしきいグレーレベルを使用して、細分される。それか ら、区分化、計算及び選択段階は、反復され、この場合、選択段階の反復は、次 の連続する大域エントロピーしきいグレーレベルを選択する。それから、細分段 階は、Ｎ個の大域エントロピーしきいグレーレベルを反復的に算出するために、 選択段階において規定された如く、大域エントロピーしきいグレーレベルとして 、次の連続するエントロピーしきい グレーレベルを使用して、反復される。 本発明の反復方法は、さらに、少なくとも一つの候補物体に対してエントロピ ー的に選択された各しきいグレーレベルを使用して、各サブヒストグラムに対応 する画像の部分を探索する段階を含む。候補物体は、少なくとも一つの候補物体 属性値を有する。画像の物体を探索する段階は、第３０図のブロックＥにおいて 示される。探索段階は、大域的なエントロピー的に選択された各しきいグレーレ ベルを使用して、少なくとも一つの候補物体に対して画像を走査する下位段階と 、大域的なエントロピー的に選択された各しきいグレーレベルによって決定され た境界グレーレベルを有する候補物体をトレースする下位段階とを含む。画像の 部分を探索する段階は、第１実施態様に対して記載され、第６〜８図において示 されたモジュールＳＥＡＲＣＨ ＩＭＡＧＥ、ＦＩＮＤ ＯＢＪＥＣＴ ＡＮＤ ＴＲＡＣＥ ＯＢＪＥＣＴによって実行される。加えて、第９図に示されたモ ジュールＣＨＫ ＧＲＡＹは、背景よりも相対的に軽い候補物体を保持するため に、反復方法に対してランされる。背景よりも暗い物体を識別するために、画像 は、発生された直後に反転される。 本発明の反転方法はまた、サブヒストグラムの各々に対して妥当物体の所定属 性値を有する候補物体を妥当化し、これにより、妥当物体を識別する段階を具備 する。この段階は、第３０図のブロックＦにおいて示される。妥当化段階は、候 補物体の属性値を算出する下位段階と、妥当候補物体を識別するために、妥当物 体の所定属性値と候補物体の属性値を比較する下位段階とを含む。妥当化段階は 、さらに、妥当物体の多重識別を防止するために、妥当物体の冗長度を検査する 下位段階を含む。 冗長検査下位段階は、第１３Ａ〜１３Ｄ図と第１５Ａ図と第１５Ｂ図に関して第 １実施態様に対して記載されたモジュールＣＨＫ ＬＩＳＴと、第１４図と第１ ６図に関して記載されたモジュールＳＥＴ ＳＴＡＴによって行われる。 本発明の第３実施態様の反復方法は、さらに、妥当物体の冗長度の最終検査を 行い、妥当物体の多重識別を防止するために冗長度を解消する段階を含む。最終 冗長検査の下位段階は、第１７Ａ〜１７Ｂ図に関する第１実施態様に対して記載 されたモジュールＦＩＮＡＬ ＣＨＫと第１８図において示されたモジュールＩ ＮＴ ＳＴＡＴによって行われる。 本発明の第３実施態様の反復方法は、さらに、妥当化段階の後に画像を濾過す る段階を含む。非均質物体に対する濾過段階は、第１９Ａ〜１９Ｄ図に示された 如くモジュールＣＡＬＣＯＮによって行われ、そして均質物体に対して、第１実 施態様に関して記載されたと同様に、第２０Ａ〜２０Ｂ図に示されたモジュール ＣＡＬＣＯＮによって行われる。 本発明の第３実施態様の反復方法は、さらに、候補塊における妥当物体の数を 決定する段階を含む。決定段階は、第１実施態様に関して記載された如く、それ ぞれ、第２１Ａ〜２１Ｂ図と第２２Ａ〜２２Ｂ図において示された如く、モジュ ールＵＮＣＬＵＭＰとＰＲＯＣＥＳＳ ＣＬＵＭＰによって行われる。 第３実施態様の反復方法は、第２４図に示されたものの如く、画像分析システ ムにおいて実現される。また、多様な修正が、発明の範囲と精神に反することな く、本発明の第３実施態様に為されることは、技術における当業者達には明らか であろう。例えば、適応しきい化を行うために、反復方法におけるヒストグラム の代わりに、第２実施態様において 記載された共発生マトリックスを使用することは可能である。 Ｐ−ＲＥＴＩＮＡ又は並列ＲＥＴＩＮＡと呼ばれる、本発明の第４実施態様に より、背景における少なくとも一つの所定属性値によって規定された少なくとも 一つの所定属性値を有する少なくとも一つの妥当物体を識別する並列処理方法が 、提供される。第４実施態様の全方法の段階は、第３２図において示される。 本発明の第４実施態様による方法はまた、物体と背景の画像を発生する段階を 具備する。画像は、第３２図のブロックＡにおいて示された如く発生される。第 １〜第３実施態様と同様に、物体と背景の画像は、カメラによって発生される。 それから、画像は、フレームグラバー又はビデオディジタイザーによってデジタ ル化及び記憶される。 本発明の第４実施態様の方法はまた、画像のグレーレベルヒストグラムを発生 するモジュールの段階を具備する。この段階は、第３２図のブロックＢにおいて 示される。モジュールＨＩＳＴＯＧＲＡＭは、この段階を行うためにランされる 。第４実施態様に対してグレーレベルヒストグラムを発生するためのＨＩＳＴＯ ＧＲＡＭの段階は、第３図の流れ図において示されたものと同一である。 本発明の第４実施態様の方法はまた、第３２図のブロックＣにおいて示された 如く、Ｎ個の大域エントロピーしきいグレーレベルを選択する段階を含む。選択 段階は、各グレーレベルにおけるグレーレベルヒストグラムを、第１及び第２区 分へ順次に区分化する下位段階を含む。それから、エントロピー関数が、各区分 に対して計算される。ヒストグラムのエントロピー関数は、第１及び第２区分の エントロピー関数の合計として定義される。エントロピーしきいグレーレベルは 、ヒストグラムの エントロピー関数が最大化される如く、選択される。グレーレベルヒストグラム は、上側ヒストグラムと下側ヒストグラムを生成するために、上限と下限として ヒストグラムのエントロピー関数を最大にする上記のエントロピー的に選択され たしきいグレーレベルを使用して、細分される。それから、区分化、計算及び選 択段階は、反復され、この場合、選択段階の反復は、次の連続するエントロピー しきいグレーレベルを選択する。細分段階は、Ｎ個の大域エントロピーしきいグ レーレベルを反復的に算出するために、選択段階において規定された如く、エン トロピーしきいグレーレベルとして、次の連続するエントロピーしきいグレーレ ベルを使用して、反復される。 本発明の第４実施態様の方法は、さらに、ブロックＤに示された如く、大域し きいグレーレベルの各々を使用して、Ｎ＋１個のサブヒストグラムへグレーレベ ルヒストグラムを細分する段階を具備する。Ｎ個の大域エントロピーしきいグレ ーレベルレベルとＮ＋１個のサブヒストグラムは、反復方法に対して第３１図に 示されたものと同一である。 本発明の第４実施態様の方法は、さらに、少なくとも一つの候補物体に対して Ｎ個の大域的なエントロピー的に選択されたグレーレベルの各々を使用して、各 サブヒストグラムに対応する画像の部分を探索する段階を含み、この場合、各候 補物体は、少なくとも一つの候補物体属性値を有する。この段階は、第３２図の ブロックＥにおいて示される。探索段階は、大域的なエントロピー的に選択され た各しきいグレーレベルを使用し、少なくとも一つの候補物体に対して大域的な エントロピー的に選択された各しきいグレーレベルを使用して、各サブヒストグ ラムに対応する画像の部分を走査する下位段階と、大域的なエントロピー的に選 択された各しきいグレーレベルによって決定された境界グレーレベルを有する候 補物体をトレースする下位段階とを含む。 本発明の第４実施態様の方法は、さらに、妥当物体を識別するために、妥当物 体の所定属性値を有する大域的なエントロピーしきいグレーレベルを使用して、 探索において検出された候補物体を妥当化する段階を含む。この段階は、第３２ 図のブロックＦにおいて示される。 本発明の並列処理方法は、さらに、上限と下限として大域的な各エントロピー しきいグレーレベルを使用して、上側サブヒストグラムと下側サブヒストグラム へ各サブヒストグラムを細分する段階を含む。この段階は、第３２図のブロック Ｇにおいて示される。 本発明の並列処理方法は、さらに、上側及び下側サブヒストグラムの各々のエ ントロピー関数を最大化するために、各サブヒストグラムに対してエントロピー しきいグレーレベルを選択する段階を含む。この段階は、第３２図のブロックＨ において示される。上側及び下側サブヒストグラムの各々のエントロピー関数を 最大化するために、各サブヒストグラムに対してエントロピーしきいグレーレベ ルを選択する段階は、各グレーレベルにおける各グレーレベルサブヒストグラム を、第１及び第２区分に順次に区分化する下位段階と、各区分に対してエントロ ピー関数を計算する下位段階とを含む。各サブヒストグラムのエントロピー関数 は、第１及び第２区分のエントロピー関数の合計として定義される。選択段階は 、さらに、各サブヒストグラムのエントロピー関数が最大化される如く、エント ロピーしきいグレーレベルを選択する下位段階を含む。 本発明の並列処理実施態様の方法は、さらに、少なくとも一つの候補物体に対 して上側及び下側サブヒストグラムの各々のエントロピー関数 を最大化する各サブヒストグラムに対して選択されたエントロピー的に選択され たしきいグレーレベルを使用して、各サブヒストグラムに対応する画像の部分を 探索する段階を含む。画像の部分を探索する段階は、第３２図のブロックＩにお いて示される。探索段階は、少なくとも一つの候補物体に対してエントロピー的 に選択された各しきいグレーレベルを使用して、各サブヒストグラムに対応する 画像の部分を走査する下位段階と、エントロピー的に選択された各しきいグレー レベルによって決定された境界グレーレベルを有する候補物体をトレースする下 位段階とを含む。 本発明の第４実施態様の方法はまた、妥当物体の所定属性値を有するエントロ ピー関数を最大化する各サブヒストグラムに対して選択されたエントロピー的に 選択されたしきいグレーレベルを使用して、探索において検出された候補物体を 妥当化し、これにより、妥当物体を識別する段階を含む。この段階は、第３２図 のブロックＪにおいて示される。大域的エントロピーしきいグレーレベルとエン トロピーしきいグレーレベルを使用して検出された候補物体に対する両方の妥当 化段階は、候補物体の属性値を算出する下位段階と、妥当候補物体を識別するた めに、妥当物体の所定属性値と候補物体属性値を比較する下位段階とを含む。両 方の妥当化段階は、妥当物体の多重識別を防止するために、妥当物体の冗長度を 検査する下位段階を含む。 各サブヒストグラムを細分する段階と、各サブヒストグラムに対してエントロ ピーしきいグレーレベルを選択する段階と、候補物体に対して選択段階のエント ロピー的に選択されたグレーレベルを使用して各サブヒストグラムに対応する画 像の部分を探索する段階と、候補物体を妥当 化する段階は、再帰的に繰り返され、この場合、選択段階の反復では、次の連続 するエントロピーしきいグレーレベルが選択される。この段階は、第３２図のブ ロックＫにおいて示される。各グレーレベルサブヒストグラムは、これにより、 所定最小数の新妥当物体が識別されるまで、妥当物体を識別するために、再帰的 に区分化される。上記の実施態様と同様に、所定最小数は、ゼロである。 本発明の第４実施態様による方法は、さらに、妥当物体の冗長度の最終検査を 行い、妥当物体の多重識別を防止するために、冗長度を解消する段階と、妥当化 段階の後に画像を濾過する段階と、候補塊における妥当物体数を決定する段階と を含む。 第４実施態様の並列処理方法は、第２４図に示されたものの如く、画像分析シ ステムにおいて実現される。また、多様な修正が、発明の範囲と精神に反するこ となく、本発明の並列処理方法において為されることは、技術における当業者達 には明らかであろう。例えば、適応しきい化を行うために、並列処理方法におけ るヒストグラムの代わりに、第２実施態様において記載された如く、共発生マト リックスを使用することが、可能である。 本発明の第４実施態様により、背景において少なくとも一つの所定属性値を有 する少なくとも一つの妥当物体を識別するためのシステムが、提供される。シス テムは、第３３図において一般に１０で示される。システムは、物体と背景の像 を発生するための手段を具備する。第３３図に示された如く、物体と背景の像を 発生するための手段は、カメラ３２を具備する。ＣＣＤカメラが、一般に本発明 で使用されるが、任意の形式のカメラが、本発明の一般原理に反することなく使 用される。Ｓｏｎ ｙ，Ｉｎｃ．，Ｃｙｐｒｕｓ，Ｃａｌｉｆｏｒｎｉａから商業的に入手可能なＣ ＣＤカメラ Ｍｏｄｅｌ ＸＣ７７は、本発明の並列処理システムで使用される ために提案された。 第４実施態様によるシステムはまた、画像をデジタル化し、記憶するための手 段を具備する。画像をデジタル化し、記憶するための手段は、第３３図に示され た如く、フレームグラバー３４を具備する。フレームグラバーは、画像処理技術 における当業者には公知な如く、ビデオ画像をデジタル化し、一つのフレームに おいてそれを記憶する。Ｄａｔａ Ｔｒａｎｓｌａｔｉｏｎ，Ｉｎｃ，Ｍａｒｌ ｂｏｒｏ，Ｍａｓｓａｃｈｕｓｅｔｔｓから商業的に入手可能なフレームグラバ ー Ｍｏｄｅｌ ２８５１は、本発明の第４実施態様で使用されるために提案さ れた。代替的に、画像をデジタル化し記憶するための手段は、必ずしも一フレー ムではないが、画像をデジタル化し記憶するビデオデジタイザーを具備する。本 発明のシステムは、さらに、画像を表示するための手段を具備する。画像を表示 するための手段は、第３３図に示された如くモニター３６を具備する。 本発明のシステムはまた、複数の並列プロセッサを含むコンピュータ手段を具 備する。複数の並列プロセッサは、第３３図に示された如く、主プロセッサ３８ ａと、少なくとも一つの他の並列プロセッサ３８ｂを具備する。Ｄｅｌｌ Ｃｏ ｍｐｕｔｅｒｓ，Ａｕｓｔｉｎ，Ｔｅｘａｓから商業的に入手可能な３３ＭＨｚ ３８６ＰＣコンピュータが、本発明の並列プロセッサに対して、Ｍｉｃｒｏｗ ａｙ，Ｋｉｎｓｔｏｎ，Ｍａｓｓａｃｈｕｓｅｔｔｓから商業的に入手可能なＱ ｕａｄｐｕｔｅｒ並列処理ボードで使用されるために提案された。本発明の各並 列プロセッ サは、第３３図において示された如く、ドライバー４０と、エントロピーカーネ ル４２と、後走査フィルター４６とを具備する。ドライバーは、妥当物体の定義 を記憶する。主プロセッサのエントロピーカーネルは、画像のグレーレベルヒス トグラムを発生させ、Ｎ個の大域的エントロピーしきいグレーレベルを選択し、 グレーレベルヒストグラムをＮ＋１個のサブヒストグラムに細分し、大域的なエ ントロピー的に選択されたグレーレベルを使用して、各サブヒストグラムに対応 する画像の部分を探索し、大域的なエントロピー的に選択されたグレーレベルを 使用して、探索において検出された所定属性値を有する候補物体を妥当化し、大 域的なエントロピー的に選択されたグレーレベルを使用して、探索において検出 された所定属性値を有する妥当物体を併合し、かつ、並列プロセッサのすべてに よって検出された妥当物体を併合する。他のプロセッサに対するエントロピーカ ーネルは、各大域的エントロピーしきいグレーレベルを使用して、各サブヒスト グラムを上側及び下側サブヒストグラムへ細分し、各上側及び下側サブヒストグ ラムのエントロピー関数を最大化するようにエントロピーしきいグレーレベルを 選択し、少なくとも一つの候補物体に対してエントロピー的に選択されたしきい グレーレベルを使用して、各サブヒストグラムに対応する画像の部分を探索し、 エントロピー的に選択されたしきいグレーレベルを使用して、検出された妥当物 体の所定属性値を有する候補物体を妥当化する。他のプロセッサに対するエント ロピーカーネルはまた、サブヒストグラムの細分と、エントロピーしきいグレー レベルの選択と、エントロピー的に選択されたしきいグレーレベルを使用する探 索と、エントロピー的に選択されたしきいグレーレベルを使用して検出された候 補物体の妥当化とを再帰的に繰 り返し、所定最小数の妥当物体が識別されるまで、各グレーレベルサブヒストグ ラムを再帰的に区分化する。 本発明の各並列プロセッサは、上記の如く、ドライバーとカーネルの機能を行 うためのソフトウェアを具備する。代替的に、各並列プロセッサは、ソフトウェ アが検索されるプログラマブル読取り専用メモリ（ＰＲＯＭ）を具備する。第３ ３図において示されたコンフィギュレーションの各並列プロセッサは、個別カー ネルと個別ドライバーを有する。しかし、代替的コンフィギュレーションも、発 明の範囲と精神に反することなく、この実施態様において使用される。例えば、 各並列プロセッサは、個別カーネルを有するが、すべてのプロセッサが、共通ド ライバーを共有しても良い。代替的に、各プロセッサは、個別ドライバーを有す るが、すべてのプロセッサは、共通カーネルを共有しても良い。最後に、すべて のプロセッサは、共通カーネルと共通ドライバーを共有する。これらのコンフィ ギュレーションのすべてにおいて、各プロセッサは、グレーレベル空間における 特定窓に専用化され、その指定窓内で妥当物体の事例を再帰的に探索する。 各並列プロセッサからの妥当化物体は、箱４８において示された如く、一つの リストへ併合される。併合段階は、妥当物体の多重識別を防止するために、一つ の最終冗長検査を行うことを含む。妥当化物体は、第３３図において箱４４によ って表現される。後走査フィルターは、第３３図において４６で示され、上記の 如く、重なり合う物体における冗長度を除去するための最終検査を設ける。 本発明の第５実施態様により、背景において少なくとも一つの所定属性値を有 する少なくとも一つの生物コロニーを計数する方法が、提供さ れる。第５実施態様の全方法の段階は、第３４図において示される。 本発明の第５実施態様の方法は、コロニーと背景の像を発生する段階を具備す る。この段階は、第３４図のブロックＡにおいて示される。上記の実施態様と同 様に、コロニーと背景の画像は、カメラによって発生される。それから、画像は 、フレームグラバー又はビデオディジタイザーによってデジタル化及び記憶され る。 本発明の第５実施態様の方法はまた、画像のグレーレベルヒストグラムを発生 する段階を具備する。この段階は、第３４図のブロックＢにおいて示される。モ ジュールＨＩＳＴＯＧＲＡＭは、この段階を行うためにランされる。第５実施態 様に対してグレーレベルヒストグラムを発生するためのＨＩＳＴＯＧＲＡＭの段 階は、第３図の流れ図において示されたものと同一である。 本発明の第５実施態様の方法はまた、ヒストグラムのエントロピー関数が最大 化される如く、しきいグレーレベルをエントロピー的に選択する段階を含む。こ の段階は、第３４図のブロックＣにおいて示される。選択段階は、各グレーレベ ルにおけるグレーレベルヒストグラムを、第１及び第２区分へ順次に区分化する 下位段階を含む。エントロピー関数が、各区分に対して計算される。この場合、 ヒストグラムのエントロピー関数は、第１及び第２区分のエントロピー関数の合 計として定義される。しきいグレーレベルは、ヒストグラムのエントロピー関数 が最大化される如く、選択される。モジュールＥＮＴＲＯＰＹは、これらの下位 段階を行うために使用される。モジュールＥＮＴＲＯＰＹの段階は、第４図に示 されたものと同じである。 第５実施態様の方法はまた、少なくとも一つの候補コロニーに対して 画像を探索する段階を具備する。この段階は、第３４図のブロックＤにおいて示 される。候補コロニーは、少なくとも一つの候補コロニー属性値を有する。探索 段階は、エントロピー的に選択されたしきいグレーレベルを使用して、少なくと も一つの候補コロニーに対して画像を探索する下位段階と、エントロピー的に選 択されたしきいグレーレベルによって決定された境界グレーレベルを有する候補 コロニーをトレースする下位段階とを含む。探索段階の下位段階は、第６図に示 されたモジュールＳＥＡＲＣＨ ＩＭＡＧＥ、第７図に示されたＦＩＮＤ ＯＢ ＪＥＣＴ、及び第８図に示されたＴＲＡＣＥ ＯＢＪＥＣＴによって実行される 。これらのモジュールの段階は、用語「物体」が用語「コロニー」で置き換えら れることを除いて、第６〜８図に示されたものと同一である。用語「物体」が用 語「コロニー」で置き換えられた第９図に示されたモジュールＣＨＫ ＧＲＡＹ は、背景よりも相対的に明るい候補コロニーを保持するために、コロニー計数の 実施態様に対してランされる。背景よりも暗いコロニーを識別するために、画像 は、発生された直後に反転される。 本発明の第５実施態様の方法はまた、妥当コロニーを識別するために、妥当物 体の所定属性値を有する候補コロニーを妥当化する段階を含む。この段階は、第 ３４図のブロックＥにおいて示され、モジュールＴＲＡＣＥ ＯＢＪＥＣＴによ って行われる。妥当化段階は、候補コロニー属性値を算出する下位段階と、候補 コロニーを妥当化するために、妥当物体の所定属性値と候補コロニー属性値を比 較する下位段階とを含む。妥当化段階は、さらに、妥当コロニーの多重識別を防 止するために、妥当化コロニーの冗長度を検査する下位段階を含む。冗長検査下 位段階は、 流れ図において用語「物体」が用語「コロニー」で置き換えられたことを除いて 、第１３Ａ〜１３Ｄ図と第１５Ａ〜１５Ｂ図において第１実施態様に対して記載 されたモジュールＣＨＬ ＬＩＳＴと、第１４図と第１６図に関して記載された モジュールＳＥＴ ＳＴＡＴによって実行される。 本発明の第５実施態様の方法はまた、上限と下限としてヒストグラムのエント ロピー関数を最大化するように以前に選択されたエントロピー的選択しきいグレ ーレベルを使用して、上側サブヒストグラムと下側サブヒストグラムへグレーレ ベルヒストグラムを細分する段階を具備する。この方法はまた、上側及び下側ヒ ストグラムの各々に対して選択、探索、妥当化及び細分段階を再帰的に繰り返す 段階を具備し、この場合、選択段階の反復は、次の連続するエントロピーしきい グレーレベルを選択する。この反復は、所定最小数の新妥当コロニーが計数され るまで、妥当コロニーを識別するために、グレーレベルヒストグラムを再帰的に 区分化する。この再帰的反復は、第３４図のブロックＦに示された如く、ランさ れるモジュールＡＮＡＬＹＺＥによって行われる。コロニー計数のためのＡＮＡ ＬＹＺＥモジュールの段階は、流れ図において用語「物体」が用語「コロニー」 で置き換えられたことを除いて、第１１図において示されたものと同一である。 本発明の第５実施態様のコロニー計数方法は、さらに、妥当コロニーの冗長度 の最終検査を行い、妥当コロニーの多重識別を防止するために、冗長度を解消す る段階を含む。最終冗長検査下位段階は、流れ図において用語「物体」が用語「 コロニー」で置き換えられたことを除いて、第１７Ａ〜１７Ｄ図に関して第１実 施態様に対して記載されたモジュール ＦＩＮＡＬ ＣＨＫと、第１８図に関して記載されたモジュールＩＮＴ ＳＴＡ Ｔによって実行される。 本発明の第５実施態様のコロニー計数方法は、さらに、妥当化段階の後、画像 を濾過する段階を含む。流れ図において用語「物体」が用語「コロニー」で置き 換えられたことを除いて、非均質コロニーに対する濾過段階は、第１実施態様に 関して記載された如く、第１９Ａ〜１９Ｄ図において示されたモジュールＣＡＬ ＣＯＮによって行われ、そして均質コロニーに対して、第１９Ａ〜１９Ｂ図にお いて示されたモジュールＣＡＬＣＯＮによって行われる。 本発明の第５実施態様によるコロニー計数方法は、さらに、候補塊において妥 当コロニー数を決定する段階を含む。決定段階は、流れ図において用語「物体」 が用語「コロニー」で置き換えられたことを除いて、第１実施態様に関して記載 された如く、第２１Ａ〜２１Ｂ図に示されたモジュールＵＮＣＬＵＭＰと、第２ ２Ａ〜２２Ｂ図に示されたＰＲＯＣＥＳＳ ＣＬＵＭＰによって行われる。 本発明のコロニー計数方法は、第２４図に示されたものの如く、画像分析シス テムにおいて実現される。また、多様な修正が、発明の範囲と精神に反すること なく、本発明のコロニー計数方法において為されることは、技術における当業者 達には明らかであろう。例えば、適応しきい化を行うために、コロニー計数方法 におけるヒストグラムに代わりに、第２実施態様において記載された共発生マト リックスを使用することが、可能である。加えて、並列処理方法は、コロニー計 数を行うために使用される。 本発明の第６実施態様により、背景において少なくとも一つの所定属 性値を有する少なくとも一つの妥当生物コロニーをスクリーニングする方法が、 提供される。スクリーニング方法の段階は、第３５図において示される。コロニ ースクリーニング方法は、上記の如く、第３実施態様の反復技術を使用する。 第３５図のブロックＡに示された如く、コロニースクリーニング方法は、特徴 と背景の像を発生する段階を具備する。上記の実施態様と同様に、コロニーと背 景の画像は、カメラによって発生される。それから、画像は、フレームグラバー 又はビデオディジタイザーによってデジタル化及び記憶される。 本発明のコロニースクリーニング方法はまた、画像のグレーレベルヒストグラ ムを発生する段階を具備する。この段階は、第３５図のブロックＢにおいて示さ れる。モジュールＨＩＳＴＯＧＲＡＭは、この段階を行うためにランされる。第 ６実施態様に対してグレーレベルヒストグラムを発生するためのＨＩＳＴＯＧＲ ＡＭの段階は、第３図の流れ図において示されたものと同一である。 本発明のコロニースクリーニング方法はまた、Ｎ個の大域的しきいグレーレベ ルを選択する段階を含む。この段階は、第３５図のブロックＣにおいて示される 。選択段階は、各グレーレベルにおけるグレーレベルヒストグラムを、第１及び 第２区分へ順次に区分化する下位段階を含む。エントロピー関数が、各区分に対 して計算され、この場合、ヒストグラムのエントロピー関数は、第１及び第２区 分のエントロピー関数の合計として定義される。大域的エントロピーしきいグレ ーレベルは、ヒストグラムのエントロピー関数が最大化される如く、選択される 。選択段階は、さらに、上側ヒストグラムと下側ヒストグラムを生成するために 、 上限と下限としてヒストグラムのエントロピー関数を最大化するために使用され た大域的エントロピーしきいグレーレベルを使用して、グレーレベルヒストグラ ムを細分する下位段階を含む。この段階は、第３５図のブロックＣにおいて示さ れる。それから、区分化、計算及び選択段階が、上側及び下側ヒストグラムの各 々に対して繰り返され、この場合、選択段階の反復は、次の連続する大域的エン トロピーしきいグレーレベルを選択する。それから、細分段階が、Ｎ個の大域的 エントロピーしきいグレーレベルを反復的に算出するために、大域的なエントロ ピー的に選択されたしきいグレーレベルとして次の連続する大域的エントロピー しきいグレーレベルを使用して、反復される。モジュールＥＮＴＲＯＰＹが、こ れらの下位段階を行うために使用される。モジュールＥＮＴＲＯＰＹの段階は、 第４図において示されたものと同一である。 本発明のコロニースクリーニング方法はまた、第３５図のブロックＤにおいて 示された如く、Ｎ個の大域的エントロピーしきいグレーレベルを使用して、原ヒ ストグラムをＮ＋１個のヒストグラムへ細分する段階を具備する。 本発明のコロニースクリーニング方法はまた、少なくとも一つの候補コロニー に対してＮ個の大域的なエントロピー的に選択されたしきいグレーレベルの各々 を使用して、各サブヒストグラムに対応する画像の部分を探索する段階を具備す る。この段階は、第３５図のブロックＥにおいて示される。候補特徴は、少なく とも一つの候補コロニー属性値を有する。探索段階は、大域的なエントロピー的 に選択されたしきいグレーレベルを使用して、少なくとも一つの候補特徴に対し て各サブヒストグラムに対応する画像の部分を走査する下位段階と、エントロピ ー的に選 択されたしきいグレーレベルによって決定された複数の境界グレーレベルを有す る候補コロニーをトレースする下位段階とを含む。探索段階の下位段階は、第６ 図に示された如く、モジュールＳＥＡＲＣＨ ＩＭＡＧＥ、第７図に示されたＦ ＩＮＤ ＯＢＪＥＣＴ、及び第８図に示されたＴＲＡＣＥ ＯＢＪＥＣＴによっ て実行される。これらのモジュールの段階は、用語「物体」が用語「コロニー」 で置き換えられることを除いて、第６〜８図に示されたものと同一である。用語 「物体」が用語「コロニー」で置き換えられた第９図に示されたモジュールＣＨ Ｋ ＧＲＡＹは、背景よりも相対的に明るい候補コロニーを保持するために、コ ロニースクリーニングの実施態様に対してランされる。背景よりも暗いコロニー を識別するために、画像は、発生された直後に反転される。 本発明のコロニースクリーニング方法はまた、妥当コロニーを識別するために 、妥当コロニーの所定属性値を有する候補コロニーを妥当化する段階を具備する 。この段階は、第３５図のブロックＦに示される。妥当化段階は、候補コロニー 属性値を算出する下位段階と、候補コロニーを妥当化するために、妥当コロニー の所定属性値と候補コロニー属性値を比較する下位段階とを含む。妥当化段階は 、さらに、妥当コロニーの多重識別を防止するために、妥当化コロニーの冗長度 を検査する下位段階を含む。冗長検査下位段階は、流れ図において用語「物体」 が用語「コロニー」で置き換えられたことを除いて、第１３Ａ〜１３Ｄ図と第１ ５Ａ〜１５Ｂ図において第１実施態様に対して記載されたモジュールＣＨＬ Ｌ ＩＳＴと、第１４図と第１６図に関して記載されたモジュールＳＥＴ ＳＴＡＴ によって実行される。 本発明のコロニースクリーニング方法は、さらに、妥当コロニーの冗 長度の最終検査を行い、妥当コロニーの多重識別を防止するために、冗長度を解 消する段階を含む。最終冗長検査下位段階は、流れ図において用語「物体」が用 語「コロニー」で置き換えられたことを除いて、第１７Ａ〜１７Ｂ図において第 １実施態様に対して記載されたモジュールＦＩＮＡＬ ＣＨＫと、第１８図に関 して記載されたモジュールＩＮＴＳＴＡＴによって実行される。 本発明のコロニースクリーニング方法は、さらに、妥当化段階の後、画像を濾 過する段階を含む。流れ図において用語「物体」が用語「コロニー」で置き換え られたことを除いて、非均質コロニーに対する濾過段階は、第１実施態様に関し て記載された如く、第１９Ａ〜１９Ｄ図において示されたモジュールＣＡＬＣＯ Ｎによって行われ、そして均質コロニーに対して、第２０Ａ〜２０Ｂ図において 示されたモジュールＣＡＬＣＯＮによって行われる。 本発明の第６実施態様によるコロニースクリーニング方法は、さらに、候補塊 において妥当コロニー数を決定する段階を含む。決定段階は、流れ図において用 語「物体」が用語「コロニー」で置き換えられたことを除いて、第１実施態様に 関して記載された如く、第２１Ａ〜２１Ｂ図に示されたモジュールＵＮＣＬＵＭ Ｐと、第２２Ａ〜２２Ｂ図に示されたモジュールＰＲＯＣＥＳＳ ＣＬＵＭＰに よって行われる。 本発明のコロニースクリーニング方法は、第２４図に示されたものの如く、画 像分析システムにおいて実現される。また、多様な修正が、発明の範囲と精神に 反することなく、本発明のコロニースクリーニング方法において為されることは 、技術における当業者達には明らかであろう。例えば、コロニーと背景の画像を 適応的にセグメント化するために、コ ロニースクリーニング方法におけるヒストグラムに代わりに、第２実施態様にお いて記載された共発生マトリックスを使用することが、可能である。加えて、コ ロニースクリーニングを行うために並列プロセッサを使用することは、可能であ る。 本発明の第７実施態様により、カーペットにおいて少なくとも一つの離散的特 徴を計数する方法が、提供される。この場合、離散的特徴は、少なくとも一つの 所定属性値を有する。第７実施態様の全方法の段階は、第３６図において示され る。 第３６図のブロックＡに示された如く、方法は、特徴とカーペットの像を発生 する段階を具備する。上記の実施態様と同様に、離散的特徴とカーペットの画像 は、カメラによって発生される。それから、画像は、フレームグラバー又はビデ オディジタイザーによってデジタル化及び記憶される。 第７実施態様のカーペット離散的特徴識別方法はまた、画像のグレーレベルヒ ストグラムを発生する段階を具備する。この段階は、第３６図のブロックＢにお いて示される。モジュールＨＩＳＴＯＧＲＡＭは、この段階を行うためにランさ れる。第７実施態様に対してグレーレベルヒストグラムを発生するためのＨＩＳ ＴＯＧＲＡＭの段階は、第３図の流れ図において示されたものと同一である。 第７実施態様のカーペット特徴識別方法はまた、ヒストグラムのエントロピー 関数が最大化される如く、しきいグレーレベルをエントロピー的に選択する段階 を含む。この段階は、第３６図のブロックＣにおいて示される。選択段階は、各 グレーレベルにおけるグレーレベルヒストグラムを、第１及び第２区分へ順次に 区分化する下位段階を含む。エント ロピー関数が、各区分に対して計算される。この場合、ヒストグラムのエントロ ピー関数は、第１及び第２区分のエントロピー関数の合計として定義される。し きいグレーレベルは、ヒストグラムのエントロピー関数が最大化される如く、選 択される。モジュールＥＮＴＲＯＰＹは、これらの下位段階を行うために使用さ れる。モジュールＥＮＴＲＯＰＹの段階は、第４図に示されたものと同じである 。 本発明のカーペット特徴識別方法はまた、少なくとも一つの候補特徴に対して 画像を探索する段階を具備する。この段階は、第３６図のブロックＤにおいて示 される。候補特徴は、少なくとも一つの候補特徴属性値を有する。探索段階は、 エントロピー的に選択されたしきいグレーレベルを使用して、少なくとも一つの 候補特徴に対して画像を走査する下位段階と、エントロピー的に選択されたしき いグレーレベルによって決定された境界グレーレベルを有する候補特徴をトレー スする下位段階とを含む。探索段階の下位段階は、第６図に示されたモジュール ＳＥＡＲＣＨ ＩＭＡＧＥ、第７図に示されたＦＩＮＤ ＯＢＪＥＣＴ、及び第 ８図に示されたＴＲＡＣＥ ＯＢＪＥＣＴによって実行される。これらのモジュ ールの段階は、用語「物体」が用語「特徴」で置き換えられることを除いて、第 ６〜８図に示されたものと同一である。用語「物体」が用語「特徴」で置き換え られた第９図に示されたモジュールＣＨＫ ＧＲＡＹは、背景よりも相対的に明 るい候補特徴を保持するために、カーペット特徴の実施態様に対してランされる 。背景よりも暗い特徴を識別するために、画像は、発生された直後に反転される 。 本発明の実施態様の方法はまた、妥当特徴を識別するために、妥当特徴の所定 属性値を有する候補特徴を妥当化する段階を具備する。この段 階は、第３６図のブロックＥにおいて示され、第８図に示された如くモジュール ＴＲＡＣＥ ＯＢＪＥＣＴによって行われる。妥当化段階は、カーペット特徴属 性値を算出する下位段階と、候補特徴を妥当化するために、妥当特徴の所定属性 値と候補特徴属性値を比較する下位段階とを含む。妥当化段階は、さらに、妥当 特徴の多重識別を防止するために、妥当化特徴の冗長度を検査する下位段階を含 む。冗長検査下位段階は、流れ図において用語「物体」が用語「特徴」で置き換 えられたことを除いて、第１３Ａ〜１３Ｄ図と第１５Ａ〜１５Ｂ図において第１ 実施態様に対して記載されたモジュールＣＨＬ ＬＩＳＴと、第１４図と第１６ 図に関して記載されたモジュールＳＥＴ ＳＴＡＴによって実行される。 本発明のカーペット特徴識別方法はまた、上限と下限としてヒストグラムのエ ントロピー関数を最大化するように以前に選択されたエントロピー的選択しきい グレーレベルを使用して、上側ヒストグラムと下側ヒストグラムへグレーレベル ヒストグラムを細分する段階を具備する。方法はまた、上側及び下側ヒストグラ ムの各々に対して選択、探索、妥当化及び細分段階を再帰的に繰り返す段階を具 備し、この場合、選択段階の反復は、次の連続するエントロピーしきいグレーレ ベルを選択する。この反復は、所定最小数の新妥当特徴が計数されるまで、妥当 特徴を識別するために、グレーレベルヒストグラムを再帰的に区分化する。この 再帰的反復は、第３６図のブロックＦに示された如く、ランされるモジュールＡ ＮＡＬＹＺＥによって行われる。カーペット特徴識別のためのＡＮＡＬＹＺＥモ ジュールの段階は、流れ図において用語「物体」が用語「特徴」で置き換えられ たことを除いて、第１１図において示されたものと同一である。 本発明の第７実施態様のカーペット特徴識別方法は、さらに、妥当特徴の冗長 度の最終検査を行い、妥当特徴の多重識別を防止するために、冗長度を解消する 段階を含む。最終冗長検査下位段階は、流れ図において用語「物体」が用語「特 徴」で置き換えられたことを除いて、第１７Ａ〜１７Ｂ図において第１実施態様 に対して記載されたモジュールＦＩＮＡＬ ＣＨＫと、第１８図に関して記載さ れたモジュールＩＮＴ ＳＴＡＴによって実行される。 本発明の第７実施態様のカーペット特徴識別方法は、さらに、妥当化段階の後 、画像を濾過する段階を含む。流れ図において用語「物体」が用語「特徴」で置 き換えられたことを除いて、非均質特徴に対する濾過段階は、第１実施態様に関 して記載された如く、第１９Ａ〜１９Ｄ図において示されたモジュールＣＡＬＣ ＯＮによって行われ、そして均質コロニーに対して、第２０Ａ〜２０Ｂ図におい て示されたモジュールＣＡＬＣＯＮによって行われる。 本発明のカーペット特徴識別方法は、第２４図に示されたものの如く、画像分 析システムにおいて実現される。また、多様な修正が、発明の範囲と精神に反す ることなく、本発明のカーペット特徴識別方法において為されることは、技術に おける当業者達には明らかであろう。例えば、特徴とカーペットの画像を適応的 にセグメント化するために、カーペット特徴識別方法におけるヒストグラムに代 わりに、第２実施態様において記載された共発生マトリックスを使用することが 、可能である。加えて、反復又は並列処理方法は、カーペット特徴識別を行うた めに使用される。 本発明の第８実施態様により、ポリマーにおいて埋め込まれた少なく とも一つの顔料要素を計数する方法が、提供される。顔料要素は、少なくとも一 つの所定属性値を有する。第８実施態様の全方法の段階は、第３７図において示 される。 第３７図のブロックＡに示された如く、方法は、顔料要素とポリマーの像を発 生する段階を具備する。上記の実施態様と同様に、顔料要素とポリマーの画像は 、カメラによって発生される。それから、画像は、フレームグラバー又はビデオ ディジタイザーによってデジタル化及び記憶される。 本発明の第８実施態様の方法はまた、画像のグレーレベルヒストグラムを発生 する段階を具備する。この段階は、第３７図のブロックＢにおいて示される。モ ジュールＨＩＳＴＯＧＲＡＭは、この段階を行うためにランされる。顔料要素識 別方法に対してグレーレベルヒストグラムを発生するためのＨＩＳＴＯＧＲＡＭ の段階は、第３図の流れ図において示されたものと同一である。 本発明の第８実施態様の方法はまた、ヒストグラムのエントロピー関数が最大 化される如く、しきいグレーレベルをエントロピー的に選択する段階を含む。こ の段階は、第３７図のブロックＣにおいて示される。選択段階は、各グレーレベ ルにおけるグレーレベルヒストグラムを、第１及び第２区分へ順次に区分化する 下位段階を含む。エントロピー関数が、各区分に対して計算される。この場合、 ヒストグラムのエントロピー関数は、第１及び第２区分のエントロピー関数の合 計として定義される。しきいグレーレベルは、ヒストグラムのエントロピー関数 が最大化される如く、選択される。モジュールＥＮＴＲＯＰＹは、これらの下位 段階を行うために使用される。モジュールＥＮＴＲＯＰＹの段階は、第 ４図に示されたものと同じである。 顔料要素識別の実施態様はまた、少なくとも一つの候補顔料要素に対して画像 を探索する段階を具備する。この段階は、第３７図のブロックＤにおいて示され る。候補顔料要素は、少なくとも一つの候補顔料要素属性値を有する。探索段階 は、エントロピー的に選択されたしきいグレーレベルを使用して、少なくとも一 つの候補顔料要素に対して画像を走査する下位段階と、エントロピー的に選択さ れたしきいグレーレベルによって決定された境界グレーレベルを有する候補顔料 要素をトレースする下位段階とを含む。探索段階の下位段階は、第６図に示され たモジュールＳＥＡＲＣＨ ＩＭＡＧＥ、第７図に示されたＦＩＮＤ ＯＢＪＥ ＣＴ、及び第８図に示されたＴＲＡＣＥ ＯＢＪＥＣＴによって実行される。こ れらのモジュールの段階は、用語「物体」が用語「顔料要素」で置き換えられる ことを除いて、第６〜８図に示されたものと同一である。用語「物体」が用語「 顔料要素」で置き換えられた第９図に示されたモジュールＣＨＫ ＧＲＡＹは、 ポリマーよりも相対的に明るい候補顔料要素を保持するために、顔料要素識別の 実施態様に対してランされる。ポリマーよりも暗い顔料を識別するために、画像 は、発生された直後に反転される。 本発明の顔料要素識別の実施態様の方法はまた、妥当顔料要素を識別するため に、妥当要素の所定属性値を有する候補要素を妥当化する段階を具備する。この 段階は、第３６図のブロックＥに示され、モジュールＴＲＡＣＥ ＯＢＪＥＣＴ によって行われる。妥当化段階は、候補顔料要素属性値を算出する下位段階と、 候補顔料要素を妥当化するために、妥当顔料要素の所定属性値と候補顔料要素属 性値を比較する下位段階と を含む。妥当化段階は、さらに、妥当要素の多重識別を防止するために、妥当顔 料要素の冗長度を検査する下位段階を含む。冗長検査下位段階は、流れ図におい て用語「物体」が用語「顔料要素」で置き換えられたことを除いて、第１３Ａ〜 １３Ｄ図と第１５Ａ〜１５Ｂ図において第１実施態様に対して記載されたモジュ ールＣＨＬ ＬＩＳＴと、第１４図と第１６図に関して記載されたモジュールＳ ＥＴ ＳＴＡＴによって実行される。 本発明の顔料要素識別の実施態様の方法はまた、上限と下限としてヒストグラ ムのエントロピー関数を最大化するように以前に選択されたエントロピー的選択 しきいグレーレベルを使用して、上側ヒストグラムと下側ヒストグラムへグレー レベルヒストグラムを細分する段階を具備する。方法はまた、上側及び下側ヒス トグラムの各々に対して選択、探索、妥当化及び細分段階を再帰的に繰り返す段 階を具備し、この場合、選択段階の反復は、次の連続するエントロピーしきいグ レーレベルを選択する。この反復は、所定最小数の新妥当顔料要素が計数される まで、妥当顔料要素を識別するために、グレーレベルヒストグラムを再帰的に区 分化する。この反復は、第３７図のブロックＦに示された如く、ランされるモジ ュールＡＮＡＬＹＺＥによって行われる。顔料要素識別のためのＡＮＡＬＹＺＥ モジュールの段階は、用語「物体」が用語「顔料要素」で置き換えられたことを 除いて、第１１図において示されたものと同一である。 本発明の顔料要素識別方法は、さらに、妥当顔料要素の冗長度の最終検査を行 い、妥当顔料要素の多重識別を防止するために、冗長度を解消する段階を含む。 最終冗長検査下位段階は、流れ図において用語「物体」 が用語「顔料要素」で置き換えられたことを除いて、第１７Ａ〜１７Ｂ図におい て第１実施態様に対して記載されたモジュールＦＩＮＡＬ ＣＨＫと、第１８図 に関して記載されたモジュールＩＮＴ ＳＴＡＴによって実行される。 本発明の顔料要素識別方法は、さらに、妥当化段階の後、画像を濾過する段階 を含む。流れ図において用語「物体」が用語「顔料要素」で置き換えられたこと を除いて、非均質顔料要素に対する濾過段階は、第１実施態様に関して記載され た如く、第１９Ａ〜１９Ｄ図において示されたモジュールＣＡＬＣＯＮによって 行われ、そして均質顔料要素に対して、第２０Ａ〜２０Ｂ図において示されたモ ジュールＣＡＬＣＯＮによって行われる。 本発明の顔料要素識別方法は、さらに、候補塊において妥当顔料要素数を決定 する段階を含む。決定段階は、流れ図において用語「物体」が用語「顔料要素」 で置き換えられたことを除いて、第１実施態様に関して記載された如く、第２１ Ａ〜２１Ｂ図に示されたモジュールＵＮＣＬＵＭＰと、第２２Ａ〜２２Ｂ図に示 されたモジュールＰＲＯＣＥＳＳ ＣＬＵＭＰによって行われる。 本発明の顔料要素識別方法は、第２４図に示されたものの如く、画像分析シス テムにおいて実現される。また、多様な修正が、発明の範囲と精神に反すること なく、本発明の顔料要素識別方法において為されることは、技術における当業者 達には明らかであろう。例えば、適応しきい化を行うために、顔料要素識別方法 におけるヒストグラムに代わりに、第２実施態様において記載された共発生マト リックスを使用することが、可能である。加えて、反復又は並列処理方法は、顔 料要素識別を行うた めに使用される。 発明は、発明を単に例証することを意図した次の実施例によってさらに明確に されるであろう。 実施例Ｉ この実施例において、コロニー計数実施態様の方法及び画像分析システムの応 用が、記載される。コロニー計数は、試料における細菌の量を数量化するために 微生物実験室において日常的に行われるタスクである。試料は、血液、食料、化 粧品、土壌、等の如く、多種の形式の一つである。コロニー計数は、 （ｉ）ＢＨＩ（Ｂｒａｉｎ Ｈｅａｒｔ Ｉｎｆｕｓｉｏｎ）寒天プレート（非 均質コロニー）における好気性細菌 （ii）Ｈｅｋｔｏｅｎ Ｅｎｔｅｒｉｃ寒天プレート（均質コロニー）における サルモネラコロニー を識別及び数量化するために本システムを使用して行われる。 加えて、システムは、２つ以上の種を含むプレートにおいて異なる種の細菌を 識別及び数量化することはできる。これは、病原及び非病原生体を含むプレート において、病原細菌を識別するために有益である。 コロニーを計数するためにこの例において使用された装置は、第２４図に関し て記載された如く、プレートを保持するためのペトリ皿保持器と、プレートを照 明するための光学系と、プレート上に試料の像を発生するための画像取得システ ムとを具備した。カメラからのビデオ信号は、ＰＣの一スロットを占有するフレ ームグラバーへ送られた。フレームグラバーは、画像をデジタル化した。 ペトリ皿保持器は、標準ペトリ皿を収納する可動な加工部材を具備し た。部材は、皿を収納することができるさら穴円形くぼみを有し、軸受け基礎支 持物を介して、適所にすべり入れられた。保持器の下に、画像コントラストを高 めるために適切な背景シートを挿入する余地があった。 使用された照明源は、Ｐｈｉｌｉｐｓ ＦＣ ８Ｔ９／ＷＷ円形蛍光灯（８イ ンチ径）を具備し、ペトリ皿を取り囲んだ。灯は、皿から約１インチ上に取り付 けられ、全側面から一様に皿を照明した。灯と皿の間の距離は、重大である。灯 が高すぎるならば、生ずる画像は、コロニーの曲面からの大きな「グレア」と「 ハロー」を示した。コロニーは、小さな３Ｄレンズと見なされ、斜めのグレージ ング角照明が、レンズ状表面から散乱する光がカメラに入らないために必要であ った。灯は、Ｍｅｒｃｒｏｎ ＦＬ０４１６−２コントローラを用いて能動的に 安定化され、出力の変動を防止するために、光レベルを一定に保った。さらに、 コントローラは、灯の輝度を調整するために、遠隔でプログラマブルであった。 この特徴は、固有コントラストが可変であるコロニープレートに対して特に有益 であった。低コントラストプレートに対して、光レベルは、コントラストを改良 するために増大される。 光学系は、１６ｍｍのＦ２．８ニコンレンズを備えるソニーＸＣ−７７白黒Ｃ ＣＤビデオカメラを具備した。カメラは、ペトリ皿から約１．５フィートの距離 に中心を据えられた。カメラから皿への距離は、空間分解能を最大にするために 、円板がＣＣＤセンサーの表面をちょうど占有する如くであった。黒色ＤＥＬＲ ＩＮ遮光物が、迷光がカメラに侵入するのを防止するために、カメラからプレー トへかけられた。カメラからの映像信号は、ＰＣ上のフレームグラバーへ直接に 送られた。 画像取得システムは、ＰＣの拡張スロットを占めるデータ変換ＤＴ２ ８５１フレームグラバーボードを具備した。Ｄｅｌｌ ３３ＭＨｚ ３８６ＡＴ システムは、画像を記憶し、本発明のコロニースクリーニング方法を実行するた めに使用された。フレームグラバーは、デジタル画像が記憶された５１２×５１ ２ピクセル映像バッファーを有した。カメラからの「ショット」雑音を最小化す るために、幾つかの画像フレームが、平均化され、そして合成平均画像が、記憶 され、後の分析のために使用された。フレームグラバーの出力は、画像を表示す るために、ソニーＴＲＩＮＩＴＲＯＮモニターへ結合された。 この応用のためにドライバーにおいて規定された如く、妥当コロニーの属性は 、表１において示される。非均質コロニーの属性値の範囲は、表２において示さ れる。均質コロニーの属性値の範囲は、表３において示される。 非均質コロニーを濾過するために上記の３プロングフィルターが、上記の試料 （ｉ）に対して使用された。明細書において均質物体のために記載された人為物 除去フィルターが、上記の試料（ii）を濾過するために使用された。上記の非均 質物体のための冗長検査は、試料（ｉ）における冗長検査のために使用された。 上記の均質物体に対する冗長検査は、試料（ii）における冗長検査のために使用 された。 ＢＨＩプレートに対して、１５０枚のプレートが、第５実施態様の画像分析シ ステムで処理され、この場合、コロニー個体数は０〜３５０の範囲であり、同一 プレートの手動計数と比較された。このデータに対する相関曲線に対する最小二 乗線形あてはめの線形相関係数の平方は、０．９８１であることが示された。本 発明の第５実施態様による方法と手動計数の間の平均差は、約８％であった。 実施例II この実施例において、コロニースクリーニング実施態様の方法及び画像分析シ ステムの応用が、記載される。コロニースクリーニングは、試料における特定タ イプの細菌を識別するために微生物実験室において日常的に行われるタスクであ る。試料は、血液、食料、化粧品、土壌、等の如く、多種の形式の一つである。 スクリーニングプロセスは、対象試料で寒天プレートに「すじをつける」ことを 含む。試料は、プレート上にすじをつけるために、それは、効果的に希釈され、 プレート上に広範囲の試料濃度を生ずる。回答される質問は、試料が、病原生物 を含むか否かである。スクリーニングプロセスは、肯定／否定回答に帰着する。 絶対的数量化は、必要ではない。この例に対して、対象試料は、食料であり、こ の場合、スクリーニング段階が、潜在的に汚染された食料試料を識別するために 使用された。汚染した試料にフラグを立てることにより、より詳細な分析のため に汚染食料を選別するとともに、有効な品質制御を行うことが、可能であった。 コロニーをスクリーニングするために使用される装置は、実施例Ｉにおいて記載 された如く設定された。 コロニースクリーニングシステムを例証するために、Ｈｅｋｔｏｅｎ Ｅｎｔ ｅｒｉｃ寒天プレートにおいてサルモネラコロニーを有する「ストリーク」プレ ートの例が、提供された。目標は、汚染プレートとしてこのプレートにフラグを 立てることであった。絶対数量化は必要でなかった。このプレートの複雑さは、 ストリーキングプロセスにおいて導入された可変背景において示される。この実 施例に対してドライバーにおいて規定された妥当コロニーの属性は、表１におい て示されたものと同様である。スクリーニングのための属性値の範囲は、表４に おいて示される。 スクリーニングの例に対して、人為物除去フィルターアルゴリズムは、 （ｉ）所定の面積よりも小さい面積であったならば、候補コロニーが削除される 段階と、 （ii）所定の最小縁コントラストよりも小さな縁コントラストであったならば、 候補コロニーが削除される段階とを具備した。 上記の均質物体に対する冗長検査下位段階は、重なり合う物体に対して、どの 物体を保持するかを判定するために使用される基準は、常に、より大きな物体を 保持するものと仮定して、この実施例において冗長検査のために使用された。こ の実施例のスクリーニング方法において非凝集化は行われなかった。 ９９枚の「ストリーク」プレートの試料セットにおいて、ＩＥＴＮＡによって 分析された８９枚のプレートは、プレートが正（即ち、サルモネラ生物を含む） 又は負（即ち、サルモネラ生物を含まない）かの手動判定と一致した。この実施 例において、コロニースクリーニングのために使用されたＩＥＴＮＡがプレート 上のサルモネラ生物にフラグを立てない４つの「偽負」があり、この場合、その ような生物が存在したことが、手操作で判定された。この実施例において、コロ ニースクリーニングのために使用されたＩＥＴＮＡがサルモネラ生物を含むとし てプレートにフラグを立てた６つの「偽正」があった。これは、そのような生物 が存在しないことを示す手動判定と対照される。 実施例III この実施例において、カーペット特徴識別の実施態様の画像分析システム及び 方法の応用が、記載される。カーペットの外観に影響を与える主要因子は、カー ペット表面上の欠陥等の離散的特徴の存在である。すじ、「シェブロン」（シェ ブロン形状を有し、カーペット表面にかなり周期的に出現する）の如く欠陥は、 カーペット処理サイクルにおける問題に起因し、高品質製品を維持するために、 時宜よく識別される必要がある。 本発明は、汎用「離散的特徴分析器」として、その目的に適合された。この場 合、多様な欠陥は、カーペット表面の複雑な背景において識別される。特定の欠 陥に対して、欠陥の属性が、ドライバーにおいて規定されるが、本発明は、その 特別な欠陥のすべての事例を識別する。 分析のために使用されたカーペット試料は、ＤｕＰｏｎｔフロアリングシステ ムから得られたＳｕｅｓｓｅｎセット、液体着色、２プライ、 １１５０デニール試料であった。この試料は、識別を必要とされる表面上に「し み」状欠陥を分布させた。 カーペット画像を発生するために使用された装置は、Ｍａｃｂｅｔｈ Ｓｐｅ ｃｔｒａ Ｌｉｇｈｔ ＳＰＬ−６５ライトボックス、Ｓｏｎｙ ＸＣ−７７ ＣＣＤカメラ、Ｄａｔａ Ｔｒａｎｓｌａｔｉｏｎ ２８５１フレームグラバー ボード及びＰＣから成った。ライトボックスは、照明光のスペクトルエネルギー 分布が、日光のスペクトルエネルギー分布に一致することを保証する。カメラは 、欠陥のコントラストを最大にするために、カーペット試料を斜めに見た。 ドライバーにおいて規定された妥当欠陥の属性は、表１において示されたもの と同一である。妥当欠陥の属性値の範囲は、表５において示される。 欠陥を識別するために、人為物除去は、 （ｉ）所定面積よりも小さな面積であったならば、候補欠陥が削除される段階と 、 （ii）所定の最小縁コントラストよりも小さな縁コントラストであったならば、 候補欠陥が削除される段階と、 （iii）所定形状因子よりも小さな形状因子であったならば、候補欠陥が 削除される段階とを具備した。 上記の均質欠陥に対する冗長検査は、重なる欠陥に対して、どの物体を保持す るかを判定するために使用される基準は、常に、より大きな欠陥を保持するもの と仮定して、この実施例において冗長検査のために使用された。この実施例にお いて非凝集化は行われなかった。 実施例IV この実施例において、顔料要素識別の実施態様の方法及びシステムの応用が、 記載される。一様な外観のカーペット繊維を生産する際の重要な要素は、繊維内 の着色顔料要素の配合量である。溶融ポリマーと顔料要素の配合の定量的研究を 行うために、静的ミキサから現出するポリマーの断面で顔料要素の空間及び大き さ分布を算出できることが重要である。本発明の第８実施態様のシステムは、ポ リマーの断面で顔料要素を自動的に識別することにより、これらの計算を行うこ とができる。 対象試料は、ＮＲＤ１５９キャリヤにおいて酸化鉄顔料要素の分布を含有した 。ＮＲＤ１５９は、Ｅ．Ｉ．ｄｕ Ｐｏｎｔ ｄｅ Ｎｅｍｏｕｒｓ ａｎｄ Ｃｏｍｐａｎｙ，Ｗｉｌｍｉｎｇｔｏｎ，Ｄｅｌａｗａｒｅから商業的に入手可 能な低分子量ナイロン誘導体である。顔料分布の画像は、２０×対物レンズを有 するニコン顕微鏡を通して結像されたポリマーの微色調片から獲得された。画像 は、ソニーＸＣ−７７ ＣＣＤカメラへ集束され、映像信号をＤＥＣ Ｍｉｃｒ ｏＶａｘコンピュータへ送信した。それから、画像は、データ変換ＤＴ２６５１ フレームグラバーボードを使用して、デジタル化された。 ドライバーにおいて規定された妥当顔料の属性は、表１において示されたもの と同一である。妥当物体（顔料）の属性値の範囲は、表６に示 される。 顔料識別のために、使用された人為物除去フィルターアルゴリズムは、実施例 IIのスクリーニングプロセスに対して使用されたものと同一であった。顔料要素 識別のための冗長検査アルゴリズムは、実施例IIのスクリーニングプロセスに対 して使用されたものと同一であった。 発明の適応性により、すべての顔料要素を識別することができた。しかし、所 望ならば、あるコントラスト範囲で顔料要素のサブセットを識別することが可能 である。これにより、本発明のモジュールは、種々の深さにおいて顔料要素を識 別するために、材料の多様な焦点面を「区画化」することができる。 発明の他の実施態様は、ここで開示された発明の明細書と実施の考察から技術 における当業者達には明らかになるであろう。明細書と実施例は、次のクレイム によって記載された発明の真の範囲と精神により、単なる例証として考えられる ことが、意図される。

【手続補正書】特許法第１８４条の８第１項 【提出日】１９９６年５月３０日 【補正内容】 明細書 二重しきい値を使用する適応形視覚システム 発明の背景 発明の分野 本発明は、物体の像と候補物体の背景を多様に探索し、妥当物体の少なくとも 一つの所定属性値を有する候補物体を確認することにより、背景における物体を 自動的に識別するための画像分析方法及びシステムに関する。 関連技術の説明 画像のグレーレベル空間の表現の分析は、論文”Ｅａｒｌｙ Ｐｒｏｃｅｓｓ ｉｎｇ ｏｆ Ｖｉｓｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ”，Ｉｍａｇｅ Ｕｎｄ ｅｒｓｔａｎｄｉｎｇ，ｅｄｓ．Ｓ．Ｕｌｌｍａｎ ａｎｄ Ｗ．Ｒｉｃｈａｒ ｄｓ，Ａｂｌｅｘ Ｐｕｂｌｉｓｈｉｎｇ Ｃｏｍｐａｎｙ，１９８４において Ｄ．Ｍａｒｒによって以前提案された。信号処理のための情報理論におけるエン トロピーの概念は、最初に、論文”Ａ Ｍａｔｈｅｍａｔｉｃａｌ Ｔｈｅｏｒ ｙ ｏｆ Ｃｏｍｍｕｎｉｃａｔｉｏｎ”，Ｂｅｌｌ Ｓｙｓｔｅｍ Ｔｅｃｈ ｎｏｌｏｇｙ Ｊ．，Ｖｏｌ．２７，Ｊｕｌｙ １９４８，ｐｐ．３７９−４２ ３においてＳｈａｎｎｏｎによって提案された。Ｓｈａｎｎｏｎは、エントロピ ー関数 が、次の３つの性質を一意的に満足することを示した。 （１）Ｈ（ｐ₁，ｐ₂，．．ｐ_n）は、ｐｋ＝１／ｎ、ｋ＝１，．．，ｎに 対する最大値である。 （２）Ｈ（ＡＢ）＝Ｈ（Ａ）＋Ｈ（Ｂ）、ここで、ＡとＢは、２つの有限区分で あり、そしてＨ_A（Ｂ）は、区分Ａが与えられた時の区分Ｂの条件付きエントロ ピーである。 （３）Ｈ（ｐ₁，ｐ₂，．．ｐ_n，０）＝Ｈ（ｐ₁，ｐ₂，．．ｐ_n） さらに、画像のグレーレベルヒストグラムを分析するためにエントロピーを使 用する思想は、元来、論文”Ｅｎｔｒｏｐｉｃ Ｔｈｒｅｓｈｏｌｄｉｎｇ，ａ Ｎｅｗ

───────────────────────────────────────────────────── フロントページの続き (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＤＥ， ＤＫ，ＥＳ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，Ｍ Ｃ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＭＬ，ＭＲ，ＮＥ，ＳＮ， ＴＤ，ＴＧ)，ＡＰ(ＫＥ，ＬＳ，ＭＷ，ＳＤ，ＳＺ，Ｕ Ｇ)，ＡＬ，ＡＭ，ＡＵ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，Ｃ Ａ，ＣＮ，ＣＺ，ＥＥ，ＦＩ，ＧＥ，ＨＵ，ＩＳ，ＪＰ ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＫ，ＬＲ，ＬＴ，ＬＶ， ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＸ，ＮＯ，ＮＺ，ＰＬ，Ｒ Ｏ，ＲＵ，ＳＧ，ＳＩ，ＳＫ，ＴＪ，ＴＭ，ＴＴ，ＵＡ ，ＵＺ，ＶＮ

Claims (1)

1. 【特許請求の範囲】 １．背景において少なくとも一つの属性値を有する少なくとも一つの妥当物体 を識別する方法において、 （ａ）物体と背景の画像を発生する段階と、 （ｂ）複数の副空間を具備する画像を表現するデータ空間を定義する段階と、 （ｃ）少なくとも一つの副空間を選択する段階と、 （ｄ）各選択副空間を使用して、候補物体の少なくとも一つの表現に対して画像 を多重に探索する段階であり、候補物体は、少なくとも一つの所定の属性値を有 する段階と、 （ｅ）妥当物体を識別するために、所定の属性値を有する候補物体を妥当化する 段階とを具備する方法。 ２．データ空間が、画像のグレーレベル値を具備する請求の範囲１に記載の方 法。 ３．データ空間が、画像の色空間を具備する請求の範囲１に記載の方法。 ４．データ空間が、画像のグレーレベル値の変換から生じた空間を具備する請 求の範囲１に記載の方法。 ５．合成空間が、コントラストである請求の範囲４に記載の方法。 ６．合成空間が、色相振幅である請求の範囲４に記載の方法。 ７．合成空間が、縁コントラストである請求の範囲４に記載の方法。 ８．副空間が、データ空間の境界付き部分である請求の範囲１に記載の方法。 ９．副空間が、少なくとも一つの候補物体の少なくとも一つの属性値 に基づいて選択される請求の範囲１に記載の方法。 １０．副空間が、一対のグレーレベル値である請求の範囲２に記載の方法。 １１．副空間が、グレーレベル値の範囲である請求の範囲２に記載の方法。 １２．画像を多重に探索する段階が、副空間の各々を同時に使用して、画像を 一度に走査することを含む請求の範囲１に記載の方法。 １３．画像を多重に探索する段階が、各走査に対して選択副空間を使用して、 複数回、画像を走査することを含む請求の範囲１に記載の方法。 １４．データ空間が、妥当物体の少なくとも一つの所定の属性値に基づく請求 の範囲１に記載の方法。 １５．データ空間が、前に識別された物体の少なくとも一つの所定の属性値に 基づく請求の範囲１に記載の方法。 １６．（ｆ）上限として上側副空間と下限として下側副空間へデータ空間を細 分する段階と、 （ｇ）上側及び下側副空間の各々に対して、段階（ｃ）、（ｅ）及び（ｆ）を再 帰的に繰り返すことにより、多重に探索する段階とをさらに含み、この場合、段 階（ｃ）の反復は、次に連続する副空間を選択し、これにより、多重探索を終了 するための条件が達せられるまで、データ空間を再帰的に区分化する請求の範囲 １に記載の方法。 １７．終了条件が、所定最小数の新妥当物体が識別されることである請求の範 囲１６に記載の方法。 １８．所定最小数が、ゼロよりも大きい請求の範囲１７に記載の方法。 １９．所定最小数が、ゼロである請求の範囲１７に記載の方法。 ２０．終了条件が、最小グレーレベル区分幅が、データ空間の再帰的区分化中 に達せられることである請求の範囲１６に記載の方法。