2014年度春学期 画像情報処理 第11回 granulometryとスケルトン (2014. 7....
DESCRIPTION
関西大学総合情報学部 「画像情報処理」(担当:浅野晃)TRANSCRIPT
![Page 1: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/1.jpg)
A. A
sano
, Kan
sai U
niv.
2014年度春学期 画像情報処理
浅野 晃 関西大学総合情報学部
Granulometryとスケルトン第11回
![Page 2: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/2.jpg)
A. A
sano
, Kan
sai U
niv.
![Page 3: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/3.jpg)
A. A
sano
, Kan
sai U
niv.
Granulometry
![Page 4: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/4.jpg)
A. A
sano
, Kan
sai U
niv.
![Page 5: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/5.jpg)
A. A
sano
, Kan
sai U
niv.
サイズとは
![Page 6: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/6.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズある基本図形とその相似拡大図形との倍率
図形B,サイズrとするとき,r倍のB,すなわち rBは
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
![Page 7: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/7.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズある基本図形とその相似拡大図形との倍率
図形B,サイズrとするとき,r倍のB,すなわち rBは
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
B
![Page 8: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/8.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズある基本図形とその相似拡大図形との倍率
図形B,サイズrとするとき,r倍のB,すなわち rBは
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
B
b
![Page 9: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/9.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズある基本図形とその相似拡大図形との倍率
図形B,サイズrとするとき,r倍のB,すなわち rBは
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
B
b2b
![Page 10: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/10.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズある基本図形とその相似拡大図形との倍率
図形B,サイズrとするとき,r倍のB,すなわち rBは
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
B
2B
b2b
![Page 11: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/11.jpg)
2014
A. A
sano
, Kan
sai U
niv.
離散的な図形の場合は連続な場合と同じ定義ではまずい
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
![Page 12: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/12.jpg)
2014
A. A
sano
, Kan
sai U
niv.
離散的な図形の場合は連続な場合と同じ定義ではまずい
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
![Page 13: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/13.jpg)
2014
A. A
sano
, Kan
sai U
niv.
離散的な図形の場合は連続な場合と同じ定義ではまずい
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
隙間があいてしまう
![Page 14: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/14.jpg)
2014
A. A
sano
, Kan
sai U
niv.
離散的な図形の場合は連続な場合と同じ定義ではまずい
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
隙間があいてしまう
こうすればいい
![Page 15: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/15.jpg)
2014
A. A
sano
, Kan
sai U
niv.
離散的な図形の場合は連続な場合と同じ定義ではまずい
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
隙間があいてしまう
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
こうすればいい
![Page 16: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/16.jpg)
2014
A. A
sano
, Kan
sai U
niv.
離散的な図形の場合は連続な場合と同じ定義ではまずい
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
隙間があいてしまう
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
こうすればいい
![Page 17: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/17.jpg)
2014
A. A
sano
, Kan
sai U
niv.
離散的な図形の場合は連続な場合と同じ定義ではまずい
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
隙間があいてしまう
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
こうすればいい
![Page 18: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/18.jpg)
2014
A. A
sano
, Kan
sai U
niv.
離散的な図形の場合は連続な場合と同じ定義ではまずい
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
隙間があいてしまう
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
こうすればいい
![Page 19: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/19.jpg)
2014
A. A
sano
, Kan
sai U
niv.
離散的な図形の場合は連続な場合と同じ定義ではまずい
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
隙間があいてしまう
2013年度春学期 画像情報処理 第11回第3部・マセマティカル・モルフォロジ/ Granulometryとスケルトン
モルフォロジーの第2回は,物体形状をかたち作る要素の「大きさ」を定量的に取り扱う granulometry
とサイズ分布,それにスケルトンの概念について説明します。Granulometry は,画像中の物体に「どのような大きさのものがどのくらい」含まれているのかを表現するもので,モルフォロジーのもっとも本質的な部分です。それは,モルフォロジーの起源が,パリ国立高等鉱山学校でG. Matheron と J. Serra
によって考え出された,鉱石の劈開面の鉱物粒子の分析法にあるからです。鉱物粒子を分析するために粒子の形状・大きさを定量的に評価する必要が生じたことから,モルフォロジーの理論構築が始まりました。
サイズの定義
モルフォロジーにおける「サイズ」とは,ある基本図形(=集合)とその相似拡大図形との倍率をいいます。例えば,直径が 1cmの円形を「サイズ1の円」とすると,直径 2cmの円は「サイズ2の円」となります。
より一般的には,ある図形Bに対して,倍率を rとするとき,「r倍のB」を,Bが連続集合のとき
rB = {rb|b ∈ B} (1)
と定義します。Bをサイズ 1の図形とするとき,rBのサイズは rとなります。
しかし,離散画像の場合は,これではおかしなことになります。離散集合Bに対して (1)式のように2Bを定義すると,図 1の中のように,すき間が空いてしまいます。そこで,離散画像の場合はMinkowski
集合和を使ってrB = B ⊕B ⊕ · · ·⊕B ((r − 1)回). (2)
図 1の右は,この定義による 2Bを示しています。
ここで注意したいのは,このように相似拡大を定義した場合,図 1下段の例の場合,Bを見ると十字型のようですが,2Bを見るとわかるように実はひし形であることです。これは,Bの画素数で表現できる図形には限界があり,「十字」はこの画素数では表現できないことを示しています。
Granulometryとサイズ分布
前回の講義で,「画像Xの構造要素Bによるオープニング」とは「Xのうち,Bが大きすぎてはみ出してしまうような部分だけを取り除いたもの」,すなわち「X から,Bよりも小さい成分を取り除いたもの」であることを説明しました。このように,オープニングには,画像中の物体およびその各部分を「大きさ」によって選別する,一種のフィルタの働きがあります。
そこで,Bをある基本的な構造要素とし,これに対して2B, 3B, . . . という,サイズを順に大きくした相似な構造要素を用意します。そして,各々のサイズの構造要素で各々オープニングを行い,XB, X2B, X3B, . . .
という画像の系列を作ります。すると,この画像系列では,XBはBよりも小さい成分が除かれており,X2B はさらに 2Bより小さい成分が,X3B はさらに 3Bより小さい成分が,. . .,各々除かれていることになり,X の小さい成分から順に除いた画像系列になっていることがわかります。このオープニングの系列を granulometryといいます1。
1granulometryを定義する場合,構造要素のサイズの定義は前節に限ったものではありません。「大きいサイズの構造要素が小さいサイズの構造要素を包含する」ことが満たされていれば定義できます。
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 1/4 ページ
こうすればいい
![Page 20: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/20.jpg)
2014
A. A
sano
, Kan
sai U
niv.
ちょっと困ることも
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
![Page 21: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/21.jpg)
2014
A. A
sano
, Kan
sai U
niv.
ちょっと困ることも
Bは十字形ではなく,ひし形
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
![Page 22: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/22.jpg)
2014
A. A
sano
, Kan
sai U
niv.
ちょっと困ることも
Bは十字形ではなく,ひし形
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
おもったような図形が表せない
![Page 23: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/23.jpg)
2014
A. A
sano
, Kan
sai U
niv.
ちょっと困ることも
Bは十字形ではなく,ひし形
B {2b | b ∈ B} 2B = B⊕B
(a)
B {2b | b ∈ B} 2B = B⊕B
(b)
図 1: 離散画像の場合のサイズの定義。(a)正方形。(b)ひし形。
画像
構造要素
オープニングの結果= granulometry サイズ密度
差
サイズ
抽出された形状
図 2: granulometryとサイズ分布
Granulometryで得られる各画像XB, X2B, X3B, . . . について,その面積を求め,さらに各面積と元の画像Xの面積との比を求めます。ただし「画像の面積」とは,画像に含まれる物体が占める面積(離散画像の場合は物体を構成する画素の数)を意味します。サイズ rに面積比を対応させた関数は,サイズ0の時面積比 1で,単調減少な関数になります。これをサイズ分布関数 (size distribution function) といいます。サイズ分布関数の,サイズ rに対応する値は「サイズ r以上の部分の面積の割合」を表します。
さらに,サイズ分布関数の微分を考えます。これは,granulometryの中の,隣接するサイズに対応する画像間の面積の差に相当します。例えば,X2B とX3B の面積の差を考えると,
X2B に含まれX3B に含まれない部分は2Bによるオープニングでは除かれなかったが 3Bによるオープニングでは除かれた部分すなわち サイズがちょうど 2 である部分の面積の割合となります。このようにして,各サイズに対応する部分の面積の割合を求めたものをサイズ密度関数 (size density function)といいます。ここまででわかる通り,サイズ分布関数やサイズ密度関数は,それぞれ確率分布関数,確率密度関数と同じような性質をもつことがわかります。
式で書くと,画像X の構造要素Bによるサイズ分布関数は,サイズを rとして
FX,B(r) =A(XrB)
A(X)(3)
となります。ただし,A()は画像に対してその面積を表します。また,サイズ密度関数は連続の場合
pX,B(r) =d
dr(1− FX,B(r)) = − 1
A(X)
dA(XrB)
dr, (4)
離散の場合は
pX,B(r) = (1− FX,B(r + 1))− (1− FX,B(r)) = − 1
A(X)
!A(XrB)−A(X(r+1)B)
"(5)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 2/4 ページ
おもったような図形が表せない
サイズの定義は,これに限らない(後述)
![Page 24: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/24.jpg)
A. A
sano
, Kan
sai U
niv.
![Page 25: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/25.jpg)
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布
![Page 26: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/26.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
構造要素(B)図形
![Page 27: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/27.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
構造要素(B)図形
それぞれ オープニング
![Page 28: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/28.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
構造要素(B)図形
それぞれ オープニング
![Page 29: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/29.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
構造要素(B)図形
それぞれ オープニング
![Page 30: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/30.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
構造要素(B)図形
それぞれ オープニング
![Page 31: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/31.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
構造要素(B)図形
それぞれ オープニング
![Page 32: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/32.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
構造要素(B)図形
それぞれ オープニング
構造要素よりも 小さな角が 除かれる
![Page 33: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/33.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
Bの相似形(倍率=「サイズ」)
構造要素(B)図形
それぞれ オープニング
構造要素よりも 小さな角が 除かれる
![Page 34: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/34.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
Bの相似形(倍率=「サイズ」)
1B構造要素(B)図形
それぞれ オープニング
構造要素よりも 小さな角が 除かれる
![Page 35: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/35.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
Bの相似形(倍率=「サイズ」)
1B 2B構造要素(B)図形
それぞれ オープニング
構造要素よりも 小さな角が 除かれる
![Page 36: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/36.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
Bの相似形(倍率=「サイズ」)
1B 2B 3B構造要素(B)図形
それぞれ オープニング
構造要素よりも 小さな角が 除かれる
![Page 37: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/37.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
Bの相似形(倍率=「サイズ」)
1B 2B 3B 4B構造要素(B)図形
それぞれ オープニング
構造要素よりも 小さな角が 除かれる
![Page 38: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/38.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
Bの相似形(倍率=「サイズ」)
1B 2B 3B 4B 5B構造要素(B)図形
それぞれ オープニング
構造要素よりも 小さな角が 除かれる
![Page 39: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/39.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
Bの相似形(倍率=「サイズ」)
1B 2B 3B 4B 5B構造要素(B)図形
それぞれ オープニング
相似形でオープニング
構造要素よりも 小さな角が 除かれる
![Page 40: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/40.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
Bの相似形(倍率=「サイズ」)
1B 2B 3B 4B 5B構造要素(B)図形
それぞれ オープニング
相似形でオープニング
構造要素よりも 小さな角が 除かれる
![Page 41: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/41.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
Bの相似形(倍率=「サイズ」)
1B 2B 3B 4B 5B構造要素(B)図形
それぞれ オープニング
相似形でオープニング
構造要素よりも 小さな角が 除かれる
![Page 42: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/42.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
Bの相似形(倍率=「サイズ」)
1B 2B 3B 4B 5B構造要素(B)図形
それぞれ オープニング
相似形でオープニング
構造要素よりも 小さな角が 除かれる
![Page 43: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/43.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
Bの相似形(倍率=「サイズ」)
1B 2B 3B 4B 5B構造要素(B)図形
それぞれ オープニング
相似形でオープニング
構造要素よりも 小さな角が 除かれる
![Page 44: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/44.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
Bの相似形(倍率=「サイズ」)
1B 2B 3B 4B 5B構造要素(B)図形
それぞれ オープニング
相似形でオープニング
構造要素よりも 小さな角が 除かれる
![Page 45: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/45.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
Bの相似形(倍率=「サイズ」)
1B 2B 3B 4B 5B構造要素(B)図形
それぞれ オープニング
none
相似形でオープニング
構造要素よりも 小さな角が 除かれる
![Page 46: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/46.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
Bの相似形(倍率=「サイズ」)
1B 2B 3B 4B 5B構造要素(B)図形
それぞれ オープニング
none
相似形でオープニング
残りの部分 1B より大きい
構造要素よりも 小さな角が 除かれる
![Page 47: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/47.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
Bの相似形(倍率=「サイズ」)
1B 2B 3B 4B 5B構造要素(B)図形
それぞれ オープニング
none
相似形でオープニング
残りの部分 1B より大きい
残りの部分 2Bより大きい
構造要素よりも 小さな角が 除かれる
![Page 48: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/48.jpg)
2014
A. A
sano
, Kan
sai U
niv.
Granulometryとサイズ分布図形の「形状特徴」と「大きさ」を数値で表すもの
Bの相似形(倍率=「サイズ」)
1B 2B 3B 4B 5B構造要素(B)図形
それぞれ オープニング
none
相似形でオープニング
残りの部分 1B より大きい
残りの部分 2Bより大きい
etc.
構造要素よりも 小さな角が 除かれる
![Page 49: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/49.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数5B
1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 50: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/50.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 51: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/51.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 52: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/52.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 53: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/53.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 54: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/54.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 55: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/55.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 56: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/56.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 57: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/57.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 58: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/58.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 59: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/59.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 60: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/60.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 61: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/61.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 62: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/62.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 63: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/63.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 64: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/64.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 65: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/65.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
この部分は 1Bより小さい
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 66: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/66.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
この部分は 1Bより小さい
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
サイズは ちょうどゼロ
![Page 67: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/67.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
この部分は 1Bより小さい
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
この部分は 1Bより大きいが 2Bより小さい
サイズは ちょうどゼロ
![Page 68: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/68.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
この部分は 1Bより小さい
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
この部分は 1Bより大きいが 2Bより小さい
サイズは ちょうどゼロ
サイズは ちょうど1
![Page 69: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/69.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
この部分は 1Bより小さい
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
この部分は 1Bより大きいが 2Bより小さい
サイズは ちょうどゼロ
サイズは ちょうど1
etc.
![Page 70: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/70.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 71: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/71.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
0 1 2 3 4 5 6
差分の相対面積
サイズ
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 72: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/72.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
0 1 2 3 4 5 6
差分の相対面積
サイズ
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 73: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/73.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
0 1 2 3 4 5 6
差分の相対面積
サイズ
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 74: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/74.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
0 1 2 3 4 5 6
差分の相対面積
サイズ
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 75: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/75.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
0 1 2 3 4 5 6
差分の相対面積
サイズ
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 76: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/76.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
0 1 2 3 4 5 6
差分の相対面積
サイズ
隣接するサイズのオープニングどうしの差
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 77: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/77.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
0 1 2 3 4 5 6
差分の相対面積
サイズ
隣接するサイズのオープニングどうしの差
サイズ分布関数
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 78: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/78.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
0 1 2 3 4 5 6
差分の相対面積
サイズ
隣接するサイズのオープニングどうしの差
サイズ分布関数構造要素 B に対する
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
![Page 79: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/79.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
0 1 2 3 4 5 6
差分の相対面積
サイズ
隣接するサイズのオープニングどうしの差
サイズ分布関数構造要素 B に対する
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
おもにサイズは4
![Page 80: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/80.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
0 1 2 3 4 5 6
差分の相対面積
サイズ
隣接するサイズのオープニングどうしの差
サイズ分布関数構造要素 B に対する
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
おもにサイズは4
![Page 81: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/81.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
0 1 2 3 4 5 6
差分の相対面積
サイズ
隣接するサイズのオープニングどうしの差
サイズ分布関数構造要素 B に対する
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
おもにサイズは4すこし残り(residue)を含む
![Page 82: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/82.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数
0 1 2 3 4 5 6
差分の相対面積
サイズ
隣接するサイズのオープニングどうしの差
サイズ分布関数構造要素 B に対する
5B1Bで オープニング
2B 3B 4Bもとの 図形
none
おもにサイズは4すこし残り(residue)を含む
![Page 83: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/83.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数の評価
サイズ密度関数は,確率密度関数と同じ性質をもつ
サイズの平均
と定義できます。これらは正のサイズに対する定義ですが,負のサイズに対しては,オープニングをサイズの絶対値によるクロージングに置き換えて定義します。オープニングとクロージングは双対な演算ですから,負のサイズに対するサイズ分布関数・サイズ密度関数は,画像の背景(物体以外の部分)について各サイズ(の絶対値)に対応する部分の面積を求めていることになります。図 2に granulometry
の計算の過程を示します。
サイズ密度関数の評価
サイズ密度関数を定義すると,確率密度関数の場合と同様に,次のような量を定義して画像を評価することができます。以下,離散の場合のみ示しますが,連続の場合も総和が積分になるだけです。また,N は画像X に含まれる最大のサイズを表します。
・サイズの平均 (mean)
E(X,B) =N!
r=0
rpX,B(r). (6)
この値は画像X の構造要素 Bによるサイズの平均を意味します。平均はすなわち 1次モーメントですが,2次モーメント(分散),さらに高次のモーメントも定義でき,これらによってサイズ密度関数を特徴づけることができます。これらのモーメントを granulometric momentsといいます。
・サイズのエントロピー (entropy)
H(X,B) = −N!
r=0
log pX,B(r). (7)
この値は,画像Xの構造要素Bに対する「平均粗さ (roughness)」を表します。H(X,B) = 0のときは,X はひとつのサイズのBしか含まないことになり,粗さは最低です。H(X,B) = log(N + 1)/(N + 1)
すなわちその最大値のときは,Xは各サイズのBをまんべんなく含んでおり,最大の粗さということになります。
スケルトンとmedial axis transform
スケルトン (skeleton) とは「骨格」の意味で,モルフォロジーでは画像中の物体を削り取って骨組みにすることをいいます。このような骨組みを求める方法には,さまざまなものがありますが,モルフォロジーにおけるスケルトンでは,スケルトンから逆に物体が再現できるという特徴があります。
物体をX とするとき,構造要素Bによるスケルトン SK(X,B)は次のように定義されます。
Sn(X,B) = (X ⊖ nB)− (X ⊖ nB)B,
SK(X,B) ="
n
Sn(X,B). (8)
スケルトン SK(X,B)からは物体は再現できませんが,Sn(X,B)からは物体が再現できます。また,物体中の各画素に,それを含むスケルトン部分関数の nの値を対応させたものを,medial axis transform
といいます。Sn(X,B)からの物体X の再現は,次の計算で行なえます。
X ="
n
#!
n
(X,B)⊕ nB
$. (9)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 3/4 ページ
サイズのエントロピー
と定義できます。これらは正のサイズに対する定義ですが,負のサイズに対しては,オープニングをサイズの絶対値によるクロージングに置き換えて定義します。オープニングとクロージングは双対な演算ですから,負のサイズに対するサイズ分布関数・サイズ密度関数は,画像の背景(物体以外の部分)について各サイズ(の絶対値)に対応する部分の面積を求めていることになります。図 2に granulometry
の計算の過程を示します。
サイズ密度関数の評価
サイズ密度関数を定義すると,確率密度関数の場合と同様に,次のような量を定義して画像を評価することができます。以下,離散の場合のみ示しますが,連続の場合も総和が積分になるだけです。また,N は画像X に含まれる最大のサイズを表します。
・サイズの平均 (mean)
E(X,B) =N!
r=0
rpX,B(r). (6)
この値は画像X の構造要素 Bによるサイズの平均を意味します。平均はすなわち 1次モーメントですが,2次モーメント(分散),さらに高次のモーメントも定義でき,これらによってサイズ密度関数を特徴づけることができます。これらのモーメントを granulometric momentsといいます。
・サイズのエントロピー (entropy)
H(X,B) = −N!
r=0
log pX,B(r). (7)
この値は,画像Xの構造要素Bに対する「平均粗さ (roughness)」を表します。H(X,B) = 0のときは,X はひとつのサイズのBしか含まないことになり,粗さは最低です。H(X,B) = log(N + 1)/(N + 1)
すなわちその最大値のときは,Xは各サイズのBをまんべんなく含んでおり,最大の粗さということになります。
スケルトンとmedial axis transform
スケルトン (skeleton) とは「骨格」の意味で,モルフォロジーでは画像中の物体を削り取って骨組みにすることをいいます。このような骨組みを求める方法には,さまざまなものがありますが,モルフォロジーにおけるスケルトンでは,スケルトンから逆に物体が再現できるという特徴があります。
物体をX とするとき,構造要素Bによるスケルトン SK(X,B)は次のように定義されます。
Sn(X,B) = (X ⊖ nB)− (X ⊖ nB)B,
SK(X,B) ="
n
Sn(X,B). (8)
スケルトン SK(X,B)からは物体は再現できませんが,Sn(X,B)からは物体が再現できます。また,物体中の各画素に,それを含むスケルトン部分関数の nの値を対応させたものを,medial axis transform
といいます。Sn(X,B)からの物体X の再現は,次の計算で行なえます。
X ="
n
#!
n
(X,B)⊕ nB
$. (9)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 3/4 ページ
![Page 84: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/84.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数の評価
サイズ密度関数は,確率密度関数と同じ性質をもつ
サイズの平均
と定義できます。これらは正のサイズに対する定義ですが,負のサイズに対しては,オープニングをサイズの絶対値によるクロージングに置き換えて定義します。オープニングとクロージングは双対な演算ですから,負のサイズに対するサイズ分布関数・サイズ密度関数は,画像の背景(物体以外の部分)について各サイズ(の絶対値)に対応する部分の面積を求めていることになります。図 2に granulometry
の計算の過程を示します。
サイズ密度関数の評価
サイズ密度関数を定義すると,確率密度関数の場合と同様に,次のような量を定義して画像を評価することができます。以下,離散の場合のみ示しますが,連続の場合も総和が積分になるだけです。また,N は画像X に含まれる最大のサイズを表します。
・サイズの平均 (mean)
E(X,B) =N!
r=0
rpX,B(r). (6)
この値は画像X の構造要素 Bによるサイズの平均を意味します。平均はすなわち 1次モーメントですが,2次モーメント(分散),さらに高次のモーメントも定義でき,これらによってサイズ密度関数を特徴づけることができます。これらのモーメントを granulometric momentsといいます。
・サイズのエントロピー (entropy)
H(X,B) = −N!
r=0
log pX,B(r). (7)
この値は,画像Xの構造要素Bに対する「平均粗さ (roughness)」を表します。H(X,B) = 0のときは,X はひとつのサイズのBしか含まないことになり,粗さは最低です。H(X,B) = log(N + 1)/(N + 1)
すなわちその最大値のときは,Xは各サイズのBをまんべんなく含んでおり,最大の粗さということになります。
スケルトンとmedial axis transform
スケルトン (skeleton) とは「骨格」の意味で,モルフォロジーでは画像中の物体を削り取って骨組みにすることをいいます。このような骨組みを求める方法には,さまざまなものがありますが,モルフォロジーにおけるスケルトンでは,スケルトンから逆に物体が再現できるという特徴があります。
物体をX とするとき,構造要素Bによるスケルトン SK(X,B)は次のように定義されます。
Sn(X,B) = (X ⊖ nB)− (X ⊖ nB)B,
SK(X,B) ="
n
Sn(X,B). (8)
スケルトン SK(X,B)からは物体は再現できませんが,Sn(X,B)からは物体が再現できます。また,物体中の各画素に,それを含むスケルトン部分関数の nの値を対応させたものを,medial axis transform
といいます。Sn(X,B)からの物体X の再現は,次の計算で行なえます。
X ="
n
#!
n
(X,B)⊕ nB
$. (9)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 3/4 ページ
サイズ
サイズのエントロピー
と定義できます。これらは正のサイズに対する定義ですが,負のサイズに対しては,オープニングをサイズの絶対値によるクロージングに置き換えて定義します。オープニングとクロージングは双対な演算ですから,負のサイズに対するサイズ分布関数・サイズ密度関数は,画像の背景(物体以外の部分)について各サイズ(の絶対値)に対応する部分の面積を求めていることになります。図 2に granulometry
の計算の過程を示します。
サイズ密度関数の評価
サイズ密度関数を定義すると,確率密度関数の場合と同様に,次のような量を定義して画像を評価することができます。以下,離散の場合のみ示しますが,連続の場合も総和が積分になるだけです。また,N は画像X に含まれる最大のサイズを表します。
・サイズの平均 (mean)
E(X,B) =N!
r=0
rpX,B(r). (6)
この値は画像X の構造要素 Bによるサイズの平均を意味します。平均はすなわち 1次モーメントですが,2次モーメント(分散),さらに高次のモーメントも定義でき,これらによってサイズ密度関数を特徴づけることができます。これらのモーメントを granulometric momentsといいます。
・サイズのエントロピー (entropy)
H(X,B) = −N!
r=0
log pX,B(r). (7)
この値は,画像Xの構造要素Bに対する「平均粗さ (roughness)」を表します。H(X,B) = 0のときは,X はひとつのサイズのBしか含まないことになり,粗さは最低です。H(X,B) = log(N + 1)/(N + 1)
すなわちその最大値のときは,Xは各サイズのBをまんべんなく含んでおり,最大の粗さということになります。
スケルトンとmedial axis transform
スケルトン (skeleton) とは「骨格」の意味で,モルフォロジーでは画像中の物体を削り取って骨組みにすることをいいます。このような骨組みを求める方法には,さまざまなものがありますが,モルフォロジーにおけるスケルトンでは,スケルトンから逆に物体が再現できるという特徴があります。
物体をX とするとき,構造要素Bによるスケルトン SK(X,B)は次のように定義されます。
Sn(X,B) = (X ⊖ nB)− (X ⊖ nB)B,
SK(X,B) ="
n
Sn(X,B). (8)
スケルトン SK(X,B)からは物体は再現できませんが,Sn(X,B)からは物体が再現できます。また,物体中の各画素に,それを含むスケルトン部分関数の nの値を対応させたものを,medial axis transform
といいます。Sn(X,B)からの物体X の再現は,次の計算で行なえます。
X ="
n
#!
n
(X,B)⊕ nB
$. (9)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 3/4 ページ
![Page 85: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/85.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数の評価
サイズ密度関数は,確率密度関数と同じ性質をもつ
サイズの平均
と定義できます。これらは正のサイズに対する定義ですが,負のサイズに対しては,オープニングをサイズの絶対値によるクロージングに置き換えて定義します。オープニングとクロージングは双対な演算ですから,負のサイズに対するサイズ分布関数・サイズ密度関数は,画像の背景(物体以外の部分)について各サイズ(の絶対値)に対応する部分の面積を求めていることになります。図 2に granulometry
の計算の過程を示します。
サイズ密度関数の評価
サイズ密度関数を定義すると,確率密度関数の場合と同様に,次のような量を定義して画像を評価することができます。以下,離散の場合のみ示しますが,連続の場合も総和が積分になるだけです。また,N は画像X に含まれる最大のサイズを表します。
・サイズの平均 (mean)
E(X,B) =N!
r=0
rpX,B(r). (6)
この値は画像X の構造要素 Bによるサイズの平均を意味します。平均はすなわち 1次モーメントですが,2次モーメント(分散),さらに高次のモーメントも定義でき,これらによってサイズ密度関数を特徴づけることができます。これらのモーメントを granulometric momentsといいます。
・サイズのエントロピー (entropy)
H(X,B) = −N!
r=0
log pX,B(r). (7)
この値は,画像Xの構造要素Bに対する「平均粗さ (roughness)」を表します。H(X,B) = 0のときは,X はひとつのサイズのBしか含まないことになり,粗さは最低です。H(X,B) = log(N + 1)/(N + 1)
すなわちその最大値のときは,Xは各サイズのBをまんべんなく含んでおり,最大の粗さということになります。
スケルトンとmedial axis transform
スケルトン (skeleton) とは「骨格」の意味で,モルフォロジーでは画像中の物体を削り取って骨組みにすることをいいます。このような骨組みを求める方法には,さまざまなものがありますが,モルフォロジーにおけるスケルトンでは,スケルトンから逆に物体が再現できるという特徴があります。
物体をX とするとき,構造要素Bによるスケルトン SK(X,B)は次のように定義されます。
Sn(X,B) = (X ⊖ nB)− (X ⊖ nB)B,
SK(X,B) ="
n
Sn(X,B). (8)
スケルトン SK(X,B)からは物体は再現できませんが,Sn(X,B)からは物体が再現できます。また,物体中の各画素に,それを含むスケルトン部分関数の nの値を対応させたものを,medial axis transform
といいます。Sn(X,B)からの物体X の再現は,次の計算で行なえます。
X ="
n
#!
n
(X,B)⊕ nB
$. (9)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 3/4 ページ
サイズrの 密度関数の値
サイズ
サイズのエントロピー
と定義できます。これらは正のサイズに対する定義ですが,負のサイズに対しては,オープニングをサイズの絶対値によるクロージングに置き換えて定義します。オープニングとクロージングは双対な演算ですから,負のサイズに対するサイズ分布関数・サイズ密度関数は,画像の背景(物体以外の部分)について各サイズ(の絶対値)に対応する部分の面積を求めていることになります。図 2に granulometry
の計算の過程を示します。
サイズ密度関数の評価
サイズ密度関数を定義すると,確率密度関数の場合と同様に,次のような量を定義して画像を評価することができます。以下,離散の場合のみ示しますが,連続の場合も総和が積分になるだけです。また,N は画像X に含まれる最大のサイズを表します。
・サイズの平均 (mean)
E(X,B) =N!
r=0
rpX,B(r). (6)
この値は画像X の構造要素 Bによるサイズの平均を意味します。平均はすなわち 1次モーメントですが,2次モーメント(分散),さらに高次のモーメントも定義でき,これらによってサイズ密度関数を特徴づけることができます。これらのモーメントを granulometric momentsといいます。
・サイズのエントロピー (entropy)
H(X,B) = −N!
r=0
log pX,B(r). (7)
この値は,画像Xの構造要素Bに対する「平均粗さ (roughness)」を表します。H(X,B) = 0のときは,X はひとつのサイズのBしか含まないことになり,粗さは最低です。H(X,B) = log(N + 1)/(N + 1)
すなわちその最大値のときは,Xは各サイズのBをまんべんなく含んでおり,最大の粗さということになります。
スケルトンとmedial axis transform
スケルトン (skeleton) とは「骨格」の意味で,モルフォロジーでは画像中の物体を削り取って骨組みにすることをいいます。このような骨組みを求める方法には,さまざまなものがありますが,モルフォロジーにおけるスケルトンでは,スケルトンから逆に物体が再現できるという特徴があります。
物体をX とするとき,構造要素Bによるスケルトン SK(X,B)は次のように定義されます。
Sn(X,B) = (X ⊖ nB)− (X ⊖ nB)B,
SK(X,B) ="
n
Sn(X,B). (8)
スケルトン SK(X,B)からは物体は再現できませんが,Sn(X,B)からは物体が再現できます。また,物体中の各画素に,それを含むスケルトン部分関数の nの値を対応させたものを,medial axis transform
といいます。Sn(X,B)からの物体X の再現は,次の計算で行なえます。
X ="
n
#!
n
(X,B)⊕ nB
$. (9)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 3/4 ページ
![Page 86: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/86.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数の評価
サイズ密度関数は,確率密度関数と同じ性質をもつ
サイズの平均
と定義できます。これらは正のサイズに対する定義ですが,負のサイズに対しては,オープニングをサイズの絶対値によるクロージングに置き換えて定義します。オープニングとクロージングは双対な演算ですから,負のサイズに対するサイズ分布関数・サイズ密度関数は,画像の背景(物体以外の部分)について各サイズ(の絶対値)に対応する部分の面積を求めていることになります。図 2に granulometry
の計算の過程を示します。
サイズ密度関数の評価
サイズ密度関数を定義すると,確率密度関数の場合と同様に,次のような量を定義して画像を評価することができます。以下,離散の場合のみ示しますが,連続の場合も総和が積分になるだけです。また,N は画像X に含まれる最大のサイズを表します。
・サイズの平均 (mean)
E(X,B) =N!
r=0
rpX,B(r). (6)
この値は画像X の構造要素 Bによるサイズの平均を意味します。平均はすなわち 1次モーメントですが,2次モーメント(分散),さらに高次のモーメントも定義でき,これらによってサイズ密度関数を特徴づけることができます。これらのモーメントを granulometric momentsといいます。
・サイズのエントロピー (entropy)
H(X,B) = −N!
r=0
log pX,B(r). (7)
この値は,画像Xの構造要素Bに対する「平均粗さ (roughness)」を表します。H(X,B) = 0のときは,X はひとつのサイズのBしか含まないことになり,粗さは最低です。H(X,B) = log(N + 1)/(N + 1)
すなわちその最大値のときは,Xは各サイズのBをまんべんなく含んでおり,最大の粗さということになります。
スケルトンとmedial axis transform
スケルトン (skeleton) とは「骨格」の意味で,モルフォロジーでは画像中の物体を削り取って骨組みにすることをいいます。このような骨組みを求める方法には,さまざまなものがありますが,モルフォロジーにおけるスケルトンでは,スケルトンから逆に物体が再現できるという特徴があります。
物体をX とするとき,構造要素Bによるスケルトン SK(X,B)は次のように定義されます。
Sn(X,B) = (X ⊖ nB)− (X ⊖ nB)B,
SK(X,B) ="
n
Sn(X,B). (8)
スケルトン SK(X,B)からは物体は再現できませんが,Sn(X,B)からは物体が再現できます。また,物体中の各画素に,それを含むスケルトン部分関数の nの値を対応させたものを,medial axis transform
といいます。Sn(X,B)からの物体X の再現は,次の計算で行なえます。
X ="
n
#!
n
(X,B)⊕ nB
$. (9)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 3/4 ページ
サイズrの 密度関数の値
サイズ
高次のモーメントも計算できる (granulometric moments)
サイズのエントロピー
と定義できます。これらは正のサイズに対する定義ですが,負のサイズに対しては,オープニングをサイズの絶対値によるクロージングに置き換えて定義します。オープニングとクロージングは双対な演算ですから,負のサイズに対するサイズ分布関数・サイズ密度関数は,画像の背景(物体以外の部分)について各サイズ(の絶対値)に対応する部分の面積を求めていることになります。図 2に granulometry
の計算の過程を示します。
サイズ密度関数の評価
サイズ密度関数を定義すると,確率密度関数の場合と同様に,次のような量を定義して画像を評価することができます。以下,離散の場合のみ示しますが,連続の場合も総和が積分になるだけです。また,N は画像X に含まれる最大のサイズを表します。
・サイズの平均 (mean)
E(X,B) =N!
r=0
rpX,B(r). (6)
この値は画像X の構造要素 Bによるサイズの平均を意味します。平均はすなわち 1次モーメントですが,2次モーメント(分散),さらに高次のモーメントも定義でき,これらによってサイズ密度関数を特徴づけることができます。これらのモーメントを granulometric momentsといいます。
・サイズのエントロピー (entropy)
H(X,B) = −N!
r=0
log pX,B(r). (7)
この値は,画像Xの構造要素Bに対する「平均粗さ (roughness)」を表します。H(X,B) = 0のときは,X はひとつのサイズのBしか含まないことになり,粗さは最低です。H(X,B) = log(N + 1)/(N + 1)
すなわちその最大値のときは,Xは各サイズのBをまんべんなく含んでおり,最大の粗さということになります。
スケルトンとmedial axis transform
スケルトン (skeleton) とは「骨格」の意味で,モルフォロジーでは画像中の物体を削り取って骨組みにすることをいいます。このような骨組みを求める方法には,さまざまなものがありますが,モルフォロジーにおけるスケルトンでは,スケルトンから逆に物体が再現できるという特徴があります。
物体をX とするとき,構造要素Bによるスケルトン SK(X,B)は次のように定義されます。
Sn(X,B) = (X ⊖ nB)− (X ⊖ nB)B,
SK(X,B) ="
n
Sn(X,B). (8)
スケルトン SK(X,B)からは物体は再現できませんが,Sn(X,B)からは物体が再現できます。また,物体中の各画素に,それを含むスケルトン部分関数の nの値を対応させたものを,medial axis transform
といいます。Sn(X,B)からの物体X の再現は,次の計算で行なえます。
X ="
n
#!
n
(X,B)⊕ nB
$. (9)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 3/4 ページ
![Page 87: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/87.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ密度関数の評価
サイズ密度関数は,確率密度関数と同じ性質をもつ
サイズの平均
と定義できます。これらは正のサイズに対する定義ですが,負のサイズに対しては,オープニングをサイズの絶対値によるクロージングに置き換えて定義します。オープニングとクロージングは双対な演算ですから,負のサイズに対するサイズ分布関数・サイズ密度関数は,画像の背景(物体以外の部分)について各サイズ(の絶対値)に対応する部分の面積を求めていることになります。図 2に granulometry
の計算の過程を示します。
サイズ密度関数の評価
サイズ密度関数を定義すると,確率密度関数の場合と同様に,次のような量を定義して画像を評価することができます。以下,離散の場合のみ示しますが,連続の場合も総和が積分になるだけです。また,N は画像X に含まれる最大のサイズを表します。
・サイズの平均 (mean)
E(X,B) =N!
r=0
rpX,B(r). (6)
この値は画像X の構造要素 Bによるサイズの平均を意味します。平均はすなわち 1次モーメントですが,2次モーメント(分散),さらに高次のモーメントも定義でき,これらによってサイズ密度関数を特徴づけることができます。これらのモーメントを granulometric momentsといいます。
・サイズのエントロピー (entropy)
H(X,B) = −N!
r=0
log pX,B(r). (7)
この値は,画像Xの構造要素Bに対する「平均粗さ (roughness)」を表します。H(X,B) = 0のときは,X はひとつのサイズのBしか含まないことになり,粗さは最低です。H(X,B) = log(N + 1)/(N + 1)
すなわちその最大値のときは,Xは各サイズのBをまんべんなく含んでおり,最大の粗さということになります。
スケルトンとmedial axis transform
スケルトン (skeleton) とは「骨格」の意味で,モルフォロジーでは画像中の物体を削り取って骨組みにすることをいいます。このような骨組みを求める方法には,さまざまなものがありますが,モルフォロジーにおけるスケルトンでは,スケルトンから逆に物体が再現できるという特徴があります。
物体をX とするとき,構造要素Bによるスケルトン SK(X,B)は次のように定義されます。
Sn(X,B) = (X ⊖ nB)− (X ⊖ nB)B,
SK(X,B) ="
n
Sn(X,B). (8)
スケルトン SK(X,B)からは物体は再現できませんが,Sn(X,B)からは物体が再現できます。また,物体中の各画素に,それを含むスケルトン部分関数の nの値を対応させたものを,medial axis transform
といいます。Sn(X,B)からの物体X の再現は,次の計算で行なえます。
X ="
n
#!
n
(X,B)⊕ nB
$. (9)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 3/4 ページ
サイズrの 密度関数の値
サイズ
高次のモーメントも計算できる (granulometric moments)
サイズのエントロピー
と定義できます。これらは正のサイズに対する定義ですが,負のサイズに対しては,オープニングをサイズの絶対値によるクロージングに置き換えて定義します。オープニングとクロージングは双対な演算ですから,負のサイズに対するサイズ分布関数・サイズ密度関数は,画像の背景(物体以外の部分)について各サイズ(の絶対値)に対応する部分の面積を求めていることになります。図 2に granulometry
の計算の過程を示します。
サイズ密度関数の評価
サイズ密度関数を定義すると,確率密度関数の場合と同様に,次のような量を定義して画像を評価することができます。以下,離散の場合のみ示しますが,連続の場合も総和が積分になるだけです。また,N は画像X に含まれる最大のサイズを表します。
・サイズの平均 (mean)
E(X,B) =N!
r=0
rpX,B(r). (6)
この値は画像X の構造要素 Bによるサイズの平均を意味します。平均はすなわち 1次モーメントですが,2次モーメント(分散),さらに高次のモーメントも定義でき,これらによってサイズ密度関数を特徴づけることができます。これらのモーメントを granulometric momentsといいます。
・サイズのエントロピー (entropy)
H(X,B) = −N!
r=0
log pX,B(r). (7)
この値は,画像Xの構造要素Bに対する「平均粗さ (roughness)」を表します。H(X,B) = 0のときは,X はひとつのサイズのBしか含まないことになり,粗さは最低です。H(X,B) = log(N + 1)/(N + 1)
すなわちその最大値のときは,Xは各サイズのBをまんべんなく含んでおり,最大の粗さということになります。
スケルトンとmedial axis transform
スケルトン (skeleton) とは「骨格」の意味で,モルフォロジーでは画像中の物体を削り取って骨組みにすることをいいます。このような骨組みを求める方法には,さまざまなものがありますが,モルフォロジーにおけるスケルトンでは,スケルトンから逆に物体が再現できるという特徴があります。
物体をX とするとき,構造要素Bによるスケルトン SK(X,B)は次のように定義されます。
Sn(X,B) = (X ⊖ nB)− (X ⊖ nB)B,
SK(X,B) ="
n
Sn(X,B). (8)
スケルトン SK(X,B)からは物体は再現できませんが,Sn(X,B)からは物体が再現できます。また,物体中の各画素に,それを含むスケルトン部分関数の nの値を対応させたものを,medial axis transform
といいます。Sn(X,B)からの物体X の再現は,次の計算で行なえます。
X ="
n
#!
n
(X,B)⊕ nB
$. (9)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 3/4 ページ
各サイズをどのくらいまんべんなく含んでいるか
![Page 88: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/88.jpg)
2014
A. A
sano
, Kan
sai U
niv.
可能なサイズの定義
こういう操作ができるためには, XnB ⊇ X(n+1)Bでなければならない
画像間の 差分
5B1Bで opening 2B 3B 4B原図形
![Page 89: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/89.jpg)
2014
A. A
sano
, Kan
sai U
niv.
可能なサイズの定義
こういう操作ができるためには, XnB ⊇ X(n+1)Bでなければならない
画像間の 差分
5B1Bで opening 2B 3B 4B原図形
![Page 90: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/90.jpg)
2014
A. A
sano
, Kan
sai U
niv.
可能なサイズの定義
こういう操作ができるためには, XnB ⊇ X(n+1)Bでなければならない
画像間の 差分
5B1Bで opening 2B 3B 4B原図形
![Page 91: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/91.jpg)
2014
A. A
sano
, Kan
sai U
niv.
可能なサイズの定義
こういう操作ができるためには, XnB ⊇ X(n+1)Bでなければならない
画像間の 差分
5B1Bで opening 2B 3B 4B原図形
その十分条件は nB ⊆ (n+1)B ではない
![Page 92: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/92.jpg)
2014
A. A
sano
, Kan
sai U
niv.
可能なサイズの定義
もしこうなら, nB ⊆ (n+1)B ではあるが,
nB (n+1)B
![Page 93: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/93.jpg)
2014
A. A
sano
, Kan
sai U
niv.
可能なサイズの定義
もしこうなら, nB ⊆ (n+1)B ではあるが,
nB (n+1)B
X がこうなら
![Page 94: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/94.jpg)
2014
A. A
sano
, Kan
sai U
niv.
可能なサイズの定義
もしこうなら, nB ⊆ (n+1)B ではあるが,
nB (n+1)B
X がこうなら
XnB X(n+1)B
![Page 95: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/95.jpg)
2014
A. A
sano
, Kan
sai U
niv.
可能なサイズの定義
こうなって,XnB ⊇ X(n+1)Bにならない
もしこうなら, nB ⊆ (n+1)B ではあるが,
nB (n+1)B
X がこうなら
XnB X(n+1)B
![Page 96: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/96.jpg)
2014
A. A
sano
, Kan
sai U
niv.
可能なサイズの定義
こうなって,XnB ⊇ X(n+1)Bにならない
もしこうなら, nB ⊆ (n+1)B ではあるが,
nB (n+1)B
X がこうなら
XnB X(n+1)B
この部分が nBよりも 小さいのが原因
![Page 97: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/97.jpg)
2014
A. A
sano
, Kan
sai U
niv.
可能なサイズの定義
こうなって,XnB ⊇ X(n+1)Bにならない
もしこうなら, nB ⊆ (n+1)B ではあるが,
nB (n+1)B
X がこうなら
XnB X(n+1)B
この部分が nBよりも 小さいのが原因
正しい十分条件は (n+1)BnB = (n+1)B (nBでオープニングしても変化しない) !「 (n+1)Bは nB-open である」
![Page 98: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/98.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ分布の応用例A. Asano, S. Hayashi, M. Muneyasu, M. Furumura, and J. Nakayama, "Application of morphological size distribution analysis to the evaluation of anti-aging treatments for skin rejuvenation," Proc. SCIS & ISIS 2006
![Page 99: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/99.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ分布の応用例
真皮コラーゲン画像
光・電磁波を照射して キメの細かさを取り戻す
A. Asano, S. Hayashi, M. Muneyasu, M. Furumura, and J. Nakayama, "Application of morphological size distribution analysis to the evaluation of anti-aging treatments for skin rejuvenation," Proc. SCIS & ISIS 2006
![Page 100: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/100.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ分布の応用例
真皮コラーゲン画像
2値化画像
照射前
光・電磁波を照射して キメの細かさを取り戻す
A. Asano, S. Hayashi, M. Muneyasu, M. Furumura, and J. Nakayama, "Application of morphological size distribution analysis to the evaluation of anti-aging treatments for skin rejuvenation," Proc. SCIS & ISIS 2006
![Page 101: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/101.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ分布の応用例
真皮コラーゲン画像
2値化画像 サイズ分布
照射前
光・電磁波を照射して キメの細かさを取り戻す
←細かい 粗い→
A. Asano, S. Hayashi, M. Muneyasu, M. Furumura, and J. Nakayama, "Application of morphological size distribution analysis to the evaluation of anti-aging treatments for skin rejuvenation," Proc. SCIS & ISIS 2006
![Page 102: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/102.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ分布の応用例
真皮コラーゲン画像
2値化画像 サイズ分布
照射前
光のみ,3週間後
光・電磁波を照射して キメの細かさを取り戻す
←細かい 粗い→
A. Asano, S. Hayashi, M. Muneyasu, M. Furumura, and J. Nakayama, "Application of morphological size distribution analysis to the evaluation of anti-aging treatments for skin rejuvenation," Proc. SCIS & ISIS 2006
![Page 103: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/103.jpg)
2014
A. A
sano
, Kan
sai U
niv.
サイズ分布の応用例
真皮コラーゲン画像
2値化画像 サイズ分布
照射前
光のみ,3週間後
光と電磁波 3週間後
光・電磁波を照射して キメの細かさを取り戻す
←細かい 粗い→
A. Asano, S. Hayashi, M. Muneyasu, M. Furumura, and J. Nakayama, "Application of morphological size distribution analysis to the evaluation of anti-aging treatments for skin rejuvenation," Proc. SCIS & ISIS 2006
![Page 104: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/104.jpg)
A. A
sano
, Kan
sai U
niv.
![Page 105: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/105.jpg)
A. A
sano
, Kan
sai U
niv.
スケルトン
![Page 106: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/106.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトン図形の中心線を求める
![Page 107: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/107.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトン図形の中心線を求める
原図形
![Page 108: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/108.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトン図形の中心線を求める
原図形 構造要素
![Page 109: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/109.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトン図形の中心線を求める
原図形 構造要素のできるだけ 大きな相似形を配置
構造要素
![Page 110: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/110.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトン図形の中心線を求める
原図形 構造要素のできるだけ 大きな相似形を配置
構造要素
![Page 111: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/111.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトン図形の中心線を求める
原図形 構造要素のできるだけ 大きな相似形を配置
構造要素
![Page 112: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/112.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトン図形の中心線を求める
原点の集合=スケルトン
原図形 構造要素のできるだけ 大きな相似形を配置
構造要素
![Page 113: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/113.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトン図形の中心線を求める
原点の集合=スケルトン
原図形 構造要素のできるだけ 大きな相似形を配置
構造要素
スケルトンの各点に,どのサイズの相似形を配置するかを記録しておけば, 元の図形が再現可能(medial axis transform)
![Page 114: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/114.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトン
スケルトンのうち,サイズnの 相似形を貼付ける点(スケルトン部分関数)
と定義できます。これらは正のサイズに対する定義ですが,負のサイズに対しては,オープニングをサイズの絶対値によるクロージングに置き換えて定義します。オープニングとクロージングは双対な演算ですから,負のサイズに対するサイズ分布関数・サイズ密度関数は,画像の背景(物体以外の部分)について各サイズ(の絶対値)に対応する部分の面積を求めていることになります。図 2に granulometry
の計算の過程を示します。
サイズ密度関数の評価
サイズ密度関数を定義すると,確率密度関数の場合と同様に,次のような量を定義して画像を評価することができます。以下,離散の場合のみ示しますが,連続の場合も総和が積分になるだけです。また,N は画像X に含まれる最大のサイズを表します。
・サイズの平均 (mean)
E(X,B) =N!
r=0
rpX,B(r). (6)
この値は画像X の構造要素 Bによるサイズの平均を意味します。平均はすなわち 1次モーメントですが,2次モーメント(分散),さらに高次のモーメントも定義でき,これらによってサイズ密度関数を特徴づけることができます。これらのモーメントを granulometric momentsといいます。
・サイズのエントロピー (entropy)
H(X,B) = −N!
r=0
log pX,B(r). (7)
この値は,画像Xの構造要素Bに対する「平均粗さ (roughness)」を表します。H(X,B) = 0のときは,X はひとつのサイズのBしか含まないことになり,粗さは最低です。H(X,B) = log(N + 1)/(N + 1)
すなわちその最大値のときは,Xは各サイズのBをまんべんなく含んでおり,最大の粗さということになります。
スケルトンとmedial axis transform
スケルトン (skeleton) とは「骨格」の意味で,モルフォロジーでは画像中の物体を削り取って骨組みにすることをいいます。このような骨組みを求める方法には,さまざまなものがありますが,モルフォロジーにおけるスケルトンでは,スケルトンから逆に物体が再現できるという特徴があります。
物体をX とするとき,構造要素Bによるスケルトン SK(X,B)は次のように定義されます。
Sn(X,B) = (X ⊖ nB)− (X ⊖ nB)B,
SK(X,B) ="
n
Sn(X,B). (8)
スケルトン SK(X,B)からは物体は再現できませんが,Sn(X,B)からは物体が再現できます。また,物体中の各画素に,それを含むスケルトン部分関数の nの値を対応させたものを,medial axis transform
といいます。Sn(X,B)からの物体X の再現は,次の計算で行なえます。
X ="
n
#!
n
(X,B)⊕ nB
$. (9)
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 3/4 ページ
証明は,次のとおりです。
[Sn(X,B)⊕ nB]
=!(X ⊖ nB)− (X ⊖ nB)B
"⊕ nB
= (X ⊖ nB)⊕ nB − (X ⊖ nB)B ⊕ nB
= (X ⊖ nB)⊕ nB − (X ⊖ nB ⊖ B ⊕B)⊕ nB
= X ⊖ nB ⊕ nB −X ⊖ (n+ 1)B ⊕ (n+ 1)B
= XnB −X(n+1)B. (10)
となるので,#
n
[Sn(X,B)⊕ nB]
=#
n
!XnB −X(n+1)B
"
= (X −XB) ∪ (XB −X2B) ∪ (X2B −X3B) ∪ · · · (11)
となります。(A−B)∪ (B −C) = A−Cであり,nが十分大きいときXnB = ∅ですから,(11)式の右辺はX となります。
(8)式は,直観的にはどういう意味を表しているのでしょうか? X ⊖ nBは「構造要素の相似形 nB
をXの内部に敷き詰めたときの,nBの中心の軌跡」です。このとき,(X ⊖ nB)Bは,「nBの中心の軌跡」をサイズ 1の構造要素 1Bでオープニングしたものです。ということは,(X ⊖ nB)B のサイズは 1
以上なので,(X ⊖ nB)の内部にその中心が位置するような nBのうち,(X ⊖ nB)B の内部にその中心が位置するようなものは,それよりもサイズが 1以上大きい相似形をX の内部に配置することで,nB
全体を覆うだけの余裕があります。
したがって,(X ⊖ nB)から (X ⊖ nB)B を取り除いた (X ⊖ nB)− (X ⊖ nB)B は,「nBのうち,物体X の隅に配置されているために,X の内部で nより大きなサイズの相似形で覆うことができないもの」,すなわち物体X を構成するのに必須の相似形の中心の位置で,これがスケルトンとなります。
+
XnB
Xo– nB
B
(X o– nB) – (Xo– nB)B
V V
V
nB(n+α)B
++
この相似形nBは,Bの内部のそれより大きな相似形で覆うことができない
この相似形nBは,Bの内部のそれより大きな相似形(n+α)Bで覆うことができる
図 3: (8)式の意味
物体X
構造要素の相似形nBを敷き詰める
nBの中心の軌跡=スケルトン
図 4: スケルトンの導出
浅野 晃/画像情報処理(2013 年度春学期) 第11回 (2013. 6. 19) http://racco.mikeneko.jp/ 4/4 ページ
![Page 115: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/115.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトンの応用歯科パノラマX線画像を用いた骨粗鬆症診断
![Page 116: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/116.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトンの応用
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 3
(a) (b)
(c)
図 4.2 皮質骨像の違い.(a) 正常例.(b) 骨粗鬆症疑い例.(c) 骨粗鬆症例.
造要素を用いてスケルトン演算を行うことを考える.この演算は,グレースケール画像をしきい値分解によって各2値画像(クロスセクション)に分解し,各2値画像に対してスケルトン演算を行って,その結果を重ね合わせたものに相当する.その結果,図 4.3(a)のように一様な濃度をもつ領域に対しては,スケルトンは一本の明瞭な線となるが,図 4.3(b) のように濃度にムラがあると,それらのムラは多数の物体の集まりとみなされ,各物体に対してそれぞれスケルトンが得られるので,その結果無数の細かなスケルトンが得られることになる.図 4.4は,正常例と骨粗鬆症例の皮質骨像に対して,スケルトン演算を適用し
た例である.スケルトンを求めた後2値化すると,正常例では1本の明瞭な線が得られるのに対して,骨粗鬆症例では多数の短い線素が現れる.この違いを利用して,骨粗鬆症かどうかを診断することができる.本研究では,現在もっとも信頼性が高いとされている腰椎二重X線吸収法 (DXA)
によって骨密度を測定した 100人の被験者の歯科パノラマX線画像を用意した.こ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 3
(a) (b)
(c)
図 4.2 皮質骨像の違い.(a) 正常例.(b) 骨粗鬆症疑い例.(c) 骨粗鬆症例.
造要素を用いてスケルトン演算を行うことを考える.この演算は,グレースケール画像をしきい値分解によって各2値画像(クロスセクション)に分解し,各2値画像に対してスケルトン演算を行って,その結果を重ね合わせたものに相当する.その結果,図 4.3(a)のように一様な濃度をもつ領域に対しては,スケルトンは一本の明瞭な線となるが,図 4.3(b) のように濃度にムラがあると,それらのムラは多数の物体の集まりとみなされ,各物体に対してそれぞれスケルトンが得られるので,その結果無数の細かなスケルトンが得られることになる.図 4.4は,正常例と骨粗鬆症例の皮質骨像に対して,スケルトン演算を適用し
た例である.スケルトンを求めた後2値化すると,正常例では1本の明瞭な線が得られるのに対して,骨粗鬆症例では多数の短い線素が現れる.この違いを利用して,骨粗鬆症かどうかを診断することができる.本研究では,現在もっとも信頼性が高いとされている腰椎二重X線吸収法 (DXA)
によって骨密度を測定した 100人の被験者の歯科パノラマX線画像を用意した.こ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 3
(a) (b)
(c)
図 4.2 皮質骨像の違い.(a) 正常例.(b) 骨粗鬆症疑い例.(c) 骨粗鬆症例.
造要素を用いてスケルトン演算を行うことを考える.この演算は,グレースケール画像をしきい値分解によって各2値画像(クロスセクション)に分解し,各2値画像に対してスケルトン演算を行って,その結果を重ね合わせたものに相当する.その結果,図 4.3(a)のように一様な濃度をもつ領域に対しては,スケルトンは一本の明瞭な線となるが,図 4.3(b) のように濃度にムラがあると,それらのムラは多数の物体の集まりとみなされ,各物体に対してそれぞれスケルトンが得られるので,その結果無数の細かなスケルトンが得られることになる.図 4.4は,正常例と骨粗鬆症例の皮質骨像に対して,スケルトン演算を適用し
た例である.スケルトンを求めた後2値化すると,正常例では1本の明瞭な線が得られるのに対して,骨粗鬆症例では多数の短い線素が現れる.この違いを利用して,骨粗鬆症かどうかを診断することができる.本研究では,現在もっとも信頼性が高いとされている腰椎二重X線吸収法 (DXA)
によって骨密度を測定した 100人の被験者の歯科パノラマX線画像を用意した.こ
皮質骨形状○ △ ×
Taguchi et al. BONE, 2008
歯科パノラマX線画像を用いた骨粗鬆症診断
![Page 117: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/117.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトンの応用
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 3
(a) (b)
(c)
図 4.2 皮質骨像の違い.(a) 正常例.(b) 骨粗鬆症疑い例.(c) 骨粗鬆症例.
造要素を用いてスケルトン演算を行うことを考える.この演算は,グレースケール画像をしきい値分解によって各2値画像(クロスセクション)に分解し,各2値画像に対してスケルトン演算を行って,その結果を重ね合わせたものに相当する.その結果,図 4.3(a)のように一様な濃度をもつ領域に対しては,スケルトンは一本の明瞭な線となるが,図 4.3(b) のように濃度にムラがあると,それらのムラは多数の物体の集まりとみなされ,各物体に対してそれぞれスケルトンが得られるので,その結果無数の細かなスケルトンが得られることになる.図 4.4は,正常例と骨粗鬆症例の皮質骨像に対して,スケルトン演算を適用し
た例である.スケルトンを求めた後2値化すると,正常例では1本の明瞭な線が得られるのに対して,骨粗鬆症例では多数の短い線素が現れる.この違いを利用して,骨粗鬆症かどうかを診断することができる.本研究では,現在もっとも信頼性が高いとされている腰椎二重X線吸収法 (DXA)
によって骨密度を測定した 100人の被験者の歯科パノラマX線画像を用意した.こ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 3
(a) (b)
(c)
図 4.2 皮質骨像の違い.(a) 正常例.(b) 骨粗鬆症疑い例.(c) 骨粗鬆症例.
造要素を用いてスケルトン演算を行うことを考える.この演算は,グレースケール画像をしきい値分解によって各2値画像(クロスセクション)に分解し,各2値画像に対してスケルトン演算を行って,その結果を重ね合わせたものに相当する.その結果,図 4.3(a)のように一様な濃度をもつ領域に対しては,スケルトンは一本の明瞭な線となるが,図 4.3(b) のように濃度にムラがあると,それらのムラは多数の物体の集まりとみなされ,各物体に対してそれぞれスケルトンが得られるので,その結果無数の細かなスケルトンが得られることになる.図 4.4は,正常例と骨粗鬆症例の皮質骨像に対して,スケルトン演算を適用し
た例である.スケルトンを求めた後2値化すると,正常例では1本の明瞭な線が得られるのに対して,骨粗鬆症例では多数の短い線素が現れる.この違いを利用して,骨粗鬆症かどうかを診断することができる.本研究では,現在もっとも信頼性が高いとされている腰椎二重X線吸収法 (DXA)
によって骨密度を測定した 100人の被験者の歯科パノラマX線画像を用意した.こ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 3
(a) (b)
(c)
図 4.2 皮質骨像の違い.(a) 正常例.(b) 骨粗鬆症疑い例.(c) 骨粗鬆症例.
造要素を用いてスケルトン演算を行うことを考える.この演算は,グレースケール画像をしきい値分解によって各2値画像(クロスセクション)に分解し,各2値画像に対してスケルトン演算を行って,その結果を重ね合わせたものに相当する.その結果,図 4.3(a)のように一様な濃度をもつ領域に対しては,スケルトンは一本の明瞭な線となるが,図 4.3(b) のように濃度にムラがあると,それらのムラは多数の物体の集まりとみなされ,各物体に対してそれぞれスケルトンが得られるので,その結果無数の細かなスケルトンが得られることになる.図 4.4は,正常例と骨粗鬆症例の皮質骨像に対して,スケルトン演算を適用し
た例である.スケルトンを求めた後2値化すると,正常例では1本の明瞭な線が得られるのに対して,骨粗鬆症例では多数の短い線素が現れる.この違いを利用して,骨粗鬆症かどうかを診断することができる.本研究では,現在もっとも信頼性が高いとされている腰椎二重X線吸収法 (DXA)
によって骨密度を測定した 100人の被験者の歯科パノラマX線画像を用意した.こ
皮質骨形状○ △ ×
Taguchi et al. BONE, 2008
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
スケルトン化で自動診断○ ×
Nakamoto et al. Dentomaxillofacial Radiology, 2008
歯科パノラマX線画像を用いた骨粗鬆症診断
![Page 118: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/118.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトンの応用
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 3
(a) (b)
(c)
図 4.2 皮質骨像の違い.(a) 正常例.(b) 骨粗鬆症疑い例.(c) 骨粗鬆症例.
造要素を用いてスケルトン演算を行うことを考える.この演算は,グレースケール画像をしきい値分解によって各2値画像(クロスセクション)に分解し,各2値画像に対してスケルトン演算を行って,その結果を重ね合わせたものに相当する.その結果,図 4.3(a)のように一様な濃度をもつ領域に対しては,スケルトンは一本の明瞭な線となるが,図 4.3(b) のように濃度にムラがあると,それらのムラは多数の物体の集まりとみなされ,各物体に対してそれぞれスケルトンが得られるので,その結果無数の細かなスケルトンが得られることになる.図 4.4は,正常例と骨粗鬆症例の皮質骨像に対して,スケルトン演算を適用し
た例である.スケルトンを求めた後2値化すると,正常例では1本の明瞭な線が得られるのに対して,骨粗鬆症例では多数の短い線素が現れる.この違いを利用して,骨粗鬆症かどうかを診断することができる.本研究では,現在もっとも信頼性が高いとされている腰椎二重X線吸収法 (DXA)
によって骨密度を測定した 100人の被験者の歯科パノラマX線画像を用意した.こ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 3
(a) (b)
(c)
図 4.2 皮質骨像の違い.(a) 正常例.(b) 骨粗鬆症疑い例.(c) 骨粗鬆症例.
造要素を用いてスケルトン演算を行うことを考える.この演算は,グレースケール画像をしきい値分解によって各2値画像(クロスセクション)に分解し,各2値画像に対してスケルトン演算を行って,その結果を重ね合わせたものに相当する.その結果,図 4.3(a)のように一様な濃度をもつ領域に対しては,スケルトンは一本の明瞭な線となるが,図 4.3(b) のように濃度にムラがあると,それらのムラは多数の物体の集まりとみなされ,各物体に対してそれぞれスケルトンが得られるので,その結果無数の細かなスケルトンが得られることになる.図 4.4は,正常例と骨粗鬆症例の皮質骨像に対して,スケルトン演算を適用し
た例である.スケルトンを求めた後2値化すると,正常例では1本の明瞭な線が得られるのに対して,骨粗鬆症例では多数の短い線素が現れる.この違いを利用して,骨粗鬆症かどうかを診断することができる.本研究では,現在もっとも信頼性が高いとされている腰椎二重X線吸収法 (DXA)
によって骨密度を測定した 100人の被験者の歯科パノラマX線画像を用意した.こ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 3
(a) (b)
(c)
図 4.2 皮質骨像の違い.(a) 正常例.(b) 骨粗鬆症疑い例.(c) 骨粗鬆症例.
造要素を用いてスケルトン演算を行うことを考える.この演算は,グレースケール画像をしきい値分解によって各2値画像(クロスセクション)に分解し,各2値画像に対してスケルトン演算を行って,その結果を重ね合わせたものに相当する.その結果,図 4.3(a)のように一様な濃度をもつ領域に対しては,スケルトンは一本の明瞭な線となるが,図 4.3(b) のように濃度にムラがあると,それらのムラは多数の物体の集まりとみなされ,各物体に対してそれぞれスケルトンが得られるので,その結果無数の細かなスケルトンが得られることになる.図 4.4は,正常例と骨粗鬆症例の皮質骨像に対して,スケルトン演算を適用し
た例である.スケルトンを求めた後2値化すると,正常例では1本の明瞭な線が得られるのに対して,骨粗鬆症例では多数の短い線素が現れる.この違いを利用して,骨粗鬆症かどうかを診断することができる.本研究では,現在もっとも信頼性が高いとされている腰椎二重X線吸収法 (DXA)
によって骨密度を測定した 100人の被験者の歯科パノラマX線画像を用意した.こ
皮質骨形状○ △ ×
Taguchi et al. BONE, 2008
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
スケルトン化で自動診断○ ×
Nakamoto et al. Dentomaxillofacial Radiology, 2008
骨梁の密度・方向○ ×
Asano et al. ICPR, 2006
歯科パノラマX線画像を用いた骨粗鬆症診断
![Page 119: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/119.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトンの応用
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 3
(a) (b)
(c)
図 4.2 皮質骨像の違い.(a) 正常例.(b) 骨粗鬆症疑い例.(c) 骨粗鬆症例.
造要素を用いてスケルトン演算を行うことを考える.この演算は,グレースケール画像をしきい値分解によって各2値画像(クロスセクション)に分解し,各2値画像に対してスケルトン演算を行って,その結果を重ね合わせたものに相当する.その結果,図 4.3(a)のように一様な濃度をもつ領域に対しては,スケルトンは一本の明瞭な線となるが,図 4.3(b) のように濃度にムラがあると,それらのムラは多数の物体の集まりとみなされ,各物体に対してそれぞれスケルトンが得られるので,その結果無数の細かなスケルトンが得られることになる.図 4.4は,正常例と骨粗鬆症例の皮質骨像に対して,スケルトン演算を適用し
た例である.スケルトンを求めた後2値化すると,正常例では1本の明瞭な線が得られるのに対して,骨粗鬆症例では多数の短い線素が現れる.この違いを利用して,骨粗鬆症かどうかを診断することができる.本研究では,現在もっとも信頼性が高いとされている腰椎二重X線吸収法 (DXA)
によって骨密度を測定した 100人の被験者の歯科パノラマX線画像を用意した.こ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 3
(a) (b)
(c)
図 4.2 皮質骨像の違い.(a) 正常例.(b) 骨粗鬆症疑い例.(c) 骨粗鬆症例.
造要素を用いてスケルトン演算を行うことを考える.この演算は,グレースケール画像をしきい値分解によって各2値画像(クロスセクション)に分解し,各2値画像に対してスケルトン演算を行って,その結果を重ね合わせたものに相当する.その結果,図 4.3(a)のように一様な濃度をもつ領域に対しては,スケルトンは一本の明瞭な線となるが,図 4.3(b) のように濃度にムラがあると,それらのムラは多数の物体の集まりとみなされ,各物体に対してそれぞれスケルトンが得られるので,その結果無数の細かなスケルトンが得られることになる.図 4.4は,正常例と骨粗鬆症例の皮質骨像に対して,スケルトン演算を適用し
た例である.スケルトンを求めた後2値化すると,正常例では1本の明瞭な線が得られるのに対して,骨粗鬆症例では多数の短い線素が現れる.この違いを利用して,骨粗鬆症かどうかを診断することができる.本研究では,現在もっとも信頼性が高いとされている腰椎二重X線吸収法 (DXA)
によって骨密度を測定した 100人の被験者の歯科パノラマX線画像を用意した.こ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 3
(a) (b)
(c)
図 4.2 皮質骨像の違い.(a) 正常例.(b) 骨粗鬆症疑い例.(c) 骨粗鬆症例.
造要素を用いてスケルトン演算を行うことを考える.この演算は,グレースケール画像をしきい値分解によって各2値画像(クロスセクション)に分解し,各2値画像に対してスケルトン演算を行って,その結果を重ね合わせたものに相当する.その結果,図 4.3(a)のように一様な濃度をもつ領域に対しては,スケルトンは一本の明瞭な線となるが,図 4.3(b) のように濃度にムラがあると,それらのムラは多数の物体の集まりとみなされ,各物体に対してそれぞれスケルトンが得られるので,その結果無数の細かなスケルトンが得られることになる.図 4.4は,正常例と骨粗鬆症例の皮質骨像に対して,スケルトン演算を適用し
た例である.スケルトンを求めた後2値化すると,正常例では1本の明瞭な線が得られるのに対して,骨粗鬆症例では多数の短い線素が現れる.この違いを利用して,骨粗鬆症かどうかを診断することができる.本研究では,現在もっとも信頼性が高いとされている腰椎二重X線吸収法 (DXA)
によって骨密度を測定した 100人の被験者の歯科パノラマX線画像を用意した.こ
皮質骨形状○ △ ×
Taguchi et al. BONE, 2008
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
スケルトン化で自動診断○ ×
Nakamoto et al. Dentomaxillofacial Radiology, 2008
骨梁の密度・方向○ ×
Asano et al. ICPR, 2006
皮質骨厚み
Arifin et al. Osteoporosis International, 2006
薄いと骨粗鬆症
歯科パノラマX線画像を用いた骨粗鬆症診断
![Page 120: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/120.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトンの応用
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 3
(a) (b)
(c)
図 4.2 皮質骨像の違い.(a) 正常例.(b) 骨粗鬆症疑い例.(c) 骨粗鬆症例.
造要素を用いてスケルトン演算を行うことを考える.この演算は,グレースケール画像をしきい値分解によって各2値画像(クロスセクション)に分解し,各2値画像に対してスケルトン演算を行って,その結果を重ね合わせたものに相当する.その結果,図 4.3(a)のように一様な濃度をもつ領域に対しては,スケルトンは一本の明瞭な線となるが,図 4.3(b) のように濃度にムラがあると,それらのムラは多数の物体の集まりとみなされ,各物体に対してそれぞれスケルトンが得られるので,その結果無数の細かなスケルトンが得られることになる.図 4.4は,正常例と骨粗鬆症例の皮質骨像に対して,スケルトン演算を適用し
た例である.スケルトンを求めた後2値化すると,正常例では1本の明瞭な線が得られるのに対して,骨粗鬆症例では多数の短い線素が現れる.この違いを利用して,骨粗鬆症かどうかを診断することができる.本研究では,現在もっとも信頼性が高いとされている腰椎二重X線吸収法 (DXA)
によって骨密度を測定した 100人の被験者の歯科パノラマX線画像を用意した.こ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 3
(a) (b)
(c)
図 4.2 皮質骨像の違い.(a) 正常例.(b) 骨粗鬆症疑い例.(c) 骨粗鬆症例.
造要素を用いてスケルトン演算を行うことを考える.この演算は,グレースケール画像をしきい値分解によって各2値画像(クロスセクション)に分解し,各2値画像に対してスケルトン演算を行って,その結果を重ね合わせたものに相当する.その結果,図 4.3(a)のように一様な濃度をもつ領域に対しては,スケルトンは一本の明瞭な線となるが,図 4.3(b) のように濃度にムラがあると,それらのムラは多数の物体の集まりとみなされ,各物体に対してそれぞれスケルトンが得られるので,その結果無数の細かなスケルトンが得られることになる.図 4.4は,正常例と骨粗鬆症例の皮質骨像に対して,スケルトン演算を適用し
た例である.スケルトンを求めた後2値化すると,正常例では1本の明瞭な線が得られるのに対して,骨粗鬆症例では多数の短い線素が現れる.この違いを利用して,骨粗鬆症かどうかを診断することができる.本研究では,現在もっとも信頼性が高いとされている腰椎二重X線吸収法 (DXA)
によって骨密度を測定した 100人の被験者の歯科パノラマX線画像を用意した.こ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 3
(a) (b)
(c)
図 4.2 皮質骨像の違い.(a) 正常例.(b) 骨粗鬆症疑い例.(c) 骨粗鬆症例.
造要素を用いてスケルトン演算を行うことを考える.この演算は,グレースケール画像をしきい値分解によって各2値画像(クロスセクション)に分解し,各2値画像に対してスケルトン演算を行って,その結果を重ね合わせたものに相当する.その結果,図 4.3(a)のように一様な濃度をもつ領域に対しては,スケルトンは一本の明瞭な線となるが,図 4.3(b) のように濃度にムラがあると,それらのムラは多数の物体の集まりとみなされ,各物体に対してそれぞれスケルトンが得られるので,その結果無数の細かなスケルトンが得られることになる.図 4.4は,正常例と骨粗鬆症例の皮質骨像に対して,スケルトン演算を適用し
た例である.スケルトンを求めた後2値化すると,正常例では1本の明瞭な線が得られるのに対して,骨粗鬆症例では多数の短い線素が現れる.この違いを利用して,骨粗鬆症かどうかを診断することができる.本研究では,現在もっとも信頼性が高いとされている腰椎二重X線吸収法 (DXA)
によって骨密度を測定した 100人の被験者の歯科パノラマX線画像を用意した.こ
皮質骨形状○ △ ×
Taguchi et al. BONE, 2008
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
スケルトン化で自動診断○ ×
Nakamoto et al. Dentomaxillofacial Radiology, 2008
骨梁の密度・方向○ ×
Asano et al. ICPR, 2006
皮質骨厚み
Arifin et al. Osteoporosis International, 2006
薄いと骨粗鬆症
歯科パノラマX線画像を用いた骨粗鬆症診断
![Page 121: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/121.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトンの応用歯科パノラマX線画像を用いた骨粗鬆症診断
グレースケール画像のスケルトンを求める
![Page 122: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/122.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトンの応用歯科パノラマX線画像を用いた骨粗鬆症診断
明部・暗部それぞれで(階調断面ごとに)スケルトン化すると
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
○ ×
グレースケール画像のスケルトンを求める
![Page 123: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/123.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトンの応用歯科パノラマX線画像を用いた骨粗鬆症診断
明部・暗部それぞれで(階調断面ごとに)スケルトン化すると
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
○ ×
スケルトンが一直線に重なる→ムラがない
グレースケール画像のスケルトンを求める
![Page 124: 2014年度春学期 画像情報処理 第11回 Granulometryとスケルトン (2014. 7. 2.)](https://reader034.vdocuments.mx/reader034/viewer/2022042607/557dc743d8b42a8a4e8b4ff4/html5/thumbnails/124.jpg)
2014
A. A
sano
, Kan
sai U
niv.
スケルトンの応用歯科パノラマX線画像を用いた骨粗鬆症診断
明部・暗部それぞれで(階調断面ごとに)スケルトン化すると
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
20100226asano-chap4.3 : 2010/2/26(4:26)
4.3 医用画像処理への応用 5
(a) (b)
(c) (d)
(e) (f)
図 4.4 皮質骨像に対するスケルトン演算.(a)正常例の皮質骨像.(b)骨粗鬆症例の皮質骨像.(c)(a) のスケルトン.(d)(b) のスケルトン.(e)(c) を2値化.(f)(d)
を2値化.
い,まばらに一様な方向に配列されることによっておきる.そこで,熱を加えることで,コラーゲン粒子をランダムに再配列し,皮膚の若さをとりもどすことができる.上記の装置は,皮膚の外からパルス光を照射することで,真皮内のコラーゲンに熱を加える.しかし,光の照射だけで十分な熱を真皮内に拡散させようとすると,パルス光が直接照射されたところでは熱傷を起こしてしまう.そこで,パ
○ ×
スケルトンが一直線に重なる→ムラがない
スケルトンがばらばら→ムラがある
グレースケール画像のスケルトンを求める