| Budget Amount *help |
¥1,700,000 (Direct Cost: ¥1,700,000)
Fiscal Year 2001: ¥600,000 (Direct Cost: ¥600,000)
Fiscal Year 2000: ¥1,100,000 (Direct Cost: ¥1,100,000)
|
|---|
| Research Abstract |
キーワードにより分類された画像ライブラリに対して,その分類基準に従って新たな画像を登録する手法の開発を目指した.
本年度は,画像間の特徴の違いに着目して,画像を自動分類する手法を提案した.様々な機種の携帯電話の画像を対象に,部分毎の色や形状により複数の分類結果を生成することを試みた.まず,画像を一定の大きさのメッシュ状に分割し,各メッシュ毎に色や形状の特徴量を算出する.次に,異なる画像の対応するメッシュ間で特徴量の違いを算出する.特徴量の違いが大きく,同様の違いが多数の画像間で見られるメッシュとその特徴量は,画像群全体を大きく二分する分類基準と想定される.そのようなメッシュと特徴量を利用して,画像群に対する分類基準を複数生成し,複数の分類結果を生成した.
特徴量の違いの算出には,特徴量の差分を用いた.差分値は,統計量の相関と関連があり、二つの対象間の関連を表している.クラスタリングにより同様の差分値を示す画像対が得られる.これらの画像対は,同一の関連をもつ画像同士であり,画像対の画像を2つのクラスに分類することは,顕著な違いに基づき分類することに相当する.画像ライブラリ中で,抽出された画像対に含まれない画像についても,抽出した画像対を顕著に分離する特徴空間でクラスタリングすることにより,同様の分類基準での分類が可能となる.
実験では,画像集合全体の傾向を表す統計量である分散を用いて分類基準を生成し,分類した場合と比較を行った.その結果,以下の知見が得られた.
・分散により生成された分類基準では,生成された分類基準が類似したものになりがちであるのに対して,差分では,画像ライブラリの画像全体を多様に分類できた.
・分散では,違いが小さくなった場合,分類ができなくなるのに対して,差分では,相対的に違いが大きい分類基準を生成できた.
前年度に開発した,画像間の共通性を抽出する手法と組合せ,より詳細な評価を行うことが今後の課題である.
|
