[发明专利]图像分类方法、装置以及程序

说明书

本发明提供图像分类方法、装置以及程序，关于基于机器学习的图像分类，其能够进行难以检测特征差的图像的分类，尤其是根据泪液层干涉条纹图像进行干眼症的类型的分类。该方法包括以下步骤：从学习用泪液层干涉条纹图像获得特征量；根据从所述学习用泪液层干涉条纹图像获得的特征量构建用于对图像进行分类的模型；从测试用泪液层干涉条纹图像获得特征量；进行分类处理，所述分类处理根据所述模型和从所述测试用泪液层干涉条纹图像获得的特征量，按照干眼症的类型对所述测试用泪液层干涉条纹图像进行分类。

技术领域

本发明涉及一种图像的分类方法、用于执行该方法的装置以及程序。

背景技术

眼球、以及眼睑通过泪液来进行保护，而免受异物的侵入、干燥、摩擦造成的损伤等。泪液层由液层和覆盖液层的油层这两层构成，该液层由占据其大半的水和糖蛋白(粘蛋白)构成，油层通过防止液层与空气直接接触而防止液层的水分的蒸发。从存在于眼睑的睑板腺分泌出油层的成分。如果睑板腺由于年龄增长、炎症、以及擦伤等而发生损伤，则不能形成正常的油层，从而不能保持液层，出于上述等原因，会引起被称为干眼症的症状。

干眼症能够分类为“泪液减少型”、“蒸发过强型”的类型。如果对各个类型进行概述，则“泪液减少型”是由于所分泌的泪液量减少等原因而造成液层的水分不足的类型，“蒸发过强型”是由于油层不足使得液层的水分的蒸发加速而引起的干眼症的类型。

关于干眼症的诊断，以往有时使用通过拍摄被检者的角膜而获得的泪液层干涉条纹图像。关于角膜，如上所述，由于被由油层及液层构成的泪液层覆盖，因此在所拍摄的图像中出现由该泪液引起的干涉条纹。根据健康者以及干眼症的类型，在该泪液层干涉条纹中表现出一定的特征，因此将其用于干眼症的诊断。

关于用于获得泪液层干涉条纹图像的眼科装置，例如已知专利文献1等所记载的技术，另外，在专利文献2中记载有近年来通常使用的基于机器学习的图像识别、图像分类的装置、方法等。

作为关于图像识别、图像分类的机器学习的方法，已知被称为“Bag of visualwords，视觉词袋”、“Bag of features，特征袋”、“Bag of keypoints，关键点袋”等的方法。

关于基于该方法的主要的图像识别、分类，大致的顺序为，“1.从学习用图像的特征点提取局部特征量”、“2.通过局部特征量的聚类来制作‘visual words，视觉词’”、“3.局部特征量的矢量量子化”、“4.利用“visual words”使基于矢量量子化的特征量直方图化”、“5.利用分类器进行分类”。

具体而言，首先，从学习用图像的特征点提取局部特征量。局部特征量是特征点中的表现为边缘、拐角的梯度(矢量)信息等。关于图像中的局部特征点的确定，存在如下的方法：随机设定区域范围及位置的方法；或固定地设定区域范围及位置的方法；或用多个比例尺对学习用图像平滑化，并获得平滑化后的各比例尺间的差分，从而确定图像中的表现出边缘、拐角这些特征的区域作为特征点的方法等。

对所获得的局部特征量进行聚类，来制作“visual words dictionary，视觉词汇词典”(也被称为“码本”)。作为聚类的代表性方法，已知k均值法(k-means)。

接着，对从学习用图像中的特征点提取的局部特征量进行矢量量子化，并通过所制作的“visual word”来直方图化。被直方图化的信息表示为该图像的特征信息(特征矢量)。

在对图像(测试图像)进行分类的情况下，也基本上进行与上述同样的处理。最终创建的测试图像的被直方图化的信息为该测试图像的特征信息。根据以上所述，能够基于为了学习而积累的特征信息和测试图像的特征信息，利用分类器进行图像的分类，但是作为分类器(分类方法)，如例如专利文献2、专利文献3所记载的，提出了支持向量机(Supportvector machine)还有EMD(Earth Mover’s Distance，搬土距离)等各种方法。

现有技术文献