画像解析

画像解析または画像分析とは、主にデジタル画像処理技術を用いてデジタル画像から意味のある情報を抽出することです。^{[ 1 ]}画像解析のタスクは、バーコードタグを読み取るような単純なものから、顔から人物を識別するような高度なものまであります。

コンピュータは、大量のデータの分析、複雑な計算を必要とするタスク、あるいは定量的な情報の抽出に不可欠です。一方、人間の視覚野は、特に高レベルの情報を抽出する上で優れた画像解析装置であり、医療、セキュリティ、リモートセンシングなど、多くの用途において、人間の分析者をコンピュータに置き換えることは依然として不可能です。そのため、エッジ検出器やニューラルネットワークといった多くの重要な画像解析ツールは、人間の視覚認知モデルから着想を得ています。

デジタル画像解析、またはコンピュータ画像解析とは、コンピュータや電気機器が画像を自動的に解析し、そこから有用な情報を取得することです。この機器はコンピュータであることが多いですが、電気回路、デジタルカメラ、携帯電話の場合もあります。コンピュータビジョンやマシンビジョン、医用画像処理の分野に関わり、パターン認識、デジタル幾何学、信号処理を多用します。このコンピュータ科学の分野は、1950年代にMIT AI Labなどの学術機関で、当初は人工知能とロボット工学の一分野として発展しました。

これは、2次元（2D）または3次元（3D）デジタル画像の定量的または定性的な特徴付けです。2D画像は、たとえばコンピュータビジョンで分析され、3D画像は医用画像処理で分析されます。この分野は、たとえばアズリエル・ローゼンフェルド、ハーバート・フリーマン、ジャック・E・ブレゼンハム、キング・サン・フーなどの先駆的な貢献により、1950年代から1970年代に確立されました。^{[ 2 ]}

画像を自動的に解析する手法は数多く存在します。それぞれの手法は限られた範囲のタスクには有効かもしれませんが、人間の画像解析能力と比較すると、幅広いタスクに対応できる汎用的な画像解析手法はまだ確立されていません。さまざまな分野における画像解析手法の例としては、以下のようなものがあります。

• 2Dおよび3D物体認識、
• 画像セグメンテーション、
• 動き検出（例：単一粒子追跡）
• ビデオトラッキング、
• オプティカルフロー、
• 医療スキャン分析、
• 3D姿勢推定

2010年代初頭から、ディープラーニング手法は画像解析の分野を大きく進歩させてきました。2012年には、AlexNetとして知られるディープ畳み込みニューラルネットワーク（CNN）が、 ImageNet大規模画像分類ベンチマークでエラー率を大幅に削減し、視覚認識タスクにおけるディープラーニングの有効性を示しました。^{[ 3 ]} ResNetなどの後続のアーキテクチャは、残差接続を導入することで、より深いネットワークのトレーニングを可能にし、画像解析タスク全体で精度をさらに向上させました。^{[ 4 ]}

リアルタイム物体検出は、検出と分類を単一のネットワークパスに統合したYOLO （You Only Look Once）などのフレームワークによって実用的になった。 ^{[ 5 ]} 2020年には、Vision Transformer（ViT）が、もともと自然言語処理用に開発されたトランスフォーマーアーキテクチャが、画像パッチのシーケンスに直接適用した場合、画像分類で競争力のある結果を達成できることを実証した。^{[ 6 ]}

近年では、大規模データセットでトレーニングされた基盤モデルにより、画像解析タスク全体にわたるゼロショット汎化が可能になった。10億を超えるマスクでトレーニングされたSegment Anything Model（SAM）は、タスク固有の微調整なしに画像内の任意のオブジェクトをセグメント化できる。^{[ 7 ]}これらの進歩により、ブラウザベースのツールやオープンソースの実装を通じて、画像解析技術がますます利用しやすくなっている。^{[ 8 ]}

デジタル画像解析の応用分野は、科学と産業のあらゆる分野で絶えず拡大しており、以下のような分野が含まれる。

• 解剖学は、解剖学的構造の正確な測定、視覚化、および統計分析を可能にする。^{[ 9 ]}
• アッセイ用マイクロプレートの読み取り、例えば化学物質がどこで製造されたかを検出するなど。
• 天文学、例えば惑星の大きさを計算することなど。
• 自動的な種識別（例：植物種および動物種）
• 防衛
• エラーレベル分析
• フィルタリング
• 機械視覚技術、例えば工場のコンベアベルト上のアイテムを自動的にカウントするなど。
• 材料科学、例えば金属溶接部に亀裂があるかどうかを判定するなど。
• 医学、例えばマンモグラフィー検査でがんを検出することなど。
• 金属組織学、例えば岩石試料の鉱物含有量を測定することなど。
• 顕微鏡検査、例えば綿棒に付着した細菌の数を数えることなど。
• 自動ナンバープレート認識;
• 光学文字認識、例えば自動ナンバープレート検出など。
• リモートセンシングは、家の中の侵入者を検知したり、土地被覆/土地利用マップを作成したりするなどの用途があります。^{[ 10 ] [ 11 ]}
• ロボット工学、例えば障害物への衝突を回避するための操縦など。
• セキュリティ、例えば人の目の色や髪の色を検出することなど。

オブジェクトベース画像解析（OBIA）は、セグメンテーションと分類という2つの典型的なプロセスから成ります。セグメンテーションは、ピクセルを均質なオブジェクトにグループ化するのに役立ちます。オブジェクトは通常、関心のある個々の特徴に対応しますが、過剰セグメンテーションまたは過少セグメンテーションが発生する可能性が非常に高いです。分類は、オブジェクトのさまざまな統計情報を分類器の特徴として使用して、オブジェクトレベルで実行できます。統計情報には、画像オブジェクトのジオメトリ、コンテキスト、テクスチャが含まれます。高解像度画像を分類する場合、過少セグメンテーションよりも過剰セグメンテーションが好まれることがよくあります。^{[ 12 ]}

オブジェクトベースの画像解析は、細胞生物学、医学、地球科学、リモートセンシングなど、多くの分野で応用されています。たとえば、細胞分化の過程における細胞形状の変化を検出できます。^{[ 13 ]}また、マッピングコミュニティでは、 土地被覆を生成するために広く使用されています。^{[ 12 ] [ 14 ]}

地球画像に適用する場合、OBIAは地理的オブジェクトベース画像解析（GEOBIA）として知られており、「リモートセンシング（RS）画像を意味のある画像オブジェクトに分割し、空間、スペクトル、時間スケールを通じてその特性を評価することに専念する地理情報科学のサブ分野」と定義されています。 ^{[ 15 ] [ 14 ]}国際GEOBIA会議は2006年から隔年で開催されています。 ^{[ 16 ]}

OBIA技術は、eCognitionやOrfeoツールボックスなどのソフトウェアに実装されています。

• 考古学的画像
• イメージング技術
• 画像処理
• imc FAMOS (1987)、グラフィカルデータ分析
• 土地被覆マッピング
• 軍事情報
• リモートセンシング

• ジョン・C・ラス著『画像処理ハンドブック』 、 ISBN 0-8493-7254-2(2006)
• 画像処理と解析 - 変分法、偏微分方程式、ウェーブレット、確率的手法、トニー・F・チャン、ジャンホン（ジャッキー）シェン著、ISBN 0-89871-589-X（2005年）
• Bart M. ter Haar Romeny著『Front-End Vision and Multi-Scale Image Analysis』 、ペーパーバック、 ISBN 1-4020-1507-0(2003)
• JJ Friel 他著『画像解析の実践ガイド』 、 ASM International、ISBN 0-87170-688-1（2000年）
• 画像処理の基礎Ian T. Young、Jan J. Gerbrands、Lucas J. Van Vliet 著、ペーパーバック、ISBN 90-75691-01-7（1995年）
• 画像解析と金属組織学、 PJ Kenny 他編、国際金属組織学会およびASM International (1989)。
• HE Exner および HP Hougardy による微細構造の定量的画像分析、DGM Informationsgesellschaft mbH、 ISBN 3-88355-132-5（1988年）
• 「金属組織学的および材料組織学的試料作製、光学顕微鏡観察、画像解析および硬度試験」、Kay Geels 著、Struers A/S との共同研究、ASTM International 2006 年。