画像モーメントは、デジタル画像の画素強度から計算される統計的尺度である。これは画素値の加重平均を表し、面積、重心、方向、形状の複雑さといった画像の幾何学的特性を記述するスカラー値の集合を生成する。モーメントは、適切に正規化されると特定の変換（例えば、平行移動、回転、スケーリング）に対して不変であり、堅牢な画像解析において価値がある。これらはコンピュータビジョンにおける基礎的なツールとして機能し、画素単位の照合を必要とせずに視覚パターンの効率的な表現と比較を可能にする。
画像モーメントは通常、各画素が強度値を持つ二値画像またはグレースケール画像から計算される。強度関数 \(I(x, y)\) を持つデジタル画像の場合、次数 \((p+q)\) の生モーメントは、全画素にわたる \(x^p y^q I(x, y)\) の合計として定義される。これらの生モーメントは、画像全体の強度分布を捉える。しかし、生モーメントは画像の位置に依存するため、代わりに中心モーメントがよく使用される。中心モーメントは画像の重心を基準に計算され、平行移動不変性を提供する。さらなる正規化によりスケール不変モーメントが得られ、中心モーメントの組み合わせは、1962年に導入されたHuの7つの不変モーメントのような回転不変記述子を生成できる。
画像モーメントの概念は、質量分布を記述する確率論と力学にルーツを持つ。画像処理においては、1960年代から1970年代にかけて形状解析のために普及した。それ以来、物体検出、文字認識、医用画像などの分野で標準的な技術となっている。計算の単純さと低次元性により、リアルタイムアプリケーションに適しているが、深層学習からのより複雑な特徴と比較すると、細部の情報が失われる可能性がある。
コンピュータビジョンにおける応用
画像モーメントは、形状の記述とマッチングを必要とするタスクでコンピュータビジョンに広く使用されている。例えば、光学文字認識（OCR）では、モーメントは文字や数字を幾何学的特性によって識別するのに役立つ。工業検査では、製造部品のモーメントを基準と比較することで、欠陥の有無を検証する。モーメントはまた、ビデオシーケンスにおける物体追跡を可能にし、一次モーメントから導出される重心が追跡のための安定した点を提供する。さらに、画像レジストレーションにも使用され、同じシーンの画像を整列させるには、モーメントから導出できる平行移動と回転の推定が必要となる。
モーメントの種類と特性
いくつかの種類のモーメントが存在し、それぞれ異なる特性を持つ。生モーメントは最も単純であるが、変換に対して不変ではない。重心を基準に定義される中心モーメントは、平行移動不変である。面積（ゼロ次モーメント）でスケーリングされた正規化中心モーメントは、スケール不変性を提供する。Huのモーメントは、正規化中心モーメントの7つの非線形組み合わせであり、平行移動、スケール、回転に対して不変であり、形状認識に人気がある。1980年に導入されたZernikeモーメントは、単位円板上の直交多項式を使用し、ノイズ耐性が向上し、情報の冗長性が低い。Legendreモーメントは、Legendre多項式に基づき、同様に直交記述子を提供する。これらの高度なモーメントは高次の詳細を捉え、より識別力のある形状解析を可能にする。
計算と実装
画像モーメントの計算は簡単で効率的である。離散画像の場合、次数 \((p+q)\) の生モーメントは、全画素を反復処理し、\(x^p y^q\) に強度を掛けたものを合計することで計算される。重心は一次モーメントから得られる: \(\bar{x} = m_{10}/m_{00}\) および \(\bar{y} = m_{01}/m_{00}\)。ここで \(m_{00}\) は総強度（二値画像では面積）である。中心モーメントは、この重心を基準に計算される。実際には、モーメントは積分画像（合計面積テーブル）を使用して計算されることが多く、任意の矩形領域に対して定数時間の計算を実現し、リアルタイム処理に有益である。OpenCVなどのライブラリは、モーメント計算用の組み込み関数を提供し、アプリケーションでの使用を簡素化する。
現代の機械学習との関係
画像モーメントは古典的な技術であるが、Machine learningやDeep learningの時代においても関連性を保っている。これらは、従来の分類器における手作り特徴として、またはNeural networkモデルに入力する前に画像を正規化する前処理ステップとして使用されることがある。例えば、モーメントは画像を標準的な向きに整列またはクロップするのに役立ち、Convolutional neural network（CNN）ベースのシステムのパフォーマンスを向上させる。しかし、Residual Network (ResNet)やU-Netのような深層学習モデルは、通常、生の画素から直接特徴を学習するため、明示的なモーメント計算の必要性が減少する。それでも、モーメントは解釈可能性にとって依然として価値があり、学習された表現を補完する直感的な幾何学的要約を提供する。ハイブリッドアプローチでは、モーメントは学習された特徴と組み合わせて堅牢性を高めることができ、特にトレーニングデータが限られたシナリオで有効である。
限界と拡張
画像モーメントには限界がある。これらはグローバル記述子であり、画像全体を要約するため、局所的な変動を覆い隠す可能性がある。複数の物体を含む複雑なシーンでは、画像全体のモーメントは意味をなさず、代わりにセグメンテーション後の連結成分ごとにモーメントが計算される。さらに、モーメントはノイズに敏感であり、特に高次のモーメントは強度の変動を増幅する。これを軽減するために、ノイズの多い環境ではZernikeのような直交モーメントが好まれる。拡張には、色チャンネル全体でモーメントを計算するカラーモーメントや、モーメントとマルチ解像度解析を組み合わせるウェーブレットモーメントが含まれる。これらの変種は、カラー画像やマルチスケール解析へのモーメントの適用範囲を広げる。
要約すると、画像モーメントは、画像の形状と分布を記述するためのコンパクトで数学的に基づいた方法を提供する。その不変性と計算効率により、現代のArtificial intelligence手法が進化しても、コンピュータビジョンでの継続的な使用が保証されている。これらは、古典的な画像解析と現代の学習ベースのアプローチとの間の橋渡しとして機能し、幾何学的理解のためのシンプルでありながら強力なツールを提供する。