コンピュータビジョン入門 - 仕組みと数学の基礎
はじめに
スマホの顔認証、自動運転、医療画像診断 — これらすべての裏側には「コンピュータビジョン」という技術があります。
この記事では、ツールやプログラムの話には踏み込まず、コンピュータビジョンがどういう仕組みで動いているのか、その背後にある考え方と数学、そしてなぜ役に立つのかを、初心者の方にもわかるように解説します。
コンピュータビジョンとは何か？
コンピュータビジョン（Computer Vision） とは、コンピュータに画像や動画を「見て理解させる」ことを目指す分野です。
人間は目で光を受け取り、脳でそれを処理して「これは顔だ」「これは道路だ」と認識します。コンピュータビジョンは、この一連の流れをコンピュータで再現しようとします。
💡 ポイントは「見る」ことではなく「理解する」ことです。カメラは画像を撮れますが、それが何なのかを判断するのがコンピュータビジョンの役割です。
コンピュータにとって画像とは「数字」である
ここが最も大切な考え方です。私たちは写真を見て一目で内容を理解しますが、コンピュータにとって画像は 数値の集まり にすぎません。
ピクセルと数値
画像は ピクセル（pixel） という小さな点が格子状に並んだものです。各ピクセルは明るさや色を表す数値を持っています。
- 白黒画像：各ピクセルは 0（真っ黒）〜 255（真っ白）の数値
- カラー画像：各ピクセルが 赤・緑・青（RGB） の3つの数値の組み合わせ
画像は「行列」である
数学的に見ると、白黒画像は 行列（数を縦横に並べた表） として表せます。
例えば、3×3の小さな画像はこうなります。
| 10 50 120 |
| 80 200 255 |
| 30 90 140 |
この「数値の表」こそが、コンピュータが扱う画像の正体です。つまりコンピュータビジョンとは、数値の行列からパターンや意味を取り出す数学の問題 なのです。
画像処理を支える数学的な考え方
コンピュータビジョンの基礎には、いくつかの重要な数学的アイデアがあります。難しい計算は抜きにして、考え方だけを紹介します。
1. フィルタリング（畳み込み）
画像をぼかしたり、輪郭を強調したりするとき、フィルタ（カーネル） という小さな数値の表を使います。
このフィルタを画像の上を滑らせながら、重なった部分のピクセルと掛け合わせて合計する操作を 畳み込み（Convolution） と呼びます。
💡 畳み込みは、画像の「特徴」を取り出すための最も基本的な数学操作です。後で出てくるディープラーニングでも中心的な役割を果たします。
2. エッジ検出（微分の考え方）
物体の「輪郭」は、明るさが急に変化する場所にあります。
数学では、変化の度合いを調べる方法を 微分 と言います。隣り合うピクセルの数値の差が大きいほど、そこに境界線（エッジ）がある可能性が高い、と判断できます。
- 差が小さい → 平らな面（変化なし）
- 差が大きい → 輪郭やエッジ（変化あり）
3. 特徴量（Feature）
画像から「重要な手がかり」を取り出したものを 特徴量（Feature） と呼びます。
例えば「角がある」「特定の模様がある」「色が均一」などです。コンピュータはこうした特徴を数値化して、画像が何であるかを判断します。
コンピュータビジョンの代表的なタスク
コンピュータビジョンには、目的別にいくつかの種類があります。
| タスク | やること | 身近な例 |
|---|---|---|
| 画像分類 | 画像全体が何かを判定する | 犬か猫かを区別 |
| 物体検出 | 物体の位置と種類を特定 | 歩行者の検知 |
| セグメンテーション | ピクセル単位で領域を分ける | 背景と人物を分離 |
| 顔認識 | 個人を識別する | スマホのロック解除 |
| 姿勢推定 | 体の関節の位置を推定 | スポーツの動作分析 |
なぜディープラーニングが強力なのか
昔は、人間が「こういう特徴を探しなさい」とルールを手作業で決めていました。しかし、現実の画像は明るさ・角度・背景などが千差万別で、ルールを書ききるのは不可能でした。
特徴を「自動で学ぶ」という発想
ディープラーニング（深層学習） の革新は、特徴を人間が決めるのではなく、大量のデータからコンピュータ自身に学ばせる という点にあります。
その中心が CNN（畳み込みニューラルネットワーク） です。CNNは先ほどの「畳み込み」を何層も重ねることで、画像の特徴を段階的に学習します。
- 浅い層：線やエッジなど単純な特徴を捉える
- 中間の層：模様や形など少し複雑な特徴を捉える
- 深い層：顔や物体など意味のあるまとまりを捉える
💡 これは人間の脳が、単純な情報から徐々に複雑な認識へとつなげていく仕組みに似ていると言われています。
学習とは「誤差を減らすこと」
ディープラーニングの学習は、数学的には「予測の誤差をできるだけ小さくする」作業です。
コンピュータは最初はでたらめに答えますが、「正解との差（誤差）」を計算し、その差が小さくなるように内部の数値を少しずつ調整していきます。この調整を何百万回も繰り返すことで、賢くなっていきます。
コンピュータビジョンはなぜ役に立つのか
コンピュータビジョンが重要なのは、人間の「見る」労力を自動化・拡張できる からです。
1. 人間より速く、大量に処理できる
人間が何時間もかけてチェックする画像を、コンピュータは数秒で処理できます。工場の検品や監視カメラの分析などで効果を発揮します。
2. 人間が見落とすものを捉える
医療画像では、人間の目では気づきにくい微細な異常を発見する手助けをします。
3. 24時間休まず働ける
疲労や集中力の低下がなく、一定の精度で作業を続けられます。
主な活用分野
- 🏥 医療：レントゲンやMRIから病変を発見
- 🚗 自動運転：歩行者・標識・他の車を認識
- 🏭 製造業：製品の傷や不良を自動検出
- 🛡️ セキュリティ：顔認証や不審行動の検知
- 🌾 農業：作物の生育状態や病気の判定
コンピュータビジョンの難しさ・課題
便利な一方で、まだ多くの課題もあります。
- 見え方の変化：同じ物でも、明るさ・角度・隠れ方で大きく変わる
- 大量のデータが必要：高い精度には膨大な学習データが必要
- 判断の理由が不透明：なぜそう判断したのか説明が難しい場合がある
- 誤認識のリスク：間違えると事故や被害につながる分野もある
これらの課題を解決することが、今のコンピュータビジョン研究の重要なテーマになっています。
まとめ
- コンピュータビジョン は「コンピュータに画像を理解させる」技術
- コンピュータは画像を 数値の行列 として扱う
- 畳み込み・微分・特徴量 などの数学的な考え方が基礎にある
- ディープラーニング（CNN） は特徴を自動で学習できる点が革新的
- 人間の「見る」作業を 速く・大量に・休まず 行えるため、医療や自動運転など幅広い分野で役立つ
コンピュータビジョンは、数学とAIが組み合わさって現実世界の問題を解く、とても奥深い分野です。まずは「画像は数字でできている」という考え方を入り口に、少しずつ理解を深めていきましょう。