特許ウォッチ

公開番号2025012256
公報種別公開特許公報(A)
公開日2025-01-24
出願番号2023114976
出願日2023-07-13
発明の名称画像処理システム、画像処理方法、及びプログラム
出願人TOPPANホールディングス株式会社
代理人個人,個人,個人,個人
主分類G06T 7/00 20170101AFI20250117BHJP(計算;計数)
要約【課題】既存の機械学習モデルを用いた処理においてデータ拡張による再学習を行うことなく処理精度を向上することが可能な画像処理システム、画像処理方法、及びプログラムを提供する。
【解決手段】対象物が撮影された分光画像と、光源分光分布及びカメラ分光感度を組み合わせた組み合わせ内容が異なる複数の撮影条件情報とに基づき、複数のRGB画像を生成する画像生成部と、RGB画像に基づく処理を行う機械学習モデルに対して、生成された前記複数のRGB画像を入力し、入力された前記RGB画像ごとに前記機械学習モデルから出力される処理結果を得る機械学習処理部と、前記複数のRGB画像に基づき得られた複数の処理結果を統合し、最終的な処理結果を生成する出力統合部と、を備える画像処理システム。
【選択図】図1
特許請求の範囲【請求項１】
対象物が撮影された分光画像と、光源分光分布及びカメラ分光感度を組み合わせた組み合わせ内容が異なる複数の撮影条件情報とに基づき、複数のＲＧＢ画像を生成する画像生成部と、
ＲＧＢ画像に基づく処理を行う機械学習モデルに対して、生成された前記複数のＲＧＢ画像を入力し、入力された前記ＲＧＢ画像ごとに前記機械学習モデルから出力される処理結果を得る機械学習処理部と、
前記複数のＲＧＢ画像に基づき得られた複数の処理結果を統合し、最終的な処理結果を生成する出力統合部と、
を備える画像処理システム。
続きを表示（約 1,200 文字）【請求項２】
前記出力統合部は、光源及びカメラの出現確率分布に基づき、前記複数の処理結果を統合する、
請求項１に記載の画像処理システム。
【請求項３】
前記機械学習モデルの学習に用いるデータのデータ分布情報を記憶するデータ記憶部、
をさらに備え、
前記出力統合部は、前記データ分布情報に基づき前記出現確率分布を生成する、
請求項２に記載の画像処理システム。
【請求項４】
前記出力統合部は、前記出現確率分布に従う重み関数を用いて前記複数の処理結果の加重平均を算出し、算出した前記加重平均を前記最終的な処理結果とする、
請求項２又は請求項３に記載の画像処理システム。
【請求項５】
前記画像生成部は、光源及びカメラの出現確率分布に基づき、複数の前記撮影条件情報を生成する、
請求項１又は請求項２に記載の画像処理システム。
【請求項６】
前記機械学習モデルの学習に用いるデータのデータ分布情報を記憶するデータ記憶部、
をさらに備え、
前記画像生成部は、前記データ分布情報に基づき前記出現確率分布を生成する、
請求項５に記載の画像処理システム。
【請求項７】
前記対象物が写るＲＧＢ画像である原画像に基づき、前記出現確率分布を推定する出現確率推定部、
をさらに備える請求項２に記載の画像処理システム。
【請求項８】
対象物が撮影された分光画像と、光源分光分布及びカメラ分光感度を組み合わせた組み合わせ内容が異なる複数の撮影条件情報とに基づき、複数のＲＧＢ画像を生成する画像生成過程と、
ＲＧＢ画像に基づく処理を行う機械学習モデルに対して、生成された前記複数のＲＧＢ画像を入力し、入力された前記ＲＧＢ画像ごとに前記機械学習モデルから出力される処理結果を得る機械学習処理過程と、
前記複数のＲＧＢ画像に基づき得られた複数の処理結果を統合し、最終的な処理結果を生成する出力統合過程と、
を含むコンピュータにより実行される画像処理方法。
【請求項９】
コンピュータを、
対象物が撮影された分光画像と、光源分光分布及びカメラ分光感度を組み合わせた組み合わせ内容が異なる複数の撮影条件情報とに基づき、複数のＲＧＢ画像を生成する画像生成手段と、
ＲＧＢ画像に基づく処理を行う機械学習モデルに対して、生成された前記複数のＲＧＢ画像を入力し、入力された前記ＲＧＢ画像ごとに前記機械学習モデルから出力される処理結果を得る機械学習処理手段と、
前記複数のＲＧＢ画像に基づき得られた複数の処理結果を統合し、最終的な処理結果を生成する出力統合手段と、
として機能させるためのプログラム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、画像処理システム、画像処理方法、及びプログラムに関する。
続きを表示（約 2,000 文字）【背景技術】
【０００２】
近年、様々な処理において、機械学習が用いられている。例えば、画像に関する分類、識別、推定、変換などの処理において機械学習が用いられる場合がある。機械学習を用いた処理の精度は、学習時のデータセット内のデータのばらつき、種類の多さ、データの多さなどに依存する傾向がある。例えば、画像に関する処理の場合、同じ入力画像であっても明るさや色味などが変わるだけで処理の精度に影響してしまう。また、学習時のデータセットに含まれない明るさや色味を有する画像が入力されると処理の精度が低下してしまう。このため、学習時のデータセットには、様々な種類のデータが過不足なく含まれていることが望ましいが、データ収集のために相当なコストが伴ってしまう。
【０００３】
そこで、既存のデータセットに対してデータ拡張をすることでデータ収集にかかるコストを削減することが可能な技術が各種提案されている。例えば、下記非特許文献１には、学習にて学習データとして用いた画像に対する画像変換によってデータ拡張をすることで、精度及び汎化性能を向上させる技術が開示されている。
【先行技術文献】
【非特許文献】
【０００４】
ＡｌｅｘＫｒｉｚｈｅｖｓｋｙ，ＩｌｙａＳｕｔｓｋｅｖｅｒ，ＧｅｏｆｆｒｅｙＥ．Ｈｉｎｔｏｎ， “ＩｍａｇｅＮｅｔＣｌａｓｓｉｆｉｃａｔｉｏｎｗｉｔｈＤｅｅｐＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ．”，ＡｄｖａｎｃｅｓｉｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ２５（ＮＩＰＳ２０１２）．
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、上記非特許文献１に記載の技術によってデータ拡張をすることができても、機械学習モデルが既存の場合には、データ拡張によって得られた画像を用いた再学習を行う必要がある。このため、データ拡張によってデータ収集のためのコストを削減できても、機械学習モデルを再学習させるためにコストがかかってしまう。
【０００６】
上述の課題を鑑み、本発明の目的は、既存の機械学習モデルを用いた処理においてデータ拡張による再学習を行うことなく処理精度を向上することが可能な画像処理システム、画像処理方法、及びプログラムを提供することにある。
【課題を解決するための手段】
【０００７】
上述の課題を解決するために、本発明の一態様に係る画像処理システムは、対象物が撮影された分光画像と、光源分光分布及びカメラ分光感度を組み合わせた組み合わせ内容が異なる複数の撮影条件情報とに基づき、複数のＲＧＢ画像を生成する画像生成部と、ＲＧＢ画像に基づく処理を行う機械学習モデルに対して、生成された前記複数のＲＧＢ画像を入力し、入力された前記ＲＧＢ画像ごとに前記機械学習モデルから出力される処理結果を得る機械学習処理部と、前記複数のＲＧＢ画像に基づき得られた複数の処理結果を統合し、最終的な処理結果を生成する出力統合部と、を備える画像処理システムである。
【０００８】
本発明の一態様に係る画像処理方法は、対象物が撮影された分光画像と、光源分光分布及びカメラ分光感度を組み合わせた組み合わせ内容が異なる複数の撮影条件情報とに基づき、複数のＲＧＢ画像を生成する画像生成過程と、ＲＧＢ画像に基づく処理を行う機械学習モデルに対して、生成された前記複数のＲＧＢ画像を入力し、入力された前記ＲＧＢ画像ごとに前記機械学習モデルから出力される処理結果を得る機械学習処理過程と、前記複数のＲＧＢ画像に基づき得られた複数の処理結果を統合し、最終的な処理結果を生成する出力統合過程と、を含むコンピュータにより実行される画像処理方法である。
【０００９】
本発明の一態様に係るプログラムは、コンピュータを、対象物が撮影された分光画像と、光源分光分布及びカメラ分光感度を組み合わせた組み合わせ内容が異なる複数の撮影条件情報とに基づき、複数のＲＧＢ画像を生成する画像生成手段と、ＲＧＢ画像に基づく処理を行う機械学習モデルに対して、生成された前記複数のＲＧＢ画像を入力し、入力された前記ＲＧＢ画像ごとに前記機械学習モデルから出力される処理結果を得る機械学習処理手段と、前記複数のＲＧＢ画像に基づき得られた複数の処理結果を統合し、最終的な処理結果を生成する出力統合手段と、として機能させるためのプログラムである。
【発明の効果】
【００１０】
本発明によれば、既存の機械学習モデルを用いた処理においてデータ拡張による再学習を行うことなく処理精度を向上することができる。
【図面の簡単な説明】
（【００１１】以降は省略されています）

関連特許