CN116390860A - 图像处理方法、图像处理装置 - Google Patents
图像处理方法、图像处理装置 Download PDFInfo
- Publication number
- CN116390860A CN116390860A CN202180069865.1A CN202180069865A CN116390860A CN 116390860 A CN116390860 A CN 116390860A CN 202180069865 A CN202180069865 A CN 202180069865A CN 116390860 A CN116390860 A CN 116390860A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- processing
- periodicity
- processing method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 225
- 238000003672 processing method Methods 0.000 title claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 132
- 238000003909 pattern recognition Methods 0.000 claims abstract description 53
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 177
- 230000008569 process Effects 0.000 claims description 164
- 238000001914 filtration Methods 0.000 claims description 23
- 230000007547 defect Effects 0.000 claims description 17
- 230000000737 periodic effect Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 230000008685 targeting Effects 0.000 claims 2
- 238000007781 pre-processing Methods 0.000 description 43
- 238000012937 correction Methods 0.000 description 33
- 239000013598 vector Substances 0.000 description 28
- 238000012546 transfer Methods 0.000 description 26
- 239000003086 colorant Substances 0.000 description 20
- 238000011161 development Methods 0.000 description 13
- 230000006835 compression Effects 0.000 description 11
- 238000007906 compression Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 108091008695 photoreceptors Proteins 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
- G06F3/121—Facilitating exception or error detection and recovery, e.g. fault, media or consumables depleted
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
- B41J29/00—Details of, or accessories for, typewriters or selective printing mechanisms not otherwise provided for
- B41J29/38—Drives, motors, controls or automatic cut-off devices for the entire printing mechanism
- B41J29/393—Devices for controlling or analysing the entire machine ; Controlling or analysing mechanical parameters involving printing of test patterns
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03G—ELECTROGRAPHY; ELECTROPHOTOGRAPHY; MAGNETOGRAPHY
- G03G15/00—Apparatus for electrographic processes using a charge pattern
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03G—ELECTROGRAPHY; ELECTROPHOTOGRAPHY; MAGNETOGRAPHY
- G03G15/00—Apparatus for electrographic processes using a charge pattern
- G03G15/01—Apparatus for electrographic processes using a charge pattern for producing multicoloured copies
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03G—ELECTROGRAPHY; ELECTROPHOTOGRAPHY; MAGNETOGRAPHY
- G03G21/00—Arrangements not provided for by groups G03G13/00 - G03G19/00, e.g. cleaning, elimination of residual charge
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
- G06F3/1203—Improving or facilitating administration, e.g. print management
- G06F3/1208—Improving or facilitating administration, e.g. print management resulting in improved quality of the output result, e.g. print layout, colours, workflows, print preview
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1223—Dedicated interfaces to print systems specifically adapted to use a particular technique
- G06F3/1229—Printer resources management or printer maintenance, e.g. device status, power levels
- G06F3/1234—Errors handling and recovery, e.g. reprinting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/40—Picture signal circuits
- H04N1/407—Control or modification of tonal gradation or of extreme levels, e.g. background level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30144—Printing quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/431—Frequency domain transformation; Autocorrelation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
- Accessory Devices And Overall Control Thereof (AREA)
Abstract
本发明提供一种图像处理方法、图像处理装置,其目的在于抑制处理器的运算量并且以高精度判断在图像形成装置中发生的图像不良的原因。处理器(80)根据从图像形成装置(2)的输出薄片体读取到的测试图像判断图像不良的原因。所述处理器(80)针对所述测试图像执行特征提取处理而生成多个特征图像。此外,所述处理器(80)将所述多个特征图像分别作为输入图像,通过所述输入图像的模式识别,判断所述输入图像和与所述图像不良对应的多个原因候选中的哪个对应。
Description
技术领域
本发明涉及基于测试图像判断图像不良的原因的图像处理方法以及图像处理装置。
背景技术
打印机或数码复合机等图像形成装置执行在薄片体上形成图像的打印处理。在所述打印处理中,有时会在形成在输出薄片体上的图像产生横线、噪声点或浓度不均等图像不良。
例如,在所述图像形成装置为用电子照相方式执行所述打印处理的装置的情况下,所述图像不良的原因可以考虑感光体、带电部、显影部以及转印部等各种各样的部分。并且,所述图像不良的原因的判断需要熟练。
另外已知的是,在图像处理装置中,将引起作为所述图像不良的一例的竖线的现象与所述竖线的颜色、浓度或网线数等特征信息预先作为表格数据建立关联,根据测试图像中的所述竖线的图像的颜色、浓度或网线数的信息以及所述表格数据,确定引起所述竖线的现象(例如参照专利文献1)。
所述表格数据是针对引起所述竖线的现象的每个种类利用阈值设定图像的颜色、浓度或网线数等参数的范围而得到的数据。
现有技术文献
专利文献
专利文献1:日本专利公开公报特开2017-83544号
发明内容
本发明要解决的技术问题
但是,在通过图像的颜色、浓度或网线数等特定的图像参数的值与预先确定的阈值的比较来判断所述图像不良的原因的情况下,容易发生判断的遗漏或错误判断。
另一方面,图像的模式识别(pattern recognition)处理适合以高精度将输入图像分类为多个事象。例如,所述模式识别处理是根据将与多个事象的候选对应的样本图像作为训练数据进行学习得到的学习模型判断输入图像是与所述多个事象的候选中的哪个对应的图像的处理等。
但是,图像的信息量多,所述图像不良的种类存在横线、竖线、噪声点以及浓度不均等多个种类。此外,针对所述图像不良的每个种类能够考虑到的原因的候选也多。
因此,在将包含所述图像不良的测试图像作为所述模式识别处理的输入图像使用的情况下,所述模式识别处理的运算量变得非常大。因此,用数码复合机等所具备的处理器难以执行所述模式识别处理。
另外,为了提高所述图像不良的原因的判断精度,需要庞大的所述训练数据用于所述学习模型的学习。但是,针对图像形成装置的每个机种,准备与所能够想到的所述图像不良的种类和所述图像不良的原因的组合对应的庞大数量的测试图像需要极多的时间和劳力。
本发明的目的在于提供一种能够抑制处理器的运算量并且能够以高精度判断在图像形成装置中发生的图像不良的原因的图像处理方法以及图像处理装置。
用于解决技术问题的技术方案
本发明的一个方面的图像处理方法,是处理器根据由图像读取装置从图像形成装置的输出薄片体读取到的测试图像判断图像不良的原因的方法。所述图像处理方法包括:所述处理器对所述测试图像执行预先确定的特征提取处理而生成多个特征图像。此外,所述图像处理方法包括:所述处理器执行特征模式识别处理,所述特征模式识别处理将所述多个特征图像分别作为输入图像,根据所述输入图像的模式识别,判断所述输入图像和与所述图像不良对应的预先确定的多个原因候选中的哪个对应。
本发明的另外的方面的图像处理装置,具备执行所述图像处理方法的处理的处理器。
发明效果
根据本发明,能够提供能够抑制处理器的运算量并且能够以高精度判断在图像形成装置中发生的图像不良的原因的图像处理方法以及图像处理装置。
附图说明
图1是实施方式的图像处理装置的构成图。
图2是表示实施方式的图像处理装置的数据处理部的构成的框图。
图3是表示实施方式的图像处理装置的图像不良判断处理的顺序的一例的流程图。
图4是表示实施方式的图像处理装置的特异不良判断处理的顺序的一例的流程图。
图5是表示实施方式的图像处理装置的浓度不均判断处理的顺序的一例的流程图。
图6是表示包含特异部的测试图像的一例、以及根据该测试图像生成的前处理图像及特征图像的一例的图。
图7是表示在实施方式的图像处理装置的主滤波(filter)处理中从测试图像依次选择的关注区域以及相邻区域的一例的图。
图8是表示包含周期性浓度不均的测试图像以及根据该测试图像导出的纵波形数据的一例的图。
图9是表示实施方式的图像处理装置的第一应用例的特征图像生成处理的顺序的一例的流程图。
图10是表示实施方式的图像处理装置的第二应用例的特征图像生成处理的顺序的一例的流程图。
图11是表示实施方式的图像处理装置的第三应用例的特征图像生成处理的顺序的一例的流程图。
图12是表示实施方式的图像处理装置的第四应用例的特征图像生成处理的顺序的一例的流程图。
具体实施方式
以下,参照附图对本发明的实施方式进行说明。另外,以下的实施方式是将本发明具体化的一例,并不限定本发明的技术范围。
[图像处理装置10的构成]
实施方式的图像处理装置10具备执行打印处理的图像形成装置2。所述打印处理是在薄片体上形成图像的处理。所述薄片体是纸或薄片体状的树脂部件等图像形成介质。
此外,图像处理装置10也具备执行从原稿读取图像的读取处理的图像读取装置1。例如,图像处理装置10是复印机、传真装置或数码复合机等。
成为所述打印处理的对象的图像是由图像读取装置1从所述原稿读取的图像或从未图示的主机装置接收的打印数据表示的图像等。所述主机装置是个人计算机或便携式信息终端等信息处理装置。
此外,也存在图像形成装置2通过所述打印处理在所述薄片体上形成预先确定的原测试图像g01的情况(参照图6)。原测试图像g01是成为用于图像形成装置2的图像不良的有无以及原因的判断的测试图像g1的基础的图像(参照图6)。对于测试图像g1将在后面叙述。
包括图像读取装置1的所述读取处理以及根据用所述读取处理得到的图像的图像形成装置2的所述打印处理在内的处理是复印处理。
如图1所示,图像形成装置2具备薄片体输送机构3以及打印部4。薄片体输送机构3包括薄片体送出机构31以及多组薄片体输送辊对32。
薄片体送出机构31将所述薄片体从薄片体收纳部21向薄片体输送通道30送出。多组薄片体输送辊对32将所述薄片体沿着薄片体输送通道30输送,将形成有图像的所述薄片体向排出盘22排出。
打印部4对由薄片体输送机构3输送的所述薄片体执行所述打印处理。在本实施方式中,打印部4用电子照相方式执行所述打印处理。
打印部4具备图像制作部4x、激光扫描单元4y、转印装置44以及定影装置46。图像制作部4x包括鼓状的感光体41、带电装置42、显影装置43以及鼓清洁装置45。
在各个图像制作部4x中,感光体41旋转,带电装置42使感光体41的表面均匀地带电。带电装置42包括以与感光体41的表面接触的状态旋转的带电辊42a。激光扫描单元4y通过对激光进行扫描而将静电潜影写入带电后的感光体41的表面。
显影装置43将所述静电潜影显影为调色剂像。显影装置43包括向感光体41供给调色剂的显影辊43a。转印装置44将感光体41的表面的所述调色剂像转印到所述薄片体上。另外,所述调色剂是粒状的显影剂的一例。
定影装置46通过对所述薄片体上的所述调色剂像进行加热而使调色剂像定影在所述薄片体上。定影装置46具备与所述薄片体接触并旋转的定影旋转体46a以及加热定影旋转体46a的定影加热器46b。
图1所示的图像形成装置2是串列式的彩色打印装置,能够执行彩色图像的所述打印处理。因此,打印部4具备分别与不同颜色的调色剂对应的四个图像制作部4x。
另外,在串列式的图像形成装置2中,转印装置44包括与四个感光体41对应的四个一次转印辊441、中间转印带440、二次转印辊442以及带清洁装置443。
四个图像制作部4x在感光体41的表面分别形成青色、品红色、黄色以及黑色的所述调色剂像。各个一次转印辊441也是各个图像制作部4x的一部分。
在各个图像制作部4x,一次转印辊441边旋转边对中间转印带440朝向感光体41的表面施力。一次转印辊441将所述调色剂像从感光体41向中间转印带440转印。由此,在中间转印带440上形成由四种颜色的所述调色剂像构成的彩色图像。
在各个图像制作部4x,鼓清洁装置45从感光体41除去未转印到中间转印带440上而残留在感光体41上的调色剂并回收。
二次转印辊442将中间转印带440上的四种颜色的所述调色剂像转印到所述薄片体上。另外,在图像处理装置10中,感光体41以及转印装置44的中间转印带440分别是担载所述调色剂像并旋转的像载体的一例。
带清洁装置443从中间转印带440除去未转印到所述薄片体上而残留在中间转印带440上的调色剂并回收。
如图1所示,图像处理装置10除了具备图像形成装置2以及图像读取装置1以外,还具备数据处理部8以及人机界面装置800。人机界面装置800包括操作部801以及显示部802。
数据处理部8执行与所述打印处理或所述读取处理有关的各种数据处理,进而控制各种电气设备。
操作部801是接受使用者的操作的装置。例如,操作部801包括按钮和触摸面板的一方或双方。显示部802包括显示向使用者提供的信息的显示面板。
如图2所示,数据处理部8具备CPU(Central Processing Unit,中央处理器)80、RAM(Random Access Memory,随机存储器)81、辅助存储装置82以及通信装置83。
CPU80能够执行通信装置83的接收数据的处理、各种图像处理以及图像形成装置2的控制。所述接收数据有时包括所述打印数据。CPU80是执行包括所述图像处理的数据处理的处理器的一例。另外,CPU80也可以由DSP(Digital Signal Processor,数字信号处理器)等其他种类的处理器实现。
通信装置83是通过LAN(Local Area Network,局域网)等网络与所述主机装置等其他装置之间进行通信的通信接口设备。CPU80通过通信装置83进行与所述其他装置之间的数据的发送以及接收的全部。
辅助存储装置82是计算机可读取的非易失性的存储装置。辅助存储装置82存储由CPU80执行的计算机程序以及由CPU80参照的各种数据。例如,采用闪存器和硬盘驱动器的一方或双方作为辅助存储装置82。
RAM81是计算机可读取的易失性的存储装置。RAM81主存储CPU80执行的所述计算机程序、以及在CPU80执行所述程序的过程中输出以及参照的数据。
CPU80包括通过执行所述计算机程序而实现的多个处理模块。所述多个处理模块包括主控制部8a以及作业控制部8b等。另外,所述多个处理模块的一部分或全部也可以由DSP等与CPU80分开的独立的处理器实现。
主控制部8a执行与针对操作部801的操作相应的作业的选择处理、使显示部802显示信息的处理以及设定各种数据的处理等。此外,主控制部8a也执行判别通信装置83的接收数据的内容的处理。
作业控制部8b控制图像读取装置1以及图像形成装置2。例如,在通信装置83的接收数据包含所述打印数据的情况下,作业控制部8b使图像形成装置2执行基于所述接收数据的所述打印处理。
另外,当主控制部8a检测到针对操作部801的复印请求操作时,作业控制部8b使图像读取装置1执行所述读取处理,并且使图像形成装置2执行基于通过所述读取处理得到的图像的所述打印处理。
在所述打印处理中,有时会在形成于输出薄片体的图像产生竖线Ps11、横线Ps12、噪声点Ps13或浓度不均等图像不良(参照图6、8)。
如上所述,图像形成装置2用电子照相方式执行所述打印处理。在该情况下,所述图像不良的原因可以考虑感光体41、带电装置42、显影装置43以及转印装置44等各种各样的部分。并且,所述图像不良的原因的判断需要熟练。
在本实施方式中,图像形成装置2执行在所述薄片体上形成预先确定的原测试图像g01的测试打印处理。
例如,当主控制部8a检测到针对操作部801的测试输出操作时,作业控制部8b使图像形成装置2执行所述测试打印处理。在以下的说明中,将形成有原测试图像g01的所述薄片体称为测试输出薄片体9(参照图1)。
此外,主控制部8a在执行所述测试打印处理时使显示部802显示预先确定的引导消息。该引导消息是催促在将测试输出薄片体9放置到图像读取装置1后对操作部801进行读取开始操作的消息。
并且,当主控制部8a在使显示部802显示了所述引导消息后检测到针对操作部801的读取开始操作时,作业控制部8b使图像读取装置1执行所述读取处理。由此,由图像读取装置1从由图像形成装置2输出的测试输出薄片体9读取原测试图像g01,得到与原测试图像g01对应的读取图像。
并且,如后所述,CPU80执行根据所述读取图像或作为将所述读取图像压缩得到的图像的测试图像g1判断所述图像不良的有无以及原因的处理(参照图6)。CPU80是执行用于判断所述图像不良的有无以及原因的图像处理方法的处理的处理器的一例。
另外,从测试输出薄片体9读取原测试图像g01的装置例如也可以是数码相机。另外,图像读取装置1或所述数码相机从测试输出薄片体9读取原测试图像g01的处理是针对测试输出薄片体9的图像读取处理的一例。
但是,在通过图像的颜色、浓度或网线数等特定的图像参数的值与预先确定的阈值的比较来判断所述图像不良的原因的情况下,容易发生判断的遗漏或错误判断。
另一方面,图像的模式识别处理适合以高精度将输入图像分类为很多事象的情况。例如,所述模式识别处理是利用将与多个事象的候选对应的样本图像作为训练数据进行了学习的学习模型来判断输入图像是与所述多个事象的候选中的哪个对应的图像的处理等。
但是,图像的信息量多,所述图像不良的种类存在竖线Ps11、横线Ps12、噪声点Ps13以及所述浓度不均等多个(参照图6、8)。进而,针对所述图像不良的每个种类所能够想到的原因的候选也多。
因此,在使用包含所述图像不良的测试图像g1作为所述模式识别处理的输入图像的情况下,所述模式识别处理的运算量变得非常大。因此,难以用数码复合机等所具备的处理器执行所述模式识别处理。
另外,为了提高所述图像不良的原因的判断精度,需要庞大的所述训练数据用于所述学习模型的学习。但是,针对图像形成装置2的每个机种准备与所能够想到的所述图像不良的种类以及所述图像不良的原因的组合对应的庞大数量的测试图像g1需要极多的时间和劳力。
在图像处理装置10中,CPU80执行后述的图像不良判断处理(参照图3)。由此,CPU80能够抑制运算量并且能够以高精度判断在图像形成装置2中发生的所述图像不良的原因。
在以下的说明中,成为CPU80的处理的对象的测试图像g1等图像是数字图像数据。所述数字图像数据构成针对三原色分别包含与主扫描方向D1以及和主扫描方向D1交叉的副扫描方向D2的二维的坐标区域对应的多个像素值的映射数据(map data)。所述三原色例如是红色、绿色以及蓝色。另外,副扫描方向D2与主扫描方向D1正交。另外,主扫描方向D1是测试图像g1的横向,副扫描方向D2是测试图像g1的纵向。
例如,原测试图像g01以及测试图像g1是将与图像形成装置2的多个显影色对应的各个均匀的多个单色半色调图像合成得到的混色半色调图像。所述多个单色半色调图像是分别以预先确定的中间灰度的基准浓度均匀地形成的图像。
在本实施方式中,原测试图像g01以及测试图像g1是将与图像形成装置2的所有显影色对应的各个均匀的四个单色半色调图像合成得到的混色半色调图像。在所述测试打印处理中,输出包含一个原测试图像g01的一张测试输出薄片体9。因此,与原测试图像g01对应的一个测试图像g1是所述图像不良的特定对象。
另外,CPU80的所述多个处理模块为了执行所述图像不良判断处理,还包括特征图像生成部8c、特异部确定部8d、颜色矢量确定部8e、周期性判断部8f、模式识别部8g以及随机不均判断部8h(参照图2)。
[图像不良判断处理]
以下,参照图3所示的流程图对所述图像不良判断处理的顺序的一例进行说明。在以下的说明中,S101、S102、……表示所述图像不良判断处理中的多个步骤的识别符号。
当在所述引导消息显示于显示部802之后根据针对操作部801的所述读取开始操作执行了所述读取处理时,主控制部8a使特征图像生成部8c执行所述图像不良判断处理的步骤S101的处理。
<步骤S101>
在步骤S101中,特征图像生成部8c从在针对测试输出薄片体9的所述图像读取处理中得到的所述读取图像生成测试图像g1。
例如,特征图像生成部8c从所述读取图像提取除去了外缘的空白区域以及文字部的所述原图像的部分作为测试图像g1。
或者,特征图像生成部8c通过将从所述读取图像除去了外缘的空白区域的所述原图像的部分向预先确定的基准分辨率压缩的压缩处理,生成测试图像g1。特征图像生成部8c在所述读取图像的分辨率比所述基准分辨率高的情况下对所述读取图像进行压缩。在生成了测试图像g1后,主控制部8a使处理向步骤S102转移。
<步骤S102>
在步骤S102中,特征图像生成部8c开始后述的特异不良判断处理。所述特异不良判断处理是判断测试图像g1的竖线Ps11、横线Ps12或噪声点Ps13等特异部Ps1的有无以及特异部Ps1的发生原因的处理(参照图6)。特异部Ps1是所述图像不良的一例。
此外,在所述特异不良判断处理结束了时,主控制部8a使处理向步骤S103转移。
<步骤S103>
在步骤S103中,周期性判断部8f开始后述的浓度不均判断处理。此外,在所述浓度不均判断处理结束时,主控制部8a使处理向步骤S104转移。
<步骤S104>
在步骤S104中,主控制部8a在通过步骤S102或步骤S103的处理判断为发生了所述图像不良的情况下,使处理向步骤S105转移,在并非如此的情况下,使处理向步骤S106转移。
<步骤S105>
在步骤S105中,主控制部8a执行与通过步骤S102或步骤S103的处理判断为发生的所述图像不良的种类以及原因预先建立关联的不良应对处理。
例如,所述不良应对处理包括以下所示的第一应对处理和第二应对处理的一方或双方。所述第一应对处理是使显示部802显示催促作为所述图像不良的原因的部件的更换或清扫的应对消息。
针对所述特征模式识别处理的每个判断结果,预先确定所述应对消息。所述应对消息是与所述特征模式识别处理的判断结果对应的消息的一例。
所述第二应对处理是为了消除或缓和所述图像不良而校正图像制作参数的处理。所述图像制作参数是与图像制作部4x的控制有关的参数。
在所述第一应对处理中,主控制部8a可以通过通信装置83向预先确定的终端发送所述应对消息。由此,所述应对消息显示于所述终端的显示部。所述终端例如由服务人员或特定的使用者等利用。
主控制部8a在执行了所述不良应对处理后,结束所述图像不良判断处理。
<步骤S106>
另一方面,在步骤S106中,主控制部8a在执行了表示未确定到所述图像不良的正常通知之后,结束所述图像不良判断处理。
[特异不良判断处理]
接着,参照图4所示的流程图对步骤S102的所述特异不良判断处理的顺序的一例进行说明。在以下的说明中,S201、S202、……表示所述特异不良判断处理中的多个步骤的识别符号。所述特异不良判断处理从步骤S201开始。
<步骤S201>
首先,在步骤S201中,特征图像生成部8c通过对测试图像g1执行预先确定的特征提取处理,生成多个特征图像g21、g22、g23。各个特征图像g21、g22、g23是提取测试图像g1中的预先确定的特定种类的特异部Ps1得到的图像。
在本实施方式中,多个特征图像g21、g22、g23包括第一特征图像g21、第二特征图像g22以及第三特征图像g23(参照图6)。
第一特征图像g21是提取测试图像g1中的竖线Ps11得到的图像。第二特征图像g22是提取测试图像g1中的横线Ps12得到的图像。第三特征图像g23是提取测试图像g1中的噪声点Ps13得到的图像。
在本实施方式中,所述特征提取处理包括第一前处理、第二前处理以及特异部提取处理。在以下的说明中,将从测试图像g1依次选择的像素称为关注像素Px1(参照图6、7)。
特征图像生成部8c通过将主扫描方向D1作为处理方向Dx1执行针对测试图像g1的所述第一前处理,生成第一前处理图像g11(参照图6)。
进而,特征图像生成部8c通过将副扫描方向D2作为处理方向Dx1执行针对测试图像g1的所述第二前处理,生成第二前处理图像g12(参照图6)。
进而,特征图像生成部8c通过执行针对第一前处理图像g11以及第二前处理图像g12的所述特异部提取处理,生成三个特征图像g21、g22、g23。
所述第一前处理包括将主扫描方向D1作为处理方向Dx1的主滤波处理。所述主滤波处理是将从测试图像g1依次选择的关注像素Px1的像素值向通过对关注区域Ax1的像素值与两个相邻区域Ax2的像素值之差进行强调的处理得到的变换值变换的处理(参照图6、7)。
关注区域Ax1是包含关注像素Px1的区域,两个相邻区域Ax2是相对于关注区域Ax1在预先设定的处理方向Dx1的两侧相邻的区域。关注区域Ax1以及相邻区域Ax2是分别包含一个以上的像素的区域。
根据应提取的竖线Ps11或横线Ps12的宽度、或者应提取的噪声点Ps13的大小,设定关注区域Ax1以及相邻区域Ax2的尺寸。
关注区域Ax1以及相邻区域Ax2的每个在与处理方向Dx1交叉的方向上占有相同的范围。在图7所示的例子中,关注区域Ax1是以关注像素Px1为中心横跨3列以及7行的21个像素的区域。相邻区域Ax2的每个也是横跨3列7行的21个像素的区域。另外,对于关注区域Ax1以及相邻区域Ax2的每个,行数是沿着处理方向Dx1的线的数量,列数是沿着与处理方向Dx1交叉的方向的线的数量。预先设定关注区域Ax1以及相邻区域Ax2的每个的大小。
在所述主滤波处理中,使用预先确定的第一校正系数K1将关注区域Ax1的各像素值向第一校正值变换,使用预先确定的第二校正系数K2将相邻区域Ax2的每个的各像素值向第二校正值变换。
例如,第一校正系数K1是与关注区域Ax1的各像素值相乘的1以上位数的系数,第二校正系数K2是与相邻区域Ax2的各像素值相乘的小于0的系数。在该情况下,设定第一校正系数K1以及第二校正系数K2,以使将关注区域Ax1的像素数乘以第一校正系数K1得到的值与将两个相邻区域Ax2的像素数乘以第二校正系数K2得到的值的合计成为零。
特征图像生成部8c通过将第一校正系数K1乘以关注区域Ax1的各像素值,导出与关注区域Ax1的各像素对应的所述第一校正值,通过将第二校正系数K2乘以两个相邻区域Ax2的各像素值,导出与两个相邻区域Ax2的各像素对应的第二校正值。然后,特征图像生成部8c导出将所述第一校正值以及所述第二校正值综合得到的值作为关注像素Px1的像素值的所述变换值。
例如,特征图像生成部8c通过将与关注区域Ax1的多个像素对应的多个所述第一校正值的合计值或平均值和与两个相邻区域Ax2的多个像素对应的多个所述第二校正值的合计值或平均值相加,导出所述变换值。
所述变换值的绝对值成为将关注区域Ax1的像素值与两个相邻区域Ax2的像素值之差的绝对值放大后的值。导出将所述第一校正值以及所述第二校正值综合得到的所述变换值的处理是对关注区域Ax1的像素值与两个相邻区域Ax2的像素值之差进行强调的处理的一例。
另外,也可以考虑第一校正系数K1为负数、第二校正系数K2为正数的情况。
例如,可以考虑特征图像生成部8c生成第一主映射数据作为第一前处理图像g11,所述第一主映射数据包含通过将主扫描方向D1作为处理方向Dx1的所述主滤波处理得到的多个所述综合值。
如图6所示,在测试图像g1包含竖线Ps11和噪声点Ps13的一方或双方的情况下,通过将主扫描方向D1作为处理方向Dx1的所述主滤波处理,生成提取测试图像g1所包含的竖线Ps11和噪声点Ps13的一方或双方得到的所述第一主映射数据。
另外,在测试图像g1包含横线Ps12的情况下,通过将主扫描方向D1作为处理方向Dx1的所述主滤波处理,生成除去了测试图像g1所包含的横线Ps12的所述第一主映射数据。
另外,竖线Ps11相当于第一特异部,横线Ps12相当于第二特异部,噪声点Ps13相当于第三特异部。
另一方面,所述第二前处理包括将副扫描方向D2作为处理方向Dx1的所述主滤波处理。
例如,可以考虑特征图像生成部8c生成第二主映射数据作为第二前处理图像g12,所述第二主映射数据包含通过将副扫描方向D2作为处理方向Dx1的所述主滤波处理得到的多个所述综合值。
如图6所示,在测试图像g1包含横线Ps12和噪声点Ps13的一方或双方的情况下,通过将副扫描方向D2作为处理方向Dx1的所述主滤波处理,生成提取测试图像g1所包含的横线Ps12和噪声点Ps13的一方或双方得到的所述第二主映射数据。
另外,在测试图像g1包含竖线Ps11的情况下,通过将副扫描方向D2作为处理方向Dx1的所述主滤波处理,生成除去了测试图像g1所包含的竖线Ps11的所述第二主映射数据。
但是,在所述主滤波处理中,存在如下的情况:在特异部Ps1的处理方向Dx1的两端的边缘部,有时导出相对于表示原来的特异部Ps1的状态的所述综合值正负相反的错误的所述综合值。在将这样的错误的所述综合值作为表示特异部Ps1的像素值进行了处理的情况下,有可能对所述图像不良的判断造成恶劣影响。
因此,在本实施方式中,所述第一前处理除了包括将主扫描方向D1作为处理方向Dx1的所述主滤波处理以外,还包括将主扫描方向D1作为处理方向Dx1的边缘强调滤波处理。
同样地,所述第二前处理除了包括将副扫描方向D2作为处理方向Dx1的所述主滤波处理以外,还包括将副扫描方向D2作为处理方向Dx1的所述边缘强调滤波处理。
所述边缘强调滤波处理是将关注区域Ax1以及两个相邻区域Ax2中的预先确定的一方作为对象进行边缘强调的处理。
具体而言,所述边缘强调滤波处理是如下的处理:将从测试图像g1依次选择的关注像素Px1的像素值向将用正或负的第三校正系数K3对关注区域Ax1的像素值进行校正得到的第三校正值和用与第三校正系数K3正负相反的第四校正系数K4对一方的相邻区域Ax2的像素值进行校正得到的第四校正值综合得到的边缘强度变换(参照图6)。
在图6所示的例子中,第三校正系数K3是正的系数,第四校正系数K4是负的系数。设定第三校正系数K3以及第四校正系数K4,以使将关注区域Ax1的像素数乘以第三校正系数K3得到的值与将一方的相邻区域Ax2的像素数乘以第四校正系数K4得到的值的合计成为零。
通过将主扫描方向D1作为处理方向Dx1执行所述边缘强调滤波处理,生成测试图像g1的各像素值向所述边缘强度变换得到的横边缘强度映射数据。
同样地,通过将副扫描方向D2作为处理方向Dx1执行所述边缘强调滤波处理,生成将测试图像g1的各像素值向所述边缘强度变换得到的纵边缘强度映射数据。
在本实施方式中,特征图像生成部8c生成通过将主扫描方向D1作为处理方向Dx1的所述主滤波处理生成的所述第一主映射数据。
此外,特征图像生成部8c通过执行将主扫描方向D1作为处理方向Dx1的所述边缘强调滤波处理,生成所述横边缘强度映射数据。
进而,特征图像生成部8c通过用对应的所述横边缘强度映射数据的各像素值校正所述第一主映射数据的各像素值,生成第一前处理图像g11。例如,特征图像生成部8c通过将所述横边缘强度映射数据的各像素值的绝对值与所述第一主映射数据的各像素值相加,生成第一前处理图像g11。
同样地,特征图像生成部8c通过执行将副扫描方向D2作为处理方向Dx1的所述主滤波处理,生成所述第二主映射数据。
进而,特征图像生成部8c通过执行将副扫描方向D2作为处理方向Dx1的所述边缘强调滤波处理,生成所述纵边缘强度映射数据。
进而,特征图像生成部8c通过用对应的所述纵边缘强度映射数据的各像素值校正所述第二主映射数据的各像素值,生成第二前处理图像g12。例如,特征图像生成部8c通过将所述纵边缘强度映射数据的各像素值的绝对值与所述第二主映射数据的各像素值相加,生成第二前处理图像g12。
所述特异部提取处理是生成分别单独地提取第一前处理图像g11或第二前处理图像g12所包含的竖线Ps11、横线Ps12以及噪声点Ps13得到的三个特征图像g21、g22、g23的处理。三个特征图像g21、g22、g23是第一特征图像g21、第二特征图像g22以及第三特征图像g23。
第一特征图像g21是在第一前处理图像g11以及第二前处理图像g12的由一个以上的有意义的像素构成的特异部Ps1中提取存在于第一前处理图像g11且在第一前处理图像g11以及第二前处理图像g12中不共通的特异部Ps1得到的图像。第一特征图像g21不包含横线Ps12以及噪声点Ps13,在第一前处理图像g11包含竖线Ps11的情况下包含该竖线Ps11。
另外,所述有意义的像素是通过对测试图像g1的各像素值或基于各像素值的指标值与预先确定的阈值进行比较而能够与其他的像素区别的像素。
第二特征图像g22是在第一前处理图像g11以及第二前处理图像g12的特异部Ps1中提取存在于第二前处理图像g12且在第一前处理图像g11以及第二前处理图像g12中不共通的特异部Ps1得到的图像。第二特征图像g22不包含竖线Ps11以及噪声点Ps13,在第二前处理图像g12包含横线Ps12的情况下包含该横线Ps12。
第三特征图像g23是提取在第一前处理图像g11以及第二前处理图像g12中共通的特异部Ps1得到的图像。第三特征图像g23不包含竖线Ps11以及横线Ps12,在第一前处理图像g11以及第二前处理图像g12包含噪声点Ps13的情况下包含该噪声点Ps13。
从第一前处理图像g11以及第二前处理图像g12生成三个特征图像g21、g22、g23的方法可以考虑各种方法。
例如,特征图像生成部8c通过将作为第一前处理图像g11的超过预先确定的基准值的各像素值的第一像素值Xi以及作为第二前处理图像g12的超过所述基准值的各像素值的第二像素值Yi应用于以下的(1)式,导出指标值Zi。此处,下标i是各像素的位置的识别编号。
[数式1]
Zi=(|Xi|-|Yi|)/(|Xi|+|Yi|)··· (1)
构成竖线Ps11的像素的指标值Zi的值成为比较大的正数。另外,构成横线Ps12的像素的指标值Zi的值成为比较小的负数。另外,构成噪声点Ps13的像素的指标值Zi的值成为0或接近0的值。指标值Zi是第一前处理图像g11以及第二前处理图像g12中的对应的各像素值之差的指标值的一例。
指标值Zi的上述性质能够用于使从第一前处理图像g11提取竖线Ps11、从第二前处理图像g12提取横线Ps12、从第一前处理图像g11或第二前处理图像g12提取噪声点Ps13的处理简单化。
例如,特征图像生成部8c将第一前处理图像g11的第一像素值Xi向通过以下的(2)式导出的第一特异度Pi变换而生成第一特征图像g21。由此,生成从第一前处理图像g11提取竖线Ps11得到的第一特征图像g21。
[数式2]
Pi=Xi·Zi··· (2)
此外,特征图像生成部8c将第二前处理图像g12的第二像素值Yi向通过以下的(3)式导出的第二特异度Qi变换而生成第二特征图像g22。由此,生成从第二前处理图像g12提取横线Ps12得到的第二特征图像g22。
[数式3]
Qi=Yi·(-Zi)··· (3)
此外,特征图像生成部8c将第一前处理图像g11的第一像素值Xi向通过以下的(4)式导出的第三特异度Ri变换而生成第三特征图像g23。由此,生成从第一前处理图像g11提取噪声点Ps13得到的第三特征图像g23。
[数式4]
Ri=Xi·(1-Zi)··· (4)
或者,特征图像生成部8c也可以将第二前处理图像g12的第二像素值Yi向通过以下的(5)式导出的第三特异度Ri变换而生成第三特征图像g23。由此,生成从第二前处理图像g12提取噪声点Ps13得到的第三特征图像g23。
[数式5]
Ri=Yi·(Zi-1)··· (5)
如以上所示那样,特征图像生成部8c通过用基于指标值Zi的预先确定的(2)式对第一前处理图像g11的各像素值进行变换的处理生成第一特征图像g21。(2)式是第一变换式的一例。
进而,特征图像生成部8c通过用基于指标值Zi的预先确定的(3)式对第二前处理图像g12的各像素值进行变换的处理生成第二特征图像g22。(3)式是第二变换式的一例。
此外,特征图像生成部8c通过用基于指标值Zi的预先确定的(4)式或(5)式对第一前处理图像g11或第二前处理图像g12的各像素值进行变换的处理生成第三特征图像g23。(4)式以及(5)式分别是第三变换式的一例。
步骤S201的生成第一特征图像g21、第二特征图像g22以及第三特征图像g23的处理是在第一前处理图像g11以及第二前处理图像g12的一个以上的特异部Ps1中提取竖线Ps11、横线Ps12以及噪声点Ps13分别作为所述图像不良的处理的一例。
特征图像生成部8c在生成了特征图像g21、g22、g23后,使处理向步骤S202转移。
<步骤S202>
在步骤S202中,特异部确定部8d确定各个特征图像g21、g22、g23的特异部Ps1的位置。
例如,特异部确定部8d将各个特征图像g21、g22、g23的具有从预先确定的基准范围偏离的像素值的部分判断为特异部Ps1。
另外,对于各个特征图像g21、g22、g23,在多个特异部Ps1在各个主扫描方向D1以及副扫描方向D2上存在于预先确定的接近范围内的情况下,特异部确定部8d执行将这些多个特异部Ps1结合作为一系列的一个特异部Ps1的结合处理。
例如,在第一特征图像g21在所述接近范围内包含在副扫描方向D2上隔开间隔排列的2根竖线Ps11的情况下,特异部确定部8d通过所述结合处理将这些2根竖线Ps11结合作为1根竖线Ps11。
同样地,在第二特征图像g22在所述接近范围内包含在主扫描方向D1上隔开间隔排列的2根横线Ps12的情况下,特异部确定部8d通过所述结合处理将这些2根横线Ps12结合作为1根横线Ps12。
另外,在第三特征图像g23在所述接近范围内包含在主扫描方向D1或副扫描方向D2上隔开间隔排列的多个噪声点Ps13的情况下,特异部确定部8d通过所述结合处理将这些多个噪声点Ps13结合作为一个噪声点Ps13。
当在三个特征图像g21、g22、g23的任一个中都未确定到特异部Ps1的位置的情况下,特异部确定部8d结束所述特异不良判断处理。另一方面,当对三个特征图像g21、g22、g23中的一个以上确定出特异部Ps1的位置的情况下,特异部确定部8d使处理向步骤S203转移。
<步骤S203>
在步骤S203中,颜色矢量确定部8e特定颜色矢量,所述颜色矢量表示从测试图像g1的特异部Ps1的颜色以及包含特异部Ps1的周围的参照区域的颜色的一方向另一方的颜色空间内的矢量。
所述参照区域是将特异部Ps1作为基准确定的预先确定的范围的区域。例如,所述参照区域是包括与特异部Ps1相邻的周围区域且不包括特异部Ps1的区域。另外,所述参照区域也可以包括特异部Ps1以及与特异部Ps1相邻的周围区域。
测试图像g1本来是均匀的半色调图像。因此,在良好的测试图像g1形成于测试输出薄片体9的情况下,确定不到特异部Ps1,测试图像g1中的任意位置的所述颜色矢量也大致为零矢量。
另一方面,在确定到特异部Ps1的情况下,特异部Ps1和与该特异部Ps1对应的所述参照区域之间的所述颜色矢量的方向表示图像形成装置2的四个显影色中的任一个的调色剂浓度的过剩或不足。
因此,所述颜色矢量的方向表示特异部Ps1发生的原因是图像形成装置2的四个图像制作部4x中的哪个。
另外,颜色矢量确定部8e也可以将从测试图像g1中的特异部Ps1的颜色和预先确定的基准色中的一方朝另一方的颜色空间内的矢量确定为所述颜色矢量。在该情况下,所述基准色是测试图像g1的本来的颜色。
进而,在步骤S203中,颜色矢量确定部8e根据所述颜色矢量,判断成为特异部Ps1的原因的显影色以及该显影色的浓度的过剩或不足的状态。
例如,在辅助存储装置82预先存储有多个单位矢量的信息,所述多个单位矢量的信息表示相对于测试图像g1的所述基准色而青色、品红色、黄色或黑色的各个浓度增大的方向以及同浓度不足的方向。
颜色矢量确定部8e将所述颜色矢量标准化为预先确定的单位长度。此外,颜色矢量确定部8e判断标准化后的所述颜色矢量和与青色、品红色、黄色或黑色的浓度的增大或不足对应的多个所述单位矢量中的哪个最近似,由此判断成为特异部Ps1的原因的显影色以及该显影色的浓度的过剩或不足的状态。
然后,颜色矢量确定部8e在执行了步骤S203的处理后,使处理向步骤S204转移。
<步骤S204>
在步骤S204中,当在第二特征图像g22以及第三特征图像g23的一方或双方中确定到特异部Ps1的情况下,周期性判断部8f使处理向步骤S205转移,在未确定到特异部Ps1的情况下,周期性判断部8f使处理向步骤S206转移。
在以下的说明中,将第二特征图像g22以及第三特征图像g23中的确定到特异部Ps1的一方或双方称为周期性判断对象图像。所述周期性判断对象图像的特异部Ps1是横线Ps12或噪声点Ps13(参照图6)。
<步骤S205>
在步骤S205中,周期性判断部8f对所述周期性判断对象图像执行周期性特异部判断处理。所述周期性特异部判断处理包括数量判断处理、特异部周期性判断处理以及特异部周期性原因判断处理。
所述数量判断处理是判断在所述周期性判断对象图像中在副扫描方向D2上排列的特异部Ps1的数量的处理。
具体而言,周期性判断部8f通过对在第二特征图像g22中占有主扫描方向D1的相同范围的部分超过预先确定的比例的横线Ps12在副扫描方向D2上排列的数量进行计数,判断在副扫描方向D2上排列的横线Ps12的数量。
进而,周期性判断部8f通过对在第三特征图像g23中主扫描方向D1的位置偏移在预先确定的范围内的噪声点Ps13在副扫描方向D2上排列的数量进行计数,判断在副扫描方向D2上排列的噪声点Ps13的数量。
周期性判断部8f仅对在副扫描方向D2上排列的数量为两个以上的特异部Ps1执行所述特异部周期性判断处理。
另外,周期性判断部8f对于在副扫描方向D2上排列的数量为一个的特异部Ps1,判断为没有所述周期性,跳过所述特异部周期性判断处理以及所述特异部周期性原因判断处理。
所述特异部周期性判断处理是对所述周期性判断对象图像判断副扫描方向D2上的预先确定的一个以上的周期性的有无的处理。
所述周期性在各个图像制作部4x或者转印装置44中与感光体41、带电辊42a、显影辊43a或一次转印辊441等图像制作关联的旋转体的外周长度对应。所述图像制作关联的旋转体的状态影响到形成在所述薄片体的图像的好坏。在以下的说明中,将所述图像制作关联的旋转体称为图像制作旋转体。
在由于所述图像制作旋转体的不良的原因而发生所述图像不良的情况下,与所述图像制作旋转体的外周长度对应的所述周期性有时作为多个横线Ps12或多个噪声点Ps13的副扫描方向D2的间隔显现。
因此,在所述周期性判断对象图像具有与所述图像制作旋转体的外周长度对应的所述周期性的情况下,可以说与该周期性对应的所述图像制作旋转体是所述周期性判断对象图像中的横线Ps12或噪声点Ps13的原因。
当在所述周期性判断对象图像中在副扫描方向D2上排列的特异部Ps1的数量为两个的情况下,周期性判断部8f作为所述特异部周期性判断处理而执行间隔导出处理。
周期性判断部8f在所述间隔导出处理中导出两个特异部Ps1的副扫描方向D2上的间隔作为两个特异部Ps1的周期。
当在所述周期性判断对象图像中在副扫描方向D2上排列的特异部Ps1的数量为三个以上的情况下,周期性判断部8f作为所述特异部周期性判断处理而执行频率分析处理。
周期性判断部8f在所述频率分析处理中对包含在副扫描方向D2上排列的三个以上的特异部Ps1的所述周期性判断对象图像进行傅里叶变换等频率分析,由此确定所述周期性判断对象图像中的特异部Ps1的数据串的频率分布中的支配频率亦即特异部频率。
此外,周期性判断部8f导出与所述特异部频率对应的周期作为三个以上的特异部Ps1的周期。
并且,周期性判断部8f在所述特异部周期性原因判断处理中针对预先确定的所述图像制作旋转体的多个候选判断各候选的外周长度在与特异部Ps1的周期之间是否满足预先确定的周期近似条件。步骤S205中的所述图像制作旋转体的多个候选是与横线Ps12或噪声点Ps13对应的预先确定的多个原因候选的一例。
在以下的说明中,在第二特征图像g22以及第三特征图像g23所包含的特异部Ps1中,将判断为所述图像制作旋转体的候选中的某一个满足所述周期近似条件的对象的特异部Ps1称为周期特异部,将其他的特异部Ps1称为非周期特异部。
周期性判断部8f在所述特异部周期性原因判断处理中将判断为满足所述周期近似条件的所述图像制作旋转体的候选的一个判断为是所述周期性特异部的发生的原因。由此,能够判断横线Ps12或噪声点Ps13的原因。
另外,在步骤S205中,周期性判断部8f根据在步骤S203中判断出的所述颜色矢量,判断横线Ps12或噪声点Ps13的原因是显影色分别不同的四个图像制作部4x中的哪个的所述图像制作旋转体。
另外,当在副扫描方向D2上排列的三个以上的特异部Ps1包含与所述特异部频率不对应的所述非周期性特异部的情况下,周期性判断部8f将所述非周期性特异部作为后述的特征模式识别处理的对象。
例如,周期性判断部8f通过对从通过所述傅里叶变换得到的所述频率分布除去了所述特异部频率以外的频率成分后的频率分布实施逆傅里叶变换,生成逆傅里叶变换数据。
进而,周期性判断部8f将在副扫描方向D2上排列的三个以上的特异部Ps1中存在于从所述逆傅里叶变换数据表示的副扫描方向D2的波形的波峰位置偏离的位置的特异部判别为所述非周期性特异部。
然后,在作为步骤S205的处理的结果而判断为第二特征图像g22以及第三特征图像g23不包含所述非周期性特异部的情况下,周期性判断部8f结束所述特异不良判断处理。
另一方面,在作为步骤S205的处理的结果而判断为第二特征图像g22以及第三特征图像g23包含所述非周期性特异部的情况下,使处理向步骤S206转移。
<步骤S206>
在步骤S206中,模式识别部8g对第一特征图像g21与分别包含所述非周期性特异部的第二特征图像g22以及第三特征图像g23分别执行特征模式识别处理。包含所述非周期性特异部的第二特征图像g22或包含所述非周期性特异部的第三特征图像g23是非周期性特征图像的一例。
在所述特征模式识别处理中,将第一特征图像g21与分别包含所述非周期性特异部的第二特征图像g22以及第三特征图像g23分别作为输入图像。模式识别部8g在所述特征模式识别处理中,通过所述输入图像的模式识别,判断所述输入图像和与所述图像不良对应的预先确定的多个原因候选中的哪个对应。
另外,所述特征模式识别处理的所述输入图像也可以包含通过所述边缘强调滤波处理得到的所述横边缘强度映射数据或所述纵边缘强度映射数据。例如,在用于竖线Ps11的判断的所述特征模式识别处理中,将第一特征图像g21以及所述横边缘强度映射数据作为所述输入图像使用。
同样地,在用于横线Ps12的判断的所述特征模式识别处理中,将第二特征图像g22以及所述纵边缘强度映射数据作为所述输入图像使用。
同样地,在用于噪声点Ps13的判断的所述特征模式识别处理中,将第三特征图像g23、以及所述横边缘强度映射数据和所述纵边缘强度映射数据的一方或双方作为所述输入图像使用。
例如,所述特征模式识别处理是利用将与所述多个原因候选对应的多个样本图像作为训练数据预先进行学习得到的学习模型将所述输入图像分类为所述多个原因候选中的任一个的处理。
例如,所述学习模型是采用了被称为随机森林的分类型的机器学习算法的模型、被称为SVM(Support Vector Machine,支持向量机)的机器学习算法起作用的模型、或者采用了CNN(Convolutional Neural Network,卷积神经网络)算法的模型等。
针对第一特征图像g21、以及分别包含所述非周期性特异部的第二特征图像g22和第三特征图像g23,分别单独地准备所述学习模型。另外,针对每个所述原因候选,使用所述多个样本图像作为所述训练数据。
另外,在步骤S206中,模式识别部8g根据在步骤S203中判断出的所述颜色矢量,判断竖线Ps11、横线Ps12或噪声点Ps13的原因是显影色分别不同的四个图像制作部4x中的哪个的部件。
通过步骤S206的处理,判断竖线Ps11的原因、以及作为所述非周期性特异部判别出的横线Ps12以及噪声点Ps13的原因。模式识别部8g在执行了步骤S206的处理后,结束所述特异不良判断处理。
[浓度不均判断处理]
接着,参照图5所示的流程图对步骤S103的所述浓度不均判断处理的顺序的一例进行说明。在以下的说明中,S301、S302、……表示所述浓度不均判断处理中的多个步骤的识别符号。所述浓度不均判断处理从步骤S301开始。
<步骤S301>
在步骤S301中,周期性判断部8f对于测试图像g1针对每个预先确定的特定颜色导出纵数据串VD1。所述特定颜色是与图像形成装置2的显影色对应的颜色。纵数据串VD1是构成测试图像g1的所述特定颜色的图像中的主扫描方向D1的每一行的多个像素值的代表值V1的数据串(参照图7)。
例如,所述特定颜色是图像形成装置2的四个显影色中的三个彩色。在该情况下,周期性判断部8f将构成测试图像g1的红色、绿色以及蓝色的图像数据向青色、黄色以及品红色的图像数据变换。
然后,周期性判断部8f对与测试图像g1对应的三个所述特定颜色的图像数据分别导出主扫描方向D1的每一行的多个像素值的代表值V1,导出与青色、黄色以及品红色对应的三个纵数据串VD1。
另外,所述特定颜色也可以是红色、绿色以及蓝色的三个原色。在该情况下,周期性判断部8f将测试图像g1中的红色、绿色以及蓝色的三个图像数据各自的各像素值向表示相对于测试图像g1中的红色、绿色以及蓝色的三个图像数据的各像素值的平均值或合计值的比的值变换。进而,周期性判断部8f针对变换后的三个图像数据,导出三个纵数据串VD1。
此处,红色是与青色对应的颜色,绿色是与品红色对应的颜色,蓝色是与黄色对应的颜色。即,青色的浓度不均在所述变换后的红色的图像数据中作为浓度不均出现,品红色的浓度不均在所述变换后的绿色的图像数据中作为浓度不均出现,黄色的浓度不均在所述变换后的蓝色的图像数据中作为浓度不均出现。
例如,代表值V1是从主扫描方向D1的行的所有像素值中除去了特异部Ps1的像素值后的剩余的像素值的平均值、最大值或最小值等。另外,代表值V1也可以是主扫描方向D1的行的所有像素值的平均值、最大值或最小值等。
然后,周期性判断部8f在执行了步骤S301的处理后,使处理向步骤S302转移。
<步骤S302>
在步骤S302中,周期性判断部8f针对每个所述特定颜色的纵数据串VD1执行周期性不均判断处理。
例如,周期性判断部8f针对各个纵数据串VD1分别进行傅里叶变换等频率分析,由此确定纵数据串VD1的频率分布的支配频率亦即浓度不均频率。
进而,周期性判断部8f导出与所述浓度不均频率对应的周期作为测试图像g1的浓度不均的周期。
进而,周期性判断部8f针对预先确定的所述图像制作旋转体的多个候选,判断各候选的外周长度在与所述浓度不均的周期之间是否满足所述周期近似条件。判断为所述图像制作旋转体的多个候选的任一个满足所述周期性近似条件意味着判断为在测试图像g1中发生了周期性浓度不均。
步骤S302的所述图像制作旋转体的多个候选是与测试图像g1中的所述周期性浓度不均对应的预先确定的多个原因候选的一例。所述周期性浓度不均是图像不良的一例。
此外,周期性判断部8f根据与纵数据串VD1对应的所述显影色以及判断为满足所述周期近似条件的所述图像制作旋转体的候选,判断所述周期性浓度不均的原因。
但是,在所述周期性浓度不均起因于黑色的图像制作部4x而产生的情况下,在构成测试图像g1的红色、绿色以及蓝色的图像数据的全部中发生像素值的偏差。
因此,周期性判断部8f当判断为在青色、品红色以及黄色的全部中发生了所述周期性共通的所述周期性浓度不均的情况下,判断为黑色的图像制作部4x是该周期性浓度不均的原因。
并且,周期性判断部8f在判断为在测试图像g1中发生了所述周期性浓度不均的情况下,结束所述浓度不均判断处理,在并非如此的情况下,使处理向步骤S303转移。
<步骤S303>
在步骤S303中,随机不均判断部8h针对与测试图像g1对应的三个所述特定颜色的图像数据的各个判断有无发生随机浓度不均。所述随机浓度不均是所述图像不良的一种。
随机不均判断部8h针对三个所述特定颜色的图像数据的各个判断像素值的偏差是否超过预先确定的允许范围,由此判断有无发生所述随机浓度不均。
例如,根据三个所述特定颜色的图像数据各自的方差、标准偏差、或者中央值与最大值以及最小值之差等来判断所述像素值的偏差的大小。
但是,随机不均判断部8h在判断为在青色、品红色以及黄色的全部中发生了所述随机浓度不均的情况下,判断为黑色的图像制作部4x是该随机浓度不均的原因。
并且,随机不均判断部8h当判断为在测试图像g1中发生了所述随机浓度不均的情况下,使处理向步骤S304转移,在不是该情况下结束所述浓度不均判断处理。
<步骤S304>
在步骤S304中,模式识别部8g执行随机模式识别处理。所述随机模式识别处理是如下的处理:将判断为发生了所述随机浓度不均的测试图像g1作为输入图像,通过所述输入图像的模式识别,判断所述输入图像与一个以上的所述原因候选中的哪个对应。
然后,模式识别部8g在执行了步骤S304的处理后,结束所述浓度不均判断处理。
CPU80执行包括所述特异不良判断处理以及所述浓度不均判断处理的所述图像不良判断处理是根据从图像形成装置2的输出薄片体读取到的测试图像g1判断所述图像不良的原因的图像处理方法的一例。
如以上所示那样,特征图像生成部8c将测试图像g1的横向作为处理方向Dx1执行包括所述主滤波处理的所述第一前处理,由此生成第一前处理图像g11。所述主滤波处理是如下的处理:将从测试图像g1依次选择的关注像素Px1的像素值向通过对关注区域Ax1的像素值与相对于关注区域Ax1在预先设定的处理方向Dx1的两侧相邻的两个相邻区域Ax2的像素值之差进行强调的处理得到的变换值变换(参照图4的步骤S201以及图6)。
进而,特征图像生成部8c执行包括将测试图像g1的纵向作为处理方向Dx1的所述主滤波处理的所述第二前处理,由此生成第二前处理图像g12(参照图4的步骤S201以及图6)。
进而,特征图像生成部8c在第一前处理图像g11以及第二前处理图像g12的一个以上的特异部Ps1中提取竖线Ps11、横线Ps12以及噪声点Ps13分别作为所述图像不良(参照图4的步骤S201以及图6)。
步骤S201的所述特征提取处理是运算负荷小的简易的处理。通过这样的简易的处理,能够生成从一个测试图像g1单独地提取形状分别不同的特异部Ps1得到的三个特征图像g21、g22、g23。
然后,周期性判断部8f以及模式识别部8g通过执行使用了第一特征图像g21、第二特征图像g22以及第三特征图像g23的所述周期性特异部判断处理以及所述特征模式识别处理,判断分别作为所述图像不良的一种的竖线Ps11、横线Ps12以及噪声点Ps13的原因(参照图4的步骤S205以及步骤S206、图6)。
通过针对包含种类分别不同的特异部Ps1的三个特征图像g21、g22、g23单独地进行所述图像不良的原因的判断,能够通过比较简易的判断处理以高精度判断所述图像不良的原因。
步骤S205的所述周期性特异部判断处理是如下的处理:针对第二特征图像g22或第三特征图像g23判断副扫描方向D2上的预先确定的一个以上的所述周期性的有无,根据所述周期性的判断结果,判断横线Ps12或噪声点Ps13的原因。
在横线Ps12或噪声点Ps13起因于所述图像制作关联的旋转体的不良而发生的情况下,通过判断与旋转体的外周长度对应的所述周期性的所述周期性特异部判断处理,能够以高精度判断横线Ps12或噪声点Ps13的原因。
另外,步骤S206的所述特征模式识别处理是如下的处理:通过输入图像的模式识别,判断所述输入图像和与所述竖线、所述横线以及所述噪声点对应的预先确定的多个原因候选中的哪个对应。此处,第一特征图像g21与第二特征图像g22以及第三特征图像g23中通过所述周期性特异部判断处理判断为没有所述周期性的特征图像是步骤S206的所述输入图像(参照图4的步骤S204~S206)。
步骤S205的所述周期性特异部判断处理以及步骤S206的所述特征模式识别处理是使用了第一特征图像g21、第二特征图像g22以及第三特征图像g23的预先确定的原因判断处理的一例。
针对分别提取特定的种类的特异部Ps1得到的特征图像g21、g22、g23的每个进行使用了学习模型等的所述特征模式识别处理。由此,能够抑制CPU80的运算量并且能够以高精度判断所述图像不良的原因。另外,仅准备分别与特定的种类的特异部Ps1对应的比较少的训练数据,就能够使特异部Ps1的每个种类的所述学习模型充分地学习。
另外,针对多个特征图像g21、g22、g23中没有成为步骤S205的所述周期性特异部判断处理的对象的第一特征图像g21、以及通过步骤S205的所述周期性特异部判断处理判断为没有所述周期性的第二特征图像g22或第三特征图像g23执行步骤S206的所述特征模式识别处理(参照图4的步骤S204~S206)。
在上述情况下,在所述特征模式识别处理中,能够将所述图像不良的原因是与所述图像制作关联的旋转体的周期性对应的原因的可能性排除在外。由此,能够使所述特征模式识别处理更简单化。
另外,颜色矢量确定部8e确定所述颜色矢量,所述颜色矢量表示从测试图像g1中的特异部Ps1的颜色以及包含特异部Ps1的周围的所述参照区域的颜色的一方朝另一方的颜色空间内的矢量(参照图4的步骤S203)。
并且,步骤S205的周期性判断部8f以及步骤S206的模式识别部8g在所述原因判断处理中还使用所述颜色矢量判断竖线Ps11、横线Ps12以及噪声点Ps13的原因。即,周期性判断部8f以及模式识别部8g利用所述颜色矢量,判断所述图像不良的原因是与图像形成装置2的多个显影色中的哪个对应的部分。
在能够打印彩色图像的图像形成装置2中,通过使用所述颜色矢量,能够容易且可靠地判断所述图像不良是因与多个显影色中的哪种颜色对应的部分引起的。
另外,周期性判断部8f对于测试图像g1按照预先确定的每个所述特定颜色执行所述周期性不均判断处理(参照图5的步骤S301、S302)。所述周期性不均判断处理是如下的处理:判断副扫描方向D2上的预先确定的一个以上的所述周期性的有无,进而根据所述周期性的判断结果,判断作为所述图像不良的一种的所述周期性浓度不均的发生的有无以及原因。
通过所述周期性不均判断处理,能够以高精度判断所述周期性浓度不均的原因。
另外,随机不均判断部8h针对通过步骤S302的所述周期性不均判断处理判断为没有所述周期性的测试图像g1,按照每个所述特定颜色,判断像素值的偏差是否超过了预先确定的允许范围,由此判断有无发生所述随机浓度不均(参照图5的步骤S303)。所述随机浓度不均是所述图像不良的一种。
另外,模式识别部8g将判断为发生了所述随机浓度不均的测试图像g1作为所述输入图像执行所述随机模式识别处理(参照图5的步骤S304)。在所述随机模式识别处理中,通过所述输入图像的模式识别判断所述输入图像与一个以上的所述原因候选中的哪个对应。
另外,测试图像g1是将与图像形成装置2的多个显影色对应的各个均匀的多个单色半色调图像合成得到的混色半色调图像。由此,CPU80能够使用比由图像形成装置2使用的显影色的数量少的测试图像g1,判断针对图像形成装置2的所有显影色的所述图像不良的原因。
[第一应用例]
接着,参照图9所示的流程图对图像处理装置10的第一应用例的所述特征图像生成处理的顺序进行说明。
在以下的说明中,S401、S402、……表示本应用例的所述特征图像生成处理中的多个步骤的识别符号。本应用例的所述特征图像生成处理从步骤S401开始。
<步骤S401>
在步骤S401中,特征图像生成部8c从预先设定的多个压缩率候选中选择要采用的压缩率,使处理向步骤S402转移。
<步骤S402>
在步骤S402中,特征图像生成部8c用选择出的所述压缩率对所述读取图像进行压缩而生成测试图像g1。步骤S401、S402的处理是压缩处理的一例。之后,特征图像生成部8c使处理向步骤S403转移。
<步骤S403>
在步骤S403中,特征图像生成部8c对在步骤S402中得到的压缩后的测试图像g1执行所述第一前处理,由此生成第一前处理图像g11。之后,特征图像生成部8c使处理向步骤S404转移。
<步骤S404>
在步骤S404中,特征图像生成部8c对在步骤S402中得到的压缩后的测试图像g1执行所述第二前处理,由此生成第二前处理图像g12。之后,特征图像生成部8c使处理向步骤S405转移。
<步骤S405>
在步骤S405中,特征图像生成部8c在针对所述多个压缩率候选的全部执行了步骤S401~S404的处理的情况下,使处理向步骤S406转移,在并非如此的情况下,针对不同的所述压缩率执行步骤S401~S404的处理。
特征图像生成部8c在步骤S401、S402的所述压缩处理中,通过用多个压缩率分别对所述读取图像进行压缩,由此生成尺寸不同的多个测试图像g1。
此外,特征图像生成部8c在步骤S403、S404中,通过对多个测试图像g1执行所述第一前处理以及所述第二前处理,由此生成分别与多个测试图像g1对应的多个第一前处理图像g11以及多个第二前处理图像g12。
<步骤S406>
在步骤S406中,特征图像生成部8c对多个第一前处理图像g11以及多个第二前处理图像g12分别执行所述特异部提取处理。由此,特征图像生成部8c生成与多个测试图像g1对应的第一特征图像g21、第二特征图像g22以及第三特征图像g23各自的多个候选。之后,特征图像生成部8c使处理向步骤S407转移。
<步骤S407>
在步骤S407中,特征图像生成部8c通过将在步骤S406中得到的所述多个候选汇总,生成第一特征图像g21、第二特征图像g22以及第三特征图像g23。之后,特征图像生成部8c结束所述特征图像生成处理。
例如,特征图像生成部8c设定第一特征图像g21的多个候选中的各像素值的最大值或平均值等代表值作为第一特征图像g21的各像素值。对于第二特征图像g22以及第三特征图像g23也相同。
步骤S401~S404的处理是通过执行测试图像g1与关注区域Ax1以及相邻区域Ax2的尺寸的尺寸比不同的多次所述第一前处理以及所述第二前处理而生成多个第一前处理图像g11以及多个第二前处理图像g12的处理的一例。变更所述压缩率是变更测试图像g1与关注区域Ax1以及相邻区域Ax2的尺寸的所述尺寸比的一例。
另外,步骤S406~S407的处理是通过基于多个第一前处理图像g11以及多个第二前处理图像g12的所述特异部提取处理而生成第一特征图像g21、第二特征图像g22以及第三特征图像g23的处理的一例。
通过采用本应用例,能够没有遗漏地提取粗细不同的竖线Ps11或横线Ps12、或者大小不同的噪声点Ps13。
[第二应用例]
接着,参照图10所示的流程图对图像处理装置10的第二应用例的所述特征图像生成处理的顺序进行说明。
在以下的说明中,S501、S502、……表示本应用例的所述特征图像生成处理中的多个步骤的识别符号。本应用例的所述特征图像生成处理从步骤S501开始。
<步骤S501~S505>
特征图像生成部8c执行作为与步骤S401~S405相同的处理的步骤S501~S505的处理。在步骤S505中,特征图像生成部8c在针对所述多个压缩率候选的全部执行了步骤S501~S504的处理的情况下,使处理向步骤S506转移。
<步骤S506>
在步骤S506中,特征图像生成部8c将多个第一前处理图像g11以及多个所述第二前处理图像分别汇总为一个。之后,特征图像生成部8c使处理向步骤S507转移。
例如,特征图像生成部8c将多个第一前处理图像g11中的各像素值的最大值或平均值等代表值设定为汇总后的第一特征图像g21的各像素值。对于多个第二前处理图像g12也是相同的。
<步骤S506>
在步骤S506中,特征图像生成部8c通过针对汇总后的第一前处理图像g11以及第二前处理图像g12执行所述特异部提取处理,由此生成第一特征图像g21、第二特征图像g22以及第三特征图像g23。之后,特征图像生成部8c结束所述特征图像生成处理。
在采用本应用例的情况下,也能够得到与采用第一应用例的情况相同的效果。
[第三应用例]
接着,参照图11所示的流程图对图像处理装置10的第三应用例的所述特征图像生成处理的顺序进行说明。
在以下的说明中,S601、S602、……表示本应用例的所述特征图像生成处理中的多个步骤的识别符号。本应用例的所述特征图像生成处理从步骤S601开始。
在以下的说明中,将所述第一前处理以及所述第二前处理中的关注区域Ax1以及相邻区域Ax2的尺寸称为滤波尺寸(filter size)。
<步骤S601>
在步骤S601中,特征图像生成部8c从预先设定的多个尺寸候选中选择要采用的所述滤波尺寸,使处理向步骤S602转移。
<步骤S602>
在步骤S602中,特征图像生成部8c用在步骤S601中选择出的所述滤波尺寸对测试图像g1执行所述第一前处理,由此生成第一前处理图像g11。之后,特征图像生成部8c使处理向步骤S603转移。
<步骤S603>
在步骤S603中,特征图像生成部8c用在步骤S601中选择出的所述滤波尺寸对测试图像g1执行所述第二前处理,由此生成第二前处理图像g12。之后,特征图像生成部8c使处理向步骤S604转移。
<步骤S604>
在步骤S604中,特征图像生成部8c在针对所述多个尺寸候选的全部执行了步骤S601~S603的处理的情况下,使处理向步骤S605转移,在并非如此的情况下,利用不同的所述滤波尺寸执行步骤S601~S603的处理。
特征图像生成部8c在步骤S601~S604中针对一个测试图像g1执行关注区域Ax1以及相邻区域Ax2的尺寸不同的多次的所述第一前处理以及多次的所述第二前处理。由此,特征图像生成部8c生成多个第一前处理图像g11以及多个第二前处理图像g12。
<步骤S605、S606>
特征图像生成部8c在步骤S605以及S606中执行与图9的步骤S406以及S407相同的处理。之后,特征图像生成部8c结束所述特征图像生成处理。
通过步骤S605、S606的处理,将第一特征图像g21、第二特征图像g22以及第三特征图像g23的多个候选汇总,生成汇总后的第一特征图像g21、第二特征图像g22以及第三特征图像g23。
步骤S601~S604的处理是通过执行测试图像g1与关注区域Ax1以及相邻区域Ax2的尺寸的尺寸比不同的多次的所述第一前处理以及所述第二前处理而生成多个第一前处理图像g11以及多个第二前处理图像g12的处理的一例。变更所述滤波尺寸是变更测试图像g1与关注区域Ax1以及相邻区域Ax2的尺寸的所述尺寸比的一例。
通过采用本应用例,能够没有遗漏地提取粗细不同的竖线Ps11或横线Ps12、或者大小不同的噪声点Ps13。
[第四应用例]
接着,参照图11所示的流程图对图像处理装置10的第四应用例的所述特征图像生成处理的顺序进行说明。
在以下的说明中,S701、S702、……表示本应用例的所述特征图像生成处理中的多个步骤的识别符号。本应用例的所述特征图像生成处理从步骤S701开始。
<步骤S701~S704>
特征图像生成部8c执行作为与步骤S601~S604相同的处理的步骤S701~S704的处理。在步骤S704中,特征图像生成部8c在针对所述多个尺寸候选的全部执行了步骤S701~S703的处理的情况下,使处理向步骤S705转移。
<步骤S705、S706>
此外,特征图像生成部8c执行作为与步骤S506、S507相同的处理的步骤S705、S706的处理。之后,特征图像生成部8c结束所述特征图像生成处理。
在采用本应用例的情况下,也能够得到与采用第一应用例的情况相同的效果。
[第五应用例]
接着,对图像处理装置10的第五应用例的所述特征图像生成处理进行说明。
在本应用例中,特征图像生成部8c通过第一前处理图像g11以及第二前处理图像g12的各像素值与预先确定的基准范围的比较,判别构成特异部Ps1的像素与不构成特异部Ps1的像素。
即,在本应用例中,特征图像生成部8c在所述特异部提取处理中,根据第一前处理图像g11以及第二前处理图像g12的各像素值的大小,确定特异部Ps1。
此外,特征图像生成部8c通过从第一前处理图像g11的特异部Ps1除去在第一前处理图像g11以及第二前处理图像g12中共通的特异部Ps1,提取竖线Ps11。
此外,特征图像生成部8c通过从第二前处理图像g12的特异部Ps1除去在第一前处理图像g11以及第二前处理图像g12中共通的特异部Ps1,提取横线Ps12。
此外,特征图像生成部8c提取在第一前处理图像g11以及第二前处理图像g12中共通的特异部Ps1作为噪声点Ps13。
例如,特征图像生成部8c通过将第一前处理图像g11中的除了竖线Ps11以外判别出的第一像素值Xi向基于周围的像素值的插值变换,由此生成第一特征图像g21。
同样地,特征图像生成部8c通过将第二前处理图像g12中的除了横线Ps12以外判别出的第二像素值Yi向基于周围的像素值的插值变换,由此生成第二特征图像g22。
同样地,特征图像生成部8c通过将第一前处理图像g11中的除了噪声点Ps13以外判别出的第一像素值Xi向基于周围的像素值的插值变换,由此生成第三特征图像g23。
或者,特征图像生成部8c也可以通过将第二前处理图像g12中的除了噪声点Ps13以外判别出的第二像素值Yi向基于周围的像素值的插值变换,由此生成第三特征图像g23。
Claims (10)
1.一种图像处理方法,其特征在于,
所述图像处理方法是处理器根据从图像形成装置的输出薄片体读取到的测试图像判断图像不良的原因的图像处理方法,
所述图像处理方法包括:
所述处理器通过对所述测试图像执行预先确定的特征提取处理而生成多个特征图像;以及
所述处理器执行特征模式识别处理,所述特征模式识别处理将所述多个特征图像分别作为输入图像,通过所述输入图像的模式识别,判断所述输入图像和与所述图像不良对应的预先确定的多个原因候选中的哪个对应。
2.根据权利要求1所述的图像处理方法,其特征在于,
所述图像处理方法还包括:所述处理器执行周期性特异部判断处理,所述周期性特异部判断处理针对所述多个特征图像中的一个以上判断预先确定的副扫描方向上的预先确定的一个以上的周期性的有无,根据所述周期性的判断结果判断所述图像不良的原因,
针对所述多个特征图像中的未成为所述周期性特异部判断处理的对象的特征图像以及通过所述周期性特异部判断处理判断为没有所述周期性的特征图像,执行所述特征模式识别处理。
3.根据权利要求1所述的图像处理方法,其特征在于,
所述多个特征图像包括第一特征图像、第二特征图像以及第三特征图像,
所述特征提取处理包括:
通过将所述测试图像的横向作为处理方向执行第一前处理而生成第一前处理图像,所述第一前处理包括主滤波处理,所述主滤波处理将从所述测试图像依次选择的关注像素的像素值向通过对包含所述关注像素的关注区域的像素值与相对于所述关注区域在预先设定的所述处理方向的两侧相邻的两个相邻区域的像素值之差进行强调的处理得到的变换值变换;
通过执行包括将所述测试图像的纵向作为所述处理方向的所述主滤波处理的第二前处理而生成第二前处理图像;以及
生成所述第一特征图像、所述第二特征图像以及所述第三特征图像,在所述第一前处理图像以及所述第二前处理图像中的由一个以上的有意义的像素构成的特异部中,提取存在于所述第一前处理图像中且在所述第一前处理图像以及所述第二前处理图像中不共通的第一特异部得到所述第一特征图像,提取存在于所述第二前处理图像中且在所述第一前处理图像以及所述第二前处理图像中不共通的第二特异部得到所述第二特征图像,提取在所述第一前处理图像以及所述第二前处理图像中共通的第三特异部得到所述第三特征图像。
4.根据权利要求3所述的图像处理方法,其特征在于,
所述第一前处理包括:
执行将所述横向作为所述处理方向的所述主滤波处理,由此生成第一主映射数据;
针对所述测试图像,执行将所述横向作为所述处理方向、将所述关注区域以及所述两个相邻区域中的一方作为对象的边缘强调滤波处理,由此生成横边缘强度映射数据;以及
用对应的所述横边缘强度映射数据的各像素值校正所述第一主映射数据的各像素值,由此生成所述第一前处理图像,
所述第二前处理包括:
执行将所述纵向作为所述处理方向的所述主滤波处理,由此生成第二主映射数据;
针对所述测试图像,执行将所述纵向作为所述处理方向、将所述关注区域以及所述两个相邻区域中的一方作为对象的所述边缘强调滤波处理,由此生成纵边缘强度映射数据;以及
用对应的所述纵边缘强度映射数据的各像素值校正所述第二主映射数据的各像素值,由此生成所述第二前处理图像。
5.根据权利要求1所述的图像处理方法,其特征在于,
所述图像处理方法还包括:所述处理器执行周期性不均判断处理,所述周期性不均判断处理针对所述测试图像按照每个预先确定的颜色,判断所述副扫描方向上的预先确定的一个以上的周期性的有无,根据所述周期性的判断结果,判断作为所述图像不良的一种的周期性浓度不均的发生的有无以及原因。
6.根据权利要求5所述的图像处理方法,其特征在于,
所述图像处理方法还包括:所述处理器针对通过所述周期性不均判断处理判断为没有所述周期性的所述测试图像,按照每个预先确定的颜色,判断像素值的偏差是否超过预先确定的允许范围,由此判断作为所述图像不良的一种的随机浓度不均的发生的有无。
7.根据权利要求6所述的图像处理方法,其特征在于,
所述图像处理方法还包括:所述处理器执行随机模式识别处理,所述随机模式识别处理将判断为发生了所述随机浓度不均的所述测试图像作为输入图像,通过所述输入图像的模式识别,判断所述输入图像与一个以上的所述原因候选中的哪个对应。
8.根据权利要求1所述的图像处理方法,其特征在于,
所述特征模式识别处理是如下的处理:利用将与所述多个原因候选对应的多个样本图像作为训练数据预先进行学习得到的学习模型,将所述输入图像分类为所述多个原因候选中的任一个。
9.根据权利要求1所述的图像处理方法,其特征在于,
所述图像处理方法还包括:所述处理器将与所述特征模式识别处理的判断结果对应的消息通过通信装置向预先确定的终端发送。
10.一种图像处理装置,其特征在于,
所述图像处理装置具备执行权利要求1所述的图像处理方法的处理的处理器。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-214837 | 2020-12-24 | ||
JP2020214837 | 2020-12-24 | ||
PCT/JP2021/047456 WO2022138684A1 (ja) | 2020-12-24 | 2021-12-22 | 画像処理方法、画像処理装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116390860A true CN116390860A (zh) | 2023-07-04 |
Family
ID=82159746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180069865.1A Pending CN116390860A (zh) | 2020-12-24 | 2021-12-22 | 图像处理方法、图像处理装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230384989A1 (zh) |
JP (1) | JPWO2022138684A1 (zh) |
CN (1) | CN116390860A (zh) |
WO (1) | WO2022138684A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4687614B2 (ja) * | 2005-09-20 | 2011-05-25 | 富士ゼロックス株式会社 | 故障診断システム、画像形成装置及び故障診断方法 |
JP2007243347A (ja) * | 2006-03-06 | 2007-09-20 | Fuji Xerox Co Ltd | 故障診断システム、画像形成装置及び故障診断方法 |
JP4631865B2 (ja) * | 2007-03-13 | 2011-02-16 | 富士ゼロックス株式会社 | 電子回路装置、故障診断装置、故障診断システム、及び故障診断プログラム。 |
JP7321748B2 (ja) * | 2019-04-15 | 2023-08-07 | キヤノン株式会社 | 画像形成装置 |
JP7215338B2 (ja) * | 2019-05-31 | 2023-01-31 | 株式会社リコー | 画像形成装置、方法およびプログラム |
-
2021
- 2021-12-22 US US18/031,578 patent/US20230384989A1/en active Pending
- 2021-12-22 CN CN202180069865.1A patent/CN116390860A/zh active Pending
- 2021-12-22 WO PCT/JP2021/047456 patent/WO2022138684A1/ja active Application Filing
- 2021-12-22 JP JP2022571528A patent/JPWO2022138684A1/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230384989A1 (en) | 2023-11-30 |
JPWO2022138684A1 (zh) | 2022-06-30 |
WO2022138684A1 (ja) | 2022-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114666451B (zh) | 图像处理方法和图像处理装置 | |
JP5618211B2 (ja) | 制御装置、画像形成装置、及び制御方法 | |
JP2014074710A (ja) | 画像検査装置、画像検査システム及び画像検査方法 | |
US11630409B2 (en) | Image processing method, image processing apparatus | |
CN114666450B (zh) | 图像处理方法和图像处理装置 | |
CN104063836A (zh) | 图像检查设备,图像检查系统以及图像检查方法 | |
JP5794471B2 (ja) | 制御装置、画像形成装置、及び制御方法 | |
JP6007690B2 (ja) | 画像検査装置、画像処理システム及び画像検査方法 | |
US20220207701A1 (en) | Image processing method, image processing apparatus | |
JP6635335B2 (ja) | 画像検査装置及び画像形成システム | |
US11483452B2 (en) | Image processing method and apparatus determing cause of image defect based on mixed color test image | |
US11715192B2 (en) | Image processing method, image processing apparatus | |
US20220207703A1 (en) | Image processing method, image processing apparatus | |
US11756181B2 (en) | Method for performing image processing for determining image defect in mixed-color test image through image reading | |
JP2015108681A (ja) | 画像形成装置 | |
CN116390860A (zh) | 图像处理方法、图像处理装置 | |
CN116490374A (zh) | 图像处理方法、图像处理装置 | |
US10578994B2 (en) | Image forming apparatus that determines a fixing temperature for a fixing operation based on toner amounts of blocks of image data and related image forming method and storage medium | |
JP2012133036A (ja) | 画像形成装置およびトナー量算出方法 | |
JP2010262243A (ja) | 画像形成装置 | |
JP2003295529A (ja) | 画像形成装置、及び画像補正方法 | |
JP2016159478A (ja) | 画像処理装置およびプログラム | |
JP2013106179A (ja) | 画像形成装置及び制御方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |