JP2000298318A - 画像出力装置および画像判定方法 - Google Patents

Abstract

(57)【要約】 【課題】 焼き付けようとしている画像に最適な露光量
で露光を行うことが可能な画像出力装置を提供する。 【解決手段】 フィルムスキャナ５によってネガフィル
ム上の画像の画像データを読み取り、判定用データ作成
手段６によって判定用データに変換する。そして、シー
ン判定手段８によって、予めＬＶＱアルゴリズムによる
学習によって設定されたコードブックベクトルと、上記
判定用データとを比較することによって、シーンが判定
され、該当シーンに適した露光量が露光量算出手段９に
よって算出される。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、例えば写真プリン
タに備えられ、原画像を記録したネガフィルムを介して
感光材料に光を照射することによって、感光材料に上記
原画像を焼き付ける画像出力装置、および画像の種類を
判定する画像判定方法に関するものである。

【０００２】

【従来の技術】従来、複数の画像が撮影されたネガフィ
ルムを自動的に印画紙上に焼き付ける、オートプリンタ
と呼ばれる画像出力装置が普及している。このようなオ
ートプリンタは、光源と、ネガフィルムを搬送させるフ
ィルム搬送手段と、印画紙を搬送させる印画紙搬送手段
と、露光量制御手段とを備えている。

【０００３】光源を出射した光は、フィルム搬送手段に
よって所定位置に搬送されたネガフィルムを透過し、投
影レンズなどを介して印画紙上に投影され、印画紙が感
光される。そして、露光量制御手段によって所定の露光
量となるように露光が制御される。露光が終わると、次
の画像の焼き付けが行われるように、フィルム搬送手段
によってネガフィルムが、印画紙搬送手段によって印画
紙がそれぞれ搬送される。このような動作を繰り返すこ
とによって、ネガフィルム上に記録された複数の画像が
順に印画紙上に焼き付けられる。

【０００４】以上のような構成のオートプリンタは、複
数の画像が撮影されたネガフィルムに対して、人手を介
することなく連続的に焼き付け処理を行うことができる
ので、処理の迅速化、および処理にかかるコストの低減
化を図ることができる。すなわち、現像完了時間の短
縮、および人件費の削減などを実現することが可能とな
るので、例えば、写真のプリントを行う小規模店舗など
において広く用いられている。

【０００５】

【発明が解決しようとする課題】上記のオートプリンタ
において、印画紙の露光を制御する露光量制御手段は、
標準撮影された画像、すなわち、標準的な濃度分布を有
する画像に対して良好なプリント仕上がりとなるように
露光量を設定している。したがって、逆光シーンやスト
ロボ撮影シーンなどのような、濃度分布に偏りがある画
像に対しては、適切な露光量とはならないので、良好な
プリントを行えない場合がある。

【０００６】例えば、異なる状況で撮影された２枚の画
像において、被写体の濃度が同じでも、背景の濃度が異
なっている場合には、同じ露光時間で焼き付けを行う
と、印画紙上に焼き付けられた画像においては、被写体
が異なる濃度で焼き付けられることになる。すなわち、
少なくともどちらか一方は、プリント画像として好まし
くない露光量で焼き付けられることになる。

【０００７】このように、標準撮影された画像を基準と
して露光量を設定しているオートプリンタは、逆光シー
ンやストロボ撮影シーンなどの画像を良好にプリントす
ることができない。よって、このような画像に対して
は、連続プリントを行わずに、人手によって露光量を変
更させてから焼き付けを行うなどの作業をすることにな
る。この場合、予めネガフィルムを観察して、濃度分布
に偏りがある画像を選別しておくか、一旦プリントした
後、画像の状態を確認してから、再び露光量を調整して
プリントをやり直す、などの煩わしい作業が必要とな
る。

【０００８】本発明は、上記の問題点を解決するために
なされたもので、その目的は、焼き付けようとしている
画像に最適な露光量で露光を行うことが可能な画像出力
装置、および画像の種類を判定する画像判定方法を提供
することにある。

【０００９】

【課題を解決するための手段】上記の課題を解決するた
めに、請求項１記載の画像出力装置は、画像をプリント
する画像出力装置であって、出力すべき画像の画像デー
タを検出する画像データ検出手段と、上記画像データ検
出手段によって検出された画像データに基づいて、上記
画像の種類を分別する画像分別手段と、上記画像分別手
段による分別結果に基づいて、上記画像の出力を制御す
る出力制御手段とを備えたことを特徴としている。

【００１０】上記の構成によれば、画像データ検出手段
によって検出された画像データに基づいて、画像分別手
段によって画像の種類を分別し、この分別結果に基づい
て、出力制御手段によって画像の出力を制御しているの
で、出力しようとしている画像に最適な状態でプリント
を行うことができる。よって、例えば写真画像をプリン
トする場合、例えば逆光条件で撮影された画像や、フラ
ッシュ撮影された画像であっても、被写体の濃度が良好
な、仕上がり品質の優れたプリント画像を提供すること
ができる。

【００１１】請求項２記載の画像出力装置は、請求項１
記載の構成において、上記画像分別手段が、画像の種類
を分別する処理を、学習によって設定することを特徴と
している。

【００１２】上記の構成によれば、学習によって、画像
の種類を分別する処理を設定する画像分別手段を備えて
いるので、例えば論理的なアルゴリズムによって画像の
種類を分別する場合には、アルゴリズムが極めて複雑に
なってしまう処理を、より簡単な構成によって実現する
ことが可能となる。また、論理的なアルゴリズムによっ
て分別する場合には、分別する画像１枚１枚に対する処
理に要する時間が長くなるのに対して、上記の構成によ
れば、一度学習させてしまえば、分別する画像１枚１枚
に対する処理に要する時間は短い時間で済む。よって、
構成の簡素化および処理時間の短縮を図ることができ
る。

【００１３】請求項３記載の画像出力装置は、請求項２
記載の構成において、上記画像分別手段が、画像の種類
を分別する処理を、学習ベクトル量子化アルゴリズムに
よって学習し、分別処理を行うことを特徴としている。

【００１４】上記の構成によれば、学習ベクトル量子化
アルゴリズムによって画像の種類を分別しているので、
例えば、統計的手法による判別分析を利用した場合と比
較して、分別の精度を高くすることができる。また、例
えば、ニューラルネットワークを利用した場合と比較す
ると、新しいパターンが発生した場合の再学習をより容
易に行うことができる。

【００１５】請求項４記載の画像出力装置は、請求項１
ないし３のいずれかに記載の構成において、上記画像を
感光材料上に感光させることによって出力するととも
に、上記出力制御手段が、上記感光材料に対する露光量
を設定する露光量設定手段であることを特徴としてい
る。

【００１６】上記の構成によれば、露光量設定手段によ
って、感光材料に対する露光量を設定しているので、出
力しようとしている画像に最適な露光量で感光材料の感
光を行うことができる。よって、被写体濃度の良好な、
仕上がり品質の優れた銀塩写真を提供することができ
る。

【００１７】請求項５記載の画像出力装置は、請求項４
記載の構成において、出力すべき画像が透光性の記録媒
体に記録されており、光源部から出射された光を上記記
録媒体に透過させることによって、上記画像を感光材料
上に感光させるとともに、複数の画像が記録された上記
記録媒体を順に搬送させる記録媒体搬送手段と、上記感
光材料を順に搬送させる感光材料搬送手段とをさらに備
え、上記記録媒体上の画像を連続的に上記感光材料上に
露光させることを特徴としている。

【００１８】上記の構成によれば、記録媒体上の画像を
連続的に感光材料上に露光させる構成となっているの
で、例えば複数の種類の画像が記録された記録媒体を連
続的に感光材料上に露光させる場合でも、各画像に適切
な露光量で露光を行うことができる。よって、記録媒体
上に記録された画像の全てに対して、仕上がり品質の優
れたプリント画像を提供することができる。

【００１９】請求項６記載の画像判定方法は、入力され
た画像の画像データを検出するステップと、検出された
画像データに基づいて、上記画像の種類を分別するステ
ップとを有し、学習ベクトル量子化アルゴリズムによっ
て、上記画像の種類を分別する処理が設定されることを
特徴としている。

【００２０】上記の方法によれば、学習ベクトル量子化
アルゴリズムによって画像の種類を分別しているので、
例えば、統計的手法による判別分析を利用した場合と比
較して、分別の精度を高くすることができる。また、例
えば、ニューラルネットワークを利用した場合と比較す
ると、新しいパターンが発生した場合の再学習をより容
易に行うことができる。

【００２１】

【発明の実施の形態】本発明の実施の一形態について図
１ないし図４に基づいて説明すれば、以下のとおりであ
る。

【００２２】図１は、本発明の実施の形態に係る画像出
力装置の概略構成を示すブロック図である。該画像出力
装置は、光源部１、ネガフィルム搬送手段（記録媒体搬
送手段）２、露光量制御装置３、および印画紙搬送手段
（感光材料搬送手段）４を備えている。

【００２３】光源部１は、ネガフィルム（記録媒体）上
の画像を感光材料としての印画紙に焼き付けるための光
を出射するものである。この光源部１は、例えば、ハロ
ゲンランプと、ハロゲンランプから出射した光を略一方
向に反射させるリフレクタと、ハロゲンランプから出射
した光の熱線成分を除去する熱線反射フィルタと、光源
むらを除去する拡散板と、ネガフィルム上の画像に光を
集光させる集光レンズとを備えた構成となっている。

【００２４】ネガフィルム搬送手段２は、例えばオート
ネガマスク（ＡＮＭ）と呼ばれる装置によって構成され
る。オートネガマスクは、複数の画像が一方向に並べら
れて記録されたネガフィルムを、画像が並んでいる方向
に搬送させることによって、各画像を順次露光位置に搬
送させるものである。また、オートネガマスクは、露光
位置に搬送された画像の外側を遮光する構成になってい
るので、印画紙上に不要な光が照射され、印画紙が不要
に感光してしまうことを防ぐことができる。

【００２５】露光量制御装置３は、光源部１を出射し、
ネガフィルム上の画像を透過した光によって印画紙が露
光される際の露光量を制御するものである。この露光量
制御装置３の詳細については後述する。

【００２６】印画紙搬送手段４は、印画紙を順次露光位
置に搬送させるものである。搬送させる印画紙として
は、１枚ずつ独立したシート状のものでもよいし、ロー
ル状のものでも構わない。

【００２７】以上のような構成の画像出力装置における
焼付動作は次のようになる。光源部１を出射した光は、
ネガフィルム搬送手段２によって所定位置に搬送された
ネガフィルムを透過し、投影レンズなどを介して印画紙
上に投影され、印画紙が感光される。そして、露光量制
御装置３によって所定の露光量となるように露光が制御
される。露光が終わると、次の画像の焼き付けが行われ
るように、ネガフィルム搬送手段２によってネガフィル
ムが、印画紙搬送手段４によって印画紙がそれぞれ搬送
される。このような動作を繰り返すことによって、ネガ
フィルム上に記録された複数の画像が順に印画紙上に焼
き付けられる。

【００２８】次に、露光量制御装置３について説明す
る。図２に示すように、露光量制御装置３は、フィルム
スキャナ（画像データ検出手段）５、判定用データ作成
手段６、コードブックベクトル決定手段（画像分別手
段）７、シーン判定手段（画像分別手段）８、露光量算
出手段（露光量設定手段）９、および露光量調整手段
（露光量設定手段）１０を備えている。

【００２９】フィルムスキャナ５は、ネガフィルム上に
記録された画像を、例えばＣＣＤ(Charge-Coupled Devi
ce) などによって画像データとして読み取るものであ
る。なお、ここで用いられるＣＣＤの読み取り性能とし
ては、高解像度である必要はなく、画像の特徴が判別で
きる程度の解像度でよい。

【００３０】判定用データ作成手段６は、フィルムスキ
ャナ５によって読み取られた画像データを、後述するシ
ーン判定に用いられる判定用データに変換するものであ
る。この判定用データのデータ形式としては、特定のパ
ラメータを基準としたヒストグラムを基にして作成した
多次元ベクトル形式などが挙げられる。

【００３１】コードブックベクトル決定手段７は、後述
するシーン判定に用いられるコードブックベクトルを決
定するものである。このコードブックベクトルは、ＬＶ
Ｑ(Learning Vector Quantization ：学習ベクトル量子
化）アルゴリズムによる学習によって決定される。この
ＬＶＱによる学習アルゴリズムについては後で詳細に説
明する。

【００３２】シーン判定手段８は、入力された画像の判
定用データと、コードブックベクトルとを比較すること
によって、入力された画像のシーンを判定するものであ
る。このシーン判定の詳細については後述する。

【００３３】露光量算出手段９は、シーン判定手段８に
よって判定されたシーンに基づいて、シーン別に設定し
た重みを用いることによって露光量を算出するものであ
る。この露光量算出手段９によって、判定されたシーン
に最適な露光量が算出される。

【００３４】露光量調整手段１０は、露光量算出手段９
によって算出された露光量に基づいて、実際に露光量を
調整するものである。この露光量調整手段１０は、例え
ば、任意の時間間隔で光の透過および遮蔽を行うことが
可能なシャッターなどによって構成することができる。

【００３５】次に、上記のシーン判定に関して説明す
る。上記のように、シーン判定はＬＶＱによって行われ
ており、学習によってコードブックベクトルを決定した
後に、入力された画像の判定用データと、コードブック
ベクトルとを比較することによって、入力された画像の
シーンを判定している。

【００３６】まず、図３を参照しながら、コードブック
ベクトルを決定するための学習アルゴリズムについて説
明する。ＬＶＱによる学習は、教師あり学習法であり、
教師データを多数回数入力して学習させることによって
シーン判定のアルゴリズムを確定させるものである。

【００３７】最初に、ｎ種類のシーンを設定し、各シー
ンに対応させたクラスｃ（１〜ｎ）を設け、各クラス毎
に適当な数のコードベクトルを用意する。このコードベ
クトルの数は、シーン毎に適切な数となるように用意す
る。例えば、各シーン毎に等しい数のコードベクトルを
用意してもよいし、後述するサンプル画像に占める各シ
ーンの割合に比例した数のコードベクトルを用意しても
よい。

【００３８】そして、あるコードベクトルの初期値をｍ
ｃ（０）（ｃ：１〜ｎ）とする。なお、このコードベク
トルは、上記の判定用データ作成手段６によって作成さ
れる判定用データと同様の形式のものとする。このコー
ドベクトルの初期値の設定は、シーンの種類、サンプル
画像の数、その他諸々の条件に応じて適宜設定すること
になる。例えば、全てのコードベクトルの初期値を同じ
値に設定してもよいし、各コードベクトルの初期値をラ
ンダムな値に設定してもよい。

【００３９】次に、教師データとして、シーンが判定さ
れているサンプル画像が記録されたネガフィルムをフィ
ルムスキャナ５によって読み取らせ、サンプル画像デー
タとして検出する（ステップ１０１、以降、Ｓ１０１の
ように表記する）。

【００４０】そして、これらのサンプル画像データを、
判定用データ作成手段６によって、特定のパラメータを
基準としたヒストグラムを基にして作成した多次元ベク
トル形式に変換する（Ｓ１０２）。ここで、シーンが判
定されているサンプル画像データを基に作成された多次
元ベクトル形式のデータを教師ベクトルと呼ぶことにす
る。

【００４１】これらの教師ベクトルを基にして、コード
ブックベクトル決定手段７によって、ＬＶＱによるシー
ン学習を行う（Ｓ１０３）。ＬＶＱによるシーン学習の
概要は次のようになる。すなわち、教師ベクトルｘｃ’
（ｔ）（ｃ’：１〜ｎ）と、コードベクトルｍｃ（ｔ）
とが同じクラスに属する場合には、ｍｃ（ｔ＋１）をｘ
ｃ’（ｔ）に所定量近づけて、ｘｃ’（ｔ）とｍｃ
（ｔ）とが異なるクラスに属する場合には、ｍｃ（ｔ＋
１）をｘｃ’（ｔ）に所定量遠ざける、というアルゴリ
ズムによって、各クラスに対応するコードベクトルｍｃ
（ｔ）を最適化する。なお、上記のｔは、学習回数を示
している。以下に、このアルゴリズムについて詳細に説
明する。

【００４２】いま、教師ベクトルｘｃ’（ｔ）がクラス
ｃ’に属しており、このｘｃ’（ｔ）にユークリッド距
離が最も近いコードベクトルがｍｃ（ｔ）であったとす
る。この時、ｃ＝ｃ’である場合には、 ｍｃ（ｔ＋１）＝ｍｃ（ｔ）＋α（ｔ）〔ｘｃ’（ｔ）−ｍｃ（ｔ）〕… という演算処理を行う。また、ｃ≠ｃ’である場合に
は、 ｍｃ（ｔ＋１）＝ｍｃ（ｔ）−α（ｔ）〔ｘｃ’（ｔ）−ｍｃ（ｔ）〕… という演算処理を行う。

【００４３】上記の式およびにおいて、α（ｔ）は
学習係数と呼ばれる係数を示している。このα（ｔ）と
しては、０＜α（ｔ）＜１の範囲で単調減少する関数が
用いられ、例えばｔの逆数となる関数などを用いること
ができる。α（ｔ）がこのような関数であれば、学習回
数が進むにつれて、コードベクトルｍｃ（ｔ）の学習時
の移動量が小さくなるので、ｍｃ（ｔ）が徐々に収束し
ていくことになる。

【００４４】以上のような学習における演算処理を最適
学習回数Ｐ（回）繰り返して行い、最終的に設定された
ｍｃ（Ｐ）を、シーン判定用のコードブックベクトルと
して決定する（Ｓ１０４）。

【００４５】上記のようなアルゴリズムの具体的な実施
例を以下に述べる。上記のシーンの種類の具体例として
は、ストロボシーン（背景が暗く、被写体が明るい場
合）、逆光シーン（背景が明るく、被写体が暗い場
合）、アンダーシーン（撮影時の露光が少なかった場
合）などが挙げられる。図５（ａ）および（ｂ）は、そ
れぞれストロボシーンおよび逆光シーンの、ネガフィル
ム上での画像の概略を示している。なお、図５（ａ）お
よび（ｂ）で示す画像は、ネガフィルム上での画像であ
るので、画像の明暗が反転して記録されている。また、
画像の明るさの度合いは、図の簡略化のために２段階で
表現されているが、実際には、無段階に連続的に明暗が
変化している。

【００４６】また、上記のＳ１０１において、サンプル
画像データとして検出する際には、例えば画像を２０×
３０の領域に分割し、各領域の画像データを例えばＣＣ
Ｄによって検出する。そして、これらの画像データの値
を、例えば４０の階数に量子化し（４０値化）、画像全
体において、各区間に画像データの値が含まれる領域の
数に基づいて、ヒストグラムを作成する。図５（ｃ）お
よび（ｄ）は、それぞれ図５（ａ）および（ｂ）に示す
画像に基づいて作成されたヒストグラムであり、横軸を
明るさ（暗さ）、縦軸を度数としたものである。なお、
図５（ｃ）および（ｄ）は、図の簡略化のために、横軸
の分割を１６（１６値化）とした図になっている。

【００４７】このようなヒストグラムに基づいて、サン
プル画像データから教師ベクトルを作成する。この際
に、例えば、上記の最適学習回数Ｐを３００と設定した
場合には、シーンが判定されている３００種類のサンプ
ル画像を用意し、教師ベクトルを作成することになる。

【００４８】このように教師ベクトルを作成し、上記の
ようなＬＶＱによる学習を行うことによって、コードブ
ックベクトルを決定する。なお、サンプル画像の数が、
最適学習回数Ｐに満たない場合には、用意したサンプル
画像を繰り返し用いて学習させてもよい。

【００４９】次に、図４を参照しながら、上記のような
学習によってコードブックベクトルを決定した後に、入
力された画像の判定用データと、コードブックベクトル
とを比較することによって、入力された画像のシーンを
判定し、露光量を算出する処理について説明する。

【００５０】まず、シーンを判定しようとしている画像
が記録されたネガフィルムをフィルムスキャナ５によっ
て読み取らせ、画像データとして検出する（Ｓ２０
１）。

【００５１】次に、この画像データを、判定用データ作
成手段６によって、特定のパラメータを基準としたヒス
トグラムを基にして作成した多次元ベクトル形式に変換
し、シーン判定用データを作成する（Ｓ２０２）。

【００５２】そして、シーン判定手段８によって、この
シーン判定用データと、上記のような学習によって決定
されたコードブックベクトルとを比較することによっ
て、入力された画像が、露光量の補正を行うべきシーン
であるか否かが判定される（Ｓ２０３）。この判定は、
シーン判定用データのベクトルにユークリッド距離で最
も近いコードブックベクトルがどのコードブックベクト
ルであるかによって判断される。

【００５３】Ｓ２０３において、入力された画像が露光
量の補正を行うべきシーンであると判定された場合に
は、露光量算出手段９によって、サンプルデータに基づ
いて、予めシーン毎に求めておいた重みを用いて露光量
が算出される（Ｓ２０４）。この露光量の算出に用いら
れる重みは、統計処理の重回帰分析や、ＢＰ(Back Prop
agation ：誤差逆伝播法）によって学習させたニューラ
ルネットワークなどによって算出すればよい。例えば、
入力された画像データの特徴量（例えば最大値や最小値
など）を、重回帰分析の説明変数として用いたり、ニュ
ーラルネットワークの入力に用いることによって、適正
露光量を出力することができる。

【００５４】一方、Ｓ２０３において、入力された画像
が露光量の補正を行う必要のないシーンであると判定さ
れた場合には、露光量算出手段９によって、通常に用い
られる露光量が算出される（Ｓ２０５）。

【００５５】そして、Ｓ２０６において、シーンを判定
しようとしている画像の全てに対して、シーン判定およ
び露光量算出が行われたかどうかが判断され、全ての画
像が処理されるまで上記のシーン判定および露光量算出
が行われる。

【００５６】なお、本実施形態においては、シーン判定
において、ＬＶＱアルゴリズムを用いていたが、他に
も、ニューラルネットワークによる方法、ＳＯＭ(Self-
Organizing Map：自己組織化マップ）による方法、ＶＱ
（Vector Quantization ：ベクトル量子化）による方
法、統計的手法の判別分析による方法などを用いること
ができる。

【００５７】ニューラルネットワークによる方法の場
合、ＬＶＱを用いる場合と同様に、予めシーンが判定さ
れているサンプル画像の画像データを学習させることに
よって、シーン判定を行うニューラルネットワークを確
定させる。すなわち、サンプル画像の画像データを教師
信号としてニューラルネットワークに入力し、例えばＢ
Ｐなどによって学習させることによって、各ニューロン
のシナプス荷重を変化させる。そして、学習が完了した
ニューラルネットワークに対し、シーンを判定したい画
像の画像データを入力し、シーン判定結果を出力させる
ことによって、シーン判定を行う。

【００５８】しかしながら、ニューラルネットワークに
よる方法の場合、例えば判別すべきシーンを新たに追加
する際には、最初から学習をし直す必要が生じる、とい
う問題点を有している。これに対して、ＬＶＱによる方
法の場合には、新しいシーンに対応するコードベクトル
を適当に設定し、このコードベクトルを追加した状態で
再学習させることになる。すなわち、既に学習によって
設定してあるコードブックベクトルへの影響は少ないの
で、必要とする学習回数が比較的少なくて済むことにな
る。一方、ニューラルネットワークによる方法では、根
本的に各ニューロンのシナプス荷重を変化させなければ
ならないので、必要とする学習回数を比較的多くする必
要がある。つまり、ニューラルネットワークによる方法
よりも、ＬＶＱによる方法の方が、新しくシーンを追加
する場合などにおける再学習を容易に行うことができる
という利点を有している。

【００５９】また、ＳＯＭによる方法、およびＶＱによ
る方法は、ＬＶＱによる方法とは異なり、教師なしクラ
スタリングである。クラスタリングは、各データがお互
いに近いパターンで集団に分かれるが、教師なしの場合
には、その集団が目的とする集団になるとは限らない、
という問題がある。したがって、ＬＶＱによる方法の方
が、目的のシーンを的確に判定することが可能である。

【００６０】また、統計的手法の判別分析による方法
は、次のような理由によって、ＬＶＱによる方法よりも
シーン判定の精度が悪くなっている。判別分析の場合、
ユークリッド空間におけるクラス境界が線形となってい
る一方、ＬＶＱの場合には、クラス境界が、近傍コード
ブックベクトル間の中央平面によって定義されている。
すなわち、ＬＶＱによる方法の方が、判別分析による方
法よりも、クラスの境界をより的確に設定することが可
能であるので、ＬＶＱによる方法の方がシーン判定をよ
り正確に行うことができる。

【００６１】以上のように、本実施形態に係る画像出力
装置は、フィルムスキャナ５によって検出された画像デ
ータに基づいて、判定用データ作成手段６によって判定
用データを作成し、シーン判定手段８によって画像の種
類を分別する。そして、この分別結果に基づいて、露光
量算出手段９によって印画紙に対する露光量を算出して
いる。これにより、焼き付けようとしている画像に最適
な露光量で印画紙の感光を行うことができる。したがっ
て、例えば逆光条件で撮影された画像や、フラッシュ撮
影された画像であっても、被写体の濃度が良好な、仕上
がり品質の優れた写真を提供することができる。

【００６２】また、シーン判定は、ＬＶＱアルゴリズム
に基づいて予め学習させておいたコードブックベクトル
に基づいて行われるので、判定の精度が高く、かつ判定
に必要とする処理時間も短いものとなっている。例えば
論理的なアルゴリズムによって画像の種類を分別する場
合には、アルゴリズムが極めて複雑になってしまう処理
を、ＬＶＱアルゴリズムを用いた場合には、より簡単な
構成によって実現することが可能となる。また、論理的
なアルゴリズムによって分別する場合には、分別する画
像１枚１枚に対する処理に要する時間が長くなるのに対
して、上記の構成によれば、一度学習させてしまえば、
分別する画像１枚１枚に対する処理に要する時間は短い
時間で済む。よって、構成の簡素化および処理時間の短
縮を図ることができる。

【００６３】また、本実施形態に係る画像出力装置は、
ネガフィルム上の画像を連続的に印画紙上に露光させる
構成となっているので、濃度およびその分布状態がそれ
ぞれ異なる写真画像が複数記録されているネガフィルム
を連続的に印画紙上に露光させる場合でも、各画像に適
切な露光量で露光を行うことができる。よって、ネガフ
ィルム上に記録された画像の全てに対して、仕上がり品
質の優れたプリント画像を提供することができる。

【００６４】なお、本実施形態に係る画像出力装置は、
ネガフィルム上の画像を印画紙上に露光させる構成であ
ったが、これに限定されるものではない。例えば、出力
すべき画像が、ネガフィルム上に記録された画像データ
ではなく、デジタルカメラなどによって撮影されたデジ
タル画像データであっても構わない。

【００６５】また、画像を出力する構成としても、印画
紙を露光させるものではなく、例えば、インクジェット
方式、熱転写方式、およびレーザー転写方式などのカラ
ープリンタを用いた構成にも適用可能である。この場合
には、シーンの判定結果に基づいて、画像全体の輝度
（濃度）を制御することになる。

【００６６】

【発明の効果】以上のように、請求項１の発明に係る画
像出力装置は、画像をプリントする画像出力装置であっ
て、出力すべき画像の画像データを検出する画像データ
検出手段と、上記画像データ検出手段によって検出され
た画像データに基づいて、上記画像の種類を分別する画
像分別手段と、上記画像分別手段による分別結果に基づ
いて、上記画像の出力を制御する出力制御手段とを備え
た構成である。

【００６７】これにより、出力しようとしている画像に
最適な状態でプリントを行うことができる。したがっ
て、例えば写真画像をプリントする場合、例えば逆光条
件で撮影された画像や、フラッシュ撮影された画像であ
っても、被写体の濃度が良好な、仕上がり品質の優れた
プリント画像を提供することができるという効果を奏す
る。

【００６８】請求項２の発明に係る画像出力装置は、上
記画像分別手段が、画像の種類を分別する処理を、学習
によって設定する構成である。

【００６９】これにより、請求項１の構成による効果に
加えて、例えば論理的なアルゴリズムによって画像の種
類を分別する場合には、アルゴリズムが極めて複雑にな
ってしまう処理を、より簡単な構成によって実現するこ
とが可能となるという効果を奏する。また、論理的なア
ルゴリズムによって分別する場合には、分別する画像１
枚１枚に対する処理に要する時間が長くなるのに対し
て、上記の構成によれば、一度学習させてしまえば、分
別する画像１枚１枚に対する処理に要する時間は短い時
間で済む。よって、構成の簡素化および処理時間の短縮
を図ることができるという効果を奏する。

【００７０】請求項３の発明に係る画像出力装置は、上
記画像分別手段が、画像の種類を分別する処理を、学習
ベクトル量子化アルゴリズムによって学習し、分別処理
を行う構成である。

【００７１】これにより、請求項２の構成による効果に
加えて、例えば、統計的手法による判別分析を利用した
場合と比較して、分別の精度を高くすることができると
いう効果を奏する。また、例えば、ニューラルネットワ
ークを利用した場合と比較すると、新しいパターンが発
生した場合の再学習をより容易に行うことができるとい
う効果を奏する。

【００７２】請求項４の発明に係る画像出力装置は、上
記画像を感光材料上に感光させることによって出力する
とともに、上記出力制御手段が、上記感光材料に対する
露光量を設定する露光量設定手段である構成である。

【００７３】これにより、請求項１ないし３のいずれか
の構成による効果に加えて、出力しようとしている画像
に最適な露光量で感光材料の感光を行うことができる。
よって、被写体濃度の良好な、仕上がり品質の優れた銀
塩写真を提供することができるという効果を奏する。

【００７４】請求項５の発明に係る画像出力装置は、出
力すべき画像が透光性の記録媒体に記録されており、光
源部から出射された光を上記記録媒体に透過させること
によって、上記画像を感光材料上に感光させるととも
に、複数の画像が記録された上記記録媒体を順に搬送さ
せる記録媒体搬送手段と、上記感光材料を順に搬送させ
る感光材料搬送手段とをさらに備え、上記記録媒体上の
画像を連続的に上記感光材料上に露光させる構成であ
る。

【００７５】これにより、請求項４の構成による効果に
加えて、例えば複数の種類の画像が記録された記録媒体
を連続的に感光材料上に露光させる場合でも、各画像に
適切な露光量で露光を行うことができる。よって、記録
媒体上に記録された画像の全てに対して、仕上がり品質
の優れたプリント画像を提供することができるという効
果を奏する。

【００７６】請求項６の発明に係る画像判定方法は、入
力された画像の画像データを検出するステップと、検出
された画像データに基づいて、上記画像の種類を分別す
るステップとを有し、学習ベクトル量子化アルゴリズム
によって、上記画像の種類を分別する処理が設定され
る。

【００７７】これにより、学習ベクトル量子化アルゴリ
ズムによって画像の種類を分別しているので、例えば、
統計的手法による判別分析を利用した場合と比較して、
分別の精度を高くすることができるという効果を奏す
る。また、例えば、ニューラルネットワークを利用した
場合と比較すると、新しいパターンが発生した場合の再
学習をより容易に行うことができるという効果を奏す
る。

【図面の簡単な説明】

【図１】本発明の実施の一形態に係る画像出力装置の概
略構成を示すブロック図である。

【図２】上記画像出力装置が備える露光量制御装置の概
略構成を示すブロック図である。

【図３】コードブックベクトルを決定するための学習ア
ルゴリズムを示すフローチャートである。

【図４】シーン判定および露光量算出における処理の流
れを示すフローチャートである。

【図５】同図（ａ）および（ｂ）は、それぞれストロボ
シーンおよび逆光シーンの、ネガフィルム上での画像の
概略を示す説明図であり、同図（ｃ）および（ｄ）は、
それぞれ同図（ａ）および（ｂ）に示す画像の画像デー
タに基づいて作成されたヒストグラムである。

【符号の説明】

１ 光源部 ２ ネガフィルム搬送手段（記録媒体搬送手段） ３ 露光量制御装置 ４ 印画紙搬送手段（感光材料搬送手段） ５ フィルムスキャナ（画像データ検出手段） ６ 判定用データ作成手段 ７ コードブックベクトル決定手段（画像分別手段） ８ シーン判定手段（画像分別手段） ９ 露光量算出手段（露光量設定手段） １０ 露光量調整手段（露光量設定手段）

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁷ 識別記号 ＦＩ テーマコート゛(参考） Ｈ０４Ｎ 1/40 Ｆ ９Ａ００１ (72)発明者 出立 祥一 和歌山県和歌山市梅原579−１ ノーリツ 鋼機株式会社内 (72)発明者 渡邊 加珠美 和歌山県和歌山市梅原579−１ ノーリツ 鋼機株式会社内 Ｆターム(参考） 2H106 AA73 AA74 AA76 AB04 AB46 AB86 BA11 BA23 2H110 AA01 AA25 CB32 CB73 CB76 5C062 AA05 AB22 AC21 AC58 BA00 5C077 LL19 PP51 PP65 TT08 5L096 HA07 KA04 9A001 GG05 HH05 HH06 HH23 KK16

Claims (6)

【特許請求の範囲】
1. 【請求項１】画像をプリントする画像出力装置であっ
   て、 出力すべき画像の画像データを検出する画像データ検出
   手段と、 上記画像データ検出手段によって検出された画像データ
   に基づいて、上記画像の種類を分別する画像分別手段
   と、 上記画像分別手段による分別結果に基づいて、上記画像
   の出力を制御する出力制御手段とを備えたことを特徴と
   する画像出力装置。
2. 【請求項２】上記画像分別手段が、画像の種類を分別す
   る処理を、学習によって設定することを特徴とする請求
   項１記載の画像出力装置。
3. 【請求項３】上記画像分別手段が、画像の種類を分別す
   る処理を、学習ベクトル量子化アルゴリズムによって学
   習し、分別処理を行うことを特徴とする請求項２記載の
   画像出力装置。
4. 【請求項４】上記画像を感光材料上に感光させることに
   よって出力するとともに、上記出力制御手段が、上記感
   光材料に対する露光量を設定する露光量設定手段である
   ことを特徴とする請求項１ないし３のいずれかに記載の
   画像出力装置。
5. 【請求項５】出力すべき画像が透光性の記録媒体に記録
   されており、光源部から出射された光を上記記録媒体に
   透過させることによって、上記画像を感光材料上に感光
   させるとともに、複数の画像が記録された上記記録媒体
   を順に搬送させる記録媒体搬送手段と、上記感光材料を
   順に搬送させる感光材料搬送手段とをさらに備え、上記
   記録媒体上の画像を連続的に上記感光材料上に露光させ
   ることを特徴とする請求項４記載の画像出力装置。
6. 【請求項６】入力された画像の画像データを検出するス
   テップと、 検出された画像データに基づいて、上記画像の種類を分
   別するステップとを有し、 学習ベクトル量子化アルゴリズムによって、上記画像の
   種類を分別する処理が設定されることを特徴とする画像
   判定方法。