JP2004280597A - レイアウト評価システム及びレイアウト評価プログラム、並びにレイアウト評価方法 - Google Patents
レイアウト評価システム及びレイアウト評価プログラム、並びにレイアウト評価方法 Download PDFInfo
- Publication number
- JP2004280597A JP2004280597A JP2003072567A JP2003072567A JP2004280597A JP 2004280597 A JP2004280597 A JP 2004280597A JP 2003072567 A JP2003072567 A JP 2003072567A JP 2003072567 A JP2003072567 A JP 2003072567A JP 2004280597 A JP2004280597 A JP 2004280597A
- Authority
- JP
- Japan
- Prior art keywords
- layout
- evaluation
- result
- layout result
- attention area
- 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.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Processing (AREA)
- Document Processing Apparatus (AREA)
- Editing Of Facsimile Originals (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【解決手段】レイアウト結果を記憶したレイアウト結果記憶部110と、レイアウト結果記憶部110のレイアウト結果に基づいてレイアウト結果の注目領域を抽出する注目領域抽出部115と、注目領域抽出部115で抽出した注目領域について誘導場に関する特徴量を算出する特徴量算出部120と、注目領域抽出部115で算出した誘目度F(x,y)並びに特徴量算出部120で算出した特徴量Mxy,CiおよびEに基づいてレイアウト結果を評価するレイアウト結果評価部140とを備える。
【選択図】 図8
Description
【発明の属する技術分野】
本発明は、文書や画像等の掲載情報をレイアウトしたレイアウト結果を評価するシステムおよびプログラム、並びに方法に係り、特に、読み手の注目箇所を考慮した見やすいレイアウトを実現するのに好適なレイアウト評価システムおよびレイアウト評価プログラム、並びにレイアウト評価方法に関する。
【0002】
【従来の技術】
従来、文書や画像等の掲載情報をレイアウトする技術としては、例えば、特許文献1に開示されている文字配置決定装置(以下、第1の従来例という。)、特許文献2に開示されているレイアウト評価装置(以下、第2の従来例という。)、特許文献3に開示されている記事配置装置(以下、第3の従来例という。)、および特許文献4に開示されている記事配置装置(以下、第4の従来例という。)があった。
【0003】
第1の従来例は、型枠情報および文字情報に基づいて文字を配置するための行数および級数を決定する初期級数・行数算出部と、その算出結果等から各文字に設定された基本文字間隔に従って各行に文字を順に配置し、文字数の仮決定を行う文字数決定部と、仮決定した最終行の文字の配置状況を検査し、上記仮決定の文字数における字間の過不足を判断し、最終行の状況が良好になるように所定の行の文字を追加/削除し再配置を行う文字数変更部と、決定された文字数にて各行ごとに配置される文字の字間が各文字の基準文字間隔に応じてその比率等が同一になるように字間を決定する文字配置決定部と、評価部の評価結果に従い行数・級数を修正する推論部とで構成されている。評価部は、4入力1出力のファジィ推論により評価を行うようになっており、例えば、字間が広い場合、字間が狭い場合、行間が広い場合、行間が狭い場合および字間のばらつきが大きい場合はいずれも、悪い評価結果を出力する。これにより、任意形状の型枠内に任意の文字列を余白なく、しかも見た目にもバランス良く自動的に配置することができる。
【0004】
第2の従来例は、掲載情報が記載された複数のブロックを所定のレイアウト領域にレイアウトした状態を評価するものである。複数のブロックよりなるレイアウト情報は記憶部に記憶される。そのレイアウトに対してレイアウト評価部の空き分割部において、ブロックがレイアウトされていない空き領域を矩形領域に細分する。その細分された矩形の空き領域の2次元分散を評価値算出部において求め、そのレイアウトの評価値とする。判定部でその評価値をあらかじめ定めた所定の閾値と比較し、評価値がその閾値より高ければ適切なレイアウトとして表示部に表示される。評価値が閾値より低ければ、レイアウトのやり直しが指示される。これにより、掲載情報が記載された複数のブロックが所定領域中にレイアウトされた状態を評価することができる。
【0005】
第3の従来例は、レイアウト結果を評価して最良のレイアウトで印刷を行うものである。配置部は、紙面上をランダムな縦線と横線でいくつかの矩形領域に分割した何種類かのコラム構成について、ランダムな記事処理順序に従って各記事の配置に適合する単独コラムまたは隣接コラムを結合してなる複合コラムを探索していって、複数の記事が段組された何通りかのレイアウト結果を生成する。レイアウト結果評価部は、各記事の記事登載優先度に基づいて各レイアウト結果に評価値を付与し、最良レイアウト結果検索部は最も評価値の高いレイアウト結果を選択する。印刷部はこの最良のレイアウト結果に従って複数の記事が段組された文書を紙面に印刷する。これにより、限られたレイアウト領域の範囲内で、重要度の高い記事をより多く登載し得るように、複数の記事が段組された文書の自動レイアウトを行うことができる。
【0006】
第4の従来例は、新聞や雑誌のように複数の記事情報が段組された文書のレイアウトを行うものである。紙面上をいくつかのランダムな記事のコラムに分割し、コラム配置処理順序生成部と記事配置処理順序生成部とを用い、コラムの配置処理の順序と記事の配置処理の順序とからなる配置元情報を複数個生成する。各配置元情報を基に記事の配置を行い、さらにレイアウト結果評価部で各レイアウト結果の評価を行って、より高い評価値に対応する配置元情報ほど大きな確率で選択されるようにし、いくつかの配置元情報を組み合わせて新しい配置元情報を合成して同様に配置と評価を行う。レイアウト結果評価部は、割当部からレイアウト結果を入力し、入力したレイアウト結果と記事の登載優先度情報とから、登載された記事の登載優先度を合計し、評価値に加算する。繰り返しレイアウト結果を生成した後、最大の評価値に対応するレイアウト結果に基づいて記事の配置が行われる。これにより、人手を介することなく比較的良好にレイアウトを行うことができる。
【0007】
【特許文献1】
特開平6−131331号公報
【特許文献2】
特開平8−255063号公報
【特許文献3】
特開平9−69096号公報
【特許文献4】
特開平9−237273号公報
【0008】
【発明が解決しようとする課題】
文書や画像等の掲載情報をレイアウトする場合、見やすいレイアウトを実現する観点からは、レイアウト結果のなかで読み手が注目する箇所を考慮して掲載情報をレイアウトすることが望ましい。レイアウト結果のなかで注目する箇所が際立っていたりすれば、読み手にとっては非常に見やすい。これを実現するためには、例えば、レイアウト結果のなかで読み手が注目する箇所がどれぐらい際立っているかどうかを判断材料としてレイアウトの良し悪しを判定することが必要である。
【0009】
第1の従来例にあっては、字間や行間が広い場合、字間や行間が狭い場合および字間のばらつきが大きい場合に、レイアウト結果に対して悪い評価を行うようになっている。しかしながら、読み手の注目箇所を考慮してレイアウト評価を行うものではないため、見やすいレイアウトを実現するには不十分であるという問題があった。
【0010】
また、第2の従来例にあっては、空き領域を矩形領域に細分し、細分した矩形の空き領域の2次元分散を求め、その分散をレイアウト結果の評価値としている。しかしながら、これも第1の従来例と同様に、読み手の注目箇所を考慮してレイアウト評価を行うものではないため、見やすいレイアウトを実現するには不十分であるという問題があった。
【0011】
また、第3および第4の従来例にあっては、記事の記事登載優先度に基づいてレイアウトを評価するようになっている。しかしながら、これも第1の従来例と同様に、読み手の注目箇所を考慮してレイアウト評価を行うものではないため、見やすいレイアウトを実現するには不十分であるという問題があった。
そこで、本発明は、このような従来の技術の有する未解決の課題に着目してなされたものであって、読み手の注目箇所を考慮した見やすいレイアウトを実現するのに好適なレイアウト評価システムおよびレイアウト評価プログラム、並びにレイアウト評価方法を提供することを目的としている。
【0012】
【課題を解決するための手段】
〔発明1〕
上記目的を達成するために、発明1のレイアウト評価システムは、
レイアウトを評価するシステムであって、
レイアウト結果から得られる誘目度に基づいて前記レイアウト結果を評価するようになっていることを特徴とする。
【0013】
このような構成であれば、レイアウト結果が与えられると、与えられたレイアウト結果から得られる誘目度に基づいてレイアウト結果が評価される。
誘目度とは、人間の主観に合ったパラメータであり、レイアウト結果のなかで読み手が注目する箇所を抽出するのに用いられる。したがって、誘目度に基づいてレイアウト結果が評価されるので、評価結果をレイアウトに反映させれば、従来に比して、読み手の注目箇所を考慮した見やすいレイアウトを実現することができるという効果が得られる。
【0014】
〔発明2〕
さらに、発明2のレイアウト評価システムは、発明1のレイアウト評価システムにおいて、
前記レイアウト結果に基づいて誘目度を算出する誘目度算出手段と、前記誘目度算出手段で算出した誘目度に基づいて前記レイアウト結果を評価するレイアウト結果評価手段とを備えることを特徴とする。
このような構成であれば、誘目度算出手段により、レイアウト結果に基づいて誘目度が算出され、レイアウト結果評価手段により、算出された誘目度に基づいてレイアウト結果が評価される。
【0015】
〔発明3〕
さらに、発明3のレイアウト評価システムは、
レイアウトを評価するシステムであって、
レイアウト結果に基づいて前記レイアウト結果の注目領域を抽出する注目領域抽出手段と、前記注目領域抽出手段の抽出結果に基づいて前記レイアウト結果を評価するレイアウト結果評価手段とを備えることを特徴とする。
【0016】
このような構成であれば、レイアウト結果が与えられると、注目領域抽出手段により、与えられたレイアウト結果に基づいてレイアウト結果の注目領域が抽出され、レイアウト結果評価手段により、その抽出結果に基づいてレイアウト結果が評価される。
これにより、注目領域に基づいてレイアウト結果が評価されるので、評価結果をレイアウトに反映させれば、従来に比して、読み手の注目箇所を考慮した見やすいレイアウトを実現することができるという効果が得られる。
【0017】
ここで、レイアウト結果の注目領域とは、レイアウト結果のなかで読み手が注目すると思われる箇所をいう。以下、発明21のレイアウト評価プログラム、および発明23のレイアウト評価方法において同じである。
また、注目領域抽出手段は、レイアウト結果に基づいてレイアウト結果の注目領域を抽出するようになっていればよい。例えば、レイアウト結果に基づいて誘目度を算出し、算出した誘目度に基づいてレイアウト結果の注目領域を抽出することができる。以下、発明21のレイアウト評価プログラムにおいて同じである。
【0018】
〔発明4〕
さらに、発明4のレイアウト評価システムは、発明3のレイアウト評価システムにおいて、
前記レイアウト結果評価手段は、前記注目領域抽出手段で抽出した注目領域の分布に基づいて前記レイアウト結果を評価するようになっていることを特徴とする。
このような構成であれば、レイアウト結果評価手段により、抽出された注目領域の分布に基づいてレイアウト結果が評価される。
これにより、注目領域の分布に基づいてレイアウト結果が評価されるので、評価結果をレイアウトに反映させれば、読み手の注目箇所を考慮したさらに見やすいレイアウトを実現することができるという効果も得られる。
【0019】
〔発明5〕
さらに、発明5のレイアウト評価システムは、発明3および4のいずれかのレイアウト評価システムにおいて、
さらに、前記注目領域抽出手段で抽出した注目領域について視覚の誘導場に関する特徴量を算出する特徴量算出手段を備え、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出した特徴量に基づいて前記レイアウト結果を評価するようになっていることを特徴とする。
【0020】
このような構成であれば、特徴量算出手段により、抽出された注目領域について視覚の誘導場に関する特徴量が算出され、レイアウト結果評価手段により、算出された特徴量に基づいてレイアウト結果が評価される。
これにより、生理学、心理学的な知見に基づく視覚の誘導場をレイアウトの評価に利用したことにより、評価結果をレイアウトに反映させれば、比較的見栄えのよいレイアウトを実現することができるという効果も得られる。
【0021】
〔発明6〕
さらに、発明6のレイアウト評価システムは、発明5のレイアウト評価システムにおいて、
前記特徴量算出手段は、前記注目領域抽出手段で抽出した注目領域について視覚の誘導場の強さを算出し、算出した視覚の誘導場の強さを示す誘導場特徴量を算出するようになっていることを特徴とする。
【0022】
このような構成であれば、特徴量算出手段により、抽出された注目領域について視覚の誘導場の強さが算出され、算出された視覚の誘導場の強さを示す誘導場特徴量が算出され、レイアウト結果評価手段により、算出された誘導場特徴量に基づいてレイアウト結果が評価される。
これにより、生理学、心理学的な知見に基づく視覚の誘導場の強さをレイアウトの評価に利用したことにより、評価結果をレイアウトに反映させれば、さらに見栄えのよいレイアウトを実現することができるという効果も得られる。
【0023】
〔発明7〕
さらに、発明7のレイアウト評価システムは、発明5および6のいずれかのレイアウト評価システムにおいて、
前記特徴量算出手段は、前記注目領域抽出手段で抽出した注目領域について視覚の誘導場を算出し、算出した視覚の誘導場から等ポテンシャル線を得て、その等ポテンシャル線の複雑度を示す複雑度特徴量を算出するようになっていることを特徴とする。
【0024】
このような構成であれば、特徴量算出手段により、抽出された注目領域について視覚の誘導場が算出され、算出された視覚の誘導場から等ポテンシャル線を得て、その等ポテンシャル線の複雑度を示す複雑度特徴量が算出され、レイアウト結果評価手段により、算出された複雑度特徴量に基づいてレイアウト結果が評価される。
【0025】
これにより、生理学、心理学的な知見に基づく視覚の誘導場における等ポテンシャル線の複雑度をレイアウトの評価に利用したことにより、評価結果をレイアウトに反映させれば、さらに見栄えのよいレイアウトを実現することができるという効果も得られる。
【0026】
〔発明8〕
さらに、発明8のレイアウト評価システムは、発明5ないし7のいずれかのレイアウト評価システムにおいて、
前記特徴量算出手段は、前記注目領域抽出手段で抽出した注目領域について視覚の誘導場のエネルギを算出し、算出した視覚の誘導場のエネルギを示すエネルギ特徴量を算出するようになっていることを特徴とする。
【0027】
このような構成であれば、特徴量算出手段により、抽出された注目領域について視覚の誘導場のエネルギが算出され、算出された視覚の誘導場のエネルギを示す誘導場特徴量が算出され、レイアウト結果評価手段により、算出された誘導場特徴量に基づいてレイアウト結果が評価される。
これにより、生理学、心理学的な知見に基づく視覚の誘導場のエネルギをレイアウトの評価に利用したことにより、評価結果をレイアウトに反映させれば、さらに見栄えのよいレイアウトを実現することができるという効果も得られる。
【0028】
〔発明9〕
さらに、発明9のレイアウト評価システムは、発明3ないし8のいずれかのレイアウト評価システムにおいて、
さらに、前記注目領域の分布と前記レイアウト結果の評価との関係を学習したレイアウト評価モデルを記憶するためのレイアウト評価モデル記憶手段を備え、
前記レイアウト結果評価手段は、前記注目領域抽出手段で抽出した注目領域の分布および前記レイアウト評価モデル記憶手段のレイアウト評価モデルに基づいて前記レイアウト結果を評価するようになっていることを特徴とする。
【0029】
このような構成であれば、レイアウト評価モデルには、注目領域の分布とレイアウト結果の評価との関係が学習されているので、レイアウト結果評価手段により、抽出された注目領域の分布およびレイアウト評価モデル記憶手段のレイアウト評価モデルに基づいてレイアウト結果が評価される。
これにより、読み手の注目箇所を考慮した見やすいレイアウト結果を用意し、そのレイアウト結果について注目領域の分布をレイアウト評価モデルに学習させておけば、レイアウト結果の良し悪しを比較的容易に判定することができるという効果も得られる。
【0030】
〔発明10〕
さらに、発明10のレイアウト評価システムは、発明9のレイアウト評価システムにおいて、
前記レイアウト評価モデルは、前記注目領域の分布と前記レイアウト結果の評価との関係を学習したニューラルネットワークであり、
前記レイアウト結果評価手段は、前記注目領域抽出手段で抽出した注目領域の分布を前記ニューラルネットワークに入力し、前記ニューラルネットワークの出力値を前記レイアウト結果の評価として出力するようになっていることを特徴とする。
【0031】
このような構成であれば、ニューラルネットワークには、注目領域の分布とレイアウト結果の評価との関係が学習されているので、レイアウト結果評価手段により、抽出された注目領域の分布がニューラルネットワークに入力され、ニューラルネットワークの出力値がレイアウト結果の評価として出力される。
【0032】
〔発明11〕
さらに、発明11のレイアウト評価システムは、発明5ないし8のいずれかのレイアウト評価システムにおいて、
さらに、視覚の誘導場に関する特徴量と前記レイアウト結果の評価との関係を学習したレイアウト評価モデルを記憶するためのレイアウト評価モデル記憶手段を備え、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出した特徴量および前記レイアウト評価モデル記憶手段のレイアウト評価モデルに基づいて前記レイアウト結果を評価するようになっていることを特徴とする。
【0033】
このような構成であれば、レイアウト評価モデルには、視覚の誘導場に関する特徴量とレイアウト結果の評価との関係が学習されているので、レイアウト結果評価手段により、算出された特徴量およびレイアウト評価モデル記憶手段のレイアウト評価モデルに基づいてレイアウト結果が評価される。
これにより、読み手の注目箇所を考慮した見やすいレイアウト結果を用意し、そのレイアウト結果について各注目領域ごとに視覚の誘導場に関する特徴量をレイアウト評価モデルに学習させておけば、レイアウト結果の良し悪しを比較的容易に判定することができるという効果も得られる。
【0034】
〔発明12〕
さらに、発明12のレイアウト評価システムは、発明11のレイアウト評価システムにおいて、
前記レイアウト評価モデルは、視覚の誘導場に関する特徴量と前記レイアウト結果の評価との関係を学習したニューラルネットワークであり、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出した特徴量を前記ニューラルネットワークに入力し、前記ニューラルネットワークの出力値を前記レイアウト結果の評価として出力するようになっていることを特徴とする。
【0035】
このような構成であれば、ニューラルネットワークには、視覚の誘導場に関する特徴量とレイアウト結果の評価との関係が学習されているので、レイアウト結果評価手段により、算出された特徴量がニューラルネットワークに入力され、ニューラルネットワークの出力値がレイアウト結果の評価として出力される。
【0036】
〔発明13〕
さらに、発明13のレイアウト評価システムは、発明6のレイアウト評価システムにおいて、
さらに、視覚の誘導場の強さを示す誘導場特徴量と前記レイアウト結果の評価との関係を学習したレイアウト評価モデルを記憶するためのレイアウト評価モデル記憶手段を備え、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出した誘導場特徴量および前記レイアウト評価モデル記憶手段のレイアウト評価モデルに基づいて前記レイアウト結果を評価するようになっていることを特徴とする。
【0037】
このような構成であれば、レイアウト評価モデルには、視覚の誘導場の強さを示す誘導場特徴量とレイアウト結果の評価との関係が学習されているので、レイアウト結果評価手段により、算出された誘導場特徴量およびレイアウト評価モデル記憶手段のレイアウト評価モデルに基づいてレイアウト結果が評価される。
これにより、読み手の注目箇所を考慮した見やすいレイアウト結果を用意し、そのレイアウト結果について各注目領域ごとに視覚の誘導場の強さを示す誘導場特徴量をレイアウト評価モデルに学習させておけば、レイアウト結果の良し悪しを比較的容易に判定することができるという効果も得られる。
【0038】
〔発明14〕
さらに、発明14のレイアウト評価システムは、発明13のレイアウト評価システムにおいて、
前記レイアウト評価モデルは、視覚の誘導場の強さを示す誘導場特徴量と前記レイアウト結果の評価との関係を学習したニューラルネットワークであり、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出した誘導場特徴量を前記ニューラルネットワークに入力し、前記ニューラルネットワークの出力値を前記レイアウト結果の評価として出力するようになっていることを特徴とする。
【0039】
このような構成であれば、ニューラルネットワークには、視覚の誘導場の強さを示す誘導場特徴量とレイアウト結果の評価との関係が学習されているので、レイアウト結果評価手段により、算出された誘導場特徴量がニューラルネットワークに入力され、ニューラルネットワークの出力値がレイアウト結果の評価として出力される。
【0040】
〔発明15〕
さらに、発明15のレイアウト評価システムは、発明7のレイアウト評価システムにおいて、
さらに、前記等ポテンシャル線の複雑度を示す複雑度特徴量と前記レイアウト結果の評価との関係を学習したレイアウト評価モデルを記憶するためのレイアウト評価モデル記憶手段を備え、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出した複雑度特徴量および前記レイアウト評価モデル記憶手段のレイアウト評価モデルに基づいて前記レイアウト結果を評価するようになっていることを特徴とする。
【0041】
このような構成であれば、レイアウト評価モデルには、視覚の誘導場における等ポテンシャル線の複雑度を示す複雑度特徴量とレイアウト結果の評価との関係が学習されているので、レイアウト結果評価手段により、算出された複雑度特徴量およびレイアウト評価モデル記憶手段のレイアウト評価モデルに基づいてレイアウト結果が評価される。
【0042】
これにより、読み手の注目箇所を考慮した見やすいレイアウト結果を用意し、そのレイアウト結果について各注目領域ごとに視覚の誘導場における等ポテンシャル線の複雑度を示す複雑度特徴量をレイアウト評価モデルに学習させておけば、レイアウト結果の良し悪しを比較的容易に判定することができるという効果も得られる。
【0043】
〔発明16〕
さらに、発明16のレイアウト評価システムは、発明15のレイアウト評価システムにおいて、
前記レイアウト評価モデルは、前記等ポテンシャル線の複雑度を示す複雑度特徴量と前記レイアウト結果の評価との関係を学習したニューラルネットワークであり、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出した複雑度特徴量を前記ニューラルネットワークに入力し、前記ニューラルネットワークの出力値を前記レイアウト結果の評価として出力するようになっていることを特徴とする。
【0044】
このような構成であれば、ニューラルネットワークには、視覚の誘導場における等ポテンシャル線の複雑度を示す複雑度特徴量とレイアウト結果の評価との関係が学習されているので、レイアウト結果評価手段により、算出された複雑度特徴量がニューラルネットワークに入力され、ニューラルネットワークの出力値がレイアウト結果の評価として出力される。
【0045】
〔発明17〕
さらに、発明17のレイアウト評価システムは、発明8のレイアウト評価システムにおいて、
さらに、視覚の誘導場のエネルギを示すエネルギ特徴量と前記レイアウト結果の評価との関係を学習したレイアウト評価モデルを記憶するためのレイアウト評価モデル記憶手段を備え、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出したエネルギ特徴量および前記レイアウト評価モデル記憶手段のレイアウト評価モデルに基づいて前記レイアウト結果を評価するようになっていることを特徴とする。
【0046】
このような構成であれば、レイアウト評価モデルには、視覚の誘導場のエネルギを示すエネルギ特徴量とレイアウト結果の評価との関係が学習されているので、レイアウト結果評価手段により、算出されたエネルギ特徴量およびレイアウト評価モデル記憶手段のレイアウト評価モデルに基づいてレイアウト結果が評価される。
【0047】
これにより、読み手の注目箇所を考慮した見やすいレイアウト結果を用意し、そのレイアウト結果について各注目領域ごとに視覚の誘導場のエネルギを示すエネルギ特徴量をレイアウト評価モデルに学習させておけば、レイアウト結果の良し悪しを比較的容易に判定することができるという効果も得られる。
【0048】
〔発明18〕
さらに、発明18のレイアウト評価システムは、発明17のレイアウト評価システムにおいて、
前記レイアウト評価モデルは、視覚の誘導場のエネルギを示すエネルギ特徴量と前記レイアウト結果の評価との関係を学習したニューラルネットワークであり、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出したエネルギ特徴量を前記ニューラルネットワークに入力し、前記ニューラルネットワークの出力値を前記レイアウト結果の評価として出力するようになっていることを特徴とする。
【0049】
このような構成であれば、ニューラルネットワークには、視覚の誘導場のエネルギを示すエネルギ特徴量とレイアウト結果の評価との関係が学習されているので、レイアウト結果評価手段により、算出されたエネルギ特徴量がニューラルネットワークに入力され、ニューラルネットワークの出力値がレイアウト結果の評価として出力される。
【0050】
〔発明19〕
さらに、発明19のレイアウト評価システムは、発明3ないし18のいずれかのレイアウト評価システムにおいて、
前記レイアウト結果評価手段は、前記注目領域抽出手段で複数の注目領域を抽出したときは、前記複数の注目領域のうち上位所定数のものの分布に基づいて前記レイアウト結果を評価するようになっていることを特徴とする。
【0051】
このような構成であれば、複数の注目領域が抽出されると、レイアウト結果評価手段により、抽出されたそれら注目領域のうち上位所定数のものの分布に基づいてレイアウト結果が評価される。
これにより、複数の注目領域のうち上位所定数のものの分布に基づいてレイアウト結果が評価されるので、評価結果をレイアウトに反映させれば、読み手の注目箇所を考慮したさらに見やすいレイアウトを実現することができるとともに、注目領域が多数存在した場合に処理負荷を低減することができるという効果も得られる。
【0052】
〔発明20〕
一方、上記目的を達成するために、発明20のレイアウト評価プログラムは、
レイアウトを評価するプログラムであって、
レイアウト結果から得られる誘目度に基づいて前記レイアウト結果を評価する処理をコンピュータに実行させるためのプログラムであることを特徴とする。
このような構成であれば、コンピュータによってプログラムが読み取られ、読み取られたプログラムに従ってコンピュータが処理を実行すると、発明1のレイアウト評価システムと同等の作用および効果が得られる。
【0053】
〔発明21〕
さらに、発明21のレイアウト評価プログラムは、
レイアウトを評価するプログラムであって、
レイアウト結果に基づいて前記レイアウト結果の注目領域を抽出する注目領域抽出手段、および前記注目領域抽出手段の抽出結果に基づいて前記レイアウト結果を評価するレイアウト結果評価手段として実現される処理をコンピュータに実行させるためのプログラムであることを特徴とする。
このような構成であれば、コンピュータによってプログラムが読み取られ、読み取られたプログラムに従ってコンピュータが処理を実行すると、発明3のレイアウト評価システムと同等の作用および効果が得られる。
【0054】
〔発明22〕
一方、上記目的を達成するために、発明22のレイアウト評価方法は、
レイアウトを評価する方法であって、
レイアウト結果から得られる誘目度に基づいて前記レイアウト結果を評価することを特徴とする。
これにより、発明1のレイアウト評価システムと同等の効果が得られる。
【0055】
〔発明23〕
さらに、発明23のレイアウト評価方法は、
レイアウトを評価する方法であって、
レイアウト結果に基づいて前記レイアウト結果の注目領域を抽出する注目領域抽出ステップと、前記注目領域抽出ステップの抽出結果に基づいて前記レイアウト結果を評価するレイアウト結果評価ステップとを含むことを特徴とする。
【0056】
これにより、発明3のレイアウト評価システムと同等の効果が得られる。
ここで、注目領域抽出ステップは、レイアウト結果に基づいてレイアウト結果の注目領域を抽出すればよい。例えば、レイアウト結果に基づいて誘目度を算出し、算出した誘目度に基づいてレイアウト結果の注目領域を抽出することができる。
【0057】
【発明の実施の形態】
以下、本発明の第1の実施の形態を図面を参照しながら説明する。図1ないし図12は、本発明に係るレイアウト評価システムおよびレイアウト評価プログラム、並びにレイアウト評価方法の第1の実施の形態を示す図である。
本実施の形態は、本発明に係るレイアウト評価システムおよびレイアウト評価プログラム、並びにレイアウト評価方法を、読み手の注目箇所を考慮した見やすいレイアウト結果をニューラルネットワーク300にあらかじめ学習させておき、ニューラルネットワーク300を用いて、与えられたレイアウト結果を評価する場合について適用したものである。
【0058】
本実施の形態では、レイアウト結果のなかで読み手が注目すると思われる箇所(以下、注目領域という。)の抽出基準として「誘目度」という概念を用いる。誘目度の算出方法は、例えば、「特開2001−126070号公報(注目領域抽出装置およびそれを用いた自動構図決定装置)に詳細に開示されている。
誘目度について簡単に説明する。
【0059】
注目領域の抽出のために、原画像の物理的特徴に従って誘目度を評価する。ここで、誘目度とは、人間の主観に合ったパラメータをいう。注目領域の抽出は、評価結果から一番目立つ領域を注目領域として抽出する。つまり、注目領域の評価の際は、物理的特徴に従って人間の主観に合った評価をするので、人間の主観に適合した注目領域を抽出することができる。
【0060】
例えば、物理的特徴が色の異質度を含む場合、各領域の色の違いに基づいて誘目度を評価することができる。
また、物理的特徴が、色の異質度に加えて、形の異質度、面積の異質度およびテクスチャ(模様)の異質度をさらに含むので、この4つの異質度の少なくとも1つの異質度に基づいて誘目度を評価すれば、原画像の特徴に応じて的確に誘目度を評価することができる。
【0061】
また、色の3要素(色相、彩度、明度)についても評価する場合であれば、人間の主観による目立つ色(赤色)に近い領域を最も目立つ領域と評価することができる。
さらに、空間周波数や原画像における各領域の面積についても評価すれば、最も目立つ領域の評価をさらに的確に判定することができる。
【0062】
また、誘目度の評価は、以下の手順により行う。
(1)最初に原画像を領域分割する。この場合、原画像を図領域と絵領域に分割する。領域分割の方法には、1997IEEEにおいてW.Y.MaやB.S.Manjunathらが「Edge Flow:A Framework of Boundary Detection and Image Segmentation」に記載した”edge flow”に基づく境界検出方法が適用される。
(2)次に、分割した図領域を抽出し、領域の誘目度を評価する。
【0063】
誘目度の評価は、概略以下のようにして行う。
最初に、各領域の異質性誘目度を求める。この場合、色の異質度、テクスチャの異質度、形の異質度および面積の異質度を各々求め、それぞれに重み係数を付与して線形結合し、各領域の異質性誘目度を求める。
次に、各領域における特徴誘目度を求める。この場合、色の誘目度、空間周波数の誘目度、面積の誘目度を求め、それぞれに重み係数を付与して線形結合し、各領域の特徴誘目度を求める。
【0064】
次に、各領域の異質性誘目度と特徴誘目度を加算し、特徴量統合値を求め、特徴量統合値を所定のベータ関数により評価して、誘目度を算出する。
(3)また、原画像から誘目度を評価したパターン図を生成する。
また、本実施の形態では、レイアウト結果の評価基準として「視覚の誘導場」という概念を用いる。
【0065】
視覚の誘導場について簡単に説明する。
視覚の誘導場は、例えば、文字列上に存在する個々の文字の読みやすさなどの評価を行うことで、その文字列全体の読みやすさの指標などとして用いられている。
最初に、生理学および心理学的な知見に基づいた文字画像の視覚の誘導場の推定を行う例として、電子化によって得られた文字のディジタル画像から視覚の誘導場を推定する方法について説明する。
【0066】
なお、文字列内の個々の文字が読みやすい状態とは、個々の文字を囲む視覚の誘導場が、できるだけ干渉し合わないような間隔で配置されていることであるとされている。具体的には、個々の文字を囲む視覚の誘導場の閉曲線を考えたとき、その閉曲線のポテンシャル値が高いと他の文字との分離が難しく、読みにくいということである。このことから、視覚の誘導場の広がりを基準に、文字列内の個々の文字の読みやすさを定量的に評価できると考えられる。なお、視覚の誘導場については、横瀬善正著の「形の心理学」(名古屋大学出版会(1986))(以下、これを参考論文という。)に記載されている。
【0067】
参考論文に示された視覚の誘導場(以下、単に誘導場と略記する。)とは、図形の周囲に波及する「場」を考えることにより、視覚現象を説明するものである。参考論文は、直線・円弧で構成された図形を対象としているため、任意のディジタル画像の誘導場は求められない。ここでは、最初に白黒2値のディジタル画像における誘導場の計算方法を示す。
【0068】
誘導場は、基本的にクーロンポテンシャルと解釈できることから、パターンの外郭を構成する画素を点電荷と仮定し、それらが作るクーロンポテンシャルの集積から、ディジタル画像における誘導場の分布を計算する。
図1は、ディジタル画像の画素配列を示す図である。
図1に示すように、n個の点列から構成される曲線f(s)によって、任意の点Pに誘導場が形成されるとする。曲線f(s)は、線図形の線分や画図形の輪郭線に当たる。そして、曲線f(s)を構成する各点p1,p2,…,pi,…,pnを正電荷1の点電荷と仮定し、点Pから曲線f(s)上を走査して、曲線f(s)を構成するn個の点p1,p2,…,pi,…,pnが見つかり、走査して見つかった曲線f(s)上の各点までの距離をriとすると、点Pにおける誘導場の強さMxyは、下式(1)により定義することができる。なお、Mxyの下付符号xyは、点Pの画像中のx座標およびy座標を表している。
【0069】
【数1】
【0070】
図2は、誘導場の強さを求める際の遮蔽条件を説明する図である。
上式(1)を用いることにより、任意のディジタル画像の誘導場を求めることができる。また、曲線が複数ある場合、点Pにおける誘導場の強さMxyは、個々の曲線が点Pにつくる誘導場の和になる。なお、上式(1)は、点Pから発した光が直接当たる部分のみ和をとるという制約条件がつく。例えば、点Pに対して、曲線f1(s),f2(s),f3(s)が図2に示すように存在しているとすると、点Pから見えない部分、つまり、この場合、曲線f1(s)に遮蔽されて点Pから見えない範囲Zに存在する部分の和はとらない。図2の例では、曲線f3(s)のすべてと曲線f2(s)の一部の和はとらないことになる。これを遮蔽条件という。
【0071】
図3は、文字「A」の誘導場の例であり、同図(a)は遮蔽条件を考慮して誘導場を求めた場合、同図(b)は遮蔽条件を考慮しないで誘導場を求めた場合を示す図である。
図3(a)は、「A」という文字について、上式(1)で計算した誘導場の例を示すものである。図3(a)の文字「A」周辺に地図の等高線状に分布している細い線Lが誘導場の等ポテンシャル線であり、中央から外に行くほど誘導場の強さMxyは弱くなりやがて0に近づく。
【0072】
図3(a)の誘導場の分布の形状・強さにおける特徴、特に「A」の頂点付近の分布が他より鋭角な特徴は、参考論文による四角形や三角形など、図形の角付近に関する誘導場の分布の心理実験結果と一致する。
また、図3(b)は、遮蔽条件がなく、画素すべてを正電荷1の点電荷と仮定した誘導場の例であるが、誘導場の分布は、全体的に丸くなり、参考論文による心理実験結果と異なったものとなる。このように、遮蔽条件は、誘導場を特徴づける上で重要なものとなる。
【0073】
このようにして、ある文字についての誘導場を得ることができる。なお、誘導場を用いた技術の例としては、例えば、「長石道博:「視覚の誘導場を用いた読みやすい和文プロポーショナル表示」、映像メディア学会誌、Vol.52,No.12,pp.1865−1872(1998)」(以下、第1の論文という。)や、「三好正純、下塩義文、古賀広昭、井手口健:「視覚の誘導場理論を用いた感性にもとづく文字配置の設計」、電子情報通信学会論文誌、82−A,9,1465−1473(1999)」(以下、第2の論文という。)がある。
【0074】
本実施の形態では、このような誘導場を利用して、文字や写真、絵、図形などからなるひとまとまりの画像を、ある限られた所定の表示範囲内に表示する際、そのレイアウトが最適なものとなるようにレイアウトの評価を行う。
本実施の形態では、レイアウトの良し悪しを評価する際、レイアウト対象となるひとまとまりの画像を1つの誘導場計算対象とみなして、その誘導場を計算し、それによって求められた等ポテンシャル線の形状に基づいてレイアウトの良し悪しを評価する。
【0075】
図4は、基準となるレイアウト例としてのある新聞記事の一部分の画像を示す図である。
いま、レイアウト対象となるひとまとまりの画像が図4に示されるように、文字列と写真からなる画像であるとする。図4に示される画像は、新聞記事の一部を示すもので、文字列部分Cと写真P1,P2からなり、図4に示されるレイアウトは、新聞紙面専門のデザイナによってなされたものであり、多くの人が見やすく内容の理解がしやすいとされるレイアウトであるとする。
【0076】
図5は、図4に示す画像に対し、文字列部分はそれぞれの文字列を単純な線で表し、写真は単に矩形枠で表して誘導場を計算し、計算された誘導場から得られた等ポテンシャル線を示す図である。
図4に示すように、ある限られた表示範囲にレイアウトされるひとまとまりの画像全体について、上式(1)を用いて誘導場を計算すると、求められた誘導場によって、図5のような等ポテンシャル線Lが描かれる。なお、このようなレイアウト対象となる情報全体について誘導場を計算する際、図4で示した文字列部分Cは、図5に示すように、それぞれの文字列を単純な線で表し、写真P1,P2は、その外形を矩形枠で表して誘導場を計算する。
【0077】
これは、レイアウトが各要素の位置関係や大きさで決まるため、各要素を単純化して表現することができるからであり、このように、各要素を単純化して表現した状態で誘導場を計算し、求められた誘導場から等ポテンシャル線を描けば、その等ポテンシャル線は、そのレイアウト全体の等ポテンシャル線を表すことができる。
【0078】
なお、図4に示すレイアウトは、専門のデザイナによってデザインされた見やすく内容の理解がしやすいとされるレイアウトであり、このようにレイアウトされた画像全体から得られた等ポテンシャル線Lは、全体に凹凸が少なく丸みを帯びたものとなる。
このことから、レイアウト対象となるひとまとまりの画像全体について誘導場を計算し、それによって得られた等ポテンシャル線の形状から、その画像のレイアウトの良し悪しを判定することができる。つまり、得られた等ポテンシャル線の凹凸の度合いがわかれば、それによって当該画像のレイアウトが良いレイアウトであるかどうかの評価を行うことができる。
【0079】
そこで、本実施の形態では、等ポテンシャル線の凹凸の度合いを等ポテンシャル線の複雑度として求め、その複雑度を当該画像のレイアウトの良し悪しを評価する指標として用いる。つまり、等ポテンシャル線が、凹凸が少なく丸みを帯びていればいるほど複雑度は小さくなり、等ポテンシャル線の凹凸が激しいほど複雑度は大きくなる。複雑度は、i番目の等ポテンシャル線の複雑度をCiで表せば、下式(2)により定義することができる。上式(2)において、Liはi番目の等ポテンシャル線の長さ、Siはi番目の等ポテンシャル線で囲まれた面の面積を表している。なお、i番目の等ポテンシャル線の長さLiは、そのポテンシャル線を構成するドット数と考えることができ、i番目の等ポテンシャル線で囲まれた面の面積Siは、i番目の等ポテンシャル線で囲まれた面に存在するドット数と考えることができる。
【0080】
【数2】
【0081】
上式(2)によれば、レイアウト対象となるひとまとまりの画像について計算された誘導場によって描かれた等ポテンシャル線の長さが長いほど(凹凸が激しいほど)複雑度Ciの値は大きくなるといえる。逆に言えば、等ポテンシャル線に凹凸が少なく円に近いほど複雑度Ciは小さな値となる。
図6は、図4で示した基準レイアウトとその基準レイアウトを種々変化させたレイアウトとした場合の図である。
【0082】
ここで、図4で示したひとまとまりの画像を図6で示すように色々なレイアウトとしたときのそれぞれの複雑度を計算してみる。図6では、図5と同様に、文字列部分Cはそれぞれの文字列を単純な線で表し、写真P1,P2は単に矩形枠で表している。
図6において、同図(a)は、図4と同じレイアウト(これをレイアウトA1という。)であり、同図(b)は、図4の写真P2を文字列の中に配置したレイアウト(これをレイアウトA2という。)、同図(c)は、写真P1が右下、写真P2が左上となっているレイアウト(これをレイアウトA3という。)、同図(d)は、2つの写真P1,P2を文字列の中に配置したレイアウト(これをレイアウトA4という。)である。
【0083】
図7は、図6(a)〜(d)のようなレイアウトとしたときのそれぞれのレイアウトに対する複雑度を示す図である。
これらについて、まず、それぞれの誘導場を計算し、求められた誘導場によって描かれた等ポテンシャル線(それぞれのi番目のポテンシャル線)から、上式(2)によってそれぞれ複雑度を計算すると、図7のような結果が得られた。図7は、横軸にそれぞれのレイアウトA1〜A6をとり、縦軸にそれぞれのレイアウトA1〜A6に対して求められた複雑度をとっている。
【0084】
図7によれば、デザイナによってレイアウトされた読みやすく内容の理解のしやすいとされるレイアウトA1(基準レイアウトA1という。)の複雑度が最も小さく、他の3つのレイアウトA2,A3,A4はいずれも、基準レイアウトA1に比べると、その複雑度は大きな値となっている。特に、この例においては、レイアウトA3が最も大きな複雑度となっている。
【0085】
これは、前述したように、基準レイアウトA1から求められた誘導場に凹凸が少なく全体的に丸みを帯びているためであり、他の3つのレイアウトA2〜A4はそれぞれのレイアウトから求められた等ポテンシャル線に凹凸が大きいためである。
また、等ポテンシャル線を利用し、画像全体における誘導場のエネルギEは、下式(3)により定義することができる。下式(3)において、iはi番目の等ポテンシャル線を、Siはi番目の等ポテンシャル線で囲まれた面の面積を、Piはi番目の等ポテンシャル線におけるポテンシャル値をそれぞれ表している。これは、誘導場を3次元的に考えたとき、その誘導場の体積を求めるのに相当し、その体積の大きさをエネルギと定義している。
【0086】
【数3】
【0087】
以上は、新聞などの記事(多くは文字列と写真などからなる)の一部をレイアウト対象のひとまとまりの画像とし、そのひとまとまりの画像をレイアウトする場合についての評価を行った場合であるが、レイアウト対象の画像としては、一般的な画像を用いた場合の評価も同様に考えることができる。
次に、本発明に係るレイアウト評価装置の構成を図8を参照しながら説明する。
【0088】
図8は、本発明に係るレイアウト評価装置の構成を示す機能ブロック図である。
本発明に係るレイアウト評価装置は、図8に示すように、レイアウト結果を評価する評価部100と、読み手の注目箇所を考慮した見やすいレイアウト結果を学習する学習部200とで構成されている。具体的には、CPU、ROM、RAMおよびI/F等をバス接続した一般的なコンピュータとして構成し、CPUは、ROMの所定領域に格納されている所定のプログラムを起動させ、そのプログラムに従って評価部100および学習部200として実現される処理を実行する。
【0089】
評価部100は、レイアウト結果を記憶したレイアウト結果記憶部110と、レイアウト結果記憶部110のレイアウト結果に基づいてレイアウト結果の注目領域を抽出する注目領域抽出部115と、注目領域抽出部115で抽出した注目領域について誘導場に関する特徴量を算出する特徴量算出部120と、注目領域の分布とレイアウト結果の評価との関係を注目領域分布モデルとして記憶した注目領域分布モデル記憶部130と、特徴量算出部120で算出した特徴量および注目領域分布モデル記憶部130の注目領域分布モデルに基づいてレイアウト結果記憶部110のレイアウト結果を評価するレイアウト結果評価部140とで構成されている。
【0090】
注目領域抽出部115は、レイアウト結果記憶部110から評価対象となるレイアウト結果を読み出し、読み出したレイアウト結果に基づいて誘目度を算出し、算出した誘目度に基づいて注目領域を抽出するようになっている。注目領域の抽出は、上記方法により行う。複数の注目領域を抽出したときは、誘目度の高い上位N個(Nは自然数)の注目領域を抽出する。以下、レイアウト結果を構成する各画素について算出した誘目度をF(x,y)とする。x,yは、レイアウト結果における画素のX座標およびY座標を示す。
【0091】
特徴量算出部120は、注目領域抽出部115で抽出した注目領域について、誘導場の強さMxy、等ポテンシャル線の複雑度Ciおよび誘導場のエネルギEを特徴量として算出するようになっている。誘導場の強さMxy、等ポテンシャル線の複雑度Ciおよび誘導場のエネルギEは、レイアウト結果を白黒2値化処理した画像に基づいて算出する。本実施の形態では、誘目度F(x、y)並びに各特徴量Mxy,CiおよびEをそれぞれベクトルとして取り扱う。
【0092】
図9は、ニューラルネットワーク300の構成を示す図である。
注目領域分布モデル記憶部130は、図9に示すように、ニューラルネットワーク300により注目領域の分布を記憶するようになっている。
ニューラルネットワーク300は、図9に示すように、誘目度F(x、y)並びに特徴量Mxy,CiおよびEを入力するi個の入力層Iiと、各入力層Iiからの出力を入力するj個の中間層Hjと、各中間層Hjの出力を入力して評価値を出力する出力層Okとから構成されている。そして、入力層Iiと中間層Hjとは結合係数Wijのシナプスにより、中間層Hjと出力層Okとは結合係数Wjkのシナプスによりそれぞれ結合されている。
【0093】
また、ニューラルネットワーク300は、後述の特徴学習部230により、読み手の注目箇所を考慮した見やすいレイアウト結果の特徴を学習している。したがって、読み手の注目箇所を考慮した見やすいレイアウト結果から算出した誘目度F(x,y)並びに特徴量Mxy,CiおよびEをニューラルネットワーク300に入力したときは、評価値として比較的高い値が出力層Okから出力され、読み手の注目箇所を考慮しないレイアウト結果から算出した誘目度F(x,y)並びに特徴量Mxy,CiおよびEをニューラルネットワーク300に入力したときは、評価値として比較的低い値が出力層Okから出力される。
【0094】
図8に戻り、レイアウト結果評価部140は、注目領域抽出部115で算出した誘目度F(x,y)、並びに特徴量算出部120で算出した特徴量Mxy,CiおよびEをニューラルネットワーク300に入力し、ニューラルネットワーク300の出力値をレイアウト結果の評価として出力するようになっている。出力した評価値は、ディスプレイ等の表示装置に表示してもよいし、レイアウト結果の選択やレイアウトの決定に利用することもできる。
【0095】
学習部200は、図8に示すように、レイアウト結果記憶部110のなかから学習対象とするレイアウト結果の指定を入力するレイアウト結果指定入力部210と、レイアウト結果記憶部110のレイアウト結果のうちレイアウト結果指定入力部210で入力した指定に係るものに基づいてレイアウト結果の注目領域を抽出する注目領域抽出部215と、注目領域抽出部215で抽出した注目領域について誘導場に関する特徴量を算出する特徴量算出部220と、特徴量算出部220で算出した特徴量に基づいて読み手の注目箇所を考慮した見やすいレイアウト結果の特徴を学習する特徴学習部230とで構成されている。
【0096】
注目領域抽出部215は、注目領域抽出部115と同一機能を有して構成されており、レイアウト結果記憶部110のレイアウト結果のうちレイアウト結果指定入力部210で入力した指定に係るものに基づいて誘目度F(x,y)を算出し、算出した誘目度F(x,y)に基づいて注目領域を抽出するようになっている。
【0097】
特徴量算出部220は、特徴量算出部120と同一機能を有して構成されており、注目領域抽出部115で抽出した注目領域について、誘導場の強さMxy、等ポテンシャル線の複雑度Ciおよび誘導場のエネルギEを特徴量として算出するようになっている。
特徴学習部230は、注目領域抽出部215で算出した誘目度F(x,y)、並びに特徴量算出部220で算出した特徴量Mxy,CiおよびEに基づいて、公知のバックプロパゲーション法その他の学習法によりニューラルネットワーク300を学習するようになっている。学習では、レイアウト結果指定入力部210で入力した指定に係るレイアウト結果から算出した誘目度F(x,y)並びに特徴量Mxy,CiおよびEをニューラルネットワーク300に入力したときに、評価値として比較的高い値が出力層Okから出力されるように結合係数Wij,Wjkを決定する。例えば、バックプロパゲーション法を用いる場合は、前向き演算または後ろ向き演算により結合係数Wij,Wjkを決定する。
【0098】
次に、本実施の形態の動作を説明する。
まず、ニューラルネットワーク300を学習する場合を説明する。
ニューラルネットワーク300を学習する場合、ユーザまたはデザイナは、レイアウト結果記憶部110のなかから読み手の注目箇所を考慮した見やすいレイアウト結果をいくつか指定する。この指定は、レイアウト結果指定入力部210に入力する。
【0099】
レイアウト結果の指定が入力されると、注目領域抽出部215により、レイアウト結果記憶部110のレイアウト結果のうち入力された指定に係るものに基づいて誘目度F(x,y)が算出され、算出された誘目度F(x,y)に基づいて注目領域が抽出される。次いで、特徴量算出部220により、抽出された注目領域について、誘導場の強さMxy、等ポテンシャル線の複雑度Ciおよび誘導場のエネルギEが特徴量として算出される。そして、特徴学習部230により、算出された誘目度F(x,y)並びに特徴量Mxy,CiおよびEに基づいてニューラルネットワーク300が学習される。この一連の処理は、指定されたすべてのレイアウト結果について行われる。
【0100】
次に、レイアウトを評価する場合を説明する。
図10は、レイアウト対象となる画像600,602を示す図である。
図11は、評価対象となるレイアウト結果610,620を示す図である。
いま、図10に示すように、レイアウト対象となる2つの画像600,602がある。これら2つの画像を用いて異なるレイアウトパターンで2つのレイアウトを作成した。そのレイアウト結果がそれぞれ図10(a),(b)に示すようになる。レイアウト結果610は、図10(a)に示すように、左上領域に画像600を、右下領域に画像602をそれぞれ配置し、画像600,602の大きさをほぼ同一としたものである。右上領域および左下領域には、画像600,602に対応する文章が配置されている。また、レイアウト結果620は、図10(b)に示すように、左上領域に画像600を、右下領域に画像602をそれぞれ配置し、画像600を画像602よりも大きくし主体的に配置したものである。右上領域および左下領域には、画像600,602に対応する文章が配置されている。
【0101】
図12は、レイアウト結果610,620の注目領域を示す図である。
まず、注目領域抽出部115により、レイアウト結果記憶部110からレイアウト結果610が読み出され、読み出されたレイアウト結果610に基づいて誘目度F(x,y)が算出され、算出された誘目度F(x,y)に基づいて注目領域が抽出される。複数の注目領域が抽出されたときは、誘目度F(x,y)が高い上位N個(例えば4つ)の注目領域が抽出される。レイアウト結果610の注目領域は、図12(a)に示すように、左上領域、右上領域、左下領域および右下領域においてそれぞれ斜線で示す領域として抽出される。なお、説明の便宜上、注目領域を楕円で示しているが、実際には、領域分割の手法によって領域の形状は変化する。
【0102】
次いで、特徴量算出部120により、レイアウト結果610の各注目領域について、誘導場の強さMxy、等ポテンシャル線の複雑度Ciおよび誘導場のエネルギEが特徴量として算出される。そして、レイアウト結果評価部140により、算出された誘目度F(x,y)並びに特徴量Mxy,CiおよびEがニューラルネットワーク300に入力され、ニューラルネットワーク300の出力値がレイアウト結果の評価として出力される。
【0103】
同様に、注目領域抽出部115により、レイアウト結果記憶部110からレイアウト結果620が読み出され、読み出されたレイアウト結果620に基づいて誘目度F(x,y)が算出され、算出された誘目度F(x,y)に基づいて注目領域が抽出される。複数の注目領域が抽出されたときは、誘目度F(x,y)が高い上位N個の注目領域が抽出される。レイアウト結果620の注目領域は、図12(b)に示すように、左上領域、右上領域、左下領域および右下領域においてそれぞれ斜線で示す領域として抽出される。レイアウト結果610と異なるのは、画像600に対応する注目領域が大きく、画像602に対応する注目領域が小さい点である。
【0104】
次いで、特徴量算出部120により、レイアウト結果620の各注目領域について、誘導場の強さMxy、等ポテンシャル線の複雑度Ciおよび誘導場のエネルギEが特徴量として算出される。そして、レイアウト結果評価部140により、算出された誘目度F(x,y)並びに特徴量Mxy,CiおよびEがニューラルネットワーク300に入力され、ニューラルネットワーク300の出力値がレイアウト結果の評価として出力される。
【0105】
このようにして、本実施の形態では、レイアウト結果に基づいてレイアウト結果の注目領域を抽出する注目領域抽出部115と、注目領域抽出部115で抽出した注目領域の分布に基づいてレイアウト結果を評価するレイアウト結果評価部140とを備える。
これにより、注目領域に基づいてレイアウト結果が評価されるので、評価結果をレイアウトに反映させれば、従来に比して、読み手の注目箇所を考慮した見やすいレイアウトを実現することができる。
【0106】
さらに、本実施の形態では、注目領域抽出部115で抽出した注目領域について誘導場に関する特徴量を算出する特徴量算出部120を備え、レイアウト結果評価部140は、特徴量算出部120で算出した特徴量に基づいてレイアウト結果を評価するようになっている。
これにより、生理学、心理学的な知見に基づく誘導場をレイアウトの評価に利用したことにより、評価結果をレイアウトに反映させれば、比較的見栄えのよいレイアウトを実現することができる。
【0107】
さらに、本実施の形態では、誘目度F(x、y)とレイアウト結果の評価との関係をニューラルネットワーク300に学習させておき、レイアウト結果評価部140は、注目領域抽出部115で算出した誘目度F(x、y)をニューラルネットワーク300に入力し、ニューラルネットワーク300の出力値をレイアウト結果の評価として出力するようになっている。
【0108】
これにより、読み手の注目箇所を考慮した見やすいレイアウト結果を用意し、そのレイアウト結果について誘目度F(x、y)の分布をニューラルネットワーク300に学習させておけば、レイアウト結果の良し悪しを比較的容易に判定することができる。
さらに、本実施の形態では、誘導場の強さMxyを示す特徴量とレイアウト結果の評価との関係をニューラルネットワーク300に学習させておき、特徴量算出部120は、注目領域抽出部115で抽出した注目領域について誘導場の強さMxyを算出し、レイアウト結果評価部140は、特徴量算出部120で算出した誘導場の強さMxyをニューラルネットワーク300に入力し、ニューラルネットワーク300の出力値をレイアウト結果の評価として出力するようになっている。
【0109】
これにより、生理学、心理学的な知見に基づく誘導場の強さMxyをレイアウトの評価に利用したことにより、評価結果をレイアウトに反映させれば、さらに見栄えのよいレイアウトを実現することができる。また、読み手の注目箇所を考慮した見やすいレイアウト結果を用意し、そのレイアウト結果について各注目領域ごとに誘導場の強さMxyを示す特徴量をニューラルネットワーク300に学習させておけば、レイアウト結果の良し悪しを比較的容易に判定することができる。
【0110】
さらに、本実施の形態では、等ポテンシャル線の複雑度Ciを示す特徴量とレイアウト結果の評価との関係をニューラルネットワーク300に学習させておき、特徴量算出部120は、注目領域抽出部115で抽出した注目領域について誘導場を算出し、算出した誘導場から等ポテンシャル線を得て、その等ポテンシャル線の複雑度Ciを算出し、レイアウト結果評価部140は、特徴量算出部120で算出した複雑度Ciをニューラルネットワーク300に入力し、ニューラルネットワーク300の出力値をレイアウト結果の評価として出力するようになっている。
【0111】
これにより、生理学、心理学的な知見に基づく誘導場における等ポテンシャル線の複雑度Ciをレイアウトの評価に利用したことにより、評価結果をレイアウトに反映させれば、さらに見栄えのよいレイアウトを実現することができる。また、読み手の注目箇所を考慮した見やすいレイアウト結果を用意し、そのレイアウト結果について各注目領域ごとに等ポテンシャル線の複雑度Ciを示す特徴量をニューラルネットワーク300に学習させておけば、レイアウト結果の良し悪しを比較的容易に判定することができる。
【0112】
さらに、本実施の形態では、誘導場のエネルギEを示す特徴量とレイアウト結果の評価との関係をニューラルネットワーク300に学習させておき、特徴量算出部120は、注目領域抽出部115で抽出した注目領域について誘導場のエネルギEを算出し、レイアウト結果評価部140は、特徴量算出部120で算出した誘導場のエネルギEをニューラルネットワーク300に入力し、ニューラルネットワーク300の出力値をレイアウト結果の評価として出力するようになっている。
【0113】
これにより、生理学、心理学的な知見に基づく誘導場のエネルギEをレイアウトの評価に利用したことにより、評価結果をレイアウトに反映させれば、さらに見栄えのよいレイアウトを実現することができる。また、読み手の注目箇所を考慮した見やすいレイアウト結果を用意し、そのレイアウト結果について各注目領域ごとに誘導場のエネルギEを示す特徴量をニューラルネットワーク300に学習させておけば、レイアウト結果の良し悪しを比較的容易に判定することができる。
【0114】
さらに、本実施の形態では、レイアウト結果評価部140は、注目領域抽出部115で複数の注目領域を抽出したときは、複数の注目領域のうち上位N個のものの分布に基づいてレイアウト結果を評価するようになっている。
これにより、複数の注目領域のうち上位N個のものの分布に基づいてレイアウト結果が評価されるので、評価結果をレイアウトに反映させれば、読み手の注目箇所を考慮したさらに見やすいレイアウトを実現することができるとともに、注目領域が多数存在した場合に処理負荷を低減することができる。
【0115】
上記第1の実施の形態において、注目領域抽出部115は、発明3ないし10、19若しくは21の注目領域抽出手段、または発明2の誘目度算出手段に対応し、注目領域抽出部115による抽出は、発明23の注目領域抽出ステップに対応し、特徴量算出部120は、発明5ないし8、11ないし18の特徴量算出手段に対応している。また、注目領域分布モデル記憶部130は、発明9、11、13、15または17のレイアウト評価モデル記憶手段に対応し、レイアウト結果評価部140は、発明2ないし5、9ないし19または21のレイアウト結果評価手段に対応し、レイアウト結果評価部140による評価は、発明23のレイアウト結果評価ステップに対応している。
【0116】
また、上記第1の実施の形態において、ニューラルネットワーク300は、発明9ないし18のレイアウト評価モデルに対応している。
次に、本発明の第2の実施の形態を図面を参照しながら説明する。図13は、本発明に係るレイアウト評価システムおよびレイアウト評価プログラム、並びにレイアウト評価方法の第2の実施の形態を示す図である。
【0117】
本実施の形態は、本発明に係るレイアウト評価システムおよびレイアウト評価プログラム、並びにレイアウト評価方法を、読み手の注目箇所を考慮してレイアウト結果を評価する場合について適用したものであり、上記第1の実施の形態と異なるのは、注目領域抽出部115で算出した誘目度F(x,y)に基づいてレイアウト結果を評価する点にある。なお、以下、上記第1の実施の形態と異なる部分についてのみ説明し、上記第1の実施の形態と重複する部分については同一の符号を付して説明を省略する。
【0118】
次に、本発明に係るレイアウト評価装置の構成を図13を参照しながら説明する。
図13は、本発明に係るレイアウト評価装置の構成を示す機能ブロック図である。
本発明に係るレイアウト評価装置は、図13に示すように、レイアウト結果記憶部110と、注目領域抽出部115と、注目領域抽出部115で算出した誘目度F(x,y)に基づいてレイアウト結果を評価するレイアウト結果評価部150とで構成されている。
【0119】
レイアウト結果評価部150は、下式(4)により、注目領域抽出部115で抽出した誘目度F(x,y)にガウス関数G(x,y)による重み付けを行い、レイアウト評価値Hを算出し、算出したレイアウト評価値Hをレイアウト結果の評価として出力するようになっている。
【0120】
【数4】
【0121】
次に、本実施の形態の動作を説明する。
まず、注目領域抽出部115により、レイアウト結果記憶部110からレイアウト結果610が読み出され、読み出されたレイアウト結果610に基づいて誘目度F(x,y)が算出され、算出された誘目度F(x,y)に基づいて注目領域が抽出される。そして、レイアウト結果評価部150により、上式(4)によりレイアウト評価値Hが算出され、算出されたレイアウト評価値Hがレイアウト結果の評価として出力される。
【0122】
このようにして、本実施の形態では、レイアウト結果に基づいて誘目度F(x,y)を算出する注目領域抽出部115と、注目領域抽出部115で算出した誘目度F(x,y)に基づいてレイアウト結果を評価するレイアウト結果評価部150とを備える。
これにより、誘目度に基づいてレイアウト結果が評価されるので、評価結果をレイアウトに反映させれば、従来に比して、読み手の注目箇所を考慮した見やすいレイアウトを実現することができる。
【0123】
上記第2の実施の形態において、注目領域抽出部115は、発明3、4若しくは21の注目領域抽出手段、または発明2の誘目度算出手段に対応し、注目領域抽出部115による抽出は、発明23の注目領域抽出ステップに対応し、レイアウト結果評価部150は、発明2ないし4または21のレイアウト結果評価手段に対応している。また、レイアウト結果評価部150による評価は、発明23のレイアウト結果評価ステップに対応している。
【0124】
なお、上記第1の実施の形態において、レイアウト結果評価部140は、注目領域抽出部115で算出した誘目度F(x,y)、並びに特徴量算出部120で算出した特徴量Mxy,CiおよびEをニューラルネットワーク300に入力し、ニューラルネットワーク300の出力値をレイアウト結果の評価として出力するように構成したが、これに限らず、レイアウト結果評価部140は、ニューラルネットワーク300を用いず、注目領域抽出部115で算出した誘目度F(x,y)、並びに特徴量算出部120で算出した特徴量Mxy,CiおよびEに基づいてレイアウト結果を評価するように構成することもできる。例えば、それぞれの値の絶対値に対して所定の重み付けを行って加算することにより評価値を算出し、評価値の大小によりレイアウト結果を評価することができる。
【0125】
また、上記第1の実施の形態においては、ニューラルネットワーク300の学習を行うにあたって、読み手の注目箇所を考慮した見やすいレイアウト結果をレイアウト結果記憶部110のなかから選択するように構成したが、これに限らず、一般的に見やすいレイアウト結果をレイアウト結果記憶部110のなかから選択するように構成してもよい。この場合、複数のユーザまたはデザイナに見やすいと思うレイアウト結果を指定してもらい、指定されたレイアウト結果の特徴を、上記第1の実施の形態と同じ要領でニューラルネットワーク300に学習させておけばよい。
【0126】
さらに、この場合、複数のユーザまたはデザイナに印象の良し/悪しを入力してもらうだけでなく、印象の強い/弱いを入力してもらい、これに基づいてニューラルネットワーク300に学習させることも可能である。これにより、一般的な評価が学習できるため、複数の人の好みに適合したレイアウト評価を行うことができる。
【0127】
さらに、この場合、例えば、10代、20代、30代など、年齢に応じてグループ分けして、各グループごとに、そのユーザまたはデザイナに印象の良いと思うレイアウト結果を指定してもらい、指定されたレイアウト結果の特徴をニューラルネットワーク300に学習させることも可能である。これにより、同世代の人の好みに適合したレイアウト評価を行うことができる。また、あるレイアウト結果が何代の人に好まれるかを調べることにも使用できる。
【0128】
また、上記第1の実施の形態において、ニューラルネットワーク300は、出力層Okを1つだけ設けて構成したが、これに限らず、複数の出力層を設けて構成してもよい。例えば、ユーザの好き/嫌いのいずれかを出力する第1の出力層と、ユーザの印象の良し/悪しのいずれかを出力する第2の出力層と、ユーザの印象の強さ/弱さのいずれかを出力する第3の出力層とを設けて構成することもできる。
【0129】
また、上記第1の実施の形態において、特徴量算出部120,220は、注目領域を構成するすべての画素の特徴量を算出し、算出した特徴量に基づいて学習を行うように構成したが、これに限らず、注目領域を構成する画素のうち、例えば、縦方向5つ横方向5つの画素からなる矩形領域の画素群において4つ角の画素を対象とし、対象画素の特徴量(例えば、平均値)を算出し、算出した特徴量に基づいて学習を行うように構成してもよい。
【0130】
また、上記第1の実施の形態においては、注目領域について算出した誘目度F(x,y)並びに特徴量Mxy,CiおよびEに基づいてレイアウト評価および学習を行うように構成したが、これに限らず、注目領域について算出した誘目度F(x,y)並びに特徴量Mxy,CiおよびEのうちいずれかに基づいてレイアウト評価および学習を行うように構成することもできる。
【0131】
また、上記第1の実施の形態において、レイアウト結果評価部140は、注目領域について算出した誘目度F(x,y)並びに特徴量Mxy,CiおよびEに基づいてレイアウト結果を評価するように構成したが、これに限らず、注目領域の総面積に基づいてレイアウト結果を評価するように構成することもできる。
また、上記第1の実施の形態においては、ニューラルネットワーク300の学習法としてバックプロパゲーション法を例示したが、これに限らず、自己組織化による教師なし学習法を利用することもできる。これにより、例えば、ユーザが作成した25個のレイアウト結果の特徴を学習し、そのレイアウト結果の傾向に沿って学習することができ、そのユーザの好みを自動的に学習することができる。
【0132】
また、上記第1の実施の形態においては、レイアウト結果を白黒2値化処理した画像に基づいて、誘導場の強さMxy、等ポテンシャル線の複雑度Ciおよび誘導場のエネルギEを算出するように構成したが、これに限らず、カラーのレイアウト結果そのものに基づいて、誘導場の強さMxy、等ポテンシャル線の複雑度Ciおよび誘導場のエネルギEを算出するように構成することもできる。
【0133】
また、上記第1の実施の形態においては、ニューラルネットワーク300を利用したが、これに代えて、「Naive BayesやBayesian Network」のような確率モデルを利用することもできる。このような構成であっても、上記第1の実施の形態と同等の効果が得られる。
また、上記第2の実施の形態において、注目領域抽出部115は、重み付けを行うことなく注目領域の誘目度F(x,y)を算出するように構成したが、これに限らず、注目領域の中心から外側に向かうにつれて減少するような重み付けを行うことにより注目領域の誘目度F(x,y)を算出するように構成することもできる。
【0134】
また、上記第2の実施の形態において、レイアウト結果評価部150は、上式(4)により、注目領域抽出部115で抽出した誘目度F(x,y)にガウス関数G(x,y)による重み付けを行い、レイアウト評価値Hを算出し、算出したレイアウト評価値Hをレイアウト結果の評価として出力するように構成したが、ガウス関数G(x,y)に代えて線形補間やシグモイド関数を用いることができる。
【0135】
また、上記第1の実施の形態においては、本発明に係るレイアウト評価システムおよびレイアウト評価プログラム、並びにレイアウト評価方法を、読み手の注目箇所を考慮した見やすいレイアウト結果をニューラルネットワーク300にあらかじめ学習させておき、ニューラルネットワーク300を用いて、与えられたレイアウト結果を評価する場合について適用したが、これに限らず、本発明の主旨を逸脱しない範囲で他の場合にも適用可能である。
【図面の簡単な説明】
【図1】ディジタル画像の画素配列を示す図である。
【図2】誘導場の強さを求める際の遮蔽条件を説明する図である。
【図3】文字「A」の誘導場の例であり、同図(a)は遮蔽条件を考慮して誘導場を求めた場合、同図(b)は遮蔽条件を考慮しないで誘導場を求めた場合を示す図である。
【図4】基準となるレイアウト例としてのある新聞記事の一部分の画像を示す図である。
【図5】図4に示す画像に対し、文字列部分はそれぞれの文字列を単純な線で表し、写真は単に矩形枠で表して誘導場を計算し、計算された誘導場から得られた等ポテンシャル線を示す図である。
【図6】図4で示した基準レイアウトとその基準レイアウトを種々変化させたレイアウトとした場合の図である。
【図7】図6(a)〜(d)のようなレイアウトとしたときのそれぞれのレイアウトに対する複雑度を示す図である。
【図8】本発明に係るレイアウト評価装置の構成を示す機能ブロック図である。
【図9】ニューラルネットワーク300の構成を示す図である。
【図10】レイアウト対象となる画像600,602を示す図である。
【図11】評価対象となるレイアウト結果610,620を示す図である。
【図12】レイアウト結果610,620の注目領域を示す図である。
【図13】本発明に係るレイアウト評価装置の構成を示す機能ブロック図である。
【符号の説明】
100…評価部,110…レイアウト結果記憶部,115…注目領域抽出部,120…特徴量算出部,130…注目領域分布モデル記憶部,140,150…レイアウト結果評価部,200…学習部,210…レイアウト結果指定入力部,215…注目領域抽出部,220…特徴量算出部,230…特徴学習部,300…ニューラルネットワーク,600,602…画像,610,620…レイアウト結果
Claims (23)
- レイアウトを評価するシステムであって、
レイアウト結果から得られる誘目度に基づいて前記レイアウト結果を評価するようになっていることを特徴とするレイアウト評価システム。 - 請求項1において、
前記レイアウト結果に基づいて誘目度を算出する誘目度算出手段と、前記誘目度算出手段で算出した誘目度に基づいて前記レイアウト結果を評価するレイアウト結果評価手段とを備えることを特徴とするレイアウト評価システム。 - レイアウトを評価するシステムであって、
レイアウト結果に基づいて前記レイアウト結果の注目領域を抽出する注目領域抽出手段と、前記注目領域抽出手段の抽出結果に基づいて前記レイアウト結果を評価するレイアウト結果評価手段とを備えることを特徴とするレイアウト評価システム。 - 請求項3において、
前記レイアウト結果評価手段は、前記注目領域抽出手段で抽出した注目領域の分布に基づいて前記レイアウト結果を評価するようになっていることを特徴とするレイアウト評価システム。 - 請求項3及び4のいずれかにおいて、
さらに、前記注目領域抽出手段で抽出した注目領域について視覚の誘導場に関する特徴量を算出する特徴量算出手段を備え、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出した特徴量に基づいて前記レイアウト結果を評価するようになっていることを特徴とするレイアウト評価システム。 - 請求項5において、
前記特徴量算出手段は、前記注目領域抽出手段で抽出した注目領域について視覚の誘導場の強さを算出し、算出した視覚の誘導場の強さを示す誘導場特徴量を算出するようになっていることを特徴とするレイアウト評価システム。 - 請求項5及び6のいずれかにおいて、
前記特徴量算出手段は、前記注目領域抽出手段で抽出した注目領域について視覚の誘導場を算出し、算出した視覚の誘導場から等ポテンシャル線を得て、その等ポテンシャル線の複雑度を示す複雑度特徴量を算出するようになっていることを特徴とするレイアウト評価システム。 - 請求項5乃至7のいずれかにおいて、
前記特徴量算出手段は、前記注目領域抽出手段で抽出した注目領域について視覚の誘導場のエネルギを算出し、算出した視覚の誘導場のエネルギを示すエネルギ特徴量を算出するようになっていることを特徴とするレイアウト評価システム。 - 請求項3乃至8のいずれかにおいて、
さらに、前記注目領域の分布と前記レイアウト結果の評価との関係を学習したレイアウト評価モデルを記憶するためのレイアウト評価モデル記憶手段を備え、
前記レイアウト結果評価手段は、前記注目領域抽出手段で抽出した注目領域の分布及び前記レイアウト評価モデル記憶手段のレイアウト評価モデルに基づいて前記レイアウト結果を評価するようになっていることを特徴とするレイアウト評価システム。 - 請求項9において、
前記レイアウト評価モデルは、前記注目領域の分布と前記レイアウト結果の評価との関係を学習したニューラルネットワークであり、
前記レイアウト結果評価手段は、前記注目領域抽出手段で抽出した注目領域の分布を前記ニューラルネットワークに入力し、前記ニューラルネットワークの出力値を前記レイアウト結果の評価として出力するようになっていることを特徴とするレイアウト評価システム。 - 請求項5乃至8のいずれかにおいて、
さらに、視覚の誘導場に関する特徴量と前記レイアウト結果の評価との関係を学習したレイアウト評価モデルを記憶するためのレイアウト評価モデル記憶手段を備え、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出した特徴量及び前記レイアウト評価モデル記憶手段のレイアウト評価モデルに基づいて前記レイアウト結果を評価するようになっていることを特徴とするレイアウト評価システム。 - 請求項11において、
前記レイアウト評価モデルは、視覚の誘導場に関する特徴量と前記レイアウト結果の評価との関係を学習したニューラルネットワークであり、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出した特徴量を前記ニューラルネットワークに入力し、前記ニューラルネットワークの出力値を前記レイアウト結果の評価として出力するようになっていることを特徴とするレイアウト評価システム。 - 請求項6において、
さらに、視覚の誘導場の強さを示す誘導場特徴量と前記レイアウト結果の評価との関係を学習したレイアウト評価モデルを記憶するためのレイアウト評価モデル記憶手段を備え、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出した誘導場特徴量及び前記レイアウト評価モデル記憶手段のレイアウト評価モデルに基づいて前記レイアウト結果を評価するようになっていることを特徴とするレイアウト評価システム。 - 請求項13において、
前記レイアウト評価モデルは、視覚の誘導場の強さを示す誘導場特徴量と前記レイアウト結果の評価との関係を学習したニューラルネットワークであり、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出した誘導場特徴量を前記ニューラルネットワークに入力し、前記ニューラルネットワークの出力値を前記レイアウト結果の評価として出力するようになっていることを特徴とするレイアウト評価システム。 - 請求項7において、
さらに、前記等ポテンシャル線の複雑度を示す複雑度特徴量と前記レイアウト結果の評価との関係を学習したレイアウト評価モデルを記憶するためのレイアウト評価モデル記憶手段を備え、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出した複雑度特徴量及び前記レイアウト評価モデル記憶手段のレイアウト評価モデルに基づいて前記レイアウト結果を評価するようになっていることを特徴とするレイアウト評価システム。 - 請求項15において、
前記レイアウト評価モデルは、前記等ポテンシャル線の複雑度を示す複雑度特徴量と前記レイアウト結果の評価との関係を学習したニューラルネットワークであり、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出した複雑度特徴量を前記ニューラルネットワークに入力し、前記ニューラルネットワークの出力値を前記レイアウト結果の評価として出力するようになっていることを特徴とするレイアウト評価システム。 - 請求項8において、
さらに、視覚の誘導場のエネルギを示すエネルギ特徴量と前記レイアウト結果の評価との関係を学習したレイアウト評価モデルを記憶するためのレイアウト評価モデル記憶手段を備え、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出したエネルギ特徴量及び前記レイアウト評価モデル記憶手段のレイアウト評価モデルに基づいて前記レイアウト結果を評価するようになっていることを特徴とするレイアウト評価システム。 - 請求項17において、
前記レイアウト評価モデルは、視覚の誘導場のエネルギを示すエネルギ特徴量と前記レイアウト結果の評価との関係を学習したニューラルネットワークであり、
前記レイアウト結果評価手段は、前記特徴量算出手段で算出したエネルギ特徴量を前記ニューラルネットワークに入力し、前記ニューラルネットワークの出力値を前記レイアウト結果の評価として出力するようになっていることを特徴とするレイアウト評価システム。 - 請求項3乃至18のいずれかにおいて、
前記レイアウト結果評価手段は、前記注目領域抽出手段で複数の注目領域を抽出したときは、前記複数の注目領域のうち上位所定数のものの分布に基づいて前記レイアウト結果を評価するようになっていることを特徴とするレイアウト評価システム。 - レイアウトを評価するプログラムであって、
レイアウト結果から得られる誘目度に基づいて前記レイアウト結果を評価する処理をコンピュータに実行させるためのプログラムであることを特徴とするレイアウト評価プログラム。 - レイアウトを評価するプログラムであって、
レイアウト結果に基づいて前記レイアウト結果の注目領域を抽出する注目領域抽出手段、及び前記注目領域抽出手段の抽出結果に基づいて前記レイアウト結果を評価するレイアウト結果評価手段として実現される処理をコンピュータに実行させるためのプログラムであることを特徴とするレイアウト評価プログラム。 - レイアウトを評価する方法であって、
レイアウト結果から得られる誘目度に基づいて前記レイアウト結果を評価することを特徴とするレイアウト評価方法。 - レイアウトを評価する方法であって、
レイアウト結果に基づいて前記レイアウト結果の注目領域を抽出する注目領域抽出ステップと、前記注目領域抽出ステップの抽出結果に基づいて前記レイアウト結果を評価するレイアウト結果評価ステップとを含むことを特徴とするレイアウト評価方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2003072567A JP4168793B2 (ja) | 2003-03-17 | 2003-03-17 | レイアウト評価システム及びレイアウト評価プログラム、並びにレイアウト評価方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2003072567A JP4168793B2 (ja) | 2003-03-17 | 2003-03-17 | レイアウト評価システム及びレイアウト評価プログラム、並びにレイアウト評価方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2004280597A true JP2004280597A (ja) | 2004-10-07 |
JP4168793B2 JP4168793B2 (ja) | 2008-10-22 |
Family
ID=33288732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2003072567A Expired - Fee Related JP4168793B2 (ja) | 2003-03-17 | 2003-03-17 | レイアウト評価システム及びレイアウト評価プログラム、並びにレイアウト評価方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4168793B2 (ja) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007088193A1 (en) * | 2006-02-03 | 2007-08-09 | Thomson Licensing | Method of verifying the saliency areas of a multimedia document, method of creating an advertising document, method of automatically verifying the saliency areas of an internet site, and associated computer program product |
US7957160B2 (en) | 2007-09-18 | 2011-06-07 | Flyback Energy, Inc. | Current waveform construction to generate AC power with low harmonic distortion from localized energy sources |
JP2012022353A (ja) * | 2010-07-12 | 2012-02-02 | Nippon Hoso Kyokai <Nhk> | 画像評価装置および画像評価プログラム |
US8571253B2 (en) | 2008-12-26 | 2013-10-29 | Huawei Device Co., Ltd. | Image quality evaluation device and method |
JP2014016800A (ja) * | 2012-07-09 | 2014-01-30 | Canon Inc | 画像処理装置、画像処理方法、及びプログラム |
WO2014034266A1 (ja) * | 2012-09-03 | 2014-03-06 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP2020135523A (ja) * | 2019-02-21 | 2020-08-31 | 大日本印刷株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP2021051595A (ja) * | 2019-09-25 | 2021-04-01 | 大日本印刷株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP7000536B1 (ja) | 2020-11-17 | 2022-01-19 | 株式会社エムティーアイ | レイアウト方法、プログラム、または情報処理システム |
WO2023119609A1 (ja) * | 2021-12-24 | 2023-06-29 | 日本電気株式会社 | 情報処理装置、レイアウトの支援方法、および支援プログラム |
-
2003
- 2003-03-17 JP JP2003072567A patent/JP4168793B2/ja not_active Expired - Fee Related
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007088193A1 (en) * | 2006-02-03 | 2007-08-09 | Thomson Licensing | Method of verifying the saliency areas of a multimedia document, method of creating an advertising document, method of automatically verifying the saliency areas of an internet site, and associated computer program product |
FR2897183A1 (fr) * | 2006-02-03 | 2007-08-10 | Thomson Licensing Sas | Procede de verification des zones de saillance d'un document multimedia, procede de creation d'un document publicitaire, et produit programme d'ordinateur |
US7957160B2 (en) | 2007-09-18 | 2011-06-07 | Flyback Energy, Inc. | Current waveform construction to generate AC power with low harmonic distortion from localized energy sources |
US8571253B2 (en) | 2008-12-26 | 2013-10-29 | Huawei Device Co., Ltd. | Image quality evaluation device and method |
JP2012022353A (ja) * | 2010-07-12 | 2012-02-02 | Nippon Hoso Kyokai <Nhk> | 画像評価装置および画像評価プログラム |
JP2014016800A (ja) * | 2012-07-09 | 2014-01-30 | Canon Inc | 画像処理装置、画像処理方法、及びプログラム |
US9813566B2 (en) | 2012-09-03 | 2017-11-07 | Sony Corporation | Information processing device, information processing method, and program for generating a layout |
JPWO2014034266A1 (ja) * | 2012-09-03 | 2016-08-08 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
WO2014034266A1 (ja) * | 2012-09-03 | 2014-03-06 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP2020135523A (ja) * | 2019-02-21 | 2020-08-31 | 大日本印刷株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP7283112B2 (ja) | 2019-02-21 | 2023-05-30 | 大日本印刷株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP2021051595A (ja) * | 2019-09-25 | 2021-04-01 | 大日本印刷株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP7419724B2 (ja) | 2019-09-25 | 2024-01-23 | 大日本印刷株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP7000536B1 (ja) | 2020-11-17 | 2022-01-19 | 株式会社エムティーアイ | レイアウト方法、プログラム、または情報処理システム |
JP2022080169A (ja) * | 2020-11-17 | 2022-05-27 | 株式会社エムティーアイ | レイアウト方法、プログラム、または情報処理システム |
WO2023119609A1 (ja) * | 2021-12-24 | 2023-06-29 | 日本電気株式会社 | 情報処理装置、レイアウトの支援方法、および支援プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP4168793B2 (ja) | 2008-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859190B (zh) | 一种基于深度学习的目标区域检测方法 | |
Zhang et al. | Adaptive and quality quadrilateral/hexahedral meshing from volumetric data | |
Sousa et al. | A few good lines: Suggestive drawing of 3d models | |
US5875265A (en) | Image analyzing and editing apparatus using psychological image effects | |
EP2374107B1 (en) | Devices and methods for processing images using scale space | |
JP4029636B2 (ja) | オブジェクトレイアウト装置、画像レイアウト装置、オブジェクトレイアウトプログラム及び画像レイアウトプログラム、並びにオブジェクトレイアウト方法及び画像レイアウト方法 | |
Imelińska et al. | Semi-automated color segmentation of anatomical tissue | |
JP2018055470A (ja) | 表情認識方法、表情認識装置、コンピュータプログラム及び広告管理システム | |
US10762669B2 (en) | Colorization of vector images | |
JP2003030673A (ja) | 画像レイアウト評価方法および画像レイアウト評価システムならびに画像レイアウト評価処理プログラム | |
Ju et al. | A geometric database for gene expression data | |
JP4168793B2 (ja) | レイアウト評価システム及びレイアウト評価プログラム、並びにレイアウト評価方法 | |
Guo et al. | Scale-robust deep-supervision network for mapping building footprints from high-resolution remote sensing images | |
JP3729222B2 (ja) | 画像デザイン支援装置 | |
CN113393546B (zh) | 基于服装类别及纹理图案控制的时尚服装图像生成方法 | |
Chen et al. | Image vectorization with real-time thin-plate spline | |
CN117058606A (zh) | 一种x射线图像违禁品检测方法 | |
CN115018729B (zh) | 一种面向内容的白盒图像增强方法 | |
US7065231B2 (en) | Image evaluation method, system, and program based on image sensitivity using induction-field energy | |
McCormack et al. | Quality-diversity for aesthetic evolution | |
dos Passos et al. | Sample-based synthesis of illustrative patterns | |
Levinski et al. | Interactive surface-guided segmentation of brain MRI data | |
Nolte et al. | Stroke-based Rendering: From Heuristics to Deep Learning | |
CN111260755B (zh) | 基于深度学习与数字图像处理的数字扎染图案生成方法 | |
Maye et al. | Visualization, reconstruction, and integration of neuronal structures in digital brain atlases |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060215 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20071015 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20071023 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20071218 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080304 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080428 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080527 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080618 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20080715 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080728 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110815 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120815 Year of fee payment: 4 |
|
LAPS | Cancellation because of no payment of annual fees |