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

Abstract

【課題】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を提供する。
【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Ｍ_ｘｙ，Ｃ_ｉ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

【０００１】
【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ｐ_１，ｐ_２，…，ｐ_ｉ，…，ｐ_ｎ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ｐ_１，ｐ_２，…，ｐ_ｉ，…，ｐ_ｎ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ｒ_ｉとすると、点Ｐにおける誘導場の強さＭ_ｘｙは、下式（１）により定義することができる。なお、Ｍ_ｘｙ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Ｍ_ｘｙ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ｆ_１（ｓ），ｆ_２（ｓ），ｆ_３（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ｆ_１（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ｆ_３（ｓ）のすべてと曲線ｆ_２（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Ｍ_ｘｙ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Ｃ_ｉ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、Ｌ_ｉはｉ番目の等ポテンシャル線の長さ、Ｓ_ｉ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Ｌ_ｉ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Ｓ_ｉ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Ｃ_ｉ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Ｃ_ｉ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、Ｓ_ｉはｉ番目の等ポテンシャル線で囲まれた面の面積を、Ｐ_ｉ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Ｍ_ｘｙ、等ポテンシャル線の複雑度Ｃ_ｉ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Ｍ_ｘｙ、等ポテンシャル線の複雑度Ｃ_ｉ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Ｍ_ｘｙ，Ｃ_ｉ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Ｍ_ｘｙ，Ｃ_ｉおよびＥを入力するｉ個の入力層Ｉ_ｉと、各入力層Ｉ_ｉからの出力を入力するｊ個の中間層Ｈ_ｊと、各中間層Ｈ_ｊの出力を入力して評価値を出力する出力層Ｏ_ｋとから構成されている。そして、入力層Ｉ_ｉと中間層Ｈ_ｊとは結合係数Ｗ_ｉｊのシナプスにより、中間層Ｈ_ｊと出力層Ｏ_ｋとは結合係数Ｗ_ｊｋ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Ｍ_ｘｙ，Ｃ_ｉ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Ｏ_ｋ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Ｍ_ｘｙ，Ｃ_ｉ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Ｏ_ｋ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Ｍ_ｘｙ，Ｃ_ｉ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Ｍ_ｘｙ、等ポテンシャル線の複雑度Ｃ_ｉ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Ｍ_ｘｙ，Ｃ_ｉ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Ｍ_ｘｙ，Ｃ_ｉ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Ｏ_ｋから出力されるように結合係数Ｗ_ｉｊ，Ｗ_ｊｋ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Ｗ_ｉｊ，Ｗ_ｊｋ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Ｍ_ｘｙ、等ポテンシャル線の複雑度Ｃ_ｉ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Ｍ_ｘｙ，Ｃ_ｉ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Ｍ_ｘｙ、等ポテンシャル線の複雑度Ｃ_ｉ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Ｍ_ｘｙ，Ｃ_ｉ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Ｍ_ｘｙ、等ポテンシャル線の複雑度Ｃ_ｉ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Ｍ_ｘｙ，Ｃ_ｉ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Ｍ_ｘｙ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Ｍ_ｘｙ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Ｍ_ｘｙ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Ｍ_ｘｙ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Ｍ_ｘｙ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Ｃ_ｉ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Ｃ_ｉ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Ｃ_ｉ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Ｃ_ｉ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Ｃ_ｉ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Ｍ_ｘｙ，Ｃ_ｉ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Ｍ_ｘｙ，Ｃ_ｉ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Ｏ_ｋ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Ｍ_ｘｙ，Ｃ_ｉ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Ｍ_ｘｙ，Ｃ_ｉ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Ｍ_ｘｙ，Ｃ_ｉ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Ｍ_ｘｙ、等ポテンシャル線の複雑度Ｃ_ｉ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Ｍ_ｘｙ、等ポテンシャル線の複雑度Ｃ_ｉ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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。
14. 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。
15. 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。
16. 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。
17. 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。
18. 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。
19. 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。
20. 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。
21. 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。
22. 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。
23. 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。

Images