JP2006301696A - 画像評価装置および画像評価方法並びに記録媒体 - Google Patents

Abstract

【課題】被計測チャート内のパターン位置と色相を自動判別し、ボソツキを定量的に評価できる画像評価装置および画像評価方法並びに記憶媒体を提供する。
【解決手段】この画像評価装置１において、画像入力部３は、被計測画像をカラー画像データとして読み取る画像入力手段であり、パターン抽出部５は、画像データの中から被計測パターンを抽出するパターン抽出手段であり、色相判別部７は被計測パターンの色相を判別する色相判別手段であり、クラスタ分析部８は、被計測パターン内の画像データを各画素ごとに少なくとも２個以上のクラスタに分類するクラスタ分析手段であり、画像特徴両算出部９は、クラスタ分析部８により得られるクラスタ中心値から画像特徴量を算出する画像特徴量算出手段であり、画像特徴量に基づき画像評価値を算出する。
【選択図】 図１

Description

本発明は、複写機またはプリンタ、ＦＡＸ等の画像出力装置から得られる画像品質の評価を行う画像評価装置および画像評価方法並びに記録媒体に関する。

従来、ボソツキといわれる画像等における濃淡を有する白抜け画像の画像評価装置或いは画像評価方法としては、後掲の自己画像特性計測・診断印写装置（特許文献１）、或いは、画質評価装置及びその画質評価方法（特許文献２）が知られている。

特開平11-164081のボソツキ評価方法ではライン画像を二値化して途切れ数をカウントする方法であり、カラー画像特有のべた部に発生するボソツキの良否は評価できないという問題があった。

また、特開平9-9088の画質評価方法ではドット画像を対象とした二値化処理に基づいているため、やはり単色べた部や色剤を重ね合わせた時の２次色べた部は評価できないという問題があった。
特開平１１−１６４０８１号公報 特開平０９−００９０８８号公報

ところで、上記ボソツキの主要因である転写プロセスのメカニズム解明を進める上で、画像全面の分布が非常に有効な手掛かりとなる場合がある。

しかしながら、画像全面の傾向を評価する場合には計測パターン部の画像切り出しを連続的に行う必要があり、手間がかかってしまう問題があった。

すなわち、一般的に、チャートが固定である場合にはレイアウト設計情報（座標）を画像評価装置に前もって設定することでこれらの作業の省力化を図ることができる。しかし、この場合、被計測画像にレジストずれや傾きなどの幾何的誤差に対する許容レベルや、画像入力装置へのサンプル設置精度に対する制約条件が要求されたり、レイアウトを変更する機会ごとに変更後のレイアウト情報を新規に登録する、または切り替える等の作業が必要となり、作業に俊敏に適応した利便性に優れているとは言えなかった。

さらに、被計測画像内にパターンが複数個配置され、かつ各パターン間の色相が互いに異なる場合は、混在する色相の分類を前もって行わなければならず、操作の煩雑さから来る切り替え忘れや設定ミスを誘発させてしまう問題があった。

本発明は、上記問題点を解決すべくなされたもので、被計測チャート内のパターン位置と色相を自動判別することで評価時間を短縮し、検査員の経験や能力に依存することなく、ボソツキを定量的に評価できる画像評価装置および画像評価方法並びに記憶媒体を提供することを目的とする。

上記課題を解決するために、本願の請求項１の画像評価装置は、被計測画像をカラー画像データとして読み取る画像入力手段と、前記画像データの中から被計測パターンを抽出するパターン抽出手段と、前記被計測パターンの色相を判別する色相判別手段と、前記被計測パターン内の画像データを各画素ごとに少なくとも２個以上のクラスタに分類するクラスタ分析手段と、前記クラスタ分析手段により得られるクラスタ中心値から画像特徴量を算出する画像特徴量算出手段と、前記画像特徴量に基づき画像評価値を算出することを特徴とする。

本願の請求項２の画像評価装置は、請求項１に記載の画像評価装置において、前記パターン抽出手段は、前記カラー画像データを白黒画像に変換する白黒画像変換手段と、前記白黒変換手段により変換された画像データを２値化する２値化変換手段と、前記２値化変換手段により２値化された画像データの特徴量を算出する２値化画像特徴量算出手段とを具備することを特徴とする。

本願の請求項３の画像評価装置は、請求項１乃至請求項２の何れかに記載の画像評価装置において、前記白黒変換手段は輝度変換であることを特徴とする。

本願の請求項４の画像評価装置は、請求項１乃至請求項３の何れかに記載の画像評価装置において、前記２値化画像特徴量算出手段は、ラベリング処理であり、各オブジェクトの位置と面積を算出することを特徴とする。

本願の請求項５の画像評価装置は、請求項１乃至請求項４の何れかに記載の画像評価装置において、前記カラー画像データに対して各画素ごとに三刺激値またはCIE1976L*a*b*色彩値など、少なくともいずれかの物理量に変換する色変換手段を具備することを特徴とする。

本願の請求項６の画像評価装置は、請求項１乃至請求項５の何れかに記載の画像評価装置において、前記クラスタ分析手段は前記色変換された画像データを色剤部または地肌部のクラスタに分類することを特徴とする。

本願の請求項７の画像評価装置は、請求項１乃至請求項６の何れかに記載の画像評価装置において、前記画像特徴量は前記色剤部のクラスタ中心値を基準とする全画素またはその一部に対するユークリッド距離の標準偏差であることを特徴とする。

本願の請求項８の画像評価方法は、被計測画像をカラー画像データとして読み取る画像入力工程と、前記画像データの中から被計測パターン部を抽出するパターン抽出工程と、前記被計測パターンの色相を判別する色相判別工程と、前記被計測パターン内の画像データを各画素ごとに少なくとも２個以上のクラスタに分類するクラスタ分析工程と、前記クラスタ分析工程により得られるクラスタ中心値から画像特徴量を算出する画像特徴量算出工程と、前記画像特徴量に基づき画像評価値を算出することを特徴とする。

本願の請求項９の画像評価方法は、請求項８に記載の画像評価方法において、前記パターン抽出工程は、前記カラー画像データを白黒画像に変換する白黒画像変換工程と、前記白黒変換工程により変換された画像データを２値化する２値化変換工程と、前記２値化変換手段により２値化された画像データの特徴量を算出する２値化画像特徴量算出工程とを具備することを特徴とする。

本願の請求項１０の画像評価方法は、請求項８乃至請求項９の何れかに記載の画像評価方法において、前記白黒変換工程は輝度変換であることを特徴とする。

本願の請求項１１の画像評価方法は、請求項８乃至請求項１０の何れかに記載の画像評価方法において、前記２値化画像特徴量算出工程は、ラベリング処理であり、各オブジェクトの位置と面積を算出することを特徴とする。

本願の請求項１２の画像評価方法は、請求項８乃至請求項１１の何れかに記載の画像評価方法において、前記カラー画像データに対して各画素ごとに三刺激値またはCIE1976L*a*b*色彩値など、少なくともいずれかの物理量に変換する色変換工程を具備することを特徴とする。

本願の請求項１３の画像評価方法は、請求項８乃至請求項１２の何れかに記載の画像評価方法において、前記クラスタ分析工程は、前記色変換された画像データを色剤部または地肌部のクラスタに分類することを特徴とする。

本願の請求項１４の画像評価方法は、請求項８乃至請求項１３の何れかに記載の画像評価方法において、前記画像特徴量は、前記色剤部のクラスタ中心値を基準とする全画素またはその一部に対するユークリッド距離の標準偏差であることを特徴とする。

本願の請求項１５の記録媒体は、請求項８乃至請求項１４のいずれかに記載の画像評価機能をコンピュータに実現させるためのプログラムを記録したコンピュータ読み取り可能であることを特徴とする。

本願の請求項１の画像評価装置並びに請求項８の画像評価方法によれば、被計測チャート内のパターン位置と色相を自動判別することで、評価時間を短縮でき、検査員の経験や能力に依存することなく、ボソツキを定量的且つ客観的に評価できる。

本願の請求項２の画像評価装置並びに請求項９の画像評価方法によれば、被計測チャート内のパターンを自動抽出することができるので、面倒なパターン部の切り出しを人手作業に頼ることなく正確に行うことができる。

本願の請求項３の画像評価装置並びに請求項１０の画像評価方法によれば、シンプルな計算でカラー画像を２値画像に変換すると共にデータ量を減らすことができるため、パターン抽出のアルゴリズムを高速化できる。

本願の請求項４の画像評価装置並びに請求項１１の画像評価方法によれば、ラベリング処理を用いているため、パターン形状やその配置を自由に設定でき、かつ、被計測画像に著しいレジストずれや傾きがあっても、そのレベルによらず正確に評価することができる。

本願の請求項５の画像評価装置並びに請求項１２の画像評価方法によれば、画像入力部の入力特性に依存しない色空間で特徴量を算出できるため、目視と相関の高い画像評価値を得ることができる。

本願の請求項６の画像評価装置並びに請求項１３の画像評価方法によれば、全画素の平均値をクラスタ中心値としていないため、被計測画像のボソツキ度合いに依存することなく、特徴量算出の基準値を安定して設定でき、ひいては、ボソツキを精度良く評価できる。

本願の請求項７の画像評価装置並びに請求項１４の画像評価方法によれば、シンプルな計算で特徴量を算出することができるため、画像評価値を高速に得ることができる。

本願の請求項１５の記憶媒体によれば、コンピュータに実現させるためのプログラムを記録したコンピュータ読み取り可能な記憶媒体に格納したので、画像評価装置を汎用的に構築できる。

以下、本発明を実施するための最良の形態について説明する。図１はこの発明の実施例の構成を示すブロック図である。

図１に示すブロック図において、画像評価装置１は、装置全体の動作を管理するためのＣＰＵ２と、ＣＣＤカメラやスキャナ、走査型ミクロ濃度計などの何れかで構成され、被計測画像をＲＧＢデジタル信号として読み取るための画像入力部３と、ＣＰＵ２のワークメモリとして使用するとともに入力された画像データや計測した結果を格納するためのメモリ４と、入力された画像データの中からパターンを抽出するためのパターン抽出部５と、各画素のＲＧＢ画像データをCIE1976L*a*b*色彩値などの物理量に変換するための色変換部６と、変換された物理量に基づき、パターンの色相を判別する色相判別部７と、前記物理量の値から色剤部とそれ以外（例えば、地肌部）のクラスタに分類するためのクラスタ分析部８と、前記色剤部のクラスタ中心値を基準とした画像特徴量を算出するための画像特徴量算出部９と、評価結果をモニタやプリンタ、ファイル等の外部出力するための評価結果出力部１０を具備する。

この画像評価装置１において、画像入力部３は、被計測画像をカラー画像データとして読み取る画像入力手段であり、パターン抽出部５は、画像データの中から被計測パターンを抽出するパターン抽出手段であり、色相判別部７は被計測パターンの色相を判別する色相判別手段であり、クラスタ分析部８は、被計測パターン内の画像データを各画素ごとに少なくとも２個以上のクラスタに分類するクラスタ分析手段であり、画像特徴両算出部９は、クラスタ分析部８により得られるクラスタ中心値から画像特徴量を算出する画像特徴量算出手段であり、画像特徴量に基づき画像評価値を算出する。

パターン抽出部５は、さらに入力されたカラー画像データを輝度に変換する輝度変換部１１（白黒画像変換手段）と、変換された輝度信号を２値化する２値化変換部１２（２値化変換手段）と、２値化変換された画像データに対してラベリング処理を行って、各オブジェクトの位置と面積を算出するラベリング処理部１３（２値化画像特徴両算出手段）で構成される。

クラスタ分析部８は、色変換された画像データを色剤部又は地肌部のクラスタに分類する。

画像特徴量算出部９は、さらにクラスタ中心値から全画素またはその一部の画素までのユークリッド距離を算出するためのユークリッド距離算出部１４と、このユークリッド距離算出部１４から得られたデータの標準偏差を算出するための標準偏差算出部１５で構成される。このデータの標準偏差は、前記色剤部のクラスタ中心値を基準とする全画素又はその一部に対するユークリッド距離の標準偏差である。

図２−１は計測用パターンの一例であり、画像入力部３によって読み取られたＲＧＢカラー画像である。パターン抽出部５が、各画素ごとにＲＧＢカラー画像データを輝度変換部１１にて輝度に変換する場合、ＲＧＢ画像データを輝度Ｙに変換する際は式（１）で簡単に計算することができる。

Ｙ＝Ｒ*0.298912 + Ｇ*0.586611 + Ｂ*0.114478…式（１）
図２−２は、図２−１のカラー画像を輝度に変換して得られた白黒画像である。

さらに、２値化変換部１２は変換された輝度信号の画像に対して適当なしきい値を用いて２値化する。この時のしきい値は入力画像のコントラストに自動的に追従するように、モード法やＰ−タイル法を用いて決定する。

この例の場合、図２−２の画像は図２−３のように変換される。ラベリング処理部１３は図２−３の２値画像に対してラベリング処理を行い、黒画素で構成されるオブジェクト数から計測パターンの数を求めることができる。

図２−３の例では、９×１３＝１１７個の計測パターンが抽出される。

しかしながら、実際には被計測画像に含まれるゴミや汚れなどのノイズによる孤立点が発生する場合があり、そのままでは誤ったオブジェクト抽出を行ってしまう危険性がある。

そこで、各オブジェクトの面積を算出することにより、想定された面積の範囲にないオブジェクトは、計測パターンではないと判断し、これを除外するようにする。

通常はこの操作だけでも被計測画像内に含まれるノイズによる誤抽出を効果的に防止することができる。しかし、さらにオブジェクトの位置も同時に計測することで、用紙端部やその外側など、対象範囲外の領域が含まれる画像であっても、用紙の内側に含まれる計測パターンのみを正確に抽出することができる。例えば、オブジェクトが外接するボックスを定義し、四辺の座標が画像端部に接している場合を除外するようにする。

このように、この画像評価方法では、先ず、画像入力部３によってＲＧＢカラー画像を読み取り、パターン抽出部５は各画素ごとにＲＧＢカラー画像データを輝度変換部１１にて輝度に変換し、この輝度信号の画像を２値化変換部１２によって適当なしきい値で２値化する。ラベリング処理部１３はこの２値画像をラベリング処理し、黒画素からなるオブジェクト数から計測パターンの数を求め、さらに、各オブジェクトの面積を算出し、所定の面積を持たずまた所定の位置にないオブジェクトを除外する。

以上の操作により、被計測画像の中から計測パターンの位置を正確に認識することができ、重心を中心とした画像切り出しを行うことで、被計測画像のレジストずれや傾きが含まれる画像に対しても追従させることができる。

図３は図２−１の画像の中からパターン部を抽出し、画像を切り出した例である。この画像は色変換部６により、CIE 1976 L*a*b*に変換し、３次元均等色空間に変換する。さらに、色相判別部７は、(a*,b*)の象限とh=tan^-1(b*/a*)の値から計測パターンの色相を判断する。なお、色相を判別する例としてCIE 1976 L*a*b*色彩値に変換する例を示したが、その手段は限定されるものではなく、三刺激値や他の色空間から判別する方法でも良い。また、ＲＧＢ値の比率などカラーバランスで判別可能であれば、ＲＧＢ値から直接色相を判別しても構わない。

図３のＲＧＢ画像データは、Ｋ−平均法と呼ばれるクラスタ分析手法により各画素を色剤部とそれ以外のクラスタの少なくとも２個以上のクラスタに分類する。

クラスタ分析手法は、生成されるクラスタ総数を前もって指定できる方法であれば、Ｋ−平均法以外の手法であっても構わない。また、クラスタ分析を行う際に与える各クラスタ中心の初期値はそのクラスタに属することが望ましいと判断される適当な代表点（色）を与える。

例えば、画像を形成している色剤がシアンで、画像入力部が８ビットであれば代表点のＲＧＢ値はそれぞれ0,255,255を与える方法や、対象となる色剤と画像入力部の入出力特性を加味した時に予測される値やあるべき理想値を用いても構わない。

ところで、図４に示すように、クラスタ分析を行って得られた色剤部のクラスタの中心点（色）をそのクラスタに属する全データの平均値で定義している場合、色剤クラスタ中心値（図４−１）を起点とする各画素のＲＧＢ色空間上のユークリッド距離を定義することができる。

ＲＧＢ色空間における全画素またはその一部（例えば、色剤部以外のクラスタ）のユークリッド距離d1,…,dn（nは全画素数）を、ユークリッド距離算出部１４で算出し、それらのデータの標準偏差を標準偏差算出部１５にて算出し、得られた標準偏差を評価結果出力部１０にて評価結果を出力する。

ここで得られる標準偏差は、ＲＧＢ空間における画像データのバラツキを示す指標であり、バラツキが小さいほど、べた画像が均一であると判断できることから、画像評価値にそのまま応用することができる。

すなわち、図５に示すようにボソツキレベルが悪い場合は、画像評価値が大きく、ボソツキレベルが良い場合は小さな値となる。以上は、画像入力部のＲＧＢデジタル信号で定義される色空間でのユークリッド距離を画像特徴量とする例で説明したが、色を表す単位系はＲＧＢ色空間に限定されるものではなく、三刺激値や人間の感覚により近い均等色空間の一種であるCIE1976L*a*b*等の任意の表色系に変換した色空間にも適用できる方法であることは言うまでもない。

図１はこの発明の実施例の構成を示すブロック図である。 図２−１は計測用パターンの一例であり、画像入力部３によって読み取られたＲＧＢカラー画像である。図２−２は、図２−１のカラー画像を輝度に変換して得られた白黒画像である。図２−３は、図２−２の変換画像である。 図３は図２−１の画像の中からパターン部を抽出し、画像を切り出した例である。 図４は、クラスタ分析において色剤クラスタ中心値を起点とする各画素のＲＧＢ色空間上のユークリッド距離を定義する図である。 図５は、目視レベルと画像評価値によりボソツキレベルの良否を示す図である。

符号の説明

１ 画像評価装置
２ ＣＰＵ
３ 画像入力部
４ メモリ
５ パターン抽出部
６ 色変換部
７ 色相判別部
８ クラスタ分析部
９ 画像特徴量算出部
１０ 評価結果出力部
１１ 輝度変換部
１２ ２値化変換部
１３ ラベリング処理部
１４ ユークリッド距離算出部
１５ 標準偏差算出部

Claims (15)

1. 被計測画像をカラー画像データとして読み取る画像入力手段と、
   前記画像データの中から被計測パターンを抽出するパターン抽出手段と、
   前記被計測パターンの色相を判別する色相判別手段と、
   前記被計測パターン内の画像データを各画素ごとに少なくとも２個以上のクラスタに分類するクラスタ分析手段と、
   前記クラスタ分析手段により得られるクラスタ中心値から画像特徴量を算出する画像特徴量算出手段と、
   前記画像特徴量に基づき画像評価値を算出することを特徴とする画像評価装置。
2. 前記パターン抽出手段は、
   前記カラー画像データを白黒画像に変換する白黒画像変換手段と、
   前記白黒変換手段により変換された画像データを２値化する２値化変換手段と、
   前記２値化変換手段により２値化された画像データの特徴量を算出する２値化画像特徴量算出手段と
   を具備することを特徴とする請求項１に記載の画像評価装置。
3. 前記白黒変換手段は輝度変換であることを特徴とする請求項１乃至請求項２の何れかに記載の画像評価装置。
4. 前記２値化画像特徴量算出手段は、ラベリング処理であり、各オブジェクトの位置と面積を算出することを特徴とする請求項１乃至請求項３の何れかに記載の画像評価装置。
5. 前記カラー画像データに対して各画素ごとに三刺激値またはCIE1976L*a*b*色彩値など、少なくともいずれかの物理量に変換する色変換手段を具備することを特徴とする請求項１乃至請求項４の何れかに記載の画像評価装置。
6. 前記クラスタ分析手段は前記色変換された画像データを色剤部または地肌部のクラスタに分類することを特徴とする請求項１乃至請求項５の何れかに記載の画像評価装置。
7. 前記画像特徴量は前記色剤部のクラスタ中心値を基準とする全画素またはその一部に対するユークリッド距離の標準偏差であることを特徴とする請求項１乃至請求項６の何れかに記載の画像評価装置。
8. 被計測画像をカラー画像データとして読み取る画像入力工程と、
   前記画像データの中から被計測パターン部を抽出するパターン抽出工程と、
   前記被計測パターンの色相を判別する色相判別工程と、
   前記被計測パターン内の画像データを各画素ごとに少なくとも２個以上のクラスタに分類するクラスタ分析工程と、
   前記クラスタ分析工程により得られるクラスタ中心値から画像特徴量を算出する画像特徴量算出工程と、
   前記画像特徴量に基づき画像評価値を算出することを特徴とする画像評価方法。
9. 前記パターン抽出工程は、
   前記カラー画像データを白黒画像に変換する白黒画像変換工程と、前記白黒変換工程により変換された画像データを２値化する２値化変換工程と、前記２値化変換手段により２値化された画像データの特徴量を算出する２値化画像特徴量算出工程とを
   具備することを特徴とする請求項８に記載の画像評価方法。
10. 前記白黒変換工程は輝度変換であることを特徴とする請求項８乃至請求項９の何れかに記載の画像評価方法。
11. 前記２値化画像特徴量算出工程は、ラベリング処理であり、各オブジェクトの位置と面積を算出することを特徴とする請求項８乃至請求項10の何れかに記載の画像評価方法。
12. 前記カラー画像データに対して各画素ごとに三刺激値またはCIE1976L*a*b*色彩値など、少なくともいずれかの物理量に変換する色変換工程を具備することを特徴とする請求項８乃至請求項11の何れかに記載の画像評価方法。
13. 前記クラスタ分析工程は、前記色変換された画像データを色剤部または地肌部のクラスタに分類することを特徴とする請求項８乃至請求項12の何れかに記載の画像評価方法。
14. 前記画像特徴量は、前記色剤部のクラスタ中心値を基準とする全画素またはその一部に対するユークリッド距離の標準偏差であることを特徴とする請求項８乃至請求項13の何れかに記載の画像評価方法。
15. 請求項８乃至請求項14のいずれかに記載の画像評価機能をコンピュータに実現させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体。

Images