JP2010066982A - 画像補正方法および画像処理装置 - Google Patents

Abstract

【課題】学習に用いた画像の特性と補正すべき画像の特性とに関わりなく、適切な画像補正を行う画像補正技術を提供する。
【解決手段】第１補正値算出部７１が統計的学習則に基づき第１補正値を算出する。算出された第１補正値は、補正値判定部７２により、適正範囲内であるか否かが判定され、適正範囲である場合には、第１補正値は補正値として画像補正部７４に送られる。一方、第１補正値が適正範囲でない場合には、第２補正値算出部７３により、第１補正値算出部７１とは異なる演算方法により第２補正値が算出される。算出された第２補正値は、補正値として画像補正部７４に送られる。画像補正部７４は、取得した補正値を用いて入力画像に画像補正を施し、補正画像を生成する。
【選択図】図４

Description

本発明は、画像データの補正技術に関し、特に統計的学習則に基づく補正値を算出する画像補正技術に関する。

近年のデジタル画像処理の発展に伴い、写真プリント業界を始め、ほとんどのプリント出力はデジタル画像処理を施された写真プリントに適した画像に基づいて行われている。このデジタル画像処理は、カラー補正、濃度補正、コントラスト補正の画素単位の補正をはじめとして、画像の鮮鋭化等の空間フィルタ等を用いた画質の改善を目的としている。

従来、これらの補正に用いる補正値は、オペレータが目視による確認を行いながら、適正な値を求めていた。しかしながら、このような方法では、オペレータへの負担が大きく、効率的な業務遂行を阻害する問題が生じるおそれがある。そのため、補正値を自動的に求めるための様々な方法が検討されている。

例えば、ニューラルネットワークにより算出された補正値に基づく画像補正を行い、オペレータが補正された画像にさらに補正を行った際には、オペレータにより補正された画像を教師画像としてニューラルネットワークの学習を行い、再度補正値を算出する技術が提案されている（特許文献１参照）。

特開２００６−３１４４０号公報（段落番号００１１、００５１、図５）

特許文献１の技術では、上述のように、ニューラルネットワークにより算出された補正値により補正された画像に対してオペレータが補正を行い、さらにその補正画像を教師画像としてニューラルネットワークを学習させるため、ニューラルネットワークが算出する補正値をオペレータの嗜好に近づけることは可能である。しかしながら、ニューラルネットワークに代表される統計的学習則を用いた補正値の算出方法では、学習時に用いた画像と同様の特性を持つ画像に対しては適切な補正値を出力することができる一方、学習時に用いた画像と特性が乖離した画像に対しては、不適正な補正値を出力する可能性がある。

本発明の課題は、上記実状に鑑み、学習に用いた画像の特性と補正すべき画像の特性とに関わりなく、適切な画像補正を行う画像補正技術を提供することである。

前記課題を解決するために、本発明の画像補正方法は、補正値に基づき画像データを補正する画像補正ステップを備えた画像補正方法において、統計的学習則に基づき前記画像データの第１補正値を算出する第１補正値算出ステップと、前記第１補正値と適正範囲とを比較することにより、当該第１補正値が適正値であるか否かを判定し、適正であると判定した際に当該第１補正値を前記補正値とする補正値判定ステップと、前記第１補正値が適正値でないと判定された場合に、前記第１補正値算出ステップとは異なる演算により前記画像データの第２補正値を算出し前記補正値とする第２補正値算出ステップと、を備える。

この構成では、統計的学習則による学習結果に基づき算出された補正値が適正であるか否かが判定され、補正値が適正でないと判定された際には、第２補正値算出ステップにおいて第１補正値算出ステップとは異なる演算方法により補正値が算出される。これにより、統計的学習則に基づき算出された不適正な補正値による画像補正が回避され、第２補正値算出ステップにより算出された補正値による画像補正が行われ、適切な画像補正を行うことができる。

また、本発明の画像補正方法の好適な実施形態の一つでは、テスト画像に対する適正な補正値および当該適正な補正値に基づき当該テスト画像を補正した教師画像の組により教師データが構成され、前記第１補正値算出ステップにおける統計的学習則は、複数の前記教師データからなるデータセットに基づき学習され、前記適正範囲は、前記データセットに含まれる複数の前記適正な補正値に基づき決定される。

この構成では、統計的学習則の学習に用いるデータセットに含まれる補正値に基づき適正範囲が定められるため、学習データセットに応じた適正範囲を設定することができる。

一般的に、統計的学習則に基づき補正値を算出する方法において、不適正な補正値が算出されることを回避するためには、様々な特性を持つ画像に基づき学習させる必要がある。しかしながら、様々な特性を持つ画像を収集することは困難であり、また、そのように学習した統計的学習則では、出力が平均化されてしまい、十分な補正が行えない問題が存在する。

そのため、本発明の画像補正方法の好適な実施形態の一つでは、前記第２補正値算出ステップは、前記第１補正値算出ステップとは異なるデータセットにより学習された統計的学習則に基づき前記第２補正値を算出する。

この構成では、第１補正値算出ステップにおける統計的学習則と、第２補正値算出ステップにおける統計的学習則とは、異なるデータセットにより学習されている。これにより、第１補正値算出ステップにおける統計的学習則と第２補正値算出ステップにおける統計的学習則とは、それぞれ異なる範囲の画像特性に対する適性を有することとなり、第１補正算出ステップにより不適正な補正値が算出された場合にも、第２補正値算出ステップにより適正な補正値を得ることができる。

また、本発明の画像補正方法の好適な実施形態の一つでは、前記第２補正値算出ステップは、ＬＡＴＤ（Large Area Transmittance Density）法により前記第２補正値を算出する。

この構成では、入力画像の特性に基づいてＬＡＴＤ法により補正値が算出されるため、統計的学習則により不適正な補正値が算出された画像データに対しても、安定した補正値を算出することができる。

上述した本発明による画像補正方法の技術的特徴は、画像処理装置にも適用可能である。例えば、画像データを取得する画像取得部と、補正値に基づき前記画像データを補正する画像補正部とを備えた画像処理装置において、統計的学習則に基づき前記画像データの第１補正値を算出する第１補正値算出部と、前記第１補正値と適正範囲とを比較することにより、当該第１補正値が適正値であるか否かを判定し、適正であると判定した際に当該第１補正値を前記補正値とする補正値判定部と、前記第１補正値が適正値でないと判定された場合に、前記第１補正値算出部とは異なる演算により前記画像データの第２補正値を算出し前記補正値とする第２補正値算出部と、を備える。当然ながら、このような画像処理装置も上述した画像補正方法で述べた作用効果を得ることができ、さらに上述した付加的技術を組み込むことも可能である。

〔システム構成〕
本発明による画像補正技術を用いた画像処理装置の実施形態を図面に基づき説明する。図１は、本発明による画像補正技術を採用した写真プリント装置（画像処理装置の一例）の外観図である。この写真プリント装置は、印画紙Ｐに対して露光処理と現像処理とを行う写真プリント部としてのプリントステーション１Ｂと、現像済み写真フィルム２ａやデジタルカメラ用メモリカード２ｂなどの画像入力メディアから取り込んだ撮影画像を処理してプリントステーション１Ｂで使用されるプリントデータの生成・転送などを行う操作ステーション１Ａとから構成されている。

この写真プリント装置はデジタルミニラボとも称せられるものであり、図２に示すように、プリントステーション１Ｂは２つの印画紙マガジン１１に納めたロール状の印画紙Ｐを引き出してシートカッター１２でプリントサイズに切断すると共に、切断された印画紙Ｐに対し、バックプリント部１３で色補正情報やコマ番号などのプリント処理情報を印画紙Ｐの裏面に印字し、プリント露光部１４で印画紙Ｐの表面に撮影画像の露光を行い、この露光後の印画紙Ｐを複数の現像処理槽を有した処理槽ユニット１５に送り込んで現像処理する。乾燥の後に装置上部の横送りコンベア１６からソータ１７に送られた印画紙Ｐ、つまり写真プリントＰは、このソータ１７の複数のトレイにオーダ単位で仕分けられた状態で集積される（図１参照）。

また、図２に示すようにプリントステーション１Ｂには、上述した印画紙Ｐに対する各種処理に合わせた搬送速度で印画紙Ｐを搬送するために、印画紙搬送機構１８が敷設されている。印画紙搬送機構１８は、印画紙搬送方向に関してプリント露光部１４の前後に配置されたチャッカー式印画紙搬送ユニット１８ａを含む複数の挟持搬送ローラ対から構成されている。

プリント露光部１４には、副走査方向に搬送される印画紙Ｐに対して、主走査方向に沿って操作ステーション１Ａからのプリントデータに基づいてＲ（赤）、Ｇ（緑）、Ｂ（青）の３原色のレーザ光線の照射を行うライン露光ヘッドが設けられている。処理槽ユニット１５は、発色現像処理液を貯留する発色現像槽１５ａと、漂白定着処理液を貯留する漂白定着槽１５ｂと、安定処理液を貯留する安定槽１５ｃを備えている。

また、図１に示すように、前記操作ステーション１Ａのデスク状コンソールの上部位置には、写真フィルム２ａの撮影画像コマから撮影画像データ（以下、入力画像と称する）を取得するフィルムスキャナ２０が配置されており、デジタルカメラ等に装着される画像記録媒体２ｂとして用いられている各種半導体メモリやＣＤ−Ｒなどから入力画像を取得するメディアリーダ２１は、この写真プリント装置のコントローラ３として機能する汎用パソコンに組み込まれている。この汎用パソコンには、さらに各種情報を表示するモニタ２３、各種設定や調整を行う際に用いる操作入力部として利用される操作入力デバイスとしてのキーボード２４やマウス２５も接続されている。

この写真プリント装置のコントローラ３は、ＣＰＵを中核部材として、写真プリント装置の種々の動作を行うための機能部をハードウエア又はソフトウエアあるいはその両方で構築しているが、図３に示されているように、本発明に特に関係する機能部としては、フィルムスキャナ２０やメディアリーダ２１によって取得された入力画像を取り込んで次の処理のために必要な前処理を行う画像入力部３１、各種ウインドウや各種操作ボタンなどを含むグラフィック操作画面の作成やグラフィック操作画面を通じてのユーザ操作入力（キーボード２４やマウス２５などによる）から制御コマンドを生成するグラフィックユーザインターフェース（以下、ＧＵＩと称する）を構築するＧＵＩ部３３、ＧＵＩ部３３から送られてきた制御コマンドや直接キーボード２４等から入力された操作命令に基づいて所望のプリントデータを生成するために画像入力部３１からメモリ３０に転送された撮影画像に対する画像処理等を行うプリント管理部３２、色補正等のプレジャッジプリント作業時にプリントソース画像や予想仕上がりプリント画像としてのシミュレート画像さらにはＧＵＩ部３３から送られてきたグラフィックデータをモニタ２３に表示させるためのビデオ信号を生成するビデオ制御部３５、画像処理が完了した処理済み撮影画像に基づいてプリントステーション１Ｂに装備されているプリント露光部１４に適したプリントデータを生成するプリントデータ生成部３６、顧客の要望に応じて生の撮影画像や画像処理が完了した処理済み撮影画像などをＣＤ−Ｒに書き込むための形式にフォーマットするフォーマッタ部３７などが挙げられる。

画像入力部３１は、撮影画像記録媒体がフィルム２ａの場合プレスキャンモードと本スキャンモードとのスキャンデータを別々にメモリ３０に記憶させ、それぞれの目的に合わせた前処理を行う。また、撮影画像記録媒体がメモリカード２ｂの場合取り込んだ撮影画像にサムネイル画像（低解像度データ）が含まれている場合はモニタ２３での一覧表示などの目的で使用するため撮影画像の本データ（高解像度データ）とは別にメモリ３０に記憶させるが、もしサムネイル画像が含まれていない場合は本データから縮小画像を作り出してサムネイル画像としてメモリ３０に記憶させる。

プリント管理部３２は、プリントサイズやプリント枚数などを管理するプリント注文処理ユニット４０、メモリ３０に展開された撮影画像に対して各種画像処理を施す画像処理ユニット５０を備えている。

画像処理ユニット５０には、メモリ３０に展開された撮影画像に対して濃度階調補正や画像解像度（サイズ）変換などの基本的な画像処理などを行う第１画像補正ユニット６０と、後述する画像補正を行う第２画像補正ユニット７０とが実質的にはプログラムの形で組み込まれている。なお、本実施形態では、第２画像補正ユニットにおける画像補正は、濃度補正、コントラスト補正、色補正として説明するが、これに限定されるものではなく、補正値に基づく補正が可能であれば、空間フィルタを用いた補正等、他の種別の補正とすることもできる。

さらに第２画像補正ユニット７０は、図４に示すように、入力画像の補正値を算出する第１補正値算出部７１、第１補正値算出部７１により算出された補正値（以下、第１補正値と称する）が適正であるか否かを判定する補正値判定部７２、第１補正値が適正でないと判定された際に、第１補正値算出部７１とは異なる演算により入力画像の補正値を算出する第２補正値算出部７３、第１補正値が適正であると判定された際には第１補正値で入力画像を補正し、第１補正値が適正でないと判定された際には第２補正値算出部７３により算出された補正値（以下、第２補正値と称する）で入力画像を補正する画像補正部７４から構成されている。

また、第１補正値算出部７１は、補正値を出力するためのニューラルネットワークを記憶しているニューラルネットワーク部７１ａおよび、ニューラルネットワークへの入力値を生成する入力値生成部７１ｂを備えている。

第１補正値算出部７１は、画像入力部によりメモリ３０に記憶されたサムネイル画像を取得し、まず入力値算出部７１ｂによりニューラルネットワークへの入力値が算出される。本実施形態では、入力値として、濃度ヒストグラム、カラーヒストグラム、平均濃度値、平均彩度を用いるが、他の画像特徴量を用いることができ、補正種別に応じて適宜変更可能である。

入力値算出部７１ｂにより算出された入力値は、ニューラルネットワーク部７１ａに送られ、ニューラルネットワーク部７１ａに記憶されているニューラルネットワークの入力ノードに設定され、出力ノードからの出力値が第１補正値として取得される。なお、本実施形態で用いるニューラルネットワークは、図５に示す構成であり、出力ノードからは、濃度補正用トーンカーブ値（γＤ）、コントラスト補正用トーンカーブ値（γＣ）および色補正のための補正値として各色要素のカラーバランス値（Ｂｒ、Ｂｇ、Ｂｂ）が出力される。このようにして得られた第１補正値は、補正値判定部７２に送られる。

第１補正値算出部７１から第１補正値を取得した補正値判定部７２は、補正種別毎の補正値と補正種別毎に予め設定されている適正範囲とを比較することにより、各補正値が適正であるか否かを判定する。補正値判定部７２は、第１補正値が適正であれば、第１補正値を補正値として画像補正部７３に送り、不適正であれば、その旨を第２補正値算出部７２に通知する。なお、色補正に用いる補正値は３次元のカラーバランス値であるため、色補正に対応する適正範囲も３次元となる。

第１補正値が不適正である旨の通知を受けた第２補正値算出部７３は、メモリ３０からサムネイル画像を取得し、第２補正値を算出する。この第２補正値算出部７３の補正値算出方法は、第１補正値算出方法と異なる演算方法であれば、様々な方法を用いることができる。例えば、色補正のためのカラーバランス値は、一般的な屋外画像では、全画素値の平均はグレーになるというエバンズの説に基づきＬＡＴＤ法に基づく算出方法により算出する構成とすることができる。また、他の補正種別に対する補正値では、画像特徴量に基づくルールーベースの算出等の公知の方法により算出することが可能である。

第２補正値算出部７３は、上述の方法により算出した第２補正値を補正値として画像補正部７４に送る。

補正値を取得した画像補正部７４は、画像入力部３１によりメモリ３０に記憶された入力画像を取得し、入力画像に対して補正値に基づく画像補正を施し、補正画像を生成する。上述したように、本実施形態における画像補正は、濃度補正、コントラスト補正、色補正を用いており、補正値として濃度補正用トーンカーブ値γＤ、コントラスト補正用トーンカーブ値γＣ、カラーバランス値（Ｂｒ、Ｂｇ、Ｂｂ）が取得される。濃度補正およびコントラスト補正は、濃度補正用トーンカーブ値γＤ、コントラスト補正用トーンカーブ値γＣに基づき、公知の方法により補正が施される。

一方、カラー補正は、ＲＧＢ空間で表現された入力画像のカラーバランス値をｘｙｚ空間に写像し、ｘｙｚ空間においてカラー補正を行った後、ＲＧＢ空間に逆写像することにより実現している。なお、ｘｙｚ空間における補正は、カラーバランス値（Ｂｒ，Ｂｇ，Ｂｂ）に対応する色補正マトリックスＭ（Ｂｒ，Ｂｇ，Ｂｂ）によるマトリックス変換により行われる。具体的には、画像補正部７４は、カラーバランス値（Ｂｒ，Ｂｇ，Ｂｂ）に対応する色補正マトリックスＭ（Ｂｒ，Ｂｇ，Ｂｂ）を保持しており、入力画像の各画素値をｘｙｚ空間に写像し、色補正マトリックスＭによるマトリックス変換を行い、ＲＧＢ空間に逆写像した値を画素値とする補正画像を生成している。このとき、画像補正部７４は、色補正マトリックスを保持するのではなく、ＲＧＢ空間からｘｙｚ空間への写像マトリックス、色補正マトリックス（Ｂｒ，Ｂｇ，Ｂｂ）およびｘｙｚ空間からＲＧＢ空間への写像マトリックスの合成マトリックスを保持し、入力画像の各画素値に対して、この合成マトリックスを作用させる構成とすると演算量を低減することができ、好適である。

なお、色空間はｘｙｚ空間に限定されるものではなく、ＨＶＣ、ＨＳＶ、Ｌａ^*ｂ^*、ＹＣｂＣｒ等他の色空間を用いて構わず、色空間に応じたカラー補正方法を用いることができる。

このようにして生成された補正画像は、メモリ３０を介してプリントデータ生成部３６に送られ、プリントデータが生成された後、プリントステーション１Ｂによりプリント処理が行われる。

〔ニューラルネットワークの学習方法〕
以下に、ニューラルネットワーク部７１ａの学習方法を説明する。まず、学習に用いるためのテスト画像が準備され、オペレータは、そのテスト画像に対して、適正な補正値による画像補正を施し、教師画像を生成する。このときのテスト画像、教師画像および適正な補正値の組が教師データを構成する。この複数の教師データから構成されるデータセットを用いて、バックプロパゲーション法等の公知の方法によりニューラルネットワーク部７１ａの学習が行われる。具体的には、教師画像から図５の入力ノードに対応する画像特徴量が抽出され、各々の入力ノードに設定される。同時に、出力ノードには対応する適正な補正値が設定され、学習が実行される。

また、本実施形態では、ニューラルネットワークの学習に用いられるデータセットに含まれる適正な補正値に基づき、補正値判定部７２が用いる適正範囲を決定している。本実施形態では、データセット中の補正値の最小値および最大値に基づき決定している。例えば、濃度補正用トーンカーブ値に対する適正範囲の場合には、データセットから濃度補正用トーンカーブ値の最小値γＤ_minおよび最大値γＤ_maxを求め、[γＤ_min−α，γＤ_max＋β]を適正範囲としている。なお、αおよびβは任意の非負値である。この適正範囲は、補正種別毎に求められる。なお、色補正用の補正値は３次元のカラーバランス値であるため、カラーバランス値に対する適正範囲も３次元で表され、[Ｂｒ_min―α，Ｂｒ_max＋β]、[Ｂｇ_min―α，Ｂｇ_max＋β]および[Ｂｂ_min―α，Ｂｂ_max＋β]により規定される直方体の内部となる。

また、適正範囲は統計的に決定することも可能である。一般的に、ランダムに選択されたテスト画像を適正に補正するための補正値は、テスト画像の数が増加するに連れ、正規分布Ｎ（μ，σ²）に従う分布となる。このとき、[μ−２σ，μ＋２σ]や[μ−３σ，μ＋３σ]を適正範囲とすることも可能である。

なお、適正範囲の決定方法は、上述の方法に限定されるものではなく、データセットに含まれる補正値に基づき、本発明の目的を達する限りにおいて、様々な方法を用いることができる。

以下に、図６のフローチャートを用いて、本発明に係るカラー補正の処理の流れを説明する。なお、以下の処理に先立って、メモリ３０には画像入力部３１により取得された入力画像およびそのサムネイル画像が記憶されており、ニューラルネットワーク部７１ａのニューラルネットワークは、上述の方法により学習が完了し、補正値判定部７２における適正範囲も決定されているものとする。

まず、第１補正値算出部７１は、メモリ３０からサムネイル画像を取得する（＃０１）。取得したサムネイル画像は、入力値算出部７１ｂに渡され、濃度ヒストグラム、色ヒストグラム等、ニューラルネットワーク部７１ａのニューラルネットワークの入力ノードに応じた入力値が算出される（＃０２）。

入力値算出部７１ｂにより算出された入力値は、ニューラルネットワーク部７１ａに保持されているニューラルネットワークの入力ノードに設定され、ニューラルネットワークからの出力値が第１補正値（γＤ、γＣ、Ｂｒ、Ｂｇ、Ｂｂ）として取得される（＃０３）。取得された第１補正値は、補正値判定部７２に送られる。

第１補正値を取得した補正値判定部７２は、第１補正値が上述の方法により決定した適正範囲内であるか否かを判定する（＃０４）。上述のように、適正範囲は補正種別毎に設定されているため、補正値が適正範囲内であるか否かの判定も補正種別毎に行われる。すなわち、本実施形態における補正種別は、濃度補正、コントラスト補正および色補正であるため、濃度補正用トーンカーブ値γＤが適正範囲[γＤ_min−α_D、γＤ_max+β_D]内であるか、コントラスト補正用トーンカーブ値γＣが適正範囲[γＣ_min−α_C、γＣ_max+β_C]内であるか、カラーバランス値（Ｂｒ，Ｂｇ，Ｂｂ）が適正範囲（[Ｂｒ_min−α、Ｂｒ_max+β]，[Ｂｇ_min−α、Ｂｇ_max+β]，[Ｂｂ_min−α、Ｂｂ_max+β]）内であるかが判定される。補正値判定部７２は、全ての補正種別の第１補正値が適正範囲内であれば、第１補正値を補正値として画像補正部７４に送り、画像補正処理に移行させる（＃０４のYes分岐）。一方、少なくとも一つの補正種別の第１補正値が適正範囲外であれば、補正値判定部７２は、その旨を第２補正値算出部７３に通知し、処理を第２補正値算出処理に移行させる（＃０４のNo分岐）。

第１補正値が適正範囲内でない旨の通知を受け取った第２補正値算出部７３は、メモリ３０からサムネイル画像を取得し（＃０５）、第２補正値を算出する（＃０６）。上述したように、第２補正値の算出方法は、補正種別に応じて様々な公知の方法を用いることが可能である。第２補正値算出部７３により算出された第２補正値は、補正値として画像補正部７４に送られる。

補正値を取得した画像補正部７４は、メモリ３０から入力画像を取得し（＃０７）、取得した補正値を用いて取得した入力画像に対し、上述の方法により画像補正を施した補正画像を生成し（＃０８）、プリントデータ生成部３６に送る。

〔別実施形態〕
（１）上述の実施形態では、補正値判定部７２における適正範囲を学習時のデータセットに含まれる補正値に基づき決定したが、予め定めた固定範囲を適正範囲として用いても構わない。

（２）上述の実施形態では、第２補正値算出部７３は、ＬＡＴＤ法により補正値を算出する構成としたが、図７に示すように、第２補正値算出部７３を第１補正値算出部７１と同様の構成とすることもできる。この場合には、第１補正値算出部７１と第２補正値算出部７３とは、構成は同様であるが、ニューラルネットワーク７３ａとニューラルネットワーク部７１ａとが異なるデータセットを用いて学習されている点において異なっている。

（３）上述の実施形態では、補正値判定部７２における判定は、全ての補正種別の補正値が適正範囲内である場合に、第１補正値を補正値とする構成としたが、各々の補正種別毎に第１補正値を補正値とするか否かを判定する構成とすることもできる。この場合には、補正値判定部７２は、補正種別毎に第１補正値が適正範囲内であるか否かを判定し、適正範囲にある補正種別の第１補正値を補正値として画像補正部７４に送り、第１補正値が適正範囲外である補正種別を第２補正値算出部７３に通知し、第２補正値算出部７３は通知された補正種別に対応する補正値を算出し、画像補正部７４に送る構成となる。

（４）上述の実施形態では、統計的学習則としてニューラルネットワークを用いたが、これに限定されるものではなく、他の公知の統計的手法を用いても構わない。

（５）上述の実施形態では、処理の高速化のため、補正値算出はサムネイル画像に基づいて行われたが、入力画像を用いて行っても構わない。この構成では、より適正な画像補正を実現することができ、高速な処理が要求されない場合には好適である。

本発明の実施形態における写真プリント装置の概観図 本発明の実施形態における写真プリント装置のプリントステーションの構成を示す模式図 本発明の実施形態における写真プリント装置のコントローラ内に構築される機能要素を示す機能ブロック図 本発明の実施形態における写真プリント装置に構成される第２画像補正ユニットの機能要素を示す機能ブロック図 本発明の実施形態におけるニューラルネットワークの構成図 本発明の実施形態における処理の流れを表すフローチャート 本発明の別実施形態における第２補正値算出部の機能要素を表す機能ブロック図

符号の説明

３０：メモリ
３１：画像入力部
３６：プリントデータ生成部
７０：第２画像補正ユニット
７１：第１補正値算出部
７１ａ：ニューラルネットワーク部
７１ｂ：入力値算出部
７２：補正値判定部
７３：第２補正値算出部
７４：画像補正部

Claims (5)

1. 補正値に基づき画像データを補正する画像補正ステップを備えた画像補正方法において、
   統計的学習則に基づき前記画像データの第１補正値を算出する第１補正値算出ステップと、
   前記第１補正値と適正範囲とを比較することにより、当該第１補正値が適正値であるか否かを判定し、適正であると判定した際に当該第１補正値を前記補正値とする補正値判定ステップと、
   前記第１補正値が適正値でないと判定された場合に、前記第１補正値算出ステップとは異なる演算により前記画像データの第２補正値を算出し前記補正値とする第２補正値算出ステップと、
   を備えることを特徴とする画像補正方法。
2. テスト画像に対する適正な補正値および当該適正な補正値に基づき当該テスト画像を補正した教師画像の組により教師データが構成され、
   前記第１補正値算出ステップにおける統計的学習則は、複数の前記教師データからなるデータセットに基づき学習され、
   前記適正範囲は、前記データセットに含まれる複数の前記適正な補正値に基づき決定されることを特徴とする請求項１記載の画像補正方法。
3. 前記第２補正値算出ステップは、前記第１補正値算出ステップとは異なるデータセットにより学習された統計的学習則に基づき前記第２補正値を算出することを特徴とする請求項１または２記載の画像補正方法。
4. 前記第２補正値算出ステップは、ＬＡＴＤ法により前記第２補正値を算出することを特徴とする請求項１または２記載の画像補正方法。
5. 画像データを取得する画像取得部と、補正値に基づき前記画像データを補正する画像補正部とを備えた画像処理装置において、
   統計的学習則に基づき前記画像データの第１補正値を算出する第１補正値算出部と、
   前記第１補正値と適正範囲とを比較することにより、当該第１補正値が適正値であるか否かを判定し、適正であると判定した際に当該第１補正値を前記補正値とする補正値判定部と、
   前記第１補正値が適正値でないと判定された場合に、前記第１補正値算出部とは異なる演算により前記画像データの第２補正値を算出し前記補正値とする第２補正値算出部と、
   を備えることを特徴とする画像処理装置。

Images