JP2014174658A - 検査装置、及び検査方法 - Google Patents

Abstract

【課題】必要な品質は維持しつつ過剰な検査手法を排除した検査装置、検査方法の提供を目的とする。
【解決手段】評価用画像の品質を評価する検査装置であって、前記評価用画像を形成する際に用いるベクトルデータから特徴量Ａを計算する手段と、前記評価用画像に含まれる評価画像を形成する手段と、前記形成された評価画像を取得する手段と、前記取得された評価画像に含まれる輪郭を示す輪郭データを抽出する手段と、前記抽出された輪郭データから特徴量Ｂを計算する手段と、前記特徴量Ａと前記特徴量Ｂを、人の視覚特性の感度が高い周波数帯域におけるスペクトルに基づいて比較して、前期評価画像の品質を検査する手段と、を有する。
【選択図】図１

Description

本発明は、画像の品質を検査する装置、及び検査方法に関する。

従来、例えば、特許文献１に記載されているように、検査対象パターン画像と基準パターンからエッジを検出し、エッジを比較することにより求めたパターン変形量から、検査対象パターン画像の欠陥を検出するパターン検査装置が知られていた。

特許第４９９７３５１号公報

しかしながら、特許文献１に記載のパターン検査装置では、例えば、設計データに基づき製造された、半導体集積回路（ＬＳＩ）や液晶パネルなどの微細なパターンを検査するため、人が観察するために形成されたパターンを検査する際は、人の視覚には影響がない微細な特徴成分を高精度に抽出することとなる。その結果、検査に要する装置や処理が過剰なものとなるという課題があった。

本発明は、上述の課題の少なくとも一部を解決するためになされたものであり、以下の形態または適用例として実現することが可能である。

［適用例１］本適用例に係る評価用画像の品質を評価する検査装置は、前記評価用画像を形成する際に用いるベクトルデータから特徴量Ａを計算する手段と、前記評価用画像に含まれる評価画像を形成する手段と、前記形成された評価画像を取得する手段と、前記取得された評価画像に含まれる輪郭を示す輪郭データを抽出する手段と、前記抽出された輪郭データから特徴量Ｂを計算する手段と、前記特徴量Ａと前記特徴量Ｂを、人の視覚特性の感度が高い周波数帯域におけるスペクトルに基づいて比較して、前期評価画像の品質を検査する手段と、を有する。

本適用例によれば、前記評価画像の品質を検査する手段は、特徴量Ａと特徴量Ｂを、人の視覚特性の感度が高い周波数帯域におけるスペクトルに基づいて比較するため、人の視覚特性に影響がない微細な特徴量を抽出する必要がなくなる。そのため、人の視覚特性を考慮しつつ、簡単な処理により評価画像の品質検査を行なうことが可能となる。
従って、例えば半導体集積回路や液晶パネルなどの微細なパターンを検査する検査装置よりも、高速にでき、かつ製造コストを低減できる検査装置を提供することができる。

［適用例２］上記適用例に記載の検査装置において、前記特徴量Ａを計算する手段は、前記ベクトルデータから線分データを形成し、前記線分データを形成する各成分の相対的な位置関係を所定の周期関数で示し、前記周期関数に対して周波数解析を行なうことが好ましい。

本適用例によれば、前記特徴量Ａを計算する手段は、ベクトルデータから形成する線分データの相対的な位置関係を所定の周期関数で示し、前記周期関数に対して周波数解析を行なうため、周波数スペクトルを取得することが可能となる。これによって、前記周波数スペクトルから人の視覚特性の感度の高い周波数帯域におけるスペクトル値である特徴量Ａを取得することができる。

［適用例３］上記適用例に記載の検査装置において、前記特徴量Ｂを計算する手段は、前記輪郭データを形成する各成分の相対的な位置関係を所定の周期関数で示し、前記周期関数に対して周波数解析を行なうことが好ましい。

本適用例によれば、前記輪郭データから周波数スペクトルを取得することが可能となり、これによって、周波数スペクトルを取得することが可能となる。これによって、前記周波数スペクトルから人の視覚特性の感度の高い周波数帯域におけるスペクトル値である特徴量Ｂを取得することができる。
そのため、特徴量Ａと特徴量Ｂのスペクトルに基づいて両方の特徴量を容易に比較して、評価画像の品質を検査することができる。

［適用例４］上記適用例に記載の検査装置において、前記特徴量Ａを特徴量データベースに保持する手段を有することが好ましい。

本適用例によれば、一度特徴量を計算したら特徴量データベースに保持することで、同一のデータである場合は再度計算する必要がなくなる。これによって、評価画像が同一の場合は、特徴量Ａの計算過程を省略して高速な検査が可能となる。

［適用例５］上記適用例に記載の検査装置において、前記特徴量Ａと前記特徴量Ｂを比較した結果を、評価データベースに保持する手段を有することが好ましい。

本適用例によれば、新しい評価画像を検査するときに、過去の比較データを参考にすることができる。これによって、評価画像を形成する手段へのフィードバックをすることができる。

［適用例６］本適用例に係る評価用画像の品質を評価する検査方法は、評価用画像を形成する際に用いるベクトルデータから特徴量Ａを計算する工程と、前記評価用画像に含まれる評価画像を形成する工程と、前記形成された評価画像を取得する工程と、前記取得された評価画像に含まれる輪郭を示す輪郭データを抽出する工程と、前記抽出された輪郭データから特徴量Ｂを計算する工程と、前記特徴量Ａと前記特徴量Ｂを、人の視覚特性の感度が高い周波数帯域におけるスペクトルに基づいて比較して、前期評価画像の品質を検査する工程と、を有する。

本適用例によれば、前記評価画像の品質を検査する工程において、特徴量Ａと特徴量Ｂを、人の視覚特性の感度が高い周波数帯域におけるスペクトルに基づいて比較するため、人の視覚特性に影響がない微細な特徴量を抽出する必要がなくなる。そのため、人の視覚特性を考慮しつつ、簡単な処理により評価画像の品質検査を行なうことが可能となる。
従って、例えば半導体集積回路や液晶パネルなどの微細なパターンを検査する検査方法よりも、高速な検査方法を提供することができる。

本発明の検査方法を説明する図。 本発明の検査装置を説明するブロック構成図。 検査装置により実行される検査方法を説明するフローチャート。 検査装置により用いられる評価用ベクトルデータから形成した評価画像群を示す図。 輪郭抽出部の構成を説明する図。 ステップＳ７の処理を詳細に示すフローチャート。 輪郭データの抽出を説明する図。 スペクトル取得部のより詳細な構成を示すブロック構成図。 ステップＳ３及びステップＳ８の処理を詳細に示すフローチャート。 スペクトルの取得及び特徴量の取得を説明する図。 特徴量取得部のより詳細な構成を示すブロック構成図。 ステップＳ４及びステップＳ９の処理を詳細に示すフローチャート。 スペクトル変化を示す波形図。

以下、本発明の実施形態について、図面を参照して説明する。

（１）検査装置の概要
図１は、本発明の検査方法を説明する図である。また、図２は、本発明の検査装置１を説明するブロック構成図である。そして、図３は、検査装置１により実行される検査方法を説明するフローチャートである。さらに、図４は、検査装置１により用いられるベクトルデータから形成した評価画像を示す図である。

図２に示すように、検査装置１は、プリンター１０、スキャナー２０、パーソナルコンピューター（以下、ＰＣという）３０とを備える。この検査装置１では、プリンター１０により印刷された評価画像を用いて、ＰＣ３０による品質検査が行なわれる。

プリンター１０は、周知のものを用いることができ、インクジェット式のプリンターであってもよいし、電子写真式のプリンターであってもよい。本実施形態では、プリンター１０は、ＰＣ３０から出力される評価用ベクトルデータを用いて、評価画像を印刷する。

評価画像は、ＰＣ３０が評価画像の良否判定を行なうために用いられる画像である。本実施形態では、図４に示すように、６種類の異なる文字サイズ（４０ｐｔ、２０ｐｔ、１１ｐｔ、１０．５ｐｔ、８ｐｔ、４ｐｔ）により記録される文字列を含む評価用ベクトルデータを使用する。また、この評価用ベクトルデータに含まれる各文字列を評価画像群と記載する。そして、この評価画像群に含まれる個々の文字を評価画像とも記載する。なお、評価用ベクトルデータを構成するものは文字に限定される、検査用途に応じて適宜選択すればよい。

スキャナー２０は、プリンター１０により印刷された評価画像を読取り、ＰＣ３０に出力する。スキャナー２０により読み取られた評価画像は、所定解像度（例えば、１２００ｄｐｉ）の画素により構成され、各画素がｓＲＧＢ色空間の各色成分値を備える。なお、スキャナー２０は、周知のものを用いることができる。

ＰＣ３０は、スキャナー２０から出力された評価画像の良否判定を行なう。ＰＣ３０は、既存のパーソナルコンピューターであり、プリンター１０、及びスキャナー２０と接続されている。図２に示すように、ＰＣ３０は、コントローラー３１と、ＩＦ３２、３３と、キーボード３４と、外部メモリー３５と、ディスプレイ３６とを備える。

ＰＣ３０は、ＩＦ３２、３３を介してプリンター１０、及びスキャナー２０にそれぞれ接続されている。また、ＩＦ３２、３３は、コントローラー３１に接続されている。

コントローラー３１は、ＣＰＵ、ＲＯＭ、ＲＡＭを備えて構成される。そして、ＣＰＵがＲＯＭに記録されたプログラムを実行することで、コントローラー３１は、色変換部４１、線分データ形成部４２、輪郭抽出部４３、スペクトル取得部４４、特徴量取得部４５、特徴量評価部４６を機能的に備える。
さらに、コントローラー３１は、外部メモリー３５に記録された図示しないドライバープログラムを実行することで、プリンター１０、及びスキャナー２０の駆動をそれぞれ制御することができる。

外部メモリー３５は、ＨＤＤやＳＳＤ等の大容量メモリーにより構成される。また、外部メモリー３５には、ＰＣ３０がプリンター１０、又はスキャナー２０を制御するためのプログラムや、評価画像の良否判定を行なうために用いられる各種データやプログラムが記録されている。

図１、図３に示すように、ＰＣ３０により実行される評価画像の良否判定は、以下の手法が用いられる。
まず、図３のステップＳ１では、評価用ベクトルデータが取得され、特徴量Ａ、又は特徴量Ｂのどちらを算出するかが決定される（図１（ａ））。ここで特徴量Ａと特徴量Ｂとで処理を分割しているが、最終的には特徴量Ａ、及び特徴量Ｂの両特徴量の取得処理が実行される。なお、特徴量Ａが既知である場合については、特徴量Ａの取得処理は省略することができる。

特徴量Ａを算出する場合、ステップＳ２では、線分データ形成部４２により、評価用ベクトルデータの線分データが形成される（図１（ｂ））。具体的には、評価用ベクトルデータには、線分の情報だけでなく曲線などの情報が含まれる。線分データ形成部４２では、この線分以外の情報を、線分データを構成する位置の座標（ｘ、ｙ）に変換することで、形成を行なう。線分データ形成部４２による線分の形成は公知の手法を用いて行なわれる。

そして、ステップＳ３では、スペクトル取得部４４により、線分データのスペクトルが取得される（図１（ｃ））。本実施形態では、線分データのスペクトルを、線分データを構成する成分間の相対的な位置関係により取得する。

そのため、スペクトル取得部４４は、線分データに含まれる各成分の相対的な位置関係を周期関数ｗとして表現し、この周期関数ｗに対して周波数解析を行なうことで、スペクトルを取得する。この周期関数ｗは、線分データで表現される曲線を曲線Ｃとすると、曲線Ｃの周囲長を周期とする関数として表現するものである。

さらに、ステップＳ４では、特徴量取得部４５により、スペクトルから特徴量Ａが取得される（図１（ｇ））。特徴量取得部４５は、得られたスペクトルより、特定周波数成分のスペクトルのみを取り出し、その偏差をもとに特徴量としている。

一方、特徴量Ｂを算出する場合、ステップＳ５では、評価用ベクトルデータから評価画像が形成される。具体的には、評価用ベクトルデータは、外部メモリー３５に記録された図示しないドライバープログラムを介して、画素の集合であるラスターデータへと変換されて、プリンター１０で評価画像が形成される。ここで、プリンター１０で評価画像を形成することは一例であり、例えば、プロジェクターやディスプレイで評価画像を形成するものであってもよい。

ステップＳ６では、評価画像が取得される（図１（ｄ））。また、色変換部４１により、評価画像の色成分の変換が行なわれる。色変換部４１は、評価画像を構成する画素の色成分値を他の色空間上の値に変換する。具体的には、色変換部４１は、評価画像の画素の色成分値（ｓＲＧＢ空間）を、Ｌ^*ａ^*ｂ^*値（Ｌａｂ色空間）に変換する。色変換部４１による色成分値の変換は公知の変換式を用いて行なわれる。ここで、色変換部４１が、画素の色成分値をＬａｂ色空間上の値に変換することは一例であり、例えば、ＸＹＺ色空間上の値（Ｘ、Ｙ、Ｚ）に変換するものであってもよい。

ステップＳ７では、輪郭抽出部４３により、評価画像の輪郭データの抽出が行なわれる（図１（ｅ））。輪郭データは、評価画像の境界を規定する画素により構成されるデータである。本実施形態では、輪郭抽出部４３は、輪郭データを構成する画素の座標（ｘ、ｙ）を取得することで抽出を行なう。

そして、ステップＳ８では、スペクトル取得部４４により、輪郭データのスペクトルが取得される（図１（ｆ））。本実施形態では、輪郭データのスペクトルを、輪郭データを構成する成分間の相対的な位置関係により取得する。輪郭データにより表される曲線を曲線Ｃとし、画素（点）を結んで、曲線Ｃを折れ線近似する場合を想定する。画素を結んで求められる曲線Ｃの任意の成分が近接成分との関係で直線状である場合、その線分をがたつきや凹凸が低い成分と見なすことができる。一方、任意の線分が近接成分との関係で直線状でない場合、その線分をがたつきや凹凸が高い成分と見なすことができる。即ち、上記したがたつきや凹凸が高い成分を多く含む曲線Ｃは、それだけがたつき度合いが高いと判断することが可能となる。

そのため、スペクトル取得部４４は、輪郭データに含まれる各線分の相対的な位置関係を周期関数ｗとして表現し、この周期関数ｗに対して周波数解析を行なうことで、スペクトルを取得する。この周期関数ｗは、輪郭データで表現される曲線Ｃを、その周囲長を周期とする関数として表現するものである。

さらに、ステップＳ９では、特徴量取得部４５により、スペクトルから特徴量Ｂが取得される（図１（ｇ））。特徴量取得部４５は、得られたスペクトルより、特定周波数成分のスペクトルのみを取り出し、その偏差をもとに特徴量としている。

ステップＳ１０では、特徴量評価部４６により、特徴量Ａと特徴量Ｂの比較と、その比較結果をもとに特徴量Ｂの評価値が取得される（図１（ｈ））。比較は、プリンター１０を介して出力された評価画像を評価するために行なわれる。また、特徴量Ｂの評価は、特徴量Ａに対して特徴量Ｂがどれだけ大きくなっているかで評価値を決定する。

ステップＳ１１では、評価画像の良否判定が行なわれる（図１（ｉ））特徴量評価部４６で得られた特徴量Ｂの評価値をもとに評価画像の良否を判定する。本実施形態では、良否判定の基準は、予め特徴量Ｂの評価値と、主観評価実験によって得られた主観値との対応付けにより決定されたものである。そのため、この評価画像の良否判定結果において評価が高い評価画像を出力するプリンターは、それだけ性能が高いと見なすことができる。

そして、ステップＳ１２において、評価の対象となる全ての評価画像に対して評価が行なわれたと判定される（ステップＳ１２：ＹＥＳ）まで、上記処理が繰り返し実行される。例えば、評価用ベクトルデータが複数存在する場合、全ての評価用ベクトルデータに対して特徴量Ａが、全ての評価用ベクトルデータから形成される評価画像に対して特徴量Ｂが取得され、特徴量Ａ、Ｂの比較、評価が行なわれる。

以下に、検査装置１の一例としての実施例を説明する。

（２）輪郭データの抽出
まず、図３のステップＳ７で実行される輪郭データの抽出方法を説明する。図５は、輪郭抽出部４３の構成を説明する図である。また、図６は、ステップＳ７の処理を詳細に示すフローチャートである。そして、図７は、輪郭データの抽出を説明する図である。

図５に示すように、輪郭抽出部４３は、ＤＦＴＣ（Discrete Fourier Transform Converter）４３１と、ＶＴＦ（Visual Transfer Function）適用部４３２と、ＩＤＦＴＣ（Inverse Discrete Fourier Transform Converter）４３３と、二値化処理部４３４と、座標抽出部４３５と、を備える。

図６のステップＳ７１では、ＤＦＴＣ４３１は、評価用画像を構成する画素を空間周波数特性Ｆ（ｕ、ｖ）に変換する（以下、Ｆ（ｕ、ｖ）を空間周波数成分とも記載する。）。ＤＦＴＣ４３１は、下記式（１）に示される離散フーリエ変換を用いて、空間周波数特性Ｆ（ｕ，ｖ）を算出する。

ステップＳ７２では、ＶＴＦ適用部４３２は、各空間周波数成分に対して、視覚特性に応じた重み付けを行なう。人の視覚感度は空間周波数に依存して変化することが知られている。これを、視覚特性関数ＶＴＦ（ｕ，ｖ）としてグラフ化した場合、図７（ａ）に示すように、人の視覚感度は、所定の低周波数帯で最も高くなる。ＶＴＦ適用部４３２は、画素の空間周波数成分に対して視覚特性に応じた重み付けを行なう。ＶＴＦ適用部４３２により付与される重みは、視覚特性関数ＶＴＦ（ｕ、ｖ）により、０から１の間の値で設定される。そのため、例えば、図７（ａ）に示すように、視覚感度が高い周波数成分に対しては高い重みが付与される。なお、視覚感度を視覚特性関数ＶＴＦ（ｕ、ｖ）を用いて表すことは一例に過ぎない。例えば、視覚特性を近似した関数（例えば、コントラスト感度関数ＣＳＦ（Contrast Sensitivity Function））を用いてもよい。また、視覚特性は、Ｌ^*チャンネルのみならず、ａ^*、b^*チャンネルにフィルターを適用して用いてもよい。更に、Ｌ^*ａ^*ｂ^*の各チャンネルで異なるフィルターを適用して用いるものであってもよい。

ステップＳ７３では、ＩＤＦＴＣ４３３は、ステップＳ７２で重みが付与された空間周波数成分に対して逆フーリエ変換を行い、実空間上の値に変換する。例えば、ＩＤＦＴＣ４３３は、下記式（２）に示す逆離散フーリエ変換を用いて、空間周波数成分を実空間上の値に変換する。

ステップＳ７４では、二値化処理部４３４は、各画素に対して二値化処理を行なう。この二値化処理により、評価用画像は、明度Ｌ^*が閾値Ｒｘ以上の画素を「１」、明度Ｌ^*が閾値Ｒｘ以下の画素を「０」とする二値画像に変換される。図７（ｂ）は、一例としての２値化処理に用いられる閾値Ｒｘの設定方法を示す。本実施形態では、２値化処理に用いる閾値Ｒｘの設定方法として変動閾値法を用いる。そのため、閾値Ｒｘは、以下の式（３）をもとに設定される。

ここで、Ｒｘは、閾値、Ｌ^*ｍａｘは、明度の最大値、Ｌ^*ｍｉｎは、明度の最小値、ｘは、視覚特性に応じて設定される値である。

本実施形態では、ｘを６０％〜７０％に設定した。閾値Ｒｘの設定に人の視覚特性を反映させることで、得られる輪郭データを人の知覚に適合させたものとすることができる。即ち、視覚に影響を与えない成分を除去することが可能となる。

ステップＳ７５では、座標抽出部４３５により、二値化画像に対して輪郭データの成分（画素）が抽出される。具体的には、まず、座標抽出部４３５は、二値化画像に含まれる各評価画像をラベリング処理し、評価用画像から評価画像を分離する。次に、輪郭抽出部４３は、ラベリング処理された評価画像に対して輪郭抽出アルゴリズムを適用して、輪郭データを抽出する。

この輪郭抽出アルゴリズムでは、まず、所定評価画像を水平走査し、輪郭探索を行なう開始点（画素）を決定する。次に、この開始点を中心とした近傍を反時計周りで探索し、未探索の画素を探索する。本実施形態では、開始点の８近傍を探索した。そして、最初に探索された画素を次の開始点とする。また、探索された画素は輪郭データの成分としてその座標が記録される。さらに、全ての画素に対して上記処理を繰返す。そのため、座標抽出部４３５は、輪郭データの成分となる画素の座標（ｘ、ｙ）を取得することが可能となる。

（３）線分データ及び輪郭データのスペクトルの取得
次に、図３のステップＳ３及びステップＳ８において実行される線分データ及び輪郭データのスペクトル取得方法を説明する。図８は、スペクトル取得部４４のより詳細な構成を示すブロック構成図である。また、図９は、ステップＳ３及びステップＳ８の処理を詳細に示すフローチャートである。そして、図１０は、線分データ及び輪郭データのスペクトル取得を説明する図である。

図８に示すように、スペクトル取得部４４は、複素平面展開部４４１と、周期関数算出部４４２と、ＤＦＴＣ４４３と、を備える。

図９のステップＳ３１では、複素平面展開部４４１により、線分データ及び輪郭データの各成分の座標（ｘ、ｙ）が、複素平面上の座標ｚに変換される。複素平面は、実部（ｘｉ）と、虚部（ｙｉ）により規定される座標空間である。複素平面展開部４４１は、輪郭データの成分の座標（ｘ、ｙ）の内、ｘを実部（ｘｉ）とし、ｙを虚部（ｙｉ）として複素平面上の座標に変換する。

ステップＳ３２では、周期関数算出部４４２により、複素平面上の座標ｚの実部（ｘｉ）、虚部（ｙｉ）のそれぞれに対して、特徴を示す周期関数ｗが取得される。図１０（ａ）に示すように、曲線Ｃを折れ線近似して示す曲線を構成する点ｚ（ｊ）とｚ（ｊ＋１）との関係は、偏角θ（ｊ）を用いることで、複素数値関数である周期関数ｗ（ｊ）を用いて表すことができる。周期関数ｗ（ｊ）は、下記式（４）により示される。

δはｚ（ｊ）とｚ（ｊ＋１）との間の距離でありδ＝｜ｚ（ｊ＋１）−ｚ（ｊ）｜により算出される。ここで、上記式（４）を用いて得られる周期関数をＰ表現とも記載する。また、Ｐ表現をフーリエ変換して得られるものをＰ型フーリエ記述子ｃ（ｋ）とも記載する。

上記式（４）により、ｗ（ｊ）は、複素平面上の成分（ｊ＝１、…ｎ）をサンプル点とする周期関数ｗ（ｊ）として示すことができる。また、上記式（４）から展開された下記式（５）により、曲線Ｃの成分ｚ（ｊ）を周期関数ｗ（ｒ）を用いて表すこともできる。

即ち、曲線Ｃは、周期関数ｗ（ｊ）により表すことができ、両者は１対１の関係を有する。これを、図１０（ｂ）（ｃ）を用いて説明する。図１０（ｂ）は、複素平面上に展開された曲線Ｃの実部（ｘｉ）の変化量の推移を示し、図１０（ｃ）は、この実部（ｘｉ）の周期関数ｗ（ｊ）の変化量の推移を示す。なお、図１０（ｂ）は、縦軸を実部（ｘｉ）の座標（ｘｉ）とし、横軸を画素数としている。また、図１０（ｃ）は、縦軸を変化量とし、横軸を画素数とする。本実施形態では、解析対象がデジタル画像であるため、画素間の距離は最大で１となる。そのため、変化量（縦軸）は−１から１となる。図１０（ｂ）（ｃ）に示すように、実部（ｘｉ）のがたつきが多い領域では、周期関数ｗ（ｊ）でも変動が大きい。このことは、周期関数ｗ（ｊ）に対する周波数解析により、曲線Ｃの解析が可能であることを示す。

ここで、評価用ベクトルデータから形成した線分データ、及び輪郭データの成分を例えば８近傍の探索により取得した場合、以下のような修正を行なう必要がある。今、線分データ及び８近傍により探索された輪郭データの成分をｚ（ｊ’）とする。この場合、各成分ｚ（ｊ’）における複素平面上の距離δは常に一定の値とならない。このことはサンプリング間隔が一定ではないことを意味する。そのため、偏角θの値を満たしつつ、サンプリング間隔が一定となるｚ（ｊ）を、ｚ（ｊ’）に基づいて再検索し、この求めたｚ（ｊ）により、周期関数ｗ（ｊ）を近似する。無論、輪郭データについては、成分を４近傍探索により探索する場合は、複素平面上の距離δ＝１で一定となるため、上記式（４）をそのまま適用して周期関数ｗ（ｊ）を用いることができる。

ステップＳ３３では、ＤＦＴＣ４４３により、周期関数ｗの実部（ｘｉ）及び虚部（ｙｉ）のそれぞれのフーリエ記述子ｃ（ｋ）（ｋ＝０、…ｎ−１）が取得される。具体的には、ＤＦＴＣ４４３は、下記式（６）により示されるように、周期関数ｗ（ｊ）に対して離散フーリエ変換を行い、スペクトルであるフーリエ記述子ｃ（ｋ）を取得する。

（４）スペクトルから特徴量Ａ及び特徴量Ｂの取得
さらに、図３のステップＳ４及びステップＳ９において実行されるスペクトルからの特徴量Ａ及び特徴量Ｂの取得方法を説明する。
図１１は、特徴量取得部４５のより詳細な構成を示すブロック構成図である。また、図１２は、ステップＳ４及びステップＳ９の処理を詳細に示すフローチャートである。そして、図１３は、特徴量Ａ及び特徴量Ｂの取得を説明する図である。

図１１に示すように、特徴量取得部４５は、バンドパスフィルター４５１と、ＩＤＦＴＣ４５２と、特徴量算出部４５３と、を備える。

図１２のステップＳ４１では、バンドパスフィルター４５１により、スペクトルであるフーリエ記述子ｃ（ｋ）（Ｐ型フーリエ記述子）の特定周波数成分が抽出される。図１０（ｄ）は、周期関数ｗ（ｊ）におけるフーリエ記述子ｃ（ｋ）を示す。図１０（ｄ）に示す図では、横軸を周波数とし、縦軸を周波数成分（ｃ（ｋ））としている。

本実施形態では、高周波成分の内、人の視覚特性の感度が高い特定周波数成分を用いてスペクトルより特徴量Ａ、Ｂを抽出している。ここで、人の視覚特性の感度が高い周波数成分として、例えば、（−２〜−１２ｃｙｃｌｅ／ｍｍ、２〜１２ｃｙｃｌｅ／ｍｍ）をバンドパスフィルター４５１により抽出することとした。

図１０（ｄ）に示すように、フーリエ記述子ｃ（ｋ）の低周波成分（例えば、−２．０〜２．０ｃｙｃｌｅ／ｍｍ）は、曲線Ｃの概形を示し、高周波成分（例えば、−２．５ｃｙｃｌｅ／ｍｍ以下、２．５ｃｙｃｌｅ／ｍｍ以上）は細部を示している。そのため、バンドパスフィルター４５１により抽出される周波数成分は、人の知覚特性の感度が高く、且つ、がたつき度合いの影響を受けやすい周波数成分である。

ステップＳ４２では、ＩＤＦＴＣ４５２により、ステップＳ４１で抽出された特定周波数成分に対して逆離散フーリエ変換が行なわれる。この逆離散フーリエ変換により、曲線Ｃの実部（ｘｉ）及び虚部（ｙｉ）における特定周波数成分に対応したスペクトル変化が取得される。

図１３は、スペクトル変化を示す波形図である。図１３から比較されるように、図１３（ｂ）に示す実部（ｘｉ）と虚部（ｙｉ）のスペクトル変化が、図１３（ａ）に比べて大きくなっている。即ち、図１３（ｂ）に示さされるスペクトルが図１３（ａ）に示されるスペクトルに比べて変動が大きいことが解る。

そのため、ステップＳ４３では、上記した各スペクトルの変化を定量的に示すために、特徴量算出部４５３により、実部（ｘｉ）と虚部（ｙｉ）のそれぞれのスペクトルの標準偏差std（x'（t））、std（y'（t））が取得される。例えば、実部（ｘｉ）における標準偏差は、下記式（７）を用いて算出される。

ここで、ｌは、ステップＳ４２で取得されたスペクトルを識別する値（ｌ＝１ … ｎ’）、ｓ（ｌ）は、スペクトルの値、ａｖ（ｓ）は、スペクトルの平均値、を示す。

そして、ステップＳ４４では、特徴量算出部４５３により、ステップＳ４３で取得された標準偏差（std（x'（t））、std（y'（t）））をもとに、特徴量Ａ又は特徴量Ｂが算出される。特徴量Ａは、評価画像の元となるベクトルデータの特徴を示すもので、特徴量Ｂは、評価画像より取得される輪郭データのがたつき度合いや、凹凸度合いを示す。具体的には、特徴量Ａ（Feat_A）又は特徴量Ｂ（Feat_B）は、下記式（８）を用いて算出される。

特徴量算出の手法に、特定周波数成分に対応したスペクトルの標準偏差を用いることで、より簡単に特徴量を表現することが可能となる。

（５）特徴量Ａと特徴量Ｂの比較による評価値取得
以下、図３のステップＳ１０において実行される特徴量Ａと特徴量Ｂの比較による評価値取得方法を説明する。

評価値は、特徴量評価部４６により特徴量Ａと特徴量Ｂを比較することで算出される。例えば、評価値ＥＶは、上記式（８）で算出された、Feat_AとFeat_Bをもとに下記式（９）により求められる。本実施形態では、評価画像群に含まれる全ての評価画像に対して評価値ＥＶが算出される。

特徴量Ａは、評価画像形成に用いられる基データとなる、評価用ベクトルデータから得られるものであるため、ノイズのない理想な形状を表す特徴量となる。それに対して、特徴量Ｂは、画像形成（プリンター１０）を介しているため、ノイズが付加された特徴量となる。即ち、上記式（９）で算出される評価値ＥＶは、ノイズ付加された特徴量から理想形状の特徴量を除去することで、ノイズのみを評価していることとなる。

（６）評価値を用いた評価画像の評価
以下、図３のステップＳ１１において実行される評価値ＥＶを用いた評価画像の評価方法を説明する。

評価値ＥＶを用いた評価画像の評価は、特徴量評価部４６により行なわれる。例えば、特徴量評価部４６は、評価値ＥＶが所定の規格値に収まるか否かで評価を行なう。また、評価結果は、評価画像毎に提示するものであってもよいし、１つでも評価が低い評価画像が存在する場合を低評価としてもよい。更に、あるカテゴリーに分けて（例えば、評価画像が文字である場合は文字サイズ毎でカテゴリー分け）評価値を平均し、平均化された評価値により評価を行なうものであってもよい。

以上説明したように、本発明によれば、人の視覚特性を考慮して評価画像の検査を行なうことができるため、必要な品質は保持しつつ、検査に要する処理や装置を簡素化することができる。

（７）その他の実施形態
検査装置１をプリンター１０、スキャナー２０、ＰＣ３０により構成することは一例にすぎない。例えば、プリンター１０単体で、本発明の検査装置１の機能を実現するものであってもよい。更に、検査装置１は、ＬＣＤ（liquid crystal display）に表示される画像を検査するものであってもよいし、プロジェクターに投影される画像を検査するものであってもよい。この場合、例えば、ＬＣＤ又はプロジェクターにより評価用画像を表示し、デジタルカメラ等の撮像装置により表示された画像を撮像する。次に、検査装置１が撮像により得られた撮像画像を評価用画像として撮像装置から取得する。そして、検査装置１は、この評価用画像に対して本発明の処理を行なえばよい。

また、検査装置１にデータベースを加えた構成にしてもよい。この場合、例えば、図３のステップＳ４で取得された特徴量Ａをデータベース（特徴量データベース）に登録する。次に、検査対象が変更された場合に、ステップＳ２の前段にて、評価用ベクトルデータが既にデータベースに登録されているかを確認する。登録されていなければ、通常通りステップＳ２から処理を行ない、特徴量Ａを取得する。登録が確認できれば、ステップＳ２〜ステップＳ４を省略して、本発明の処理を行なえばよい。

さらに、評価値ＥＶをデータベースに登録する構成にしてもよい。この場合、例えば、ステップＳ１０までは、本発明の処理を行ない、ステップＳ１１で取得された評価値ＥＶをデータベース（評価データベース）に登録するような構成とする。このデータベースは、検査時以外でも参照できるような構成としてもよい。

輪郭データの抽出において、輪郭抽出アルゴリズムを適用して輪郭データを抽出することは一例にすぎない。例えば、公知のラスターデータ（画素の集合）からベクトルデータへの変換アルゴリズムを行なうものであってもよい。

線分データ及び輪郭データのスペクトル取得において、スペクトルをＰ表現に基づいて取得することは一例にすぎない。他の表現（Ｇ表現）や、その他の近似関数をもとに、周波数解析を行なうものであってもよい。

周波数解析において、フーリエ解析を用いることは一例である。例えば、ウェーブレット解析により周波数を解析するものであってもよい。

二値化処理において、視覚特性を適用することは一例にすぎない。例えば、通常の２値化処理のみで、輪郭データを抽出してもよい。更には、輪郭データの抽出を多値化処理により行なうものであってもよい。

なお、本発明は上記実施例に限られるものでないことは言うまでもない。
即ち、上記実施例の中で開示した相互に置換可能な部材及び構成等を適宜その組み合わせを変更して適用してもよい。
公知技術であって上記実施例の中で開示した部材及び構成等と相互に置換可能な部材及び構成等を適宜置換し、またその組み合わせを変更して適用してもよい。
公知技術等に基づいて当業者が上記実施例の中で開示した部材及び構成等の代用として想定し得る部材及び構成等と適宜置換し、またその組み合わせを変更して適用してもよい。

１…検査装置、１０…プリンター、２０…スキャナー、３０…パーソナルコンピューター（ＰＣ）、３１…コントローラー、３２，３３…ＩＦ、３４…キーボード、３５…外部メモリー、３６…ディスプレイ、４１…色変換部、４２…線分データ形成部、４３…輪郭抽出部、４４…スペクトル取得部、４５…特徴量取得部、４６…特徴量評価部、４３１…ＤＦＴＣ、４３２…ＶＴＦ適用部、４３３…ＩＤＦＴＣ、４３４…二値化処理部、４３５…座標抽出部、４４１…複素平面展開部、４４２…周期関数算出部、４４３…ＤＦＴＣ、４５１…バンドパスフィルター、４５２…ＩＤＦＴＣ、４５３…特徴量算出部。

Claims (6)

1. 評価用画像の品質を評価する検査装置であって、
   前記評価用画像を形成する際に用いるベクトルデータから特徴量Ａを計算する手段と、
   前記評価用画像に含まれる評価画像を形成する手段と、
   前記形成された評価画像を取得する手段と、
   前記取得された評価画像に含まれる輪郭を示す輪郭データを抽出する手段と、
   前記抽出された輪郭データから特徴量Ｂを計算する手段と、
   前記特徴量Ａと前記特徴量Ｂを、人の視覚特性の感度が高い周波数帯域におけるスペクトルに基づいて比較して、前期評価画像の品質を検査する手段と、を有する検査装置。
2. 請求項１に記載の検査装置において、前記特徴量Ａを計算する手段は、前記ベクトルデータから線分データを形成し、前記線分データを形成する各成分の相対的な位置関係を所定の周期関数で示し、前記周期関数に対して周波数解析を行なうことを特徴とした検査装置。
3. 請求項１又は請求項２に記載の検査装置において、前記特徴量Ｂを計算する手段は、前記輪郭データを形成する各成分の相対的な位置関係を所定の周期関数で示し、前記周期関数に対して周波数解析を行なうことを特徴とした検査装置。
4. 請求項１から請求項３に記載の検査装置において、さらに、前記特徴量Ａを特徴量データベースに保持する手段を有する検査装置。
5. 請求項１から請求項４に記載の検査装置において、さらに、前記特徴量Ａと前記特徴量Ｂを比較した結果を、評価データベースに保持する手段を有する検査装置。
6. 評価用画像の品質を評価する検査方法であって、
   前記評価用画像を形成する際に用いるベクトルデータから特徴量Ａを計算する工程と、
   前記評価用画像に含まれる評価画像を形成する工程と、
   前記形成された評価画像を取得する工程と、
   前記取得された評価画像に含まれる輪郭を示す輪郭データを抽出する工程と、
   前記抽出された輪郭データから特徴量Ｂを計算する工程と、
   前記特徴量Ａと前記特徴量Ｂを、人の視覚特性の感度が高い周波数帯域におけるスペクトルに基づいて比較して、前期評価画像の品質を検査する工程と、を有する検査方法。

Images