JP2016021880A - 抗菌効果判定システム、抗菌効果判定方法及び抗菌効果判定プログラム - Google Patents

Abstract

【課題】抗菌剤の抗菌効果について、簡易かつ安価な構成で、自動的、定量的かつ迅速に人間の目視による判別と同等な判定をする。【解決手段】 開示される抗菌効果判定システム１は領域判定部１と効果判定部２を具備する。領域判定部１は、局所平均画像と局所分散画像とを観測画像から抽出し、第１の事前確率と、局所平均画像及び局所分散画像とに基づいて、観測画像の画素ごとに、抗菌剤の抗菌効果を判定するための有効領域と無効領域とをベイズ推定によって判定して二値画像を出力する。効果判定部２は、二値画像をブロブ解析して有効領域を連結した最大面積を有するブロブを形成し、ブロブの観測画像における占有率と、ブロブの離心率とを求め、第２の事前確率と、占有率及び離心率とに基づいて、観測画像の有効領域の形状をベイズ推定によって判定する。【選択図】 図１

Description

本発明は、構造物等に係わる細菌の活動を抑制又は死滅させる働きを有する抗菌剤の抗菌効果を判定する抗菌効果判定システム、抗菌効果判定方法及び抗菌効果判定プログラムに関する。

従来、日本工業標準調査会（ＪＩＳ）は、プラスチック製品、金属製品、セラミックス製品など抗菌加工を施した製品の表面における細菌に対する抗菌性試験方法及び抗菌効果について規定している（例えば、非特許文献１参照。）。以下、この方法を第１の従来例と呼ぶ。

さらに、ＪＩＳは、抗菌加工を施した繊維製品の細菌に対する抗菌性を評価する試験方法、抗菌効果及び表示について規定している（例えば、非特許文献２参照。）。以下、この方法を第２の従来例と呼ぶ。この第２の従来例のハローテストでは、シャーレ内に形成された寒天平板培地表面に試験菌の菌液を均一に塗抹した後、この寒天平板培地の表面にディスク状の試験片を静置する。試験片は抗菌防臭加工試料又は制菌加工試料からなる。次に、寒天平板培地の表面に試験片が静置されたシャーレを所定温度温度下で所定時間保持し、試験菌を培養する。試験菌が培養されたシャーレについて、試験片によって試験菌の発育が阻止された領域（発育阻止帯）の大きさを観察者が目視で判定する。

また、薬剤の感受性について吸光度測定により最短３時間で行うことができる全自動微生物検査装置が販売されている（例えば、非特許文献３参照。）。以下、この技術を第３の従来例と呼ぶ。

ＪＩＳＺ２８０１：２０１２「抗菌加工製品−抗菌性試験方法・抗菌効果」 ＪＩＳＬ１９０２：２００８「繊維製品の抗菌性試験方法及び抗菌効果」 『ライサスエニー「ニッスイ」（登録商標）』、［online］、［平成２６年２月１８日検索］、インターネット〈URL：http://www.nissui-pharm.co.jp/diagnostics/raisus.html〉

第１及び第２の従来例は、観察者による目視判定であるため、判定結果が客観性に乏しく、観察者の個人差や熟練度に大きく左右され、ヒューマンエラーを引き起こす原因にもなるという問題がある。また、抗菌剤の抗菌効果を精度良く判定するためには、通常、多くのサンプルを必要としている。しかし、第１及び第２の従来例では、大量のサンプルを観察者が目視判定するため、膨大な労力と時間が必要となる。さらに、第２の従来例のハローテストでは、シャーレの発育阻止帯の大きさを観察者が目視で判定しているが、定性的であるとともに、試験片自体による試験菌の阻止であるのか、試験片から遊離した物質（例えば、リン）による試験菌の阻止であるのかを正確に判定するには観察者に熟練度が要求される。

第３の従来例では、自動化されてはいるものの、高価な酸化還元系発色試薬や装置が必要である。

本発明は、上述した事情に鑑みてなされたものであり、上述のような問題を解決することを課題の一例とするものであり、これらの課題を解決することができる抗菌効果判定システム、抗菌効果判定方法及び抗菌効果判定プログラム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、請求項１に記載の発明は、細菌が塗抹された培地表面に抗菌剤を静置し、前記細菌を培養した後の前記培地表面を撮影した画像に基づいて前記抗菌剤の抗菌効果を判定する抗菌効果判定システムに係り、前記画像の局所領域の明るさの特徴量である局所平均画像と、前記画像の局所的平坦度の特徴量である局所分散画像とを前記画像から抽出する特徴抽出部と、第１の事前確率と、前記局所平均画像及び前記局所分散画像とに基づいて、前記画像の画素ごとに、前記抗菌剤の抗菌効果を判定するために有効な有効領域と無効な無効領域とをベイズ推定によって判定し、前記有効領域と前記無効領域とからなる二値画像を出力する第１のベイズ判定部とを有する領域判定部と、前記二値画像をブロブ解析して前記有効領域を連結した最大面積を有するブロブを形成し、前記ブロブの前記画像における占有率と、前記ブロブの離心率とを求めるブロブ解析部と、第２の事前確率と、前記占有率及び前記離心率とに基づいて、前記画像の有効領域の形状をベイズ推定によって判定する第２のベイズ判定部とを有する効果判定部とを具備することを特徴としている。

また、請求項２に記載の発明は、請求項１に記載の抗菌効果判定システムに係り、前記特徴抽出部は、前記画像を離散ハール・ウェーブレット変換する離散ハール・ウェーブレット変換部と、前記離散ハール・ウェーブレット変換部の出力低周波画像を離散ハール・ウェーブレット逆変換して前記局所平均画像を出力する離散ハール・ウェーブレット逆変換部と、前記画像から前記離散ハール・ウェーブレット逆変換部の出力画像を減算する減算部と、前記減算部の出力画像を２乗する２乗部と、前記２乗部の出力画像の局所的な平均値を算出して前記局所分散画像を出力する平均フィルタとを含むことを特徴としている。

また、請求項３に記載の発明は、請求項１又は２に記載の抗菌効果判定システムに係り、前記第１の事前確率は、前記画像内の中心座標点でピーク値を有する二次元ガウス関数でモデル化していることを特徴としている。

また、請求項４に記載の発明は、細菌が塗抹された培地表面に抗菌剤を静置し、前記細菌を培養した後の前記培地表面を撮影した画像に基づいて前記抗菌剤の抗菌効果を判定する抗菌効果判定方法に係り、前記画像の局所領域の明るさの特徴量である局所平均画像と、前記画像の局所的平坦度の特徴量である局所分散画像とを前記画像から抽出する第１のステップと、第１の事前確率と、前記局所平均画像及び前記局所分散画像とに基づいて、前記画像の画素ごとに、前記抗菌剤の抗菌効果を判定するために有効な有効領域と無効な無効領域とをベイズ推定によって判定し、前記有効領域と前記無効領域とからなる二値画像を出力する第２のステップと、前記二値画像をブロブ解析して前記有効領域を連結した最大面積を有するブロブを形成し、前記ブロブの前記画像における占有率と、前記ブロブの離心率とを求める第３のステップと、第２の事前確率と、前記占有率及び前記離心率とに基づいて、前記画像の有効領域の形状をベイズ推定によって判定する第４のステップとを有することを特徴としている。

また、請求項５に記載の発明は、請求項４に記載の抗菌効果判定方法に係り、前記第１のステップは、前記画像を離散ハール・ウェーブレット変換する第１のサブステップと、前記離散ハール・ウェーブレット変換された低周波画像を離散ハール・ウェーブレット逆変換して前記局所平均画像を出力する第２のサブステップと、前記画像から前記離散ハール・ウェーブレット逆変換された画像を減算する第３のサブステップと、前記減算結果の画像を２乗する第４のサブステップと、前記２乗された画像の局所的な平均値を算出して前記局所分散画像を出力する第５のサブステップとを含むことを特徴としている。

また、請求項６に記載の発明は、請求項４又は５に記載の抗菌効果判定方法に係り、前記第１の事前確率は、前記画像内の中心座標点でピーク値を有する二次元ガウス関数でモデル化していることを特徴としている。

また、請求項７に記載の発明は、細菌が塗抹された培地表面に抗菌剤を静置し、前記細菌を培養した後の前記培地表面を撮影した画像に基づいて前記抗菌剤の抗菌効果を判定する抗菌効果判定プログラムに係り、前記画像の局所領域の明るさの特徴量である局所平均画像と、前記画像の局所的平坦度の特徴量である局所分散画像とを前記画像から抽出する第１のステップと、第１の事前確率と、前記局所平均画像及び前記局所分散画像とに基づいて、前記画像の画素ごとに、前記抗菌剤の抗菌効果を判定するために有効な有効領域と無効な無効領域とをベイズ推定によって判定し、前記有効領域と前記無効領域とからなる二値画像を出力する第２のステップと、前記二値画像をブロブ解析して前記有効領域を連結した最大面積を有するブロブを形成し、前記ブロブの前記画像における占有率と、前記ブロブの離心率とを求める第３のステップと、第２の事前確率と、前記占有率及び前記離心率とに基づいて、前記画像の有効領域の形状をベイズ推定によって判定する第４のステップとをコンピュータに実行させることを特徴としている。

また、請求項８に記載の発明は、請求項７に記載の抗菌効果判定プログラムに係り、前記第１のステップは、前記画像を離散ハール・ウェーブレット変換する第１のサブステップと、前記離散ハール・ウェーブレット変換された低周波画像を離散ハール・ウェーブレット逆変換して前記局所平均画像を出力する第２のサブステップと、前記画像から前記離散ハール・ウェーブレット逆変換された画像を減算する第３のサブステップと、前記減算結果の画像を２乗する第４のサブステップと、前記２乗された画像の局所的な平均値を算出して前記局所分散画像を出力する第５のサブステップとを含むことを特徴としている。

また、請求項９に記載の発明は、請求項７又は８に記載の抗菌効果判定プログラムに係り、前記第１の事前確率は、前記画像内の中心座標点でピーク値を有する二次元ガウス関数でモデル化していることを特徴としている。

本発明によれば、抗菌剤の抗菌効果を、高価な試薬や装置を用いることなく、簡易かつ安価な構成で、自動的、定量的かつ迅速に人間の目視による判別と同等な判定をすることができる。これにより、抗菌剤の開発を効率化することができる。

本発明の第１の実施形態に係る抗菌効果判定システムの構成を示すブロック図である。 図１の領域判定部の構成を示すブロック図である。 図２の特徴抽出部の構成を示すブロック図である。 図１の効果判定部の構成を示すブロック図である。 領域判定部における学習フェーズを説明するためのブロック図である。 教師データの一例を示す図である。 観測画像の一例を示す図である。 局所平均画像μ_ｘに対する局所分散画像σ_ｘ ^２の散布の一例、局所平均画像μ_ｘの分布の一例及び、局所分散画像σ_ｘ ^２の分布の一例を示す図である。 局所平均画像μ_ｘの一例を示す図である。 局所分散画像σ_ｘ ^２の一例を示す図である。 事前確率Ｐ_１（ｐ）の一例を示す図である。 尤度関数Β_０（μ_０）Γ_０（σ_ｘ ^２）の一例を示す図である。 領域判定結果の一例を示す図である。 効果判定部における学習フェーズを説明するためのブロック図である。 複数枚の観測画像における占有率ａ_ｘに対する離心率ｅ_ｘの散布の一例、占有率（面積）ａ_ｘの分布の一例、離心率ｅ_ｘの分布の一例を示す図である。 尤度関数Β_ａ１（ａ_ｘ）Β_ｅ１（ｅ_ｘ）の一例を示す図である。 効果判定結果が良好と判定された例における観測画像の一例を示す図である。 効果判定結果が良好と判定された例における領域判定効果の一例を示す図である。 効果判定結果が効果ありと判定された例における観測画像の一例を示す図である。 効果判定結果が効果ありと判定された例における領域判定効果の一例を示す図である。 効果判定結果が効果なしと判定された例における観測画像の一例を示す図である。 効果判定結果が効果なしと判定された例における領域判定効果の一例を示す図である。 同一サンプルに対する専門家の目視による効果判定結果と、本第１の実施の形態に係る抗菌効果判定システムの効果判定結果とを対応させた一例を示す図である。 本発明の第２の実施形態に係る抗菌効果判定システムの構成を示すブロック図である。 図２４の抗菌効果判定システムが実行する処理を示すフローチャートである。

第１の実施形態
以下、本発明の第１の実施形態について図面を参照して説明する。図１は、本発明の第１の実施形態に係る抗菌効果判定システム１の構成を示すブロック図である。抗菌効果判定システム１は、領域判定部２と、効果判定部３とから構成されている。領域判定部２は、観測画像から抗菌剤の抗菌効果を判定するために有効な領域と無効な領域を判定し、領域判定結果を効果判定部３に供給する。効果判定部３は、領域判定部２から供給される領域判定結果に基づいて、抗菌剤の抗菌効果を判定し、効果判定結果を出力する。

ここで、観測画像の作製方法の一例について説明する。まず、シャーレ内に形成された寒天平板培地表面に試験菌の菌液を均一に塗抹した後、この寒天平板培地の表面に試験片を静置する。次に、寒天平板培地の表面に試験片が静置されたシャーレを、例えば、３７℃の温度下で４０〜４８時間保持し、試験菌を培養する。そして、試験菌が培養されたシャーレを、例えば、デジタルカメラで撮影して観測画像を得る。

寒天平板培地は、例えば、以下の手順で作製する。まず、例えば、精製水１，０００ｍｌ、肉エキス５．０ｇ、ペプトン１０．０ｇ、塩化ナトリウム５．０ｇ及び寒天粉末１５．０ｇをフラスコに投入して混合する。次に、フラスコを沸騰する水浴中で加熱して精製水と各材料が混合された内容物を十分に溶解した後、ｐＨ７．０±０．２（２５℃）になるように０．１ｍｏｌ／ｌ水酸化ナトリウム溶液で調製する。次に、このフラスコを綿等の培養栓で栓をして高圧蒸気殺菌した後、シャーレに投入して完全に固形化する。

試験菌は、本実施の形態では、大腸菌（Escherichia coli：ＮＢＲＣ３９７２）を用いている。試験片は、本実施の形態では、抗菌剤をすり潰し、網目サイズ１２５μｍの篩にかけた後、直径１３ｍｍ、厚さ２〜３ｍｍのディスク状に成形したものを用いている。抗菌剤としては、例えば、特許第５２８２２７９号公報に記載された抗菌剤や、特許第５３５８７７０号公報に記載された製造方法で作製された抗菌剤を用いても良い。

次に、領域判定部２の構成について、図２を参照して説明する。領域判定部２は、特徴抽出部２１と、ベイズ判定部２２とから構成されている。特徴抽出部２１は、観測画像の特徴を抽出するために、観測画像の局所領域の明るさの特徴量として局所平均画像μ_ｘを、観測画像の局所的平坦度の特徴量として局所分散画像σ_ｘ ^２をそれぞれ抽出する。

ベイズ判定部２２は、事前確率Ｐ_ｋ（ｐ）と、特徴抽出部２１から供給される局所平均画像μ_ｘ及び局所分散画像σ_ｘ ^２とに基づいて、観測画像の画素ごとに、抗菌剤の抗菌効果を判定するために有効な領域と無効な領域とをベイズ推定によって判定し、領域判定結果を出力する。本実施の形態では、領域判定結果は、有効領域を白、無効領域を黒とした二値画像として出力される。

ここで、ベイズ推定による判定について説明する。排反的な事象Ｈ_１と事象Ｈ_２があり、Ａを任意の事象としたとき、事象Ａが発生したときにそれが事象Ｈ_１である事後確率Ｐ（Ｈ_１|Ａ）及び、事象Ａが発生したときにそれが事象Ｈ_２である事後確率Ｐ（Ｈ_２|Ａ）は、ベイズの定理により、それぞれ式（１）及び式（２）で表わされる。

式（１）及び式（２）において、Ｐ（Ｈ_１）は事象Ｈ_１が発生する事前確率、Ｐ（Ｈ_２）は事象Ｈ_２が発生する事前確率、Ｐ（Ａ|Ｈ_１）及びＰ（Ａ|Ｈ_２）は尤度関数である。

事後確率Ｐ（Ｈ_１|Ａ）と事後確率Ｐ（Ｈ_２|Ａ）との比は、式（３）で表わされる。式（３）が１より大きければ、事象Ｈ_１が発生したと判定することができる。

ベイズ判定部２２では、事象Ｈ_１は抗菌剤の抗菌効果を判定するために有効な領域、事象Ｈ_２は抗菌剤の抗菌効果を判定するために無効な領域とする。一方、事象Ａは観測画像から選択した画素の座標、局所平均値、局所分散値の組合せとする。また、事前確率Ｐ（Ｈ_１）は事象Ａが有効領域である事前確率Ｐ_１（ｐ）、事前確率Ｐ（Ｈ_２）は事象Ａが無効領域である事前確率Ｐ_０（ｐ）とする。事前確率Ｐ_１（ｐ）及びＰ_０（ｐ）において、変数ｐは観測画像内の座標を示す二次元ベクトルを意味している。なお、後述するように、尤度関数Ｐ（Ａ|Ｈ_１）はΒ_１（μ_１）Γ_１（σ_ｘ ^２）、尤度関数Ｐ（Ａ|Ｈ_２）はΒ_０（μ_０）Γ_０（σ_ｘ ^２）である。式（３）が１より大きければ、当該座標ｐの画素を有効領域と判定することになる。

本実施の形態では、有効領域となる確率は、観測画像内の中心座標点でピーク値をとり、座標ｐが中心座標点から離れるに従って低くなるという主観に基づく予測を行っている。この予測に従って、事前確率Ｐ_１（ｐ）は、観測画像内の中心座標点でピーク値を有する二次元ガウス関数でモデル化している。本実施の形態では、観測画像内の中心座標点での事前確率Ｐ_１（ｐ）の値を０．８に設定している。上記位置座標を考慮した主観に基づく予測を取り入れることにより、画素の値のみから算出する場合と比較して、抗菌剤の抗菌効果を判定するために有効な領域と無効な領域との判定精度を向上させることができる。

次に、特徴抽出部２１の構成について、図３を参照して説明する。特徴抽出部２１は、グレースケール化部３１と、ヒストグラム均等化部３２と、離散ハール・ウェーブレット変換部３３と、離散ハール・ウェーブレット逆変換部３４と、減算部３５と、２乗部３６と、平均フィルタ３７とから構成されている。

グレースケール化部３１は、観測画像をグレースケール化してヒストグラム均等化部３２に供給する。なお、このグレースケール化では、観測画像を構成する数値データを実数表現（本実施の形態では、倍精度）に変換し、輝度値を０〜１に正規化している。

ここで、本実施の形態において想定している観測画像のデータフォーマットについて説明する。グレースケール化部３１は、本実施の形態では、観測画像を標準的な２５６階調（８ビット）でグレースケール化しているため、観測画像の形式はこのグレースケール化ができるものであれば、ＢＭＰ、ＪＰＥＧ、ＧＩＦ、ＴＩＦ、ＰＮＧなど、どのようなものでも良い。

次に、観測画像のサイズは、試験菌が培養され、試験片が静置されたシャーレの大部分が画面に収まり、統一された倍率で撮影されていればどのようなサイズでも良い。さらに、観測画像の解像度は、上記シャーレを撮影した部分の解像度が縦１０００画素、横１０００画素以上であることが好ましい。また、観測画像の階調数は、グレースケール化部３１で観測画像を２５６階調（８ビット）でグレースケール化しているため、２５６階調（８ビット）と同程度以上であることが好ましい。

グレースケール化部３１におけるグレースケール化の手法は、特に限定されず、単純平均化法、中間値法、Ｇチャンネル法、ＮＴＳＣ係数による加重平均法、ＨＤＴＶ係数による加重平均と補正法のいずれでも良いが、いずれの観測画像においても統一されていることが必要である。本実施の形態では、観測画像の形式がＪＰＥＧである場合、ＮＴＳＣ係数による加重平均法を用いている。

ヒストグラム均等化部３２は、グレースケール化部３１でグレースケール化された画像について、画素数の多い濃度値の範囲で濃度値の間隔を細かくし、画素数の少ない範囲では間隔を荒くすることにより、コントラストを調整した後、離散ハール・ウェーブレット変換部３３に供給する。

このヒストグラム均等化部３２は、デジタルカメラの被写体である試験菌が培養され、試験片が静置されたシャーレに照射される照明の強さの違いに応じて、特徴量、すなわち、局所平均画像μ_ｘ及び局所分散画像σ_ｘ ^２がバラつくことを抑制するために用いるものである。したがって、観測画像が一定の照明の強さで撮影される場合には、ヒストグラム均等化を省略しても良い。

離散ハール・ウェーブレット変換部３３は、ヒストグラム均等化部３２から供給される画像データに対して低周波離散ハール・ウェーブレット変換を行った後、離散ハール・ウェーブレット逆変換部３４に供給する。ヒストグラム均等化部３２の出力画像データを低周波離散ハール・ウェーブレット変換することにより、画像データは、局所的に平坦なサブバンド成分（ＬＬ）とそれ以外のサブバンド成分（ＬＨ、ＨＬ、ＨＨ）に分けられる。

ここで、離散ハール・ウェーブレット変換について説明する。まず、ヒストグラム均等化部３２から供給される画像データの配列をＸとし、この配列Ｘの二次元Ｚ変換をＸ（ｚ_ｘ，ｚ_ｙ）とする。二次元Ｚ変換Ｘ（ｚ_ｘ，ｚ_ｙ）に対して、式（４）で表される二次元伝達関数Ｈ（ｚ_ｘ，ｚ_ｙ）による線形低域フィルタリング処理と、二次元間引き処理（ダウンサンプリング処理）とを順次施した結果を式（５）で表す。二次元間引き処理では、水平方向の間引き率及び垂直方向の間引き率をいずれも２とする。

これ以降、上記線形低域フィルタリング処理と二次元間引き処理とを（ｍ−１）回繰り返し、得られた結果を式（６）で表す。なお、繰返し回数ｍは任意の回数を選択することができる。本実施の形態では、繰返し回数ｍは経験的に３回と設定している。

離散ハール・ウェーブレット逆変換部３４は、離散ハール・ウェーブレット変換部３３から供給される低周波画像データに対して離散ハール・ウェーブレット逆変換を行う。離散ハール・ウェーブレット変換部３３の出力画像データは、局所的に平坦なサブバンド成分（ＬＬ）だけであるので、このサブバンド成分（ＬＬ）を離散ハール・ウェーブレット逆変換して得られる画像データは、観測画像の明るさの局所的な平均値を表すものとなる。したがって、離散ハール・ウェーブレット逆変換部３４の出力画像データは、局所平均画像μ_ｘとして、観測画像を構成する各画素の局所領域の明るさの特徴量として利用することができる。

ここで、離散ハール・ウェーブレット逆変換について説明する。式（６）で表されるＹ^｛ｍ｝（ｚ_ｘ，ｚ_ｙ）に対して、二次元零値挿入処理（アップサンプリング処理）と、線形低域フィルタリング処理とを順次施した結果を式（７）で表す。二次元零値挿入処理では、水平方向の補間率及び垂直方向の補間率をいずれも２とする。

これ以降、上記二次元零値挿入処理及び線形フィルタリング処理を（ｍ−１）回繰り返し、得られた結果を式（８）で表す。

式（８）で表されるＭ（ｚ_ｘ，ｚ_ｙ）の画像配列の二次元逆Ｚ変換が離散ハール・ウェーブレット逆変換部３４から局所平均画像μ_ｘとして出力される。

減算部３５は、ヒストグラム均等化部３２の出力画像データから離散ハール・ウェーブレット逆変換部３４の出力画像データを減算する。離散ハール・ウェーブレット逆変換部３４の出力画像データは、局所的に平坦なサブバンド成分（ＬＬ）だけからなる局所平均画像μ_ｘである。したがって、減算部３５の出力画像データは、等価的には、ヒストグラム均等化部３２の出力画像データのサブバンド成分（ＬＬ）以外のサブバンド成分（ＬＨ、ＨＬ、ＨＨ）といえる。減算部３５の出力画像データは、観測画像の局所的な偏差（コントラスト）を表すものとなる。

２乗部３６は、減算部３５の出力画像データを２乗する。平均フィルタ３７は、２乗部３６の出力画像データの局所的な平均値を算出する。本実施の形態では、平均フィルタ３７として、移動平均フィルタを用いている。減算部３５の出力画像データは、観測画像を構成する各画素の局所平均値からの偏差を表しているので、これを２乗部３６で２乗した後、平均フィルタ３７で周辺の値との平均値を算出することにより、局所分散画像σ_ｘ ^２を得ることができる。局所分散画像σ_ｘ ^２は、観測画像を構成する各画素の局所的平坦度の特徴量として利用することができる。

ここで、減算部３５、２乗部３６及び平均フィルタ３７の処理について説明する。上記と同様、ヒストグラム均等化部３２から供給される画像データの配列をＸとすると、減算部３５の出力画像データは、配列（Ｘ−μ_ｘ）である。次に、２乗部３６は、配列（Ｘ−μ_ｘ）の要素毎の２乗を取る。したがって、２乗部３６の出力画像データは、配列（Ｘ−μ_ｘ）の要素毎の２乗を取った配列Ｑとして式（９）で表される。

平均フィルタ３７は、配列Ｑの局所的な平均値を算出した結果、局所分散画像σ_ｘ ^２を出力する。すなわち、局所分散画像の配列σ_ｘ ^２の二次元Ｚ変換Ｓ（ｚ_ｘ，ｚ_ｙ）は式（１０）で表される。

式（１０）において、Ｑ（ｚ_ｘ，ｚ_ｙ）は配列Ｑの二次元Ｚ変換、Ａ（ｚ_ｘ，ｚ_ｙ）は平均フィルタ３７の二次元伝達関数である。平均フィルタ３７を構成する移動平均フィルタのサイズは任意で良い。本実施の形態では、移動平均フィルタのサイズは経験的に５×５と設定している。すなわち、二次元伝達関数Ａ（ｚ_ｘ，ｚ_ｙ）は式（１１）で表される。

次に、効果判定部３の構成について、図４を参照して説明する。効果判定部３は、モルフォロジカルクロージング部４１と、ブロブ解析部４２と、ベイズ判定部４３とから構成されている。モルフォロジカルクロージング部４１は、領域判定部２から供給される、観測画像の画素ごとに抗菌剤の抗菌効果を判定するために有効な領域と無効な領域とを判定した領域判定結果において、有効領域の構造要素内に適合しない微小な穴を埋めることにより有効領域の形状を整える。

ブロブ解析部４２は、まず、モルフォロジカルクロージング部４１の出力画像データを構成する各画素をオブジェクト画素と背景画素とに分割する。

次に、ブロブ解析部４２は、連結ブロブ解析を実行して、オブジェクト画素を、連結されたオブジェクト画素のグループ（ブロブ）に形成する。本実施の形態では、観測画像の画素ごとに抗菌剤の抗菌効果を判定するために有効な領域は連結した一つの領域であると仮定し、観測画像内で最大面積を有するブロブのみを解析している。

そして、ブロブ解析部４２は、連結ブロブ解析の結果、式（１２）で表される占有率（面積）ａ_ｘと、式（１３）で表される離心率ｅ_ｘとを出力する。

式（１２）において、ｎ_ｂは観測画像内で最大面積を有するブロブ（有効領域）の画素数、Ｎは観測画像を構成する全画素の数である。

式（１３）において、離心率ｅ_ｘはブロブ（有効領域）と同じ２次モーメントを有する楕円の離心率であり、aは楕円の長径の１／２、bは楕円の短径の１／２である。

ベイズ判定部４３は、事前確率Ｐ_ｋと、ブロブ解析部４２から供給される占有率（面積）ａ_ｘ及び離心率ｅ_ｘとに基づいて、観測画像の有効領域の形状についてベイズ推定によって判定し、抗菌剤の抗菌効果を判定した効果判定結果を出力する。本実施の形態では、抗菌剤の効果判定は、領域判定結果における有効領域の形状データに基づいて、良好（○）、効果あり（△）、効果なし（×）の何れかとしてベイズ判定部４３から出力される。

ベイズ判定部４３では、上記式（１）〜式（３）において、事象Ｈ_１は抗菌剤の抗菌効果があること、事象Ｈ_２は抗菌剤の抗菌効果がないこととする。一方、事象Ａは観測画像から得られる占有率（面積）ａ_ｘ及び離心率ｅ_ｘの組合せとする。また、事前確率Ｐ（Ｈ_１）は事象Ａで抗菌剤の抗菌効果がある事前確率Ｐ_１、事前確率Ｐ（Ｈ_２）は事象Ａで抗菌剤の抗菌効果がない事前確率Ｐ_０とする。なお、後述するように、尤度関数Ｐ（Ａ|Ｈ_１）はΒ_ａ１（ａ_ｘ）Β_ｅ１（ｅ_ｘ）、尤度関数Ｐ（Ａ|Ｈ_２）はΒ_ａ０（ａ_ｘ）Β_ｅ０（ｅ_ｘ）である。式（３）が１より大きければ、当該観測画像で抗菌剤の抗菌効果があると判定することになる。

本実施の形態では、事前確率Ｐ_１及び事前確率Ｐ_０はいずれも０．５としている。これは、抗菌剤の抗菌効果を判定する際に、良好（○）、効果なし（×）のいずれにも偏りがないようにするためである。実質上、特徴量のみを用いて抗菌剤の抗菌効果を判定することを意味しており、主観を取り除いている。ただし、事前確率Ｐ_１及び事前確率Ｐ_０をパラメータとして調整することにより、抗菌効果の判定性能を向上させることも可能である。例えば、効果ありの判定が過剰に行われる場合は事前確率Ｐ_１の値を小さくし、逆に効果なしの判定が過剰に行われる場合は事前確率Ｐ_０の値を小さくすることにより、抗菌効果の判定精度を調整することができる。

次に、上記構成の抗菌効果判定システムの動作について、図面を参照して説明する。まず、領域判定部２における学習フェーズについて、図５〜図８を参照して説明する。図５は、領域判定部２における学習フェーズを説明するためのブロック図である。この学習フェーズでは、教師データと観測画像とに基づいて、推定パラメータ｛ａ_μ０，ｂ_μ０｝、｛ａ_μ１，ｂ_μ１｝、｛ａσ^２ _０，ｂσ^２ _０｝及び｛ａσ^２ _１，ｂσ^２ _１｝を求める。

教師データは、８ビットのグレースケール画像である。教師データは、無効領域を示す値０、有効領域を示す値２５５、ドントケア(Don't care)を意味する値１２８とから構成されている。教師データのサイズは観測画像のサイズと同一である。教師データの形式は、グレースケール化されているものであれば、ＢＭＰ、ＪＰＥＧ、ＧＩＦ、ＴＩＦ、ＰＮＧなど、どのようなものでも良い。教師データの形式は、本実施の形態では、ＴＩＦを採用している。図６に教師データの一例を示すとともに、図７に観測画像の一例を示す。

推定パラメータ｛ａ_μ０，ｂ_μ０｝及び｛ａ_μ１，ｂ_μ１｝は、後述する判定フェーズで用いる尤度関数Β_ｋ（μ_ｋ）Γ_ｋ（σ_ｘ ^２）を構成するベータ関数Β_ｋ（μ_ｋ）の推定パラメータである。一方、推定パラメータ｛ａσ^２ _０，ｂσ^２ _０｝及び｛ａσ^２ _１，ｂσ^２ _１｝は、尤度関数Β_ｋ（μ_ｋ）Γ_ｋ（σ_ｘ ^２）を構成するガンマ関数Γ_ｋ（σ_ｘ ^２）の推定パラメータである。このため、ベイズ判定部２２は、学習フェーズでは、ベータ分布最尤推定部２２_１と、ガンマ分布最尤推定部２２_２とにより構成されている。

また、学習フェーズでは、特徴抽出部２１とベイズ判定部２２との間にランダム抽出部２３が挿入されている。学習フェーズでは、ベイズ判定部２２は、教師データに基づいて、観測画像の画素ごとに、抗菌剤の抗菌効果を判定するために有効な領域と無効な領域とをベイズ推定によって判定し、特徴抽出部２１から供給される局所平均画像μ_ｘ及び局所分散画像σ_ｘ ^２の統計的性質を解析する。学習フェーズにおいて、観測画像のすべての画素について処理することは、膨大なメモリと長い時間を必要とする。そこで、有効領域及び無効領域のそれぞれの統計量を簡便に算出するために、ランダム抽出部２３を設け、局所平均画像μ_ｘ及び局所分散画像σ_ｘ ^２から必要とするデータをランダムに抽出している。

ベータ分布最尤推定部２２_１は、教師データと、ランダム抽出部２３から供給された局所平均画像μ_ｘとに基づいて、ベータ分布最尤推定を行って、ベータ関数Β_ｋ（μ_ｋ）の推定パラメータ｛ａ_μ０，ｂ_μ０｝及び｛ａ_μ１，ｂ_μ１｝を求める。局所平均画像μ_ｘは、グレースケール化部３１において輝度値が値０〜１の間に正規化された画像から得られているため、その輝度値も値０〜１の範囲に収まっている。一方、ベータ分布は値が０〜１の間に制限された確率変数の確率密度関数として典型的に採用される確率モデルである。そこで、本実施の形態では、ベータ分布を採用しているが、ガンマ分布を採用しても良い。

ガンマ分布最尤推定部２２_２は、教師データと、ランダム抽出部２３から供給された局所分散画像σ_ｘ ^２とに基づいて、ガンマ分布最尤推定を行って、ガンマ関数Γ_ｋ（σ^２ _ｘ）の推定パラメータ｛ａσ^２ _０，ｂσ^２ _０｝及び｛ａσ^２ _１，ｂσ^２ _１｝を求める。局所分散画像σ_ｘ ^２は、その輝度値が正になることが保証されている。一方、ガンマ分布は正の値のみをもつ確率変数の確率密度関数として典型的に採用される確率モデルである。そこで、本実施の形態では、ガンマ分布を採用している。なお、局所分散画像σ_ｘ ^２は、局所平均画像μ_ｘと同様の理由でその輝度値が値０〜１の範囲に収まっているので、ベータ分布を採用しても良い。

ここで、図８に局所平均画像μ_ｘに対する局所分散画像σ_ｘ ^２の散布の一例、局所平均画像μ_ｘの分布（ヒストグラム）の一例及び、局所分散画像σ_ｘ ^２の分布（ヒストグラム）の一例を示す。実線で描かれた曲線は無効領域に対応し、点線で描かれた曲線は有効領域に対応している。

次に、領域判定部２における判定フェーズについて、図２、図３、図７及び図９〜図１３を参照して説明する。この判定フェーズでは、例えば、図７に示す観測画像は、図２に示すグレースケール化部３１でグレースケール化された後、ヒストグラム均等化部３２で、コントラストが調整される。

次に、ヒストグラム均等化部３２の出力画像データは、離散ハール・ウェーブレット変換部３３で離散ハール・ウェーブレット変換された後、離散ハール・ウェーブレット逆変換部３４で離散ハール・ウェーブレット逆変換される。これにより、離散ハール・ウェーブレット逆変換部３４の出力画像データは、局所平均画像μ_ｘとして、図２に示すベイズ判定部２２に供給される。図９は局所平均画像μ_ｘの一例である。

一方、ヒストグラム均等化部３２の出力画像データは、減算部３５で離散ハール・ウェーブレット逆変換部３４の出力画像データ、すなわち、局所平均画像μ_ｘが減算される。次に、減算部３５の出力画像データは、２乗部３６で２乗された後、平均フィルタ３７を通過する。これにより、平均フィルタ３７は、その出力画像データを局所分散画像σ_ｘ ^２として、図２に示すベイズ判定部２２に供給する。図１０は局所分散画像σ_ｘ ^２の一例である。

ベイズ判定部２２は、事前確率Ｐ_ｋ（ｐ）と、特徴抽出部２１から供給される局所平均画像μ_ｘ及び局所分散画像σ_ｘ ^２とに基づいて、観測画像の画素ごとに、抗菌剤の抗菌効果を判定するために有効な領域と無効な領域とをベイズ推定によって判定し、領域判定結果を出力する。図１１は事前確率Ｐ_１（ｐ）の一例である。

上記学習フェーズで求められた推定パラメータ｛ａ_μ０，ｂ_μ０｝及び｛ａ_μ１，ｂ_μ１｝は、ベータ関数Β_０（μ_０）及びΒ_１（μ_１）にそれぞれ代入される。一方、上記学習フェーズで求められた推定パラメータ｛ａσ^２ _０，ｂσ^２ _０｝及び｛ａσ^２ _１，ｂσ^２ _１｝は、ガンマ関数Γ_０（σ_ｘ ^２）及びΓ_１（σ_ｘ ^２）にそれぞれ代入される。

この判定フェーズでは、式（３）において、事前確率Ｐ（Ｈ_１）は事前確率Ｐ_１（ｐ）、事前確率Ｐ（Ｈ_２）は事前確率Ｐ_０（ｐ）、尤度関数Ｐ（Ａ|Ｈ_１）は尤度関数Β_１（μ_１）Γ_１（σ_ｘ ^２）、尤度関数Ｐ（Ａ|Ｈ_２）は尤度関数Β_０（μ_０）Γ_０（σ_ｘ ^２）である。図１２は尤度関数Β_０（μ_０）Γ_０（σ_ｘ ^２）の一例である。

式（３）に事前確率Ｐ_１（ｐ）、事前確率Ｐ_０（ｐ）、尤度関数Β_１（μ_１）Γ_１（σ_ｘ ^２）及び尤度関数Β_０（μ_０）Γ_０（σ_ｘ ^２）を代入して変形すると、式（１４）が得られる。

式（１４）の左辺と右辺の大小を比較し、式（１４）の左辺が大きければ当該座標ｐの画素を有効領域と判定する一方、式（１４）の右辺が大きければ当該座標ｐの画素を無効領域と判定する。図１３は領域判定結果の一例である。

次に、効果判定部３における学習フェーズについて、図１４及び図１５を参照して説明する。図１４は、効果判定部３における学習フェーズを説明するためのブロック図である。この学習フェーズでは、教師データと領域判定結果とに基づいて、推定パラメータ｛ａ_ａ０，ｂ_ａ０｝、｛ａ_ａ１，ｂ_ａ１｝、｛ａ_ｅ０，ｂ_ｅ０｝及び｛ａ_ｅ１，ｂ_ｅ１｝を求める。

教師データは、抗菌剤の抗菌効果が良好（○）又は効果なし（×）という判定が既になされている画像に対して、ブロブ解析部４２において有効領域のブロブ解析を行い、その結果得られた占有率（面積）ａ_ｘ及び離心率ｅ_ｘを二次元ベクトルとして保存した数値データである。

推定パラメータ｛ａ_ａ０，ｂ_ａ０｝及び｛ａ_ａ１，ｂ_ａ１｝は、後述する判定フェーズで用いる尤度関数Β_ａｋ（ａ_ｘ）Β_ｅｋ（ｅ_ｘ）を構成するベータ関数Β_ａｋ（ａ_ｘ）の推定パラメータである。一方、推定パラメータ｛ａ_ｅ０，ｂ_ｅ０｝及び｛ａ_ｅ１，ｂ_ｅ１｝は、尤度関数Β_ａｋ（ａ_ｘ）Β_ｅｋ（ｅ_ｘ）を構成するベータ関数Β_ｅｋ（ｅ_ｘ）の推定パラメータである。このため、ベイズ判定部４３は、学習フェーズでは、ベータ分布最尤推定部４３_１と、ベータ分布最尤推定部４３_２とにより構成されている。

ベータ分布最尤推定部４３_１は、教師データと、ブロブ解析部４２から供給された占有率（面積）ａ_ｘとに基づいて、ベータ分布最尤推定を行って、ベータ関数Β_ａｋ（ａ_ｘ）の推定パラメータ｛ａ_ａ０，ｂ_ａ０｝及び｛ａ_ａ１，ｂ_ａ１｝を求める。占有率（面積）ａ_ｘは、ブロブ解析部４２において輝度値が値０〜１の間に正規化された画像から得られているため、その輝度値も値０〜１の範囲に収まっている。一方、ベータ分布は値が０〜１の間に制限された確率変数の確率密度関数として典型的に採用される確率モデルである。そこで、本実施の形態では、ベータ分布を採用しているが、ガンマ分布を採用しても良い。

ベータ分布最尤推定部４３_２は、教師データと、ブロブ解析部４２から供給された離心率ｅ_ｘとに基づいて、ベータ分布最尤推定を行って、ベータ関数Β_ｅｋ（ｅ_ｘ）の推定パラメータ｛ａ_ｅ０，ｂ_ｅ０｝及び｛ａ_ｅ１，ｂ_ｅ１｝を求める。離心率ｅ_ｘは、ブロブ解析部４２において輝度値が値０〜１の間に正規化された画像から得られているため、その輝度値も値０〜１の範囲に収まっている。一方、ベータ分布は値が０〜１の間に制限された確率変数の確率密度関数として典型的に採用される確率モデルである。そこで、本実施の形態では、ベータ分布を採用しているが、ガンマ分布を採用しても良い。

ここで、図１５に複数枚の観測画像における占有率（面積）ａ_ｘに対する離心率ｅ_ｘの散布の一例、占有率（面積）ａ_ｘの分布（ヒストグラム）の一例、離心率ｅ_ｘの分布（ヒストグラム）の一例を示す。実線で描かれた曲線は抗菌剤の抗菌効果が良好（○）の観測画像に対応し、点線で描かれた曲線は抗菌剤の抗菌効果なし（×）の観測画像に対応している。

次に、効果判定部３における判定フェーズについて、図４、図１３及び図１６を参照して説明する。この判定フェーズでは、例えば、図１３に示す領域判定結果は、図４に示すモルフォロジカルクロージング部４１で有効領域の構造要素内に適合しない微小な穴が埋められて有効領域の形状が整えられ後、ブロブ解析部４２で連結ブロブ解析される。これにより、ブロブ解析部４２から、占有率（面積）ａ_ｘ及び離心率ｅ_ｘとが出力される。

次に、ベイズ判定部４３は、事前確率Ｐ_ｋと、ブロブ解析部４２から供給される占有率（面積）ａ_ｘ及び離心率ｅ_ｘとに基づいて、観測画像の有効領域の形状についてベイズ推定によって判定し、抗菌剤の抗菌効果を判定した効果判定結果を出力する。

上記学習フェーズで求められた推定パラメータ｛ａ_ａ０，ｂ_ａ０｝及び｛ａ_ａ１，ｂ_ａ１｝は、ベータ関数Β_ａ０（ａ_ｘ）及びΒ_ａ１（ａ_ｘ）にそれぞれ代入される。一方、上記学習フェーズで求められた推定パラメータ｛ａ_ｅ０，ｂ_ｅ０｝及び｛ａ_ｅ１，ｂ_ｅ１｝は、ベータ関数Β_ｅ０（ｅ_ｘ）及びΒ_ｅ１（ｅ_ｘ）にそれぞれ代入される。

この判定フェーズでは、式（３）において、事前確率Ｐ（Ｈ_１）は事前確率Ｐ_１、事前確率Ｐ（Ｈ_２）は事前確率Ｐ_０、尤度関数Ｐ（Ａ|Ｈ_１）は尤度関数Β_ａ１（ａ_ｘ）Β_ｅ１（ｅ_ｘ）、尤度関数Ｐ（Ａ|Ｈ_２）は尤度関数Β_ａ０（ａ_ｘ）Β_ｅ０（ｅ_ｘ）である。図１６は尤度関数Β_ａ１（ａ_ｘ）Β_ｅ１（ｅ_ｘ）の一例である。

式（３）に事前確率Ｐ_１、事前確率Ｐ_０、尤度関数Β_ａ１（ａ_ｘ）Β_ｅ１（ｅ_ｘ）及び尤度関数Β_ａ０（ａ_ｘ）Β_ｅ０（ｅ_ｘ）を代入して変形すると、式（１５）が得られる。

式（１５）の左辺と右辺の大小を比較し、式（１５）の左辺がある程度大きければ当該観測画像で抗菌剤の抗菌効果が良好（○）と判定する一方、式（１５）の右辺がある程度大きければ当該観測画像で抗菌剤の抗菌効果がない（×）と判定する。

なお、式（１５）の左辺と右辺との間で有為な差が見られない場合、判定をリジェクトする。本実施の形態では、０．２以上の差が見られない場合は、リジェクトとしている。なお、判定をリジェクトした場合には、効果あり（△）と判定している。リジェクトするか否かの値は、調整することが可能である。

ここで、本実施の形態に係る抗菌効果判定システム１の効果判定結果の一例について、 図１７〜図２２を参照して説明する。図１７は効果判定結果が良好（○）と判定された例における観測画像の一例を示す図、図１８は効果判定結果が良好（○）と判定された例における領域判定効果の一例を示す図である。また、図１９は効果判定結果が効果あり（△）と判定された例における観測画像の一例を示す図、図２０は効果判定結果が効果あり（△）と判定された例における領域判定効果の一例を示す図である。一方、図２１は効果判定結果が効果なし（×）と判定された例における観測画像の一例を示す図、図２２は効果判定結果が効果なし（×）と判定された例における領域判定効果の一例を示す図である。図１７〜図２２からは本実施の形態に係る抗菌効果判定システム１が適切に作動していることを確認することができる。

また、図２３には、同一サンプルに対する専門家の目視による効果判定結果と、本実施の形態に係る抗菌効果判定システム１の効果判定結果とを対応させた一例である。図２３からは、本実施の形態に係る抗菌効果判定システム１は、ほぼ、人間と同等の効果判定結果が得られることを確認することができる。

このように、本発明の実施の形態１によれば、自動的、定量的かつ迅速に人間の目視による判別と同等な判定をすることができる。これにより、抗菌剤の開発を効率化することができる。また、本発明の実施の形態１によれば、画像処理を用いた自動判定であるので、第１及び第２の従来例のように観察者による目視判定よりも簡易な方法で迅速に判定を行うことができる。また、グレースケール化された画像を用いて判定するため、第３の従来例のように検査対象を染色する必要もない。
本発明の実施の形態１によれば、第３の従来例のような高価な酸化還元系発色試薬や装置を用いることなく、抗菌剤の抗菌効果を簡易かつ安価な構成で判定をすることができる。

さらに、本発明の実施の形態１によれば、試験片直下の試験菌が死滅し、試験片の同心円状の周囲に発育阻止帯が拡散していないことを機械的に判定することができる。したがって、第２の従来例のハローテストのような、定性的であること、試験片自体による試験菌の阻止であるのか、試験片から遊離した物質による試験菌の阻止であるのかを正確に判定するには観察者に熟練度が要求されるという問題は発生し難い。

第２の実施形態
次に、本発明の第２の実施形態について図面を参照して説明する。なお、第１の実施形態と同一又は同等の構成については、同等の符号を用いるとともに、その説明を省略又は簡略化する。本実施形態に係る抗菌効果判定システム５１は、一般的なコンピュータ、又はマイクロコンピュータなどの装置と同様の構成によって実現されている点で、第１の実施形態に係る抗菌効果判定システム１と相違している。

図２４は、抗菌効果判定システム５１の構成を示すブロック図である。図２４に示すように、抗菌効果判定システム５１は、ＣＰＵ（Central Processing Unit）６１と、主記憶部６２と、補助記憶部６３と、表示部６４と、入力部６５と、インターフェイス部６６とから概略構成されている。

ＣＰＵ６１は、補助記憶部６３に記憶されているプログラムに従って、入力された観測画像に後述する処理を実行する。主記憶部６２は、ＲＡＭ（Random Access Memory）等を含んで構成され、ＣＰＵ６１の作業領域として用いられる。

補助記憶部６３は、ＲＯＭやＲＡＭ等の半導体メモリ、ＨＤ（ハード・ディスク）が装着されるＨＤドライブ、あるいはＣＤ−ＲＯＭ（Compact Disk Read-Only Memory）、ＣＤ−Ｒ（Recordable）、ＣＤ−ＲＷ（ReWritable）やＤＶＤ（Digital Versatile Disk）−ＲＯＭ、ＤＶＤ−Ｒ、ＤＶＤ−ＲＷ等が装着されるＣＤ／ＤＶＤドライブ等を含んで構成されている。この補助記憶部６３は、ＣＰＵ６１が実行するプログラム、及び各種パラメータなどを記憶している。また、外部から入力される観測画像に関する情報及びＣＰＵ６１による処理結果などを含む情報を順次記憶する。補助記憶部６３に記憶されるデータとしては、例えば、後述するステップＳ１及びＳ２で用いられる教師データ、事前確率Ｐ_ｋ（ｐ）及びＰ_ｋ、局所平均画像μ_ｘ、局所分散画像σ_ｘ ^２などがある。

表示部６４は、液晶ディスプレイ、有機ＥＬディスプレイ、プラズマディスプレイなどを含んで構成され、ＣＰＵ６１の処理結果などを表示する。入力部６５は、キーボードやマウス等のポインティングデバイスを含んで構成されている。オペレータの指示は、この入力部６５を介して入力され、ＣＰＵ６１に通知される。インターフェイス部６６は、シリアルインターフェイスまたはＬＡＮ（Local Area Network）インターフェイス等を含んで構成されている。

図２５に示すフローチャートは、ＣＰＵ６１によって実行されるプログラムの一連の処理アルゴリズムに対応している。以下、図２５に示すフローチャートを参照して、上記構成の抗菌効果判定システム５１が実行する処理について説明する。

ＣＰＵ６１は、予め、教師データと観測画像とに基づいて、推定パラメータ｛ａ_μ０，ｂ_μ０｝、｛ａ_μ１，ｂ_μ１｝、｛ａσ^２ _０，ｂσ^２ _０｝及び｛ａσ^２ _１，ｂσ^２ _１｝を求める領域判定学習処理を実行しておく。すなわち、ＣＰＵ６１は、図５〜図８を参照して説明した特徴部２１、ランダム抽出部２３及びベイズ判定部２２が行う学習フェーズの処理を実行する。推定パラメータ｛ａ_μ０，ｂ_μ０｝及び｛ａ_μ１，ｂ_μ１｝はベータ関数Β_０（μ_０）及びΒ_１（μ_１）にそれぞれ代入され、推定パラメータ｛ａσ^２ _０，ｂσ^２ _０｝及び｛ａσ^２ _１，ｂσ^２ _１｝はガンマ関数Γ_０（σ_ｘ ^２）及びΓ_１（σ_ｘ ^２）にそれぞれ代入される。

また、ＣＰＵ６１は、予め、教師データと領域判定結果とに基づいて、推定パラメータ｛ａ_ａ０，ｂ_ａ０｝、｛ａ_ａ１，ｂ_ａ１｝、｛ａ_ｅ０，ｂ_ｅ０｝及び｛ａ_ｅ１，ｂ_ｅ１｝を求める領域判定学習処理を実行しておく。すなわち、ＣＰＵ６１は、図１４及び図１５を参照して説明したモルフォロジカルクロージング部４１、ブロブ解析部４２及びベイズ判定部４３が行う学習フェーズの処理を実行する。推定パラメータ｛ａ_ａ０，ｂ_ａ０｝及び｛ａ_ａ１，ｂ_ａ１｝はベータ関数Β_ａ０（ａ_ｘ）及びΒ_ａ１（ａ_ｘ）にそれぞれ代入され、推定パラメータ｛ａ_ｅ０，ｂ_ｅ０｝及び｛ａ_ｅ１，ｂ_ｅ１｝はベータ関数Β_ｅ０（ｅ_ｘ）及びΒ_ｅ１（ｅ_ｘ）にそれぞれ代入される。

ステップＳ１では、ＣＰＵ６１は、入力された観測画像に対して、グレースケール化・コントラスト調整の処理を実行する。すなわち、ＣＰＵ６１は、図３及び図７を参照して説明したグレースケール化部３１及びヒストグラム均等化部３２が行う処理を実行する。

ステップＳ２では、ＣＰＵ６１は、ステップＳ１で得られた画像に対して、特徴量抽出処理を実行し、特徴量である局所平均画像μ_ｘ及び局所分散画像σ_ｘ ^２を抽出する。すなわち、ＣＰＵ６１は、図３、図９及び図１０を参照して説明した離散ハール・ウェーブレット変換部３３、離散ハール・ウェーブレット逆変換部３４、減算部３５、２乗部３６及び平均フィルタ３７が行う処理を実行する。

ステップＳ３では、ＣＰＵ６１は、事前確率Ｐ_ｋ（ｐ）と、局所平均画像μ_ｘ及び局所分散画像σ_ｘ ^２とに基づいて、領域判定処理を実行し、領域判定結果としての画像を得る。すなわち、ＣＰＵ６１は、図１１〜図１３並びに式（３）及び式（１４）を参照して説明したベイズ判定部２２が行う処理を実行する。

ステップＳ４では、ＣＰＵ６１は、ステップＳ３で得られた画像に対して、有効領域整形処理を実行する。すなわち、ＣＰＵ６１は、図４及び図１３を参照して説明したモルフォロジカルクロージング部４１が行う処理を実行する。

ステップＳ５では、ＣＰＵ６１は、ステップＳ４で得られた画像に対して、特徴量抽出処理を実行し、特徴量である占有率（面積）ａ_ｘ及び離心率ｅ_ｘを抽出する。すなわち、ＣＰＵ６１は、既に説明したブロブ解析部４２が行う処理を実行する。

ステップＳ６では、ＣＰＵ６１は、事前確率Ｐ_ｋと、占有率（面積）ａ_ｘ及び離心率ｅ_ｘとに基づいて、効果判定処理を実行し、効果判定結果を出力する。すなわち、ＣＰＵ６１は、図１６並びに式（３）及び式（１５）を参照して説明したベイズ判定部４３が行う処理を実行する。

以上説明したように、本第２の実施形態によれば、本第１の実施の形態で得られる効果が得られる他、第３の従来例のような高価な酸化還元系発色試薬や装置を用いることなく、一般的なコンピュータ、又はマイクロコンピュータなどの装置を用いて、抗菌剤の抗菌効果を簡易かつ安価な構成で判定をすることができる。

以上、本発明の実施の形態について図面を参照して詳述してきたが、具体的な構成はこれらの実施の形態に限られるものではなく、本発明の要旨を逸脱しない範囲の設計の変更等があっても本発明に含まれる。

例えば、第２の実施形態において、抗菌効果判定システム５１の補助記憶部６３に記憶されているプログラムは、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ等のコンピュータで読み取り可能な記録媒体に格納して配布し、そのプログラムをコンピュータにインストールすることにより、上述の処理を実行する装置を構成することとしても良い。

また、プログラムをインターネット等の通信ネットワーク上の所定のサーバ装置が有するディスク装置等に格納しておき、例えば、搬送波に重畳させて、コンピュータにダウンロード等するようにしても良い。また、プログラムは、通信ネットワークを介して転送しながら起動実行することとしても良い。さらに、プログラムは、全部又は一部をサーバ装置上で実行させ、その処理に関する情報を通信ネットワークを介して送受信しながら、上述の画像処理を実行することとしても良い。

また、上述の各実施の形態では、有効領域の形状のみに基づいて抗菌剤の抗菌効果を判定する例を示したが、これに限定されない。例えば、有効領域の透明度や有効領域の輪郭のにじみ具合を数値化し、これらの数値と有効領域の形状とに基づいて抗菌剤の抗菌効果を判定するように構成しても良い。このように構成すれば、より正確に判定することができる。

（ｉ）透明度
試験菌が培養されたシャーレをデジタルカメラで撮影する際にシャーレを載置する台を無地黒色と仮定する。有効領域が判定された後、有効領域の平均輝度値μ_ｅを算出する。有効領域の輝度値が０〜１の値に正規化されていると仮定し、式（１６）で表される透明度Ｔを算出する。無効領域では試験菌の繁殖により白濁が進むため、上記透明度Ｔの値は０に近づいていく。
Ｔ＝１−μ_ｅ …（１６）

（ii）輪郭のにじみ具合
有効領域の連結ブロブ解析により得られた有効領域の面積Ａ及び離心率ｅ_ｘを用いて、式（１７）で表される輪郭のにじみ具合Ｂを定義する。
Ｂ＝定数×ｅ_ｘ／Ａ …（１７）
本実施の形態では、有効領域の形状は円形を基本としているので、にじみが生じると形状が円形から歪むため、にじみ具合Ｂは大きな値となる。また、にじみにより有効領域の面積Ａが小さくなってもにじみ具合Ｂは大きな値となる。

１…抗菌効果判定システム、２…領域判定部、３…効果判定部、２１…特徴抽出部、２２…ベイズ判定部、２２_１ …ベータ分布最尤推定部、２２_２…ガンマ分布最尤推定部、２３…ランダム抽出部、３１…グレースケール化部、３２…ヒストグラム均等化部、３３…離散ハール・ウェーブレット変換部、３４…離散ハール・ウェーブレット逆変換部、３５…減算部、３６…２乗部、３７…平均フィルタ、４１…モルフォロジカルクロージング部、４２…ブロブ解析部、４３…ベイズ判定部、４３_１，４３_２…ベータ分布最尤推定部、５１…抗菌効果判定システム、６１…ＣＰＵ、６２…主記憶部、６３…補助記憶部、６４…表示部、６５…入力部、６６…インターフェイス部

Claims (9)

1. 細菌が塗抹された培地表面に抗菌剤を静置し、前記細菌を培養した後の前記培地表面を撮影した画像に基づいて前記抗菌剤の抗菌効果を判定する抗菌効果判定システムであって、
   前記画像の局所領域の明るさの特徴量である局所平均画像と、前記画像の局所的平坦度の特徴量である局所分散画像とを前記画像から抽出する特徴抽出部と、第１の事前確率と、前記局所平均画像及び前記局所分散画像とに基づいて、前記画像の画素ごとに、前記抗菌剤の抗菌効果を判定するために有効な有効領域と無効な無効領域とをベイズ推定によって判定し、前記有効領域と前記無効領域とからなる二値画像を出力する第１のベイズ判定部とを有する領域判定部と、
   前記二値画像をブロブ解析して前記有効領域を連結した最大面積を有するブロブを形成し、前記ブロブの前記画像における占有率と、前記ブロブの離心率とを求めるブロブ解析部と、第２の事前確率と、前記占有率及び前記離心率とに基づいて、前記画像の有効領域の形状をベイズ推定によって判定する第２のベイズ判定部とを有する効果判定部と
   を具備することを特徴とする抗菌効果判定システム。
2. 前記特徴抽出部は、
   前記画像を離散ハール・ウェーブレット変換する離散ハール・ウェーブレット変換部と、
   前記離散ハール・ウェーブレット変換部の出力低周波画像を離散ハール・ウェーブレット逆変換して前記局所平均画像を出力する離散ハール・ウェーブレット逆変換部と、
   前記画像から前記離散ハール・ウェーブレット逆変換部の出力画像を減算する減算部と、
   前記減算部の出力画像を２乗する２乗部と、
   前記２乗部の出力画像の局所的な平均値を算出して前記局所分散画像を出力する平均フィルタと
   を含むことを特徴とする請求項１に記載の抗菌効果判定システム。
3. 前記第１の事前確率は、前記画像内の中心座標点でピーク値を有する二次元ガウス関数でモデル化していることを特徴とする請求項１又は２に記載の抗菌効果判定システム。
4. 細菌が塗抹された培地表面に抗菌剤を静置し、前記細菌を培養した後の前記培地表面を撮影した画像に基づいて前記抗菌剤の抗菌効果を判定する抗菌効果判定方法であって、
   前記画像の局所領域の明るさの特徴量である局所平均画像と、前記画像の局所的平坦度の特徴量である局所分散画像とを前記画像から抽出する第１のステップと、
   第１の事前確率と、前記局所平均画像及び前記局所分散画像とに基づいて、前記画像の画素ごとに、前記抗菌剤の抗菌効果を判定するために有効な有効領域と無効な無効領域とをベイズ推定によって判定し、前記有効領域と前記無効領域とからなる二値画像を出力する第２のステップと、
   前記二値画像をブロブ解析して前記有効領域を連結した最大面積を有するブロブを形成し、前記ブロブの前記画像における占有率と、前記ブロブの離心率とを求める第３のステップと、
   第２の事前確率と、前記占有率及び前記離心率とに基づいて、前記画像の有効領域の形状をベイズ推定によって判定する第４のステップと
   を有することを特徴とする抗菌効果判定方法。
5. 前記第１のステップは、
   前記画像を離散ハール・ウェーブレット変換する第１のサブステップと、
   前記離散ハール・ウェーブレット変換された低周波画像を離散ハール・ウェーブレット逆変換して前記局所平均画像を出力する第２のサブステップと、
   前記画像から前記離散ハール・ウェーブレット逆変換された画像を減算する第３のサブステップと、
   前記減算結果の画像を２乗する第４のサブステップと、
   前記２乗された画像の局所的な平均値を算出して前記局所分散画像を出力する第５のサブステップと
   を含むことを特徴とする請求項４に記載の抗菌効果判定方法。
6. 前記第１の事前確率は、前記画像内の中心座標点でピーク値を有する二次元ガウス関数でモデル化していることを特徴とする請求項４又は５に記載の抗菌効果判定方法。
7. 細菌が塗抹された培地表面に抗菌剤を静置し、前記細菌を培養した後の前記培地表面を撮影した画像に基づいて前記抗菌剤の抗菌効果を判定する抗菌効果判定プログラムであって、
   前記画像の局所領域の明るさの特徴量である局所平均画像と、前記画像の局所的平坦度の特徴量である局所分散画像とを前記画像から抽出する第１のステップと、
   第１の事前確率と、前記局所平均画像及び前記局所分散画像とに基づいて、前記画像の画素ごとに、前記抗菌剤の抗菌効果を判定するために有効な有効領域と無効な無効領域とをベイズ推定によって判定し、前記有効領域と前記無効領域とからなる二値画像を出力する第２のステップと、
   前記二値画像をブロブ解析して前記有効領域を連結した最大面積を有するブロブを形成し、前記ブロブの前記画像における占有率と、前記ブロブの離心率とを求める第３のステップと、
   第２の事前確率と、前記占有率及び前記離心率とに基づいて、前記画像の有効領域の形状をベイズ推定によって判定する第４のステップと
   をコンピュータに実行させることを特徴とする抗菌効果判定プログラム。
8. 前記第１のステップは、
   前記画像を離散ハール・ウェーブレット変換する第１のサブステップと、
   前記離散ハール・ウェーブレット変換された低周波画像を離散ハール・ウェーブレット逆変換して前記局所平均画像を出力する第２のサブステップと、
   前記画像から前記離散ハール・ウェーブレット逆変換された画像を減算する第３のサブステップと、
   前記減算結果の画像を２乗する第４のサブステップと、
   前記２乗された画像の局所的な平均値を算出して前記局所分散画像を出力する第５のサブステップと
   を含むことを特徴とする請求項７に記載の抗菌効果判定プログラム。
9. 前記第１の事前確率は、前記画像内の中心座標点でピーク値を有する二次元ガウス関数でモデル化していることを特徴とする請求項７又は８に記載の抗菌効果判定プログラム。

Images