JP2020101503A - 画像処理装置、画像処理方法、及びプログラム - Google Patents

Abstract

【課題】撮像日時の違い及び撮像対象の変化等に起因する撮像条件の変化等を吸収し、色味の違いを定量化し得る画像処理装置、画像処理方法、及びプログラムを提供する。【解決手段】複数の学習対象画像と、複数の学習対象画像のそれぞれから特徴色を除いた平均色との関係を学習した学習済みの学習器（１４）を適用して、処理対象画像から平均色を抽出した平均色画像を生成する平均色画像生成部と、処理対象画像から平均色画像を差し引いた差分画像として導出される特徴色画像を生成する特徴色画像生成部（１６）と、特徴色画像から処理対象画像における特徴色の色値を導出する色値導出部（１８）と、を備える。【選択図】図１

Description

本発明は画像処理装置、画像処理方法、及びプログラムに係り、特に画像の色味判定に関する。

魚などの水産物及びリンゴなどの農作物等の生産物を出荷する際に、規定の色味に達したか否かを判定する検査が実施される。生産物を撮像して得られた生産物の画像に対して、画像処理を適用して色味判定を実施する場合は、フラッシュの使用の有無及び背景等の撮像条件を揃えて正規化した画像を用いて、画像内の物体の色味を用いる必要がある。

特許文献１は、トンネル覆工のひび割れ検査装置が記載されている。同文献に記載の検査装置は、画像全体の濃淡度の平均値を算出し、各画素の濃淡度から画像全体の濃淡度を除算して、撮像の際の明るさの偏りを取り除いている。

特許文献２は、ニューラルネットワークを適用した特徴識別方法が記載されている。同文献に記載の方法は、色、色調、及び色むらの識別を可能とし、画像の色情報に基づいて、口紅等の化粧品、製品ラベル、及び印刷物等の識別を可能としている。

特許文献３は、自動車の車色を判定する監視システムが記載されている。同文献に記載の自動車の車色の判定では、自動車の撮像画像から抽出したボディ領域を複数のブロックに分割し、各画素のＲＧＢ値をブロック全体について集計し、ＲＧＢ値それぞれの平均輝度を求めている。規定の対称表を参照して、求めたＲＧＢ値の平均輝度の組み合わせが最も近い組み合わせを領域の色と特定している。

なお、ＲＧＢ値のＲは赤を表し、Ｇは緑を表し、Ｂは青を表す。本明細書では、ＲＧＢ値という用語は、Ｒ値、Ｇ値、及びＢ値の総称を表すこととする。ＲＧＢ値は、色値の一態様である。

特許第５１７５５２８号公報 特開平９−１２０４５５号公報 特許第６１６３３０２号公報

例えば、リンゴが規定の赤よりも赤くなったことを判定する場合、リンゴを撮像した画像全体からリンゴの領域を認識し、リンゴの領域の色を認識しなければならない。更に、撮像日時が異なる場合や撮像対象の生産物が多数の場合は、全ての生産物における全ての撮像において、撮像条件を一致させることは困難である。例えば、撮像日時が異なる場合、撮像対象の生産物が置かれる位置のずれや、天候等の違いに起因する明るさの違いが生じ得る。

特許文献１は、画像から撮像における明るさの偏りを除去する方法を開示しているが、色に関する開示はない。

特許文献２には、同文献に記載の発明の適用例として、色等の識別が例示されているが、色等の識別に関する具体的な開示はない。

特許文献３に記載の発明は、自動車の撮像画像から自動車自体の抽出及びボディ領域の抽出といった工程が必要である。また、ＲＧＢ値の平均輝度とボディ領域の色との関係を規定した対称表を予め準備しておく必要がある。

本発明はこのような問題点に鑑みてなされたもので、撮像日時の違い及び撮像対象の変化等に起因する撮像条件の変化等を吸収し、色味の違いを定量化し得る画像処理装置、画像処理方法、及びプログラムを提供することを目的とする。

上記目的を達成するために、次の発明態様を提供する。

第１態様に係る画像処理装置は、複数の学習対象画像と、複数の学習対象画像のそれぞれから特徴色を除いた平均色との関係を学習した学習済みの学習器を適用して、処理対象画像から平均色を抽出した平均色画像を生成する平均色画像生成部と、処理対象画像から平均色画像を差し引いた差分画像として導出される特徴色画像を生成する特徴色画像生成部と、特徴色画像から処理対象画像における特徴色の色値を導出する色値導出部と、を備えた画像処理装置である。

第１態様によれば、処理対象画像から平均色画像を生成する際に、複数の学習対象画像と、学習対象画像から特徴色を除いた平均色との関係を学習した学習済みの学習器が適用される。これにより、撮像条件等の変動の影響が抑制された平均色画像を生成し得る。また、処理対象画像から平均色画像を差し引いた特徴色画像を生成し、特徴色画像における特徴色の色値を導出する。これにより、特徴色の色味を定量化し得る。

画像という用語は、画像を表す画像データの意味を含み得る。

平均色は、画像において相対的に頻度が高い色を適用し得る。平均色は一種類でもよいし、二種類以上でもよい。

特徴色は、画像において相対的に頻度が低い色を適用し得る。特徴色は一種類でもよいし、二種類以上でもよい。

学習対象画像から特徴色を除く態様には、特徴色の一部を除く態様、又は特徴色の全部を除く態様を適用し得る。

第２態様は、第１態様の画像処理装置において、平均色画像生成部は、学習対象画像の色値を濃淡値へ変換し、色値を変換した濃淡値を色値へ変換して、学習対象画像から特徴色を除いて学習対象画像の平均色を抽出する学習を実施した学習済みの学習器を適用する構成としてもよい。

第２態様によれば、学習済みの学習器を平均色画像生成部として機能させることが可能である。

第３態様は、第２態様の画像処理装置において、平均色画像生成部は、学習対象画像に適用される色数を減らして、学習対象画像の色値を濃淡値へ変換する学習を実施した学習済みの学習器を適用する構成としてもよい。

第３態様によれば、学習対象画像に適用される色のうち、少なくとも一色の色値を濃淡値として適用し得る。

第４態様は、第１態様から第３態様のいずれか一態様の画像処理装置において、平均色画像生成部は、学習対象画像と平均色との関係を学習する際に、平均色に対する特徴色の頻度が低い学習対象画像を適用して学習した学習済みの学習器を適用する構成としてもよい。

第４態様によれば、平均色画像生成部に適用される学習器は、学習対象画像において頻度が低い色をより多く学習する。これにより、学習対象画像から除かれる色をより多く学習し得る。

第５態様は、第１態様から第４態様のいずれか一態様の画像処理装置において、処理対象画像から抽出する特徴色を設定する特徴色設定部を備えた構成としてもよい。

第５態様によれば、処理対象画像に特徴色が二種類以上存在する場合に、処理対象の特徴色を設定し得る。

第６態様は、第１態様から第５態様のいずれか一態様の画像処理装置において、処理対象画像の色値及び特徴色画像の色値はＲＧＢ値が適用される構成としてもよい。

第６態様によれば、平均色画像生成部は、ＲＧＢ値からＲＧＢ値への学習を学習するのでの、学習対象画像に対して正解の付与が不要となる。

第７態様は、第１態様から第６態様のいずれか一態様の画像処理装置において、色値導出部は、特徴色画像の全画素の特徴色の色値の総和を算出する構成としてもよい。

第７態様によれば、処理対象画像における特徴色を数値化し得る。

第８態様は、第１態様から第７態様のいずれか一態様の画像処理装置において、処理対象画像は、農作物及び水産物の少なくともいずれかを撮像して得られた画像が適用される構成としてもよい。

第８態様によれば、農産物及び水産物の撮像条件の変動を吸収し、農産物及び水産物の色の変化を定量化することが可能となる。

第９の態様に係る画像処理方法は、複数の学習対象画像と、複数の学習対象画像のそれぞれから特徴色を除いた平均色との関係を学習した学習済みの学習器を適用して、処理対象画像から平均色を抽出した平均色画像を生成する平均色画像生成工程と、処理対象画像から平均色画像を差し引いた差分画像として導出される特徴色画像を生成する特徴色画像生成工程と、特徴色画像から処理対象画像における特徴色の色値を導出する色値導出工程と、を含む画像処理方法である。

第９態様によれば、第１態様と同様の効果を得ることが可能である。

第９態様において、第２態様から第８態様で特定した事項と同様の事項を適宜組み合わせることができる。その場合、画像処理装置において特定される処理や機能を担う構成要素は、これに対応する処理や機能を担う画像処理方法の構成要素として把握することができる。

第１０態様に係るプログラムは、コンピュータに、複数の学習対象画像と、複数の学習対象画像のそれぞれから特徴色を除いた平均色との関係を学習した学習済みの学習器を適用して、処理対象画像から平均色を抽出した平均色画像を生成する平均色画像生成機能、処理対象画像から平均色画像を差し引いた差分画像として導出される特徴色画像を生成する特徴色画像生成機能、及び特徴色画像から処理対象画像における特徴色の色値を導出する色値導出機能を実現させるプログラムである。

第１０態様によれば、第１態様と同様の効果を得ることが可能である。

第１０態様において、第２態様から第８態様で特定した事項と同様の事項を適宜組み合わせることができる。その場合、画像処理装置において特定される処理や機能を担う構成要素は、これに対応する処理や機能を担うプログラムの構成要素として把握することができる。

本発明によれば、処理対象画像から平均色画像を生成する際に、複数の学習対象画像と、学習対象画像から特徴色を除いた平均色との関係を学習した学習済みの学習器が適用される。これにより、撮像条件等の変動の影響が抑制された平均色画像を生成し得る。また、処理対象画像から平均色画像を差し引いた特徴色画像を生成し、特徴色画像における特徴色の色値を導出する。これにより、特徴色の色味を定量化し得る。

図１は実施形態に係る画像処理装置の機能ブロック図である。 図２は図１に示す画像処理装置のハードウェアの構成を示すブロック図である。 図３は図１に示す画像処理装置に適用される学習器における学習の手順を示すフローチャートである。 図４は図１に示す画像処理装置に適用される画像処理方法の手順を示すフローチャートである。 図５は学習対象画像の一例を示す図である。 図６は学習対象画像の色値の一例を示す図である。 図７は学習器の説明図である。 図８は図７に示す学習器に適用されるネットワークの構成例を示すブロック図である。 図９は図７に示す学習器に適用されるネットワークの他の構成例を示すブロック図である。 図１０は比較例に係るネットワークの構成例を示すブロック図である。 図１１は図４に示す平均色画像生成工程の模式図である。 図１２は図４に示す特殊色画像生成工程の模式図である。 図１３は特徴色の色値の一例を示す表である。 図１４は平均色画像における色値算出の模式図である。 図１５は色成分ごとに色値を算出する場合の例を示す色変換の模式図である。 図１６は処理対象画像から平均色画像への変換の具体例を示す表である。 図１７は特徴色指定画面の構成例を示す説明図である。

以下、添付図面に従って本発明の好ましい実施の形態について詳説する。本明細書では、同一の構成要素には同一の参照符号を付して、重複する説明は適宜省略することとする。

［画像処理システムの全体構成］
〔機能ブロックの説明〕
図１は実施形態に係る画像処理装置の機能ブロック図である。画像処理装置１０は、画像取得部１２、学習器１４、特徴色画像生成部１６、色値算出部１８、特徴色設定部２０、判別部２２、及び記憶部２４を備える。また、画像処理装置１０は、表示制御部２６及び入力制御部２８を備える。

画像取得部１２は、撮像装置及び画像記憶装置等の外部装置から処理対象画像及び学習対象画像を取得する。画像取得部１２は、処理対象画像を取得する処理対象画像取得部、及び学習対象画像を取得する学習対象画像取得部を含んで構成されてもよい。

画像取得部１２は、取得した処理対象画像データ等を記憶部２４へ記憶する。画像取得部１２は、図示しないネットワークと接続されてもよい。画像取得部１２は、図示しない記憶デバイスを着脱可能に構成された記憶デバイス装着部を備えてもよい。

本明細書において、画像という用語は画像を表す信号である画像データの意味として使用される場合がある。画像取得部１２は、写真等の画像を取得して、画像を信号に変換してもよいし、画像を表す信号である画像データを取得してもよい。

学習器１４は、学習対象画像における各画素の色値を学習データとして学習を実施する。色値はＲＧＢ値を適用し得る。学習器１４は、学習対象画像データにおける各画素の色値を濃淡値へ変換する。学習器１４は、学習対象画像における各画素の色値を濃淡値へ変換する際にデータ量を圧縮する。データ量の圧縮の一例として、色数を減らす例が挙げられる。

学習器１４は色値から変換した濃淡値を色値へ戻す。学習器１４は、濃淡値を色値へ戻す際に学習対象画像において出現頻度が高い平均的な色は復元する。一方、学習器１４は、濃淡値を色値へ戻す際に学習対象画像において出現頻度が低い特殊な色は復元しない。以下、出現頻度が高い平均的な色を平均色と呼ぶ。また、出現頻度が低い特殊な色を特徴色と呼ぶ。

学習済みの学習器１４は、処理対象画像から平均色画像を生成する平均色画像生成部として機能する。学習済みの学習器１４は、処理対象画像から生成された平均色画像を記憶部２４へ記憶する。なお、学習器１４の詳細及び平均色画像生成の詳細は後述する。

特徴色画像生成部１６は、処理対象画像から平均色画像を差し引いた差分画像を生成する。差分画像は、処理対象画像から特徴色を抽出した特徴色画像である。特徴色画像生成部１６は、処理対象画像から生成した特徴色画像を記憶部２４へ記憶する。

色値算出部１８は、特徴色画像の色値を算出する。例えば、特徴色画像の各画素における特徴色の色値を合算して、特徴色画像の色値とし得る。色値算出部１８は、特徴色画像の色値を記憶部２４へ記憶する。実施形態に記載の色値算出部１８は色値導出部の一例に相当する。

特徴色設定部２０は、処理対象画像から抽出する特徴色を設定する。特徴色設定部２０は、入力装置３２を用いて入力された特徴色を指定する情報に基づいて、特徴色を設定し得る。

判別部２２は、特徴色画像の色値に基づいて、評価対象の色を判別する。判別部２２を用いた色判別の判別結果を表す信号は、表示制御部２６を介してモニタ３０へ送信される。モニタ３０は、色判別の判別結果を表示する。

記憶部２４は、画像取得部１２を用いて取得した処理対象画像等の各種データを記憶する。記憶部２４は、複数の記憶素子を用いて構成し得る。記憶部２４は画像処理装置１０と通信可能に接続される外部の記憶装置を適用し得る。

表示制御部２６は、モニタ３０を用いて表示させる各種情報を、モニタ３０の入力形式に対応する表示信号へ変換し、表示信号をモニタ３０へ送信する。すなわち、表示制御部２６は、モニタ３０を制御するディスプレイドライバーとして機能する。

入力制御部２８は、入力装置３２から入力された信号を受信し、受信した信号を画像処理装置１０において処理可能な形式の信号へ変換する。入力装置３２は、キーボード及びマウス等を適用し得る。

〔ハードウェアの説明〕
図２は図１に示す画像処理装置のハードウェアの構成を示すブロック図である。図１に示す画像処理装置１０の機能は、図２に示すハードウェアを用いて、プログラムを実行させて実現し得る。

図２に示す画像処理装置１０は、プロセッサ４０、メモリ４２、ストレージ装置４４、ネットワークコントローラ４６、電源装置４８、ディスプレイコントローラ６０、入出力インターフェース６２、及び入力コントローラ６４を備える。なお、図２に示すＩ／Ｏは入出力インターフェースを表す。

プロセッサ４０、メモリ４２、ストレージ装置４４、ネットワークコントローラ４６、ディスプレイコントローラ６０、及び入出力インターフェース６２は、バス６６を介してデータ通信が可能に接続される。

〈プロセッサ〉
プロセッサ４０は、画像処理装置１０の全体制御部、各種演算部、及び記憶制御部として機能する。プロセッサ４０は、メモリ４２に具備されるＲＯＭ（read only memory）に記憶されているプログラムを実行する。

プロセッサ４０は、ネットワークコントローラ４６を介して、図示しない外部の記憶装置からプログラムをダウンロードし、ダウンロードしたプログラムを実行してもよい。外部の記憶装置は、ネットワーク５０を介して画像処理装置１０と通信可能に接続されていてもよい。

プロセッサ４０は、メモリ４２に具備されるＲＡＭ（random access memory）を演算領域とし、各種プログラムと協働して、各種処理を実行する。これにより、画像処理装置１０の各種機能が実現される。

プロセッサ４０は、ストレージ装置４４からのデータの読み出し、及びストレージ装置４４へのデータの書き込みを制御する。プロセッサ４０は、ネットワークコントローラ４６を介して、外部の記憶装置から各種データを取得してもよい。プロセッサ４０は、取得した各種データを用いて、演算等の各種処理を実行可能である。

プロセッサ４０は、一つ、又は二つ以上のデバイスが含まれてもよい。デバイスの一例として、ＦＰＧＡ（Field Programmable Gate Array）、及びＰＬＤ（Programmable Logic Device）等が挙げられる。ＦＰＧＡ及びＰＬＤは、製造後に回路構成を変更し得るデバイスである。

デバイスの他の例として、ＡＳＩＣ（Application Specific Integrated Circuit）が挙げられる。ＡＳＩＣは、特定の処理を実行させるために専用に設計された回路構成を備える。

プロセッサ４０は、同じ種類の二つ以上のデバイスを適用可能である。例えば、プロセッサ４０は二つ以上のＦＰＧＡを用いてもよいし、二つのＰＬＤを用いてもよい。プロセッサ４０は、異なる種類の二つ以上プロセッサを適用してもよい。例えば、プロセッサ４０は一つ以上のＦＰＧＡと一つ以上のＡＳＩＣとを適用してもよい。

複数のプロセッサ４０を備える場合、複数のプロセッサ４０は一つのデバイスを用いて構成してもよい。複数のプロセッサ４０を一つのデバイスを用いて構成する一例として、一つ以上のＣＰＵ（Central Processing Unit）とソフトウェアとの組合せを用いて一つのデバイスを構成し、このデバイスが複数のプロセッサ４０として機能する形態がある。なお、本明細書におけるソフトウェアはプログラムと同義である。

複数のプロセッサ４０を一つのデバイスで構成する他の例として、複数のプロセッサ４０を含むシステム全体の機能を一つのＩＣチップで実現するデバイスを使用する形態が挙げられる。複数のプロセッサ４０を含むシステム全体の機能を一つのＩＣチップで実現するデバイスの代表例として、ＳｏＣ（System On Chip）が挙げられる。なお、ＩＣは、Integrated Circuitの省略語である。

このように、プロセッサ４０は、ハードウェア的な構造として、各種のデバイスを一つ以上用いて構成される。

〈メモリ〉
メモリ４２は、図示しないＲＯＭ、及び図示しないＲＡＭを備える。ＲＯＭは、画像処理装置１０において実行される各種プログラムを記憶する。ＲＯＭは、各種プログラムの実行に用いられるパラメータ、及びファイル等を記憶する。ＲＡＭは、データの一時記憶領域、及びプロセッサ４０のワーク領域等として機能する。

〈ストレージ装置〉
ストレージ装置４４は、各種データを非一時的に記憶する。ストレージ装置４４は、画像処理装置１０の外部に外付けされてもよい。ストレージ装置４４に代わり、又はこれと併用して、大容量の半導体メモリ装置を適用してもよい。

〈ネットワークコントローラ〉
ネットワークコントローラ４６は、外部装置との間のデータ通信を制御する。データ通信の制御は、データ通信のトラフィックの管理が含まれてもよい。ネットワークコントローラ４６を介して接続されるネットワーク５０は、ＬＡＮなどの公知のネットワークを適用し得る。

〈電源装置〉
電源装置４８は、ＵＰＳ(Uninterruptible Power Supply)などの大容量型の電源装置が適用される。電源装置４８は停電等に起因して商用電源が遮断された際に、画像処理装置１０の各部へ電源を供給する。

〈ディスプレイコントローラ〉
ディスプレイコントローラ６０は、プロセッサ４０から送信される指令信号に基づいてモニタ３０を制御するディスプレイドライバーとして機能する。

〈入出力インターフェース〉
入出力インターフェース６２は、画像処理装置１０と外部機器とを通信可能に接続する。入出力インターフェース６２は、ＵＳＢ（Universal Serial Bus）などの通信規格を適用し得る。

〈入力コントローラ〉
入力コントローラ６４は、入力装置３２を用いて入力された信号の形式を画像処理装置１０の処理に適した形式に変換する。入力コントローラ６４を介して入力装置３２から入力された情報は、プロセッサ４０を介して各部へ送信される。

［学習方法の説明］
図３は図１に示す画像処理装置に適用される学習器における学習の手順を示すフローチャートである。図３に示す学習方法は、学習対象画像取得工程Ｓ１０、色値抽出工程Ｓ１２、及び変換工程Ｓ１４が含まれる。

学習対象画像取得工程Ｓ１０では、図１に示す画像取得部１２を用いて、複数の学習対象画像を取得し、複数の学習対象画像を記憶部２４へ記憶する。学習対象画像は、物体のカラー画像を適用し得る。学習対象画像取得工程Ｓ１０の後に、色値抽出工程Ｓ１２へ進む。

色値抽出工程Ｓ１２では、学習器１４は学習対象画像から色値を抽出する。学習器１４は学習対象画像の各画素のＲＧＢ値を抽出する。学習器１４は、学習器１４とは別に具備された色値抽出部を用いて学習対象画像から抽出した色値を取得してもよい。色値抽出工程Ｓ１２の後に変換工程Ｓ１４へ進む。

変換工程Ｓ１４では、学習器１４は学習対象画像の色値を濃淡値へ変換する。学習器１４は学習対象画像の色値を濃淡値へ変換する際にデータ量を圧縮する。学習器１４は、濃淡値を色値へ変換する。学習器１４は学習対象画像の色値から、濃淡値を経て変換された色値への変換関係を学習する。

学習対象画像取得工程Ｓ１０から変換工程Ｓ１４までの工程を経て生成された学習済みの学習器１４は、処理対象画像から平均色画像を生成する平均色画像生成部として機能する。

［画像処理方法の説明］
図４は図１に示す画像処理装置に適用される画像処理方法の手順を示すフローチャートである。図４に示す画像処理方法は、処理対象画像取得工程Ｓ２０、平均色画像生成工程Ｓ２２、特徴色画像生成工程Ｓ２４、色値算出工程Ｓ２６、及び判別工程Ｓ２８を含んで構成される。

処理対象画像取得工程Ｓ２０では、図１に示す画像取得部１２は評価対象の物体の画像である処理対象画像を取得し、処理対象画像を記憶部２４へ記憶する。処理対象画像取得工程Ｓ２０の後に、平均色画像生成工程Ｓ２２へ進む。

平均色画像生成工程Ｓ２２では、平均色画像生成部として機能する学習済みの学習器１４は、処理対象画像から平均色画像を生成し、平均色画像を記憶部２４へ記憶する。平均色画像生成工程Ｓ２２の後に、特徴色画像生成工程Ｓ２４へ進む。

特徴色画像生成工程Ｓ２４では、特徴色画像生成部１６は処理対象画像から平均色画像を差し引いて差分画像を生成する。差分画像は、処理対象画像から特徴色を抽出した特徴色画像である。特徴色画像は記憶部２４へ記憶される。特徴色画像生成工程Ｓ２４の後に、色値算出工程Ｓ２６へ進む。

色値算出工程Ｓ２６では、色値算出部１８は特徴色画像の色値を算出し、特徴色画像と色値とを関連付けして、記憶部２４へ記憶する。色値算出工程Ｓ２６の後に、判別工程Ｓ２８へ進む。実施形態に記載の色値算出工程Ｓ２６は色値導出工程の一例に相当する。

判別工程Ｓ２８では、判別部２２は特徴色画像の色値に基づいて評価対象の色を判別する。判別結果はモニタ３０に表示される。判別工程Ｓ２８の後に規定の終了処理が実施され、画像処理は終了される。

［画像処理装置の色判別への適用例］
次に、図１から図４を用いて説明した画像処理装置の色判別への適用例について詳細に説明する。本実施形態では、評価対象として水産物である魚を例示し、魚の表面に現れる赤みが魚の出荷基準を満たすか否かの判別を例示する。すなわち、赤が特徴色であり、魚の地色である白、コンクリートの色である黒、及びコンクリートの色である黄色等が平均色である。

〔学習の説明〕
〈学習対象画像の取得〉
まず、図１に示す学習器１４を学習させる。学習器１４の学習は、図３に示す学習方法が適用される。まず、複数の学習対象画像を取得するために、複数の魚を一匹ずつコンクリートの床に置いて撮像する。複数の魚は、捕獲直後の魚、捕獲してから数日間経過している魚、及び出荷直前の魚など、様々な経緯の魚を適用する。

撮像対象の複数の魚は、出荷直前の赤の出現頻度が高い魚は相対的に数が少なく、赤の出現頻度が低く白の出現頻度が高い魚は相対的に数が多い。つまり、撮像対象の複数の魚は、赤の出現頻度が低い魚の側に数の偏った分布を有している。すなわち、学習器１４は、平均色の側に偏った数的な分布を有する複数の学習対象画像が用いられる。

図５は学習対象画像の一例を示す図である。図５には、複数の学習対象画像として、学習対象画像１００、学習対象画像１０２、及び学習対象画像１０４を示す。学習対象画像１００は、捕獲された直後の魚１１０Ａをコンクリートの床に置いて撮像して得られている。捕獲された直後の魚１１０Ａは、白と比較して赤の出現頻度が低く赤と比較して白の出現頻度が高い。

学習対象画像１０２は、捕獲されてから数日経過した魚１１０Ｂを、コンクリートの床に置いて撮像して得られている。学習対象画像１０２に写っている魚１１０Ｂは、白と比較して赤の出現頻度が低く、赤と比較して白の出現頻度が高い。一方、学習対象画像１０２に写っている魚１１０Ｂは、学習対象画像１００の魚１１０Ａと比較して、赤の出現頻度が高くなり、白の出現頻度が低くなっている。

なお、学習対象画像１０２の床の位置は、学習対象画像１００の床の位置と一致していないため、学習対象画像１０２の床は黄色が出現している。すなわち学習対象画像１０２は、赤と比較して黄色の出現頻度が高くなっている。

学習対象画像１０４は、出荷が可能な程度に赤みを帯びた魚１１０Ｃをコンクリートの床に置いて撮像して得られている。学習対象画像１０４は、白と比較して赤の出現頻度が低く赤と比較して白の出現頻度が高い。一方、学習対象画像１０４に写っている魚１１０Ｃは、学習対象画像１００の魚１１０Ａと比較して、赤の出現頻度が高くなり、白の出現頻度が低くなっている。

〈学習対象画像の色値を抽出〉
次に、学習対象画像から色値を抽出し、学習データとする。各学習対象画像の色値は、画素ごとのＲＧＢ値を適用し得る。例えば、学習対象画像の画素数が６００画素×４００画素の場合、一枚の学習対象画像から２４万個のＲＧＢ値を取得することができる。

図６は学習対象画像の色値の一例を示す図である。図６には、学習対象画像１００、学習対象画像１０２、及び学習対象画像１０４からの色値の抽出を模式的に図示する。図６には、学習対象画像１００から色値（Ｒ_１１，Ｇ_１１，Ｂ_１１）、色値（Ｒ_１２，Ｇ_１２，Ｂ_１２）、及び色値（Ｒ_１ｎ，Ｇ_１ｎ，Ｂ_１ｎ）等を抽出する例を示す。

また、図６には、学習対象画像１０２から色値（Ｒ_２１，Ｇ_２１，Ｂ_２１）、色値（Ｒ_２２，Ｇ_２２，Ｂ_２２）、及び色値（Ｒ_２ｎ，Ｇ_２ｎ，Ｂ_２ｎ）等を抽出する例、並びに学習対象画像１０４から色値（Ｒ_３１，Ｇ_３１，Ｂ_３１）、色値（Ｒ_３２，Ｇ_３２，Ｂ_３２）、及び色値（Ｒ_３ｎ，Ｇ_３ｎ，Ｂ_３ｎ）等を抽出する例を示す。

すなわち、学習対象画像１００のｉ番目の画素の色値は、（Ｒ_１ｉ，Ｇ_１ｉ，Ｂ_１ｉ）と表される。同様に、学習対象画像１０２のｉ番目の画素の色値は、（Ｒ_２ｉ，Ｇ_２ｉ，Ｂ_２ｉ）と表され、学習対象画像１０４のｉ番目の画素の色値は、（Ｒ_３ｉ，Ｇ_３ｉ，Ｂ_３ｉ）と表される。

学習対象画像１００、学習対象画像１０２、及び学習対象画像１０４の画素数をｎとした場合、ｉは１からｎの整数が適用される。すなわち、学習対象画像１００は、（Ｒ_１１，Ｇ_１１，Ｂ_１１）から（Ｒ_１ｎ，Ｇ_１ｎ，Ｂ_１ｎ）までのｎ個の色値が抽出される。

同様に、学習対象画像１０２は、（Ｒ_２１，Ｇ_２１，Ｂ_２１）から（Ｒ_２ｎ，Ｇ_２ｎ，Ｂ_２ｎ）までのｎ個の色値が抽出され、学習対象画像１０４は、（Ｒ_３１，Ｇ_３１，Ｂ_３１）から（Ｒ_３ｎ，Ｇ_３ｎ，Ｂ_３ｎ）までのｎ個の色値が抽出される。なお、学習対象画像１００、学習対象画像１０２、及び学習対象画像１０４の画素数ｎは、同一でもよいし相違していてもよい。

〈色値の変換〉
次に、複数の学習対象画像から抽出した色値を濃淡値へ変換し、濃淡値を色値へ戻す。すなわち、ＲＧＢ値からＲＧＢ値への変換を実施する。図７は学習器の説明図である。図７には、学習対象画像１００、学習対象画像１０２、及び学習対象画像１０４のそれぞれのｉ番目の画素の色値の変換例を示す。

すなわち、学習器１４は、学習対象画像１００のｉ番目の画素の色値（Ｒ_１ｉ，Ｇ_１ｉ，Ｂ_１ｉ）を、色値（Ｒ_１１ｉ，Ｇ_１１ｉ，Ｂ_１１ｉ）へ変換する。同様に、学習器１４は、学習対象画像１０２のｉ番目の画素の色値（Ｒ_２ｉ，Ｇ_２ｉ，Ｂ_２ｉ）を、色値（Ｒ_２１ｉ，Ｇ_２１ｉ，Ｂ_２１ｉ）へ変換し、学習対象画像１０４のｉ番目の画素の色値（Ｒ_３ｉ，Ｇ_３ｉ，Ｂ_３ｉ）を、色値（Ｒ_３１ｉ，Ｇ_３１ｉ，Ｂ_３１ｉ）へ変換する。

従来技術に係る教師有り学習は、学習対象画像ごとに出荷可又は出荷不可等のラベルを付与し、学習器は学習対象画像とラベルとの関係を学習する。または、学習対象画像に０．１及び０．９等のスコアを付与し、学習器は学習対象画像とスコアとの関係を学習する。そうすると、学習対象画像ごとにラベル及びスコア等の正解を付与するためのコストが発生する。

これに対して本実施形態に示す学習器１４は、学習対象画像のＲＧＢ値を学習データとして、ＲＧＢ値からＲＧＢ値への変換関係を学習する。これにより、教師有り学習でありながら、学習対象画像へ正解を付与する作業が不要となり、学習対象画像へ正解を付与するためのコストが発生しない。

〔学習器の構成〕
濃淡値を色値へ戻す際に、学習器の性能が高い場合は濃淡値を元の学習対象画像の色値を精度よく復元し得る。本実施形態に適用される学習器１４は、性能をあえて落すことで、学習対象画像と学習対象画像における平均色との変換を学習する。

換言すると、本実施形態に適用される学習器１４は、学習対象画像における特徴色を元に戻すことができない学習器である。

図８は図７に示す学習器に適用されるネットワークの構成例を示すブロック図である。図８に示すネットワーク２００は、入力層２０２、中間層２０４、及び出力層２０６を有する。ネットワーク２００は、入力層２０２の各ノードが中間層２０４のノードと一つのエッジを用いて接続され、出力層２０６の各ノードが中間層２０４のノードと一つのエッジを用いて接続される。

ネットワーク２００は、中間層２０４のノードと出力層２０６の各ノードとを一つのエッジを用いて接続する構造を有している。ネットワーク２００は、濃淡値を色値へ変換する部分が単純な変換を実施するため、変換性能が抑制されている。

図９は図７に示す学習器に適用されるネットワークの他の構成例を示すブロック図である。図９に示すネットワーク２１０は、入力層２１２、第一中間層２１４、第二中間層２１６、及び出力層２１８を備える。

ネットワーク２１０は、色値を多階調化し、多階調化された色値を濃淡値へ変換し、濃淡値を元の階調数と同じ階調数の色値へ変換する。ネットワーク２１０は、図８に示すネットワーク２００と同様に、出力層２１８の各ノードが第二中間層２１６のノードと一つのエッジを用いて接続され、濃淡値を色値へ変換する部分が単純な変換を実施するため、変換性能が抑制されている。

図１０は比較例に係るネットワークの構成例を示すブロック図である。図１０に示すネットワーク２２０は、入力層２２２、第一中間層２２４、第二中間層２２６、第三中間層２２８、及び出力層２３０を備える。

ネットワーク２２０は、色値を多階調の色値へ変換し、多階調の色値を濃淡値へ変換する。ネットワーク２２０は、濃淡値を多階調の色値へ変換し、多階調の色値を元の階調数の色値へ変換する。

ネットワーク２２０は、図９に示すネットワーク２１０と比較して、濃淡値から色値へ変換する性能が高いために、入力層２２２に入力された色値を復元することが可能である。このように高性能のネットワーク２２０は、本実施形態に係る画像処理装置１０には不向きである。

〔画像処理の説明〕
次に、図４に示す画像処理方法について詳細に説明する。

〈平均色画像生成〉
図１１は図４に示す平均色画像生成工程の模式図である。図１１に示すように、図４に示す平均色画像生成工程Ｓ２２では、学習器１４は処理対象画像３００から平均色画像３０２を生成する。

学習器１４は、処理対象画像３００の各画素の色値を、平均色画像３０２の各画素の画素値へ変換する。例えば、処理対象画像３００のｉ番目の画素の画素値（Ｒ_１０１ｉ，Ｇ_１０１ｉ，Ｂ_１０１ｉ）を、平均色画像３０２のｉ番目の画素の画素値（Ｒ_１１ｉ，Ｇ_１１ｉ，Ｂ_１１ｉ）へ変換する。

〈特徴色画像生成〉
図１２は図４に示す特殊色画像生成工程の模式図である。特徴色画像生成工程Ｓ２４では、特徴色画像生成部１６は、処理対象画像３００から平均色画像３０２を差し引いて、差分画像である特徴色画像３１０を生成する。

すなわち、特徴色画像生成部１６は、処理対象画像３００のｉ番目の画素の画素値から、平均色画像３０２のｉ番目の画素値を減算して、特徴色画像３１０のｉ番目の画素の画素値を算出する。この処理を処理対象画像３００及び平均色画像３０２の全画素について実施する。

図１２に示すように、特徴色画像３１０のｉ番目の画素の画素値（Ｒ_{１０００ｉ}，Ｇ_{１０００ｉ}，Ｂ_{１０００ｉ}）は、（｜Ｒ_１０１ｉ−Ｒ_１１ｉ｜，｜Ｇ_１０１ｉ−Ｇ_１１ｉ｜，｜Ｂ_１０１ｉ−Ｂ_１１ｉ｜）と表される。このようにして、画像処理装置１０は学習器１４が生成した平均色画像３０２の色値に対する処理対象画像３００の色値を可視化することが可能となる。

〈色値算出〉
図４に示す色値算出工程Ｓ２６では、特徴色画像３１０を数値化して、処理対象画像３００を定量化する。本実施形態に示す画像処理装置１０は、特徴色画像３１０の数値化の例として、特徴色画像３１０の全画素のＲ値の総和を適用する。

〈判別〉
図１２に示すように、特徴色画像３１０は処理対象画像３００の各画素の色値から、平均色画像３０２の各画素の色値を減算しているので、特徴色画像３１０の背景の濃淡値はゼロとなっている。濃淡値のゼロとは最も濃い値を表す。そうすると、処理対象画像３００における色味が変動する魚領域３００Ａの色値の比較を行うことが可能である。

図１３は特徴色の色値の一例を示す表である。図１３に示す上段の処理対象画像３００の赤み量は７３８．００７、下段の処理対象画像３００の赤み量は２７５．５４２というように、魚の色値を定量化し、両者の赤み量を比較することが可能となる。予め赤み量の閾値を定めておき、赤み量が閾値を超えた場合に出荷可能な魚と判別することが可能である。

本実施形態では、特徴色として赤を例示したが、色値＝Ａ_１×Ｒ値＋Ａ_２×Ｇ値＋Ａ_３×Ｂ値として、定数Ａ_１、定数Ａ_２、及び定数Ａ_３を適宜設定して、任意の色について色味量を算出してもよい。

〔平均色の色値の説明〕
図１４は平均色画像における色値算出の模式図である。図１４は三次元空間を用いて、模式的に色値を表している。図１４に示す色値４００は、処理対象画像３００のｉ番目の画素における色値を表す。また、色値４０２は、平均色画像３０２のｉ番目の画素における色値を表す。図１４に示すように、図１に示す学習器１４は、色値（Ｒ_１０１ｉ，Ｇ_１０１ｉ，Ｂ_１０１ｉ）を色値（Ｒ_１１ｉ，Ｇ_１１ｉ，Ｂ_１１ｉ）へ変換する処理を実施する。

図１５は色成分ごとに色値を算出する場合の例を示す色変換の模式図である。符号４１０は処理対象画像３００のＲ値から平均色画像３０２のＲ値への変換関係を示す。符号４１２は処理対象画像３００のＧ値から平均色画像３０２のＧ値への変換関係を示す。符号４１４は処理対象画像３００のＢ値から平均色画像３０２のＢ値への変換関係を示す。

学習器１４は、図１５に示す色成分ごとに色値の変換を実施するのではなく、図１４に示すように、全ての色成分の色値をまとめて変換する。

〔処理対象画像から平均色画像への変換の具体例〕
図１６は処理対象画像から平均色画像への変換の具体例を示す表である。図１６に示すように、処理対象画像３００の撮像の際の照明及び背景等の撮像条件が相違していても、処理対象画像３００の特徴色である赤を処理対象画像３００から除いた平均色画像３０２を生成し得る。

図１６に示す例では、魚の赤みを特徴色とし、魚の背景であるコンクリートの黒色、黄色、及び魚の地の白色等を平均色とし、処理対象画像３００特徴色が除かれ、処理対象画像３００から平均色が抽出された平均色画像３０２が生成される。

また、魚の地の色である白を第一平均色とし、コンクリートの色である黒を第二平均色とした場合、第一平均色と第二平均色との境界が魚の外形を表す。すなわち、色の処理でありながら、処理対象画像３００から主要被写体である魚の外形が自動的に抽出されるので、魚の外形を抽出する処理が不要となる。

〔特徴色設定の説明〕
図１に示す画像処理装置１０は、処理対象画像３００から特徴色を抽出する際に、特徴色を設定する特徴色設定部２０を備える。特徴色設定部２０は入力装置３２等から入力された情報を用いて、特徴色を設定してもよい。

処理対象画像３００に二種類以上の特徴色が存在する場合が考えられる。かかる場合に、二種類以上の特徴色からどの特徴色を処理対象の特徴色とするかを指定することが可能となる。すなわち、処理対象画像３００の色値がＡ_１×Ｒ値＋Ａ_２×Ｇ値＋Ａ_３×Ｂ値と表される場合に、定数Ａ_１、定数Ａ_２、及び定数Ａ_３を設定することが可能となる。

図１７は特徴色指定画面の構成例を示す説明図である。画像処理装置１０は、モニタ３０を用いて特徴色を指定する特徴色指定画面５００を表示させ、入力装置３２を用いて入力された情報に基づいて特徴色を指定し得る。

特徴色指定画面５００は、処理対象画像表示領域５０２、色指定領域５０４、撮像条件表示領域５０６、及び色値表示領域５０８を含んで構成される。処理対象画像表示領域５０２は処理対象画像３００を表示させる。処理対象画像表示領域５０２は複数の処理対象画像３００を表示させ、複数の処理対象画像３００の中から選択された一つの処理対象画像３００を表示させてもよい。

色指定領域５０４は特徴色として設定する色を指定する。図１７には赤を指定した場合を示す。色指定領域５０４はプルダウンメニューを表示させてもよいし、入力装置３２を用いて入力された色情報を表示してもよい。特徴色設定部２０は、色指定領域５０４に表示された色を特徴色として設定する。色値算出部１８は、特徴色設定部２０を用いて設定された特徴色について、図１２に示す特徴色画像３１０から色値を算出する。

撮像条件表示領域５０６は撮像日時等の撮像条件を表示させる。撮像条件は処理対象画像３００に付与されている付帯情報を適用し得る。なお、図１７に示す撮像日時は任意の日時である。

色値表示領域５０８は、色値算出部１８を用いて算出した色値を表示させる。特徴色画像３１０に指定された特徴色が存在しない場合は、色値としてゼロを表示してもよいし、特徴色画像３１０に指定された特徴色が存在しない旨を表すエラーメッセージを表示してもよい。なお、図１７に示す色値は任意の値である。

特徴色指定画面５００は、図４に示す判別工程Ｓ２８において導出された判別結果を表示させる判別結果表示領域が含まれていてもよい。判別結果は、合否を表す文字情報、合否を表す色等を適用し得る。なお、図１７に示す特徴色指定画面５００は一例であり、適宜、変更、追加、及び削除等が可能である。

［プログラムへの適用例］
上述した画像処理装置１０及び画像処理方法は、コンピュータを用いて、画像処理装置１０における各部に対応する機能、又は画像処理方法における各工程に対応する機能を実現させるプログラムとして構成可能である。

例えば、コンピュータに、学習対象画像取得工程Ｓ１０に対応する学習対象画像取得機能、色値抽出工程Ｓ１２に対応する色値抽出機能、及び変換工程Ｓ１４に対応する変換機能を実現させるプログラムを構成し得る。

また、コンピュータに、処理対象画像取得工程Ｓ２０に対応する処理対象画像取得機能、平均色画像生成工程Ｓ２２に対応する平均色画像生成機能、特徴色画像生成工程Ｓ２４に対応する特徴色画像生成機能、色値算出工程Ｓ２６に対応する色値算出機能、及び判別工程Ｓ２８に対応する判別を実現させるプログラムを構成し得る。実施形態に記載の色値算出機能は、色値導出機能の一例に相当する。

上述した情報処理機能をコンピュータに実現させるプログラムを、有体物である非一時的な情報記憶媒体である、コンピュータが読取可能な情報記憶媒体に記憶し、情報記憶媒体を通じてプログラムを提供することが可能である。また、非一時的な情報記憶媒体にプログラムを記憶して提供する態様に代えて、ネットワークを介してプログラム信号を提供する態様も可能である。

［作用効果］
上記の如く構成された画像処理装置及び画像処理方法によれば、以下の作用効果を得ることが可能である。

〔１〕
学習対象画像１００等の複数の学習対象画像と、複数の学習対象画像のそれぞれから特徴色を除いた平均色との関係を学習した学習器１４を用いて、処理対象画像３００から平均色画像３０２を生成し、処理対象画像３００から平均色画像３０２を差し引いた特徴色画像３１０を生成し、特徴色画像３１０における特徴色の色値を導出する。これにより、撮像条件の変動を吸収し、色味の違いを定量化し得る。また、色の変換処理でありながら、処理対象画像３００から対象物を抽出する処理が不要である。

〔２〕
学習器１４は、学習対象画像１００等の色値を濃淡値へ変換し、濃淡値を特徴色が除かれた色値へ変換する学習を実施する。これにより、学習器１４は、処理対象画像３００から平均色画像３０２を生成する平均色画像生成部として機能し得る。

〔３〕
学習器１４は、学習対象画像１００等に適用されるＲＧＢ値のうちＲ値を濃淡値とする。これにより、学習対象画像１００等のＲＧＢ値から濃淡値への変換が可能となる。濃淡値はＧ値を適用してもよいし、Ｂ値を適用してもよい。

〔４〕
学習器１４は、学習対象画像１００等に適用される色のうち、出現頻度が相対的に低い色を特徴色とする学習を実施する。これにより、学習器１４は学習対象画像１００等の出現頻度が低い色を、学習対象画像１００等から除く学習を実施し得る。

〔５〕
特徴色設定部２０を備える。これにより、処理対象画像３００に二種類以上の特徴色が存在する場合に、処理対象の特徴色を設定し得る。

〔６〕
色値算出部１８は特徴色画像３１０の全画素における色値の総和を算出する。これにより、特徴色を数値化し得る。

［学習対象画像及び処理対象画像の適用範囲］
本実施形態では、色が経時変化する魚等の水産物の撮像画像を処理対象画像３００及び学習対象画像１００等として例示したが、撮像画像の被写体は色が経時変化する物品に広く適用可能である。

トマト及びリンゴなど色が経時変化して赤みが強くなる農作物の撮像画像を処理対象画像及び学習画像に適用可能である。また、建築物の壁等の構造物の汚れ検出、構造物の色あせ検出、自動車のボディカラーの色あせ等の塗料の変色検出、透明樹脂等の黄変検出などにも、本実施形態に示す画像処理装置及び方法を適用可能である。

更に、有色ガスの濃度検出、有色ガスの混合比率検出、川の汚れ検出、及び川の浄化検出等、気体及び液体等の流体の色変化検出にも、本実施形態に示す画像処理装置及び方法を適用可能である。

以上説明した本発明の実施形態は、本発明の趣旨を逸脱しない範囲で、適宜構成要件を変更、追加、削除することが可能である。本発明は以上説明した実施形態に限定されるものではなく、本発明の技術的思想内で当該分野の通常の知識を有する者により、多くの変形が可能である。

１０ 画像処理装置
１２ 画像取得部
１４ 学習器
１６ 特徴色画像生成部
１８ 色値算出部
２０ 特徴色設定部
２２ 判別部
２４ 記憶部
３０ モニタ
３２ 入力装置
４０ プロセッサ
４２ メモリ
４４ ストレージ装置
４６ ネットワークコントローラ
４８ 電源装置
５０ ネットワーク
６０ ディスプレイコントローラ
６２ 入出力インターフェース
６４ 入力コントローラ
６６ バス
１００ 学習対象画像
１０２ 学習対象画像
１０４ 学習対象画像
１１０Ａ 魚
１１０Ｂ 魚
１１０Ｃ 魚
２００ ネットワーク
２０２ 入力層
２０４ 中間層
２０６ 出力層
２１０ ネットワーク
２１２ 入力層
２１４ 第一中間層
２１６ 第二中間層
２１８ 出力層
２２０ ネットワーク
２２２ 入力層
２２４ 第一中間層
２２６ 第二中間層
２２８ 第三中間層
２３０ 出力層
３００ 処理対象画像
３００Ａ 魚領域
３０２ 平均色画像
３１０ 特徴色画像
４００ 色値
４０２ 色値
４１０ Ｒ値の変換関係
４１２ Ｇ値の変換関係
４１４ Ｂ値の変換関係
５００ 特徴色指定画面
５０２ 処理対象画像表示領域
５０４ 色指定領域
５０６ 撮像条件表示領域
５０８ 色値表示領域
Ｓ１０からＳ２８ 画像処理方法の各工程

Claims (10)

1. 複数の学習対象画像と、前記複数の学習対象画像のそれぞれから特徴色を除いた平均色との関係を学習した学習済みの学習器を適用して、処理対象画像から前記平均色を抽出した平均色画像を生成する平均色画像生成部と、
   前記処理対象画像から前記平均色画像を差し引いた差分画像として導出される特徴色画像を生成する特徴色画像生成部と、
   前記特徴色画像から前記処理対象画像における特徴色の色値を導出する色値導出部と、
   を備えた画像処理装置。
2. 前記平均色画像生成部は、学習対象画像の色値を濃淡値へ変換し、前記色値を変換した濃淡値を色値へ変換して、前記学習対象画像から特徴色を除いて前記学習対象画像の平均色を抽出する学習を実施した学習済みの学習器を適用する請求項１に記載の画像処理装置。
3. 前記平均色画像生成部は、前記学習対象画像に適用される色数を減らして、前記学習対象画像の色値を濃淡値へ変換する学習を実施した学習済みの学習器を適用する請求項２に記載の画像処理装置。
4. 前記平均色画像生成部は、学習対象画像と平均色との関係を学習する際に、前記平均色に対する前記特徴色の頻度が低い前記学習対象画像を適用して学習した学習済みの学習器を適用する請求項１から３のいずれか一項に記載の画像処理装置。
5. 前記処理対象画像から抽出する前記特徴色を設定する特徴色設定部を備えた請求項１から４のいずれか一項に記載の画像処理装置。
6. 前記処理対象画像の色値及び前記特徴色画像の色値はＲＧＢ値が適用される請求項１から５のいずれか一項に記載の画像処理装置。
7. 前記色値導出部は、前記特徴色画像の全画素の特徴色の色値の総和を算出する請求項１から６のいずれか一項に記載の画像処理装置。
8. 前記処理対象画像は、農作物及び水産物の少なくともいずれかを撮像して得られた画像が適用される請求項１から７のいずれか一項に記載の画像処理装置。
9. 複数の学習対象画像と、前記複数の学習対象画像のそれぞれから特徴色を除いた平均色との関係を学習した学習済みの学習器を適用して、処理対象画像から前記平均色を抽出した平均色画像を生成する平均色画像生成工程と、
   前記処理対象画像から前記平均色画像を差し引いた差分画像として導出される特徴色画像を生成する特徴色画像生成工程と、
   前記特徴色画像から前記処理対象画像における特徴色の色値を導出する色値導出工程と、
   を含む画像処理方法。
10. コンピュータに、
    複数の学習対象画像と、前記複数の学習対象画像のそれぞれから特徴色を除いた平均色との関係を学習した学習済みの学習器を適用して、処理対象画像から前記平均色を抽出した平均色画像を生成する平均色画像生成機能、
    前記処理対象画像から前記平均色画像を差し引いた差分画像として導出される特徴色画像を生成する特徴色画像生成機能、及び
    前記特徴色画像から前記処理対象画像における特徴色の色値を導出する色値導出機能を実現させるプログラム。