JP3492991B2 - 画像処理装置及び画像処理方法並びに記録媒体 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、画像データをもと
に感性に関係する処理を行う画像処理装置及び画像処理
方法に関する。

【０００２】

【従来の技術】近年、ＷＷＷを中心としたインターネッ
トの普及によって、様々なメディアの膨大な情報に誰で
も簡単にアクセスできる環境が提供されつつある。そう
した中、ユーザ毎の見方や目的に応じた画像の解釈に基
づき、類似画像の検索、感性に基づく画像検索などの画
像作成支援に対する期待は大きく、研究成果は各産業界
から注目を集めている（文献１）。

【０００３】感性に基づいたデザイン設計を支援する分
野では、入力されたイメージに対して対象物の属性を操
作し、よりイメージに近いデザインを提案するシステム
が報告されている（文献２）。これは、主に２種類の手
法が採用されている。ひとつは、最もシンプルな手法
で、ＫＪ法を利用してイメージ語からそれらを決定づけ
ているデザイン上の物理的特性へ落し込む方法である
（文献３）。もうひとつは、ＳＤ（Ｓｅｍａｎｔｉｃ
Ｄｉｆｆｅｒｅｎｔｉａｌｓ）尺度により対象イメージ
語の集合を絞り込み、それらをもとにあらかじめアンケ
ート調査を実施し、数量化１類、ニューラルネットワー
ク、もしくはＧＡ（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈ
ｍ）を行い、イメージ語に影響を与える対象物の各属性
とそれらの重みを求め保存し、新たな入力が行われた
際、入力イメージ語に近いデザインを提示するという方
法である（文献３、４）。

【０００４】画像データを対象とした従来の研究におい
ては、ユーザのイメージにかなう画像を検索することに
力が注がれた。具体的には、画像を感性的な特徴量（彩
度、明度など）で表現し、それらを比較する方法があ
る。また、あらかじめ行ったユーザへのアンケート情報
から画像の特徴量とイメージ語との関係を求めて保存
し、新たに入力されたイメージ語の検索要求に対して、
それらと類似している画像集合を発見するという方法も
報告されている（文献５、６）。

【０００５】なお、上記各文献は次の通りである。 文献１：「辻三郎：“感性の科学”， サイエンス社，
１９９７」 文献２：「長町三生：“感性をデザインに作り込む技
術”， 日本ファジー学会誌， Ｖｏｌ．１０， ｐ
ｐ．１０６３−１０７７， １９９８」 文献３：「長町三生：“感性工学のおはなし”， 日本
規格協会， １９９５」 文献４：「森典彦ら：“製品の感性評価における属性間
の関係”， Ｐｒｏｃ． ｏｆ ｔｈｅ １ｓｔ Ａｎ
ｎｕａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｆ ＪＳＫＥ，
１９９９」 文献５：「加藤俊一：“感性工学研究の共通プラットフ
ォームと工業デザインへの応用「感性工房」”， Ｐｒ
ｏｃ． ｏｆ ｔｈｅ １ｓｔ ＡｎｎｕａｌＣｏｎｆ
ｅｒｅｎｃｅ ｏｆ ＪＳＫＥ， １９９９」 文献６：「岩岡俊行ら：“感性語の多次元尺度を用いた
画像検索”， Ｐｒｏｃ． ｏｆ ｔｈｅ １ｓｔ Ａ
ｎｎｕａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｆ ＪＳＫＥ，
１９９９」

【０００６】

【発明が解決しようとする課題】以上で述べた従来の技
術には、以下のような課題が検討されている。

【０００７】ユーザの感性に基づいた画像のクラスタリ
ング技術においては、 ・個人、画像毎に異なる感性を感性語で表現することの
困難さ。 ・非線型に存在するイメージ語と特徴量の関係を獲得す
る困難さ。 ・画像データの持つイメージを感性情報で明示化するこ
との困難さ。

【０００８】従来のユーザの感性に基づいた画像の検索
においては、入力情報として感性語を含めた自然言語に
よる指示が必要であるとともに、個人、画像毎に微妙に
異なる感性を的確に表現することが困難であった。

【０００９】また、入力イメージ語に近いデザインの提
示において、イメージ語と特徴量の関係を獲得するた
め、あらかじめ用意されたイメージ語の対をもとにした
ユーザの評価を得るが、これらのイメージ語の対をＳＤ
法で限定するには、手間がかかり、そのうえ、生成され
たイメージ語の対には排反ではないものも含まれてしま
う。

【００１０】さらに、感性に基づいたデザイン設計を支
援する分野では、ユーザが自分の感性に適合した製品、
画像を選ぶ方法は数多く試みられている。つまり、上述
のイメージ語によって対象を評価し、そのデータベース
を活用することで、イメージ語と特徴量の関係を決める
ものである。しかしながら、逆に、設計図、製品イメー
ジ、画像集合の特徴を感性情報、感性語として明示化
し、それらに最も適切な感性とは何かを推論する感性診
断は、これからの課題と言われている（文献２）。

【００１１】本発明は、上記事情を考慮してなされたも
ので、複数の画像に共通する感性を表現することのでき
る画像処理装置及び画像処理方法を提供することを目的
とする。

【００１２】

【課題を解決するための手段】本発明は、画像データを
入力とし該画像データが表示されたときに持つ感性的な
表現内容を示す特徴量を出力とする感性モデルの入出力
特性を決定付けるパラメータを、対象となる複数の画像
データに基づいて最適化する画像処理装置であって、前
記パラメータの初期値を入力するパラメータ入力手段
と、初回は初期値として入力された前記パラメータによ
って、２回目以降は更新された前記パラメータによっ
て、決定付けられた入出力特性を持つ前記感性モデルを
用いて、前記対象となる複数の画像データの各々から前
記特徴量を抽出する抽出手段と、抽出された複数の前記
特徴量に基づいて、更新された前記パラメータが最適な
ものに至ったか否かを判断する判断手段と、前記パラメ
ータが初期値である場合または更新された前記パラメー
タが最適なものに至っていないと判断された場合に、前
記感性モデルを用いて抽出される前記特徴量によって規
定される所定の評価値に基づいて、該パラメータを更新
する更新手段とを備え、あるパラメータに対する前記評
価値は、前記複数の画像データから所定の方法で選択さ
れた複数の代表となる画像データから任意に２つを取り
出したときの全部の組み合わせまたは特定の一部の組み
合わせについて、各組における２つの画像データに対し
て当該あるパラメータを用いてそれぞれ抽出された２つ
の前記特徴量の特徴量ベクトル空間上における距離を、
総計したものであり、前記更新手段は、前記パラメータ
の個々の値を所定の方法で上昇または下降の方向に変化
させながら、それぞれの場合のパラメータに対する前記
評価値を求め、それらパラメータのうち、更新される前
のパラメータに対する評価値より善い評価値を持つパラ
メータを、更新された前記パラメータとすることを特徴
とする。また、本発明は、画像データを入力とし該画像
データが表示されたときに持つ感性的な表現内容を示す
特徴量を出力とする感性モデルの入出力特性を決定付け
るパラメータを、対象となる複数の画像データに基づい
て最適化する画像処理装置であって、前記パラメータの
初期値を入力するパラメータ入力手段と、初回は初期値
として入力された前記パラメータによって、２回目以降
は更新された前記パラメータによって、決定付けられた
入出力特性を持つ前記感性モデルを用いて、前記対象と
なる複数の画像データの各々から前記特徴量を抽出する
抽出手段と、抽出された複数の前記特徴量に基づいて、
更新された前記パラメータが最適なものに至ったか否か
を判断する判断手段と、前記パラメータが初期値である
場合または更新された前記パラメータが最適なものに至
っていないと判断された場合に、前記感性モデルを用い
て抽出される前記特徴量によって規定される所定の評価
値に基づいて、該パラメータを更新する更新手段とを備
え、前記更新手段は、更新される前の前記パラメータを
用いて前記抽出手段によって抽出された複数の前記特徴
量に基づいて前記対象となる複数の画像データを複数の
グループに分割し、各々のグループにおいて当該グルー
プの代表となる画像データを選択し、それら複数の代表
となる画像データを用いて前記評価値を規定するもとと
なる前記特徴量を求めることを特徴とする。

【００１３】

【００１４】

【００１５】

【００１６】

【００１７】

【００１８】なお、装置に係る本発明は方法に係る発明
としても成立し、方法に係る本発明は装置に係る発明と
しても成立する。また、装置または方法に係る本発明
は、コンピュータに当該発明に相当する手順を実行させ
るための（あるいはコンピュータを当該発明に相当する
手段として機能させるための、あるいはコンピュータに
当該発明に相当する機能を実現させるための）プログラ
ムを記録したコンピュータ読取り可能な記録媒体として
も成立する。

【００１９】本発明では、例えば、以下のような手法を
用いることができる。 ・画像データ集合に対し、モデル化の際のパラメータを
変更することにより特徴量を操作し、ユーザの感性に基
づいた画像クラスタリングを行う。なお、画像データに
対し、モデル化を行う際、柔軟なモデル化を可能にする
ため、各画像毎に対応するパラメータ、またはシステム
全体を操作するパラメータを用意するようにしてもよ
い。 ・パラメータの設定において、画像に関する書誌情報か
ら帰納学習を行い、抽出された規則を全体の画像に適用
し、その評価から決定される画像集合に共通の感性情報
に基づき、画像をある抽象的な表現を持つ特徴量に変換
するシステム（モデル化システム）におけるパラメータ
を操作する。すなわち、感性情報抽出の対象となる画像
を選定するため、はじめに、画像に関する書誌情報から
帰納学習を行う。対象画像選定の方法は、ユーザに任意
に画像を選定させるなどの方法でもかまわない。また、
帰納学習の手法は、論理に基づく学習でも決定木生成で
もニューラルネットワークでもかまわない。抽出された
規則を全体の画像に適用し、それにより対象とする画像
集合を決定する。対象とする画像集合を、いくつかの集
合に分類し、それぞれの集合から代表画像を選択し、そ
れらに共通の感性情報を強める方向に、モデル化システ
ムにおけるパラメータを操作する。なお、対象とする画
像集合の分類は、クラスタリング手法でも分類手法でも
かまわない。この一連の操作は、画像の感性情報に基づ
く最適なパラメータの探索に相当する。 ・対象画像集合に対し分散を評価尺度として探索を繰り
返し、最終的に得られた最適パラメータに基づいてモデ
ル化し、その際の特徴量とパラメータ集合を保存する。
対象画像集合に対し分散を評価尺度として探索を繰り返
し、最終的に得られた最適パラメータに基づいてモデル
化された画像の特徴量は、何らかの感性を表現するもの
と捉えることができ、将来的に感性診断へ応用すること
が可能である。

【００２０】本発明によれば、画像データの感性に関係
する特徴量を抽出する感性モデルのパラメータを、複数
の画像に基づいて最適化することによって、ある画像デ
ータの集合に共通の感性特徴を明らかにすることができ
る。すなわち、本発明によれば、当該複数の画像データ
に共通する感性的な特徴を持つ感性モデルを獲得するこ
とができる。

【００２１】また、本発明によれば、静止画像データの
クラスタリングにおいて、画像もしくはそれらのカテゴ
リ情報の指示を入力情報として、特定の利用者の支持す
る画像データ集合を決定し、それらに共通する特徴に基
づいてパラメータ調節を繰り返し実施し、個人、画像毎
に微妙に異なる感性を的確に表現することが可能にな
る。

【００２２】

【発明の実施の形態】以下、図面を参照しながら発明の
実施の形態を説明する。

【００２３】 本発明は、「画像データを入力とし該画
像データが表示されたときに持つ感性的な表現内容を示
す特徴量（例えば、画像データのイメージカラーに関す
る特徴量あるいは画像データの構図的な構造に関する特
徴量あるいは画像データのテクスチャに関する特徴量
等）を出力とする感性モデルを用いて、対象画像データ
から特徴量を抽出する処理であって、該感性モデルに、
その入出力特性を決定付けるためのパラメータを持たせ
たもの（すなわち、与えられたパラメータによって決定
付けられた入出力特性を持つ感性モデルを用いて、対象
画像データから特徴量を抽出する処理）」を考え、感性
的に何らかの共通点を有すると推定あるいは仮定した複
数の画像データを用いて、該感性モデルのパラメータを
最適化する処理を行うことによって、ユーザ（例えば、
同じ属性を持つ複数のユーザ）がそれら複数の（表示さ
れた）画像データをみたときの感性を明らかにするもの
である（すなわち、最適化されたパラメータによって決
定付けられる入出力特性を持つ感性モデルを、ユーザが
それら複数の画像データをみたときの感性をモデル化し
たものとする）。

【００２４】例えば、イメージカラーに関する特徴量を
抽出するための感性モデルは、ユーザが画像データをみ
たときに、その画像データからどのようにしてイメージ
カラーを感じ取るか、というようなモデルを示す（この
場合、例えば、イメージカラーの候補として抽出すべき
色の種類数を絞り込むための第１の処理と、この第１の
処理にて抽出された色がイメージカラーとなる色かどう
かを評価するための第２の処理と、この第２の処理にて
イメージカラーとなると評価された色に関する情報をも
とに最終的に出力すべき特徴量を作成する第３の処理が
行われ、第１の処理におけるパラメータは、色の種類数
を絞り込むための基準を指定するためのパラメータで、
第２の処理におけるパラメータは、抽出された色がイメ
ージカラーとなる色かどうかを評価するための基準を指
定するためのパラメータである（第３の処理において、
最終的に出力すべき特徴量をどのような仕様にするかも
パラメータにし得る））。そして、例えば特定の属性を
有するユーザが好感を抱く傾向にある複数の画像データ
あるいは例えば特定の属性を有するユーザが購入したい
という効果意思を持つ傾向にある製品群に対応する画像
データ群等を用いて感性モデルのパラメータを最適化す
ることによって、ユーザが、どのようにしてそれら複数
の画像データのイメージカラーを感じ取ったか、という
ようなことを、知ることができる。

【００２５】なお、本実施形態で例示する処理の具体例
やパラメータの具体例や処理結果の具体例などは一例で
あり、もちろん本実施形態で例示するものに限定される
ものではない。

【００２６】図１に、本実施形態に係る画像処理装置の
構成例を示す。

【００２７】図１に示されるように、この画像処理装置
は、画像データ入力部１、パラメータ入力部２、特徴量
計算部３、フィードバック評価部４、特徴量管理部５、
クラスタリング部６、クラスタリング結果評価部７、パ
ラメータ制御部８、パラメータ保存部９、データ記憶部
（図示せず）を備えている。

【００２８】データ記憶部は、入力された画像データ、
生成された特徴量、入力されたパラメータ（初期値）、
後述する処理により得られたパラメータなどを記憶する
ためのもので、例えばハードディスクや光ディスク、半
導体メモリなどで構成される。データ記憶部は各種デー
タごとに別々の記憶装置によって構成されていてもよい
し、各種データの全部または一部が同じ記憶装置に記憶
されるように構成されていてもよい。

【００２９】この画像処理装置は、ネットワークを介し
て通信相手と情報をやり取りする機能を備えていてもよ
い。

【００３０】この画像処理装置は、計算機上でソフトウ
ェアを実行する形で実現することができる。この場合
に、必要に応じて、所望の機能を有するＯＳや、ドライ
バソフト、パケット通信用ソフト、暗号ソフト等といっ
たソフトウェアが搭載される。また、この場合に、ユー
ザからの情報の入力やユーザへの情報の呈示等のため
に、グラフィカル・ユーザ・インタフェース（ＧＵＩ）
を用いると好ましい。

【００３１】図２に、本画像処理装置の処理手順の一例
を示す。

【００３２】なお、ここでは、感性モデルの一例として
は、画像データのイメージカラーを決定するための感性
モデルを例にとって説明する。

【００３３】まず、本画像処理装置では、画像データ入
力部１により、画像データ（１０）が、入力される。な
お、キーボード入力、ネットワークによるオンライン入
力、情報伝達の媒体である磁気テープあるいは磁気ディ
スクあるいは光ディスクなどからの読み込み等、種々の
入力形態が可能である（入力形態を１種類に固定して構
成してもよいし、入力形態を複数のものから選択可能に
するように構成してもよい）。

【００３４】画像データは、デジタル化されたもの（カ
ラー・ビットマップ・データまたはこれに変換可能なデ
ータ）であれば、どのようなものであってもよい。ま
た、本実施形態では、画像データがカラー画像であるこ
とを想定しているが、もちろん白黒の画像データも色に
関する特徴量を持っており、白黒の画像データを処理対
象から排除するものではない。なお、本実施形態では、
画像データ入力部１から既にデジタル化された画像デー
タを入力する場合を例にとって説明しているが、本画像
モデル化装置に、画像データのソースであって未だデジ
タル化されていないものを、デジタル化して取り込む機
能を設けてもよい。

【００３５】なお、画像データ入力部１から複数の画像
データを入力し、それらのうちからパラメータ最適化処
理に用いる画像データを自動選択あるいはユーザ指定す
る構成も可能であるし、画像データ入力部１から入力さ
れた複数の画像データをすべてパラメータ最適化処理に
用いるものとする構成も可能である。

【００３６】また、パラメータ入力部２により、パラメ
ータの初期値が、キーボード入力あるいはネットワーク
によるオンライン入力あるいは情報伝達の媒体である磁
気テープからの読み込みなどの所定の入力形態で、入力
される（ステップＳ１）。パラメータの初期値の入力
は、最初のステップＳ２（特徴量の抽出）の処理が行わ
れる以前の任意のタイミングで行っても構わない。な
お、パラメータの初期値は、外部から与えるのではな
く、予め定めた初期値を用いるようにしてもよい（例え
ば、プログラム中に作り込んでしまうか、あるいは所定
のファイルに記述しておき、プログラムが該所定のファ
イルを参照するなど）。

【００３７】図３に、パラメータ情報の一例を示す。こ
れらパラメータは、詳しくは後述するが、イメージカラ
ーを決定するための感性モデルの一例におけるパラメー
タであって、パラメータｒは、混色の閾値であり、パラ
メータｃは、限定色数であり、パラメータｖ（ｓ，ｔ，
ｕ）は、誘目性の高さの計算のための影響比率（色相、
彩度、明度それぞれへの影響比率）であり、パラメータ
ｍ（ｅ，ｆ，ｇ）は、目立つ度合い計算のための影響比
率（色の領域の大きさ、誘目性の高さ、コントラスト感
の高さそれぞれへの影響比率）であり、パラメータｉ
は、指定色数（最終的に出力するイメージカラーの種類
数）である。なお、この例の場合、パラメータ最適化処
理においては特徴量として使用すべきイメージカラーの
種類数が別に定められる。本実施形態では、特徴量計算
部３にて感性モデルの本来の出力を求めて保存するとと
もに、その中からパラメータ最適化処理に用いるものを
取り出すようにしているのでパラメータｉも初期値とし
て入力しているが、特徴量計算部３にてパラメータ最適
化処理のために必要な特徴量のみ求めるようにする場合
には、パラメータｉの初期値は入力しなくて構わない
（すなわち、パラメータｉは、最適化の対象にはならな
い）。また、他のパラメータｒ，ｃ，ｓ，ｔ，ｕ，ｅ，
ｆ，ｇの一部のものを固定して最適化の対象からは除外
することも可能である。

【００３８】なお、ここでは、感性モデルやパラメータ
の仕様は、予め定められている場合を例にとって説明し
ているが、複数の感性モデルやパラメータのうちから、
使用するものをユーザが選択できるようにしてもよい。

【００３９】さて、次に、特徴量計算部３にて、複数の
画像データのそれぞれに、与えられたパラメータ（最初
はパラメータの初期値、以降は更新されたパラメータ）
に基づく感性モデルを適用して、各画像データの特徴量
を抽出する（ステップＳ２）。

【００４０】図４に、イメージカラーの決定結果の一例
を示す。この例では、６種類（すなわちパラメータｉ＝
６の場合）のイメージカラーについて、イメージカラー
としての評価値Ｌ（例えば、１．６６８３４６）と、Ｈ
ＳＶ空間座標値（例えば、（０．５９９０９９，０．１
８３１６８，０．７８９０６２））と、ＲＧＢ空間座標
値（たとえば、（１６５，１８０，２０２））が出力さ
れている。

【００４１】抽出された特徴量は、そのもととなった画
像データに付加されてまたはその画像データの識別情報
に対応付けて、保存される。

【００４２】この特徴量計算部３の処理の具体例につい
ては後に詳細に説明する。

【００４３】なお、画像データ入力部１から複数の画像
データを入力し、それらのうちからパラメータ最適化処
理に用いる画像データを自動選択あるいはユーザ指定す
る構成の場合には、この時点で入力された全画像データ
の特徴量を抽出するのではなく、パラメータ最適化処理
に用いる画像データが選択あるいは指定された後に、そ
れら選択あるいは指定された画像データについてのみ特
徴量を抽出するようにしてもよい（例えば、画像データ
の特徴量の抽出を、初回は、ステップＳ１２の後に行う
ようにしてもよい）。

【００４４】次に、本実施形態では、画像データ入力部
１から入力された複数の画像データのうちから、パラメ
ータ最適化処理に用いる画像データを自動選択あるいは
ユーザ指定する。

【００４５】ここでは、自動選択の一例として、製品あ
るいは商品の購買意欲調査によるアンケート結果を利用
し、感性情報に基づく画像データのクラスタリングによ
って、ある製品の購買意欲を駆り立てられた利用者を決
定し、製品に対応するコマーシャル（ＣＭ）画像から、
それらの利用者の感性を明らかにするような場合を例に
とって説明する。

【００４６】この場合、まず、フィードバック評価部４
にて、画像データ入力部１によって提示された画像デー
タ集合に対して、購買者を定義する規則の学習がこれま
でに行われていないか、それとも、学習済みでフィード
バックがなされたかを判断する（ステップＳ３）。

【００４７】これまでに学習が行われていなければ、ス
テップＳ１２に進む。なお、詳しくは後述するが、既に
学習されていれば、特徴量空間（ＨＳＶ空間）における
入力画像の分布が収縮したかどうかを判断するステップ
Ｓ４に進む。

【００４８】さて、ステップＳ１２（購買者の特徴抽
出）においては、ＣＭの影響で特定の製品の購買意欲を
そそられた消費者の条件を学習する。

【００４９】例えば図５の入力データの内容や図６のデ
ータの具体例に示すように、製品や消費者に関する書誌
データをもとに、製品の購入意欲を学習ターゲットと
し、消費者属性を背景知識として、購入する意欲をもっ
た消費者の特徴の獲得を試みる。

【００５０】なお、図５の例では、入力データの種類と
して、プログラムパラメータ、モード宣言、正事例、背
景知識を用い、プログラムパラメータの内容としてはノ
イズ許容値、探索ノード数制限、入力モード、モード宣
言の内容としては生成する規則の型、正事例の内容とし
ては購入予定者と購入予定製品の関係、背景知識の内容
としては購入予定者の個人情報（性別、世代、収入、家
族関係など）、購入予定者の生活情報（趣味、各種機関
利用率、購読新聞、生活意識など）を用いる場合を例示
している。図６は図５を具体化した一例である。

【００５１】ここでは、属性の階層関係に加え属性間の
関係を表す情報を背景知識として扱うため、帰納学習の
手法として、Ｓ．Ｍｕｇｇｌｅｔｏｎの開発したＰｒｏ
ｇｏｌ（「Ｓ．Ｍｕｇｇｌｅｔｏｎ：“Ｉｎｖｅｒｓｅ
ｅｎｔａｉｌｍｅｎｔ ａｎｄ Ｐｒｏｇｏｌ”，
Ｎｅｗ Ｇｅｎｅｒａｔｉｏｎ Ｃｏｍｐｕｔｉｎｇ，
Ｖｏｌ．１３， ｐｐ．２４５−２８６， １９９
５」、「Ｓａｍ．Ｒｏｂｅｒｔｓ：“Ａｎ Ｉｎｔｒｏ
ｄｕｃｔｉｏｎ ｏｆ Ｐｒｏｇｏｌ”， １９９
７」）を用いるものとするが、もちろん、論理に基づく
学習、決定木生成、ニューラルネットワークなど、他の
方法を用いることもできる。

【００５２】このような学習によって、例えば図７に示
すようなルールを獲得することができる。

【００５３】次に、図７に例示するようなルールを画像
データに反映させるため、まず、ルールによって説明さ
れる消費者集合Ｂ（例えば、外国ブランドが好きでない
という属性を持つ消費者の集合）が、その特定の製品
（例えば、テレビゲーム）の他に購入を予定している製
品の集合Ａを、以下のように求める（ステップＳ１
３）。（１）ルールの条件部を全体集合に適用し、消費
者集合Ｂが特定の製品（例えば、テレビゲーム）以外に
購入を予定している対象製品群（例えば、ＤＶＤソフ
ト、パソコン、携帯電話、…）を探し出す。 （２）この対象製品群に含まれる製品の各々について、
消費者集合Ｂのうち当該製品（例えば、ＤＶＤソフト）
に対して購買意欲を持った消費者の割合が、全消費者の
うち当該製品（例えば、ＤＶＤソフト）に対して購買意
欲を持った消費者の割合より大きくなるならば、当該製
品（例えば、ＤＶＤソフト）は、消費者集合Ｂが特定の
製品（例えば、テレビゲーム）とともに購買意欲を持っ
た製品であると判断する。

【００５４】（３）そして、上記の特定の製品（例え
ば、テレビゲーム）と、（１）の対象製品群のうち
（２）の条件を満たす製品群とを、製品群Ｔとする。

【００５５】製品群Ｔが決まったならば、製品群Ｔに属
する個々の製品に対応する画像データの集合を、パラメ
ータ最適化処理で使用する対象画像データとする（ステ
ップＳ１４）。

【００５６】次に、ユーザ指定の例について説明する。
この場合、まず、ステップＳ３にて、対象画像データが
既に指定されているか否かを判断する。そして、未だ指
定されていなければ、ステップＳ１２〜Ｓ１４の代わり
に、ユーザが対象画像データを指定する。ユーザが対象
画像データを指定する方法には、種々の形態が考えら
れ、例えば、画像データに属性情報が付加されている場
合に、対象にする画像データが持つべき属性情報に関す
る条件をユーザが指定するようにしてもよいし、また例
えば、１枚ずつあるいは複数枚ずつ画像データを表示し
てそれを閲覧したユーザから各画像データを対象にする
か否かの指示を受け付けるようにしてもよい。

【００５７】さて、対象画像データが決まったならば、
特徴管理部５は、特徴量計算部３において求められた特
徴量のうち、対象画像データの特徴量を以降の処理のた
めに持ってくる。その際に、保存されいる特徴量を加工
する必要がある場合には、加工して保存しておくものと
する。例えば、図４に例示したような特徴量が保存され
ており、以降の処理では上位２色のイメージカラーのＨ
ＳＶ空間座標値を連結して６次元ベクトルデータとした
特徴量を用いる場合には、６次元ベクトルデータ（図４
の例の場合、（０．５９９０９９，０．１８３１６８，
０．７８９０６２，０．６６６６６７，０．０２０８３
３，０．１８７５００））にして記憶しておく。

【００５８】次に、対象画像データの特徴量のクラスタ
リング（ステップＳ６）、代表画像の選定（ステップＳ
７）、パラメータ調整（ステップＳ８）を行う。

【００５９】ここで、特徴量の一例として、画像データ
のイメージカラーを決定するための感性モデルから得ら
れた上位２色のイメージカラーのＨＳＶ空間座標値を連
結して６次元ベクトルデータを用いるものとする。

【００６０】また、ここでは、上記の自動選択によって
選択された対象画像データを使ってパラメータ最適化を
行う場合を例にとって説明する。

【００６１】この場合、上記の自動選択によって選択さ
れた製品群Ｌに属する個々の製品に対応するＣＭ画像デ
ータが共通して持つ特徴が、消費者集合Ｂにアピールし
た要素であると考えられる。

【００６２】まず、クラスタリング部６にて、画像デー
タ（例えばＣＭ画像データ）の特徴量に関してクラスタ
リングを行う（ステップＳ６）。なお、ここでは、ＣＭ
画像データの印象は、製品カテゴリによって異なると予
想し、製品群に属する製品カテゴリの数をクラスタ数と
するが、クラスタ数の設定については、その他の方法も
可能である。ここでは、Ｋ−Ｍｅａｎｓ法（「統計学事
典(p.389) 竹内哲編東洋経済新報社 ISBN4-492-01038
-6」）というクラスタリング手法を用いるものとする
が、もちろん、他のクラスタリング手法あるいは分類手
法を用いてもかまわない。

【００６３】次に、クラスタリング結果評価部７にて、
クラスタリングの結果を評価する。

【００６４】各クラスタの代表要素は、互いに関係が薄
いと推測し、クラスタ内の特徴量の平均値から最も近い
特徴量に対応する画像データを代表画像データとする
（ステップＳ７）。

【００６５】例えば、簡単のために特徴量を２次元デー
タとしクラスタ数を２とした場合に、図８に例示するよ
うに、クラスタＫ１で特徴量ベクトルのクラスタ内平均
値に最も近い特徴量ベクトルｋ１に対応する画像データ
が、クラスタＫ１における代表画像データとして決定さ
れ、同様に、クラスタＫ２で特徴量ベクトルのクラスタ
内平均値に最も近い特徴量ベクトルｋ２に対応する画像
データが、クラスタＫ２における代表画像データとして
決定される。もちろん、特徴量ベクトルの次元数が３次
元以上の場合やクラスタ数が３以上の場合も同様であ
る。

【００６６】次に、代表画像データに共通する特徴は例
えばＣＭ画像データの印象に基づいた同様の感性特徴と
して捉えられると考え、パラメータ制御部８にて、それ
らを強調するように、特徴量計算部３により得られる結
果（図４参照）を制御するパラメータ（図３参照）を操
作する（ステップＳ８）。

【００６７】具体的には、まず、それまでで最適とされ
ていたパラメータ（ここでの調整前あるいは更新前のパ
ラメータ）を用いて得られた代表画像データに関する特
徴量（例えば、６次元ベクトルデータ）に基づく所定の
評価値を求める（前回の処理で計算された値を保存して
おいてこれを参照するようにしてもよいし、ここで計算
してもよい）。そして、それまでで最適とされていたパ
ラメータを基準として、全て（または一部）のパラメー
タに対して、値を上昇、下降の両方向に操作し（例え
ば、多重ループ的に操作し）、それらのもとで、更新後
の候補となる各々のパラメータについて、それを用いた
場合に特徴量計算部３により得られる代表画像データに
関する特徴量（例えば、６次元ベクトルデータ）をそれ
ぞれ求め、さらに、それぞれについて、代表画像データ
に関する特徴量（６次元ベクトルデータ）に基づく所定
の評価値を求める。そして、更新後の値の候補となるパ
ラメータについての所定の評価値が最善のもので、か
つ、それまでで最適とされていたパラメータについての
所定の評価値よりも改善されるものがあるか否かを調
べ、そのような所定の評価値を持つパラメータがあれ
ば、そのパラメータを現時点での最適解とする（実際に
どのような順番でパラメータを操作し、評価値を求め、
評価値同士の比較を行っていくかについては、種々のバ
リエーションが可能である）。もし、そのようなパラメ
ータが得られなかったならば、それまでのパラメータが
最適解として決定する。

【００６８】上記の所定の評価値は、例えば、図８に示
すように、代表画像データの特徴量ベクトル間のベクト
ル空間上での距離であり、この場合、距離が小さいほど
善い評価値であり、距離が減少するほど、評価値が改善
したということになる。図９の例の場合は、特徴量ベク
トルｋ１’と特徴量ベクトルｋ２’との距離が、特徴量
ベクトルｋ１と特徴量ベクトルｋ２との距離よりも減少
しており、かつ、候補の中で最も短いので、特徴量ベク
トルｋ１’と特徴量ベクトルｋ２’を与えるパラメータ
が、更新後のパラメータとして選択される。

【００６９】なお、代表画像データが３以上ある場合に
は、代表画像データ対の全ての組み合わせについて特徴
量間の距離を総計したものを評価値とする方法、代表画
像データ対の全ての組み合わせのうちの特定の一部分の
ものについて特徴量間の距離を総計したものを評価値と
する方法がある。後者の場合、例えば、代表画像データ
が＃１〜＃ｎまであるとして、代表画像データ＃１の特
徴量＃１と代表画像データ＃２の特徴量＃２の距離、特
徴量＃２と特徴量の距離＃３、特徴量＃３と特徴量＃４
の距離、…、特徴量＃ｎ−１と特徴量＃ｎの距離の総計
を取ったもの、あるいはこれにさらに特徴量＃ｎと特徴
量＃１の距離を加えたものなど、種々の形態がある。

【００７０】なお、以上で説明したパラメータの更新方
法は一例であり、他の方法を用いることも可能である。

【００７１】さて、所定の評価値が改善された更新後の
パラメータが得られたならば（ステップＳ９）、パラメ
ータ保存部９にて、更新されたパラメータを保存する
（ステップＳ１１）。

【００７２】一方、所定の評価値が改善された更新後の
パラメータが得られなかったならば、この処理を終了す
る（ステップＳ１０）。そして、それまでで最適とされ
ていたパラメータが最適解として決定される。

【００７３】なお、ステップＳ６〜ステップＳ８で用い
る特徴量の内容をユーザが指定可能としてもよい。

【００７４】さて、所定の評価値が改善された更新後の
パラメータが得られ、保存されたならば、フィードバッ
クし、まず、ステップ２で、更新後のパラメータを用い
て、対象画像データの特徴量の抽出を行う。

【００７５】次に、ステップＳ４において、フィードバ
ック評価部４では、対象画像データ（例えば、製品群Ｔ
に属する個々の製品に対応する画像データ）の特徴量ベ
クトルのベクトル空間における分布が収縮したかどうか
を判断する。

【００７６】凝集したかどうかを判定する尺度には、種
々のバリエーションが考えられる。

【００７７】例えば、凝集したかどうかを判定する尺度
として。次の３種類の評価値の重み付け加算値（重みが
０の場合を含む）がある。 ・クラスタ内の各要素と中心との距離値合計 ・クラスタ中心間の距離 ・対象画像データ集合の特徴量の分散 例えば、更新前のパラメータと、更新後のパラメータに
ついて、それぞれ、上記の尺度の値を計算する（更新前
のパラメータについては更新前のパラメータを用いた場
合のクラスタリング結果に基づいて求め、更新後のパラ
メータについては更新後のパラメータを用いた場合のク
ラスタリング結果に基づいて求める）。そして、上記の
例の場合、更新後のパラメータの尺度の値が、更新前の
パラメータの尺度の値よりも小さくなっていれば、対象
画像データ集合の特徴量空間における分布が収縮したと
判断する。なお、この場合には、更新前のパラメータに
よるクラスタリングの結果は既に得られたものを用いれ
ばよいが、更新後のパラメータによるクラスタリングの
結果はまだ得られていないので、更新後のパラメータに
よるステップＳ６のクラスタリングを、この時点で行え
ばよい。

【００７８】例えば、更新後のパラメータに対する対象
画像データ集合の特徴量空間における分布が図１０のよ
うになったとすると、図８の更新前のパラメータに対す
る対象画像データ集合の特徴量空間における分布よりも
収縮したと判断される。この場合には、処理が続行され
ることになる。

【００７９】なお、ステップＳ４で用いる凝集したかど
うかを判定する尺度の内容をユーザが指定可能としても
よい。

【００８０】さて、対象画像データ集合の特徴量空間に
おける分布が収縮しなかった（分布が発散した）と判断
されたならば（ステップＳ４）、この処理を終了し（ス
テップＳ５）、更新後のパラメータではなく、その前の
パラメータを最適解として決定する。

【００８１】対象画像データ集合の特徴量空間における
分布が収縮したと判断されたならば、対象画像データ集
合の印象に基づいた感性を表すより善いパラメータが得
られたと判断し、以降、ステップＳ９でより善いパラメ
ータが得られなかったと判断されるか、またはステップ
Ｓ４で分布が発散したと判断されるまで、ステップＳ６
〜Ｓ９の処理と、ステップＳ２の処理を、繰り返し行
う。そして、最終的に、最適と判断されるパラメータが
得られる。

【００８２】さて、以下では、画像データを入力とし該
画像データが表示されたときに持つ感性的な表現内容を
示す特徴量を出力とする感性モデルであって、その入出
力特性を決定付けるためのパラメータを持つ感性モデル
を用いて、画像データから特徴量を抽出する例について
説明する。

【００８３】図１１に、この場合の特徴量計算部３の内
部構成例を示す。

【００８４】図１２に、色に基づくモデル化におけるイ
メージカラーの抽出についての処理手順の一例を示す。
図１２の処理が、各々の画像データに対して行われる。

【００８５】パラメータは図３の例の通りとする。パラ
メータｒは、混色の閾値であり、パラメータｃは、限定
色数であり、パラメータｖ（ｓ，ｔ，ｕ）は、誘目性の
高さの計算のための影響比率（色相、彩度、明度それぞ
れへの影響比率）であり、パラメータｍ（ｅ，ｆ，ｇ）
は、目立つ度合い計算のための影響比率（色の領域の大
きさ、誘目性の高さ、コントラスト感の高さそれぞれへ
の影響比率）であり、パラメータｉは、指定色数であ
る。

【００８６】まず、カラーリスト作成部３３により、対
象とする画像データに対するカラーリストを作成する。

【００８７】カラーリスト作成部３３は、対象とする画
像データを、画素に分割し、各画素に対応する色情報を
読み込む処理を行う（ステップＳ２１）。各色は、３原
色Ｒ（赤）、Ｇ（緑）、Ｂ（青）、各８ビット階調によ
り表現される。これらの値を、既知の座標変換式に基づ
きＬ＊ａ＊ｂ＊空間に変換する。

【００８８】次に、カラーリスト作成部３３は、Ｌ＊ａ
＊ｂ＊空間座標値で表現される登録色と、それらの各々
について画素数を合計した出現数とで構成される、カラ
ーリストを作成する（ステップＳ２２）。

【００８９】ただし、本実施形態では、カラーリストを
作成する際に、Ｌ＊ａ＊ｂ＊空間に変換された後のベク
トルについて、単に同じものの個数の集計を取るのでは
なく、混色という処理を行うようにする。

【００９０】まず、入力画像データの各画素の色のＬ＊
ａ＊ｂ＊空間ベクトル値を１つ読み込んで、その３次元
ベクトル値と、その出現数＝１を、カラーリストに登録
する。

【００９１】以降は、入力画像データの各画素の色のＬ
＊ａ＊ｂ＊空間ベクトル値について、未処理のものから
１つを読み込んで、新しく読み込んだ色のベクトル値
と、カラーリストにそれまでの処理で既に登録されてい
る登録色のベクトル値との、Ｌ＊ａ＊ｂ＊空間上のユー
クリッド距離（登録色が複数あるときは、その最小値）
を計算し、求めたユークリッド距離が、混色の閾値（パ
ラメータｒ）より大きければ、カラーリストに近い色が
ないと判断し、新しく読み込んだ色の３次元ベクトル値
と、その出現数＝１を、カラーリストに登録する。一
方、求めたユークリッド距離が、混色の閾値（パラメー
タｒ）以下ならば、互いに近い色と判断し、後述するよ
うにして当該新しく読み込んだ色と当該ユークリッド距
離を与えた登録色について混色を行う。混色が行われた
場合、混色前の登録色の３次元ベクトル値とその出現数
は無効にし、その代わりに、混色後の色を登録色とし
て、その３次元ベクトル値と、その出現数＝混色前の出
現数＋１を、カラーリストに登録する。

【００９２】以上を、入力画像データの各画素の色のＬ
＊ａ＊ｂ＊空間ベクトル値の全てを読み込んで処理する
まで、繰り返し行う。

【００９３】なお、入力画像データの各画素の色のＬ＊
ａ＊ｂ＊空間ベクトル値を１つずつ読み込む順番は、適
宜決めて構わない。また、上記では、登録色が複数ある
ときは、ユークリッド距離の最小値を計算するようにし
たが、各登録色とのユークリッド距離を計算している途
中で始めてユークリッド距離が混色の閾値以下になった
ときに、計算を打ち切って、そのときの登録色を採用す
るようにすることも可能である。また、上記では、入力
画像データの各画素の色のＬ＊ａ＊ｂ＊空間ベクトル値
の全てを読み込んでカラーリストを作成するものとした
が、入力画像データの所定の一部の画素の色のＬ＊ａ＊
ｂ＊空間ベクトル値の読み込んでカラーリストを作成す
るようにすることも可能である。

【００９４】ここで、混色方法について説明する。

【００９５】新たに読み込んだ色Ａと混色する登録色Ｂ
の空間上の３次元座標ベクトルをそれぞれａ、ｂとし、
色Ａと色Ｂが混色された結果生成された色（混色後の新
たな登録色）Ｘの座標ベクトルをｘとすると、ｘは、次
の色で定義される。 ｘ^→＝ｗ_A ・ａ^→＋ｗ_B ・ｂ^→ ここで、 ｗ_A ＝Ｎ_A ÷（Ｎ_A ＋Ｎ_B ） ｗ_B ＝Ｎ_B ÷（Ｎ_A ＋Ｎ_B ） Ｎ_A ：色Ａの出現数 Ｎ_B ：色Ｂの出現数 である。また、混色された結果生成された色Ｘの出現数
Ｎ_x は、 Ｎ_x ＝Ｎ_A ＋Ｎ_B である。ただし、本実施形態では、１つずつ色を読み込
んで処理するようにしているので、Ｎ_A ＝１となる。

【００９６】なお、上記では、入力画像データについて
１つずつ色を読み込んで１つのカラーリストを作成する
ようにしたが、例えば、入力画像データの半分の画素を
使って上記と同様の方法で作成したカラーリストと、入
力画像データの残りの半分の画素を使って上記と同様の
方法で作成したカラーリストとを、（さらに混色処理す
るなどして）１つのカラーリストに統合するような方法
など、他の方法も可能である。

【００９７】次に、作成されたカラーリストにおいて、
出現数が基準以下（例えば、全画素数の０．５％に相当
する個数以下）の登録色をノイズとみなし、カラーリス
トから該当する登録色に関する情報を削除する（ステッ
プＳ２３）。

【００９８】次に、この時点でカラーリストに登録され
ている登録色の色数を調べ、それが限定色数（パラメー
タｃ）より大きい値ならば（ステップＳ２４）、登録色
を限定する処理を行う（ステップＳ２５）。登録色数が
限定色数（パラメータｃ）以下ならば、登録色を限定す
る処理はスキップする。

【００９９】登録色を限定する処理では、登録色限定部
３４が、カラーリストの登録色数が限定色数（パラメー
タｃ）以下になるまで、混色処理を行う（１回の混色処
理で、登録色を１色減らすことができる）。すなわち、
各時点で、全登録色のうち最も近い２色すなわちＬ＊ａ
＊ｂ＊空間上のユークリッド距離が最小になる２色を探
索し、それらを上記した混色方法に従って混色し、カラ
ーリストを更新する。これを、カラーリストの登録色数
が限定色数（パラメータｃ）以下になるまで繰り返し行
う。

【０１００】次に、登録色限定部３４により、カラーリ
ストに登録された登録色の中から、当該入力画像データ
についての使用色を決定する。

【０１０１】このステップＳ２６〜Ｓ２８の処理は、繰
り返し処理となる。

【０１０２】まず、登録色限定部３４は、Ｌ＊ａ＊ｂ＊
の各軸をそれぞれ領域分割し、Ｌ＊ａ＊ｂ＊の各軸ごと
に、領域内の出現数によるヒストグラムを作成する（ス
テップＳ２６）。なお、領域分割の仕方は、適宜決めて
構わない。

【０１０３】次に、Ｌ軸に対応するヒストグラムにおい
て各領域の出現数を結んだグラフの作る凸の数（図１３
に凸の数が３である例を示す）と、ａ軸に対応するヒス
トグラムにおいて各領域の出現数を結んだグラフの作る
凸の数と、ｂ軸に対応するヒストグラムにおいて各領域
の出現数を結んだグラフの作る凸の数とを調べ、それら
のうちで最も多い凸の数を当該入力画像データの使用色
数とし、この使用色数を保存しておく（ステップＳ２
７）。

【０１０４】次に、今回の使用色数と前回の使用色数と
を比較し、それらに変化があれば（ステップＳ２８）、
ステップＳ２６に戻る。なお、初回は、前回の使用色数
がないので、使用色数に変化があるものとみなす（ある
いは、例えば使用色数の初期値を０としておくなどして
もよい）。

【０１０５】ステップＳ２６に戻った場合、先のステッ
プＳ２７で求められた使用色数になるまで、ステップＳ
２５と同様にして、カラーリスト中の最も近い色を混色
していき、そして、再びヒストグラムを作成し、さら
に、ステップＳ２７で、再び当該入力画像データの使用
色数を求め、保存する。

【０１０６】以上の処理を、ステップＳ２８で使用色数
に変化がないと判断されるまで、繰り返し行う。

【０１０７】そして、ステップＳ２８で、今回の使用色
数が前回の使用色数に比べて変化していないと判断され
れば、このループ処理は終了となり、この時点における
カラーリストの登録色が、当該入力画像データの使用色
として決定されたことになる。

【０１０８】次に、目立つ度合い計算部３５により、入
力画像データの使用色（すなわち、カラーリストの登録
色）に対して、目立つ度合いを計算する。

【０１０９】まず、目立つ度合い計算部３５は、カラー
リストに登録されている色を対象に、Ｌ＊ａ＊ｂ＊座標
系から、より人間の感覚に近いと考えられているＨＳＶ
（Ｈｕｅ：色相、Ｓａｔｕｌａｔｉｏｎ：彩度、Ｖａｌ
ｕｅ：明度）座標系への変換を行う（ステップＳ２
９）。

【０１１０】次に、目立つ度合いの要素となる誘目性の
高さＣ₂ を、色相、彩度、明度それぞれへの影響比率
（パラメータｖ（ｓ，ｔ，ｕ））をもとに、次のように
算出する（ステップＳ３０）。 Ｃ₂ ＝（ｓ×色相による影響値＋ｔ×彩度＋ｕ×明度）÷（ｓ＋ｔ＋ｕ） …（１） ここで用いる影響値は、色相Ｈの値の範囲に対応してい
る。

【０１１１】次に、イメージカラー抽出部３６により、
イメージカラーの選択を行う。

【０１１２】まず、イメージカラー抽出部３６は、カラ
ーリストの登録色に対して、目立つ度合いＬを、色の領
域の大きさ、誘目性の高さ、コントラスト感の高さそれ
ぞれへの影響比率（パラメータｍ（ｅ，ｆ，ｇ））をも
とに、次のように算出する（ステップＳ３１）。 Ｌ＝（（ｅ・Ｃ₁ ）² ＋（ｆ・Ｃ₂ ）² ＋（ｇ・Ｃ₃ ）² ）^1/2 …（２） ここで、カラーリストの各々の登録色に対する注目色の
領域の大きさＣ₁ 、コントラスト感Ｃ₃ を、それぞれ、
出現数の全画素数に対する割合、その他の色との明度差
と定義する。Ｃ₂ は上記の誘目性の高さである。

【０１１３】これによって、カラーリストの各々の登録
色に対する目立つ度合いＬが得られる。

【０１１４】そして、イメージカラー抽出部３６は、入
力画像データに対するカラーリストの登録色を、目立つ
度合いＬが高いものから、指定色数（パラメータｉ）で
指定された個数だけ、イメージカラーとして選択する
（ステップＳ３２）。

【０１１５】なお、色数絞り込みの手法は、上記した混
色方法の代わりに、ＰＡ法（文献７「Ｐ．Ｈｅｃｋｂｅ
ｒｔ：Ｃｏｌｏｒ Ｉｍａｇｅ Ｑｕａｎｔｉｚａｔｉ
ｏｎｆｏｒ Ｆｒａｍｅ Ｂｕｆｆｅｒ Ｄｉｓｐｌａ
ｙ， ＣｏｍｐｕｔｅｒＧｒａｐｈｉｃｓ， Ｖｏｌ．
１６， Ｎｏ．３， １９８２」）やＭＣＡ法（文献８
「鈴木寿和他：色選択に柔軟性を持たせた限定色表示手
法、テレビジョン学会誌、Ｖｏｌ．４３、Ｎｏ．３、ｐ
ｐ．２６８−２７５、１９８９」）などの他手法を用い
ることも可能である。

【０１１６】また、上記では、選択のための評価値とし
て目立つ度合いを用いたが、その他の方法も可能であ
る。

【０１１７】前述したように、特徴量計算部３によって
抽出された特徴量は、そのもととなった画像データに付
加されてまたはその画像データの識別情報に対応付け
て、保存される。

【０１１８】また、上記では、色に基づく特徴量として
イメージカラー特徴量に関する感性モデルの例について
示したが、色に基づく他の特徴量に関する感性モデル、
構図に基づく特徴量に関する感性モデル、オブジェクト
に基づく特徴量に関する感性モデル、テスクチャに基づ
く特徴量に関する感性モデルなど、種々の感性モデルを
用いることが可能である。イメージカラー特徴量と構図
に基づく特徴量を併用した感性モデルなど、複数種類の
感性に基づく特徴量を扱った感性モデルも可能である。

【０１１９】例えば、構図に基づく特徴量に関する感性
モデルを用いる場合、特徴量を、画像データを感性に関
係する基準で分割する分割線の角度および位置を特定可
能とする情報とし、パラメータを、分割方向についての
分割順序に関する制約および各分割方向に対する分割角
度の制約を含むリスト構造として与えるようにしてもよ
い。この場合、リスト構造として与えられた制約の範囲
内で、分割線の角度および位置を特定可能とする情報を
決定する処理が行われる。また、この分割は、所定の分
割条件（例えば、分割された領域の面積がしきい値以上
であること、あるいは分割される前の領域内の色合いの
分散と分割された後の２つの領域間の色合いの分散とで
定義される分割の強さを示す評価値がしきい値以上であ
ること）を満たす間、再帰的に繰り返すようにすること
も可能である。

【０１２０】また、上記では、使用する感性モデルは予
め定められているものとしたが、複数の感性モデルを用
意しておき、ユーザが所望の感性モデルを選択可能にし
てもよい。

【０１２１】なお、次の各文献の感性モデルを修正し
て、画像データを入力とし該画像データが表示されたと
きに持つ感性的な表現内容を示す特徴量を出力とする感
性モデルであってその入出力特性を決定付けるためのパ
ラメータを持つ感性モデルを新たに定義することによっ
て、これを本実施形態の感性モデルとして利用すること
もできる。 オブジェクトの抽出方法 文献９：「コンピュータビジョン、新技術コミュニケー
ションズ、１９９８」 数学的形態学を用いた輪郭抽出 文献１０：「Ｊ．Ｓｅｒｒａ： Ｉｍａｇｅ Ａｎａｌ
ｙｓｉｓ ａｎｄ Ｍａｔｈｅｍａｔｉｃａｌ Ｍｏｒ
ｐｈｏｌｏｇｙ， Ａｃａｄｅｍｉｃ Ｐｒｅｓｓ，
Ｌｏｎｄｏｎ， １９８２」 特徴色の抽出 文献１１：「諸原雄大他：テキスタイルデザイン画像に
おけるイメージカラーの選定法、情報処理学会論文誌、
Ｖｏｌ．３６、Ｎｏ．２、ｐｐ．３２９−３３７、１９
９５」 文献１２：「黒田章裕他：画像データベースの感性検索
を応用したデザインのための統合化システム、第９回Ｎ
ＩＣＯＧＲＡＰＨ論文集、ｐｐ．１１３−１２２、１９
９３」 構図 文献１３：「山本英典他：色情報の空間分布を考慮した
類似画像検索、電子情報通信学会技術報告書、ＥＩＤ９
８−１７１、ＩＥ９８−１６２、１９９９−０２」 文献１４：「小林秀行他：特徴量を統合し人の感性に近
づけた画像検索システム、電子情報通信学会技術報告
書、ＰＲＭＵ９７−２６１、１９９８−０３」 テスクチャ 文献１５：「間瀬茂他：モルフォロジーと画像解析
［１］、電子情報通信学会誌、Ｖｏｌ．７４、Ｎｏ．
２、ｐｐ．１６６−１７４、１９９１」 文献１６：「上田修功他：モルフォロジーと画像解析
［２］、電子情報通信学会誌、Ｖｏｌ．７４、Ｎｏ．
３、ｐｐ．２７１−２７９、１９９１」 なお、以上の各機能は、ソフトウェアとしても実現可能
である。また、本実施形態は、コンピュータに所定の手
段を実行させるための（あるいはコンピュータを所定の
手段として機能させるための、あるいはコンピュータに
所定の機能を実現させるための）プログラムを記録した
コンピュータ読取り可能な記録媒体としても実施するこ
ともできる。

【０１２２】なお、本実施形態で例示した構成は一例で
あって、それ以外の構成を排除する趣旨のものではな
く、例示した構成の一部を他のもので置き換えたり、例
示した構成の一部を省いたり、例示した構成に別の機能
を付加したり、それらを組み合わせたりすることなどに
よって得られる別の構成も可能である。また、例示した
構成と論理的に等価な別の構成、例示した構成と論理的
に等価な部分を含む別の構成、例示した構成の要部と論
理的に等価な別の構成なども可能である。また、例示し
た構成と同一もしくは類似の目的を達成する別の構成、
例示した構成と同一もしくは類似の効果を奏する別の構
成なども可能である。また、本実施形態において、各種
構成部分についての各種バリエーションは、適宜組み合
わせて実施することが可能である。また、本実施形態
は、装置としての発明、装置内部の構成部分についての
発明、またはそれらに対応する方法の発明等、種々の観
点、段階、概念またはカテゴリに係る発明を包含・内在
するものである。従って、この発明の実施の形態に開示
した内容からは、例示した構成に限定されることなく発
明を抽出することができるものである。

【０１２３】本発明は、上述した実施の形態に限定され
るものではなく、その技術的範囲において種々変形して
実施することができる。

【０１２４】

【発明の効果】本発明によれば、画像データの感性に関
係する特徴量を抽出するための感性モデルのパラメータ
を、複数の画像に基づいて最適化することによって、当
該複数の画像データに共通する感性的な特徴を持つ感性
モデルを獲得することができる。

【図面の簡単な説明】

【図１】本発明の一実施形態に係る画像処理装置の構成
例を示す図

【図２】同実施形態に係る画像処理装置におけるパラメ
ータ最適化の処理手順の一例を示すフローチャート

【図３】同実施形態における感性モデルのパラメータの
一例を示す図

【図４】同実施形態における画像データから抽出された
感性に関係する特徴量の一例を示す図

【図５】同実施形態における購買者の特徴抽出について
説明するための図

【図６】同実施形態における購買者の特徴抽出への入力
の一例を示す図

【図７】同実施形態における購買者の特徴の抽出によっ
て得られた規則情報の一例を示す図

【図８】同実施形態におけるクラスタリングについて説
明するための図

【図９】同実施形態におけるパラメータの更新について
説明するための図

【図１０】同実施形態におけるパラメータの最適性の判
断方法の一例について説明するための図

【図１１】同実施形態に係る特徴量計算部の内部構成の
一例を示す図

【図１２】同実施形態におけるイメージカラーの抽出の
ための処理手順の一例を示すフローチャート

【図１３】同実施形態におけるヒストグラムに関する処
理の例について説明するための図

【符号の説明】

１…画像データ入力部 ２…パラメータ入力部 ３…特徴量計算部 ４…フィードバック評価部 ５…特徴量管理部 ６…クラスタリング部 ７…クラスタリング結果評価部 ８…パラメータ制御部 ９…パラメータ保存部 ３３…カラーリスト作成部 ３４…登録色限定部 ３５…目立つ度合い計算部 ３６…イメージカラー抽出部

───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平６−23968（ＪＰ，Ａ) 特開 平９−218158（ＪＰ，Ａ) 諸原雄大外３名，テキスタイルデザイ ン画像におけるイメージ・カラーの選定 法，情報処理学会論文誌，1995年 ２月 15日，Ｖｏｌ ．36， Ｎｏ． ２，ｐ ｐ． 329−337 吉田香外３名，主観的背景を考慮した データベース検索システムの提案，電子 情報通信学会技術研究報告ＭＶＥ97−40 〜56，1997年 ７月24日，Ｖｏｌ． 97， Ｎｏ． 206，ｐｐ． 17−24 (58)調査した分野(Int.Cl.⁷，ＤＢ名) G06T 7/00 G06T 1/00 G06F 17/30

Claims (11)

(57)【特許請求の範囲】
1. 【請求項１】画像データを入力とし該画像データが表示
   されたときに持つ感性的な表現内容を示す特徴量を出力
   とする感性モデルの入出力特性を決定付けるパラメータ
   を、対象となる複数の画像データに基づいて最適化する
   画像処理装置であって、 前記パラメータの初期値を入力するパラメータ入力手段
   と、初回は初期値として入力された前記パラメータによ
   って、２回目以降は更新された前記パラメータによっ
   て、決定付けられた入出力特性を持つ前記感性モデルを
   用いて、前記対象となる複数の画像データの各々から前
   記特徴量を抽出する抽出手段と、 抽出された複数の前記特徴量に基づいて、更新された前
   記パラメータが最適なものに至ったか否かを判断する判
   断手段と、 前記パラメータが初期値である場合または更新された前
   記パラメータが最適なものに至っていないと判断された
   場合に、前記感性モデルを用いて抽出される前記特徴量
   によって規定される所定の評価値に基づいて、該パラメ
   ータを更新する更新手段とを備え、 あ るパラメータに対する前記評価値は、前記複数の画像
   データから所定の方法で選択された複数の代表となる画
   像データから任意に２つを取り出したときの全部の組み
   合わせまたは特定の一部の組み合わせについて、各組に
   おける２つの画像データに対して当該あるパラメータを
   用いてそれぞれ抽出された２つの前記特徴量の特徴量ベ
   クトル空間上における距離を、総計したものであり、 前記更新手段は、前記パラメータの個々の値を所定の方
   法で上昇または下降の方向に変化させながら、それぞれ
   の場合のパラメータに対する前記評価値を求め、それら
   パラメータのうち、更新される前のパラメータに対する
   評価値より善い評価値を持つパラメータを、更新された
   前記パラメータとすることを特徴とする画像処理装置。
2. 【請求項２】画像データを入力とし該画像データが表示
   されたときに持つ感性的な表現内容を示す特徴量を出力
   とする感性モデルの入出力特性を決定付けるパラメータ
   を、対象となる複数の画像データに基づいて最適化する
   画像処理装置であって、 前記パラメータの初期値を入力するパラメータ入力手段
   と、初回は初期値として入力された前記パラメータによ
   って、２回目以降は更新された前記パラメータによっ
   て、決定付けられた入出力特性を持つ前記感性モデルを
   用いて、前記対象となる複数の画像データの各々から前
   記特徴量を抽出する抽出手段と、 抽出された複数の前記特徴量に基づいて、更新された前
   記パラメータが最適なものに至ったか否かを判断する判
   断手段と、 前記パラメータが初期値である場合または更新された前
   記パラメータが最適なものに至っていないと判断された
   場合に、前記感性モデルを用いて抽出される前記特徴量
   によって規定される所定の評価値に基づいて、該パラメ
   ータを更新する更新手段とを備え、 前 記更新手段は、更新される前の前記パラメータを用い
   て前記抽出手段によって抽出された複数の前記特徴量に
   基づいて前記対象となる複数の画像データを複数のグル
   ープに分割し、各々のグループにおいて当該グループの
   代表となる画像データを選択し、それら複数の代表とな
   る画像データを用いて前記評価値を規定するもととなる
   前記特徴量を求めることを特徴とする画像処理装置。
3. 【請求項３】前記更新手段において、それまでの時点で
   最善の前記評価値を持つパラメータに比較して前記評価
   値をより改善させる新たなパラメータが得られなかった
   場合には、該それまでの時点で最善の前記評価値を持つ
   パラメータを、最適化されたパラメータとすることを特
   徴とする請求項１または２に記載の画像処理装置。
4. 【請求項４】前記判断手段は、更新された前記パラメー
   タを用いた場合に得られる前記対象となる複数の画像デ
   ータの特徴量の分散に関する評価値が、更新される前の
   前記パラメータを用いた場合に得られる前記対象となる
   複数の画像データの特徴量の分散に関する評価値に比較
   して改善されなかったときに、更新される前の前記パラ
   メータが最適なものに至ったと判断することを特徴とす
   る請求項１または２に記載の画像処理装置。
5. 【請求項５】複数の画像データを入力する画像データ入
   力手段と、入力された複数の前記画像データから、所定
   の選択基準に基づいて、対象とすべき前記複数の画像デ
   ータを選択するための選択手段とを更に備えたことを特
   徴とする請求項１または２に記載の画像処理装置。
6. 【請求項６】前記選択手段は、画像データに関係する書
   誌情報に基づき帰納学習を行うことによって、共通の感
   性を持つと判断される複数の画像データを前記対象とし
   て選択するものであり、 各 々の前記画像データは、各々の製品に対応する画像デ
   ータであり、 前記書誌情報は、対象者の有する属性および該対象者が
   購買意思を持つ製品に関する情報を含むものであり、 前記選択手段は、前記帰納学習の結果、ある製品に対し
   て購買意思を持つ傾向にある対象者が共通に有すると判
   断された属性を有する対象者が購買意思を持つ傾向にあ
   ると判断される他の製品を求め、該ある製品および１ま
   たは複数の該他の製品に対応する画像データを、前記共
   通の感性を持つと判断される複数の画像データとして選
   択することを特徴とする請求項５に記載の画像処理装
   置。
7. 【請求項７】前記選択手段は、前記属性を有する対象者
   のうちで該特定の製品に対して購買意思を持つ対象者の
   割合が、全対象者のうちで特定の製品に対して購買意思
   を持つ対象者の割合を越えた場合に、該特定の製品を、
   前記属性を有する対象者が購買意思を持つ傾向にある前
   記他の製品であると判断することを特徴とする請求項６
   に記載の画像処理装置。
8. 【請求項８】画像データを入力とし該画像データが表示
   されたときに持つ感性的な表現内容を示す特徴量を出力
   とする感性モデルの入出力特性を決定付けるパラメータ
   を、対象となる複数の画像データに基づいて最適化する
   画像処理方法であって、 前記パラメータの初期値を入力するステップと、 初期値として入力された前記パラメータによって決定付
   けられた入出力特性を持つ前記感性モデルを用いて、前
   記対象となる複数の画像データの各々から前記特徴量を
   抽出ステップと、 前記感性モデルを用いて抽出される前記特徴量に基づい
   て規定される所定の評価値を改善させるように、前記パ
   ラメータを更新するステップと、 更新された前記パラメータによって決定付けられた入出
   力特性を持つ前記感性モデルを用いて、前記対象となる
   複数の画像データの各々から前記特徴量を抽出ステップ
   と、 抽出された複数の前記特徴量に基づいて、更新された前
   記パラメータが最適なものに至ったか否かを判断ステッ
   プと、 以降、更新された前記パラメータが最適なものに至った
   と判断されるまで、前記感性モデルを用いて抽出される
   前記特徴量によって規定される所定の評価値に基づい
   て、前記パラメータを更新することと、更新された該パ
   ラメータによって決定付けられた入出力特性を持つ前記
   感性モデルを用いて、前記対象となる複数の画像データ
   の各々から前記特徴量を抽出することとを、繰り返し行
   うステップとを有し、 あるパラメータに対する前記評価値は、前記複数の画像
   データから所定の方法で選択された複数の代表となる画
   像データから任意に２つを取り出したときの全部の組み
   合わせまたは特定の一部の組み合わせについて、各組に
   おける２つの画像データに対して当該あるパラメータを
   用いてそれぞれ抽出された２つの前記特徴量の特徴量ベ
   クトル空間上における距離を、総計したものであり、 前記パラメータの更新にあたっては、前記パラメータの
   個々の値を所定の方法で上昇または下降の方向に変化さ
   せながら、それぞれの場合のパラメータに対する前記評
   価値を求 め、それらパラメータのうち、更新される前の
   パラメータに対する評価値より善い評価値を持つパラメ
   ータを、更新された前記パラメータとすることを特徴と
   する画像処理方法。
9. 【請求項９】画像データを入力とし該画像データが表示
   されたときに持つ感性的な表現内容を示す特徴量を出力
   とする感性モデルの入出力特性を決定付けるパラメータ
   を、対象となる複数の画像データに基づいて最適化する
   画像処理方法であって、 前記パラメータの初期値を入力するステップと、 初期値として入力された前記パラメータによって決定付
   けられた入出力特性を持つ前記感性モデルを用いて、前
   記対象となる複数の画像データの各々から前記特徴量を
   抽出するステップと、 前記感性モデルを用いて抽出される前記特徴量に基づい
   て規定される所定の評価値を改善させるように、前記パ
   ラメータを更新するステップと、 更新された前記パラメータによって決定付けられた入出
   力特性を持つ前記感性モデルを用いて、前記対象となる
   複数の画像データの各々から前記特徴量を抽出するステ
   ップと、 抽出された複数の前記特徴量に基づいて、更新された前
   記パラメータが最適なものに至ったか否かを判断するス
   テップと、 以降、更新された前記パラメータが最適なものに至った
   と判断されるまで、前記感性モデルを用いて抽出される
   前記特徴量によって規定される所定の評価値に基づい
   て、前記パラメータを更新することと、更新された該パ
   ラメータによって決定付けられた入出力特性を持つ前記
   感性モデルを用いて、前記対象となる複数の画像データ
   の各々から前記特徴量を抽出することとを、繰り返し行
   うステップとを有し、 前記パラメータの更新にあたっては、更新される前の前
   記パラメータを用いて抽出された複数の前記特徴量に基
   づいて前記対象となる複数の画像データを複数のグルー
   プに分割し、各々のグループにおいて当該グループの代
   表となる画像データを選択し、それら複数の代表となる
   画像データを用いて前記評価値を規定するもととなる前
   記特徴量を求めることを特徴とする画像処理方法。
10. 【請求項１０】画像データを入力とし該画像データが表
    示されたときに持つ感性的な表現内容を示す特徴量を出
    力とする感性モデルの入出力特性を決定付けるパラメー
    タを、対象となる複数の画像データに基づいて最適化す
    る画像処理装置としてコンピュータを機能させるための
    プログラムを記録したコンピュータ読取り可能な記録媒
    体であって、 前記パラメータの初期値を入力するステップと、 初期値として入力された前記パラメータによって決定付
    けられた入出力特性を持つ前記感性モデルを用いて、前
    記対象となる複数の画像データの各々から前記特徴量を
    抽出ステップと、 前記感性モデルを用いて抽出される前記特徴量に基づい
    て規定される所定の評価値を改善させるように、前記パ
    ラメータを更新するステップと、 更新された前記パラメータによって決定付けられた入出
    力特性を持つ前記感性モデルを用いて、前記対象となる
    複数の画像データの各々から前記特徴量を抽出ステップ
    と、 抽出された複数の前記特徴量に基づいて、更新された前
    記パラメータが最適なものに至ったか否かを判断ステッ
    プと、 以降、更新された前記パラメータが最適なものに至った
    と判断されるまで、前記感性モデルを用いて抽出される
    前記特徴量によって規定される所定の評価値に基づい
    て、前記パラメータを更新することと、更新された該パ
    ラメータによって決定付けられた入出力特性を持つ前記
    感性モデルを用いて、前記対象となる複数の画像データ
    の各々から前記特徴量を抽出することとを、繰り返し行
    うステップとをコンピュータに実行させ、 あるパラメータに対する前記評価値は、前記複数の画像
    データから所定の方法で選択された複数の代表となる画
    像データから任意に２つを取り出したときの全部の組み
    合わせまたは特定の一部の組み合わせについて、各組に
    おける２つの画像データに対して当該あるパラメータを
    用いてそれぞれ抽出された２つの前記特徴量の特徴量ベ
    クトル空間上におけ る距離を、総計したものであり、 前記パラメータの更新にあたっては、前記パラメータの
    個々の値を所定の方法で上昇または下降の方向に変化さ
    せながら、それぞれの場合のパラメータに対する前記評
    価値を求め、それらパラメータのうち、更新される前の
    パラメータに対する評価値より善い評価値を持つパラメ
    ータを、更新された前記パラメータとさせるためのプロ
    グラムを記録したコンピュータ読取り可能な記録媒体。
11. 【請求項１１】画像データを入力とし該画像データが表
    示されたときに持つ感性的な表現内容を示す特徴量を出
    力とする感性モデルの入出力特性を決定付けるパラメー
    タを、対象となる複数の画像データに基づいて最適化す
    る画像処理装置としてコンピュータを機能させるための
    プログラムを記録したコンピュータ読取り可能な記録媒
    体であって、 前記パラメータの初期値を入力するステップと、 初期値として入力された前記パラメータによって決定付
    けられた入出力特性を持つ前記感性モデルを用いて、前
    記対象となる複数の画像データの各々から前記特徴量を
    抽出するステップと、 前記感性モデルを用いて抽出される前記特徴量に基づい
    て規定される所定の評価値を改善させるように、前記パ
    ラメータを更新するステップと、 更新された前記パラメータによって決定付けられた入出
    力特性を持つ前記感性モデルを用いて、前記対象となる
    複数の画像データの各々から前記特徴量を抽出するステ
    ップと、 抽出された複数の前記特徴量に基づいて、更新された前
    記パラメータが最適なものに至ったか否かを判断するス
    テップと、 以降、更新された前記パラメータが最適なものに至った
    と判断されるまで、前記感性モデルを用いて抽出される
    前記特徴量によって規定される所定の評価値に基づい
    て、前記パラメータを更新することと、更新された該パ
    ラメータによって決定付けられた入出力特性を持つ前記
    感性モデルを用いて、前記対象となる複数の画像データ
    の各々から前記特徴量を抽出することとを、繰り返し行
    うステップとをコンピュータに実行させ、 前記パラメータの更新にあたっては、更新される前の前
    記パラメータを用いて抽出された複数の前記特徴量に基
    づいて前記対象となる複数の画像データを複数のグルー
    プに分割し、各々のグループにおいて当該グループの代
    表となる画像データを選択し、それら複数の代表となる
    画像データを用いて前記評価値を規定するもととなる前
    記特徴量を求めさせるためのプログラムを記録したコン
    ピュータ読取り可能な記録媒体。