JP3622569B2 - 画像出力装置および画像判定方法 - Google Patents
画像出力装置および画像判定方法 Download PDFInfo
- Publication number
- JP3622569B2 JP3622569B2 JP10776599A JP10776599A JP3622569B2 JP 3622569 B2 JP3622569 B2 JP 3622569B2 JP 10776599 A JP10776599 A JP 10776599A JP 10776599 A JP10776599 A JP 10776599A JP 3622569 B2 JP3622569 B2 JP 3622569B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- image data
- output
- type
- exposure amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Facsimiles In General (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Analysis (AREA)
- Projection-Type Copiers In General (AREA)
- Control Of Exposure In Printing And Copying (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、例えば写真プリンタに備えられ、原画像を記録したネガフィルムを介して感光材料に光を照射することによって、感光材料に上記原画像を焼き付ける画像出力装置、および画像の種類を判定する画像判定方法に関するものである。
【０００２】
【従来の技術】
従来、複数の画像が撮影されたネガフィルムを自動的に印画紙上に焼き付ける、オートプリンタと呼ばれる画像出力装置が普及している。このようなオートプリンタは、光源と、ネガフィルムを搬送させるフィルム搬送手段と、印画紙を搬送させる印画紙搬送手段と、露光量制御手段とを備えている。
【０００３】
光源を出射した光は、フィルム搬送手段によって所定位置に搬送されたネガフィルムを透過し、投影レンズなどを介して印画紙上に投影され、印画紙が感光される。そして、露光量制御手段によって所定の露光量となるように露光が制御される。露光が終わると、次の画像の焼き付けが行われるように、フィルム搬送手段によってネガフィルムが、印画紙搬送手段によって印画紙がそれぞれ搬送される。このような動作を繰り返すことによって、ネガフィルム上に記録された複数の画像が順に印画紙上に焼き付けられる。
【０００４】
以上のような構成のオートプリンタは、複数の画像が撮影されたネガフィルムに対して、人手を介することなく連続的に焼き付け処理を行うことができるので、処理の迅速化、および処理にかかるコストの低減化を図ることができる。すなわち、現像完了時間の短縮、および人件費の削減などを実現することが可能となるので、例えば、写真のプリントを行う小規模店舗などにおいて広く用いられている。
【０００５】
【発明が解決しようとする課題】
上記のオートプリンタにおいて、印画紙の露光を制御する露光量制御手段は、標準撮影された画像、すなわち、標準的な濃度分布を有する画像に対して良好なプリント仕上がりとなるように露光量を設定している。したがって、逆光シーンやストロボ撮影シーンなどのような、濃度分布に偏りがある画像に対しては、適切な露光量とはならないので、良好なプリントを行えない場合がある。
【０００６】
例えば、異なる状況で撮影された２枚の画像において、被写体の濃度が同じでも、背景の濃度が異なっている場合には、同じ露光時間で焼き付けを行うと、印画紙上に焼き付けられた画像においては、被写体が異なる濃度で焼き付けられることになる。すなわち、少なくともどちらか一方は、プリント画像として好ましくない露光量で焼き付けられることになる。
【０００７】
このように、標準撮影された画像を基準として露光量を設定しているオートプリンタは、逆光シーンやストロボ撮影シーンなどの画像を良好にプリントすることができない。よって、このような画像に対しては、連続プリントを行わずに、人手によって露光量を変更させてから焼き付けを行うなどの作業をすることになる。この場合、予めネガフィルムを観察して、濃度分布に偏りがある画像を選別しておくか、一旦プリントした後、画像の状態を確認してから、再び露光量を調整してプリントをやり直す、などの煩わしい作業が必要となる。
【０００８】
本発明は、上記の問題点を解決するためになされたもので、その目的は、焼き付けようとしている画像に最適な露光量で露光を行うことが可能な画像出力装置、および画像の種類を判定する画像判定方法を提供することにある。
【０００９】
【課題を解決するための手段】
上記の課題を解決するために、本発明に係る画像出力装置は、画像をプリントする画像出力装置であって、出力すべき画像の画像データを検出する画像データ検出手段と、上記画像データ検出手段によって検出された画像データに基づいて、上記画像の種類を分別する画像分別手段と、上記画像分別手段による分別結果に基づいて、上記画像の出力を制御する出力制御手段とを備え、上記画像分別手段が、画像の種類を分別する処理を、画像の種類が判定されているサンプル画像データを教師データとして複数回数入力して学習させる、教師あり学習法によって設定するとともに、上記画像を複数の領域に分割した各領域の画像データの値に基づいて、明るさを基準として作成されたヒストグラムに基づいて、上記画像の種類を分別することを特徴としている。
【００１０】
上記の構成によれば、画像データ検出手段によって検出された画像データに基づいて、画像分別手段によって画像の種類を分別し、この分別結果に基づいて、出力制御手段によって画像の出力を制御しているので、出力しようとしている画像に最適な状態でプリントを行うことができる。よって、例えば写真画像をプリントする場合、例えば逆光条件で撮影された画像や、フラッシュ撮影された画像であっても、被写体の濃度が良好な、仕上がり品質の優れたプリント画像を提供することができる。
【００１２】
また、上記の構成によれば、学習によって、画像の種類を分別する処理を設定する画像分別手段を備えているので、例えば論理的なアルゴリズムによって画像の種類を分別する場合には、アルゴリズムが極めて複雑になってしまう処理を、より簡単な構成によって実現することが可能となる。また、論理的なアルゴリズムによって分別する場合には、分別する画像１枚１枚に対する処理に要する時間が長くなるのに対して、上記の構成によれば、一度学習させてしまえば、分別する画像１枚１枚に対する処理に要する時間は短い時間で済む。よって、構成の簡素化および処理時間の短縮を図ることができる。
【００１３】
本発明に係る画像出力装置は、上記の構成において、上記画像分別手段が、画像の種類を分別する処理を、学習ベクトル量子化アルゴリズムによって学習し、分別処理を行うことを特徴としている。
【００１４】
上記の構成によれば、学習ベクトル量子化アルゴリズムによって画像の種類を分別しているので、例えば、統計的手法による判別分析を利用した場合と比較して、分別の精度を高くすることができる。また、例えば、ニューラルネットワークを利用した場合と比較すると、新しいパターンが発生した場合の再学習をより容易に行うことができる。
【００１５】
本発明に係る画像出力装置は、上記の構成において、上記画像を感光材料上に感光させることによって出力するとともに、上記出力制御手段が、上記感光材料に対する露光量を設定する露光量設定手段であることを特徴としている。
【００１６】
上記の構成によれば、露光量設定手段によって、感光材料に対する露光量を設定しているので、出力しようとしている画像に最適な露光量で感光材料の感光を行うことができる。よって、被写体濃度の良好な、仕上がり品質の優れた銀塩写真を提供することができる。
【００１７】
本発明に係る画像出力装置は、上記の構成において、出力すべき画像が透光性の記録媒体に記録されており、光源部から出射された光を上記記録媒体に透過させることによって、上記画像を感光材料上に感光させるとともに、複数の画像が記録された上記記録媒体を順に搬送させる記録媒体搬送手段と、上記感光材料を順に搬送させる感光材料搬送手段とをさらに備え、上記記録媒体上の画像を連続的に上記感光材料上に露光させることを特徴としている。
【００１８】
上記の構成によれば、記録媒体上の画像を連続的に感光材料上に露光させる構成となっているので、例えば複数の種類の画像が記録された記録媒体を連続的に感光材料上に露光させる場合でも、各画像に適切な露光量で露光を行うことができる。よって、記録媒体上に記録された画像の全てに対して、仕上がり品質の優れたプリント画像を提供することができる。
【００１９】
本発明に係る画像判定方法は、入力された画像の画像データを検出するステップと、検出された画像データに基づいて、上記画像の種類を分別するステップとを有し、画像の種類が判定されているサンプル画像データを教師データとして複数回数入力して学習させる、教師あり学習法としての学習ベクトル量子化アルゴリズムによって、上記画像の種類を分別する処理が設定されるとともに、上記画像を複数の領域に分割した各領域の画像データの値に基づいて、明るさを基準として作成されたヒストグラムに基づいて、上記画像の種類が分別されることを特徴としている。
【００２０】
上記の方法によれば、学習ベクトル量子化アルゴリズムによって画像の種類を分別しているので、例えば、統計的手法による判別分析を利用した場合と比較して、分別の精度を高くすることができる。また、例えば、ニューラルネットワークを利用した場合と比較すると、新しいパターンが発生した場合の再学習をより容易に行うことができる。
【００２１】
【発明の実施の形態】
本発明の実施の一形態について図１ないし図４に基づいて説明すれば、以下のとおりである。
【００２２】
図１は、本発明の実施の形態に係る画像出力装置の概略構成を示すブロック図である。該画像出力装置は、光源部１、ネガフィルム搬送手段（記録媒体搬送手段）２、露光量制御装置３、および印画紙搬送手段（感光材料搬送手段）４を備えている。
【００２３】
光源部１は、ネガフィルム（記録媒体）上の画像を感光材料としての印画紙に焼き付けるための光を出射するものである。この光源部１は、例えば、ハロゲンランプと、ハロゲンランプから出射した光を略一方向に反射させるリフレクタと、ハロゲンランプから出射した光の熱線成分を除去する熱線反射フィルタと、光源むらを除去する拡散板と、ネガフィルム上の画像に光を集光させる集光レンズとを備えた構成となっている。
【００２４】
ネガフィルム搬送手段２は、例えばオートネガマスク（ＡＮＭ）と呼ばれる装置によって構成される。オートネガマスクは、複数の画像が一方向に並べられて記録されたネガフィルムを、画像が並んでいる方向に搬送させることによって、各画像を順次露光位置に搬送させるものである。また、オートネガマスクは、露光位置に搬送された画像の外側を遮光する構成になっているので、印画紙上に不要な光が照射され、印画紙が不要に感光してしまうことを防ぐことができる。
【００２５】
露光量制御装置３は、光源部１を出射し、ネガフィルム上の画像を透過した光によって印画紙が露光される際の露光量を制御するものである。この露光量制御装置３の詳細については後述する。
【００２６】
印画紙搬送手段４は、印画紙を順次露光位置に搬送させるものである。搬送させる印画紙としては、１枚ずつ独立したシート状のものでもよいし、ロール状のものでも構わない。
【００２７】
以上のような構成の画像出力装置における焼付動作は次のようになる。光源部１を出射した光は、ネガフィルム搬送手段２によって所定位置に搬送されたネガフィルムを透過し、投影レンズなどを介して印画紙上に投影され、印画紙が感光される。そして、露光量制御装置３によって所定の露光量となるように露光が制御される。露光が終わると、次の画像の焼き付けが行われるように、ネガフィルム搬送手段２によってネガフィルムが、印画紙搬送手段４によって印画紙がそれぞれ搬送される。このような動作を繰り返すことによって、ネガフィルム上に記録された複数の画像が順に印画紙上に焼き付けられる。
【００２８】
次に、露光量制御装置３について説明する。図２に示すように、露光量制御装置３は、フィルムスキャナ（画像データ検出手段）５、判定用データ作成手段６、コードブックベクトル決定手段（画像分別手段）７、シーン判定手段（画像分別手段）８、露光量算出手段（露光量設定手段）９、および露光量調整手段（露光量設定手段）１０を備えている。
【００２９】
フィルムスキャナ５は、ネガフィルム上に記録された画像を、例えばＣＣＤ（Ｃｈａｒｇｅ−Ｃｏｕｐｌｅｄ Ｄｅｖｉｃｅ） などによって画像データとして読み取るものである。なお、ここで用いられるＣＣＤの読み取り性能としては、高解像度である必要はなく、画像の特徴が判別できる程度の解像度でよい。
【００３０】
判定用データ作成手段６は、フィルムスキャナ５によって読み取られた画像データを、後述するシーン判定に用いられる判定用データに変換するものである。この判定用データのデータ形式としては、特定のパラメータを基準としたヒストグラムを基にして作成した多次元ベクトル形式などが挙げられる。
【００３１】
コードブックベクトル決定手段７は、後述するシーン判定に用いられるコードブックベクトルを決定するものである。このコードブックベクトルは、ＬＶＱ（Ｌｅａｒｎｉｎｇ Ｖｅｃｔｏｒ Ｑｕａｎｔｉｚａｔｉｏｎ ：学習ベクトル量子化）アルゴリズムによる学習によって決定される。このＬＶＱによる学習アルゴリズムについては後で詳細に説明する。
【００３２】
シーン判定手段８は、入力された画像の判定用データと、コードブックベクトルとを比較することによって、入力された画像のシーンを判定するものである。このシーン判定の詳細については後述する。
【００３３】
露光量算出手段９は、シーン判定手段８によって判定されたシーンに基づいて、シーン別に設定した重みを用いることによって露光量を算出するものである。この露光量算出手段９によって、判定されたシーンに最適な露光量が算出される。
【００３４】
露光量調整手段１０は、露光量算出手段９によって算出された露光量に基づいて、実際に露光量を調整するものである。この露光量調整手段１０は、例えば、任意の時間間隔で光の透過および遮蔽を行うことが可能なシャッターなどによって構成することができる。
【００３５】
次に、上記のシーン判定に関して説明する。上記のように、シーン判定はＬＶＱによって行われており、学習によってコードブックベクトルを決定した後に、入力された画像の判定用データと、コードブックベクトルとを比較することによって、入力された画像のシーンを判定している。
【００３６】
まず、図３を参照しながら、コードブックベクトルを決定するための学習アルゴリズムについて説明する。ＬＶＱによる学習は、教師あり学習法であり、教師データを多数回数入力して学習させることによってシーン判定のアルゴリズムを確定させるものである。
【００３７】
最初に、ｎ種類のシーンを設定し、各シーンに対応させたクラスｃ（１〜ｎ）を設け、各クラス毎に適当な数のコードベクトルを用意する。このコードベクトルの数は、シーン毎に適切な数となるように用意する。例えば、各シーン毎に等しい数のコードベクトルを用意してもよいし、後述するサンプル画像に占める各シーンの割合に比例した数のコードベクトルを用意してもよい。
【００３８】
そして、あるコードベクトルの初期値をｍｃ（０）（ｃ：１〜ｎ）とする。なお、このコードベクトルは、上記の判定用データ作成手段６によって作成される判定用データと同様の形式のものとする。このコードベクトルの初期値の設定は、シーンの種類、サンプル画像の数、その他諸々の条件に応じて適宜設定することになる。例えば、全てのコードベクトルの初期値を同じ値に設定してもよいし、各コードベクトルの初期値をランダムな値に設定してもよい。
【００３９】
次に、教師データとして、シーンが判定されているサンプル画像が記録されたネガフィルムをフィルムスキャナ５によって読み取らせ、サンプル画像データとして検出する（ステップ１０１、以降、Ｓ１０１のように表記する）。
【００４０】
そして、これらのサンプル画像データを、判定用データ作成手段６によって、特定のパラメータを基準としたヒストグラムを基にして作成した多次元ベクトル形式に変換する（Ｓ１０２）。ここで、シーンが判定されているサンプル画像データを基に作成された多次元ベクトル形式のデータを教師ベクトルと呼ぶことにする。
【００４１】
これらの教師ベクトルを基にして、コードブックベクトル決定手段７によって、ＬＶＱによるシーン学習を行う（Ｓ１０３）。ＬＶＱによるシーン学習の概要は次のようになる。すなわち、教師ベクトルｘｃ’（ｔ）（ｃ’：１〜ｎ）と、コードベクトルｍｃ（ｔ）とが同じクラスに属する場合には、ｍｃ（ｔ＋１）をｘｃ’（ｔ）に所定量近づけて、ｘｃ’（ｔ）とｍｃ（ｔ）とが異なるクラスに属する場合には、ｍｃ（ｔ＋１）をｘｃ’（ｔ）に所定量遠ざける、というアルゴリズムによって、各クラスに対応するコードベクトルｍｃ（ｔ）を最適化する。なお、上記のｔは、学習回数を示している。以下に、このアルゴリズムについて詳細に説明する。
【００４２】
いま、教師ベクトルｘｃ’（ｔ）がクラスｃ’に属しており、このｘｃ’（ｔ）にユークリッド距離が最も近いコードベクトルがｍｃ（ｔ）であったとする。この時、ｃ＝ｃ’である場合には、
ｍｃ（ｔ＋１）＝ｍｃ（ｔ）＋α（ｔ）〔ｘｃ’（ｔ）−ｍｃ（ｔ）〕…▲１▼
という演算処理を行う。また、ｃ≠ｃ’である場合には、
ｍｃ（ｔ＋１）＝ｍｃ（ｔ）−α（ｔ）〔ｘｃ’（ｔ）−ｍｃ（ｔ）〕…▲２▼
という演算処理を行う。
【００４３】
上記の式▲１▼および▲２▼において、α（ｔ）は学習係数と呼ばれる係数を示している。このα（ｔ）としては、０＜α（ｔ）＜１の範囲で単調減少する関数が用いられ、例えばｔの逆数となる関数などを用いることができる。α（ｔ）がこのような関数であれば、学習回数が進むにつれて、コードベクトルｍｃ（ｔ）の学習時の移動量が小さくなるので、ｍｃ（ｔ）が徐々に収束していくことになる。
【００４４】
以上のような学習における演算処理を最適学習回数Ｐ（回）繰り返して行い、最終的に設定されたｍｃ（Ｐ）を、シーン判定用のコードブックベクトルとして決定する（Ｓ１０４）。
【００４５】
上記のようなアルゴリズムの具体的な実施例を以下に述べる。上記のシーンの種類の具体例としては、ストロボシーン（背景が暗く、被写体が明るい場合）、逆光シーン（背景が明るく、被写体が暗い場合）、アンダーシーン（撮影時の露光が少なかった場合）などが挙げられる。図５（ａ）および（ｂ）は、それぞれストロボシーンおよび逆光シーンの、ネガフィルム上での画像の概略を示している。なお、図５（ａ）および（ｂ）で示す画像は、ネガフィルム上での画像であるので、画像の明暗が反転して記録されている。また、画像の明るさの度合いは、図の簡略化のために２段階で表現されているが、実際には、無段階に連続的に明暗が変化している。
【００４６】
また、上記のＳ１０１において、サンプル画像データとして検出する際には、例えば画像を２０×３０の領域に分割し、各領域の画像データを例えばＣＣＤによって検出する。そして、これらの画像データの値を、例えば４０の階数に量子化し（４０値化）、画像全体において、各区間に画像データの値が含まれる領域の数に基づいて、ヒストグラムを作成する。図５（ｃ）および（ｄ）は、それぞれ図５（ａ）および（ｂ）に示す画像に基づいて作成されたヒストグラムであり、横軸を明るさ（暗さ）、縦軸を度数としたものである。なお、図５（ｃ）および（ｄ）は、図の簡略化のために、横軸の分割を１６（１６値化）とした図になっている。
【００４７】
このようなヒストグラムに基づいて、サンプル画像データから教師ベクトルを作成する。この際に、例えば、上記の最適学習回数Ｐを３００と設定した場合には、シーンが判定されている３００種類のサンプル画像を用意し、教師ベクトルを作成することになる。
【００４８】
このように教師ベクトルを作成し、上記のようなＬＶＱによる学習を行うことによって、コードブックベクトルを決定する。なお、サンプル画像の数が、最適学習回数Ｐに満たない場合には、用意したサンプル画像を繰り返し用いて学習させてもよい。
【００４９】
次に、図４を参照しながら、上記のような学習によってコードブックベクトルを決定した後に、入力された画像の判定用データと、コードブックベクトルとを比較することによって、入力された画像のシーンを判定し、露光量を算出する処理について説明する。
【００５０】
まず、シーンを判定しようとしている画像が記録されたネガフィルムをフィルムスキャナ５によって読み取らせ、画像データとして検出する（Ｓ２０１）。
【００５１】
次に、この画像データを、判定用データ作成手段６によって、特定のパラメータを基準としたヒストグラムを基にして作成した多次元ベクトル形式に変換し、シーン判定用データを作成する（Ｓ２０２）。
【００５２】
そして、シーン判定手段８によって、このシーン判定用データと、上記のような学習によって決定されたコードブックベクトルとを比較することによって、入力された画像が、露光量の補正を行うべきシーンであるか否かが判定される（Ｓ２０３）。この判定は、シーン判定用データのベクトルにユークリッド距離で最も近いコードブックベクトルがどのコードブックベクトルであるかによって判断される。
【００５３】
Ｓ２０３において、入力された画像が露光量の補正を行うべきシーンであると判定された場合には、露光量算出手段９によって、サンプルデータに基づいて、予めシーン毎に求めておいた重みを用いて露光量が算出される（Ｓ２０４）。この露光量の算出に用いられる重みは、統計処理の重回帰分析や、ＢＰ（Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ ：誤差逆伝播法）によって学習させたニューラルネットワークなどによって算出すればよい。例えば、入力された画像データの特徴量（例えば最大値や最小値など）を、重回帰分析の説明変数として用いたり、ニューラルネットワークの入力に用いることによって、適正露光量を出力することができる。
【００５４】
一方、Ｓ２０３において、入力された画像が露光量の補正を行う必要のないシーンであると判定された場合には、露光量算出手段９によって、通常に用いられる露光量が算出される（Ｓ２０５）。
【００５５】
そして、Ｓ２０６において、シーンを判定しようとしている画像の全てに対して、シーン判定および露光量算出が行われたかどうかが判断され、全ての画像が処理されるまで上記のシーン判定および露光量算出が行われる。
【００５６】
なお、本実施形態においては、シーン判定において、ＬＶＱアルゴリズムを用いていたが、他にも、ニューラルネットワークによる方法、ＳＯＭ（Ｓｅｌｆ−Ｏｒｇａｎｉｚｉｎｇ Ｍａｐ：自己組織化マップ）による方法、ＶＱ（Ｖｅｃｔｏｒ Ｑｕａｎｔｉｚａｔｉｏｎ ：ベクトル量子化）による方法、統計的手法の判別分析による方法などを用いることができる。
【００５７】
ニューラルネットワークによる方法の場合、ＬＶＱを用いる場合と同様に、予めシーンが判定されているサンプル画像の画像データを学習させることによって、シーン判定を行うニューラルネットワークを確定させる。すなわち、サンプル画像の画像データを教師信号としてニューラルネットワークに入力し、例えばＢＰなどによって学習させることによって、各ニューロンのシナプス荷重を変化させる。そして、学習が完了したニューラルネットワークに対し、シーンを判定したい画像の画像データを入力し、シーン判定結果を出力させることによって、シーン判定を行う。
【００５８】
しかしながら、ニューラルネットワークによる方法の場合、例えば判別すべきシーンを新たに追加する際には、最初から学習をし直す必要が生じる、という問題点を有している。これに対して、ＬＶＱによる方法の場合には、新しいシーンに対応するコードベクトルを適当に設定し、このコードベクトルを追加した状態で再学習させることになる。すなわち、既に学習によって設定してあるコードブックベクトルへの影響は少ないので、必要とする学習回数が比較的少なくて済むことになる。一方、ニューラルネットワークによる方法では、根本的に各ニューロンのシナプス荷重を変化させなければならないので、必要とする学習回数を比較的多くする必要がある。つまり、ニューラルネットワークによる方法よりも、ＬＶＱによる方法の方が、新しくシーンを追加する場合などにおける再学習を容易に行うことができるという利点を有している。
【００５９】
また、ＳＯＭによる方法、およびＶＱによる方法は、ＬＶＱによる方法とは異なり、教師なしクラスタリングである。クラスタリングは、各データがお互いに近いパターンで集団に分かれるが、教師なしの場合には、その集団が目的とする集団になるとは限らない、という問題がある。したがって、ＬＶＱによる方法の方が、目的のシーンを的確に判定することが可能である。
【００６０】
また、統計的手法の判別分析による方法は、次のような理由によって、ＬＶＱによる方法よりもシーン判定の精度が悪くなっている。判別分析の場合、ユークリッド空間におけるクラス境界が線形となっている一方、ＬＶＱの場合には、クラス境界が、近傍コードブックベクトル間の中央平面によって定義されている。すなわち、ＬＶＱによる方法の方が、判別分析による方法よりも、クラスの境界をより的確に設定することが可能であるので、ＬＶＱによる方法の方がシーン判定をより正確に行うことができる。
【００６１】
以上のように、本実施形態に係る画像出力装置は、フィルムスキャナ５によって検出された画像データに基づいて、判定用データ作成手段６によって判定用データを作成し、シーン判定手段８によって画像の種類を分別する。そして、この分別結果に基づいて、露光量算出手段９によって印画紙に対する露光量を算出している。これにより、焼き付けようとしている画像に最適な露光量で印画紙の感光を行うことができる。したがって、例えば逆光条件で撮影された画像や、フラッシュ撮影された画像であっても、被写体の濃度が良好な、仕上がり品質の優れた写真を提供することができる。
【００６２】
また、シーン判定は、ＬＶＱアルゴリズムに基づいて予め学習させておいたコードブックベクトルに基づいて行われるので、判定の精度が高く、かつ判定に必要とする処理時間も短いものとなっている。例えば論理的なアルゴリズムによって画像の種類を分別する場合には、アルゴリズムが極めて複雑になってしまう処理を、ＬＶＱアルゴリズムを用いた場合には、より簡単な構成によって実現することが可能となる。また、論理的なアルゴリズムによって分別する場合には、分別する画像１枚１枚に対する処理に要する時間が長くなるのに対して、上記の構成によれば、一度学習させてしまえば、分別する画像１枚１枚に対する処理に要する時間は短い時間で済む。よって、構成の簡素化および処理時間の短縮を図ることができる。
【００６３】
また、本実施形態に係る画像出力装置は、ネガフィルム上の画像を連続的に印画紙上に露光させる構成となっているので、濃度およびその分布状態がそれぞれ異なる写真画像が複数記録されているネガフィルムを連続的に印画紙上に露光させる場合でも、各画像に適切な露光量で露光を行うことができる。よって、ネガフィルム上に記録された画像の全てに対して、仕上がり品質の優れたプリント画像を提供することができる。
【００６４】
なお、本実施形態に係る画像出力装置は、ネガフィルム上の画像を印画紙上に露光させる構成であったが、これに限定されるものではない。例えば、出力すべき画像が、ネガフィルム上に記録された画像データではなく、デジタルカメラなどによって撮影されたデジタル画像データであっても構わない。
【００６５】
また、画像を出力する構成としても、印画紙を露光させるものではなく、例えば、インクジェット方式、熱転写方式、およびレーザー転写方式などのカラープリンタを用いた構成にも適用可能である。この場合には、シーンの判定結果に基づいて、画像全体の輝度（濃度）を制御することになる。
【００６６】
【発明の効果】
以上のように、本発明に係る画像出力装置は、画像をプリントする画像出力装置であって、出力すべき画像の画像データを検出する画像データ検出手段と、上記画像データ検出手段によって検出された画像データに基づいて、上記画像の種類を分別する画像分別手段と、上記画像分別手段による分別結果に基づいて、上記画像の出力を制御する出力制御手段とを備え、上記画像分別手段が、画像の種類を分別する処理を、画像の種類が判定されているサンプル画像データを教師データとして複数回数入力して学習させる、教師あり学習法によって設定するとともに、上記画像を複数の領域に分割した各領域の画像データの値に基づいて、明るさを基準として作成されたヒストグラムに基づいて、上記画像の種類を分別する構成である。
【００６７】
これにより、出力しようとしている画像に最適な状態でプリントを行うことができる。したがって、例えば写真画像をプリントする場合、例えば逆光条件で撮影された画像や、フラッシュ撮影された画像であっても、被写体の濃度が良好な、仕上がり品質の優れたプリント画像を提供することができるという効果を奏する。
【００６９】
また、例えば論理的なアルゴリズムによって画像の種類を分別する場合には、アルゴリズムが極めて複雑になってしまう処理を、より簡単な構成によって実現することが可能となるという効果を奏する。また、論理的なアルゴリズムによって分別する場合には、分別する画像１枚１枚に対する処理に要する時間が長くなるのに対して、上記の構成によれば、一度学習させてしまえば、分別する画像１枚１枚に対する処理に要する時間は短い時間で済む。よって、構成の簡素化および処理時間の短縮を図ることができるという効果を奏する。
【００７０】
本発明に係る画像出力装置は、上記画像分別手段が、画像の種類を分別する処理を、学習ベクトル量子化アルゴリズムによって学習し、分別処理を行う構成である。
【００７１】
これにより、上記の構成による効果に加えて、例えば、統計的手法による判別分析を利用した場合と比較して、分別の精度を高くすることができるという効果を奏する。また、例えば、ニューラルネットワークを利用した場合と比較すると、新しいパターンが発生した場合の再学習をより容易に行うことができるという効果を奏する。
【００７２】
本発明に係る画像出力装置は、上記画像を感光材料上に感光させることによって出力するとともに、上記出力制御手段が、上記感光材料に対する露光量を設定する露光量設定手段である構成である。
【００７３】
これにより、上記の構成による効果に加えて、出力しようとしている画像に最適な露光量で感光材料の感光を行うことができる。よって、被写体濃度の良好な、仕上がり品質の優れた銀塩写真を提供することができるという効果を奏する。
【００７４】
本発明に係る画像出力装置は、出力すべき画像が透光性の記録媒体に記録されており、光源部から出射された光を上記記録媒体に透過させることによって、上記画像を感光材料上に感光させるとともに、複数の画像が記録された上記記録媒体を順に搬送させる記録媒体搬送手段と、上記感光材料を順に搬送させる感光材料搬送手段とをさらに備え、上記記録媒体上の画像を連続的に上記感光材料上に露光させる構成である。
【００７５】
これにより、上記の構成による効果に加えて、例えば複数の種類の画像が記録された記録媒体を連続的に感光材料上に露光させる場合でも、各画像に適切な露光量で露光を行うことができる。よって、記録媒体上に記録された画像の全てに対して、仕上がり品質の優れたプリント画像を提供することができるという効果を奏する。
【００７６】
本発明に係る画像判定方法は、入力された画像の画像データを検出するステップと、検出された画像データに基づいて、上記画像の種類を分別するステップとを有し、画像の種類が判定されているサンプル画像データを教師データとして複数回数入力して学習させる、教師あり学習法としての学習ベクトル量子化アルゴリズムによって、上記画像の種類を分別する処理が設定されるとともに、上記画像を複数の領域に分割した各領域の画像データの値に基づいて、明るさを基準として作成されたヒストグラムに基づいて、上記画像の種類が分別される。
【００７７】
これにより、学習ベクトル量子化アルゴリズムによって画像の種類を分別しているので、例えば、統計的手法による判別分析を利用した場合と比較して、分別の精度を高くすることができるという効果を奏する。また、例えば、ニューラルネットワークを利用した場合と比較すると、新しいパターンが発生した場合の再学習をより容易に行うことができるという効果を奏する。
【図面の簡単な説明】
【図１】本発明の実施の一形態に係る画像出力装置の概略構成を示すブロック図である。
【図２】上記画像出力装置が備える露光量制御装置の概略構成を示すブロック図である。
【図３】コードブックベクトルを決定するための学習アルゴリズムを示すフローチャートである。
【図４】シーン判定および露光量算出における処理の流れを示すフローチャートである。
【図５】同図（ａ）および（ｂ）は、それぞれストロボシーンおよび逆光シーンの、ネガフィルム上での画像の概略を示す説明図であり、同図（ｃ）および（ｄ）は、それぞれ同図（ａ）および（ｂ）に示す画像の画像データに基づいて作成されたヒストグラムである。
【符号の説明】
１ 光源部
２ ネガフィルム搬送手段（記録媒体搬送手段）
３ 露光量制御装置
４ 印画紙搬送手段（感光材料搬送手段）
５ フィルムスキャナ（画像データ検出手段）
６ 判定用データ作成手段
７ コードブックベクトル決定手段（画像分別手段）
８ シーン判定手段（画像分別手段）
９ 露光量算出手段（露光量設定手段）
１０ 露光量調整手段（露光量設定手段）
【発明の属する技術分野】
本発明は、例えば写真プリンタに備えられ、原画像を記録したネガフィルムを介して感光材料に光を照射することによって、感光材料に上記原画像を焼き付ける画像出力装置、および画像の種類を判定する画像判定方法に関するものである。
【０００２】
【従来の技術】
従来、複数の画像が撮影されたネガフィルムを自動的に印画紙上に焼き付ける、オートプリンタと呼ばれる画像出力装置が普及している。このようなオートプリンタは、光源と、ネガフィルムを搬送させるフィルム搬送手段と、印画紙を搬送させる印画紙搬送手段と、露光量制御手段とを備えている。
【０００３】
光源を出射した光は、フィルム搬送手段によって所定位置に搬送されたネガフィルムを透過し、投影レンズなどを介して印画紙上に投影され、印画紙が感光される。そして、露光量制御手段によって所定の露光量となるように露光が制御される。露光が終わると、次の画像の焼き付けが行われるように、フィルム搬送手段によってネガフィルムが、印画紙搬送手段によって印画紙がそれぞれ搬送される。このような動作を繰り返すことによって、ネガフィルム上に記録された複数の画像が順に印画紙上に焼き付けられる。
【０００４】
以上のような構成のオートプリンタは、複数の画像が撮影されたネガフィルムに対して、人手を介することなく連続的に焼き付け処理を行うことができるので、処理の迅速化、および処理にかかるコストの低減化を図ることができる。すなわち、現像完了時間の短縮、および人件費の削減などを実現することが可能となるので、例えば、写真のプリントを行う小規模店舗などにおいて広く用いられている。
【０００５】
【発明が解決しようとする課題】
上記のオートプリンタにおいて、印画紙の露光を制御する露光量制御手段は、標準撮影された画像、すなわち、標準的な濃度分布を有する画像に対して良好なプリント仕上がりとなるように露光量を設定している。したがって、逆光シーンやストロボ撮影シーンなどのような、濃度分布に偏りがある画像に対しては、適切な露光量とはならないので、良好なプリントを行えない場合がある。
【０００６】
例えば、異なる状況で撮影された２枚の画像において、被写体の濃度が同じでも、背景の濃度が異なっている場合には、同じ露光時間で焼き付けを行うと、印画紙上に焼き付けられた画像においては、被写体が異なる濃度で焼き付けられることになる。すなわち、少なくともどちらか一方は、プリント画像として好ましくない露光量で焼き付けられることになる。
【０００７】
このように、標準撮影された画像を基準として露光量を設定しているオートプリンタは、逆光シーンやストロボ撮影シーンなどの画像を良好にプリントすることができない。よって、このような画像に対しては、連続プリントを行わずに、人手によって露光量を変更させてから焼き付けを行うなどの作業をすることになる。この場合、予めネガフィルムを観察して、濃度分布に偏りがある画像を選別しておくか、一旦プリントした後、画像の状態を確認してから、再び露光量を調整してプリントをやり直す、などの煩わしい作業が必要となる。
【０００８】
本発明は、上記の問題点を解決するためになされたもので、その目的は、焼き付けようとしている画像に最適な露光量で露光を行うことが可能な画像出力装置、および画像の種類を判定する画像判定方法を提供することにある。
【０００９】
【課題を解決するための手段】
上記の課題を解決するために、本発明に係る画像出力装置は、画像をプリントする画像出力装置であって、出力すべき画像の画像データを検出する画像データ検出手段と、上記画像データ検出手段によって検出された画像データに基づいて、上記画像の種類を分別する画像分別手段と、上記画像分別手段による分別結果に基づいて、上記画像の出力を制御する出力制御手段とを備え、上記画像分別手段が、画像の種類を分別する処理を、画像の種類が判定されているサンプル画像データを教師データとして複数回数入力して学習させる、教師あり学習法によって設定するとともに、上記画像を複数の領域に分割した各領域の画像データの値に基づいて、明るさを基準として作成されたヒストグラムに基づいて、上記画像の種類を分別することを特徴としている。
【００１０】
上記の構成によれば、画像データ検出手段によって検出された画像データに基づいて、画像分別手段によって画像の種類を分別し、この分別結果に基づいて、出力制御手段によって画像の出力を制御しているので、出力しようとしている画像に最適な状態でプリントを行うことができる。よって、例えば写真画像をプリントする場合、例えば逆光条件で撮影された画像や、フラッシュ撮影された画像であっても、被写体の濃度が良好な、仕上がり品質の優れたプリント画像を提供することができる。
【００１２】
また、上記の構成によれば、学習によって、画像の種類を分別する処理を設定する画像分別手段を備えているので、例えば論理的なアルゴリズムによって画像の種類を分別する場合には、アルゴリズムが極めて複雑になってしまう処理を、より簡単な構成によって実現することが可能となる。また、論理的なアルゴリズムによって分別する場合には、分別する画像１枚１枚に対する処理に要する時間が長くなるのに対して、上記の構成によれば、一度学習させてしまえば、分別する画像１枚１枚に対する処理に要する時間は短い時間で済む。よって、構成の簡素化および処理時間の短縮を図ることができる。
【００１３】
本発明に係る画像出力装置は、上記の構成において、上記画像分別手段が、画像の種類を分別する処理を、学習ベクトル量子化アルゴリズムによって学習し、分別処理を行うことを特徴としている。
【００１４】
上記の構成によれば、学習ベクトル量子化アルゴリズムによって画像の種類を分別しているので、例えば、統計的手法による判別分析を利用した場合と比較して、分別の精度を高くすることができる。また、例えば、ニューラルネットワークを利用した場合と比較すると、新しいパターンが発生した場合の再学習をより容易に行うことができる。
【００１５】
本発明に係る画像出力装置は、上記の構成において、上記画像を感光材料上に感光させることによって出力するとともに、上記出力制御手段が、上記感光材料に対する露光量を設定する露光量設定手段であることを特徴としている。
【００１６】
上記の構成によれば、露光量設定手段によって、感光材料に対する露光量を設定しているので、出力しようとしている画像に最適な露光量で感光材料の感光を行うことができる。よって、被写体濃度の良好な、仕上がり品質の優れた銀塩写真を提供することができる。
【００１７】
本発明に係る画像出力装置は、上記の構成において、出力すべき画像が透光性の記録媒体に記録されており、光源部から出射された光を上記記録媒体に透過させることによって、上記画像を感光材料上に感光させるとともに、複数の画像が記録された上記記録媒体を順に搬送させる記録媒体搬送手段と、上記感光材料を順に搬送させる感光材料搬送手段とをさらに備え、上記記録媒体上の画像を連続的に上記感光材料上に露光させることを特徴としている。
【００１８】
上記の構成によれば、記録媒体上の画像を連続的に感光材料上に露光させる構成となっているので、例えば複数の種類の画像が記録された記録媒体を連続的に感光材料上に露光させる場合でも、各画像に適切な露光量で露光を行うことができる。よって、記録媒体上に記録された画像の全てに対して、仕上がり品質の優れたプリント画像を提供することができる。
【００１９】
本発明に係る画像判定方法は、入力された画像の画像データを検出するステップと、検出された画像データに基づいて、上記画像の種類を分別するステップとを有し、画像の種類が判定されているサンプル画像データを教師データとして複数回数入力して学習させる、教師あり学習法としての学習ベクトル量子化アルゴリズムによって、上記画像の種類を分別する処理が設定されるとともに、上記画像を複数の領域に分割した各領域の画像データの値に基づいて、明るさを基準として作成されたヒストグラムに基づいて、上記画像の種類が分別されることを特徴としている。
【００２０】
上記の方法によれば、学習ベクトル量子化アルゴリズムによって画像の種類を分別しているので、例えば、統計的手法による判別分析を利用した場合と比較して、分別の精度を高くすることができる。また、例えば、ニューラルネットワークを利用した場合と比較すると、新しいパターンが発生した場合の再学習をより容易に行うことができる。
【００２１】
【発明の実施の形態】
本発明の実施の一形態について図１ないし図４に基づいて説明すれば、以下のとおりである。
【００２２】
図１は、本発明の実施の形態に係る画像出力装置の概略構成を示すブロック図である。該画像出力装置は、光源部１、ネガフィルム搬送手段（記録媒体搬送手段）２、露光量制御装置３、および印画紙搬送手段（感光材料搬送手段）４を備えている。
【００２３】
光源部１は、ネガフィルム（記録媒体）上の画像を感光材料としての印画紙に焼き付けるための光を出射するものである。この光源部１は、例えば、ハロゲンランプと、ハロゲンランプから出射した光を略一方向に反射させるリフレクタと、ハロゲンランプから出射した光の熱線成分を除去する熱線反射フィルタと、光源むらを除去する拡散板と、ネガフィルム上の画像に光を集光させる集光レンズとを備えた構成となっている。
【００２４】
ネガフィルム搬送手段２は、例えばオートネガマスク（ＡＮＭ）と呼ばれる装置によって構成される。オートネガマスクは、複数の画像が一方向に並べられて記録されたネガフィルムを、画像が並んでいる方向に搬送させることによって、各画像を順次露光位置に搬送させるものである。また、オートネガマスクは、露光位置に搬送された画像の外側を遮光する構成になっているので、印画紙上に不要な光が照射され、印画紙が不要に感光してしまうことを防ぐことができる。
【００２５】
露光量制御装置３は、光源部１を出射し、ネガフィルム上の画像を透過した光によって印画紙が露光される際の露光量を制御するものである。この露光量制御装置３の詳細については後述する。
【００２６】
印画紙搬送手段４は、印画紙を順次露光位置に搬送させるものである。搬送させる印画紙としては、１枚ずつ独立したシート状のものでもよいし、ロール状のものでも構わない。
【００２７】
以上のような構成の画像出力装置における焼付動作は次のようになる。光源部１を出射した光は、ネガフィルム搬送手段２によって所定位置に搬送されたネガフィルムを透過し、投影レンズなどを介して印画紙上に投影され、印画紙が感光される。そして、露光量制御装置３によって所定の露光量となるように露光が制御される。露光が終わると、次の画像の焼き付けが行われるように、ネガフィルム搬送手段２によってネガフィルムが、印画紙搬送手段４によって印画紙がそれぞれ搬送される。このような動作を繰り返すことによって、ネガフィルム上に記録された複数の画像が順に印画紙上に焼き付けられる。
【００２８】
次に、露光量制御装置３について説明する。図２に示すように、露光量制御装置３は、フィルムスキャナ（画像データ検出手段）５、判定用データ作成手段６、コードブックベクトル決定手段（画像分別手段）７、シーン判定手段（画像分別手段）８、露光量算出手段（露光量設定手段）９、および露光量調整手段（露光量設定手段）１０を備えている。
【００２９】
フィルムスキャナ５は、ネガフィルム上に記録された画像を、例えばＣＣＤ（Ｃｈａｒｇｅ−Ｃｏｕｐｌｅｄ Ｄｅｖｉｃｅ） などによって画像データとして読み取るものである。なお、ここで用いられるＣＣＤの読み取り性能としては、高解像度である必要はなく、画像の特徴が判別できる程度の解像度でよい。
【００３０】
判定用データ作成手段６は、フィルムスキャナ５によって読み取られた画像データを、後述するシーン判定に用いられる判定用データに変換するものである。この判定用データのデータ形式としては、特定のパラメータを基準としたヒストグラムを基にして作成した多次元ベクトル形式などが挙げられる。
【００３１】
コードブックベクトル決定手段７は、後述するシーン判定に用いられるコードブックベクトルを決定するものである。このコードブックベクトルは、ＬＶＱ（Ｌｅａｒｎｉｎｇ Ｖｅｃｔｏｒ Ｑｕａｎｔｉｚａｔｉｏｎ ：学習ベクトル量子化）アルゴリズムによる学習によって決定される。このＬＶＱによる学習アルゴリズムについては後で詳細に説明する。
【００３２】
シーン判定手段８は、入力された画像の判定用データと、コードブックベクトルとを比較することによって、入力された画像のシーンを判定するものである。このシーン判定の詳細については後述する。
【００３３】
露光量算出手段９は、シーン判定手段８によって判定されたシーンに基づいて、シーン別に設定した重みを用いることによって露光量を算出するものである。この露光量算出手段９によって、判定されたシーンに最適な露光量が算出される。
【００３４】
露光量調整手段１０は、露光量算出手段９によって算出された露光量に基づいて、実際に露光量を調整するものである。この露光量調整手段１０は、例えば、任意の時間間隔で光の透過および遮蔽を行うことが可能なシャッターなどによって構成することができる。
【００３５】
次に、上記のシーン判定に関して説明する。上記のように、シーン判定はＬＶＱによって行われており、学習によってコードブックベクトルを決定した後に、入力された画像の判定用データと、コードブックベクトルとを比較することによって、入力された画像のシーンを判定している。
【００３６】
まず、図３を参照しながら、コードブックベクトルを決定するための学習アルゴリズムについて説明する。ＬＶＱによる学習は、教師あり学習法であり、教師データを多数回数入力して学習させることによってシーン判定のアルゴリズムを確定させるものである。
【００３７】
最初に、ｎ種類のシーンを設定し、各シーンに対応させたクラスｃ（１〜ｎ）を設け、各クラス毎に適当な数のコードベクトルを用意する。このコードベクトルの数は、シーン毎に適切な数となるように用意する。例えば、各シーン毎に等しい数のコードベクトルを用意してもよいし、後述するサンプル画像に占める各シーンの割合に比例した数のコードベクトルを用意してもよい。
【００３８】
そして、あるコードベクトルの初期値をｍｃ（０）（ｃ：１〜ｎ）とする。なお、このコードベクトルは、上記の判定用データ作成手段６によって作成される判定用データと同様の形式のものとする。このコードベクトルの初期値の設定は、シーンの種類、サンプル画像の数、その他諸々の条件に応じて適宜設定することになる。例えば、全てのコードベクトルの初期値を同じ値に設定してもよいし、各コードベクトルの初期値をランダムな値に設定してもよい。
【００３９】
次に、教師データとして、シーンが判定されているサンプル画像が記録されたネガフィルムをフィルムスキャナ５によって読み取らせ、サンプル画像データとして検出する（ステップ１０１、以降、Ｓ１０１のように表記する）。
【００４０】
そして、これらのサンプル画像データを、判定用データ作成手段６によって、特定のパラメータを基準としたヒストグラムを基にして作成した多次元ベクトル形式に変換する（Ｓ１０２）。ここで、シーンが判定されているサンプル画像データを基に作成された多次元ベクトル形式のデータを教師ベクトルと呼ぶことにする。
【００４１】
これらの教師ベクトルを基にして、コードブックベクトル決定手段７によって、ＬＶＱによるシーン学習を行う（Ｓ１０３）。ＬＶＱによるシーン学習の概要は次のようになる。すなわち、教師ベクトルｘｃ’（ｔ）（ｃ’：１〜ｎ）と、コードベクトルｍｃ（ｔ）とが同じクラスに属する場合には、ｍｃ（ｔ＋１）をｘｃ’（ｔ）に所定量近づけて、ｘｃ’（ｔ）とｍｃ（ｔ）とが異なるクラスに属する場合には、ｍｃ（ｔ＋１）をｘｃ’（ｔ）に所定量遠ざける、というアルゴリズムによって、各クラスに対応するコードベクトルｍｃ（ｔ）を最適化する。なお、上記のｔは、学習回数を示している。以下に、このアルゴリズムについて詳細に説明する。
【００４２】
いま、教師ベクトルｘｃ’（ｔ）がクラスｃ’に属しており、このｘｃ’（ｔ）にユークリッド距離が最も近いコードベクトルがｍｃ（ｔ）であったとする。この時、ｃ＝ｃ’である場合には、
ｍｃ（ｔ＋１）＝ｍｃ（ｔ）＋α（ｔ）〔ｘｃ’（ｔ）−ｍｃ（ｔ）〕…▲１▼
という演算処理を行う。また、ｃ≠ｃ’である場合には、
ｍｃ（ｔ＋１）＝ｍｃ（ｔ）−α（ｔ）〔ｘｃ’（ｔ）−ｍｃ（ｔ）〕…▲２▼
という演算処理を行う。
【００４３】
上記の式▲１▼および▲２▼において、α（ｔ）は学習係数と呼ばれる係数を示している。このα（ｔ）としては、０＜α（ｔ）＜１の範囲で単調減少する関数が用いられ、例えばｔの逆数となる関数などを用いることができる。α（ｔ）がこのような関数であれば、学習回数が進むにつれて、コードベクトルｍｃ（ｔ）の学習時の移動量が小さくなるので、ｍｃ（ｔ）が徐々に収束していくことになる。
【００４４】
以上のような学習における演算処理を最適学習回数Ｐ（回）繰り返して行い、最終的に設定されたｍｃ（Ｐ）を、シーン判定用のコードブックベクトルとして決定する（Ｓ１０４）。
【００４５】
上記のようなアルゴリズムの具体的な実施例を以下に述べる。上記のシーンの種類の具体例としては、ストロボシーン（背景が暗く、被写体が明るい場合）、逆光シーン（背景が明るく、被写体が暗い場合）、アンダーシーン（撮影時の露光が少なかった場合）などが挙げられる。図５（ａ）および（ｂ）は、それぞれストロボシーンおよび逆光シーンの、ネガフィルム上での画像の概略を示している。なお、図５（ａ）および（ｂ）で示す画像は、ネガフィルム上での画像であるので、画像の明暗が反転して記録されている。また、画像の明るさの度合いは、図の簡略化のために２段階で表現されているが、実際には、無段階に連続的に明暗が変化している。
【００４６】
また、上記のＳ１０１において、サンプル画像データとして検出する際には、例えば画像を２０×３０の領域に分割し、各領域の画像データを例えばＣＣＤによって検出する。そして、これらの画像データの値を、例えば４０の階数に量子化し（４０値化）、画像全体において、各区間に画像データの値が含まれる領域の数に基づいて、ヒストグラムを作成する。図５（ｃ）および（ｄ）は、それぞれ図５（ａ）および（ｂ）に示す画像に基づいて作成されたヒストグラムであり、横軸を明るさ（暗さ）、縦軸を度数としたものである。なお、図５（ｃ）および（ｄ）は、図の簡略化のために、横軸の分割を１６（１６値化）とした図になっている。
【００４７】
このようなヒストグラムに基づいて、サンプル画像データから教師ベクトルを作成する。この際に、例えば、上記の最適学習回数Ｐを３００と設定した場合には、シーンが判定されている３００種類のサンプル画像を用意し、教師ベクトルを作成することになる。
【００４８】
このように教師ベクトルを作成し、上記のようなＬＶＱによる学習を行うことによって、コードブックベクトルを決定する。なお、サンプル画像の数が、最適学習回数Ｐに満たない場合には、用意したサンプル画像を繰り返し用いて学習させてもよい。
【００４９】
次に、図４を参照しながら、上記のような学習によってコードブックベクトルを決定した後に、入力された画像の判定用データと、コードブックベクトルとを比較することによって、入力された画像のシーンを判定し、露光量を算出する処理について説明する。
【００５０】
まず、シーンを判定しようとしている画像が記録されたネガフィルムをフィルムスキャナ５によって読み取らせ、画像データとして検出する（Ｓ２０１）。
【００５１】
次に、この画像データを、判定用データ作成手段６によって、特定のパラメータを基準としたヒストグラムを基にして作成した多次元ベクトル形式に変換し、シーン判定用データを作成する（Ｓ２０２）。
【００５２】
そして、シーン判定手段８によって、このシーン判定用データと、上記のような学習によって決定されたコードブックベクトルとを比較することによって、入力された画像が、露光量の補正を行うべきシーンであるか否かが判定される（Ｓ２０３）。この判定は、シーン判定用データのベクトルにユークリッド距離で最も近いコードブックベクトルがどのコードブックベクトルであるかによって判断される。
【００５３】
Ｓ２０３において、入力された画像が露光量の補正を行うべきシーンであると判定された場合には、露光量算出手段９によって、サンプルデータに基づいて、予めシーン毎に求めておいた重みを用いて露光量が算出される（Ｓ２０４）。この露光量の算出に用いられる重みは、統計処理の重回帰分析や、ＢＰ（Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ ：誤差逆伝播法）によって学習させたニューラルネットワークなどによって算出すればよい。例えば、入力された画像データの特徴量（例えば最大値や最小値など）を、重回帰分析の説明変数として用いたり、ニューラルネットワークの入力に用いることによって、適正露光量を出力することができる。
【００５４】
一方、Ｓ２０３において、入力された画像が露光量の補正を行う必要のないシーンであると判定された場合には、露光量算出手段９によって、通常に用いられる露光量が算出される（Ｓ２０５）。
【００５５】
そして、Ｓ２０６において、シーンを判定しようとしている画像の全てに対して、シーン判定および露光量算出が行われたかどうかが判断され、全ての画像が処理されるまで上記のシーン判定および露光量算出が行われる。
【００５６】
なお、本実施形態においては、シーン判定において、ＬＶＱアルゴリズムを用いていたが、他にも、ニューラルネットワークによる方法、ＳＯＭ（Ｓｅｌｆ−Ｏｒｇａｎｉｚｉｎｇ Ｍａｐ：自己組織化マップ）による方法、ＶＱ（Ｖｅｃｔｏｒ Ｑｕａｎｔｉｚａｔｉｏｎ ：ベクトル量子化）による方法、統計的手法の判別分析による方法などを用いることができる。
【００５７】
ニューラルネットワークによる方法の場合、ＬＶＱを用いる場合と同様に、予めシーンが判定されているサンプル画像の画像データを学習させることによって、シーン判定を行うニューラルネットワークを確定させる。すなわち、サンプル画像の画像データを教師信号としてニューラルネットワークに入力し、例えばＢＰなどによって学習させることによって、各ニューロンのシナプス荷重を変化させる。そして、学習が完了したニューラルネットワークに対し、シーンを判定したい画像の画像データを入力し、シーン判定結果を出力させることによって、シーン判定を行う。
【００５８】
しかしながら、ニューラルネットワークによる方法の場合、例えば判別すべきシーンを新たに追加する際には、最初から学習をし直す必要が生じる、という問題点を有している。これに対して、ＬＶＱによる方法の場合には、新しいシーンに対応するコードベクトルを適当に設定し、このコードベクトルを追加した状態で再学習させることになる。すなわち、既に学習によって設定してあるコードブックベクトルへの影響は少ないので、必要とする学習回数が比較的少なくて済むことになる。一方、ニューラルネットワークによる方法では、根本的に各ニューロンのシナプス荷重を変化させなければならないので、必要とする学習回数を比較的多くする必要がある。つまり、ニューラルネットワークによる方法よりも、ＬＶＱによる方法の方が、新しくシーンを追加する場合などにおける再学習を容易に行うことができるという利点を有している。
【００５９】
また、ＳＯＭによる方法、およびＶＱによる方法は、ＬＶＱによる方法とは異なり、教師なしクラスタリングである。クラスタリングは、各データがお互いに近いパターンで集団に分かれるが、教師なしの場合には、その集団が目的とする集団になるとは限らない、という問題がある。したがって、ＬＶＱによる方法の方が、目的のシーンを的確に判定することが可能である。
【００６０】
また、統計的手法の判別分析による方法は、次のような理由によって、ＬＶＱによる方法よりもシーン判定の精度が悪くなっている。判別分析の場合、ユークリッド空間におけるクラス境界が線形となっている一方、ＬＶＱの場合には、クラス境界が、近傍コードブックベクトル間の中央平面によって定義されている。すなわち、ＬＶＱによる方法の方が、判別分析による方法よりも、クラスの境界をより的確に設定することが可能であるので、ＬＶＱによる方法の方がシーン判定をより正確に行うことができる。
【００６１】
以上のように、本実施形態に係る画像出力装置は、フィルムスキャナ５によって検出された画像データに基づいて、判定用データ作成手段６によって判定用データを作成し、シーン判定手段８によって画像の種類を分別する。そして、この分別結果に基づいて、露光量算出手段９によって印画紙に対する露光量を算出している。これにより、焼き付けようとしている画像に最適な露光量で印画紙の感光を行うことができる。したがって、例えば逆光条件で撮影された画像や、フラッシュ撮影された画像であっても、被写体の濃度が良好な、仕上がり品質の優れた写真を提供することができる。
【００６２】
また、シーン判定は、ＬＶＱアルゴリズムに基づいて予め学習させておいたコードブックベクトルに基づいて行われるので、判定の精度が高く、かつ判定に必要とする処理時間も短いものとなっている。例えば論理的なアルゴリズムによって画像の種類を分別する場合には、アルゴリズムが極めて複雑になってしまう処理を、ＬＶＱアルゴリズムを用いた場合には、より簡単な構成によって実現することが可能となる。また、論理的なアルゴリズムによって分別する場合には、分別する画像１枚１枚に対する処理に要する時間が長くなるのに対して、上記の構成によれば、一度学習させてしまえば、分別する画像１枚１枚に対する処理に要する時間は短い時間で済む。よって、構成の簡素化および処理時間の短縮を図ることができる。
【００６３】
また、本実施形態に係る画像出力装置は、ネガフィルム上の画像を連続的に印画紙上に露光させる構成となっているので、濃度およびその分布状態がそれぞれ異なる写真画像が複数記録されているネガフィルムを連続的に印画紙上に露光させる場合でも、各画像に適切な露光量で露光を行うことができる。よって、ネガフィルム上に記録された画像の全てに対して、仕上がり品質の優れたプリント画像を提供することができる。
【００６４】
なお、本実施形態に係る画像出力装置は、ネガフィルム上の画像を印画紙上に露光させる構成であったが、これに限定されるものではない。例えば、出力すべき画像が、ネガフィルム上に記録された画像データではなく、デジタルカメラなどによって撮影されたデジタル画像データであっても構わない。
【００６５】
また、画像を出力する構成としても、印画紙を露光させるものではなく、例えば、インクジェット方式、熱転写方式、およびレーザー転写方式などのカラープリンタを用いた構成にも適用可能である。この場合には、シーンの判定結果に基づいて、画像全体の輝度（濃度）を制御することになる。
【００６６】
【発明の効果】
以上のように、本発明に係る画像出力装置は、画像をプリントする画像出力装置であって、出力すべき画像の画像データを検出する画像データ検出手段と、上記画像データ検出手段によって検出された画像データに基づいて、上記画像の種類を分別する画像分別手段と、上記画像分別手段による分別結果に基づいて、上記画像の出力を制御する出力制御手段とを備え、上記画像分別手段が、画像の種類を分別する処理を、画像の種類が判定されているサンプル画像データを教師データとして複数回数入力して学習させる、教師あり学習法によって設定するとともに、上記画像を複数の領域に分割した各領域の画像データの値に基づいて、明るさを基準として作成されたヒストグラムに基づいて、上記画像の種類を分別する構成である。
【００６７】
これにより、出力しようとしている画像に最適な状態でプリントを行うことができる。したがって、例えば写真画像をプリントする場合、例えば逆光条件で撮影された画像や、フラッシュ撮影された画像であっても、被写体の濃度が良好な、仕上がり品質の優れたプリント画像を提供することができるという効果を奏する。
【００６９】
また、例えば論理的なアルゴリズムによって画像の種類を分別する場合には、アルゴリズムが極めて複雑になってしまう処理を、より簡単な構成によって実現することが可能となるという効果を奏する。また、論理的なアルゴリズムによって分別する場合には、分別する画像１枚１枚に対する処理に要する時間が長くなるのに対して、上記の構成によれば、一度学習させてしまえば、分別する画像１枚１枚に対する処理に要する時間は短い時間で済む。よって、構成の簡素化および処理時間の短縮を図ることができるという効果を奏する。
【００７０】
本発明に係る画像出力装置は、上記画像分別手段が、画像の種類を分別する処理を、学習ベクトル量子化アルゴリズムによって学習し、分別処理を行う構成である。
【００７１】
これにより、上記の構成による効果に加えて、例えば、統計的手法による判別分析を利用した場合と比較して、分別の精度を高くすることができるという効果を奏する。また、例えば、ニューラルネットワークを利用した場合と比較すると、新しいパターンが発生した場合の再学習をより容易に行うことができるという効果を奏する。
【００７２】
本発明に係る画像出力装置は、上記画像を感光材料上に感光させることによって出力するとともに、上記出力制御手段が、上記感光材料に対する露光量を設定する露光量設定手段である構成である。
【００７３】
これにより、上記の構成による効果に加えて、出力しようとしている画像に最適な露光量で感光材料の感光を行うことができる。よって、被写体濃度の良好な、仕上がり品質の優れた銀塩写真を提供することができるという効果を奏する。
【００７４】
本発明に係る画像出力装置は、出力すべき画像が透光性の記録媒体に記録されており、光源部から出射された光を上記記録媒体に透過させることによって、上記画像を感光材料上に感光させるとともに、複数の画像が記録された上記記録媒体を順に搬送させる記録媒体搬送手段と、上記感光材料を順に搬送させる感光材料搬送手段とをさらに備え、上記記録媒体上の画像を連続的に上記感光材料上に露光させる構成である。
【００７５】
これにより、上記の構成による効果に加えて、例えば複数の種類の画像が記録された記録媒体を連続的に感光材料上に露光させる場合でも、各画像に適切な露光量で露光を行うことができる。よって、記録媒体上に記録された画像の全てに対して、仕上がり品質の優れたプリント画像を提供することができるという効果を奏する。
【００７６】
本発明に係る画像判定方法は、入力された画像の画像データを検出するステップと、検出された画像データに基づいて、上記画像の種類を分別するステップとを有し、画像の種類が判定されているサンプル画像データを教師データとして複数回数入力して学習させる、教師あり学習法としての学習ベクトル量子化アルゴリズムによって、上記画像の種類を分別する処理が設定されるとともに、上記画像を複数の領域に分割した各領域の画像データの値に基づいて、明るさを基準として作成されたヒストグラムに基づいて、上記画像の種類が分別される。
【００７７】
これにより、学習ベクトル量子化アルゴリズムによって画像の種類を分別しているので、例えば、統計的手法による判別分析を利用した場合と比較して、分別の精度を高くすることができるという効果を奏する。また、例えば、ニューラルネットワークを利用した場合と比較すると、新しいパターンが発生した場合の再学習をより容易に行うことができるという効果を奏する。
【図面の簡単な説明】
【図１】本発明の実施の一形態に係る画像出力装置の概略構成を示すブロック図である。
【図２】上記画像出力装置が備える露光量制御装置の概略構成を示すブロック図である。
【図３】コードブックベクトルを決定するための学習アルゴリズムを示すフローチャートである。
【図４】シーン判定および露光量算出における処理の流れを示すフローチャートである。
【図５】同図（ａ）および（ｂ）は、それぞれストロボシーンおよび逆光シーンの、ネガフィルム上での画像の概略を示す説明図であり、同図（ｃ）および（ｄ）は、それぞれ同図（ａ）および（ｂ）に示す画像の画像データに基づいて作成されたヒストグラムである。
【符号の説明】
１ 光源部
２ ネガフィルム搬送手段（記録媒体搬送手段）
３ 露光量制御装置
４ 印画紙搬送手段（感光材料搬送手段）
５ フィルムスキャナ（画像データ検出手段）
６ 判定用データ作成手段
７ コードブックベクトル決定手段（画像分別手段）
８ シーン判定手段（画像分別手段）
９ 露光量算出手段（露光量設定手段）
１０ 露光量調整手段（露光量設定手段）
Claims (5)
- 画像をプリントする画像出力装置であって、
出力すべき画像の画像データを検出する画像データ検出手段と、
上記画像データ検出手段によって検出された画像データに基づいて、上記画像の種類を分別する画像分別手段と、
上記画像分別手段による分別結果に基づいて、上記画像の出力を制御する出力制御手段とを備え、
上記画像分別手段が、画像の種類を分別する処理を、画像の種類が判定されているサンプル画像データを教師データとして複数回数入力して学習させる、教師あり学習法によって設定するとともに、
上記画像を複数の領域に分割した各領域の画像データの値に基づいて、明るさを基準として作成されたヒストグラムに基づいて、上記画像の種類を分別することを特徴とする画像出力装置。 - 上記画像分別手段が、画像の種類を分別する処理を、学習ベクトル量子化アルゴリズムによって学習し、分別処理を行うことを特徴とする請求項１記載の画像出力装置。
- 上記画像を感光材料上に感光させることによって出力するとともに、上記出力制御手段が、上記感光材料に対する露光量を設定する露光量設定手段であることを特徴とする請求項１または２記載の画像出力装置。
- 出力すべき画像が透光性の記録媒体に記録されており、光源部から出射された光を上記記録媒体に透過させることによって、上記画像を感光材料上に感光させるとともに、複数の画像が記録された上記記録媒体を順に搬送させる記録媒体搬送手段と、上記感光材料を順に搬送させる感光材料搬送手段とをさらに備え、上記記録媒体上の画像を連続的に上記感光材料上に露光させることを特徴とする請求項３記載の画像出力装置。
- 入力された画像の画像データを検出するステップと、
検出された画像データに基づいて、上記画像の種類を分別するステップとを有し、
画像の種類が判定されているサンプル画像データを教師データとして複数回数入力して学習させる、教師あり学習法としての学習ベクトル量子化アルゴリズムによって、上記画像の種類を分別する処理が設定されるとともに、上記画像を複数の領域に分割した各領域の画像データの値に基づいて、明るさを基準として作成されたヒストグラムに基づいて、上記画像の種類が分別されることを特徴とする画像判定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP10776599A JP3622569B2 (ja) | 1999-04-15 | 1999-04-15 | 画像出力装置および画像判定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP10776599A JP3622569B2 (ja) | 1999-04-15 | 1999-04-15 | 画像出力装置および画像判定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2000298318A JP2000298318A (ja) | 2000-10-24 |
| JP3622569B2 true JP3622569B2 (ja) | 2005-02-23 |
Family
ID=14467441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP10776599A Expired - Fee Related JP3622569B2 (ja) | 1999-04-15 | 1999-04-15 | 画像出力装置および画像判定方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3622569B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7456614B2 (ja) | 2020-06-22 | 2024-03-27 | 株式会社富士機械工作所 | 金属円筒管の矯正方法及び矯正装置 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003066539A (ja) * | 2001-08-29 | 2003-03-05 | Noritsu Koki Co Ltd | 写真処理装置におけるカラーマネジメントシステム及び方法 |
| JP4606828B2 (ja) * | 2003-09-25 | 2011-01-05 | 富士フイルム株式会社 | 特定シーンの画像を選別する装置、プログラムおよびプログラムを記録した記録媒体 |
-
1999
- 1999-04-15 JP JP10776599A patent/JP3622569B2/ja not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7456614B2 (ja) | 2020-06-22 | 2024-03-27 | 株式会社富士機械工作所 | 金属円筒管の矯正方法及び矯正装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2000298318A (ja) | 2000-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6697537B2 (en) | Image processing method and apparatus | |
| US7092569B1 (en) | Method and device for extracting specified image subjects | |
| JP2005092759A (ja) | 画像処理装置、画像処理方法、および赤目検出方法ならびにプログラム | |
| US5210570A (en) | Method for determining an exposure for printing | |
| JP4655210B2 (ja) | 濃度補正曲線生成方法と濃度補正曲線生成モジュール | |
| JP3622569B2 (ja) | 画像出力装置および画像判定方法 | |
| US6538717B2 (en) | Method of image reading by one time to-and-fro scanning | |
| US6757083B1 (en) | Image input apparatus | |
| US7119923B1 (en) | Apparatus and method for image processing | |
| JPH08122157A (ja) | 色温度推定方法、色温度推定装置、及び露光量決定方法 | |
| JPH09101579A (ja) | 顔領域抽出方法及び複写条件決定方法 | |
| JP3645384B2 (ja) | 複写装置及び複写条件決定方法 | |
| JP2006148754A (ja) | 写真画像処理方法及びその装置 | |
| JP4377938B2 (ja) | 画像処理方法および画像処理装置 | |
| JP2612956B2 (ja) | 複写装置の露光量決定方法 | |
| US6672508B2 (en) | Photographic processing system | |
| JPH05119410A (ja) | 露光条件決定方法 | |
| US5703672A (en) | Method of making a photographic print | |
| JP2978657B2 (ja) | 写真焼付方法 | |
| JP2001076149A (ja) | 主要被写体抽出方法および装置 | |
| JPH08304934A (ja) | 画像サイズ識別装置及び方法 | |
| JP2520020B2 (ja) | 画像複写装置の露光量決定方法 | |
| JP4317803B2 (ja) | 画像処理方法および画像処理装置 | |
| JPH06186652A (ja) | 露光量決定方法 | |
| JPH10224650A (ja) | 画像処理方法及び装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040810 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20041005 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20041102 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20041115 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101203 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111203 Year of fee payment: 7 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111203 Year of fee payment: 7 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121203 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121203 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131203 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |