JP3756507B1 - 画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体 - Google Patents

Abstract

【課題】 画像中の抽出対象部位と非抽出対象部位との分離能力が反映された評価値を用いた画像処理アルゴリズム評価方法を提供する。
【解決手段】 評価対象となる画像処理アルゴリズムを生成して（ＳＴＥＰ１）、これを欠陥位置が既知の学習用画像データに対して適用して擬似欠陥を含む欠陥候補を抽出して各候補の特徴量を算出する（ＳＴＥＰ２〜ＳＴＥＰ５）、欠陥位置が既知であることに基づき欠陥候補を真欠陥と擬似欠陥に分類し（ＳＴＥＰ６）、真欠陥群の特徴量と擬似欠陥群の特徴量の分離度を求め（ＳＴＥＰ７）、求めた分離度に基づき画像処理アルゴリズムを評価する（ＳＴＥＰ８）。そして、その評価値に基づいて画像処理アルゴリズムのパラメータを調整する（ＳＴＥＰ１１）ことにより画像処理アルゴリズムの生成を行う。
【選択図】 図１

Description

本発明は、画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体に関し、特に、画像データから所望の対象物を含む領域を抽出するための画像処理アルゴリズムの品質を評価する画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体に関する。

近年、ＣＣＤ（Charge Coupled Device）等の画像撮像デバイスやパーソナルコンピュータ等の画像処理機器の低価格化により、画像処理の適用分野が広がりつつある。とりわけ、産業分野における欠陥検査への画像処理の適用は広範に渡り、製品やデバイスの歩留まり、品質の向上や目視検査員削減によるコストダウンのためにますますその必要性を高めている。よって、現状では欠陥検査のために、対象とする製品やデバイスに合わせて多種多様な画像処理アルゴリズムが開発されている。これは、欠陥検査向けの画像処理アルゴリズムは欠陥対象毎に専用設計することが一般的であり、一度設計した画像処理アルゴリズムを他の欠陥検査に適用できない場合が多いことに起因する。つまり一度開発した画像処理アルゴリズムの再利用性はほとんど無く、適用分野および検査対象の拡大に比例して開発工数は増加してゆく。

また、画像処理アルゴリズムの開発は、設計工程と調整工程から構成され、特に調整工程では各種のパラメータ変更とその評価を試行錯誤的に繰り返す。画像処理アルゴリズムの開発フローは、おおむね次の通りである。すなわち、対象とする欠陥を含む欠陥画像データサンプルおよび欠陥を含まない良品画像データサンプルをそれぞれ複数入手する。そして入手した欠陥画像データサンプルのうちから、検出が困難と思われる欠陥を含む欠陥画像データサンプルである限界欠陥画像データサンプルを選択する。そして、欠陥や背景の特徴から画像の正規化、ノイズ除去、２値化処理、２値画像形状計測などの基本となる画像処理の大まかな手順を決定する。ここまでが、画像処理アルゴリズムの開発における設計作業と位置付けられる。

次に、上述の基本となる画像処理を限界欠陥画像データサンプルに適用した際に欠陥のみが検出されるように画像処理の手順を構成するフィルタの処理回数、フィルタ形状、およびしきい値などのパラメータの値の変更および変更後に評価を行なうことにより、ベースとなる画像処理アルゴリズムを作成する。ここにおいて評価とは、対象とする欠陥のみが検出され、他に何も検出されない場合が最良となるものである。さらに、限界欠陥画像データサンプルのみならず全ての欠陥画像データサンプルに含まれる欠陥が検出され、良品画像データサンプルからは何も検出されなくなるまでベースとなる画像処理アルゴリズムのパラメータの変更および評価を繰り返すことにより、画像処理アルゴリズムの開発を完了する。

しかしながら、通常は全ての欠陥画像データサンプルに含まれる欠陥を検出し、全ての良品画像データサンプルから何も検出しない画像処理アルゴリズムを開発することは困難であり、一部の真欠陥が検出不可能であったり（未検出）、欠陥でない部位である擬似欠陥を検出する（過検出）ことは避けられない。ここで、検出すべき欠陥を真欠陥と呼び、検出すべきでない部位にもかかわらず欠陥と誤判定されて検出されたものを擬似欠陥と呼ぶ。さらに、未検出を避けるために画像処理アルゴリズムの欠陥検出感度を上げるようにパラメータの調整を行なうと過検出が発生し、過検出を避けるために同じく欠陥検出感度を下げると未検出が発生するという、いわば未検出と過検出の間にはトレードオフが存在する。これにより画像処理アルゴリズム開発におけるパラメータ調整と評価作業が非常に困難になっている。このように、画像処理アルゴリズムの開発においては、これらの経験的かつ試行錯誤的なパラメータ調整と評価作業に非常に多くの工数を要する。

これらの手順を経て開発された画像処理アルゴリズムを導入した後にも、開発時に入手した欠陥画像データサンプルに含まれる欠陥の特徴量とわずかに特徴量が異なる欠陥が発生した場合や、背景画像のパターンや輝度が変動した場合に、過検出もしくは未検出が発生するため再度、画像処理アルゴリズムの調整作業が必要になる。よって、画像処理アルゴリズムの開発が完了し、一旦は導入に至ったとしても、経験的かつ試行錯誤的なパラメータ調整と評価作業はなくならないのである。

このように、画像処理アルゴリズムは、その開発・導入において非常に多くの工数を必要とするため、画像処理適用分野の拡大にともない、画像処理アルゴリズムの自動生成手法の確立が切望されている。さらに、生成されるアルゴリズムは、導入後の多少の環境や対象の変動に対しても安定して動作する高品質なものであることが重要である。そのために、画像処理アルゴリズムの自動生成手法の確立に先立ち、画像処理アルゴリズムの品質を評価する手法の確立が最重要課題となる。

画像処理アルゴリズムの評価を行ない、その評価結果に基づいて画像処理アルゴリズムを生成するための従来技術として、欠陥画像データサンプルに対して所望の欠陥のみを抽出した目標画像を、良品画像データサンプルに対しては何も抽出されない目標画像を、それぞれあらかじめ作業者が設定して、各画像データサンプルが画像処理アルゴリズムによって処理されたものである結果画像と各々の目標画像との差に基づき画像処理アルゴリズムの品質を評価し、その評価結果に基づいて画像処理アルゴリズムのパラメータ変更を行なう手法がある（たとえば、特許文献１参照）。また、画像処理アルゴリズムの品質を評価し、その評価結果に基づいて複数の画像処理アルゴリズム候補の中から適切なものを選択する手法がある（たとえば、特許文献２参照）。この手法は、良品画像データサンプルと欠陥画像データサンプルとの中庸の特性をもつ中間グレード画像データサンプルにおいて、良品画像データサンプルと欠陥画像データサンプルの各々に含まれる欠陥部位に作業者が順位を設定する。そして、各画像データサンプルについて画像処理アルゴリズムによって処理された後に算出された欠陥部位の特徴量とあらかじめ作業者が設定した順位との相関に基づき画像処理アルゴリズムの品質を評価し、その評価結果に基づいて複数の画像処理アルゴリズム候補の中から適切なものを選択する。
特開２００２−３６６９２９号公報 特開平４−３６７９８２号公報

特許文献１に記載の従来技術では、目標画像として欠陥画像データサンプルの画素ごとに目標となる達成濃度値を設定する。この設定は、欠陥部位に相当する画素の達成濃度値を取りうる濃度範囲内の最小値とし、欠陥部位に相当しない画素の達成濃度値を同じく最大値とするものである。通常はこのような達成濃度値に至るには２値化処理が必要となるが、この２値化処理では相当な画像情報量が失われる。この点について説明する。

まず、欠陥画像データサンプルの濃度階調を２５６段階とし、欠陥画像データサンプルに含まれる欠陥部位の最大濃度が１２０であり、非欠陥部位の最小濃度が１３０であったと仮定する。このときの欠陥部位と非欠陥部位の濃度差は１０である。ここにおいて、ある画像処理アルゴリズムにより欠陥画像データサンプル内の欠陥部位の最大濃度値が１２５に変換され、非欠陥部位の最小濃度値が１２６に変換された後に、しきい値１２６にて２値化処理が施された場合、欠陥部位は濃度値が最小となり非欠陥部位は濃度値が最大となる。したがって、変換前の欠陥画像データサンプルをしきい値１２１〜１３０で２値化した２値化処理結果画像データと、変換後の欠陥画像データサンプルをしきい値１２６で２値化した２値化処理結果画像データとは一致する。その結果、後者の２値化処理結果画像データは変換前の欠陥画像データサンプルを元に作成した目標画像と同等となり、評価値が最高となり、最良の画像処理アルゴリズムと誤判断される。

つまり、実際にはこの画像処理アルゴリズムにより欠陥部位と非欠陥部位の濃度差は１０から１に縮小されており、この画像処理アルゴリズムでは、画像データサンプルと比較して検査時の画像データの濃度変動が１以上発生した場合には欠陥部位と非欠陥部位の分離がうまくいかなくなる。そのため、本来は、画像処理アルゴリズムの品質は低いと判断すべきである。このような誤判断は、欠陥部位と非欠陥部位がどの程度の濃度差をもって分離されたのか考慮されないことに起因する。

特許文献２に記載の従来技術では、欠陥を含む不良画像データサンプルと欠陥を含まない良品画像データサンプルとその中庸である中間グレード画像データサンプルそれぞれに対応して望ましい検査結果を相関モデルとして作業者が設定する。本従来技術では、画像処理アルゴリズムは各画像データサンプルに含まれる良品および不良品に対して特徴量を算出し、算出された特徴量と対応して設定されている相関モデルとの相関に基づき画像アルゴリズムの評価を行なっている。ここで、「望ましい検査結果」とは、一例として作業者が欠陥の程度が大きいと感じる欠陥に対しては特徴量の値が高くなり、逆に小さいと感じる欠陥もしくは良品に対しては特徴量の値が低くなるような、不良の程度にあわせた数値によるモデルである。これにより、作業者が明示的に示した良品と不良品の間の分離度が高い場合に、画像処理アルゴリズムの評価値が高くなる評価手法が実現可能となる。しかしながら、ここでは不良品を検出する際に副作用として誤検出される擬似欠陥に対しては評価がなされていない。

一般に、真欠陥の検出漏れをなくすために欠陥検出感度を上昇させると、副作用として本来検出すべきでない部位を擬似欠陥として誤検出してしまう。つまり、高品質な画像処理アルゴリズムとは、真欠陥を検出するのみならず、真欠陥検出の副作用として誤検出される擬似欠陥についても考慮されており、両者の分離能力が十分に高いものでなければならない。しかしながら、上記のいずれの手法も暗示的に擬似欠陥を完全に消去した場合に画像処理アルゴリズムの評価が高くなるような画像処理アルゴリズム評価手法となっているため、擬似欠陥と真欠陥の分離をどの程度できるのかが評価値に反映されない。

したがって、検出対象である真欠陥とそれを検出する際の副作用として誤検出される非検出対象の擬似欠陥との分離能力に優れる画像処理アルゴリズムに対して高い評価値を与える画像処理アルゴリズムの評価方法の提供が望まれていた。

それゆえに、本発明の目的は、画像中の抽出対象部位と非抽出対象部位との分離能力が反映された評価値を用いた画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体を提供することである。

この発明のある局面に従う画像処理アルゴリズム評価方法は、被検査画像の画像データを処理可能なように変換し、変換後の画像データに基づき画像内の複数の任意の部分領域に関して算出した特徴量を用いて１つ以上の対象部を被検査画像から抽出する画像処理アルゴリズムについて、画像に含まれる抽出すべき１つ以上の対象部に関する所定情報を有する画像データを用いて評価する方法であって、以下の特徴を備える。

つまり、画像データに対して画像処理アルゴリズムを適用することにより画像の複数の任意領域それぞれの１種類以上の特徴量を算出する特徴量算出工程と、所定情報に基づき特徴量算出工程により特徴量が算出された複数の任意領域を対象部と残りを非対象部に分類する分類工程と、分類工程で分類がされた抽出対象部と非抽出対象部の任意領域それぞれの、特徴量算出工程で算出されたを１種類以上の特徴量を、特徴量に基づき規定される所定領域上にプロットする特徴量プロット工程と、特徴量プロット工程により所定領域上にプロットされた特徴量の分布状況に基づき、抽出対象部の任意領域の特徴量の群と非抽出対象部の任意領域の特徴量の群との分離度を算出する分離度算出工程と、分離度算出工程により算出した分離度に基づき画像アルゴリズムの性能を評価する評価工程とを備える。

好ましくは、所定領域は１種類以上の特徴量それぞれが割当てされた１つ以上の座標軸により規定される領域である。

本発明に従えば、特徴量算出工程は被評価対象である画像処理アルゴリズムによって任意領域の特徴量を算出する。分類工程は、抽出対象部の所定情報を用いて、任意領域を抽出対象部と被抽出対象部に分類する。特徴量プロット工程は、１種類以上の特徴量で規定される所定領域の特徴量空間上に、任意領域それぞれの持つ１種類以上の特徴量の組みで示される点をプロットする。評価工程は、任意領域の抽出対象部の各々の特徴量を所定領域上にプロットした点群と、同じく非抽出対象部に対応の点群との分離度に基づく評価をしている。このように抽出対象部の特徴量と非抽出対象部の特徴量との差分または隔たりの程度が分離度として定量化されるので、抽出対象部と被抽出対象部を分離する画像処理アルゴリズムの性能の評価が可能となる。

この発明の他の局面に従う画像処理アルゴリズム生成方法は、上述の画像処理アルゴリズムの性能評価の基づいて画像処理アルゴリズムを生成する方法であって、以下の特徴を有する。

つまり、入力する画像処理アルゴリズムを画像データに対して適用することにより画像の複数の任意領域それぞれの１種類以上の特徴量を算出する特徴量算出工程と、前述の分類工程と特徴量プロット工程と分離度算出工程と評価工程とを備え、さらに所定基準に基づいて、画像処理アルゴリズムの生成が完了したか否かを判断する完了判断工程と、完了判断工程により完了していないと判断されると、評価工程により出力された評価に基づいて画像処理アルゴリズムの任意の要素を変更し、変更後の画像処理アルゴリズムを特徴量算出工程に出力する調整工程とを備える。

好ましくは、前述の所定基準は、評価工程により出力された評価、または、該評価に要した時間に従う基準である。

本発明に従えば、特徴量算出工程は被評価対象である画像処理アルゴリズムによって任意領域の特徴量を算出する。分類工程は、抽出対象部の所定情報を用いて、任意領域を抽出対象部と被抽出対象部に分類する。特徴量プロット工程は、各々の任意領域の持つ特徴量を、特徴量で規定される所定領域である特徴量空間上に、プロットする。評価工程は特徴量空間上で画像処理アルゴリズムを評価する。完了判断工程は、終了条件に基づいて画像処理アルゴリズムの生成を終了するか否かの判断を行なう。調整工程は、評価結果に基づいて画像処理アルゴリズムのパラメータ等の任意要素を変更して、変更後の画像処理モジュールを特徴量算出工程に出力する。

ここで、評価手順は、任意領域の抽出対象部の各々を特徴量を所定領域上にプロットした点群と、同じく非抽出対象部からなる点群との分離度に基づいている。抽出対象部と被抽出対象部の特徴量に関する差分、または隔たりの程度が分離度として定量化されて、分離度に基づく評価に従い画像処理アルゴリズムの任意要素が調整される。そのため、抽出対象部と被抽出対象部を最適に分離する、言い換えると最良の評価を得る画像処理アルゴリズムの生成が可能となる。

好ましくは、分離度は、所定領域上における、プロットされた抽出対象部の任意領域の特徴量の分布域と、プロットされた非抽出対象部の任意領域の特徴量の分布域との距離で規定される。

好ましくは、分離度をＳとし、所定領域上における、プロットされた抽出対象部の任意領域の特徴量の分散値をσｔ、プロットされた非抽出対象部の任意領域の特徴量の分散値をσｆ、およびプロットされた全ての特徴量の分散値をσａとした場合に、分離度Ｓは分散値σａと（分散値σｆ×分散値σｔ）の比、または分散値σａと（分散値σｆ＋分散値σｔ）の比に従い算出される。

好ましくは、分離度をＳとし、所定領域上における、プロットされた抽出対象部の任意領域の特徴量の分散値をσｔ、プロットされた非抽出対象部の任意領域の特徴量の分散値をσｆ、およびプロットされた全ての特徴量の分散値をσａとし、さらに、所定領域上における、プロットされた抽出対象部の任意領域の特徴量の分布域と、プロットされた非抽出対象部の任意領域の特徴量の分布域との距離をＭとした場合に、Ｓ＝α×Ｍ＋β×（σａ／（σｆ×σｔ））、またはＳ＝α×（１／Ｍ）＋β×（１／（σａ／（σｆ×σｔ）））（ただし、αとβは重付け係数）に従い分離度が算出される。

好ましくは、特徴量プロット工程は、分類工程による分類結果が非抽出対象部に該当する任意領域を含まない場合に、仮想の非抽出対象部を所定領域の任意位置にプロットする。

この発明のさらに他の局面に従うと、上述の画像処理アルゴリズム評価方法をコンピュータにより実行させるためのプログラムが提供される。

この発明のさらに他の局面に従うと、上述の画像処理アルゴリズム評価方法をコンピュータにより実行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が提供される。

この発明のさらに他の局面に従うと、上述の画像処理アルゴリズム生成方法をコンピュータにより実行させるためのプログラムが提供される。

この発明のさらに他の局面に従うと、上述の画像処理アルゴリズム生成方法をコンピュータにより実行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が提供される。

本発明によれば、評価工程は、特徴量で規定される空間である所定領域上に、特徴量算出工程により算出された抽出対象部の１種類以上の特徴量の組みで示される点をプロットした点群と、非抽出対象部の１種以上の特徴量の組みで示される点をプロットした群との分離度によって評価値を算出しうる。このように、抽出対象部と非抽出対象部の特徴量についての分離度が定量化されるので、両者を分離することにより抽出対象部のみを抽出する画像処理アルゴリズムの性能評価が可能となる。

また、本発明によれば、調整工程は評価工程により算出された画像処理アルゴリズムの抽出対象部と非抽出対象部の分離度に基づいて調整を行なう。このように、抽出対象部と非抽出対象部の分離度が定量化された評価値に基づいて画像処理アルゴリズムの任意要素、例えばパラメータの調整等を行なうので、両者を分離することにより抽出対象部のみを抽出する画像処理アルゴリズムの生成が可能となる。

以下、この発明の実施の形態について図面を参照して詳細に説明する。

図１は、本発明の実施形態に係る画像処理アルゴリズム評価およびそれを用いた画像処理アルゴリズム生成のための処理手順が示されて、図２には本発明の実施形態に係る画像処理アルゴリズム生成装置の機能構成が示されて、図３には図２の装置が搭載されるコンピュータの構成が示される。

（コンピュータの構成と記録媒体）
図３を参照してコンピュータは、ユーザが操作して外部から情報を入力するためのマウス１１０、キーボード３５０およびペン・タブレット３６０、ＣＲＴ（陰極線管）や液晶などからなるモニタ３１０、該コンピュータ自体を集中的に制御するためのＣＰＵ（中央処理装置の略）３１２、ＲＯＭ（Read Only Memory）またはＲＡＭ（ランダムアクセスメモリの略）を含んで構成されるメモリ３２４、ハードディスクなどの固定ディスク３２６、ＦＤ（フレキシブルディスク）３３２が着脱自在に装着されて、装着されたＦＤ３３２をアクセスするＦＤ駆動装置３３０、ＣＤ−ＲＯＭ（Compact Disc Read Only Memory）３４２が着脱自在に装着されて、装着されたＣＤ−ＲＯＭ３４２をアクセスするＣＤ−ＲＯＭ駆動装置３４０、およびインターネットを含む各種の有線又は無線の通信ネットワーク１０９と該コンピュータとを接続するための通信インターフェィス３８０を含む。これらの各部はバスを介して通信接続される。通信ネットワーク１０９を介して外部と各種の情報を送受信できる。受信する情報には処理対象となる画像データが含まれて、該画像データは例えば外部のカメラによって撮影された画像のデータであってもよい。

図３のコンピュータには、カセット形式の磁気テープが着脱自在に装着されて磁気テープをアクセスする磁気テープ装置が設けられても良い。

本実施形態の図１の手順で示した機能を実現するプログラムコードなどのデータを記録した記録媒体としては、図３に示されているコンピュータで処理が行なわれるために必要なメモリ、たとえばメモリ３２４のようなそのものがプログラムメディアであってもよいし、また外部記憶装置として図示のない磁気テープ装置およびＣＤ−ＲＯＭ駆動装置３４０などのプログラム読取装置が設けられ、そこに記録媒体である図示のない磁気テープまたはＣＤ−ＲＯＭ３４２が挿入されることで読取可能なプログラムメディアであってもよい。いずれの場合においても、格納されているプログラムはＣＰＵ３１２がアクセスして実行させる構成であってもよいし、あるいはいずれの場合もプログラムが一旦記録媒体から読出されて、読出されたプログラムは、図３のコンピュータの所定のプログラム記憶エリア、たとえばメモリ３２４のプログラム記憶エリアにロードされて、ＣＰＵ３１２により読出されて実行される方式であってもよい。このロード用のプログラムは、予め当該コンピュータに格納されているものとする。

ここで、上述したプログラムメディアはコンピュータ本体と分離可能に構成される記録媒体であり、固定的にプログラムを担持する媒体であってよい。たとえば、磁気テープやカセットテープなどのテープ系、ＦＤ３３２や固定ディスク３２６などの磁気ディスクやＣＤ−ＲＯＭ３４２／ＭＯ（Magnetic Optical Disc）／ＭＤ（Mini Disc）／ＤＶＤ（Digital Versatile Disc）などの光ディスクのディスク系、ＩＣカード（メモリカードを含む）／光カードなどのカード系、あるいはマスクＲＯＭ、ＥＰＲＯＭ（Erasable and Programmable ＲＯＭ）、ＥＥＰＲＯＭ(Electrically ＥＰＲＯＭ)、フラッシュＲＯＭなどによる半導体メモリが適用可能であろう。

また、本実施の形態においては、コンピュータはインターネットを含む通信ネットワーク１０９と通信インターフェイス３８０を介して接続可能な構成が採用されているから、通信ネットワーク１０９からプログラムがダウンロードされてもよい。なお、このように通信ネットワーク１０９からプログラムがダウンロードされる場合には、ダウンロード用プログラムは予め当該コンピュータ本体に格納しておくか、あるいは別の記録媒体から予め当該コンピュータ本体にインストールされる。

なお記録媒体に格納されている内容としてはプログラムに限定されず、データであってもよい。

また、コンピュータがこれら記録媒体から読出したプログラムコードを実行することにより、図１と図２に示す機能が実現されるだけでなく、そのプログラムコードの指示に基づき、コンピュータ上で稼働しているＯＳ（オペレーティングシステム）などが実際の処理の一部または全部を行ない、その処理によってこれらの機能が実現されることは言うまでもない。

さらに、記録媒体から読出されたプログラムコードが、コンピュータに挿入された機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに書込まれた後、そのプログラムコードの指示に基づき、その機能拡張ボードや機能拡張ユニットに備わるＣＰＵなどが実際の処理の一部または全部を行ない、その処理によって図１と図２に示す機能が実現される場合も含まれることは言うまでもない。

図１および図２を用いて本実施形態に係る画像処理アルゴリズムの評価手順および生成手順、装置について概略説明し、その後、実際の学習用画像データをセットした際の本実施形態の動作について図を用いて説明する。ここでは、あらかじめ欠陥等の抽出対象物の画像内における位置データが作業者によって付与されている画像データを、学習用画像データと呼ぶ。

（画像処理アルゴリズム評価の概略手順）
図１を参照して、任意の画像処理アルゴリズムに関して、画像内に含まれる抽出対象部位とそれ以外の部位の分離度を定量化することにより評価する手法について説明する。

ここでいう画像処理アルゴリズムは、大きく前処理部と後処理部に分けることができるものである。前処理部は画像データ中の対象部位を強調する等の画像データ変換処理を含み、後処理部は強調された画像データ中の任意の領域の画像特徴量を算出する処理を含む。算出された特徴量に関して、しきい値を設けることにより該当する領域が対象部位か否かを判定することが可能となる。

まず、図１において画像処理アルゴリズム評価手法に相当する部位は、ＳＴＥＰ２〜ＳＴＥＰ８である。同評価手法は、おおまかに学習用画像データ設定部（ＳＴＥＰ２）、画像処理アルゴリズムを入力して、入力した画像処理アルゴリズムの前処理部による画像データ変換部（ＳＴＥＰ３）、画像処理アルゴリズムの後処理部（ＳＴＥＰ４、ＳＴＥＰ５）、および画像処理アルゴリズム評価値算出部（ＳＴＥＰ６〜ＳＴＥＰ８）から構成される。なお、図４以降で、これらのフローに対して実際の学習用画像データを適用した場合の詳細な説明を行なう。

ＳＴＥＰ２では、画像処理アルゴリズム生成に用いる学習用画像データを学習用画像データ群の中から作業者が選択する。なお、学習用画像データ群は、あらかじめ欠陥等の抽出対象部位の画像内における位置データが作業者によって付与されている１つ以上の学習用画像データを含む。

ＳＴＥＰ３では、評価対象となる画像処理アルゴリズムを入力して、その前処理部を選択した学習用画像データに対して適用し、それにより処理後画像データを生成する。処理後画像データは、以降の画像処理が可能な形式に変換されたデータである。

ＳＴＥＰ４では、生成された処理後画像データ内から擬似欠陥部を含む欠陥候補部を抽出する。ＳＴＥＰ５では、生成された処理後画像データ内の全ての欠陥候補部の特徴量を算出する。ここで特徴量とは、たとえば欠陥候補部と背景部のコントラストや、欠陥候補部の面積や形状、重心座標などが挙げられる。

ＳＴＥＰ６では、生成された処理後画像データ内の１つ以上の欠陥候補部を、真欠陥部と真欠陥以外の擬似欠陥部とに分類する。真欠陥部と擬似欠陥部の分類は、各欠陥候補部の位置データと学習用画像データにあらかじめ作業者によって付与されている真欠陥部の位置データとの比較に基づき実現される。

ＳＴＥＰ７では、欠陥候補部の中の分類結果が示す擬似欠陥群の特徴量分布と同じく真欠陥群の特徴量分布とに基づき、両者の分離度を算出する。擬似欠陥群と真欠陥群との分離度の算出手法については後述する。

ＳＴＥＰ８では、ＳＴＥＰ７にて算出された分離度を正規化し、正規化された分離度を評価対象の画像処理アルゴリズムの評価値とする。

（画像処理アルゴリズム生成の概略手順）
次に図１を参照して、画像処理アルゴリズムの評価手順を用いた画像処理アルゴリズム生成手順について説明する。

一般に、画像処理アルゴリズムはいくつかの画像処理モジュールが連結されて構成される。さらに画像処理モジュールそれぞれはいくつかのパラメータを有する場合がある。ここで、画像処理モジュールは、たとえば最大値フィルタなどである。最大値フィルタは注目画素とその近傍領域の画素の持つ濃度値の最大のもので注目画素値を置き換える処理を指す。また、最大値フィルタの持つパラメータとしては、たとえば近傍領域を規定するパラメータが含まれて、該パラメータの値が３の場合はフィルタサイズは３画素×３画素と規定される。この場合は注目画素とその近傍の８画素がフィルタ処理の対象となる。同じくパラメータの値が５の場合はフィルタサイズは５画素×５画素と規定される。この場合は注目画素と注目画素の近傍の２４画素がフィルタ処理の対象となる。画像処理アルゴリズムは種々の画像処理モジュールの組合せと、各画像処理モジュールの持つパラメータ値によって表現される。

画像処理アルゴリズム生成方法は、画像処理アルゴリズム評価方法によって算出された評価値に基づいて、該画像処理アルゴリズムを構成する画像処理モジュールの組合せや、各画像処理モジュールが持つパラメータの値を変更する処理を繰返すことにより、より評価値の高い画像処理アルゴリズムを生成する方法である。なお、画像処理アルゴリズムを構成する１つ以上の画像処理モジュールは、作業者もしくはプログラム等によってあらかじめ生成されて登録されたものの中から選択されたものである。具体的には、生成された１つ以上の画像処理モジュールは固定ディスク３２６に格納されており、図１のフローチャート実行開始時には固定ディスク３２６から読出されてメモリ３２４に格納される。

図１を参照して、ＳＴＥＰ１では初期画像処理アルゴリズムが生成される。つまり、図１のメモリ３２４に格納された画像処理モジュール群とそのパラメータ群から任意に選択された画像処理モジュールとパラメータとを組合わせて１つ以上の画像処理アルゴリズムを作成する。

ＳＴＥＰ２〜ＳＴＥＰ８では、ＳＴＥＰ１で作成された１つ以上の画像処理アルゴリズムを全て評価し、各画像処理アルゴリズムについて評価値を算出する。

ＳＴＥＰ９では、１つ以上の画像処理アルゴリズムのうち、その評価値が最大となるものを最良の画像処理アルゴリズムと決定して、その評価値と、該画像処理アルゴリズムを構成する１つ以上の画像処理モジュールおよびパラメータの組合せを所定メモリに格納する（保存する）。具体的には、以降のＳＴＥＰ１０で終了条件が成立と判定されるまでの間は、ＳＴＥＰ９の処理は繰返される。この繰返し時には、メモリに格納された画像処理アルゴリズムの評価値を超えた評価値を有する画像処理アルゴリズムが得られた場合にのみ、メモリ中の画像処理アルゴリズムを、より評価値の大きい新たな画像処理アルゴリズムで入替えを行なう。ただし、最良となる画像処理アルゴリズムの入れ替え基準は上記に制限されるものではない。たとえば、評価値に応じた確率分布に依存して入替えを実施するようにしてもよい。つまり、評価値が高い画像処理アルゴリズムほど高い確率で入替えの対象とされて、評価値が低い画像処理アルゴリズムはほとんど入替えの対象となることはない。これは最良の画像処理アルゴリズム決定のための解が局所解に陥らないように、採用条件（入替え条件）にランダム性を与えている。

ＳＴＥＰ１０では終了条件が成立するか否かを判定して、成立する場合は画像処理アルゴリズムの生成処理は終了する。したがって、終了条件成立と判定した時点でＳＴＥＰ９によりメモリに格納されている画像処理アルゴリズム、すなわち最大の評価値をもつ画像処理アルゴリズムが最良の画像処理アルゴリズムとなる。ここで、終了条件は、たとえばあらかじめ作業者やプログラム等によって設定された評価値の目標値を超える画像処理アルゴリズムが生成された場合や、後述する画像処理アルゴリズムのパラメータ値調整と画像処理アルゴリズムの再評価作業の繰返し回数が、作業者やプログラム等によって設定された規定回数を超えた場合などである。

ＳＴＥＰ１１では、ＳＴＥＰ１で生成された１つ以上の画像処理アルゴリズムそれぞれについて、その評価値に基づいて画像処理モジュールの組合せやパラメータ値の変更（調整）が行なわれる。変更（調整）がされた１つ以上の画像処理アルゴリズムは、ＳＴＥＰ３の処理に対して出力される。ＳＴＥＰ１１における、ある評価値に基づいて画像処理モジュールの組合せやパラメータ値を最適化してゆく手法としては、たとえばＧＡ（遺伝的アルゴリズム）によるものやＳＡ（シミュレーティッドアニーリング）によるものなど多数提案されている。いずれも、評価値の高い組合せやパラメータ値に対して、それらの組合せや値をわずかに変動させて、より評価値の高いものを探索してゆくものである。なお、組合せの数やパラメータ値の取る範囲が十分に小さい場合は、ＳＴＥＰ１０の終了条件を満たさない範囲で、画像処理アルゴリズムの構成要素である画像処理モジュールの全ての組合せの数とパラメータ値を変動させた条件にて評価を行なうことが可能である。このように画像処理アルゴリズムの調整が完了すると、再度ＳＴＥＰ３に戻り、調整済みの１つ以上の画像処理アルゴリズムをＳＴＥＰ３の処理に対して出力して（与えて）、ＳＴＥＰ２で設定した学習用画像データに対して適用して、以降同様の手順を繰返し実行することにより、画像処理アルゴリズムの生成を実現しうる。

図１の手順ではＳＴＥＰ２で１個の学習用画像データが設定されてるとしているが、複数個の学習用画像データが設定されるとしてもよい。その場合には、設定された学習用画像データの数に応じて、図１のＳＴＥＰ２〜ＳＴＥＰ８の処理が並列して実行（または時分割に実行）されて、ＳＴＥＰ９では、学習用画像データそれぞれを用いて算出された評価値の平均値（一例として平均値としたが、平均値以外でもよい）が最大となる画像処理アルゴリズムを、最良の画像処理アルゴリズムとしてメモリに格納する。

（機能構成）
図２を参照して、図１に示す画像処理アルゴリズム評価手順、およびこれを用いた画像処理アルゴリズム生成手順を実現する装置の機能構成を説明する。

図２を参照して装置は、画像データ入力部１、作業者に各種情報を提示するためのモニタ３１０に対応の表示部３、および画像データ入力部１と表示部３を接続する画像処理アルゴリズム生成部２を備える。画像処理アルゴリズム生成部２は画像処理装置に相当する。画像処理アルゴリズム生成部２は、学習用画像データ保存部２１、抽出対象設定部２２、画像処理アルゴリズムパラメータ調整部２３、画像処理アルゴリズム性能評価部２４、画像処理アルゴリズム生成完了判断部２５および画像処理アルゴリズム保存部２６を備える。

画像データ入力部１は、メモリ３２４または固定ディスク３２６に格納された画像データを読出すことで入力する機能であってよく、また通信ネットワーク１０９を介して外部の装置から送信された画像データを通信インターフェィス３８０を介して受信することで入力する機能であってもよい。

学習用画像データ保存部２１は、メモリ３０に複数の学習用画像データ３１を格納する。学習用画像データ３１は、画像データ３２と対応の位置データ３３とを含む。位置データ３３は対応の画像データ３２中の真欠陥部の座標位置情報を指す。メモリ３０はメモリ３２４または固定ディスク３２６または可搬型の記憶媒体である例えばＦＤ３３２に対応する。

画像処理アルゴリズム保存部２６はメモリ４０に最良である画像処理アルゴリズムを構成する１つ以上の画像処理モジュール４２と１つ以上のパラメータそれぞれの値４３、および該画像処理アルゴリズムの評価値４１を格納する。メモリ４０はメモリ３２４に対応する。ここではパラメータの値４３が格納されるとしたが、画像処理アルゴリズムによってはパラメータを含まない場合もあるので、メモリ４０にはパラメータの値４３が格納されない場合もある。

画像データ入力部１によって取得された抽出対象となる１つ以上の真欠陥部を含む１つ以上の画像データ３２は、学習用画像データ保存部２１に格納される。抽出対象設定部２２は、作業者がメモリ３０から対象となる画像データ３２を読出し表示部３に表示しながらマウス１１０、キーボード３５０およびペン・タブレット３６０の入力装置を用いて表示画像に対して所望の真欠陥部の位置座標を入力する機能を提供する。入力された座標位置情報は学習用画像データ保存部２１に、対象となる画像データ３２に対応して位置データ３３として格納される。これにより学習用画像データ保存部２１に学習用画像データ３１が格納される。

画像処理アルゴリズムパラメータ調整部２３は、図１のＳＴＥＰ１およびＳＴＥＰ１１で実施される機能を提供するものである。また、画像処理アルゴリズム性能評価部２４は図１のＳＴＥＰ３〜ＳＴＥＰ８にて実施される機能を提供する。画像処理アルゴリズム生成完了判断部２５は図１のＳＴＥＰ１０で実施される機能を持つ。画像処理アルゴリズム保存部２６は、図１のＳＴＥＰ９で実施される画像処理アルゴリズム保存処理時における最良の画像処理アルゴリズムを格納するために機能する。

（学習用画像データへの画像処理アルゴリズム評価手順の適用）
図４を参照して、学習用画像データへの画像処理アルゴリズム評価手順の適用について概略説明する。本実施形態における画像処理アルゴリズムは、画像を変換する前処理部と変換された画像から所望の部位の特徴量を算出する後処理部から構成されている。図４では、画像処理アルゴリズムを適用する前の学習用画像データ３１、学習用画像データ３１に画像処理アルゴリズムの前処理部を適用した結果を示す画像データ３１Ａ、および画像データ３１Ａに後処理を適用した結果を示すデータ３１Ｂが示される。

学習用画像データ３１において、直交する斜線で示された部位は抽出対象の真欠陥部５１と５２を示し、左下がりの斜線で示された部位は背景７０を示し、右下がりの斜線で示された部位は背景部位とは異なる特徴を持つが抽出対象とはならない部位（これを擬似欠陥候補部６１〜６４と呼ぶ）である。また、これまでに説明したとおり、学習用画像データ３１には抽出対象となる真欠陥部５１と５２の位置データ３３が作業者によりあらかじめ付与されているものとする。

画像データ３１Ａでは、真欠陥部５１と５２は垂直線と水平線の直交する部位であり、背景７０は水平線で示される部位であり、擬似欠陥候補部６２〜６４は垂直線で示される部位である。なお、画像データ３１Ａの擬似欠陥候補部６１は画像処理アルゴリズムの前処理により特徴が十分に弱められて、背景７０との差がほとんどなくなっている。

データ３１Ｂでは、画像データ３１Ａ内の真欠陥部５１と５２および擬似欠陥候補部６１〜６４の特徴量ＣＨ１および特徴量ＣＨ２を算出し、算出した値を、特徴量ＣＨ１および特徴量ＣＨ２の２次元座標にプロットしたものを示す。データ３１Ｂでは真欠陥部５１と５２の値は太実線の○（正円）で、擬似欠陥候補部６１〜６４の値は細点線の○（正円）でプロットされている。

学習用画像データ３１に依存して擬似欠陥候補部が抽出されない場合は、仮想の擬似欠陥候補部として、データ３１Ｂの任意座標における特徴量をプロットする。たとえば、データ３１Ｂの２次元座標の原点を仮想の擬似欠陥候補部として、原点の特徴量がプロットされるとすることも可能である。ここで、画像処理アルゴリズム評価値は、データ３１Ｂの２次元座標における真欠陥群と擬似欠陥候補群との特徴量同士の分離の程度（分離度Ｓ）により規定される。

（画像処理アルゴリズムの前処理部と後処理部の手順）
図５（Ａ）〜（Ｇ）を参照して、画像処理アルゴリズムの前処理部と後処理部の手順を説明する。

図５（Ａ）は画像処理アルゴリズムを適用する前の学習用画像データ３１であり、図４の学習用画像データ３１に相当する。図５（Ｂ）は図５（Ａ）の学習用画像データ３１に付与される抽出対象となる真欠陥部５１と５２の座標を示す位置データ３３を太線矩形枠５１１と５２１によって示す。ここでは一例として、作業者は表示部３に表示された学習用画像データ３１の画像に対してマウス１１０等の入力機器で抽出対象となる真欠陥部５１と５２を矩形領域にて囲むことにより位置データ３３の設定（入力）が可能となっている。

図５（Ｃ）は図５（Ａ）の学習用画像データ３１に対して画像処理アルゴリズムの前処理を適用した後の画像データ３１Ａを示しており、図４の画像データ３１Ａに相当する。

図５（Ｄ）は図５（Ｃ）の画像データ３１Ａに対して、あるしきい値を適用して２値化することにより欠陥候補部を抽出した後の画像データを示す。図５（Ｄ）では、対象とする真欠陥部５１と５２の２箇所に加えて、対象としない擬似欠陥候補部８２〜８４の３箇所が濃度値最大部として抽出されている。図５（Ｃ）では、背景７０が濃度値大（白に近い）、真欠陥部５１と５２が濃度値小（黒に近い）にて表現されており、２値化しきい値以下のものが図５（Ｄ）の黒色領域として抽出される。擬似欠陥候補部６２〜６４に対応の擬似欠陥候補部８２〜８４は真欠陥部５１と５２より濃度値が大きいため、濃度値最大部位として抽出される。

なお、２値化のためのしきい値は、任意の初期値から２値化処理を繰返す毎に変更される。つまり、初期のしきい値にて画像データ３１Ａに作業者が指定した抽出対象部位と抽出された部位（図５（Ｂ）の矩形領域）とを画素単位で座標を照合する。照合の結果、作業者が指定した抽出対象部位に矩形領域外の擬似欠陥候補に相当する部位が含まれない場合はさらにしきい値を下げ、多く含まれる場合はしきい値を上げて、２値化処理を繰返す。これにより、図５（Ｄ）のような擬似欠陥候補に相当する部位の特定が可能となる。

なお、欠陥候補部を抽出する手法はこれに限定されるものではなく、被評価対象となる画像処理アルゴリズムの欠陥候補領域抽出機能に依存するものである。

図５（Ｅ）は図５（Ｄ）により抽出された部位に相当する領域を含む矩形領域５１２、５２２、６２１、６３１、６４１が設定される。なお、矩形領域の大きさは、たとえば図５（Ｄ）中の抽出された擬似欠陥候補部８２〜８４（６２〜６４）と真欠陥部５１と５２の各領域の水平方向の長さおよび垂直方向の長さに基づいて決定する。

図５（Ｆ）は、図５（Ｅ）の矩形領域５１２、５２２、６２１、６３１、６４１で囲まれている部位と、図５（Ｂ）において作業者が指定した抽出対象部位の矩形枠５１１と５２１とを照合することにより、矩形領域５１２、５２２、６２１、６３１、６４１で囲まれている部位それぞれが、抽出対象の真欠陥部（矩形枠５１１と５２１の部位）または抽出対象でない擬似欠陥部のいずれに属するかを決定する。その結果、図５（Ｆ）の太実線枠５１３と５２３で囲まれた２つの領域が真欠陥部であり、細点線枠６２２、６３２、６４２で囲まれた３つの領域が擬似欠陥部と決定される。

図５（Ｇ）は分離度を説明するためのデータを示す。図５（Ｇ）のデータは、図５（Ｆ）で決定された（抽出された）真欠陥部５１と５２および擬似欠陥候補部６２〜６４のそれぞれについて、その特徴量ＣＨ１とＣＨ２を算出して、算出した値を、特徴量ＣＨ１とＣＨ２の２次元座標にプロットしたものを示す。ここで、特徴量ＣＨ１として、たとえば図５（Ｆ）の矩形枠内における部位のうち、図５（Ｄ）にて抽出された部位に相当する部位と、それ以外の部位との、濃度差に基づき定義した特徴量を用いる。また、特徴量ＣＨ２として、たとえば図５（Ｆ）の矩形枠内の楕円部分の面積を用いているが、図５（Ｄ）にて抽出された対応部位の面積に相当するものを用いるようにしてもよい。

なお、特徴量ＣＨ１とＣＨ２は上記のような種類のものに限定されるものではなく、またその算出方法も上述のものに制限されない。例えば１個の特徴量のみを用いて分離度を測るには１次元軸上に特徴量をプロットする、プロットする特徴量は上述の濃度差または面積の値となる。また、２次元座標にプロットする場合には、特徴量ＣＨ１とＣＨ２は濃度差と面積となる。

このように、画像処理アルゴリズムの前処理および後処理によって真欠陥部および擬似欠陥部の特徴量ＣＨ１とＣＨ２が算出される。

（画像処理アルゴリズム評価値の算出手順）
図６（Ａ）〜（Ｃ）と図７（Ａ）と（Ｂ）を参照して、特徴量の分布状況より、画像処理アルゴリズムの評価値を算出する手法について説明する。

図６（Ａ）は画像処理アルゴリズムによって算出された真欠陥部の特徴量ＣＨ１とＣＨ２を実線○で、擬似欠陥部の特徴量ＣＨ１とＣＨ２を点線○で、特徴量ＣＨ１および特徴量ＣＨ２の２次元座標上にプロットしたものである。ここでは、説明のために真欠陥部および擬似欠陥部ともに、それぞれ９〜１０個程度を表示している。ここでは、９〜１０個程度の実線○を真欠陥群、９〜１０個程度の点線○を擬似欠陥群と呼ぶものとする。

画像処理アルゴリズムの評価値を規定する真欠陥群と擬似欠陥群の分離度Ｓについて説明する。図６（Ｂ）では、２次元座標上で真欠陥群の中で最も擬似欠陥の近くに位置するものと、擬似欠陥群の中で最も真欠陥の近くに位置するものとの間の距離Ｍによって分離度Ｓを規定することを示す。なお、距離Ｍを計測するための軸（図６（Ｂ）の矢印線Ｌ）は、ここでは例えば真欠陥群と擬似欠陥群の主成分軸に相当するものを選択している。

図７（Ａ）と（Ｂ）を参照して主成分軸について説明する。図７（Ａ）と（Ｂ）では○の真欠陥群の特徴量の分布域を示す領域ＭＣ１と×の擬似欠陥群の特徴量の分布域を示す領域ＭＣ２と関わりを持ちながら、２次元座標上に分布する各群を１次元軸上に投影する直線軸であって、両領域の分離の程度を最大とするような軸を主成分軸という。図７（Ａ）のように領域ＭＣ１とＭＣ２が１次元座標上で明確に分離していない（真欠陥と擬似欠陥の分類があいまいである）場合には分離度Ｓは低くなり、図７（Ｂ）のように領域ＭＣ１とＭＣ２が１次元座標上で明確に分離している（真欠陥と擬似欠陥が明確に分類されている）場合には分離度Ｓは高くなる。したがって、分離度Ｓが高いほど適用した画像処理アルゴリズムの評価は高くなろう。

また、分離度Ｓは別の手順で求めても良い。たとえば、図６（Ｃ）は、真欠陥群の分散値をσｔ、擬似欠陥群の分散値をσｆ、全ての欠陥群の分散値をσａとして、式１に従い分離度Ｓを算出することを示している。さらに、これらの線形和として式２に従い算出することも可能である。

Ｓ＝σａ／（σｆ×σｔ）・・・（式１）
Ｓ＝α×Ｍ＋β×（σａ／（σｆ×σｔ））・・・（式２）
分離度Ｓを規定する図６（Ｂ）の距離Ｍは、最も真欠陥群に近い擬似欠陥（限界良品）と、最も擬似欠陥群に近い真欠陥（限界欠陥）との間の距離で定義した。これに対して、（式１）は統計的に真欠陥群と擬似欠陥群の分離度を定義する。（式１）では分母の値が小さいほど分離度Ｓの値は大きくなる。このことは、真欠陥群および擬似欠陥群が２次元座標上でそれぞれ広範に分布するのではなく、狭い範囲で分布するほうが分離度Ｓが高いことを示す。また、（式１）の分子の値が大きいほど分離度Ｓの値は大きくなるが、これは真欠陥群と擬似欠陥群との間の距離が大きくなるほど分離度Ｓが高くなることを示す。

また、（式２）の係数αおよびβは各項の重付け係数であり、実験により決定される。なぜならば、どちらの評価（α：距離Ｍのみでの評価、β：統計的な評価）を重視するべきかは利用シーンに依存するからである。

分離度Ｓを規定する方法は上述のものに制限されるものではない。上記（式１）に代替してＳ＝σａ／（σｆ＋σｔ）・・・（式１Ａ）を用いても良い。また、分離度Ｓの値が大きいものを最良とする場合には（式１）または（式１Ａ）を用いるが、分離度Ｓの値が小さいものを最良とする場合には、Ｓ＝（σｆ×σｔ）／σａまたはＳ＝（σｆ＋σｔ）／σａを用いても良い。

また分離度Ｓの値が大きいものを最良とする場合には上記（式２）を用いるが、分離度Ｓの値が小さいものを最良とする場合には（式２）に代替して１／Ｓ＝α×（１／Ｍ）＋β×（１／（σａ／（σｆ×σｔ）））を用いても良い。

また、分離度Ｓにより決定される画像処理アルゴリズムの評価値は、画像処理アルゴリズムの利用形態に応じて、処理速度や、実装の難易度や、メモリ・ＣＰＵなどのリソースの使用量などを用いて、必要に応じて正規化を行なうことも可能である。

本実施の形態においては、画像処理アルゴリズム評価方法および装置、画像処理アルゴリズムの生成方法および装置として２次元の欠陥検査用画像データに対して適用する場合を想定しているが、これに限定されない。つまり、欠陥検査に限らず、画像データからなんらかの注目物のデータを抽出する場合にも適用可能であり、多数の画像サンプルの中から注目物を含む画像を抜き出す場合にも適用可能である。また、適用される画像データについても、たとえば音声などの１次元信号への適用についても同様の効果を発揮する。

今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

本発明の実施形態に係る画像処理アルゴリズムの評価、およびその評価値に基づく画像処理アルゴリズム生成のための処理フローチャートである。 本発明の実施形態に係る画像処理アルゴリズムの評価に基づく画像処理アルゴリズム生成装置の構成図である。 図２の装置を搭載するコンピュータの構成図である。 本発明の実施形態に係る画像処理アルゴリズムの評価手順を、実際の画像に適用した場合の説明図である。 （Ａ）〜（Ｇ）は、本発明の実施形態に係る画像処理アルゴリズムの評価手順の前処理および後処理を、実際の画像に適用した場合の説明図である。 （Ａ）〜（Ｃ）は、本発明の実施形態に係る画像処理アルゴリズムの評価における評価値算出手順を説明する図である。 （Ａ）と（Ｂ）は、評価値算出に係る分離度を規定するための主成分軸を説明する図である。

符号の説明

１ 画像データ入力部、２ 画像処理アルゴリズム生成部、３ 表示部、５１，５２ 真欠陥部、６１，６２，６３，６４ 擬似欠陥候補部、ＣＨ１，ＣＨ２ 特徴量、Ｓ 分離度、Ｍ 距離。

Claims (21)

1. 少なくとも１つの画像処理モジュールが連結された画像処理モジュール群により被検査画像の画像データを処理可能なように変換し、変換後の画像データから欠陥候補部を抽出して、前記変換後の画像データに基づき前記画像内の複数の前記欠陥候補部に関して算出した特徴量を用いて１つ以上の真欠陥部を前記被検査画像から抽出する画像処理アルゴリズムについて、画像に含まれる抽出すべき前記１つ以上の真欠陥部を指示するために外部から入力された所定情報を有する画像データを用いて評価する方法であって、
   前記画像データに対して前記画像処理モジュール群を適用した後に、前記画像内の複数の前記欠陥候補部を抽出する欠陥候補部抽出工程と、
   前記欠陥候補部抽出工程により抽出された前記複数の欠陥候補部それぞれの１種類以上の特徴量を算出する特徴量算出工程と、
   前記所定情報に基づき、前記特徴量算出工程により前記特徴量を算出する前記複数の欠陥候補部を前記真欠陥部と残りの擬似欠陥部とに分類する分類工程と、
   前記分類工程で分類がされた前記真欠陥部と前記擬似欠陥部のそれぞれの、前記特徴量算出工程で算出された前記１種類以上の特徴量を、前記１種類以上の特徴量に基づき規定される所定領域上にプロットする特徴量プロット工程と、
   前記特徴量プロット工程により前記所定領域上にプロットされた前記１種類以上の特徴量の分布状況に基づき、前記真欠陥部の前記１種類以上の特徴量の群と前記擬似欠陥部の前記１種類以上の特徴量の群との分離度を算出する分離度算出工程と、
   前記画像処理アルゴリズムの、前記複数の欠陥候補部を前記所定情報により指示される前記真欠陥部と残りの前記擬似欠陥部とに分離する性能を、前記分離度算出工程により算出した前記分離度の高さに応じて高く評価する評価工程とを備える、画像処理アルゴリズム評価方法。
2. 前記分離度は、前記所定領域上における、プロットされた前記真欠陥部の前記１種類以上の特徴量の分布域と、プロットされた前記擬似欠陥部の前記１種類以上の特徴量の分布域との距離で規定されることを特徴とする、請求項１に記載の画像処理アルゴリズム評価方法。
3. 前記分離度をＳとし、前記所定領域上における、プロットされた前記真欠陥部の前記１種類以上の特徴量の分散値をσｔ、プロットされた前記擬似欠陥部の前記１種類以上の特徴量の分散値をσｆ、およびプロットされた全ての前記１種類以上の特徴量の分散値をσａとした場合に、分離度Ｓは分散値σａと（分散値σｆと分散値σｔの積）との比に従い算出されることを特徴とする、請求項１に記載の画像処理アルゴリズム評価方法。
4. 前記分離度をＳとし、前記所定領域上における、プロットされた前記真欠陥部の前記１種類以上の特徴量の分散値をσｔ、プロットされた前記擬似欠陥部の前記１種類以上の特徴量の分散値をσｆ、およびプロットされた全ての前記１種類以上の特徴量の分散値をσａとした場合に、分離度Ｓは分散値σａと（分散値σｆと分散値σｔの和）との比に従い算出されることを特徴とする、請求項１に記載の画像処理アルゴリズム評価方法。
5. 前記分離度をＳとし、前記所定領域上における、プロットされた前記真欠陥部の前記１種類以上の特徴量の分散値をσｔ、プロットされた前記擬似欠陥部の前記１種類以上の特徴量の分散値をσｆ、およびプロットされた全ての前記１種類以上の特徴量の分散値をσａとし、
   さらに、前記所定領域上における、プロットされた前記真欠陥部の前記１種類以上の特徴量の分布域と、プロットされた前記擬似欠陥部の前記１種類以上の特徴量の分布域との距離をＭとした場合に、Ｓ＝α×Ｍ＋β×（σａ／（σｆ×σｔ））（ただし、αとβは重付け係数）に従い前記分離度が算出されることを特徴とする、請求項１に記載の画像処理アルゴリズム評価方法。
6. 前記分離度をＳとし、前記所定領域上における、プロットされた前記真欠陥部の前記１種類以上の特徴量の分散値をσｔ、プロットされた前記擬似欠陥部の前記１種類以上の特徴量の分散値をσｆ、およびプロットされた全ての前記１種類以上の特徴量の分散値をσａとし、
   さらに、前記所定領域上における、プロットされた前記真欠陥部の前記１種類以上の特徴量の分布域と、プロットされた前記擬似欠陥部の前記１種類以上の特徴量の分布域との距離をＭとした場合に、Ｓ＝α×（１／Ｍ）＋β×（１／（σａ／（σｆ×σｔ）））（ただし、αとβは重付け係数）に従い前記分離度が算出されることを特徴とする、請求項１に記載の画像処理アルゴリズム評価方法。
7. 前記所定領域は、２つの特徴量に対応の軸が直交して規定される２次元座標の領域であり、
   前記特徴量プロット工程は、前記分類工程による分類結果が前記擬似欠陥部に該当する前記欠陥候補部を含まない場合に、仮想の前記擬似欠陥部を前記２次元座標の原点にプロットすることを特徴とする、請求項１に記載の画像処理アルゴリズム評価方法。
8. パラーメータ値によって表現される少なくとも１つの画像処理モジュールが連結された画像処理モジュール群により被検査画像の画像データを処理可能なように変換し、変換後の画像データから欠陥候補部を抽出して、前記変換後の画像データに基づき前記画像内の複数の前記欠陥候補部に関して算出した特徴量を用いて１つ以上の真欠陥部を前記被検査画像から抽出する画像処理アルゴリズムについての、画像に含まれる抽出すべき前記１つ以上の真欠陥部を指示するために外部から入力された所定情報を有する画像データを用いた評価に基づいて前記画像処理アルゴリズムを生成する方法であって、
   入力する前記画像処理アルゴリズムの前記画像処理モジュール群を前記画像データに対して適用した後に、前記画像内の複数の欠陥候補部を抽出する欠陥候補部抽出工程と、
   前記欠陥候補部抽出工程により抽出された前記複数の欠陥候補部それぞれの１種類以上の特徴量を算出する特徴量算出工程と、
   前記所定情報に基づき前記特徴量算出工程により前記特徴量を算出する前記複数の欠陥候補部を前記真欠陥部と残りの擬似欠陥部とに分類する分類工程と、
   前記分類工程で分類がされた前記真欠陥部と前記擬似欠陥部のそれぞれの、前記特徴量算出工程で算出された前記１種類以上の特徴量を、前記１種類以上の特徴量に基づき規定される所定領域上にプロットする特徴量プロット工程と、
   前記特徴量プロット工程により前記所定領域上にプロットされた前記１種類以上の特徴量の分布状況に基づき、前記真欠陥部の前記１種類以上の特徴量の群と前記擬似欠陥部の前記１種類以上の特徴量の群との分離度を算出する分離度算出工程と、
   前記画像処理アルゴリズムの、前記複数の欠陥候補部を前記所定情報により指示される前記真欠陥部と残りの前記擬似欠陥部とに分離する性能の評価を、前記分離度算出工程により算出した前記分離度の高さに応じて高く評価する評価工程と、
   所定基準に基づいて、前記画像処理アルゴリズムの生成が完了したか否かを判断する完了判断工程と、
   前記完了判断工程により完了していないと判断されると、前記評価工程による前記評価に基づいて前記画像処理アルゴリズムの前記画像処理モジュールの組合せまたはパラメータ値を変更し、変更後の前記画像処理アルゴリズムを前記欠陥候補部抽出工程に出力する調整工程とを備える、画像処理アルゴリズム生成方法。
9. 前記所定基準は、前記評価工程により出力された前記評価、または、該評価に要した時間に従う基準であることを特徴とする、請求項８に記載の画像処理アルゴリズム生成方法。
10. 前記分離度は、前記所定領域上における、プロットされた前記真欠陥部の前記１種類以上の特徴量の分布域と、プロットされた前記擬似欠陥部の前記１種類以上の特徴量の分布域との距離で規定されることを特徴とする、請求項８に記載の画像処理アルゴリズム生成方法。
11. 前記分離度をＳとし、前記所定領域上における、プロットされた前記真欠陥部の前記１種類以上の特徴量の分散値をσｔ、プロットされた前記擬似欠陥部の前記１種類以上の特徴量の分散値をσｆ、およびプロットされた全ての前記１種類以上の特徴量の分散値をσａとした場合に、分離度Ｓは分散値σａと（分散値σｆと分散値σｔの積）との比に従い算出されることを特徴とする、請求項８に記載の画像処理アルゴリズム生成方法。
12. 前記分離度をＳとし、前記所定領域上における、プロットされた前記真欠陥部の前記１種類以上の特徴量の分散値をσｔ、プロットされた前記擬似欠陥部の前記１種類以上の特徴量の分散値をσｆ、およびプロットされた全ての前記１種類以上の特徴量の分散値をσａとした場合に、分離度Ｓは分散値σａと（分散値σｆと分散値σｔの和）との比に従い算出されることを特徴とする、請求項８に記載の画像処理アルゴリズム生成方法。
13. 前記分離度をＳとし、前記所定領域上における、プロットされた前記真欠陥部の前記１種類以上の特徴量の分散値をσｔ、プロットされた前記擬似欠陥部の前記１種類以上の特徴量の分散値をσｆ、およびプロットされた全ての前記１種類以上の特徴量の分散値をσａとし、
    さらに、前記所定領域上における、プロットされた前記真欠陥部の前記１種類以上の特徴量の分布域と、プロットされた前記擬似欠陥部の前記１種類以上の特徴量の分布域との距離をＭとした場合に、Ｓ＝α×Ｍ＋β×（σａ／（σｆ×σｔ））（ただし、αとβは重付け係数）に従い前記分離度が算出されることを特徴とする、請求項８に記載の画像処理アルゴリズム生成方法。
14. 前記分離度をＳとし、前記所定領域上における、プロットされた前記真欠陥部の前記１種類以上の特徴量の分散値をσｔ、プロットされた前記擬似欠陥部の前記１種類以上の特徴量の分散値をσｆ、およびプロットされた全ての前記１種類以上の特徴量の分散値をσａとし、
    さらに、前記所定領域上における、プロットされた前記真欠陥部の前記１種類以上の特徴量の分布域と、プロットされた前記擬似欠陥部の前記１種類以上の特徴量の分布域との距離をＭとした場合に、Ｓ＝α×（１／Ｍ）＋β×（１／（σａ／（σｆ×σｔ）））（ただし、αとβは重付け係数）に従い前記分離度が算出されることを特徴とする、請求項８に記載の画像処理アルゴリズム生成方法。
15. 前記所定領域は、２つの特徴量に対応の軸が直交して規定される２次元座標の領域であり、
    前記特徴量プロット工程は、前記分類工程による分類結果が前記擬似欠陥部に該当する前記欠陥候補部を含まない場合に、仮想の前記擬似欠陥部を前記２次元座標の原点にプロットすることを特徴とする、請求項８に記載の画像処理アルゴリズム生成方法。
16. 少なくとも１つの画像処理モジュールが連結された画像処理モジュール群により被検査画像の画像データを処理可能なように変換し、変換後の画像データから欠陥候補部を抽出して、前記変換後の画像データに基づき前記画像内の複数の前記欠陥候補部に関して算出した特徴量を用いて１つ以上の真欠陥部を前記被検査画像から抽出する画像処理アルゴリズムについて、画像に含まれる抽出すべき前記１つ以上の真欠陥部を指示するために外部から入力された所定情報を有する画像データを用いて評価する装置であって、
    前記画像データに対して前記画像処理モジュール群を適用した後に、前記画像内の複数の前記欠陥候補部を抽出する欠陥候補部抽出手段と、
    前記欠陥候補部抽出手段により抽出された前記複数の欠陥候補部それぞれの１種類以上の特徴量を算出する特徴量算出手段と、
    前記所定情報に基づき、前記特徴量算出手段により前記特徴量を算出する前記複数の欠陥候補部を前記真欠陥部と残りを擬似欠陥部とに分類する分類手段と、
    前記分類手段で分類がされた前記真欠陥部と前記擬似欠陥部のそれぞれの、前記特徴量算出手段で算出された前記１種類以上の特徴量を、前記１種類以上の特徴量に基づき規定される所定領域上にプロットする特徴量プロット手段と、
    前記特徴量プロット手段により前記所定領域上にプロットされた前記１種類以上の特徴量の分布状況に基づき、前記真欠陥部の前記１種類以上の特徴量の群と前記擬似欠陥部の前記１種類以上の特徴量の群との分離度を算出する分離度算出手段と、
    前記画像処理アルゴリズムの、前記複数の欠陥候補部を前記所定情報により指示される前記真欠陥部と残りの前記擬似欠陥部とに分離する性能を、前記分離度算出手段により算出した前記分離度の高さに応じて高く評価する評価手段とを備える、画像処理アルゴリズム評価装置。
17. パラーメータ値によって表現される少なくとも１つの画像処理モジュールが連結された画像処理モジュール群により被検査画像の画像データを処理可能なように変換し、変換後の画像データから欠陥候補部を抽出して、前記変換後の画像データに基づき前記画像内の複数の前記欠陥候補部に関して算出した特徴量を用いて１つ以上の真欠陥部を前記被検査画像から抽出する画像処理アルゴリズムについての、画像に含まれる抽出すべき前記１つ以上の真欠陥部を指示するために外部から入力された所定情報を有する画像データを用いた評価に基づいて前記画像処理アルゴリズムを生成する装置であって、
    入力する前記画像処理アルゴリズムの前記画像処理モジュール群を前記画像データに対して適用した後に、前記画像内の複数の欠陥候補部を抽出する欠陥候補部抽出手段と、
    前記欠陥候補部抽出手段により抽出された前記画像の複数の欠陥候補部それぞれの１種類以上の特徴量を算出する特徴量算出手段と、
    前記所定情報に基づき前記特徴量算出手段により前記特徴量を算出する前記複数の欠陥候補部を前記真欠陥部と残りを擬似欠陥部とに分類する分類手段と、
    前記分類手段で分類がされた前記真欠陥部と前記擬似欠陥部のそれぞれの、前記特徴量算出手段で算出された前記１種類以上の特徴量を、前記１種類以上の特徴量に基づき規定される所定領域上にプロットする特徴量プロット手段と、
    前記特徴量プロット手段により前記所定領域上にプロットされた前記１種類以上の特徴量の分布状況に基づき、前記真欠陥部の前記１種類以上の特徴量の群と前記擬似欠陥部の前記１種類以上の特徴量の群との分離度を算出する分離度算出手段と、
    前記画像処理アルゴリズムの、前記複数の欠陥候補部を前記所定情報により指示される前記真欠陥部と残りの前記擬似欠陥部とに分離する性能の評価を、前記分離度算出手段により算出した前記分離度の高さに応じて高く評価する評価手段と、
    所定基準に基づいて、前記画像処理アルゴリズムの生成が完了したか否かを判断する完了判断手段と、
    前記完了判断手段により完了していないと判断されると、前記評価手段による前記評価に基づいて前記画像処理アルゴリズムの前記画像処理モジュールの組合せまたはパラメータ値を変更し、変更後の前記画像処理アルゴリズムを前記欠陥候補部抽出手段に出力する調整手段とを備える、画像処理アルゴリズム生成装置。
18. 請求項１に記載の画像処理アルゴリズム評価方法をコンピュータにより実行させるためのプログラム。
19. 請求項１に記載の画像処理アルゴリズム評価方法をコンピュータにより実行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。
20. 請求項８に記載の画像処理アルゴリズム生成方法をコンピュータにより実行させるためのプログラム。
21. 請求項８に記載の画像処理アルゴリズム生成方法をコンピュータにより実行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。

Images