JP4006224B2 - 画像品質判定方法、判定装置、判定プログラム - Google Patents

Description

【０００１】
【発明の属する技術分野】
本発明は、印刷機、複写機、インクジェットプリンターなどの画像形成装置によって記録媒体にプリント出力された画像の品質を評価する画像品質判定方法、判定装置、判定プログラムに関するものである。
【０００２】
【従来の技術】
電子写真方式による印字では、トナーの乗り具合によって生じる文字の太りや細り、トナー微粒子の飛び散り、機械的振動などにより、文字の品質（品位）が劣化することが知られている。
【０００３】
また、インクジェット方式による印字では、専用光沢紙ではなく普通紙を使った場合にインクのにじみ、ドットの飛び散り、機械的振動などにより文字の品質が劣化することが知られている。
【０００４】
このような電子写真方式やインクジェット方式などの画像形成装置を開発・作成する際などには、該画像形成装置がどの程度の品質で印刷することができるか評価することが必要となってくる。
【０００５】
従来、これらの印刷された文字や画像の品質（品位）の評価は、熟練者が該印刷物と限度見本とを目視比較することにより行われていた。つまり、従来は、人間の目視による官能評価によって、該印刷物の評価がなされていた。
【０００６】
また、工場の生産ラインで用いられている日付ラベル印字検査装置では、良品か不良品か（文字を識別可能であるか否か）の二極判定しかできず、グレーゾーンにあるものの微妙な品質判定ができなかった。
【０００７】
【発明が解決しようとする課題】
従来技術のように、目視による官能評価では、異なる判定者によって判定に違いが生じたり、同じ判定者でも再現よく判定することが難しいなどの問題がある。
【０００８】
また、小さな画像を目視によって評価を行う場合には、該画像を拡大撮影する必要があり、光学顕微鏡やインスタントカメラシステムといった高価な設備が必要であるという問題がある。更に、印刷物１枚の中に１０箇所の印字品質を評価するために、顕微鏡と印刷物の位置決めを行い、カメラのピント・露出調整を行い、撮影後の写真の現像〜定着までといった作業を１０回行う必要があり、手間も非常にかかってしまうという問題点もある。
【０００９】
また、工場の生産ラインで用いられている日付ラベル印字検査機では、良品か不良品かの二極判定しかできず、複数の印刷物のうち、どの印刷物の画像品質が優れているか判定を行うための指標に用いることはできなかった。
【００１０】
【課題を解決するための手段】
上記課題を解決するために、本発明の画像品質判定装置は、以下の構成を有することを特徴とする。
即ち、文字画像を二値化して得られた二値画像と標準画像とを比較してパターンデータを得るパターンデータ測定手段と、
予めサンプル画像から得られたパターンデータと前記サンプル画像の品質を表すスコアとを対応づけて記憶しているパターン用辞書と、前記パターンデータ測定手段で得られたパターンデータとを照合することにより、差異が最も少ないパターン用辞書内のサンプル画像を識別して、そのサンプル画像に対応付けられているスコアを判別する判別手段とを有することを特徴とする。
【００１２】
【発明の実施の形態】
図１は、本発明の一実施形態を示すブロック図である。
【００１３】
本実施形態では、原稿１１から所定の文字画像を読み取って品質判定する例をとって説明する。なお、原稿として評価用のテストチャートを用いて、そのテストチャートに含まれる所定の文字を評価するようにしてもよいし、任意の原稿に含まれる所定の文字を評価するようにしてもよいが、本実施形態では、評価用のテストチャートを用いて、そのテストチャートに印刷されている「電」の文字を評価することとする。なお、１つの原稿を評価する際、印字場所によって印字状態が異なる可能性があるので、テストチャートとしては複数の異なる場所に「電」の文字を印字し、その複数の文字それぞれを評価する方が望ましい。
【００１４】
図５に、このテストチャートの一例を示す。テストチャート５０１には、複数の個所に品質判定に用いる文字画像が印字されている。ここでは、「電」の文字画像５０２乃至５０６の５個所の文字画像を判別に用いることとする。
【００１５】
スキャナー１２を用いて、原稿１１を光学的に読み取って、原稿画像を得る。
【００１６】
次にユーザーインターフェース画面を操作して、該テストチャート内の判定用文字画像が存在する位置を識別するためのテンプレートを呼び出し、自動判定ボタンを押す。このようなテンプレートを用いることにより、判定用の画像位置を特定しやすくなる。
【００１７】
まず、傾斜検知・補正処理１３では、読込んだ原稿画像の文字列の並びを直線に置き換えて傾斜を測定し、傾斜を検知した場合はその傾斜量を用いて画像全体を回転させることにより補正する。なお、傾斜の検知の方法は、公知の方法を用いればよい。
【００１８】
画像位置検出処理１４では、該呼び出されたテンプレートに基づいて、所望の文字画像が存在するおおよその範囲を特定し、該範囲内の画像データにおいて、ヒストグラムを取るなどして文字画像を切り出し、その文字画像が所望の文字であるか（「電」の文字であるか）判断し、所望の文字であると判断された文字画像を得る。ここで、所望の文字の切り出しは、公知の文字認識技術を用いて実現可能である。
【００１９】
パターンマッチング処理１５では、画像位置検出１４で切り出した文字画像に対し、濃度分布データを得て、その濃度分布データに基づいて、明部（白）と暗部（黒）の元データ損失が最も少なくなるポイントを基準に２値化を行う。そして、２値化された文字画像に対して孤立点除去処理を行って補正画像Ａを取得し、また、２値化された文字画像に対してかすれ除去処理を行って補正画像Ｂを取得する。その後、２値化された文字画像及び補正画像Ａ、Ｂを用いて、リファレンスパターン（フォントデータから求められる標準画像）と比較して、黒点率、過剰率１、過剰率２、過剰解消率、不足率１、不足率２、不足解消率の７項目のパターンデータを測定する。
【００２０】
更に、７項目のパターンデータと、太りや細りや飛び散り等の属性とを対応付けて予め記憶させておいたパターン用辞書を用いて、パターンマッチング処理１５で得られたパターンデータに対応する属性１６を判別する。また、パターン用辞書には、パターンデータと、前記属性及びパターンスコアとを対応づけて記憶させておき、パターンマッチング処理１５で得られたパターンデータをパターン用辞書と照合することにより、パターンスコア１７を算出する。このパターンマッチング処理の詳細は、図２を用いて後述する。
【００２１】
一方、識別処理（文字認識処理）１８では、多値の文字画像から、濃度変化情報を４００次元の特徴量として抽出し、擬似ベイズ識別関数を用いて、識別用辞書と照合を行い、類似度を表す演算値（距離で表されるので値が小さいほど類似していることになる）を得て、該演算値に基づいて、小さい順に第１候補、第２候補、第３候補〜第１０候補までの識別を行う。なお、識別用辞書には、予め、多数の「電」の学習用文字画像を用いて作成され、それぞれの学習用文字画像から得た特徴量と、その学習用文字画像のスコアとが対応付けられて記憶されている。したがって、識別処理１８では、第１候補から第１０候補まで、スコアと演算値とをそれぞれ得ることができる。識別処理１８の詳細な説明は、図３を用いて後述する。
【００２２】
基本スコア計算処理１９では、識別処理１８で識別された第１候補のスコアと第２候補のスコアとを比較して、スコアの差が大きい場合には、識別対象の文字画像が第１候補と一致している度合が非常に高いと考えられるので、第１候補のスコアを基本スコア２０として算出する。また、識別処理１８で識別された第１候補のスコアと第２候補のスコアとを比較して、スコアの差が小さい場合には、誤差を考慮すると識別対象の文字画像が一致している度合が第１候補および第２候補のどちらが高いとも言えないので、第１候補のスコアと第２候補のスコアの平均値を基本スコア２０として算出する。
【００２３】
総合スコア判定処理２１では、パターンスコア１７と、基本スコア１９と、識別処理１８で識別された第１候補の演算値（類似度）と、パターンスコア１７と同程度のスコアを有する識別処理１８で識別された第ｎ候補の演算値（類似度）とを用いて、総合スコアを算出する。
【００２４】
第１候補の演算値と、パターンスコア１７と同程度のスコアを有する第ｎ候補の演算値とを比較する。演算値の差が大きい場合には、識別処理より算出した基本スコアの信頼度が非常に高いと考えられるので、基本スコアを総合スコア２２として算出する。一方、演算値の差が小さい場合には、識別処理より算出した基本スコアの信頼度とパターンマッチング処理より算出したパターンスコアの信頼度とが同程度と考えられるので、基本スコア２０とパターンスコア１７の平均値を総合スコア２２として算出する。
【００２５】
この総合スコア２２は、ユーザーインターフェース（ＵＩ）画面を介してユーザに提示される。なお、提示の際には、総合スコアの点数に応じて、色を変えて表示する。このように色を変えて表示することにより、ユーザは直感的に品質を評価することが可能になる。
【００２６】
図６に、品質の判定結果のＵＩ表示画面の一例を示す。判定結果表示画面６０１は、図５のテストチャートを用いて判定を行った結果を表示し、６０２乃至６０６は、判定対象となった文字画像５０２乃至５０６を拡大表示したものである。６０７の欄には、各文字画像の品質スコアが表示されており、例えば、スコアが非常に悪いものは赤字で表示されたりしている。また、各文字画像の詳細な評価結果が６０８及び６０９に表示されている。例えば、文字画像６０２がユーザにより選択されると、６０８には、当該文字画像とリファレンスパターンとのパターンマッチングの結果が視覚的に分かるように、黒画素が一致している個所と、文字画像の黒画素だけが存在する個所と、リファレンスパターンの黒画素だけが存在する個所とが、色を変えて表示されている。また、６０９には、当該文字画像６０２の品質を判定する際に算出された詳細な数値（パターンマッチング処理１５で算出したパターンデータや、識別処理１８で算出した識別結果４４や、属性１６など）が表示されている。
【００２７】
当該算出されたスコアを評価用のスコアとして保存するように、ユーザから指示を受けると、データ保存処理２３では、該総合スコア２２と、ＵＩ画面上の画像データと、パターンマッチング処理１５で得られた黒点率、過剰率１、過剰率２、過剰解消率、不足率１、不足率２、不足解消率の７項目のパターンデータと、太り、細りなどの属性データと、識別処理１８で得られた多値画像の濃度勾配を特徴量とした４００次元の特徴ベクトルなどのデータを保存する。
【００２８】
一方、ユーザは、該算出された総合スコア２２が、自らの主観評価と明らかに異なると感じた場合、自分の主観評価に合うように学習させることが可能である。ユーザから学習するように指示を受けると、辞書データ登録処理２４において、ユーザに当該文字画像に合うスコアや属性データを新しく指定させて、パターンマッチング処理で得られた黒点率、過剰率１、過剰率２、過剰解消率、不足率１、不足率２、不足解消率の７項目のパターンデータを対応づけてパターン辞書に登録し、識別処理で得られた多値画像の濃度勾配を特徴量とした４００次元の特徴データを対応づけて、識別用辞書に登録する。このような学習機能を設けることにより、次回からその文字画像と同様の文字画像の品質を判断する際に、ユーザの主観評価に合った評価を行うことができる。
【００２９】
次に、図１のパターンマッチング処理１５における処理を、図２を用いて詳細に説明する。
【００３０】
スキャン画像（２５６階調）２５は、画像位置検出処理１４で取得した２５６階調の文字画像データである。
【００３１】
２値化処理２６では、２５６階調のスキャン画像内の文字画像が明確に表れるように、元データ損失が最も少なくなる２値化閾値を用いて、スキャン画像２５を２値化して、２値画像２７を得る。
【００３２】
孤立点除去処理２８では、２値画像２７に対して孤立点除去処理を行って、２９の補正画像Ａを得る。孤立点除去処理では所定数以下の黒画素の塊を検知して除去する処理を行う。
【００３３】
かすれ除去処理３０では、２値画像２７に対してかすれ除去処理を行って、３１の補正画像Ｂを得る。かすれ除去処理では、２値化処理を行った際に、かすれていたために白画素にされた部分を検知して、黒画素に変換する処理を行う。
【００３４】
リファレンスパターン３２は、対象となる文字の書体、サイズにおける理想形状のパターンである。
【００３５】
パターンデータ作製処理３３では、リファレンスパターン３２と、２値画像２７、補正画像Ａ、補正画像Ｂとをパターンマッチングを行って、黒点率、過剰率１、過剰率２、過剰解消率、不足率１、不足率２、不足解消率の７項目のパターンデータを得る。ここで、黒点率とは、２値画像とリファレンスパターンとをパターンマッチングし、リファレンスパターンの黒画素の個所が、２値画像において黒画素となっている割合を示す。また、過剰率１とは、２値画像とリファレンスパターンとをパターンマッチングし、リファレンスパターンの白画素の個所が、２値画像において黒画素となっている割合を示す。また、過剰率２とは、補正画像Ａとリファレンスパターンとをパターンマッチングし、リファレンスパターンの白画素の個所が、補正画像Ａにおいて黒画素となっている割合を示す。また、過剰解消率とは、孤立点除去処理により過剰が解消された黒画素の割合であり、過剰率１と過剰率２に基づいて求められる。また、不足率１とは、２値画像とリファレンスパターンとをパターンマッチングし、リファレンスパターンの黒画素の個所が、２値画像において白画素となっている割合を示す。また、不足率２とは、補正画像Ｂとリファレンスパターンとをパターンマッチングし、リファレンスパターンの黒画素の個所が、補正画像Ｂにおいて白画素となっている割合を示す。また、不足解消率とは、かすれ除去処理により、かすれが解消された割合であり、不足率１と不足率２に基づいて求められる。
【００３６】
パターン辞書照合処理３４では、パターンデータ作成処理３３で得たパターンデータをパターン用辞書と照合することにより、差異が最も少ないパターン用辞書内のパターンを識別して、そのパターンに対応付けられているパターンスコア３６と属性３５とを判別する。
【００３７】
なお、パターン用辞書には、予め、複数の学習用文字画像（サンプル画像）から、パターンデータを得て、その学習用文字画像のスコア及び属性と該パターンデータとを対応づけて記憶させておく。このようなパターン用辞書を用いることにより、パターンデータ作成処理３３で得たパターンデータに対応するスコア３６及び属性３５を得ることができる。なお、パターン用辞書に記憶されているスコアは、何段階に分けてもよいが、パターン用辞書の作成時にユーザが細かくスコアを指定するのは非常に煩雑であるので、例えば１０段階程度（例えば、１００点満点でスコアを表示するのであれば１０点刻み）に分けて記憶させておけばよい。
【００３８】
次に、図１の識別処理１８における処理を、図３を用いて詳細に説明する。
【００３９】
スキャン画像（２５６階調）４０は、画像位置検出処理１４で取得した２５６階調の文字画像データである。ステップ４１において、この多値のスキャン文字画像から、濃度変化情報を４００次元の特徴量として抽出する。
【００４０】
ここで、多値の文字画像の濃度変化情報から抽出される４００次元の特徴量について説明する。まず、画像の前処理として、文字画像の外接枠・重心合わせにより位置と大きさの正規化を行う。この正規化した画像に、２×２の平均値フィルタを用いる平滑化処理を数回反復して濃淡画像を求める。
【００４１】
Robertsフィルタを適用し、濃淡画像の濃度値の曲面勾配の向きと強さを求め、得られた勾配の方向を３２方向に量子化する。文字画像の外接枠を９×９の計８１個のブロックに分割し、各ブロック内で量子化した３２方向別に勾配の強さの値を加算して、局所方向ヒストグラムを得る。これに加重フィルタをかけ、３２方向から１６方向へ次元縮小したヒストグラムを得る。
【００４２】
このヒストグラムに対し、５×５の２次元ガウスフィルタを縦横１ブロックおきに施して再標本化し、５×５の計２５個のブロックに削減する。各ブロックに１６次元の特徴量があるので、文字画像全体では、１６×２５の計４００次元の特徴量（特徴ベクトル）が求められる。
【００４３】
ステップ４２において、擬似ベイズ識別関数を用いて、識別用辞書４３と照合を行い、類似度を表す演算値（距離で表されるので値が小さいほど類似していることになる）を得て、該演算値に基づいて、小さい順に第１候補、第２候補、第３候補〜第１０候補まで並べたものが識別結果４４である。
【００４４】
なお、識別用辞書には、予め、多数の「電」の学習用文字画像（サンプル画像）を用いて作成され、それぞれの学習用文字画像から得た特徴ベクトルと、その学習用文字画像のスコアとが対応付けられて記憶されている。したがって、ステップ４２では、擬似ベイズ識別関数により、各候補のスコアと演算値とを得ることができる。なお、識別用辞書に記憶されているスコアは、何段階に分けてもよいが、識別用辞書の作成時にユーザが細かくスコアを指定するのは非常に煩雑であるので、パターン辞書と同様に、例えば１０段階程度（例えば、１００点満点でスコアを表示するのであれば１０点刻み）に分けて記憶させておけばよい。
【００４５】
図４は本実施形態における画像の品質を判定するための画像品質判定装置の構成例を示すブロック図である。ＣＰＵ４０１は、ＲＯＭ４０２に格納されている制御プログラムに従って本装置全体の制御を行う。ＲＯＭ４０２には、ＣＰＵ４０１に図１乃至図３に記載した処理を実行させるためのプログラム等を格納している。ＲＡＭ４０３はＣＰＵが処理を行う際のワークエリアとして用いられたり、読込んだ文書画像データ等を記憶したりする。外部記憶装置４０４は磁気ディスク等であり、４０５はディスプレイ、４０６はキーボード、４０７はマウス等のポインティングデバイス、４０８は原稿画像を読み取るためのイメージスキャナである。また、４０９はネットワークインターフェースであり、図示しない遠隔地に存在する装置と通信し、プログラムやデータなどを読み込んだり、書き込んだりする。なお、本実施形態では、ＲＯＭにプログラムが格納されているものとしたが、このプログラムは、ハードディスクなどの内部記憶媒体に記憶されていてもよいし、フロッピーディスクやＣＤ−ＲＯＭなどの外部記憶媒体に格納され、必要に応じて読み込まれて実行されるものであってもよいし、ネットワークを介して外部装置から受信されて実行されるものであってもよい。また、スキャナ４０８は、本装置に内蔵されているものであってもよいし、外部装置として接続されているもの（例えば、パソコンにフラットベッドスキャナが接続されている形態）であっても良い。また、ネットワークを介して接続されているスキャナであってもよい。
【００４６】
＜その他の実施形態＞
また、識別処理１８では、濃度勾配情報から４００次元の特徴ベクトルを算出して、識別処理を行ったが、これに限るものではなく、その他の特徴量や異なる次元数の特徴ベクトルを用いて識別するようにしてもよい。
【００４７】
また、上述の実施形態では、評価用の文字として、「電」という漢字を用いたが、これに限るものではなく、ひらがなやカタカナ、英数字など他の文字を辞書に登録しておいて用いることも可能であるし、また、記号や図形など文字以外を用いて品質を判別するようにしても構わない。
【００４８】
また、上述の実施形態では、総合スコアとして、１００点満点でユーザに提示されることとしたが、例えば、総合スコアをＡ〜Ｅの５段階のランクに変換してユーザに提示するようにしてもよい。
【００４９】
また、品質評価の結果（総合スコア）をユーザに提示する際、上述の実施形態ではＵＩ画面を介して表示されることとしたが、これに限るものではなく、音声出力や印刷出力を用いてユーザに提示するようにしてもよい。
【００５０】
【発明の効果】
以上述べたように、本実施形態によれば、従来のように判定者によって判定結果が変わることがなくなり、画像の品質の判定を安定して行うことができる。また、ユーザは、画像の品質を数値化して見ることができるので、客観的に画像品質の評価を行うことができる。
【００５１】
また、学習機能も設けたので、ユーザの主観評価に合った評価が行われるように学習させることも可能であり、学習させることで、判定精度の向上にもなる。
【図面の簡単な説明】
【図１】品質判定処理の流れを示すブロック図
【図２】パターンマッチング処理の流れを示す詳細ブロック図
【図３】識別処理の流れを示す詳細ブロック図
【図４】品質判定装置の構成例
【図５】テストチャートの一例
【図６】品質の判定結果のユーザーインターフェース表示画面
【符号の説明】
４０１ ＣＰＵ
４０２ ＲＯＭ
４０３ ＲＡＭ
４０４ 外部記憶
４０５ ディスプレイ
４０６ キーボード
４０７ ポインティングデバイス
４０８ スキャナ
４０９ ネットワークインターフェース

Claims (10)

1. 文字画像を二値化して得られた二値画像と標準画像とを比較してパターンデータを得るパターンデータ測定手段と、
   予めサンプル画像から得られたパターンデータと前記サンプル画像の品質を表すスコアとを対応づけて記憶しているパターン用辞書と、前記パターンデータ測定手段で得られたパターンデータとを照合することにより、差異が最も少ないパターン用辞書内のサンプル画像を識別して、そのサンプル画像に対応付けられているスコアを判別する判別手段とを有することを特徴とする画像品質判定装置。
2. 前記文字画像から特徴量を得る特徴量抽出手段と、
   複数の学習用文字画像から得られた特徴量と前記複数の学習用文字画像のスコアとを対応付けて記憶している識別用辞書と、前記特徴量抽出手段で抽出された特徴量とを照合することにより、前記文字画像との類似度が最も高い学習用文字画像の識別を行い、当該類似度が最も高い学習用文字画像のスコアを基本スコアとする基本スコア算出手段と、
   前記判別手段で判別されたスコアと前記基本スコア算出手段で算出された基本スコアとの平均値を、前記文字画像の品質を示す総合スコアとする総合スコア算出手段とを有することを特徴とする請求項１に記載の画像品質判定装置。
3. 前記文字画像から特徴量を抽出する特徴量抽出手段と、
   複数の学習用文字画像から得られた特徴量と前記複数の学習用文字画像のスコアとを対応付けて記憶している識別用辞書と、前記特徴量抽出手段で抽出された特徴量とを照合することにより、前記複数の学習用文字画像と前記文字画像との類似度を得る類似度算出手段と、
   前記類似度算出手段で得られた類似度の中で最も高い類似度を示す学習用文字画像のスコアと、前記判別手段で判別されたスコアとを用いて、前記文字画像の品質を示す総合スコアを算出する総合スコア算出手段とを有し、
   前記総合スコア算出手段は、
   前記類似度算出手段で得られた類似度の中で最も高い類似度と、前記判別手段で判別されたスコアと同程度のスコアを有する前記学習用文字画像の類似度との差が小さい場合には、前記判別手段で判別されたスコアと前記類似度算出手段で得られた類似度の中で最も高い類似度を示す学習用文字画像のスコアとの平均値を、前記文字画像の品質を示す総合スコアとして算出し、
   前記類似度算出手段で得られた類似度の中で最も高い類似度と、前記判別手段で判別されたスコアと同程度のスコアを有する前記学習用文字画像の類似度との差が大きい場合には、前記類似度算出手段で得られた類似度の中で最も高い類似度を示す学習用文字画像のスコアを、前記文字画像の品質を示す総合スコアとして算出することを特徴とする請求項１に記載の画像品質判定装置。
4. 前記パターンデータ測定手段により得られるパターンデータは、
   前記標準画像の黒画素の個所が前記二値画像で黒画素となっている割合と、
   前記標準画像の白画素の個所が前記二値画像で黒画素となっている割合と、
   前記標準画像の黒画素の個所が前記二値画像で白画素となっている割合とを含むことを特徴とする請求項１乃至３の何れか１項に記載の画像品質判定装置。
5. 文字画像を二値化して得られた二値画像と標準画像とを比較してパターンデータを得るパターンデータ測定ステップと、
   予めサンプル画像から得られたパターンデータと前記サンプル画像の品質を表すスコアとを対応づけて記憶しているパターン用辞書と、前記パターンデータ測定ステップで得られたパターンデータとを照合することにより、差異が最も少ないパターン用辞書内のサンプル画像を識別して、そのサンプル画像に対応付けられているスコアを判別する判別ステップとを有することを特徴とする画像品質判定方法。
6. 前記文字画像から特徴量を得る特徴量抽出ステップと、
   複数の学習用文字画像から得られた特徴量と前記複数の学習用文字画像のスコアとを対応付けて記憶している識別用辞書と、前記特徴量抽出ステップで抽出された特徴量とを照合することにより、前記文字画像との類似度が最も高い学習用文字画像の識別を行い、当該類似度が最も高い学習用文字画像のスコアを基本スコアとする基本スコア算出ステップと、
   前記判別ステップで判別されたスコアと前記基本スコア算出ステップで算出された基本スコアとの平均値を、前記文字画像の品質を示す総合スコアとする総合スコア算出ステップとを有することを特徴とする請求項５に記載の画像品質判定方法。
7. 前記文字画像から特徴量を抽出する特徴量抽出ステップと、
   複数の学習用文字画像から得られた特徴量と前記複数の学習用文字画像のスコアとを対応付けて記憶している識別用辞書と、前記特徴量抽出ステップで抽出された特徴量とを照合することにより、前記複数の学習用文字画像と前記文字画像との類似度を得る類似度算出ステップと、
   前記類似度算出ステップで得られた類似度の中で最も高い類似度を示す学習用文字画像のスコアと、前記判別ステップで判別されたスコアとを用いて、前記文字画像の品質を示す総合スコアを算出する総合スコア算出ステップとを有し、
   前記総合スコア算出ステップは、
   前記類似度算出ステップで得られた類似度の中で最も高い類似度と、前記判別ステップで判別されたスコアと同程度のスコアを有する前記学習用文字画像の類似度との差が小さい場合には、前記判別ステップで判別されたスコアと前記類似度算出ステップで得られた類似度の中で最も高い類似度を示す学習用文字画像のスコアとの平均値を、前記文字画像の品質を示す総合スコアとして算出し、
   前記類似度算出ステップで得られた類似度の中で最も高い類似度と、前記判別ステップで判別されたスコアと同程度のスコアを有する前記学習用文字画像の類似度との差が大きい場合には、前記類似度算出ステップで得られた類似度の中で最も高い類似度を示す学習用文字画像のスコアを、前記文字画像の品質を示す総合スコアとして算出することを特徴とする請求項５に記載の画像品質判定方法。
8. 前記パターンデータ測定ステップにより得られるパターンデータは、
   前記標準画像の黒画素の個所が前記二値画像で黒画素となっている割合と、
   前記標準画像の白画素の個所が前記二値画像で黒画素となっている割合と、
   前記標準画像の黒画素の個所が前記二値画像で白画素となっている割合とを含むことを特徴とする請求項５乃至７の何れか１項に記載の画像品質判定方法。
9. 請求項５乃至８の何れか１項に記載の画像品質判定方法の各ステップをコンピュータに実行させるための画像品質判定プログラム。
10. 請求項９に記載の画像品質判定プログラムを格納したコンピュータ読取り可能な記憶媒体。

Images