JP4844606B2

JP4844606B2 - 画像分類装置及びプログラム

Info

Publication number: JP4844606B2
Application number: JP2008233690A
Authority: JP
Inventors: 弘毅上床; 康二足立; 紀一山田
Original assignee: Fuji Xerox Co Ltd; Fujifilm Business Innovation Corp
Current assignee: Fujifilm Business Innovation Corp
Priority date: 2008-09-11
Filing date: 2008-09-11
Publication date: 2011-12-28
Anticipated expiration: 2028-09-11
Also published as: JP2010067068A

Description

本発明は、画像特徴分類装置及びプログラムに関する。

紙に形成された画像をスキャンして、形成された画像の画像特徴に基づいて、画像に含まれる欠陥を分類することがある。この際、下記の特許文献１に記載されているように、スキャン画像から各種の特徴量を抽出して特徴ベクトルを生成して、予め学習された画像特徴毎の分類と特徴ベクトルとの距離に基づいて、スキャン画像が有する画像特徴の分類を判定する技術がある。
特開２００１−１３４７６３号公報

画像特徴の分類によっては、学習された特徴空間を構成する特徴量の中に当該分類の特徴とはいえない特徴量も含まれており、こうした特徴量を分類に用いることで、誤分類を招いたり分類が絞り込めなかったりして、分類が精度良く行えないことがあった。

本発明の目的の一つは、分類学習時に用いた特徴量の中から画像特徴に特徴的な要素を絞り込んで、対象画像の画像特徴を精度良く分類する画像特徴分類装置及びプログラムを提供することにある。

上記目的を達成するために、請求項１に記載の画像特徴分類装置の発明は、画像特徴の分類毎に用意された標本画像から取得される複数の特徴量を要素とする特徴ベクトルに基づいて、前記画像特徴の分類を学習した分類学習手段と、対象の画像から前記複数の特徴量を取得するとともに、当該取得された特徴量を要素とする特徴ベクトルを生成する生成手段と、前記画像特徴の分類毎に、当該分類における前記複数の各特徴量のばらつきを取得する取得手段と、前記画像特徴の分類毎に、当該分類について前記取得手段により取得された前記複数の各特徴量のばらつきに基づいて、前記複数の特徴量から一部の特徴量を選択する選択手段と、前記選択手段により選択された一部の特徴量に基づいて表される特徴空間における前記生成手段により生成した特徴ベクトルと前記画像特徴の各分類との距離を算出する算出手段と、前記算出手段により算出された距離の比較結果に基づいて、前記対象の画像が有する画像特徴の分類を判定する分類判定手段と、を含むことを特徴とする。

また、請求項２に記載の発明は、請求項１に記載の画像特徴分類装置において、前記選択手段は、前記複数の特徴量からばらつきが小さい順に特徴量を選択することを特徴とする。

また、請求項３に記載の発明は、請求項１又は２に記載の画像特徴分類装置において、前記算出手段は、前記生成手段により生成した特徴ベクトルと前記画像特徴の各分類とのマハラノビス距離を算出し、前記分類判定手段は、前記対象の画像が有する画像特徴の分類を、前記算出手段により算出された最小のマハラノビス距離に対応する画像特徴の分類と判定することを特徴とする。

また、請求項４に記載のプログラムの発明は、画像特徴の分類毎に用意された標本画像から取得される複数の特徴量を要素とする特徴ベクトルに基づいて、前記画像特徴の分類を学習した分類学習手段と、対象の画像から前記複数の特徴量を取得するとともに、当該取得された特徴量を要素とする特徴ベクトルを生成する生成手段と、前記画像特徴の分類毎に、当該分類における前記複数の各特徴量のばらつきを取得する取得手段と、前記画像特徴の分類毎に、当該分類について前記取得手段により取得された前記複数の各特徴量のばらつきに基づいて、前記複数の特徴量から一部の特徴量を選択する選択手段と、前記選択手段により選択された一部の特徴量に基づいて表される特徴空間における前記生成手段により生成した特徴ベクトルと前記画像特徴の各分類との距離を算出する算出手段と、前記算出手段により算出された距離の比較結果に基づいて、前記対象の画像が有する画像特徴の分類を判定する分類判定手段としてコンピュータを機能させることを特徴とする。

請求項１に記載の発明によれば、分類学習時に用いた特徴量の中から一部の特徴量を絞り込んで、対象画像の画像特徴を精度良く分類することができる。

請求項２に記載の発明によれば、各画像特徴の分類に特徴的な情報を選択的に用いることができる。

請求項３に記載の発明によれば、算出される距離の尺度を共通化して、算出された距離の比較により対象画像の画像特徴の分類を判定できる。

請求項４に記載の発明によれば、分類学習時に用いた特徴量の中から一部の特徴量を絞り込んで、対象画像の画像特徴を精度良く分類するようにコンピュータを機能させることができる。

以下、本発明を実施するための好適な実施の形態（以下、実施形態という）を、図面に従って説明する。

図１には、本実施形態に係る故障診断機能を有する画像形成装置１０の機能ブロック図を示した。図１に示されるように、画像形成部１００、画像読取部１０２、センサ部１０４、診断情報入力部１０６、及び故障診断部１０８を含む。なお、実施形態では、後述する画像形成装置１０に備えられた欠陥種類判定部２１２に、本発明に係る画像特徴分類装置の構成を適用している。

画像形成部１００は、画像データに基づいて印刷用紙に画像を形成して出力する機能である。画像形成部１００は、例えば画像データをラスターデータに変換し、当該変換したラスターデータに基づいて感光体にレーザ光により潜在画像を形成するとともに、感光体にトナーを付着させた後に印刷用紙に転写して画像を形成するレーザプリンタの方式により画像を形成することとしてよい。また、画像形成部１００はその他にも、電子写真式、感熱式、熱転写式、インクジェット式等の方式により画像を形成することとしてもよい。

画像読取部１０２は、読み取り対象とする原稿を光学的に読み取りスキャン画像を得る機能である。画像読取部１０２は、原稿を載置するプラテンガラス等の原稿載置台と、原稿載置台に載置された原稿を光学的に読み取る光学系と、光学系により読み取られた画像を画像データに変換する画像処理部とを含み構成される。

センサ部１０４は、複数のセンサを含み構成され、画像形成装置１０の部品の動作状態、内部環境の状態、消耗材の使用状態等を含む画像形成装置１０の状態情報を取得する。

診断情報入力部１０６は、操作パネルを含み、故障診断に用いる情報の入力を受け付ける機能である。診断情報入力部１０６は、例えば利用者からの操作入力や故障診断の開始等の情報入力を受け付けることとしてよい。

故障診断部１０８は、画像読取部１０２、センサ部１０４、診断情報入力部１０６から入力される情報に基づき、画像形成装置１０の故障診断を行う機能である。図２には、故障診断部１０８の詳細を表した機能ブロック図を示す。

図２に示されるように、故障診断部１０８は、部品状態情報取得部２００、内部環境情報取得部２０２、消耗材情報取得部２０４、履歴情報管理部２０６、画像欠陥検出部２０８、特徴量抽出部２１０、欠陥種類判定部２１２、追加操作情報取得部２１４、故障原因推定部２１６、及び診断結果通知部２１８を含む。

部品状態情報取得部２００は、センサ部１０４により取得された情報に基づいて、画像形成装置１０を構成する部品の状態を示す部品状態情報を取得する機能である。部品状態情報取得部２００は、部品状態情報としては、例えば用紙通過時間、駆動電流値、感光体への印可電圧値、振動、作動音や光量等の情報を取得する。

内部環境情報取得部２０２は、センサ部１０４により取得された情報に基づいて、画像形成装置１０の内部環境の状態を示す内部環境情報を取得する機能である。内部環境情報取得部２０２は、内部環境情報としては、例えば装置内温度、装置内湿度、用紙温度、用紙湿度等の情報を取得する。

消耗材情報取得部２０４は、センサ部１０４により取得された情報に基づいて、画像形成装置１０の消耗材の状態を示す消耗材情報を取得する機能である。消耗材情報取得部２０４は、消耗材情報としては、例えば各種印刷用紙の残量や各色のトナー残量等の情報を取得する。

履歴情報管理部２０６は、画像形成装置１０の使用履歴を管理する機能である。履歴情報管理部２０６は、例えば、印刷ジョブの処理履歴や部品毎の印刷枚数を示すカウンタ値、上記の部品状態情報取得部２００、内部環境情報取得部２０２、消耗材情報取得部２０４により取得された各種情報を履歴情報として管理することとしてよい。

画像欠陥検出部２０８は、画像読取部１０２により読み込まれた検査画像から画像欠陥を検出する機能である。画像欠陥検出部２０８は、検査画像について予め定められた階調値の閾値に基づいて検査画像から画像欠陥を検出する。例えば、検査画像が白ベースのテストチャートであれば、背景色に対応した階調値を閾値として設定しておき、検査画像に当該閾値よりも小さい階調値の画素があれば検査画像中に画像の欠陥があるとして検出することとしてよい。

特徴量抽出部２１０は、画像欠陥検出部２０８により画像欠陥があると検出された場合に、各欠陥に対応する画像領域から複数の特徴量を抽出する。

欠陥種類判定部２１２は、特徴量抽出部２１０により抽出された特徴量に基づいて、取得された検査画像に発生している欠陥の種類を判定する機能である。欠陥種類判定部２１２は、予め定められた欠陥の種類について、それら欠陥が発生した特徴的な画像に基づいて各欠陥の種類を表す画像特徴量のクラスタを予め生成しておくとともに、特徴量抽出部２１０により抽出された特徴量がいずれのクラスタに属するのかを、特徴量と各クラスタの代表特徴量との関係に基づいて分類することとしてよい。上記分類の一態様としては、特徴ベクトルをクラスタの代表ベクトルとの距離が最も近いクラスタに分類することとしてよい。なお、欠陥の種類毎の特徴量群の分布情報を利用したマハラノビス距離を用いて欠陥の種類を判定するようにしてもよい。欠陥種類判定部２１２の構成と、欠陥種類判定部２１２において行われる処理の詳細については後述する。

画像形成装置１０の故障箇所によっては検査画像に画像欠陥が再現されないこともある。例えば、故障箇所がプリントエンジンの部品の場合には、検査画像に欠陥が再現されるが、故障箇所が画像読取部１０２の部品の場合には検査画像には画像欠陥が再現されないことがある。この場合に、検査画像を画像読取部１０２にセットして検査画像を読み取れば、そのスキャン画像には欠陥が現れることとなる。追加操作情報取得部２１４は、このような画像欠陥の原因特定のために、画像形成装置１０の動作条件を変えて行われた追加操作の情報を取得する機能である。追加操作情報取得部２１４により取得された情報は、故障原因推定部２１６に入力される。

故障原因推定部２１６は、推論部２１６Ａと故障候補抽出部２１６Ｂとを含み、各部から入力される情報に基づいて故障原因を推定する機能である。推論部２１６Ａは、例えば、故障を引き起こす各原因候補が、発生した故障の主原因である確率（故障原因確率）を各取得情報に基づいて算出する推論エンジンにより構成されることとしてよい。また、故障候補抽出部２１６Ｂは、推論部２１６Ａにより算出された故障原因確率に基づいて故障原因候補を抽出する。例えば、故障候補抽出部２１６Ｂは、算出された確率が予め設定された値以上の故障原因を抽出してもよいし、算出された確率の高い順に予め設定された順位までの故障原因を抽出することとしてもよい。

ここで、故障原因確率の算出を行う推論エンジンには、ベイジアンネットワーク（ＢａｙｅｓｉａｎＮｅｔｗｏｒｋ）を利用することとしてよい。このベイジアンネットワークとは、複数の事象間の因果関係を順次結線して、グラフ構造を持つネットワークとして表現したものであり、事象間の依存関係を有向グラフにより表したものである。事象毎にノードを作成し、ノードには発生確率を変数として持たせる。推論エンジンには、ベイジアンネットワーク以外にも、エキスパートシステムやニューラルネットワーク等の他の方法を用いてもよい。

推論部２１６Ａは、推論エンジンにベイジアンネットワークを利用する場合には、上記取得された各種情報をベイジアンネットワークに入力して、各ノードの確率値を算出する。そして、故障候補抽出部２１６Ｂは、算出された確率値に基づいて主原因のノードを特定してそれを故障原因の候補として抽出する。このように故障原因推定部２１６により抽出された故障原因の候補に基づいて、故障判定結果（故障の有無、故障箇所、故障内容）、故障予測結果（故障可能性の有無、故障箇所、故障内容）、あるいは検査内容や取得した動作状態信号等を診断結果通知部２１８に出力する。

診断結果通知部２１８は、故障原因推定部２１６から入力された診断結果を利用者等に通知する機能である。診断結果の通知は、画像形成装置１０の操作パネルに含まれるディスプレイに表示することで行ってもよいし、画像形成装置１０と接続する管理コンピュータに表示することで行ってもよい。また、診断結果通知部２１８は、診断結果を、例えばネットワークを介して接続された管理サーバに送信してもよいし、画像形成装置１０により出力して、管理者に通知することとしてもよい。

図３には、欠陥種類判定部２１２の詳細な構成を示す。図３に示されるように、欠陥種類判定部２１２は、標本情報記憶部２５０、分類器２５２、ばらつき情報取得部２５４、特徴量選択部２５６、距離算出部２５８、及び分類判定部２６０を含む。本実施形態では、画像特徴の分類の一形態として欠陥の種類を用いることとするが、画像特徴の分類はこれに限られるものではない。

標本情報記憶部２５０は、欠陥の種類毎に、その欠陥の種類に該当する画像の標本情報を記憶している。画像の標本情報は、画像データそのものとしてもよいし、画像から抽出された特徴ベクトル等の特徴量情報としてもよい。

分類器２５２は、標本情報記憶部２５０に記憶された欠陥の種類毎の画像の標本情報に基づいて、欠陥の種類を学習した分類器である。具体的には、分類器２５２は、特徴量抽出部２１０により画像から抽出された例えばＮ個の画像特徴量からなる特徴量ベクトルを用いて、Ｎ次元の特徴空間における各欠陥の種類の分布を保持する。そして、分類器２５２は、処理対象の画像から得られた特徴ベクトルと、特徴空間における欠陥の種類との距離に基づいて、処理対象の画像を分類する欠陥の種類を決定する。

図４には、特徴量が３つの場合に、その３つの特徴量（Ｘ_１，Ｘ_２，Ｘ_３）により形成される特徴空間における各欠陥の種類Ｇ_ｉ（ｉ＝１，２，３，・・・）の分布と、処理対象の画像から得られた特徴ベクトルＴとの関係を示した。分類器２５２は、各欠陥の種類Ｇ_ｉの代表ベクトルと、処理対象の画像から得られた特徴ベクトルＴとの距離を算出してその距離が最小の欠陥の種類に処理対象の画像を分類する。

ただし、処理対象の画像から得られた特徴ベクトルと各欠陥の種類との距離が予め定められた閾値を超えてしまう場合には、分類器２５２では処理対象の画像を分類する欠陥種類が決定されない。本実施形態では、上記のように分類器２５２により欠陥の種類（分類）が決定されなかった場合には、欠陥の種類毎にＮ個の特徴量の中から一部の特徴量を選択し、選択した特徴量に基づいて欠陥の種類を再判定することとする。以下、この欠陥の種類の再判定処理に係る機能ブロックについて説明する。

ばらつき情報取得部２５４は、分類器２５２において学習された欠陥の種類毎に、その欠陥の種類に属する画像の標本情報に基づいて、特徴ベクトルを構成するＮ個の各特徴量についてのばらつきを表す指標値を取得する。本実施形態では、ばらつきの指標値に標準偏差を用いることとするが、これに限られず、分散、範囲、四分位範囲、平均差、平均絶対偏差等の他の指標値を用いても構わない。

図５には、ばらつき情報取得部２５４により欠陥の種類毎に取得されたそれぞれの特徴量の標準偏差を格納したばらつき情報テーブルの一例を示す。図５に示されたばらつき情報テーブルでは、欠陥の種類すなわち分類Ｇ_ｉ（ｉ＝１，２，・・・，Ｍ）と、特徴量Ｘ_ｊ（ｊ＝１，２，・・・，Ｎ）との各々の組み合わせ毎に取得される標準偏差を格納している。なお、図５における、σ_ｉｊとは分類Ｇ_ｉにおける特徴量Ｘ_ｊの標準偏差を表している。

特徴量選択部２５６は、欠陥の種類毎に、その欠陥の種類についてばらつき情報取得部２５４で取得された標準偏差の小さい順に特徴量を選択する。特徴量選択部２５６により選択される特徴量の数は、予め定めておくこととしてよい。

図６には、各欠陥の種類について選択された特徴量を示した選択特徴量テーブルの一例を示す。図６に示された選択特徴量テーブルでは、ＸＧ_ｉは、欠陥の種類Ｇ_ｉについて選択される特徴量の集合を示しており、ＸＧ_ｉの要素には、標準偏差の小さい順に１位〜ｐ位の特徴量を選択することとする。

距離算出部２５８は、欠陥の種類毎に選択された特徴量の集合により構成される特徴空間において、分類対象の特徴ベクトルと各欠陥の種類との距離を算出する。距離算出部２５８により算出される距離は、マハラノビス距離としてよい。

図７には、距離算出部２５８により算出される距離の情報を格納した距離情報テーブルの一例を示す。図７におけるＤ_ｋｌとは、欠陥の種類Ｇ_ｋについて選択された特徴量の集合ＸＧ_ｋにより構成される特徴空間における、分類対象の特徴ベクトルと欠陥の種類Ｇ_ｌとの距離を表している。なお、ｋ＝１，２，・・・，Ｍ、ｌ＝１，２，・・・，Ｍである。

分類判定部２６０は、距離算出部２５８により算出された距離に基づいて、分類対象の特徴ベクトルを分類する欠陥の種類を判定する。具体的には、分類判定部２６０は、上述した距離情報テーブルに含まれる距離のうち最小の距離に該当する欠陥の種類Ｇ_ｌに分類対象の特徴ベクトルを分類するように判定する。このように、欠陥の種類毎にばらつきの小さい特徴量を選択的に用いること、言い換えれば、欠陥の種類を表現するのに適した特徴空間を用いることにより、既存の分類器２５２により分類が決定されなかった対象の特徴ベクトルに対しても分類が決定される。

次に、図８及び図９に示されたフローチャートを参照しながら、本実施形態に係る画像形成装置１０により行われる故障診断処理の一連の流れを説明する。

図８は、故障診断処理の全体の流れを示したフローチャートである。まず、画像形成装置１０は、ユーザによる操作に基づいて故障診断モードを開始し、故障診断用のテストパターンを印刷出力する（Ｓ３０１）。ここで印刷出力するテストパターンは、図１に示した画像形成部１００に予め保持されていることとしてよい。画像形成装置１０は、印刷出力されたテストパターンを画像読取部１０２により読み取る（Ｓ３０２）。

次に、画像形成装置１０は、画像欠陥検出部２０８により読み取った画像（スキャン画像）と予め記憶されている基準画像とを比較して、スキャン画像から画像欠陥を検出する（Ｓ３０３）。画像形成装置１０は、上記処理により画像欠陥が検出されなかった場合には（Ｓ３０４：Ｎ）、それ以前に発生した欠陥は偶発的なものであったか、あるいはテストパターン出力前に画像欠陥の発生要因が既に解消された可能性があると判断し、その旨を操作パネルに表示して処理を終了する。一方で、上記処理により画像欠陥が検出された場合には（Ｓ３０４：Ｙ）、画像形成装置１０は検出された画像欠陥を含む画像領域から特徴量を抽出する（Ｓ３０５）。

画像形成装置１０は、上記抽出された特徴量を用いてスキャン画像に含まれる欠陥の種類を判定する（Ｓ３０６）。欠陥の種類の判定処理の詳細については後述する。

画像形成装置１０は、当該装置を構成する各部品の状態情報や、部品ごとの印刷枚数を示すカウンタ値などの履歴情報、装置内部の温度、湿度などの環境情報といった、故障診断に必要な種々のデータを取得する。また、画像形成装置１０は、抽出された各欠陥の特徴量、及び判定された欠陥の種類および上記取得した各種データに基づいて故障原因を推論する（Ｓ３０７）。故障原因の推論は、上記各種データを推論エンジンたるベイジアンネットワークに入力して各故障原因の発生確率を算出することにより行うこととしてよい。

画像形成装置１０は、上記算出された発生確率に基づいて、故障原因となる確率の高い故障原因候補を抽出する（Ｓ３０８）。なお、抽出する故障原因の候補数は予め定めておいてもよいし、利用者により任意の数を入力して指定できるようにしてもよい。画像形成装置１０は、抽出された故障原因を操作パネルに表示して利用者に通知する（Ｓ３０９）。そして、この段階で追加操作情報がなければ（Ｓ３１０：Ｎ）、すなわち故障原因候補を絞り込むことができていれば、診断処理を一旦終了し、この段階で追加操作情報があれば（Ｓ３１０：Ｙ）、画像形成装置１０は、追加操作情報に従って動作条件を変更してテストパターンを再出力する。

再出力されたテストパターンに基づいて、利用者が追加操作情報を画像形成装置１０に入力する（Ｓ３１１）。この時の追加操作は、欠陥の発生状態の変化の有無を調べるものであり、例えば画像の拡大・縮小や、イメージパスの各箇所で保持しているテストパターンの出力等としてよい。従って追加操作情報は利用者によって操作パネルに容易に入力されるものとなっている。そして、画像形成装置１０は、追加された情報と、既に入力された情報とに基づいて故障原因確率を再計算し、その計算結果から故障候補を絞り込む。ここで故障候補が絞り込めた場合や、追加する情報がない場合は（Ｓ３１０：Ｎ）、診断処理を一旦終了する。そして、次の診断対象となる画像領域がある場合は（Ｓ３１２：Ｙ）、Ｓ３０６に戻って欠陥に対応する画像領域に対する故障診断処理を行い、次の診断対象となる画像領域がない場合は（Ｓ３１２：Ｎ）、処理を終了する。

図９は、欠陥種類の判定処理のフローチャートである。まず、画像形成装置１０は、Ｓ３０４で抽出された特徴量に基づいてスキャン画像（分類対象画像）の特徴ベクトルを生成する（Ｓ４０１）。

画像形成装置１０は、予め学習された欠陥種類（画像特徴の分類）毎に上記生成された特徴ベクトルとの距離を算出する（Ｓ４０２）。画像形成装置１０は、上記距離を算出するにあたり、欠陥種類毎に用意された複数の標本画像から特徴量を抽出し、抽出された特徴量からなる特徴ベクトルの重心を算出しておく。算出された特徴ベクトルの重心を、代表ベクトルとする。そして、画像形成装置１０は、分類対象画像について生成された特徴ベクトルと、各欠陥種類の代表ベクトルとの距離を算出する。なお、上記の距離とは特徴空間におけるユークリッド距離を、欠陥種類毎の標本画像の特徴ベクトルの分散で基準化したマハラノビス距離としてよい。

次に画像形成装置１０は、算出された分類対象の特徴ベクトルと各欠陥種類との距離のうち予め定められた閾値以下のものがあるか否かを判断する（Ｓ４０３）。画像形成装置１０は、閾値以下の距離の欠陥種類がないと判断する場合には（Ｓ４０３：Ｎ）、未処理の欠陥種類Ｇ_ｉ（ｉ＝１〜Ｍ）のうち１つを選択して（Ｓ４０４）、当該欠陥種類についての特徴量毎の値のばらつきを格納したばらつき情報テーブルを参照して、特徴ベクトルを構成するＮ個の特徴量のうち標準偏差の小さい順からｐ個（ｐ＜Ｎ）の特徴量を選択する（Ｓ４０５）。特徴量の選択数ｐは、事前に評価を行った結果に基づいて予め定めておくこととしてよい。

画像形成装置１０は、選択したｐ個の特徴量により表される特徴空間における各欠陥種類Ｇ_ｉと特徴ベクトルとの距離を算出する（Ｓ４０６）。欠陥種類Ｇ_ｉに特徴的な特徴量を選択的に利用することで、特徴ベクトルと欠陥種類との距離に実際の相関関係が反映される。

画像形成装置１０は、未処理の欠陥種類があるか否かを判断し（Ｓ４０７）、未処理の欠陥種類がある場合には（Ｓ４０７：Ｙ）、Ｓ４０４に戻って、それ以降の処理を繰り返す。一方で、画像形成装置１０は、未処理の欠陥種類がないと判断する場合には（Ｓ４０７：Ｎ）、算出された距離のうち最小の距離に対応する欠陥種類に対象画像を分類する（Ｓ４０８）。また、Ｓ４０３において、画像形成装置１０が閾値以下の距離の欠陥種類があると判断する場合にも（Ｓ４０３：Ｙ）、算出された距離のうち最小の距離に対応する欠陥種類に対象画像を分類する（Ｓ４０８）。以上が、画像形成装置１０により行われる欠陥種類の判定処理である。

もちろん本発明は上記の実施形態に限定されるものではない。例えば上記の実施形態においては、特徴量選択部２５６により選択される特徴量の数は予め定められていることとしたが、以下のようにして、画像特徴毎に選択する特徴量の数を変更してもよい。ここで図１０には、ある画像特徴の分類に関して選択した特徴量の数と対象の特徴ベクトルとの距離を算出したグラフの一例を示した。特徴量選択部２５６は、図１０に示されたグラフにおいて特徴ベクトルの距離が最小となる場合の特徴量の数（ｐ）を、この画像特徴について用いることとする。上記処理は、画像特徴毎に行われるものである。この画像特徴について選択される特徴量の数には、上限や下限等を定めた数値範囲を設定しておくこととしてもよい。

なお、本実施形態に係る画像形成装置１０を構成する各部の機能は、コンピュータ読み取り可能な情報記憶媒体に格納されたプログラムが、図示しない媒体読取装置を用いてコンピュータシステムたる画像形成装置１０に読み込まれ実行されることで実現されるものとしてよい。このプログラムは情報記憶媒体によって画像形成装置１０に供給されることとしてもよいし、インターネット等のデータ通信ネットワークを介して供給されることとしてもよい。また、ＲＡＭやＲＯＭ等のメモリ素子、ハードディスクなどを含んで構成される記憶装置に、中央処理装置によって実行されるプログラムや、各種のデータを保持するものとしてよい。

本実施形態に係る画像形成装置の機能ブロック図である。故障診断部の詳細な機能ブロック図である。欠陥種類判定部の詳細な機能ブロック図である。特徴空間における各画像特徴の分類と特徴ベクトルとの関係を示す図である。ばらつき情報テーブルの一例を示す図である。選択特徴量テーブルの一例を示す図である。距離情報テーブルの一例を示す図である。故障診断処理のフローチャートである。欠陥種類判定処理のフローチャートである。選択した特徴量の数と対象の特徴ベクトルとの距離を算出したグラフの一例を示した

符号の説明

１０画像形成装置、１００画像形成部、１０２画像読取部、１０４センサ部、１０６診断情報入力部、１０８故障診断部、２００部品状態情報取得部、２０２内部環境情報取得部、２０４消耗材情報取得部、２０６履歴情報管理部、２０８画像欠陥検出部、２１０特徴量抽出部、２１２欠陥種類判定部、２１４追加操作情報取得部、２１６故障原因推定部、２１６Ａ推論部、２１６Ｂ故障候補抽出部、２１８診断結果通知部、２５０標本情報記憶部、２５２分類器、２５４ばらつき情報取得部、２５６特徴量選択部、２５８距離算出部、２６０分類判定部。

Claims

分類対象の画像から複数の特徴量を取得する取得手段と、
複数の分類毎に、当該分類に属する標本画像に係る前記複数の特徴量のばらつきに基づいて、前記複数の特徴量のうちばらつきが小さい一部の特徴量を特徴量集合としてそれぞれ選択する選択手段と、
前記選択手段により選択された特徴量集合毎に、当該特徴量集合に含まれる特徴量に基づいて表される特徴空間において、前記分類対象の画像について前記取得手段により取得された特徴量を要素とする特徴ベクトルと、前記複数の分類のそれぞれに属する標本画像に基づく特徴量をそれぞれ要素とする各分類の特徴ベクトルとの距離をそれぞれ算出する算出手段と、
前記算出手段により算出された距離の比較結果に基づいて、前記分類対象の画像が属する分類を判定する分類判定手段と、
を含むことを特徴とする画像分類装置。
前記複数の特徴量に基づいて表される特徴空間において、前記分類対象の画像について前記取得手段により取得された特徴量を要素とする特徴ベクトルと、前記複数の分類のそれぞれに属する標本画像に基づく特徴量をそれぞれ要素とする各分類の特徴ベクトルとの距離をそれぞれ算出し、当該算出されたそれぞれの距離が閾値以下であるか否かを判断する判断手段をさらに含み、
前記選択手段は、前記判断手段により前記算出されたいずれの距離も閾値以下でないと判断された場合に、前記複数の分類毎に特徴量集合を選択する
ことを特徴とする請求項１に記載の画像分類装置。
前記算出手段により算出される距離は、マハラノビス距離であり、
前記分類判定手段は、前記算出手段により算出された最小のマハラノビス距離に対応する分類を、前記分類対象の画像が属する分類と判定する
ことを特徴とする請求項１又は２に記載の画像分類装置。
分類対象の画像から複数の特徴量を取得する取得手段と、
複数の分類毎に、当該分類に属する標本画像に係る前記複数の特徴量のばらつきに基づいて、前記複数の特徴量のうちばらつきが小さい一部の特徴量を特徴量集合としてそれぞれ選択する選択手段と、
前記選択手段により選択された特徴量集合毎に、当該特徴量集合に含まれる特徴量に基づいて表される特徴空間において、前記分類対象の画像について前記取得手段により取得された特徴量を要素とする特徴ベクトルと、前記複数の分類のそれぞれに属する標本画像に基づく特徴量をそれぞれ要素とする各分類の特徴ベクトルとの距離をそれぞれ算出する算出手段と、
前記算出手段により算出された距離の比較結果に基づいて、前記分類対象の画像が属する分類を判定する分類判定手段としてコンピュータを機能させるためのプログラム。