JP5113653B2 - データ処理装置、プログラムおよびデータ処理方法 - Google Patents
データ処理装置、プログラムおよびデータ処理方法 Download PDFInfo
- Publication number
- JP5113653B2 JP5113653B2 JP2008181698A JP2008181698A JP5113653B2 JP 5113653 B2 JP5113653 B2 JP 5113653B2 JP 2008181698 A JP2008181698 A JP 2008181698A JP 2008181698 A JP2008181698 A JP 2008181698A JP 5113653 B2 JP5113653 B2 JP 5113653B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- case
- image
- unit
- predictor
- 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
Description
本発明の第1の実施の形態を図1ないし図11に基づいて説明する。図1は、本発明の第1の実施の形態にかかるデータ処理装置1の電気的な接続を示すブロック図である。図1に示すように、データ処理装置1は、PC(Personal Computer)などのコンピュータであり、データ処理装置1の各部を集中的に制御するCPU(Central Processing Unit)2、情報を格納するROM(Read Only Memory)3及びRAM(Random Access Memory)4等の一次記憶装置5、データファイル(例えば、カラービットマップ画像データ)を記憶する記憶部であるHDD(Hard Disk Drive)6等の二次記憶装置7、情報を保管したり外部に情報を配布したり外部から情報を入手するためのCD−ROMドライブ等のリムーバブルディスク装置8、ネットワーク9を介して外部の他のコンピュータと通信により情報を伝達するためのネットワークインターフェース10、処理経過や結果等を操作者に表示するCRT(Cathode Ray Tube)やLCD(Liquid Crystal Display)等の表示装置11、並びに操作者がCPU2に命令や情報等を入力するためのキーボード12、マウス等のポインティングデバイス13等から構成されており、これらの各部間で送受信されるデータをバスコントローラ14が調停して動作する。
入力画像を同じサイズのブロック、たとえば、1cm×1cm(解像度が200dpiであれば80画素×80画素、解像度が300dpiであれば120画素×高さ120画素)の矩形に分割する。
各ブロックを、“絵”“文字”“他”の3種類のいずれかに分類する。この処理のフローを図5に示し、以下において詳述する。
x=a0・p0 +a0・p1 =FTa+e
とする。ここで、eは誤差ベクトル、F=[p0,p1]T、a=(a0,a1)Tである。最小二乗法により、最適な結合係数ベクトルaは、
a=(FFT)−1・Fx
で与えられる。各ブロックについて、「非文字らしさ」を表すパラメータa1について閾値処理することにより、そのブロックを「絵」、「絵でない」、「未定」に分類する。各ブロックについて、「未定」または「絵でない」に分類されていて、文字らしさを表すパラメータa0が閾値以上であれば「文字」に、そうでなければ「その他」に分類する。図8にブロック分類の例を示す。図8の例においては、黒部分は「文字」、グレイ部分は「絵」、白部分は「他」を表わしている。
ブロックの分類結果をもとにして、画像のタイプ分けのための画像特徴量を計算する。特に、
・文字、絵の割合
・密集率:レイアウトの混み方(狭いところに詰め込まれている度合い)
・文字、絵の散乱度:文字や写真が紙面全体に散らばって分布している度合い
を計算する。例えば、次の5つの画像特徴量を計算する。
・文字の割合Rt∈[0,1]:全ブロックの中で「文字」に分類されたブロックの割合
・非文字の割合Rp∈[0,1]:全ブロックの中で「絵」に分類されたブロックの割合
・レイアウト密度D∈[0,1]:「文字」と「絵」のブロック数の面積の和を、描画領域の面積で割ったもの
・文字散乱度St(>0):文字ブロックのx,y方向の空間的分布について、分散・共分散行列の行列式を、画像の面積で正規化したもの
・非文字散乱度Sp(>0):絵ブロックのx,y方向の空間的分布について、分散・共分散行列の行列式を、画像の面積で正規化したもの
H={(x(1),α(i)),(x(2),α(2)),...}
x(k):k番目の画像から抽出された画像特徴量
α(k):その画像に適した機能(アルゴリズムや処理パラメータ)
fH:A×RN×U → R(Rは実数)
ただし、異なるアルゴリズム集合Aごとに異なる関数fを構築する。
・レイアウト統計:画像中の文字と絵が占める割合、文字と絵の散乱度、レイアウト密度
・文字や絵の空間分布
・地肌色
・色やエッジの分布
などが挙げられる。
(1)地肌色補正処理
特開2004−320701号公報や特開2005−110184号公報に開示されているような地肌除去、あるいは、地肌クリーニングを適用するか、あるいは、何もしない。
A = {地肌除去、地肌クリーニング、何もしない}
(2)空間フィルタ処理
処理対象画像の全面に平滑化処理、あるいは、エッジ強調処理をかける、あるいは、特開2003−281526号公報に開示されているような、画素ごとに異なる処理(適応的フィルタリング)をかける、あるいは、何もしない。
A = {平滑化処理、エッジ強調処理、適応的フィルタリング、何もしない}
(3)解像度拡大処理
特開2005−063055号公報に開示されているような文字の解像度を拡大するような処理をかける、あるいは、通常の画像補間を行う、あるいは、何もしない。
A = {文字解像度拡大、画像補間、なにもしない}
p(α|u,x)=p(α|u)・p(x|α,u)/p(x|u)
=p(α|u)・p(x|α,u)/Σα p(α|u)・p(x|α,u)
fH(α,x,u)=p(α|u)・p(x|α,u)
とすれば良いことになる。p(α|u)は、履歴から容易に求めることができる。具体的には、処理αについて、ユーザごとにその処理を使った回数を記録すればよい。ユーザuが処理αを適用した画像についての特徴量の分布p(x|α,u)が「履歴・事例」である。
(1)事例集合Hは個々のユーザと目的の両方に依存する。したがって、実験室での学習は不可能であり、オンサイトでのオンライン学習が必要になる。
(2)学習に利用できる事例・履歴データは、比較的少ない(数十から百)ことを想定しなければならない。これは、オンサイトでは、ユーザの嗜好やタスクをできるだけ少ないデータから読み取り、即座に適応することが必要なことに起因する条件である。
(3)特徴空間Fは多次元(20程度)である。予測に適した特徴だけを選択し、撹乱要因を取り除くための「特徴選択」機構、あるいは、各特徴次元への重み付けが必要である。また、同じアルゴリズム集合Aでも、個々のアルゴリズムαによって、予測に適した特徴部分集合が違う。
(4)画像特徴量xが連続量であり、かつ、多次元、さらに、データの数が少ない場合に、確率分布p(x|α,u)を求めるのは現実的に難しい。「次元の呪い」の問題によって、ノンパラメトリックなParzen窓法や、混合ガウス分布を仮定したEM法などを使って確率分布p(x|α,u)を推定することは難しい。
(1)そのプロトタイプ点と同じクラスの点がまばらに分布していて、その点がなくなることによって識別結果が変わるような場合には、その点が影響を及ぼす範囲がより広くなるように、重みViはより大きな値をとる(重要度が高いプロトタイプ点)。
(2)そのプロトタイプ点と同じクラスの点が密集していて、そのプロトタイプ点の存在が識別結果に影響を与える度合いが低い場合には、重みViはより小さな値をとるような学習を行う(重要度が低いプロトタイプ点)。
(3)クラスcについて、j番目の特徴次元が予測に及ぼす影響がより大きければ、重みWcjはより大きい値をとる。
(4)クラスcについて、j番目の特徴次元が予測を撹乱するような要因であれば、重みWcjは0に近い値になる。
(1)学習データをm個の部分集合に無作為に分割する。
(2)評価用に1個の部分集合を残し,他の(m−1)個の部分集合に含まれるデータをすべて使って、識別器を構築する。評価用の部分集合で誤り率を求める。
(3)評価用の部分集合の選び方はm通りあるので、これらの誤り率の平均により、未知データに対する誤り率を予測する。
・入力:現在の予測器の構築に用いたプロトタイプデータセットT0(T0=(xi,yi):xiは特徴量ベクトル、yiは選択事例)、現在の予測器で現在の予測器で使われている距離の重みP0、新しく入ってきた事例データ(x0,y0)
・出力:更新されたプロトタイプデータT0、更新された距離の重みP0
(1)新しいデータx0について、T0の要素で、最も近いデータを(x’,y’)とする。ここでは、新しいデータx0についての予測が誤っているので、y0≠y’である。
T0 ← T0 ∪ {(x0,y0)}−{(x’,y’)}
と更新する。そうでなければ、
T0 ← T0 ∪ {(x0,y0)}
と更新する。
(1)特徴次元の重みの変化
オンライン学習中に、目的の変化に適応して、プロトタイプデータの追加・削除が行われると同時に、各クラス(c)について各特徴次元の予測に対する重要度が変わる。したがって、オンライン学習後に、プロトタイプデータ全体から、バッチ学習によって、特徴次元(j)に関する重みパラメータWcjを再計算する必要がある。オンライン学習では、新しいデータとその近傍の局所的処理であるので、各クラスについての特徴次元の重みは計算できない。ただし、プロトタイプの重みは、互いに影響を及ぼしあうような近傍内での局所的計算が可能である。
(2)局所的・一時的な処理により構成されるプロトタイプデータの不完全性
オンライン学習中に行われるプロトタイプデータの追加・削除は、局所的・一時的な判断基準によって行われる。したがって、プロトタイプデータの追加・削除によって、これまでは正しく予測できた事例を誤るようになるという副作用が生じる可能性がある。オンライン学習によって得られたプロトタイプデータセットを補完するために、プロトタイプデータに含まれていない事例を追加する、あるいは、含まれている事例を削除する必要がある。これには、最近の事例データ全体を用いて予測器に用いるプロトタイプデータを調整するという、バッチ処理が必要になる。
・プロトタイプ点の重みViは、すべて1に初期化する。
・クラスcのj番目の次元の重みWcjは次のように設定する。すべて1.0に設定した場合(通常のユークリッド距離)の誤り率と、Wcjをj番目の特徴量の分布の標準偏差の逆数に設定した場合(Mahalanobis距離)の誤り率を計算してみて、誤り率が小さい方に初期値を設定する。
・学習係数については、いくつかの値に設定した場合の誤り率について、反復回数を制限して計算した結果を比較してみる。その中でもっとも誤り率が小さいものを採用し、今度は重みViとWcjが収束するまで反復計算する。
次に、本発明の第2の実施の形態を図12ないし図15に基づいて説明する。なお、前述した第1の実施の形態と同じ部分は同じ符号で示し説明も省略する。
H={(x(1),α(i)),(x(2),α(2)),...}
x(k):k番目の画像から抽出された画像特徴量
α(k):その画像に適したアルゴリズムや処理パラメータ
(1)その事例と同じクラスの点がまばらに分布していて、その点がなくなることによって識別結果が変わるような場合には、その点が影響を及ぼす範囲がより広くなるように、重みViはより大きな値をとる(重要度が高いプロトタイプ点)。
(2)その事例と同じクラスの点が密集していて、その事例の存在が識別結果に影響を与える度合いが低い場合には、重みViはより小さな値をとるような学習を行う(重要度が低い事例)。
(3)クラスcについて、j番目の特徴次元が予測に及ぼす影響がより大きければ、重みWcjはより大きい値をとる。
(4)クラスcについて、j番目の特徴次元が予測を撹乱するような要因であれば、重みWcjは0に近い値になる。
次に、本発明の第3の実施の形態を図16ないし図21に基づいて説明する。なお、前述した第1の実施の形態または第2の実施の形態と同じ部分は同じ符号で示し説明も省略する。本実施の形態は、事例データベースの構築の一例について示すものである。
次に、本発明の第4の実施の形態を図22に基づいて説明する。なお、前述した第1の実施の形態ないし第3の実施の形態と同じ部分は同じ符号で示し説明も省略する。
次に、本発明の第5の実施の形態を図23に基づいて説明する。なお、前述した第1の実施の形態ないし第3の実施の形態と同じ部分は同じ符号で示し説明も省略する。
22 特徴量計算手段
23 事例データベース
24 入力受付手段
25 更新手段
26 予測器構築手段
26a 逐次構築手段
26b バッチ構築手段
27 最適機能予測手段
122 特徴量計算手段
123 事例データベース
124 重み計算手段
125 事例セット構築手段
126 最適機能予測手段
127 入力受付手段
223 特徴量計算手段
224 領域抽出手段
225 評価手段
226 特徴量データ記録手段
227 学習手段
228 選択手段
Claims (18)
- 画像データの特性を示す画像特徴量を計算する特徴量計算手段と、
ユーザにより選択された機能の入力を受け付ける入力受付手段と、
前記特徴量計算手段で計算された前記画像データの前記画像特徴量と、前記入力受付手段を介してユーザにより選択された機能とを含む事例集合を蓄積するデータベースである事例データベースと、
前記事例データベースに蓄積された前記事例集合を用いて前記画像データに対する最適な機能を予測する予測器を構築する予測器構築手段と、
前記特徴量計算手段で計算された前記画像特徴量を入力とし、前記予測器構築手段で構築された前記予測器を用いて最適な機能を予測する最適機能予測手段と、
前記最適機能予測手段により予測された前記最適な機能と、前記入力受付手段で受け付けたユーザにより選択された機能とが異なる場合には、ユーザの目的が変化した新たな事例と、前記予測器構築手段における前記予測器の構築に用いた前記事例集合との和集合をとって、前記事例集合を更新する更新手段と、を備え、
前記予測器構築手段は、前記更新手段により前記事例集合が更新されるごとに、当該事例集合を用いて前記予測器を再構築する逐次構築手段を備える、
ことを特徴とするデータ処理装置。 - 前記最適機能予測手段は、
前記事例データベースに蓄積された前記事例集合のうち前記予測器で用いられるプロトタイプ点と前記画像データとの特徴量ベクトルの距離を計算する距離計算手段と、
前記距離計算手段により計算された前記距離が最小となる前記プロトタイプ点に付随するクラス情報に対応する分類カテゴリを、前記最適な分類カテゴリとして出力する手段と、
を備えることを特徴とする請求項1記載のデータ処理装置。 - 前記予測器構築手段は、全ての作業が終了したと判断した場合に、前記事例データベースに蓄積されている全ての前記事例集合を用いて前記予測器を再構築するバッチ構築手段を備える、
ことを特徴とする請求項2記載のデータ処理装置。 - 前記最適機能予測手段は、
前記事例データベースに蓄積された前記事例集合のうち前記予測器で用いられるプロトタイプデータと前記画像データとの特徴量ベクトルの距離を計算する距離計算手段と、
前記距離計算手段により計算された前記距離が最小となる前記プロトタイプデータに付随するクラス情報に対応する機能を、前記最適な機能として出力する手段と、
を備えることを特徴とする請求項1記載のデータ処理装置。 - 前記更新手段は、
前記事例データベースに蓄積されている前記事例集合の中で、特徴量ベクトルがほぼ同じ値を持ち、かつ、過去と現在での機能が異なる事例データの組を検出する手段と、
検出された前記事例データの組について、古い前記事例データを前記事例集合から除外して、新しい前記事例データだけを前記事例集合に取り入れる手段と、
を備えることを特徴とする請求項1記載のデータ処理装置。 - 前記逐次構築手段は、新しい画像データが入力されるごとに、前記事例集合中の事例データのうち、新しい画像データから計算される画像特徴量に近い特徴量を持つ前記プロトタイプデータだけについて、距離関数のパラメータを更新するパラメータ更新手段を備える、
ことを特徴とする請求項1記載のデータ処理装置。 - 前記パラメータ更新手段は、前記事例集合中の事例データのうち、新しい画像データに近い画像特徴量を持つ前記プロトタイプデータだけから計算された予測誤差が最小になるように、前記事例データによって決まる重みを更新する、
ことを特徴とする請求項6記載のデータ処理装置。 - 前記バッチ構築手段は、前記最適機能予測手段により予測された前記最適な機能と、前記入力受付手段で受け付けたユーザにより選択された機能とが異なる場合には、前記事例集合をできるだけ小さくし、かつ、予測誤差が最小になるように前記プロトタイプデータの重みを最適化する、補完手段を備える、
ことを特徴とする請求項3記載のデータ処理装置。 - 前記補完手段は、前記新たな事例データを前記事例集合に追加するとともに、現在の前記事例集合から、矛盾するような事例データを削除する手段と、前記新たな事例データの近傍データ群について、前記プロトタイプデータの重みを更新する手段と、を備える、
ことを特徴とする請求項8記載のデータ処理装置。 - 前記事例データベースに蓄積された前記事例集合の各事例について重みを計算する重み計算手段と、
前記各事例についての重みを用いて前記事例データベース中の前記事例の個数を縮減した事例セットを構築する事例セット構築手段と、
を更に備え、
前記最適機能予測手段は、前記特徴量計算手段で計算された前記画像特徴量を入力とし、前記事例セット構築手段で構築した前記事例セットと前記重み計算手段で求めた重みとを用いて、最適な機能を予測する、
ことを特徴とする請求項1記載のデータ処理装置。 - 前記最適機能予測手段は、
前記事例セットに蓄積された各事例について、前記画像データとの特徴量ベクトルの特徴量ベクトルの距離を重みをつけて計算する距離計算手段と、
前記距離計算手段により計算された前記距離が最小となる前記事例セットに蓄積されている前記事例を、前記最適な機能として出力する手段と、
を備えることを特徴とする請求項10記載のデータ処理装置。 - 前記画像データに対して少なくとも2つ以上の領域抽出方式による領域抽出を実行する領域抽出手段と、
前記領域抽出手段による前記各領域抽出方式による領域分割結果に対して順位付けを行って評価する評価手段と、
前記特徴量計算手段により計算された前記画像特徴量と、前記評価手段で評価した最良の前記領域抽出方式とを、教師付き特徴量データとして記録する特徴量データ記録手段と、
前記教師付き特徴量データを用いることにより、前記画像特徴量から最良の前記領域抽出方式を選択する選択規則を学習する学習手段と、
を備え、
前記事例データベースを構築する、
ことを特徴とする請求項1記載のデータ処理装置。 - 前記特徴量計算手段は、
前記画像データを矩形ブロックに排他的に分割するブロック分割手段と、
分割された前記各ブロックを、当該画像データを構成する所定の構成要素に分類するブロック分類手段と、
前記ブロックの分類結果に基づいて前記画像データの画像特徴量を計算する計算手段と、
を備えることを特徴とする請求項12記載のデータ処理装置。 - 前記ブロック分類手段は、
前記ブロックから複数の異なる解像度の画像を生成する画像生成手段と、
前記各解像度の画像から特徴量ベクトルを計算する特徴量ベクトル計算手段と、
前記特徴量ベクトルに基づいて前記各ブロックを所定の構成要素に分類する分類手段と、
を備えることを特徴とする請求項13記載のデータ処理装置。 - 前記特徴量ベクトル計算手段は、
前記各解像度の画像を2値化する2値化手段と、
2値画像の各々の画素について当該画素及びその近傍画素で構成する局所パターンの対応する画素の値を使って特徴を計算する画素特徴計算手段と、
前記各画素について計算された特徴を画像全体にわたって加算する加算手段と、
を備えることを特徴とする請求項14記載のデータ処理装置。 - 前記特徴量ベクトル計算手段は、
前記各解像度の画像の各々の画素について当該画素及びその近傍画素で構成する局所パターンの対応する画素の値を使って特徴を計算する画素特徴計算手段と、
前記各画素について計算された特徴を画像全体にわたって加算する加算手段と、
を備えることを特徴とする請求項14記載のデータ処理装置。 - コンピュータを、
画像データの特性を示す画像特徴量を計算する特徴量計算手段と、
ユーザにより選択された機能の入力を受け付ける入力受付手段と、
前記特徴量計算手段で計算された前記画像特徴量を入力とし、前記特徴量計算手段で計算された前記画像データの前記画像特徴量と、前記入力受付手段を介してユーザにより選択された機能とを含む事例集合を蓄積するデータベースである事例データベースに蓄積された前記事例集合を用いて前記画像データに対する最適な機能を予測する予測器を構築する予測器構築手段と、
前記特徴量計算手段で計算された前記画像特徴量を入力とし、前記予測器構築手段で構築された前記予測器を用いて最適な機能を予測する最適機能予測手段と、
前記最適機能予測手段により予測された前記最適な機能と、前記入力受付手段で受け付けたユーザにより選択された機能とが異なる場合には、ユーザの目的が変化した新たな事例と、前記予測器構築手段における前記予測器の構築に用いた前記事例集合との和集合をとって、前記事例集合を更新する更新手段と、して機能させ、
前記予測器構築手段は、前記更新手段により前記事例集合が更新されるごとに、当該事例集合を用いて前記予測器を再構築する逐次構築手段を備える、
ことを特徴とするプログラム。 - データ処理装置で実行されるデータ処理方法であって、
前記データ処理装置は、制御部と記憶部を備え、
前記制御部において実行される、
特徴量計算手段が、画像データの特性を示す画像特徴量を計算するステップと、
入力受付手段が、ユーザにより選択された機能の入力を受け付けるステップと、
予測器構築手段が、前記特徴量計算手段で計算された前記画像特徴量を入力とし、前記特徴量計算手段で計算された前記画像データの前記画像特徴量と、前記入力受付手段を介してユーザにより選択された機能とを含む事例集合を蓄積するデータベースである事例データベースに蓄積された前記事例集合を用いて前記画像データに対する最適な機能を予測する予測器を構築するステップと、
最適機能予測手段が、前記特徴量計算手段で計算された前記画像特徴量を入力とし、前記予測器構築手段で構築された前記予測器を用いて最適な機能を予測するステップと、
更新手段が、前記最適機能予測手段により予測された前記最適な機能と、前記入力受付手段で受け付けたユーザにより選択された機能とが異なる場合には、ユーザの目的が変化した新たな事例と、前記予測器構築手段における前記予測器の構築に用いた前記事例集合との和集合をとって、前記事例集合を更新するステップと、を含み、
前記予測器構築手段が、前記更新手段により前記事例集合が更新されるごとに、当該事例集合を用いて前記予測器を再構築するステップと、をさらに含む、
ことを特徴とするデータ処理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008181698A JP5113653B2 (ja) | 2007-09-19 | 2008-07-11 | データ処理装置、プログラムおよびデータ処理方法 |
US12/211,442 US8254669B2 (en) | 2007-09-19 | 2008-09-16 | Data processing apparatus, computer program product, and data processing method for predicting an optimum function based on a case database and image feature values calculated by a feature-value calculating unit |
Applications Claiming Priority (9)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007242680 | 2007-09-19 | ||
JP2007242681 | 2007-09-19 | ||
JP2007242682 | 2007-09-19 | ||
JP2007242680 | 2007-09-19 | ||
JP2007242683 | 2007-09-19 | ||
JP2007242681 | 2007-09-19 | ||
JP2007242683 | 2007-09-19 | ||
JP2007242682 | 2007-09-19 | ||
JP2008181698A JP5113653B2 (ja) | 2007-09-19 | 2008-07-11 | データ処理装置、プログラムおよびデータ処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009095001A JP2009095001A (ja) | 2009-04-30 |
JP5113653B2 true JP5113653B2 (ja) | 2013-01-09 |
Family
ID=40666469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008181698A Expired - Fee Related JP5113653B2 (ja) | 2007-09-19 | 2008-07-11 | データ処理装置、プログラムおよびデータ処理方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5113653B2 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5096194B2 (ja) | 2008-03-17 | 2012-12-12 | 株式会社リコー | データ処理装置、プログラムおよびデータ処理方法 |
JP6494435B2 (ja) * | 2015-06-04 | 2019-04-03 | キヤノン株式会社 | 情報処理装置、その制御方法及びコンピュータプログラム |
KR102246110B1 (ko) * | 2019-04-02 | 2021-04-29 | 삼성전자주식회사 | 영상 처리 장치 및 그 영상 처리 방법 |
US10909700B2 (en) | 2019-04-02 | 2021-02-02 | Samsung Electronics Co., Ltd. | Display apparatus and image processing method thereof |
WO2023145164A1 (ja) * | 2022-01-28 | 2023-08-03 | 株式会社Jvcケンウッド | 画像分類装置、画像分類方法、および画像分類プログラム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001016470A (ja) * | 1999-06-25 | 2001-01-19 | Minolta Co Ltd | 画像処理装置 |
JP4768451B2 (ja) * | 2006-01-18 | 2011-09-07 | 株式会社リコー | 画像処理装置、画像形成装置、プログラムおよび画像処理方法 |
-
2008
- 2008-07-11 JP JP2008181698A patent/JP5113653B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2009095001A (ja) | 2009-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4859025B2 (ja) | 類似画像検索装置、類似画像検索処理方法、プログラム及び情報記録媒体 | |
JP4768451B2 (ja) | 画像処理装置、画像形成装置、プログラムおよび画像処理方法 | |
US8254669B2 (en) | Data processing apparatus, computer program product, and data processing method for predicting an optimum function based on a case database and image feature values calculated by a feature-value calculating unit | |
KR100516289B1 (ko) | 퍼지 적분을 이용하여 사용자 의견을 반영한 내용기반영상 검색 장치 및 그 방법 | |
CN111444966B (zh) | 媒体信息分类方法及装置 | |
US8699789B2 (en) | Document classification using multiple views | |
US8306940B2 (en) | Interactive visualization for generating ensemble classifiers | |
US20060217925A1 (en) | Methods for entity identification | |
US7715635B1 (en) | Identifying similarly formed paragraphs in scanned images | |
JP5113653B2 (ja) | データ処理装置、プログラムおよびデータ処理方法 | |
US8321367B2 (en) | Data processing apparatus, method, and computer program product for user objective prediction | |
Haneda et al. | Text segmentation for MRC document compression | |
JP2008537198A (ja) | 人工知能を使用した外来のアプリケーションユーザインタフェースからの情報のインテリジェントインポート | |
EP4092555A1 (en) | Control method, information processing device, and control program | |
US7836000B2 (en) | System and method for training a multi-class support vector machine to select a common subset of features for classifying objects | |
US7024049B2 (en) | Method and apparatus for improving image appearance | |
JP5022979B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
JP5006263B2 (ja) | 画像処理装置、プログラムおよび画像処理方法 | |
Stoehr et al. | Adaptive ABC model choice and geometric summary statistics for hidden Gibbs random fields | |
US8891884B2 (en) | Regression tree fields | |
Ifada et al. | How relevant is the irrelevant data: leveraging the tagging data for a learning-to-rank model | |
CN102375883B (zh) | 字体匹配 | |
Carrasco et al. | Laconic image classification: Human vs. machine performance | |
US11307809B2 (en) | Information processing device, learning device, and storage medium storing learnt model | |
Yue et al. | User interfaces for high-dimensional design problems: from theories to implementations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20110408 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20120423 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120508 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120704 |
|
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: 20121009 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20121012 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20151019 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |