JP5652250B2 - 画像処理プログラム及び画像処理装置 - Google Patents

Description

本発明は、画像処理プログラム及び画像処理装置に関する。

画像から得た画像特徴を利用して画像に分類（ラベル）を付与することがある。例えば下記の特許文献１に記載されているように、予め分類ごとに画像特徴（特徴ベクトル）の確率分布を学習し、対象の画像から得た画像特徴が各分類に属する確率に基づいて対象の画像の分類を決定する手法を用いたものがある。

特開平１１−３２８４００号公報

分類について学習した画像特徴の確率分布が複数に分かれている場合には、対象画像が所与の分類に属する確率への寄与が個々の確率分布で分散してしまうため、画像が所与の分類に属する確率が精度良く得られないことがある。

本発明の目的は、分類について学習される画像特徴の確率分布が複数に分かれていた場合にも、対象画像が所与の分類情報に属する確率を精度良く算出できる画像処理プログラム及び画像処理装置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に記載の発明は、予め分類が定められた学習用画像から得た画像特徴情報に基づいて、各分類に属する画像特徴情報を複数に分類した副分類の各々に対する画像特徴情報の確率分布を取得する取得手段と、対象画像について設定した１又は複数の画像領域から得た画像特徴情報と、所与の分類について前記取得手段により取得した副分類の各々に対する画像特徴情報の確率分布と、前記副分類の各々に定められる重みとに基づいて、前記１又は複数の画像領域の各々が前記所与の分類に属する確率に応じた領域尤度を算出する領域尤度算出手段と、前記副分類の各々について前記領域尤度算出手段により算出された領域尤度に基づいて、前記対象画像が前記副分類の各々に属する確率を示す事後確率を算出する事後確率算出手段と、前記副分類の各々について前記事後確率算出手段により算出される事後確率に基づいて、前記副分類の各々に定められる重みを更新する更新手段と、前記更新手段により前記副分類の各々に定められる重みが更新された後に前記領域尤度算出手段により算出される領域尤度に基づいて、前記対象画像が前記所与の分類に属する確率に応じた評価値を算出する評価値算出手段としてコンピュータを機能させるための画像処理プログラムである。

また、請求項２に記載の発明は、前記更新手段により前記副分類の各々に定められる重みが更新されるごとに、前記領域尤度算出手段による領域尤度の算出と、前記事後確率算出手段による事後確率の算出を実行し、当該算出される事後確率が収束するか否かを判定する収束判定手段として前記コンピュータをさらに機能させ、前記評価値算出手段は、前記収束判定手段により前記事後確率が収束したと判定された後に、前記領域尤度算出手段により算出される領域尤度に基づいて、前記対象画像が前記所与の分類に属する確率に応じた評価値を算出することを特徴とする請求項１に記載の画像処理プログラムである。

また、請求項３に記載の発明は、前記評価値算出手段は、前記対象画像が複数の分類のそれぞれに属する確率を示す評価値を算出し、前記複数の分類の中から、当該複数の分類のそれぞれについて算出された評価値に基づいて分類を選択する分類選択手段として前記コンピュータをさらに機能させるための請求項１又は２に記載の画像処理プログラムである。

また、請求項４に記載の発明は、予め分類が定められた学習用画像から得た画像特徴情報に基づいて、各分類に属する画像特徴情報を複数に分類した副分類の各々に対する画像特徴情報の確率分布を取得する取得手段と、対象画像について設定した１又は複数の画像領域から得た画像特徴情報と、所与の分類について前記取得手段により取得した副分類の各々に対する画像特徴情報の確率分布と、前記副分類の各々に定められる重みとに基づいて、前記１又は複数の画像領域の各々が前記所与の分類に属する確率に応じた領域尤度を算出する領域尤度算出手段と、前記副分類の各々について前記領域尤度算出手段により算出された領域尤度に基づいて、前記対象画像が前記副分類の各々に属する確率を示す事後確率を算出する事後確率算出手段と、前記副分類の各々について前記事後確率算出手段により算出される事後確率に基づいて、前記副分類の各々に定められる重みを更新する更新手段と、前記更新手段により前記副分類の各々に定められる重みが更新された後に前記領域尤度算出手段により算出される領域尤度に基づいて、前記対象画像が前記所与の分類に属する確率に応じた評価値を算出する評価値算出手段と、を含むことを特徴とする画像処理装置である。

請求項１及び４に記載の発明によれば、分類情報について学習される画像特徴の確率分布が複数に分かれていた場合にも、本構成を有していない場合と比較して、対象画像が所与の分類情報に属する確率を精度良く算出できる。

請求項２に記載の発明によれば、副分類の重みを対象画像と指定された分類情報に応じた値に更新できる。

請求項３に記載の発明によれば、対象画像の属する分類情報を判定できる。

本実施形態に係る画像処理装置の機能ブロック図である。 分類ごとに記憶される画像特徴量の確率分布モデルのパラメータ例を示す図である。 各分類（ラベル）に係る副分類（トピック）ごとに算出される事前確率の例を示す図である。 対象画像の分類判定処理の流れの一例を示すフローチャートである。 副分類の期待値と確率密度分布の一例を示す図である。 副分類の期待値と確率密度分布の一例を示す図である。

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

図１には、本実施形態に係る画像処理装置１０の機能ブロック図を示した。図１に示されるように、画像処理装置１０は、画像特徴確率分布データ記憶部１００、対象画像取得部１０２、領域設定部１０４、画像特徴データ生成部１０６、分類設定部１０８、領域尤度算出部１１０、副分類評価値算出部１１２、副分類重み更新部１１４、収束判定部１１６、分類評価値算出部１１８、分類選択部１２０、表示情報生成部１２２、及び表示部１２４を備える。

画像処理装置１０に備えられる上記の各部の機能は、ＣＰＵ等の制御手段、メモリ等の記憶手段、外部デバイスとデータを送受信する入出力手段、ディスプレイ等の表示手段等を備えたコンピュータが、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を読み込み実行することで実現されるものとしてよい。なお、プログラムは光ディスク、磁気ディスク、磁気テープ、光磁気ディスク、フラッシュメモリ等の情報記憶媒体によってコンピュータたる画像処理装置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網を介して供給されることとしてもよい。

画像特徴確率分布データ記憶部１００は、分類（ラベル）ごとの画像特徴量の確率分布を定めるデータを記憶する。例えば、分類ごとの画像特徴量の確率分布は、Ｎ（Ｎは整数）次元の特徴量空間を、Ｍ（Ｍは整数）個の特徴クラスタに分けたモデルにより構成され、各特徴クラスタはガウス分布等の確率分布として構成される。本実施形態では、分類ごとに定められる、特徴量空間を分割する特徴クラスタを、副分類（又は画像トピック）と称する。分類ｌの副分類ｉにより識別されるガウス分布のパラメータは、分類ｌに属する特徴ベクトル（Ｎ次元）の平均ベクトルμ_ｌｉ及びＮ×Ｎ次元の共分散行列Σ_ｌｉにより表される。これらのパラメータの算出方法については後述する。

図２には、分類ごとに記憶される画像特徴量の確率分布モデルのパラメータ例を示した。図２に示されるように、分類を識別する分類ＩＤに関連づけて、各副分類の確率分布を定めるパラメータμ_ｌｉ及びΣ_ｌｉが記憶される。

図３には、各分類（ラベル）に係る副分類（トピック）ごとに算出される事前確率の例を示した。図３に示される例では、分類ＩＤ及び副分類の組について、事前確率λが記憶される。なお、各分類に係る副分類ごとの事前確率は、分類が予め定められた学習用画像に基づき算出されるが、この算出方法の具体例については後述する。

対象画像取得部１０２は、処理の対象とする画像（対象画像）を取得する。例えば、対象画像取得部１０２は、画像データベース、カメラ、記録媒体等から対象画像を取得することとしてよい。また、対象画像取得部１０２は、取得した対象画像に対して、ノイズ除去等の画像処理を施した後に、予め定められたサイズに変換してから当該対象画像を領域設定部１０４に出力することとしてよい。

領域設定部１０４は、対象画像取得部１０２から入力された対象画像に１又は複数の部分領域を設定する。例えば、領域設定部１０４は、対象画像を予め定められたサイズの矩形領域に分割し、分割された各矩形領域を部分領域に設定することとしてもよいし、ｋ−ｍｅａｎｓ法等のクラスタリング手法によって互いに色等の画像特徴が近い画素を結合して部分領域を設定することとしてもよい。なお、領域設定部１０４により設定される部分領域は互いに重なり合っていてもよい。

画像特徴データ生成部１０６は、対象画像について領域設定部１０４により設定された部分領域ごとに画像特徴を抽出し、抽出した画像特徴に基づく特徴データを生成する。例えば、画像特徴データ生成部１０６は、部分領域内に含まれる各画素の色成分（例えばＲＧＢ、Ｌａｂ、ＹＢｒ等の色空間における色成分）、３スケール、８方向のＧａｂｏｒフィルタ等の演算結果の平均値や分散値を、要素として含むＮ次元のベクトル（特徴ベクトル）を特徴データとして生成することとしてよい。なお、要素数（Ｎ）は、抽出する画像特徴の数に応じて定められる。

分類設定部１０８は、対象画像について評価する対象の分類（ラベル）を設定する。例えば、分類設定部１０８は、ユーザーの入力に従って対象の分類を設定してもよいし、画像特徴確率分布データ記憶部１００に特徴情報の確率分布が学習された分類の中から未処理の分類を１つずつ対象の分類に設定することとしてもよい。

領域尤度算出部１１０は、対象画像に設定された部分領域について算出された特徴ベクトルｘが分類ｌに属する確率である領域尤度Ｐ（ｘ｜ｌ）を算出する。具体的には、領域尤度算出部１１０は、対象画像について設定された各部分領域の特徴ベクトルｘと、分類設定部１０８により設定された分類ｌの確率分布モデルと、分類ｌに係る副分類ｉにそれぞれ定められる重み係数ｗ_ｌｉとに基づいて、特徴ベクトルｘが分類ｌに属する確率である領域尤度Ｐ（ｘ｜ｌ）を算出する。分類ｌに係る副分類ｉにそれぞれ定められる重み係数ｗ_ｌｉは、分類ｌのｉ番目のガウス分布に対する重み係数であり、以下の式（１）の関係を満たすよう規格化される。なお、ｗ_ｌｉの初期値は、分類ｌにおける副分類ｉの事前確率Ｐ（ｉ｜ｌ）、すなわち図３に示されるλ_ｌｉを用いることとしてよい。

領域尤度算出部１１０は、部分領域に係る平均ベクトルμ_ｌｉ及びＮ×Ｎ次元の共分散行列Σ_ｌｉ及びｗ_ｌｉを用いて、領域尤度Ｐ（ｘ｜ｌ）を例えば以下の式（２）により算出する。

なお、副分類評価値算出部１１２には、式（２）のｐ_ｉ（ｘ｜ｌ）が入力され、分類評価値算出部１１８には、式（２）のＰ（ｘ｜ｌ）が入力される。

副分類評価値算出部１１２は、対象画像Ｉが分類設定部１０８で設定された分類ｌである条件下で、副分類ｉとなる事後確率ｐ（ｉ｜Ｉ，ｌ）を副分類ｉの評価値として算出する。具体的には、副分類評価値算出部１１２は、領域尤度算出部１１０から入力されるｐ_ｉ（ｘ｜ｌ）を、対象画像に設定された全ての部分領域について加算すると共に、分類ｌに係る副分類ｉの事前確率Ｐ（ｉ｜ｌ）を用いて、ｐ（ｉ｜Ｉ，ｌ）を以下の式（３）により算出する。

ここで、Ｚは規格化因子であり、Ｐ（ｉ｜ｌ）を全てのｉについて加算することで得られる。また、副分類ｉの事前確率Ｐ（ｉ｜ｌ）は、学習データに基づいて算出され、図３に示すテーブルに保持されることとしてよい。このＰ（ｉ｜ｌ）の算出方法は後述する。

副分類重み更新部１１４は、副分類の重み係数ｗ_ｌｉを、副分類評価値算出部１１２により算出される副分類の事後確率に基づいて更新する。例えば、ｗ_ｌｉの初期値は、事前確率λ_ｌｉとし、副分類重み更新部１１４は、副分類評価値算出部１１２により副分類の事後確率が算出された場合には、ｗ_ｌｉ＝ｐ（ｉ｜Ｉ，ｌ）として更新することとしてよい。ただし、ｗ_ｌｉの更新式は上式に限られるものではなく、ｐ（ｉ｜Ｉ，ｌ）が大きくなるにつれｗ_ｌｉが大きくなるような関係式に基づいて更新するものであればよい。

副分類重み更新部１１４により副分類ｉの重み係数ｗ_ｌｉが更新されると、更新された重み係数ｗ_ｌｉに基づいて、領域尤度算出部１１０、副分類評価値算出部１１２による算出処理が再度実行される。

収束判定部１１６は、副分類ｉの重み係数ｗ_ｌｉが更新されるごとに、副分類評価値算出部１１２により算出される事後確率ｐ（ｉ｜Ｉ，ｌ）が収束したか否かを判定する。例えば、収束判定部１１６は、重み係数ｗ_ｌｉが更新される前に副分類評価値算出部１１２により算出される事後確率ｐ（ｉ｜Ｉ，ｌ）と、重み係数ｗ_ｌｉが更新された後に副分類評価値算出部１１２により算出される事後確率ｐ（ｉ｜Ｉ，ｌ）との差が予め定められた範囲内にある場合には収束したと判定し、そうでない場合には収束していないと判定することとしてよい。収束判定部１１６により、ｐ（ｉ｜Ｉ，ｌ）が収束したと判定されるまで、副分類ｉの重み係数ｗ_ｌｉの更新、及び更領域尤度算出部１１０、副分類評価値算出部１１２による算出処理を繰り返し実行する。

分類評価値算出部１１８は、収束判定部１１６により事後確率ｐ（ｉ｜Ｉ，ｌ）が収束したと判定された場合に、領域尤度算出部１１０により算出された最新の領域尤度ｐ（ｘ｜ｌ）と、予め学習された分類ｌの事前確率ｐ（ｌ）に基づいて、対象画像Ｉにおける分類ｌの事後確率ｐ（ｌ｜Ｉ）を対象画像Ｉの分類ｌに係る評価値として算出する。具体的には、分類評価値算出部１１８は、領域尤度算出部１１０により算出された領域尤度ｐ（ｘ｜ｌ）を対象画像の全部分領域について積算し、さらに分類ｌの事前確率ｐ（ｌ）を用いて、ｐ（ｌ｜Ｉ）を以下の式（４）により算出する。

ここで、式（４）の分母は分類ｌによらず不変のため計算しなくともよいし、固定値で置き換えてもよい。

分類評価値算出部１１８により分類の評価値を算出した場合に、分類設定部１０８は、他の分類を設定し、設定した分類についての評価値を領域尤度算出部１１０、副分類評価値算出部１１２、副分類重み更新部１１４、収束判定部１１６、分類評価値算出部１１８による処理を同様に実行して算出することとしてよい。このようにして、対象画像について対象の全ての分類の評価値を算出する。

分類選択部１２０は、対象画像について対象の全ての分類ごとに算出された評価値（事後確率）に基づいて、対象画像に対する分類を選択する。例えば、分類選択部１２０は、評価値が閾値よりも大きい分類を選択することとしてもよいし、評価値が大きい順に予め定められた数の分類を選択することとしてもよい。

表示情報生成部１２２は、対象の全ての分類について算出された評価値や分類選択部１２０により選択された分類に基づいて、表示情報を生成する。例えば、表示情報生成部１２２は、評価値が大きい順に分類を並べた結果を表示する表示情報を生成してもよいし、分類選択部１２０により選択された分類を表示する表示情報を生成することとしてもよい。

表示部１２４は、表示情報生成部１２２により生成された表示情報を表示する。

ここで、確率分布モデルのパラメータμ_ｌｉ，Σ_ｌｉ及びλ_ｌｉの算出方法について説明する。まず、予め複数の分類が付与された学習用画像セットＳを取得する。そして、分類ｌに関する確率分布モデルを学習する場合には、分類ｌが付与された学習用画像セットＳ_ｌを利用する。Ｓ_ｌに含まれる全ての画像について領域分割を行い、各領域の特徴ベクトルを生成し、学習用特徴ベクトルセットＦ_ｌを生成する。そして、確率分布モデルのパラメータμ_ｌｉ，Σ_ｌｉ及びλ_ｌｉは、特徴ベクトルの分布として式（２）のガウス分布を仮定すると、以下の式（５）で示される対数尤度が最大となるμ_ｌｉ，Σ_ｌｉ及びλ_ｌｉを探索することにより決定される。探索のアルゴリズムにはたとえばＥＭアルゴリズムを用いることとしてよい。

そして、分類ｌの事前確率ｐ（ｌ）は、学習用画像セットＳ中のＮ_ｓ枚の画像のうち、分類ｌが付与された画像がＮ_ｌ枚あるとすると、ｐ（ｌ）＝Ｎ_ｌ／Ｎ_ｓとして算出される。

次に、図４に示されたフローチャートに基づいて、画像処理装置１０により行われる対象画像の分類判定処理の流れの一例について説明する。

図４に示されるように、画像処理装置１０は、対象画像を取得し（Ｓ１００１）、取得した対象画像を複数の部分領域に分割する（Ｓ１００２）。次いで、画像処理装置１０は、複数の部分領域の画像特徴に基づいて、各部分領域の特徴ベクトルを生成する（Ｓ１００３）。

画像処理装置１０は、未処理の分類のうち１つを選択し（Ｓ１００４）、選択した分類（分類ｌとする）について学習された確率分布モデルを読み出す（Ｓ１００５）。さらに、画像処理装置１０は、分類ｌの副分類に定められた事前確率を読み出して、これらを重み係数の初期値に設定する（Ｓ１００６）。

画像処理装置１０は、全ての部分領域の特徴ベクトルについて、分類ｌの尤度を算出すると共に（Ｓ１００７）、分類ｌの副分類の期待値（事後確率）を算出する（Ｓ１００８）。ここで、副分類の期待値が収束していないと判定される場合には（Ｓ１００９：Ｎ）、副分類の期待値を重み計数に設定して（Ｓ１０１０）、再度Ｓ１００７に戻りそれ以降の処理を繰り返す。一方で、副分類の期待値が収束したと判定される場合には（Ｓ１００９：Ｙ）、分類ｌの事後確率を算出する（Ｓ１０１１）。

画像処理装置１０は、全ての分類について処理が終了したか否かを判定し（Ｓ１０１２）、終了していないと判定する場合には（Ｓ１０１２：Ｎ）、Ｓ１００４に戻ってそれ以降の処理を繰り返し、終了したと判定する場合には（Ｓ１０１２：Ｙ）、算出された事後確率が上位の分類を出力して（Ｓ１０１３）、処理を終了する。

図５には、本実施形態に係る画像処理装置１０の処理により変化する、副分類の期待値と確率密度分布の一例を示した。図５（ａ）〜（ｃ）は各副分類の確率密度分布を示しており、図５（Ａ）〜（Ｃ）は図５（ａ）〜（ｃ）について算出される各副分類の期待値をそれぞれ示している。

図５（ａ）〜（ｃ）には、副分類１〜３の各々の確率密度分布が示されており、副分類１〜３の確率密度分布における振幅の積分値の総和は１である。ここで、図５（ａ）〜（ｃ）の黒丸で示されているのは対象画像に設定された各部分領域の特徴ベクトルであり、副分類１には１つ、副分類２には４つ、副分類３には１つが含まれているとする。その場合に、初期状態の重み係数に従って各副分類の期待値を計算すると、図５（Ａ）のように、振幅の小さい副分類２に属する部分領域の影響が強く出ない。しかしながら、図５（ｂ）及び（ｃ）に示されるように、各副分類の期待値が大きいほど重み係数が大きくなるように更新することで、副分類２の期待値による寄与が大きくなる。こうすることで、分類の確率密度分布が複数の副分類に分かれて広がっている場合にも、正しく分類されるようになる。

また、図６には、対象画像の特徴ベクトルが分類Ｌに適合していない場合の、副分類の期待値と確率密度分布の一例を示した。図６（ａ）〜（ｃ）は各副分類の確率密度分布を示しており、図６（Ａ）〜（Ｃ）は図６（ａ）〜（ｃ）について算出される各副分類の期待値をそれぞれ示している。

図６（ａ）〜（ｃ）に示されるように、対象画像の特徴ベクトルが分類Ｌに適合していない場合には、一部の副分類の振幅を強めることがないため、図６（Ａ）〜（Ｃ）に示されるように一部の副分類の期待値が増幅されることがない。そのため、重み係数を副分類の期待値に基づいて更新した場合にも、分類の誤判定を招かない。

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、上記の実施形態では、対象画像についての分類を判定する処理に本発明を適用した例を説明したが、対象画像について指定した一部の領域についての分類を判定する処理に本発明を適用することとしてもよい。

１０ 画像処理装置、１００ 画像特徴確率分布データ記憶部、１０２ 対象画像取得部、１０４ 領域設定部、１０６ 画像特徴データ生成部、１０８ 分類設定部、１１０ 領域尤度算出部、１１２ 副分類評価値算出部、１１４ 副分類重み更新部、１１６ 収束判定部、１１８ 分類評価値算出部、１２０ 分類選択部、１２２ 表示情報生成部、１２４ 表示部。

Claims (4)

1. 予め分類が定められた学習用画像から得た画像特徴情報に基づいて、各分類に属する画像特徴情報を複数に分類した副分類の各々に対する画像特徴情報の確率分布を取得する取得手段と、
   対象画像について設定した１又は複数の画像領域から得た画像特徴情報と、所与の分類について前記取得手段により取得した副分類の各々に対する画像特徴情報の確率分布と、前記副分類の各々に定められる重みとに基づいて、前記１又は複数の画像領域の各々が前記所与の分類に属する確率に応じた領域尤度を算出する領域尤度算出手段と、
   前記副分類の各々について前記領域尤度算出手段により算出された領域尤度に基づいて、前記対象画像が前記副分類の各々に属する確率を示す事後確率を算出する事後確率算出手段と、
   前記副分類の各々について前記事後確率算出手段により算出される事後確率に基づいて、前記副分類の各々に定められる重みを更新する更新手段と、
   前記更新手段により前記副分類の各々に定められる重みが更新された後に前記領域尤度算出手段により算出される領域尤度に基づいて、前記対象画像が前記所与の分類に属する確率に応じた評価値を算出する評価値算出手段としてコンピュータを機能させるための画像処理プログラム。
2. 前記更新手段により前記副分類の各々に定められる重みが更新されるごとに、前記領域尤度算出手段による領域尤度の算出と、前記事後確率算出手段による事後確率の算出を実行し、当該算出される事後確率が収束するか否かを判定する収束判定手段として前記コンピュータをさらに機能させ、
   前記評価値算出手段は、前記収束判定手段により前記事後確率が収束したと判定された後に、前記領域尤度算出手段により算出される領域尤度に基づいて、前記対象画像が前記所与の分類に属する確率に応じた評価値を算出する
   ことを特徴とする請求項１に記載の画像処理プログラム。
3. 前記評価値算出手段は、前記対象画像が複数の分類のそれぞれに属する確率を示す評価値を算出し、
   前記複数の分類の中から、当該複数の分類のそれぞれについて算出された評価値に基づいて分類を選択する分類選択手段として前記コンピュータをさらに機能させるための請求項１又は２に記載の画像処理プログラム。
4. 予め分類が定められた学習用画像から得た画像特徴情報に基づいて、各分類に属する画像特徴情報を複数に分類した副分類の各々に対する画像特徴情報の確率分布を取得する取得手段と、
   対象画像について設定した１又は複数の画像領域から得た画像特徴情報と、所与の分類について前記取得手段により取得した副分類の各々に対する画像特徴情報の確率分布と、前記副分類の各々に定められる重みとに基づいて、前記１又は複数の画像領域の各々が前記所与の分類に属する確率に応じた領域尤度を算出する領域尤度算出手段と、
   前記副分類の各々について前記領域尤度算出手段により算出された領域尤度に基づいて、前記対象画像が前記副分類の各々に属する確率を示す事後確率を算出する事後確率算出手段と、
   前記副分類の各々について前記事後確率算出手段により算出される事後確率に基づいて、前記副分類の各々に定められる重みを更新する更新手段と、
   前記更新手段により前記副分類の各々に定められる重みが更新された後に前記領域尤度算出手段により算出される領域尤度に基づいて、前記対象画像が前記所与の分類に属する確率に応じた評価値を算出する評価値算出手段と、を含む
   ことを特徴とする画像処理装置。

Images