JP6448065B2 - 画像処理システム、画像処理方法及び画像処理プログラム - Google Patents
画像処理システム、画像処理方法及び画像処理プログラム Download PDFInfo
- Publication number
- JP6448065B2 JP6448065B2 JP2017005786A JP2017005786A JP6448065B2 JP 6448065 B2 JP6448065 B2 JP 6448065B2 JP 2017005786 A JP2017005786 A JP 2017005786A JP 2017005786 A JP2017005786 A JP 2017005786A JP 6448065 B2 JP6448065 B2 JP 6448065B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- learning
- contour
- edge
- corrected
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Description
入力部10は、キーボードやポインティングデバイス等で構成され、各種指示を入力するための入力手段から構成される。また、出力部15は、ディスプレイ等で構成され、情報処理結果を出力するための出力手段から構成される。
エッジ検出部211は、学習用画像や評価対象画像において、粒子画像のエッジを検出する処理を実行する。更に、エッジ検出部211は、検出したエッジの欠けを修正する。
第2特徴量抽出部213は、粒子判別(正常、異常、その他)についての機械学習に用いる特徴量を算出する処理を実行する。
機械学習部214は、サポートベクターマシン(SVM)により、画像に含まれる粒子領域の認識に関する境界面を算出する処理を実行する。この機械学習部214は、境界面として、機械学習結果(領域統合)、機械学習結果(形状判別)を算出する。
領域統合部215は、隣接した粒子領域(輪郭領域)の統合の要否を判定する処理を実行する。
粒子判定部216は、画像に含まれる粒子の形状を評価する処理を実行する。
機械学習情報記憶部23には、機械学習(サポートベクターマシン)により算出した境界面(粒子領域の認識に関する境界面)に関する機械学習結果データ(輪郭学習結果)が記録される。この機械学習結果データは、サポートベクターマシンにより機械学習を行なった場合に記録される。本実施形態では、複数の粒子が連結した形状を識別するための機械学習結果(領域統合)、及び正常粒子・異常粒子を識別するための機械学習結果(形状判別)が記録される。機械学習結果(領域統合)においては、ユーザが、学習用画像において統合すべきとして指定した領域と統合すべきでないとして指定した領域との境界面に関する情報が記録される。機械学習結果(形状判別)においては、ユーザが、学習用画像において粒子判別(正常、異常、その他)を指定した境界面に関する情報が記録される。
(全体の概要)
まず、図2を用いて、全体の概要を説明する。複数の粒子が含まれる試料を撮影することにより学習用画像や評価対象画像を準備する。例えば、金属粒子を堆積させた試料を顕微鏡により撮影して画像を生成する。そして、学習用画像を用いて、特徴量についての機械学習を行なう(学習フェーズ)。次に、機械学習結果を利用して、評価対象画像に含まれる粒子を評価する(予測フェーズ)。
この場合、画像処理装置20の制御部21は、学習用画像の取得処理を実行する(ステップS1−1)。具体的には、制御部21の管理部210は、出力部15に、学習用画像を指定するための画像指定画面を出力する。ここで、画像指定画面を用いて、画像処理装置20の記憶部(ハードディスク等)や記憶媒体内に記録された学習用画像を指定する。この場合、管理部210は、指定された学習用画像を取得し、学習用画像記憶部22に記録する。
次に、画像処理装置20の制御部21は、粒子形状の判別の機械学習処理を実行する(ステップS1−4)。具体的には、制御部21の第2特徴量抽出部213は、粒子形状の判別を行なうための特徴量を抽出する。次に、機械学習部214は、ユーザが、学習用画像において粒子判別(正常、異常、その他)を指定した境界面を、抽出した特徴量を用いて、サポートベクターマシン(SVM)により算出する。そして、機械学習部214は、算出した機械学習結果(形状判別)を機械学習情報記憶部23に記録する。
この場合、画像処理装置20の制御部21は、評価対象画像の取得処理を実行する(ステップS2−1)。具体的には、制御部21の管理部210は、画像指定画面により、指定された評価対象画像を取得する。そして、管理部210は、指定された評価対象画像を評価対象画像記憶部24に記録する。
図3を用いて、エッジ検出処理を説明する。この処理は、学習用画像及び評価対象画像に対して、学習フェーズ、予測フェーズの特徴量抽出処理の前に行なわれる。
図4(a)に示す画像500は、平滑化前の画像である。この画像500に対して、一般的に使用されるガウシアンフィルタを適用した場合、図4(b)に示す画像501が生成される。この場合、エッジにぼけが生じる。一方、バイラテラルフィルタを用いた場合には、図4(c)に示すように、エッジのぼけを抑制しながら、平滑化した画像502を生成することができる。
次に、図5、図6を用いて、複素モーメント法によるエッジ強調処理を説明する。
まず、画像処理装置20の制御部21は、オペレータの算出処理を実行する(ステップS5−1)。具体的には、学習用画像や評価対象画像は連続画像ではなく、これをサンプリングした離散画像である。この離散画像に対して局所画像の複素モーメントを計算するために用いるオペレータを生成する。本実施形態では、制御部21のエッジ検出部211は、以下の算出式によりオペレータhn〔k,l〕(n=1〜N)を生成する。ここで、「N」は使用する複素モーメントの最大次数である。
次に、図7、図8を用いて、閾値処理を説明する。
図7に示すように、学習用画像や評価対象画像の複素モーメント画像に含まれる各画素(ピクセル)において、順次、注目画素を特定し、以下の処理を繰り返す。ここでは、図8(a)に示す複素モーメント画像511を用いる場合を想定する。図8(b)は、複素モーメント画像511の一部を拡大した画像511aである。この画像511aに含まれる所定の画素を注目画素511bとして用いる。
以上の閾値処理を、複素モーメント画像に含まれるすべての画素について計算する。
次に、図9、図10を用いて、Watershed法による粒子のエッジ検出処理を説明する。上述した複素モーメント法で得られた粒子領域のエッジの一部が欠けている場合がある。この処理においては、このエッジ欠けを避けるために、複素モーメント法で得られた2値画像に、Watershed法を適用する。このWatershed法では、粒子領域の内部と背景とにおいてシードを設定し、このシードから同じ水面高さを維持しながら注水した領域が接した領域を境界として特定することにより、エッジ欠けを修正する。
ここでは、図9(a)に示す平滑化画像520を用いて説明する。
ここでは、図10(a)に示すように、平滑化画像520と複素モーメント画像521とを合成し、強調画像530を生成する。
図11(a)は、撮影画像に基づいて生成した平滑化画像540を示す。
図11(b)は、平滑化画像540に基づいて生成した複素モーメント画像541を示す。
図11(d)は、Watershed法を適用した結果画像543を示す。この結果画像543を用いて境界を特定する。
図11(e)は、平滑化画像540に、結果画像543において特定した境界を重ね合わせた領域抽出結果画像544を示す。
次に、図12を用いて、隣接領域判定処理を説明する。本来は一つの粒子であるにもかかわらず、エッジ検出により分割されてしまうことがある。この領域統合処理では、分割された粒子を結合する。ここでは、サポートベクターマシン(SVM)を用いて、分離した粒子において統合する。
まず、画像処理装置20の制御部21は、各領域の重心の算出処理を実行する(ステップS7−1)。具体的には、制御部21の第1特徴量抽出部212は、領域抽出結果画像において、各領域の重心位置を算出する。
まず、画像処理装置20の制御部21は、隣接候補領域の特定処理を実行する(ステップS7−2)。具体的には、制御部21の第1特徴量抽出部212は、処理対象領域の重心位置と他の領域の重心位置との距離を算出する。そして、第1特徴量抽出部212は、算出した距離が距離閾値以下の場合の領域を隣接候補領域として特定する。
以上の処理を、すべての領域について終了するまで繰り返す。
次に、図13を用いて、サポートベクターマシン(SVM)による領域統合処理を説明する。学習フェーズにおいて、エッジ検出により分離された粒子領域において、統合すべき領域を機械学習する。
ここでは、図13(a)に示すように、上述した隣接領域判定処理において、粒子αと粒子βとが隣接している場合を想定する。
そして、図13(c)に示すように、画像処理装置20の制御部21は、粒子α及び粒子βの膨張領域の重複領域を特定する。
更に、サポートベクターマシンにおいて、粒子αのペアワイズヒストグラムと粒子βとのペアワイズヒストグラムの相関、カイ二乗、交差についても、特徴量として用いて機械学習を行なう。
次に、サポートベクターマシン(SVM)による正常・異常粒子の判別処理について説明する。学習フェーズにおいて、画像に含まれる粒子の種類を機械学習する。
ここでは、サポートベクターマシンにおいて、以下の11種類の特徴量を用いて機械学習を行なう。
・粒子領域の面積:粒子領域内の画素数に基づいて算出する。
・粒子の円形度:粒子領域の面積Aと粒子の周辺長Lとに基づいて、以下の円形度を算出する。
〔円形度〕=〔4・π・A〕/〔L・L〕
・面積比:粒子領域に接する矩形を生成し、粒子の面積と矩形との面積の比率を算出する。
・粒子領域における濃度値の平均:粒子領域を構成する全画素の画素値(濃度値)を取得し、濃度値の平均値を算出する。
・粒子領域における勾配値(複素モーメント画像)の平均:複素モーメント画像において粒子領域の各画素の勾配値を取得し、勾配値の平均値を算出する。
・ペアワイズ幾何ヒストグラム:具体的な計算方法については、図16を用いて後述する。
・モーメント特徴(6次元不変モーメント):形状の歪を評価する。具体的な計算方法については後述する。
次に、図16を用いて、ペアワイズ幾何ヒストグラムを説明する。このペアワイズ幾何ヒストグラムは、チェインコードヒストグラム(CCH)を一般化若しくは拡張したものである。
次に、モーメント特徴Huについて説明する。
Huモーメントは、平行移動、拡大縮小、回転に対して不変なモーメントである。
「〔p+q〕次」のモーメントmpqは、次の式で近似することができる。
(1)本実施形態では、エッジ検出処理(ステップS1−2)において、画像処理装置20の制御部21は、バイラテラルフィルタによる平滑化処理を実行する(ステップS3−1)。これにより、エッジをぼかすことなく、平滑化画像を得ることができる。
・上記実施形態では、複数の粒子を撮影した画像において、正常な形状(球形状)の粒子の中で、異常な形状の粒子を検出する場合を想定した。本発明の適用対象は、これに限定されるものではなく、所定形状を撮影した画像に適用することができる。
次に、上記実施形態及び別例から把握できる技術的思想について以下に追記する。
〔a〕対象物について、学習用画像及び評価対象画像を記憶する画像記憶部と、出力部に接続された制御部とを備えた画像処理システム、方法、又はプログラムであって、
前記制御部が、
輪郭によって囲まれた輪郭領域を含む学習用画像において、エッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記学習用画像の修正画像を用いて、前記輪郭を機械学習した輪郭学習結果を生成する学習処理と、
評価対象画像においてエッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記評価対象画像の修正画像について、前記輪郭学習結果を用いて輪郭を特定する評価処理とを実行することを特徴とする画像処理システム、方法、又はプログラム。
〔b〕前記輪郭の機械学習において、修正画像に含まれるエッジの中で、領域統合を行なうエッジを機械学習することを特徴とする請求項〔a〕に記載の画像処理システム、方法、又はプログラム。
〔c〕前記学習用画像及び評価対象画像の少なくとも何れか一方のエッジの検出には、複素モーメント法を用いることを特徴とする請求項〔a〕又は〔b〕に記載の画像処理システム、方法、又はプログラム。
〔d〕前記学習用画像及び評価対象画像の少なくとも何れか一方のエッジ欠けの修正には、ウォーターシェッド法を用いることを特徴とする請求項〔a〕〜〔c〕のいずれか一項に記載の画像処理システム、方法、又はプログラム。
〔e〕前記輪郭学習結果の生成においては、輪郭領域を膨張させた膨張領域を作成する膨張処理を行ない、
隣接した前記膨張領域における重複領域を特定し、
前記重複領域の特徴量を用いて、輪郭の機械学習を行なうことを特徴とする請求項〔a〕〜〔d〕のいずれか一項に記載の画像処理システム、方法、又はプログラム。
〔f〕前記輪郭領域は、金属化合物の粒子を撮影した画像に含まれる粒子の輪郭領域であり、
前記学習処理において、輪郭領域の異常判定を行ない、前記粒子の正常・異常判定の結果を機械学習した異常判定学習結果を生成し、
評価対象画像において特定した輪郭によって囲まれる粒子領域の形状を、前記異常判定学習結果を用いて評価することを特徴とする請求項〔a〕〜〔e〕のいずれか一項に記載の画像処理システム、方法、又はプログラム。
Claims (15)
- 対象物について、学習用画像及び評価対象画像を記憶する画像記憶部と、出力部に接続された制御部とを備えた画像処理システムであって、
前記制御部が、
輪郭によって囲まれた輪郭領域を含む学習用画像において、エッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記学習用画像の修正画像を用いて、前記輪郭を機械学習した輪郭学習結果を生成する学習処理と、
評価対象画像においてエッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記評価対象画像の修正画像について、前記輪郭学習結果を用いて輪郭を特定する評価処理とを実行し、
前記輪郭の機械学習において、前記修正画像に含まれるエッジの中で、領域統合を行なうエッジを機械学習することを特徴とする画像処理システム。 - 対象物について、学習用画像及び評価対象画像を記憶する画像記憶部と、出力部に接続された制御部とを備えた画像処理システムであって、
前記制御部が、
輪郭によって囲まれた輪郭領域を含む学習用画像において、エッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記学習用画像の修正画像を用いて、前記輪郭を機械学習した輪郭学習結果を生成する学習処理と、
評価対象画像においてエッジを検出し、このエッジのエッジ欠けを修正した修正画像を
生成し、
前記評価対象画像の修正画像について、前記輪郭学習結果を用いて輪郭を特定する評価処理とを実行し、
前記学習用画像及び前記評価対象画像の少なくとも何れか一方のエッジの検出には、複素モーメント法を用いることを特徴とする画像処理システム。 - 対象物について、学習用画像及び評価対象画像を記憶する画像記憶部と、出力部に接続された制御部とを備えた画像処理システムであって、
前記制御部が、
輪郭によって囲まれた輪郭領域を含む学習用画像において、エッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記学習用画像の修正画像を用いて、前記輪郭を機械学習した輪郭学習結果を生成する学習処理と、
評価対象画像においてエッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記評価対象画像の修正画像について、前記輪郭学習結果を用いて輪郭を特定する評価処理とを実行し、
前記学習用画像及び前記評価対象画像の少なくとも何れか一方のエッジ欠けの修正には、ウォーターシェッド法を用いることを特徴とする画像処理システム。 - 対象物について、学習用画像及び評価対象画像を記憶する画像記憶部と、出力部に接続された制御部とを備えた画像処理システムであって、
前記制御部が、
輪郭によって囲まれた輪郭領域を含む学習用画像において、エッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記学習用画像の修正画像を用いて、前記輪郭を機械学習した輪郭学習結果を生成する学習処理と、
評価対象画像においてエッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記評価対象画像の修正画像について、前記輪郭学習結果を用いて輪郭を特定する評価処理とを実行し、
前記輪郭学習結果の生成においては、輪郭領域を膨張させた膨張領域を作成する膨張処理を行ない、
隣接した前記膨張領域における重複領域を特定し、
前記重複領域の特徴量を用いて、輪郭の機械学習を行なうことを特徴とする画像処理システム。 - 対象物について、学習用画像及び評価対象画像を記憶する画像記憶部と、出力部に接続された制御部とを備えた画像処理システムであって、
前記制御部が、
輪郭によって囲まれた輪郭領域を含む学習用画像において、エッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記学習用画像の修正画像を用いて、前記輪郭を機械学習した輪郭学習結果を生成する学習処理と、
評価対象画像においてエッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記評価対象画像の修正画像について、前記輪郭学習結果を用いて輪郭を特定する評価処理とを実行し、
前記輪郭領域は、金属化合物の粒子を撮影した画像に含まれる粒子の輪郭領域であり、
前記学習処理において、輪郭領域の異常判定を行ない、前記粒子の正常・異常判定の結
果を機械学習した異常判定学習結果を生成し、
前記評価対象画像において特定した輪郭によって囲まれる粒子領域の形状を、前記異常判定学習結果を用いて評価することを特徴とする画像処理システム。 - 対象物について、学習用画像及び評価対象画像を記憶する画像記憶部と、出力部に接続された制御部とを備えた画像処理システムを用いて、画像処理を実行する方法であって、
前記制御部が、
輪郭によって囲まれた輪郭領域を含む学習用画像において、エッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記学習用画像の修正画像を用いて、前記輪郭を機械学習した輪郭学習結果を生成する学習処理と、
評価対象画像においてエッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記評価対象画像の修正画像について、前記輪郭学習結果を用いて輪郭を特定する評価処理とを実行し、
前記輪郭の機械学習において、前記修正画像に含まれるエッジの中で、領域統合を行なうエッジを機械学習することを特徴とする画像処理方法。 - 対象物について、学習用画像及び評価対象画像を記憶する画像記憶部と、出力部に接続された制御部とを備えた画像処理システムを用いて、画像処理を実行する方法であって、
前記制御部が、
輪郭によって囲まれた輪郭領域を含む学習用画像において、エッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記学習用画像の修正画像を用いて、前記輪郭を機械学習した輪郭学習結果を生成する学習処理と、
評価対象画像においてエッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記評価対象画像の修正画像について、前記輪郭学習結果を用いて輪郭を特定する評価処理とを実行し、
前記学習用画像及び前記評価対象画像の少なくとも何れか一方のエッジの検出には、複素モーメント法を用いることを特徴とする画像処理方法。 - 対象物について、学習用画像及び評価対象画像を記憶する画像記憶部と、出力部に接続された制御部とを備えた画像処理システムを用いて、画像処理を実行する方法であって、
前記制御部が、
輪郭によって囲まれた輪郭領域を含む学習用画像において、エッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記学習用画像の修正画像を用いて、前記輪郭を機械学習した輪郭学習結果を生成する学習処理と、
評価対象画像においてエッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記評価対象画像の修正画像について、前記輪郭学習結果を用いて輪郭を特定する評価処理とを実行し、
前記学習用画像及び前記評価対象画像の少なくとも何れか一方のエッジ欠けの修正には、ウォーターシェッド法を用いることを特徴とする画像処理方法。 - 対象物について、学習用画像及び評価対象画像を記憶する画像記憶部と、出力部に接続された制御部とを備えた画像処理システムを用いて、画像処理を実行する方法であって、
前記制御部が、
輪郭によって囲まれた輪郭領域を含む学習用画像において、エッジを検出し、このエッ
ジのエッジ欠けを修正した修正画像を生成し、
前記学習用画像の修正画像を用いて、前記輪郭を機械学習した輪郭学習結果を生成する学習処理と、
評価対象画像においてエッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記評価対象画像の修正画像について、前記輪郭学習結果を用いて輪郭を特定する評価処理とを実行し、
前記輪郭学習結果の生成においては、輪郭領域を膨張させた膨張領域を作成する膨張処理を行ない、
隣接した前記膨張領域における重複領域を特定し、
前記重複領域の特徴量を用いて、輪郭の機械学習を行なうことを特徴とする画像処理方法。 - 対象物について、学習用画像及び評価対象画像を記憶する画像記憶部と、出力部に接続された制御部とを備えた画像処理システムを用いて、画像処理を実行する方法であって、
前記制御部が、
輪郭によって囲まれた輪郭領域を含む学習用画像において、エッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記学習用画像の修正画像を用いて、前記輪郭を機械学習した輪郭学習結果を生成する学習処理と、
評価対象画像においてエッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記評価対象画像の修正画像について、前記輪郭学習結果を用いて輪郭を特定する評価処理とを実行し、
前記輪郭領域は、金属化合物の粒子を撮影した画像に含まれる粒子の輪郭領域であり、
前記学習処理において、輪郭領域の異常判定を行ない、前記粒子の正常・異常判定の結果を機械学習した異常判定学習結果を生成し、
前記評価対象画像において特定した輪郭によって囲まれる粒子領域の形状を、前記異常判定学習結果を用いて評価することを特徴とする画像処理方法。 - 対象物について、学習用画像及び評価対象画像を記憶する画像記憶部と、出力部に接続された制御部とを備えた画像処理システムを用いて、画像処理を実行させるためのプログラムであって、
前記制御部を、
輪郭によって囲まれた輪郭領域を含む学習用画像において、エッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記学習用画像の修正画像を用いて、前記輪郭を機械学習した輪郭学習結果を生成する学習処理と、
評価対象画像においてエッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記評価対象画像の修正画像について、前記輪郭学習結果を用いて輪郭を特定する評価処理とを実行する手段として機能させ、
前記輪郭の機械学習において、前記修正画像に含まれるエッジの中で、領域統合を行なうエッジを機械学習することを特徴とする画像処理プログラム。 - 対象物について、学習用画像及び評価対象画像を記憶する画像記憶部と、出力部に接続された制御部とを備えた画像処理システムを用いて、画像処理を実行させるためのプログラムであって、
前記制御部を、
輪郭によって囲まれた輪郭領域を含む学習用画像において、エッジを検出し、このエッ
ジのエッジ欠けを修正した修正画像を生成し、
前記学習用画像の修正画像を用いて、前記輪郭を機械学習した輪郭学習結果を生成する学習処理と、
評価対象画像においてエッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記評価対象画像の修正画像について、前記輪郭学習結果を用いて輪郭を特定する評価処理とを実行する手段として機能させ、
前記学習用画像及び前記評価対象画像の少なくとも何れか一方のエッジの検出には、複素モーメント法を用いることを特徴とする画像処理プログラム。 - 対象物について、学習用画像及び評価対象画像を記憶する画像記憶部と、出力部に接続された制御部とを備えた画像処理システムを用いて、画像処理を実行させるためのプログラムであって、
前記制御部を、
輪郭によって囲まれた輪郭領域を含む学習用画像において、エッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記学習用画像の修正画像を用いて、前記輪郭を機械学習した輪郭学習結果を生成する学習処理と、
評価対象画像においてエッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記評価対象画像の修正画像について、前記輪郭学習結果を用いて輪郭を特定する評価処理とを実行する手段として機能させ、
前記学習用画像及び前記評価対象画像の少なくとも何れか一方のエッジ欠けの修正には、ウォーターシェッド法を用いることを特徴とする画像処理プログラム。 - 対象物について、学習用画像及び評価対象画像を記憶する画像記憶部と、出力部に接続された制御部とを備えた画像処理システムを用いて、画像処理を実行させるためのプログラムであって、
前記制御部を、
輪郭によって囲まれた輪郭領域を含む学習用画像において、エッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記学習用画像の修正画像を用いて、前記輪郭を機械学習した輪郭学習結果を生成する学習処理と、
評価対象画像においてエッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記評価対象画像の修正画像について、前記輪郭学習結果を用いて輪郭を特定する評価処理とを実行する手段として機能させ、
前記輪郭学習結果の生成においては、輪郭領域を膨張させた膨張領域を作成する膨張処理を行ない、
隣接した前記膨張領域における重複領域を特定し、
前記重複領域の特徴量を用いて、輪郭の機械学習を行なうことを特徴とする画像処理プログラム。 - 対象物について、学習用画像及び評価対象画像を記憶する画像記憶部と、出力部に接続された制御部とを備えた画像処理システムを用いて、画像処理を実行させるためのプログラムであって、
前記制御部を、
輪郭によって囲まれた輪郭領域を含む学習用画像において、エッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記学習用画像の修正画像を用いて、前記輪郭を機械学習した輪郭学習結果を生成する
学習処理と、
評価対象画像においてエッジを検出し、このエッジのエッジ欠けを修正した修正画像を生成し、
前記評価対象画像の修正画像について、前記輪郭学習結果を用いて輪郭を特定する評価処理とを実行する手段として機能させ、
前記輪郭領域は、金属化合物の粒子を撮影した画像に含まれる粒子の輪郭領域であり、
前記学習処理において、輪郭領域の異常判定を行ない、前記粒子の正常・異常判定の結果を機械学習した異常判定学習結果を生成し、
前記評価対象画像において特定した輪郭によって囲まれる粒子領域の形状を、前記異常判定学習結果を用いて評価することを特徴とする画像処理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017005786A JP6448065B2 (ja) | 2017-01-17 | 2017-01-17 | 画像処理システム、画像処理方法及び画像処理プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017005786A JP6448065B2 (ja) | 2017-01-17 | 2017-01-17 | 画像処理システム、画像処理方法及び画像処理プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018116391A JP2018116391A (ja) | 2018-07-26 |
JP6448065B2 true JP6448065B2 (ja) | 2019-01-09 |
Family
ID=62985517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017005786A Active JP6448065B2 (ja) | 2017-01-17 | 2017-01-17 | 画像処理システム、画像処理方法及び画像処理プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6448065B2 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6869490B2 (ja) * | 2018-12-28 | 2021-05-12 | オムロン株式会社 | 欠陥検査装置、欠陥検査方法、及びそのプログラム |
CN113892020A (zh) * | 2019-05-27 | 2022-01-04 | 昭和电工株式会社 | 图像分析装置、方法、以及程序 |
JP7282670B2 (ja) * | 2019-12-27 | 2023-05-29 | Jfeミネラル株式会社 | 粒子形状分析方法及び装置 |
JP7113296B2 (ja) * | 2020-02-27 | 2022-08-05 | パナソニックIpマネジメント株式会社 | 画像解析方法、プログラム、及び画像解析システム |
JP7553935B2 (ja) | 2020-07-10 | 2024-09-19 | 株式会社カワタ | 混合割合判定方法および混合割合判定装置 |
KR102348375B1 (ko) * | 2021-04-27 | 2022-01-06 | 신용석 | 이미지 내 객체 추출 방법, 장치 및 컴퓨터-판독가능 기록 매체 |
JP7508416B2 (ja) | 2021-07-05 | 2024-07-01 | 株式会社神戸製鋼所 | 領域境界線検出装置、該方法および該プログラムならびに領域分割処理装置 |
WO2023238726A1 (ja) * | 2022-06-06 | 2023-12-14 | 株式会社レゾナック | 画像処理装置、画像処理方法及び画像処理プログラム |
CN117392075B (zh) * | 2023-10-10 | 2024-09-17 | 天翼数字生活科技有限公司 | 一种epg图像缺失检测方法和系统、电子设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3148040B2 (ja) * | 1993-03-23 | 2001-03-19 | 株式会社東芝 | 教師信号作成装置および画像認識装置 |
US8908945B2 (en) * | 2012-10-22 | 2014-12-09 | General Electric Company | Biological unit identification based on supervised shape ranking |
JP6282045B2 (ja) * | 2013-05-23 | 2018-02-21 | キヤノン株式会社 | 情報処理装置および方法、プログラム、記憶媒体 |
EP3124967B1 (en) * | 2014-03-27 | 2018-11-28 | Konica Minolta, Inc. | Image-processing device and image-processing program |
-
2017
- 2017-01-17 JP JP2017005786A patent/JP6448065B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2018116391A (ja) | 2018-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6448065B2 (ja) | 画像処理システム、画像処理方法及び画像処理プログラム | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
JP4154374B2 (ja) | パターンマッチング装置及びそれを用いた走査型電子顕微鏡 | |
JP5542889B2 (ja) | 画像処理装置 | |
JP5546317B2 (ja) | 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム | |
Bong et al. | Vision-based inspection system for leather surface defect detection and classification | |
US11747284B2 (en) | Apparatus for optimizing inspection of exterior of target object and method thereof | |
JP2016115331A (ja) | 識別器生成装置、識別器生成方法、良否判定装置、良否判定方法、プログラム | |
JP4518139B2 (ja) | 画像処理装置 | |
CN107004266A (zh) | 检测轮胎表面上缺陷的方法 | |
CN109949294A (zh) | 一种基于OpenCV的断口形貌图裂纹缺陷提取方法 | |
CN107895371B (zh) | 基于峰值覆盖值和Gabor特征的纺织品瑕疵检测方法 | |
CN114792310A (zh) | 一种LCD屏幕中边缘模糊的Mura缺陷检测方法 | |
Reddy et al. | Canny scale edge detection | |
JP4801697B2 (ja) | 画像形成方法,画像形成装置、及びコンピュータプログラム | |
KR101557271B1 (ko) | 영상 내 원 형상 검출에 따른 검출 원 형상의 근사화 방법 | |
JP2005165387A (ja) | 画面のスジ欠陥検出方法及び装置並びに表示装置 | |
CN114581433B (zh) | 一种获取金属球腔内表面形貌检测图像的方法及系统 | |
JP2020064333A (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
KR20230036650A (ko) | 영상 패치 기반의 불량 검출 시스템 및 방법 | |
Eastwood et al. | Autonomous image background removal for accurate and efficient close-range photogrammetry | |
Yan et al. | A boosted decision tree approach to shadow detection in scanning electron microscope (SEM) images for machine vision applications | |
CN112270717B (zh) | 一种棋盘格角点检测方法及装置 | |
JP2021105938A (ja) | 粒子形状分析方法及び装置 | |
Ghewari et al. | Analysis of model based shadow detection and removal in color images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180523 |
|
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: 20181030 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20181129 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6448065 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |