JP7120528B2 - 分類器構築方法、画像分類方法、分類器構築装置および画像分類装置 - Google Patents

Description

本発明は、画像を分類する分類器構築方法、画像分類方法、分類器構築装置および画像分類装置に関する。

半導体基板、ガラス基板、プリント基板等の製造では、異物や傷、エッチング不良等の欠陥を検査するために光学顕微鏡や走査電子顕微鏡等を用いて外観検査が行われる。従来、このような検査工程において検出された欠陥に対して、さらに詳細な解析を行うことによりその欠陥の発生原因を特定し、欠陥に対する対策が行われてきた。

近年では、基板上のパターンの複雑化および微細化に伴い、検出される欠陥の種類および数量が増加する傾向にあり、検査工程で検出された欠陥を自動的に分類する自動分類が提案されている。自動分類により欠陥の解析を迅速かつ効率的に行うことが実現され、発生頻度の高い欠陥の種類に注目して優先的に対策を施すことが可能となる。

自動分類では、欠陥を分類する際にニューラルネットワークや決定木、判別分析等を利用した分類器が用いられる。分類器に自動分類を行わせるには、欠陥画像（または、欠陥画像の特徴量）および欠陥画像の種類であるカテゴリを示す信号を含む教師データを用意して分類器を学習させる必要がある。

特許文献１には、このような教師データの作成を支援する方法が開示されている。特許文献１では、教師データに含まれる欠陥画像の複数種類の特徴量について、カテゴリ毎に、各特徴量の標準偏差に基づいて、当該特徴量の平均値を中心とする特徴量範囲を設定している。そして、対象となる欠陥画像の各特徴量がいずれのカテゴリの特徴量範囲に含まれるかに基づく投票によって、対象となる欠陥画像に付与されたカテゴリの妥当性を判定している。

また、特許文献２には、他の教師データの作成を支援する方法が開示されている。特許文献２では、複数種類の特徴量のそれぞれに関して、複数のカテゴリのそれぞれに割り振られた教師データに含まれる欠陥画像の特徴量のヒストグラムを生成している。そして、教師データに含まれる欠陥画像の特徴量を含む区画を注目区画として、各カテゴリに対するヒストグラムにおける注目区画の頻度に基づいて、複数のカテゴリのそれぞれに属するとした場合の妥当性を示す評価値が取得される。各欠陥画像において、特徴量の複数種類における評価値の代表値がカテゴリ毎に求められ、複数のカテゴリにおける複数の代表値に基づいて当該欠陥画像が属すべきものと判定されるカテゴリの候補が決定される。

特許第５０４５０８３号公報 特開２０１４－７０９４４号公報

欠陥画像の特徴量を離散化してヒストグラムや度数分布表を作成する際の離散化の区画数（階級の数）としては１００～５００程度で良好な結果が得られることが経験的に分かっている。このとき、あまり区画数を増やすとメモリ消費量が爆発的に増大するので、可能な限り少ない区画数で演算処理することが望ましい。
一方で、ヒストグラムや度数分布表を作成する際に、サンプル数をＮとして階級の数ｋの目安を得る方法としては、一般に以下の「スタージェスの公式」が知られている。
ｋ＝ｌｏｇ_２Ｎ＋１
しかし、この公式では、例えば５０００個の欠陥データに対する階級数がｋ＝１３．２９となり、経験的に得られた値の範囲（１００～２００）とは明らかに異なっている。このため、離散化の区画数を得ようとすると、試行錯誤で探らざるを得なかった。

そこで、本発明は、実際のデータに適した離散化の区画数を得ることを目的とする。

本発明に係る分類器構築方法は、
画像を複数のクラスのいずれかに分類する分類器を構築する分類器構築方法であって、
ａ）前記クラスが教示された教師画像、および、前記教師画像に基づく複数の特徴量軸毎の値を含む教師データを、前記複数のクラスの各々につき１つ以上の同数ずつ含むデータセットを複数セット準備する工程と、
ｂ）前記教師データの全部に基づき、前記複数の特徴量軸毎に、該特徴量軸の値を離散化して所定数の区画に分割する工程と、
ｃ）前記ａ）工程にて準備された前記複数のデータセットに基づき、前記複数の特徴量軸毎に、特徴量軸の値を前記ｂ）工程にて分割された各区画における度数を前記クラス別に示す度数分布データを生成する工程と、
ｄ）前記度数分布データが示す前記特徴量軸毎の各区画における前記クラス別の出現比率に基づき前記画像を分類する分類器を生成する工程と、
ｅ）前記複数のデータセットの全部を前記分類器で分類する工程と、
ｆ）前記度数分布データのうち前記ｅ）工程において誤分類された教師データについて、当該教師データが有する特徴量軸の値に対応する対応区画を前記特徴量軸毎に特定し、特定された前記対応区画における当該教師データの前記教示されたクラスの度数を増加させるように前記度数分布データを修正する工程と、
ｇ）前記ｆ）工程にて修正された度数分布データに対して前記ｄ）工程を繰り返す工程と、
ｈ）前記複数のデータセットの全部を前記ｇ）工程にて生成された分類器で分類し、分類成績を取得する工程と、
ｉ）前記ｈ）工程にて得られた前記分類成績が第１の基準を満たすか否か判断する工程と、
ｊ）前記第１の基準を満たさない場合は、前記ｂ）工程における前記区画の数を増やして設定し、前記ｂ）工程から前記ｈ）工程を繰り返す工程と、
ｋ）前記第１の基準を満たす場合は、前記第１の基準を満たす前記分類器に対する前記区画の数から、より少ない前記区画の数であり、かつ、当該区画の数について前記ｂ）工程から前記ｈ）工程を行い、該ｈ）工程にて得られた前記分類成績が第２の基準を満たす前記区画の数を取得する工程と、
ｌ）複数の前記教師データに基づき、前記複数の特徴量軸毎に、該特徴軸の値を離散化して前記ｋ）工程にて取得された数の前記区画に分割された各区画における度数を前記クラス別に示す度数分布データにて示される前記特徴量軸毎の各区画における前記クラス別の出現比率に基づき前記画像を分類する分類器を構築する工程と、
を備えることを特徴とする。

また、前記ｋ）工程は、
ｍ）前記第１の基準を満たす前記分類器に対する前記区画の数から、減らして設定された前記区画の数について、前記ｂ）工程から前記ｈ）工程を行い、該ｈ）工程にて得られた前記分類成績が前記第２の基準を満たさない場合には、前記区画の数を増やして設定された前記区画の数について、前記ｂ）工程から前記ｈ）工程を行う工程、
を含むようにしてもよい。

また、前記ｆ）工程において、前記度数分布データのうち前記ｅ）工程において誤分類された教師データについて、当該教師データが有する特徴量軸の値に対応する対応区画を前記特徴量軸毎に特定し、特定された前記対応区画を含む複数の前記区画における、当該教師データの前記教示されたクラスの度数を、前記対応区画を中心とする正規分布に従って増加させるようにしてもよい。

また、前記第１の基準及び前記第２の基準は、前記データセットの全てについて正答率が１００％であるようにしてもよい。

また、本発明に係る画像分類方法は、
画像を分類する画像分類方法であって、
分類対象画像を準備する工程と、
前記分類器構築方法により構築された分類器によって、前記分類対象画像を分類する工程と、
を含むことを特徴とする。

本発明に係る分類器構築装置は、
画像を複数のクラスのいずれかに分類する分類器を構築する分類器構築装置であって、
前記クラスが教示された教師画像、および、前記教師画像に基づく複数の特徴量軸毎の値を含む教師データと、該教師データを、前記複数のクラスの各々につき１つ以上の同数ずつ含むデータセットの複数セットとを記憶する教師データ記憶部と、
前記教師データ記憶部に記憶された前記教師データの全部に基づき、前記複数の特徴量軸毎に、該特徴量軸の値を離散化して分割する区画の数を設定する区画設定部と、
前記教師データ記憶部に記憶された前記複数のデータセットに基づき、前記複数の特徴量軸毎に、前記区画設定部にて設定された数の各区画における度数をクラス別に示す度数分布データを生成する度数分布データ生成部と、
前記度数分布データが示す前記特徴量軸毎の各区画における前記クラス別の出現比率に基づき前記画像を分類する分類器を生成する分類器生成部と、
前記複数のデータセットの一部または全部を前記分類器で分類したときに誤分類された教師データについて、当該教師データが有する特徴量軸の値に対する対応区画を前記特徴量軸毎に特定し、特定された前記対応区画における当該教師データの前記教示されたクラスの度数を増加させるように前記度数分布データを修正する度数分データ修正部と、
前記複数のデータセットの全部を前記分類器で分類した分類成績を取得する分類成績取得部と、
前記分類成績取得部で取得された分類成績が第１の基準を満たすまで、区画設定部における前記区画の数を増やす設定と、設定された当該区画の数に従った前記度数分布データ生成部における度数分布データの生成と、当該度数分布データに基づく前記分類器生成部における前記分類器の生成と、度数分布データ修正部における前記度数分布データの修正とを繰り返し実行させる繰返制御部と、
前記分類成績取得部で取得された分類成績が第１の基準を満たす場合に、前記第１の基準を満たす前記分類器に対する前記区画の数から、より少ない前記区画の数であり、かつ、当該区画の数に従った前記度数分布データ生成部における度数分布データの生成と、当該度数分布データに基づく前記分類器生成部における前記分類器の生成と、度数分布データ修正部における前記度数分布データの修正と、修正された前記度数分布データに基づく前記分類器生成部における前記分類器の生成と、当該生成された前記分類器で前記複数のデータセットの全部を分類した分類成績の、前記分類成績取得部における取得と、を行わせて取得された前記分類成績が第２の基準を満たす前記区画の数を取得する区画数探索部と、
を備え、
複数の前記教師データに基づき、前記複数の特徴量軸毎に、該特徴量軸の値を前記区画数探索部において取得された数の前記区画に分割された各区画における度数を前記クラス別に示す度数分布データにて示される前記特徴量軸毎の各区画における前記クラス別の出現比率に基づき前記画像を分類する分類器を構築することを
特徴とする。

本発明に係る画像分類装置は、
画像を分類する画像分類装置であって、
前記分類器構築装置と、
分類対象画像を記憶する分類対象画像記憶部と、
前記分類対象画像を前記分類器に分類させる分類制御部と、
を備えることを特徴とする。

発明によれば、実際のデータに適した離散化の区画数を得ることができる。

図１は、実施形態に係る検査・分類装置の概略構成を示す図である。 図２は、実施形態に係るコンピュータの構成を示す図である。 図３は、実施形態に係る検査・分類装置における機能構成を示すブロック図である。 図４Ａは、実施形態に係る分類器構築装置による分類器の構築の際の度数分布のための最適な離散化の区画数決定の流れを示す図である。 図４Ｂは、実施形態に係る分類器構築装置による分類器の構築の際の度数分布のための最適な離散化の区画数決定の流れを示す図である。 図５は、分類器生成および再代入法による評価の流れを説明する図である。 図６は、実施形態に係る度数分布データの修正例を説明するための図である。 図７は、実施形態に係る区画数と再代入法で全正答したサブセット数の関係を示すグラフである。 図８は、離散化区画数を変えて分類器を構築した際のテスト用データの総正答率を示すグラフである。 図９は、実施形態に係る分類器の構築の流れを示す図である。 図１０は、実施形態に係る新たな教師データの生成支援処理の流れを示す図である。

以下、図面を参照して、実施形態について説明する。以下に示す実施形態の構成は例示であり、開示の技術は実施形態の構成に限定されない。

≪実施形態≫
図１は、実施形態に係る検査・分類装置１の概略構成を示す図である。検査・分類装置１では、半導体基板（以下、単に「基板」という。）９上のパターンの欠陥を示す欠陥画像が取得され、当該欠陥画像の分類が行われる。欠陥画像の分類により、分類対象である当該欠陥が分類される。

検査・分類装置１は、撮像装置２、欠陥検出部４１およびコンピュータ５を備える。撮像装置２は、基板９上の検査対象領域を撮像する。欠陥検出部４１は、検査対象領域の画像データを処理しつつ欠陥を検出する。コンピュータ５は、欠陥検出部４１において欠陥
が検出された場合に、欠陥が属すべき欠陥クラス（欠陥の種別であり、「カテゴリ」などとも呼ばれる。）へと欠陥を分類する。コンピュータ５は、検査・分類装置１の全体動作の制御、および、欠陥の分類に利用される分類器の構築も行う。基板９上に存在するパターンの欠陥のクラスは、たとえば、欠損、突起、断線、ショート、異物などである。撮像装置２は、基板９の製造ラインに組み込まれる。検査・分類装置１は、いわゆるインライン型のシステムとなっている。検査・分類装置１は、欠陥検査装置に自動欠陥分類の機能を付加した装置と捉えることもできる。

撮像装置２は、撮像部２１、ステージ２２およびステージ駆動部２３を備える。撮像部２１は、基板９の検査領域を撮像して、多値の撮像画像のデータを取得する。ステージ２２は、基板９を保持する。ステージ駆動部２３は、撮像部２１に対してステージ２２を基板９の表面に平行な方向に相対的に移動させる。ステージ駆動部２３は、ボールねじ、ガイドレールおよびモータなどで構成される。コンピュータ５がステージ駆動部２３および撮像部２１を制御することにより、基板９上の検査領域が撮像される。

撮像部２１は、照明部２１１、光学系２１２および撮像デバイス２１３を備える。照明部２１１は照明光を出射し、光学系２１２はその照明光を基板９に導く。基板９にて反射した光は、再び光学系２１２に入射する。撮像デバイス２１３は、光学系２１２によって結像された基板９の像を電気信号に変換する。

欠陥検出部４１では、基板９の撮像画像と、当該撮像画像と同じ領域（正常な領域）を示す参照画像とを比較することにより差分画像（典型的には、両画像の差の絶対値を示す画像）が得られ、当該差分画像に基づいて、異常部分である欠陥が検出される。そして、欠陥部分の多値画像である欠陥画像が生成される。なお、欠陥検出部４１は、他の手法により欠陥を検出してもよい。

図２は、実施形態のコンピュータ５の構成を示す図である。コンピュータ５は、ＣＰＵ５１、ＲＯＭ５２およびＲＡＭ５３を有する。ＣＰＵ５１は、各種演算処理を行う演算回路を含む。ＲＯＭ５２は、基本プログラムを記憶している。ＲＡＭ５３は、各種情報を記憶する揮発性の主記憶装置である。コンピュータ５は、ＣＰＵ５１、ＲＯＭ５２およびＲＡＭ５３をバスライン５０１で接続した一般的なコンピュータシステムの構成を備えている。

コンピュータ５は、固定ディスク５４、ディスプレイ５５、入力部５６、読取装置５７および通信部５８を備えている。これらの要素は、適宜インターフェース（Ｉ／Ｆ）を介してバスライン５０１に接続されている。

固定ディスク５４は、情報記憶を行う補助記憶装置である。ディスプレイ５５は、画像などの各種情報を表示する表示部である。入力部５６は、キーボード５６ａおよびマウス５６ｂなどを含む入力用デバイスである。読取装置５７は、光ディスク、磁気ディスク、光磁気ディスクなどのコンピュータ読み取り可能な記録媒体８から情報の読み取りを行う。通信部５８は、検査・分類装置１の他の要素との間で信号を送受信する。

コンピュータ５は、読取装置５７を介して記録媒体８からプログラム８０を読み取り、固定ディスク５４に記録する。当該プログラム８０は、ＲＡＭ５３にコピーされる。ＣＰＵ５１は、ＲＡＭ５３内に格納されたプログラム８０に従って、演算処理を実行する。

図３は、実施形態の検査・分類装置１における機能構成を示すブロック図である。図３では、コンピュータ５のＣＰＵ５１、ＲＯＭ５２、ＲＡＭ５３および固定ディスク５４などにより実現される機能構成を、符号５を付した矩形の破線で囲んでいる。

コンピュータ５は、特徴量算出部３１、画像分類装置３２および分類器構築装置３３を有する。特徴量算出部３１は、画像から各種特徴量を算出する。画像分類装置３２は、欠陥が検出された場合に、当該欠陥を自動的に分類する。分類器構築装置３３は、分類器３３０を構築する。

画像分類装置３２は、画像記憶部３２１（分類対象画像記憶部）、分類制御部３２２、および入力部５６（図２参照）を有する。分類制御部３２２は、分類器３２０を有する。分類器構築装置３３により構築された当該分類器３３０は、画像分類装置３２における分類器３２０として登録される。

分類器構築装置３３は、教師データ記憶部３３１、度数分布データ生成部３３２、分類器生成部３３３、度数分布データ修正部３３４および繰返制御部３３５を有する。

特徴量算出部３１、画像分類装置３２および分類器構築装置３３各々が実現する機能の詳細については後述する。なお、これらの各機能は専用の電気回路により構築されてもよく、部分的に専用の電気回路が利用されてもよい。

＜分類器構築装置３３における離散化された区画数の決定について＞
検査・分類装置１では、事前準備として、分類器構築装置３３による分類器３３０の構築が行われる。図４Ａ、図４Ｂおよび図５は、実施形態の分類器構築装置３３による分類器３３０の構築の際に各クラスの度数分布表を作成するために教師データについて離散化された適切な区画数を決定する流れを示す図である。本処理例における分類器３３０の構築では、分類器３３０の構造が実質的に予め決定されており、分類器３３０が含むパラメータに値を付与することにより、分類器３３０が生成される。

まず、欠陥検出部４１にて検出された多数の欠陥画像が、教師データ記憶部３３１に記憶される。続いて、特徴量算出部３１では、各欠陥画像に対して複数種類の特徴量の値、すなわち、複数の特徴量軸における値が取得される。複数の特徴量軸には、たとえば、欠陥の面積、周囲長、重心位置、モーメント量、階調値の平均、分散、最大、最小等の特徴量についての軸が含まれる。各欠陥画像に対する複数の特徴量軸の値の集合は、特徴量ベクトルとも呼ばれる。

また、各欠陥画像が示す欠陥に対して、ユーザにより、欠陥のクラスの教示（入力）が行われる。クラスの教示では、複数の欠陥画像が、コンピュータ５のディスプレイ５５に表示される。そして、ユーザにより、各欠陥画像に対して複数のクラスのいずれか１つが決定され、クラスの入力が入力部５６を介して行われる。これにより、複数の欠陥画像のそれぞれにおいて、複数のクラスのうちの１つが教示クラスとして教示される。以下、クラスの教示が行われた欠陥画像を、「教師画像」という。

教師データ記憶部３３１では、各教師画像の教示クラスと、当該教師画像に対して取得される複数の特徴量軸の値とが互いに関連付けられた状態で、これらの情報が記憶される。言い換えると、各教師画像の教示クラスと、当該教師画像における複数の特徴量軸の値とを含む教師データ８１が複数生成され、教師データ記憶部３３１に記憶される。既述のように、欠陥検出部４１では、基板９の撮像画像と参照画像とを比較することにより差分画像が得られ、当該差分画像に基づいて欠陥画像が生成される。したがって、欠陥画像（教師画像）と共に、参照画像および差分画像において欠陥画像と同じ領域を示す部分等を用いて、特徴量軸毎の値が取得されてもよい（後述する画像分類装置３２による対象画像の分類において同様）。
このようにして生成された教師データ８１から、全てのクラスから１つ以上の同数の教
師データを選出して複数の学習用データセット８１０を準備する（ステップＳ１）。

複数の学習用データセット８１０が準備されると、度数分布データ生成部３３２は、学習用データセット８１０に基づいて、特徴量軸毎の度数分布を表す度数分布データ８２を生成する。度数分布データ８２は、複数の教師データ８１を標本とする度数分布を示すデータであって、特徴量軸毎に、各特徴量軸の値を離散化した各区画における度数（出現頻度）をクラス別に示すデータである。

具体的には、度数分布データ生成部３３２は、特徴量軸毎に、全ての教師データ８１に含まれる各特徴量の値の中から、最大値および最小値を特定することにより、特徴量軸毎に値の分布範囲を取得する。そして、度数分布データ生成部３３２は、当該分布範囲を、所定の個数の区画に等分割（離散化）する。このときの区画の個数（区画数）としては、ステップＳ２において区画設定部８３において設定された所定の値を用いる。以降、図４のステップＳ３を構成するサブルーチンである分類器生成および再代入法による評価の流れを図５に従って説明する。ここでは、ステップＳ１において準備された複数の学習用データセット８１０のうちのいずれか一つを選択し(ステップＳ３１)。そして、この学習用データセット８１０に含まれる教師データ８１について離散化された各区画（離散区画）におけるクラス毎の度数（出現頻度）が求められ、度数分布が作成される（ステップＳ３２）。具体的には、特徴量軸毎に、１つの教師データ８１につき、その教師データ８１が持つ特徴量の値に対応する対応離散区画の度数を１つだけ加える。これを各教師データ８１について行うことにより、度数分布データ８２が生成される。後述するように、特徴量軸毎のクラス別の度数分布は、画像の分類（すなわち、クラス判別）に供される。このため、度数分布データ８２は、クラス判別を行うための「判別情報」ともいえる。

分布範囲の分割数は、全ての特徴量軸について、ステップＳ２において区画設定部８３によって設定された区画数と同一の値とする。

分類器生成部３３３は、各特徴量の値の入力により画像分類する（すなわち、クラス判別する）初期の分類器３３０を生成する（ステップＳ３３）。当該初期の分類器３３０は、度数分布データ８２が示す、特徴量軸毎の各区画におけるクラス別の出現比率に基づき、分類対象の画像を分類するように構成される。

ここでは、分類器３３０の基本的構造は予め決定されており、分類器３３０は、複数の特徴量軸各々について、演算を行う複数の弱分類器を含む。弱分類器各々は、分類対象の画像が持つ特徴量の値を参照して、当該値が取得された画像が、複数のクラスのそれぞれに属する確率（弱分類器各々が対応する特徴量軸のみに着目した確率）をクラス評価結果として求める。

ここで、教師データ８１の総数をＮ、クラスの個数をｎ、クラスＣ_ｉ（ｉ＝１，２，・・・，ｎ）に属する（すなわち教示クラスがＣ_ｉである）教師データ８１の総数をＮ_ｉとする。Ｎ_ｉはどの特徴量軸についても同じ数である。したがって、クラスＣ_ｉに属する教師データ８１の総数Ｎ_ｉの全クラスの総和は、式（１）のように教師データ８１の総数となる。

また、特徴量軸の総数をｍ、特徴量軸D_j（ｊ＝１，２，・・・，ｍ）の値を離散化したときの分割数をＫ_ｊとし、特徴量軸D_jの区画ｋ（ｋ＝１，２，・・・，Ｋ_ｊ）におけるクラスＣ_ｉに属する教師データ８１の個数をF_ij(k)で表すと、クラスＣ_ｉに属する教師データ８１の総数Ｎ_ｉは、式（２）のように表される。

一方、１つの特徴量軸D_jのみに着目した場合に、区画ｋにおいてクラスＣ_ｉに属する教師データ８１の出現比率（個数F_ij(k)のクラスＣ_ｉに属する教師データ８１の総数Ｎ_ｉに対する比率）は、当該特徴量軸D_jの値が区画ｋに属する画像がクラスＣ_ｉに属する確率と考えることができる。以下、当該確率をP_jk(C_i)と表す。この確率P_jk(C_i)は、式（３）のように表される。

１つの特徴量軸において、確率P_jk(C_i)はｎ個（クラス数）だけ得られるが、全クラスの
確率P_jk(C_i)の総和は１にはならない。

分類器３３０を構成する複数の弱分類器各々は、対応する特徴量軸D_jの値から度数分布データ８２を参照することにより、クラス別に出現比率（確率P_jk(C_i)）をクラス評価結
果として求める。当該弱分類器では、特徴量軸D_jの値が取得された画像が、特定のクラスC_iに属するとした場合の妥当性（確信度）を示す評価値がクラス評価値として求められるともいえる。

ところで、多くの特徴量軸におけるクラス別の度数分布では、互いに重なり合う部分が多く存在する場合があるため、各特徴量軸において求められる複数のクラスに対する確率によるクラスの予測精度は、あまり高いとは言えない（ただし、ランダムにクラスを予測するよりも精度は高いといえる。）。そこで、分類器３３０では、アンサンブル学習の考え方が取り入れられており、複数の特徴量軸に対する複数の弱分類器のクラス評価結果に基づいて分類クラスを決定する強分類器として、分類器３３０が構成される。

分類器３３０では、各特徴量軸に対するクラス評価結果として、複数のクラスの評価値（確率）が求められるが、クラス評価結果は、例えば、評価値が最大のクラスに１を付与し、他のクラスに０を付与するものであってもよい。この場合、実質的に、各特徴量軸において評価値が最大のクラスに投票を行う処理となり、複数の特徴量軸における得票数が最大のクラスが分類クラスとして決定される。

度数分布データ修正部３３４は、度数分布データ生成部３３２によって生成され、分類器生成部３３３に送られた度数分布データ８２を修正する。以下、度数分布データ修正部３３４が度数分布データ８２を修正する処理の流れについて説明する。具体的には、度数
分布データ修正部３３４は、修正対象の度数分布データ８２に基づき画像分類を行う分類器３３０を用いて、複数の教師データ８１を分類する（ステップＳ３４）。本処理例では、度数分布データ修正部３３４は、教師データ８１として、初期の分類器３３０を生成したとき（すなわち、初期の度数分布データ８２を生成したとき）に使用された教師データ８１全部を、分類器３３０に分類させる。教師データ８１の分類では、各教師データ８１の各特徴量軸D_jの値が特定され、クラスC_i別の出現比率（確率P_jk(C_i)）がクラス評価結
果として取得される。

分類器３３０による分類では、さらに、特徴量軸各々の出現比率の代表値（例えば、平均値や中央値、加重平均値等）が求められる。そして、全クラスのうち代表値が最大であるクラスが、当該教師データの分類先のクラスに決定される。各教師データの分類クラスは、度数分布データ修正部３３４において記憶される。なお、分類器３３０による好ましい処理では、（１）最大の代表値が所定の閾値ＳＨ１未満である場合、または、（２）最大の代表値と２番目に大きい代表値との差（または比率）が所定の他の閾値ＳＨ２未満である場合などに、分類すべきクラスが不明であることを示す追加クラスが分類クラスとして決定される。以下の説明では、上記（１）、（２）の場合に、教師画像群の教師画像が、追加クラスに分類されるものとする。

続いて、度数分布データ修正部３３４は、教師データ８１のうち、分類されたクラスが教示クラスと相違していた教師データ８１（以下、このデータを「誤分類教師データ」とも称する。）が存在する場合、その教師データ各々に基づいて、度数分布データ８２を修正する（ステップＳ３５）。

この度数分布データ８２の修正では、誤分類教師データを参酌することにより、特徴量軸各々に関して、その誤分類教師データが持つ特徴量の値に対応する区画（対応区画）が特定されるとともに、その対応区画における誤分類教師データの教示クラスの度数が、予め定められた正の値だけ増加される。すなわち、分類先のクラスが教示クラスと相違した誤分類教師データについて、特徴量軸毎のクラス別の度数分布を示す度数分布データ８２において、重複して計数された度数分布データ８２が生成されることとなる。この処理は、誤分類教師データの重みの変更と捉えることもできる。

図６は、度数分布データ８２の修正例を説明するための図である。ここでは、誤分類教師データの教示クラスが「Class 2」であり、その誤分類教師データが持つ特徴量軸D_jの
特徴量の値の対応区画が区画ｋであるとする。修正前の特徴量軸D_ｊの度数分布を図６（
ａ）に示し、修正後の特徴量軸D_ｊの度数分布を図６（ｃ）に示す。ここでは、度数分布
データ修正部３３４は、「Class 2」の度数を、区画ｋを中心としてその両側の区画に、
図６（ｂ）に示す｛１，２，３，５，８，１１，１３，１４，１３，１１，８，５，３，２，１｝のように度数を増加させる。これは、ｋを平均値として、総数１００、標準偏差３の正規分布（正確には正規分布を整数化したもの）に従って度数を増加させるものである。これにより、区画ｋを中心とする区画における「Class 2」の出現比率が見かけ上増
加することとなる。このような要領で、度数分布データ修正部３３４は、誤分類教師データの全ての特徴量軸に関して、対応区画の度数を増加させることにより、度数分布データ８２を修正する。

ここで、誤分類された教師データ８１の教示クラスに属する画像の特徴量は、通常、特定の対応区画とそれに隣接する隣接区画に分布しうる。このため、更新された分類器３３０が、対応区画または隣接区画の特徴量を持つ画像を、誤分類された教師データ８１の教示クラスに分類する確率を上げることができる。

また、対応区間区画の増加数を隣接区間区画の増加数よりも多くする場合、対応区間区
画の出現比率を隣接区間区画の出現比率よりも相対的に大きく増加させることができる。したがって、更新された分類器３３０が、誤分類された教師データ８１の教示クラスに分類されるべき画像、すなわち、上記対応区間区画の特徴量を持つ画像が、その教示クラスに分類される確率を上げることができる。

続いて、度数分布データ修正部３３４は、修正された度数分布データ８２に基づく分類器３３０を用いて、複数の教師データ８１を分類する（ステップＳ３６）。そして、分類成績取得部において、分類成績（正答率）を取得する（ステップＳ３７）。ここでは、ステップＳ３１で準備された複数の教師データ８１の全てを対象とする。

ここで、図５に示すサブルーチンを終了し、図４Ａに示すステップＳ４に進む。ここでは、繰返制御部３３５により、ステップＳ１で準備された学習用データセットの全てについて、ステップＳ３を通じて分類成績が取得されたか否かが判断される。そして、分類成績を取得していない学習用データセットが存在する場合には、ステップＳ３に戻り、分類生成績を取得していない学習用セットのうちの一の学習用セットに対して分類器生成および再代入法による評価（ステップＳ３１～Ｓ３７）を実行する。ステップＳ４において、全ての学用データセットについて、ステップＳ３を通じて分類成績が取得されている場合には、ステップＳ５に進む。

ステップＳ５では、繰返制御部３３５により、取得された分類成績である正答率が、全ての学習用データセットについて１００％であるか否かが判断される。ここで、繰返制御部３３５により、取得された分類成績である正答率が、全ての学習用データセットについて１００％であることが第１の基準に相当する。そして、全ての学習用データセットについて正答率が１００％ではない場合には、ステップＳ６において、区画数を増やし、新たな区画数をステップ２において設定する。さらに、増加した区画数に対してステップＳ３～Ｓ４を実行する。また、全ての学習用データセットについて正答率が１００％である場合には、ステップＳ７に進む。ステップＳ５において、全ての学習用データセットについて正答率を１００％か否かを判断条件としているが、判断条件はこれに限られず、全ての学習用データセットについて正答率が所定の閾値を超えるか否かを判断条件としてもよい（後述のステップＳ１４についても同様）。

ステップＳ７では、区画数探索部３３７が、ステップＳ５において全ての学習用データセットについて正答率１００％となった際の区画数（Ｋ（０）とする）を区画設定部８３から取得する。そして、ステップＳ８において、最小区画数のための変数ｍｉｎＫにＫ（０）を代入する。

次に、区画数をＫ（０）から減らし（ステップＳ９）、ｉ＝１とおいて（ステップＳ１０）、区画数のための変数Ｋ（ｉ）に減らした区画数を代入する（ステップＳ１１）。

次に、ステップＳ１２に進み、分類器生成および再代入法による評価を行う。この処理の内容はステップＳ３と同様であるので説明を省略する。そして、ステップＳ１３では、繰返制御部３３５において全ての学習用データセットについて分類成績を取得したか否かが判断される。ここで、全ての学習用データセットについて分類成績を取得していないと判断された場合には、ステップＳ１２に戻る。ステップＳ１３において、全ての学習用データセットについて分類成績を取得していると判断された場合には、ステップＳ１４に進む。

ステップＳ１４では、繰返制御部３３５において、全ての学習用データセットについて正答率１００％か否かが判断される。このとき、繰返制御部３３５において、全ての学習用データセットについて正答率１００％であることが第２の基準に相当する。ここで、全
ての学習用データセットについては正答率１００％ではないと判断された場合には、区画数を増やし（ステップＳ１５）、ｉをインクリメントして（ステップＳ１６）、新たな区画数Ｋ（ｉ）を設定し（ステップＳ１１）、ステップＳ１２の処理を実行する。ステップＳ１４において、全ての学習用データセットについて正答率１００％であると判断された場合には、ステップＳ１７に進む。

ステップＳ１７では、区画数探索部３３７が、現在設定されている区画数Ｋ（ｉ）とｍｉｎを比較する。Ｋ（ｉ）がｍｉｎＫよりも大きい場合には、区画数を減らし（ステップＳ１８）、ｉをインクリメントして（ステップＳ１９）、新たな区画数Ｋ（ｉ）を設定し（ステップＳ１１）、ステップＳ１２の処理を実行する。Ｋ（ｉ）がｍｉｎＫよりも小さい場合には、ｍｉｎＫの値をＫ（ｉ）に更新し（ステップＳ２０）、区画数を減らし（ステップＳ２１）、ｉをインクリメントして（ステップＳ２２）、新たなく価格数Ｋ（ｉ）を設定し（ステップＳ１１）、ステップＳ１２の処理を実行する。そして、Ｋ（ｉ）がｍｉｎＫに等しい場合には、ｍｉｎＫを最小の区画数と確定し（ステップＳ２３）、処理を終了する。
このようにすれば、実際のデータに適した離散化の区画数を得ることができる。

図４Ａ、図４Ｂおよび図５に示した処理について、ウェーハの外観検査装置によって取得した欠陥画像を用いた具体例に即して説明する。この欠陥画像には、３つの欠陥種別、すなわち３つのクラスの欠陥が含まれている。総データ数は５１１２個であり、特徴量数は１７４である。３つのクラスをＣ１、Ｃ２、Ｃ３としたとき、クラス毎のデータ数は、Ｃ１が１５７８個、Ｃ２が２８４６個、Ｃ３が６８８個である。
まず、この５１１２個の全てのデータについて、１７４個の特徴量毎に最大値と最小値を調べておく。また、教師データから、学習用サブセットを作る。ただし、このデータでは、最もデータ数の少ないＣ３についてデータの重複なくサブセットを作ろうとすれば、例えば、８個×８６セットのようになるが、経験的にはこれでは教師データ数としてもサブセット数としても若干不足していると判断されるため、各クラスからランダムに１０個ずつ取り出した（全３０個の教師データからなる）もの１００セットとした。

次に、離散化の区画数を１６，３２，６４，１２８，２５６と増やしていったとき、用意した各学習用サブセットについて再代入法による評価結果が１００％になるか（または予め決めた閾値を超えるか）否かを調べ、評価結果が１００％となったもの（または閾値を超えたもの）を記録する。ここでは、評価結果が１００％となったサブセットの数は、上記区画数に対応して、それぞれ３，１８，６９，９７，１００であった。この区画数と、再代入法で全正答したサブセット数の関係を図７に示す。ここでは、クラス毎のデータ数が１０個で、サブセット数が１００であるものに加えて、クラス毎のデータ数が１，２，５，２０，５０個で、サブセット数が各１００である別の５群についても参考のためにプロットしている。図７では、クラス毎のデータ数を１０とした上述のグラフを実線で示している。

この結果から、適正な区画数は１２８から２５６の間にあると考えられるので、１２８と２５６の中間である１９２を選び、同様に再代入法による評価を行い正答率が１００％であるサブセットの数を調べて１００を得た。これを１９２（１００）と表記することにすると、以下、区画数は１６０（９８）→１７６（１００）→１６８（９９）→１７２（９９）→１７４（１００）→１７３（１００）と変更され、１７３でそれ以上変更できなくなり、繰返し処理を終了した。
上述の５１１２個の教師データを用いて、得られた区画数１７３でステップＳ３２～Ｓ３５に説明した処理により構築した分類器により、別途用意したテスト用データ（総データ数４８６５個）を分類したところ、約７３％の総正答率を得た。離散化区画数を変えて分類器を構築したときの、テスト用データの総正答率は図８のようになっており、上述の
区画数１７３とした分類器は、必ずしも最高成績を示す区画数ではない。しかし、ここでは無駄に区画数を増やすことなく、つまりなるべく少ないメモリ消費量で安定した動作が得られるような区画数が重要である。分類成績については、追加学習によって分類器を更新するか、あるいはBoostingの手法を用いることにより向上させることができる。

＜分類器構築装置３３における分類器構築について＞
図９は、実施形態の分類器構築装置３３による分類器３３０の構築の流れを示す図である。
ステップＳ４１において、教師データを準備する。教師データの準備については、図４Ａ、図４Ｂおよび図５に関連して説明したところと同様であるため説明を省略する。
ステップＳ４２において、特徴量毎にクラス各々の度数分布を作成する。この際に、上述の図４Ａ、図４Ｂおよび図５に説明した方法によって決定した区画数を用いる。
ステップＳ４３における分類器の生成は図５のステップＳ３３と同様である。また、ステップＳ４４における分類器を用いた教師データの分類は図５のステップＳ３４と同様であり、ステップＳ４５における誤分類された教師データについての度数分布の修正は、図５のステップＳ３５と同様である。ただし、このとき、再代入法に用いられる教師データについて、初期の分類器３３０を生成したとき（すなわち、初期の度数分布データ８２を生成したとき）に使用された教師データ８１全部を、分類器３３０に分類させてもよいし教師データ８１全部のうち一部のみを選択して、分類器３３０に分類させてもよい。また、ステップＳ４４において、これまで使用されていない教師データ８１（すなわち、度数分布データ８２に反映されていない教師データ８１）を含めて、分類器３３０に分類させてもよい。
ステップＳ４６において、修正された度数分布データに基づく分類器３３０が、画像分類装置３２における分類器３２０として登録される（ステップＳ４６）。
分類器の構築においては、さらに、追加学習によって分類器を更新するようにしてもよい。また、さらにBoostingによって構築してもよい。

＜教師データ８１の生成支援処理について＞
図１０は、画像分類装置３２による新たな教師データ８１の生成支援処理の流れを示す図である。画像分類装置３２が備える分類器３２０は、分類器構築装置３３が図９に示す流れに沿って生成した分類器３３０である。画像分類装置３２は、オペレータが未教示の欠陥画像から新たな教師画像（教師データ８１）を生成する作業を支援することができる。

具体的には、画像分類装置３２が分類器３２０を用いて未教示の欠陥画像を分類する（ステップＳ５１）。画像分類装置３２は、この分類結果を、ディスプレイ５５に表示することにより、オペレータに提示する（ステップＳ５２）。そして、画像分類装置３２は、オペレータによる操作に応じて、教師データ８１の登録を行う（ステップＳ５３）。詳細には、オペレータが、分類された欠陥画像の分類結果が適切と判断した場合には、その分類結果を採用する操作を行う。これにより、画像分類装置３２が、その分類結果に従って教師データ８１を生成し、記憶部（教師データ記憶部３３１）に保存する。一方、分類結果が不適切であった場合には、オペレータが正しいクラスを入力する操作を行う。それに基づき、画像分類装置３２がその入力に従って教師データ８１を保存する。画像分類装置３２は、教師データ数が目標数まで達したか否かを判断する（ステップＳ５４）。目標数に達していない場合（ステップＳ５４においてＮＯ）、画像分類装置３２はステップＳ５１を再び実行する。また、目標数を達成した場合（ステップＳ５４においてＹＥＳ）には、画像分類装置３２は教師データ８１の生成支援処理を終了する。

このように、画像分類装置３２を用いて教師データ８１の生成する場合、オペレータに対して、各未教示の欠陥画像についての分類先のクラスを、所定の精度で提示することが
できる。したがって、オペレータが全ての欠陥画像を確認してクラスを決定する場合、たとえば、未教示の欠陥画像が１０００あるいは１００００個以上となると、オペレータにとって分類作業は極めて大きい負担となる。そこで、画像分類装置３２を用いることにより、その負担を大幅に軽減できる。

なお、画像分類装置３２を使って新たに取得された教師データ８１を使って、再び分類器構築装置３３において、分類器３３０を新たに構築してもよい。あるいは、既に保存されている分類器３３０について、新たに得られた教師データ８１を使って更新することも考えられる。具体的には、度数分布データ修正部３３４が、新たな教師データ８１の度数を、度数分布データ８２が示す度数分布に加えることが考えられる。あるいは、度数分布データ修正部３３４が、それまでに得られている分類器３３０を使って新たな教師データ８１を分類し、そのうちの誤分類された教師データ８１に基づいて、図６に説明した要領で度数分布データ８２を修正するとよい。

なお、ステップＳ５１において、分類器３２０が未教示の欠陥画像を分類した場合に、分類先のクラスが不明とされ、追加クラスに分類される場合がある。このような欠陥画像については、任意の学習アルゴリズム（線形判別分析やＳＶＭなど）で別途構築された分類器（以下、「追加的分類器」と称する。）を用いて分類を行い、その分類結果をステップＳ５２においてオペレータに提示されてもよい。この場合、分類器３２０によって分類先不明とされた欠陥画像であっても、該当する蓋然性のあるクラスをオペレータに提示できる。

また、分類器３２０によって分類先不明とされた欠陥画像だけなく、分類器３２０によってクラスが決定された欠陥画像についても、上記追加的分類器で重複的に分類を行ってもよい。このとき、分類器３２０と追加的分類器の分類結果が一致した欠陥画像については、分類先のクラスを正式なクラスとする教師データ８１を生成してもよい。また、分類器３２０と追加的分類器の分類結果が一致しない欠陥画像については、それぞれの結果をステップＳ２２にてオペレータに提示するようにしてもよい。これにより、教師データ８１を生成する際に、オペレータが確認する欠陥画像の数を軽減できることから、教師データ８１の生成を適切に支援できる。

＜画像分類装置３２による画像分類について＞
ここで、画像分類装置３２による欠陥画像の分類について、簡単に説明する。既述のように、検査・分類装置１では、撮像装置２により基板９が撮像され、撮像画像が欠陥検出部４１に入力される。欠陥検出部４１では、検査対象領域の欠陥検査が行われ、欠陥が検出されると、欠陥部分の多値画像である欠陥画像が生成されて画像分類装置３２に出力される。これにより、欠陥画像が、画像記憶部３２１に記憶された状態で準備される。当該欠陥画像は、画像分類装置３２における分類対象の画像であるため、以下、「対象画像」とも称する。

続いて、特徴量算出部３１により、対象画像に対して複数の特徴量軸の値（複数種類の特徴量の値）が算出される。分類制御部３２２には、分類器構築装置３３により構築された分類器３２０が備えられており、複数の特徴量の値が分類器３２０に入力されると、当該対象画像の分類が行われる。

対象画像の分類は、図５のステップＳ３４における教師データ８１の分類と同様にして行われる。すなわち、特徴量軸毎に、対象画像の特徴量の値が属する区画が特定され、クラス別の評価値がクラス評価結果として取得される。続いて、特徴量軸毎に、クラス別の複数の評価値の代表値が求められ、各クラスのうち代表値が最大であるクラスが、当該対象画像の分類クラスとして決定される。なお、教師データ８１の分類と同様に、必要に応
じて、分類すべきクラスが不明であることを示す追加クラスが分類クラスとして決定される場合もある。検査・分類装置１では、欠陥検出部４１にて欠陥が検出される毎にこのような分類動作がリアルタイムにて行われ、多数の対象画像の自動分類が高速に行われる。

＜変形例＞
以上、実施形態について説明してきたが、本発明は上記のようなものに限定されるものではなく、様々な変形が可能である。

欠陥画像は、半導体基板以外の基板上の欠陥を示すものであってよい。当該基板として、ハードディスク基板等の薄膜デバイス、プラズマディスプレイや液晶ディスプレイ等の薄型ディスプレイに用いられるガラス基板、フォトマスク基板、フィルム基板、プリント配線基板等が例示される。

また、検査・分類装置１が、太陽電池パネルを撮像した欠陥画像を分類する用途に用いられてもよい。例えば、太陽電池パネルのＥＬ（エレクトロ・ルミネッセンス）発光やＰＬ（フォト・ルミネッセンス）発光を撮像して得られる画像や、レーザーテラヘルツエミッション顕微鏡（ＬＴＥＭ）を用いて得られる太陽電池パネルの画像において、参照画像が示す正常な領域とは異なる領域を含む部分を欠陥画像として扱って、検査・分類装置１において太陽電池パネルの欠陥が分類されてよい。さらに、欠陥画像は、電子線やＸ線などにより撮像される画像であってもよい。このように、検査・分類装置１では、可視光により撮像される画像のみならず、広義の放射線により撮像される画像が分類される。

検査・分類装置１において、画像分類装置３２および分類器構築装置３３の機能は、撮像装置２および欠陥検出部４１とは独立して用いられてもよい。画像分類装置および分類器構築装置は、血液や培養液等の所定の液中の細胞を撮像した細胞画像を、複数のクラスに分類する用途に用いられうる。また、画像分類装置および分類器構築装置は、様々な分類対象を示す画像の分類に利用可能である。また、分類器構築装置は、画像分類装置に含まれてもよい。

この発明は詳細に説明されたが、上記の説明は、すべての局面において、例示であって、この発明がそれに限定されるものではない。例示されていない無数の変形例が、この発明の範囲から外れることなく想定され得るものと解される。上記各実施形態及び各変形例で説明した各構成は、相互に矛盾しない限り適宜組み合わせたり、省略したりすることができる。

１ 検査・分類装置
５ コンピュータ
８ 記録媒体
９ 基板
３１ 特徴量算出部
３２ 画像分類装置
３２０，３３０ 分類器
３２１ 画像記憶部
３２２ 分類制御部
３３ 分類器構築装置
３３１ 教師データ記憶部
３３２ 度数分布データ生成部
３３３ 分類器生成部
３３４ 度数分布データ修正部
３３５ 繰返制御部
４１ 欠陥検出部
５６ 入力部
８１ 教師データ
８１０ 学習用データセット
８２ 度数分布データ
８３ 区画設定部

Claims (7)

1. 画像を複数のクラスのいずれかに分類する分類器を構築する分類器構築方法であって、
   ａ）前記クラスが教示された教師画像、および、前記教師画像に基づく複数の特徴量軸毎の値を含む教師データを、前記複数のクラスの各々につき１つ以上の同数ずつ含むデータセットを複数セット準備する工程と、
   ｂ）前記教師データの全部に基づき、前記複数の特徴量軸毎に、該特徴量軸の値を離散化して所定数の区画に分割する工程と、
   ｃ）前記ａ）工程にて準備された前記複数のデータセットに基づき、前記複数の特徴量軸毎に、特徴量軸の値を前記ｂ）工程にて分割された各区画における度数を前記クラス別に示す度数分布データを生成する工程と、
   ｄ）前記度数分布データが示す前記特徴量軸毎の各区画における前記クラス別の出現比率に基づき前記画像を分類する分類器を生成する工程と、
   ｅ）前記複数のデータセットの全部を前記分類器で分類する工程と、
   ｆ）前記度数分布データのうち前記ｅ）工程において誤分類された教師データについて、当該教師データが有する特徴量軸の値に対応する対応区画を前記特徴量軸毎に特定し、特定された前記対応区画における当該教師データの前記教示されたクラスの度数を増加させるように前記度数分布データを修正する工程と、
   ｇ）前記ｆ）工程にて修正された度数分布データに対して前記ｄ）工程を繰り返す工程と、
   ｈ）前記複数のデータセットの全部を前記ｇ）工程にて生成された分類器で分類し、分類成績を取得する工程と、
   ｉ）前記ｈ）工程にて得られた前記分類成績が第１の基準を満たすか否か判断する工程と、
   ｊ）前記第１の基準を満たさない場合は、前記ｂ）工程における前記区画の数を増やして設定し、前記ｂ）工程から前記ｈ）工程を繰り返す工程と、
   ｋ）前記第１の基準を満たす場合は、前記第１の基準を満たす前記分類器に対する前記区画の数から、より少ない前記区画の数であり、かつ、当該区画の数について前記ｂ）工程から前記ｈ）工程を行い、該ｈ）工程にて得られた前記分類成績が第２の基準を満たす前記区画の数を取得する工程と、
   ｌ）複数の前記教師データに基づき、前記複数の特徴量軸毎に、該特徴軸の値を離散化して前記ｋ）工程にて取得された数の前記区画に分割された各区画における度数を前記クラス別に示す度数分布データにて示される前記特徴量軸毎の各区画における前記クラス別の出現比率に基づき前記画像を分類する分類器を構築する工程と、
   を備えることを特徴とする分類器構築方法。
2. 前記ｋ）工程は、
   ｍ）前記第１の基準を満たす前記分類器に対する前記区画の数から、減らして設定された前記区画の数について、前記ｂ）工程から前記ｈ）工程を行い、該ｈ）工程にて得られた前記分類成績が前記第２の基準を満たさない場合には、前記区画の数を増やして設定された前記区画の数について、前記ｂ）工程から前記ｈ）工程を行う工程、
   を含む請求項１に記載の分類器構築方法。
3. 前記ｆ）工程において、前記度数分布データのうち前記ｅ）工程において誤分類された教師データについて、当該教師データが有する特徴量軸の値に対応する対応区画を前記特徴量軸毎に特定し、特定された前記対応区画を含む複数の前記区画における、当該教師データの前記教示されたクラスの度数を、前記対応区画を中心とする正規分布に従って増加させることを特徴とする請求項１または２に記載の分類器構築方法。
4. 前記第１の基準及び前記第２の基準は、前記データセットの全てについて正答率が１０
   ０％であることを特徴とする請求項１ないし３のいずれか１項に記載の分類器構築方法。
5. 画像を分類する画像分類方法であって、
   分類対象画像を準備する工程と、
   請求項１ないし４のいずれか１項に記載の分類器構築方法により構築された分類器によって、前記分類対象画像を分類する工程と、
   を含むことを特徴とする画像分類方法。
6. 画像を複数のクラスのいずれかに分類する分類器を構築する分類器構築装置であって、
   前記クラスが教示された教師画像、および、前記教師画像に基づく複数の特徴量軸毎の値を含む教師データと、該教師データを、前記複数のクラスの各々につき１つ以上の同数ずつ含むデータセットの複数セットとを記憶する教師データ記憶部と、
   前記教師データ記憶部に記憶された前記教師データの全部に基づき、前記複数の特徴量軸毎に、該特徴量軸の値を離散化して分割する区画の数を設定する区画設定部と、
   前記教師データ記憶部に記憶された前記複数のデータセットに基づき、前記複数の特徴量軸毎に、前記区画設定部にて設定された数の各区画における度数をクラス別に示す度数分布データを生成する度数分布データ生成部と、
   前記度数分布データが示す前記特徴量軸毎の各区画における前記クラス別の出現比率に基づき前記画像を分類する分類器を生成する分類器生成部と、
   前記複数のデータセットの一部または全部を前記分類器で分類したときに誤分類された教師データについて、当該教師データが有する特徴量軸の値に対する対応区画を前記特徴量軸毎に特定し、特定された前記対応区画における当該教師データの前記教示されたクラスの度数を増加させるように前記度数分布データを修正する度数分データ修正部と、
   前記複数のデータセットの全部を前記分類器で分類した分類成績を取得する分類成績取得部と、
   前記分類成績取得部で取得された分類成績が第１の基準を満たすまで、区画設定部における前記区画の数を増やす設定と、設定された当該区画の数に従った前記度数分布データ生成部における度数分布データの生成と、当該度数分布データに基づく前記分類器生成部における前記分類器の生成と、度数分布データ修正部における前記度数分布データの修正とを繰り返し実行させる繰返制御部と、
   前記分類成績取得部で取得された分類成績が第１の基準を満たす場合に、前記第１の基準を満たす前記分類器に対する前記区画の数から、より少ない前記区画の数であり、かつ、当該区画の数に従った前記度数分布データ生成部における度数分布データの生成と、当該度数分布データに基づく前記分類器生成部における前記分類器の生成と、度数分布データ修正部における前記度数分布データの修正と、修正された前記度数分布データに基づく前記分類器生成部における前記分類器の生成と、当該生成された前記分類器で前記複数のデータセットの全部を分類した分類成績の、前記分類成績取得部における取得と、を行わせて取得された前記分類成績が第２の基準を満たす前記区画の数を取得する区画数探索部と、
   を備え、
   複数の前記教師データに基づき、前記複数の特徴量軸毎に、該特徴量軸の値を前記区画数探索部において取得された数の前記区画に分割された各区画における度数を前記クラス別に示す度数分布データにて示される前記特徴量軸毎の各区画における前記クラス別の出現比率に基づき前記画像を分類する分類器を構築することを
   特徴とする分類器構築装置。
7. 画像を分類する画像分類装置であって、
   請求項６に記載の分類器構築装置と、
   分類対象画像を記憶する分類対象画像記憶部と、
   前記分類対象画像を前記分類器に分類させる分類制御部と、
   を備えることを特徴とする画像分類装置。

Images