JP7176614B2 - 画像処理装置、画像処理方法及びプログラム - Google Patents

Description

本発明は、画像処理装置、画像処理方法及びプログラムに関する。

ディープラーニング等を用いた機械学習において、認識精度の良い学習モデル（認識辞書）を作るためには、大量の学習データ（訓練データ）と、正解ラベルとが必要である。しかしながら、限られた運用期間中に、様々なパターン（主に環境変化（春夏秋冬又は昼夜等））を学習データとして収集することは困難である。

この技術に関連し、特許文献１は、撮影条件が未知の画像から簡易な方法で、画像認識のための機械学習に用いる訓練画像を生成することができる画像生成方法を開示する。特許文献１にかかる方法は、第一の画像に含まれる第一の領域の画像と、第二の画像に含まれる第二の領域の画像とを取得する。また、特許文献１にかかる方法は、第一の領域の画像の色情報を第二の領域の画像の色情報に類似させるように第一の領域の画像を変換する第一の変換パラメータを算出する。特許文献１にかかる方法は、第一の変換パラメータを用いて第一の画像を変換し、変換後の第一の画像と第二の画像とを合成することで第三の画像を生成する。

特開２０１７－ ４５４４１号公報

特許文献１にかかる技術では、第一の画像と第二の画像とを用いて新たな第三の画像を生成することで、多くの訓練画像が生成される。一方、単に多くの訓練画像を生成するだけでは、認識精度の良い学習モデルを生成することは困難である。

本開示の目的は、このような課題を解決するためになされたものであり、効率よく精度の良い学習モデルを生成することができる画像処理装置、画像処理方法及びプログラムを提供することにある。

本開示にかかる画像処理装置は、入力画像データを取得するデータ取得手段と、データ変換パラメータを用いて前記入力画像データを変換して、画像データを新たに生成するデータ生成手段と、予め記憶された学習モデルを用いて、前記データ生成手段によって生成された前記画像データの認識精度を算出する認識精度算出手段と、前記認識精度算出手段で算出された前記認識精度が予め定められた第１の閾値よりも低い前記画像データを、学習データとして出力する学習データ出力手段とを有する。

また、本開示にかかる画像処理方法は、入力画像データを取得し、データ変換パラメータを用いて前記入力画像データを変換して、画像データを新たに生成し、予め記憶された学習モデルを用いて、生成された前記画像データの認識精度を算出し、算出された前記認識精度が予め定められた第１の閾値よりも低い前記画像データを、学習データとして出力する。

また、本開示にかかるプログラムは、入力画像データを取得するステップと、データ変換パラメータを用いて前記入力画像データを変換して、画像データを新たに生成するステップと、予め記憶された学習モデルを用いて、生成された前記画像データの認識精度を算出するステップと、算出された前記認識精度が予め定められた第１の閾値よりも低い前記画像データを、学習データとして出力するステップとをコンピュータに実行させる。

本開示によれば、効率よく精度の良い学習モデルを生成することができる画像処理装置、画像処理方法及びプログラムを提供できる。

本開示の実施の形態にかかる画像処理装置の概要を示す図である。 実施の形態１にかかる画像処理装置の構成を示す図である。 撮影画像である入力画像を例示する図である。 図３に示した入力画像に対応するインデックス画像を例示する図である。 実施の形態１にかかるパラメータ記憶部に記憶されるデータを例示する図である。 実施の形態１にかかる画像処理装置で実行される画像処理方法を示すフローチャートである。 色分布データの決定方法の第１の例について説明するための図である。 色分布データの決定方法の第２の例について説明するための図である。 色分布データの決定方法の第３の例について説明するための図である。 実施の形態２にかかる画像処理装置の構成を示す図である。 実施の形態２にかかる画像処理装置で実行される画像処理方法を示すフローチャートである。

（本開示にかかる実施の形態の概要）
本開示の実施形態の説明に先立って、本開示にかかる実施の形態の概要について説明する。図１は、本開示の実施の形態にかかる画像処理装置１の概要を示す図である。画像処理装置１は、例えば、サーバ等のコンピュータである。

画像処理装置１は、データ取得部２と、データ生成部４と、認識精度算出部６と、学習データ出力部８とを有する。データ取得部２は、データ取得手段として機能する。データ生成部４は、データ生成手段として機能する。認識精度算出部６は、認識精度算出手段として機能する。学習データ出力部８は、学習データ出力手段として機能する。

データ取得部２は、入力画像データを取得する。入力画像データは、撮影された入力画像を示すデータである。データ生成部４は、データ変換パラメータを用いて入力画像データを変換して、画像データを新たに生成する。認識精度算出部６は、予め記憶された学習モデルを用いて、データ生成部４によって生成された画像データの認識精度を算出する。学習データ出力部８は、認識精度算出部６で算出された認識精度が予め定められた第１の閾値よりも低い画像データを、学習データとして出力する。出力された学習データは、学習モデルを生成（予め記憶された学習モデルを更新）するために使用される。

本開示にかかる画像処理装置１は、上記のように構成されているので、自動的に、認識精度の低い画像データを、学習データとして取得することができる。ここで、ディープラーニング等の機械学習を行って学習モデルを生成する際に用いる学習データは多い方が好ましいが、単純に学習データが多いだけでは、精度の良い学習モデルを生成することは困難である。すなわち、学習モデルの精度（汎化性能）を向上させるため、学習モデルを生成する際に使用される学習データは、様々なバリエーションの画像データであることが望ましい。具体的には、ある物体を認識する学習モデルを生成する場合、その物体が撮影された環境のバリエーション（季節、天候、時刻等）が少ない場合、そのバリエーションから逸脱した環境下で撮影されたその物体を認識できない学習モデルが生成され得る。例えば、物体Ａを認識する際に、晴れた夏の朝に撮影された物体Ａの画像のみを用いて学習モデルを生成したとする。この場合、その学習モデルは、雨の降る冬の夜に撮影された物体Ａの画像について、物体Ａを認識できないおそれがある。

このようなことを抑制するために、生成しようとしている学習モデルにおいて認識精度が低い環境下で撮影された画像データを、新たに学習データとすることで、認識精度の低かった環境下における画像の認識精度が向上し得る。したがって、その学習モデルの精度（汎化性能）が向上し得る。したがって、本開示にかかる画像処理装置１によって認識精度の低い画像データを学習データとして取得することで、効率よく、精度の良い学習モデルを生成することが可能となる。なお、画像処理装置１で実行される画像処理方法及び画像処理方法を実行するプログラムを用いても、効率よく、精度の良い学習モデルを生成することが可能となる。

（実施の形態１）
以下、実施形態について、図面を参照しながら説明する。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。また、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。

図２は、実施の形態１にかかる画像処理装置１００の構成を示す図である。画像処理装置１００は、図１に示した画像処理装置１に対応する。画像処理装置１００は、例えばサーバ等のコンピュータである。画像処理装置１００は、撮影された入力画像を処理して、画像認識で使用される学習モデルの生成（機械学習）に用いる学習データ（訓練データ）を出力する。

画像処理装置１００は、主要なハードウェア構成として、制御部１０２と、記憶部１０４と、通信部１０６と、インタフェース部１０８（ＩＦ；Interface）とを有する。制御部１０２、記憶部１０４、通信部１０６及びインタフェース部１０８は、データバスなどを介して相互に接続されている。

制御部１０２は、例えばＣＰＵ（Central Processing Unit）等のプロセッサである。制御部１０２は、制御処理及び演算処理等を行う演算装置としての機能を有する。記憶部１０４は、例えばメモリ又はハードディスク等の記憶デバイスである。記憶部１０４は、例えばＲＯＭ（Read Only Memory）又はＲＡＭ（Random Access Memory）等である。記憶部１０４は、制御部１０２によって実行される制御プログラム及び演算プログラム等を記憶するための機能を有する。また、記憶部１０４は、処理データ等を一時的に記憶するための機能を有する。記憶部１０４は、データベースを含み得る。

通信部１０６は、他の装置とネットワークを介して通信を行うために必要な処理を行う。通信部１０６は、通信ポート、ルータ、ファイアウォール等を含み得る。インタフェース部１０８（ＩＦ；Interface）は、例えばユーザインタフェース（ＵＩ）である。インタフェース部１０８は、キーボード、タッチパネル又はマウス等の入力装置と、ディスプレイ又はスピーカ等の出力装置とを有する。インタフェース部１０８は、ユーザ（オペレータ）によるデータの入力の操作を受け付け、ユーザに対して情報を出力する。インタフェース部１０８は、例えば、後述する入力画像、ターゲット画像、インデックス画像及び、変換後の画像データを表示してもよい。

実施の形態１にかかる画像処理装置１００は、データ取得部１１２、パラメータ記憶部１１４、データ生成部１２０、認識精度算出部１３０、学習モデル記憶部１３２、学習データ出力部１４０、及びパラメータ決定部１５０を有する。また、データ生成部１２０は、色分布算出部１２２及び画像変換部１２４を有する。

データ取得部１１２は、データ取得手段として機能する。パラメータ記憶部１１４は、パラメータ記憶手段として機能する。データ生成部１２０は、データ生成手段として機能する。認識精度算出部１３０は、認識精度算出手段として機能する。学習モデル記憶部１３２は、学習モデル記憶手段として機能する。学習データ出力部１４０は、学習データ出力手段として機能する。パラメータ決定部１５０は、パラメータ決定手段として機能する。色分布算出部１２２は、色分布算出手段として機能する。画像変換部１２４は、画像変換手段として機能する。なお、各構成要素の具体的な機能については後述する。

なお、各構成要素は、例えば、制御部１０２の制御によって、プログラムを実行させることによって実現できる。より具体的には、各構成要素は、記憶部１０４に格納されたプログラムを、制御部１０２が実行することによって実現され得る。また、必要なプログラムを任意の不揮発性記録媒体に記録しておき、必要に応じてインストールすることで、各構成要素を実現するようにしてもよい。また、各構成要素は、プログラムによるソフトウェアで実現することに限ることなく、ハードウェア、ファームウェア、及びソフトウェアのうちのいずれかの組み合わせ等により実現してもよい。また、各構成要素は、例えばＦＰＧＡ（field-programmable gate array）又はマイコン等の、ユーザがプログラミング可能な集積回路を用いて実現してもよい。この場合、この集積回路を用いて、上記の各構成要素から構成されるプログラムを実現してもよい。以上のことは、後述する他の実施の形態においても同様である。

データ取得部１１２は、図１に示したデータ取得部２に対応する。パラメータ記憶部１１４は、後述する画像変換で用いられる複数のデータ変換パラメータを予め記憶する。パラメータ記憶部１１４に記憶されているデータについては後述する。ここで、データ変換パラメータは、色分布を含み得る。また、色分布は、例えば、画像の輝度の平均及び標準偏差（又は分散）であるが、これに限られない。

データ生成部１２０は、図１に示したデータ生成部４に対応する。色分布算出部１２２は、入力画像データの色分布を算出する。画像変換部１２４は、入力画像データの色分布とデータ変換パラメータ（色分布）とに基づいて、入力画像データを変換する。これにより、データ生成部１２０は、学習データの候補となる画像データを新たに生成する。学習モデル記憶部１３２は、認識精度の算出に用いられる学習モデルを予め記憶する。認識精度算出部１３０は、図１に示した認識精度算出部６に対応する。学習データ出力部１４０は、図１に示した学習データ出力部８に対応する。

パラメータ決定部１５０は、学習データ出力部１４０によって出力される学習データ（画像データ）を生成するときの変換で用いられたデータ変換パラメータを用いて、入力画像データの変換に用いる新たなデータ変換パラメータを決定する。具体的には、パラメータ決定部１５０は、学習データに関する変換で用いられた色分布を用いて、新たな色分布を決定する。データ生成部１２０は、パラメータ決定部１５０によって決定されたデータ変換パラメータ（色分布）を用いて、入力画像データを変換する。これにより、実施の形態１にかかる画像処理装置１００は、効率的に学習データを生成できる。

ここで、実施の形態１にかかるデータ生成部１２０は、入力画像データの複数の領域それぞれについてのデータ変換パラメータ（色分布）に基づいて、複数の領域ごとに入力画像データを変換する。パラメータ決定部１５０は、学習データに関する変換で用いられたデータ変換パラメータ（色分布）を用いて、複数の領域ごとに、新たなデータ変換パラメータ（色分布）を決定する。これにより、実施の形態１にかかる画像処理装置１００は、効率的に多くのパターンの学習データを生成できる。

図３は、撮影画像である入力画像８００を例示する図である。図３に例示する入力画像８００は、朝の川岸の画像である。入力画像８００は、草の画像に対応する草領域８０２と、棒の画像に対応する棒領域８０４と、アスファルトの画像に対応するアスファルト領域８０６と、川の画像に対応する川領域８０８とを含む。なお、領域の区分の仕方は、上記に限定されず、入力画像に応じて適宜決定される。例えば、入力画像が道路を走行する車両の画像であれば、入力画像は、車両領域、車道領域、歩道領域、標識領域、建物領域、及び歩行者領域といった領域に区分され得る。

図４は、図３に示した入力画像８００に対応するインデックス画像８２０を例示する図である。インデックス画像８２０は、例えば、入力画像８００を用いて人の手によって生成され得る。インデックス画像８２０は、入力画像８００のどの領域が何を表しているかを示している。そして、インデックス画像８２０は、画素ごとに、何を表しているかをラベリングしている。インデックス画像８２０において、領域８２２の画素には、「草」を示すラベル（例えば「１」）が付されている。また、領域８２４の画素には、「棒」を示すラベル（例えば「２」）が付されている。また、領域８２６の画素には、「アスファルト」を示すラベル（例えば「３」）が付されている。また、領域８２８の画素には、「川」を示すラベル（例えば「４」）が付されている。入力画像８００とインデックス画像８２０とを用いることによって、色分布算出部１２２は、入力画像８００の各領域の色分布を算出することができる。そして、画像変換部１２４は、入力画像８００の領域ごとに画像変換を行うことができる。

図５は、実施の形態１にかかるパラメータ記憶部１１４に記憶されるデータを例示する図である。パラメータ記憶部１１４は、ターゲット画像データ９００－１，９００－２、インデックス画像データ９２０－１，９２０－２、及び、色分布データ９４０－１，９４０－２を記憶する。インデックス画像データ９２０－１及び色分布データ９４０－１は、ターゲット画像データ９００－１に対応する。インデックス画像データ９２０－２及び色分布データ９４０－２は、ターゲット画像データ９００－２に対応する。なお、以降、ターゲット画像データ９００－１，９００－２のように、複数ある構成要素を区別せずに説明するときに、単に、ターゲット画像データ９００を称することがある。

ターゲット画像データ９００は、予め撮影されラベル付けされた画像である。ターゲット画像データ９００－１，９００－２は、夜の川岸の画像である。なお、ターゲット画像データ９００の川岸は、入力画像８００の川岸とは異なり得る。つまり、ターゲット画像データ９００の被写体は、入力画像８００の被写体と異なり得る。ターゲット画像データ９００は、草の画像に対応する草領域９０２と、棒の画像に対応する棒領域９０４と、アスファルトの画像に対応するアスファルト領域９０６と、川の画像に対応する川領域９０８とを含む。

インデックス画像データ９２０は、例えば、ターゲット画像データ９００を用いて人の手によって生成され得る。インデックス画像データ９２０は、ターゲット画像データ９００のどの領域が何を表しているかを示している。そして、インデックス画像データ９２０は、画素ごとに、何を表しているかをラベリングしている。インデックス画像データ９２０において、領域９２２の画素は、「草」を示すラベル（例えば「１」）が付されている。また、領域９２４の画素は、「棒」を示すラベル（例えば「２」）が付されている。また、領域９２６の画素は、「アスファルト」を示すラベル（例えば「３」）が付されている。また、領域９２８の画素は、「川」を示すラベル（例えば「４」）が付されている。

色分布データ９４０は、ターゲット画像データ９００の各領域の色分布を示す。つまり、色分布データ９４０は、領域９２２に対応する画素の色分布データ、領域９２４に対応する画素の色分布データ、領域９２６に対応する画素の色分布データ、及び、領域９２８に対応する画素の色分布データを含み得る。なお、色分布データ９４０は、画像全体の色分布データを含んでもよい。

図６は、実施の形態１にかかる画像処理装置１００で実行される画像処理方法を示すフローチャートである。データ取得部１１２は、入力画像データを取得する（ステップＳ１００）。具体的には、例えば、ユーザは、インタフェース部１０８を用いて、図３に例示するような入力画像８００を示す入力画像データを入力する。これにより、データ取得部１１２は、入力画像データを取得する。このとき、データ取得部１１２は、入力画像データに対応するインデックス画像８２０を示すインデックス画像データも取得し得る。

データ生成部１２０は、パラメータ記憶部１１４に記憶されたデータ変換パラメータを用いて入力画像データを変換して、学習データの候補となる画像データを新たに生成する（ステップＳ１１０）。ここで、入力画像データの変換は、例えばＣｏｌｏｒ Ｔｒａｎｓｆｅｒの技術を用いて、入力画像データの色合いをターゲット画像データの色合いと類似するようにして行われる。

具体的には、色分布算出部１２２は、以下に示す方法により、入力画像データの色分布（輝度の平均及び標準偏差）を算出する。そして、画像変換部１２４は、入力画像データの色分布とデータ変換パラメータ（色分布）とに基づいて、入力画像データを変換する。なお、Ｓ１１０で使用されるデータ変換パラメータは、生成したい学習データの環境に応じて、適宜選択され得る。例えば、「晴れた夜」の環境下の学習データを生成する場合は、パラメータ記憶部１１４に記憶された、「晴れた夜」の環境下で撮影されたターゲット画像データ９００に関する色分布が選択され得る。なお、データ生成部１２０は、その指定された環境下で撮影されたターゲット画像データ９００が複数ある場合は、データ変換で使用するデータ変換パラメータを、パラメータ記憶部１１４から、ランダムに選択してもよい。

ここで、色分布の算出方法及び画像の変換方法について説明する。まず、色分布算出部１２２は、入力画像データ（ｓｏｕｒｃｅ）の色空間を、ＲＧＢ色空間（２５５，２５５，２５５）から、ＬＡＢ（Ｌ＊ａ＊ｂ＊）色空間に変換する。色分布算出部１２２は、インデックス画像データを用いて、入力画像データの各画素がどの領域（草領域８０２、棒領域８０４と、アスファルト領域８０６、又は川領域８０８）に属するか認識する。そして、色分布算出部１２２は、領域ごとに、各チャネル（Ｌ，Ａ，Ｂ）それぞれの画素値の平均値ｓ＿ｍｅａｎを算出する。また、色分布算出部１２２は、領域ごとに、各チャネル（Ｌ，Ａ，Ｂ）それぞれの画素値の標準偏差ｓ＿ｓｔｄを算出する。

また、ターゲット画像データ９００についても同様にして、色分布を算出することができる。なお、ターゲット画像データ９００については、入力画像データを変換するタイミングの前に、予め、色分布データ９４０を算出しておいて、パラメータ記憶部１１４に記憶しておいてもよい。また、ターゲット画像データ９００の色分布は、画像処理装置１００以外の演算装置（図示せず）によって算出されてもよい。演算装置は、ターゲット画像データ９００（ｔａｒｇｅｔ）の色空間を、ＲＧＢ色空間（２５５，２５５，２５５）から、ＬＡＢ（Ｌ＊ａ＊ｂ＊）色空間に変換する。演算装置は、インデックス画像データを用いて、入力画像データの各画素がどの領域に属するか認識する。そして、演算装置は、領域ごとに、各チャネル（Ｌ，Ａ，Ｂ）それぞれの画素値の平均値ｔ＿ｍｅａｎを算出する。また、演算装置は、領域ごとに、各チャネル（Ｌ，Ａ，Ｂ）それぞれの画素値の標準偏差ｔ＿ｓｔｄを算出する。

画像変換部１２４は、変換処理において、入力画像データのどの領域を変換するかを決定する。なお、画像変換部１２４は、領域ごとに変換の有無を決定し得る。例えば、画像変換部１２４は、入力画像８００の川領域８０８を変換すると決定してもよいし、入力画像８００の草領域８０２及び川領域８０８を変換すると決定してもよいし、入力画像８００の全ての領域を変換すると決定してもよい。

そして、画像変換部１２４は、変換する領域のそれぞれの画素の各チャネルの画素値ｓｏｕｒｃｅを、以下の式１によって正規化する。
（式１）
ｓ＿ｎｏｒｍｅｄ＝（ｓｏｕｒｃｅ－ｓ＿ｍｅａｎ）／ｓ＿ｓｔｄ

そして、画像変換部１２４は、以下の式２によって、変換する領域のそれぞれの画素の各チャネルの画素値を変換する。これにより、入力画像データが変換されて、新たな画像データが生成される。なお、式２において、ｓｏｕｒｃｅ’は、変換後の画素値である。また、ｔ＿ｍｅａｎ及びｔ＿ｓｔｄは、それぞれ、ターゲット画像データ９００における、変換する領域に対応する領域についての各チャネルの、平均値及び標準偏差である。例えば、入力画像８００の川領域８０８を変換する場合、ｔ＿ｍｅａｎ及びｔ＿ｓｔｄは、それぞれ、ターゲット画像データ９００の川領域９０８における画素の各チャネルに対応する平均値及び標準偏差である。
（式２）
ｓｏｕｒｃｅ’＝ｓ＿ｎｏｒｍｅｄ＊ｔ＿ｓｔｄ＋ｔ＿ｍｅａｎ

なお、上述したように、画像変換部１２４は、入力画像データにおいて変換する領域を任意に決定できる。したがって、例えば、領域数をＮ、適用するターゲット画像データ９００のパターン数をＭとすると、１つの入力画像データから、（２^Ｎ－１）＊Ｍ個の画像データが生成され得ることとなる。このように、領域ごとに変換を行うことにより、効率的に多くの学習データを生成することができる。

認識精度算出部１３０は、学習モデル記憶部１３２に記憶された学習モデルを用いて、画像データの認識精度を算出する（ステップＳ１２２）。具体的には、認識精度算出部１３０は、Ｓ１１０の処理で生成された画像データを学習モデルに入力することで得られる認識精度を算出する。ここで、画像認識の手法が画像分類又は画像検出である場合、認識精度は、認識された物体の信頼度（確信度等）であってもよい。また、画像データに複数の物体が含まれる場合、認識精度は、各物体の信頼度の平均値であってもよいし、正解率（正解した物体数／画像に含まれる物体数）であってもよい。また、画像認識の手法が領域分割である場合、認識精度は、正解率（正解した画素数／総画素数）であってもよい。

学習データ出力部１４０は、Ｓ１２２の処理で算出された認識精度が予め定められた閾値Ｔｈ１（第１の閾値）よりも低いか否かを判定する（ステップＳ１２４）。閾値Ｔｈ１は、例えば７０％であるが、この値に限定されない。認識精度が閾値Ｔｈ１以上である場合（Ｓ１２４のＮＯ）、学習データ出力部１４０は、この画像データを学習データとして出力しない。そして、処理はＳ１１０に戻り得る。この場合、再度実行されるＳ１１０では、データ生成部１２０は、以前に使用されたデータ変換パラメータ（色分布データ）とは異なるデータ変換パラメータを用いて、画像データを生成し得る。

一方、認識精度が閾値Ｔｈ１よりも低い場合（Ｓ１２４のＹＥＳ）、学習データ出力部１４０は、この画像データを学習データとして出力する（ステップＳ１２６）。そして、パラメータ決定部１５０は、Ｓ１２６の処理で出力される学習データに関する変換で用いられたデータ変換パラメータを用いて、入力画像データの変換に用いる新たなデータ変換パラメータを決定する（ステップＳ１３０）。データ生成部１２０は、Ｓ１３０の処理で決定されたデータ変換パラメータを用いて入力画像データを変換して、学習データの候補となる画像データを新たに生成する（ステップＳ１４２）。なお、Ｓ１４２における画像データの生成方法は、Ｓ１１０における方法と実質的に同様である。そして、認識精度算出部１３０は、再度、その新たに生成された画像データについて、学習モデル記憶部１３２に記憶された学習モデルを用いて、認識精度を算出する（Ｓ１２２）。

具体的には、パラメータ決定部１５０は、学習データとして出力された画像データを生成する際に使用された、ターゲット画像データ９００に関する色分布データ（第１の色分布データ）を取得する。そして、パラメータ決定部１５０は、取得した第１の色分布データの近傍の色分布データを、新たなデータ変換パラメータとして決定する。以下、第１の色分布データの近傍の色分布データの決定方法の具体例について、さらに説明する。

図７は、色分布データの決定方法の第１の例について説明するための図である。図７は、環境光変化パターンを示す。この環境光変化パターンは、例えばパラメータ記憶部１１４に記憶されてもよい。環境光変化パターンは、時間成分と、天候成分と、物体種類成分とで構成されるテーブルである。物体種類は、入力画像又はターゲット画像の各領域に対応し得る。つまり、図３～図５の例では、物体種類は、「草」、「棒」、「アスファルト」及び「川」に対応し得る。時間成分は、例えば、「朝」、「昼」及び「夜」の区分で構成され得る。天候成分は、例えば、「晴れ」、「雨」及び「曇り」の区分で構成され得る。なお、時間成分、天候成分及び物体種類成分の各区分は、上記のものに限定されない。

環境光変化パターンは、各要素（セル）ごとに、複数のデータ変換パラメータ（色分布データ）で構成されるパラメータ群を含む。このパラメータ群の１つ１つは、学習データの１つ１つに対応し得る。例えば、物体種類「川」、時間「夜」、天候「晴れ」の要素Ｅ１には、晴れの夜の画像に対応する学習データを生成する際に、川領域を変換するために使用されたデータ変換パラメータ（色分布データ）が対応付けられている。

パラメータ決定部１５０は、環境光変化パターンにおいて、取得した第１の色分布データが属する要素を判定する。パラメータ決定部１５０は、第１の色分布データが属する要素に属する他の色分布データを、第１の色分布データの近傍の色分布データとして決定してもよい。また、パラメータ決定部１５０は、第１の色分布データが属する要素の近傍の要素に属する色分布データを、第１の色分布データの近傍の色分布データとして決定してもよい。また、パラメータ決定部１５０は、第１の色分布データが属する要素と予め対応付けられた他の要素に属する色分布データを、第１の色分布データの近傍の色分布データとして決定してもよい。

例えば、第１の色分布データに対応する学習データが、晴れの夜に対応するターゲット画像データ９００から得られた色分布データを用いて川領域を変換して生成されたとする。このケースでは、第１の色分布データは、物体種類「川」、時間「夜」、天候「晴れ」の要素Ｅ１に属する。したがって、パラメータ決定部１５０は、同じ要素Ｅ１に属する他の色分布データを、新たなデータ変換パラメータとして決定してもよい。また、パラメータ決定部１５０は、要素Ｅ１の近傍の要素（例えば物体種類「川」、時間「昼」、天候「晴れ」の要素）に属する色分布データを、新たなデータ変換パラメータとして決定してもよい。また、パラメータ決定部１５０は、要素Ｅ１に予め対応付けられた要素（例えば物体種類「川」、時間「夜」、天候「曇り」の要素）に属する色分布データを、新たなデータ変換パラメータとして決定してもよい。

図８は、色分布データの決定方法の第２の例について説明するための図である。図８は、ターゲット画像データ９００について、横軸を輝度の平均値ｔ＿ｍｅａｎとし、縦軸を輝度の標準偏差ｔ＿ｓｔｄとして色分布データ（データ変換パラメータ）をプロットした色分布グラフを示す。プロットされた点は、ターゲット画像データ９００の数だけ存在し得る。ここで、黒丸で表される点は、パラメータ記憶部１１４に記憶された色分布データのうち、既にデータ変換に使用された色分布データに対応する。一方、白丸で表される点は、パラメータ記憶部１１４に記憶された色分布データのうち、データ変換に使用されていない色分布データに対応する。また、図８において、黒丸で表される点の近傍には、対応する色分布データを用いて変換を行って生成された画像データの認識精度が示されている。例えば、色分布データＰ１を用いて変換を行って生成された画像データの認識精度は、２０％である。色分布データＰ２を用いて変換を行って生成された画像データの認識精度は、３０％である。色分布データＰ３を用いて変換を行って生成された画像データの認識精度は、９０％である。なお、この図８に示した色分布グラフは、パラメータ記憶部１１４に記憶されてもよく、データ変換（データ生成）及び認識精度の算出が行われるごとに、更新され得る。

ここで、パラメータ決定部１５０は、色分布グラフにおいて、第１の色分布データとの差分が予め定められた閾値（第２の閾値）よりも小さい色分布データを、第１の色分布データの近傍の色分布データとして選択してもよい。つまり、パラメータ決定部１５０は、パラメータ記憶部１１４に記憶された複数の色分布データのうち、第１の色分布データとの差分が第２の閾値よりも小さいデータ変換パラメータを、新たなデータ変換パラメータとして選択する。ここで、Ｃ１は、色分布データＰ１に対する第２の閾値を示す閉曲線（例えば円）である。また、Ｃ２は、色分布データＰ２に対する第２の閾値を示す閉曲線（例えば円）である。つまり、Ｃ１の内部にプロットされた色分布データと色分布データＰ１との差分は、第２の閾値よりも小さい。同様に、Ｃ２の内部にプロットされた色分布データと色分布データＰ２との差分は、第２の閾値よりも小さい。

ここで、認識精度の閾値（第１の閾値）をＴｈ１＝５０％とする。図８の例では、色分布データＰ１を用いて画像データが生成された場合、その画像データの認識精度は第１の閾値よりも低い。したがって、パラメータ決定部１５０は、色分布データＰ１との差分が第２の閾値よりも小さい（つまりＣ１の内部にある）色分布データＰ１’を、新たなデータ変換パラメータとして選択する。同様に、色分布データＰ２を用いて画像データが生成された場合、その画像データの認識精度は第１の閾値よりも低い。したがって、パラメータ決定部１５０は、色分布データＰ２との差分が第２の閾値よりも小さい（つまりＣ２の内部にある）色分布データＰ２’を、新たなデータ変換パラメータとして選択する。一方、色分布データＰ３を用いて画像データが生成された場合、その画像データの認識精度は第１の閾値よりも高い。したがって、色分布データＰ３の近傍にプロットされた色分布データＰ３’は、新たなデータ変換パラメータとして選択されない。

ここで、例えば、第１の色分布データとの差分は、色分布グラフにおける、第１の色分布データからの距離であってもよく、第２の閾値は、予め定められた距離Ｒｔｈ２であってもよい。この場合、第１の色分布データを（ｔ＿ｍｅａｎ１，ｔ＿ｓｔｄ１）とすると、パラメータ決定部１５０は、以下の式３を満たす値の組（ｔ＿ｍｅａｎ，ｔ＿ｓｔｄ）の色分布データを、第１の色分布データの近傍の色分布データと決定してもよい。
（式３）
Ｒｔｈ２＞√｛（ｔ＿ｍｅａｎ－ｔ＿ｍｅａｎ１）^２＋（ｔ＿ｓｔｄ－ｔ＿ｓｔｄ１）^２｝

また、例えば、第１の色分布データとの差分は、平均値成分（横軸方向）と標準偏差成分（縦軸方向）とで、別個に規定されてもよく、第２の閾値は、平均値成分（横軸方向）Ｍｔｈ２と標準偏差成分（縦軸方向）Ｓｔｈ２とで、別個に設けられてもよい。この場合、第１の色分布データを（ｔ＿ｍｅａｎ１，ｔ＿ｓｔｄ１）とすると、パラメータ決定部１５０は、以下の式４を満たす値の組（ｔ＿ｍｅａｎ，ｔ＿ｓｔｄ）の色分布データを、第１の色分布データの近傍の色分布データと決定してもよい。
（式４）
Ｍｔｈ２＞｜ｔ＿ｍｅａｎ－ｔ＿ｍｅａｎ１｜
Ｓｔｈ２＞｜ｔ＿ｓｔｄ－ｔ＿ｓｔｄ１｜

図９は、色分布データの決定方法の第３の例について説明するための図である。図９は、図８と同様に、ターゲット画像データ９００について、横軸を輝度の平均値ｔ＿ｍｅａｎとし、縦軸を輝度の標準偏差ｔ＿ｓｔｄとして色分布データ（データ変換パラメータ）をプロットした色分布グラフを示す。プロットされた点は、ターゲット画像データ９００の数だけ存在し得る。ここで、図９にかかる例では、図８にかかる例と比較して、ターゲット画像データ９００の数が少ない。したがって、パラメータ記憶部１１４には、色分布グラフにおいて、既にデータ変換に使用された色分布データ（黒丸で示す）の近傍の未使用の色分布データが記憶されていない可能性がある。

この場合、パラメータ決定部１５０は、第１の色分布データとの差分が予め定められた閾値（第２の閾値）よりも小さい色分布データを、第１の色分布データの近傍の色分布データとして生成してもよい。つまり、パラメータ決定部１５０は、第１の色分布データとの差分が第２の閾値よりも小さいデータ変換パラメータを、新たなデータ変換パラメータとして生成する。例えば、パラメータ決定部１５０は、色分布データＰ１との差分が第２の閾値よりも小さい（つまりＣ１の内部に存在することとなる）色分布データを、新たなデータ変換パラメータとして生成する。同様に、パラメータ決定部１５０は、色分布データＰ２との差分が第２の閾値よりも小さい（つまりＣ２の内部に存在することとなる）色分布データを、新たなデータ変換パラメータとして選択する。

例えば、第１の色分布データを（ｔ＿ｍｅａｎ１，ｔ＿ｓｔｄ１）とすると、パラメータ決定部１５０は、上記の式３を満たす値の組（ｔ＿ｍｅａｎ，ｔ＿ｓｔｄ）の色分布データを、第１の色分布データの近傍の色分布データとして生成してもよい。また、例えば、パラメータ決定部１５０は、上記の式４を満たす値の組（ｔ＿ｍｅａｎ，ｔ＿ｓｔｄ）の色分布データを、第１の色分布データの近傍の色分布データとして生成してもよい。これらの場合、パラメータ決定部１５０は、例えば上記の式３又は式４を満たす色分布データ（ｔ＿ｍｅａｎ１＋α，ｔ＿ｓｔｄ１＋β）を生成してもよい。

このようにすることで、現在の学習モデルでは認識精度の低い学習データが、次々と生成され得る。生成されたこれらの複数の学習データを用いて、ディープラーニング等の機械学習によって学習モデルが生成される。このとき、学習モデル記憶部１３２に記憶された学習モデルを、これらの生成された複数の学習データを用いて更新することで、学習モデルを生成してもよい。実施の形態１においては、学習モデルを生成する処理は、画像処理装置１００以外の装置が行ってもよい。

上述したように、実施の形態１にかかる画像処理装置１００は、データ変換パラメータを用いて入力画像データを変換して、学習データの候補となる画像データを新たに生成する。そして、実施の形態１にかかる画像処理装置１００は、学習モデルを用いて生成された画像データの認識精度を算出し、算出された認識精度が予め定められた第１の閾値よりも低い画像データを、学習データとして出力する。これにより、上述したように、効率よく、学習モデルの認識精度を向上させることが可能となる。

また、上述したように、実施の形態１にかかるパラメータ決定部１５０は、出力される学習データに関する変換で用いられたデータ変換パラメータを用いて、入力画像データの変換に用いる新たなデータ変換パラメータを決定するように構成されている。ここで、認識精度の低かったデータ変換パラメータの近傍のデータ変換パラメータを用いて生成される画像データの認識精度は、低い可能性が高い。したがって、効率よく、認識精度が低い可能性が高い学習データを生成することが可能となる。

また、上述したように、実施の形態１にかかるデータ生成部１２０は、入力画像データの色分布に基づいて、入力画像データを変換するように構成されている。そして、実施の形態１にかかるパラメータ決定部１５０は、学習データに関する変換で用いられた色分布を用いて、新たな色分布を決定するように構成されている。このように、色分布を用いて画像を変換することで、効率的に、新たな画像データを生成することができる。したがって、効率的に学習データを生成することができる。

また、上述したように、実施の形態１にかかるデータ生成部１２０は、入力画像データの複数の領域それぞれについてのデータ変換パラメータに基づいて、複数の領域ごとに入力画像データを変換するように構成されている。そして、実施の形態１にかかるパラメータ決定部１５０は、学習データに関する変換で用いられたデータ変換パラメータを用いて、複数の領域ごとに、新たなデータ変換パラメータを決定するように構成されている。このように、実施の形態１では、入力画像データの領域ごとに変換を行うので、効率的に多くの学習データを生成することが可能となる。

また、実施の形態１にかかるパラメータ記憶部１１４は、複数のデータ変換パラメータを記憶する。また、実施の形態１にかかるパラメータ決定部１５０は、記憶されている複数のデータ変換パラメータから、学習データに関する変換で用いられたデータ変換パラメータとの差分が第２の閾値よりも小さいデータ変換パラメータを、新たなデータ変換パラメータとして決定する。このように、既に記憶されているデータ変換パラメータから新たなデータ変換パラメータを選択することによって、効率的に、新たなデータ変換パラメータを決定することが可能となる。

また、実施の形態１にかかるパラメータ決定部１５０は、学習データに関する変換で用いられたデータ変換パラメータとの差分が第２の閾値よりも小さいデータ変換パラメータを、入力画像データの変換に用いる新たなデータ変換パラメータとして生成する。これにより、予め記憶されているターゲット画像データの数が少なくても、新たなデータ変換パラメータを決定することが可能となる。

（実施の形態２）
次に、実施の形態２について、図面を参照しながら説明する。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。また、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。

図１０は、実施の形態２にかかる画像処理装置１００の構成を示す図である。実施の形態２にかかる画像処理装置１００のハードウェア構成は、実施の形態１にかかるものと実質的に同様であるので、説明を省略する。実施の形態２にかかる画像処理装置１００は、実施の形態１と同様に、データ取得部１１２、パラメータ記憶部１１４、データ生成部１２０、認識精度算出部１３０、学習モデル記憶部１３２、学習データ出力部１４０、及びパラメータ決定部１５０を有する。また、データ生成部１２０は、色分布算出部１２２及び画像変換部１２４を有する。

さらに、実施の形態２にかかる画像処理装置１００は、学習モデル更新部２１０を有する。学習モデル更新部２１０は、学習モデル更新手段として機能する。学習モデル更新部２１０は、学習データ出力部１４０によって出力される学習データを用いて、学習モデル記憶部１３２に記憶された学習モデルを更新する。

図１１は、実施の形態２にかかる画像処理装置１００で実行される画像処理方法を示すフローチャートである。図６のＳ１００と同様に、データ取得部１１２は、入力画像データを取得する（ステップＳ２００）。次に、図６のＳ１１０と同様に、データ生成部１２０は、パラメータ記憶部１１４に記憶されたデータ変換パラメータを用いて入力画像データを変換して、学習データの候補となる画像データを新たに生成する（ステップＳ２１０）。次に、図６のＳ１２２と同様に、認識精度算出部１３０は、学習モデル記憶部１３２に記憶された学習モデルを用いて、画像データの認識精度を算出する（ステップＳ２２２）。

次に、図６のＳ１２４と同様に、学習データ出力部１４０は、Ｓ１２２の処理で算出された認識精度が予め定められた閾値Ｔｈ１（第１の閾値）よりも低いか否かを判定する（Ｓ２２４）。認識精度が閾値Ｔｈ１以上である場合（Ｓ２２４のＮＯ）、学習データ出力部１４０は、この画像データを学習データとして出力しない。そして、処理はＳ２１０に戻る。一方、認識精度が閾値Ｔｈ１よりも低い場合（Ｓ１２４のＹＥＳ）、図６のＳ１２６と同様に、学習データ出力部１４０は、この画像データを学習データとして出力する（Ｓ２２６）。

図６のＳ１３０と同様に、パラメータ決定部１５０は、Ｓ２２６の処理で出力される学習データに関する変換で用いられたデータ変換パラメータを用いて、入力画像データの変換に用いる新たなデータ変換パラメータを決定する（ステップＳ２３０）。そして、図６のＳ１４２と同様に、データ生成部１２０は、Ｓ２３０の処理で決定されたデータ変換パラメータを用いて入力画像データを変換して、学習データの候補となる画像データを新たに生成する（ステップＳ２４２）。

学習モデル更新部２１０は、出力された学習モデルを用いて、学習モデルを更新する（ステップＳ２５０）。具体的には、学習モデル更新部２１０は、学習データが出力されるたびに、オンライン学習によって学習モデルを更新する。この場合、出力された学習データに対応する正解ラベルは、Ｓ２００の処理で入力されたインデックス画像データを用いて行われてもよい。なお、画像処理装置１００等が現在の学習モデルを生成するのに使用された学習データを全て記憶できる場合は、それらの記憶された学習データと、Ｓ２２６の処理で出力された学習データとを用いて、バッチ学習を行ってもよい。また、この学習モデルの更新は、１つの学習データが出力されるごとに行われる必要はなく、例えば１０個といった予め定められた数の学習データが出力されるごとに行われてもよい。そして、認識精度算出部１３０は、Ｓ２４２の処理で生成された画像データについて、Ｓ２５０の処理で更新された学習モデルを用いて、認識精度を算出する（Ｓ２２２）。

ここで、上述したように、Ｓ２２６の処理で出力される学習データは、更新前の学習モデルでは認識精度が低かった画像データである。そして、実施の形態２においては、学習データが出力されるたびに学習モデルが更新される。つまり、実施の形態２では、認識精度が低かった画像データである学習データを用いて学習モデルが更新されるので、学習モデルの認識精度が向上していく。

このような場合に、Ｓ２５０の処理で更新された学習モデルを用いて認識精度が算出されると、更新前の学習モデルを用いて認識精度が算出される場合と比較して、認識精度が高くなり得る。これにより、更新前の学習モデルを用いたと仮定した場合に出力されるはずの学習データが、Ｓ２２６の処理で出力されにくくなる。したがって、出力される学習データの数を削減することができるので、機械学習に要する時間等の負荷を削減することができる。したがって、実施の形態２にかかる画像処理装置１００によって、学習の効率を向上させることが可能となる。また、出力される学習データの数を削減することができるので、学習データを記憶しておくリソースを削減することができる。また、Ｓ２２６の処理で学習データが出力されにくくなるので、Ｓ２４２の処理がなされることが抑制される。したがって、パラメータ決定部１５０の負荷を抑制することができる。

ここで、実施の形態１では、複数の学習データを次々と出力していく際に使用される学習モデルは、図６の処理全体を通じて同じである。このような場合では、互いに類似した色分布の複数の学習データが出力され、機械学習に用いられる。しかしながら、これらの互いに類似した色分布の複数の学習データのうちの１つの学習データで学習すれば、残りの学習データの認識ができるように学習できる可能性がある。言い換えると、これらの残りの学習データは、機械学習を行う上で余計な学習データとなり得る。つまり、この余計な学習データは、学習モデルの認識精度の向上にあまり寄与しない可能性がある。一方、実施の形態２では、このような余計な学習データの出力を抑制することができる。したがって、実施の形態２にかかる画像処理装置１００は、学習モデルの認識精度の向上に寄与し得る有効な学習データを収集する可能性を高くすることができる。

例えば、実施の形態１のような学習モデルを更新しないケースで、１００個の学習データが出力されるとする。この場合、実施の形態２では、これらの１００個のうちの１個の学習データで学習モデルを更新することで、残りの９９個の学習データを認識可能な学習モデルを生成し得る。したがって、実施の形態２では、余計な９９個の学習データの出力を抑制することができる。

（変形例）
なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。例えば、上述したフローチャートにおいて、各処理（ステップ）の順序は、適宜、変更可能である。また、複数ある処理（ステップ）のうちの１つ以上は、省略されてもよい。例えば、図６において、Ｓ１２６の処理はＳ１４２の処理の後で実行されてもよい（図１１においても同様）。また、図１１において、Ｓ２５０の処理はＳ２３０の処理の前に実行されてもよい。また、図６において、Ｓ１３０及びＳ１４２の処理はなくてもよい（図１１においても同様）。

また、上述した実施の形態では、色分布の算出方法において、色分布算出部１２２は、入力画像データ（ｓｏｕｒｃｅ）の色空間を、ＲＧＢ色空間から、ＬＡＢ色空間に変換するとした。しかしながら、色分布の算出方法において、色空間を、ＲＧＢ色空間からＬＡＢ色空間に変換する必要はない。しかしながら、色空間をＬＡＢ空間に変換することで、人間の視覚に近い形式で処理を行うことができる。

また、上述した実施の形態では、データ変換パラメータは色分布であるとしたが、データ変換パラメータは色分布に限られない。また、上述した実施の形態では、画像変換として色変換を行っているが、画像変換は色変換でなくてもよい。例えば、強調処理（シャープネス）、平滑化処理（スムージング）、又は輪郭抽出を行ってもよい。あるいは、画像中の特定の物体の大きさ又は傾き等を変更する幾何学変換 （アフィン変換）等を行ってもよい。

また、上述した実施の形態では、画像変換を行う際に、入力画像データの領域ごとに変換を行うとしたが、このような構成に限られない。入力画像データ全体を変換してもよい。また、データ生成部は、入力画像データの複数の領域ごとに変換して画像データを生成し、さらに、入力画像データ全体を変換して画像データを生成してもよい。これにより、生成される画像データのバリエーションをさらに増やすことができる。

上述の例において、プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）
入力画像データを取得するデータ取得手段と、
データ変換パラメータを用いて前記入力画像データを変換して、画像データを新たに生成するデータ生成手段と、
予め記憶された学習モデルを用いて、前記データ生成手段によって生成された前記画像データの認識精度を算出する認識精度算出手段と、
前記認識精度算出手段で算出された前記認識精度が予め定められた第１の閾値よりも低い前記画像データを、学習データとして出力する学習データ出力手段と
を有する画像処理装置。
（付記２）
前記学習データ出力手段によって出力される前記学習データに関する変換で用いられた前記データ変換パラメータを用いて、前記入力画像データの変換に用いる新たなデータ変換パラメータを決定するパラメータ決定手段
をさらに有し、
前記データ生成手段は、前記パラメータ決定手段によって決定された前記データ変換パラメータを用いて、前記入力画像データをさらに変換する
付記１に記載の画像処理装置。
（付記３）
前記データ生成手段は、前記入力画像データの色分布に基づいて、前記入力画像データを変換し、
前記パラメータ決定手段は、前記学習データに関する変換で用いられた前記色分布を用いて、新たな色分布を決定する
付記２に記載の画像処理装置。
（付記４）
前記データ生成手段は、前記入力画像データの複数の領域それぞれについての前記データ変換パラメータに基づいて、前記複数の領域ごとに前記入力画像データを変換し、
前記パラメータ決定手段は、前記学習データに関する変換で用いられた前記データ変換パラメータを用いて、前記複数の領域ごとに、新たなデータ変換パラメータを決定する
付記２又は３に記載の画像処理装置。
（付記５）
複数の前記データ変換パラメータを予め記憶するパラメータ記憶手段
をさらに有し、
前記パラメータ決定手段は、前記パラメータ記憶手段に記憶された前記複数のデータ変換パラメータのうち、前記学習データに関する変換で用いられた前記データ変換パラメータとの差分が予め定められた第２の閾値よりも小さいデータ変換パラメータを、前記入力画像データの変換に用いる新たなデータ変換パラメータとして選択する
付記２～４のいずれか１項に記載の画像処理装置。
（付記６）
前記パラメータ決定手段は、前記学習データに関する変換で用いられた前記データ変換パラメータとの差分が予め定められた第２の閾値よりも小さいデータ変換パラメータを、前記入力画像データの変換に用いる新たなデータ変換パラメータとして生成する
付記２～４のいずれか１項に記載の画像処理装置。
（付記７）
前記学習データ出力手段によって出力される前記学習データを用いて、前記学習モデルを更新する学習モデル更新手段
をさらに有し、
前記認識精度算出手段は、前記学習モデル更新手段によって更新された前記学習モデルを用いて、前記データ生成手段によって変換されて得られた前記画像データの認識精度を算出する
付記１～６のいずれか１項に記載の画像処理装置。
（付記８）
入力画像データを取得し、
データ変換パラメータを用いて前記入力画像データを変換して、画像データを新たに生成し、
予め記憶された学習モデルを用いて、生成された前記画像データの認識精度を算出し、
算出された前記認識精度が予め定められた第１の閾値よりも低い前記画像データを、学習データとして出力する
画像処理方法。
（付記９）
出力される前記学習データに関する変換で用いられた前記データ変換パラメータを用いて、前記入力画像データの変換に用いる新たなデータ変換パラメータを決定し、
決定された前記データ変換パラメータを用いて、前記入力画像データをさらに変換する
付記８に記載の画像処理方法。
（付記１０）
前記入力画像データの色分布に基づいて、前記入力画像データを変換し、
前記学習データに関する変換で用いられた前記色分布を用いて、新たな色分布を決定する
付記９に記載の画像処理方法。
（付記１１）
前記入力画像データの複数の領域それぞれについての前記データ変換パラメータに基づいて、前記複数の領域ごとに前記入力画像データを変換し、
前記学習データに関する変換で用いられた前記データ変換パラメータを用いて、前記複数の領域ごとに、新たなデータ変換パラメータを決定する
付記９又は１０に記載の画像処理方法。
（付記１２）
予め記憶された複数のデータ変換パラメータのうち、前記学習データに関する変換で用いられた前記データ変換パラメータとの差分が予め定められた第２の閾値よりも小さいデータ変換パラメータを、前記入力画像データの変換に用いる新たなデータ変換パラメータとして選択する
付記９～１１のいずれか１項に記載の画像処理方法。
（付記１３）
前記学習データに関する変換で用いられた前記データ変換パラメータとの差分が予め定められた第２の閾値よりも小さいデータ変換パラメータを、前記入力画像データの変換に用いる新たなデータ変換パラメータとして生成する
付記９～１１のいずれか１項に記載の画像処理方法。
（付記１４）
出力される前記学習データを用いて、前記学習モデルを更新し、
更新された前記学習モデルを用いて、変換されて得られた画像データの認識精度を算出する
付記８～１３のいずれか１項に記載の画像処理方法。
（付記１５）
入力画像データを取得するステップと、
データ変換パラメータを用いて前記入力画像データを変換して、画像データを新たに生成するステップと、
予め記憶された学習モデルを用いて、生成された前記画像データの認識精度を算出するステップと、
算出された前記認識精度が予め定められた第１の閾値よりも低い前記画像データを、学習データとして出力するステップと
をコンピュータに実行させるプログラムが格納された非一時的なコンピュータ可読媒体。

以上、実施の形態を参照して本願発明を説明したが、本願発明は上記によって限定されるものではない。本願発明の構成や詳細には、発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

この出願は、２０１９年３月２７日に出願された日本出願特願２０１９－０６１８６６を基礎とする優先権を主張し、その開示の全てをここに取り込む。

１ 画像処理装置
２ データ取得部
４ データ生成部
６ 認識精度算出部
８ 学習データ出力部
１００ 画像処理装置
１１２ データ取得部
１１４ パラメータ記憶部
１２０ データ生成部
１２２ 色分布算出部
１２４ 画像変換部
１３０ 認識精度算出部
１３２ 学習モデル記憶部
１４０ 学習データ出力部
１５０ パラメータ決定部
２１０ 学習モデル更新部

Claims (8)

1. 入力画像データを取得するデータ取得手段と、
   データ変換パラメータを用いて前記入力画像データを変換して、画像データを新たに生成するデータ生成手段と、
   予め記憶された学習モデルを用いて、前記データ生成手段によって生成された前記画像データの認識精度を算出する認識精度算出手段と、
   前記認識精度算出手段で算出された前記認識精度が予め定められた第１の閾値よりも低い前記画像データを、学習データとして出力する学習データ出力手段と、
   前記学習データ出力手段によって出力される前記学習データに関する変換で用いられた前記データ変換パラメータとの差分が予め定められた第２の閾値よりも小さいデータ変換パラメータを、前記入力画像データの変換に用いる新たなデータ変換パラメータとして決定するパラメータ決定手段と、
   を有し、
   前記データ生成手段は、前記パラメータ決定手段によって決定された前記データ変換パラメータを用いて、前記入力画像データをさらに変換する、
   画像処理装置。
2. 前記データ生成手段は、前記入力画像データの色分布に基づいて、前記入力画像データを変換し、
   前記パラメータ決定手段は、前記学習データに関する変換で用いられた前記色分布を用いて、新たな色分布を決定する
   請求項１に記載の画像処理装置。
3. 前記データ生成手段は、前記入力画像データの複数の領域それぞれについての前記データ変換パラメータに基づいて、前記複数の領域ごとに前記入力画像データを変換し、
   前記パラメータ決定手段は、前記学習データに関する変換で用いられた前記データ変換パラメータを用いて、前記複数の領域ごとに、新たなデータ変換パラメータを決定する
   請求項１又は２に記載の画像処理装置。
4. 複数の前記データ変換パラメータを予め記憶するパラメータ記憶手段
   をさらに有し、
   前記パラメータ決定手段は、前記パラメータ記憶手段に記憶された前記複数のデータ変換パラメータのうち、前記学習データに関する変換で用いられた前記データ変換パラメータとの差分が予め定められた第２の閾値よりも小さいデータ変換パラメータを、前記入力画像データの変換に用いる新たなデータ変換パラメータとして選択する
   請求項１～３のいずれか１項に記載の画像処理装置。
5. 前記パラメータ決定手段は、前記学習データに関する変換で用いられた前記データ変換パラメータとの差分が予め定められた第２の閾値よりも小さいデータ変換パラメータを、前記入力画像データの変換に用いる新たなデータ変換パラメータとして生成する
   請求項１～３のいずれか１項に記載の画像処理装置。
6. 前記学習データ出力手段によって出力される前記学習データを用いて、前記学習モデルを更新する学習モデル更新手段
   をさらに有し、
   前記認識精度算出手段は、前記学習モデル更新手段によって更新された前記学習モデルを用いて、前記データ生成手段によって変換されて得られた前記画像データの認識精度を算出する
   請求項１～５のいずれか１項に記載の画像処理装置。
7. 入力画像データを取得し、
   データ変換パラメータを用いて前記入力画像データを変換して、画像データを新たに生成し、
   予め記憶された学習モデルを用いて、生成された前記画像データの認識精度を算出し、
   算出された前記認識精度が予め定められた第１の閾値よりも低い前記画像データを、学習データとして出力し、
   出力される前記学習データに関する変換で用いられた前記データ変換パラメータとの差分が予め定められた第２の閾値よりも小さいデータ変換パラメータを、前記入力画像データの変換に用いる新たなデータ変換パラメータとして決定し、
   決定された前記データ変換パラメータを用いて、前記入力画像データをさらに変換する、
   画像処理方法。
8. 入力画像データを取得するステップと、
   データ変換パラメータを用いて前記入力画像データを変換して、画像データを新たに生成するステップと、
   予め記憶された学習モデルを用いて、生成された前記画像データの認識精度を算出するステップと、
   算出された前記認識精度が予め定められた第１の閾値よりも低い前記画像データを、学習データとして出力するステップと、
   出力される前記学習データに関する変換で用いられた前記データ変換パラメータとの差分が予め定められた第２の閾値よりも小さいデータ変換パラメータを、前記入力画像データの変換に用いる新たなデータ変換パラメータとして決定するステップと、
   決定された前記データ変換パラメータを用いて、前記入力画像データをさらに変換するステップと、
   をコンピュータに実行させるプログラム。

Images