JP7254621B2 - 画像処理装置、学習装置、画像処理方法、学習方法、及びプログラム - Google Patents
画像処理装置、学習装置、画像処理方法、学習方法、及びプログラム Download PDFInfo
- Publication number
- JP7254621B2 JP7254621B2 JP2019095480A JP2019095480A JP7254621B2 JP 7254621 B2 JP7254621 B2 JP 7254621B2 JP 2019095480 A JP2019095480 A JP 2019095480A JP 2019095480 A JP2019095480 A JP 2019095480A JP 7254621 B2 JP7254621 B2 JP 7254621B2
- Authority
- JP
- Japan
- Prior art keywords
- image data
- learning
- estimating
- data
- input image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
- G06F3/1203—Improving or facilitating administration, e.g. print management
- G06F3/1208—Improving or facilitating administration, e.g. print management resulting in improved quality of the output result, e.g. print layout, colours, workflows, print preview
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
- G06F3/1203—Improving or facilitating administration, e.g. print management
- G06F3/1205—Improving or facilitating administration, e.g. print management resulting in increased flexibility in print job configuration, e.g. job settings, print requirements, job tickets
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
- G06F3/1218—Reducing or saving of used resources, e.g. avoiding waste of consumables or improving usage of hardware resources
- G06F3/122—Reducing or saving of used resources, e.g. avoiding waste of consumables or improving usage of hardware resources with regard to computing resources, e.g. memory, CPU
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1223—Dedicated interfaces to print systems specifically adapted to use a particular technique
- G06F3/1237—Print job management
- G06F3/1253—Configuration of print job parameters, e.g. using UI at the client
- G06F3/1256—User feedback, e.g. print preview, test print, proofing, pre-flight checks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1223—Dedicated interfaces to print systems specifically adapted to use a particular technique
- G06F3/1237—Print job management
- G06F3/1273—Print job history, e.g. logging, accounting, tracking
Description
図1は、本開示の技術における画像処理装置の構成を示すブロック図である。CPU101は、RAM103をワークメモリとして、ROM102およびハードディスクドライブ(HDD)等の記憶装置105に格納されたオペレーティングシステム(OS)や各種プログラムを実行する。そして、PCI(peripheral component interconnect)バスなどのシステムバス113を介して各構成を制御する。さらに、後述する奥行き情報処理プログラム、メディアリーダードライバを含む各種プログラムを実行する。
図2は、本実施形態の動作を示すブロック図である。まず、画像入力部201にて、入力画像データを取得する。画像推定処理部202は、画像入力部201から入力された入力画像データから、モデル化する特定のプリンタ及び記録媒体で印刷した印刷結果のスキャン画像データを推定する。画像推定処理部202に入力される入力画像データは、多階調画像データをハーフトーン処理した1ビットのモノクロ画像データである。ここで多階調画像データとは、2値画像データよりも階調数が多い画像データである。また、画像推定処理部202から出力される推定結果としての推定画像データは、プリンタで印刷された印刷結果をスキャナで読み取って生成されるスキャン画像データに相当する、8ビットのモノクロ画像データである。
以下では、第1の推定部203の構成について説明する。図4に、第1の推定部203におけるニューラルネットワークの構成例を示す。以下では、本実施形態の動作を図4に示すニューラルネットワークに基づき説明するが、本開示の技術はこれに限定されない。例えば、より層の深いニューラルネットワークであってもよいし、U-netの形式をとっていてもよい。また、本実施形態では、256画素×256画素のモノクロ画像データを入力とするが、本開示の技術はこれに限定されない。CMYK画像データを入力とした場合については、実施形態2にて詳述する。
以下では、第2の推定部204の動作について説明する。第2の推定部204は、ニューラルネットワークにて構成されており、その動作は第1の推定部203と同様である。ただし、そのニューラルネットワークのネットワーク構成や重みは第1の推定部203と必ずしも同じである必要はない。
本実施形態では、第1の学習部206は、第1の推定部203にGAN(Generative Adversarial Network)のフレームワークを用いて学習させる。本実施形態では、学習用入力データ及び正解データの組を入力とし、第1の推定部203の出力画像誤差、すなわち学習用入力画像データと正解データとの差が最小となるように、モデルを学習する。ここで、学習用入力データは、学習用に予めデータベース化しておいた、多階調画像データをハーフトーン処理した2値画像データ群である。また、正解データは、学習用入力画像データ群をモデル化するプリンタ及び記録媒体で印刷し、その印刷結果をスキャンしたスキャン画像データ群に基づき算出した、学習用中間データを用いる。学習用中間データは、スキャン画像データを2値化したものであり、色材の飛び散り又は滲みの具合に関する情報を含むボケの無い画像データである。学習用中間データの具体的な算出方法は後述する。
以下では、第1の判定部501の構成について説明する。図6に、第1の判定部501におけるニューラルネットワークの構成例を示す。以下では、本実施形態の動作を図6に示すニューラルネットワークに基づき説明するが、本開示の技術はこれに限定されない。例えば、より層の深いニューラルネットワークであってもよいし、U-netの形式をとっていてもよい。また、本実施形態では、256×256のモノクロ画像データを入力とするが、本開示の技術はこれに限定されない。
第1の学習部206の具体的な動作を、図7のフローチャートを用いて説明する。
第1の学習部206では、正解データとしてスキャン画像データより算出した学習用中間データを用いていた。学習用中間データとは、スキャン画像データを2値化したものであり、色材の飛び散り又は滲みの具合を表すボケの無い画像データである。本実施形態では、閾値thを用いてスキャン画像データを2値化する。具体的には、入力されたスキャン画像データI(x,y)とすると、2値化画像データB(x,y)は、以下の式で計算できる。
本実施形態では、第2の学習部207は、第2の推定部204にGANのフレームワークを用いて学習させる。本実施形態では、学習用入力画像データ及び正解データの組を入力とし、第2の推定部204の出力画像誤差、すなわち学習用入力画像データと正解データとの差が最小となるようにモデルを学習する。ここで、学習用入力画像データは、学習用中間データ取得部208で算出された学習用中間データである。また、正解データには、学習用入力画像データ群をモデル化するプリンタ及び記録媒体で印刷し、その印刷結果をスキャンしたスキャン画像データ群を用いる。
図9は、本実施形態の動作を示すブロック図である。画像入力部901は、入力画像を取得する。画像推定処理部902は、画像入力部901から入力された入力画像データから、モデル化するプリンタ及び記録媒体で印刷した印刷結果を推定する。画像推定処理部902に入力される画像データは、多階調画像データをハーフトーン処理したCMYK画像データに対応する4プレーンの1ビット画像データである。また、画像推定処理部902から出力される推定画像データは、プリンタで印刷された印刷結果をスキャナで読み取ったスキャン画像データに相当し、RGB画像データに対応する3プレーンの8ビット画像データである。また、画像推定処理部902の内部パラメータは、学習部903にて学習される。
以下では、本実施形態における画像推定処理部902の構成について説明する。実施形態1と異なり、画像推定処理部902は単一のニューラルネットワークにて構成されている。図10に、画像推定処理部902におけるニューラルネットワークの構成例を示す。以下では、本実施形態の動作を図10に示すニューラルネットワークに基づき説明するが、本開示の技術はこれに限定されない。
以下では、画像推定処理部902の内部パラメータの学習を行う学習装置903について説明する。本実施形態では、実施形態1と同様に、学習装置903は、GANのフレームワークを用いて画像推定処理部902の内部パラメータを学習する。入力データは、学習用に予めデータベース化しておいた、多階調画像データをハーフトーン処理したCMYK画像データに対応する4プレーンの1ビット画像データからなる学習用入力画像データ群である。また、正解データは、学習用入力画像データ群をモデル化するプリンタ及び記録媒体で印刷し、その印刷結果をスキャナで読み取ったRGB画像データに対応する8ビット画像データからなるスキャン画像データ群である。本実施形態では、実施形態1とは異なり、中間データを学習に用いていない。すなわち、本実施形態の画像推定処理部902では、入力画像データからのスキャン画像データの推定を、単一のニューラルネットワークで直接学習している。
以下では、判定部1101の構成について説明する。図12に、判定部1101におけるニューラルネットワークの構成例を示す。以下では、本実施形態の動作を図12に示すニューラルネットワークに基づき説明するが、本開示の技術はこれに限定されない。
図13は、本実施形態の動作を示すブロック図である。画像入力部1301は、入力画像データを取得する。
図14は、本実施形態の動作を示すブロック図である。画像入力部1401は、入力画像データを取得する。画像推定処理部1402は、入力画像データに基づき、モデル化するプリンタ及び記録媒体で印刷した印刷結果を推定する。画像推定処理部1402の入力は、多階調画像データをハーフトーン処理したCMYK画像データに対応した4プレーンの1ビット画像データである。また、画像推定処理部1402の出力は、印刷結果のスキャン画像データに相当する、RGB画像データに対応した3プレーンの8ビット画像データである。さらに、当該推定画像データは画像表示部1403にてユーザに提示される。なお、画像推定処理部1402の構成は実施形態2と同様である。
画像表示部1403では、画像推定処理部1401の出力である推定画像データを受け取る。次に当該推定画像データを、グラフィックアクセラレータ111を通して、印刷前にディスプレイ112に表示する。
本発明は、上述の実施形態の1以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける1つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。また、1以上の機能を実現する回路(例えば、ASIC)によっても実現可能である。
Claims (17)
- 入力画像データをプリンタで印刷することによって得られる印刷結果を推定する画像処理装置であって、
前記入力画像データを取得する取得手段と、
前記入力画像データに基づき、前記印刷結果として、前記入力画像データを前記プリンタで印刷した場合の色材の飛び散りまたは滲みの少なくとも一つに関する情報を推定する推定手段と、
スキャンされた画像データから中間データを取得する中間データ取得手段と、
前記入力画像データと前記入力画像データに結び付いた前記中間データとを用いることによって、前記推定手段に含まれる第1の推定部に学習させる第1の学習手段と、
前記中間データと前記中間データに結び付いた前記スキャンされた画像データとを用いることによって、前記推定手段に含まれ前記第1の推定部とは異なる第2の推定部に学習させる第2の学習手段と、
を備え、
前記推定手段は、任意の画像データを前記プリンタで印刷した印刷結果をスキャナで読み取ったスキャン画像データを正解データとして学習された
ことを特徴とする画像処理装置。 - 前記推定手段は、
前記入力画像データに基づき中間データを推定する第1の推定部と、
前記第1の推定部の推定結果に基づき前記印刷結果を推定する第2の推定部と、
を含むことを特徴とする請求項1に記載の画像処理装置。 - 前記中間データは、前記第2の推定部の推定結果として出力される推定画像データより階調が低い画像データである
ことを特徴とする請求項2に記載の画像処理装置。 - 前記中間データは、前記印刷結果において色材が所定の密度以上で塗布された領域を示す画像データである
ことを特徴とする請求項2に記載の画像処理装置。 - 前記中間データは、1画素1ビットで表現される2値画像データである
ことを特徴とする請求項4に記載の画像処理装置。 - 前記第1の推定部及び前記第2の推定部は、ニューラルネットワークを含むことを特徴とする請求項2に記載の画像処理装置。
- 前記推定手段が前記印刷結果の推定結果として出力する推定画像データを表示する表示部
をさらに備えたことを特徴とする請求項1に記載の画像処理装置。 - 前記入力画像データ及び前記任意の画像データは、2値画像データであることを特徴とする請求項1に記載の画像処理装置。
- 前記任意の画像データは、複数の多階調画像データをそれぞれハーフトーン処理して得られた複数の2値画像データであり、
前記複数の多階調画像データは、階調数の異なる画像データを含むことを特徴とする請求項1に記載の画像処理装置。 - 学習装置であって、
学習用の入力画像データを取得する第1の取得手段と、
前記学習用の入力画像データをプリンタで印刷した印刷結果をスキャナで読み取ったスキャン画像データを取得する第2の取得手段と、
入力画像データを前記プリンタで印刷することによって得られる印刷結果を推定する推定手段に、前記学習用の入力画像データと前記スキャン画像データとの組を用いて学習させる学習手段と、
前記スキャン画像データから生成される中間データを取得する中間データ取得手段と
を備え、
前記推定手段は、前記印刷結果として、前記入力画像データを前記プリンタで印刷した場合の色材の飛び散りまたは滲みの少なくとも一つに関する情報を推定し、
前記学習手段は、
前記入力画像データと前記入力画像データに結び付いた前記中間データとを用いることによって、前記推定手段に含まれる第1の推定部に学習させる第1の学習手段と、
前記中間データと前記中間データに結び付いた前記スキャン画像データとを用いることによって、前記推定手段に含まれ前記第1の推定部とは異なる第2の推定部に学習させる第2の学習手段と、を含む
ことを特徴とする学習装置。 - 前記中間データは、前記スキャン画像データを、前記スキャン画像データより階調が低い画像データに変換したものであることを特徴とする請求項10に記載の学習装置。
- 前記学習用の入力画像データ及び前記入力画像データは、2値画像データであることを特徴とする請求項10に記載の学習装置。
- 前記学習用の入力画像データは、複数の多階調画像データをそれぞれハーフトーン処理して得られた複数の2値画像データであり、
前記複数の多階調画像データは、階調数の異なる画像データを含む
ことを特徴とする請求項10に記載の学習装置。 - 入力画像データをプリンタで印刷することによって得られる印刷結果を推定する画像処理方法であって、
前記入力画像データを取得する取得ステップと、
前記入力画像データに基づき、前記印刷結果として、前記入力画像データを前記プリンタで印刷した場合の色材の飛び散りまたは滲みの少なくとも一つに関する情報を推定する推定ステップと、
スキャンされた画像データから中間データを取得する中間データ取得ステップと、
前記入力画像データと前記入力画像データに結び付いた前記中間データとを用いることによって、前記推定ステップにおいて用いられる第1の推定部に学習させる第1の学習ステップと、
前記中間データと前記中間データに結び付いた前記スキャンされた画像データとを用いることによって、前記推定ステップにおいて用いられる前記第1の推定部とは異なる第2の推定部に学習させる第2の学習ステップと
を備え、
前記推定ステップでは、任意の画像データを前記プリンタで印刷した印刷結果をスキャナで読み取ったスキャン画像データを正解データとして学習された
ことを特徴とする画像処理方法。 - 学習方法であって、
学習用の入力画像データを取得する第1の取得ステップと、
前記学習用の入力画像データをプリンタで印刷した印刷結果をスキャナで読み取ったスキャン画像データを取得する第2の取得ステップと、
入力画像データを前記プリンタで印刷することによって得られる印刷結果を推定する推定ステップに、前記学習用の入力画像データと前記スキャン画像データとの組を用いて学習させる学習ステップと、
前記スキャン画像データから生成される中間データを取得する中間データ取得ステップと
を備え、
前記推定ステップは、前記印刷結果として、前記入力画像データを前記プリンタで印刷した場合の色材の飛び散りまたは滲みの少なくとも一つに関する情報を推定し、
前記学習ステップは、
前記入力画像データと前記入力画像データに結び付いた前記中間データとを用いることによって、前記推定ステップにおいて用いられる第1の推定部に学習させる第1の学習ステップと、
前記中間データと前記中間データに結び付いた前記スキャン画像データとを用いることによって、前記推定ステップにおいて用いられる前記第1の推定部とは異なる第2の推定部に学習させる第2の学習ステップと、を含む
ことを特徴とする学習方法。 - コンピュータを請求項1に記載の画像処理装置として機能させるためのプログラム。
- コンピュータを請求項10に記載の学習装置として機能させるためのプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019095480A JP7254621B2 (ja) | 2019-05-21 | 2019-05-21 | 画像処理装置、学習装置、画像処理方法、学習方法、及びプログラム |
US16/855,528 US11175863B2 (en) | 2019-05-21 | 2020-04-22 | Image processing apparatus, learning apparatus, image processing method, learning method, and storage medium for estimating printing result |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019095480A JP7254621B2 (ja) | 2019-05-21 | 2019-05-21 | 画像処理装置、学習装置、画像処理方法、学習方法、及びプログラム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020190897A JP2020190897A (ja) | 2020-11-26 |
JP2020190897A5 JP2020190897A5 (ja) | 2022-05-24 |
JP7254621B2 true JP7254621B2 (ja) | 2023-04-10 |
Family
ID=73453771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019095480A Active JP7254621B2 (ja) | 2019-05-21 | 2019-05-21 | 画像処理装置、学習装置、画像処理方法、学習方法、及びプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US11175863B2 (ja) |
JP (1) | JP7254621B2 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6480299B1 (en) | 1997-11-25 | 2002-11-12 | University Technology Corporation | Color printer characterization using optimization theory and neural networks |
JP2008027122A (ja) | 2006-07-20 | 2008-02-07 | Seiko Epson Corp | 画像処理装置、画像処理プログラム、画像処理方法、及び画像処理プログラムを記憶した記憶媒体 |
WO2018192662A1 (en) | 2017-04-20 | 2018-10-25 | Hp Indigo B.V. | Defect classification in an image or printed output |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5309525A (en) * | 1990-06-14 | 1994-05-03 | Canon Kabushiki Kaisha | Image processing apparatus using neural network |
JP3204027B2 (ja) * | 1995-03-24 | 2001-09-04 | 東洋インキ製造株式会社 | 印刷シミュレーションのための色材量変換方法 |
JP3115508B2 (ja) * | 1995-06-21 | 2000-12-11 | シャープ株式会社 | カラー画像処理装置 |
US7481509B2 (en) * | 2003-10-31 | 2009-01-27 | Hewlett-Packard Development Company, L.P. | Ink thickness consistency in digital printing presses |
JP2006259393A (ja) | 2005-03-17 | 2006-09-28 | Fuji Xerox Co Ltd | シミュレーション装置 |
US7777915B2 (en) * | 2006-06-15 | 2010-08-17 | Eastman Kodak Company | Image control system and method |
JP5856594B2 (ja) * | 2013-08-30 | 2016-02-10 | 富士フイルム株式会社 | 色分解装置、色分解方法および色分解プログラム |
-
2019
- 2019-05-21 JP JP2019095480A patent/JP7254621B2/ja active Active
-
2020
- 2020-04-22 US US16/855,528 patent/US11175863B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6480299B1 (en) | 1997-11-25 | 2002-11-12 | University Technology Corporation | Color printer characterization using optimization theory and neural networks |
JP2008027122A (ja) | 2006-07-20 | 2008-02-07 | Seiko Epson Corp | 画像処理装置、画像処理プログラム、画像処理方法、及び画像処理プログラムを記憶した記憶媒体 |
WO2018192662A1 (en) | 2017-04-20 | 2018-10-25 | Hp Indigo B.V. | Defect classification in an image or printed output |
Also Published As
Publication number | Publication date |
---|---|
US11175863B2 (en) | 2021-11-16 |
JP2020190897A (ja) | 2020-11-26 |
US20200371725A1 (en) | 2020-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4118749B2 (ja) | 画像処理装置、画像処理プログラムおよび記憶媒体 | |
CN109118445B (zh) | 一种基于多分支生成对抗网络的水下图像增强方法 | |
US7525694B2 (en) | Image processing device, image processing method, image processing program, and recording medium | |
US20060115153A1 (en) | Page background estimation using color, texture and edge features | |
US11233921B2 (en) | Image processing apparatus that specifies edge pixel in target image using single-component image data | |
JP4350778B2 (ja) | 画像処理装置、画像処理プログラムおよび記録媒体 | |
JP6357881B2 (ja) | 画像処理装置及びプログラム | |
JP7353803B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
JP2020191046A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
JP6303816B2 (ja) | 画像処理装置及びプログラム | |
CN107730568B (zh) | 基于权重学习的着色方法和装置 | |
JP2004336282A (ja) | 画像処理装置、画像処理プログラム及び該プログラムを記録した記録媒体 | |
JP7254621B2 (ja) | 画像処理装置、学習装置、画像処理方法、学習方法、及びプログラム | |
JP7423905B2 (ja) | 機械学習モデルのトレーニング方法、データ生成装置、および、学習済みの機械学習モデル | |
JP2018128950A (ja) | 画像処理装置及びプログラム | |
KR20140099183A (ko) | 이미지 처리 장치, 이미지 처리 방법, 컴퓨터 판독가능 기록매체 및 화상형성장치 | |
JP6164024B2 (ja) | 画像処理装置及びプログラム | |
JP2002358482A (ja) | カラードロップアウトの実行方法 | |
JP2021125768A (ja) | 画像処理装置、その制御方法、及びプログラム | |
JP5915410B2 (ja) | 画像処理装置及びプログラム | |
JP2023020343A (ja) | 画像処理装置、画像処理方法、プログラム | |
JP2023005711A (ja) | 情報処理装置、情報処理方法およびプログラム、並びにシステム | |
Kuehn et al. | Algorithmic Typewriter Art: Can 1000 Words Paint a Picture? | |
JP5915411B2 (ja) | 画像処理装置及びプログラム | |
JP2023069216A (ja) | 画像処理装置、印刷装置、画像処理方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220516 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220516 |
|
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: 20230228 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230329 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7254621 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |