WO2015189935A1 - プログラム生成装置、プログラム生成方法およびプログラム - Google Patents

プログラム生成装置、プログラム生成方法およびプログラム Download PDF

Info

Publication number
WO2015189935A1
WO2015189935A1 PCT/JP2014/065470 JP2014065470W WO2015189935A1 WO 2015189935 A1 WO2015189935 A1 WO 2015189935A1 JP 2014065470 W JP2014065470 W JP 2014065470W WO 2015189935 A1 WO2015189935 A1 WO 2015189935A1
Authority
WO
WIPO (PCT)
Prior art keywords
program
fitness
evolution
individual
partial
Prior art date
Application number
PCT/JP2014/065470
Other languages
English (en)
French (fr)
Inventor
岡本　浩明
毅 長門
哲男 肥塚
Original Assignee
富士通株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 富士通株式会社 filed Critical 富士通株式会社
Priority to EP14894688.2A priority Critical patent/EP3156897B1/en
Priority to PCT/JP2014/065470 priority patent/WO2015189935A1/ja
Priority to CN201480079469.7A priority patent/CN106462397B/zh
Priority to JP2016527548A priority patent/JP6344469B2/ja
Publication of WO2015189935A1 publication Critical patent/WO2015189935A1/ja
Priority to US15/342,752 priority patent/US10540592B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/30—Creation or generation of source code
    • G06F8/36—Software reuse
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing

Definitions

  • the present invention relates to a program generation device, a program generation method, and a program.
  • a technology that automatically generates an image processing program for executing desired image processing by genetic programming has attracted attention.
  • This technology uses an input image and a processing result image (target image) to generate an image processing program generated by combining partial programs for image processing (for example, an image filter program) by genetic programming. It will be optimized.
  • the above-described processing for automatically generating an image processing program by genetic programming has a problem that the time required for the program generation processing is long.
  • the more partial programs that can be selected the higher the possibility that high quality image processing can be realized.
  • the possibility that the time required for the fitness calculated during the process to converge to a high value is increased, and as a result, the possibility that the time until the program generation process is completed is increased.
  • an object of the present invention is to provide a program generation device, a program generation method, and a program that can shorten the generation time of an image processing program.
  • a program generation device that generates an image processing program by determining a combination of partial programs included in the image processing program by genetic programming.
  • This program generation device has an information recording unit and a probability setting unit.
  • the information recording unit changes the number of partial programs between the pre-evolution individual and the post-evolution individual, and the individual before the evolution.
  • the information which shows the difference of the fitness calculated based on each of the individuals after evolution is recorded on a memory
  • the probability setting unit determines, for each partial program, the contribution that contributed to the increase in fitness based on the information accumulated in the storage unit during a predetermined period, and the higher the determined contribution, the higher the setting value.
  • the selection probability is set for each partial program. Then, after the selection probability is set for each partial program by the probability setting unit, the program generation device performs the evolution process according to the selection probability set for the partial program to be incorporated into the individual after evolution by mutation. select.
  • a program generation method is provided in which processing similar to that of the above-described program generation device is executed. Furthermore, in one proposal, there is provided a program that causes a computer to execute the same processing as the above-described program generation device.
  • the generation time of the image processing program can be shortened.
  • FIG. 1 It is a figure which shows the structural example and process example of a program generation apparatus which concern on 1st Embodiment. It is a figure which shows the reference example of the production
  • FIG. 1 is a diagram illustrating a configuration example and a processing example of the program generation device according to the first embodiment.
  • the program generation device 1 includes a generation processing unit 1a, an information recording unit 1b, a probability setting unit 1c, and a storage unit 1d.
  • the storage unit 1 d is shown outside the program generation device 1, but the storage unit 1 d is realized as a storage area of a storage device built in the program generation device 1.
  • the generation processing unit 1a generates an image processing program by genetic programming.
  • the generated image processing program is realized by combining partial programs for executing image processing.
  • the generation processing unit 1a determines a combination of partial programs to be included in the image processing program by genetic programming.
  • a plurality of partial programs that can be incorporated into the image processing program are stored in advance in the storage unit 1d, for example.
  • the generation processing unit 1a generates, for example, a predetermined number of individuals obtained by randomly selecting and combining stored partial programs. Then, the generated individual is evolved to discriminate individuals having low fitness, thereby discriminating the individual whose combination of partial programs is optimized, and outputting the individual as a final image processing program.
  • the evolution process for evolving an individual includes, for example, a crossover process for replacing a partial program between two parent individuals and a mutation process for replacing a partial program included in the parent individual with another partial program.
  • the partial program newly incorporated into the child individual in the mutation process is selected at random (that is, with the same probability) from the partial programs stored in advance. As will be described later, after the selection probability is set for each partial program, the selection is made according to the set selection probability.
  • the information recording unit 1b includes a partial program whose number changes between an individual before evolution and an individual after evolution, an individual before evolution, and an individual after evolution Information indicating the difference in fitness calculated based on each of the above is recorded in the storage unit 1d.
  • information recorded in the storage unit 1d by the information recording unit 1b is represented as “increase / decrease information 2a”.
  • a child individual 5_1 is generated from a parent individual 4_1 in the evolution process 3_1.
  • the parent individual 4_1 includes partial programs # 1 to # 4
  • the child individual 5_1 includes partial programs # 1 and # 3 to # 5. That is, it is assumed that the partial program # 2 is deleted and the partial program # 5 is newly incorporated in the process in which the parent individual 4_1 evolves to the child individual 5_1.
  • the information recording unit 1b records, for example, information indicating the partial programs # 2 and # 5 in the increase / decrease information 2a as a partial program whose number has changed before and after evolution.
  • a numerical value “ ⁇ 1” is recorded in association with the partial program # 2
  • a numerical value “+1” is recorded in association with the partial program # 5. This indicates that partial program # 2 has decreased by one and partial program # 5 has increased by one due to evolution.
  • the information recording unit 1b may record only the information about the partial program # 5 whose number has increased due to evolution in the increase / decrease information 2a.
  • the information recording unit 1b records a numerical value “+0.1” in the increase / decrease information 2a as information indicating a difference in fitness before and after evolution.
  • the information indicating the difference in fitness may be recorded in the increase / decrease information 2a only when the fitness increases due to evolution, for example.
  • the probability setting unit 1c determines, for each partial program, the contribution that has contributed to the increase in fitness, based on information recorded in the storage unit 1d by the information recording unit 1b during a predetermined period. Then, the selection probability is set for each partial program so that the set value becomes higher as the determined contribution is higher.
  • the probability setting unit 1c determines the contribution for each partial program based on the increase / decrease information 2a recorded during the period in which the n evolution processes 3_1 to 3_n are executed. Based on the determination result, the selection probability for each partial program is set in the setting information 2b.
  • the generation processing unit 1a executes the evolution process after the setting information 2b is set by the probability setting unit 1c, the generation processing unit 1a selects a partial program to be incorporated into the individual that has evolved due to mutation in the setting information 2b. Select according to probability. For example, in the (n + 1) th evolution process 3_ (n + 1), the generation processing unit 1a performs a mutation process on the parent individual 4_ (n + 1) to generate a child individual 5_ (n + 1). The partial program newly incorporated into 5_ (n + 1) is selected according to the selection probability set in the setting information 2b, not at random. As a result, the partial program with a higher selection probability is more likely to be newly incorporated into the child individual due to the mutation.
  • the probability setting unit 1c can estimate the contribution of the partial program to the increase in fitness by the following method based on the increase / decrease information 2a recorded in the storage unit 1d during a predetermined period. For example, when the fitness level increases before and after evolution, it can be estimated that a partial program whose number in the individual has increased before and after the evolution is likely to contribute to the increase in fitness level. Further, when the fitness level increases before and after evolution, it can be estimated that the partial program having a larger number after the evolution has a lower contribution to the fitness level increase. In addition, when the fitness decreases before and after evolution, it is assumed that the partial program whose number in the individual has increased before and after the evolution is unlikely to contribute to the increase in fitness. You can also.
  • the probability setting unit 1c sets the selection probability for each partial program so that the set value becomes higher as the contribution is higher, based on the contribution determined by such a method.
  • the partial program that is highly likely to contribute to the increase in fitness is more likely to be newly incorporated into the child individual.
  • the possibility that the fitness calculated based on the generated child individual increases is also increased.
  • it becomes easy to converge to a high fitness value, and learning is promoted. Therefore, there is a high possibility that the time required for the program generation process is shortened while maintaining the quality of the generated image processing program.
  • the more the partial programs that can be selected are prepared in advance the higher the possibility that the quality of the image processing by the generated image processing program can be improved.
  • the fitness becomes difficult to converge, and the possibility that the time required for the program generation process will be increased.
  • the program generation device 1 of the present embodiment even when the number of partial programs that can be selected increases, there is a possibility of contributing to an increase in fitness among those partial programs as learning progresses. A high partial program is easily selected. Thereby, it becomes easy to converge to a value with high fitness, and learning is promoted. Therefore, the possibility that an image processing program that realizes high-quality image processing can be generated in a short time increases.
  • the image processing apparatus includes a processing function of the program generation apparatus illustrated in FIG. 1 and a function of executing an image processing program generated by the processing function to perform image processing.
  • FIG. 2 is a diagram illustrating a reference example of the generation processing procedure of the image processing program.
  • One or more learning data 50 are prepared before the image processing program generation process.
  • the learning data 50 includes an input image 51 and a target image 52 when image processing is performed on the input image 51.
  • the input image 51 is obtained, for example, by capturing a subject with a camera.
  • an individual is configured by combining one or more partial programs. For example, as shown in the upper left of FIG. 2, an individual is defined by a tree structure.
  • a plurality of partial programs that can be incorporated into individuals are also prepared in advance.
  • an image filter is assumed as an example of a partial program incorporated in an individual.
  • the partial program is not limited to an image filter, and a program for performing other types of image processing can also be used.
  • F indicates an image filter
  • I indicates an input terminal
  • O indicates an output terminal.
  • the generation processing of the image processing program by genetic programming is executed as follows, for example. First, a group 61 of a plurality of initial individuals is generated (step S11). In each initial individual node, an image filter is randomly selected from a plurality of image filters prepared in advance and incorporated. Next, two parent individuals are randomly extracted from the generated individual group 61 (step S12).
  • the evolution process is performed on these two parent individuals to generate two or more child individuals (step S13).
  • crossover processing and mutation processing are performed on two parent individuals.
  • Three or more child individuals may be generated by performing different crossover processing and mutation processing on the two parent individuals.
  • the fitness is calculated for each of the child individual generated through the evolution process and the original parent individual (step S14).
  • image processing using each target individual is performed on each input image 51 of the learning data 50, and the fitness is calculated by comparing the image after execution with the corresponding target image 52. Is done.
  • the average value of the fitness obtained using the plurality of learning data 50 is calculated for each individual.
  • the individual is output as a final image processing program, and the program generation process ends.
  • survival selection is performed from the generated individual group 62 including each child individual and the original two parent individuals (step S15). ).
  • an individual having the maximum calculated fitness is selected from the individual group 62.
  • one individual is selected from the remaining individuals in the individual group 62 by a predetermined method. For example, an individual is selected from the remaining individuals with a probability corresponding to the fitness.
  • the two individuals selected by such survival selection are replaced with two individuals extracted as parent individuals among the individuals included in the individual group 61 (step S16). Thereby, the individuals included in the individual group 61 are changed to the next generation individuals. Then, the same processing is repeated until an individual whose fitness is equal to or greater than a predetermined threshold appears.
  • the image processing program generation process by genetic programming has a problem that the processing time is long.
  • the more image filters that can be selected the higher the possibility that high-quality image processing can be realized.
  • learning is less likely to converge and the processing time is likely to be longer.
  • image filters are selected at random during the process of element filter evolution. For example, when an image filter is selected at random, an image filter that is not appropriate for realizing desired image processing may be selected, and in this case, fitness based on an individual after evolution decreases. there is a possibility. If such a situation occurs frequently, it will go through many useless evolution processes, and the progress of learning will become slow.
  • an image filter that is likely to contribute to an increase in fitness is easily selected in the evolution process with respect to the program generation procedure as described above.
  • a processing procedure is added. This shortens the time required for the program generation process while maintaining the quality of the image processing by the generated image processing program. Further, even when the number of selectable image filters is increased, the possibility that the time required for the program generation process will increase is reduced.
  • FIG. 3 is a diagram illustrating a hardware configuration example of the image processing apparatus.
  • the image processing apparatus 100 is realized as a computer as shown in FIG. 3, for example.
  • the entire image processing apparatus 100 is controlled by a processor 101.
  • the processor 101 may be a multiprocessor.
  • the processor 101 is, for example, a CPU (Central Processing Unit), an MPU (Micro Processing Unit), a DSP (Digital Signal Processor), an ASIC (Application Specific Integrated Circuit), or a PLD (Programmable Logic Device).
  • the processor 101 may be a combination of two or more elements among CPU, MPU, DSP, ASIC, and PLD.
  • a RAM (Random Access Memory) 102 and a plurality of peripheral devices are connected to the processor 101 via a bus 109.
  • the RAM 102 is used as a main storage device of the image processing apparatus 100.
  • the RAM 102 temporarily stores at least part of an OS (Operating System) program and application programs to be executed by the processor 101.
  • the RAM 102 stores various data necessary for processing by the processor 101.
  • Peripheral devices connected to the bus 109 include an HDD (Hard Disk Drive) 103, a graphic processing device 104, an input interface 105, a reading device 106, a network interface 107, and a communication interface 108.
  • HDD Hard Disk Drive
  • Peripheral devices connected to the bus 109 include an HDD (Hard Disk Drive) 103, a graphic processing device 104, an input interface 105, a reading device 106, a network interface 107, and a communication interface 108.
  • HDD Hard Disk Drive
  • the HDD 103 is used as an auxiliary storage device of the image processing apparatus 100.
  • the HDD 103 stores an OS program, application programs, and various data.
  • As the auxiliary storage device other types of nonvolatile storage devices such as SSD (SolidSoState Drive) can be used.
  • the graphic processing device 104 is connected to a display device 104a.
  • the graphic processing device 104 displays an image on the screen of the display device 104a in accordance with an instruction from the processor 101.
  • Examples of the display device include a display device using a CRT (Cathode Ray Tube) and a liquid crystal display device.
  • the input device 105 a is connected to the input interface 105.
  • the input interface 105 transmits a signal output from the input device 105a to the processor 101.
  • Examples of the input device 105a include a keyboard and a pointing device.
  • Examples of pointing devices include a mouse, a touch panel, a tablet, a touch pad, and a trackball.
  • the portable recording medium 106a is detached from the reading device 106.
  • the reading device 106 reads the data recorded on the portable recording medium 106 a and transmits it to the processor 101.
  • Examples of the portable recording medium 106a include an optical disk, a magneto-optical disk, and a semiconductor memory.
  • the network interface 107 transmits and receives data to and from other devices via the network 107a.
  • the communication interface 108 transmits / receives data to / from a connected external device.
  • a camera 108a is connected to the communication interface 108 as an external device, and the communication interface 108 transmits image data transmitted from the camera 108a to the processor.
  • FIG. 4 is a block diagram illustrating a configuration example of processing functions included in the image processing apparatus.
  • the image processing apparatus 100 includes an image acquisition unit 111, a learning processing unit 112, an image processing unit 113, a program storage unit 130, a filter set storage unit 140, a learning data storage unit 150, and a fitness change storage unit 160.
  • the processing of the image acquisition unit 111 and the learning processing unit 112 is realized, for example, when the processor 101 of the image processing apparatus 100 executes a predetermined program.
  • the program storage unit 130, the filter set storage unit 140, and the learning data storage unit 150 are realized as storage areas of the HDD 103 of the image processing apparatus 100, for example.
  • the fitness change storage unit 160 is realized as a storage area of the RAM 102 of the image processing apparatus 100, for example.
  • the image acquisition unit 111 acquires captured image data from the camera 108 a and outputs the acquired data to the learning processing unit 112 or the image processing unit 113.
  • the learning processing unit 112 generates an image processing program by genetic programming, and stores the generated image processing program in the program storage unit 130.
  • the processing of the image processing unit 113 is realized by the processor 101 of the image processing apparatus 100 executing the image processing program stored in the program storage unit 130.
  • the image processing unit 113 acquires image data captured by the camera 108a via the image acquisition unit 111, and performs image processing on the acquired image data.
  • the processed image is displayed on the display device 104a, for example.
  • the filter set storage unit 140 stores a plurality of image filter programs that can be selected by the learning processing unit 112. Further, the filter set storage unit 140 stores selection probabilities associated with each image filter.
  • the learning data storage unit 150 stores one or more pieces of learning data including each data of the input image and the target image.
  • the input image included in the learning data may be, for example, an image captured by the camera 108a connected to the image processing apparatus 100.
  • the fitness level change storage unit 160 stores a fitness level change table to be described later.
  • the fitness change table is an example of the increase / decrease information 2a shown in FIG. 1, and is calculated based on the partial program whose number has changed between the parent individual and the child individual in the evolution process, and each of the parent individual and the child individual. The information indicating the difference in fitness is stored.
  • the learning processing unit 112 includes a learning control unit 121, an image processing unit 122, an fitness calculation unit 123, an fitness change registration unit 124, and a selection probability setting unit 125.
  • the learning control unit 121, the image processing unit 122, and the fitness calculation unit 123 are examples of the generation processing unit 1a illustrated in FIG.
  • the fitness change registration unit 124 is an example of the information recording unit 1b shown in FIG. 1
  • the selection probability setting unit 125 is an example of the probability setting unit 1c shown in FIG.
  • the learning control unit 121 controls the program generation processing in the learning processing unit 112 in an integrated manner.
  • the image processing unit 122 performs image processing based on the individual generated in the course of the program generation processing on the input image stored in the learning data storage unit 150.
  • the fitness calculation unit 123 compares the processed image with the corresponding target image stored in the learning data storage unit 150 to determine the fitness. calculate.
  • the fitness change registration unit 124 determines a partial program whose number has changed between a parent individual and a child individual in the evolution process, and a difference in fitness calculated based on each of the parent individual and the child individual.
  • the fitness change registration unit 124 registers information based on the determination results in the fitness change storage unit 160.
  • the selection probability setting unit 125 calculates a selection probability for each image filter registered in the filter set storage unit 140 based on information registered in the fitness change storage unit 160 in a predetermined period. The selection probability setting unit 125 sets the calculated selection probability in the filter set storage unit 140 in association with the image filter.
  • FIG. 5 is a diagram showing an example of information registered in the filter set database.
  • the filter set database (DB) 141 is an example of the setting information 2b shown in FIG. 1, and is stored in the filter set storage unit 140 in FIG.
  • the filter set database 141 a record is registered for each image filter that can be incorporated into the image processing program.
  • the program code of the corresponding image filter and the selection probability are registered.
  • the selection probability column in the initial state, the same value (for example, a value obtained by dividing the numerical value “1” by the number of registered image filters) is set for all image filters.
  • FIG. 6 is a diagram illustrating a first example of the fitness change table.
  • a record is registered for each pair of the image filter whose number included in the individual is decreased and the image filter whose number is increased before and after the evolution process.
  • the record corresponding to “F1-> F2” indicates that the number of image filters F1 decreased and the number of image filters F2 increased before and after the evolution process.
  • the image filter F1 included in the parent individual is replaced with the image filter F2 in the child individual can be considered.
  • each record records a fitness change calculated based on a value obtained by subtracting the fitness calculated based on the parent individual before evolution from the fitness calculated based on the child individual after evolution. Is done.
  • the value of the fitness change for example, the subtraction value may be recorded as it is, or the increase / decrease value is normalized by the increase / decrease number of the image filter in the process of evolution as described later. A value may be recorded.
  • the value of the fitness change is recorded in a corresponding record each time an evolution process is executed, for example.
  • FIG. 7 is a diagram showing a second example of the fitness change table.
  • the fitness change table 152 shown in FIG. 7 unlike the example of FIG. 6, a record is registered for each image filter, and a fitness change is recorded in each record.
  • the value of the fitness change is registered in the corresponding record when, for example, the number of corresponding image filters increases after evolution. Further, the value of the fitness change may be registered in the corresponding record even when the number of corresponding image filters decreases after evolution.
  • FIG. 8 is a diagram illustrating a first registration processing example of fitness change.
  • a parent individual 71a includes image filters F1, F3, and F5
  • a parent individual 71b includes image filters F2, F3, F4, and F6.
  • child individuals (not shown) corresponding to the parent individuals 71a and 71b are respectively generated by performing crossover between the parent individual 71a and the parent individual 71b.
  • crossover is performed between the image filter F3 included in the parent individual 71a and the image filter F4 included in the parent individual 71b.
  • the fitness value calculated based on the parent individual 71a is “0.5”, and the fitness value calculated based on the child individual corresponding to the parent individual 71a is “0.7”.
  • the fitness value calculated based on the parent individual 71b is “0.6”, and the fitness value calculated based on the child individual corresponding to the parent individual 71b is “0.3”.
  • the fitness level change registration unit 124 registers, for example, “0.2” as the value of the fitness level change in the record corresponding to “F3-> F4” in the fitness level change table 151 in FIG.
  • the fitness level change registration unit 124 registers, for example, “ ⁇ 0.3” as the value of the fitness level change in the record corresponding to “F4-> F3” in the fitness level change table 151 in FIG.
  • FIG. 9 is a diagram showing a second registration process example of fitness change.
  • a parent individual 72 includes image filters F1, F3, and F5. It is assumed that a child individual (not shown) corresponding to the parent individual 72 is generated by performing mutation on the parent individual 72.
  • the image filter F1 included in the parent individual 72 is replaced with the image filter F2 by mutation.
  • the fitness value calculated based on the parent individual 72 is “0.4”, and the fitness value calculated based on the child individual corresponding to the parent individual 72 is “0.5”.
  • the fitness change registering unit 124 registers “0.1” as the value of the fitness change in the record corresponding to “F1-> F2” in the fitness change table 151 in FIG. 6, for example.
  • the fitness change registration unit 124 registers “0.2” as the fitness change value in the record corresponding to the image filter “F4”, and the record corresponding to the image filter “F3”. Then, “ ⁇ 0.3” is registered as the value of the fitness change. In the case of FIG. 9, the fitness change registration unit 124 registers “0.1” as the fitness change value in the record corresponding to the image filter “F2”.
  • fitness changes may be registered for image filters whose number has decreased before and after evolution.
  • an image filter whose number has decreased before and after evolution is considered to have a low contribution to the change in fitness before and after evolution.
  • a value obtained by reversing the sign of the amount of change is registered.
  • the fitness change registration unit 124 further registers “ ⁇ 0.2” as the value of the fitness change in the record corresponding to the image filter “F3”, and the image filter “F4”. In the corresponding record, “0.3” is registered as the fitness change value.
  • the fitness change registration unit 124 further registers “ ⁇ 0.1” as the fitness change value in the record corresponding to the image filter “F1”.
  • FIGS. 8 and 9 are simple cases in which image filters are replaced one by one before and after evolution.
  • two or more image filters may increase or decrease before and after the evolution, for example, due to crossover.
  • the increased two image filters are increased in fitness by “0.2”. It can be estimated that each contributed at a rate of 1/2.
  • the fitness change registration unit 124 may calculate the value of the fitness change in consideration of the increase / decrease number of the image filter before and after the evolution.
  • FIG. 10 an example of image filter increase / decrease in the evolution process is shown in FIG. 10, and an example of fitness change registration processing when the example of FIG. 10 is used will be described with reference to FIGS. To do.
  • FIG. 10 is a diagram showing an example of the increase / decrease of the image filter during the evolution process.
  • Table 81 in FIG. 10 shows an example of changes in configuration and fitness before and after evolution of an individual.
  • the parent individual includes three image filters F1, two image filters F2, two image filters F3, and three image filters F4.
  • the child individuals generated by the evolution of the parent individual include two image filters F1, three image filters F2, two image filters F3, one image filter F4, and three image filters F5. Including. Further, it is assumed that the fitness calculated based on the parent individual is “0.5”, and the fitness calculated based on the child individual is “0.7”.
  • the fitness change registration unit 124 extracts the difference in the number of image filters in the individual before and after evolution when there is a change in the individual composition as shown in Table 81 in the evolution process. Differences based on the table 81 are extracted as shown in a table 82 of FIG. That is, before and after evolution, the image filter F1 is decreased by 1, the image filter F2 is increased by 1, the image filter F4 is decreased by 2, and the image filter F5 is increased by 3. The increase / decrease number of the image filter F3 is “0”.
  • FIG. 11 is a diagram illustrating a third registration process example of fitness change.
  • the fitness change is registered in the fitness change table 152 of FIG.
  • FIG. 11A shows an example when attention is paid only to the image filter increased before and after evolution.
  • the image filter F2 is increased by one and the image filter F5 is increased by three due to the evolution. Therefore, the fitness change registering unit 124 registers the fitness change in records corresponding to the image filters F2 and F5 among the records of the fitness change table 152.
  • the fitness level change registration unit 124 registers the fitness increase amount “0.2” before and after evolution in the records corresponding to the image filters F2 and F5, respectively.
  • FIG. 11 (B) shows an example in which attention is paid to the image filter reduced before and after evolution in addition to the example of FIG. 11 (A).
  • the image filter F1 is decreased by one and the image filter F4 is decreased by two due to the evolution. Therefore, the fitness level change registration unit 124 registers the fitness level change in the records corresponding to the image filters F1 and F4 among the records of the fitness level change table 152.
  • the fitness change registering unit 124 reverses the sign of the increase in fitness before and after evolution to the record corresponding to each of the image filters F1 and F4, “ ⁇ 0.2”. Is registered.
  • FIG. 11C shows an example in which the fitness change is normalized based on the number of increase / decrease of the image filter before and after evolution.
  • the record corresponding to the decreased image filter is the registration target of the fitness change. .
  • the fitness change registering unit 124 calculates, for example, a fitness change corresponding to an image filter whose number has increased before and after evolution according to the following equation (1).
  • “Adaptive change” “Increase in fitness” / (“Number of types of increased image filters” ⁇ “Number of increased corresponding image filters”) (1)
  • the fitness change registration unit 124 calculates, for example, a fitness change corresponding to an image filter whose number has decreased before and after evolution according to the following equation (2).
  • Adaptability change ( ⁇ 1) ⁇ “Increase in fitness” / (“Number of types of reduced image filters” ⁇ “Decrease number of corresponding image filters”) (2)
  • FIG. 12 is a diagram illustrating a fourth registration process example of fitness change.
  • the fitness change is registered in the fitness change table 151 of FIG.
  • the image filters arranged in the vertical direction indicate image filters whose number decreases before and after the evolution
  • the image filters arranged in the horizontal direction indicate a number before and after the evolution. Indicates an increased image filter.
  • the left table in FIGS. 12A to 12C shows the number of increase or decrease of the image filter
  • the right table shows the fitness change.
  • one record in the fitness change table 151 is shown by a combination of the image filter arranged in the vertical direction and the image filter arranged in the horizontal direction.
  • the combination of the image filter F1 in the vertical direction and the image filter F2 in the horizontal direction is a record corresponding to “F1-> F2” in the fitness change table 151 (that is, the number of image filters F1 decreases, Record corresponding to an increase in the number of filters F2).
  • FIG. 12A shows an example of registering a fitness change in a record corresponding to a combination of a reduced image filter and an increased image filter.
  • the image filters F2 and F5 are increased and the image filters F1 and F4 are decreased due to the evolution. Therefore, the fitness change registration unit 124 corresponds to “F1-> F2”, “F4-> F2”, “F1-> F5”, “F4-> F5” in the records of the fitness change table 151, respectively.
  • the fitness change is registered in the record to be performed.
  • the increase number is uniformly set to “1” without considering the increase number of the image filter, and the increase / decrease number of the image filter with respect to the fitness change. Shall not be reflected.
  • the fitness change registration unit 124 as shown in the table on the right side of FIG. 12A, “F1-> F2”, “F4-> F2”, “F1-> F5”, “F4-> In the records corresponding to F5 ”, the fitness increase amount“ 0.2 ”before and after evolution is registered as it is.
  • FIG. 12B is an example in which a change in fitness is registered in a record corresponding to a combination of an image filter with an increased number and an image filter with a decreased number in addition to the example of FIG. Indicates.
  • the fitness change registration unit 124 records among the records of the fitness change table 151 corresponding to “F2-> F1”, “F2-> F4”, “F5-> F1”, “F5-> F4”, respectively. Register the negative fitness change.
  • the reduction number is uniformly set to “1” without considering the reduction number of the image filter.
  • the increase / decrease number of the image filter is not reflected.
  • the fitness change registration unit 124 as shown in the table on the right side of FIG. 12B, “F2-> F1”, “F2-> F4”, “F5-> F1”, “F5-> A value “ ⁇ 0.2” obtained by reversing the sign of the increase in fitness before and after evolution is registered in the record corresponding to F4 ′′.
  • the example of FIG. 12C is a modification of the example of FIG. 12A so that the fitness change is normalized according to the increase / decrease number of the image filter.
  • the fitness change registration unit 124 first normalizes the increase number of image filters using the decreased number of image filters.
  • the adaptability change registering unit 124 uses the image filter F2 corresponding to each record of “F1-> F2” and “F4-> F2” as an image filter based on the increase “1” of the image filter F2.
  • the filter increase number corresponding to each record is calculated so as to coincide with the ratio of the decrease numbers of F2 and F4.
  • the filter increment corresponding to each record of “F1-> F2”, “F4-> F2” is “1”, “0.5”. Is calculated.
  • the fitness level change registration unit 124 uses the increase number “3” of the image filter F5 as a reference for the filter increase number corresponding to each record of “F1-> F5” and “F4-> F5”.
  • the filter increase number corresponding to each record is calculated so as to match the ratio of the decrease numbers of the filters F2 and F4.
  • the filter increments corresponding to the records “F1-> F5” and “F4-> F5” are “3”, “1.5”. Is calculated.
  • the fitness level change registration unit 124 calculates the fitness level change corresponding to each record based on the filter increase number corresponding to each record. For example, the fitness change registration unit 124 normalizes the fitness increase amount “0.2” using the filter increase number calculated by the above processing.
  • the fitness change registering unit 124 calculates, for example, the fitness change registered in the record according to the following formula (3) obtained by transforming the formula (1).
  • “Adaptive change” “Increase in fitness” / (“Number of filter types increased / decreased” ⁇ “Number of filters increased in corresponding record”) (3)
  • the fitness change due to evolution is compared with the example of FIG. 12A by standardizing the change in fitness based on the number of increase / decrease of the image filter before and after the evolution. It is possible to accurately reflect the degree of influence of each image filter on the amount of change in the fitness to be registered. As a result, the degree of contribution to the increase in fitness can be accurately reflected on the selection probability for each image filter, and the possibility that the time required for the program generation processing can be shortened can be increased.
  • the value “0” is described in the item corresponding to the image filter that has not increased or decreased before and after evolution.
  • the value “0” may be registered as the fitness change in the record of the fitness change table corresponding to the image filter that has not increased or decreased before and after evolution, or nothing is registered. May be.
  • the selection probability setting unit 125 calculates the effectiveness for each image filter based on the fitness change registered in the fitness change storage unit 160 in a predetermined period.
  • the effectiveness is an estimated value indicating the degree to which the corresponding image filter is effective (contributes) to the increase in fitness.
  • the selection probability setting unit 125 calculates a selection probability for each image filter based on the calculated effectiveness, and sets the calculated selection probability in the filter set database 141 in association with the image filter.
  • FIG. 13 shows an example of a cumulative histogram of fitness changes.
  • a processing example for calculating the effectiveness using the cumulative histogram of the fitness change will be described with reference to FIG. In FIG. 13, it is assumed that the fitness change registered in the fitness change table 151 of FIG. 6 is used. In addition, the fitness value calculated in the evolution process takes a value from “0” to “1”.
  • the first example shown in FIG. 13A shows an example of a cumulative histogram of fitness changes registered in a record corresponding to “F1-> F2” in the fitness change table 151.
  • the peak of the cumulative histogram exists in a region where the value of the fitness change is positive, and the frequency corresponding to the peak is equal to or greater than a predetermined threshold Th1.
  • the selection probability setting unit 125 calculates the value of the peak position of the cumulative histogram (“0.5” in the example of FIG. 13A) as the effectiveness of the image filter F2.
  • the selection probability setting unit 125 may calculate the average value of the cumulative histogram as the effectiveness of the image filter F2.
  • the fitness change table 151 includes a plurality of records in which the image filter F2 is set as an image filter whose number has increased after evolution. For example, when there are n image filters, the fitness change table 151 corresponds to “F1-> F2”, “F3-> F2”,..., “Fn-> F2” (n ⁇ 1) There are records.
  • the selection probability setting unit 125 determines the value of the peak position of the cumulative histogram from each of these (n ⁇ 1) records, and calculates the average value of the determined values as the effectiveness of the image filter F2. .
  • the selection probability setting unit 125 calculates the selection probability for each image filter based on the calculated effectiveness.
  • the selection probability of each image filter is “1 / n”. Therefore, as a calculation method of the selection probability, for example, when the effectiveness of the image filter is higher than the average value of the effectiveness of all the image filters, the selection probability of the image filter is set higher than “1 / n”, and the image
  • a method of making the selection probability of the image filter lower than “1 / n” can be used.
  • the selection probability of the image filter is calculated according to the following equation (4).
  • “Selection probability” (1 / n) + (“Effectiveness of corresponding image filter” ⁇ “Average value of effectiveness of all image filters”) ⁇ 0.5 (4)
  • FIG. 13B shows an example of a cumulative histogram of fitness changes registered in a record corresponding to “F2> F1” in the fitness change table 151.
  • the peak value of the cumulative histogram is greater than or equal to the threshold Th1, but the peak position is a negative position.
  • the selection probability setting unit 125 may calculate the value of the peak position of the cumulative histogram as the effectiveness of the image filter F1. However, when the effectiveness value is low, it is highly likely that the image filter F1 having an increased number does not contribute to increasing the fitness.
  • the selection probability setting unit 125 may set the selection probability of the corresponding image filter to a predetermined minimum value when the value of the effectiveness is a predetermined value (for example, “0”) or less. Thereby, in the subsequent evolution process, the probability that an image filter that does not contribute to the increase in fitness is newly selected is lowered, and the convergence of the calculated fitness is promoted.
  • the selection probability setting unit 125 may exclude the corresponding image filter from selection targets in the evolution process. Further, in order to exclude from the selection target, “0” may be set as the selection probability corresponding to the corresponding image filter. In this way, by preventing the image filter that does not contribute to the increase in fitness from being newly selected in the evolution process, the possibility that the fitness converges increases.
  • the second example shown in FIG. 13C shows an example of a cumulative histogram of fitness changes registered in a record corresponding to “F3-> F4” in the fitness change table 151.
  • the distribution of registered fitness changes is dispersed, and the peak value of the cumulative histogram does not reach the threshold Th1.
  • the selection probability setting unit 125 sets the validity corresponding to the image filter F4 to a predetermined minimum value (for example, “ ⁇ 1”) so that the selection probability of the image filter F4 becomes a low value.
  • FIG. 13 it is assumed that a cumulative histogram based on the fitness change table 151 in FIG. 6 is used. However, a cumulative histogram based on the fitness change table 152 in FIG. 7 may be used.
  • FIG. 14 is a diagram illustrating another setting process example of the selection probability. 14 also assumes a case where the fitness change registered in the fitness change table 151 of FIG. 6 is used.
  • one record in the fitness change table 151 is specified by a combination of the image filter Fm arranged in the vertical direction and the image filter Fn arranged in the horizontal direction.
  • the average value of the fitness change registered in the corresponding record is set in the column associated with one image filter Fm and one image filter Fn.
  • the effectiveness of each of the image filters F1 and F4 is a value of “0” or less.
  • the selection probability setting unit 125 sets the selection probability to “0” for an image filter whose effectiveness is equal to or less than a predetermined threshold (for example, “0”), and the image filter is excluded from selection targets in the evolution process. You may make it do.
  • FIG. 15 is a flowchart illustrating an example of a program generation processing procedure.
  • the learning control unit 121 receives an input operation for setting learning data. For example, learning data to be used in this process is specified from the learning data stored in the learning data storage unit 150.
  • the learning control unit 121 receives an input operation for setting a filter set.
  • an image filter to be used in this process is specified from among image filters registered in the filter set database 141.
  • the learning control unit 121 generates an individual group including a predetermined number of individuals. Each individual is generated by randomly selecting and combining the image filters designated in step S22. The generated individual group corresponds to the individual group 61 shown in FIG. 2, and will be referred to as “individual group 61” hereinafter.
  • the learning control unit 121 randomly selects two parent individuals from the individuals included in the individual group 61.
  • the learning control unit 121 generates two or more predetermined number of child individuals by performing crossover between the two selected parent individuals.
  • Step S26 The learning control unit 121 generates a mutation in the generated child individual, and replaces the image filter included in the child individual with any of the other image filters specified in Step S22. At this time, the learning control unit 121 selects the replaced image filter based on the selection probability associated with the image filter in the filter set database 141. That is, a selection process is performed such that the image filter having a higher selection probability is more likely to be newly incorporated into a child individual due to mutation.
  • Step S27 The fitness is calculated for each parent individual selected in step S24 and each child individual obtained by the processing in steps S26 and S27. In this process, the following process is performed for each individual to be calculated.
  • the image processing unit 122 selects one learning data designated in step S21, and applies the processing of the individual to be calculated to the input image included in the selected learning data.
  • the fitness level calculation unit 123 calculates the fitness level by calculating the matching level between the image obtained by the individual processing and the target image included in the selected learning data.
  • the image processing unit 122 and the fitness calculation unit 123 perform the above processing for all the learning data specified in step S21.
  • the fitness calculation unit 123 calculates an average value of all the calculated fitness values, and outputs the average value as the fitness value of the individual to be calculated.
  • Step S28 The learning control unit 121 determines whether the maximum value of the fitness of each individual calculated in Step S27 is greater than a predetermined threshold. If the maximum fitness value is greater than the threshold value, the process of step S29 is executed. On the other hand, when the maximum fitness value is equal to or less than the threshold value, the process of step S30 is executed.
  • Step S29 The learning control unit 121 selects an individual having the maximum fitness among the individuals whose fitness has been calculated in Step S27.
  • the learning control unit 121 stores the image processing program indicated by the selected individual in the program storage unit 130, and ends the program generation process.
  • the fitness change registration unit 124 generates a plurality of pairs of parent and child individuals by associating each child individual obtained by the processing of steps S25 and S26 with the original parent individual corresponding to the child individual. To do.
  • the fitness change registration unit 124 calculates the increase / decrease in fitness for each of the generated individual pairs.
  • the increase / decrease in the fitness is calculated as a value obtained by subtracting the fitness of the parent individual from the fitness of the child individual.
  • the fitness change registration unit 124 extracts a difference in filter structure for each of the generated individual pairs. In this process, the fitness change registering unit 124 determines an image filter whose number has decreased between individuals of the parent and child, a decrease number thereof, an image filter whose number has increased, and an increase number thereof.
  • the fitness change registration unit 124 calculates a fitness change for each image filter based on the increase / decrease in the fitness calculated in step S30 and the difference information of the filter structure extracted in step S31. And registered in the fitness change storage unit 160.
  • the method for calculating the fitness change is as described with reference to FIGS. Further, when the fitness change table 151 of FIG. 6 is used, the value of the fitness change is registered in a record provided for each combination of the image filter with the reduced number and the image filter with the increased number. On the other hand, when the fitness change table 152 of FIG. 7 is used, the value of the fitness change is registered in a record provided for each image filter.
  • Step S33 The learning control unit 121 sets the individual having the maximum fitness among the individual individuals selected in Step S24 and the child individuals obtained by the processing in Steps S26 and S27 as the individual to survive. select. Furthermore, the learning control unit 121 selects one more individual to survive from the remaining individuals. In this selection process, for example, an individual is selected with a probability corresponding to the calculated fitness.
  • the learning control unit 121 replaces the two individuals selected in step S24 among the individuals in the individual group 62 with the two individuals selected as the individuals to survive. As a result, the generation of the individual group 62 is updated.
  • Step S34 The learning control unit 121 determines whether a predetermined period has elapsed. When the predetermined period has elapsed, the process of step S35 is executed. On the other hand, if the predetermined period has not elapsed, the process of step S24 is executed. In addition, the count value which counts a predetermined period is reset after execution of step S34.
  • step S34 for example, when the processes from steps S24 to S33 are repeated a predetermined number of times (that is, when the evolution process for a predetermined number of generations is executed), it is determined that the predetermined period has elapsed. .
  • the number of fitness change data accumulated in the fitness change storage unit 160 reaches a predetermined number, it may be determined that the predetermined period has elapsed.
  • Step S35 The selection probability setting unit 125 calculates the effectiveness of each image filter based on the value of the fitness change registered in the fitness change storage unit 160 during the predetermined period determined in Step S34. .
  • the method for calculating the effectiveness is as described with reference to FIGS.
  • the selection probability setting unit 125 calculates the selection probability of each image filter based on the effectiveness calculated in step S35.
  • the selection probability is calculated according to, for example, the above formula (4).
  • the selection probability setting unit 125 may set the selection probability to “0” for an image filter whose effectiveness is a predetermined threshold value or less. The image filter with the selection probability set to “0” is excluded from the selection target in the subsequent processing of step S26.
  • the selection probability setting unit 125 sets the calculated selection probability in the filter set database 141. At this time, the selection probability value registered in the filter set database 141 is updated with the newly calculated selection probability value.
  • the image processing apparatus 100 accumulates information indicating changes in fitness between individuals before and after evolution and changes in filter structure, and increases the fitness based on the accumulated information.
  • the effectiveness for is calculated for each image filter.
  • a selection probability corresponding to the calculated effectiveness is set in each image filter, and an image filter to be incorporated in the child individual is selected according to the set selection probability in the subsequent evolution process.
  • image filters that contribute to an increase in fitness are more likely to be incorporated into the child individual, and as a result, the calculated fitness is more likely to increase and the fitness value is increased. It becomes easier to converge. Therefore, it is possible to increase the possibility that the time required for the generation processing of the image processing program will be shortened.
  • the image processing apparatus has an image filter according to the selection probability set in the filter set database 141 in the evolution process compared to the image processing apparatus 100 according to the second embodiment.
  • a function for switching between a selection mode for selecting and a selection mode for randomly selecting an image filter is further provided. Then, the image processing apparatus according to the third embodiment determines the tendency of the fitness transition between the parent and the child during the evolution process, and switches the selection mode according to the determination result.
  • a selection mode for selecting an image filter according to the selection probability set in the filter set database 141 is referred to as a “non-random selection mode”, and a selection mode for selecting an image filter at random is referred to as a “random selection mode”.
  • FIG. 16 is a block diagram illustrating a configuration example of processing functions of the image processing apparatus according to the third embodiment.
  • the same components as those in FIG. 4 are denoted by the same reference numerals, and description thereof is omitted.
  • the image processing apparatus 100a shown in FIG. 16 is realized by replacing the learning processing unit 112 of the processing functions of the image processing apparatus 100 of FIG. 4 with the learning processing unit 112a and further providing a mode storage unit 170a.
  • the mode storage unit 170a stores information indicating whether the random selection mode or the non-random selection mode is currently set.
  • the learning processing unit 112a includes a learning control unit 121a instead of the learning control unit 121 in FIG.
  • the processing of the learning control unit 121a is basically the same as that of the learning control unit 121 of FIG. 4, except that an image filter is selected according to the selection mode set in the mode storage unit 170a at the time of mutation. Different from the learning control unit 121.
  • the learning processing unit 112a includes a mode setting unit 126a in addition to the image processing unit 122, the fitness calculation unit 123, the fitness change registration unit 124, and the selection probability setting unit 125 included in the learning processing unit 112 of FIG. .
  • the mode setting unit 126a determines the tendency of the fitness transition between the parent and child during the evolution process, switches the selection mode according to the determination result, and sets the switched selection mode in the mode storage unit 170a.
  • FIG. 17 is a diagram illustrating selection mode setting processing.
  • the graph shown in FIG. 17 shows the transition of the maximum fitness value (maximum fitness) calculated in the evolution process.
  • a dotted broken line L1 in FIG. 17 indicates the transition of the maximum fitness when the program generation process is performed in the non-random selection mode.
  • the maximum fitness does not always increase.
  • the rate of increase as in the period from timing T1 to timing T2 in FIG. Can stagnate.
  • the selection mode is switched to the random selection mode so that a more global solution search is performed, so that there is a high possibility that the increase in maximum fitness is promoted.
  • the mode setting unit 126a calculates the increase rate of the maximum fitness based on the maximum value of the fitness calculated in each of the latest predetermined number of generations. If the increase rate of the maximum fitness is greater than or equal to a predetermined threshold (however, the threshold is greater than “0”), the non-random mode is set. If the increase rate is less than the threshold, the random mode is set. To do. As a result, as indicated by a thick broken line L2 in FIG. 17, it is highly likely that the period during which the increase rate of the maximum fitness is stagnant is shortened, and the time until the maximum fitness reaches a predetermined target value can be shortened. The possibility increases.
  • FIG. 18 is a flowchart showing an example of a program generation processing procedure in the third embodiment.
  • processing steps in which the same processing as in FIG. 15 is performed are denoted by the same step numbers, and description of the processing contents is omitted.
  • the processing executed by the learning control unit 121 in FIG. 15 is executed by the learning control unit 121a in FIG.
  • step S26a is executed instead of step S26 in FIG. Further, step S41 is executed between step S33 and step S34 in FIG.
  • Step S26a The learning control unit 121a generates a mutation in the generated child individual, and replaces the image filter included in the child individual with another image filter specified in Step S22. At this time, the learning control unit 121a determines the current selection mode with reference to the mode storage unit 170a. When the current selection mode is a random mode, the learning control unit 121a randomly selects a replacement image filter. On the other hand, when the current selection mode is the non-random mode, the learning control unit 121a selects the replaced image filter based on the selection probability associated with the image filter in the filter set database 141.
  • Step S41 The mode setting unit 126a sets the selection mode. This process will be described with reference to FIG. FIG. 19 is a flowchart illustrating an example of a selection mode setting processing procedure.
  • the mode setting unit 126a determines the maximum value of the fitness values calculated in the current generation process (that is, the latest process in Step S27) and the fitness value calculated in the previous process by the predetermined number of generations. Collect the maximum of the values. These maximum fitness levels can be collected from, for example, a log (not shown) storing the calculated fitness levels, information in the fitness level change storage unit 160, and the like.
  • the mode setting unit 126a calculates the increase rate of the extracted maximum fitness.
  • the maximum fitness value is obtained by subtracting the maximum fitness value in the previous generation process from the maximum fitness value in the current generation process, and subtracting the result of the subtraction (i.e., from that generation to the current generation). It is calculated by dividing by the number of repetitions of step S27.
  • Step S53 The mode setting unit 126a compares the calculated increase rate with a predetermined threshold value greater than “0”. When the increase rate is equal to or less than the threshold value, the process of step S54 is executed, and when the increase rate exceeds the threshold value, the process of step S55 is executed.
  • the mode setting unit 126a updates the selection mode set in the mode storage unit 170a to the random selection mode.
  • the mode setting unit 126a updates the selection mode set in the mode storage unit 170a to a non-random selection mode.
  • the image processing apparatus 100a sets the image filter to each image filter at the time of mutation when it is determined that the fitness is increasing smoothly. Select according to the selection probability.
  • the image processing apparatus 100a randomly selects an image filter at the time of mutation. As a result, the possibility that the calculated maximum fitness will increase increases, and it becomes easier for the fitness to converge to a high value. As a result, it is possible to increase the possibility that the time required for generating the image processing program will be shortened.
  • whether to select an image filter randomly or according to a set selection probability is determined depending on whether the increase rate of the maximum fitness is larger than a threshold value.
  • the weight to be added to the set selection probability is changed depending on whether or not the increase rate of the maximum fitness is larger than the threshold value, and in the case of mutation, the weighted selection is performed.
  • the image filter may be selected according to the probability.
  • the mode setting unit 126a reduces the weight value by a predetermined value or a predetermined ratio when the increase rate is less than the threshold value. This increases the randomness of the image filter selection in the mutation, and makes it possible to search for a more global solution.
  • the mode setting unit 126a increases the weight value by a predetermined value or a predetermined rate.
  • FIG. 20 is a diagram showing an example of grouping image filters.
  • the image filters registered in the filter set database 141 are classified into groups Fa to Fd for image filters having similar processing contents.
  • Group Fa includes image filters that perform spatial filter processing.
  • the group Fa includes an image filter Fa1 that performs edge extraction, an image filter Fa2 that performs edge enhancement, an image filter Fa3 that performs smoothing, an image filter Fa4 that performs noise removal, and the like.
  • An image filter that performs shape detection processing belongs to the group Fb.
  • the group Fb includes an image filter Fb1 that performs straight line detection, an image filter Fb2 that performs corner detection, an image filter Fb3 that performs circle detection, an image filter Fb4 that performs character detection, an image filter Fb5 that performs face detection, and the like.
  • An image filter that performs binarization processing belongs to the group Fc.
  • an image filter Fc1 that performs binarization using a fixed threshold an image filter Fc2 that performs binarization using a variable threshold, and binarization using a P-tile method.
  • An image filter Fc3 to be performed, an image filter Fc4 to perform adaptive binarization processing, and the like belong.
  • An image filter that processes binary images belongs to the group Fd.
  • the group Fd includes an image filter Fd1 that performs expansion / reduction processing, an image filter Fd2 that performs AND operation, an image filter Fd3 that performs OR operation, and an image filter Fd4 that performs luminance inversion processing.
  • the image processing apparatus 100a selects an image filter in “selection mode 1” in a state where the increase rate of the maximum fitness is high.
  • this selection mode 1 the image processing apparatus 100a selects an image filter to be mutated as an image filter belonging to the same group as this image filter according to the selection probability.
  • an image filter belonging to the same group that is, an image filter having similar processing contents can be selected, so that an image filter effective for the increase in fitness can be selected. Estimated to increase.
  • the image processing apparatus 100a sets the selection mode 2 in which selection with higher randomness than the selection mode 1 is performed when the increase rate of the maximum fitness is equal to or less than the predetermined threshold Th_H.
  • selection mode 2 the image processing apparatus 100a selects an image filter from all image filters according to the selection probability.
  • the image processing apparatus 100b sets the selection mode 3 in which selection with higher randomness is performed.
  • selection mode 3 the image processing apparatus 100a randomly selects an image filter from all image filters.
  • Such processing increases the possibility that the calculated maximum fitness will increase, and it will be easy to converge to a value with high fitness. As a result, it is possible to increase the possibility that the time required for generating the image processing program will be shortened.
  • step S26a in FIG. 18 is modified as shown in FIG. 21, and the process of step S41 in FIG. 18 is modified as shown in FIG. It is realized with.
  • FIG. 21 is a flowchart illustrating an example of a mutation processing procedure according to the fourth embodiment.
  • the learning control unit 121a refers to the mode storage unit 170a to determine the currently set selection mode. If the selection mode 1 is set, the process of step S62 is executed. If the selection mode 2 is set, the process of step S63 is executed. If the selection mode 3 is set, the process of step S64 is executed.
  • the learning control unit 121a In steps S62, S63, and S64, the learning control unit 121a generates a mutation in the child individual generated by the process in step S25 of FIG. 18, and the image filter included in the child individual is specified in step S22. Replace with one of the image filters. At this time, the learning control unit 121 selects the replaced image filter in the following procedure.
  • the learning control unit 121a selects the same group as the image filter before replacement.
  • the learning control unit 121a selects an image filter with a probability based on the selection probability set in the filter set database 141 from among the image filters other than the image filter before replacement among the image filters belonging to the selected group.
  • the probability at the time of selection is obtained by the following procedure.
  • the selection probabilities set for the image filters Fa2, Fa3, and Fa4 are Sa2, Sa3, and Sa4, respectively.
  • the learning control unit 121a selects the image filters Fa2, Fa3, and Fa4 with probabilities Sa2 / (Sa2 + Sa3 + Sa4), Sa3 / (Sa2 + Sa3 + Sa4), and Sa4 / (Sa2 + Sa3 + Sa4), respectively.
  • Step S63 The learning control unit 121a selects the replaced image filter with the selection probability associated with the image filter in the filter set database 141 from the image filters in all groups.
  • FIG. 22 is a flowchart illustrating an example of a selection mode setting process procedure according to the fourth embodiment. Note that the processing contents of steps S51 and S52 of FIG. 22 are the same as the processing contents of steps S51 and S52 of FIG.
  • Step S71 The mode setting unit 126a compares the calculated increase rate with a predetermined threshold H (where H> 0). When the increase rate exceeds the threshold value H, the process of step S72 is executed, and when the increase rate is equal to or less than the threshold value H, the process of step S73 is executed.
  • the mode setting unit 126a updates the selection mode set in the mode storage unit 170a to the selection mode 1.
  • the mode setting unit 126a compares the calculated increase rate with a predetermined threshold L (where H>L> 0). When the increase rate exceeds the threshold value L, the process of step S74 is executed, and when the increase rate is equal to or less than the threshold value L, the process of step S74 is executed.
  • the mode setting unit 126a updates the selection mode set in the mode storage unit 170a to the selection mode 2.
  • the mode setting unit 126a updates the selection mode set in the mode storage unit 170a to the selection mode 3.
  • the selection modes 1 to 3 can be switched.
  • the selection modes 1 and 3 may be switched.
  • the process of FIG. 22 may be modified such that the selection mode 1 is set when the increase rate exceeds the threshold value H, and the selection mode 3 is set when the increase rate is equal to or less than the threshold value H.
  • FIG. 23 is a diagram illustrating another example of grouping of image filters.
  • FIG. 23 shows an example in which image filters are classified into four groups for each image filter having the same type of image filter and having different set parameters.
  • Sobel filters with different set parameters belong.
  • the parameter include a parameter indicating whether a vertical edge or a horizontal edge is detected, and a parameter indicating a kernel size.
  • a Laplacian filter having different set parameters belongs to the Laplacian filter group.
  • the parameter include a coefficient set indicating a combination of a plurality of coefficients and a parameter indicating a kernel size.
  • the parameters include, for example, a parameter indicating whether it functions for calculating an average value or a Gaussian filter, and a parameter indicating a kernel size.
  • Noise removal filters with different set parameters belong to the noise removal filter group.
  • the parameters include, for example, a parameter that specifies whether to function as a median filter or an isolated point removal filter, and a parameter that indicates a kernel size.
  • the processing described with reference to FIGS. 21 and 22 is executed using the image filters classified as shown in FIG. 23, so that the fitness is easily converged to a high value. As a result, the generation processing of the image processing program It is possible to increase the possibility that the time required for the process will be shortened.
  • the processing functions of the apparatuses can be realized by a computer.
  • a program describing the processing contents of the functions that each device should have is provided, and the processing functions are realized on the computer by executing the program on the computer.
  • the program describing the processing contents can be recorded on a computer-readable recording medium.
  • the computer-readable recording medium include a magnetic storage device, an optical disk, a magneto-optical recording medium, and a semiconductor memory.
  • Examples of the magnetic storage device include a hard disk device (HDD), a flexible disk (FD), and a magnetic tape.
  • Optical discs include DVD (Digital Versatile Disc), DVD-RAM, CD-ROM (Compact Disc-Read Only Memory), CD-R (Recordable) / RW (ReWritable), and the like.
  • Magneto-optical recording media include MO (Magneto-Optical disk).
  • a portable recording medium such as a DVD or CD-ROM in which the program is recorded is sold. It is also possible to store the program in a storage device of a server computer and transfer the program from the server computer to another computer via a network.
  • the computer that executes the program stores, for example, the program recorded on the portable recording medium or the program transferred from the server computer in its own storage device. Then, the computer reads the program from its own storage device and executes processing according to the program. The computer can also read the program directly from the portable recording medium and execute processing according to the program. In addition, each time a program is transferred from a server computer connected via a network, the computer can sequentially execute processing according to the received program.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Image Processing (AREA)
  • Stored Programmes (AREA)
  • Image Analysis (AREA)

Abstract

　画像処理プログラムの生成時間を短縮する。　情報記録部（１ｂ）は、進化処理が実行されるたびに、進化前の個体と進化後の個体との間で数が変化した部分プログラムと、進化前の個体および進化後の個体のそれぞれを基に算出された適応度の差分とを示す増減情報（２ａ）を、記憶部（１ｄ）に記録する。確率設定部（１ｃ）は、所定期間に記憶部（１ｄ）に蓄積された増減情報（２ａ）に基づいて、適応度の増加に貢献した貢献度を部分プログラムごとに判定し、判定された貢献度が高いほど設定値が高くなるように部分プログラムごとに選択確率を設定する。生成処理部（１ａ）は、進化処理を実行する際に、突然変異により進化後の個体へ組み込む部分プログラムを設定された選択確率にしたがって選択する。

Description

プログラム生成装置、プログラム生成方法およびプログラム
　本発明は、プログラム生成装置、プログラム生成方法およびプログラムに関する。
　所望の画像処理を実行する画像処理プログラムを、遺伝的プログラミングによって自動生成する技術が注目されている。この技術は、入力画像と処理結果の画像（目標画像）とを用いて、画像処理のための部分プログラム（例えば、画像フィルタのプログラム）を組み合わせて生成される画像処理プログラムを、遺伝的プログラミングによって最適化していくものである。
　これに関連する技術として、例えば、処理プログラムの生成処理において、遺伝的プログラミングに用いられる適応度が、処理プログラムにおけるノード数が大きいほど小さい値をとるように算出される技術が提案されている。
　また、画像処理手順を生成する技術の例として、適応度の高い画像処理手順同士を交配させるようにした技術が提案されている。
特開２００６－１７８８５７号公報 国際公開第２００６／００１１０７号
青木紳也、長尾智晴、「木構造画像変換の自動構築法ＡＣＴＩＴ」、情報メディア学会誌Ｖｏｌ．５３，Ｎｏ．６、１９９９年６月２０日、ｐ．８９０－８９２
　遺伝的プログラミングによって画像処理プログラムを自動生成する上記の処理では、プログラム生成処理に要する時間が長いという問題がある。例えば、上記処理では、選択し得る部分プログラムが多数用意されているほど、高品質な画像処理を実現できる可能性が高まる。その反面、処理の過程で算出される適応度が高い値に収束するまでに要する時間が長くなる可能性も高まり、その結果、プログラム生成処理が終了するまでの時間が長くなる可能性も高まる。
　１つの側面では、本発明は、画像処理プログラムの生成時間を短縮可能なプログラム生成装置、プログラム生成方法およびプログラムを提供することを目的とする。
　１つの案では、画像処理プログラムに含まれる部分プログラムの組み合わせを遺伝的プログラミングによって決定することで画像処理プログラムを生成するプログラム生成装置が提供される。このプログラム生成装置は、情報記録部および確率設定部を有する。情報記録部は、部分プログラムが複数組み合わされた個体を進化させる進化処理が実行されるたびに、進化前の個体と進化後の個体との間で数が変化した部分プログラムと、進化前の個体および進化後の個体のそれぞれを基に算出された適応度の差分とを示す情報を、記憶部に記録する。確率設定部は、所定期間に記憶部に蓄積された情報に基づいて、適応度の増加に貢献した貢献度を部分プログラムごとに判定し、判定された貢献度が高いほど設定値が高くなるように部分プログラムごとに選択確率を設定する。そして、プログラム生成装置は、確率設定部によって部分プログラムごとに選択確率が設定された後、進化処理を実行する際に、突然変異により進化後の個体へ組み込む部分プログラムを設定された選択確率にしたがって選択する。
　また、１つの案では、上記のプログラム生成装置と同様の処理が実行されるプログラム生成方法が提供される。
　さらに、１つの案では、上記のプログラム生成装置と同様の処理をコンピュータに実行させるプログラムが提供される。
　１つの側面では、画像処理プログラムの生成時間を短縮できる。
　本発明の上記および他の目的、特徴および利点は本発明の例として好ましい実施の形態を表す添付の図面と関連した以下の説明により明らかになるであろう。
第１の実施の形態に係るプログラム生成装置の構成例および処理例を示す図である。 画像処理プログラムの生成処理手順の参考例を示す図である。 画像処理装置のハードウェア構成例を示す図である。 画像処理装置が備える処理機能の構成例を示すブロック図である。 フィルタセットデータベースに登録される情報の例を示す図である。 適応度変化テーブルの第１の例を示す図である。 適応度変化テーブルの第２の例を示す図である。 適応度変化の第１の登録処理例を示す図である。 適応度変化の第２の登録処理例を示す図である。 進化過程での画像フィルタの増減の例を示す図である。 適応度変化の第３の登録処理例を示す図である。 適応度変化の第４の登録処理例を示す図である。 適応度変化の累積ヒストグラムの例を示す。 選択確率の他の設定処理例を示す図である。 プログラム生成処理手順の例を示すフローチャートである。 第３の実施の形態に係る画像処理装置の処理機能の構成例を示すブロック図である。 選択モードの設定処理について示す図である。 第３の実施の形態におけるプログラム生成処理手順の例を示すフローチャートである。 選択モード設定処理手順の例を示すフローチャートである。 画像フィルタのグループ化の例を示す図である。 第４の実施の形態における突然変異処理手順の例を示すフローチャートである。 第４の実施の形態における選択モード設定処理手順の例を示すフローチャートである。 画像フィルタのグループ化の他の例を示す図である。
　以下、本発明の実施の形態について図面を参照して説明する。
　〔第１の実施の形態〕
　図１は、第１の実施の形態に係るプログラム生成装置の構成例および処理例を示す図である。プログラム生成装置１は、生成処理部１ａ、情報記録部１ｂ、確率設定部１ｃおよび記憶部１ｄを有する。なお、図１では、記憶部１ｄはプログラム生成装置１の外側に示されているが、記憶部１ｄは、プログラム生成装置１に内蔵された記憶装置の記憶領域として実現される。
　生成処理部１ａは、遺伝的プログラミングによって画像処理プログラムを生成する。生成される画像処理プログラムは、それぞれが画像処理を実行するための部分プログラムが組み合わされることで実現される。生成処理部１ａは、画像処理プログラムに含めるべき部分プログラムの組み合わせを、遺伝的プログラミングによって決定する。
　画像処理プログラムに組み込むことが可能な複数の部分プログラムは、例えば、記憶部１ｄにあらかじめ記憶されている。生成処理部１ａは、例えば、記憶された部分プログラムをランダムに選択して組み合わせた個体を、所定数だけ生成する。そして、生成した個体を進化させ、適応度の低い個体を淘汰していくことで、部分プログラムの組み合わせが最適化された個体を判別し、その個体を最終的な画像処理プログラムとして出力する。
　個体を進化させる進化処理としては、例えば、２つの親個体の間で部分プログラムを入れ替える交叉処理や、親個体に含まれる部分プログラムを他の部分プログラムに置き換える突然変異処理がある。これらのうち、突然変異処理において子個体に新たに組み込む部分プログラムは、初期状態では、あらかじめ記憶された部分プログラムの中からランダムに（すなわち、同じ確率で）選択される。そして、後述するように、部分プログラムごとに選択確率が設定された後は、設定された選択確率にしたがって選択される。
　情報記録部１ｂは、生成処理部１ａによって進化処理が実行されるたびに、進化前の個体と進化後の個体との間で数が変化した部分プログラムと、進化前の個体および進化後の個体のそれぞれを基に算出された適応度の差分とを示す情報を、記憶部１ｄに記録する。図１では、情報記録部１ｂによって記憶部１ｄに記録される情報を、「増減情報２ａ」と表す。
　例えば、図１に示すように、進化処理３＿１において、親個体４＿１から子個体５＿１が生成されたとする。親個体４＿１は、部分プログラム＃１～＃４を含み、子個体５＿１は、部分プログラム＃１，＃３～＃５を含むものとする。すなわち、親個体４＿１が子個体５＿１に進化する過程で、部分プログラム＃２が削除され、部分プログラム＃５が新たに組み込まれたとする。
　この場合、情報記録部１ｂは、例えば、進化の前後で数が変化した部分プログラムとして、部分プログラム＃２，＃５を示す情報を増減情報２ａに記録する。図１の例では、増減情報２ａにおいて、部分プログラム＃２に対応付けて数値“－１”が記録され、部分プログラム＃５に対応付けて数値“＋１”が記録されている。これは、進化によって部分プログラム＃２が１つ減少し、部分プログラム＃５が１つ増加したことを示す。なお、情報記録部１ｂは、進化によって数が増加した部分プログラム＃５についての情報だけを増減情報２ａに記録してもよい。
　また、進化処理３＿１では、親個体４＿１を基に算出された適応度より、子個体５＿１を基に算出された適応度の方が“０．１”だけ大きかったものとする。この場合、情報記録部１ｂは、例えば、進化の前後での適応度の差分を示す情報として、数値“＋０．１”を増減情報２ａに記録する。なお、適応度の差分を示す情報は、例えば、進化によって適応度が増加した場合のみ増減情報２ａに記録されてもよい。
　確率設定部１ｃは、所定期間に情報記録部１ｂによって記憶部１ｄに記録された情報に基づいて、適応度の増加に貢献した貢献度を部分プログラムごとに判定する。そして、判定された貢献度が高いほど設定値が高くなるように、部分プログラムごとに選択確率を設定する。
　例えば、確率設定部１ｃは、図１に示すように、ｎ回の進化処理３＿１～３＿ｎが実行された期間に記録された増減情報２ａに基づいて、貢献度を部分プログラムごとに判定する。そして、その判定結果に基づいて、部分プログラムごとの選択確率を設定情報２ｂに設定する。
　生成処理部１ａは、確率設定部１ｃによって設定情報２ｂが設定された後、進化処理を実行する際には、突然変異により進化後の個体へ組み込む部分プログラムを、設定情報２ｂに設定された選択確率にしたがって選択する。例えば、生成処理部１ａは、（ｎ＋１）回目の進化処理３＿（ｎ＋１）において、親個体４＿（ｎ＋１）に対して突然変異処理を施して子個体５＿（ｎ＋１）を生成する際に、子個体５＿（ｎ＋１）へ新たに組み込む部分プログラムを、ランダムではなく、設定情報２ｂに設定された選択確率にしたがって選択する。これにより、設定された選択確率が高い部分プログラムほど、突然変異により子個体に対して新たに組み込まれる可能性が高くなる。
　ここで、確率設定部１ｃは、所定期間に記憶部１ｄに記録された増減情報２ａに基づいて、適応度の増加に対する部分プログラムの貢献度を次のような方法で推定することができる。例えば、進化の前後に適応度が増加したときに、その進化の前後で個体中の数が増加した部分プログラムについては、適応度が増加したことに貢献している可能性が高いと推定できる。また、進化の前後に適応度が増加したときに、進化後に増加した数が多い部分プログラムほど、適応度の増加に対する貢献度が低いと推定することもできる。また、進化の前後に適応度が減少したときに、その進化の前後で個体中の数が増加した部分プログラムについては、適応度が増加したことに貢献している可能性が低いと推定することもできる。
　確率設定部１ｃは、このような方法で判定した貢献度を基に、貢献度が高いほど設定値が高くなるように、部分プログラムごとに選択確率を設定する。これにより、その後の突然変異の処理の際に、適応度の増加に貢献する可能性が高い部分プログラムほど、子個体に対して新たに組み込まれる可能性が高くなる。その結果、生成された子個体を基に算出される適応度が増加する可能性も高まる。そして、このような進化処理が繰り返されることで、適応度が高い値に収束しやすくなり、学習が促進される。したがって、生成される画像処理プログラムの品質を維持したまま、プログラム生成処理に要する時間が短縮される可能性が高まる。
　また、遺伝的プログラミングによる画像処理プログラムの生成処理では、選択し得る部分プログラムをあらかじめ多数用意しておくほど、生成される画像処理プログラムによる画像処理の品質を向上できる可能性が高まる。その反面、適応度が収束しにくくなり、プログラム生成処理に要する時間が長くなる可能性も高まる。
　本実施の形態のプログラム生成装置１によれば、選択し得る部分プログラムの数が多くなった場合でも、学習が進むうちに、それらの部分プログラムの中から適応度の増加に貢献する可能性が高い部分プログラムが選択されやすくなる。これにより、適応度が高い値に収束しやすくなり、学習が促進される。したがって、高品質の画像処理を実現する画像処理プログラムを、短時間で生成できる可能性が高まる。
　〔第２の実施の形態〕
　次に、第２の実施の形態に係る画像処理装置について説明する。第２の実施の形態に係る画像処理装置は、図１に示したプログラム生成装置の処理機能と、この処理機能によって生成された画像処理プログラムを実行して画像処理を行う機能とを備える。
　以下の説明では、まず、図２を用いて、遺伝的プログラミングによる画像処理プログラムの生成処理の基本的な手順を示す参考例について説明し、その後に、第２の実施の形態の画像処理装置について説明する。
　図２は、画像処理プログラムの生成処理手順の参考例を示す図である。
　画像処理プログラムの生成処理の前に、１つ以上の学習データ５０が用意される。学習データ５０には、入力画像５１と、入力画像５１に対して画像処理を施したときの目標画像５２とが含まれる。入力画像５１は、例えば、カメラによって被写体を撮像することによって得られる。
　遺伝的プログラミングによる画像処理プログラムの生成処理では、個体は、１つ以上の部分プログラムを組み合わせて構成される。例えば、図２の左上に示すように、個体は木構造で定義される。
　個体に組み込むことが可能な複数の部分プログラムも、あらかじめ用意される。以下、個体に組み込まれる部分プログラムの例として、画像フィルタを想定するが、部分プログラムは画像フィルタに限るものではなく、他の種類の画像処理を行うプログラムを用いることもできる。なお、図２の左上において、“Ｆ”は画像フィルタを示し、“Ｉ”は入力端子を示し、“Ｏ”は出力端子を示す。
　遺伝的プログラミングによる画像処理プログラムの生成処理は、例えば、次のように実行される。まず、複数の初期個体による個体群６１が生成される（ステップＳ１１）。各初期個体のノードには、あらかじめ用意された複数の画像フィルタの中から画像フィルタがランダムに選択されて組み込まれる。次に、生成された個体群６１の中から、ランダムに２つの親個体が取り出される（ステップＳ１２）。
　次に、これら２つの親個体に対して進化過程の処理が施されることで、２つ以上の子個体が生成される（ステップＳ１３）。進化過程では、２つの親個体に対して交叉処理および突然変異処理が行われる。２つの親個体に対して、それぞれ異なる交叉処理や突然変異処理が行われることで、３つ以上の子個体が生成されてもよい。
　次に、進化過程を経て生成された子個体、および元の親個体のそれぞれについて、適応度が計算される（ステップＳ１４）。この処理では、対象の個体それぞれを用いた画像処理が、学習データ５０の各入力画像５１に対して実行され、実行後の画像と対応する目標画像５２とが比較されることで適応度が計算される。複数の学習データ５０が存在する場合、個体それぞれについて、複数の学習データ５０を用いて得られた適応度の平均値が算出される。
　ここで、いずれかの個体の適応度が所定の閾値以上であった場合には、その個体が最終的な画像処理プログラムとして出力され、プログラム生成処理が終了する。一方、すべての個体の適応度が所定の閾値未満であった場合には、生成された各子個体および元の２つの親個体を含む個体群６２の中から、生存選択が行われる（ステップＳ１５）。この生存選択では、個体群６２の中から、算出された適応度が最大の個体が選択される。さらに、個体群６２内の残りの個体の中から、所定の方法で個体が１つ選択される。例えば、残りの個体の中から、適応度に応じた確率で個体が選択される。
　このような生存選択によって選択された２つの個体は、個体群６１に含まれる個体のうち、親個体として取り出された２つの個体と入れ替えられる（ステップＳ１６）。これにより、個体群６１に含まれる個体が次世代の個体へ変更される。そして、適応度が所定の閾値以上となる個体が出現するまで、同様の処理が繰り返される。
　ところで、上記の手順により生成される画像処理プログラムの用途の例としては、ＦＡ（Factory Automation）分野において、製品を撮像した画像に画像処理を施して所望の効果を得るという用途が考えられる。例えば、製品の外観を撮像した画像に画像処理を施して、欠陥が生じた箇所を抽出する、位置合わせを行う箇所を抽出するといった用途が考えられる。
　このような用途では、被写体となる製品の変更や改良、それに伴う撮像環境の変化などに応じて、画像処理アルゴリズムの再構築の必要が生じる場合がある。このため、画像処理アルゴリズムの構築の容易性が求められている。また、照明条件の変化や被写体の形状、位置姿勢のバラツキ等の撮像環境の変化に対するロバスト性が高い画像処理アルゴリズムを構築することが求められている。
　遺伝的プログラミングを利用することで、入力画像５１とこれに対応する目標画像５２とをあらかじめ用意しておくだけで、このような用途で使用可能な画像処理プログラムを容易に生成することができる。また、それぞれ撮像環境が異なる入力画像５１と目標画像５２のペア（学習データ５０）を複数用意しておくことで、撮像環境の変化に対するロバスト性が高い画像処理アルゴリズムを自動生成することもできる。
　しかしながら、遺伝的プログラミングによる画像処理プログラムの生成処理では、その処理時間が長いという問題がある。特に、選択し得る画像フィルタが多く用意されているほど、高品質な画像処理を実現できる可能性が高まる反面、学習が収束しにくくなり、処理時間が長くなる可能性が高まる。
　処理時間が長くなる要因としては、要素フィルタの進化過程で画像フィルタがランダムに選択されることが考えられる。例えば、画像フィルタがランダムに選択されると、所望の画像処理を実現するために適切ではない画像フィルタが選択される可能性があり、その場合には進化後の個体に基づく適応度が低下する可能性がある。このような事態が多く発生すると、無駄な進化過程を多数回経ることになり、学習の進行が遅くなってしまう。
　そこで、第２の実施の形態に係る画像処理装置では、上記のようなプログラム生成手順に対して、進化過程で、適応度の増加に貢献する可能性が高い画像フィルタが選択されやすくなるような処理手順が追加される。これにより、生成される画像処理プログラムによる画像処理の品質を維持しつつも、プログラム生成処理に要する時間を短縮する。また、選択可能な画像フィルタを多くした場合でも、プログラム生成処理に要する時間が増大する可能性を低減する。
　以下、第２の実施の形態に係る画像処理装置の詳細について説明する。
　図３は、画像処理装置のハードウェア構成例を示す図である。画像処理装置１００は、例えば、図３に示すようなコンピュータとして実現される。
　画像処理装置１００は、プロセッサ１０１によって装置全体が制御されている。プロセッサ１０１は、マルチプロセッサであってもよい。プロセッサ１０１は、例えばＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）、またはＰＬＤ（Programmable Logic Device）である。またプロセッサ１０１は、ＣＰＵ、ＭＰＵ、ＤＳＰ、ＡＳＩＣ、ＰＬＤのうちの２以上の要素の組み合わせであってもよい。
　プロセッサ１０１には、バス１０９を介して、ＲＡＭ（Random Access Memory）１０２と複数の周辺機器が接続されている。
　ＲＡＭ１０２は、画像処理装置１００の主記憶装置として使用される。ＲＡＭ１０２には、プロセッサ１０１に実行させるＯＳ（Operating System）プログラムやアプリケーションプログラムの少なくとも一部が一時的に格納される。また、ＲＡＭ１０２には、プロセッサ１０１による処理に必要な各種データが格納される。
　バス１０９に接続されている周辺機器としては、ＨＤＤ（Hard Disk Drive）１０３、グラフィック処理装置１０４、入力インタフェース１０５、読み取り装置１０６、ネットワークインタフェース１０７および通信インタフェース１０８がある。
　ＨＤＤ１０３は、画像処理装置１００の補助記憶装置として使用される。ＨＤＤ１０３には、ＯＳプログラム、アプリケーションプログラム、および各種データが格納される。なお、補助記憶装置としては、ＳＳＤ（Solid State Drive）などの他の種類の不揮発性記憶装置を使用することもできる。
　グラフィック処理装置１０４には、表示装置１０４ａが接続されている。グラフィック処理装置１０４は、プロセッサ１０１からの命令にしたがって、画像を表示装置１０４ａの画面に表示させる。表示装置としては、ＣＲＴ（Cathode Ray Tube）を用いた表示装置や液晶表示装置などがある。
　入力インタフェース１０５には、入力装置１０５ａが接続されている。入力インタフェース１０５は、入力装置１０５ａから出力される信号をプロセッサ１０１に送信する。入力装置１０５ａとしては、キーボードやポインティングデバイスなどがある。ポインティングデバイスとしては、マウス、タッチパネル、タブレット、タッチパッド、トラックボールなどがある。
　読み取り装置１０６には、可搬型記録媒体１０６ａが脱着される。読み取り装置１０６は、可搬型記録媒体１０６ａに記録されたデータを読み取ってプロセッサ１０１に送信する。可搬型記録媒体１０６ａとしては、光ディスク、光磁気ディスク、半導体メモリなどがある。
　ネットワークインタフェース１０７は、ネットワーク１０７ａを介して他の装置との間でデータの送受信を行う。
　通信インタフェース１０８は、接続された外部デバイスとの間でデータの送受信を行う。本実施の形態では、通信インタフェース１０８には、外部デバイスとしてカメラ１０８ａが接続されており、通信インタフェース１０８は、カメラ１０８ａから送信された画像データをプロセッサに送信する。
　以上のようなハードウェア構成によって、画像処理装置１００の処理機能を実現することができる。
　図４は、画像処理装置が備える処理機能の構成例を示すブロック図である。画像処理装置１００は、画像取得部１１１、学習処理部１１２、画像処理部１１３、プログラム記憶部１３０、フィルタセット記憶部１４０、学習データ記憶部１５０および適応度変化記憶部１６０を有する。
　画像取得部１１１および学習処理部１１２の処理は、例えば、画像処理装置１００のプロセッサ１０１が所定のプログラムを実行することで実現される。プログラム記憶部１３０、フィルタセット記憶部１４０および学習データ記憶部１５０は、例えば、画像処理装置１００のＨＤＤ１０３の記憶領域として実現される。適応度変化記憶部１６０は、例えば、画像処理装置１００のＲＡＭ１０２の記憶領域として実現される。
　画像取得部１１１は、撮像された画像のデータをカメラ１０８ａから取得し、学習処理部１１２または画像処理部１１３に出力する。
　学習処理部１１２は、遺伝的プログラミングにより画像処理プログラムを生成し、生成された画像処理プログラムをプログラム記憶部１３０に保存する。
　画像処理部１１３の処理は、プログラム記憶部１３０に保存された画像処理プログラムを、画像処理装置１００のプロセッサ１０１が実行することで実現される。画像処理部１１３は、カメラ１０８ａによって撮像された画像のデータを画像取得部１１１を介して取得し、取得した画像のデータに対して画像処理を施す。処理後の画像は、例えば表示装置１０４ａに表示される。
　フィルタセット記憶部１４０は、学習処理部１１２によって選択可能な画像フィルタのプログラムを、複数記憶する。また、フィルタセット記憶部１４０は、各画像フィルタに対応付けた選択確率を記憶する。
　学習データ記憶部１５０は、それぞれ入力画像および目標画像の各データを含む学習データを、１つ以上記憶する。学習データに含まれる入力画像は、例えば、画像処理装置１００に接続されたカメラ１０８ａによって撮像された画像であってもよい。
　適応度変化記憶部１６０には、後述する適応度変化テーブルが記憶される。適応度変化テーブルは、図１に示した増減情報２ａの一例であり、進化過程における親個体と子個体との間で数が変化した部分プログラムと、親個体および子個体のそれぞれを基に算出された適応度の差分とを示す情報を保持する。
　学習処理部１１２は、学習制御部１２１、画像処理部１２２、適応度算出部１２３、適応度変化登録部１２４および選択確率設定部１２５を有する。なお、学習制御部１２１、画像処理部１２２および適応度算出部１２３は、図１に示した生成処理部１ａの一例である。また、適応度変化登録部１２４は、図１に示した情報記録部１ｂの一例であり、選択確率設定部１２５は、図１に示した確率設定部１ｃの一例である。
　学習制御部１２１は、学習処理部１１２でのプログラム生成処理を統合的に制御する。
　画像処理部１２２は、プログラム生成処理の過程で生成された個体に基づく画像処理を、学習データ記憶部１５０に記憶された入力画像に対して施す。
　適応度算出部１２３は、画像処理部１２２による入力画像に対する処理が実行されたとき、処理後の画像と、学習データ記憶部１５０に記憶された対応する目標画像とを比較して、適応度を算出する。
　適応度変化登録部１２４は、進化過程における親個体と子個体との間で数が変化した部分プログラムと、親個体および子個体のそれぞれを基に算出された適応度の差分とを判定する。適応度変化登録部１２４は、それらの判定結果に基づく情報を適応度変化記憶部１６０に登録する。
　選択確率設定部１２５は、所定期間において適応度変化記憶部１６０に登録された情報に基づいて、フィルタセット記憶部１４０に登録された画像フィルタごとに選択確率を算出する。選択確率設定部１２５は、算出した選択確率を画像フィルタに対応付けてフィルタセット記憶部１４０に設定する。
　図５は、フィルタセットデータベースに登録される情報の例を示す図である。フィルタセットデータベース（ＤＢ）１４１は、図１に示した設定情報２ｂの一例であり、図４のフィルタセット記憶部１４０に記憶される。
　フィルタセットデータベース１４１には、画像処理プログラムに組み込むことが可能な画像フィルタごとに、レコードが登録されている。各レコードには、対応する画像フィルタのプログラムコードと、選択確率とが登録される。選択確率の欄には、初期状態では、全画像フィルタに対して同じ値（例えば、数値“１”を登録された画像フィルタの数で除算した値）が設定される。
　次に、適応度変化記憶部１６０に登録される適応度変化テーブルについて、２つの例を示す。
　図６は、適応度変化テーブルの第１の例を示す図である。図６に示す適応度変化テーブル１５１には、進化過程の前後で、個体に含まれる数が減少した画像フィルタと増加した画像フィルタとのペアごとに、レコードが登録されている。例えば、図６において、“Ｆ１－＞Ｆ２”に対応するレコードは、進化過程の前後で画像フィルタＦ１の数が減少し、画像フィルタＦ２の数が増加したことを示す。このようなケースとしては、例えば、親個体に含まれていた画像フィルタＦ１が、子個体において画像フィルタＦ２に入れ替えられるケースなどが考えられる。
　また、各レコードには、進化後の子個体を基に算出された適応度から、進化前の親個体を基に算出された適応度を減算した値に基づいて算出される適応度変化が記録される。適応度変化の値としては、例えば、上記の減算値がそのまま記録されてもよいし、あるいは、後述するように、上記の増減値を、進化の過程での画像フィルタの増減数によって規格化した値が記録されてもよい。また、適応度変化の値は、例えば、進化過程の処理が実行されるたびに、対応するレコードに記録される。
　図７は、適応度変化テーブルの第２の例を示す図である。図７に示す適応度変化テーブル１５２には、図６の例とは異なり、画像フィルタごとにレコードが登録され、各レコードに適応度変化が記録される。適応度変化の値は、例えば、対応する画像フィルタの数が進化後に増加した場合に、対応するレコードに登録される。また、適応度変化の値は、さらに、対応する画像フィルタの数が進化後に減少した場合にも、対応するレコードに登録されてもよい。
　次に、上記の適応度変化テーブル１５１，１５２のいずれかを用いた、適応度変化登録部１２４による適応度変化の登録処理例について説明する。まず、図８，図９を用いて、進化の前後で画像フィルタが入れ替わる場合での適応度変化の登録処理例について説明する。
　図８は、適応度変化の第１の登録処理例を示す図である。図８において、親個体７１ａは、画像フィルタＦ１，Ｆ３，Ｆ５を含み、親個体７１ｂは、画像フィルタＦ２，Ｆ３，Ｆ４，Ｆ６を含む。そして、親個体７１ａと親個体７１ｂとの間で交叉が行われることで、親個体７１ａ，７１ｂに対応する子個体（図示せず）がそれぞれ生成されるものとする。図８では例として、親個体７１ａに含まれる画像フィルタＦ３と、親個体７１ｂに含まれる画像フィルタＦ４との間で交叉が行われるものとする。
　また、親個体７１ａに基づいて算出された適応度の値が“０．５”であり、親個体７１ａに対応する子個体に基づいて算出された適応度の値が“０．７”であったとする。さらに、親個体７１ｂに基づいて算出された適応度の値が“０．６”であり、親個体７１ｂに対応する子個体に基づいて算出された適応度の値が“０．３”であったとする。
　この図８のケースでは、親個体７１ａの進化の前後では、画像フィルタＦ３が１つ減少し、画像フィルタＦ４が１つ増加し、適応度が“０．２”だけ増加する。そこで、適応度変化登録部１２４は、例えば、図６の適応度変化テーブル１５１における“Ｆ３－＞Ｆ４”に対応するレコードに、適応度変化の値として“０．２”を登録する。
　また、図８のケースでは、親個体７１ｂの進化の前後では、画像フィルタＦ４が１つ減少し、画像フィルタＦ３が１つ増加し、適応度が“０．３”だけ減少する。そこで、適応度変化登録部１２４は、例えば、図６の適応度変化テーブル１５１における“Ｆ４－＞Ｆ３”に対応するレコードに、適応度変化の値として“－０．３”を登録する。
　図９は、適応度変化の第２の登録処理例を示す図である。図９において、親個体７２は、画像フィルタＦ１，Ｆ３，Ｆ５を含む。そして、親個体７２に対して突然変異が行われることで、親個体７２に対応する子個体（図示せず）が生成されるものとする。図９では例として、親個体７２に含まれる画像フィルタＦ１が、突然変異により画像フィルタＦ２に置き換えられるものとする。また、親個体７２に基づいて算出された適応度の値が“０．４”であり、親個体７２に対応する子個体に基づいて算出された適応度の値が“０．５”であったとする。
　この図９のケースでは、親個体７２の進化の前後では、画像フィルタＦ１が１つ減少し、画像フィルタＦ２が１つ増加し、適応度が“０．１”だけ増加する。そこで、適応度変化登録部１２４は、例えば、図６の適応度変化テーブル１５１における“Ｆ１－＞Ｆ２”に対応するレコードに、適応度変化の値として“０．１”を登録する。
　なお、図７の適応度変化テーブル１５２が用いられる場合、図７，図８のケースでは、例えば、次のような登録処理が行われる。まず、一例として、進化前後で数が増加した画像フィルタについてのみ適応度変化が登録されるものとする。図８のケースでは、適応度変化登録部１２４は、画像フィルタ“Ｆ４”に対応するレコードに、適応度変化の値として“０．２”を登録し、画像フィルタ“Ｆ３”に対応するレコードに、適応度変化の値として“－０．３”を登録する。また、図９のケースでは、適応度変化登録部１２４は、画像フィルタ“Ｆ２”に対応するレコードに、適応度変化の値として“０．１”を登録する。
　これに加えて、進化前後で数が減少した画像フィルタについても適応度変化が登録されてもよい。この場合、進化前後で数が減少した画像フィルタは、進化前後での適応度の変化に対する貢献度が低いと考えられることから、適応度変化の値としては、例えば、進化前後での適応度の変化量の正負を逆転した値が登録される。図８のケースでは、例えば、適応度変化登録部１２４はさらに、画像フィルタ“Ｆ３”に対応するレコードに、適応度変化の値として“－０．２”を登録し、画像フィルタ“Ｆ４”に対応するレコードに、適応度変化の値として“０．３”を登録する。また、図９のケースでは、例えば、適応度変化登録部１２４はさらに、画像フィルタ“Ｆ１”に対応するレコードに、適応度変化の値として“－０．１”を登録する。
　以上の図８，図９の例は、進化の前後で画像フィルタが１つずつ入れ替わるという単純なケースであった。しかしながら、実際の進化過程では、例えば交叉により、進化の前後で２以上の画像フィルタが増加または減少する場合があり得る。例えば、進化の前後で画像フィルタが２つ増加し、適応度が“０．２”だけ増加した場合、増加した２つの画像フィルタは、適応度が“０．２”だけ増加することに対してそれぞれ１／２の割合で貢献したと推定することができる。適応度変化登録部１２４は、進化の前後での画像フィルタの増減数を加味して適応度変化の値を算出してもよい。
　以下の説明では、まず、図１０に進化過程での画像フィルタの増減の例を示し、図１０の例を用いた場合の適応度変化の登録処理例について、図１１，図１２を用いて説明する。
　図１０は、進化過程での画像フィルタの増減の例を示す図である。図１０の表８１は、個体の進化前後での構成および適応度の変化の例を示す。表８１の例では、親個体は、３つの画像フィルタＦ１と、２つの画像フィルタＦ２と、２つの画像フィルタＦ３と、３つの画像フィルタＦ４とを含む。また、この親個体の進化により生成された子個体は、２つの画像フィルタＦ１と、３つの画像フィルタＦ２と、２つの画像フィルタＦ３と、１つの画像フィルタＦ４と、３つの画像フィルタＦ５とを含む。また、親個体に基づいて算出された適応度は“０．５”であり、子個体に基づいて算出された適応度は“０．７”であるとする。
　適応度変化登録部１２４は、進化過程で表８１のような個体の構成変化があった場合に、進化前後での個体内の画像フィルタの数の差分を抽出する。表８１に基づく差分は、図１０の表８２に示すように抽出される。すなわち、進化の前後で、画像フィルタＦ１は１つ減少し、画像フィルタＦ２は１つ増加し、画像フィルタＦ４は２つ減少し、画像フィルタＦ５は３つ増加している。また、画像フィルタＦ３の増減数は“０”である。
　図１１は、適応度変化の第３の登録処理例を示す図である。この図１１では、図７の適応度変化テーブル１５２に対して適応度変化を登録する場合を想定する。
　図１１（Ａ）は、進化前後で増加した画像フィルタだけに注目した場合の例を示す。図１０の表８２に示したように、進化により画像フィルタＦ２は１つ増加し、画像フィルタＦ５は３つ増加している。そこで、適応度変化登録部１２４は、適応度変化テーブル１５２のレコードのうち、画像フィルタＦ２，Ｆ５にそれぞれ対応するレコードに、適応度変化を登録する。図１１（Ａ）の例では、適応度変化登録部１２４は、画像フィルタＦ２，Ｆ５にそれぞれ対応するレコードに、進化前後での適応度の増加量“０．２”をそのまま登録している。
　図１１（Ｂ）は、図１１（Ａ）の例に加えて、進化前後で減少した画像フィルタにも注目した場合の例を示す。図１０の表８２に示したように、進化により画像フィルタＦ１は１つ減少し、画像フィルタＦ４は２つ減少している。そこで、適応度変化登録部１２４は、適応度変化テーブル１５２のレコードのうち、画像フィルタＦ１，Ｆ４にそれぞれ対応するレコードにも、適応度変化を登録する。図１１（Ｂ）の例では、適応度変化登録部１２４は、画像フィルタＦ１，Ｆ４にそれぞれ対応するレコードに、進化前後での適応度の増加量の正負を逆転した値“－０．２”を登録している。
　図１１（Ｃ）は、進化前後での画像フィルタの増減数に基づいて適応度変化を規格化した場合の例を示す。なお、図１１（Ｃ）の例では、図１１（Ｂ）と同様に、進化前後で増加した画像フィルタだけでなく、減少した画像フィルタに対応するレコードも適応度変化の登録対象とされている。
　適応度変化登録部１２４は、例えば、進化前後で数が増加した画像フィルタに対応する適応度変化を、次の式（１）にしたがって算出する。
“適応度変化”＝“適応度の増加量”／（“増加した画像フィルタの種類の数”ד該当画像フィルタの増加数”）　　　・・・（１）
　例えば、画像フィルタＦ２に対応する適応度変化は、（０．７－０．５）／（２×１）＝０．１と算出される。
　また、適応度変化登録部１２４は、例えば、進化前後で数が減少した画像フィルタに対応する適応度変化を、次の式（２）にしたがって算出する。
“適応度変化”＝（－１）ד適応度の増加量”／（“減少した画像フィルタの種類の数”ד該当画像フィルタの減少数”）　　　・・・（２）
　例えば、画像フィルタＦ１に対応する適応度変化は、（－１）×（０．７－０．５）／（２×１）＝－０．１と算出される。
　この図１１（Ｃ）の例のように、進化前後での画像フィルタの増減数に基づいて適応度変化を規格化することで、図１１（Ａ），（Ｂ）の例と比較して、進化による適応度の変化量に対する各画像フィルタの影響度合いを、登録する適応度に正確に反映させることができる。その結果、画像フィルタごとの選択確率に対して、適応度の増加に対する貢献度を正確に反映できるようになり、プログラム生成処理に要する時間を短縮できる可能性を高めることができる。
　図１２は、適応度変化の第４の登録処理例を示す図である。この図１２では、図６の適応度変化テーブル１５１に対して適応度変化を登録する場合を想定する。
　図１２（Ａ）～（Ｃ）に示す各表においては、縦方向に並列する画像フィルタは、進化前後で数が減少した画像フィルタを示し、横方向に並列する画像フィルタは、進化前後で数が増加した画像フィルタを示す。また、図１２（Ａ）～（Ｃ）における左側の表は、画像フィルタの増加数または増減数を示し、右側の表は、適応度変化を示す。
　右側の表においては、縦方向に並列した画像フィルタと、横方向に並列した画像フィルタとの組み合わせにより、適応度変化テーブル１５１における１つのレコードが示される。例えば、縦方向における画像フィルタＦ１と、横方向における画像フィルタＦ２との組み合わせは、適応度変化テーブル１５１における“Ｆ１－＞Ｆ２”に対応するレコード（すなわち、画像フィルタＦ１の数が減少し、画像フィルタＦ２の数が増加したことに対応するレコード）を示す。
　図１２（Ａ）は、数が減少した画像フィルタと数が増加した画像フィルタとの組み合わせに対応するレコードに適応度変化を登録する場合の例を示す。図１０の表８２に示したように、進化により画像フィルタＦ２，Ｆ５が増加し、画像フィルタＦ１，Ｆ４が減少している。そこで、適応度変化登録部１２４は、適応度変化テーブル１５１のレコードのうち、“Ｆ１－＞Ｆ２”，“Ｆ４－＞Ｆ２”，“Ｆ１－＞Ｆ５”，“Ｆ４－＞Ｆ５”にそれぞれ対応するレコードに、適応度変化を登録する。
　この図１２（Ａ）の例では、その左側の表に示すように、画像フィルタの増加数を考慮せず、増加数を一律に“１”とし、適応度変化に対して画像フィルタの増減数を反映させないものとする。この場合、適応度変化登録部１２４は、図１２（Ａ）の右側の表に示すように、“Ｆ１－＞Ｆ２”，“Ｆ４－＞Ｆ２”，“Ｆ１－＞Ｆ５”，“Ｆ４－＞Ｆ５”にそれぞれ対応するレコードに、進化前後での適応度の増加量“０．２”をそのまま登録する。
　図１２（Ｂ）は、図１２（Ａ）の例に加えて、数が増加した画像フィルタと数が減少した画像フィルタとの組み合わせに対応するレコードにも、適応度変化を登録する場合の例を示す。適応度変化登録部１２４は、適応度変化テーブル１５１のレコードのうち、“Ｆ２－＞Ｆ１”，“Ｆ２－＞Ｆ４”，“Ｆ５－＞Ｆ１”，“Ｆ５－＞Ｆ４”にそれぞれ対応するレコードに、負の値の適応度変化を登録する。
　図１２（Ｂ）の例では、図１２（Ａ）と同様、その左側の表に示すように、画像フィルタの減少数を考慮せず、減少数を一律に“１”とし、適応度変化に対して画像フィルタの増減数を反映させないものとする。この場合、適応度変化登録部１２４は、図１２（Ｂ）の右側の表に示すように、“Ｆ２－＞Ｆ１”，“Ｆ２－＞Ｆ４”，“Ｆ５－＞Ｆ１”，“Ｆ５－＞Ｆ４”にそれぞれ対応するレコードに、進化前後での適応度の増加量の正負を逆転した値“－０．２”を登録する。
　図１２（Ｃ）の例は、図１２（Ａ）の例を、画像フィルタの増減数に応じて適応度変化を規格化するように変形したものである。適応度変化登録部１２４は、まず、画像フィルタの増加数を、減少した画像フィルタの数を用いて規格化する。
　例えば、画像フィルタＦ２，Ｆ５の増加数はそれぞれ“１”，“３”であり、画像フィルタＦ１，Ｆ４の減少数はそれぞれ“１”，“２”である。そこで、適応度変化登録部１２４は、“Ｆ１－＞Ｆ２”，“Ｆ４－＞Ｆ２”の各レコードに対応するフィルタ増加数が、画像フィルタＦ２の増加数“１”を基準にして、画像フィルタＦ２，Ｆ４の減少数の比に一致するように、各レコードに対応するフィルタ増加数を計算する。これにより、図１２（Ｃ）の左側の表に示すように、“Ｆ１－＞Ｆ２”，“Ｆ４－＞Ｆ２”の各レコードに対応するフィルタ増加数は、“１”，“０．５”と算出される。
　同様に、適応度変化登録部１２４は、“Ｆ１－＞Ｆ５”，“Ｆ４－＞Ｆ５”の各レコードに対応するフィルタ増加数が、画像フィルタＦ５の増加数“３”を基準にして、画像フィルタＦ２，Ｆ４の減少数の比に一致するように、各レコードに対応するフィルタ増加数を計算する。これにより、図１２（Ｃ）の左側の表に示すように、“Ｆ１－＞Ｆ５”，“Ｆ４－＞Ｆ５”の各レコードに対応するフィルタ増加数は、“３”，“１．５”と算出される。
　次に、適応度変化登録部１２４は、各レコードに対応するフィルタ増加数に基づいて、各レコードに対応する適応度変化を算出する。例えば、適応度変化登録部１２４は、適応度の増加量“０．２”を、上記処理によって算出されたフィルタ増加数を用いて規格化する。
　適応度変化登録部１２４は、例えば、レコードに登録する適応度変化を、式（１）を変形した次の式（３）にしたがって算出する。
“適応度変化”＝“適応度の増加量”／（“増減したフィルタの種類の数”ד該当レコードのフィルタ増加数”）　　　・・・（３）
　例えば、図１２（Ｃ）の右側の表に示すように、“Ｆ１－＞Ｆ２”に対応するレコードに登録される適応度変化は、（０．７－０．５）／（４×１）＝０．５と算出される。
　この図１２（Ｃ）の例のように、進化前後での画像フィルタの増減数に基づいて適応度変化を規格化することで、図１２（Ａ）の例と比較して、進化による適応度の変化量に対する各画像フィルタの影響度合いを、登録する適応度に正確に反映させることができる。その結果、画像フィルタごとの選択確率に対して、適応度の増加に対する貢献度を正確に反映できるようになり、プログラム生成処理に要する時間を短縮できる可能性を高めることができる。
　なお、上記の図１１および図１２（Ｃ）では、進化前後で増減していない画像フィルタに対応する項目に値“０”が記載されている。実際の登録処理では、進化前後で増減していない画像フィルタに対応する、適応度変化テーブルのレコードには、適応度変化として値“０”が登録されてもよいし、あるいは何も登録されなくてもよい。
　次に、図１３，図１４を用いて、選択確率設定部１２５による選択確率の設定処理の例について説明する。選択確率設定部１２５は、所定期間において適応度変化記憶部１６０に登録された適応度変化に基づいて、画像フィルタごとに有効度を算出する。有効度は、対応する画像フィルタが、適応度の増加に対してどの程度有効か（貢献するか）を示す度合いの推定値である。選択確率設定部１２５は、算出した有効度に基づいて画像フィルタごとの選択確率を算出し、算出した選択確率を画像フィルタに対応付けてフィルタセットデータベース１４１に設定する。
　図１３は、適応度変化の累積ヒストグラムの例を示す。この図１３を用いて、適応度変化の累積ヒストグラムを用いて有効度を算出する処理例について説明する。なお、図１３では、図６の適応度変化テーブル１５１に登録された適応度変化を利用する場合を想定する。また、進化過程で算出される適応度の値は、“０”から“１”までの値をとるものとする。
　図１３（Ａ）に示す第１の例は、適応度変化テーブル１５１における“Ｆ１－＞Ｆ２”に対応するレコードに登録された適応度変化の累積ヒストグラムの例を示す。図１３（Ａ）の例では、適応度変化の値が正の領域に累積ヒストグラムのピークが存在しており、そのピークに対応する度数が所定の閾値Ｔｈ１以上となっている。
　この場合、画像フィルタＦ２は、適応度を増加させることに貢献すると推定され、ピーク位置の値がその貢献度を表すと考えられる。そこで、選択確率設定部１２５は、累積ヒストグラムのピーク位置の値（図１３（Ａ）の例では“０．５”）を、画像フィルタＦ２の有効度として算出する。あるいは、選択確率設定部１２５は、累積ヒストグラムの平均値を、画像フィルタＦ２の有効度として算出してもよい。
　実際には、適応度変化テーブル１５１には、進化後に数が増加した画像フィルタとして画像フィルタＦ２が設定されたレコードが、複数存在する。例えば、画像フィルタがｎ個存在する場合、適応度変化テーブル１５１には、“Ｆ１－＞Ｆ２”，“Ｆ３－＞Ｆ２”，・・・，“Ｆｎ－＞Ｆ２”にそれぞれ対応する（ｎ－１）個のレコードが存在する。選択確率設定部１２５は、これらの（ｎ－１）個のレコードのそれぞれから累積ヒストグラムのピーク位置の値を判別し、判別された各値の平均値を、画像フィルタＦ２の有効度として算出する。
　このような手順で各画像フィルタの有効度が算出されると、選択確率設定部１２５は、算出された有効度に基づいて、画像フィルタごとの選択確率を算出する。ここで、ｎ個の画像フィルタをランダムに（すなわち、同じ選択確率で）選択した場合、各画像フィルタの選択確率は“１／ｎ”となる。そこで、選択確率の算出方法としては、例えば、画像フィルタの有効度が全画像フィルタの有効度の平均値より高い場合には、その画像フィルタの選択確率を“１／ｎ”より高くし、画像フィルタの有効度が全画像フィルタの有効度の平均値より低い場合には、その画像フィルタの選択確率を“１／ｎ”より低くする方法を用いることができる。例えば、画像フィルタの選択確率は、次の式（４）にしたがって算出される。
“選択確率”＝（１／ｎ）＋（“該当画像フィルタの有効度”－“全画像フィルタの有効度の平均値”）×０．５　　　・・・（４）
　次に、図１３（Ｂ）に示す第２の例は、適応度変化テーブル１５１における“Ｆ２－＞Ｆ１”に対応するレコードに登録された適応度変化の累積ヒストグラムの例を示す。図１３（Ｂ）の例では、累積ヒストグラムのピーク値が閾値Ｔｈ１以上であるが、そのピーク位置が負の位置となっている。
　この場合でも、選択確率設定部１２５は、累積ヒストグラムのピーク位置の値を、画像フィルタＦ１の有効度として算出してもよい。ただし、有効度の値が低い場合、数が増加した画像フィルタＦ１は、適応度を増加させることに対して貢献していない可能性が高い。
　そこで、選択確率設定部１２５は、有効度の値が所定値（例えば“０”）以下である場合、該当画像フィルタの選択確率を所定の最低値に設定してもよい。これにより、その後の進化過程において、適応度の増加に貢献しない画像フィルタが新たに選択される確率が低くなり、算出される適応度の収束が促進されるようになる。
　あるいは、選択確率設定部１２５は、該当画像フィルタを、進化過程での選択対象から除外してもよい。また、選択対象から除外するために、該当画像フィルタに対応する選択確率として“０”が設定されてもよい。このように、進化過程において、適応度の増加に貢献しない画像フィルタが新たに選択されないようにすることで、適応度が収束する速度が向上する可能性が高まる。
　さらに、図１３（Ｃ）に示す第２の例は、適応度変化テーブル１５１における“Ｆ３－＞Ｆ４”に対応するレコードに登録された適応度変化の累積ヒストグラムの例を示す。図１３（Ｃ）の例では、登録された適応度変化の分布が分散しており、累積ヒストグラムのピーク値が閾値Ｔｈ１に達していない。この場合、画像フィルタＦ４は、適応度を増加させることに対して大きく貢献してはいないと推定される。そこで、選択確率設定部１２５は、例えば、画像フィルタＦ４に対応する有効度を、所定の最低値（例えば“－１”）とし、この画像フィルタＦ４の選択確率が低い値になるようにする。
　なお、図１３では、図６の適応度変化テーブル１５１に基づく累積ヒストグラムを利用する場合を想定したが、図７の適応度変化テーブル１５２に基づく累積ヒストグラムを利用してもよい。
　図１４は、選択確率の他の設定処理例を示す図である。この図１４でも、図６の適応度変化テーブル１５１に登録された適応度変化を利用する場合を想定する。
　図１４の表において、縦方向に並列する画像フィルタは、進化前後で数が減少した画像フィルタＦｍ（ｍ＝１～５）を示し、横方向に並列する画像フィルタは、進化前後で数が増加した画像フィルタＦｎ（ｎ＝１～５）を示す。また、縦方向に並列した画像フィルタＦｍと、横方向に並列した画像フィルタＦｎとの組み合わせにより、適応度変化テーブル１５１における１つのレコードが特定される。図１４では、１つの画像フィルタＦｍと１つの画像フィルタＦｎとに対応付けられた欄には、該当レコードに登録された適応度変化の平均値が設定されている。
　選択確率設定部１２５は、例えば、このような適応度変化の平均値を、画像フィルタＦｎごとに平均することで、その画像フィルタＦｎに対応する有効度を算出する。例えば、画像フィルタＦ１に対応する有効度は、“（－０．４０－０．２０－０．１０－０．２０）／４＝－０．２２５”と算出される。そして、選択確率設定部１２５は、前述した式（４）にしたがって、画像フィルタＦｎそれぞれに対応する選択確率を算出する。
　なお、図１４の例では、画像フィルタＦ１，Ｆ４の各有効度が“０”以下の値となっている。選択確率設定部１２５は、例えば、有効度が所定の閾値（例えば“０”）以下である画像フィルタについては、選択確率を“０”とし、その画像フィルタが進化過程での選択対象から除外されるようにしてもよい。
　次に、第２の実施の形態におけるプログラム生成処理手順について、フローチャートを用いて説明する。図１５は、プログラム生成処理手順の例を示すフローチャートである。
　［ステップＳ２１］学習制御部１２１は、学習データの設定のための入力操作を受け付ける。例えば、学習データ記憶部１５０に記憶された学習データの中から、本処理で使用される学習データが指定される。
　［ステップＳ２２］学習制御部１２１は、フィルタセットの設定のための入力操作を受け付ける。例えば、フィルタセットデータベース１４１に登録された画像フィルタの中から、本処理で使用される画像フィルタが指定される。
　［ステップＳ２３］学習制御部１２１は、所定数の個体を含む個体群を生成する。各個体は、ステップＳ２２で指定された画像フィルタをランダムに選択して組み合わせることで生成される。なお、生成される個体群は、図２に示した個体群６１に相当するので、これ以後、“個体群６１”と表記する。
　［ステップＳ２４］学習制御部１２１は、個体群６１に含まれる個体の中から、２つの親個体をランダムに選択する。
　［ステップＳ２５］学習制御部１２１は、選択された２つの親個体の間で交叉を行うことで、２つ以上の所定数の子個体を生成する。
　［ステップＳ２６］学習制御部１２１は、生成された子個体に突然変異を発生させ、子個体に含まれる画像フィルタを、ステップＳ２２で指定された他の画像フィルタのいずれかに置き換える。このとき、学習制御部１２１は、フィルタセットデータベース１４１において画像フィルタに対応付けられた選択確率に基づいて、置き換え後の画像フィルタを選択する。すなわち、設定された選択確率が高い画像フィルタほど、突然変異によって子個体に新たに組み込まれる可能性が高くなるような選択処理が行われる。
　［ステップＳ２７］ステップＳ２４で選択された各親個体、および、ステップＳ２６，Ｓ２７の処理によって得られた各子個体について、適応度が算出される。この処理では、算出対象の各個体について次のような処理が行われる。
　画像処理部１２２は、ステップＳ２１で指定された学習データを１つ選択し、選択した学習データに含まれる入力画像に対して、算出対象の個体の処理を適用する。適応度算出部１２３は、個体の処理によって得られた画像と、選択した学習データに含まれる目標画像との間の一致度を計算することで、適応度を算出する。画像処理部１２２および適応度算出部１２３は、以上の処理を、ステップＳ２１で指定された学習データのすべてについて実行する。適応度算出部１２３は、算出されたすべての適応度の平均値を算出し、この平均値を、算出対象の個体の適応度として出力する。
　［ステップＳ２８］学習制御部１２１は、ステップＳ２７で算出された各個体の適応度のうちの最大値が、所定の閾値より大きいかを判定する。適応度の最大値が閾値より大きい場合、ステップＳ２９の処理が実行される。一方、適応度の最大値が閾値以下である場合、ステップＳ３０の処理が実行される。
　［ステップＳ２９］学習制御部１２１は、ステップＳ２７で適応度が算出された個体のうち、適応度が最大の個体を選択する。学習制御部１２１は、選択した個体が示す画像処理プログラムをプログラム記憶部１３０に格納し、プログラム生成処理を終了する。
　［ステップＳ３０］適応度変化登録部１２４は、ステップＳ２５，Ｓ２６の処理によって得られた各子個体と、子個体に対応する元の親個体とを対応付けることで、親子の個体のペアを複数生成する。適応度変化登録部１２４は、生成した個体ペアのそれぞれについて、適応度の増減を算出する。適応度の増減は、子個体の適応度から親個体の適応度を減算した値として算出される。
　［ステップＳ３１］適応度変化登録部１２４は、生成した個体ペアのそれぞれについて、フィルタ構造の差分を抽出する。この処理では、適応度変化登録部１２４は、親子の個体間で数が減少した画像フィルタとその減少数、および、数が増加した画像フィルタとその増加数を判別する。
　［ステップＳ３２］適応度変化登録部１２４は、ステップＳ３０で算出された適応度の増減と、ステップＳ３１で抽出されたフィルタ構造の差分の情報とに基づいて、画像フィルタごとの適応度変化を算出し、適応度変化記憶部１６０に登録する。
　適応度変化の算出方法については、図８～図１２において説明した通りである。また、図６の適応度変化テーブル１５１が用いられる場合、適応度変化の値は、数が減少した画像フィルタと数が増加した画像フィルタとの組み合わせごとに設けられたレコードに登録される。一方、図７の適応度変化テーブル１５２が用いられる場合、適応度変化の値は、画像フィルタごとに設けられたレコードに登録される。
　［ステップＳ３３］学習制御部１２１は、ステップＳ２４で選択された各親個体、および、ステップＳ２６，Ｓ２７の処理によって得られた各子個体のうち、適応度が最大の個体を、生存させる個体として選択する。さらに、学習制御部１２１は、残りの個体の中から、生存させる個体をさらに１つ選択する。この選択処理では、例えば、算出された適応度に応じた確率で個体が選択される。
　学習制御部１２１は、個体群６２の個体のうち、ステップＳ２４で選択された２つの個体を、生存させる個体として選択された２つの個体に入れ替える。これによって、個体群６２の世代が更新される。
　［ステップＳ３４］学習制御部１２１は、所定期間が経過したかを判定する。所定期間が経過した場合、ステップＳ３５の処理が実行される。一方、所定期間が経過していない場合、ステップＳ２４の処理が実行される。なお、ステップＳ３４の実行後、所定期間をカウントするカウント値がリセットされる。
　このステップＳ３４の処理では、例えば、ステップＳ２４～Ｓ３３までの処理が所定回数繰り返されたとき（すなわち、所定世代数分の進化処理が実行されたとき）に、所定期間が経過したと判定される。あるいは、適応度変化記憶部１６０に蓄積された適応度変化のデータ数が所定数に達したときに、所定期間が経過したと判定されてもよい。
　［ステップＳ３５］選択確率設定部１２５は、ステップＳ３４で判定された所定期間の間に適応度変化記憶部１６０に登録された適応度変化の値に基づいて、各画像フィルタの有効度を算出する。有効度の算出方法については、図１３，図１４で説明した通りである。
　［ステップＳ３６］選択確率設定部１２５は、ステップＳ３５で算出された有効度に基づいて、各画像フィルタの選択確率を算出する。選択確率は、例えば、前述した式（４）にしたがって算出される。また、選択確率設定部１２５は、有効度が所定の閾値以下の画像フィルタについて、選択確率を“０”としてもよい。選択確率が“０”とされた画像フィルタは、その後のステップＳ２６の処理における選択対象から除外される。
　選択確率設定部１２５は、算出された選択確率をフィルタセットデータベース１４１に設定する。このとき、フィルタセットデータベース１４１に登録された選択確率の値は、新たに算出された選択確率の値によって更新される。
　以上説明した第２の実施の形態では、画像処理装置１００は、進化前後の個体間の適応度の変化およびフィルタ構造の変化を示す情報を蓄積し、蓄積した情報を基に、適応度の増加に対する有効度を画像フィルタごとに算出する。そして、算出した有効度に応じた選択確率を各画像フィルタに設定し、その後の進化過程における突然変異の際に、子個体に組み込む画像フィルタを、設定された選択確率にしたがって選択する。これにより、進化過程において、適応度の増加に貢献する画像フィルタほど子個体に組み込まれる可能性が高くなり、その結果、算出される適応度が増加する可能性が高まり、適応度が高い値に収束されやすくなる。したがって、画像処理プログラムの生成処理に要する時間が短縮される可能性を高くすることができる。
　また、選択可能な画像フィルタの数を多くした場合や、参照される学習データの数を多くした場合でも、プログラム生成処理に要する時間が増大する可能性を低減することができる。その結果、品質の高い画像処理プログラムを短時間で生成できる可能性を高くすることができる。
　〔第３の実施の形態〕
　ところで、第２の実施の形態のように、適応度の増加に貢献すると推定される画像フィルタの選択確率を高めた場合には、学習速度が加速される一方、局所的な解探索に陥る可能性も高くなる。局所的な解探索に陥るとは、本来の最適解とは異なる局所解に収束していくことを言う。このような場合には、画像フィルタの選択をランダムな選択に戻し、解の探索範囲を拡大して大局的な解探索が行われるようにする方がよいと考えられる。
　そこで、第３の実施の形態に係る画像処理装置には、第２の実施の形態に係る画像処理装置１００に対して、進化過程において、フィルタセットデータベース１４１に設定された選択確率にしたがって画像フィルタを選択する選択モードと、画像フィルタをランダムに選択する選択モードとを切り替える機能がさらに設けられる。そして、第３の実施の形態に係る画像処理装置は、進化過程での親子間の適応度の推移の傾向を判定し、その判定結果に応じて選択モードを切り替える。
　以下、フィルタセットデータベース１４１に設定された選択確率にしたがって画像フィルタを選択する選択モードを「非ランダム選択モード」と呼び、画像フィルタをランダムに選択する選択モードを「ランダム選択モード」と呼ぶ。
　図１６は、第３の実施の形態に係る画像処理装置の処理機能の構成例を示すブロック図である。この図１６では、図４と同じ構成要素には同じ符号を付して示しており、その説明を省略する。
　図１６に示す画像処理装置１００ａは、図４の画像処理装置１００の処理機能のうち、学習処理部１１２を学習処理部１１２ａに置き換え、さらにモード記憶部１７０ａを設けることで実現される。モード記憶部１７０ａには、現在、ランダム選択モードと非ランダム選択モードのどちらが設定されているかを示す情報が記憶される。
　学習処理部１１２ａは、図４の学習制御部１２１の代わりに学習制御部１２１ａを有する。学習制御部１２１ａの処理は、基本的には図４の学習制御部１２１と同じであるが、突然変異の際に、モード記憶部１７０ａに設定された選択モードにしたがって画像フィルタを選択する点が、学習制御部１２１と異なる。
　さらに、学習処理部１１２ａは、図４の学習処理部１１２が備える画像処理部１２２、適応度算出部１２３、適応度変化登録部１２４および選択確率設定部１２５に加えて、モード設定部１２６ａを有する。モード設定部１２６ａは、進化過程での親子間の適応度の推移の傾向を判定し、その判定結果に応じて選択モードを切り替え、切り替え後の選択モードをモード記憶部１７０ａに設定する。
　図１７は、選択モードの設定処理について示す図である。この図１７に示すグラフは、進化過程で算出された適応度の最大値（最大適応度）の推移を示す。
　図１７における点線の折れ線Ｌ１は、非ランダム選択モードのままでプログラム生成処理が行われた場合の最大適応度の推移を示す。この折れ線Ｌ１に示すように、非ランダム選択モードに設定されていても、最大適応度は増加し続けるとは限らず、例えば図１７におけるタイミングＴ１からタイミングＴ２までの期間のように、その増加率が停滞することもあり得る。最大適応度の増加率が停滞する原因として、上記のように、局所的な解探索に陥っていることが考えられる。この場合、選択モードをランダム選択モードに切り替えて、より大局的な解探索が行われるようにすることで、最大適応度の増加が促進する可能性が高い。
　そこで、モード設定部１２６ａは、直近の所定世代数の処理のそれぞれにおいて算出された適応度の最大値に基づいて、最大適応度の増加率を算出する。そして、最大適応度の増加率が所定の閾値（ただし、閾値は“０”より大きい）以上の場合には、非ランダムモードに設定し、増加率が閾値未満の場合には、ランダムモードに設定する。これにより、図１７における太線の折れ線Ｌ２に示すように、最大適応度の増加率が停滞する期間が短くなる可能性が高くなり、最大適応度が所定の目標値に達するまでの時間を短縮できる可能性が高まる。
　図１８は、第３の実施の形態におけるプログラム生成処理手順の例を示すフローチャートである。この図１８では、図１５と同じ処理が行われる処理ステップには同じステップ番号を付して示し、その処理内容の説明を省略する。なお、これらの処理ステップにおいて、図１５で学習制御部１２１によって実行されていた処理は、図１８では学習制御部１２１ａによって実行される。
　図１８においては、図１５におけるステップＳ２６の代わりにステップＳ２６ａが実行される。また、図１５におけるステップＳ３３とステップＳ３４との間にステップＳ４１が実行される。
　［ステップＳ２６ａ］学習制御部１２１ａは、生成された子個体に突然変異を発生させ、子個体に含まれる画像フィルタを、ステップＳ２２で指定された他の画像フィルタに置き換える。このとき、学習制御部１２１ａは、モード記憶部１７０ａを参照して現在の選択モードを判別する。現在の選択モードがランダムモードである場合、学習制御部１２１ａは、置き換え後の画像フィルタをランダムに選択する。一方、現在の選択モードが非ランダムモードである場合、学習制御部１２１ａは、フィルタセットデータベース１４１において画像フィルタに対応付けられた選択確率に基づいて、置き換え後の画像フィルタを選択する。
　［ステップＳ４１］モード設定部１２６ａは、選択モードを設定する。この処理については、次の図１９を用いて説明する。
　図１９は、選択モード設定処理手順の例を示すフローチャートである。
　［ステップＳ５１］モード設定部１２６ａは、現世代の処理（すなわち、直近のステップＳ２７の処理）で算出された適応度のうちの最大値と、所定世代数だけ前の処理で算出された適応度のうちの最大値とを収集する。これらの最大適応度は、例えば、算出された適応度を記憶したログ（図示せず）や、適応度変化記憶部１６０の情報などから収集することができる。
　［ステップＳ５２］モード設定部１２６ａは、抽出した最大適応度の増加率を計算する。最大適応度は、例えば、現世代の処理での最大適応度から、以前の世代の処理での最大適応度を減算し、その減算結果を世代数の差（すなわち、その世代から現世代までのステップＳ２７の繰り返し数）で除算することで算出される。
　［ステップＳ５３］モード設定部１２６ａは、算出された増加率と、“０”より大きい所定の閾値とを比較する。増加率が閾値以下である場合にはステップＳ５４の処理が実行され、増加率が閾値を超えている場合にはステップＳ５５の処理が実行される。
　［ステップＳ５４］モード設定部１２６ａは、モード記憶部１７０ａに設定された選択モードをランダム選択モードに更新する。
　［ステップＳ５５］モード設定部１２６ａは、モード記憶部１７０ａに設定された選択モードを非ランダム選択モードに更新する。
　以上説明した第３の実施の形態では、画像処理装置１００ａは、適応度が順調に増加していると判断される場合には、突然変異の際に画像フィルタを、各画像フィルタに設定された選択確率に応じて選択する。一方、画像処理装置１００ａは、適応度の増加が停滞していると判断される場合には、突然変異の際に画像フィルタをランダムに選択する。これにより、算出される最大適応度が増加する可能性が高まり、適応度が高い値に収束されやすくなる。その結果、画像処理プログラムの生成処理に要する時間が短縮される可能性を高くすることができる。
　なお、上記の処理では、最大適応度の増加率が閾値より大きいか否かにより、画像フィルタをランダムに選択するか、または設定された選択確率に応じて選択するかを決定した。しかしながら、別の処理例として、最大適応度の増加率が閾値より大きいか否かにより、設定された選択確率に対して付加する重みを変化させ、突然変異の際には、重み付けを行った選択確率に応じて画像フィルタを選択するようにしてもよい。
　例えば、図１９のステップＳ５３において、モード設定部１２６ａは、増加率が閾値未満の場合には、重みの値を所定値または所定割合だけ低下させる。これにより、突然変異における画像フィルタの選択のランダム性が高まり、より大局的な解の探索を行うことが可能になる。一方、モード設定部１２６ａは、増加率が閾値以上の場合には、重みの値を所定値または所定割合だけ増加させる。これにより、突然変異の際に、適応度の増加に対する貢献度が高いと判定された画像フィルタほど選択される可能性が高くなる。なお、重みの値は、“０”以上“１”以下の範囲で設定される。
　このような処理が行われた場合でも、上記の第３の実施の形態の場合と同様に、算出される最大適応度が増加する可能性が高まり、適応度が高い値に収束されやすくなる。
　〔第４の実施の形態〕
　第４の実施の形態に係る画像処理装置では、選択モードの内容とその切り替え条件とが、第３の実施の形態に係る画像処理装置１００ａとは異なる。
　なお、第４の実施の形態に係る画像処理装置の処理機能の基本的な構成は、第３の実施の形態と同様であるので、以下の説明では、第４の実施の形態に係る画像処理装置を、図１６の符号を用いて説明する。
　図２０は、画像フィルタのグループ化の例を示す図である。第４の実施の形態に係る画像処理装置１００ａにおいて、フィルタセットデータベース１４１に登録されている画像フィルタは、処理内容が類似する画像フィルタごとのグループＦａ～Ｆｄに分類されている。
　グループＦａには、空間フィルタ処理を行う画像フィルタが属する。例えば、グループＦａには、エッジ抽出を行う画像フィルタＦａ１、輪郭強調を行う画像フィルタＦａ２、平滑化を行う画像フィルタＦａ３、ノイズ除去を行う画像フィルタＦａ４などが属する。
　グループＦｂには、形状検出処理を行う画像フィルタが属する。例えば、グループＦｂには、直線検出を行う画像フィルタＦｂ１、コーナー検出を行う画像フィルタＦｂ２、円検出を行う画像フィルタＦｂ３、文字検出を行う画像フィルタＦｂ４、顔検出を行う画像フィルタＦｂ５などが属する。
　グループＦｃには、二値化処理を行う画像フィルタが属する。例えば、グループＦｃには、固定の閾値を用いて二値化処理を行う画像フィルタＦｃ１、可変の閾値を用いて二値化処理を行う画像フィルタＦｃ２、Ｐタイル法を用いて二値化処理を行う画像フィルタＦｃ３、適応二値化処理を行う画像フィルタＦｃ４などが属する。
　グループＦｄには、二値画像を処理する画像フィルタが属する。例えば、グループＦｄには、膨張・縮小処理を行う画像フィルタＦｄ１、ＡＮＤ演算を行う画像フィルタＦｄ２、ＯＲ演算を行う画像フィルタＦｄ３、輝度反転処理を行う画像フィルタＦｄ４などが属する。
　第４の実施の形態に係る画像処理装置１００ａは、最大適応度の増加率が高い状態では、“選択モード１”で画像フィルタの選択を行う。この選択モード１では、画像処理装置１００ａは、突然変異の対象の画像フィルタを、この画像フィルタと同じグループに属する画像フィルタを選択確率に応じて選択する。最大適応度の増加率が高い状態では、同じグループに属する画像フィルタ、すなわち、処理内容が類似する画像フィルタが選択されることで、適応度の増加に対して有効な画像フィルタが選択される可能性が高まると推定される。
　ただし、上記の選択モード１では、局所的な解探索に陥る可能性も高くなる。そこで、画像処理装置１００ａは、最大適応度の増加率が所定の閾値Ｔｈ＿Ｈ以下である場合には、選択モード１よりもランダム性を高めた選択が行われる選択モード２に設定する。選択モード２では、画像処理装置１００ａは、全画像フィルタの中から選択確率に応じて画像フィルタを選択する。選択モード１から選択モード２に変更されることで、解の探索範囲が拡大され、適応度の増加が促進される可能性が高まる。
　さらに、画像処理装置１００ｂは、最大適応度の増加率が閾値Ｔｈ＿Ｈより小さい所定の閾値Ｔｈ＿Ｌ以下である場合には、さらにランダム性を高めた選択が行われる選択モード３に設定する。選択モード３では、画像処理装置１００ａは、全画像フィルタの中からランダムに画像フィルタを選択する。選択モード２から選択モード３に変更されることで、解の探索範囲がさらに拡大され、適応度の増加が促進される可能性が高まる。
　このような処理により、算出される最大適応度が増加する可能性が高まり、適応度が高い値に収束されやすくなる。その結果、画像処理プログラムの生成処理に要する時間が短縮される可能性を高くすることができる。
　第４の実施の形態に係る画像処理装置１００ａのプログラム生成処理は、図１８のステップＳ２６ａの処理を図２１のように変形し、図１８のステップＳ４１の処理を図２２のように変形することで実現される。
　図２１は、第４の実施の形態における突然変異処理手順の例を示すフローチャートである。
　［ステップＳ６１］学習制御部１２１ａは、モード記憶部１７０ａを参照して、現在設定されている選択モードを判定する。選択モード１に設定されている場合には、ステップＳ６２の処理が実行される。選択モード２に設定されている場合には、ステップＳ６３の処理が実行される。選択モード３に設定されている場合には、ステップＳ６４の処理が実行される。
　ステップＳ６２，Ｓ６３，Ｓ６４では、学習制御部１２１ａは、図１８のステップＳ２５の処理によって生成された子個体に突然変異を発生させ、子個体に含まれる画像フィルタを、ステップＳ２２で指定された他の画像フィルタのいずれかに置き換える。このとき、学習制御部１２１は、次のような手順で、置き換え後の画像フィルタを選択する。
　［ステップＳ６２］学習制御部１２１ａは、置き換え前の画像フィルタと同じグループを選択する。学習制御部１２１ａは、選択したグループに属する画像フィルタのうち、置き換え前の画像フィルタを除く画像フィルタの中から、フィルタセットデータベース１４１に設定された選択確率に基づく確率で画像フィルタを選択する。
　例えば、画像フィルタＦａ１を、グループＦａに属する他の画像フィルタに置き換える場合、次のような手順で選択時の確率が求められる。画像フィルタＦａ２，Ｆａ３，Ｆａ４に設定された選択確率をそれぞれＳａ２，Ｓａ３，Ｓａ４とする。この場合、学習制御部１２１ａは、画像フィルタＦａ２，Ｆａ３，Ｆａ４を、それぞれＳａ２／（Ｓａ２＋Ｓａ３＋Ｓａ４），Ｓａ３／（Ｓａ２＋Ｓａ３＋Ｓａ４），Ｓａ４／（Ｓａ２＋Ｓａ３＋Ｓａ４）の確率で選択する。
　［ステップＳ６３］学習制御部１２１ａは、全グループ内の画像フィルタの中から、フィルタセットデータベース１４１において画像フィルタに対応付けられた選択確率で、置き換え後の画像フィルタを選択する。
　［ステップＳ６４］学習制御部１２１ａは、全グループ内の画像フィルタの中から、置き換え後の画像フィルタをランダムに選択する。
　図２２は、第４の実施の形態における選択モード設定処理手順の例を示すフローチャートである。なお、図２２のステップＳ５１，Ｓ５２の処理内容は、図１９のステップＳ５１，Ｓ５２の処理内容と同じであるので、それらの説明を省略する。
　［ステップＳ７１］モード設定部１２６ａは、算出された増加率と、所定の閾値Ｈ（ただし、Ｈ＞０）とを比較する。増加率が閾値Ｈを超えている場合にはステップＳ７２の処理が実行され、増加率が閾値Ｈ以下である場合にはステップＳ７３の処理が実行される。
　［ステップＳ７２］モード設定部１２６ａは、モード記憶部１７０ａに設定された選択モードを選択モード１に更新する。
　［ステップＳ７３］モード設定部１２６ａは、算出された増加率と、所定の閾値Ｌ（ただし、Ｈ＞Ｌ＞０）とを比較する。増加率が閾値Ｌを超えている場合にはステップＳ７４の処理が実行され、増加率が閾値Ｌ以下である場合にはステップＳ７４の処理が実行される。
　［ステップＳ７４］モード設定部１２６ａは、モード記憶部１７０ａに設定された選択モードを選択モード２に更新する。
　［ステップＳ７５］モード設定部１２６ａは、モード記憶部１７０ａに設定された選択モードを選択モード３に更新する。
　なお、以上の第４の実施の形態では、選択モード１～３に切り替え可能としたが、例えば、選択モード１，３に切り替え可能としてもよい。例えば、図２２の処理を、増加率が閾値Ｈを超えた場合には選択モード１に設定し、増加率が閾値Ｈ以下の場合には選択モード３に設定するように変形してもよい。
　また、画像フィルタを次の図２３に示すようにグループ化してもよい。
　図２３は、画像フィルタのグループ化の他の例を示す図である。図２３では、同じ種類の画像フィルタであって設定されたパラメータが異なる画像フィルタごとに、画像フィルタを４つのグループに分類した例を示している。
　Ｓｏｂｅｌフィルタグループには、設定されたパラメータが異なるＳｏｂｅｌフィルタが属する。パラメータとしては、例えば、垂直エッジを検出するか、または水平エッジを検出するかを示すパラメータや、カーネルサイズを示すパラメータがある。
　Ｌａｐｌａｃｉａｎフィルタグループには、設定されたパラメータが異なるＬａｐｌａｃｉａｎフィルタが属する。パラメータとしては、例えば、複数の係数の組み合わせを示す係数セットや、カーネルサイズを示すパラメータがある。
　平滑化フィルタグループには、設定されたパラメータが異なる平滑化フィルタが属する。パラメータとしては、例えば、平均値算出用として機能するか、またはガウシアンフィルタとして機能するかを示すパラメータや、カーネルサイズを示すパラメータがある。
　ノイズ除去フィルタグループには、設定されたパラメータが異なるノイズ除去フィルタが属する。パラメータとしては、例えば、Ｍｅｄｉａｎフィルタとして機能させるか、または孤立点除去フィルタとして機能させるかを指定するパラメータや、カーネルサイズを示すパラメータがある。
　図２３のように分類された画像フィルタを用いて、図２１，図２２で説明した処理が実行されることで、適応度が高い値に収束されやすくなり、その結果、画像処理プログラムの生成処理に要する時間が短縮される可能性を高くすることができる。
　なお、上記の各実施の形態に示した装置（プログラム生成装置１および画像処理装置１００，１００ａ）の処理機能は、コンピュータによって実現することができる。その場合、各装置が有すべき機能の処理内容を記述したプログラムが提供され、そのプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、磁気記憶装置、光ディスク、光磁気記録媒体、半導体メモリなどがある。磁気記憶装置には、ハードディスク装置（ＨＤＤ）、フレキシブルディスク（ＦＤ）、磁気テープなどがある。光ディスクには、ＤＶＤ（Digital Versatile Disc）、ＤＶＤ－ＲＡＭ、ＣＤ－ＲＯＭ（Compact Disc-Read Only Memory）、ＣＤ－Ｒ（Recordable）／ＲＷ（ReWritable）などがある。光磁気記録媒体には、ＭＯ（Magneto-Optical disk）などがある。
　プログラムを流通させる場合には、例えば、そのプログラムが記録されたＤＶＤ、ＣＤ－ＲＯＭなどの可搬型記録媒体が販売される。また、プログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することもできる。
　プログラムを実行するコンピュータは、例えば、可搬型記録媒体に記録されたプログラムまたはサーバコンピュータから転送されたプログラムを、自己の記憶装置に格納する。そして、コンピュータは、自己の記憶装置からプログラムを読み取り、プログラムに従った処理を実行する。なお、コンピュータは、可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することもできる。また、コンピュータは、ネットワークを介して接続されたサーバコンピュータからプログラムが転送されるごとに、逐次、受け取ったプログラムに従った処理を実行することもできる。
　上記については単に本発明の原理を示すものである。さらに、多数の変形、変更が当業者にとって可能であり、本発明は上記に示し、説明した正確な構成および応用例に限定されるものではなく、対応するすべての変形例および均等物は、添付の請求項およびその均等物による本発明の範囲とみなされる。
　１　プログラム生成装置
　１ａ　生成処理部
　１ｂ　情報記録部
　１ｃ　確率設定部
　１ｄ　記憶部
　２ａ　増減情報
　２ｂ　設定情報
　３＿１，３＿２，３＿ｎ，３＿（ｎ＋１）　進化処理
　４＿１，４＿（ｎ＋１）　親個体
　５＿１，５＿（ｎ＋１）　子個体

Claims (15)

  1. 　画像処理プログラムに含まれる部分プログラムの組み合わせを遺伝的プログラミングによって決定することで前記画像処理プログラムを生成するプログラム生成装置において、
    　部分プログラムが複数組み合わされた個体を進化させる進化処理が実行されるたびに、進化前の個体と進化後の個体との間で数が変化した部分プログラムと、進化前の個体および進化後の個体のそれぞれを基に算出された適応度の差分とを示す情報を、記憶部に記録する情報記録部と、
    　所定期間に前記記憶部に蓄積された情報に基づいて、適応度の増加に貢献した貢献度を部分プログラムごとに判定し、判定された貢献度が高いほど設定値が高くなるように部分プログラムごとに選択確率を設定する確率設定部と、
    　を有し、
    　前記確率設定部によって部分プログラムごとに前記選択確率が設定された後、前記進化処理を実行する際に、突然変異により進化後の個体へ組み込む部分プログラムを設定された前記選択確率にしたがって選択することを特徴とするプログラム生成装置。
  2. 　前記情報記録部は、前記進化処理が実行されるたびに、進化後の個体において進化前より数が増加した部分プログラムのそれぞれに対して、進化後の個体に基づく適応度から進化前の個体に基づく適応度を減算した値に基づく適応度増加量を対応付けて前記記憶部に記録し、
    　前記確率設定部は、前記所定期間に前記記憶部に蓄積された、部分プログラムごとの前記適応度増加量に基づいて、部分プログラムごとに前記選択確率を設定する、
    　ことを特徴とする請求項１記載のプログラム生成装置。
  3. 　前記確率設定部は、前記所定期間に前記記憶部に蓄積された、部分プログラムごとの前記適応度増加量に基づいて、部分プログラムごとの前記貢献度を判定し、判定された前記貢献度が所定値以下の部分プログラムを、その後の前記進化処理での選択対象から除外することを特徴とする請求項２記載のプログラム生成装置。
  4. 　前記情報記録部は、進化後の個体に基づく適応度から進化前の個体に基づく適応度を減算した値を、対応する部分プログラムの進化後の個体における増加数で規格化することで、前記適応度増加量を算出することを特徴とする請求項２または３記載のプログラム生成装置。
  5. 　前記進化処理の実行により算出された適応度の最大値の推移を監視し、前記最大値の増加率に基づいて、その後の前記進化処理の実行時に突然変異により進化後の個体へ組み込む部分プログラムを、設定された前記選択確率にしたがって選択させるか、またはランダムに選択させるかを決定する選択制御部をさらに有することを特徴とする請求項１～４のいずれか１項に記載のプログラム生成装置。
  6. 　前記画像処理プログラムに組み込まれる複数の部分プログラムは、処理内容の類似性に基づいて複数のグループに分類され、
    　前記プログラム生成装置は、さらに、前記進化処理の実行により算出された適応度の最大値の推移を監視し、前記最大値の増加率に基づいて、その後の前記進化処理の実行時に突然変異により進化後の個体へ組み込む部分プログラムを、進化前の個体における置き換え対象の部分プログラムと同じグループに属する他の部分プログラムの中から設定された前記選択確率にしたがって選択させるか、または、前記複数の部分プログラムのすべての中から選択させるかを決定する選択制御部を有する、
    　ことを特徴とする請求項１～４のいずれか１項に記載のプログラム生成装置。
  7. 　前記画像処理プログラムに組み込まれる複数の部分プログラムは、処理の種類が同じで、かつ、設定されるパラメータが異なる部分プログラムが同じグループに属するように分類され、
    　前記プログラム生成装置は、さらに、前記進化処理の実行により算出された適応度の最大値の推移を監視し、前記最大値の増加率に基づいて、その後の前記進化処理の実行時に突然変異により進化後の個体へ組み込む部分プログラムを、進化前の個体における置き換え対象の部分プログラムと同じグループに属する他の部分プログラムの中から設定された前記選択確率にしたがって選択させるか、または、前記複数の部分プログラムのすべての中から選択させるかを決定する選択制御部を有する、
    　ことを特徴とする請求項１～４のいずれか１項に記載のプログラム生成装置。
  8. 　画像処理プログラムに含まれる部分プログラムの組み合わせを遺伝的プログラミングによって決定することで前記画像処理プログラムを生成するプログラム生成方法において、
    　コンピュータが、
    　部分プログラムが複数組み合わされた個体を進化させる進化処理が実行されるたびに、進化前の個体と進化後の個体との間で数が変化した部分プログラムと、進化前の個体および進化後の個体のそれぞれを基に算出された適応度の差分とを示す情報を、記憶部に記録し、
    　所定期間に前記記憶部に蓄積された情報に基づいて、適応度の増加に貢献した貢献度を部分プログラムごとに判定し、判定された貢献度が高いほど設定値が高くなるように部分プログラムごとに選択確率を設定し、
    　部分プログラムごとに前記選択確率が設定された後、前記進化処理を実行する際に、突然変異により進化後の個体へ組み込む部分プログラムを設定された前記選択確率にしたがって選択する、
    　ことを特徴とするプログラム生成方法。
  9. 　前記記憶部への記録では、前記進化処理が実行されるたびに、進化後の個体において進化前より数が増加した部分プログラムのそれぞれに対して、進化後の個体に基づく適応度から進化前の個体に基づく適応度を減算した値に基づく適応度増加量を対応付けて前記記憶部に記録し、
    　前記選択確率の設定では、前記所定期間に前記記憶部に蓄積された、部分プログラムごとの前記適応度増加量に基づいて、部分プログラムごとに前記選択確率を設定する、
    　ことを特徴とする請求項８記載のプログラム生成方法。
  10. 　前記選択確率の設定では、前記所定期間に前記記憶部に蓄積された、部分プログラムごとの前記適応度増加量に基づいて、部分プログラムごとの前記貢献度を判定し、判定された前記貢献度が所定値以下の部分プログラムを、その後の前記進化処理での選択対象から除外することを特徴とする請求項９記載のプログラム生成方法。
  11. 　前記適応度増加量は、進化後の個体に基づく適応度から進化前の個体に基づく適応度を減算した値を、対応する部分プログラムの進化後の個体における増加数で規格化することで算出されることを特徴とする請求項９または１０記載のプログラム生成方法。
  12. 　前記進化処理の実行により算出された適応度の最大値の推移を監視し、前記最大値の増加率に基づいて、その後の前記進化処理の実行時に突然変異により進化後の個体へ組み込む部分プログラムを、設定された前記選択確率にしたがって選択させるか、またはランダムに選択させるかを決定する、
    　処理をさらに含むことを特徴とする請求項８～１１のいずれか１項に記載のプログラム生成方法。
  13. 　前記画像処理プログラムに組み込まれる複数の部分プログラムは、処理内容の類似性に基づいて複数のグループに分類され、
    　前記プログラム生成方法は、さらに、前記進化処理の実行により算出された適応度の最大値の推移を監視し、前記最大値の増加率に基づいて、その後の前記進化処理の実行時に突然変異により進化後の個体へ組み込む部分プログラムを、進化前の個体における置き換え対象の部分プログラムと同じグループに属する他の部分プログラムの中から設定された前記選択確率にしたがって選択させるか、または、前記複数の部分プログラムのすべての中から選択させるかを決定する処理を含む、
    　ことを特徴とする請求項８～１１のいずれか１項に記載のプログラム生成方法。
  14. 　前記画像処理プログラムに組み込まれる複数の部分プログラムは、処理の種類が同じで、かつ、設定されるパラメータが異なる部分プログラムが同じグループに属するように分類され、
    　前記プログラム生成方法は、さらに、前記進化処理の実行により算出された適応度の最大値の推移を監視し、前記最大値の増加率に基づいて、その後の前記進化処理の実行時に突然変異により進化後の個体へ組み込む部分プログラムを、進化前の個体における置き換え対象の部分プログラムと同じグループに属する他の部分プログラムの中から設定された前記選択確率にしたがって選択させるか、または、前記複数の部分プログラムのすべての中から選択させるかを決定する処理を含む、
    　ことを特徴とする請求項８～１１のいずれか１項に記載のプログラム生成方法。
  15. 　画像処理プログラムに含まれる部分プログラムの組み合わせを遺伝的プログラミングによって決定することで前記画像処理プログラムを生成するプログラムにおいて、
    　コンピュータに、
    　部分プログラムが複数組み合わされた個体を進化させる進化処理が実行されるたびに、進化前の個体と進化後の個体との間で数が変化した部分プログラムと、進化前の個体および進化後の個体のそれぞれを基に算出された適応度の差分とを示す情報を、記憶部に記録し、
    　所定期間に前記記憶部に蓄積された情報に基づいて、適応度の増加に貢献した貢献度を部分プログラムごとに判定し、判定された貢献度が高いほど設定値が高くなるように部分プログラムごとに選択確率を設定し、
    　部分プログラムごとに前記選択確率が設定された後、前記進化処理を実行する際に、突然変異により進化後の個体へ組み込む部分プログラムを設定された前記選択確率にしたがって選択する、
    　処理を実行させることを特徴とするプログラム。
PCT/JP2014/065470 2014-06-11 2014-06-11 プログラム生成装置、プログラム生成方法およびプログラム WO2015189935A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
EP14894688.2A EP3156897B1 (en) 2014-06-11 2014-06-11 Program generation device, program generation method and program
PCT/JP2014/065470 WO2015189935A1 (ja) 2014-06-11 2014-06-11 プログラム生成装置、プログラム生成方法およびプログラム
CN201480079469.7A CN106462397B (zh) 2014-06-11 2014-06-11 程序生成装置、程序生成方法
JP2016527548A JP6344469B2 (ja) 2014-06-11 2014-06-11 プログラム生成装置、プログラム生成方法およびプログラム
US15/342,752 US10540592B2 (en) 2014-06-11 2016-11-03 Program generation apparatus and program generation method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2014/065470 WO2015189935A1 (ja) 2014-06-11 2014-06-11 プログラム生成装置、プログラム生成方法およびプログラム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US15/342,752 Continuation US10540592B2 (en) 2014-06-11 2016-11-03 Program generation apparatus and program generation method

Publications (1)

Publication Number Publication Date
WO2015189935A1 true WO2015189935A1 (ja) 2015-12-17

Family

ID=54833066

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2014/065470 WO2015189935A1 (ja) 2014-06-11 2014-06-11 プログラム生成装置、プログラム生成方法およびプログラム

Country Status (5)

Country Link
US (1) US10540592B2 (ja)
EP (1) EP3156897B1 (ja)
JP (1) JP6344469B2 (ja)
CN (1) CN106462397B (ja)
WO (1) WO2015189935A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2017056320A1 (ja) * 2015-10-02 2018-08-09 富士通株式会社 プログラム生成装置、プログラム生成方法および生成プログラム
JP2018136755A (ja) * 2017-02-22 2018-08-30 株式会社日立製作所 プログラム自動生成システム及びプログラム自動生成方法
CN108475425A (zh) * 2016-01-20 2018-08-31 富士通株式会社 图像处理装置、图像处理方法及图像处理程序
WO2022249255A1 (ja) * 2021-05-24 2022-12-01 日本電信電話株式会社 プログラム生成装置、プログラム生成方法及びプログラム

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6836540B2 (ja) * 2018-04-12 2021-03-03 ファナック株式会社 情報処理装置及び情報処理方法
EP3822872A4 (en) * 2018-07-09 2021-08-04 Fujitsu Limited INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD AND INFORMATION PROCESSING PROGRAM
CN111694580B (zh) * 2019-03-13 2023-03-10 杭州宏杉科技股份有限公司 存储设备升级及初始化的方法、装置、电子设备
CN112017099B (zh) * 2020-09-03 2023-12-15 山东省计算中心（国家超级计算济南中心） 一种程序代码在图像中隐藏、解析的方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11282822A (ja) * 1998-03-26 1999-10-15 Toshiba Corp 画像処理プログラム合成方法及びその装置並びに最適解探索方法及びその装置
JP2010244363A (ja) * 2009-04-07 2010-10-28 Nikon Corp 遺伝的処理装置、遺伝的処理方法およびプログラム

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6532453B1 (en) * 1999-04-12 2003-03-11 John R. Koza Genetic programming problem solver with automatically defined stores loops and recursions
US7570787B2 (en) 2004-06-24 2009-08-04 Ishida Co., Ltd. X-ray inspection apparatus and method for creating an image processing procedure for the X-ray inspection apparatus
JP2006178857A (ja) 2004-12-24 2006-07-06 Yokohama National Univ 画像処理装置
JP2007102634A (ja) * 2005-10-06 2007-04-19 Sony Corp 画像処理装置
JP5022979B2 (ja) * 2007-07-12 2012-09-12 株式会社リコー 画像処理装置、画像処理方法およびプログラム
US8253824B2 (en) * 2007-10-12 2012-08-28 Microsoft Corporation Multi-spectral imaging
US8315158B2 (en) * 2008-05-01 2012-11-20 Siemens Aktiengesellschaft Methods and apparatus for decentralized rapid recovery for Ethernet rings
WO2009139161A1 (ja) * 2008-05-15 2009-11-19 株式会社ニコン 画像処理装置、画像処理方法、処理装置、処理方法およびプログラム
US20100179930A1 (en) * 2009-01-13 2010-07-15 Eric Teller Method and System for Developing Predictions from Disparate Data Sources Using Intelligent Processing

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11282822A (ja) * 1998-03-26 1999-10-15 Toshiba Corp 画像処理プログラム合成方法及びその装置並びに最適解探索方法及びその装置
JP2010244363A (ja) * 2009-04-07 2010-10-28 Nikon Corp 遺伝的処理装置、遺伝的処理方法およびプログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHUNLEI CUI: "An Adaptive Mutation Method for GA Based on Relative Importance", ADVANCED COMPUTER THEORY AND ENGINEERING(ICACTE), 2010 3RD INTERNATIONAL CONFERENCE ON, vol. 5, 22 August 2010 (2010-08-22), pages 111 - 113, XP031758757 *
See also references of EP3156897A4 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2017056320A1 (ja) * 2015-10-02 2018-08-09 富士通株式会社 プログラム生成装置、プログラム生成方法および生成プログラム
CN108475425A (zh) * 2016-01-20 2018-08-31 富士通株式会社 图像处理装置、图像处理方法及图像处理程序
CN108475425B (zh) * 2016-01-20 2022-03-08 富士通株式会社 图像处理装置、图像处理方法及计算机可读取的记录介质
JP2018136755A (ja) * 2017-02-22 2018-08-30 株式会社日立製作所 プログラム自動生成システム及びプログラム自動生成方法
WO2022249255A1 (ja) * 2021-05-24 2022-12-01 日本電信電話株式会社 プログラム生成装置、プログラム生成方法及びプログラム

Also Published As

Publication number Publication date
JP6344469B2 (ja) 2018-06-20
CN106462397A (zh) 2017-02-22
EP3156897B1 (en) 2023-04-19
EP3156897A4 (en) 2017-05-10
EP3156897A1 (en) 2017-04-19
US10540592B2 (en) 2020-01-21
JPWO2015189935A1 (ja) 2017-04-20
CN106462397B (zh) 2019-10-29
US20170053204A1 (en) 2017-02-23

Similar Documents

Publication Publication Date Title
JP6344469B2 (ja) プログラム生成装置、プログラム生成方法およびプログラム
US10303447B2 (en) Program generating apparatus and method therefor
JP6511986B2 (ja) プログラム生成装置、プログラム生成方法および生成プログラム
JP6303332B2 (ja) 画像処理装置、画像処理方法および画像処理プログラム
JP6631641B2 (ja) 画像処理装置、画像処理方法および画像処理プログラム
WO2017068675A1 (ja) プログラム生成装置、プログラム生成方法および生成プログラム
JPWO2019026104A1 (ja) 情報処理装置、情報処理プログラム及び情報処理方法
JP6468356B2 (ja) プログラム生成装置、プログラム生成方法および生成プログラム
CN107122792B (zh) 基于学习预测的室内布局估计方法及系统
CN111626349A (zh) 一种基于深度学习的目标检测方法和系统
CN110060278A (zh) 基于背景减法的运动目标的检测方法及装置
Sun et al. Deep learning-assisted automated sewage pipe defect detection for urban water environment management
JP6729810B2 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
KR20160035104A (ko) 오브젝트 검출 방법 및 오브젝트 검출 장치
US11182650B2 (en) Information processing apparatus to generate a next generation image processing program in genetic programming, control method, and non-transitory computer-readable storage medium for storage program
US11151458B2 (en) Apparatus and method for generating image processing program using genetic programming
JP2015158837A (ja) 動体検出装置、動体検出方法及び制御プログラム
JP6331914B2 (ja) アルゴリズム生成装置、アルゴリズム生成方法及びアルゴリズム生成用コンピュータプログラム
JP5150862B2 (ja) 画像処理装置、方法、プログラム、および撮像システム
JP2012098983A (ja) 物体検出装置、物体検出方法及びプログラム
JP2010231532A (ja) 画像処理プログラム、画像処理方法および画像処理装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14894688

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2016527548

Country of ref document: JP

Kind code of ref document: A

REEP Request for entry into the european phase

Ref document number: 2014894688

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2014894688

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE