WO2019009007A1 - 機械学習データ生成方法、機械学習データ生成プログラム、機械学習データ生成システム、サーバ装置、画像処理方法、画像処理プログラム、及び画像処理システム - Google Patents

Abstract

連続性がある抽出対象を成長させる学習を実現する機械学習データ生成方法、機械学習データ生成プログラム、機械学習データ生成システム、サーバ装置、画像処理方法、画像処理プログラム、及び画像処理システムを提供する。連続性を有する抽出対象（４４）を含む入力画像（４０）を取得し、入力画像から抽出対象を抽出する第一画像処理を入力画像に施し、入力画像から抽出対象（５４）が抽出された第一画像（５０）を生成し、入力画像から抽出対象を抽出する第二画像処理を入力画像に施し、入力画像から抽出対象（６４）が抽出された第二画像（６０）であり、第一画像よりも抽出対象の面積が大きい第二画像を生成し、第一画像から第二画像への変換関係を機械学習データとして記憶する。

Description

機械学習データ生成方法、機械学習データ生成プログラム、機械学習データ生成システム、サーバ装置、画像処理方法、画像処理プログラム、及び画像処理システム

　本発明は機械学習データ生成方法、機械学習データ生成プログラム、機械学習データ生成システム、サーバ装置、画像処理方法、画像処理プログラム、及び画像処理システムに係り、特に機械学習データ生成技術に関する。

　人に代わって、特定の部位を機械に検出させたいことがある。例えば、検出対象がコンクリート壁のひび割れの場合、撮像装置を用いてコンクリート壁を撮像して得られた画像に基づき、コンクリート壁のひび割れを機械に自動検出させることが可能である。

　機械を用いた検出対象の自動検出では、複数のサンプル画像を用いて検出対象についての学習を行う機械学習器が用いられる。機械学習器を用いた学習結果として得られる機械学習データを利用して検出対象の検出が行われる。

　特許文献１は、良品であるか不良品であるかが未知の検査対象について、外観の良否を判定する良否判定装置が記載されている。特許文献１に記載の良否判定装置は、学習ステップにおいて、一つの対象について照明条件を変えて複数の学習画像を作成している。

　特許文献１に記載の良否判定装置は、検査ステップにおいて、学習ステップと同じ照明条件を適用して対象を撮像して検査用画像を生成して、対象の傷、及び打痕等の欠陥、並びに塗装むら等の欠陥を検出している。

　特許文献２は、複数の学習サンプルを与えて判別ルールを自動作成させる画像認識装置が記載されている。特許文献２に記載の画像認識装置は、元になる学習サンプル画像に対して学習サンプルの画像グループの範囲内の変動を与えて、複数の学習サンプル画像を生成している。

特開２０１７－４９９７４号公報 特開平７－２１３６７号公報

　機械を用いた自動検出では、検出対象を撮像した画像における抽出対象を忠実に抽出する。一方、コンクリート壁のひび割れなどの連続性がある抽出対象を抽出する場合、画像において非連続の抽出対象を成長させて、連続した抽出対象として抽出したい場合があり得る。コンクリート壁のひび割れの例では、コンクリート壁の撮像画像において非連続のひび割れを成長させて、連続したひび割れとして抽出した場合があり得る。

　しかしながら、コンクリート壁のひび割れが繋がっているように、連続性のある抽出対象を成長させて抽出することは困難である。このような抽出対象の抽出には機械学習の手法が用いられるが、正解の組が大量に必要となる。大量の正解の組は人手を用いて作成しなければならず、多大な手間、及び長期の作成期間を要する。

　特許文献１に記載の発明、及び特許文献２に記載の発明は、上記した課題に着目するものではなく、特許文献１に記載の発明、及び特許文献２に記載の発明は、上記した課題を解決するための構成を備えていない。

　また、特許文献１に記載の発明は、傷、及び打痕などの有無を判定するものであり、連続性がある抽出対象を成長させる学習を実現するものではない。更に、特許文献２に記載の発明は、入力画像を分類する判別ルールの学習であり、連続性がある抽出対象を成長させる学習を実現するものではない。

　本発明はこのような事情に鑑みてなされたもので、連続性がある抽出対象を成長させる学習を実現する機械学習データ生成方法、機械学習データ生成プログラム、機械学習データ生成システム、サーバ装置、画像処理方法、画像処理プログラム、及び画像処理システムを提供することを目的とする。

　上記目的を達成するために、次の発明態様を提供する。

　第１態様に係る機械学習データ生成方法は、連続性を有する抽出対象を含む入力画像を取得する入力画像取得工程と、入力画像から抽出対象を抽出する第一画像処理を入力画像に施し、入力画像から抽出対象が抽出された第一画像を生成する第一画像生成工程と、入力画像から抽出対象を抽出する第二画像処理を入力画像に施し、入力画像から抽出対象が抽出された第二画像であり、第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成工程と、第一画像から第二画像への変換関係を機械学習データとして記憶する機械学習データ記憶工程と、を含む機械学習データ生成方法である。

　第１態様によれば、第一画像から第二画像への変換関係として抽出対象の面積を拡張させる第一機械学習データの取得が可能である。これにより、第一画像から第二画像への変換関係を用いた機械学習システムを構成し得る。

　連続性を有する抽出対象とは、二以上の画素が一以上の任意の方向へ連続する画素群として把握され得る。

　抽出対象の面積は、抽出対象が線の場合の線の長さが含まれる。すなわち、抽出対象の面積を拡張させるという概念は、線の長さを延長するという概念が含まれる。

　第２態様は、第１態様の機械学習データ生成方法において、抽出対象は、線、及び面の少なくともいずれか一方である構成としてもよい。

　第２態様によれば、線、及び面の少なくともいずれか一方を成長させる機械学習データの生成が可能である。

　線は、任意の一方向について二以上の画素が連続する画素群である。任意の一方向は、連続的に変化してもよいし、不連続に変化してもよい。面は、二以上の任意の方向について、二以上の画素が連続する画素群である。

　第３態様は、第１態様又は第２態様の機械学習データ生成方法において、第二画像に対して第一機械学習データを適用して第三画像を生成する第三画像生成工程を含み、機械学習データ記憶工程は、第一画像から第三画像への変換関係を第二機械学習データとして記憶する構成としてもよい。

　第３態様によれば、第一画像から第三画像への変換関係を第二機械学習データとして生成し、記憶する。これにより、面積をより広く拡張させた抽出対象の抽出が可能となる。

　第４態様は、第１態様から第３態様のいずれか一態様の機械学習データ生成方法において、第一画像生成工程は、入力画像の階調に対して第一閾値を適用して、入力画像を量子化した第一量子化画像を生成し、第二画像生成工程は、入力画像の階調に対して第一閾値未満の第二閾値を適用して、入力画像を量子化した第二量子化画像を生成する構成としてもよい。

　第４態様によれば、抽出される階調が異なる量子化画像である、第一画像、及び第二画像を用いて、第一機械学習データを生成することが可能である。

　階調は、濃度、及び画素値などの概念が含まれ得る。

　量子化処理は、一つの任意の閾値を用いて多階調を用いて表された画像を二値化画像へ変換する二値化処理が含まれる。量子化画像は二値化画像が含まれる。

　第５態様は、第４態様の機械学習データ生成方法において、第一閾値、及び第二閾値は、階調値０を０パーセントとし最大階調を１００パーセントとする０パーセントから１００パーセントまでの数値を用いて表される構成としてもよい。

　第５態様によれば、階調値０から最大階調値までの任意の階調値を第一閾値、及び第二閾値として設定し得る。

　第６態様は、第４態様又は第５態様の機械学習データ生成方法において、第一画像生成工程は、予め定められた最小画素数以上の画素数を有する抽出対象を抽出する構成としてもよい。

　第６態様によれば、第一画像生成工程において、最小画素数未満の画素群を抽出対象から除外することが可能である。これにより、第一画像からノイズ成分の除去が可能である。

　第７態様は、第４態様から第６態様のいずれか一態様の機械学習データ生成方法において、第二画像生成工程は、予め定められた最小画素数以上の画素数を有する抽出対象を抽出する構成としてもよい。

　第７態様によれば、第二画像生成工程において、最小画素数未満の画素群を抽出対象から除外することが可能である。これにより、第二画像からノイズ成分の除去が可能である。

　第８態様は、第１態様から第７態様のいずれか一態様の機械学習データ生成方法において、入力画像取得工程は、撮像対象の任意の面を撮像した画像を入力画像として取得し、第一画像生成工程、及び第二画像生成工程は、撮像対象の任意の面における欠陥を抽出対象として抽出する構成としてもよい。

　第８態様によれば、撮像対象の任意の面における欠陥を成長させて抽出することが可能である。

　撮像対象の任意の面の一例として、建築物の壁が挙げられる。撮像対象の任意の面の欠陥の一例として、建築物の壁のひび、及び穴などが挙げられる。

　第９態様に係る機械学習データ生成プログラムは、コンピュータを、連続性を有する抽出対象を含む入力画像を取得する入力画像取得手段、入力画像から抽出対象を抽出する第一画像処理を入力画像に施し、入力画像から抽出対象が抽出された第一画像を生成する第一画像生成手段、入力画像から抽出対象を抽出する第二画像処理を入力画像に施し、入力画像から抽出対象が抽出された第二画像であり、第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成手段、及び第一画像から第二画像への変換関係を機械学習データとして記憶する機械学習データ記憶手段として機能させる機械学習データ生成プログラムである。

　第９態様によれば、第１態様と同様の作用効果を得ることが可能である。

　第９態様において、第２態様から第８態様で特定した事項と同様の事項を適宜組み合わせることができる。その場合、機械学習データ生成方法において特定される処理や機能を担う構成要素は、これに対応する処理や機能を担う機械学習データ生成プログラムの構成要素として把握することができる。

　第９態様は、少なくとも一つ以上のプロセッサと、少なくとも一つ以上のメモリとを有する機械学習データ生成装置であって、プロセッサは、連続性を有する抽出対象を含む入力画像を取得し、入力画像から抽出対象を抽出する第一画像処理を入力画像に施し、入力画像から抽出対象が抽出された第一画像を生成し、入力画像から抽出対象を抽出する第二画像処理を入力画像に施し、入力画像から抽出対象が抽出された第二画像であり、第一画像よりも抽出対象の面積が大きい第二画像を生成し、メモリは、第一画像から第二画像への変換関係を機械学習データとして記憶する機械学習データ生成装置として把握し得る。

　第１０態様に係る機械学習データ生成システムは、連続性を有する抽出対象を含む入力画像を取得する入力画像取得部と、入力画像から抽出対象を抽出する第一画像処理を入力画像に施し、入力画像から抽出対象が抽出された第一画像を生成する第一画像生成部と、入力画像から抽出対象を抽出する第二画像処理を入力画像に施し、入力画像から抽出対象が抽出された第二画像であり、第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成部と、第一画像から第二画像への変換関係を機械学習データとして記憶する機械学習データ記憶部と、を備えた機械学習データ生成システムである。

　第１０態様によれば、第１態様と同様の作用効果を得ることが可能である。

　第１０態様において、第２態様から第８態様で特定した事項と同様の事項を適宜組み合わせることができる。その場合、機械学習データ生成方法において特定される処理や機能を担う構成要素は、これに対応する処理や機能を担う機械学習データ生成システムの構成要素として把握することができる。

　第１１態様は、第１０態様の機械学習データ生成システムにおいて、サーバ装置と、ネットワークを介してサーバ装置と通信可能に接続されるクライアント装置と、を備え、サーバ装置は、入力画像取得部、第一画像生成部、第二画像生成部、及び機械学習データ記憶部を備えた構成としてもよい。

　第１１態様によれば、ネットワークを介して通信可能に接続されたサーバ装置、及びクライアント装置を備えた機械学習データ生成システムにおいて、サーバ装置は、第一画像から第二画像への変換関係として抽出対象の面積を拡張させる第一機械学習データの取得が可能である。

　第１２態様は、第１１態様の機械学習データ生成システムにおいて、クライアント装置は、サーバ装置へ入力画像を送信する送信部を備えた構成としてもよい。

　第１２態様によれば、クライアント装置は、サーバ装置へ入力画像を送信することが可能である。

　第１３態様に係るサーバ装置は、ネットワークを介してサーバ装置とクライアント装置とが通信可能に接続される機械学習データ生成システムに具備されるサーバ装置であって、連続性を有する抽出対象を含む入力画像を取得する入力画像取得部と、入力画像から抽出対象を抽出する第一画像処理を入力画像に施し、入力画像から抽出対象が抽出された第一画像を生成する第一画像生成部と、入力画像から抽出対象を抽出する第二画像処理を入力画像に施し、入力画像から抽出対象が抽出された第二画像であり、第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成部と、第一画像から第二画像への変換関係を機械学習データとして記憶する機械学習データ記憶部と、を備えたサーバ装置である。

　第１３態様によれば、第１態様と同様の作用効果を得ることが可能である。

　第１３態様において、第２態様から第８態様で特定した事項と同様の事項を適宜組み合わせることができる。その場合、機械学習データ生成方法において特定される処理や機能を担う構成要素は、これに対応する処理や機能を担うサーバ装置の構成要素として把握することができる。

　第１４態様に係る画像処理方法は、連続性を有する抽出対象を含む画像を用いて機械学習データを生成する機械学習データ生成工程と、機械学習データ生成工程において生成された機械学習データを用いて、処理対象画像に対して画像処理を施す画像処理工程と、を含み、機械学習データ生成工程は、連続性を有する抽出対象を含む入力画像を取得する入力画像取得工程と、入力画像から抽出対象を抽出する第一画像処理を入力画像に施し、入力画像から抽出対象が抽出された第一画像を生成する第一画像生成工程と、入力画像から抽出対象を抽出する第二画像処理を入力画像に施し、入力画像から抽出対象が抽出された第二画像であり、第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成工程と、第一画像から第二画像への変換関係を第一機械学習データとして記憶する機械学習データ記憶工程と、を含む画像処理方法である。

　第１４態様によれば、第一画像から第二画像への変換関係として抽出対象の面積を拡張させる第一機械学習データの取得が可能である。これにより、第一機械学習データを用いた画像処理が可能である。

　第１４態様において、第２態様から第８態様で特定した事項と同様の事項を適宜組み合わせることができる。その場合、機械学習データ生成方法において特定される処理や機能を担う構成要素は、これに対応する処理や機能を担う画像処理方法の構成要素として把握することができる。

　第１５態様は、第１４態様の画像処理方法において、機械学習データ生成工程は、第二画像に対して第一機械学習データを適用して第三画像を生成する第三画像生成工程を含み、機械学習データ記憶工程は、第一画像から第三画像への変換関係を第二機械学習データとして記憶し、画像処理工程は、第二機械学習データを用いて第一画像に対して画像処理を施す構成としてもよい。

　第１５態様によれば、第一画像から第三画像への変換関係を第二機械学習データとして生成し、記憶する。これにより、面積をより広く拡張させた抽出対象を抽出する画像処理が可能となる。

　第１６態様は、第１４態様の画像処理方法において、画像処理工程は、第一機械学習データを用いて第二画像に対して画像処理を施す構成としてもよい。

　第１６態様によれば、第一機械学習データを用いた画像処理を繰り返し実行して、面積をより広く拡張させた抽出対象を抽出する画像処理が可能となる。

　第１７態様に係る画像処理プログラムは、コンピュータを、連続性を有する抽出対象を含む画像を用いて機械学習データを生成する機械学習データ生成手段、及び機械学習データ生成手段において生成された機械学習データを用いて、処理対象画像に対して画像処理を施す画像処理手段として機能させる画像処理プログラムであって、コンピュータを、連続性を有する抽出対象を含む入力画像を取得する入力画像取得手段、入力画像から抽出対象を抽出する第一画像処理を入力画像に施し、入力画像から抽出対象が抽出された第一画像を生成する第一画像生成手段、入力画像から抽出対象を抽出する第二画像処理を入力画像に施し、入力画像から抽出対象が抽出された第二画像であり、第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成手段、及び第一画像から第二画像への変換関係を第一機械学習データとして記憶する機械学習データ記憶手段、として機能させる画像処理プログラムである。

　第１７態様によれば、第１４態様と同様の作用効果を得ることが可能である。

　第１７態様において、第２態様から第８態様で特定した事項と同様の事項を適宜組み合わせることができる。その場合、機械学習データ生成方法において特定される処理や機能を担う構成要素は、これに対応する処理や機能を担う画像処理プログラムの構成要素として把握することができる。

　第１７態様は、少なくとも一つ以上のプロセッサと、少なくとも一つ以上のメモリとを有する画像処理置であり、連続性を有する抽出対象を含む画像を用いて機械学習データを生成し、生成された機械学習データを用いて、処理対象画像に対して画像処理を施す画像処理装置であって、プロセッサは、連続性を有する抽出対象を含む入力画像を取得し、入力画像から抽出対象を抽出する第一画像処理を入力画像に施し、入力画像から抽出対象が抽出された第一画像を生成し、入力画像から抽出対象を抽出する第二画像処理を入力画像に施し、入力画像から抽出対象が抽出された第二画像であり、第一画像よりも抽出対象の面積が大きい第二画像を生成し、メモリは、第一画像から第二画像への変換関係を第一機械学習データとして記憶する画像処理置として把握し得る。

　第１８態様は、第１７態様の画像処理プログラムにおいて、機械学習データ生成手段は、第二画像に対して第一機械学習データを適用して第三画像を生成する第三画像生成手段を備え、機械学習データ記憶手段は、第一画像から第三画像への変換関係を第二機械学習データとして記憶し、画像処理手段は、第二機械学習データを用いて第一画像に対して画像処理を施す構成としてもよい。

　第１８態様によれば、第１５態様と同様の作用効果を得ることが可能である。

　第１８態様は、第１７態様の画像処理装置において、プロセッサは、第二画像に対して第一機械学習データを適用して第三画像を生成し、メモリは、第一画像から第三画像への変換関係を第二機械学習データとして記憶し、プロセッサは、第二機械学習データを用いて第一画像に対して画像処理を施す構成としてもよい。

　第１９態様は、第１７態様の画像処理プログラムにおいて、画像処理手段は、第一機械学習データを用いて第二画像に対して画像処理を施す構成としてもよい。

　第１９態様によれば、第１６態様と同様の作用効果を得ることが可能である。

　第１９態様は、第１７態様の画像処理装置において、プロセッサは、第一機械学習データを用いて第二画像に対して画像処理を施す構成としてもよい。

　第２０態様に係る画像処理システムは、連続性を有する抽出対象を含む画像を用いて機械学習データを生成する機械学習データ生成部と、機械学習データ生成部を用いて生成された機械学習データを用いて、処理対象画像に対して画像処理を施す画像処理部と、を備え、機械学習データ生成部は、連続性を有する抽出対象を含む入力画像を取得する入力画像取得部と、入力画像から抽出対象を抽出する第一画像処理を入力画像に施し、入力画像から抽出対象が抽出された第一画像を生成する第一画像生成部と、入力画像から抽出対象を抽出する第二画像処理を入力画像に施し、入力画像から抽出対象が抽出された第二画像であり、第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成部と、第一画像から第二画像への変換関係を第一機械学習データとして記憶する機械学習データ記憶部と、を備えた画像処理システムである。

　第２０態様によれば、第１４態様と同様の作用効果を得ることが可能である。

　第２０態様において、第２態様から第８態様で特定した事項と同様の事項を適宜組み合わせることができる。その場合、機械学習データ生成方法において特定される処理や機能を担う構成要素は、これに対応する処理や機能を担う画像処理システムの構成要素として把握することができる。

　第２１態様は、第２０態様の画像処理システムにおいて、機械学習データ生成部は、第二画像に対して第一機械学習データを適用して第三画像を生成する第三画像生成部を備え、機械学習データ記憶部は、第一画像から第三画像への変換関係を第二機械学習データとして記憶し、画像処理部は、第二機械学習データを用いて第一画像に対して画像処理を施す構成としてもよい。

　第２１態様によれば、第１５態様と同様の作用効果を得ることが可能である。

　第２２態様は、第２０態様の画像処理システムにおいて、画像処理部は、第一機械学習データを用いて第二画像に対して画像処理を施す構成としてもよい。

　第２２態様によれば、第１６態様と同様の作用効果を得ることが可能である。

　第２３態様に係るサーバ装置は、ネットワークを介してサーバ装置とクライアント装置とが通信可能に接続される画像処理システムに具備されるサーバ装置であって、連続性を有する抽出対象を含む画像を用いて機械学習データを生成する機械学習データ生成部と、機械学習データ生成部を用いて生成された機械学習データを用いて、処理対象画像に対して画像処理を施す画像処理部と、を備え、機械学習データ生成部は、連続性を有する抽出対象を含む入力画像を取得する入力画像取得部と、入力画像から抽出対象を抽出する第一画像処理を入力画像に施し、入力画像から抽出対象が抽出された第一画像を生成する第一画像生成部と、入力画像から抽出対象を抽出する第二画像処理を入力画像に施し、入力画像から抽出対象が抽出された第二画像であり、第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成部と、第一画像から第二画像への変換関係を第一機械学習データとして記憶する機械学習データ記憶部と、を備えたサーバ装置である。

　第２３態様によれば、第１４態様と同様の作用効果を得ることが可能である。

　第２３態様において、第２態様から第８態様で特定した事項と同様の事項を適宜組み合わせることができる。その場合、機械学習データ生成方法において特定される処理や機能を担う構成要素は、これに対応する処理や機能を担うサーバ装置の構成要素として把握することができる。

　第２４態様は、第２３態様のサーバ装置において、機械学習データ生成部は、第二画像に対して第一機械学習データを適用して第三画像を生成する第三画像生成部を備え、機械学習データ記憶部は、第一画像から第三画像への変換関係を第二機械学習データとして記憶し、画像処理部は、第二機械学習データを用いて第一画像に対して画像処理を施す構成としてもよい。

　第２４態様によれば、第１５態様と同様の作用効果を得ることが可能である。

　第２５態様は、第２３態様のサーバ装置において、画像処理部は、第一機械学習データを用いて第二画像に対して画像処理を施す構成としてもよい。

　第２５態様によれば、第１６態様と同様の作用効果を得ることが可能である。

　本発明によれば、第一画像から第二画像への変換関係として抽出対象の面積を拡張させる第一機械学習データの取得が可能である。これにより、第一画像から第二画像への変換関係を用いた機械学習システム、又は機械学習システムを構成し得る。また、第一機械学習データを用いた画像処理が可能である。

図１は第一実施形態に係る画像処理方法の説明図である。 図２は機械学習データ取得の概念図である。 図３は第一実施形態に係る画像処理方法を用いて得られた画像の一例を示す説明図である。 図４は第一実施形態に係る画像処理方法の概略構成を示す説明図である。 図５は第一実施形態に係る画像処理方法を実現する画像処理システムの構成例を示すブロック図である。 図６は第一実施形態に係る画像処理方法の手順の流れを示すフローチャートである。 図７は二種類の異なるパラメータに異なる指標値が用いられる場合の機械学習データ生成手段の構成例を示すブロック図である。 図８はモルフォロジー変換の説明図である。 図９はクライアントサーバ型ネットワークシステムへの適用例を示すブロック図である。 図１０は第二実施形態に係る画像処理方法の手順の流れを示すフローチャートである。

　以下、添付図面に従って本発明の好ましい実施の形態について詳説する。本明細書では、同一の構成要素には同一の参照符号を付して、重複する説明を省略する。

　［第一実施形態に係る画像処理方法の説明］
　＜概要＞
　図１は第一実施形態に係る画像処理方法の説明図である。本実施形態に係る画像処理方法は、連続性を有する抽出対象を含む画像から抽出対象を抽出する。本実施形態ではコンクリート壁のひび割れ検出を例示する。ひび割れは、連続性を有する抽出対象の一例である。ひび割れ検出は抽出対象の抽出の一例である。

　図１に示した画像１０は、図１に図示しない撮像装置を用いてコンクリート壁を撮像して得られた画像である。撮像装置は符号２００を付して図５に図示する。撮像装置は、カラー画像の撮像が可能な電子カメラを適用してもよい。

　電子カメラに具備される撮像デバイスの例として、カラーＣＣＤリニアイメージセンサが挙げられる。ＣＣＤは、Ｃｈａｒｇｅ－Ｃｏｕｐｌｅｄ　Ｄｅｖｉｃｅの省略語であり、電荷結合素子を指す。

　カラーＣＣＤリニアイメージセンサはＲ、Ｇ、及びＢ各色のカラーフィルタを備えた受光素子が直線状に配列したイメージセンサである。上記のＲは赤を表す。上記のＧは緑を表す。上記のＢは青を表す。

　カラーＣＣＤリニアイメージセンサに代えて、カラーＣＭＯＳリニアイメージセンサを用いることもできる。ＣＭＯＳは、Ｃｏｍｐｌｅｍｅｎｔａｒｙ　Ｍｅｔａｌ　Ｏｘｉｄｅ　Ｓｅｍｉｃｏｎｄｕｃｔｏｒの省略語であり、相補型金属酸化膜半導体を指す。

　図１に示した二値化画像２０は、画像１０を構成する画素の階調値に対して、予め定められた第一閾値を適用して二値化処理を施し、コンクリート壁１２のひび割れ１４を検出した検出結果を表す画像である。二値化画像２０は、画像１０に表されたコンクリート壁１２のひび割れ１４が概ね忠実に再現されている。二値化画像２０において符号２２を付した複数の画素は、画像１０におけるひび割れ１４に相当する画素群である。

　一方、ユーザは、二値化画像２０において、画像１０のひび割れ１４が繋がったような検出結果を取得したい場合がある。二値化画像３０は、二値化画像２０における画素群２２を一定の規則を用いて成長させて繋げた画素群３２が含まれている。

　画像１０を用いて二値化画像３０を生成するには、機械学習の手法を適用して実現することが可能である。機械学習の手法に適用されるハードウェアの例として、コンピュータが挙げられる。コンピュータの構成例として、一つ以上のプロセッサ、及び一つ以上のメモリを備える構成が挙げられる。

　機械学習の手法は、一万組から十万組程度の正解画像の組を準備しておき、正解画像の組の変換関係を学習し、機械学習データとして記憶しておく。そして、機械学習データを利用して、抽出対象を含む画像の処理を実行する。機械学習データを保持する機械学習器は、正解画像の組を機械学習データとして記憶してもよいし、正解画像の組の変換関係を表すアルゴリズムを機械学習データとして記憶してもよい。本実施形態では、正解画像の組を機械学習データとして記憶する態様を例示する。

　＜機械学習データの取得＞
　図２は機械学習データ取得の概念図である。機械学習データの取得には、パラメータに応じて相違する検出結果が得られる検出器を用いる。検出器は二つの異なる閾値が設定される。検出器は、二つの異なる閾値を用いて元画像に対して二値化処理を実行する。ここでいう検出器は、二値化処理を実行する画像処理装置と同義である。

　元画像から生成された二つの二値化画像を正解画像の組とする。正解画像の組を学習データとして取得する。図２では、検出器の図示を省略する。検出器の一例を、符号３０２、又は符号３０４を付して図７に図示する。

　以下に、確率閾値を用いて細線を検出する例について説明する。図２に示した元画像４０は、図１に示した画像１０と同様に、撮像装置を用いてコンクリートの壁を撮像した画像である。細線とは、パラメータに応じて相違する検出結果が得られる抽出対象の一例である。

　図２に示した第一画像５０は、確率閾値を３０パーセントと設定し、かつ、最小面積を１００ピクセルと設定した場合の元画像４０の二値化画像である。第二画像６０は、確率閾値を１０パーセントと設定し、かつ、最小面積を１００ピクセルと設定した場合の元画像４０の二値化画像である。

　第一画像５０の細線５４は元画像４０のひび割れ４４に対応している。同様に、第二画像６０との細線６４は元画像４０のひび割れ４４に対応している。第一画像５０は、コンクリート壁のひび割れに対応する細線５４が、第二画像の細線６４と比較して繋がっていない画像である。

　細線５４が繋がっていない第一画像５０から、細線６４が繋がった第二画像６０へ変換する学習を実施する。機械学習データとして、第一画像５０と第二画像６０との正解画像の組を取得する。

　確率閾値は、元画像を構成する画素の階調値に適用される閾値である。確率閾値は、階調値０を０パーセントとし、最大階調値を１００パーセントとした場合の最大階調値に対する比率で表された階調値の閾値である。

　確率閾値を３０パーセントと設定し、最小面積を１００ピクセルと設定した場合、元画像４０から第一画像５０が得られる。確率閾値を１０パーセントと設定し、最小面積を１００ピクセルと設定した場合、元画像４０から第二画像６０が得られる。

　確率閾値を３０パーセントと設定した場合、元画像４０において、最大階調値の３０パーセント以上の階調値を有する画素は、０、及び１を用いて表されるデジタルデータの１が付される。

　また、元画像４０において、最大階調値の３０パーセント未満の階調値を有する画素は、０、及び１を用いて表されるデジタルデータの０が付される。後述する、確率閾値を１０パーセントと設定した場合も同様である。

　最小面積は、元画像４０に対して二値化処理を施した際のノイズを削除するために用いたパラメータである。最小面積は、線、又は面として抽出する最小の画素数を表している。最小面積を１００ピクセルと設定した場合、任意の一方向について連続する画素数が１００ピクセル以上の場合は線として抽出する。一方、最小面積を１００ピクセルと設定した場合、任意の一方向について連続する画素数が１００ピクセル未満の場合は線として抽出しない。

　抽出対象が面の場合、最小面積は、面として抽出する画素群における、複数の任意の方向について連続する画素数を表す。本実施形態では、第一画像５０を生成する際の最小面積と、第二画像を生成する際の最小面積とを同一としたが、第一画像５０を生成する際の最小面積と、第二画像を生成する際の最小面積とを異ならせてもよい。

　確率閾値３０パーセントは第一閾値の一例である。確率閾値１０パーセントは第一閾値未満の第二閾値の一例である。第一画像５０は第一量子化画像の一例である。第二画像６０は第二量子化画像の一例である。１００ピクセルは最小画素数以上の画素数の一例である。

　＜画像処理方法の手順＞
　図２に示した第一画像５０から第二画像６０への変換関係を用いて、第二画像６０よりも更に細線の繋がりがよい第三画像を生成する。第三画像は符号７０を付して図３に図示する。細線は符号７４を付して図３に図示する。

　図３は第一実施形態に係る画像処理方法を用いて得られた画像の一例を示す説明図である。図３に示した第三画像７０を生成する際に、第一機械学習データが記憶された学習器を適用する。第一機械学習データは図４に符号１００を付して図示する。

　図３に示した第三画像７０が得られた後に、第一画像５０から第三画像７０への変換関係を学習して第二機械学習データを生成する。第二機械学習データは図４に符号１０２を付して図示する。第二機械学習データを構成する第一画像５０と第三画像７０との関係は、異なる二種類の確率閾値を用いて元画像４０から生成された二種類の二値化画像という関係が維持されている。

　第二機械学習データを用いて第三画像よりも更に細線の繋がりがよい第四画像を生成する。図３では第四画像の図示は省略する。第四画像は、図４に符号１１０を付して図示した実線画像３ｒｄに相当する。第四画像が得られた後に、図２に示した第一画像５０と第四画像との変換関係を学習して、図示しない第３機械学習データを取得する。

　このようにして、機械学習データの取得、及び画像処理を繰り返し、抽出対象の細線を成長させて、細線の繋がりのよい結果画像を取得することが可能である。図３に符号８０を付した画像は、機械学習データの取得、及び画像処理を繰り返し八回実行して得られた結果画像である。符号８４は結果画像８０における細線である。

　図４は第一実施形態に係る画像処理方法の概略構成を示す説明図である。本実施形態に示す画像処理方法は、学習画像取得工程、機械学習データ取得工程、及び画像処理工程を含んで構成される。

　学習画像取得工程Ｓ１は、機械学習に用いられる第一の正解画像の組を取得する。第一の正解画像の組の例として、図２に示した第一画像５０、及び第二画像６０が挙げられる。図４に示した点線画像１ｓｔは、図２に示した第一画像５０に相当する。図４に示した実線画像１ｓｔは、図２に示した第二画像６０に相当する。

　第一機械学習データ取得工程Ｓ１０は、第一の正解画像の組である点線画像１ｓｔと実線画像１ｓｔとの変換関係を学習し、第一機械学習データ１００を取得する。点線画像１ｓｔは図２に示した第一画像５０に相当する。実線画像１ｓｔは図２、及び図３に示した第二画像６０に相当する。図４に示した学習１ｓｔは、第１機械学習データ取得工程Ｓ１０を表す。

　第一画像処理工程Ｓ１２は、第一機械学習データ１００を用いて、実線画像１ｓｔから実線画像２ｎｄへの変換処理を実行する。図４に示した評価１ｓｔは、第一画像処理工程Ｓ１２を表す。実線画像２ｎｄは、図３に示した第三画像７０に相当する。図４に示した第一画像処理工程Ｓ１２において、図３に示した第二画像６０と比較して細線の繋がりがより良好な第三画像７０が生成される。

　図４に示した第二機械学習データ取得工程Ｓ１４は、点線画像１ｓｔから実線画像２ｎｄへの変換関係を学習し、第二機械学習データ１０２を取得する。すなわち、第二機械学習データ取得工程Ｓ１４において、第一機械学習データ１００と比較して細線をより成長させる第二機械学習データ１０２を取得する。図４に示した学習２ｎｄは、第二機械学習データ取得工程Ｓ１４を表す。

　第二画像処理工程Ｓ１６は、第二機械学習データ１０２を用いて、実線画像１ｓｔから実線画像３ｒｄへの変換処理を実行する。図４に示した評価２ｎｄは、第二画像処理工程Ｓ１６を表す。実線画像３ｒｄは、実線画像２ｎｄと比較して細線の繋がりがより良好な画像である。図４では、実線画像３ｒｄは符号１１０を付して図示する。第二画像処理工程Ｓ１６は第三画像生成工程の一例である。

　図４に示すように、機械学習データ取得工程、及び画像処理工程を複数回に渡って繰り返し実行すると、細線の繋がりがより良好な画像の生成が可能である。図４では、機械学習データ取得工程、及び画像処理工程を八回に渡って繰り返し実行する例を示す。

　第八機械学習データ取得工程Ｓ１８は、点線画像１ｓｔから実線画像８ｔｈへの変換関係を学習し、第八機械学習データ１０４を取得する。図４では、実線画像８ｔｈは符号１１２を付して図示する。

　実線画像８ｔｈは、実線画像１ｓｔから図示しない第七画像処理工程において生成された、図示しない実線画像７ｔｈへの変換関係を学習して取得される。

　第八画像処理工程Ｓ２０は、第八機械学習データ１０４を用いて、実線画像１ｓｔから実線画像９ｔｈを生成する。図４に示した実線画像９ｔｈは、図３に示した結果画像８０に相当する。図３に示した結果画像８０は、ほとんどの細線が繋げられた画像である。

　本実施形態では、八回に渡って機械学習データの取得、及び画像処理を繰り返して実行する態様を例示したが、機械学習データの取得、及び画像処理の回数は任意に設定することが可能である。

　機械学習データの取得、及び画像処理の回数を設定する処理回数設定工程を備えてもよい。処理回数設定工程は、画像処理の結果画像を確認しながら手動により、画像処理の回数を設定してもよいし、画像処理の回数を自動的に設定してもよい。

　＜画像処理方法を実現する画像処理システムの説明＞
　図５は第一実施形態に係る画像処理方法を実現する画像処理システムの構成例を示すブロック図である。図５に示した画像処理システム２０２は、画像データ取得部２０４、機械学習データ取得部２０６、機械学習データ記憶部２０８、画像処理部２１０、画像記憶部２１２、出力部２１４、及びプログラム記憶部２１６（非一時的かつコンピュータで読み取り可能な記録媒体）を備えている。

　画像データ取得部２０４は、撮像装置２００を用いて撮像された撮像対象の画像データを取得する。画像データ取得部２０４を用いた画像データの取得の例として、図２に示した元画像４０を表す画像データの取得が挙げられる。

　画像データ取得部２０４は、画像処理部２１０を用いて画像処理が施され、画像記憶部２１２を用いて記憶される画像処理後の画像データを、画像記憶部２１２から読み出して取得する。画像処理部２１０を用いて画像処理が施される処理対象画像を表す画像データの例として、図４に示した実線画像１ｓｔである、図３に示した第二画像６０が挙げられる。

　機械学習データ取得用の第一画像データ取得部と、画像処理用の第二画像データ取得部とを別々に備える態様も可能である。

　撮像装置２００と画像データ取得部２０４との間のデータ通信は、有線方式のデータ通信を適用してもよいし、無線形式のデータ通信を適用してもよい。画像データ取得部２０４の例として、予め定められた規格が適用される通信インターフェース、及び記憶媒体の読取装置などが挙げられる。画像データ取得部２０４は入力画像取得手段、及び入力画像取得部の一例である。

　機械学習データ取得部２０６は、画像データ取得部２０４を用いて取得された画像データから正解画像の組を生成し、正解画像の組を機械学習データとして取得する。機械学習データ取得部２０６を用いた正解画像の組の生成の例として、図２に示した元画像４０を用いた第一画像５０、及び第二画像６０の生成が挙げられる。

　また、機械学習データ取得部２０６を用いた正解画像の組の生成の他の例として、図４に示した第一機械学習データ１００を用いた実線画像２ｎｄの生成が挙げられる。なお、実線画像２ｎｄと正解画像の組を構成する点線画像１ｓｔは既に生成されている。

　図４に示した第二機械学習データ取得工程Ｓ１４は、点線画像１ｓｔと実線画像２ｎｄとを含む正解画像の組を機械学習データとして取得し得る。

　図５に示した機械学習データ取得部２０６は、第一画像生成手段、及び第一画像生成部を一例とする構成要素が含まれる。機械学習データ取得部２０６は、第二画像生成手段、及び第二画像生成部を一例とする構成要素が含まれる。機械学習データ取得部２０６は機械学習データ生成手段、及び機械学習データ生成部に相当する。

　図５に示した機械学習データ記憶部２０８は、機械学習データ取得部２０６を用いて取得された機械学習データを記憶する。機械学習データ記憶部２０８へ記憶される機械学習データの例として、図４に示した第一機械学習データ１００、第二機械学習データ１０２、及び第八機械学習データ１０４が挙げられる。

　図５に示した機械学習データ記憶部２０８は、正解画像の組を生成する際に使用されたパラメータと正解画像の組とを関連付けして記憶するデータベースとして構成してもよい。画像処理部２１０は、パラメータをインデックスとして、機械学習データ記憶部２０８から正解画像の組の読み出しが可能である。

　画像処理部２１０は、機械学習データ記憶部２０８に記憶されている機械学習データを読み出し、画像データ取得部２０４を用いて取得された処理対象の画像データに対して、連続性を有する抽出対象物を成長させる画像処理を施す。画像処理部２１０を用いた画像処理の例として、図３に示した第二画像６０から第三画像７０への変換処理である、細線を成長させる処理が挙げられる。画像処理部２１０は画像処理手段に相当する。機械学習データ記憶部２０８は機械学習データ記憶手段に相当する。

　画像記憶部２１２は、画像処理部２１０を用いて画像処理が施された結果画像を記憶する。画像記憶部２１２は、画像処理システム２０２に外付けされる記憶装置を適用してもよい。

　出力部２１４は、画像処理部２１０を用いて画像処理が施された画像を、画像記憶部２１２から読み出して出力する。出力部２１４の例として、ディスプレイ装置、プリンタ、及びデータ通信インターフェースなどが挙げられる。すなわち、出力部２１４を用いた出力の例として、画像処理結果の表示、画像処理結果の印刷、及び画像処理結果を表すデータの出力が挙げられる。

　プログラム記憶部２１６は、機械学習データ生成プログラム、及び画像処理プログラムが記憶される。機械学習データ取得部２０６は、プログラム記憶部２１６から機械学習データ生成プログラムを読み出して、機械学習データ生成プログラムを実行し得る。画像処理部２１０は、プログラム記憶部２１６から画像処理プログラムを読み出して、画像処理プログラムを実行し得る。

　機械学習データ生成プログラムを記憶する機械学習データ生成プログラム記憶部と、画像処理プログラムを記憶する画像処理プログラム記憶部とを別々に備える態様も可能である。

　図５に示した各種処理部は、英語表記を用いてｐｒｏｃｅｓｓｉｎｇ　ｕｎｉｔと表現されることがある。プロセッサは、英語表記を用いてｐｒｏｃｅｓｓｏｒと表現されることがある。ここでいう処理部には、処理部の名称が使用されていない構成要素であっても、何らかの処理を実行する実質的な処理部が含まれる。

　各種のプロセッサには、プログラムを実行して各種処理部として機能する汎用的なプロセッサであるＣＰＵ、ＦＰＧＡなどの製造後に回路構成を変更可能なプロセッサであるＰＬＤ、及びＡＳＩＣなどの特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路などが含まれる。プログラムは、ソフトウェアと同義である。

　なお、ＦＰＧＡは、Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙの省略語である。ＰＬＤは、Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅの省略語である。ＡＳＩＣは、Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔの省略語である。

　一つの処理部は、これら各種のプロセッサのうちの一つで構成されていてもよいし、同種又は異種の二つ以上のプロセッサで構成されてもよい。例えば、一つの処理部は、複数のＦＰＧＡ、或いは、ＣＰＵとＦＰＧＡとの組み合わせによって構成されてもよい。また、複数の処理部を一つのプロセッサで構成してもよい。

　複数の処理部を一つのプロセッサで構成する例としては、第一に、クライアントやサーバなどのコンピュータに代表されるように、一つ以上のＣＰＵとソフトウェアとの組み合わせで一つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。

　第二に、ＳｏＣなどに代表されるように、複数の処理部を含むシステム全体の機能を一つのＩＣチップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサを一つ以上用いて構成される。更に、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子などの回路素子を組み合わせた電気回路である。

　なお、ＳｏＣは、システムオンチップの英語表記Ｓｙｓｔｅｍ　Ｏｎ　Ｃｈｉｐの省略語である。ＩＣは、集積回路を表す英語表記Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔの省略語である。電気回路は英語表記を用いてｃｉｒｃｕｉｔｒｙと表現されることがある。

　＜機械学習データ生成システムへの適用例＞
　図５に示した画像処理システム２０２における画像データ取得部２０４、機械学習データ取得部２０６、及び機械学習データ記憶部２０８は、機械学習データ生成システムの構成要素とし得る。機械学習データ記憶部２０８は、機械学習データ生成システムに外付けされ得る。

　＜画像処理プログラムへの適用例＞
　図５に示した画像処理システム２０２は、コンピュータ、及びコンピュータを用いて実行されるプログラムを用いて構成し得る。すなわち、図５に示した画像処理システム２０２の機能は、コンピュータを、画像データ取得部２０４、機械学習データ取得部２０６、機械学習データ記憶部２０８、画像処理部２１０、画像記憶部２１２、及び出力部２１４として機能させる画像処理プログラムを用いて実現可能である。

　＜機械学習データ生成プログラムへの適用例＞
　図５に示した画像処理システム２０２のうち、画像データ取得部２０４、機械学習データ取得部２０６、機械学習データ記憶部２０８は、コンピュータ、及びコンピュータを用いて実行されるプログラムを用いて構成してもよい。すなわち、図５に示した画像処理システム２０２における機械学習データを生成する機能は、コンピュータを、画像データ取得部２０４、機械学習データ取得部２０６、及び機械学習データ記憶部２０８として機能させる機械学習データ生成プログラムを用いて実現可能である。

　＜画像処理方法の手順＞
　図６は第一実施形態に係る画像処理方法の手順の流れを示すフローチャートである。元画像取得工程Ｓ１００では、図５に示した画像データ取得部２０４を用いて、元画像を表す元画像データを取得する。元画像は入力画像の一例である。元画像取得工程Ｓ１００は、入力画像取得工程の一例である。

　図６に示した元画像取得工程Ｓ１００において、元画像データを取得した後に、パラメータ設定工程Ｓ１０２へ進む。パラメータ設定工程Ｓ１０２では、図５に示した機械学習データ取得部２０６を用いて、元画像データから正解画像の組を生成する際に適用される二種類の異なるパラメータを設定する。

　二種類の異なるパラメータの例として、確率閾値３０パーセント、及び確率閾値１０パーセントが挙げられる。本実施形態では、確率閾値、及び最小面積をパラメータとして設定しているが、確率閾値が異なる場合は、最小面積は同一の値を設定してもよい。

　図６に示したパラメータ設定工程Ｓ１０２において、パラメータが設定された後に、第一画像生成工程Ｓ１０４へ進む。第一画像生成工程Ｓ１０４では、図５に示した機械学習データ取得部２０６を用いて、元画像に対して一方のパラメータを適用して正解画像の組を構成する一方の正解画像を生成する。

　図６に示した第一画像生成工程Ｓ１０４において、第一画像が生成された後に、第二画像生成工程Ｓ１０６へ進む。第二画像生成工程Ｓ１０６では、図５に示した機械学習データ取得部２０６を用いて、元画像に対して他方のパラメータを適用して正解画像の組を構成する他方の正解画像を生成する。

　第二画像生成工程Ｓ１０６において、第二画像が生成された後に、機械学習データ記憶工程Ｓ１０８へ進む。機械学習データ記憶工程Ｓ１０８では、第一画像生成工程Ｓ１０４において生成された第一画像、及び第二画像生成工程Ｓ１０６において生成された第二画像から構成される正解画像の組を機械学習データとして、図５に示した機械学習データ記憶部２０８へ記憶する。

　第一画像は、図２に示した第一画像５０である。第二画像は、図２に示した第二画像６０である。以下、符号を省略した第一画像は図２に示した第一画像５０を示す。符号を省略した第二画像は図２に示した第二画像６０を示す。

　第一画像生成工程Ｓ１０４、及び第二画像生成工程Ｓ１０６は、機械学習データ生成工程の構成要素の一例である。

　図６に示した機械学習データ記憶工程Ｓ１０８において機械学習データが記憶された後に、画像処理工程Ｓ１１０へ進む。画像処理工程Ｓ１１０では、機械学習データ記憶工程Ｓ１０８において記憶された機械学習データを用いて、抽出対象の面積を拡張させる画像処理が実行される。画像処理工程Ｓ１１０は、図５の画像処理部２１０を用いて実行される。

　図６に示した画像処理工程Ｓ１１０において、画像処理が実行された後に、再学習実行判定工程Ｓ１１２へ進む。再学習実行判定工程Ｓ１１２では、再学習を実行するか否かを判定する。再学習実行条件は、複数回の学習実行が設定される場合であり、かつ、既に記憶されている機械学習データを用いた画像処理の結果画像が生成されている場合である。複数回の学習実行が設定される場合は、学習回数が設定されていない場合が含まれてもよい。学習回数が設定されていない場合は、手動により再学習の要否を判定し得る。

　再学習実行判定工程Ｓ１１２において再学習実行条件を満たしていない場合は、Ｎｏ判定となる。Ｎｏ判定の場合は、機械学習データ生成方法の手順を終了する。一方、再学習実行判定工程Ｓ１１２において再学習実行条件を満たしている場合はＹｅｓ判定となる。Ｙｅｓ判定の場合は、画像処理結果読出工程Ｓ１１４へ進む。

　画像処理結果読出工程Ｓ１１４では、図５に示した画像記憶部２１２から画像処理の結果画像を読み出す。画像処理の結果画像の例として、図４に示した実線画像２ｎｄである、図３に示した第三画像７０が挙げられる。

　図６に示した画像処理結果読出工程Ｓ１１４において、画像処理の結果画像が読み出された後に、機械学習データ再生成工程Ｓ１１６へ進む。機械学習データ再生成工程Ｓ１１６では、第一画像生成工程Ｓ１０４において生成された第一画像と、機械学習データ再生成工程Ｓ１１６において読み出された画像処理の結果画像とを、正解画像の組として生成する。

　機械学習データ再生成工程Ｓ１１６において、新たな機械学習データである正解画像の組が生成された後に、機械学習データ記憶工程Ｓ１０８へ進む。機械学習データ記憶工程Ｓ１０８では、機械学習データ再生成工程Ｓ１１６において、新たな機械学習データとして生成された正解画像の組が、図５に示した機械学習データ記憶部２０８へ記憶される。

　機械学習データ再生成工程Ｓ１１６は、図５に示した機械学習データ取得部２０６を用いて実行される。機械学習データ取得部２０６は第三画像生成部、及び第三画像生成手段を一例とする構成要素が含まれる。

　新たな機械学習データを用いて、既に記憶されている機械学習データを更新してもよいし、新たな機械学習データを、既に記憶されている機械学習データとは別に記憶してもよい。

　以降、再学習実行判定工程Ｓ１１２においてＮｏ判定となるまで、機械学習データ記憶工程Ｓ１０８から機械学習データ再生成工程Ｓ１１６までの工程が繰り返し実行される。

　＜機械学習データ生成方法への適用例＞
　図６に示した画像処理方法の元画像取得工程Ｓ１００から機械学習データ記憶工程Ｓ１０８までの工程、及び再学習実行判定工程Ｓ１１２から機械学習データ再生成工程Ｓ１１６までの工程は、機械学習データ生成方法を構成し得る。

　すなわち、元画像を用いて生成された第一画像、及び第二画像は、第一機械学習データである正解画像の組である。そして、機械学習データ再生成工程Ｓ１１６において生成された画像、及び第一画像は、第二機械学習データである正解画像の組である。このようにして、機械学習データを用いた画像処理の結果画像を用いて機械学習データを更新可能な機械学習データ生成方法を構成し得る。

　［第一実施形態の作用効果］
　第一実施形態に係る画像処理方法、画像処理装置、及び画像処理プログラムによれば、二種類の異なるパラメータを用いて、連続性を有する抽出対象を成長させる機械学習データを元画像から生成する。これにより、機械学習データを用いて、抽出対象を成長させて抽出する画像処理が可能となる。

　また、画像処理の結果画像を用いて機械画像データが繰り返し生成される。機械学習データの生成、及び画像処理を繰り返し実行する。これにより、抽出対象をより成長させた結果画像が得られる。

　本実施形態では、二値化画像の線を抽出対象とする態様を例示した。抽出対象は線に限定されず、面を抽出対象としてもよい。また、線、及び面を抽出対象としてもよい。すなわち、抽出対象は線、及び面の少なくともいずれか一方とすることが可能である。

　［パラメータの変形例］
　上述した第一実施形態では、パラメータを設定する指標を階調値とし、階調値について二種類の異なるパラメータとして二種類の異なる確率閾値を適用して正解画像の組を生成した。パラメータは、異なる指標に対して設定されてもよい。

　以下の表１には、図２に示した元画像４０に対して確率閾値３０パーセントを適用して第一画像５０を生成し、元画像４０に対して確率閾値１０パーセントを適用して第二画像６０を生成する例のパラメータを示す。

　以下の表２には、第一パラメータとして確率閾値を適用して第一画像を生成し、第二パラメータとして面積を適用して第二画像を生成し、第一画像と第二画像とを正解画像の組として取得する例を示す。ここでいう第一画像は正解画像の組を構成する一方の画像を指し示す。同様に第二画像は正解画像の組を構成する他方の画像を指し示す。

　上記の表２に記載の数値は例示であり、第一画像から第二画像への変換関係が抽出対象の面積を拡張させる変換関係となるように、各パラメータの数値は決められる。上記の表２における面積の概念には、長さの概念が含まれる。

　図７は二種類の異なるパラメータに異なる指標が用いられる場合の機械学習データ生成手段の構成例を示すブロック図である。図７に示した機械学習データ取得手段３００は、第一検出器３０２、及び第二検出器３０４を備えている。図７に示した機械学習データ取得手段３００は、図５に示した機械学習データ取得部２０６の構成要素とし得る。

　例えば、第一検出器３０２は確率閾値３０パーセントが設定され、第二検出器３０４は面積閾値１０ピクセルが設定される。第一検出器３０２を用いて元画像３１０は第一画像へ変換される。なお、図７における第一画像は便宜上、符号３１２を付して図示した。同様に、図７における第二画像は便宜上、符号３１４を付して図示した。

　また、第二検出器３０４を用いて元画像３１０は第二画像へ変換される。なお、表２に示す例では、第一検出器３０２は面積閾値０ピクセルが設定され、第二検出器は確率閾値０パーセントが設定されている。

　すなわち、二種類の異なるパラメータの一方を第一パラメータとし、他方のパラメータを第二パラメータとする。第一パラメータを用いて画像処理を施して得られた画像を第一画像とし、第二パラメータを用いて画像処理を施して得られた第二画像とする。第一画像から第二画像への変換関係は、抽出対象の面積を拡張させる変換関係となる。

　第一パラメータ、及び第二パラメータの他の例として、モルフォロジー変換処理における二種類の異なる構造化画像が挙げられる。図８はモルフォロジー変換の説明図である。図８に示したモルフォロジー変換は、原画像４００に対して、構造化画像４０２を適用して結果画像４０４を得る膨張処理である。

　二種類の異なる構造化画像を準備する。二種類の異なる構造化画像の一方を第一構造化画像とし、他方を第二構造化画像とする。第二構造化画像を用いた膨張処理の結果画像は、第一構造化画像を用いた膨張処理の結果画像と比較して、抽出対象の面積を拡張させるものとする。第一構造化画像は膨張処理を行わないものとしてもよい。

　なお、二種類の異なるパラメータはここに例示したパラメータに限定されない。第一パラメータを用いて処理された第一画像から、第二パラメータを用いて処理された第二画像への変換関係が、抽出対象の面積を拡張させるものであればよい。

　［抽出対象の他の例］
　抽出対象の他の例として、コンクリート壁の穴が挙げられる。コンクリート壁の穴は、コンクリート壁における二次元状の損傷である。なお、コンクリート壁のひび割れは、コンクリート壁における一次元状の損傷である。コンクリート壁のひび割れは、撮像対象の任意の面における欠陥の一例である。

　コンクリート壁の損傷以外の抽出対象の例として、鉄筋の損傷、及び金属製の壁など、金属製構造体の損傷が挙げられる。金属製構造体の損傷の例として、ひび割れ、穴、及び錆が挙げられる。金属製構造体のひび割れ、穴、及び錆は、撮像対象の任意の面における欠陥の他の一例である。

　抽出対象の他の例として、内視鏡装置を用いて取得される動物の撮像画像における血管、及び神経が挙げられる。抽出対象の他の例として、人口衛星に搭載された撮像装置を用いて撮像された衛星画像における道路、及び河川などが挙げられる。抽出対象の他の例として、ブラインド等の遮蔽物を用いて一部が遮蔽された景色などが挙げられる。

　すなわち、抽出対象は、撮像装置を用いて撮像された画像において、連続性を有する構成要素であればよく、撮像対象、及び撮像対象における構成要素は、本実施形態の記載に限定されない。

　［クライアントサーバ型ネットワークシステムへの適用例］
　図９はクライアントサーバ型ネットワークシステムへの適用例を示すブロック図である。図９に示した画像処理システム５００は、サーバ装置５０２、及び一つ以上のクライアント装置を備えている。図９には、クライアント装置として、第一クライアント装置５０４、第二クライアント装置５０６、及び第三クライアント装置５０８を例示する。

　サーバ装置５０２は、ネットワーク５１０を介して、第一クライアント装置５０４、第二クライアント装置５０６、及び第三クライアント装置５０８と通信可能に接続されている。

　ネットワーク５１０は、公衆通信網、及びローカルエリアネットワークなど、任意の通信網を適用可能である。ローカルエリアネットワークは、英語表記Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋの省略語であるＬＡＮと表現されることがある。

　サーバ装置５０２とネットワーク５１０との間のデータ通信は、有線方式のデータ通信を適用してもよいし、無線形式のデータ通信を適用してもよい。同様に、クライアント装置とネットワーク５１０との間のデータ通信は、有線方式のデータ通信を適用してもよいし、無線形式のデータ通信を適用してもよい。

　クライアント装置とネットワーク５１０との間のデータ通信は、サーバ装置５０２とネットワーク５１０との間のデータ通信と同じ形式を適用してもよいし、異なる形式を適用してもよい。

　なお、クライアント装置とは、図９に示した第一クライアント装置５０４、第二クライアント装置５０６、及び第三クライアント装置５０８の総称である。クライアント装置という用語は、第一クライアント装置５０４、第二クライアント装置５０６、及び第三クライアント装置５０８の任意のいずれかを表すことがある。

　図９に示したサーバ装置５０２は、一つ以上のコンピュータを用いて構成される。サーバ装置５０２は、図５に示した画像処理システム２０２の機能を実現するハードウェアを適用し得る。サーバ装置５０２の構成例として、図５に示した機械学習データを取得する機能ブロック、及び画像処理を実行する機能ブロックを備える例が挙げられる。

　サーバ装置５０２は、図５に示した機械学習データ記憶部２０８の機能を実現するデータベースが記憶される記憶装置を備えてもよい。サーバ装置５０２は、図５に示した画像記憶部２１２の機能を実現する記憶装置を備えてもよい。記憶装置は図９に示したサーバ装置５０２に内蔵されてもよいし、記憶装置はサーバ装置５０２に外付けされてもよい。

　サーバ装置５０２は、通信インターフェースを備える。サーバ装置５０２は、通信インターフェースを用いてネットワーク５１０と接続される。サーバ装置５０２は、プログラム記憶部を備える。

　クライアント装置は、サーバ装置５０２に対して画像データを送信する画像データ送信部を備える。クライアント装置は、通信インターフェースを備える。クライアント装置は、通信インターフェースを用いてネットワーク５１０と接続される。図９には、クライアント装置の例として、コンピュータを例示したが、クライアント装置は、携帯型端末装置を適用してもよい。

　［第二実施形態に係る画像処理方法、画像処理装置、及び画像処理プログラムの説明］
　図１０は第二実施形態に係る画像処理方法の手順の流れを示すフローチャートである。第二実施形態に係る画像処理方法は、第一画像生成工程Ｓ１０４において生成された第一画像、及び第二画像生成工程Ｓ１０６において生成された第二画像から構成される機械学習データを繰り返し用いて、抽出対象の面積を拡張させる画像処理を実行する。

　以下、主として、図６を用いて説明した第一実施形態に係る画像処理方法との違いについて説明する。画像処理工程Ｓ１１０において画像処理が実行された後に、再学習実行判定工程Ｓ１１２へ進む。再学習実行判定工程Ｓ１１２における処理は、図６に示した再学習実行判定工程Ｓ１１２と同様であり、ここでの説明は省略する。

　再学習実行判定工程Ｓ１１２において再学習実行条件を満たしていない場合はＮｏ判定となる。Ｎｏ判定の場合は、画像処理方法の手順を終了する。一方、再学習実行判定工程Ｓ１１２において再学習実行条件を満たしている場合はＹｅｓ判定となる。Ｙｅｓ判定の場合は、画像処理結果読出工程Ｓ１１４へ進む。

　画像処理結果読出工程Ｓ１１４における処理は、図６に示した画像処理結果読出工程Ｓ１１４と同様である。ここでは、画像処理結果読出工程Ｓ１１４の説明は省略する。画像処理結果読出工程Ｓ１１４の後に、画像処理工程Ｓ１１０へ進む。

　二度目以降の画像処理工程Ｓ１１０では、一回前の画像処理の結果画像に対して、第一機械学習データを用いて画像処理を実行する。すなわち、第一機械学習データを繰り返し用い、かつ、画像処理工程Ｓ１１０において得られた結果画像に対して、画像処理を施す。

　以下、再学習実行判定工程Ｓ１１２においてＮｏ判定となるまで、画像処理工程Ｓ１１０、再学習実行判定工程Ｓ１１２、及び画像処理結果読出工程Ｓ１１４が繰り返し実行される。

　［第二実施形態の作用効果］
　第二実施形態に係る画像処理方法によれば、二種類の異なるパラメータを用いて、連続性を有する抽出対象を成長させる機械学習データを元画像から生成する。これにより、機械学習データを用いて、抽出対象の面積を拡張させる画像処理が可能である。また、第一画像から第二画像への変換関係である機械学習データを繰り返し用いて、抽出対象の面積をより拡張させる画像処理が可能である。

　［用語について］
　二値化処理は、量子化処理の一例である。予め定められた一つの閾値を用いて、三以上の階調数を有する画像に施される量子化処理は、二値化処理に相当する。

　本明細書における同一という用語は、厳密には相違する態様のうち、同一と概ね同様の作用効果が得られる実質的な同一とみなし得る態様が含まれる。

　［実施形態及び変形例等の組み合わせについて］
　上述の実施形態で説明した構成や変形例で説明した事項は、適宜組み合わせて用いることができ、また、一部の構成要素を置き換えることもできる。

　以上説明した本発明の実施形態は、本発明の趣旨を逸脱しない範囲で、適宜構成要件を変更、追加、削除することが可能である。本発明は以上説明した実施形態に限定されるものではなく、本発明の技術的思想内で当該分野の通常の知識を有する者により、多くの変形が可能である。

１０　画像
１２　コンクリート壁
１４　ひび割れ
２０、３０　二値化画像
２２、３２　画素群
４０、３１０　元画像
４４　ひび割れ
５０、３１２　第一画像
５４、６４、７４、８４　細線
６０、３１４　第二画像
７０　第三画像
８０　結果画像
１００　第一機械学習データ
１０２　第二機械学習データ
１０４　第八機械学習データ
１１０　実線画像３ｒｄ
１１２　実線画像８ｔｈ
２００　撮像装置
２０２　画像処理システム
２０４　画像データ取得部
２０６　機械学習データ取得部
２０８　機械学習データ記憶部
２１０　画像処理部
２１２　画像記憶部
２１４　出力部
２１６　プログラム記憶部
３００　機械学習データ取得手段
３０２　第一検出器
３０４　第二検出器
４００　原画像
４０２　構造化画像
４０４　結果画像
５００　画像処理システム
５０２　サーバ装置
５０４　第一クライアント装置
５０６　第二クライアント装置
５０８　第三クライアント装置
５１０　ネットワーク
Ｓ１からＳ２０　画像処理方法、機械学習データ生成方法の各工程
Ｓ１００からＳ１１６　画像処理方法、機械学習データ生成方法の各工程

Claims (27)

1. 　連続性を有する抽出対象を含む入力画像を取得する入力画像取得工程と、
   　前記入力画像から抽出対象を抽出する第一画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第一画像を生成する第一画像生成工程と、
   　前記入力画像から抽出対象を抽出する第二画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第二画像であり、前記第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成工程と、
   　前記第一画像から前記第二画像への変換関係を第一機械学習データとして記憶する機械学習データ記憶工程と、
   　を含む機械学習データ生成方法。
2. 　前記抽出対象は、線、及び面の少なくともいずれか一方である請求項１に記載の機械学習データ生成方法。
3. 　前記第二画像に対して前記第一機械学習データを適用して第三画像を生成する第三画像生成工程を含み、
   　前記機械学習データ記憶工程は、前記第一画像から前記第三画像への変換関係を第二機械学習データとして記憶する請求項１又は２に記載の機械学習データ生成方法。
4. 　前記第一画像生成工程は、前記入力画像の階調に対して第一閾値を適用して、前記入力画像を量子化した第一量子化画像を生成し、
   　前記第二画像生成工程は、前記入力画像の階調に対して前記第一閾値未満の第二閾値を適用して、前記入力画像を量子化した第二量子化画像を生成する請求項１から３のいずれか一項に記載の機械学習データ生成方法。
5. 　前記第一閾値、及び前記第二閾値は、階調値０を０パーセントとし最大階調を１００パーセントとする０パーセントから１００パーセントまでの数値を用いて表される請求項４に記載の機械学習データ生成方法。
6. 　前記第一画像生成工程は、予め定められた最小画素数以上の画素数を有する抽出対象を抽出する請求項４又は５に記載の機械学習データ生成方法。
7. 　前記第二画像生成工程は、予め定められた最小画素数以上の画素数を有する抽出対象を抽出する請求項４から６のいずれか一項に記載の機械学習データ生成方法。
8. 　前記入力画像取得工程は、撮像対象の任意の面を撮像した画像を入力画像として取得し、
   　前記第一画像生成工程、及び前記第二画像生成工程は、前記撮像対象の任意の面における欠陥を前記抽出対象として抽出する請求項１から７のいずれか一項に記載の機械学習データ生成方法。
9. 　コンピュータを、
   　連続性を有する抽出対象を含む入力画像を取得する入力画像取得手段、
   　前記入力画像から抽出対象を抽出する第一画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第一画像を生成する第一画像生成手段、
   　前記入力画像から抽出対象を抽出する第二画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第二画像であり、前記第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成手段、及び
   　前記第一画像から前記第二画像への変換関係を機械学習データとして記憶する機械学習データ記憶手段として機能させる機械学習データ生成プログラム。
10. 　連続性を有する抽出対象を含む入力画像を取得する入力画像取得部と、
    　前記入力画像から抽出対象を抽出する第一画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第一画像を生成する第一画像生成部と、
    　前記入力画像から抽出対象を抽出する第二画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第二画像であり、前記第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成部と、
    　前記第一画像から前記第二画像への変換関係を機械学習データとして記憶する機械学習データ記憶部と、
    　を備えた機械学習データ生成システム。
11. 　サーバ装置と、
    　ネットワークを介して前記サーバ装置と通信可能に接続されるクライアント装置と、
    　を備え、
    　前記サーバ装置は、前記入力画像取得部、前記第一画像生成部、前記第二画像生成部、及び前記機械学習データ記憶部を備えた請求項１０に記載の機械学習データ生成システム。
12. 　前記クライアント装置は、前記サーバ装置へ前記入力画像を送信する送信部を備えた請求項１１に記載の機械学習データ生成システム。
13. 　ネットワークを介してサーバ装置とクライアント装置とが通信可能に接続される機械学習データ生成システムに具備されるサーバ装置であって、
    　連続性を有する抽出対象を含む入力画像を取得する入力画像取得部と、
    　前記入力画像から抽出対象を抽出する第一画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第一画像を生成する第一画像生成部と、
    　前記入力画像から抽出対象を抽出する第二画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第二画像であり、前記第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成部と、
    　前記第一画像から前記第二画像への変換関係を機械学習データとして記憶する機械学習データ記憶部と、
    　を備えたサーバ装置。
14. 　連続性を有する抽出対象を含む入力画像を取得する入力画像取得工程と、
    　前記入力画像から抽出対象を抽出する第一画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第一画像を生成する第一画像生成工程と、
    　前記入力画像から抽出対象を抽出する第二画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第二画像であり、前記第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成工程と、
    　前記第一画像から前記第二画像への変換関係を第一機械学習データとして記憶する機械学習データ記憶工程と、
    　前記第一機械学習データを用いて、処理対象画像に対して画像処理を施す画像処理工程と、
    　を含む画像処理方法。
15. 　前記第二画像に対して前記第一機械学習データを適用して第三画像を生成する第三画像生成工程を含み、
    　前記機械学習データ記憶工程は、前記第一画像から前記第三画像への変換関係を第二機械学習データとして記憶し、
    　前記画像処理工程は、前記第二機械学習データを用いて前記第一画像に対して画像処理を施す請求項１４に記載の画像処理方法。
16. 　前記画像処理工程は、前記第一機械学習データを用いて前記第二画像に対して画像処理を施す請求項１４に記載の画像処理方法。
17. 　コンピュータを、
    　連続性を有する抽出対象を含む入力画像を取得する入力画像取得手段、
    　前記入力画像から抽出対象を抽出する第一画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第一画像を生成する第一画像生成手段、
    　前記入力画像から抽出対象を抽出する第二画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第二画像であり、前記第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成手段、
    　前記第一画像から前記第二画像への変換関係を第一機械学習データとして記憶する機械学習データ記憶手段、及び
    　前記第一機械学習データを用いて、処理対象画像に対して画像処理を施す画像処理手段として機能させる画像処理プログラム。
18. 　前記第二画像に対して前記第一機械学習データを適用して第三画像を生成する第三画像生成手段として機能させ、
    　前記機械学習データ記憶手段は、前記第一画像から前記第三画像への変換関係を第二機械学習データとして記憶し、
    　前記画像処理手段は、前記第二機械学習データを用いて前記第一画像に対して画像処理を施す請求項１７に記載の画像処理プログラム。
19. 　前記画像処理手段は、前記第一機械学習データを用いて前記第二画像に対して画像処理を施す請求項１７に記載の画像処理プログラム。
20. 　連続性を有する抽出対象を含む画像を用いて機械学習データを生成する機械学習データ生成部と、
    　前記機械学習データ生成部を用いて生成された機械学習データを用いて、処理対象画像に対して画像処理を施す画像処理部と、
    　を備え、
    　前記機械学習データ生成部は、
    　連続性を有する抽出対象を含む入力画像を取得する入力画像取得部と、
    　前記入力画像から抽出対象を抽出する第一画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第一画像を生成する第一画像生成部と、
    　前記入力画像から抽出対象を抽出する第二画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第二画像であり、前記第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成部と、
    　前記第一画像から前記第二画像への変換関係を第一機械学習データとして記憶する機械学習データ記憶部と、
    　を備えた画像処理システム。
21. 　前記機械学習データ生成部は、前記第二画像に対して前記第一機械学習データを適用して第三画像を生成する第三画像生成部を備え、
    　前記機械学習データ記憶部は、前記第一画像から前記第三画像への変換関係を第二機械学習データとして記憶し、
    　前記画像処理部は、前記第二機械学習データを用いて前記第一画像に対して画像処理を施す請求項２０に記載の画像処理システム。
22. 　前記画像処理部は、前記第一機械学習データを用いて前記第二画像に対して画像処理を施す請求項２０に記載の画像処理システム。
23. 　ネットワークを介してサーバ装置とクライアント装置とが通信可能に接続される画像処理システムに具備されるサーバ装置であって、
    　連続性を有する抽出対象を含む画像を用いて機械学習データを生成する機械学習データ生成部と、
    　前記機械学習データ生成部を用いて生成された機械学習データを用いて、処理対象画像に対して画像処理を施す画像処理部と、
    　を備え、
    　前記機械学習データ生成部は、
    　連続性を有する抽出対象を含む入力画像を取得する入力画像取得部と、
    　前記入力画像から抽出対象を抽出する第一画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第一画像を生成する第一画像生成部と、
    　前記入力画像から抽出対象を抽出する第二画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第二画像であり、前記第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成部と、
    　前記第一画像から前記第二画像への変換関係を第一機械学習データとして記憶する機械学習データ記憶部と、
    　を備えたサーバ装置。
24. 　前記機械学習データ生成部は、前記第二画像に対して前記第一機械学習データを適用して第三画像を生成する第三画像生成部を備え、
    　前記機械学習データ記憶部は、前記第一画像から前記第三画像への変換関係を第二機械学習データとして記憶し、
    　前記画像処理部は、前記第二機械学習データを用いて前記第一画像に対して画像処理を施す請求項２３に記載のサーバ装置。
25. 　前記画像処理部は、前記第一機械学習データを用いて前記第二画像に対して画像処理を施す請求項２３に記載のサーバ装置。
26. 　非一時的かつコンピュータ読取可能な記録媒体であって、コンピュータによって読み取られた場合に、コンピュータを、
    　連続性を有する抽出対象を含む入力画像を取得する入力画像取得手段、
    　前記入力画像から抽出対象を抽出する第一画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第一画像を生成する第一画像生成手段、
    　前記入力画像から抽出対象を抽出する第二画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第二画像であり、前記第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成手段、及び
    　前記第一画像から前記第二画像への変換関係を機械学習データとして記憶する機械学習データ記憶手段として機能させる機会学習データ生成プログラムが記録された記録媒体。
27. 　非一時的かつコンピュータで読み取り可能な記録媒体であって、コンピュータによって読み取られた場合に、コンピュータを、
    　連続性を有する抽出対象を含む入力画像を取得する入力画像取得手段、
    　前記入力画像から抽出対象を抽出する第一画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第一画像を生成する第一画像生成手段、
    　前記入力画像から抽出対象を抽出する第二画像処理を前記入力画像に施し、前記入力画像から前記抽出対象が抽出された第二画像であり、前記第一画像よりも抽出対象の面積が大きい第二画像を生成する第二画像生成手段、
    　前記第一画像から前記第二画像への変換関係を第一機械学習データとして記憶する機械学習データ記憶手段、及び
    　前記第一機械学習データを用いて、処理対象画像に対して画像処理を施す画像処理手段として機能させる画像処置プログラムが記録された記録媒体。

Images