WO2021044572A1 - 画像表示装置、表示制御装置及び画像処理装置、並びにプログラム及び記録媒体 - Google Patents

Abstract

入力画像データ（Ｄａ）に応じた画像を画像表示器（２）に表示させる画像処理装置（４）と、画像表示器の発光素子と同じ特性を持つ発光器（５）の温度を測定する温度測定器（６）とを備える。発光器（５）の点灯率（Ｌａ０、Ｌｂ１）及び測定温度と、入力画像データとに基づいて各発光素子の温度（Ｔｅ０（ｘ，ｙ）を推定し、推定温度に基づいて、入力画像データ（Ｄａ）を補正する。温度の推定は、入力画像データ（Ｄａ）並びに発光器（５）の点灯率（Ｌａ０）及び温度測定値（Ｔａ０）と、画像表示器の予め指定された発光素子の温度測定値（Ｔｆ（ｘ_ｄ，ｙ_ｄ））との関係を学習した結果に基づいて行われる。発光素子毎に温度センサーを備えていなくても、温度変化による発光素子の輝度及び色の少なくとも一方の変化を補償することができる。

Description

画像表示装置、表示制御装置及び画像処理装置、並びにプログラム及び記録媒体

　本発明は、画像表示装置、表示制御装置及び画像処理装置に関する。本発明はまた、プログラム及び記録媒体に関する。本発明は特に、表示パネルの輝度又は色のムラを補正する技術に関する。

　赤、緑及び青のＬＥＤの組合せから成る発光素子が画素としてマトリックス状に配置された表示パネルが知られている。

　一般的にＬＥＤで構成される発光素子には、発生する光の輝度又は色にばらつきがある。また、温度によって発生する光の輝度又は色が変化する。そのため、表示画像に輝度又は色のムラが発生することがある。

　特許文献１には温度センサーを用いて液晶表示パネルのバックライトのＬＥＤの温度を測定し、温度毎の補正データを用いて画像データを補正する方法が提案されている。

国際公開第２０１１―１２５３７４号（段落００４５、００５０～００５３、図１）

　複数の発光素子がマトリックス状に配置された表示パネルでは、表示コンテンツによって個々の発光素子に流される電流が変わるため、個々の発光素子の温度が異なるものとなる。温度が異なるものとなると、輝度ムラ又は色ムラが発生する可能性がある。ＬＥＤで構成される発光素子は温度によって輝度又は色が変化するためである。

　上記のように特許文献１の技術では液晶表示パネルのバックライトに温度センサーを設けているが、この考えを、複数の発光素子を有する表示パネルに適用すると、温度センサーを各発光素子に設ける必要があり、そのため、温度センサーの数及び配線、さらには設置のためのスペースが増加する。

　本発明は、発光素子毎に温度センサーを備えていなくても、温度変化による発光素子の輝度及び色の少なくとも一方の変化を補償することができる表示制御装置を提供することを目的とする。

　本発明の画像表示装置は、
　各々複数のＬＥＤを含む複数の発光素子が配列された画像表示器と、
　入力画像データに応じた画像を前記画像表示器に表示させる画像処理装置と、
　前記画像表示器の複数の発光素子と同じ特性を持つ発光器又は前記画像表示器の複数の発光素子のうち、予め選定された発光素子の温度を測定する制御用温度測定器とを備え、
　前記画像処理装置は、
　前記発光器又は前記選定された発光素子の点灯率と、
　前記制御用温度測定器で測定された温度と、
　前記入力画像データとに基づいて前記画像表示器の複数の発光素子の各々の温度を推定し、
　前記画像表示器の複数の発光素子の各々について、温度変化による輝度及び色の少なくとも一方の変化が補償されるように、前記推定された温度に基づいて、前記入力画像データを補正し、
　前記温度の推定は、入力画像データ、前記発光器又は前記選定された発光素子の点灯率、及び前記発光器又は前記選定された発光素子の温度測定値と、前記画像表示器の少なくとも１つの予め指定された発光素子の温度測定値との関係を学習した結果に基づいて行われる。

　本発明の表示制御装置は、
　各々複数のＬＥＤを含む複数の発光素子が配列された画像表示器に、入力画像データに応じた画像を表示させる画像処理装置と、
　前記画像表示器の複数の発光素子と同じ特性を持つ発光器又は前記画像表示器の複数の発光素子のうち、予め選定された発光素子の温度を測定する制御用温度測定器とを備え、
　前記画像処理装置は、
　前記発光器又は前記選定された発光素子の点灯率と、
　前記制御用温度測定器で測定された温度と、
　前記入力画像データとに基づいて前記画像表示器の複数の発光素子の各々の温度を推定し、
　前記画像表示器の複数の発光素子の各々について、温度変化による輝度及び色の少なくとも一方の変化が補償されるように、前記推定された温度に基づいて、前記入力画像データを補正し、
　前記温度の推定は、入力画像データ、前記発光器又は前記選定された発光素子の点灯率、及び前記発光器又は前記選定された発光素子の温度測定値と、前記画像表示器の少なくとも１つの予め指定された発光素子の温度測定値との関係を学習した結果に基づいて行われる。

　本発明の画像処理装置は、
　各々複数のＬＥＤを含む複数の発光素子が配列された画像表示器に、入力画像データに応じた画像を表示させる画像処理装置であって、
　前記画像表示器の複数の発光素子と同じ特性を持つ発光器又は前記画像表示器の複数の発光素子のうち、予め選定された発光素子の点灯率と、前記発光器の温度又は前記選定された発光素子の温度測定値と、前記入力画像データとに基づいて前記画像表示器の複数の発光素子の各々の温度を推定する温度推定部と、
　前記画像表示器の複数の発光素子の各々について、温度変化による輝度及び色の少なくとも一方の変化が補償されるように、前記推定された温度に基づいて、前記入力画像データを補正する温度補償部とを備え、
　前記温度推定部は、入力画像データ、前記発光器又は前記選定された発光素子の点灯率、及び前記発光器又は前記選定された発光素子の温度測定値と、前記画像表示器の少なくとも１つの予め指定された発光素子の温度測定値との関係を学習した結果とに基づいて、前記温度の推定を行う。

　本発明によれば、入力画像データに基づいて各発光素子の温度を推定することができ、発光素子毎に温度センサーを備えていなくても、温度変化による発光素子の輝度及び色の少なくとも一方の変化を補償することができる。

本発明の実施の形態１の画像表示装置を示す図である。 （ａ）及び（ｂ）は、発光素子の温度による輝度及び色の変化の例を示す図である。 図１の画像処理装置の機能を実現するコンピュータを、画像表示器、発光器、及び制御用温度測定器とともに示す図である。 図１の温度推定部の構成例を示すブロック図である。 図４の推定演算部を構成するニューラルネットワークの一例を示す図である。 図１の温度補償部の構成例を示すブロック図である。 （ａ）及び（ｂ）は、図５の補償テーブル格納部に格納されている補償テーブルで定義される入力と出力との関係の一例を示す図である。 図１の画像処理装置の機能をコンピュータで実現する場合にプロセッサにより行われる処理の手順を示すフローチャートである。 図１の画像表示装置と、学習装置と、学習用温度測定器とを示すブロック図である。 図９の学習装置を用いて行われる学習における処理の手順を示すフローチャートである。 本発明の実施の形態２の画像表示装置を示す図である。 図１１の温度推定部の構成例を示すブロック図である。 図１２の推定演算部を構成するニューラルネットワークの一例を示す図である。 図１１の画像処理装置の機能をコンピュータで実現する場合のプロセッサにより行われる処理の手順を示すフローチャートである。 本発明の実施の形態３の画像表示装置を示す図である。 図１５の温度推定部の構成例を示すブロック図である。 図１５の画像処理装置の機能をコンピュータで実現する場合のプロセッサにより行われる処理の手順を示すフローチャートである。 本発明の実施の形態４の画像表示装置を示す図である。 図１８のばらつき補正部の構成例を示すブロック図である。 図１８の画像処理装置の機能をコンピュータで実現する場合のプロセッサにより行われる処理の手順を示すフローチャートである。 本発明の実施の形態５の画像表示装置を示す図である。 図２１の温度推定部を構成するニューラルネットワークの一例を示す図である。 図２１の画像処理装置の機能をコンピュータで実現する場合のプロセッサにより行われる処理の手順を示すフローチャートである。 図２１の画像表示装置と、学習装置と、学習用温度測定器とを示すブロック図である。 図２４の学習装置を用いて行われる学習における処理の手順を示すフローチャートである。 本発明の実施の形態６の画像表示装置を示す図である。 図２６の温度推定部の構成例を示すブロック図である。 図２６の画像表示装置と、学習装置と、学習用温度測定器とを示すブロック図である。 図２８の学習装置を用いて行われる学習における処理の手順を示すフローチャートである。

実施の形態１．
　図１は、本発明の実施の形態１の画像表示装置を示す。実施の形態１の画像表示装置は、画像表示器２と、表示制御装置３とを有する。表示制御装置３は、画像処理装置４と、発光器５と、制御用温度測定器６とを有する。

　画像表示器２は、赤、緑及び青のＬＥＤ（Ｌｉｇｈｔ　Ｅｍｉｔｔｉｎｇ　Ｄｉｏｄｅｓ）が配列された表示パネルを有するディスプレイで構成されている。例えば、赤、緑及び青のＬＥＤの組合せによって１つの発光素子が構成され、複数のそのような発光素子が画素としてマトリックス状に規則正しく配置されて、表示パネルが構成されている。例えば各発光素子は、１つのパッケージ内に、赤のＬＥＤチップ、緑のＬＥＤチップ及び青のＬＥＤチップが設けられている、３ｉｎ１ＬＥＤ発光素子と呼ばれるものである。

　ＬＥＤで構成される発光素子は、発生する光の輝度及び色の双方又は一方が温度によって変化する。色は例えば色度で表される。図２（ａ）は、温度による輝度Ｖｐの変化の例を示す。図２（ｂ）は、温度による色度の変化の例を示す。色度は、例えばＣＩＥ－ＸＹＺ表色系のＸ刺激値及びＹ刺激値で表されている。図２（ｂ）は、Ｘ刺激値Ｘｐ及びＹ刺激値Ｙｐの変化を示す。
　図２（ａ）及び（ｂ）は、基準温度Ｔｍｒにおける値に対する比、即ち正規化値を示す。

　発光器５は画像表示器２を構成する発光素子と同じ構成の発光素子で構成されており、発光器５は、画像表示器２を構成する発光素子と特性が同じである。ここで「特性が同じである」とは、点灯したときの温度の変化、特に点灯率と温度上昇との関係が、画像表示器２を構成する発光素子と同じであることを意味する。
　発光器５は、画像表示器２の周辺に、例えば画像表示器２の裏面側、即ち表示面とは反対の側、又は側部に設けられている。

　制御用温度測定器６は発光器５の温度を測定して温度測定値Ｔａ０を出力する。制御用温度測定器６は、例えば、発光器５の表面の温度を測定する。

　制御用温度測定器６は、温度センサーを有する。温度センサーは、接触式のものであっても良く、非接触式のものであっても良い。接触式の温度センサーは、例えば、サーミスタ又は熱電対により構成されたものであっても良い。非接触式の温度センサーは、赤外線を受けて表面温度を検知するものであっても良い。

　発光器５が赤のＬＥＤ、緑のＬＥＤ、及び青のＬＥＤが１つのパッケージ内に設けられた発光素子で構成されていれば１つの温度を測定し、赤のＬＥＤ、緑のＬＥＤ、及び青のＬＥＤが別個のパッケージ内に設けられた発光素子で構成されていれば３つの温度を測定する。３つの温度が測定される場合には、３つの測定温度の平均値が発光器５の温度測定値Ｔａ０として出力される。平均値を求める処理は、制御用温度測定器６で、例えば温度センサー内で行われる。

　制御用温度測定器６は発光器５の表面の温度を測定する代わりに発光器５の内部温度を測定してもよい。

　画像処理装置４は、入力画像データに応じた画像を画像表示器２に表示させる。画像処理装置４は、入力画像データに基づいて、画像表示器２の各発光素子の温度を推定し、推定された温度に基づいて、温度変化による発光素子の輝度及び色の変化を補償するための補正を行い、補正された画像データを画像表示器２に供給する。

　画像表示器２、画像処理装置４、発光器５及び制御用温度測定器６は、それぞれ別々の筐体を備えていても良く、これらのうちの２つ以上が、全体的又は部分的に共通の筐体を備えていても良い。
　例えば、制御用温度測定器６は、その全体又は一部、例えば温度センサーが、発光器５と一体に、即ち同じ筐体内に構成されていても良い。

　画像処理装置４は、その一部又は全部を処理回路で構成し得る。
　例えば、画像処理装置の各部分の機能をそれぞれ別個の処理回路で実現してもよいし、複数の部分の機能を纏めて１つの処理回路で実現しても良い。
　処理回路はハードウェアで構成されていても良く、ソフトウェアで、即ちプログラムされたコンピュータで構成されていても良い。
　画像処理装置の各部分の機能のうち、一部をハードウェアで実現し、他の一部をソフトウェアで実現するようにしても良い。

　図３は、画像処理装置４の全ての機能を実現するコンピュータ９を、画像表示器２、発光器５、及び制御用温度測定器６とともに示す。

　図示の例ではコンピュータ９は、プロセッサ９１及びメモリ９２を有する。
　メモリ９２には、画像処理装置４の各部の機能を実現するためのプログラムが記憶されている。

　プロセッサ９１は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、マイクロプロセッサ、マイクロコントローラ又はＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）等を用いたものである。
　メモリ９２は、例えばＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）若しくはＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ　Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）等の半導体メモリ、磁気ディスク、光ディスク、又は光磁気ディスク等を用いたものである。

　プロセッサ９１は、メモリ９２に記憶されているプログラムを実行することにより、画像処理装置の機能を実現する。
　画像処理装置の機能には、画像表示器２における表示の制御が含まれる。

　図３のコンピュータは単一のプロセッサを含むが、２以上のプロセッサを含んでいても良い。

　図１には、画像処理装置４を構成する機能ブロックが示されている。
　画像処理装置４は、画像入力部１１、点灯制御部１２、測定温度格納部１３、温度推定部１４、推定温度格納部１５、温度補償部１６、及び画像出力部１７を備える。

　以下では、画像入力部１１はデジタル画像データＤｉを受信して、入力画像データＤａとして出力するデジタルインターフェースであるものとして説明する。しかしながら、画像入力部１１は、アナログ画像信号からデジタル画像データに変換するＡ／Ｄ変換器で構成されていても良い。
　画像データは画素毎に赤（Ｒ）、緑（Ｇ）、青（Ｂ）の画素値、即ち成分値を持つ。

　点灯制御部１２は入力画像データに基づいて点灯率を決定し、決定した点灯率で、発光器５を発光させる。例えば、入力画像データの１フレーム期間に亘る平均値を算出し、算出した平均値の予め定められた基準値に対する比を点灯率と決定する。より具体的には、各画像（各フレームの画像）中の全ての画素について、Ｒ、Ｇ、Ｂの成分値の平均値を求め、求めた平均値の、予め定められた基準値に対する比を、発光器５を構成する赤、緑、及び青のＬＥＤの点灯率Ｌａ０ｒ、Ｌａ０ｇ、及びＬａ０ｂと決定する。

　即ち、Ｒ成分値の画像全体にわたる平均値の、予め定められた基準値に対する比を、赤のＬＥＤの点灯率Ｌａ０ｒと決定し、Ｇ成分値の画像全体にわたる平均値の、予め定められた基準値に対する比を、緑のＬＥＤの点灯率Ｌａ０ｇと決定し、Ｂ成分値の画像全体にわたる平均値の、予め定められた基準値に対する比を、青のＬＥＤの点灯率Ｌａ０ｂと決定する。

　上記の「予め定められた基準値」は、例えば、Ｒ、Ｇ、Ｂの成分値が取り得る値の範囲内の上限値であっても良く、該上限値と、予め定められた１より小さい係数との積で与えられる値であっても良い。

　上記のように、点灯制御部１２は入力画像データの各画像でのＲ、Ｇ、Ｂ毎の平均値の、予め定められた基準値に対する比を点灯率と決定する代わりに、各画像でのＲ、Ｇ、Ｂ毎の最大値の、予め定められた基準値に対する比を点灯率と決定してもよい。

　点灯制御部１２は、上記のように発光器５の点灯を制御するとともに、算出した点灯率Ｌａ０ｒ、Ｌａ０ｇ、Ｌａ０ｇ又はこれらの平均値を出力する。
　以下では、平均値が発光器５の点灯率Ｌａ０として出力されるものとする。

　測定温度格納部１３は、制御用温度測定器６から出力された発光器５の温度測定値Ｔａ０を格納し、１フレーム期間遅らせて、１フレーム前の温度測定値Ｔａ１として出力する。
　測定温度格納部１３から出力される温度測定値Ｔａ１に対して、制御用温度測定器６から出力される温度測定値Ｔａ０は１フレーム期間の遅れのないものであるので、現フレームの温度測定値と呼ばれる。

　測定温度格納部１３は１フレーム期間遅らせた温度測定値Ｔａ１を出力するとしたが、代わりに、測定温度格納部１３は１フレーム期間からＥフレーム期間（Ｅは２以上の自然数）遅らせることでＥ個の温度測定値Ｔａ１～ＴａＥを生成して出力してもよい。

　温度測定値Ｔａ０～ＴａＥは、互いに異なるフレーム期間、即ち互いに異なる時刻に取得されたものであるので、これらを纏めたものを、複数フレームの温度測定値或いは複数時刻の温度測定値と言う。
　また、現フレームの温度測定値Ｔａ０を現在の温度測定値と言い、１フレーム以上前の温度測定値Ｔａ１～ＴａＥを過去の温度測定値と言うこともある。

　温度推定部１４は、画像表示器２の複数の発光素子を順に選択し、選択した発光素子の温度を推定し、温度推定値Ｔｅ０を出力する。各発光素子の位置は座標（ｘ，ｙ）で表される。位置（ｘ，ｙ）にある発光素子の温度推定値はＴｅ０（ｘ，ｙ）で表される。
　ここでｘは画面内における水平方向位置を表し、ｙは画面内における垂直方向位置を表す。ｘは画面の左端の発光素子において１であり、画面の右端の発光素子においてｘ_ｍａｘである。ｙは画面の上端の発光素子において１であり、画面の下端の発光素子においてｙ_ｍａｘである。従って、画面の左上隅の発光素子の位置は（１，１）で表され、画面の右下隅の発光素子の位置は（ｘ_ｍａｘ，ｙ_ｍａｘ）で表される。ｘ及びｙは、画素ピッチ（発光素子のピッチ）毎に１ずつ変化する。

　推定温度格納部１５は温度推定部１４から出力された温度推定値Ｔｅ０（ｘ，ｙ）を格納し、１フレーム期間遅らせて、１フレーム前の温度推定値Ｔｅ１（ｘ，ｙ）として出力する。
　推定温度格納部１５から出力される温度推定値Ｔｅ１（ｘ，ｙ）に対して、温度推定部１４から出力される温度推定値Ｔｅ０（ｘ，ｙ）は１フレーム期間の遅れのないものであるので、現フレームの温度推定値と呼ばれる。

　推定温度格納部１５は１フレーム期間遅らせた温度推定値Ｔｅ１（ｘ，ｙ）を出力するとしたが、代わりに、１フレーム期間からＦフレーム期間（Ｆは２以上の自然数）遅らせることでＦ個の温度推定値Ｔｅ１（ｘ，ｙ）～ＴｅＦ（ｘ，ｙ）を生成して出力してもよい。

　温度推定値Ｔｅ０（ｘ，ｙ）～ＴｅＦ（ｘ，ｙ）は、互いに異なるフレーム期間、即ち互いに異なる時刻における推定で得られたものであるので、これらを纏めたものを複数フレームの温度推定値、或いは複数時刻の温度推定値と言う。
　また、現フレームの温度推定値Ｔｅ０を現在の温度推定値と言い、１フレーム以上前の温度推定値Ｔｅ１～ＴｅＦを過去の温度推定値と言うこともある。

　温度推定部１４は、画像表示器２を構成する複数の発光素子の各々の温度を推定する。
　推定には、画像入力部１１から出力された現フレームの入力画像データＤａと、点灯制御部１２で決定された点灯率Ｌａ０と、制御用温度測定器６から出力された現フレームの温度測定値Ｔａ０と、測定温度格納部１３から出力された１フレーム前の温度測定値Ｔａ１と、推定温度格納部１５から出力された１フレーム前の温度推定値Ｔｅ１とを用いる。
　温度推定部１４は、画像表示器２を構成する複数の発光素子を順に選択し、選択されている発光素子についての温度を推定する。

　選択されている発光素子の温度の推定に当たっては、入力画像データＤａのうち、当該発光素子の周辺領域内の発光素子についての画像データが用いられ、１フレーム前の温度推定値Ｔｅ１のうち、当該発光素子の周辺領域内の発光素子についての温度推定値が用いられる。
　例えば、選択されている発光素子の座標が（ｘ，ｙ）で表される場合、座標が（ｘ＋α，ｙ＋β）で表される範囲（但し、αは－α_ｍａｘから＋α_ｍａｘまでのいずれか、βは－β_ｍａｘから＋β_ｍａｘまでのいずれか）が、選択されている発光素子の周辺領域とされる。ここで、α_ｍａｘ及びβ_ｍａｘの各々は、予め定められる値であり、例えば２～１０程度である。
　以下では、上記の周辺領域内の座標を便宜上（ｘ±α，ｙ±β）で表す。

　α_ｍａｘとβ_ｍａｘとは互いに同じ値のものであっても良く、異なる値のものであっても良い。
　なお、入力画像データＤａについての周辺領域と、１フレーム前の温度推定値Ｔｅ１についての周辺領域とでその範囲が異なっていても良い。即ち、入力画像データＤａについての周辺領域と、１フレーム前の温度推定値Ｔｅ１についての周辺領域とで、α_ｍａｘが互いに異なっていても良く、β_ｍａｘが互いに異なっていても良い。

　温度推定部１４は、例えば、図４に示されるように、素子選択部２１と、画像データ抽出部２２と、温度データ抽出部２３と、推定演算部２４とを含む。

　素子選択部２１は、画像表示器２を構成する発光素子を順に選択する。例えば、画面の左上隅から右下隅へと言う順に選択を行う。ここでは、選択されている発光素子の位置を（ｘ，ｙ）で表す。

　画像データ抽出部２２は、画像入力部１１から出力された画像データＤａのうち、選択された発光素子の周辺領域の画像データＤａ（ｘ±α，ｙ±β）を抽出する。
　例えば、画像表示器２を構成する全ての発光素子についての画像データ（画素値）が画像入力部１１から順に供給される場合、選択されている発光素子の周辺領域内の発光素子についての画像データを蓄積して出力する。
　画像表示器２を構成する全ての発光素子についての画像データ（画素値）が画像入力部１１から出力された後、一旦図示しないフレームバッファに保存されるのであれば、該フレームバッファから、選択されている発光素子の周辺領域内の発光素子についての画像データを読み出す。

　温度データ抽出部２３は、推定温度格納部１５に格納されている１フレーム前の温度推定値Ｔｅ１のうち、選択された発光素子の周辺領域内の発光素子についての温度推定値Ｔｅ１（ｘ±α，ｙ±β）を抽出する。例えば、推定温度格納部１５に格納されている、全ての発光素子についての温度推定値のうち、選択されている発光素子の周辺領域内の発光素子についての温度推定値を選択して出力する。

　推定演算部２４は、画像データ抽出部２２で抽出された画像データＤａ（ｘ±α，ｙ±β）と、温度データ抽出部２３で抽出された温度推定値Ｔｅ１（ｘ±α，ｙ±β）と、点灯制御部１２で決定された点灯率Ｌａ０と、制御用温度測定器６から出力された現フレームの温度測定値Ｔａ０と、測定温度格納部１３から出力された１フレーム前の温度測定値Ｔａ１とに基づいて、選択されている発光素子の温度推定値Ｔｅ０（ｘ，ｙ）を求める。

　推定演算部２４は、多層ニューラルネットワークで構成されている。図５には、そのような多層ニューラルネットワーク２５の一例が示されている。

　図５に示されるニューラルネットワーク２５は、入力層２５１と、中間層（隠れ層）２５２と、出力層２５３とを有する。図示の例では、中間層の数が２であるが、中間層の数は１であっても良く３以上であっても良い。

　入力層２５１のニューロンＰの各々には、点灯率Ｌａ０、複数時刻の温度測定値Ｔａ０，Ｔａ１、過去の温度推定値Ｔｅ１（ｘ±α，ｙ±β）、即ち複数の発光素子についてのそれぞれの温度推定値、及び入力画像データＤａ（ｘ±α，ｙ±β）、即ち複数の発光素子についてのそれぞれの画像データ（画素値）のいずれかが割り当てられ、各ニューロンには、割り当てられた値（点灯率、温度測定値、温度推定値及び入力画像データ）が入力される。入力層２５１のニューロンは入力をそのまま出力する。

　出力層２５３のニューロンＰは複数のビット、例えば１０ビットから成り、選択されている発光素子の温度推定値Ｔｅ０（ｘ，ｙ）を示すデータを出力する。

　中間層２５２及び出力層２５３のニューロンＰは、各々複数の入力に対して下記のモデル式で表される演算を行う。

　式（１）で、
　Ｎは、ニューロンＰへの入力の数であり、ニューロン相互間で同じとは限らない。
　ｘ_１～ｘ_ＮはニューロンＰの入力データ、
　ｗ_１～ｗ_Ｎは入力ｘ_１～ｘ_Ｎに対する重み、
　ｂはバイアスである。
　重み及びバイアスは、学習により定められている。
　以下では、重み及びバイアスを纏めてパラメータと言う。

　関数ｓ（ａ）は、活性化関数である。
　活性化関数は、例えば、ａが０以下であれば０を出力し、それ以外であれば１を出力するステップ関数であっても良い。
　活性化関数ｓ（ａ）は、ａが０以下であれば０を出力し、それ以外なら入力値ａを出力するＲｅＬＵ関数であっても良く、入力値ａをそのまま出力値とする恒等関数でもよく、ジグモイド関数であっても良い。

　上記のように、入力層２５１のニューロンは入力をそのまま出力するものであるので、入力層２５１のニューロンで用いられる活性化関数は恒等関数であると言える。

　例えば、中間層２５２では、ステップ関数又はジグモイド関数を用い、出力層ではＲｅＬＵ関数を用いても良い。また、同じ層内のニューロン相互間で異なる活性化関数が用いられていても良い。
　ニューロンＰの数、層の数（段階数）は、図５に示される例に限定されない。

　温度補償部１６は、温度推定部１４で推定された温度Ｔｅ０（ｘ，ｙ）に応じて、画像入力部１１から供給される画像データを補正する。
　この補正は、画素毎に行われる。
　この補正は、発光素子の温度の変化による輝度及び色度の変化を打ち消すための補正であり、輝度及び色度の変化に対する補償のために行われる。

　温度補償部１６は、例えば図６に示されるように、補償テーブル格納部３１と、係数読出し部３２と、係数乗算部３３とを有する。

　補償テーブル格納部３１は、温度による輝度及び色度の変化を補償するための補償テーブルを格納している。

　図７（ａ）及び（ｂ）は、補償テーブル格納部３１に格納されている補償テーブルで定義される入力と出力との関係の一例を示す。ここで言う入力と出力との関係は、入力に対する出力の比、即ち係数で表される。この係数を補償係数と言う。

　例えば、温度による輝度の変化が、図２（ａ）に示す如くである場合、輝度についての補償テーブルとしては、図７（ａ）に例示される入力－出力関係を有するもの、即ち、温度の上昇に対する変化が、図２（ａ）とは逆向きであるものが記憶されている。
　例えば輝度Ｖｐの正規化値の逆数に等しい補償係数Ｖｑにより補償テーブルが構成されている。

　同様に、温度による色度を表すＸ刺激値及びＹ刺激値の変化が、図２（ｂ）に示す如くである場合、補償テーブルとしては、図７（ｂ）に例示される入力－出力関係を有するもの、即ち、温度の上昇に対する変化が、図２（ｂ）とは逆向きであるものが記憶されている。
　例えば、Ｘ刺激値Ｘｐの正規化値の逆数に等しい補償係数ＸｑによりＸ刺激値の補償テーブルが構成されている。同様にＹ刺激値Ｙｐの正規化値の逆数に等しい補償係数ＹｑによりＹ刺激値の補償テーブルが構成されている。

　係数読出し部３２は、各発光素子の温度推定値Ｔｅ０(ｘ，ｙ）を用いて、補償テーブル格納部３１に格納されている補償テーブルを参照することで、各発光素子の温度推定値Ｔｅ０（ｘ，ｙ）に対応する補償係数Ｖｑ(ｘ，ｙ）、Ｘｑ(ｘ，ｙ）、Ｙｑ(ｘ，ｙ）を読出し、読み出した補償係数を係数乗算部３３に供給する。

　係数乗算部３３は、読み出された補償係数Ｖｑ(ｘ，ｙ）、Ｘｑ(ｘ，ｙ）、Ｙｑ(ｘ，ｙ）を、入力画像データＤａ（ｘ，ｙ）に乗算することで補正を行い、補正後の画像データＤｂ（ｘ，ｙ）、即ち、入力画像データＤａ（ｘ，ｙ）に対応する補償された画像データＤｂ（ｘ，ｙ）を生成して、出力する。

　例えば、入力画像データＤａがＲ、Ｇ、Ｂの成分値で構成される場合、各画素についてＲ、Ｇ、Ｂの成分値を輝度成分及び色度成分に変換し、輝度成分を輝度補償テーブルを用いて輝度成分を補正し、色度成分を色度補償テーブルを用いて補正し、補正後の輝度成分及び色度成分を、Ｒ、Ｇ、Ｂの成分値に逆変換することで補正後の画像データＤｂを生成する。

　なお、補償テーブル格納部３１が上記のように、輝度及び色度を補正するための補償係数から成る補償テーブルを格納する代わりに、Ｒ、Ｇ、Ｂの成分値をそれぞれ補正するための補償係数から成る補償テーブルを保持していてもよい。

　発光素子相互間では、温度による輝度及び色度の変化の仕方が異なる可能性がある。その場合には、図２（ａ）及び（ｂ）の輝度及び色度を示す曲線として、平均的な変化を表すものが用いられる。例えば、多数の発光素子についての変化を平均した値が用いられ、図７（ａ）及び（ｂ）の補償係数を表す補償テーブルとして、そのような平均的な変化を補償するためのものが作成される。

　上記のように、多数の発光素子についての平均的な変化を補償するための補償テーブルを用いる代わりに、発光素子毎に異なる補償テーブルを用いても良い。また、Ｒ、Ｇ、ＢのＬＥＤ毎に異なる補償テーブルを用いても良い。

　補償テーブルは発光素子の温度推定値Ｔｅ０が取り得る値の各々に対して、補償係数の値を持つものとしているが、これに限定されない。即ち、発光素子の温度推定値Ｔｅ０に対し、離散的に補償係数の値を持ち、補償係数の値を持たない発光素子の温度推定値Ｔｅ０については、補間によって対応する補償係数の値を求めても良い。この補間は、例えば、補償係数の値を持つ温度推定値Ｔｅ０（テーブル点）に対応する補償係数の値を用いて行うことができる。

　画像出力部１７は、温度補償部１６から出力された画像データＤｂを、画像表示器２の表示方式に合致したフォーマットの信号に変換し、変換後の画像信号Ｄｏを出力する。
　画像表示器２の発光素子がＰＷＭ（Ｐｕｌｓｅ　Ｗｉｄｔｈ　Ｍｏｄｕｌａｔｉｏｎ）駆動で発光するのであれば、画像データの階調値をＰＷＭ信号に変換する。

　画像表示器２は画像信号Ｄｏに基づいて画像を表示する。表示される画像は、温度による輝度及び色の変化が画素毎に補償されたものとなる。従って輝度ムラ及び色ムラのない画像が表示される。

　上記した画像処理装置４が図３のコンピュータで構成されている場合の、プロセッサ９１による処理の手順を図８を参照して説明する。

　図８の処理はフレーム期間毎に行われる。
　ステップＳＴ１では、画像の入力が行われる。この処理は図１の画像入力部１１による処理と同様である。
　ステップＳＴ２では、点灯率の算出及び発光器５の点灯の制御が行われる。この処理は、図１の点灯制御部１２による処理と同様である。

　ステップＳＴ３では、発光器５の温度測定値の取り込みが行われる。この処理は、図１の制御用温度測定器６による処理と同様である。
　ステップＳＴ４では、温度測定値の格納が行われる。この処理は、図１の測定温度格納部１３による処理と同様である。

　ステップＳＴ５では、画像表示器２を構成する複数の発光素子の１つが選択され、選択された発光素子の温度の推定が行われる。この処理は、図１の温度推定部１４による処理と同様である。
　ステップＳＴ６では、温度推定値の格納が行われる。この処理は、図１の推定温度格納部１５による処理と同様である。
　ステップＳＴ７では、選択されている発光素子について、温度補償が行われる。この処理は、図１の温度補償部１６による処理と同様である。

　ステップＳＴ８では、画像表示器２を構成する発光素子の全てが選択されたか否かが判定される。
　全てが選択されていなければ、ステップＳＴ５に戻る。全てが選択されたら、ステップＳＴ９に進む。
　ステップＳＴ９では、画像出力が行われる。この処理は、図１の画像出力部１７による処理と同様である。

　ステップＳＴ４で格納された温度測定値及びステップＳＴ６で格納された温度推定値は、次のフレーム期間におけるステップＳＴ５の処理で利用される。

　図５に示されるニューラルネットワーク２５は、機械学習により生成される。
　機械学習のための学習装置は、図１の画像表示装置に接続されて使用される。
　図９は、図１の画像表示装置に接続された学習装置１０１を示す。図９は、学習装置１０１とともに用いられる学習用温度測定器１０２をも示す。

　学習用温度測定器１０２は、１以上の温度センサーを有する。１以上の温度センサーはそれぞれ、画像表示器２を構成する発光素子のうちの１以上の発光素子に対応して設けられたものであり、各温度センサーは対応する発光素子の温度を測定して、測定温度Ｔｆ（１）、Ｔｆ（２）、…を取得する。

　温度センサーの各々は、制御用温度測定器６を構成する温度センサーと同様の構成のものであっても良い。

　学習用温度測定器１０２は、その全体又は一部、例えば温度センサーが、画像表示器２と一体に、即ち同じ筐体内に構成されていても良い。

　温度測定の対象となる１以上の発光素子は、予め指定される。１つの発光素子を指定する場合、例えば画面の中央に位置する発光素子を指定しても良く、画面の中央と周辺部との中間に位置する発光素子を指定しても良い。２以上の発光素子を指定する場合、例えば画面の互いに離隔した位置にある２以上の発光素子を指定しても良い。例えば、画面の中央に位置する発光素子と、画面の周辺部に位置する１以上の発光素子を指定しても良い。
　指定されている発光素子を指定発光素子と言う。

　２以上の指定発光素子の温度を測定する場合、測定温度Ｔｆ（１）、Ｔｆ（２）、…の平均値を温度測定値Ｔｆとして出力しても良い。

　以下では、指定発光素子の数が１であるものとし、指定発光素子の位置を（ｘ_ｄ，ｙ_ｄ）で表し、指定発光素子の温度測定値をＴｆ（ｘ_ｄ，ｙ_ｄ）で表す。

　学習装置１０１は、コンピュータで構成されていても良い。画像処理装置４がコンピュータで構成される場合、同じコンピュータで学習装置１０１が構成されていても良い。学習装置１０１を構成するコンピュータは、例えば図３に示されるものであっても良い。その場合、学習装置１０１の機能はプロセッサ９１がメモリ９２に記憶されているプログラムを実行することで実現されるものであっても良い。

　学習装置１０１は、画像処理装置４の一部を動作させ、温度推定部１４に、上記指定発光素子の温度を推定させ、温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）が、学習用温度測定器１０２での測定で得られた指定発光素子の温度測定値Ｔｆ（ｘ_ｄ，ｙ_ｄ）に近くなるように学習を行う。

　学習には、学習入力データの組ＬＤＳが複数個用いられる。
　学習入力データの組ＬＤＳの各々は、学習のために用意された、入力画像データＤａと、点灯率Ｌａ０と、現フレームの温度測定値Ｔａ０と、１フレーム前の温度測定値Ｔａ１と、１フレーム前の温度推定値Ｔｅ１とを含む。
　入力画像データＤａとしては、指定発光素子の周辺領域（ｘ_ｄ±α，ｙ_ｄ±β）内の発光素子についての画像データＤａ（ｘ_ｄ±α，ｙ_ｄ±β）が用いられる。
　また、１フレーム前の温度推定値Ｔｅ１としては、指定発光素子の周辺領域（ｘ_ｄ±α，ｙ_ｄ±β）内の発光素子についての温度推定値Ｔｅ１（ｘ_ｄ±α，ｙ_ｄ±β）が用いられる。

　複数個の学習入力データの組ＬＤＳ相互間では、入力画像データＤａ（ｘ_ｄ±α，ｙ_ｄ±β）、点灯率Ｌａ０、現フレームの温度測定値Ｔａ０、１フレーム前の温度測定値Ｔａ１、及び１フレーム前の温度推定値Ｔｅ１（ｘ_ｄ±α，ｙ_ｄ±β）の少なくとも一つが異なる。

　学習装置１０１は、予め用意された複数個の学習入力データの組ＬＤＳを順に選択し、選択されている学習入力データの組ＬＤＳを画像処理装置４に入力し、温度推定部１４で算出された温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）と学習用温度測定器１０２での測定で得られた温度測定値Ｔｆ（ｘ_ｄ，ｙ_ｄ）とを取得し、温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）が温度測定値Ｔｆ（ｘ_ｄ，ｙ_ｄ）に近くなるように学習を行う。

　「選択されている学習入力データの組ＬＤＳを画像処理装置４に入力する」とは、選択されている学習入力データの組ＬＤＳに含まれる画像データＤａ（ｘ_ｄ±α，ｙ_ｄ±β）を、点灯制御部１２、温度推定部１４及び温度補償部１６に入力し、選択されている学習入力データの組ＬＤＳに含まれる点灯率Ｌａ０、現フレームの温度測定値Ｔａ０、１フレーム前の温度測定値Ｔａ１、及び１フレーム前の温度推定値Ｔｅ１（ｘ_ｄ±α，ｙ_ｄ±β）を、温度推定部１４に入力することを意味する。
　図９では、学習入力データの組ＬＤＳのうち、画像データＤａ（ｘ_ｄ±α，ｙ_ｄ±β）以外のデータが符号ＬＤＳ_ｒで表されている。以下の他の図でも同様である。

　学習装置１０１によるニューラルネットワークの生成においては、まず元となるニューラルネットワークを用意する。即ち、温度推定部１４内の推定演算部２４を、元となるニューラルネットワークで仮に構築する。このニューラルネットワークは、図５に示されるニューラルネットワークと同様のものであるが、中間層及び出力層のニューロンの各々は、その前段の層の全てのニューロンに結合されている。

　ニューラルネットワークの生成においては、複数のニューロンの各々についてパラメータ（重み及びバイアス）の値を定める必要がある。複数のニューロンについてのパラメータの集合をパラメータの組と言い、符号ＰＳで表す。

　ニューラルネットワークの生成においては、上記の元となるニューラルネットワークを用いて、温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）の、温度測定値Ｔｆ（ｘ_ｄ，ｙ_ｄ）に対する差が予め定められた閾値以下となるように、パラメータの組ＰＳの最適化を行う。最適化は例えば誤差逆伝搬法により行い得る。

　具体的には、学習装置１０１は、学習入力データの組ＬＤＳを複数個用意し、パラメータの組ＰＳの初期値を設定し、上記の複数個の学習入力データの組ＬＤＳを順に選択する。
　学習装置１０１は、選択されている学習入力データの組ＬＤＳを画像処理装置４に入力し、指定発光素子の温度測定値Ｔｆ（ｘ_ｄ，ｙ_ｄ）と温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）との差（Ｔｅ０（ｘ_ｄ，ｙ_ｄ）－Ｔｆ（ｘ_ｄ，ｙ_ｄ））を誤差ＥＲとして求める。

　学習装置１０１は、上記の複数個の学習データの組ＬＤＳについての上記の誤差ＥＲの総和ＥＳをコスト関数として求め、上記のコスト関数が閾値よりも大きければ、上記のコスト関数がより小さくなるように、パラメータの組ＰＳを変更する。
　学習装置１０１は、以上の処理を、コスト関数が閾値以下となるまで繰り返す。パラメータの組ＰＳの変更は、勾配降下法で行い得る。
　誤差ＥＲの総和ＥＳとしては誤差ＥＲの絶対値の和又は誤差ＥＲの２乗の和を用いることができる。

　学習の際は、発光器５を発光させる必要がなく、従って、点灯制御部１２、制御用温度測定器６、及び測定温度格納部１３は動作する必要がない。また、推定温度格納部１５も動作する必要がない。図９では、これらのことを示すため、これらへの入力、これらからの出力を伝える信号線が点線で示されている。また、図１における、制御用温度測定器６による発光器５の温度の測定を示す点線は削除されている。

　温度補償部１６に入力された画像データＤａ（ｘ_ｄ±α，ｙ_ｄ±β）は、画像出力部１７を介して画像表示器２に供給され、画像表示器２の発光素子の駆動に用いられる。
　指定発光素子の周辺領域外の発光素子は駆動しても良く、駆動しなくても良い。駆動する場合には、任意の信号で駆動しても良い。

　温度推定部１４での推定で得られた温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）は、学習装置１０１に入力され、学習装置１０１では、温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）が温度測定値Ｔｆ（ｘ_ｄ，ｙ_ｄ）に近くなるように学習が行われる。

　パラメータの組ＰＳの最適化の後、学習装置１０１は、重みがゼロとなったシナプス結合（ニューロン間の結合）を切断する。

　学習が終了したら、学習用温度測定器１０２の温度センサーは、取り外され、画像表示装置は、該温度センサーが取り外された状態で使用される。
　即ち、画像表示のために利用される際は、画像表示装置は、発光素子の温度を検知する温度センサーを必要としない。発光素子の温度を検知する温度センサーがなくても、温度推定部１４で発光素子の温度を推定し得るためである。

　学習装置１０１は、学習の終了後には取り外されても良く、装着されたままであっても良い。
　特に、学習装置１０１の機能がプロセッサ９１によるプログラムの実行によって実現される場合には、該プログラムは、メモリ９２に記憶されたままであっても良い。

　上記した学習装置１０１が図３のコンピュータで構成されている場合の、プロセッサ９１による処理の手順を図１０を参照して説明する。

　図１０のステップＳＴ１０１では、学習装置１０１は、元となるニューラルネットワークを用意する。即ち、温度推定部１４内の推定演算部２４を、元となるニューラルネットワークで仮に構築する。
　このニューラルネットワークは、図５に示されるニューラルネットワークと同様のものであるが、中間層及び出力層のニューロンの各々は、その前段の層の全てのニューロンに結合されている。

　ステップＳＴ１０２では、学習装置１０１は、ステップＳＴ１０１で用意されたニューラルネットワークの中間層及び出力層のニューロンの各々における演算で用いられるパラメータ（重み及びバイアス）の組ＰＳの初期値を設定する。
　初期値はランダムに選択された値であっても良く、適切と予想される値であっても良い。

　ステップＳＴ１０３では、学習装置１０１は、予め用意された複数個の学習入力データの組ＬＤＳから、一つの組を選択し、選択した学習入力データの組を画像処理装置４に入力する。

　「選択した学習入力データの組を画像処理装置４に入力する」とは、選択した学習入力データの組ＬＤＳに含まれる画像データＤａ（ｘ±α，ｙ±β）を、点灯制御部１２、温度推定部１４、及び温度補償部１６に入力し、選択した学習入力データの組ＬＤＳに含まれる点灯率Ｌａ０、現フレームの温度測定値Ｔａ０、１フレーム前の温度測定値Ｔａ１、及び１フレーム前の温度推定値Ｔｅ１（ｘ±α，ｙ±β）を、温度推定部１４に入力することを意味する。

　温度補償部１６に入力された画像データＤａ（ｘ_ｄ±α，ｙ_ｄ±β）は、画像出力部１７を介して画像表示器２に供給され、画像表示器２の発光素子の駆動に用いられる。

　ステップＳＴ１０４では、学習装置１０１は、指定発光素子の温度測定値Ｔｆ（ｘ_ｄ，ｙ_ｄ）を取得する。
　ここで取得される温度測定値Ｔｆ（ｘ_ｄ，ｙ_ｄ）は、画像表示器２が選択されている学習入力データの組ＬＤＳに含まれる画像データＤａ（ｘ_ｄ±α，ｙ_ｄ±β）に応じて画像を表示したときの温度測定値である。

　ステップＳＴ１０５では、学習装置１０１は、指定発光素子の温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）を取得する。
　ここで取得される温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）は、温度推定部１４が、選択されている学習入力データの組ＬＤＳに含まれる画像データＤａ（ｘ_ｄ±α，ｙ_ｄ±β）、点灯率Ｌａ０、現フレームの温度測定値Ｔａ０、１フレーム前の温度測定値Ｔａ１、及び１フレーム前の温度推定値Ｔｅ１（ｘ_ｄ±α，ｙ_ｄ±β）に基づいて、かつ設定されているパラメータの組ＰＳを用いて算出した温度推定値である。
　設定されているパラメータの組ＰＳは温度推定部１４内の推定演算部２４を構成するニューラルネットワークに仮に設定されているパラメータの組である。

　ステップＳＴ１０６では、学習装置１０１は、ステップＳＴ１０４で取得した温度測定値Ｔｆ（ｘ_ｄ，ｙ_ｄ）とステップＳＴ１０５で取得した温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）との差を誤差ＥＲとして求める。

　ステップＳＴ１０７では、学習装置１０１は、上記の複数個の学習入力データの組の全てについて、ステップＳＴ１０３～ＳＴ１０６の処理が終わったか否かを判定する。
　複数個の学習入力データの組の全てについて上記の処理が終わっていなければ、ステップＳＴ１０３に戻る。

　その結果、ステップＳＴ１０３では、次の学習入力データの組ＬＤＳが選択され、ステップＳＴ１０４～ＳＴ１０６では、選択された学習入力データの組ＬＤＳについて、上記と同様の処理が繰り返され、誤差ＥＲが求められる。

　ステップＳＴ１０７で複数個の学習入力データの組の全てについて上記の処理が終わっていれば、ステップＳＴ１０８に進む。
　ステップＳＴ１０８では、学習装置１０１は、上記の誤差ＥＲの総和（複数個の学習入力データの組ＬＤＳについての総和）ＥＳをコスト関数として求める。
　誤差ＥＲの総和ＥＳとしては誤差ＥＲの絶対値の和又は誤差ＥＲの２乗の和を用いることができる。

　次にステップＳＴ１０９では、学習装置１０１は、コスト関数が予め定められた閾値以下であるか否かの判定を行なう。
　ステップＳＴ１０９でコスト関数が閾値よりも大きければ、ステップＳＴ１１０に進む。

　ステップＳＴ１１０では、学習装置１０１は、パラメータの組ＰＳを変更する。変更は、コスト関数がより小さくなるように行う。変更に当たっては勾配降下法を用い得る。
　変更後、ステップＳＴ１０３に戻る。

　ステップＳＴ１０９で、コスト関数が閾値以下であれば、ステップＳＴ１１１に進む。
　ステップＳＴ１１１では、学習装置１０１は、設定されているパラメータの組ＰＳ、即ち直前のステップＳＴ１０５における温度推定値の算出で用いられたパラメータの組ＰＳを、最適なパラメータの組として採用する。

　ステップＳＴ１１２では、採用されたパラメータの組ＰＳに含まれる重みがゼロとなったシナプス結合を切断する。
　以上で、ニューラルネットワークの生成の処理が終わる。
　即ち、温度推定部１４の推定演算部２４は、以上の処理で生成されたニューラルネットワークによって構成されたものとなる。

　上記のステップＳＴ１１２における結合の切断を行うことで、ニューラルネットワークの構成がより簡単なものとなり、画像表示の際の温度推定の演算がより簡単となる。

　以上のように、実施の形態１によれば、入力画像データに基づいて各発光素子の温度を推定することができるので、画像表示装置が各発光素子の温度を測定する温度センサーを備えたものでなくても、温度変化による発光素子の輝度及び色の変化を補償することができる。

　なお、上記の例では、学習が終了したら学習用温度測定器１０２の温度センサーが取り外されるが、学習の終了後学習用温度測定器１０２の温度センサーが装着されたままであっても良い。その場合でも、画像表示装置は、指定発光素子以外の発光素子の温度を測定する温度センサーを備えたものでなくても良く、さらに画像表示の際は、指定発光素子の温度の測定を行わなくても、温度変化による発光素子の輝度及び色の変化を補償することができると言う効果が得られる。

実施の形態２．
　図１１は、本発明の実施の形態２の画像表示装置の構成を示す。図１１に示される画像表示装置は表示制御装置３ｂを備える。表示制御装置３ｂは、図１の表示制御装置３と概して同じである。但し、画像処理装置４の代わりに画像処理装置４ｂが設けられている。画像処理装置４ｂは、図１の画像処理装置４と概して同じである。但し、図１の測定温度格納部１３及び推定温度格納部１５が設けられておらず、図１の温度推定部１４の代わりに、温度推定部１４ｂが設けられている。

　上記のように、実施の形態１の温度推定部１４は、入力画像データＤａ、点灯率Ｌａ０、発光器５の複数時刻の温度測定値Ｔａ０、Ｔａ１、及び過去の温度推定値Ｔｅ１に基づいて画像表示器２の各発光素子の温度を推定する。これに対して、実施の形態２の温度推定部１４ｂは、過去の温度測定値Ｔａ１及び過去の温度推定値Ｔｅ１を用いず、入力画像データＤａ、点灯率Ｌａ０、及び発光器５の現在の温度測定値Ｔａ０を用いて画像表示器２の各発光素子の温度を推定する。

　温度推定部１４ｂは、例えば図１２に示されるように構成されている。図１２に示される温度推定部１４ｂは、図４に示される温度推定部１４と概して同じである。但し、図４の温度データ抽出部２３が設けられておらず、推定演算部２４の代わりに、推定演算部２４ｂが設けられている。

　推定演算部２４ｂは、画像データ抽出部２２で抽出された画像データＤａ（ｘ±α，ｙ±β）と、点灯制御部１２で決定された点灯率Ｌａ０と、制御用温度測定器６から出力された現フレームの温度測定値Ｔａ０とに基づいて、選択されている発光素子の温度推定値Ｔｅ０（ｘ，ｙ）を求める。

　推定演算部２４ｂは、多層ニューラルネットワークで構成されている。図１３には、そのような多層ニューラルネットワーク２５ｂの一例が示されている。

　図１３のニューラルネットワーク２５ｂは、図５のニューラルネットワーク２５と概して同じであり、入力層２５１ｂと、中間層（隠れ層）２５２ｂと、出力層２５３ｂとを有する。図示の例では、中間層の数が２であるが、中間層の数は１であっても良く３以上であっても良い。

　入力層２５１ｂは、図５のニューラルネットワーク２５の入力層２５１と概して同じである。但し、図１３のニューラルネットワーク２５ｂの入力層２５１ｂには、温度推定値Ｔｅ１（ｘ±α，ｙ±β）、及び温度測定値Ｔａ１が入力されず、入力画像データＤａ（ｘ±α，ｙ±β）、点灯率Ｌａ０、及び温度測定値Ｔａ０が入力される。

　出力層２５３ｂのニューロンは、図５の出力層２５３のニューロンと同様に、複数のビット、例えば１０ビットから成り、発光素子の温度推定値Ｔｅ０（ｘ，ｙ）を示すデータを出力する。

　中間層２５２ｂのニューロンのうちの少なくとも一部のニューロンとしては、帰還用のシナプス結合を有するニューロンが用いられている。
　帰還用のシナプス結合を有するニューロンＰは、各々複数の入力に対して下記のモデル式で表される演算を行う。

　式（２）でｗ_０は同じニューロンの１時間ステップ前の出力ｙ_{（ｔ－１）}に対する重みである。
　ｗ_０×ｙ_{（ｔ－１）}の項が加えられていることを除けば、式（２）は式（１）と同じである。

　上記した画像処理装置４ｂが図３のコンピュータで構成されている場合の、プロセッサ９１による処理の手順を図１４を参照して説明する。

　図１４の処理の手順は、図８の処理の手順と概して同じである。但し、図８のステップＳＴ４及びＳＴ６が含まれていない。また図８のステップＳＴ５がステップＳＴ５ｂで置き換えられている。
　ステップＳＴ５ｂでは、各発光素子の温度の推定が行われる。この処理は、図１１の温度推定部１４ｂによる処理と同様である。

　温度推定部１４ｂを構成するニューラルネットワーク、即ち、図１３に示されるネットワークも、機械学習により生成される。機械学習の方法は、実施の形態１で説明したのと同様である。但し、中間層２５２ｂのニューロンは、最初は全てその出力と入力とがシナプス結合されており、学習の結果重みがゼロとなった場合には、シナプス結合が断ち切られる。

　実施の形態２でも実施の形態１と同様の効果が得られる。それに加え、実施の形態１で用いられる測定温度格納部１３及び推定温度格納部１５が不要であるので、構成が簡単であるという利点がある。

実施の形態３．
　図１５は、本発明の実施の形態３の画像表示装置の構成を示す。図１５に示される画像表示装置は表示制御装置３ｃを備える。表示制御装置３ｃは、図１の表示制御装置３と概して同じである。但し、発光器５が設けられておらず、画像処理装置４及び制御用温度測定器６の代わりに画像処理装置４ｃ及び制御用温度測定器６ｃが設けられている。

　画像処理装置４ｃは、図１の画像処理装置４と概して同じである。但し、温度推定部１４及び温度補償部１６の代わりに温度推定部１４ｃ及び温度補償部１６ｃを備え、さらに点灯率格納部１８が付加されている。

　制御用温度測定器６ｃは、１つの温度センサーを有する。該１つの温度センサーは、画像表示器２を構成する発光素子のうちの予め選定された１つの発光素子（選定発光素子）の温度を測定して、温度測定値Ｔｂ０を出力する。

　制御用温度測定器６ｃを構成する温度センサーは、制御用温度測定器６を構成する温度センサーと同様の構成のものであっても良い。即ち、温度センサーは、接触式のものであっても良く、非接触式のものであっても良い。接触式の温度センサーは、例えば、サーミスタ又は熱電対により構成されたものであっても良い。非接触式の温度センサーは、赤外線を受けて表面温度を検知するものであっても良い。

　選定発光素子が赤のＬＥＤ、緑のＬＥＤ、及び青のＬＥＤの３つが１つのパッケージ内に設けられた発光素子であれば１つの温度を測定し、赤のＬＥＤ、緑のＬＥＤ、及び青のＬＥＤが別個のパッケージ内に設けられた発光素子で構成されていれば３つの温度を測定する。３つの温度が測定される場合には、その平均値が選定発光素子の温度測定値Ｔｂ０として出力される。平均値を求める処理は、制御用温度測定器６ｃで、例えば温度センサー内で行われる。

　制御用温度測定器６ｃは発光素子の表面の温度を測定する代わりに発光素子の内部温度を測定してもよい。

　制御用温度測定器６ｃは、その全体又は一部、例えば温度センサーが、画像表示器２と一体に、即ち同じ筐体内に構成されていても良い。

　測定温度格納部１３は制御用温度測定器６ｃから出力された、画像表示器２の選定発光素子の温度測定値Ｔｂ０を格納し、１フレーム期間遅らせて、１フレーム前の温度測定値Ｔｂ１として出力する。

　測定温度格納部１３は１フレーム期間遅らせた温度測定値Ｔｂ１を出力するとしたが、代わりに、測定温度格納部１３は１フレーム期間からＧフレーム期間（Ｇは２以上の自然数）遅らせることでＧ個の温度測定値Ｔｂ１～ＴｂＧを生成して出力してもよい。

　温度測定値Ｔｂ０～ＴｂＧは、互いに異なるフレーム期間、即ち互いに異なる時刻に取得されたものであるので、これらを纏めたものを、複数フレームの温度測定値或いは複数時刻の温度測定値と言う。
　また、現フレームの温度測定値Ｔｂ０を現在の温度測定値と言い、１フレーム以上前の温度測定値Ｔｂ１～ＴｂＧを過去の温度測定値と言うこともある。

　温度推定部１４ｃは、画像表示器２の複数の発光素子を順に選択し、選択した発光素子の温度を推定し、温度推定値Ｔｅ０（ｘ，ｙ）を出力する。

　推定温度格納部１５は温度推定部１４ｃから出力された温度推定値Ｔｅ０（ｘ，ｙ）を格納し、１フレーム期間遅らせて、１フレーム前の温度推定値Ｔｅ１（ｘ，ｙ）として出力する。

　温度補償部１６ｃは、実施の形態１の温度補償部１６と同様に、温度推定部１４ｃで推定された温度Ｔｅ０（ｘ，ｙ）に応じて、入力画像データＤａを補正し、補正された画像データＤｂを生成して、出力する。
　温度補償部１６ｃはさらに補正された画像データＤｂのうちの、選定発光素子の点灯率Ｌｂ０を算出して、出力する。
　例えば、選定発光素子について、Ｒ、Ｇ、Ｂの成分値の、予め定められた基準値に対する比を点灯率Ｌｂ０ｒ、Ｌｂ０ｇ、Ｌｂ０ｂとして出力する。

　上記のように、Ｒ、Ｇ、Ｂの各々についての点灯率Ｌｂ０ｒ、Ｌｂ０ｇ、Ｌｂ０ｂを出力する代わりに、Ｒ、Ｇ、Ｂの点灯率Ｌｂ０ｒ、Ｌｂ０ｇ、Ｌｂ０ｂの平均値を求め、求めた平均値を出力することとしても良い。
　以下では、平均値が選定発光素子の点灯率Ｌｂ０として出力されるものとする。

　点灯率格納部１８は、温度補償部１６ｃで算出された点灯率Ｌｂ０を１フレーム期間遅らせて１フレーム前の点灯率Ｌｂ１として出力する。

　温度推定部１４ｃは、画像入力部１１から出力された入力画像データＤａと、点灯率格納部１８から出力された点灯率Ｌｂ１と、選定発光素子の複数時刻の温度測定値Ｔｂ０、Ｔｂ１と、過去の温度推定値Ｔｅ１とに基づいて、画像表示器２の各発光素子の温度を推定する。

　温度推定部１４ｃは、例えば図１６に示されるように構成されている。
　図１６に示される温度推定部１４ｃは、図４に示される温度推定部１４と概して同じである。推定演算部２４の代わりに、推定演算部２４ｃが設けられている。

　推定演算部２４ｃは、画像データ抽出部２２で抽出された画像データＤａ（ｘ±α，ｙ±β）と、温度データ抽出部２３で抽出された、１フレーム前の温度推定値Ｔｅ１（ｘ±α，ｙ±β）と、点灯率格納部１８から出力された点灯率Ｌｂ１と、制御用温度測定器６ｃから出力された、選定発光素子の現フレームの温度測定値Ｔｂ０と、測定温度格納部１３から出力された、選定発光素子の１フレーム前の温度測定値Ｔｂ１とに基づいて、選択されている発光素子の温度推定値Ｔｅ０（ｘ，ｙ）を求める。

　推定演算部２４ｃは、多層ニューラルネットワークで構成されている。該ニューラルネットワークの図５に示されるのと同様のものである。但し、図５では、１フレーム前の発光器５の温度測定値Ｔａ１及び現フレームの発光器５の温度測定値Ｔａ０が用いられるのに対し、温度推定部１４ｃの推定演算部２４ｃを構成するニューラルネットワークでは、１フレーム前の選定発光素子の温度測定値Ｔｂ１及び現フレームの選定発光素子の温度測定値Ｔｂ０が用いられる。
　また、図５では、点灯制御部１２で決定された点灯率Ｌａ０が用いられるのに対し、温度推定部１４ｃを構成するニューラルネットワークでは、点灯率格納部１８から出力された点灯率Ｌｂ１が用いられる。

　上記した画像処理装置４ｃが図３のコンピュータで構成されている場合の、プロセッサ９１による処理の手順を図１７を参照して説明する。

　図１７の処理の手順は、図８の処理の手順と概して同じである。但し、図８のステップＳＴ２が含まれていない。また、図８のステップＳＴ３がステップＳＴ３ｃに置き換えられており、さらにステップＳＴ１１及びＳＴ１２が付加されている。

　ステップＳＴ３ｃでは、画像表示器２の選定発光素子の温度を測定する。この処理は、図１５の温度推定部１４ｃによる処理と同様である。
　ステップＳＴ１１では、点灯率を算出する。この処理は、温度補償部１６ｃにおける点灯率算出の処理と同様である。
　ステップＳＴ１２では、算出された点灯率を格納する。この処理は、点灯率格納部１８における処理と同様である。

　実施の形態３でも実施の形態１と同様の効果が得られる。即ち、実施の形態３でも、画像表示装置が選定発光素子以外の発光素子の温度を測定する温度センサーを備えたものでなくても、温度変化による発光素子の輝度及び色の変化を補償することができる。さらに、実施の形態３では、実施の形態１及び２で用いられている発光器５を設ける必要がないので、構成が簡単であるという利点がある。

実施の形態４．
　図１８は、本発明の実施の形態４の画像表示装置を示す。図１８に示される画像表示装置は表示制御装置３ｄを備える。表示制御装置３ｄは、図１の表示制御装置３と概して同じである。但し、画像処理装置４の代わりに画像処理装置４ｄが設けられている。画像処理装置４ｄは、図１の画像処理装置４と概して同じであるが、ばらつき補正部１９が付加されている。

　ばらつき補正部１９は、画像表示器２の複数の発光素子の各々のばらつきを補正する。ここで言うばらつきは、発光素子が発生する光の輝度或いは色の、個体差によるばらつきである。
　温度補償部１６が温度による輝度及び色の、温度による変化を補償するのに対して、ばらつき補正部１９は、発光素子相互間の個体差による輝度及び色のばらつきを補償する。

　また、以下では、画像入力部１１からばらつき補正部１９に、画像表示器２の複数の発光素子についての画像データＤａが順に、例えば、画面の左上隅から右下隅へと言う順に、入力されるものとする。この場合、ばらつき補正部１９は、各時点で入力されている画像データＤａを、処理対象となっている発光素子（注目発光素子）についての画像データＤａとして扱い、該画像データＤａに対してばらつき補正を行い、補正された画像データＤｂを出力する。

　ばらつき補正部１９は例えば、図１９に示されるように、補正係数格納部４１と、補正演算部４２とを有する。

　補正係数格納部４１は、発光素子毎のばらつき補正係数、即ち、発光素子毎の輝度及び色のばらつきを補正するための係数を格納している。例えば、各発光素子につき９個の補正係数δ_１～δ_９を持つ。位置（ｘ，ｙ）の発光素子についての補正係数をδ_１（ｘ，ｙ）～δ_９（ｘ，ｙ）で表す。

　補正演算部４２は、処理対象となっている発光素子についての画像データＤｂ（ｘ，ｙ）に対し、補正係数格納部４１から出力された、当該発光素子についての補正係数δ_１（ｘ，ｙ）～δ_９（ｘ，ｙ）を用いて、下記の式（３ａ）、（３ｂ）及び（３ｃ）に示される演算を行なって、当該発光素子のばらつきが補正された画像データＤｃを生成して出力する。

　式（３ａ）～（３ｃ）で、
　Ｒｂ（ｘ，ｙ）、Ｇｂ（ｘ，ｙ）及びＢｂ（ｘ，ｙ）は、処理対象となっている発光素子の画像データＤｂの赤、緑及び青の成分値を示す。
　Ｒｃ（ｘ，ｙ）、Ｇｃ（ｘ，ｙ）及びＢｃ（ｘ，ｙ）は、補正演算部４２から出力される、補正された画像データＤｃの赤、緑及び青の成分値を示す。
　δ_１（ｘ，ｙ）～δ_９（ｘ，ｙ）は、処理対象となっている発光素子についてのばらつき補正係数を示す。

　補正演算部４２で補正された画像データＤｃは、ばらつき補正部１９の出力として、画像出力部１７に供給される。

　画像出力部１７は、ばらつき補正部１９から出力された画像データＤｃを、画像表示器２の表示方式に合致したフォーマットの信号に変換し、変換後の画像信号Ｄｏを出力する。
　画像表示器２の発光素子がＰＷＭ（Ｐｕｌｓｅ　Ｗｉｄｔｈ　Ｍｏｄｕｌａｔｉｏｎ）駆動で発光するのであれば、画像データの階調値をＰＷＭ信号に変換する。

　画像表示器２は画像信号Ｄｏに基づいて画像を表示する。表示される画像は、温度による輝度及び色の変化が画素毎に補償され、かつ発光素子のばらつきが補正されたものとなる。従って、輝度ムラ及び色ムラのない画像が表示される。

　上記した画像処理装置４ｄが図３のコンピュータで構成されている場合の、プロセッサ９１による処理の手順を図２０を参照して説明する。

　図２０は、図８と概して同じであるが、ステップＳＴ１３が付加されている。
　ステップＳＴ１３では、ばらつき補正が行われる。この処理は、図１８のばらつき補正部１９による処理と同様である。

　実施の形態４の画像処理装置４ｄの温度推定部１４で用いられるニューラルネットワークは、実施の形態１で説明したのと同様の機械学習により生成される。

　実施の形態４でも実施の形態１と同様の効果が得られる。さらに、発光素子毎のばらつきを補正することができる。

実施の形態５．
　図２１は、本発明の実施の形態５の画像表示装置を示す。図２１に示される画像表示装置は表示制御装置３ｅを備える。表示制御装置３ｅは、図１の表示制御装置３と概して同じである。但し、画像処理装置４の代わりに画像処理装置４ｅが設けられている。画像処理装置４ｅは、図１の画像処理装置４と概して同じである。但し、温度推定部１４の代わりに、温度推定部１４ｅが設けられている。

　図１の温度推定部１４は、画像表示器２の複数の発光素子を順に選択し、選択した発光素子の温度を推定する。これに対し、図２１の温度推定部１４ｅは、画像表示器２の複数の発光素子の温度を並行して、即ち一斉に推定する。例えば、温度推定部１４ｅは、画像表示器２の全ての発光素子のそれぞれの温度を推定し、温度推定値Ｔｅ０（１，１）～Ｔｅ０（ｘ_ｍａｘ，ｙ_ｍａｘ）を出力する。

　推定温度格納部１５は温度推定部１４ｅから出力された温度推定値Ｔｅ０（１，１）～Ｔｅ０（ｘ_ｍａｘ，ｙ_ｍａｘ）を格納し、１フレーム期間遅らせて、１フレーム前の温度推定値Ｔｅ１（１，１）～Ｔｅ１（ｘ_ｍａｘ，ｙ_ｍａｘ）として出力する。

　推定温度格納部１５は１フレーム期間遅らせた温度推定値Ｔｅ１を出力するとしたが、代わりに、推定温度格納部１５は１フレーム期間からＨフレーム期間（Ｈは２以上の自然数）遅らせることでＨ個の温度推定値Ｔｅ１～ＴｅＨを生成して出力してもよい。

　温度推定値Ｔｅ０～ＴｅＨは、互いに異なるフレーム期間、即ち時刻における温度の推定値であるので、これらを纏めたものを複数フレーム、或いは複数時刻の温度推定値と言う。
　また、現フレームの温度推定値Ｔｅ０を現在の温度推定値と言い、１フレーム以上前の温度推定値Ｔｅ１～ＴｅＨを過去の温度推定値と言うこともある。

　温度推定部１４ｅは、画像入力部１１から出力された入力画像データＤａ（１，１）～Ｄａ（ｘ_ｍａｘ，ｙ_ｍａｘ）と、点灯制御部１２で決定された点灯率Ｌａ０と、制御用温度測定器６から出力された現フレームの温度測定値Ｔａ０と、測定温度格納部１３から出力された１フレーム前の温度測定値Ｔａ１と、推定温度格納部１５から出力された１フレーム前の温度推定値Ｔｅ１（１，１）～Ｔｅ１（ｘ_ｍａｘ，ｙ_ｍａｘ）とに基づいて、画像表示器２を構成する全ての発光素子のそれぞれの温度推定値Ｔｅ０（１，１）～Ｔｅ０（ｘ_ｍａｘ，ｙ_ｍａｘ）を求める。

　温度推定部１４ｅは、多層ニューラルネットワークを含む。図２２にはそのような多層ニューラルネットワーク２５ｅの一例が示されている。

　図２２に示されるニューラルネットワーク２５ｅは、入力層２５１ｅと、中間層（隠れ層）２５２ｅと、出力層２５３ｅとを有する。図示の例では、中間層の数が２であるが、中間層の数は１であっても良く３以上であっても良い。

　入力層２５１ｅのニューロンＰの各々には、点灯率Ｌａ０、複数時刻の温度測定値Ｔａ０，Ｔａ１、過去の温度推定値Ｔｅ０（１，１）～Ｔｅ０（ｘ_ｍａｘ，ｙ_ｍａｘ）、即ち全ての発光素子についてのそれぞれの温度推定値、及び入力画像データＤａ（１，１）～Ｄａ（ｘ_ｍａｘ，ｙ_ｍａｘ）、即ち全ての発光素子についてのそれぞれの画像データ（画素値）のいずれかが割り当てられており、各ニューロンには、割り当てられた値（点灯率、温度測定値、温度推定値及び入力画像データ）が入力される。入力層２５１ｅのニューロンは入力をそのまま出力する。

　出力層２５３ｅのニューロンＰは、それぞれ画像表示器２の全ての発光素子に対応して設けられている。出力層２５３ｅのニューロンＰは各々複数のビット、例えば１０ビットから成り、対応する発光素子の温度推定値を示すデータを出力する。
　図２２には、位置（１,１）から位置（ｘ_ｍａｘ,ｙ_ｍａｘ）までの発光素子の温度推定値が符号Ｔｅ０（１,１）～Ｔｅ０（ｘ_ｍａｘ,ｙ_ｍａｘ）で示されている。

　中間層２５２ｅ及び出力層２５３ｅのニューロンＰは、各々複数の入力に対して上記の式（１）で表される演算を行う。

　上記した画像処理装置４ｅが図３のコンピュータで構成されている場合の、プロセッサ９１による処理の手順を図２３を参照して説明する。

　図２３は、図８と概して同じであるが、ステップＳＴ８が含まれておらず、ステップＳＴ５及びＳＴ６がステップＳＴ５ｅ及びＳＴ６ｅで置き換えられている。

　ステップＳＴ５ｅでは、画像表示器２の全ての発光素子の温度を推定する。この処理は、図２１の温度推定部１４ｅにおける処理と同様である。
　ステップＳＴ６ｅでは、画像表示器２の全ての発光素子の温度推定値を格納する。この処理は、図２１の推定温度格納部１５における処理と同様である。

　温度推定部１４ｅを構成するニューラルネットワーク、即ち、図２２に示されるニューラルネットワークは、機械学習により生成される。
　機械学習のための学習装置は、図２１の画像表示装置に接続されて使用される。
　図２４は、図２１の画像表示装置に接続された学習装置１０１ｅを示す。図２４は、学習装置１０１ｅとともに用いられる学習用温度測定器１０２ｅをも示す。

　学習用温度測定器１０２ｅは、画像表示器２の全ての発光素子の温度を測定し、温度測定値Ｔｆ（１，１）～Ｔｆ（ｘ_ｍａｘ，ｙ_ｍａｘ）を出力する。
　学習用温度測定器１０２ｅは、複数の温度センサーを有する。複数の温度センサーはそれぞれ、画像表示器２を構成する全ての発光素子に対応して設けられたものであり、各温度センサーは対応する発光素子の温度Ｔｆを測定して出力する。

　学習用温度測定器１０２ｅを構成する温度センサーの各々は、実施の形態１で用いられる学習用温度測定器１０２を構成する温度センサーと同様の構成のものであっても良い。
　代わりに、学習用温度測定器１０２ｅが単一の熱画像センサーを備え、画像表示器２の表示画面の温度分布を測定し、熱画像内の位置を画像表示器２の表示画面上の位置に対応付けることで、各発光素子の温度を求めるものであっても良い。

　学習装置１０１ｅは、コンピュータで構成されていても良い。画像処理装置４ｅがコンピュータで構成される場合、同じコンピュータで学習装置１０１ｅが構成されていても良い。学習装置１０１ｅを構成するコンピュータは、例えば図３に示されるものであっても良い。その場合、学習装置１０１ｅの機能はプロセッサ９１がメモリ９２に記憶されているプログラムを実行することで実現されるものであっても良い。

　学習装置１０１ｅは、画像処理装置４ｅの一部を動作させ、温度推定部１４ｅに、全ての発光素子の温度を推定させ、温度推定値Ｔｅ０（１，１）～Ｔｅ０（ｘ_ｍａｘ，ｙ_ｍａｘ）が、学習用温度測定器１０２ｅでの測定で得られた、全ての発光素子の温度測定値Ｔｆ（１，１）～Ｔｆ（ｘ_ｍａｘ，ｙ_ｍａｘ）に近くなるように学習を行う。

　学習には、学習入力データの組ＬＤＳが複数個用いられる。
　学習入力データの組の各々は、学習のために用意された、入力画像データＤａ（１，１）～Ｄａ（ｘ_ｍａｘ，ｙ_ｍａｘ）と、点灯率Ｌａ０と、現フレームの温度測定値Ｔａ０と、１フレーム前の温度測定値Ｔａ１と、１フレーム前の温度推定値Ｔｅ１（１，１）～Ｔｅ１（ｘ_ｍａｘ，ｙ_ｍａｘ）とを含む。

　複数個の学習入力データの組ＬＤＳ相互間では、入力画像データＤａ（１，１）～Ｄａ（ｘ_ｍａｘ，ｙ_ｍａｘ）、点灯率Ｌａ０、現フレームの温度測定値Ｔａ０、１フレーム前の温度測定値Ｔａ１、及び１フレーム前の温度推定値Ｔｅ１（１，１）～Ｔｅ１（ｘ_ｍａｘ，ｙ_ｍａｘ）の少なくとも一つが異なる。

　学習装置１０１ｅは、予め用意された複数個の学習入力データの組ＬＤＳを順に選択し、選択されている学習入力データの組ＬＤＳを画像処理装置４ｅに入力し、温度推定部１４ｅで算出された温度推定値Ｔｅ０（１，１）～Ｔｅ０（ｘ_ｍａｘ，ｙ_ｍａｘ）と学習用温度測定器１０２ｅでの測定で得られた温度測定値Ｔｆ（１，１）～Ｔｆ（ｘ_ｍａｘ，ｙ_ｍａｘ）とを取得し、温度推定値Ｔｅ０（１，１）～Ｔｅ０（ｘ_ｍａｘ，ｙ_ｍａｘ）が温度測定値Ｔｆ（１，１）～Ｔｆ（ｘ_ｍａｘ，ｙ_ｍａｘ）に近くなるように学習を行う。

　「選択されている学習入力データの組ＬＤＳを画像処理装置４ｅに入力する」とは、選択されている学習入力データの組ＬＤＳに含まれる画像データＤａ（１，１）～Ｄａ（ｘ_ｍａｘ，ｙ_ｍａｘ）を、点灯制御部１２、温度推定部１４ｅ、及び温度補償部１６に入力し、選択されている学習入力データの組ＬＤＳに含まれる点灯率Ｌａ０、現フレームの温度測定値Ｔａ０、１フレーム前の温度測定値Ｔａ１、及び１フレーム前の温度推定値Ｔｅ１（１，１）～Ｔｅ１（ｘ_ｍａｘ，ｙ_ｍａｘ）を、温度推定部１４ｅに入力することを意味する。

　学習装置１０１ｅによるニューラルネットワークの生成においては、まず元となるニューラルネットワークを用意する。即ち、温度推定部１４ｅを、元となるニューラルネットワークで仮に構築する。このニューラルネットワークは、図２２に示されるニューラルネットワークと同様のものであるが、中間層及び出力層のニューロンの各々は、その前段の層の全てのニューロンに結合されている。

　ニューラルネットワークの生成においては、複数のニューロンの各々についてパラメータ（重み及びバイアス）の値を定める必要がある。複数のニューロンについてのパラメータの集合をパラメータの組と言い、符号ＰＳで表す。

　ニューラルネットワークの生成においては、上記の元となるニューラルネットワークを用いて、全ての発光素子の温度推定値Ｔｅ０（１，１）～Ｔｅ０（ｘ_ｍａｘ，ｙ_ｍａｘ）の、温度測定値Ｔｆ（１，１）～Ｔｆ（ｘ_ｍａｘ，ｙ_ｍａｘ）に対する差の合計が予め定められた閾値以下となるように、パラメータの組ＰＳの最適化を行う。最適化は例えば誤差逆伝搬法により行い得る。

　具体的には、学習装置１０１ｅは、学習入力データの組ＬＤＳを複数個用意し、パラメータの組ＰＳの初期値を設定し、上記の学習入力データの組ＬＤＳを順に選択する。
　学習装置１０１ｅは、選択されている学習入力データの組ＬＤＳを画像処理装置４ｅに入力し、全ての発光素子の温度測定値Ｔｆ（１，１）～Ｔｆ（ｘ_ｍａｘ，ｙ_ｍａｘ）と温度推定値Ｔｅ０（１，１）～Ｔｅ０（ｘ_ｍａｘ，ｙ_ｍａｘ）との差（Ｔｅ０（ｘ，ｙ）－Ｔｆ（ｘ，ｙ））の合計を誤差ＥＲとして求める。

　学習装置１０１ｅは、上記の複数個の学習データの組ＬＤＳについての上記の誤差ＥＲの総和ＥＳをコスト関数として求め、上記のコスト関数が閾値よりも大きければ、上記のコスト関数がより小さくなるように、パラメータの組ＰＳを変更する。
　学習装置１０１ｅは、以上の処理を、コスト関数が閾値以下となるまで繰り返す。パラメータの組ＰＳの変更は、勾配降下法で行い得る。
　誤差ＥＲの総和ＥＳとしては誤差ＥＲの絶対値の和又は誤差ＥＲの２乗の和を用いることができる。
　同様に、上記の差の合計としても、差（Ｔｅ０（ｘ，ｙ）－Ｔｆ（ｘ，ｙ））の絶対値の和又は２乗の和を用いることができる。

　パラメータの組ＰＳの最適化の後、学習装置１０１ｅは、重みがゼロとなったシナプス結合（ニューロン間の結合）を切断する。

　学習が終了したら、学習用温度測定器１０２ｅの温度センサーは、取り外され、画像表示装置は、該温度センサーが取り外された状態で使用される。
　即ち、画像表示のために利用される際は、画像表示装置は、発光素子の温度を検知する温度センサーを必要としない。発光素子の温度を検知する温度センサーがなくても、温度推定部１４ｅで発光素子の温度を推定し得るためである。

　学習装置１０１ｅは、学習の終了後には取り外されても良く、装着されたままであっても良い。
　特に、学習装置１０１ｅの機能がプロセッサ９１によるプログラムの実行によって実現される場合には、該プログラムは、メモリ９２に記憶されたままであっても良い。

　上記した学習装置１０１ｅが図３のコンピュータで構成されている場合の、プロセッサ９１による処理の手順を図２５を参照して説明する。

　図２５の処理の手順は、図１０の処理の手順と概して同じである。但し、図１０のステップＳＴ１０１及びＳＴ１０３～ＳＴ１０６がステップＳＴ１０１ｅ及びＳＴ１０３ｅ～ＳＴ１０６ｅで置き換えられている。

　図２５のステップＳＴ１０１ｅでは、学習装置１０１ｅは、元となるニューラルネットワークを用意する。即ち、温度推定部１４ｅを、元となるニューラルネットワークで仮に構築する。
　このニューラルネットワークは、図２２に示されるニューラルネットワークと同様のものであるが、中間層及び出力層のニューロンの各々は、その前段の層の全てのニューロンに結合されている。

　ステップＳＴ１０２では、学習装置１０１ｅは、ステップＳＴ１０１ｅで用意されたニューラルネットワークの中間層及び出力層のニューロンの各々における演算で用いられるパラメータ（重み及びバイアス）の組ＰＳの初期値を設定する。
　初期値はランダムに選択された値であっても良く、適切と予想される値であっても良い。

　ステップＳＴ１０３ｅでは、学習装置１０１ｅは、予め用意された複数個の学習入力データの組ＬＤＳから、一つの組を選択し、選択した学習入力データの組ＬＤＳを画像処理装置４ｅに入力する。

　「選択した学習入力データの組を画像処理装置４ｅに入力する」とは、選択した学習入力データの組に含まれる画像データＤａ（１，１）～Ｄａ（ｘ_ｍａｘ，ｙ_ｍａｘ）を、点灯制御部１２、温度推定部１４ｅ、及び温度補償部１６に入力し、選択した学習入力データの組に含まれる点灯率Ｌａ０、現フレームの温度測定値Ｔａ０、１フレーム前の温度測定値Ｔａ１、及び１フレーム前の温度推定値Ｔｅ１（１，１）～Ｔｅ１（ｘ_ｍａｘ，ｙ_ｍａｘ）を、温度推定部１４ｅに入力することを意味する。

　温度補償部１６に入力された画像データＤａ（１，１）～Ｄａ（ｘ_ｍａｘ，ｙ_ｍａｘ）は、画像出力部１７を介して画像表示器２に供給され、画像表示器２の発光素子の駆動に用いられる。

　ステップＳＴ１０４ｅでは、学習装置１０１ｅは、画像表示器２を構成する全ての発光素子の温度測定値Ｔｆ（１，１）～Ｔｆ（ｘ_ｍａｘ，ｙ_ｍａｘ）を取得する。
　ここで取得される温度測定値Ｔｆ（１，１）～Ｔｆ（ｘ_ｍａｘ，ｙ_ｍａｘ）は、画像表示器２が選択されている学習入力データの組ＬＤＳに含まれる画像データＤａ（１，１）～Ｄａ（ｘ_ｍａｘ，ｙ_ｍａｘ）に応じて画像を表示したときの温度測定値である。

　ステップＳＴ１０５ｅでは、学習装置１０１ｅは、画像表示器２を構成する全ての発光素子の温度推定値Ｔｅ０（１，１）～Ｔｅ０（ｘ_ｍａｘ，ｙ_ｍａｘ）を取得する。
　ここで取得される温度推定値Ｔｅ０（１，１）～Ｔｅ０（ｘ_ｍａｘ，ｙ_ｍａｘ）は、温度推定部１４ｅが、選択されている学習入力データの組ＬＤＳに含まれる画像データＤａ（１，１）～Ｄａ（ｘ_ｍａｘ，ｙ_ｍａｘ）、点灯率Ｌａ０、現フレームの温度測定値Ｔａ０、１フレーム前の温度測定値Ｔａ１、及び１フレーム前の温度推定値Ｔｅ１（１，１）～Ｔｅ１（ｘ_ｍａｘ，ｙ_ｍａｘ）に基づいて、かつ設定されているパラメータの組ＰＳを用いて算出した温度推定値である。
　設定されているパラメータの組ＰＳは温度推定部１４ｅを構成するニューラルネットワークに仮に設定されているパラメータの組である。

　ステップＳＴ１０６ｅでは、学習装置１０１ｅは、ステップＳＴ１０４ｅで取得した温度測定値Ｔｆ（１，１）～Ｔｆ（ｘ_ｍａｘ，ｙ_ｍａｘ）とステップＳＴ１０５ｅで取得した温度推定値Ｔｅ０（１，１）～Ｔｅ０（ｘ_ｍａｘ，ｙ_ｍａｘ）との差の合計を誤差ＥＲとして求める。

　図２５のステップＳＴ１０７～ＳＴ１１２では、図１０の同じ符号のステップと同じ処理が行われる。

　以上で、ニューラルネットワークの生成の処理が終わる。
　即ち、温度推定部１４ｅは、以上の処理で生成されたニューラルネットワークによって構成されたものとなる。

　実施の形態５でも、実施の形態１と同様の効果が得られる。さらに、画像表示器を構成する全ての発光素子の温度を一斉に推定することができるので、動作が高速であると言う利点がある。

　以上実施の形態５を実施の形態１に対する変形として説明したが、実施の形態２～４に対しても同様の変更を加えることができる。

実施の形態６．
　上記のように、実施の形態１～５では、温度推定部が、ニューラルネットワークで構成されている。
　温度推定部は、ニューラルネットワークで構成されていなくても良く、何等かの形で、機械学習の結果を利用して発光素子の温度の推定を行うものであれば良い。例えば、機械学習の結果得られた係数の組を記憶し、記憶された係数の組を用いて積和演算をすることで、発光素子の温度を推定するものであっても良い。
　以下、実施の形態６として、そのような構成の例を説明する。

　図２６は、本発明の実施の形態６の画像表示装置を示す。図２６に示される画像表示装置は表示制御装置３ｆを備える。表示制御装置３ｆは、図１の表示制御装置３と概して同じである。但し、画像処理装置４の代わりに画像処理装置４ｆが設けられている。図２６に示される画像処理装置４ｆは、図１の画像処理装置４と概して同じである。但し、図１の温度推定部１４の代わりに、温度推定部１４ｆが設けられている。

　温度推定部１４ｆは、図１の温度推定部１４と同様の機能を持つ。
　温度推定部１４ｆは、例えば図２７に示すように構成されている。図２７に示される温度推定部１４ｆは、図４に示される温度推定部１４と概して同じである。但し、推定演算部２４の代わりに、推定演算部２４ｆが設けられ、重み格納部２６が付加されている。

　重み格納部２６は重みの組ＷＳを格納している。
　重みの組ＷＳは、重みｋａ_α，β、ｋｂ_α，β、ｋｃ、ｋｄ、ｋｅを含む。

　重みｋａ_α，βは、画像データＤａ（ｘ＋α，ｙ＋β）のための重みである。αが－α_ｍａｘからα_ｍａｘまで変化し、βが－β_ｍａｘからβ_ｍａｘまで変化するので、異なる値のα、βに対し、重みｋａ_α，βは、下記の式（４）で表される行列の要素を構成する（２α_ｍａｘ＋１）×（２β_ｍａｘ＋１）個の重みを含む。

　重みｋｂ_α，βは、温度推定値Ｔｅ１（ｘ＋α，ｙ＋β）のための重みである。αが－α_ｍａｘからα_ｍａｘまで変化し、βが－β_ｍａｘからβ_ｍａｘまで変化するので、異なる値のα、βに対し、重みｋｂ_α，βは、下記の式（５）で表される行列の要素を構成する（２α_ｍａｘ＋１）×（２β_ｍａｘ＋１）個の重みを含む。

　推定演算部２４ｆは、例えば下記の式（６）により、選択されている発光素子の温度推定値を求める。

　式（６）で、
　ｘは選択されている発光素子の水平方向位置を示し、
　ｙは選択されている発光素子の垂直方向位置を示す。

　式（６）で用いられる重みｋａ_α，β、ｋｂ_α，β、ｋｃ、ｋｄ、ｋｅを含む重みの組ＷＳは、重み格納部２６に記憶されている。

　上記した画像処理装置４ｆが図３のコンピュータで構成されている場合の、プロセッサ９１による処理の手順は、実施の形態１に関し、図８を参照して説明したのと同様である。但し、ステップＳＴ５における温度推定が温度推定部１４ｆで行われる処理と同様である点で異なる。

　重み格納部２６に格納されている重みの組ＷＳは、機械学習により決定され或いは作成される。
　機械学習のための学習装置は、図２６の画像表示装置に接続されて使用される。
　図２８は、図２６の画像表示装置に接続された学習装置１０１ｆを示す。図２８は、該学習装置１０１ｆとともに用いられる学習用温度測定器１０２をも示す。
　学習用温度測定器１０２は、図９を参照して説明したのと同様のものである。

　学習装置１０１ｆは、コンピュータで構成されていても良い。画像処理装置４ｆがコンピュータで構成される場合、同じコンピュータで学習装置１０１ｆが構成されていても良い。学習装置１０１ｆを構成するコンピュータは、例えば図３に示されるものであっても良い。その場合、学習装置１０１ｆの機能はプロセッサ９１がメモリ９２に記憶されているプログラムを実行することで実現されるものであっても良い。

　学習装置１０１ｆは、画像処理装置４ｆの一部を動作させ、温度推定部１４ｆに、上記指定発光素子の温度を推定させ、温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）が、学習用温度測定器１０２での測定で得られた発光素子の温度測定値Ｔｆ（ｘ_ｄ，ｙ_ｄ）に近くなるように学習を行う。

　学習には、学習入力データの組ＬＤＳが複数個用いられる。用いられる学習入力データの組ＬＤＳは、実施の形態１で説明したのと同様のものである。

　学習装置１０１ｆは、予め用意された複数個の学習入力データの組ＬＤＳを順に選択し、選択されている学習入力データの組ＬＤＳを画像処理装置４ｆに入力し、温度推定部１４ｆで算出された温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）と学習用温度測定器１０２での測定で得られた温度測定値Ｔｆ（ｘ_ｄ，ｙ_ｄ）とを取得し、温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）が温度測定値Ｔｆ（ｘ_ｄ，ｙ_ｄ）に近くなるように学習を行う。

　「選択されている学習入力データの組ＬＤＳを画像処理装置４ｆに入力する」とは、選択されている学習入力データの組ＬＤＳに含まれる画像データＤａ（ｘ_ｄ±α，ｙ_ｄ±β）を、点灯制御部１２、温度推定部１４ｆ、及び温度補償部１６に入力し、選択されている学習入力データの組ＬＤＳに含まれる点灯率Ｌａ０、現フレームの温度測定値Ｔａ０、１フレーム前の温度測定値Ｔａ１、及び１フレーム前の温度推定値Ｔｅ１（ｘ_ｄ±α，ｙ_ｄ±β）を、温度推定部１４ｆに入力することを意味する。

　学習において、例えば、重みの組ＷＳは、温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）の温度測定値Ｔｆ（ｘ_ｄ，ｙ_ｄ）に対する差が最小となるように定められる。

　具体的には、学習装置１０１ｆは、温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）と温度測定値Ｔｆ（ｘ_ｄ，ｙ_ｄ）との差を誤差ＥＲとして求め、上記の複数個の学習入力データの組ＬＤＳについての上記の誤差ＥＲの総和ＥＳをコスト関数として求め、該コスト関数が最小となるように学習することで重みの組ＷＳを定める。
　誤差ＥＲの総和ＥＳとしては誤差ＥＲの絶対値の和又は誤差ＥＲの２乗の和を用いることができる。

　学習が終了したら、学習用温度測定器１０２の温度センサーは、取り外され、画像表示装置は、該温度センサーが取り外された状態で画像表示のために使用される。

　学習装置１０１ｆは、学習の終了後には取り外されても良く、装着されたままであっても良い。

　上記した学習装置１０１ｆが図３のコンピュータで構成されている場合の、プロセッサ９１による処理の手順を図２９を参照して説明する。

　図２９の処理の手順は、図１０の処理の手順と概して同じである。但し、図１０のステップＳＴ１０１～ＳＴ１０３、及びＳＴ１０９～ＳＴ１１２が含まれておらず、代わりに、ステップＳＴ１２１～ＳＴ１２３が含まれている。

　ステップＳＴ１２１では、学習装置１０１ｆは、予め用意された複数個の重みの組ＷＳから、一つの組を選択する。学習装置１０は、選択した重みの組ＷＳを、温度推定部１４ｆの重み格納部２６に仮に設定する。

　ステップＳＴ１０３～ＳＴ１０８では、図１０の同じ符号のステップと同じ処理が行われる。

　即ち、ステップＳＴ１０３では、学習装置１０１ｆは、予め用意された複数個の学習入力データの組ＬＤＳから、一つの組を選択し、選択した学習入力データの組を画像処理装置４ｆに入力する。

　「選択した学習入力データの組を画像処理装置４ｆに入力する」とは、選択した学習入力データの組に含まれる画像データＤａ（ｘ±α，ｙ±β）を、点灯制御部１２、温度推定部１４ｆ、及び温度補償部１６に入力し、選択した学習入力データの組に含まれる点灯率Ｌａ０、現フレームの温度測定値Ｔａ０、１フレーム前の温度測定値Ｔａ１、及び１フレーム前の温度推定値Ｔｅ１（ｘ±α，ｙ±β）を、温度推定部１４ｆに入力することを意味する。

　温度補償部１６に入力された画像データＤａ（ｘ_ｄ±α，ｙ_ｄ±β）は、画像出力部１７を介して画像表示器２に供給され、画像表示器２の発光素子の駆動に用いられる。

　ステップＳＴ１０４では、学習装置１０１ｆは、指定発光素子の温度測定値Ｔｆ（ｘ_ｄ，ｙ_ｄ）を取得する。
　ここで取得される温度測定値Ｔｆ（ｘ_ｄ，ｙ_ｄ）は、画像表示器２が選択されている学習入力データの組ＬＤＳに含まれる画像データＤａ（ｘ_ｄ±α，ｙ_ｄ±β）に応じて画像を表示したときの温度測定値である。

　ステップＳＴ１０５では、学習装置１０１ｆは、指定発光素子の温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）を取得する。
　ここで取得される温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）は、温度推定部１４ｆが、選択されている学習入力データの組ＬＤＳに含まれる画像データＤａ（ｘ_ｄ±α，ｙ_ｄ±β）、点灯率Ｌａ０、現フレームの温度測定値Ｔａ０、１フレーム前の温度測定値Ｔａ１、及び１フレーム前の温度推定値Ｔｅ１（ｘ_ｄ±α，ｙ_ｄ±β）に基づいて、かつ選択されている重みの組ＷＳを用いて算出した温度推定値である。
　選択されている重みの組ＷＳは、温度推定部１４ｆ内の重み格納部２６に仮に設定されている重みの組ＷＳである。

　ステップＳＴ１０６では、学習装置１０１ｆは、ステップＳＴ１０４で取得した温度測定値Ｔｆ（ｘ_ｄ，ｙ_ｄ）とステップＳＴ１０５で取得した温度推定値Ｔｅ０（ｘ_ｄ，ｙ_ｄ）との差を誤差ＥＲとして求める。

　ステップＳＴ１０７では、学習装置１０１ｆは、上記の複数個の学習入力データの組の全てについて、ステップＳＴ１０３～ＳＴ１０６の処理が終わったか否かを判定する。
　複数個の学習入力データの組の全てについて上記の処理が終わっていなければ、ステップＳＴ１０３に戻る。

　その結果、ステップＳＴ１０３では、次の学習入力データの組ＬＤＳが選択され、ステップＳＴ１０４～ＳＴ１０６では、選択された学習入力データの組ＬＤＳについて、上記と同様の処理が繰り返され、誤差ＥＲが求められる。

　ステップＳＴ１０７で複数個の学習入力データの組の全てについて上記の処理が終わっていれば、ステップＳＴ１０８に進む。
　ステップＳＴ１０８では、学習装置１０１ｆは、上記の誤差ＥＲの総和（複数個の学習入力データの組ＬＤＳについての総和）ＥＳをコスト関数として求める。
　誤差ＥＲの総和ＥＳとしては誤差ＥＲの絶対値の和又は誤差ＥＲの２乗の和を用いることができる。

　次にステップＳＴ１２２では、学習装置１０１ｆは、複数個の重みの組ＷＳの全てが選択されたか否かの判定を行なう。
　全てが選択されていなければ、ステップＳＴ１２１に戻る。
　この場合、ステップＳＴ１２１では、重みの組ＷＳのうち、いまだ選択されていない組が選択される。

　ステップＳＴ１２２で、全てが選択されていれば、ステップＳＴ１２３に進む。
　ステップＳＴ１２３では、学習装置１０１ｆは、上記のステップＳＴ１０８で求められたコスト関数が最小となる重みの組ＷＳを最適な組として採用する。

　学習装置１０１ｆは、採用した組合せの重みの組ＷＳを重み格納部２６に書き込む。
　以上で、重みの組の最適化の処理が終わる。

　実施の形態６でも、実施の形態１と同様の効果が得られる。さらに、ニューラルネットワークを用いないので、温度推定部をより簡単な構成のものとし得る。

　以上実施の形態６を実施の形態１に対する変形として説明したが、実施の形態２～５に対しても同様の変更を加えることができる。

　本発明の実施の形態について説明したが、本発明はこれらの実施の形態に限るものではなく、種々の変形が可能である。

　例えば、実施の形態１の説明中に記載した変形は、実施の形態２～６にも適用することができる。

　実施の形態１～６では、発光素子が赤、緑及び青の３つのＬＥＤで構成されているが、発光素子を構成するＬＥＤの数は３に限定されない。要するに複数個のＬＥＤで発光素子が構成されていれば良い。

　また、表示制御装置が、輝度及び色の双方の補償を行うものであるとして説明したが、表示制御装置は、輝度及び色の少なくとも一方の補償を行うものであれば良い。
　即ち、温度補償部１６又は１６ｃは、温度変化による輝度及び色の少なくとも一方の補償を行うものであれば良く、ばらつき補正部１９は、発光素子相互間の個体差による輝度及び色の少なくとも一方の補償を行うものであれば良い。

　上記の実施の形態１～６では、学習の際、学習装置が、画像データＤａを点灯制御部１２、温度推定部１４、１４ｂ、１４ｃ、１４ｅ又は１４ｆ、及び温度補償部１６又は１６ｃに入力しているが、代わりに画像データＤａに対応する画像データＤｉを画像入力部１１に入力しても良い。

　以上本発明の画像表示装置、表示制御装置及び画像処理装置について説明したが、上記の表示制御装置で実施される表示制御方法及び上記の画像処理装置で実施される画像処理方法もまた本発明の一部を成す。また、上記の表示制御装置、画像処理装置、表示制御方法又は画像処理方法における処理をコンピュータに実行させるプログラム及び該プログラムを記録した、コンピュータで読取可能な記録媒体、例えば非一時的な記録媒体もまた本発明の一部を成す。

　２　画像表示器、　３，３ｂ，３ｃ，３ｄ，３ｅ，３ｆ　表示制御装置、　４，４ｂ，４ｃ，４ｄ，４ｅ，４ｆ　画像処理装置、　５　発光器、　６，６ｃ　制御用温度測定器、　９　コンピュータ、　１１　画像入力部、　１２　点灯制御部、　１３　測定温度格納部、　１４，１４ｂ，１４ｃ，１４ｅ，１４ｆ　温度推定部、　１５　推定温度格納部、　１６，１６ｃ　温度補償部、　１７　画像出力部、　１８　点灯率格納部、　１９　ばらつき補正部、　２１　素子選択部、　２２　画像データ抽出部、　２３　温度データ抽出部、　２４，２４ｂ，２４ｃ，２４ｆ　推定演算部、　２５，２５ｂ，２５ｅ　ニューラルネットワーク、　２６　重み格納部、　３１　補償テーブル格納部、　３２　係数読出し部、　３３　係数乗算部、　４１　補正係数格納部、　４２　補正演算部、　９１　プロセッサ、　９２　メモリ、　１０１，１０１ｅ，１０１ｆ　学習装置、　１０２，１０２ｅ　学習用温度測定器、　２５１，２５１ｂ，２５１ｅ　入力層、　２５２，２５２ｂ，２５２ｅ　中間層、　２５３，２５３ｂ，２５３ｅ　出力層。

Claims (13)

1. 　各々複数のＬＥＤを含む複数の発光素子が配列された画像表示器と、
   　入力画像データに応じた画像を前記画像表示器に表示させる画像処理装置と、
   　前記画像表示器の複数の発光素子と同じ特性を持つ発光器又は前記画像表示器の複数の発光素子のうち、予め選定された発光素子の温度を測定する制御用温度測定器とを備え、
   　前記画像処理装置は、
   　前記発光器又は前記選定された発光素子の点灯率と、
   　前記制御用温度測定器で測定された温度と、
   　前記入力画像データとに基づいて前記画像表示器の複数の発光素子の各々の温度を推定し、
   　前記画像表示器の複数の発光素子の各々について、温度変化による輝度及び色の少なくとも一方の変化が補償されるように、前記推定された温度に基づいて、前記入力画像データを補正し、
   　前記温度の推定は、入力画像データ、前記発光器又は前記選定された発光素子の点灯率、及び前記発光器又は前記選定された発光素子の温度測定値と、前記画像表示器の少なくとも１つの予め指定された発光素子の温度測定値との関係を学習した結果に基づいて行われる
   　画像表示装置。
2. 　各々複数のＬＥＤを含む複数の発光素子が配列された画像表示器に、入力画像データに応じた画像を表示させる画像処理装置と、
   　前記画像表示器の複数の発光素子と同じ特性を持つ発光器又は前記画像表示器の複数の発光素子のうち、予め選定された発光素子の温度を測定する制御用温度測定器とを備え、
   　前記画像処理装置は、
   　前記発光器又は前記選定された発光素子の点灯率と、
   　前記制御用温度測定器で測定された温度と、
   　前記入力画像データとに基づいて前記画像表示器の複数の発光素子の各々の温度を推定し、
   　前記画像表示器の複数の発光素子の各々について、温度変化による輝度及び色の少なくとも一方の変化が補償されるように、前記推定された温度に基づいて、前記入力画像データを補正し、
   　前記温度の推定は、入力画像データ、前記発光器又は前記選定された発光素子の点灯率、及び前記発光器又は前記選定された発光素子の温度測定値と、前記画像表示器の少なくとも１つの予め指定された発光素子の温度測定値との関係を学習した結果に基づいて行われる
   　表示制御装置。
3. 　前記画像処理装置は、前記入力画像データに基づいて前記発光器の点灯率を決定し、決定した点灯率で前記発光器を点灯させる
   　請求項２に記載の表示制御装置。
4. 　前記画像処理装置は、前記入力画像データの１フレーム期間に亘る平均値を算出し、算出した平均値の予め定められた基準値に対する比を前記点灯率と決定する
   　請求項３に記載の表示制御装置。
5. 　前記発光器は、前記画像表示器の周辺に配置されている
   　請求項２から４のいずれか１項に記載の表示制御装置。
6. 　前記画像処理装置は、前記補正された画像データに基づいて前記選定された発光素子の点灯率を算出する
   　請求項２に記載の表示制御装置。
7. 　前記画像処理装置は、過去に推定した温度にも基づいて、前記温度の推定を行う
   　請求項２から６のいずれか１項に記載の表示制御装置。
8. 　前記画像処理装置は、前記制御用温度測定器で過去に測定された温度にも基づいて、前記温度の推定を行う
   　請求項２から７のいずれか１項に記載の表示制御装置。
9. 　前記画像処理装置は、前記温度の推定のためのニューラルネットワークを含み、
   　前記ニューラルネットワークは、入力画像データ、前記発光器又は前記選定された発光素子の点灯率、及び前記発光器又は前記選定された発光素子の温度測定値を含む学習入力データの組を複数個用いた学習により生成されたものである
   　請求項２から８のいずれか１項に記載の表示制御装置。
10. 　前記画像処理装置は、
    　各発光素子の輝度及び色の少なくとも一方の個体差によるばらつきをも補正する
    　請求項２から９のいずれか１項に記載の表示制御装置。
11. 　各々複数のＬＥＤを含む複数の発光素子が配列された画像表示器に、入力画像データに応じた画像を表示させる画像処理装置であって、
    　前記画像表示器の複数の発光素子と同じ特性を持つ発光器又は前記画像表示器の複数の発光素子のうち、予め選定された発光素子の点灯率と、前記発光器の温度又は前記選定された発光素子の温度測定値と、前記入力画像データとに基づいて前記画像表示器の複数の発光素子の各々の温度を推定する温度推定部と、
    　前記画像表示器の複数の発光素子の各々について、温度変化による輝度及び色の少なくとも一方の変化が補償されるように、前記推定された温度に基づいて、前記入力画像データを補正する温度補償部とを備え、
    　前記温度推定部は、入力画像データ、前記発光器又は前記選定された発光素子の点灯率、及び前記発光器又は前記選定された発光素子の温度測定値と、前記画像表示器の少なくとも１つの予め指定された発光素子の温度測定値との関係を学習した結果とに基づいて、前記温度の推定を行う
    　画像処理装置。
12. 　請求項１１に記載の画像処理装置における処理をコンピュータに実行させるためのプログラム。
13. 　請求項１２に記載のプログラムを記録した、コンピュータで読取り可能な記録媒体。

Images