ホーム > 特許ランキング > 三菱電機ソフトウエア株式会社
知財求人 - 知財ポータルサイト「IP Force」
特開2024-127606画像処理装置、学習装置、画像処理方法、学習方法、画像処理プログラム及び学習プログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024127606
(43)【公開日】2024-09-20
(54)【発明の名称】画像処理装置、学習装置、画像処理方法、学習方法、画像処理プログラム及び学習プログラム
(51)【国際特許分類】
G06T 7/00 20170101AFI20240912BHJP
G06V 10/82 20220101ALI20240912BHJP
【ＦＩ】
G06T7/00 300G
G06T7/00 350C
G06V10/82
G06T7/00 640
【審査請求】未請求
【請求項の数】22
【出願形態】ＯＬ
(21)【出願番号】P 2023036868
(22)【出願日】2023-03-09
(71)【出願人】
【識別番号】591102095
【氏名又は名称】三菱電機ソフトウエア株式会社
(74)【代理人】
【識別番号】110002491
【氏名又は名称】弁理士法人クロスボーダー特許事務所
(72)【発明者】
【氏名】進藤 嘉邦
(72)【発明者】
【氏名】西村 健志
【テーマコード（参考）】
5L096
【Ｆターム（参考）】
5L096AA06
5L096CA04
5L096DA02
5L096EA03
5L096FA32
5L096FA33
5L096FA35
5L096GA19
5L096GA51
5L096HA11
5L096KA04
(57)【要約】
【課題】撮像画像から余剰要素を高速に検出する。
【解決手段】分割部１０２は、上空から水面を撮像した撮像画像を複数の部分画像に分割する。統計値算出部１０３は、部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度及び尖度の少なくともいずれかを統計値として算出する。判定部１０４は、部分画像ごとに、統計値を用いて、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する。
【選択図】図１
【解決手段】分割部１０２は、上空から水面を撮像した撮像画像を複数の部分画像に分割する。統計値算出部１０３は、部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度及び尖度の少なくともいずれかを統計値として算出する。判定部１０４は、部分画像ごとに、統計値を用いて、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する。
【選択図】図１
【特許請求の範囲】
【請求項1】
上空から水面を撮像した撮像画像を複数の部分画像に分割する分割部と、
部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度及び尖度の少なくともいずれかを統計値として算出する統計値算出部と、
部分画像ごとに、前記統計値を用いて、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定部とを有する画像処理装置。
部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度及び尖度の少なくともいずれかを統計値として算出する統計値算出部と、
部分画像ごとに、前記統計値を用いて、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定部とを有する画像処理装置。
【請求項2】
前記判定部は、
前記統計値と閾値とを比較して、部分画像に前記余剰要素が含まれているか否かを判定する請求項１に記載の画像処理装置。
前記統計値と閾値とを比較して、部分画像に前記余剰要素が含まれているか否かを判定する請求項１に記載の画像処理装置。
【請求項3】
前記判定部は、
水面のみの撮像画像の輝度分布から得られる前記統計値の理論値から決定された閾値と、前記統計値とを比較する請求項２に記載の画像処理装置。
水面のみの撮像画像の輝度分布から得られる前記統計値の理論値から決定された閾値と、前記統計値とを比較する請求項２に記載の画像処理装置。
【請求項4】
前記判定部は、
前記統計値を用いた機械学習により得られた判定基準と前記統計値とを比較して、部分画像に前記余剰要素が含まれているか否かを判定する請求項１に記載の画像処理装置。
前記統計値を用いた機械学習により得られた判定基準と前記統計値とを比較して、部分画像に前記余剰要素が含まれているか否かを判定する請求項１に記載の画像処理装置。
【請求項5】
上空から水面を撮像した撮像画像に水面以外の要素である余剰要素が含まれているか否かの判定が活用フェーズにおいてオートエンコーダの出力値と比較することにより可能な、学習フェーズにおける前記オートエンコーダを用いた機械学習により得られた判定基準を記憶する記憶部と、
前記活用フェーズにおいて、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割部と、
前記活用フェーズにおいて、部分画像ごとに、部分画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、規格化ヒストグラムとして生成するヒストグラム生成部と、
前記活用フェーズにおいて、前記規格化ヒストグラムを前記オートエンコーダに入力して前記オートエンコーダの出力値を取得し、取得した前記オートエンコーダの出力値と前記判定基準とを比較して、部分画像ごとに、部分画像に前記余剰要素が含まれているか否かを判定する判定部とを有する画像処理装置。
前記活用フェーズにおいて、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割部と、
前記活用フェーズにおいて、部分画像ごとに、部分画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、規格化ヒストグラムとして生成するヒストグラム生成部と、
前記活用フェーズにおいて、前記規格化ヒストグラムを前記オートエンコーダに入力して前記オートエンコーダの出力値を取得し、取得した前記オートエンコーダの出力値と前記判定基準とを比較して、部分画像ごとに、部分画像に前記余剰要素が含まれているか否かを判定する判定部とを有する画像処理装置。
【請求項6】
前記記憶部は、
前記学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像を用いた機械学習により前記オートエンコーダの内部パラメータが決定され、上空から撮像された水面に前記余剰要素が含まれる撮像画像である第２の学習画像と前記第１の学習画像とを前記内部パラメータが設定された前記オートエンコーダに適用して得られた前記オートエンコーダの出力値に基づき生成された基準を、前記判定基準として記憶し、
前記判定部は、
前記活用フェーズにおいて、前記内部パラメータが設定された前記オートエンコーダに前記規格化ヒストグラムを入力する請求項５に記載の画像処理装置。
前記学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像を用いた機械学習により前記オートエンコーダの内部パラメータが決定され、上空から撮像された水面に前記余剰要素が含まれる撮像画像である第２の学習画像と前記第１の学習画像とを前記内部パラメータが設定された前記オートエンコーダに適用して得られた前記オートエンコーダの出力値に基づき生成された基準を、前記判定基準として記憶し、
前記判定部は、
前記活用フェーズにおいて、前記内部パラメータが設定された前記オートエンコーダに前記規格化ヒストグラムを入力する請求項５に記載の画像処理装置。
【請求項7】
前記記憶部は、
規定の規格化ルールに従い規格化されて得られた前記第１の学習画像の画素の輝度値についてのヒストグラムである第１の規格化ヒストグラムを前記オートエンコーダに入力して行われた機械学習により前記内部パラメータが決定され、前記規格化ルールに従い規格化されて得られた前記第２の学習画像の画素の輝度値についてのヒストグラムである第２の規格化ヒストグラムと前記第１の規格化ヒストグラムとを前記内部パラメータが設定された前記オートエンコーダに入力して得られた前記オートエンコーダの出力値に基づき生成された基準を、前記判定基準として記憶する請求項６に記載の画像処理装置。
規定の規格化ルールに従い規格化されて得られた前記第１の学習画像の画素の輝度値についてのヒストグラムである第１の規格化ヒストグラムを前記オートエンコーダに入力して行われた機械学習により前記内部パラメータが決定され、前記規格化ルールに従い規格化されて得られた前記第２の学習画像の画素の輝度値についてのヒストグラムである第２の規格化ヒストグラムと前記第１の規格化ヒストグラムとを前記内部パラメータが設定された前記オートエンコーダに入力して得られた前記オートエンコーダの出力値に基づき生成された基準を、前記判定基準として記憶する請求項６に記載の画像処理装置。
【請求項8】
上空から水面を撮像した撮像画像を複数の部分画像に分割する分割部と、
部分画像ごとに、部分画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、規格化ヒストグラムとして生成するヒストグラム生成部と、
前記規格化ヒストグラムをニューラルネットワークに入力して、部分画像ごとに、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定部とを有する画像処理装置。
部分画像ごとに、部分画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、規格化ヒストグラムとして生成するヒストグラム生成部と、
前記規格化ヒストグラムをニューラルネットワークに入力して、部分画像ごとに、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定部とを有する画像処理装置。
【請求項9】
前記判定部は、
上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についてのヒストグラムが前記規格化ルールに従い規格化されて得られた第１の規格化ヒストグラムと、上空から撮像された水面に前記余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムが前記規格化ルールに従い規格化されて得られた第２の規格化ヒストグラムとを用いた機械学習により決定された内部パラメータが設定された前記ニューラルネットワークに、前記規格化ヒストグラムを入力する請求項８に記載の画像処理装置。
上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についてのヒストグラムが前記規格化ルールに従い規格化されて得られた第１の規格化ヒストグラムと、上空から撮像された水面に前記余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムが前記規格化ルールに従い規格化されて得られた第２の規格化ヒストグラムとを用いた機械学習により決定された内部パラメータが設定された前記ニューラルネットワークに、前記規格化ヒストグラムを入力する請求項８に記載の画像処理装置。
【請求項10】
前記画像処理装置は、更に、
前記撮像画像の低分解能画像を生成する低分解能画像生成部を有し、
前記分割部は、
前記低分解能画像を前記複数の部分画像に分割する請求項１、５及び８のいずれか一項に記載の画像処理装置。
前記撮像画像の低分解能画像を生成する低分解能画像生成部を有し、
前記分割部は、
前記低分解能画像を前記複数の部分画像に分割する請求項１、５及び８のいずれか一項に記載の画像処理装置。
【請求項11】
学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、第１の規格化ヒストグラムとして生成する第１のヒストグラム生成部と、
前記学習フェーズにおいて、前記第１の規格化ヒストグラムをオートエンコーダに入力して行われた機械学習により、前記オートエンコーダの内部パラメータを決定する内部パラメータ決定部と、
前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についての、前記規格化ルールに従い規格化されたヒストグラムを、第２の規格化ヒストグラムとして生成する第２のヒストグラム生成部と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定を活用フェーズにおいて前記オートエンコーダの出力値と比較することにより可能にする判定基準を、前記学習フェーズにおいて、前記内部パラメータが設定された前記オートエンコーダに前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを入力して得られた前記オートエンコーダの出力値に基づき生成する判定基準生成部とを有する学習装置。
前記学習フェーズにおいて、前記第１の規格化ヒストグラムをオートエンコーダに入力して行われた機械学習により、前記オートエンコーダの内部パラメータを決定する内部パラメータ決定部と、
前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についての、前記規格化ルールに従い規格化されたヒストグラムを、第２の規格化ヒストグラムとして生成する第２のヒストグラム生成部と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定を活用フェーズにおいて前記オートエンコーダの出力値と比較することにより可能にする判定基準を、前記学習フェーズにおいて、前記内部パラメータが設定された前記オートエンコーダに前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを入力して得られた前記オートエンコーダの出力値に基づき生成する判定基準生成部とを有する学習装置。
【請求項12】
学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、第１の規格化ヒストグラムとして生成する第１のヒストグラム生成部と、
前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、第２の規格化ヒストグラムとして生成する第２のヒストグラム生成部と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定をニューラルネットワークが用いられる活用フェーズにおいて可能にする前記ニューラルネットワークの内部パラメータを、前記学習フェーズにおいて、前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを用いた機械学習により決定する内部パラメータ決定部とを有する学習装置。
前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、第２の規格化ヒストグラムとして生成する第２のヒストグラム生成部と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定をニューラルネットワークが用いられる活用フェーズにおいて可能にする前記ニューラルネットワークの内部パラメータを、前記学習フェーズにおいて、前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを用いた機械学習により決定する内部パラメータ決定部とを有する学習装置。
【請求項13】
コンピュータが、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
前記コンピュータが、部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度及び尖度の少なくともいずれかを統計値として算出する統計値算出処理と、
前記コンピュータが、部分画像ごとに、前記統計値を用いて、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定処理とを有する画像処理方法。
前記コンピュータが、部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度及び尖度の少なくともいずれかを統計値として算出する統計値算出処理と、
前記コンピュータが、部分画像ごとに、前記統計値を用いて、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定処理とを有する画像処理方法。
【請求項14】
上空から水面を撮像した撮像画像に水面以外の要素である余剰要素が含まれているか否かの判定が活用フェーズにおいてオートエンコーダの出力値と比較することにより可能な、学習フェーズにおける前記オートエンコーダを用いた機械学習により得られた判定基準をコンピュータが記憶する記憶処理と、
前記コンピュータが、前記活用フェーズにおいて、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
前記コンピュータが、前記活用フェーズにおいて、部分画像ごとに、部分画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して規格化ヒストグラムを生成するヒストグラム生成処理と、
前記コンピュータが、前記活用フェーズにおいて、前記規格化ヒストグラムを前記オートエンコーダに入力して前記オートエンコーダの出力値を取得し、取得した前記オートエンコーダの出力値と前記判定基準とを比較して、部分画像ごとに、部分画像に前記余剰要素が含まれているか否かを判定する判定処理とを有する画像処理方法。
前記コンピュータが、前記活用フェーズにおいて、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
前記コンピュータが、前記活用フェーズにおいて、部分画像ごとに、部分画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して規格化ヒストグラムを生成するヒストグラム生成処理と、
前記コンピュータが、前記活用フェーズにおいて、前記規格化ヒストグラムを前記オートエンコーダに入力して前記オートエンコーダの出力値を取得し、取得した前記オートエンコーダの出力値と前記判定基準とを比較して、部分画像ごとに、部分画像に前記余剰要素が含まれているか否かを判定する判定処理とを有する画像処理方法。
【請求項15】
コンピュータが、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
前記コンピュータが、部分画像ごとに、部分画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して規格化ヒストグラムを生成するヒストグラム生成処理と、
前記コンピュータが、前記規格化ヒストグラムをニューラルネットワークに入力して、部分画像ごとに、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定処理とを有する画像処理方法。
前記コンピュータが、部分画像ごとに、部分画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して規格化ヒストグラムを生成するヒストグラム生成処理と、
前記コンピュータが、前記規格化ヒストグラムをニューラルネットワークに入力して、部分画像ごとに、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定処理とを有する画像処理方法。
【請求項16】
コンピュータが、学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して第１の規格化ヒストグラムを生成する第１のヒストグラム生成処理と、
前記コンピュータが、前記学習フェーズにおいて、前記第１の規格化ヒストグラムをオートエンコーダに入力して行われた機械学習により、前記オートエンコーダの内部パラメータを決定する内部パラメータ決定処理と、
前記コンピュータが、前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを前記規格化ルールに従い規格化して第２の規格化ヒストグラムを生成する第２のヒストグラム生成処理と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定を活用フェーズにおいて前記オートエンコーダの出力値と比較することにより可能にする判定基準を、前記コンピュータが、前記学習フェーズにおいて、前記内部パラメータが設定された前記オートエンコーダに前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを入力して得られた前記オートエンコーダの出力値に基づき生成する判定基準生成処理とを有する学習方法。
前記コンピュータが、前記学習フェーズにおいて、前記第１の規格化ヒストグラムをオートエンコーダに入力して行われた機械学習により、前記オートエンコーダの内部パラメータを決定する内部パラメータ決定処理と、
前記コンピュータが、前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを前記規格化ルールに従い規格化して第２の規格化ヒストグラムを生成する第２のヒストグラム生成処理と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定を活用フェーズにおいて前記オートエンコーダの出力値と比較することにより可能にする判定基準を、前記コンピュータが、前記学習フェーズにおいて、前記内部パラメータが設定された前記オートエンコーダに前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを入力して得られた前記オートエンコーダの出力値に基づき生成する判定基準生成処理とを有する学習方法。
【請求項17】
コンピュータが、学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して第１の規格化ヒストグラムを生成する第１のヒストグラム生成処理と、
前記コンピュータが、前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを前記規格化ルールに従い規格化して第２の規格化ヒストグラムを生成する第２のヒストグラム生成処理と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定をニューラルネットワークが用いられる活用フェーズにおいて可能にする前記ニューラルネットワークの内部パラメータを、前記コンピュータが、前記学習フェーズにおいて、前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを用いた機械学習により決定する内部パラメータ決定処理とを有する学習方法。
前記コンピュータが、前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを前記規格化ルールに従い規格化して第２の規格化ヒストグラムを生成する第２のヒストグラム生成処理と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定をニューラルネットワークが用いられる活用フェーズにおいて可能にする前記ニューラルネットワークの内部パラメータを、前記コンピュータが、前記学習フェーズにおいて、前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを用いた機械学習により決定する内部パラメータ決定処理とを有する学習方法。
【請求項18】
上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度及び尖度の少なくともいずれかを統計値として算出する統計値算出処理と、
部分画像ごとに、前記統計値を用いて、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定処理とをコンピュータに実行させる画像処理プログラム。
部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度及び尖度の少なくともいずれかを統計値として算出する統計値算出処理と、
部分画像ごとに、前記統計値を用いて、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定処理とをコンピュータに実行させる画像処理プログラム。
【請求項19】
上空から水面を撮像した撮像画像に水面以外の要素である余剰要素が含まれているか否かの判定が活用フェーズにおいてオートエンコーダの出力値と比較することにより可能な、学習フェーズにおける前記オートエンコーダを用いた機械学習により得られた判定基準を記憶する記憶処理と、
前記活用フェーズにおいて、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
前記活用フェーズにおいて、部分画像ごとに、部分画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して規格化ヒストグラムを生成するヒストグラム生成処理と、
前記活用フェーズにおいて、前記規格化ヒストグラムを前記オートエンコーダに入力して前記オートエンコーダの出力値を取得し、取得した前記オートエンコーダの出力値と前記判定基準とを比較して、部分画像ごとに、部分画像に前記余剰要素が含まれているか否かを判定する判定処理とをコンピュータに実行させる画像処理プログラム。
前記活用フェーズにおいて、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
前記活用フェーズにおいて、部分画像ごとに、部分画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して規格化ヒストグラムを生成するヒストグラム生成処理と、
前記活用フェーズにおいて、前記規格化ヒストグラムを前記オートエンコーダに入力して前記オートエンコーダの出力値を取得し、取得した前記オートエンコーダの出力値と前記判定基準とを比較して、部分画像ごとに、部分画像に前記余剰要素が含まれているか否かを判定する判定処理とをコンピュータに実行させる画像処理プログラム。
【請求項20】
上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
部分画像ごとに、部分画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して規格化ヒストグラムを生成するヒストグラム生成処理と、
前記規格化ヒストグラムをニューラルネットワークに入力して、部分画像ごとに、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定処理とをコンピュータに実行させる画像処理プログラム。
部分画像ごとに、部分画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して規格化ヒストグラムを生成するヒストグラム生成処理と、
前記規格化ヒストグラムをニューラルネットワークに入力して、部分画像ごとに、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定処理とをコンピュータに実行させる画像処理プログラム。
【請求項21】
学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して第１の規格化ヒストグラムを生成する第１のヒストグラム生成処理と、
前記学習フェーズにおいて、前記第１の規格化ヒストグラムをオートエンコーダに入力して行われた機械学習により、前記オートエンコーダの内部パラメータを決定する内部パラメータ決定処理と、
前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを前記規格化ルールに従い規格化して第２の規格化ヒストグラムを生成する第２のヒストグラム生成処理と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定を活用フェーズにおいて前記オートエンコーダの出力値と比較することにより可能にする判定基準を、前記学習フェーズにおいて、前記内部パラメータが設定された前記オートエンコーダに前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを入力して得られた前記オートエンコーダの出力値に基づき生成する判定基準生成処理とをコンピュータに実行させる学習プログラム。
前記学習フェーズにおいて、前記第１の規格化ヒストグラムをオートエンコーダに入力して行われた機械学習により、前記オートエンコーダの内部パラメータを決定する内部パラメータ決定処理と、
前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを前記規格化ルールに従い規格化して第２の規格化ヒストグラムを生成する第２のヒストグラム生成処理と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定を活用フェーズにおいて前記オートエンコーダの出力値と比較することにより可能にする判定基準を、前記学習フェーズにおいて、前記内部パラメータが設定された前記オートエンコーダに前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを入力して得られた前記オートエンコーダの出力値に基づき生成する判定基準生成処理とをコンピュータに実行させる学習プログラム。
【請求項22】
学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して第１の規格化ヒストグラムを生成する第１のヒストグラム生成処理と、
前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを前記規格化ルールに従い規格化して第２の規格化ヒストグラムを生成する第２のヒストグラム生成処理と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定をニューラルネットワークが用いられる活用フェーズにおいて可能にする前記ニューラルネットワークの内部パラメータを、前記学習フェーズにおいて、前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを用いた機械学習により決定する内部パラメータ決定処理とをコンピュータに実行させる学習プログラム。
前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを前記規格化ルールに従い規格化して第２の規格化ヒストグラムを生成する第２のヒストグラム生成処理と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定をニューラルネットワークが用いられる活用フェーズにおいて可能にする前記ニューラルネットワークの内部パラメータを、前記学習フェーズにおいて、前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを用いた機械学習により決定する内部パラメータ決定処理とをコンピュータに実行させる学習プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、上空から水面を撮像した撮像画像に水面以外の要素である余剰要素が含まれているか否かを判定する技術に関する。
【背景技術】
【0002】
本開示に関連する技術として、例えば、特許文献１、非特許文献１及び非特許文献２に開示の技術がある。
特許文献１の技術では、標準偏差フィルタを用いて撮像画像から余剰要素を検出する。
また、非特許文献１及び非特許文献２の技術では、ＣＦＡＲ（Ｃｏｎｓｔａｎｔ Ｆａｌｓｅ Ａｌａｒｍ Ｒａｔｅ）を用いて撮像画像から余剰要素を検出する。
特許文献１の技術では、標準偏差フィルタを用いて撮像画像から余剰要素を検出する。
また、非特許文献１及び非特許文献２の技術では、ＣＦＡＲ（Ｃｏｎｓｔａｎｔ Ｆａｌｓｅ Ａｌａｒｍ Ｒａｔｅ）を用いて撮像画像から余剰要素を検出する。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特許第５５４５７４１号公報
【非特許文献】
【0004】
【非特許文献1】Ｍ．Ｓｅｋｉｎｅ ａｎｄ Ｙ． Ｍａｏ，Ｗｅｉｂｕｌｌ Ｒａｄａｒ Ｃｌｕｔｔｅｒ，Ｐｅｔｅｒ Ｐｅｒｅｇｒｉｎｕｓ，Ｌｏｎｄｏｎ，１９９０
【非特許文献2】Ｓ．Ｓａｙａｍａ ａｎｄ Ｍ．Ｓｅｋｉｎｅ，”Ｗｅｉｂｕｌｌ， ｌｏｇ－Ｗｅｉｂｕｌｌ ａｎｄ Ｋ－ｄｉｓｔｒｉｂｕｔｅｄ ｇｒｏｕｎｄ ｃｌｕｔｔｅｒ ｍｏｄｅｌｉｎｇ ａｎａｌｙｚｅｄ ｂｙ ＡＩＣ”，ＩＥＥＥ Ｔｒａｎｓ．Ａｅｒｏｓｐ．Ｅｌｅｃｔｒｏｎ．Ｓｙｓｔ．，ｖｏｌ．３７，ｐｐ．１１０８－１１１３，２００１
【発明の概要】
【発明が解決しようとする課題】
【0005】
標準偏差フィルタ又はＣＦＡＲを適用すると撮像画像から余剰要素を検出するのに時間がかかるという課題がある。
【0006】
本開示は、このような課題を解決することを主な目的の一つとしている。具体的には、本開示は、撮像画像から余剰要素を高速に検出することを主な目的とする。
【課題を解決するための手段】
【0007】
本開示に係る画像処理装置は、
上空から水面を撮像した撮像画像を複数の部分画像に分割する分割部と、
部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度及び尖度の少なくともいずれかを統計値として算出する統計値算出部と、
部分画像ごとに、前記統計値を用いて、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定部とを有する。
上空から水面を撮像した撮像画像を複数の部分画像に分割する分割部と、
部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度及び尖度の少なくともいずれかを統計値として算出する統計値算出部と、
部分画像ごとに、前記統計値を用いて、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定部とを有する。
【発明の効果】
【0008】
本開示によれば、撮像画像から余剰要素を高速に検出することができる。
【図面の簡単な説明】
【0009】
【図1】実施の形態１に係る画像処理装置の機能構成例を示す図。
【図2】実施の形態１に係る画像処理装置のハードウェア構成例を示す図。
【図3】実施の形態１に係る船舶追尾の手順を示すフローチャート。
【図4】実施の形態１に係る画像処理装置の動作例を示すフローチャート。
【図5】実施の形態１に係る狭帯域化信号によるレンジ圧縮の手順を示すフローチャート。
【図6】実施の形態１に係る狭帯域化信号によるアジマス圧縮の手順を示すフローチャート。
【図7】実施の形態１に係る指数分布の形状を示す図。
【図8】実施の形態１に係る歪度と尖度を用いた場合の船舶有無の判定基準を示す図。
【図9】実施の形態１に係る歪度と尖度を用いた場合の船舶有無の判定基準を示す図。
【図10】実施の形態２に係るオートエンコーダの例を示す図。
【図11】実施の形態２に係る学習装置の機能構成例を示す図。
【図12】実施の形態２に係る学習装置のハードウェア構成例を示す図。
【図13】実施の形態２に係る画像処理装置の機能構成例を示す図。
【図14】実施の形態２に係る学習装置の動作例を示すフローチャート。
【図15】実施の形態２に係る学習装置の動作例を示すフローチャート。
【図16】実施の形態２に係る海面ヒストグラム、船舶ありヒストグラム等を示す図。
【図17】実施の形態２に係る画像処理装置の動作例を示すフローチャート。
【図18】実施の形態３に係る学習装置の機能構成例を示す図。
【図19】実施の形態３に係る画像処理装置の機能構成例を示す図。
【図20】実施の形態３に係る学習装置の動作例を示すフローチャート。
【図21】実施の形態３に係る学習装置の動作例を示すフローチャート。
【図22】実施の形態３に係る画像処理装置の動作例を示すフローチャート。
【発明を実施するための形態】
【0010】
以下、実施の形態を図を用いて説明する。以下の実施の形態の説明及び図面において、同一の符号を付したものは、同一の部分又は相当する部分を示す。
【0011】
実施の形態１．
【0012】
【0013】
本実施の形態に係る画像処理装置１００は、コンピュータである。
画像処理装置１００の動作手順は、画像処理方法に相当する。また、画像処理装置１００の動作を実現するプログラムは、画像処理プログラムに相当する。
画像処理装置１００の動作手順は、画像処理方法に相当する。また、画像処理装置１００の動作を実現するプログラムは、画像処理プログラムに相当する。
【0014】
図２に示すように、画像処理装置１００は、ハードウェアとして、プロセッサ９１１、主記憶装置９１２、補助記憶装置９１３及び通信装置９１４を備える。
また、画像処理装置１００は、図１に示すように、機能構成として、低分解能画像生成部１０１、分割部１０２、統計値算出部１０３及び判定部１０４を備える。低分解能画像生成部１０１、分割部１０２、統計値算出部１０３及び判定部１０４の機能は、例えば、プログラムにより実現される。
補助記憶装置９１３には、低分解能画像生成部１０１、分割部１０２、統計値算出部１０３及び判定部１０４の機能を実現するプログラムが記憶されている。
これらプログラムは、補助記憶装置９１３から主記憶装置９１２にロードされる。そして、プロセッサ９１１がこれらプログラムを実行して、後述する低分解能画像生成部１０１、分割部１０２、統計値算出部１０３及び判定部１０４の動作を行う。
図２は、プロセッサ９１１が低分解能画像生成部１０１、分割部１０２、統計値算出部１０３及び判定部１０４の機能を実現するプログラムを実行している状態を模式的に表している。
また、画像処理装置１００は、図１に示すように、機能構成として、低分解能画像生成部１０１、分割部１０２、統計値算出部１０３及び判定部１０４を備える。低分解能画像生成部１０１、分割部１０２、統計値算出部１０３及び判定部１０４の機能は、例えば、プログラムにより実現される。
補助記憶装置９１３には、低分解能画像生成部１０１、分割部１０２、統計値算出部１０３及び判定部１０４の機能を実現するプログラムが記憶されている。
これらプログラムは、補助記憶装置９１３から主記憶装置９１２にロードされる。そして、プロセッサ９１１がこれらプログラムを実行して、後述する低分解能画像生成部１０１、分割部１０２、統計値算出部１０３及び判定部１０４の動作を行う。
図２は、プロセッサ９１１が低分解能画像生成部１０１、分割部１０２、統計値算出部１０３及び判定部１０４の機能を実現するプログラムを実行している状態を模式的に表している。
【0015】
本実施の形態では、画像処理装置１００は、人工衛星に搭載されているものとする。
そして、画像処理装置１００は、人工衛星で撮像された撮像画像１５０を取得する。撮像画像１５０は人工衛星において上空から水面の一例である海面を撮像した画像である。撮像画像１５０は、例えば、合成開口レーダ画像（以下、ＳＡＲ画像という）である。以下では、撮像画像１５０がＳＡＲ画像であるものとする。
撮像画像１５０には、海面以外の要素である余剰要素が含まれている場合がある。余剰要素には、例えば、船舶、海上プラント、島等が含まれる。
画像処理装置１００は、撮像画像１５０を解析して、撮像画像１５０に余剰要素が含まれるか否かを判定する。本実施の形態では、画像処理装置１００は、船舶追尾のために、撮像画像１５０に余剰要素として船舶が含まれているか否かを判定するものとする。
そして、画像処理装置１００は判定結果１６０を出力する。判定結果１６０の出力先は例えば船舶追尾の後続処理行う人工衛星内の情報処理装置である。
そして、画像処理装置１００は、人工衛星で撮像された撮像画像１５０を取得する。撮像画像１５０は人工衛星において上空から水面の一例である海面を撮像した画像である。撮像画像１５０は、例えば、合成開口レーダ画像（以下、ＳＡＲ画像という）である。以下では、撮像画像１５０がＳＡＲ画像であるものとする。
撮像画像１５０には、海面以外の要素である余剰要素が含まれている場合がある。余剰要素には、例えば、船舶、海上プラント、島等が含まれる。
画像処理装置１００は、撮像画像１５０を解析して、撮像画像１５０に余剰要素が含まれるか否かを判定する。本実施の形態では、画像処理装置１００は、船舶追尾のために、撮像画像１５０に余剰要素として船舶が含まれているか否かを判定するものとする。
そして、画像処理装置１００は判定結果１６０を出力する。判定結果１６０の出力先は例えば船舶追尾の後続処理行う人工衛星内の情報処理装置である。
【0016】
ここで、画像処理装置１００による処理を含む、人工衛星で実施される船舶追尾の手順を説明する。
図３は、船舶追尾の手順を示す。
図３の（ａ）は、簡易な船舶追尾の手順を示す。図３の（ｂ）は、より複雑な船舶追尾の手順を示す。
図３は、船舶追尾の手順を示す。
図３の（ａ）は、簡易な船舶追尾の手順を示す。図３の（ｂ）は、より複雑な船舶追尾の手順を示す。
【0017】
図３の（ａ）では、ステップＳ１１において、人工衛星による海洋観測が行われる。人工衛星に設けられた撮像装置（例えば、合成開口レーダ撮像装置）が、上空から海面を撮像する。撮像された画像は撮像画像１５０である。
ステップＳ１２では、画像処理装置１００が、撮像画像１５０から低分解能画像を生成する。
ステップＳ１３では、画像処理装置１００が、低分解能画像に船舶が含まれているか否かを判定する。
ステップＳ１４では、人工衛星内の情報処理装置が、ステップＳ１３の判定結果を、他の人工衛星に送信する。また、情報処理装置は、他の人工衛星での判定結果（他の人工衛星で行われたステップＳ１３に相当する判定の結果）を受信する。
ステップＳ１５では、情報処理装置が次回の観測の立案を行う。
そして、処理がステップＳ１１に戻る。
ステップＳ１２では、画像処理装置１００が、撮像画像１５０から低分解能画像を生成する。
ステップＳ１３では、画像処理装置１００が、低分解能画像に船舶が含まれているか否かを判定する。
ステップＳ１４では、人工衛星内の情報処理装置が、ステップＳ１３の判定結果を、他の人工衛星に送信する。また、情報処理装置は、他の人工衛星での判定結果（他の人工衛星で行われたステップＳ１３に相当する判定の結果）を受信する。
ステップＳ１５では、情報処理装置が次回の観測の立案を行う。
そして、処理がステップＳ１１に戻る。
【0018】
図３の（ｂ）において、ステップＳ１１～Ｓ１３及びＳ１５は、図３の（ａ）のものと同じである。
ステップＳ２１では、ステップＳ１３で船舶があると判定された領域のみ、情報処理装置において高分解能画像が生成される。
次に、ステップＳ２２において、情報処理装置が、ステップＳ２１で生成した高分解能画像をＣＦＡＲ、標準偏差フィルタ等を用いて解析して船舶の詳細な諸元（船舶の大きさ等）を測定する。
ステップＳ２３では、情報処理装置が、ステップＳ２２の測定結果である船舶諸元を、他の人工衛星に送信する。また、情報処理装置は、他の人工衛星での船舶諸元（他の人工衛星で行われたステップＳ２２に相当する測定の結果）を受信する。
ステップＳ２１では、ステップＳ１３で船舶があると判定された領域のみ、情報処理装置において高分解能画像が生成される。
次に、ステップＳ２２において、情報処理装置が、ステップＳ２１で生成した高分解能画像をＣＦＡＲ、標準偏差フィルタ等を用いて解析して船舶の詳細な諸元（船舶の大きさ等）を測定する。
ステップＳ２３では、情報処理装置が、ステップＳ２２の測定結果である船舶諸元を、他の人工衛星に送信する。また、情報処理装置は、他の人工衛星での船舶諸元（他の人工衛星で行われたステップＳ２２に相当する測定の結果）を受信する。
【0019】
図１では、画像処理装置１００は撮像装置から独立しているが、画像処理装置１００と撮像装置とが一体となっていてもよい。また、図１では、画像処理装置１００は上述の情報処理装置から独立しているが、画像処理装置１００と情報処理装置とが一体となっていてもよい。
以下の説明では、画像処理装置１００が撮像装置と情報処理装置とから独立している例を説明する。
以下の説明では、画像処理装置１００が撮像装置と情報処理装置とから独立している例を説明する。
【0020】
図１において、低分解能画像生成部１０１は、撮像装置から、上空から海面を撮像して得られた撮像画像１５０を取得する。
そして、低分解能画像生成部１０１は、撮像画像１５０の分解能を劣化させて低分解能画像を生成する。
低分解能画像生成部１０１により行われる処理は低分解能画像生成処理に相当する。
そして、低分解能画像生成部１０１は、撮像画像１５０の分解能を劣化させて低分解能画像を生成する。
低分解能画像生成部１０１により行われる処理は低分解能画像生成処理に相当する。
【0021】
分割部１０２は、低分解能画像生成部１０１から低分解能画像を取得する。
そして、分割部１０２は、低分解能画像を複数の部分画像に分割する。
分割部１０２により行われる処理は分割処理に相当する。
そして、分割部１０２は、低分解能画像を複数の部分画像に分割する。
分割部１０２により行われる処理は分割処理に相当する。
【0022】
統計値算出部１０３は、分割部１０２から複数の部分画像を取得する。
そして、統計値算出部１０３は、部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度（ｓｋｅｗｎｅｓｓ、以下ｓとも記す）及び尖度（ｋｕｒｔｏｓｉｓ、以下ｋとも記す）の少なくともいずれかを統計値として算出する。
統計値算出部１０３により行われる処理は統計値算出処理に相当する。
そして、統計値算出部１０３は、部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度（ｓｋｅｗｎｅｓｓ、以下ｓとも記す）及び尖度（ｋｕｒｔｏｓｉｓ、以下ｋとも記す）の少なくともいずれかを統計値として算出する。
統計値算出部１０３により行われる処理は統計値算出処理に相当する。
【0023】
判定部１０４は、統計値算出部１０３から部分画像ごとに統計値を取得する。
そして、判定部１０４は、部分画像ごとに、統計値を用いて、部分画像に余剰要素である船舶が含まれているか否かを判定する。より具体的には、判定部１０４は、統計値と閾値とを比較して、部分画像に船舶が含まれているか否かを判定する。また、判定部１０４は、これに代えて、統計値を用いた機械学習により得られた判定基準と統計値とを比較して、部分画像に船舶が含まれているか否かを判定してもよい。
そして、判定部１０４は、判定結果１６０を情報処理装置に出力する。
判定部１０４により行われる処理は判定処理に相当する。
そして、判定部１０４は、部分画像ごとに、統計値を用いて、部分画像に余剰要素である船舶が含まれているか否かを判定する。より具体的には、判定部１０４は、統計値と閾値とを比較して、部分画像に船舶が含まれているか否かを判定する。また、判定部１０４は、これに代えて、統計値を用いた機械学習により得られた判定基準と統計値とを比較して、部分画像に船舶が含まれているか否かを判定してもよい。
そして、判定部１０４は、判定結果１６０を情報処理装置に出力する。
判定部１０４により行われる処理は判定処理に相当する。
【0024】
【0025】
ステップＳ１０１において、低分解能画像生成部１０１は、撮像画像１５０を取得し、撮像画像１５０の分解能を劣化させて低分解能画像を生成する。
低分解能画像生成部１０１は、例えば、撮像画像１５０の狭帯域化によって低分解能画像を生成する。低分解能画像生成部１０１は、例えば狭帯域化を伴うレンジドップラー処理を行う。
低分解能画像生成部１０１は、例えば、撮像画像１５０の狭帯域化によって低分解能画像を生成する。低分解能画像生成部１０１は、例えば狭帯域化を伴うレンジドップラー処理を行う。
【0026】
狭帯域化を伴うレンジドップラー処理では、低分解能画像生成部１０１は、「狭帯域化信号によるレンジ圧縮」、「レンジマイグレーション補正」、及び「狭帯域化信号によるアジマス圧縮」を行う。
レンジ方向は電波照射方向を指す。アジマス方向は人工衛星の進行方向を指す。レンジ圧縮はレンジ方向のパルス圧縮を指す。アジマス圧縮はアジマス方向のパルス圧縮を指す。
レンジ方向は電波照射方向を指す。アジマス方向は人工衛星の進行方向を指す。レンジ圧縮はレンジ方向のパルス圧縮を指す。アジマス圧縮はアジマス方向のパルス圧縮を指す。
【0027】
「狭帯域化信号によるレンジ圧縮」では、低分解能画像生成部１０１は、図５に示す順に観測開始時刻ｔ＝ｔｓから観測終了時刻ｔ＝ｔｅまで処理を実施する。
低分解能画像生成部１０１は、周波数領域で帯域を狭めた信号（レンジ参照関数）でレンジ圧縮を行うことで、レンジ方向に分解能が劣化した低分解能画像を生成する。
低分解能画像生成部１０１は、周波数領域で帯域を狭めた信号（レンジ参照関数）でレンジ圧縮を行うことで、レンジ方向に分解能が劣化した低分解能画像を生成する。
【0028】
また、「レンジマイグレーション補正」については、人工衛星がアジマス方向に進むと、人工衛星と観測対象の距離（スラントレンジ距離）も変化する。このスラントレンジ距離の変化をレンジマイグレーションという。レンジ圧縮後の低分解能画像に含まれる観測対象からの信号は、レンジマイグレーションのために２次関数のようにスラントレンジ距離が変化している。低分解能画像生成部１０１は、この距離を同一のスラントレンジ距離になるように低分解能画像に含まれる観測対象からの信号を並び替える。
【0029】
「狭帯域化信号によるアジマス圧縮」では、低分解能画像生成部１０１は、図６に示す順にニアレンジ（スラントレンジ距離が最も近い観測対象）からファーレンジ（スラントレンジ距離が最も遠い観測対象）まで処理を実施する。
低分解能画像生成部１０１は、周波数領域で帯域を狭めた信号（アジマス参照関数）でアジマス圧縮を行うことで、アジマス方向に分解能が劣化した低分解能画像を生成する。
低分解能画像生成部１０１は、周波数領域で帯域を狭めた信号（アジマス参照関数）でアジマス圧縮を行うことで、アジマス方向に分解能が劣化した低分解能画像を生成する。
【0030】
図４に戻り、次に、ステップＳ１０２において、分割部１０２が低分解能画像生成部１０１から低分解能画像を取得し、低分解能画像を複数の部分画像に分割する。なお、部分画像間に重複があってもよい。
【0031】
次に、部分画像ごとに、ステップＳ１０３において、統計値算出部１０３が統計値を算出する。
前述のように、統計値は輝度値についての歪度及び尖度の少なくともいずれかである。後述する判定部１０４の判定方法に応じて、統計値算出部１０３は、統計値として、歪度のみ、尖度のみ、歪度及び尖度の両者のいずれかを算出する。
前述のように、統計値は輝度値についての歪度及び尖度の少なくともいずれかである。後述する判定部１０４の判定方法に応じて、統計値算出部１０３は、統計値として、歪度のみ、尖度のみ、歪度及び尖度の両者のいずれかを算出する。
【0032】
ここで、歪度ｓは、以下の式（１）で定義される。
ｓ＝Ｅ［（ｘ－μ）３］／σ３ 式（１）
ｓ＝Ｅ［（ｘ－μ）３］／σ３ 式（１）
【0033】
また、尖度ｋは、以下の式（２）で定義される。
ｋ＝Ｅ［（ｘ－μ）４］／σ４ 式（２）
ｋ＝Ｅ［（ｘ－μ）４］／σ４ 式（２）
【0034】
式（１）及び式（２）において、ｘは部分画像内の各画素の輝度（正確にはレーダーの後方散乱の強度）を表す。μはｘの平均値を表す。σはｘの標準偏差を表す。Ｅ［ｔ］は数量ｔの期待値を表す。
上記の尖度ｋの定義に従うと、正規分布の尖度はｋ＝３となる。正規分布の尖度がゼロとなるように式（２）の定義から３を引いたものを尖度ｋの定義式とすることが多いが、本実施の形態では尖度ｋを上記のように定義する。
船舶の輝度は海面の輝度よりも高いので、船舶が混在する部分画像の歪度及び尖度は、海面のみ部分画像の歪度及び尖度よりも大きくなる。なぜならば、部分画像内に平均μよりも大きなデータ（ｘ＞μ）が混在するほど、分子のＥ［（ｘ－μ）３］及びやＥ［（ｘ－μ）４］の値が大きくなるからである。
上記の尖度ｋの定義に従うと、正規分布の尖度はｋ＝３となる。正規分布の尖度がゼロとなるように式（２）の定義から３を引いたものを尖度ｋの定義式とすることが多いが、本実施の形態では尖度ｋを上記のように定義する。
船舶の輝度は海面の輝度よりも高いので、船舶が混在する部分画像の歪度及び尖度は、海面のみ部分画像の歪度及び尖度よりも大きくなる。なぜならば、部分画像内に平均μよりも大きなデータ（ｘ＞μ）が混在するほど、分子のＥ［（ｘ－μ）３］及びやＥ［（ｘ－μ）４］の値が大きくなるからである。
【0035】
ここで、海面のＳＡＲ画像の輝度分布（強度分布）について概説する。
海面等のスペックルの強度の確率密度関数は、以下の式（３）で示す指数分布によく一致する。
海面等のスペックルの強度の確率密度関数は、以下の式（３）で示す指数分布によく一致する。
【0036】
【数1】
【0037】
式（３）の最も右の式ではλ＝１／２σ２とおいた。λ＝１とした場合の指数分布の形状を図７に示す。
指数分布の平均μは１／λである。標準偏差σも１／λである。歪度は２である。尖度は９である。なお、尖度９は、本実施の形態の定義の場合であり、正規分布の尖度をゼロとする定義の場合は尖度６である。このように、指数分布は単一のパラメータλによって形状が決まり、歪度や尖度は定数となる。
部分画像に船舶が混在すると確率密度関数は指数分布には従わなくなり、歪度及び尖度はそれぞれ２及び９よりも大きな値となる。
実際の海面のみの撮像画像の輝度分布は完全には指数分布にならないため、歪度及び尖度は厳密には２及び９にならない。しかし、海面のみの撮像画像の輝度分布から得られる理論値である歪度：２及び尖度：９は、後述のステップＳ１０４における船舶有無の判定の閾値の目安になる。
指数分布の平均μは１／λである。標準偏差σも１／λである。歪度は２である。尖度は９である。なお、尖度９は、本実施の形態の定義の場合であり、正規分布の尖度をゼロとする定義の場合は尖度６である。このように、指数分布は単一のパラメータλによって形状が決まり、歪度や尖度は定数となる。
部分画像に船舶が混在すると確率密度関数は指数分布には従わなくなり、歪度及び尖度はそれぞれ２及び９よりも大きな値となる。
実際の海面のみの撮像画像の輝度分布は完全には指数分布にならないため、歪度及び尖度は厳密には２及び９にならない。しかし、海面のみの撮像画像の輝度分布から得られる理論値である歪度：２及び尖度：９は、後述のステップＳ１０４における船舶有無の判定の閾値の目安になる。
【0038】
図４に戻り、ステップＳ１０４において、判定部１０４が統計値算出部１０３から部分画像ごとの統計値を取得し、部分画像ごとに、統計値を用いて、部分画像に船舶が含まれているか否かを判定する。
判定部１０４は、以下の４つの判定方法のいずれかにより、部分画像での船舶の有無を判定する。
判定方法１：歪度のみを用いる
判定方法２：尖度のみを用いる
判定方法３：歪度と尖度を用いる（図８）
判定方法４：歪度と尖度を用いる（図９）
以下に、判定方法１～４のそれぞれを説明する。
判定部１０４は、以下の４つの判定方法のいずれかにより、部分画像での船舶の有無を判定する。
判定方法１：歪度のみを用いる
判定方法２：尖度のみを用いる
判定方法３：歪度と尖度を用いる（図８）
判定方法４：歪度と尖度を用いる（図９）
以下に、判定方法１～４のそれぞれを説明する。
【0039】
判定方法１では、判定部１０４は、歪度に対して閾値を設定する。前述したように、歪度：２（指数分布の歪度の理論値）は閾値の目安になる。このため、判定部１０４は、歪度：２に基づき、撮像画像を用いた検証によって閾値を決定する。判定部１０４は、ステップＳ１０４に先立ち、予め閾値を決定しておく。
ステップＳ１０３で算出された歪度が閾値未満であれば、判定部１０４は「船舶なし」と判定する。一方、ステップＳ１０３で算出された歪度が閾値以上であれば、判定部１０４は「船舶あり」と判定する。
ステップＳ１０３で算出された歪度が閾値未満であれば、判定部１０４は「船舶なし」と判定する。一方、ステップＳ１０３で算出された歪度が閾値以上であれば、判定部１０４は「船舶あり」と判定する。
【0040】
判定方法２では、判定部１０４は、尖度に対して閾値を設定する。前述したように、尖度：９（指数分布の歪度の理論値）は閾値の目安になる。このため、判定部１０４は、尖度：９に基づき、撮像画像を用いた検証によって閾値を決定する。判定部１０４は、ステップＳ１０４に先立ち、予め閾値を決定しておく。
ステップＳ１０３で算出された尖度が閾値未満であれば、判定部１０４は「船舶なし」と判定する。一方、ステップＳ１０３で算出された尖度が閾値以上であれば、判定部１０４は「船舶あり」と判定する。
ステップＳ１０３で算出された尖度が閾値未満であれば、判定部１０４は「船舶なし」と判定する。一方、ステップＳ１０３で算出された尖度が閾値以上であれば、判定部１０４は「船舶あり」と判定する。
【0041】
判定方法３では、判定部１０４は、歪度と尖度それぞれに対して閾値を設定する。閾値の設定方法は、判定方法１と判定方法２に示す通りである。
そして、判定部１０４は、図８に示すように、歪度及び尖度がともに閾値以上であれば「船舶あり」と判定する。一方、歪度及び尖度のいずれか又は両方が閾値未満であれば、判定部１０４は「船舶なし」と判定する。なお、図８では、閾値として、理論値よりも若干大きな値を用いている。
そして、判定部１０４は、図８に示すように、歪度及び尖度がともに閾値以上であれば「船舶あり」と判定する。一方、歪度及び尖度のいずれか又は両方が閾値未満であれば、判定部１０４は「船舶なし」と判定する。なお、図８では、閾値として、理論値よりも若干大きな値を用いている。
【0042】
判定方法１及び判定方法２に対する、判定方法３の利点はロバスト性である。
例えば、部分画像に海面よりも明らかに明るい物体が混在している場合（つまりｘ≫μが成立する場合）にも、より強い確信度を以て「船舶あり」と判定したい。この考えに立つと、判定方法１よりも判定方法２が優れていると言える（次数が高いので）。しかしながら、尖度は偶数べきなので、ｘ≪μであるような暗い物体が混在している場合にも尖度の値が大きくなってしまい、誤判定の基となる。
他方、歪度は奇数べきなので、ｘ≪μの場合に歪度は負の方向に大きくなり、ｘ≫μと区別が可能である。
判定方法３は、歪度と尖度の両方を使用することで誤判定が発生する確率が下がることが期待できる。
例えば、部分画像に海面よりも明らかに明るい物体が混在している場合（つまりｘ≫μが成立する場合）にも、より強い確信度を以て「船舶あり」と判定したい。この考えに立つと、判定方法１よりも判定方法２が優れていると言える（次数が高いので）。しかしながら、尖度は偶数べきなので、ｘ≪μであるような暗い物体が混在している場合にも尖度の値が大きくなってしまい、誤判定の基となる。
他方、歪度は奇数べきなので、ｘ≪μの場合に歪度は負の方向に大きくなり、ｘ≫μと区別が可能である。
判定方法３は、歪度と尖度の両方を使用することで誤判定が発生する確率が下がることが期待できる。
【0043】
判定方法４では、判定部１０４は、歪度及び尖度を用いた機械学習により得られた判定基準と歪度及び尖度とを比較して、部分画像に船舶が含まれているか否かを判定する。
より具体的には、事前にＳＶＭ（サポートベクターマシーン）を用いて歪度及び尖度についての教師あり学習を行う。そして、判定部１０４は、学習済みのＳＶＭを用いて「船舶なし」と「船舶あり」の境界（判定基準）を設定する。
図９に、判定方法４の実施イメージを示す。図９の破線による斜線が境界（判定基準）である。図９の数値は部分画像に付与した一連番号である。
図９の例の場合、丸で囲んだ部分画像１、２、４、５及び７は斜線の下にあり、判定部１０４は「船舶なし」と判定する。一方、矩形で囲んだ部分画像３、６及び８は斜線の上にあり、判定部１０４は「船舶あり」と判定する。
より具体的には、事前にＳＶＭ（サポートベクターマシーン）を用いて歪度及び尖度についての教師あり学習を行う。そして、判定部１０４は、学習済みのＳＶＭを用いて「船舶なし」と「船舶あり」の境界（判定基準）を設定する。
図９に、判定方法４の実施イメージを示す。図９の破線による斜線が境界（判定基準）である。図９の数値は部分画像に付与した一連番号である。
図９の例の場合、丸で囲んだ部分画像１、２、４、５及び７は斜線の下にあり、判定部１０４は「船舶なし」と判定する。一方、矩形で囲んだ部分画像３、６及び８は斜線の上にあり、判定部１０４は「船舶あり」と判定する。
【0044】
図４に戻り、最後に、ステップＳ１０５において、判定部１０４は、ステップＳ１０４の判定結果が示される判定結果１６０を出力する。
【0045】
＊＊＊実施の形態の効果の説明＊＊＊
以上のように、本実施の形態では、ＣＦＡＲ、標準偏差フィルタを使用しないため、船舶有無を高速に判定することができる。
また、本実施の形態では、撮像画像を複数の部分画像に分割し、部分画像ごとに船舶有無を判定するため、船舶有無を高速に判定することができる。
更に、本実施の形態では、低分解能画像を用いて船舶有無を判定するため、船舶有無を高速に判定することができる。
以上のように、本実施の形態では、ＣＦＡＲ、標準偏差フィルタを使用しないため、船舶有無を高速に判定することができる。
また、本実施の形態では、撮像画像を複数の部分画像に分割し、部分画像ごとに船舶有無を判定するため、船舶有無を高速に判定することができる。
更に、本実施の形態では、低分解能画像を用いて船舶有無を判定するため、船舶有無を高速に判定することができる。
【0046】
なお、船舶有無の判定を単純な２値化などの閾値処理で実施すると誤判定が多くなることが懸念される。しかし、本実施の形態では、統計値（歪度、尖度）を用いているため、誤判定を回避することができる。特に、本実施の形態では、海面のみの撮像画像の輝度分布から得られる統計値の理論値から決定された閾値との比較により、船舶有無の判定を行っているため、誤判定を回避することができる。更に、統計値として歪度と尖度を用いる場合は、誤判定の確率をより下げることができる。
【0047】
実施の形態２．
本実施の形態では、オートエンコーダを用いて船舶有無を判定する例を説明する。
本実施の形態では、主に実施の形態１との差異を説明する。
なお、以下で説明していない事項は、実施の形態１と同様である。
本実施の形態では、オートエンコーダを用いて船舶有無を判定する例を説明する。
本実施の形態では、主に実施の形態１との差異を説明する。
なお、以下で説明していない事項は、実施の形態１と同様である。
【0048】
まず、オートエンコーダについて説明する。
オートエンコーダとは、与えられた入力を隠れ層に渡し（ｅｎｃｏｄｅ部）、入力を再現する（ｄｅｃｏｄｅ部）ように重み関数を最適化するニューラルネットワークである。
オートエンコーダは、図１０のように、少なくとも３層のニューラルネットワークから構成される。入力層と出力層のノード数（図１０の円形の数）は同一であり、入力データと一致するデータを出力するように学習が実施される。隠れ層のノード数は、通常は入力層や出力層のノード数よりも小さくする。そのため、いわゆる「次元削減」が実現されることになる。
オートエンコーダとは、与えられた入力を隠れ層に渡し（ｅｎｃｏｄｅ部）、入力を再現する（ｄｅｃｏｄｅ部）ように重み関数を最適化するニューラルネットワークである。
オートエンコーダは、図１０のように、少なくとも３層のニューラルネットワークから構成される。入力層と出力層のノード数（図１０の円形の数）は同一であり、入力データと一致するデータを出力するように学習が実施される。隠れ層のノード数は、通常は入力層や出力層のノード数よりも小さくする。そのため、いわゆる「次元削減」が実現されることになる。
【0049】
本実施の形態では、オートエンコーダによる次元削減の効果を利用する。
具体的には、学習フェーズにおいて、オートエンコーダを学習し、活用フェーズにおいてオートエンコーダの出力値と比較することで船舶有無を判定可能な判定基準を決定する。また、活用フェーズにおいて、オートエンコーダの出力値を得て、オートエンコーダの出力値と判定基準とを比較して船舶有無の判定を行う。
なお、オートエンコーダのｅｎｃｏｄｅ部が出力する数値の個数（＝隠れ層のノード数）は、１個から数個とする。
具体的には、学習フェーズにおいて、オートエンコーダを学習し、活用フェーズにおいてオートエンコーダの出力値と比較することで船舶有無を判定可能な判定基準を決定する。また、活用フェーズにおいて、オートエンコーダの出力値を得て、オートエンコーダの出力値と判定基準とを比較して船舶有無の判定を行う。
なお、オートエンコーダのｅｎｃｏｄｅ部が出力する数値の個数（＝隠れ層のノード数）は、１個から数個とする。
【0050】
＊＊＊構成の説明＊＊＊
図１１は、本実施の形態に係る学習装置２００の機能構成例を示す。
また、図１２は、本実施の形態に係る学習装置２００のハードウェア構成例を示す。
学習装置２００は、学習フェーズにおいて、オートエンコーダを学習する。
図１１は、本実施の形態に係る学習装置２００の機能構成例を示す。
また、図１２は、本実施の形態に係る学習装置２００のハードウェア構成例を示す。
学習装置２００は、学習フェーズにおいて、オートエンコーダを学習する。
【0051】
本実施の形態に係る学習装置２００は、コンピュータである。
学習装置２００の動作手順は、学習方法に相当する。また、学習装置２００の動作を実現するプログラムは、学習プログラムに相当する。
学習装置２００の動作手順は、学習方法に相当する。また、学習装置２００の動作を実現するプログラムは、学習プログラムに相当する。
【0052】
図１２に示すように、学習装置２００は、ハードウェアとして、プロセッサ９２１、主記憶装置９２２、補助記憶装置９２３及び通信装置９２４を備える。
また、学習装置２００は、図１１に示すように、機能構成として、低分解能画像生成部２０１、分割部２０２、第１のヒストグラム生成部２０３、内部パラメータ決定部２０４、第２のヒストグラム生成部２０５及び判定基準生成部２０６を備える。低分解能画像生成部２０１、分割部２０２、第１のヒストグラム生成部２０３、内部パラメータ決定部２０４、第２のヒストグラム生成部２０５及び判定基準生成部２０６の機能は、例えば、プログラムにより実現される。
補助記憶装置９２３には、低分解能画像生成部２０１、分割部２０２、第１のヒストグラム生成部２０３、内部パラメータ決定部２０４、第２のヒストグラム生成部２０５及び判定基準生成部２０６の機能を実現するプログラムが記憶されている。
これらプログラムは、補助記憶装置９２３から主記憶装置９２２にロードされる。そして、プロセッサ９２１がこれらプログラムを実行して、後述する低分解能画像生成部２０１、分割部２０２、第１のヒストグラム生成部２０３、内部パラメータ決定部２０４、第２のヒストグラム生成部２０５及び判定基準生成部２０６の動作を行う。
図１２は、プロセッサ９２１が低分解能画像生成部２０１、分割部２０２、第１のヒストグラム生成部２０３、内部パラメータ決定部２０４、第２のヒストグラム生成部２０５及び判定基準生成部２０６の機能を実現するプログラムを実行している状態を模式的に表している。
また、学習装置２００は、図１１に示すように、機能構成として、低分解能画像生成部２０１、分割部２０２、第１のヒストグラム生成部２０３、内部パラメータ決定部２０４、第２のヒストグラム生成部２０５及び判定基準生成部２０６を備える。低分解能画像生成部２０１、分割部２０２、第１のヒストグラム生成部２０３、内部パラメータ決定部２０４、第２のヒストグラム生成部２０５及び判定基準生成部２０６の機能は、例えば、プログラムにより実現される。
補助記憶装置９２３には、低分解能画像生成部２０１、分割部２０２、第１のヒストグラム生成部２０３、内部パラメータ決定部２０４、第２のヒストグラム生成部２０５及び判定基準生成部２０６の機能を実現するプログラムが記憶されている。
これらプログラムは、補助記憶装置９２３から主記憶装置９２２にロードされる。そして、プロセッサ９２１がこれらプログラムを実行して、後述する低分解能画像生成部２０１、分割部２０２、第１のヒストグラム生成部２０３、内部パラメータ決定部２０４、第２のヒストグラム生成部２０５及び判定基準生成部２０６の動作を行う。
図１２は、プロセッサ９２１が低分解能画像生成部２０１、分割部２０２、第１のヒストグラム生成部２０３、内部パラメータ決定部２０４、第２のヒストグラム生成部２０５及び判定基準生成部２０６の機能を実現するプログラムを実行している状態を模式的に表している。
【0053】
本実施の形態では、学習装置２００は、人工衛星に搭載されているものとする。
そして、学習装置２００は、学習画像２５０及び学習画像２６０を取得する。学習画像２５０及び学習画像２６０は人工衛星において上空から水面の一例である海面を撮像した画像である。学習画像２５０及び学習画像２６０は、例えば、ＳＡＲ画像である。以下では、学習画像２５０及び学習画像２６０がＳＡＲ画像であるものとする。
学習画像２５０は、海面のみの撮像画像であり、余剰要素が含まれていない。つまり、学習画像２５０には船舶が含まれていない。
学習画像２６０は、余剰要素が含まれている撮像画像である。つまり、学習画像２６０には船舶が含まれている。
そして、学習装置２００は、学習画像２５０及び学習画像２６０を取得する。学習画像２５０及び学習画像２６０は人工衛星において上空から水面の一例である海面を撮像した画像である。学習画像２５０及び学習画像２６０は、例えば、ＳＡＲ画像である。以下では、学習画像２５０及び学習画像２６０がＳＡＲ画像であるものとする。
学習画像２５０は、海面のみの撮像画像であり、余剰要素が含まれていない。つまり、学習画像２５０には船舶が含まれていない。
学習画像２６０は、余剰要素が含まれている撮像画像である。つまり、学習画像２６０には船舶が含まれている。
【0054】
学習装置２００は、図１１では図示を省略しているが、オートエンコーダを有する。
学習装置２００は、学習画像２５０の部分画像のヒストグラムを用いた機械学習により、オートエンコーダの内部パラメータを決定する。更に、学習装置２００は、内部パラメータをオートエンコーダに設定し、学習画像２５０の部分画像のヒストグラムと学習画像２６０の部分画像のヒストグラムをオートエンコーダに入力して得られたオートエンコーダの出力値に基づき、判定基準を生成する。学習装置２００が生成する判定基準は、活用フェーズにおいてオートエンコーダの出力値と比較することで船舶有無を判定可能な判定基準である。そして、学習装置２００は、内部パラメータ２７０と判定基準２８０を画像処理装置１００に出力する。
学習装置２００は、学習画像２５０の部分画像のヒストグラムを用いた機械学習により、オートエンコーダの内部パラメータを決定する。更に、学習装置２００は、内部パラメータをオートエンコーダに設定し、学習画像２５０の部分画像のヒストグラムと学習画像２６０の部分画像のヒストグラムをオートエンコーダに入力して得られたオートエンコーダの出力値に基づき、判定基準を生成する。学習装置２００が生成する判定基準は、活用フェーズにおいてオートエンコーダの出力値と比較することで船舶有無を判定可能な判定基準である。そして、学習装置２００は、内部パラメータ２７０と判定基準２８０を画像処理装置１００に出力する。
【0055】
図１１において、低分解能画像生成部２０１は、学習画像２５０を取得する。
そして、低分解能画像生成部２０１は、学習画像２５０の分解能を劣化させて低分解能画像を生成する。
また、低分解能画像生成部２０１は、学習画像２６０を取得する。
そして、低分解能画像生成部２０１は、学習画像２６０の分解能を劣化させて低分解能画像を生成する。
低分解能画像生成部２０１により行われる処理は低分解能画像生成処理に相当する。
そして、低分解能画像生成部２０１は、学習画像２５０の分解能を劣化させて低分解能画像を生成する。
また、低分解能画像生成部２０１は、学習画像２６０を取得する。
そして、低分解能画像生成部２０１は、学習画像２６０の分解能を劣化させて低分解能画像を生成する。
低分解能画像生成部２０１により行われる処理は低分解能画像生成処理に相当する。
【0056】
分割部２０２は、低分解能画像生成部２０１から学習画像２５０の低分解能画像を取得する。
そして、低分解能画像生成部２０１は、学習画像２５０の低分解能画像を複数の部分画像に分割する。
学習画像２５０の低分解能画像の部分画像を、以下では、第１の部分画像という。第１の部分画像は第１の学習画像に相当する。
また、分割部２０２は、低分解能画像生成部２０１から学習画像２６０の低分解能画像を取得する。
そして、分割部２０２は、学習画像２６０の低分解能画像を複数の部分画像に分割する。
学習画像２６０の低分解能画像の部分画像を、以下では、第２の部分画像という。第２の部分画像は第２の学習画像に相当する。
また、分割部２０２により行われる処理は分割処理に相当する。
そして、低分解能画像生成部２０１は、学習画像２５０の低分解能画像を複数の部分画像に分割する。
学習画像２５０の低分解能画像の部分画像を、以下では、第１の部分画像という。第１の部分画像は第１の学習画像に相当する。
また、分割部２０２は、低分解能画像生成部２０１から学習画像２６０の低分解能画像を取得する。
そして、分割部２０２は、学習画像２６０の低分解能画像を複数の部分画像に分割する。
学習画像２６０の低分解能画像の部分画像を、以下では、第２の部分画像という。第２の部分画像は第２の学習画像に相当する。
また、分割部２０２により行われる処理は分割処理に相当する。
【0057】
第１のヒストグラム生成部２０３は、分割部２０２から複数の第１の部分画像を取得する。
そして、第１のヒストグラム生成部２０３は、第１の部分画像ごとに、第１の部分画像の画素の輝度値についての規格化されたヒストグラムを生成する。より具体的には、第１のヒストグラム生成部２０３は、第１の部分画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを生成する。第１のヒストグラム生成部２０３により生成されるヒストグラムを第１の規格化ヒストグラムという。
第１のヒストグラム生成部２０３により行われる処理は、第１のヒストグラム生成処理に相当する。
そして、第１のヒストグラム生成部２０３は、第１の部分画像ごとに、第１の部分画像の画素の輝度値についての規格化されたヒストグラムを生成する。より具体的には、第１のヒストグラム生成部２０３は、第１の部分画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを生成する。第１のヒストグラム生成部２０３により生成されるヒストグラムを第１の規格化ヒストグラムという。
第１のヒストグラム生成部２０３により行われる処理は、第１のヒストグラム生成処理に相当する。
【0058】
内部パラメータ決定部２０４は、第１の規格化ヒストグラムをオートエンコーダに入力して機械学習を行う。そして、内部パラメータ決定部２０４は、機械学習の結果、オートエンコーダの内部パラメータを決定する。
内部パラメータ決定部２０４により行われる処理は、内部パラメータ決定処理に相当する。
内部パラメータ決定部２０４により行われる処理は、内部パラメータ決定処理に相当する。
【0059】
第２のヒストグラム生成部２０５は、分割部２０２から複数の第２の部分画像を取得する。
そして、第２のヒストグラム生成部２０５は、第２の部分画像ごとに、第２の部分画像の画素の輝度値についての規格化されたヒストグラムを生成する。より具体的には、第２のヒストグラム生成部２０５は、第２の部分画像の画素の輝度値についての、規格化ルールに従い規格化されたヒストグラムを生成する。規格化ルールは第１の規格化ヒストグラムの生成に用いられたものと同じである。第２のヒストグラム生成部２０５により生成されるヒストグラムを第２の規格化ヒストグラムという。
第２のヒストグラム生成部２０５により行われる処理は、第２のヒストグラム生成処理に相当する。
そして、第２のヒストグラム生成部２０５は、第２の部分画像ごとに、第２の部分画像の画素の輝度値についての規格化されたヒストグラムを生成する。より具体的には、第２のヒストグラム生成部２０５は、第２の部分画像の画素の輝度値についての、規格化ルールに従い規格化されたヒストグラムを生成する。規格化ルールは第１の規格化ヒストグラムの生成に用いられたものと同じである。第２のヒストグラム生成部２０５により生成されるヒストグラムを第２の規格化ヒストグラムという。
第２のヒストグラム生成部２０５により行われる処理は、第２のヒストグラム生成処理に相当する。
【0060】
図１１では、説明の簡明化の観点から、第１のヒストグラム生成部２０３と第２のヒストグラム生成部２０５とを分けているが、１つのヒストグラム生成部が第１の規格化ヒストグラムと第２の規格化ヒストグラムの両者を生成してもよい。
【0061】
判定基準生成部２０６は、内部パラメータが設定されたオートエンコーダに第１の規格化ヒストグラムと第２の規格化ヒストグラムとを入力して得られたオートエンコーダの出力値に基づき判定基準を生成する。
前述したように、判定基準生成部２０６が生成する判定基準は、活用フェーズにおいてオートエンコーダの出力値と比較することで船舶有無を判定可能な判定基準である。
判定基準生成部２０６により行われる処理は、判定基準生成処理に相当する。
前述したように、判定基準生成部２０６が生成する判定基準は、活用フェーズにおいてオートエンコーダの出力値と比較することで船舶有無を判定可能な判定基準である。
判定基準生成部２０６により行われる処理は、判定基準生成処理に相当する。
【0062】
内部パラメータ２７０及び判定基準２８０は、通信装置９２４を介して画像処理装置１００に送信される。
【0063】
図１３は、本実施の形態に係る画像処理装置１００の機能構成例を示す。
本実施の形態でも、画像処理装置１００のハードウェア構成は図２に示す通りである。
画像処理装置１００は、活用フェーズにおいて、オートエンコーダを用いて船舶有無を判定する。
図１３では、図示を省略しているが、画像処理装置１００は、学習装置２００と同じオートエンコーダを有する。但し、ｄｅｃｏｄｅ部は画像処理装置１００では使用しないので、画像処理装置１００のオートエンコーダにはｄｅｃｏｄｅ部はなくてもよい。
本実施の形態でも、画像処理装置１００のハードウェア構成は図２に示す通りである。
画像処理装置１００は、活用フェーズにおいて、オートエンコーダを用いて船舶有無を判定する。
図１３では、図示を省略しているが、画像処理装置１００は、学習装置２００と同じオートエンコーダを有する。但し、ｄｅｃｏｄｅ部は画像処理装置１００では使用しないので、画像処理装置１００のオートエンコーダにはｄｅｃｏｄｅ部はなくてもよい。
【0064】
【0065】
記憶部１０５は、学習装置２００で得られた内部パラメータ２７０と判定基準２８０を記憶する。記憶部１０５は、例えば主記憶装置９１２又は補助記憶装置９１３により実現される。
【0066】
ヒストグラム生成部１０６は、分割部１０２から撮像画像１５０の低分解能画像の複数の部分画像を取得する。
そして、ヒストグラム生成部１０６は、部分画像ごとに、部分画像の画素の輝度値についての規格化されたヒストグラムを生成する。より具体的には、ヒストグラム生成部１０６は、部分画像の画素の輝度値についての、規格化ルールに従い規格化されたヒストグラムを生成する。規格化ルールは学習装置２００で用いられたものと同じである。ヒストグラム生成部１０６により生成されるヒストグラムを規格化ヒストグラムという。
ヒストグラム生成部１０６も低分解能画像生成部１０１等と同様にプログラムにより実現される。
なお、ヒストグラム生成部１０６により行われる処理は、ヒストグラム生成処理に相当する。
そして、ヒストグラム生成部１０６は、部分画像ごとに、部分画像の画素の輝度値についての規格化されたヒストグラムを生成する。より具体的には、ヒストグラム生成部１０６は、部分画像の画素の輝度値についての、規格化ルールに従い規格化されたヒストグラムを生成する。規格化ルールは学習装置２００で用いられたものと同じである。ヒストグラム生成部１０６により生成されるヒストグラムを規格化ヒストグラムという。
ヒストグラム生成部１０６も低分解能画像生成部１０１等と同様にプログラムにより実現される。
なお、ヒストグラム生成部１０６により行われる処理は、ヒストグラム生成処理に相当する。
【0067】
本実施の形態では、判定部１０４は、内部パラメータ２７０が設定されたオートエンコーダにヒストグラム生成部１０６により生成された規格化ヒストグラムを入力する。そして、判定部１０４は、オートエンコーダの出力値を取得し、取得したオートエンコーダの出力値と判定基準２８０とを比較して、部分画像ごとに、部分画像に船舶が含まれているか否かを判定する。
そして、判定部１０４は、実施の形態１と同様に、判定結果１６０を出力する。
そして、判定部１０４は、実施の形態１と同様に、判定結果１６０を出力する。
【0068】
【0069】
ステップＳ２０１において、低分解能画像生成部２０１は、学習画像２５０を取得し、学習画像２５０の分解能を劣化させて低分解能画像を生成する。
低分解能画像生成部２０１は、例えば、学習画像２５０の狭帯域化によって低分解能画像を生成する。低分解能画像生成部２０１は、例えば狭帯域化を伴うレンジドップラー処理を行う。
低分解能画像生成部２０１は、例えば、学習画像２５０の狭帯域化によって低分解能画像を生成する。低分解能画像生成部２０１は、例えば狭帯域化を伴うレンジドップラー処理を行う。
【0070】
次に、ステップＳ２０２において、分割部２０２が低分解能画像生成部２０１から学習画像２５０の低分解能画像を取得し、低分解能画像を複数の部分画像（第１の部分画像）に分割する。なお、第１の部分画像間に重複があってもよい。
【0071】
次に、第１の部分画像ごとに、ステップＳ２０３において、第１のヒストグラム生成部２０３が第１の規格化ヒストグラムを生成する。
以下にて、ステップＳ２０３の詳細を説明する。
以下にて、ステップＳ２０３の詳細を説明する。
【0072】
実施の形態１で説明したように、海面等のスペックルの強度の確率密度関数は、式（３）で示す指数分布によく一致する。
そして、指数分布は単一のパラメータλによって形状が決まり、歪度や尖度は定数となる。
上記を言い換えると、海面の強度の確率密度関数が指数分布に従うならば、海面のヒストグラムはどの部分画像（第１の部分画像）においても「相似」となる。
逆に、船舶等の余剰要素が混在すると強度の確率密度関数は指数分布ではなくなる。このため、ヒストグラム形状は海面のヒストグラムとは相似にならない。
第１のヒストグラム生成部２０３は、以下の規格化ルールに従って、第１の規格化ヒストグラムを生成する。
そして、指数分布は単一のパラメータλによって形状が決まり、歪度や尖度は定数となる。
上記を言い換えると、海面の強度の確率密度関数が指数分布に従うならば、海面のヒストグラムはどの部分画像（第１の部分画像）においても「相似」となる。
逆に、船舶等の余剰要素が混在すると強度の確率密度関数は指数分布ではなくなる。このため、ヒストグラム形状は海面のヒストグラムとは相似にならない。
第１のヒストグラム生成部２０３は、以下の規格化ルールに従って、第１の規格化ヒストグラムを生成する。
【0073】
ステップＴ１：第１のヒストグラム生成部２０３は、第１の部分画像内の強度の平均値μを求める。
ステップＴ２：第１のヒストグラム生成部２０３は、強度０から（α×μ）までをＮ分割する。αは５程度の値である。ここで、Δ＝（αμ／Ｎ）とおく。
ステップＴ３：第１のヒストグラム生成部２０３は、強度が０≦ｘ＜Δとなる画素の個数をｈ（１）とする。また、第１のヒストグラム生成部２０３は、Δ≦ｘ＜２Δとなる画素の個数をｈ（２）とする。２Δ≦ｘ＜３Δ以降も同様である。つまり、（Ｎ－２）Δ≦ｘ＜（Ｎ－１）Δとなる画素の個数をｈ（Ｎ－１）とする。また、（Ｎ－１）Δ≦ｘ≦ＮΔ（＝αμ）となる画素の個数をｈ（Ｎ）とする。なお、（αμ）よりも大きな強度は無視してよい。
ステップＴ４：第１のヒストグラム生成部２０３は、ｈ（ｉ＝１，．．．，Ｎ）の最大値ｈ＿ｍａｘを求める。指数分布の場合はｈ（１）がｈ＿ｍａｘとなる。
ステップＴ５：第１のヒストグラム生成部２０３は、全てのｈ（ｉ＝１，．．．，Ｎ）をｈ＿ｍａｘで割る（規格化）。
以上の手順により、最大が１となるようなヒストグラム（規格化ヒストグラム）が得られる。
ステップＴ２：第１のヒストグラム生成部２０３は、強度０から（α×μ）までをＮ分割する。αは５程度の値である。ここで、Δ＝（αμ／Ｎ）とおく。
ステップＴ３：第１のヒストグラム生成部２０３は、強度が０≦ｘ＜Δとなる画素の個数をｈ（１）とする。また、第１のヒストグラム生成部２０３は、Δ≦ｘ＜２Δとなる画素の個数をｈ（２）とする。２Δ≦ｘ＜３Δ以降も同様である。つまり、（Ｎ－２）Δ≦ｘ＜（Ｎ－１）Δとなる画素の個数をｈ（Ｎ－１）とする。また、（Ｎ－１）Δ≦ｘ≦ＮΔ（＝αμ）となる画素の個数をｈ（Ｎ）とする。なお、（αμ）よりも大きな強度は無視してよい。
ステップＴ４：第１のヒストグラム生成部２０３は、ｈ（ｉ＝１，．．．，Ｎ）の最大値ｈ＿ｍａｘを求める。指数分布の場合はｈ（１）がｈ＿ｍａｘとなる。
ステップＴ５：第１のヒストグラム生成部２０３は、全てのｈ（ｉ＝１，．．．，Ｎ）をｈ＿ｍａｘで割る（規格化）。
以上の手順により、最大が１となるようなヒストグラム（規格化ヒストグラム）が得られる。
【0074】
次に、海面のみの撮像画像の規格化ヒストグラム（以下、海面ヒストグラムという）の形状と、船舶（高輝度）が存在する撮像画像の規格化ヒストグラム（以下、船舶ありヒストグラムという）の形状の違いについて、以下に定性的に説明する。
なお、第１の規格化ヒストグラムは海面ヒストグラムである。また、船舶が存在する第２の部分画像の第２の規格化ヒストグラムは船舶ありヒストグラムである。
なお、第１の規格化ヒストグラムは海面ヒストグラムである。また、船舶が存在する第２の部分画像の第２の規格化ヒストグラムは船舶ありヒストグラムである。
【0075】
図１６の（ａ）において、実線は海面ヒストグラムを示す。図１６の（ａ）の細かい破線は、船舶ありヒストグラムを示す。また、図１６の（ａ）の太い破線は、海面ヒストグラムと船舶ありヒストグラムの重ね合わせである。なお、図１６の（ａ）太い破線に対しては規格化は行われていない。
図１６の（ａ）の太い破線は、実線に対して以下が異なっている。
１）平均の位置が右側（高輝度側）へ移動する。
２）分布が右側（高輝度側）へ延びる。
図１６の（ａ）の太い破線は、実線に対して以下が異なっている。
１）平均の位置が右側（高輝度側）へ移動する。
２）分布が右側（高輝度側）へ延びる。
【0076】
図１６の（ａ）の太い破線を前述の規格化ルールに従って規格化すると、図１６の（ｂ）のようになる。つまり、横軸が０～平均のα倍となるようにスケーリングするので、図１６の（ａ）の太い破線を横方向に圧縮したようなグラフになる。
図１６の（ｂ）の実線と太い破線を比較すると、強度が大きくなるに従って太い破線のほうが速やかに頻度が低下する。
海面ヒストグラムと、船舶ありヒストグラムをオートエンコーダに入力した場合に、この形状の差がオートエンコーダのｅｎｃｏｄｅ部の出力に現れることになる。すなわち、海面ヒストグラムと、船舶ありヒストグラムに対して、学習済みのオートエンコーダのｅｎｃｏｄｅ部は異なった値を出力する。
これを用いて、活用フェーズにおいて、画像処理装置１００は、撮像画像１５０の低分解能画像の部分画像についての規格化ヒストグラムをオートエンコーダに入力することで撮像画像１５０における船舶の有無を判定することができる。
図１６の（ｂ）の実線と太い破線を比較すると、強度が大きくなるに従って太い破線のほうが速やかに頻度が低下する。
海面ヒストグラムと、船舶ありヒストグラムをオートエンコーダに入力した場合に、この形状の差がオートエンコーダのｅｎｃｏｄｅ部の出力に現れることになる。すなわち、海面ヒストグラムと、船舶ありヒストグラムに対して、学習済みのオートエンコーダのｅｎｃｏｄｅ部は異なった値を出力する。
これを用いて、活用フェーズにおいて、画像処理装置１００は、撮像画像１５０の低分解能画像の部分画像についての規格化ヒストグラムをオートエンコーダに入力することで撮像画像１５０における船舶の有無を判定することができる。
【0077】
図１４に戻り、ステップＳ２０４において、内部パラメータ決定部２０４がオートエンコーダの内部パラメータを決定する。
より具体的には、内部パラメータ決定部２０４は、第１の規格化ヒストグラムをオートエンコーダに入力して機械学習行う。そして、内部パラメータ決定部２０４は、機械学習により、オートエンコーダの内部パラメータとして、重みとバイアスを決定する。
内部パラメータ決定部２０４は、決定した内部パラメータ（重みとバイアス）を判定基準生成部２０６に通知する。
更に、内部パラメータ決定部２０４は、決定した内部パラメータ（重みとバイアス）を内部パラメータ２７０として画像処理装置１００に送信する。
なお、ここでは、内部パラメータ決定部２０４は、判定基準２８０とは独立して内部パラメータ２７０を送信することとしている。しかし、内部パラメータ決定部２０４は、判定基準生成部２０６が判定基準２８０を画像処理装置１００に送信するタイミングにおいて、内部パラメータ２７０を画像処理装置１００に送信してもよい。
より具体的には、内部パラメータ決定部２０４は、第１の規格化ヒストグラムをオートエンコーダに入力して機械学習行う。そして、内部パラメータ決定部２０４は、機械学習により、オートエンコーダの内部パラメータとして、重みとバイアスを決定する。
内部パラメータ決定部２０４は、決定した内部パラメータ（重みとバイアス）を判定基準生成部２０６に通知する。
更に、内部パラメータ決定部２０４は、決定した内部パラメータ（重みとバイアス）を内部パラメータ２７０として画像処理装置１００に送信する。
なお、ここでは、内部パラメータ決定部２０４は、判定基準２８０とは独立して内部パラメータ２７０を送信することとしている。しかし、内部パラメータ決定部２０４は、判定基準生成部２０６が判定基準２８０を画像処理装置１００に送信するタイミングにおいて、内部パラメータ２７０を画像処理装置１００に送信してもよい。
【0078】
次に、図１５のフローを説明する。
【0079】
先ず、ステップＳ２０５において、低分解能画像生成部２０１が、学習画像２６０を取得し、学習画像２６０の分解能を劣化させて低分解能画像を生成する。
低分解能画像生成部２０１は、例えば、学習画像２６０の狭帯域化によって低分解能画像を生成する。分割部２０２は、例えば狭帯域化を伴うレンジドップラー処理を行う。
低分解能画像生成部２０１は、例えば、学習画像２６０の狭帯域化によって低分解能画像を生成する。分割部２０２は、例えば狭帯域化を伴うレンジドップラー処理を行う。
【0080】
次に、ステップＳ２０６において、分割部２０２が低分解能画像生成部２０１から学習画像２６０の低分解能画像を取得し、低分解能画像を複数の部分画像（第２の部分画像）に分割する。なお、第２の部分画像間に重複があってもよい。
【0081】
次に、第２の部分画像ごとに、ステップＳ２０７において、第２のヒストグラム生成部２０５が第２の規格化ヒストグラムを生成する。
第２のヒストグラム生成部２０５は、ステップＳ２０３と同様の手順で第２の規格化ヒストグラムを生成する。
第２のヒストグラム生成部２０５は、ステップＳ２０３と同様の手順で第２の規格化ヒストグラムを生成する。
【0082】
次に、ステップＳ２０８において、判定基準生成部２０６が、第１の規格化ヒストグラムと第２の規格化ヒストグラムを、内部パラメータが設定されたオートエンコーダに入力して判定基準を生成する。
すなわち、判定基準生成部２０６は、内部パラメータ決定部２０４から通知された内部パラメータをオートエンコーダに設定する。
次に、判定基準生成部２０６は、第１の規格化ヒストグラム（船舶なし）と第２の規格化ヒストグラム（船舶あり）を内部パラメータが設定済みのオートエンコーダに入力する。そして、判定基準生成部２０６は、ｅｎｃｏｄｅ部の出力（１～数個の数値）を船舶有無のラベルとともに記録する。
例えば、出力値の例として、ｅｎｃｏｄｅ部の出力値の個数（＝隠れ層のノード数）が１個の場合、「部分画像１（船舶なし）のｅｎｃｏｄｅ出力値は３．２」、「部分画像１（船舶あり）のｅｎｃｏｄｅ出力値は５．９」といった結果が得られる場合を考える。
また、ｅｎｃｏｄｅ部の出力値の個数が２個の場合は、「部分画像１（船舶なし）のｅｎｃｏｄｅ出力値は（３．２、４．３）」、「部分画像１（船舶あり）のｅｎｃｏｄｅ出力値は（５．９、８．７）」といった結果が得られる場合を考える。
ｅｎｃｏｄｅ部の出力値が１個の場合、判定基準生成部２０６は、「船舶なし」、「船舶あり」が最もよく分離できるように１つの閾値を決定する（検証を通じて決定する）。
ｅｎｃｏｄｅ部の出力値が複数個の場合は、ＳＶＭを用いて「船舶なし」、「船舶あり」をよく分離するような直線（ｅｎｃｏｄｅ部の結果が２個の場合）ないし平面（３個の場合）ないし超平面（４個以上の場合）を決定する。
ＳＶＭの学習には上述の「部分画像１（船舶なし）のｅｎｃｏｄｅ出力値は（３．２、 ４．３）」といったデータを使用する。
そして、判定基準生成部２０６は、決定した閾値、直線、平面及び超平面のいずれかを、判定基準２８０として画像処理装置１００に送信する。
すなわち、判定基準生成部２０６は、内部パラメータ決定部２０４から通知された内部パラメータをオートエンコーダに設定する。
次に、判定基準生成部２０６は、第１の規格化ヒストグラム（船舶なし）と第２の規格化ヒストグラム（船舶あり）を内部パラメータが設定済みのオートエンコーダに入力する。そして、判定基準生成部２０６は、ｅｎｃｏｄｅ部の出力（１～数個の数値）を船舶有無のラベルとともに記録する。
例えば、出力値の例として、ｅｎｃｏｄｅ部の出力値の個数（＝隠れ層のノード数）が１個の場合、「部分画像１（船舶なし）のｅｎｃｏｄｅ出力値は３．２」、「部分画像１（船舶あり）のｅｎｃｏｄｅ出力値は５．９」といった結果が得られる場合を考える。
また、ｅｎｃｏｄｅ部の出力値の個数が２個の場合は、「部分画像１（船舶なし）のｅｎｃｏｄｅ出力値は（３．２、４．３）」、「部分画像１（船舶あり）のｅｎｃｏｄｅ出力値は（５．９、８．７）」といった結果が得られる場合を考える。
ｅｎｃｏｄｅ部の出力値が１個の場合、判定基準生成部２０６は、「船舶なし」、「船舶あり」が最もよく分離できるように１つの閾値を決定する（検証を通じて決定する）。
ｅｎｃｏｄｅ部の出力値が複数個の場合は、ＳＶＭを用いて「船舶なし」、「船舶あり」をよく分離するような直線（ｅｎｃｏｄｅ部の結果が２個の場合）ないし平面（３個の場合）ないし超平面（４個以上の場合）を決定する。
ＳＶＭの学習には上述の「部分画像１（船舶なし）のｅｎｃｏｄｅ出力値は（３．２、 ４．３）」といったデータを使用する。
そして、判定基準生成部２０６は、決定した閾値、直線、平面及び超平面のいずれかを、判定基準２８０として画像処理装置１００に送信する。
【0083】
【0084】
先ず、ステップＳ１２１において、画像処理装置１００から送信された内部パラメータ２７０と判定基準２８０を記憶部１０５が記憶する。
【0085】
ステップＳ１０１とステップＳ１０２は、実施の形態１と同じであるため、説明を省略する。
【0086】
次に、部分画像ごとに、ステップＳ１２２において、ヒストグラム生成部１０６が規格化ヒストグラムを生成する。
ヒストグラム生成部１０６は、図１４のステップＳ２０３と同様の手順で規格化ヒストグラムを生成する。
ヒストグラム生成部１０６は、図１４のステップＳ２０３と同様の手順で規格化ヒストグラムを生成する。
【0087】
次に、部分画像ごとに、ステップＳ１２３において、判定部１０４が、規格化ヒストグラムを内部パラメータ２７０が設定されたオートエンコーダに入力し、船舶の有無を判定する。
すなわち、判定部１０４は、記憶部１０５に記憶されている内部パラメータ２７０をオートエンコーダに設定する。
次に、判定部１０４は、内部パラメータ２７０が設定済みのオートエンコーダに規格化ヒストグラムを入力する。そして、判定部１０４は、オートエンコーダのｅｎｃｏｄｅ出力値と、判定基準２８０（閾値、直線、平面又は超平面面）とを比較し、部分画像に船舶が含まれているか否かを判定する。オートエンコーダのｅｎｃｏｄｅ出力値が判定基準２８０よりも大きな値であれば、判定部１０４は部分画像に船舶が含まれていると判定する。
そして、判定部１０４は、実施の形態１と同様に、判定結果１６０を出力する。
すなわち、判定部１０４は、記憶部１０５に記憶されている内部パラメータ２７０をオートエンコーダに設定する。
次に、判定部１０４は、内部パラメータ２７０が設定済みのオートエンコーダに規格化ヒストグラムを入力する。そして、判定部１０４は、オートエンコーダのｅｎｃｏｄｅ出力値と、判定基準２８０（閾値、直線、平面又は超平面面）とを比較し、部分画像に船舶が含まれているか否かを判定する。オートエンコーダのｅｎｃｏｄｅ出力値が判定基準２８０よりも大きな値であれば、判定部１０４は部分画像に船舶が含まれていると判定する。
そして、判定部１０４は、実施の形態１と同様に、判定結果１６０を出力する。
【0088】
＊＊＊実施の形態の効果の説明＊＊＊
以上のように、本実施の形態でも、ＣＦＡＲ、標準偏差フィルタを使用しないため、船舶有無を高速に判定することができる。
また、本実施の形態でも、撮像画像を複数の部分画像に分割し、部分画像ごとに船舶有無を判定するため、船舶有無を高速に判定することができる。
更に、本実施の形態でも、低分解能画像を用いて船舶有無を判定するため、船舶有無を高速に判定することができる。
以上のように、本実施の形態でも、ＣＦＡＲ、標準偏差フィルタを使用しないため、船舶有無を高速に判定することができる。
また、本実施の形態でも、撮像画像を複数の部分画像に分割し、部分画像ごとに船舶有無を判定するため、船舶有無を高速に判定することができる。
更に、本実施の形態でも、低分解能画像を用いて船舶有無を判定するため、船舶有無を高速に判定することができる。
【0089】
更に、本実施の形態では、学習フェーズにおいて、第１の規格化ヒストグラムと第２の規格化ヒストグラムをオートエンコーダに入力し、オートエンコーダの出力値に基づき「船舶なし」と「船舶あり」を正確に分離できる判定基準を生成する。そして、活用フェーズにおいて、このようにして生成された判定基準と、規格化ヒストグラムをオートエンコーダに入力して得られた出力値とを比較する。このため、本実施の形態によれば、「船舶なし」と「船舶あり」を正確に判定することができる。
【0090】
実施の形態３．
本実施の形態では、ニューラルネットワークを用いて船舶有無を判定する例を説明する。
本実施の形態では、主に実施の形態２との差異を説明する。
なお、以下で説明していない事項は、実施の形態２と同様である。
本実施の形態では、ニューラルネットワークを用いて船舶有無を判定する例を説明する。
本実施の形態では、主に実施の形態２との差異を説明する。
なお、以下で説明していない事項は、実施の形態２と同様である。
【0091】
【0092】
図１８では図示を省略しているが、学習装置２００は、ニューラルネットワークを有する。
図１８において、低分解能画像生成部２０１、分割部２０２、第１のヒストグラム生成部２０３及び第２のヒストグラム生成部２０５は、図１１に示すものと同様である。このため、これらの説明は省略する。
図１８において、低分解能画像生成部２０１、分割部２０２、第１のヒストグラム生成部２０３及び第２のヒストグラム生成部２０５は、図１１に示すものと同様である。このため、これらの説明は省略する。
【0093】
内部パラメータ決定部２０７は、活用フェーズにおいて船舶有無の判定を可能にするニューラルネットワークの内部パラメータを、第１の規格化ヒストグラムと第２の規格化ヒストグラムとを用いた機械学習により決定する。
そして、内部パラメータ決定部２０７は、決定した内部パラメータを内部パラメータ２９０として画像処理装置１００に送信する。
内部パラメータ決定部２０７も、低分解能画像生成部２０１等と同様にプログラムにより実現される。
なお、内部パラメータ決定部２０７により行われる処理は内部パラメータ決定処理に相当する。
そして、内部パラメータ決定部２０７は、決定した内部パラメータを内部パラメータ２９０として画像処理装置１００に送信する。
内部パラメータ決定部２０７も、低分解能画像生成部２０１等と同様にプログラムにより実現される。
なお、内部パラメータ決定部２０７により行われる処理は内部パラメータ決定処理に相当する。
【0094】
【0095】
図１９では図示を省略しているが、画像処理装置１００は、学習装置２００と同じニューラルネットワークを有する。
図１９において、低分解能画像生成部１０１、分割部１０２及びヒストグラム生成部１０６は、図１３に示すものと同様である。このため、これらの説明は省略する。
図１９において、低分解能画像生成部１０１、分割部１０２及びヒストグラム生成部１０６は、図１３に示すものと同様である。このため、これらの説明は省略する。
【0096】
本実施の形態では、記憶部１０５は、内部パラメータ２９０を記憶する。
【0097】
また、本実施の形態では、ヒストグラム生成部１０６は、規格化ヒストグラムを内部パラメータ２７０が設定されたニューラルネットワークに入力して、部分画像ごとに、部分画像に船舶が含まれているか否かを判定する。
【0098】
【0099】
図２０において、ステップＳ２０１～Ｓ２０３は、図１４と同じである。
つまり、本実施の形態でも、低分解能画像生成部２０１が学習画像２５０から低分解能画像を生成する。また、分割部２０２が低分解能画像を複数の第１の部分画像に分割する。更に、第１のヒストグラム生成部２０３が、第１の部分画像ごとに、第１の規格化ヒストグラムを生成する。
つまり、本実施の形態でも、低分解能画像生成部２０１が学習画像２５０から低分解能画像を生成する。また、分割部２０２が低分解能画像を複数の第１の部分画像に分割する。更に、第１のヒストグラム生成部２０３が、第１の部分画像ごとに、第１の規格化ヒストグラムを生成する。
【0100】
図２１において、ステップＳ２０５～Ｓ２０７は、図１５と同じである。
つまり、本実施の形態においても、低分解能画像生成部２０１が学習画像２６０から低分解能画像を生成する。また、分割部２０２が低分解能画像を複数の第２の部分画像に分割する。更に、第２のヒストグラム生成部２０５が、第２の部分画像ごとに、第２の規格化ヒストグラムを生成する。
つまり、本実施の形態においても、低分解能画像生成部２０１が学習画像２６０から低分解能画像を生成する。また、分割部２０２が低分解能画像を複数の第２の部分画像に分割する。更に、第２のヒストグラム生成部２０５が、第２の部分画像ごとに、第２の規格化ヒストグラムを生成する。
【0101】
ステップＳ２２１において、内部パラメータ決定部２０７は、第１の規格化ヒストグラムと第２の規格化ヒストグラムを用いた機械学習により、ニューラルネットワークの内部パラメータを生成する。
つまり、内部パラメータ決定部２０７は、第１の規格化ヒストグラム及び第２の規格化ヒストグラムと、ラベル（「船舶なし」と「船舶あり」）をニューラルネットワークに与えて機械学習を行う。内部パラメータ決定部２０７は、ニューラルネットワークの内部パラメータとして、重みとバイアスを決定する。
そして、内部パラメータ決定部２０７は、決定した内部パラメータを内部パラメータ２９０として画像処理装置１００に送信する。
つまり、内部パラメータ決定部２０７は、第１の規格化ヒストグラム及び第２の規格化ヒストグラムと、ラベル（「船舶なし」と「船舶あり」）をニューラルネットワークに与えて機械学習を行う。内部パラメータ決定部２０７は、ニューラルネットワークの内部パラメータとして、重みとバイアスを決定する。
そして、内部パラメータ決定部２０７は、決定した内部パラメータを内部パラメータ２９０として画像処理装置１００に送信する。
【0102】
図２２は、本実施の形態に係る画像処理装置１００の動作例を示す。
【0103】
ステップＳ１３１において、記憶部１０５は、内部パラメータ２９０を記憶する。
【0104】
ステップＳ１０１、Ｓ１０２及びＳ１２２は、図１７に示すものと同じである。
つまり、本実施の形態でも、低分解能画像生成部１０１が撮像画像１５０から低分解能画像を生成する。また、分割部１０２が低分解能画像を複数の部分画像に分割する。更に、ヒストグラム生成部１０６が、部分画像ごとに、規格化ヒストグラムを生成する。
つまり、本実施の形態でも、低分解能画像生成部１０１が撮像画像１５０から低分解能画像を生成する。また、分割部１０２が低分解能画像を複数の部分画像に分割する。更に、ヒストグラム生成部１０６が、部分画像ごとに、規格化ヒストグラムを生成する。
【0105】
ステップＳ１３２では、判定部１０４が、部分画像ごとに、規格化ヒストグラムを内部パラメータ２９０が設定されたニューラルネットワークに入力し、船舶の有無を判定する。
すなわち、判定部１０４は、記憶部１０５に記憶されている内部パラメータ２９０をニューラルネットワークに設定する。
次に、判定部１０４は、内部パラメータ２９０が設定済みのニューラルネットワークに規格化ヒストグラムを入力して、船舶の有無を判定する
そして、判定部１０４は、実施の形態１と同様に、判定結果１６０を出力する。
すなわち、判定部１０４は、記憶部１０５に記憶されている内部パラメータ２９０をニューラルネットワークに設定する。
次に、判定部１０４は、内部パラメータ２９０が設定済みのニューラルネットワークに規格化ヒストグラムを入力して、船舶の有無を判定する
そして、判定部１０４は、実施の形態１と同様に、判定結果１６０を出力する。
【0106】
＊＊＊実施の形態の効果の説明＊＊＊
以上のように、本実施の形態でも、ＣＦＡＲ、標準偏差フィルタを使用しないため、船舶有無を高速に判定することができる。
また、本実施の形態でも、撮像画像を複数の部分画像に分割し、部分画像ごとに船舶有無を判定するため、船舶有無を高速に判定することができる。
更に、本実施の形態でも、低分解能画像を用いて船舶有無を判定するため、船舶有無を高速に判定することができる。
以上のように、本実施の形態でも、ＣＦＡＲ、標準偏差フィルタを使用しないため、船舶有無を高速に判定することができる。
また、本実施の形態でも、撮像画像を複数の部分画像に分割し、部分画像ごとに船舶有無を判定するため、船舶有無を高速に判定することができる。
更に、本実施の形態でも、低分解能画像を用いて船舶有無を判定するため、船舶有無を高速に判定することができる。
【0107】
更に、本実施の形態では、学習装置２００において、第１の部分画像及び第２の部分画像ではなく、第１の規格化ヒストグラムと第２の規格化ヒストグラムをニューラルネットワークに入力している。つまり、本実施の形態では、画像そのものではなく、ヒストグラムという単純化したデータを入力とすることで、機械学習の説明可能性を高めることができる。説明可能性が高いほど、判定の成否に対する詳細な分析、手法の改良が実施しやすい。
画像そのものをニューラルネットワークに入力すると一般にパラメータが膨大となり、ほとんどブラックボックスと化すため、成否の分析も改良も難しくなる。
本実施の形態によれば、ヒストグラムをニューラルネットワークに入力することで、説明可能性を高め、判定の成否に対する詳細な分析、手法の改良を可能にする。
画像そのものをニューラルネットワークに入力すると一般にパラメータが膨大となり、ほとんどブラックボックスと化すため、成否の分析も改良も難しくなる。
本実施の形態によれば、ヒストグラムをニューラルネットワークに入力することで、説明可能性を高め、判定の成否に対する詳細な分析、手法の改良を可能にする。
【0108】
以上、実施の形態１～３を説明したが、これらの実施の形態のうち、２つ以上を組み合わせて実施しても構わない。
あるいは、これらの実施の形態のうち、１つを部分的に実施しても構わない。
あるいは、これらの実施の形態のうち、２つ以上を部分的に組み合わせて実施しても構わない。
また、これらの実施の形態に記載された構成及び手順を必要に応じて変更してもよい。
あるいは、これらの実施の形態のうち、１つを部分的に実施しても構わない。
あるいは、これらの実施の形態のうち、２つ以上を部分的に組み合わせて実施しても構わない。
また、これらの実施の形態に記載された構成及び手順を必要に応じて変更してもよい。
【0109】
実施の形態１～３では、画像処理装置１００は人工衛星に搭載されていることとした。しかし、画像処理装置１００は地上に配置されていてもよい。この場合は、低分解能画像生成部１０１は人工衛星から送信される撮像画像１５０を受信する。そして、判定部１０４は判定結果１６０を人工衛星に送信する。
同様に、学習装置２００も地上に配置されていてもよい。
同様に、学習装置２００も地上に配置されていてもよい。
【0110】
また、実施の形態１～３では、海面の撮像画像を用いる例を説明した。海面の撮像画像の代わりに、湖面の撮像画像、川面の撮像画像、沼面の撮像画像等を用い、これらの撮像画像に余剰要素が含まれているか否かを判定するようにしてもよい。
【0111】
また、実施の形態１～３では、人工衛星で撮像された撮像画像を用いる例を説明した。これに代えて、航空機で撮像された撮像画像を用いるようにしてもよい。
【0112】
また、実施の形態１～３では、「船舶なし」と「船舶あり」を判定する例を説明した。これに代えて、「船舶なし」と「船舶あり」と「船舶以外あり」を判定するようにしてもよい。
この場合は、実施の形態１では、「船舶あり」と「船舶以外あり」とを判別するための統計値の閾値を設定しておく。
また、実施の形態２では、「船舶あり」と「船舶以外あり」とを判別するための判定基準を学習装置２００が生成する。
また、実施の形態３では、「船舶あり」と「船舶以外あり」とを判別するための内部パラメータを学習装置２００が生成する。
この場合は、実施の形態１では、「船舶あり」と「船舶以外あり」とを判別するための統計値の閾値を設定しておく。
また、実施の形態２では、「船舶あり」と「船舶以外あり」とを判別するための判定基準を学習装置２００が生成する。
また、実施の形態３では、「船舶あり」と「船舶以外あり」とを判別するための内部パラメータを学習装置２００が生成する。
【0113】
＊＊＊ハードウェア構成の補足説明＊＊＊
ここで、ハードウェア構成の補足説明を行う。
プロセッサ９１１及びプロセッサ９２１は、プロセッシングを行うＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）である。
プロセッサ９１１及びプロセッサ９２１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）等である。
主記憶装置９１２及び主記憶装置９２２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）である。
補助記憶装置９１３及び補助記憶装置９２３は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等である。
通信装置９１４及び通信装置９２４は、データの通信処理を実行する電子回路である。
通信装置９１４及び通信装置９２４は、例えば、通信チップ又はＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）である。
ここで、ハードウェア構成の補足説明を行う。
プロセッサ９１１及びプロセッサ９２１は、プロセッシングを行うＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）である。
プロセッサ９１１及びプロセッサ９２１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）等である。
主記憶装置９１２及び主記憶装置９２２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）である。
補助記憶装置９１３及び補助記憶装置９２３は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等である。
通信装置９１４及び通信装置９２４は、データの通信処理を実行する電子回路である。
通信装置９１４及び通信装置９２４は、例えば、通信チップ又はＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）である。
【0114】
また、補助記憶装置９１３及び補助記憶装置９２３には、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）も記憶されている。
そして、画像処理装置１００では、ＯＳの少なくとも一部がプロセッサ９１１により実行される。学習装置２００では、ＯＳの少なくとも一部がプロセッサ９２１により実行される。
また、画像処理装置１００では、プロセッサ９１１はＯＳの少なくとも一部を実行しながら、低分解能画像生成部１０１、分割部１０２等の機能を実現するプログラムを実行する。
また、学習装置２００では、プロセッサ９２１はＯＳの少なくとも一部を実行しながら、低分解能画像生成部２０１、分割部２０２等の機能を実現するプログラムを実行する。
ＯＳの実行により、タスク管理、メモリ管理、ファイル管理、通信制御等が行われる。
そして、画像処理装置１００では、ＯＳの少なくとも一部がプロセッサ９１１により実行される。学習装置２００では、ＯＳの少なくとも一部がプロセッサ９２１により実行される。
また、画像処理装置１００では、プロセッサ９１１はＯＳの少なくとも一部を実行しながら、低分解能画像生成部１０１、分割部１０２等の機能を実現するプログラムを実行する。
また、学習装置２００では、プロセッサ９２１はＯＳの少なくとも一部を実行しながら、低分解能画像生成部２０１、分割部２０２等の機能を実現するプログラムを実行する。
ＯＳの実行により、タスク管理、メモリ管理、ファイル管理、通信制御等が行われる。
【0115】
また、画像処理装置１００では、低分解能画像生成部１０１、分割部１０２等の処理の結果を示す情報、データ、信号値及び変数値の少なくともいずれかが、主記憶装置９１２、補助記憶装置９１３、プロセッサ９１１内のレジスタ及びキャッシュメモリの少なくともいずれかに記憶される。
また、低分解能画像生成部１０１、分割部１０２等の機能を実現するプログラムは、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ（登録商標）ディスク、ＤＶＤ等の可搬記録媒体に格納されていてもよい。そして、低分解能画像生成部１０１、分割部１０２等の機能を実現するプログラムが格納された可搬記録媒体を流通させてもよい。
また、低分解能画像生成部１０１、分割部１０２等の機能を実現するプログラムは、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ（登録商標）ディスク、ＤＶＤ等の可搬記録媒体に格納されていてもよい。そして、低分解能画像生成部１０１、分割部１０２等の機能を実現するプログラムが格納された可搬記録媒体を流通させてもよい。
【0116】
同様に、学習装置２００では、低分解能画像生成部２０１、分割部２０２等の処理の結果を示す情報、データ、信号値及び変数値の少なくともいずれかが、主記憶装置９２２、補助記憶装置９２３、プロセッサ９２１内のレジスタ及びキャッシュメモリの少なくともいずれかに記憶される。
また、低分解能画像生成部２０１、分割部２０２等の機能を実現するプログラムは、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ（登録商標）ディスク、ＤＶＤ等の可搬記録媒体に格納されていてもよい。そして、低分解能画像生成部２０１、分割部２０２等の機能を実現するプログラムが格納された可搬記録媒体を流通させてもよい。
また、低分解能画像生成部２０１、分割部２０２等の機能を実現するプログラムは、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ（登録商標）ディスク、ＤＶＤ等の可搬記録媒体に格納されていてもよい。そして、低分解能画像生成部２０１、分割部２０２等の機能を実現するプログラムが格納された可搬記録媒体を流通させてもよい。
【0117】
また、低分解能画像生成部１０１、分割部１０２、低分解能画像生成部２０１、分割部２０２等の少なくともいずれかの「部」を、「回路」又は「工程」又は「手順」又は「処理」又は「サーキットリー」に読み替えてもよい。
また、画像処理装置１００と学習装置２００は、処理回路により実現されてもよい。処理回路は、例えば、ロジックＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＧＡ（Ｇａｔｅ Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）である。
この場合は、低分解能画像生成部１０１、分割部１０２、低分解能画像生成部２０１、分割部２０２等は、それぞれ処理回路の一部として実現される。
なお、本明細書では、プロセッサと処理回路との上位概念を、「プロセッシングサーキットリー」という。
つまり、プロセッサと処理回路とは、それぞれ「プロセッシングサーキットリー」の具体例である。
また、画像処理装置１００と学習装置２００は、処理回路により実現されてもよい。処理回路は、例えば、ロジックＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＧＡ（Ｇａｔｅ Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）である。
この場合は、低分解能画像生成部１０１、分割部１０２、低分解能画像生成部２０１、分割部２０２等は、それぞれ処理回路の一部として実現される。
なお、本明細書では、プロセッサと処理回路との上位概念を、「プロセッシングサーキットリー」という。
つまり、プロセッサと処理回路とは、それぞれ「プロセッシングサーキットリー」の具体例である。
【0118】
最後に、以下、本開示の諸態様を付記としてまとめて記載する。
（付記１）
上空から水面を撮像した撮像画像を複数の部分画像に分割する分割部と、
部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度及び尖度の少なくともいずれかを統計値として算出する統計値算出部と、
部分画像ごとに、前記統計値を用いて、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定部とを有する画像処理装置。
（付記２）
前記判定部は、
前記統計値と閾値とを比較して、部分画像に前記余剰要素が含まれているか否かを判定する付記１に記載の画像処理装置。
（付記３）
前記判定部は、
水面のみの撮像画像の輝度分布から得られる前記統計値の理論値から決定された閾値と、前記統計値とを比較する付記２に記載の画像処理装置。
（付記４）
前記判定部は、
前記統計値を用いた機械学習により得られた判定基準と前記統計値とを比較して、部分画像に前記余剰要素が含まれているか否かを判定する付記１～４のいずれかに記載の画像処理装置。
（付記５）
上空から水面を撮像した撮像画像に水面以外の要素である余剰要素が含まれているか否かの判定が活用フェーズにおいてオートエンコーダの出力値と比較することにより可能な、学習フェーズにおける前記オートエンコーダを用いた機械学習により得られた判定基準を記憶する記憶部と、
前記活用フェーズにおいて、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割部と、
前記活用フェーズにおいて、部分画像ごとに、部分画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、規格化ヒストグラムとして生成するヒストグラム生成部と、
前記活用フェーズにおいて、前記規格化ヒストグラムを前記オートエンコーダに入力して前記オートエンコーダの出力値を取得し、取得した前記オートエンコーダの出力値と前記判定基準とを比較して、部分画像ごとに、部分画像に前記余剰要素が含まれているか否かを判定する判定部とを有する画像処理装置。
（付記６）
前記記憶部は、
前記学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像を用いた機械学習により前記オートエンコーダの内部パラメータが決定され、上空から撮像された水面に前記余剰要素が含まれる撮像画像である第２の学習画像と前記第１の学習画像とを前記内部パラメータが設定された前記オートエンコーダに適用して得られた前記オートエンコーダの出力値に基づき生成された基準を、前記判定基準として記憶し、
前記判定部は、
前記活用フェーズにおいて、前記内部パラメータが設定された前記オートエンコーダに前記規格化ヒストグラムを入力する付記５に記載の画像処理装置。
（付記７）
前記記憶部は、
規定の規格化ルールに従い規格化されて得られた前記第１の学習画像の画素の輝度値についてのヒストグラムである第１の規格化ヒストグラムを前記オートエンコーダに入力して行われた機械学習により前記内部パラメータが決定され、前記規格化ルールに従い規格化されて得られた前記第２の学習画像の画素の輝度値についてのヒストグラムである第２の規格化ヒストグラムと前記第１の規格化ヒストグラムとを前記内部パラメータが設定された前記オートエンコーダに入力して得られた前記オートエンコーダの出力値に基づき生成された基準を、前記判定基準として記憶する付記６に記載の画像処理装置。
（付記８）
上空から水面を撮像した撮像画像を複数の部分画像に分割する分割部と、
部分画像ごとに、部分画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、規格化ヒストグラムとして生成するヒストグラム生成部と、
前記規格化ヒストグラムをニューラルネットワークに入力して、部分画像ごとに、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定部とを有する画像処理装置。
（付記９）
前記判定部は、
上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についてのヒストグラムが前記規格化ルールに従い規格化されて得られた第１の規格化ヒストグラムと、上空から撮像された水面に前記余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムが前記規格化ルールに従い規格化されて得られた第２の規格化ヒストグラムとを用いた機械学習により決定された内部パラメータが設定された前記ニューラルネットワークに、前記規格化ヒストグラムを入力する付記８に記載の画像処理装置。
（付記１０）
前記画像処理装置は、更に、
前記撮像画像の低分解能画像を生成する低分解能画像生成部を有し、
前記分割部は、
前記低分解能画像を前記複数の部分画像に分割する付記１、５及び８のいずれか一つに記載の画像処理装置。
（付記１１）
学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、第１の規格化ヒストグラムとして生成する第１のヒストグラム生成部と、
前記学習フェーズにおいて、前記第１の規格化ヒストグラムをオートエンコーダに入力して行われた機械学習により、前記オートエンコーダの内部パラメータを決定する内部パラメータ決定部と、
前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についての、前記規格化ルールに従い規格化されたヒストグラムを、第２の規格化ヒストグラムとして生成する第２のヒストグラム生成部と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定を活用フェーズにおいて前記オートエンコーダの出力値と比較することにより可能にする判定基準を、前記学習フェーズにおいて、前記内部パラメータが設定された前記オートエンコーダに前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを入力して得られた前記オートエンコーダの出力値に基づき生成する判定基準生成部とを有する学習装置。
（付記１２）
学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、第１の規格化ヒストグラムとして生成する第１のヒストグラム生成部と、
前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、第２の規格化ヒストグラムとして生成する第２のヒストグラム生成部と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定をニューラルネットワークが用いられる活用フェーズにおいて可能にする前記ニューラルネットワークの内部パラメータを、前記学習フェーズにおいて、前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを用いた機械学習により決定する内部パラメータ決定部とを有する学習装置。
（付記１３）
コンピュータが、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
前記コンピュータが、部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度及び尖度の少なくともいずれかを統計値として算出する統計値算出処理と、
前記コンピュータが、部分画像ごとに、前記統計値を用いて、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定処理とを有する画像処理方法。
（付記１４）
上空から水面を撮像した撮像画像に水面以外の要素である余剰要素が含まれているか否かの判定が活用フェーズにおいてオートエンコーダの出力値と比較することにより可能な、学習フェーズにおける前記オートエンコーダを用いた機械学習により得られた判定基準をコンピュータが記憶する記憶処理と、
前記コンピュータが、前記活用フェーズにおいて、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
前記コンピュータが、前記活用フェーズにおいて、部分画像ごとに、部分画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して規格化ヒストグラムを生成するヒストグラム生成処理と、
前記コンピュータが、前記活用フェーズにおいて、前記規格化ヒストグラムを前記オートエンコーダに入力して前記オートエンコーダの出力値を取得し、取得した前記オートエンコーダの出力値と前記判定基準とを比較して、部分画像ごとに、部分画像に前記余剰要素が含まれているか否かを判定する判定処理とを有する画像処理方法。
（付記１５）
コンピュータが、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
前記コンピュータが、部分画像ごとに、部分画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して規格化ヒストグラムを生成するヒストグラム生成処理と、
前記コンピュータが、前記規格化ヒストグラムをニューラルネットワークに入力して、部分画像ごとに、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定処理とを有する画像処理方法。
（付記１６）
コンピュータが、学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して第１の規格化ヒストグラムを生成する第１のヒストグラム生成処理と、
前記コンピュータが、前記学習フェーズにおいて、前記第１の規格化ヒストグラムをオートエンコーダに入力して行われた機械学習により、前記オートエンコーダの内部パラメータを決定する内部パラメータ決定処理と、
前記コンピュータが、前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを前記規格化ルールに従い規格化して第２の規格化ヒストグラムを生成する第２のヒストグラム生成処理と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定を活用フェーズにおいて前記オートエンコーダの出力値と比較することにより可能にする判定基準を、前記コンピュータが、前記学習フェーズにおいて、前記内部パラメータが設定された前記オートエンコーダに前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを入力して得られた前記オートエンコーダの出力値に基づき生成する判定基準生成処理とを有する学習方法。
（付記１７）
コンピュータが、学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して第１の規格化ヒストグラムを生成する第１のヒストグラム生成処理と、
前記コンピュータが、前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを前記規格化ルールに従い規格化して第２の規格化ヒストグラムを生成する第２のヒストグラム生成処理と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定をニューラルネットワークが用いられる活用フェーズにおいて可能にする前記ニューラルネットワークの内部パラメータを、前記コンピュータが、前記学習フェーズにおいて、前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを用いた機械学習により決定する内部パラメータ決定処理とを有する学習方法。
（付記１８）
上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度及び尖度の少なくともいずれかを統計値として算出する統計値算出処理と、
部分画像ごとに、前記統計値を用いて、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定処理とをコンピュータに実行させる画像処理プログラム。
（付記１９）
上空から水面を撮像した撮像画像に水面以外の要素である余剰要素が含まれているか否かの判定が活用フェーズにおいてオートエンコーダの出力値と比較することにより可能な、学習フェーズにおける前記オートエンコーダを用いた機械学習により得られた判定基準を記憶する記憶処理と、
前記活用フェーズにおいて、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
前記活用フェーズにおいて、部分画像ごとに、部分画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して規格化ヒストグラムを生成するヒストグラム生成処理と、
前記活用フェーズにおいて、前記規格化ヒストグラムを前記オートエンコーダに入力して前記オートエンコーダの出力値を取得し、取得した前記オートエンコーダの出力値と前記判定基準とを比較して、部分画像ごとに、部分画像に前記余剰要素が含まれているか否かを判定する判定処理とをコンピュータに実行させる画像処理プログラム。
（付記２０）
上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
部分画像ごとに、部分画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して規格化ヒストグラムを生成するヒストグラム生成処理と、
前記規格化ヒストグラムをニューラルネットワークに入力して、部分画像ごとに、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定処理とをコンピュータに実行させる画像処理プログラム。
（付記２１）
学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して第１の規格化ヒストグラムを生成する第１のヒストグラム生成処理と、
前記学習フェーズにおいて、前記第１の規格化ヒストグラムをオートエンコーダに入力して行われた機械学習により、前記オートエンコーダの内部パラメータを決定する内部パラメータ決定処理と、
前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを前記規格化ルールに従い規格化して第２の規格化ヒストグラムを生成する第２のヒストグラム生成処理と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定を活用フェーズにおいて前記オートエンコーダの出力値と比較することにより可能にする判定基準を、前記学習フェーズにおいて、前記内部パラメータが設定された前記オートエンコーダに前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを入力して得られた前記オートエンコーダの出力値に基づき生成する判定基準生成処理とをコンピュータに実行させる学習プログラム。
（付記２２）
学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して第１の規格化ヒストグラムを生成する第１のヒストグラム生成処理と、
前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを前記規格化ルールに従い規格化して第２の規格化ヒストグラムを生成する第２のヒストグラム生成処理と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定をニューラルネットワークが用いられる活用フェーズにおいて可能にする前記ニューラルネットワークの内部パラメータを、前記学習フェーズにおいて、前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを用いた機械学習により決定する内部パラメータ決定処理とをコンピュータに実行させる学習プログラム。
（付記１）
上空から水面を撮像した撮像画像を複数の部分画像に分割する分割部と、
部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度及び尖度の少なくともいずれかを統計値として算出する統計値算出部と、
部分画像ごとに、前記統計値を用いて、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定部とを有する画像処理装置。
（付記２）
前記判定部は、
前記統計値と閾値とを比較して、部分画像に前記余剰要素が含まれているか否かを判定する付記１に記載の画像処理装置。
（付記３）
前記判定部は、
水面のみの撮像画像の輝度分布から得られる前記統計値の理論値から決定された閾値と、前記統計値とを比較する付記２に記載の画像処理装置。
（付記４）
前記判定部は、
前記統計値を用いた機械学習により得られた判定基準と前記統計値とを比較して、部分画像に前記余剰要素が含まれているか否かを判定する付記１～４のいずれかに記載の画像処理装置。
（付記５）
上空から水面を撮像した撮像画像に水面以外の要素である余剰要素が含まれているか否かの判定が活用フェーズにおいてオートエンコーダの出力値と比較することにより可能な、学習フェーズにおける前記オートエンコーダを用いた機械学習により得られた判定基準を記憶する記憶部と、
前記活用フェーズにおいて、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割部と、
前記活用フェーズにおいて、部分画像ごとに、部分画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、規格化ヒストグラムとして生成するヒストグラム生成部と、
前記活用フェーズにおいて、前記規格化ヒストグラムを前記オートエンコーダに入力して前記オートエンコーダの出力値を取得し、取得した前記オートエンコーダの出力値と前記判定基準とを比較して、部分画像ごとに、部分画像に前記余剰要素が含まれているか否かを判定する判定部とを有する画像処理装置。
（付記６）
前記記憶部は、
前記学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像を用いた機械学習により前記オートエンコーダの内部パラメータが決定され、上空から撮像された水面に前記余剰要素が含まれる撮像画像である第２の学習画像と前記第１の学習画像とを前記内部パラメータが設定された前記オートエンコーダに適用して得られた前記オートエンコーダの出力値に基づき生成された基準を、前記判定基準として記憶し、
前記判定部は、
前記活用フェーズにおいて、前記内部パラメータが設定された前記オートエンコーダに前記規格化ヒストグラムを入力する付記５に記載の画像処理装置。
（付記７）
前記記憶部は、
規定の規格化ルールに従い規格化されて得られた前記第１の学習画像の画素の輝度値についてのヒストグラムである第１の規格化ヒストグラムを前記オートエンコーダに入力して行われた機械学習により前記内部パラメータが決定され、前記規格化ルールに従い規格化されて得られた前記第２の学習画像の画素の輝度値についてのヒストグラムである第２の規格化ヒストグラムと前記第１の規格化ヒストグラムとを前記内部パラメータが設定された前記オートエンコーダに入力して得られた前記オートエンコーダの出力値に基づき生成された基準を、前記判定基準として記憶する付記６に記載の画像処理装置。
（付記８）
上空から水面を撮像した撮像画像を複数の部分画像に分割する分割部と、
部分画像ごとに、部分画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、規格化ヒストグラムとして生成するヒストグラム生成部と、
前記規格化ヒストグラムをニューラルネットワークに入力して、部分画像ごとに、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定部とを有する画像処理装置。
（付記９）
前記判定部は、
上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についてのヒストグラムが前記規格化ルールに従い規格化されて得られた第１の規格化ヒストグラムと、上空から撮像された水面に前記余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムが前記規格化ルールに従い規格化されて得られた第２の規格化ヒストグラムとを用いた機械学習により決定された内部パラメータが設定された前記ニューラルネットワークに、前記規格化ヒストグラムを入力する付記８に記載の画像処理装置。
（付記１０）
前記画像処理装置は、更に、
前記撮像画像の低分解能画像を生成する低分解能画像生成部を有し、
前記分割部は、
前記低分解能画像を前記複数の部分画像に分割する付記１、５及び８のいずれか一つに記載の画像処理装置。
（付記１１）
学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、第１の規格化ヒストグラムとして生成する第１のヒストグラム生成部と、
前記学習フェーズにおいて、前記第１の規格化ヒストグラムをオートエンコーダに入力して行われた機械学習により、前記オートエンコーダの内部パラメータを決定する内部パラメータ決定部と、
前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についての、前記規格化ルールに従い規格化されたヒストグラムを、第２の規格化ヒストグラムとして生成する第２のヒストグラム生成部と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定を活用フェーズにおいて前記オートエンコーダの出力値と比較することにより可能にする判定基準を、前記学習フェーズにおいて、前記内部パラメータが設定された前記オートエンコーダに前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを入力して得られた前記オートエンコーダの出力値に基づき生成する判定基準生成部とを有する学習装置。
（付記１２）
学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、第１の規格化ヒストグラムとして生成する第１のヒストグラム生成部と、
前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についての、規定の規格化ルールに従い規格化されたヒストグラムを、第２の規格化ヒストグラムとして生成する第２のヒストグラム生成部と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定をニューラルネットワークが用いられる活用フェーズにおいて可能にする前記ニューラルネットワークの内部パラメータを、前記学習フェーズにおいて、前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを用いた機械学習により決定する内部パラメータ決定部とを有する学習装置。
（付記１３）
コンピュータが、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
前記コンピュータが、部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度及び尖度の少なくともいずれかを統計値として算出する統計値算出処理と、
前記コンピュータが、部分画像ごとに、前記統計値を用いて、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定処理とを有する画像処理方法。
（付記１４）
上空から水面を撮像した撮像画像に水面以外の要素である余剰要素が含まれているか否かの判定が活用フェーズにおいてオートエンコーダの出力値と比較することにより可能な、学習フェーズにおける前記オートエンコーダを用いた機械学習により得られた判定基準をコンピュータが記憶する記憶処理と、
前記コンピュータが、前記活用フェーズにおいて、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
前記コンピュータが、前記活用フェーズにおいて、部分画像ごとに、部分画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して規格化ヒストグラムを生成するヒストグラム生成処理と、
前記コンピュータが、前記活用フェーズにおいて、前記規格化ヒストグラムを前記オートエンコーダに入力して前記オートエンコーダの出力値を取得し、取得した前記オートエンコーダの出力値と前記判定基準とを比較して、部分画像ごとに、部分画像に前記余剰要素が含まれているか否かを判定する判定処理とを有する画像処理方法。
（付記１５）
コンピュータが、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
前記コンピュータが、部分画像ごとに、部分画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して規格化ヒストグラムを生成するヒストグラム生成処理と、
前記コンピュータが、前記規格化ヒストグラムをニューラルネットワークに入力して、部分画像ごとに、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定処理とを有する画像処理方法。
（付記１６）
コンピュータが、学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して第１の規格化ヒストグラムを生成する第１のヒストグラム生成処理と、
前記コンピュータが、前記学習フェーズにおいて、前記第１の規格化ヒストグラムをオートエンコーダに入力して行われた機械学習により、前記オートエンコーダの内部パラメータを決定する内部パラメータ決定処理と、
前記コンピュータが、前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを前記規格化ルールに従い規格化して第２の規格化ヒストグラムを生成する第２のヒストグラム生成処理と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定を活用フェーズにおいて前記オートエンコーダの出力値と比較することにより可能にする判定基準を、前記コンピュータが、前記学習フェーズにおいて、前記内部パラメータが設定された前記オートエンコーダに前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを入力して得られた前記オートエンコーダの出力値に基づき生成する判定基準生成処理とを有する学習方法。
（付記１７）
コンピュータが、学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して第１の規格化ヒストグラムを生成する第１のヒストグラム生成処理と、
前記コンピュータが、前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを前記規格化ルールに従い規格化して第２の規格化ヒストグラムを生成する第２のヒストグラム生成処理と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定をニューラルネットワークが用いられる活用フェーズにおいて可能にする前記ニューラルネットワークの内部パラメータを、前記コンピュータが、前記学習フェーズにおいて、前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを用いた機械学習により決定する内部パラメータ決定処理とを有する学習方法。
（付記１８）
上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
部分画像ごとに、部分画像の画素の輝度値について統計処理を行い、部分画像ごとに輝度値についての歪度及び尖度の少なくともいずれかを統計値として算出する統計値算出処理と、
部分画像ごとに、前記統計値を用いて、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定処理とをコンピュータに実行させる画像処理プログラム。
（付記１９）
上空から水面を撮像した撮像画像に水面以外の要素である余剰要素が含まれているか否かの判定が活用フェーズにおいてオートエンコーダの出力値と比較することにより可能な、学習フェーズにおける前記オートエンコーダを用いた機械学習により得られた判定基準を記憶する記憶処理と、
前記活用フェーズにおいて、上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
前記活用フェーズにおいて、部分画像ごとに、部分画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して規格化ヒストグラムを生成するヒストグラム生成処理と、
前記活用フェーズにおいて、前記規格化ヒストグラムを前記オートエンコーダに入力して前記オートエンコーダの出力値を取得し、取得した前記オートエンコーダの出力値と前記判定基準とを比較して、部分画像ごとに、部分画像に前記余剰要素が含まれているか否かを判定する判定処理とをコンピュータに実行させる画像処理プログラム。
（付記２０）
上空から水面を撮像した撮像画像を複数の部分画像に分割する分割処理と、
部分画像ごとに、部分画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して規格化ヒストグラムを生成するヒストグラム生成処理と、
前記規格化ヒストグラムをニューラルネットワークに入力して、部分画像ごとに、部分画像に水面以外の要素である余剰要素が含まれているか否かを判定する判定処理とをコンピュータに実行させる画像処理プログラム。
（付記２１）
学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して第１の規格化ヒストグラムを生成する第１のヒストグラム生成処理と、
前記学習フェーズにおいて、前記第１の規格化ヒストグラムをオートエンコーダに入力して行われた機械学習により、前記オートエンコーダの内部パラメータを決定する内部パラメータ決定処理と、
前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを前記規格化ルールに従い規格化して第２の規格化ヒストグラムを生成する第２のヒストグラム生成処理と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定を活用フェーズにおいて前記オートエンコーダの出力値と比較することにより可能にする判定基準を、前記学習フェーズにおいて、前記内部パラメータが設定された前記オートエンコーダに前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを入力して得られた前記オートエンコーダの出力値に基づき生成する判定基準生成処理とをコンピュータに実行させる学習プログラム。
（付記２２）
学習フェーズにおいて、上空から撮像された水面のみの撮像画像である第１の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを規定の規格化ルールに従い規格化して第１の規格化ヒストグラムを生成する第１のヒストグラム生成処理と、
前記学習フェーズにおいて、上空から撮像された水面に水面以外の要素である余剰要素が含まれる撮像画像である第２の学習画像の画素の輝度値についてのヒストグラムを生成し、生成したヒストグラムを前記規格化ルールに従い規格化して第２の規格化ヒストグラムを生成する第２のヒストグラム生成処理と、
上空から水面を撮像した撮像画像に前記余剰要素が含まれているか否かの判定をニューラルネットワークが用いられる活用フェーズにおいて可能にする前記ニューラルネットワークの内部パラメータを、前記学習フェーズにおいて、前記第１の規格化ヒストグラムと前記第２の規格化ヒストグラムとを用いた機械学習により決定する内部パラメータ決定処理とをコンピュータに実行させる学習プログラム。
【符号の説明】
【0119】
１００ 画像処理装置、１０１ 低分解能画像生成部、１０２ 分割部、１０３ 統計値算出部、１０４ 判定部、１０５ 記憶部、１５０ 撮像画像、１６０ 判定結果、２００ 学習装置、２０１ 低分解能画像生成部、２０２ 分割部、２０３ 第１のヒストグラム生成部、２０４ 内部パラメータ決定部、２０５ 第２のヒストグラム生成部、２０６ 判定基準生成部、２０７ 内部パラメータ決定部、２５０ 学習画像、２６０ 学習画像、２７０ 内部パラメータ、２８０ 判定基準、２９０ 内部パラメータ、９１１ プロセッサ、９１２ 主記憶装置、９１３ 補助記憶装置、９１４ 通信装置、９２１ プロセッサ、９２２ 主記憶装置、９２３ 補助記憶装置、９２４ 通信装置。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】