特開 2024-17211 画像処理シーケンスの生成方法、生成装置、および、コンピュータープログラム

(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】P2024017211

(43)【公開日】2024-02-08

(54)【発明の名称】画像処理シーケンスの生成方法、生成装置、および、コンピュータープログラム

(51)【国際特許分類】

   G06T 7/00 20170101AFI20240201BHJP

【ＦＩ】

G06T7/00 350D

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2022119709

(22)【出願日】2022-07-27

(71)【出願人】

【識別番号】000002369

【氏名又は名称】セイコーエプソン株式会社

(74)【代理人】

【識別番号】110000028

【氏名又は名称】弁理士法人明成国際特許事務所

(72)【発明者】

【氏名】笠原 秀明

【テーマコード（参考）】

5L096

【Ｆターム（参考）】

5L096BA03

5L096FA31

5L096GA51

5L096GA53

5L096JA03

5L096KA04

(57)【要約】

【課題】所望とする画像処理シーケンスを得るための処理時間を短縮できる技術を提供する。
【解決手段】画像処理シーケンスの生成方法は、学習セットを選択するとき、前回のルーチンにおける工程（ｇ）で算出した、２以上の学習セットのそれぞれに対応した複数の前記対象評価値のうちで、所定の値の前記学習セットの選択確率を大きくする。
【選択図】図８

【特許請求の範囲】

【請求項1】

画像処理シーケンスの生成方法であって、
（ａ）学習画像と前記学習画像に関連付けられた目標画像の学習セットを複数準備する工程と、
（ｂ）シーケンス要素としての、（ｉ）画像を入力する画像入力層、（ｉｉ）複数の画像処理層の少なくとも一つ、および（ｉｉｉ）画像処理後の前記画像を出力する画像出力層、の組み合わせを示す複数の画像処理シーケンスであって、前記組み合わせが異なる複数の画像処理シーケンスによって構成されるシーケンスセットを生成する工程と、
（ｃ）複数の前記学習セットのうち、前記複数の学習セットよりも少ない数の前記学習セットを選択する工程と、
（ｄ）前記複数の画像処理シーケンスのそれぞれによって、前記工程（ｃ）において選択した前記学習セットにおける前記学習画像を画像処理し、前記複数の画像処理シーケンスごとに前記画像処理後の画像である出力画像を生成する工程と、
（ｅ）前記複数の画像処理シーケンスごとに、前記出力画像と、前記出力画像の元となる前記学習画像に関連付けられた前記目標画像とを比較して、前記出力画像と前記目標画像との類似の程度を示す評価値を算出する工程と、
（ｆ）前記複数の画像処理シーケンスのそれぞれに対応する複数の前記評価値の中から、最も前記類似の程度の高い前記画像処理シーケンスである対象画像処理シーケンスを特定する工程と、
（ｇ）前記対象画像処理シーケンスによって、前記複数の学習セットのうちで前記工程（ｃ）で選択した前記学習セットの数よりも多く、かつ、前記工程（ｃ）で選択した前記学習セットを含む２セット以上の前記学習セットのそれぞれの前記学習画像を画像処理して前記出力画像を生成し、前記出力画像と前記出力画像の元となる前記学習画像に関連付けられた前記目標画像とを比較して、前記評価値としての対象評価値を算出する工程と、
（ｈ）前記対象評価値を用いて、前記対象画像処理シーケンスが予め定めた基準条件を満たすか否かを判定する工程と、を備え、
前記画像処理シーケンスの生成方法は、前記対象画像処理シーケンスが前記基準条件を満たすまで、前記工程（ｂ）～前記工程（ｈ）を繰り返し実行し、
前記工程（ｃ）において、前記学習セットを選択するとき、前回のルーチンにおける前記工程（ｇ）で算出した、前記２セット以上の学習セットのそれぞれに対応した複数の前記対象評価値のうちで、所定の値の前記学習セットの選択確率を大きくする、画像処理シーケンスの生成方法。

【請求項2】

請求項１に記載の画像処理シーケンスの生成方法であって、
前記工程（ｂ）は、前回のルーチンにおける前記工程（ｅ）で算出した複数の前記評価値の中から前記類似の程度が高いことを示す評価条件を満たす前記評価値の算出元である前記画像処理シーケンスと、前記前回のルーチンの前記シーケンスセットを構成する前記画像処理シーケンスとは異なる前記画像処理シーケンスと、を含むシーケンスセットを生成する、画像処理シーケンスの生成方法。

【請求項3】

請求項１に記載の画像処理シーケンスの生成方法であって、
前記工程（ｇ）は、前記工程（ａ）において準備した前記複数の学習セットの全ての前記学習画像を画像処理して前記出力画像を出力して、前記全ての前記学習画像に対して前記対象評価値を算出する、画像処理シーケンスの生成方法。

【請求項4】

請求項１に記載の画像処理シーケンスの生成方法であって、
前記工程（ｈ）は、前記複数の学習セットに対応した複数の前記対象評価値の統計量を算出して、前記統計量が示す前記類似の程度が予め定めた閾値以上である場合に、前記基準条件を満たすと判定する、画像処理シーケンスの生成方法。

【請求項5】

請求項１から請求項４までのいずれか一項に記載の画像処理シーケンスの生成方法であって、
前記工程（ｃ）において、前記学習セットを選択するとき、前記前回のルーチンにおける前記工程（ｇ）で算出した、前記２セット以上の前記学習セットに対応した複数の前記対象評価値がそれぞれ示す前記類似の程度が低いほど、前記学習セットの選択確率を大きくする、画像処理シーケンスの生成方法。

【請求項6】

請求項１に記載の画像処理シーケンスの生成方法であって、
前記工程（ｂ）において、前記複数の画像処理シーケンスはそれぞれ、前記画像入力層および前記画像処理層のそれぞれに対応した複数の遺伝子を配列した個体と、前記シーケンス要素の接続関係を規定した遺伝子テーブルと、によって表される、画像処理シーケンスの生成方法。

【請求項7】

画像処理シーケンスの生成装置であって、
シーケンス要素としての、（ｉ）画像を入力する画像入力層、（ｉｉ）複数の画像処理層の少なくとも一つ、および（ｉｉｉ）画像処理後の前記画像を出力する画像出力層、の組み合わせを示す複数の画像処理シーケンスであって、前記組み合わせが異なる複数の画像処理シーケンスによって構成されるシーケンスセットを生成するシーケンス生成部と、
予め準備された学習画像と目標画像との組み合わせを学習セットとする複数の前記学習セットのうち、前記複数の学習セットよりも少ない数の前記学習セットを選択する選択部と、
前記複数の画像処理シーケンスのそれぞれによって、前記選択部が選択した前記学習セットにおける前記学習画像を画像処理し、前記複数の画像処理シーケンスごとに前記画像処理後の画像である出力画像を生成する画像処理部と、
前記複数の画像処理シーケンスごとに、前記出力画像と、前記出力画像の元となる前記学習画像と前記学習セットを構成する前記目標画像とを比較して、前記出力画像と前記目標画像との類似の程度を示す評価値を算出する算出部と、
前記複数の画像処理シーケンスのそれぞれに対応する複数の前記評価値の中から、最も前記類似の程度の高い前記画像処理シーケンスである対象画像処理シーケンスを特定する特定部と、
前記画像処理部は、前記対象画像処理シーケンスによって、前記複数の学習セットのうちで前記選択部が選択した前記学習セットの数よりも多く、かつ、前記選択部が選択した前記学習セットを含む２セット以上の前記学習セットのそれぞれの前記学習画像を画像処理して前記出力画像としての対象出力画像を生成し、
前記算出部は、前記対象出力画像と前記対象出力画像の元となる前記学習画像に関連付けられた前記目標画像とを比較して、前記評価値としての対象評価値を算出し、
前記特定部は、前記対象評価値を用いて、前記対象画像処理シーケンスが予め定めた基準条件を満たすか否かを判定し、
前記対象画像処理シーケンスが前記基準条件を満たさない場合には、
前記選択部は、前記算出部が算出した、前記２セット以上の学習セットのそれぞれに対応した複数の前記対象評価値のうちで、所定の値の前記学習セットの選択率を大きくして、新たに前記学習セットを選択し、
前記シーケンス生成部は、新たに選択された前記学習セットのための前記シーケンスセットであって、前回生成した前記シーケンスセットとは異なる前記シーケンスセットを生成する、画像処理シーケンスの生成装置。

【請求項8】

コンピュータープログラムであって、
（ａ）シーケンス要素としての、（ｉ）画像を入力する画像入力層、（ｉｉ）複数の画像処理層の少なくとも一つ、および（ｉｉｉ）画像処理後の前記画像を出力する画像出力層、の組み合わせを示す複数の画像処理シーケンスであって、前記組み合わせが異なる複数の画像処理シーケンスによって構成されるシーケンスセットを生成するシーケンス生成機能と、
（ｂ）予め準備された学習画像と前記学習画像に関連付けられた目標画像との組み合わせである複数の学習セットのうち、前記複数の学習セットよりも少ない数の前記学習セットを選択する機能と、
（ｃ）前記複数の画像処理シーケンスのそれぞれによって、前記機能（ｂ）が選択した前記学習セットにおける前記学習画像を画像処理し、前記複数の画像処理シーケンスごとに前記画像処理後の画像である出力画像を生成する機能と、
（ｄ）前記複数の画像処理シーケンスごとに、前記出力画像と、前記出力画像の元となる前記学習画像に関連付けられた前記目標画像とを比較して、前記出力画像と前記目標画像との類似の程度を示す評価値を算出する機能と、
（ｅ）前記複数の画像処理シーケンスのそれぞれに対応する複数の前記評価値の中から、最も前記類似の程度の高い画像処理シーケンスである対象画像処理シーケンスを特定する機能と、
（ｆ）前記対象画像処理シーケンスによって、前記複数の学習セットのうちで前記機能（ｂ）が選択した前記学習セットの数よりも多く、かつ、前記機能（ｂ）が選択した前記学習セットを含む２学習セット以上の前記学習セットのそれぞれの前記学習画像を画像処理して前記出力画像を生成し、前記出力画像と前記出力画像の元となる前記学習画像に関連付けられた前記目標画像とを比較して、前記評価値としての対象評価値を算出する機能と、
（ｇ）前記対象評価値を用いて、前記対象画像処理シーケンスが予め定めた基準条件を満たすか否かを判定する機能と、をコンピューターに実行させ、
前記コンピュータープログラムは、前記対象画像処理シーケンスが前記基準条件を満たすまで、前記機能（ａ）～前記機能（ｇ）を繰り返し前記コンピューターに実行させ、
前記機能（ｂ）は、前記学習セットを選択するとき、前回のルーチンにおける前記機能（ｆ）で算出した、前記２セット以上の学習セットのそれぞれに対応した複数の前記対象評価値のうちで、所定の値の前記学習セットの選択確率を大きくする機能を有する、コンピュータープログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、画像処理シーケンスを生成する技術に関する。

【背景技術】

【0002】

従来、遺伝的プログラミングを用いることにより、個体を木構造のように構造的に表現する技術が知られている（特許文献１）。また、従来、検査領域を有する教示用画像に対して、検査領域内の欠陥を有する検査領域画像の特徴量を算出し、算出した特徴量を変化させて変化検査領域画像を生成する技術が知られている（特許文献２）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００７－８７０５５号公報

【特許文献2】特開２００６－３３７１５２号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１の技術では、遺伝的プログラミングを用いることにより、複数の画像処理フィルターを木構造に組み合わせた画像処理シーケンスを生成している。そして、学習画像を画像処理シーケンスで画像処理した結果画像と、目標画像とを比較することで、現世代の複数の画像処理シーケンスを評価している。評価の高い画像処理シーケンスは次世代でも維持される。一方で、評価の低い画像処理シーケンスについては、交叉や突然変異などの手法を用いて、新たな画像処理シーケンスを生成する。そして、現世代において維持された画像処理シーケンスと、新たに生成された画像処理シーケンスとによって次世代の画像処理シーケンス群が生成される。そして、所望とする画像処理シーケンスが得られるまで、画像処理シーケンス群の生成と評価とが繰り返される。特許文献１の技術において、過学習を抑制するために、評価に用いる学習画像の数を増やすと、画像処理シーケンスによる画像処理の回数や評価の回数が増大する。これにより、特許文献１の技術では、所望とする画像処理シーケンスを得るまでに必要な処理時間が長くなる場合があった。

【0005】

また、特許文献２の技術では、生成した変化検査領域画像を検査領域画像と同じ１枚の画像上に配置しているが、１枚の画像上に配置可能な検査領域画像の数や種類には限度がある。また、特許文献２の技術では、欠陥のある検査領域画像の特徴量を変化させて新たな変化検査領域画像を生成しているため、欠陥の無い良品画像を複数種類準備する場合には、この技術は適用できない。よって、評価精度の向上のために、欠陥の無い良品画像を複数種類準備して、画像処理シーケンスを用いて評価するためには、処理時間が長くなる場合があった。

【0006】

上記のごとく、従来から、所望とする画像処理シーケンスを得るための処理時間を短縮できる技術が望まれている。

【課題を解決するための手段】

【0007】

本開示の第１形態によれば、画像処理シーケンスの生成方法が提供される。この画像処理シーケンスの生成方法は、（ａ）学習画像と前記学習画像に関連付けられた目標画像の学習セットを複数準備する工程と、（ｂ）シーケンス要素としての、（ｉ）画像を入力する画像入力層、（ｉｉ）複数の画像処理層の少なくとも一つ、および（ｉｉｉ）画像処理後の前記画像を出力する画像出力層、の組み合わせを示す複数の画像処理シーケンスであって、前記組み合わせが異なる複数の画像処理シーケンスによって構成されるシーケンスセットを生成する工程と、（ｃ）複数の前記学習セットのうち、前記複数の学習セットよりも少ない数の前記学習セットを選択する工程と、（ｄ）前記複数の画像処理シーケンスのそれぞれによって、前記工程（ｃ）において選択した前記学習セットにおける前記学習画像を画像処理し、前記複数の画像処理シーケンスごとに前記画像処理後の画像である出力画像を生成する工程と、（ｅ）前記複数の画像処理シーケンスごとに、前記出力画像と、前記出力画像の元となる前記学習画像に関連付けられた前記目標画像とを比較して、前記出力画像と前記目標画像との類似の程度を示す評価値を算出する工程と、（ｆ）前記複数の画像処理シーケンスのそれぞれに対応する複数の前記評価値の中から、最も前記類似の程度の高い前記画像処理シーケンスである対象画像処理シーケンスを特定する工程と、（ｇ）前記対象画像処理シーケンスによって、前記複数の学習セットのうちで前記工程（ｃ）で選択した前記学習セットの数よりも多く、かつ、前記工程（ｃ）で選択した前記学習セットを含む２セット以上の前記学習セットのそれぞれの前記学習画像を画像処理して前記出力画像を生成し、前記出力画像と前記出力画像の元となる前記学習画像に関連付けられた前記目標画像とを比較して、前記評価値としての対象評価値を算出する工程と、（ｈ）前記対象評価値を用いて、前記対象画像処理シーケンスが予め定めた基準条件を満たすか否かを判定する工程と、を備え、前記画像処理シーケンスの生成方法は、前記対象画像処理シーケンスが前記基準条件を満たすまで、前記工程（ｂ）～前記工程（ｈ）を繰り返し実行し、前記工程（ｃ）において、前記学習セットを選択するとき、前回のルーチンにおける前記工程（ｇ）で算出した、前記２セット以上の学習セットのそれぞれに対応した複数の前記対象評価値のうちで、所定の値の前記学習セットの選択確率を大きくする。

【0008】

本開示の第２形態によれば、画像処理シーケンスの生成装置が提供される。この生成装置は、シーケンス要素としての、（ｉ）画像を入力する画像入力層、（ｉｉ）複数の画像処理層の少なくとも一つ、および（ｉｉｉ）画像処理後の前記画像を出力する画像出力層、の組み合わせを示す複数の画像処理シーケンスであって、前記組み合わせが異なる複数の画像処理シーケンスによって構成されるシーケンスセットを生成するシーケンス生成部と、予め準備された学習画像と目標画像との組み合わせを学習セットとする複数の前記学習セットのうち、前記複数の学習セットよりも少ない数の前記学習セットを選択する選択部と、前記複数の画像処理シーケンスのそれぞれによって、前記選択部が選択した前記学習セットにおける前記学習画像を画像処理し、前記複数の画像処理シーケンスごとに前記画像処理後の画像である出力画像を生成する画像処理部と、前記複数の画像処理シーケンスごとに、前記出力画像と、前記出力画像の元となる前記学習画像と前記学習セットを構成する前記目標画像とを比較して、前記出力画像と前記目標画像との類似の程度を示す評価値を算出する算出部と、前記複数の画像処理シーケンスのそれぞれに対応する複数の前記評価値の中から、最も前記類似の程度の高い前記画像処理シーケンスである対象画像処理シーケンスを特定する特定部と、前記画像処理部は、前記対象画像処理シーケンスによって、前記複数の学習セットのうちで前記選択部が選択した前記学習セットの数よりも多く、かつ、前記選択部が選択した前記学習セットを含む２セット以上の前記学習セットのそれぞれの前記学習画像を画像処理して前記出力画像としての対象出力画像を生成し、前記算出部は、前記対象出力画像と前記対象出力画像の元となる前記学習画像に関連付けられた前記目標画像とを比較して、前記評価値としての対象評価値を算出し、前記特定部は、前記対象評価値を用いて、前記対象画像処理シーケンスが予め定めた基準条件を満たすか否かを判定し、前記対象画像処理シーケンスが前記基準条件を満たさない場合には、前記選択部は、前記算出部が算出した、前記２セット以上の学習セットのそれぞれに対応した複数の前記対象評価値のうちで、所定の値の前記学習セットの選択率を大きくして、新たに前記学習セットを選択し、前記シーケンス生成部は、新たに選択された前記学習セットのための前記シーケンスセットであって、前回生成した前記シーケンスセットとは異なる前記シーケンスセットを生成する。

【0009】

本開示の第３形態によれば、コンピュータープログラムが提供される。このコンピュータープログラムは、（ａ）シーケンス要素としての、（ｉ）画像を入力する画像入力層、（ｉｉ）複数の画像処理層の少なくとも一つ、および（ｉｉｉ）画像処理後の前記画像を出力する画像出力層、の組み合わせを示す複数の画像処理シーケンスであって、前記組み合わせが異なる複数の画像処理シーケンスによって構成されるシーケンスセットを生成するシーケンス生成機能と、（ｂ）予め準備された学習画像と前記学習画像に関連付けられた目標画像との組み合わせである複数の学習セットのうち、前記複数の学習セットよりも少ない数の前記学習セットを選択する機能と、（ｃ）前記複数の画像処理シーケンスのそれぞれによって、前記機能（ｂ）が選択した前記学習セットにおける前記学習画像を画像処理し、前記複数の画像処理シーケンスごとに前記画像処理後の画像である出力画像を生成する機能と、（ｄ）前記複数の画像処理シーケンスごとに、前記出力画像と、前記出力画像の元となる前記学習画像に関連付けられた前記目標画像とを比較して、前記出力画像と前記目標画像との類似の程度を示す評価値を算出する機能と、（ｅ）前記複数の画像処理シーケンスのそれぞれに対応する複数の前記評価値の中から、最も前記類似の程度の高い画像処理シーケンスである対象画像処理シーケンスを特定する機能と、（ｆ）前記対象画像処理シーケンスによって、前記複数の学習セットのうちで前記機能（ｂ）が選択した前記学習セットの数よりも多く、かつ、前記機能（ｂ）が選択した前記学習セットを含む２学習セット以上の前記学習セットのそれぞれの前記学習画像を画像処理して前記出力画像を生成し、前記出力画像と前記出力画像の元となる前記学習画像に関連付けられた前記目標画像とを比較して、前記評価値としての対象評価値を算出する機能と、（ｇ）前記対象評価値を用いて、前記対象画像処理シーケンスが予め定めた基準条件を満たすか否かを判定する機能と、をコンピューターに実行させ、前記コンピュータープログラムは、前記対象画像処理シーケンスが前記基準条件を満たすまで、前記機能（ａ）～前記機能（ｇ）を繰り返し前記コンピューターに実行させ、前記機能（ｂ）は、前記学習セットを選択するとき、前回のルーチンにおける前記機能（ｆ）で算出した、前記２セット以上の学習セットのそれぞれに対応した複数の前記対象評価値のうちで、所定の値の前記学習セットの選択確率を大きくする機能を有する。

【図面の簡単な説明】

【0010】

【図1】実施形態の生成システムを説明するための図。

【図2】記憶装置を説明するための図。

【図3】学習データの一例を示す図。

【図4】遺伝子テーブルを説明するための図。

【図5】一つの世代の個体群を説明するための図。

【図6】遺伝子翻訳部によって生成された木構造の画像処理シーケンスを示す図。

【図7】生成装置が実行する処理を示すフローチャート。

【図8】ステップＳ１０の生成工程の詳細なフローチャート。

【図9】ステップＳ１０の生成工程を説明するための第１図。

【図10】ステップＳ１０の生成工程を説明するための第２図。

【図11】図８のステップＳ９４の詳細なフローチャート。

【図12】図１１のステップＳ９６，Ｓ９７を説明するための図。

【図13】利用処理工程のフローチャート。

【発明を実施するための形態】

【0011】

Ａ．実施形態：
図１は、実施形態の生成システム１０を説明するための図である。生成システム１０は、生成装置２０と撮像装置２００とを備える。生成装置２０と撮像装置２００とは、有線や無線によってデータを送受信可能である。撮像装置２００は、カメラであり、対象物を撮像して撮像画像を取得する。撮像装置２００によって取得された撮像画像は、生成装置２０に送信される。

【0012】

生成装置２０は、画像処理後の所望とする画像を得るための特定画像処理シーケンスＤＳｑを生成するシーケンス生成機能と、シーケンス生成機能によって生成した特定画像処理シーケンスＤＳｑによって画像を画像処理して処理後画像を出力する画像処理機能と、を有する。本実施形態の生成装置２０は、撮像画像を元に、所望の目的を達成するための画像を得るための特定画像処理シーケンスＤＳｑを自動で生成する。例えば、生成装置２０は、撮像装置２００によって撮像された工業製品である回路基板の画像を、特定画像処理シーケンスＤＳｑを用いて画像処理することで、欠陥部分が黒画像、それ以外の部分が白画像で表された二値化画像を処理後画像として出力する。この二値化画像を元に、欠陥部分の有無や位置がユーザーや装置によって特定されることで、工業製品の検査が行われる。

【0013】

シーケンス生成機能は、複数の画像処理シーケンスＳｑを、遺伝的プログラミングを用いて生成する。また、シーケンス生成機能は、生成した複数の画像処理シーケンスＳｑの中から所望とする画像処理後の画像を得るための特定画像処理シーケンスＤＳｑを特定する。本実施形態では、シーケンス生成機能と画像処理機能とは、一つの生成装置２０に搭載されているが、これに限定されるものではない。他の実施形態では、シーケンス生成機能と画像処理機能とは、別々の装置に搭載されていてもよいし、クラウド上に存在していてもよい。

【0014】

生成装置２０は、パーソナルコンピューターなどの電子計算機である。生成装置２０は、プロセッサー２５と、記憶装置７０と、入力部１５０と、表示部１６０とを備える。プロセッサー２５は、記憶装置７０に記憶された各種プログラムを実行することで、生成装置２０の動作を制御する。プロセッサー２５の詳細な機能は後述する。記憶装置７０は、ＲＡＭやＲＯＭなどのメモリーにより構成されている。記憶装置７０には、プロセッサー２５の各機能を実現するための各種プログラムと、画像処理シーケンスＳｑの生成のために用いる各種データとが記憶されている。記憶装置７０の詳細は後述する。入力部１５０は、外部からの情報を受け付けるインターフェースである。入力部１５０は、例えば、撮像装置２００からの撮像画像の入力を受け付けたり、ユーザーが他の装置を用いて生成した画像の入力を受け付けたりする。表示部１６０は、各種情報を表示する。表示部１６０は、例えば、液晶モニターである。

【0015】

プロセッサー２５は、記憶装置７０の各種プログラムを実行することで、シーケンス生成部３０と、選択部３６と、画像処理部４０と、算出部４２と、特定部４６と、表示制御部６０として機能する。なお、プロセッサー２５によって実行される機能の一部は、ハードウェア回路によって実現されてもよい。ここで、本開示において、「プロセッサー」は、ＣＰＵやＧＰＵを包含する用語である。

【0016】

シーケンス生成部３０は、個体ＩＶによって示された遺伝子の配列を木構造のように構造的に表現することで、シーケンス要素の組み合わせが異なる複数の画像処理シーケンスＳｑによって構成されるシーケンスセットを生成する。画像処理シーケンスＳｑは、複数のシーケンス要素の組み合わせによって表されている。シーケンス要素としては、（ｉ）画像を入力するノードである画像入力層と、（ｉｉ）画像入力層と画像出力層との間の中間のノードである、画像処理フィルターとしての画像処理層と、（ｉｉｉ）画像処理後、すなわち最終的な画像処理後の画像である出力画像ＰＭを出力するノードである画像出力層とがある。

【0017】

シーケンス生成部３０は、個体生成部３２と、遺伝子翻訳部３４とを備える。個体生成部３２は、一次元または二次元に配列された複数の遺伝子によって構成される個体ＩＶを生成する。個体ＩＶを構成する各遺伝子は、画像入力層と、画像処理層の種類、本実施形態では画像処理フィルターとをそれぞれ表す数値である。数値範囲ごとに、画像入力層や異なる画像処理フィルターが割り当てられる。つまり、個体ＩＶは、画像入力層および画像処理層のそれぞれに対応した遺伝子を配列することで生成される。個体生成部３２は、一つの世代Ｇごとに、予め定めた数の個体ＩＶを生成する。本実施形態では、個体生成部３２は、一次元に遺伝子を配列することで、予め定めた遺伝子長の個体ＩＶを生成する。一つの世代Ｇごとにおいて、複数の画像処理シーケンスＳｑのシーケンス要素の組み合わせは異なる。個体生成部３２は、一番初めの１世代目については、個体ＩＶの各遺伝子座に、０から１までの小数点第３位までの数値を遺伝子としてランダムに配置することで、複数の個体ＩＶから構成される個体群８４を生成する。個体生成部３２は、二世代目以降については、前回の親世代の個体ＩＶから交叉と突然変異との少なくとも一つの手法を用いて個体ＩＶを新たに生成することで、新たに生成した個体ＩＶと、親世代で維持、すなわち親世代の個体ＩＶを複製した個体ＩＶとの集合である個体群８４を生成する。つまり、２世代目以降で新たに生成されるシーケンスセットを構成する複数の画像処理シーケンスＳｑはそれぞれ、前回のルーチンで生成された画像処理シーケンス、すなわち親世代の画像処理シーケンスＳｑを元に、複製や交叉や突然変異によって生成される。

【0018】

遺伝子翻訳部３４は、記憶装置７０に記憶された後述する遺伝子テーブル８２を参照することで、個体ＩＶの各遺伝子を翻訳して木構造で表された画像処理シーケンスＳｑを生成する。遺伝子テーブル８２は、遺伝子である数値の数値範囲ごとに対応する画像処理フィルターと、各シーケンス要素の接続関係を規定したテーブルである。

【0019】

選択部３６は、予め準備された学習画像ＬＭと目標画像ＴＭとの組み合わせを１つの学習セットＳＭとする複数の学習セットＳＭによって構成される学習データ７４のうち、複数の学習セットＳＭよりも少ない数の学習セットＳＭを選択する。学習データ７４は、記憶装置７０に記憶されている。学習データ７４の詳細は後述する。

【0020】

画像処理部４０は、遺伝子翻訳部３４が生成した複数の画像処理シーケンスＳｑのそれぞれによって、選択部３６が選択した学習セットＳＭにおける学習画像ＬＭを画像入力層に入力して画像処理し、複数の画像処理シーケンスＳｑごとに画像処理後の画像である出力画像ＰＭを画像出力層から出力することで生成する。また画像処理部４０は、記憶装置７０に記憶された特定画像処理シーケンスＤＳｑを用いて、検査対象である画像を画像入力層に入力して画像処理し、画像処理後の画像である出力画像ＰＭを画像出力層から出力することで生成する。

【0021】

算出部４２は、画像処理部４０によって生成された出力画像ＰＭと、出力画像ＰＭの元となる学習画像ＬＭに関連付けられた、すなわち学習画像ＬＭと１つの学習セットＳＭを構成する目標画像ＴＭとを比較して、類似の程度ＳＤを示す評価値ＥＶを算出する。例えば、算出部４２は、１つの世代Ｇの個体群の各個体ＩＶによって表された複数の画像処理シーケンスＳｑごとに、出力画像ＰＭと、出力画像ＰＭの元となる学習画像ＬＭに関連付けられた目標画像ＴＭとを比較する。そして、算出部４２は、出力画像ＰＭと目標画像ＴＭとの類似の程度ＳＤを示す評価値ＥＶを算出する。１つの画像処理シーケンスＳｑによって複数の学習画像ＬＭが画像処理されて、複数の出力画像ＰＭが生成される場合には、各出力画像ＰＭに対応する評価値ＥＶを算出して、各評価値ＥＶの統計量を最終的な評価値ＥＶとして算出する。各評価値ＥＶの統計量としては、平均値や中央値などの値が用いられる。本実施形態では、統計量として平均値が用いられる。

【0022】

評価値ＥＶとしては、２つの画像の類似の程度ＳＤを表す指標値であればよく、例えば、平均二乗誤差（MSE:Mean Squared Error）や、ピーク信号対雑音比（PSNR:Peak signal-to-noise ratio）や、構造的類似度（SSIM:Structural Similarity）の一つを用いることができる。ＭＳＥが評価値ＥＶとして用いられる場合、ＭＳＥの値が小さい程、出力画像ＰＭと目標画像ＴＭとの類似の程度ＳＤは高い。つまり、ＭＳＥの逆数が、類似の程度ＳＤを示す。ＰＳＮＲが評価値ＥＶとして用いられる場合には、ＰＳＮＲが大きい程、出力画像ＰＭと目標画像ＴＭとの類似の程度ＳＤは高い。つまり、ＰＳＮＲは類似の程度ＳＤを示す。ＳＳＩＭが用いられる場合には、例えば、画像を小領域に分割して、小領域ごとに算出されたＳＳＩＭの平均値であるＭＳＳＩＭ（Mean SSIM）が評価値ＥＶとして用いられる。ＭＳＳＩＭが評価値ＥＶとして用いられる場合、ＭＳＳＩＭが大きい程、類似の程度ＳＤは高い。つまり、ＭＳＳＩＭは類似の程度ＳＤを示す。なお、「類似の程度ＳＤ」は「類似度ＳＤ」とも呼ぶ。

【0023】

特定部４６は、複数の画像処理シーケンスＳｑのそれぞれに対応する複数の評価値ＥＶの中から、最も類似の程度ＳＤが高い画像処理シーケンスＳｑである対象画像処理シーケンスＴＳｑを特定する。また、特定部４６は、画像処理後の所望とする画像を得るための、予め定めた基準条件を満たす対象画像処理シーケンスＴＳｑを特定画像処理シーケンスＤＳｑとして特定する。特定画像処理シーケンスＤＳｑは、記憶装置７０に記憶される。特定画像処理シーケンスＤＳｑの特定方法の詳細は後述する。

【0024】

表示制御部６０は、各種情報を表示部１６０に表示させる。表示制御部６０は、例えば、特定画像処理シーケンスＤＳｑや、個体ＩＶによって表された画像処理シーケンスＳｑによって画像処理された処理後画像や、目標画像ＴＭや、評価値ＥＶを表示部１６０に表示させる。

【0025】

図２は、記憶装置７０を説明するための図である。記憶装置７０は、学習データ７４と、画像フィルター群８０と、遺伝子テーブル８２と、個体群８４と、選択テーブル８９と、特定画像処理シーケンスＤＳｑと、各種プログラム９４とを記憶する。特定画像処理シーケンスＤＳｑは、特定部４６によって予め定めた基準条件を満たすと判定された画像処理シーケンスＳｑである。特定画像処理シーケンスＤＳｑは、例えば、複数の画像処理層である複数の画像処理フィルターを識別する層識別子と、層識別子の順番、すなわち接続関係とによって表される。各種プログラム９４は、プロセッサー２５によって実行されるプログラムである。選択テーブル８９は、選択部３６によって学習セットＳＭを選択するときに用いられるテーブルである。選択テーブル８９の詳細は後述する。

【0026】

図３は、学習データ７４の一例を示す図である。学習データ７４は、（ｉ）画像処理シーケンスＳｑによる画像処理対象である学習画像ＬＭと、（ｉｉ）学習画像ＬＭに関連付けられた所望とする目標画像ＴＭと、によって構成された学習セットＳＭを複数セット有する。本実施形態では、学習データ７４が有する学習セットＳＭは、８セット準備されている。学習画像ＬＭは、例えば、工業製品である回路基板の画像である。目標画像ＴＭは、欠陥部分ＤＡが黒画像、それ以外の部分が白画像で表された二値化画像である。目標画像ＴＭは、例えば、予め欠陥部分の箇所が特定できている学習画像ＬＭを参考に、ユーザーが欠陥部分ＤＡを黒画像に設定し、それ以外の部分を白画像に設定することで生成される。なお、複数の学習セットＳＭは、欠陥部分ＤＡを有する画像を有する複数の学習セットＳＭと、欠陥部分ＤＡが含まれない画像である良品を示す複数の画像を有する複数の学習セットＳＭとから構成される。複数の学習画像ＬＭはそれぞれ、製造番号が異なる同種の回路基板を撮像装置２００で撮像した画像である。各学習セットＳＭには識別番号ＴＩＤが付与されている。なお、図３に示す学習セットＳＭには、識別番号ＴＩＤとして、「Ｔ０１」が付与されている。

【0027】

図２に示す画像フィルター群８０は、画像処理シーケンスＳｑにおいてシーケンス要素の候補となる複数の画像フィルターの集合である。画像フィルターとしては、平均値フィルター、最大値フィルター、最小値フィルター、二値化フィルター、移動平均フィルター、ラプラシアンフィルター、ガウシアンフィルター、ソーベルフィルター、ガンマ補正フィルター、２つの画像を一つの画像に合成するフィルターなどが挙げられる。なお、画像処理フィルターは、同じ種類のフィルターであっても、カーネルサイズや係数が異なる場合には、異なる画像処理フィルターとして画像フィルター群８０に記憶される。

【0028】

遺伝子テーブル８２は、画像処理シーケンスＳｑの候補となるシーケンス要素の接続関係と、遺伝子が示す数値に対応する画像処理フィルターの種別との対応関係とを示すテーブルである。

【0029】

図４は、遺伝子テーブル８２を説明するための図である。以下では、理解の容易の為に、画像フィルター群８０は、５つの画像処理フィルターＦｔＡ～ＦｔＥで構成されているとする。実際には、５つよりも多い数の画像処理フィルターが、画像処理フィルター群に記憶されている。遺伝子テーブル８２は、画像処理フィルターの種別を示すフィルター種別ごとに、入力数と出力数と出現範囲とが規定されている。フィルター種別は、画像フィルター群８０の各画像処理フィルターや、画像入力層を識別する識別子である。図４では、画像入力層は、フィルター種別が「ｉｎ」で表されている。入力数は、画像処理フィルターや画像入力層の入力側に接続されるシーケンス要素の数を示す。入力数が「２」である場合には、２つのシーケンス要素から出力されたデータが、画像処理フィルターに入力される。出力数は、画像処理フィルターの出力側に接続されるシーケンス要素の数を示す。本実施形態では、出力数は全て「１」であり、画像処理層や画像入力層は、一つの出力側のシーケンス要素に接続される。

【0030】

遺伝子テーブル８２の出現範囲には、遺伝子の数値ＶＧの範囲が規定されている。本実施形態では、各画像処理フィルターが概ね均等な確率でランダムに画像処理シーケンスＳｑ中に出現するように、０～１の数値を６等分している。例えば、遺伝子の数値ＶＧが０以上０．１６７未満の値である場合には、この遺伝子には画像処理フィルターＦｔＡが割り当てられる。

【0031】

図２に示す個体群８４は、個体生成部３２によって生成された１つの世代Ｇにおける複数の個体ＩＶの集合である。図５は、一つの世代Ｇの個体群８４を説明するための図である。本実施形態では、１つの世代Ｇで１０個の個体ＩＶ１～ＩＶ１０が生成される例を説明する。各個体ＩＶ１～ＩＶ１０は、遺伝子を配置する複数の遺伝子座が一次元的に配列されている。各個体ＩＶ１～ＩＶ１０の遺伝子長は同じであり、各個体ＩＶ１～ＩＶ１０はＮｏ．１～Ｎｏ．１０の遺伝子座に遺伝子を順に配列することで構成されている。個体生成部３２は、各遺伝子座に、０から１までの小数点第３位までの数値で表された遺伝子を配置する。つまり、本実施形態では、各遺伝子座で遺伝子が取りうる値は、０以上１以下の小数点第３位までの数値である。

【0032】

図２のさらなる説明を行う前に、図６を用いて、遺伝子翻訳部３４による画像処理シーケンスＳｑの生成処理を説明する。図６は、遺伝子翻訳部３４によって生成された木構造の画像処理シーケンスＳｑを示す図である。図６に示す画像処理シーケンスＳｑは、図５に示す個体ＩＶ１を元に生成された画像処理シーケンスＳｑ１である。

【0033】

遺伝子翻訳部３４は、個体ＩＶと、遺伝子テーブル８２と、画像フィルター群８０とを用いて、画像出力層ｏｕｔ側から順に木構造の画像処理シーケンスＳｑを生成する。まず遺伝子翻訳部３４は、画像出力層ｏｕｔを終端ノードに設定し、個体ＩＶの遺伝子の配列順にシーケンス要素を接続していく。シーケンス要素の接続は、予め定めた接続ルールに従い実行される。本実施形態では、遺伝子の配列順に、終端ノード側から優先して配置すると共に、図６に示す左側の接続先を右側の接続先よりも優先して配置するというルールに従って、画像処理シーケンスＳｑが生成される。つまり、遺伝子の配列順に、画像出力層ｏｕｔ側から画像処理層または画像入力層ｉｎを配置すると共に、入力側が複数に分かれている場合には、左側のシーケンスが画像入力層ｉｎとなるまで、左側を優先させる。なお、本実施形態では、画像出力層ｏｕｔの入力数は、「１」に予め設定されている。

【0034】

遺伝子翻訳部３４は、個体ＶＩ１のＮｏ．１の遺伝子の数値ＶＧである「０．５３４」と、遺伝子テーブル８２とを参照して、「０．５３４」が画像処理フィルターＦｔＤの出現範囲内にあることを特定する。これにより、画像出力層ｏｕｔの入力側に、画像処理フィルターＦｔＤを接続する。次に、遺伝子翻訳部３４は、遺伝子テーブル８２を参照して画像処理フィルターＦｔＤの入力数が「２」であることを特定することで、画像処理フィルターＦｔＤの入力側に２つのシーケンス要素を配置する。具体的には、遺伝子翻訳部３４は、個体ＶＩ１のＮｏ．２の遺伝子に対応するシーケンス要素を図６に示す左側の入力側接続先に配置する。つまり、遺伝子翻訳部３４は、Ｎｏ．２の遺伝子の数値ＶＧである「０．２９２」と、遺伝子テーブル８２とを参照して、「０．２９２」が画像処理フィルターＦｔＢの出現範囲内であることを特定する。これにより、画像処理フィルターＦｔＤの左側の入力側接続先に画像処理フィルターＦｔＢを配置する。

【0035】

次いで、遺伝子翻訳部３４は、Ｎｏ．２の遺伝子が表す画像処理フィルターＦｔＢと、遺伝子テーブル８２とを参照して、画像処理フィルターＦｔＢの入力数が「１」であることを特定することで、画像処理フィルターＦｔＢの入力側に１つのシーケンス要素を配置する。具体的には、遺伝子翻訳部３４は、Ｎｏ．３の遺伝子の数値ＶＧである「０．４６２」と、遺伝子テーブル８２とを参照して、「０．４６２」が画像処理フィルターＦｔＣの出現範囲内であることを特定する。これにより、Ｎｏ．３の遺伝子が示す画像処理フィルターＦｔＢの入力側接続先に画像処理フィルターＦｔＣを配置する。

【0036】

次に、遺伝子翻訳部３４は、Ｎｏ．３の遺伝子が表す画像処理フィルターＦｔＣと、遺伝子テーブル８２とを参照して、画像処理フィルターＦｔＣの入力数が「１」であることを特定することで、画像処理フィルターＦｔＣの入力側に１つのシーケンス要素を配置する。具体的には、遺伝子翻訳部３４は、Ｎｏ．４の遺伝子の数値ＶＧである「０．８５６」と、遺伝子テーブル８２とを参照して、「０．８５６」が画像入力層ｉｎの出現範囲内であることを特定する。これにより、Ｎｏ．３の遺伝子が示す画像処理フィルターＦｔＣの入力側接続先に画像入力層ｉｎを配置する。これにより、図６の画像処理シーケンスＳｑの左側のシーケンスの生成は終了する。

【0037】

ついで、遺伝子翻訳部３４は、個体ＶＩ１のＮｏ．５の遺伝子に対応するシーケンス要素を図６に示す右側の入力側接続先に配置する。つまり、遺伝子翻訳部３４は、Ｎｏ．５の遺伝子の数値ＶＧである「０．１３８」と、遺伝子テーブル８２とを参照して、「０．１３８」が画像処理フィルターＦｔＡの出現範囲内であることを特定する。これにより、画像処理フィルターＦｔＤの右側の入力側接続先に画像処理フィルターＦｔＡを配置する。

【0038】

また、遺伝子翻訳部３４は、Ｎｏ．５の遺伝子が表す画像処理フィルターＦｔＡと、遺伝子テーブル８２とを参照して、画像処理フィルターＦｔＡの入力数が「１」であることを特定することで、画像処理フィルターＦｔＡの入力側に１つのシーケンス要素を配置する。具体的には、遺伝子翻訳部３４は、Ｎｏ．６の遺伝子の数値ＶＧである「０．９３２」と、遺伝子テーブル８２とを参照して、「０．９３２」が画像入力層ｉｎの出現範囲内であることを特定する。これにより、Ｎｏ．５の遺伝子が示す画像処理フィルターＦｔＡの入力側接続先に画像入力層ｉｎを配置する。これにより、図６の画像処理シーケンスＳｑの右側のシーケンスの生成は終了する。以上のように、遺伝子翻訳部３４は、出力側シーケンス要素に接続される入力側接続先である入力側シーケンス要素が、全て画像入力層ｉｎになった場合には、個体ＩＶ１の全ての遺伝子を用いていない場合であっても、画像処理シーケンスＳｑの生成処理を終了する。なお、遺伝子翻訳部３４は、個体ＩＶ１の全ての遺伝子を用いた場合において、入力側接続先である入力側シーケンス要素が全て画像入力層ｉｎになっていない場合には、残りの未接続の入力側シーケンス要素に画像入力層ｉｎを設定することで、画像処理シーケンスＳｑの生成を終了する。

【0039】

個体ＶＩ１で表される画像処理シーケンスＳｑ１は、２つの画像入力層ｉｎを有する。一方の画像入力層ｉｎに入力された画像は、画像処理フィルターＦｔＣによって画像処理された後に、次いで画像処理フィルターＦｔＢによって画像処理され、第１処理画像が生成される。他方の画像入力層ｉｎに入力された画像は、画像処理フィルターＦｔＡによって画像処理されて第２処理画像が生成される。第１処理画像と第２処理画像とは、画像処理フィルターＦｔＤによって画像処理されて、画像出力層ｏｕｔによって最終的な処理後画像が出力される。

【0040】

上記のごとく、複数の画像処理シーケンスＳｑを個体ＩＶと遺伝子テーブル８２とによって容易に表すことができる。

【0041】

図７は、生成装置２０が実行する処理を示すフローチャートである。この処理は、ステップＳ１０の特定画像処理シーケンスＤＳｑの生成工程と、ステップＳ１０の後に実行されるステップＳ５０の特定画像処理シーケンスＤＳｑを利用した利用処理工程とを有する。特定画像処理シーケンスＤＳｑの生成工程は、生成装置２０が有するシーケンス生成機能によって実行される。また、利用処理工程は、生成装置２０が有する画像処理機能によって実行される。

【0042】

図８は、ステップＳ１０の生成工程の詳細なフローチャートである。図９は、ステップＳ１０の生成工程を説明するための第１図である。図１０は、ステップＳ１０の生成工程を説明するための第２図である。

【0043】

まず図８に示すように、記憶装置７０は、ステップＳ９０において、複数の画像処理フィルターを画像フィルター群８０として記憶する。ステップＳ９０は、ユーザーが、特定画像処理シーケンスＤＳｑで用いる候補となる複数の画像処理フィルターを生成装置２０に入力することで実行される。ステップＳ９１において、学習画像ＬＭと目標画像ＴＭとを学習セットＳＭとする複数の学習セットＳＭから構成される学習データ７４が準備される。準備された学習データ７４は記憶装置７０に記憶される。ステップＳ９１は、ユーザーが、複数の学習セットＳＭを生成装置２０に入力することで実行される。なお、ステップＳ９０とステップＳ９１の順序はこれに限定されるものではない。

【0044】

次に、ステップＳ９２において、個体生成部３２は、現世代Ｇｍについての複数の個体ＩＶから構成される個体群８４を生成する。個体群８４は、図５に説明したように、複数の個体ＩＶ１～ＩＶ１０によって構成されている。生成された個体群８４は、記憶装置７０に記憶される。

【0045】

次に、ステップ９４において、選択部３６は、学習データ７４が有する複数の学習セットＳＭの中から、学習データ７４が有する複数の学習セットＳＭの数よりも少ない数の学習セットＳＭを選択する。本実施形態では、ステップＳ９４において、２つの学習セットＳＭが選択される。図９に示すように、本ルーチンである現世代Ｇｍでは、識別番号Ｔ０１～Ｔ０８のうちで、識別番号Ｔ０２と識別番号Ｔ０４の２つの学習セットＳＭが選択される。なお、ステップＳ９４は、ステップＳ９２よりも前に実行されてもよいし、後述するステップＳ１０４の次に実行されてもよい。ステップＳ９４の詳細については後述する。

【0046】

次に図８に示すように、ステップＳ１０５において、遺伝子翻訳部３４は、各個体ＩＶと遺伝子テーブル８２とを参照することで、各個体ＩＶの各遺伝子を翻訳して、各個体ＩＶから画像処理シーケンスＳｑを生成する。つまり、ステップＳ１０４は、組み合わせが異なる複数の画像処理シーケンスＳｑによって構成されるシーケンスセットを生成する工程である。

【0047】

次に、ステップＳ１０６において、画像処理部４０は、本ルーチンである現世代Ｇｍの複数の画像処理シーケンスＳｑのそれぞれによって、学習画像ＬＭを画像処理し、複数の画像処理シーケンスＳｑごとに画像処理後の画像である出力画像ＰＭを生成する第１画像処理を実行する。出力画像ＰＭは、記憶装置７０に記憶される。

【0048】

ステップＳ１０６の次に、ステップＳ１０７において算出部４２は、現世代Ｇｍにおける複数の画像処理シーケンスＳｑごとに、ステップＳ１０６の第１画像処理によって出力された出力画像ＰＭと、出力画像ＰＭの元となる学習画像ＬＭに関連付けられた目標画像ＴＭとを比較する。そして、ステップＳ１０７において算出部４２は、出力画像ＰＭと目標画像ＴＭとの類似の程度ＳＤを示す評価値ＥＶを算出する。図９に示すように、ステップＳ１０６では、ステップＳ９４で選択された識別番号ＴＩＤが「Ｔ０２」と「Ｔ０４」の学習セットＳＭに対して、識別番号ＩＤとして「Ｉ００１」～「Ｉ０１０」が付与された現世代Ｇｍの各個体ＩＶが表す画像処理シーケンスＳｑを用いた評価値ＥＶが、算出される。算出された評価値ＥＶは、個体ＩＶと学習セットＳＭとに関連付けられて記憶装置７０に記憶される。例えば、識別番号ＴＩＤが「Ｔ０２」の学習セットＳＭに対して、識別番号ＩＤが「Ｉ０１０」が付与された個体ＩＶが表す画像処理シーケンスＳｑを用いた評価値ＥＶは、「０．８４３」である。

【0049】

また図９に示すように、ステップＳ９４によって選択された学習セットＳＭが複数ある場合には、ステップＳ１０７において、算出部４２は、画像処理シーケンスＳｑごとについて、選択された学習セットＳＭごとの評価値ＥＶの統計量を最終的な評価値ＥＶとして算出する。本実施形態では、算出部４２は、選択された２つの学習セットＳＭの各評価値ＥＶの平均値を最終的な評価値ＥＶとして算出する。なお、他の実施形態では、算出部４２は、画像処理シーケンスＳｑごとについて、選択された複数の学習セットＳＭの複数の評価値ＥＶの中央値や最頻値や最大値などの統計量を最終的な評価値ＥＶとして算出してもよい。この最終的な評価値ＥＶを評価値ＦＥＶとも呼ぶ。なお、本実施形態では、評価値ＦＥＶの値が大きい程、類似の程度ＳＤが高い関係を有する評価値ＥＶの指標を用いている。

【0050】

図８に示すように、ステップＳ１０９において、特定部４６は、各個体ＩＶに応じた複数の画像処理シーケンスＳｑのそれぞれに対応する複数の評価値ＦＥＶの中から、最も類似の程度ＳＤの高い画像処理シーケンスＳｑである対象画像処理シーケンスＴＳｑを特定する。図９に示す例では、特定部４６は、評価値ＦＥＶが最も大きく、類似の程度ＳＤが最も高いので、個体ＩＤが「Ｉ００１」の画像処理シーケンスＳｑを対象画像処理シーケンスＴＳｑとして特定する。

【0051】

図８に示すように、ステップＳ１０９の次にステップＳ１１０において、画像処理部４０は、ステップＳ９４で選択した学習セットＳＭの数よりも多く、かつ、ステップＳ９４で選択した学習セットＳＭを含む２セット以上の学習セットＳＭのそれぞれの学習画像ＬＭを、対象画像処理シーケンスＴＳｑによって画像処理して出力画像ＰＭとしての対象出力画像ＰＭを生成する第２画像処理を実行する。本実施形態では、ステップＳ１１０では、ステップＳ９１によって準備した学習データ７４が有する複数の学習セットＳＭの全てに対して第２画像処理を実行して対象出力画像ＰＭを生成する。なお、ステップＳ１１０において、ステップＳ１０６によって既に対象出力画像ＰＭが生成されている学習セットＳＭの学習画像ＬＭに対しては、ステップＳ１０６で生成された対象出力画像ＰＭを用いることで、再び画像処理シーケンスＳｑによる画像処理を行うことなく、対象出力画像ＰＭを生成してもよい。こうすることで、画像処理の時間を短縮できるので、生成工程の処理時間を短縮できる。

【0052】

ステップＳ１１０の次にステップＳ１１１において、算出部４２は、ステップＳ１１０において生成された学習画像ＬＭごとの対象出力画像ＰＭと、対象出力画像ＰＭの元となる学習画像ＬＭとに関連付けられた目標画像ＴＭとを比較して、評価値ＥＶとしての対象評価値ＥＶを算出する。なお、ステップＳ１０７によって既に算出した評価値ＥＶについては、ステップＳ１０７で算出した評価値ＥＶを対象評価値ＥＶとして用いることで、対象評価値ＥＶを算出してもよい。さらに、ステップＳ１１０において、ステップＳ１０７で算出した評価値ＥＶに対応する学習セットＳＭの学習画像ＬＭに対しては、再び画像処理シーケンスＳｑによる画像処理を行わなくてもよい。こうすることで、画像処理の時間、および対象評価値ＥＶの算出時間を短縮できるので、生成工程の処理時間を短縮できる。図９に示すように、ステップＳ１１１が実行されることで、個体ＩＶの識別番号ＩＤが「Ｉ００１」である対象画像処理シーケンスＴＳｑにおける、学習セットＳＭの識別番号ＴＩＤが「Ｔ０１」～「Ｔ０８」が付与された８セット全ての学習セットＳＭの対象評価値ＥＶが算出される。

【0053】

次に図８に示すように、特定部４６は、ステップＳ１１２において、ステップＳ１１１で算出された対象評価値ＥＶを用いて、対象画像処理シーケンスＴＳｑが予め定めた基準条件を満たすか否かを判定する判定処理を実行する。具体的には、特定部４６は、ステップＳ１１１で算出した複数の学習セットＳＭの対象評価値ＥＶの統計量を算出する。統計量としては、平均値や中央値や最頻値や最大値などが挙げられる。本実施形態では、対象評価値ＥＶの統計量は、平均値である。また判定処理では、特定部４６は、統計量が示す類似の程度ＳＤが予め定めた閾値以上である場合に、基準条件を満たすと判定する。具体的には、特定部４６は、類似の程度ＳＤが閾値以上となる統計量の値であれば、基準条件を満たすと判定する。本実施形態では、特定部４６は、統計量である平均値が評価基準値以上であれば、類似の程度ＳＤが閾値以上であるため、基準条件を満たすと判定する。

【0054】

上記のごとく、全ての学習セットＳＭに対して対象評価値ＥＶを算出して、算出した対象評価値ＥＶを用いて対象画像処理シーケンスＴＳｑが基準条件を満たすか否かを判定するため、様々な画像に適した所望とする特定画像処理シーケンスＤＳｑを得ることができる。また、上記のごとく、対象評価値ＥＶの統計量を元に基準条件を満たすか否かが判定されるので、複数の学習セットＳＭに対応する複数の対象評価値を元に基準条件を満たすか否かを判定できる。これにより、対象画像処理シーケンスＴＳｑが、様々な学習画像ＬＭに対して目標画像ＴＭに近づくような画像処理ができるシーケンスであるか否かの判定を精度良く行うことができる。

【0055】

ステップＳ１１２における判定処理において、対象画像処理シーケンスＴＳｑが基準条件を満たすと判定された場合には、特定部４６は、基準条件を満たす対象画像処理シーケンスＴＳｑを特定画像処理シーケンスＤＳｑとして出力する。出力された特定画像処理シーケンスＤＳｑは、記憶装置７０に記憶される。

【0056】

一方で、ステップＳ１１２における判定処理において、対象画像処理シーケンスＴＳｑが基準条件を満たさないと判定された場合には、次にルーチンにおけるステップＳ９２以降が実行される。つまり、対象画像処理シーケンスＴＳｑが基準条件を満たすまで、シーケンスセットを生成する工程、学習セットＳＭを選択する工程、出力画像ＰＭを生成する工程、評価値ＥＶを算出する工程、対象画像処理シーケンスを特定する工程、対象評価値を算出する工程、基準条件を満たすか否かを判定する工程が繰り返し実行される。

【0057】

ステップＳ１１２において「Ｎｏ」の判定が成された後の次のルーチンにおけるステップＳ９２では、個体生成部３２は、前回のルーチンで生成した世代Ｇｍの個体群８４を用いて今回のルーチンにおける世代Ｇｎの個体群８４を生成する。世代Ｇｎの個体群８４は、前世代Ｇｍの個体ＩＶに対して、複製や交叉や突然変異を行うことで生成される。具体的には、個体生成部３２は、前回のルーチンで算出した複数の画像処理シーケンスＳｑごとの評価値ＦＥＶのうちで、類似の程度ＳＤが高いことを示す評価条件を満たす評価値ＦＥＶの算出元である画像処理シーケンスＳｑの個体ＩＶを複製する。また、個体生成部３２は、前回のルーチンで算出した複数の画像処理シーケンスＳｑごとの評価値ＦＥＶのうちで、評価条件を満たさない画像処理シーケンスＳｑの個体ＩＶについては、評価条件を満たす個体ＩＶに対して交叉や突然変異を行うことで新たな個体ＩＶを生成する。複製した個体ＩＶと、交叉や突然変異によって新たに生成した個体ＩＶによって、世代Ｇｎの個体群８４が構成される。つまり、個体生成部３２は、前回生成したシーケンスセットとは、複数の画像処理シーケンスＳｑの組み合わせが異なるシーケンスセットを新たに生成する。新たに生成されたシーケンスセットは、本ルーチンで新たに選択される学習セットＳＭの画像処理のために用いられる。評価条件は、前回のルーチンで用いた親世代Ｇｍの複数の個体ＩＶのうちで、類似の程度ＳＤが上位Ｊ番目であるという条件である。ここで、「Ｊ」は１以上の整数であり、本実施形態では「Ｊ」は「４」である。なお、評価条件としては、前回のルーチンで用いた親世代Ｇｍの複数の個体ＩＶのうちで、平均値である最終的な評価値ＦＥＶが示す類似の程度ＳＤが、複製閾値以上であるという条件であってもよい。こうすることで、類似の程度ＳＤが高いことを示す評価条件を満たす画像処理シーケンスＳｑを残し、評価条件を満たさない画像処理シーケンスＳｑは新たな画像処理シーケンスＳｑに置き換えられることで、画像を画像処理して目的とする画像を得るために用いる、所望とする特定画像処理シーケンスＤＳｑを効率良く得ることができる。

【0058】

図１０に示すように、世代Ｇｎでは、前世代Ｇｍのうち類似の程度ＳＤが上位４番目までの個体ＩＤ００１、個体ＩＤ００２，個体ＩＤ００４，個体ＩＤ００８の４つの個体ＩＶが複製され、残りの６つの個体ＩＶは、複製された４つの個体ＩＶに対して交叉や突然変異を行うことで生成されている。また本ルーチンの世代Ｇｎでは、選択部３６はステップＳ９４において、識別番号ＴＩＤが「Ｔ０３」と「Ｔ０８」の学習セットＳＭを選択している。また本ルーチンの世代Ｇｎでは、ステップＳ１０９において、特定部４６は、個体ＩＤが「Ｉ００８」の個体ＩＶにより表される画像処理シーケンスＳｑを対象画像処理シーケンスＴＳｑとして特定している。

【0059】

以上のように、次のルーチンにおけるステップＳ９２では、個体生成部３２は、前回のルーチンにおいて算出した複数の評価値ＦＥＶの中から類似の程度ＳＤが高いことを示す評価条件を満たす評価値ＦＥＶの算出元である画像処理シーケンスＳｑと、前回のルーチンのシーケンスセットを構成する画像処理シーケンスＳｑとは異なる画像処理シーケンスＳｑと、を含むシーケンスセットを表す個体群８４を生成する。

【0060】

図１１は、図８のステップＳ９４の詳細なフローチャートである。図１２は、図１１のステップＳ９６，Ｓ９７を説明するための図である。選択部３６がステップＳ９４において学習データ７４の複数の学習セットＳＭの中から予め定められた数の学習セットＳＭを選択するときには、以下の処理が実行される。まず選択部３６は、ステップＳ９５において、本ルーチンが初回のルーチンであるか否かを判定する。初回のルーチンである場合には、選択部３６は、ステップＳ９６において学習データ７４の複数の学習セットＳＭの中からランダムに２つの学習セットＳＭを選択する。一方で、本ルーチンが初回のルーチンではなく２回目以降のルーチンである場合には、選択部３６は、ステップＳ９７において、前回のルーチンにおいて算出部４２が算出した２以上の学習セットＳＭ、本実施形態では学習データ７４が有する全ての学習セットＳＭの対象評価値ＥＶのうちで、所定の値の学習セットＳＭが選択される選択確率を大きく設定して、選択処理を実行して新たな学習セットＳＭを選択する。本実施形態では、ステップＳ９７で用いられる所定の値は、対象評価値ＥＶが示す類似の程度ＳＤがより低い値を意味する。つまり、選択部３６は、ステップＳ９７において、前回のルーチンにおいて算出部４２が算出した２以上の学習セットＳＭ、本実施形態では学習データ７４が有する全ての学習セットＳＭの対象評価値ＥＶがそれぞれ示す類似の程度ＳＤが低いほど、学習セットＳＭが選択される選択確率を大きく設定する。類似の程度ＳＤが低い値を示す学習セットＳＭほど、選択確率を大きくすることで、次ルーチンにおいて選択される可能性が高くなるため、様々な画像に適した所望とする特定画像処理シーケンスＤＳｑを生成工程によって得ることができる。

【0061】

図１２を用いて図１１に示すステップＳ９６およびステップＳ９７の具体例について説明する。選択テーブル８９には、学習セットＳＭの識別番号ＴＩＤと、識別番号ＴＩＤごとに設定された選択範囲が規定されている。識別番号ＴＩＤごとにおいて、選択範囲は重複しないように設定される。選択部３６は、０～１までの小数点第３位までの選択値ＳＲである数値をランダムに２つ発生させる。そして、選択部３６は、選択値ＳＲが選択テーブル８９のどの選択範囲内にあるのかを判定し、選択範囲に対応する学習セットＳＭを選択する。例えば図１２の例では、選択値ＳＲが「０．１２３」と「０．９１１」である場合には、学習セットＳＭの識別番号ＴＩＤが「Ｔ０１」と「Ｔ０８」の学習セットＳＭが選択される。なお、選択部３６は、選択される２つの学習セットＳＭが同じになる場合には、一方の選択値ＳＲを維持し、他方の選択値ＳＲを一方の選択値ＳＲによって決定される学習セットＳＭとは異なる学習セットＳＭが選択されるまでランダムに発生させる。

【0062】

選択部３６は、識別番号ＴＩＤごとの選択範囲の幅である上限値および下限値を変更することで、各学習セットＳＭが選択される選択確率を変更できる。例えば、選択部３６は、図１１のステップＳ９６では、全ての学習セットＳＭがランダムに選択されるように、識別番号ＴＩＤが「Ｔ０１」～「Ｔ０８」のそれぞれの選択範囲の幅が均等になるように上限値および下限値を設定する。一方で、図１１のステップＳ９７では、選択部３６は、前回のルーチンで算出された対象評価値ＥＶの類似の程度ＳＤが低いほど、算出元の学習セットＳＭの選択確率が大きくなるように、選択範囲の幅を大きくする。例えば、選択部３６は、前回のルーチンで算出された対象評価値ＥＶの類似の程度ＳＤの逆数の大きさに幅が比例するように、各識別番号ＴＩＤに応じた選択範囲を設定する。

【0063】

図１３は、利用処理工程のフローチャートである。利用処理工程は、図８の生成工程によって、特定画像処理シーケンスＤＳｑが特定された後に実行される。まず記憶装置７０は、ステップＳ２００において、入力部１５０によって受け付けた複数の画像処理フィルターを画像フィルター群８０として記憶する。利用処理工程において記憶される画像フィルター群８０の複数の画像処理フィルターは、特定画像処理シーケンスＤＳｑで用いられる画像処理フィルターのみであってもよい。なお、利用処理工程と、図８の生成工程とが同じ生成装置２０で実行される場合には、ステップＳ２００は省略でき、図８に示すステップＳ９０によって記憶装置７０に記憶された画像フィルター群８０を用いることができる。

【0064】

次に、ステップＳ２０１において、記憶装置７０は、図８のステップＳ１１３で出力された特定画像処理シーケンスＤＳｑを記憶する。なお、ステップＳ２００とステップＳ２０１の順番は上記に限定されるものではない。

【0065】

次に、ステップＳ２０３において、画像処理部４０は、入力部１５０を介して記憶装置７０に記憶された画像であって特定画像処理シーケンスＤＳｑの画像処理の対象となる画像を読み出すことで取得する。ステップＳ２０３によって取得される画像は、例えば、学習画像ＬＭと同種の対象物を撮像した画像である。なお、画像処理部４０は、画像処理の対象となる画像が複数ある場合には、記憶装置７０に予め記憶された複数の画像のうちの一つを読み出すことで画像を取得してもよいし、後述する画像処理を実行するタイミングで対象となる画像を撮像装置２００からその都度取得してもよい。

【0066】

次に、画像処理部４０は、ステップＳ２０４において、ステップＳ２０３によって取得された画像に対して特定画像処理シーケンスＤＳｑを用いた画像処理を実行する。つまり、画像に対して、特定画像処理シーケンスＤＳｑが示す順番に従って、記憶装置７０の画像フィルター群８０に記憶された画像処理フィルターを適用して画像処理を実行する。

【0067】

次に、ステップＳ２０５において、特定画像処理シーケンスＤＳｑを用いた画像処理後の画像である出力画像ＰＭが出力される。ステップＳ２０５は、例えば、出力画像ＰＭが記憶装置７０に記憶されることで実行されたり、表示部１６０に表示されたりすることで実行される。

【0068】

次に、画像処理部４０は、ステップＳ２０６において、特定画像処理シーケンスＤＳｑを用いた画像処理を継続するかどうかを判定する。例えば、画像処理部４０は、ユーザーから画像処理の継続を示す情報が入力された場合や、画像処理の対象となる未処理の画像が記憶装置７０にまだ残っている場合に、画像処理を継続すると判定する。画像処理を継続する場合には、再びステップＳ２０３以降の処理が実行される。一方で、画像処理部４０は、ユーザーから画像処理の終了を示す情報が入力された場合や、画像処理の対象となる未処理の画像が記憶装置７０に残っていない場合には、利用処理工程を終了する。

【0069】

上記実施形態によれば、図８に示す生成工程では、複数の学習セットＳＭよりも少ない数の学習セットＳＭを選択して、選択した学習セットＳＭを用いて対象画像処理シーケンスＴＳｑが予め定めた基準条件を満たすか否かを判定している。これにより、特定画像処理シーケンスＤＳｑを得るまでの計算量を少なくできるので、特定画像処理シーケンスＤＳｑを得るための処理時間を短縮できる。また、学習セットＳＭを選択する場合には、前回のルーチンにおける対象評価値のうちで所定の値の学習セットＳＭの選択確率を大きくすることで、各ルーチンにおいて選択される学習セットＳＭが同じような特徴量を有する画像を有する学習セットＳＭに偏る可能性を低減できるので、様々な画像に適した所望とする特定画像処理シーケンスＤＳｑを得ることができる。

【0070】

Ｂ．他の実施形態：
Ｂ－１．他の実施形態１：
上記実施形態では、一つの世代Ｇに属する複数の個体ＩＶが示す複数の画像処理シーケンスＳｑによる学習画像ＬＭの画像処理は、一つの生成装置２０で順次行っていたが、複数の生成装置２０を用いて並列に行ってもよい。

【0071】

Ｂ－２．他の実施形態２：
上記実施形態では、画像処理シーケンスＳｑは、個体ＩＶと遺伝子テーブル８２とによって表されていていたが、これに限定されるものではない。例えば、画像処理シーケンスＳｑは、複数のシーケンス要素と、各シーケンス要素の接続関係を規定したテーブルによって表されていてもよい。

【0072】

Ｂ－３．他の実施形態３：
上記実施形態では、図８のステップＳ９４で選択される学習セットＳＭは２つであったが、これに限定されるものではなく、１つであってよいし、ルーチンごとに異なる数であってもよい。

【0073】

Ｂ－４．他の実施形態４：
上記実施形態によれば、選択部３６は、前回のルーチンにおいて算出した複数の対象評価値ＦＥＶがそれぞれ示す類似の程度ＳＤのうちで値が低い学習セットＳＭほど、次ルーチンでの選択確率を大きくしていたが、これに限定されるものではない。例えば、選択部３６は、前回のルーチンにおいて算出した複数の対象評価値ＦＥＶがそれぞれ示す類似の程度ＳＤのうちで、予め定めた値以下の学習セットＳＭを次のルーチンで選択してもよいし、類似の程度ＳＤが下位Ｋ番目（Ｋは１以上の整数）までの学習セットＳＭを次のルーチンで選択してもよい。

【0074】

Ｂ－５．他の実施形態５：
上記実施形態によれば、算出部４２は、複数の画像処理シーケンスＳｑ、および、対象画像処理シーケンスＴＳｑのそれぞれによって、学習画像ＬＭを画像処理し、出力画像ＰＭ、および、対象出力画像ＰＭを生成し、学習画像ＬＭに関連付けられた目標画像ＴＭと比較して、評価値ＥＶ、および、対象評価値ＥＶを算出しているが、現世代より前の世代で既に算出した評価値ＥＶ、および、対象評価値ＥＶを用いることで算出してよい。こうすることで、画像処理の時間、および、評価値ＥＶ、および、対象評価値ＥＶの算出時間を短縮できるので、生成工程の処理時間を短縮できる。

【0075】

Ｃ．他の形態：
本開示は、上述した実施形態に限られるものではなく、その趣旨を逸脱しない範囲において種々の形態で実現することができる。例えば、本開示は、以下の形態（aspect）によっても実現可能である。以下に記載した各形態中の技術的特徴に対応する上記実施形態中の技術的特徴は、本開示の課題の一部又は全部を解決するために、あるいは、本開示の効果の一部又は全部を達成するために、適宜、差し替えや、組み合わせを行うことが可能である。また、その技術的特徴が本明細書中に必須なものとして説明されていなければ、適宜、削除することが可能である。

【0076】

（１）本開示の第１形態によれば、画像処理シーケンスの生成方法が提供される。この画像処理シーケンスの生成方法は、（ａ）学習画像と前記学習画像に関連付けられた目標画像の学習セットを複数準備する工程と、（ｂ）シーケンス要素としての、（ｉ）画像を入力する画像入力層、（ｉｉ）複数の画像処理層の少なくとも一つ、および（ｉｉｉ）画像処理後の前記画像を出力する画像出力層、の組み合わせを示す複数の画像処理シーケンスであって、前記組み合わせが異なる複数の画像処理シーケンスによって構成されるシーケンスセットを生成する工程と、（ｃ）複数の前記学習セットのうち、前記複数の学習セットよりも少ない数の前記学習セットを選択する工程と、（ｄ）前記複数の画像処理シーケンスのそれぞれによって、前記工程（ｃ）において選択した前記学習セットにおける前記学習画像を画像処理し、前記複数の画像処理シーケンスごとに前記画像処理後の画像である出力画像を生成する工程と、（ｅ）前記複数の画像処理シーケンスごとに、前記出力画像と、前記出力画像の元となる前記学習画像に関連付けられた前記目標画像とを比較して、前記出力画像と前記目標画像との類似の程度を示す評価値を算出する工程と、（ｆ）前記複数の画像処理シーケンスのそれぞれに対応する複数の前記評価値の中から、最も前記類似の程度の高い前記画像処理シーケンスである対象画像処理シーケンスを特定する工程と、（ｇ）前記対象画像処理シーケンスによって、前記複数の学習セットのうちで前記工程（ｃ）で選択した前記学習セットの数よりも多く、かつ、前記工程（ｃ）で選択した前記学習セットを含む２セット以上の前記学習セットのそれぞれの前記学習画像を画像処理して前記出力画像を生成し、前記出力画像と前記出力画像の元となる前記学習画像に関連付けられた前記目標画像とを比較して、前記評価値としての対象評価値を算出する工程と、（ｈ）前記対象評価値を用いて、前記対象画像処理シーケンスが予め定めた基準条件を満たすか否かを判定する工程と、を備え、前記画像処理シーケンスの生成方法は、前記対象画像処理シーケンスが前記基準条件を満たすまで、前記工程（ｂ）～前記工程（ｈ）を繰り返し実行し、前記工程（ｃ）において、前記学習セットを選択するとき、前回のルーチンにおける前記工程（ｇ）で算出した、前記２セット以上の学習セットのそれぞれに対応した複数の前記対象評価値のうちで、所定の値の前記学習セットの選択確率を大きくする。この形態によれば、複数の学習セットよりも少ない数の学習セットを選択して、選択した学習セットを用いて対象画像処理シーケンスが予め定めた基準条件を満たすか否かを判定するため、計算量を少なくできるので、所望とする画像処理シーケンスを得るための処理時間を短縮できる。また、学習セットを選択する場合には、前回のルーチンにおける対象評価値のうちで所定の値の学習セットの選択確率を大きくすることで、各ルーチンにおいて選択される学習セットが偏る可能性を低減できるので、様々な画像に適した所望とする画像処理シーケンスを得ることができる。

【0077】

（２）上記形態において、前記工程（ｂ）は、前回のルーチンにおける前記工程（ｅ）で算出した複数の前記評価値の中から前記類似の程度が高いことを示す評価条件を満たす前記評価値の算出元である前記画像処理シーケンスと、前記前回のルーチンの前記シーケンスセットを構成する前記画像処理シーケンスとは異なる前記画像処理シーケンスと、を含むシーケンスセットを生成してもよい。この形態によれば、類似の程度が高いことを示す評価条件を満たす画像処理シーケンスを残し、評価条件を満たさない画像処理シーケンスは新たな画像処理シーケンスに置き換えられることで、所望とする画像処理シーケンスを効率良く得ることができる。

【0078】

（３）上記形態において、前記工程（ｇ）は、前記工程（ａ）において準備した前記複数の学習セットの全ての前記学習画像を画像処理して前記出力画像を出力して、前記全ての前記学習画像に対して前記対象評価値を算出してもよい。この形態によれば、全ての学習セットに対して対象評価値を算出して、算出した対象評価値を用いて対象画像処理シーケンスが基準条件を満たすか否かを判定するため、様々な画像に適した所望とする画像処理シーケンスを得ることができる。

【0079】

（４）上記形態において、前記工程（ｈ）は、前記複数の学習セットに対応した複数の前記対象評価値の統計量を算出して、前記統計量が示す前記類似の程度が予め定めた閾値以上である場合に、前記基準条件を満たすと判定してもよい。この形態によれば、複数の学習セットに対応する複数の対象評価値を元に基準条件を満たすか否かを判定できる。

【0080】

（５）上記形態において、前記工程（ｃ）において、前記学習セットを選択するとき、前記前回のルーチンにおける前記工程（ｇ）で算出した、前記２セット以上の前記学習セットに対応した複数の前記対象評価値がそれぞれ示す前記類似の程度が低いほど、前記学習セットの選択確率を大きくしてもよい。この形態によれば、類似の程度が低い値を示す学習セットほど、選択確率を大きくすることで、次ルーチンにおいて選択される可能性が高くなるため、様々な画像に適した所望とする画像処理シーケンスを得ることができる。

【0081】

（６）上記形態において、前記工程（ｂ）において、前記複数の画像処理シーケンスはそれぞれ、前記画像入力層および前記画像処理層のそれぞれに対応した複数の遺伝子を配列した個体と、前記シーケンス要素の接続関係を規定した遺伝子テーブルと、によって表されていてもよい。この形態によれば、複数の画像処理シーケンスを個体と遺伝子テーブルとによって容易に表すことができる。

【0082】

（７）本開示の第２形態によれば、画像処理シーケンスの生成装置が提供される。この生成装置は、シーケンス要素としての、（ｉ）画像を入力する画像入力層、（ｉｉ）複数の画像処理層の少なくとも一つ、および（ｉｉｉ）画像処理後の前記画像を出力する画像出力層、の組み合わせを示す複数の画像処理シーケンスであって、前記組み合わせが異なる複数の画像処理シーケンスによって構成されるシーケンスセットを生成するシーケンス生成部と、予め準備された学習画像と目標画像との組み合わせを学習セットとする複数の前記学習セットのうち、前記複数の学習セットよりも少ない数の前記学習セットを選択する選択部と、前記複数の画像処理シーケンスのそれぞれによって、前記選択部が選択した前記学習セットにおける前記学習画像を画像処理し、前記複数の画像処理シーケンスごとに前記画像処理後の画像である出力画像を生成する画像処理部と、前記複数の画像処理シーケンスごとに、前記出力画像と、前記出力画像の元となる前記学習画像と前記学習セットを構成する前記目標画像とを比較して、前記出力画像と前記目標画像との類似の程度を示す評価値を算出する算出部と、前記複数の画像処理シーケンスのそれぞれに対応する複数の前記評価値の中から、最も前記類似の程度の高い前記画像処理シーケンスである対象画像処理シーケンスを特定する特定部と、前記画像処理部は、前記対象画像処理シーケンスによって、前記複数の学習セットのうちで前記選択部が選択した前記学習セットの数よりも多く、かつ、前記選択部が選択した前記学習セットを含む２セット以上の前記学習セットのそれぞれの前記学習画像を画像処理して前記出力画像としての対象出力画像を生成し、前記算出部は、前記対象出力画像と前記対象出力画像の元となる前記学習画像に関連付けられた前記目標画像とを比較して、前記評価値としての対象評価値を算出し、前記特定部は、前記対象評価値を用いて、前記対象画像処理シーケンスが予め定めた基準条件を満たすか否かを判定し、前記対象画像処理シーケンスが前記基準条件を満たさない場合には、前記選択部は、前記算出部が算出した、前記２セット以上の学習セットのそれぞれに対応した複数の前記対象評価値のうちで、所定の値の前記学習セットの選択率を大きくして、新たに前記学習セットを選択し、前記シーケンス生成部は、新たに選択された前記学習セットのための前記シーケンスセットであって、前回生成した前記シーケンスセットとは異なる前記シーケンスセットを生成する。この形態によれば、上記の第１形態と同様の効果を奏する。

【0083】

（８）本開示の第３形態によれば、コンピュータープログラムが提供される。このコンピュータープログラムは、（ａ）シーケンス要素としての、（ｉ）画像を入力する画像入力層、（ｉｉ）複数の画像処理層の少なくとも一つ、および（ｉｉｉ）画像処理後の前記画像を出力する画像出力層、の組み合わせを示す複数の画像処理シーケンスであって、前記組み合わせが異なる複数の画像処理シーケンスによって構成されるシーケンスセットを生成するシーケンス生成機能と、（ｂ）予め準備された学習画像と前記学習画像に関連付けられた目標画像との組み合わせである複数の学習セットのうち、前記複数の学習セットよりも少ない数の前記学習セットを選択する機能と、（ｃ）前記複数の画像処理シーケンスのそれぞれによって、前記機能（ｂ）が選択した前記学習セットにおける前記学習画像を画像処理し、前記複数の画像処理シーケンスごとに前記画像処理後の画像である出力画像を生成する機能と、（ｄ）前記複数の画像処理シーケンスごとに、前記出力画像と、前記出力画像の元となる前記学習画像に関連付けられた前記目標画像とを比較して、前記出力画像と前記目標画像との類似の程度を示す評価値を算出する機能と、（ｅ）前記複数の画像処理シーケンスのそれぞれに対応する複数の前記評価値の中から、最も前記類似の程度の高い画像処理シーケンスである対象画像処理シーケンスを特定する機能と、（ｆ）前記対象画像処理シーケンスによって、前記複数の学習セットのうちで前記機能（ｂ）が選択した前記学習セットの数よりも多く、かつ、前記機能（ｂ）が選択した前記学習セットを含む２学習セット以上の前記学習セットのそれぞれの前記学習画像を画像処理して前記出力画像を生成し、前記出力画像と前記出力画像の元となる前記学習画像に関連付けられた前記目標画像とを比較して、前記評価値としての対象評価値を算出する機能と、（ｇ）前記対象評価値を用いて、前記対象画像処理シーケンスが予め定めた基準条件を満たすか否かを判定する機能と、をコンピューターに実行させ、前記コンピュータープログラムは、前記対象画像処理シーケンスが前記基準条件を満たすまで、前記機能（ａ）～前記機能（ｇ）を繰り返し前記コンピューターに実行させ、前記機能（ｂ）は、前記学習セットを選択するとき、前回のルーチンにおける前記機能（ｆ）で算出した、前記２セット以上の学習セットのそれぞれに対応した複数の前記対象評価値のうちで、所定の値の前記学習セットの選択確率を大きくする機能を有する。この形態によれば、上記の第１形態と同様の効果を奏する。

【0084】

本開示は、上記以外の種々の形態で実現することも可能である。例えば、コンピュータープログラムを記録した一時的でない記録媒体（non-transitory storage medium）の形態で実現することができる。

【符号の説明】

【0085】

１０…生成システム、２０…生成装置、２５…プロセッサー、３０…シーケンス生成部、３２…個体生成部、３４…遺伝子翻訳部、３６…選択部、４０…画像処理部、４２…算出部、４６…特定部、６０…表示制御部、７０…記憶装置、７４…学習データ、８０…画像フィルター群、８２…遺伝子テーブル、８４…個体群、８９…選択テーブル、９４…各種プログラム、１５０…入力部、１６０…表示部、２００…撮像装置、ＤＡ…欠陥部分、ＤＳｑ…特定画像処理シーケンス、ＴＳｑ…対象画像処理シーケンス、ＦｔＡ～ＦｔＥ…画像処理フィルター、Ｇ，Ｇｍ，Ｇｎ…世代、ＩＶ，ＩＶ１～ＩＶ１０…個体、ＬＭ…学習画像、ＰＭ…出力画像、ＳＤ…類似の程度、ＳＭ…学習セット、ＳＲ…選択値、Ｓｑ…画像処理シーケンス、ＴＳｑ…対象画像処理シーケンス、ＤＳｑ…特定画像処理シーケンス、ＴＭ…目標画像、ｉｎ…画像入力層、ｏｕｔ…画像出力層

【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】