(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2023-12-18
(45)【発行日】2023-12-26
(54)【発明の名称】画像処理システム、及び画像処理プログラム
(51)【国際特許分類】
G06T 7/00 20170101AFI20231219BHJP
【ＦＩ】
G06T7/00 350D
G06T7/00 350B
【請求項の数】
13
(21)【出願番号】P 2020052175
(22)【出願日】2020-03-24
(65)【公開番号】P2021152687
(43)【公開日】2021-09-30
【審査請求日】2023-02-15
(73)【特許権者】
【識別番号】000003768
【氏名又は名称】東洋製罐グループホールディングス株式会社
(74)【代理人】
【識別番号】100154184
【弁理士】
【氏名又は名称】生富 成一
(72)【発明者】
【氏名】柏原 賢
(72)【発明者】
【氏名】高橋 直己
(72)【発明者】
【氏名】中村 圭亨
(72)【発明者】
【氏名】原 萌子
【審査官】片岡 利延
(56)【参考文献】
【文献】特開２０２０－１０７００８（ＪＰ，Ａ）
【文献】特開２０１７－０１０４７５（ＪＰ，Ａ）
【文献】特開２００９－１７５９２５（ＪＰ，Ａ）
【文献】特開２００８－０９０７９２（ＪＰ，Ａ）
【文献】特許第６６４６２３４（ＪＰ，Ｂ２）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｔ ７／００
(57)【特許請求の範囲】
【請求項1】
生物の進化を数学的に模擬した最適化手法である遺伝的操作を用いて、画像から検出対象を検出して、その検出対象を分類する処理を最適化する画像処理システムであって、複数の機能単位の実行順序を定義する複数の個体情報を、検出対象である特異点を探索する機能単位からなる特異点探索用領域と、探索された特異点を分類する機能単位からなる、分類器を含む分類用領域とを備えた構成で記憶する個体群記憶部と、
複数の学習用画像を記憶する画像記憶部と、
前記個体情報における前記特異点探索用領域の機能単位にもとづき前記学習用画像を処理して、特異点探索結果を生成する特異点探索部と、
前記個体情報における前記分類用領域の機能単位にもとづき前記特異点探索結果を処理すると共に、前記分類器の機械学習を行って学習済み分類器を生成し、前記学習用画像における特異点を分類する分類結果を生成する分類部と、
前記特異点探索結果を評価するための前記学習用画像に対応付けられた教師情報を記憶する教師情報記憶部と、
前記特異点探索結果と前記教師情報を比較して特異点探索の評価値を計算し、前記分類結果にもとづき分類の評価値を計算し、前記特異点探索の評価値と前記分類の評価値にもとづき前記個体情報の評価値を計算して前記個体情報を順位付けする評価部と、
前記個体情報の順位付け情報にもとづき前記個体情報の選択又は変更を行って、前記個体群記憶部を更新する遺伝子操作部と、を備える
ことを特徴とする画像処理システム。
【請求項2】
前記特異点探索用領域と前記分類用領域とが、同一の個体情報において連続的に含まれ、又は、別個の個体情報に含まれたことを特徴とする請求項１記載の画像処理システム。
【請求項3】
前記分類部が、前記特異点探索結果における特異点の特徴量を計算する特徴量計算部と、前記特異点の特徴量にもとづき前記特異点を分類する前記分類器の機械学習を行う分類器学習部を有することを特徴とする請求項１又は２記載の画像処理システム。
【請求項4】
前記分類用領域が、サポートベクターマシン（Support Vector Machine）、ニューラルネットワーク、ランダムフォレスト、若しくはスパースモデリングからなる群から選択されたいずれかの教師あり学習を行う分類器、又は、マハラノビスタグチ法、ワンクラスサポートベクターマシン（One Class Support Vector Machine）、オートエンコーダ、混合ガウス法、若しくはk-means法からなる群から選択されたいずれかの教師なし学習を行う分類器を含むことを特徴とする請求項１～３のいずれかに記載の画像処理システム。
【請求項5】
前記分類用領域が、前記教師なし学習を行う分類器を含み、前記画像記憶部が、複数の検証用画像をさらに記憶し、
前記特異点探索部が、前記個体情報における前記特異点探索用領域の機能単位にもとづき前記検証用画像を処理して、特異点探索結果を生成し、
前記分類部が、前記特異点探索結果における特異点の特徴量を計算し、前記特異点の特徴量にもとづいて、前記学習済み分類器を用いて前記検証用画像における前記特異点を分類する
ことを特徴とする請求項４記載の画像処理システム。
【請求項6】
前記特異点探索結果を学習用特異点探索結果と検証用特異点探索結果に分割する特異点分割部をさらに備え、前記分類部が、前記個体情報における前記分類用領域の機能単位にもとづき前記学習用特異点探索結果を処理すると共に、前記分類器の機械学習を行って学習済み分類器を生成し、前記個体情報における前記分類用領域の機能単位にもとづき前記検証用特異点探索結果を処理すると共に、前記学習済み分類器を用いて前記検証用画像における特異点を分類する分類結果を生成する
ことを特徴とする請求項５記載の画像処理システム。
【請求項7】
前記分類結果と比較するための前記学習用画像に対応付けられた比較情報を記憶する比較情報記憶部をさらに備え、前記評価部が、前記分類結果と前記比較情報にもとづき前記分類結果の評価値を計算する
ことを特徴とする請求項１～６のいずれかに記載の画像処理システム。
【請求項8】
画像の特異点を探索する特異点探索用の複数の機能単位と、分類器を含む検出対象を分類する分類用の複数の機能単位を記憶する機能単位記憶部と、前記機能単位記憶部から機能単位を選択して配列することによって、前記特異点探索用領域及び前記分類用領域を備えた個体情報を生成する個体生成部、又は、前記特異点探索用領域を備えた個体情報と前記分類用領域を備えた個体情報を別個に生成する個体生成部と、をさらに備えた
ことを特徴とする請求項１～７のいずれかに記載の画像処理システム。
【請求項9】
前記個体情報において、複数の機能単位の実行順序が有閉路を含み得るネットワーク状に定義されていることを特徴とする請求項１～８のいずれかに記載の画像処理システム。
【請求項10】
前記遺伝子操作部が、前記評価値が高い個体情報を次世代に残すエリート保存部と、
前記評価値にもとづいて、一定の確率で個体情報を次世代に残す選択部と、
２つの個体情報の一部を相互に交換する交叉処理部と、
選択された１つの個体情報の一部又は全部をランダムに書き換える突然変異部と、を有する
ことを特徴とする請求項１～９のいずれかに記載の画像処理システム。
【請求項11】
前記遺伝子操作部が、前記個体群記憶部を更新することにより、新たな世代の複数の個体情報を繰り返し作成し、前記特異点探索部及び前記分類部が、前記遺伝子操作部により新たな世代の複数の個体情報が作成されると、当該新たな世代の複数の個体情報を前記複数の個体情報として使用する
ことを特徴とする請求項１～１０のいずれかに記載の画像処理システム。
【請求項12】
前記個体群記憶部が、最終的に得られた最適化された個体情報を記憶し、前記学習済み分類器記憶部が、最終的に得られた学習済み分類器を記憶し、
画像記憶部が、検査対象画像を記憶し、
前記特異点探索部が、前記最適化された個体情報における前記特異点探索用領域の機能単位にもとづき前記検査対象画像を処理して、特異点探索結果を生成し、
前記分類部が、前記最適化された個体情報における前記分類用領域の機能単位にもとづき前記特異点探索結果を処理し、前記学習済み分類器を用いて、前記検査対象画像における特異点を分類する分類結果を生成する
ことを特徴とする請求項１～１１のいずれかに記載の画像処理システム。
【請求項13】
生物の進化を数学的に模擬した最適化手法である遺伝的操作を用いて、画像から検出対象を検出して、その検出対象を分類する処理を最適化する画像処理プログラムであって、コンピュータを、
生物の進化を数学的に模擬した最適化手法である遺伝的操作を用いて、画像から検出対象を検出して、その検出対象を分類する処理を最適化する画像処理システムであって、
複数の機能単位の実行順序を定義する複数の個体情報を、検出対象である特異点を探索する機能単位からなる特異点探索用領域と、探索された特異点を分類する機能単位からなる、分類器を含む分類用領域とを備えた構成で記憶する個体群記憶部、
複数の学習用画像を記憶する画像記憶部、
前記個体情報における前記特異点探索用領域の機能単位にもとづき前記学習用画像を処理して、特異点探索結果を生成する特異点探索部、
前記個体情報における前記分類用領域の機能単位にもとづき前記特異点探索結果を処理すると共に、前記分類器の機械学習を行って学習済み分類器を生成し、前記学習用画像における特異点を分類する分類結果を生成する分類部、
前記特異点探索結果を評価するための前記学習用画像に対応付けられた教師情報を記憶する教師情報記憶部、
前記特異点探索結果と前記教師情報を比較して特異点探索の評価値を計算し、前記分類結果にもとづき分類の評価値を計算し、前記特異点探索の評価値と前記分類の評価値にもとづき前記個体情報の評価値を計算して前記個体情報を順位付けする評価部、及び、
前記個体情報の順位付け情報にもとづき前記個体情報の選択又は変更を行って、前記個体群記憶部を更新する遺伝子操作部として機能させる
ことを特徴とする画像処理プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、画像から検出対象を見つけ出す画像処理技術に関し、特に画像処理を最適化する画像処理システムに関する。
【背景技術】
【0002】
従来、画像から検出対象を見つけ出す画像処理アルゴリズムの自動生成において、複数の機能単位の実行順序を定義する個体情報を用いて学習用画像に対して画像処理を行い、得られた出力画像を教師画像と比較して評価値を計算し、その結果を個体情報に反映させることにより学習を行って、画像処理を最適化することが行われている。
このような画像処理として、画像の特異点の探索、特異点の特徴量計算、及び特異点の分類等を挙げることができる。
このような画像処理として、画像の特異点の探索、特異点の特徴量計算、及び特異点の分類等を挙げることができる。
【0003】
ところで、探索によって得られた特異点には、許容できるもの（以下、良品）と許容できないもの（以下、不良品）が含まれる可能性がある。このため、特異点の探索において、良品の特異点が検出された場合には、特異点は良品として分類され、不良品の特異点が検出された場合には、特異点は不良品として分類されることが望ましい。また、不良品の種類を分類できればより望ましい。
【0004】
また、特異点の探索、特異点の特徴量計算、及び特異点の分類には関連性があるため、分類結果が特異点の探索に反映されると、これらの処理の関連性にもとづく相乗効果が期待できる。
一方、これらの処理を個別に最適化する画像処理システムでは、その関連性が反映されないため、相乗効果を期待することができない。また、関連性を人間が考慮してチューニングすることは非常に難しく、現実的には不可能である。
一方、これらの処理を個別に最適化する画像処理システムでは、その関連性が反映されないため、相乗効果を期待することができない。また、関連性を人間が考慮してチューニングすることは非常に難しく、現実的には不可能である。
【先行技術文献】
【特許文献】
【0005】
【文献】特許第４６６０７６５号公報
【文献】特許第４６８８９５４号公報
【文献】特許第６６４６２３４号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
ここで、画像を分類するため最適な特徴量を見つけ出す画像処理アルゴリズムの自動生成技術として、特許文献１に記載の進化型画像自動分類装置を挙げることができる。この装置では、進化的計算の一つである遺伝的アルゴリズムを用いて、画像分類を目的とした画像処理および特徴量の探索の最適化が行われている。
また、特許文献２に記載の特徴量選択装置では、画像の特徴量計算について、遺伝的アルゴリズムを用いた最適化が行われている。
さらに、特許文献３に記載のプログラム生成装置では、画像処理および特徴量計算、及び画像の分類手法について、遺伝的プログラミングを用いた最適化が行われている。
また、特許文献２に記載の特徴量選択装置では、画像の特徴量計算について、遺伝的アルゴリズムを用いた最適化が行われている。
さらに、特許文献３に記載のプログラム生成装置では、画像処理および特徴量計算、及び画像の分類手法について、遺伝的プログラミングを用いた最適化が行われている。
【0007】
しかしながら、これらの手法は画像単位で分類を実施するため、複数の検出対象が写る画像に対して検出対象ごとに分類する機能や、これらの画像処理の関連性にもとづく相乗効果及び分類精度をより一層高めることが可能な画像処理システムの提供が望まれていた。
本発明は、上記事情に鑑みてなされたものであり、画像処理アルゴリズムの自動生成において、画像に写る検出対象である特異点の探索、特異点の特徴量計算、及び特異点の分類の相乗効果及び分類精度を、遺伝的操作を用いて最適化することが可能な画像処理システム、及び画像処理プログラムの提供を目的とする。
本発明は、上記事情に鑑みてなされたものであり、画像処理アルゴリズムの自動生成において、画像に写る検出対象である特異点の探索、特異点の特徴量計算、及び特異点の分類の相乗効果及び分類精度を、遺伝的操作を用いて最適化することが可能な画像処理システム、及び画像処理プログラムの提供を目的とする。
【課題を解決するための手段】
【0008】
上記目的を達成するため、本発明の画像処理システムは、生物の進化を数学的に模擬した最適化手法である遺伝的操作を用いて、画像から検出対象を検出して、その検出対象を分類する処理を最適化する画像処理システムであって、複数の機能単位の実行順序を定義する複数の個体情報を、検出対象である特異点を探索する機能単位からなる特異点探索用領域と、探索された特異点を分類する機能単位からなる、分類器を含む分類用領域とを備えた構成で記憶する個体群記憶部と、複数の学習用画像を記憶する画像記憶部と、前記個体情報における前記特異点探索用領域の機能単位にもとづき前記学習用画像を処理して、特異点探索結果を生成する特異点探索部と、前記個体情報における前記分類用領域の機能単位にもとづき前記特異点探索結果を処理すると共に、前記分類器の機械学習を行って学習済み分類器を生成し、前記学習用画像における特異点を分類する分類結果を生成する分類部と、前記特異点探索結果を評価するための前記学習用画像に対応付けられた教師情報を記憶する教師情報記憶部と、前記特異点探索結果と前記教師情報を比較して特異点探索の評価値を計算し、前記分類結果にもとづき分類の評価値を計算し、前記特異点探索の評価値と前記分類の評価値にもとづき前記個体情報の評価値を計算して前記個体情報を順位付けする評価部と、前記個体情報の順位付け情報にもとづき前記個体情報の選択又は変更を行って、前記個体群記憶部を更新する遺伝子操作部とを備える構成としてある。
【0009】
また、本発明の画像処理システムは、前記特異点探索用領域と前記分類用領域とが、同一の個体情報において連続的に含まれ、又は、別個の個体情報に含まれた構成としてある。
【0010】
また、本発明の画像処理システムは、前記分類部が、前記特異点探索結果における特異点の特徴量を計算する特徴量計算部と、前記特異点の特徴量にもとづき前記特異点を分類する前記分類器の機械学習を行う分類器学習部を有する構成としてある。
【0011】
また、本発明の画像処理システムを、前記分類用領域が、サポートベクターマシン（Support Vector Machine）、ニューラルネットワーク、ランダムフォレスト、若しくはスパースモデリングからなる群から選択されたいずれかの教師あり学習を行う分類器、又は、マハラノビスタグチ法、ワンクラスサポートベクターマシン（One Class Support Vector Machine）、オートエンコーダ、混合ガウス法、若しくはk-means法からなる群から選択されたいずれかの教師なし学習を行う分類器を含む構成とすることも好ましい。
【0012】
また、本発明の画像処理システムを、前記分類用領域が、前記教師なし学習を行う分類器を含み、前記画像記憶部が、複数の検証用画像をさらに記憶し、前記特異点探索部が、前記個体情報における前記特異点探索用領域の機能単位にもとづき前記検証用画像を処理して、特異点探索結果を生成し、前記分類部が、前記特異点探索結果における特異点の特徴量を計算し、前記特異点の特徴量にもとづいて、前記学習済み分類器を用いて前記検証用画像における前記特異点を分類する構成とすることも好ましい。
【0013】
また、本発明の画像処理システムを、前記特異点探索結果を学習用特異点探索結果と検証用特異点探索結果に分割する特異点分割部をさらに備え、前記分類部が、前記個体情報における前記分類用領域の機能単位にもとづき前記学習用特異点探索結果を処理すると共に、前記分類器の機械学習を行って学習済み分類器を生成し、前記個体情報における前記分類用領域の機能単位にもとづき前記検証用特異点探索結果を処理すると共に、前記学習済み分類器を用いて前記検証用画像における特異点を分類する分類結果を生成する構成とすることも好ましい。
【0014】
また、本発明の画像処理プログラムは、生物の進化を数学的に模擬した最適化手法である遺伝的操作を用いて、画像から検出対象を検出して、その検出対象を分類する処理を最適化する画像処理プログラムであって、コンピュータを、生物の進化を数学的に模擬した最適化手法である遺伝的操作を用いて、画像から検出対象を検出して、その検出対象を分類する処理を最適化する画像処理システムであって、複数の機能単位の実行順序を定義する複数の個体情報を、検出対象である特異点を探索する機能単位からなる特異点探索用領域と、探索された特異点を分類する機能単位からなる、分類器を含む分類用領域とを備えた構成で記憶する個体群記憶部、複数の学習用画像を記憶する画像記憶部、前記個体情報における前記特異点探索用領域の機能単位にもとづき前記学習用画像を処理して、特異点探索結果を生成する特異点探索部、前記個体情報における前記分類用領域の機能単位にもとづき前記特異点探索結果を処理すると共に、前記分類器の機械学習を行って学習済み分類器を生成し、前記学習用画像における特異点を分類する分類結果を生成する分類部、前記特異点探索結果を評価するための前記学習用画像に対応付けられた教師情報を記憶する教師情報記憶部、前記特異点探索結果と前記教師情報を比較して特異点探索の評価値を計算し、前記分類結果にもとづき分類の評価値を計算し、前記特異点探索の評価値と前記分類の評価値にもとづき前記個体情報の評価値を計算して前記個体情報を順位付けする評価部、及び、前記個体情報の順位付け情報にもとづき前記個体情報の選択又は変更を行って、前記個体群記憶部を更新する遺伝子操作部として機能させる構成としてある。
【発明の効果】
【0015】
本発明によれば、画像処理アルゴリズムの自動生成において、画像に写る検出対象である特異点の探索、特異点の特徴量計算、及び特異点の分類の相乗効果及び分類精度を、遺伝的操作を用いて最適化することが可能な画像処理システム、及び画像処理プログラムの提供が可能となる。
【図面の簡単な説明】
【0016】
【図1】本発明の第一実施形態の画像処理装置の構成を示すブロック図である。
【図2A】本発明の第一実施形態の画像処理装置における機能単位記憶部のデータ例を示す図である。
【図2B】本発明の第一実施形態の画像処理装置における機能単位記憶部のデータ例を示す図である。
【図2C】本発明の第一実施形態の画像処理装置における機能単位記憶部のデータ例を示す図である。
【図3】本発明の第一実施形態の画像処理装置における個体群記憶部の個体情報（遺伝子連続型）を示す図である。
【図4A】本発明の第一実施形態の画像処理装置における個体群記憶部（個体情報における特異点探索用ノード領域）のデータ例を示す図である。
【図4B】本発明の第一実施形態の画像処理装置における個体群記憶部（個体情報における分類用ノード領域）のデータ例を示す図である。
【図5】本発明の第一実施形態の画像処理装置による処理手順を示すフローチャートである。
【図6】本発明の第一実施形態の画像処理装置による遺伝子操作の処理手順を示すフローチャートである。
【図7】本発明の第二実施形態の画像処理装置の構成を示すブロック図である。
【図8】本発明の第二実施形態の画像処理装置による処理手順を示すフローチャートである。
【図9】本発明の第三実施形態の画像処理装置の構成を示すブロック図である。
【図10】本発明の第三実施形態の画像処理装置における個体群記憶部の個体情報（遺伝子分離型）を示す図である。
【図11】本発明の第三実施形態の画像処理装置による処理手順を示すフローチャートである。
【図12】本発明の第四実施形態の画像処理装置の構成を示すブロック図である。
【図13】本発明の第四実施形態の画像処理装置による処理手順を示すフローチャートである。
【図14】本発明の第五実施形態の画像処理装置の構成を示すブロック図である。
【図15】本発明の第五実施形態の画像処理装置による処理手順を示すフローチャートである。
【図16】本発明の第六実施形態の画像処理装置の構成を示すブロック図である。
【図17】本発明の第六実施形態の画像処理装置による処理手順を示すフローチャートである。
【図18】本発明の第七実施形態の画像処理装置の構成を示すブロック図である。
【図19】本発明の第七実施形態の画像処理装置による処理手順を示すフローチャートである。
【図20A】本発明の各実施形態の画像処理装置における機能単位記憶部の詳細データ例を示す図である。
【図20B】本発明の各実施形態の画像処理装置における機能単位記憶部の詳細データ例を示す図である。
【図20C】本発明の各実施形態の画像処理装置における機能単位記憶部の詳細データ例を示す図である。
【図20D】本発明の各実施形態の画像処理装置における機能単位記憶部の詳細データ例を示す図である。
【図20E】本発明の各実施形態の画像処理装置における機能単位記憶部の詳細データ例を示す図である。
【図20F】本発明の各実施形態の画像処理装置における機能単位記憶部の詳細データ例を示す図である。
【図20G】本発明の各実施形態の画像処理装置における機能単位記憶部の詳細データ例を示す図である。
【図20H】本発明の各実施形態の画像処理装置における機能単位記憶部の詳細データ例を示す図である。
【図20I】本発明の各実施形態の画像処理装置における機能単位記憶部の詳細データ例を示す図である。
【図20J】本発明の各実施形態の画像処理装置における機能単位記憶部の詳細データ例を示す図である。
【図20K】本発明の各実施形態の画像処理装置における機能単位記憶部の詳細データ例を示す図である。
【図20L】本発明の各実施形態の画像処理装置における機能単位記憶部の詳細データ例を示す図である。
【発明を実施するための形態】
【0017】
以下、本発明の画像処理システム、及び画像処理プログラムの実施形態について詳細に説明する。ただし、本発明は、以下の実施形態の具体的な内容に限定されるものではない。
【0018】
［第一実施形態］
まず、本発明の第一実施形態に係る画像処理システム、及び画像処理プログラムについて、図１、図２Ａ，Ｂ，Ｃ、図３、及び図４Ａ，Ｂを参照して説明する。図１は、本実施形態の画像処理システムに対応する画像処理装置の構成を示すブロック図である。図２Ａ，Ｂ，Ｃは、当該画像処理装置における機能単位記憶部のデータ例を示す図である。図３は、当該画像処理装置におけるにおける個体群記憶部の個体情報（遺伝子連続型）を示す図である。図４Ａは、当該画像処理装置における個体群記憶部（個体情報における特異点探索用ノード領域）のデータ例を示す図であり、図４Ｂは、当該画像処理装置における個体群記憶部（個体情報における分類用ノード領域）のデータ例を示す図である。
まず、本発明の第一実施形態に係る画像処理システム、及び画像処理プログラムについて、図１、図２Ａ，Ｂ，Ｃ、図３、及び図４Ａ，Ｂを参照して説明する。図１は、本実施形態の画像処理システムに対応する画像処理装置の構成を示すブロック図である。図２Ａ，Ｂ，Ｃは、当該画像処理装置における機能単位記憶部のデータ例を示す図である。図３は、当該画像処理装置におけるにおける個体群記憶部の個体情報（遺伝子連続型）を示す図である。図４Ａは、当該画像処理装置における個体群記憶部（個体情報における特異点探索用ノード領域）のデータ例を示す図であり、図４Ｂは、当該画像処理装置における個体群記憶部（個体情報における分類用ノード領域）のデータ例を示す図である。
【0019】
本実施形態の画像処理システムは、生物の進化を数学的に模擬した最適化手法である遺伝的操作を用いて、画像から検出対象を検出する画像処理を最適化するものである。
具体的には、本実施形態の画像処理装置１は、図１に示すように、機能単位記憶部１０、個体生成部１１、個体群記憶部１２、画像入力部１３、画像記憶部１４、教師情報入力部１５、教師情報記憶部１６、比較情報入力部１７、比較情報記憶部１８、特異点探索画像処理部１９、特異点探索結果記憶部２０、探索評価値計算部２１、探索評価結果記憶部２２、特徴量計算部２３、特徴量記憶部２４、分類器学習部２５、学習済み分類器記憶部２６、分類結果記憶部２７、分類評価値計算部２８、分類評価結果記憶部２９、個体評価値計算部３０、個体評価結果記憶部３１、及び遺伝子操作部３２を備えている。
具体的には、本実施形態の画像処理装置１は、図１に示すように、機能単位記憶部１０、個体生成部１１、個体群記憶部１２、画像入力部１３、画像記憶部１４、教師情報入力部１５、教師情報記憶部１６、比較情報入力部１７、比較情報記憶部１８、特異点探索画像処理部１９、特異点探索結果記憶部２０、探索評価値計算部２１、探索評価結果記憶部２２、特徴量計算部２３、特徴量記憶部２４、分類器学習部２５、学習済み分類器記憶部２６、分類結果記憶部２７、分類評価値計算部２８、分類評価結果記憶部２９、個体評価値計算部３０、個体評価結果記憶部３１、及び遺伝子操作部３２を備えている。
【0020】
本実施形態において、特異点探索画像処理部１９と特異点探索結果記憶部２０を含む構成を「特異点探索部」１（Ａ）と総称する。また、特徴量計算部２３と特徴量計算部２４と分類器学習部２５と学習済み分類器記憶部２６と分類結果記憶部２７を含む構成を「分類部」１（Ｂ）と総称する。また、探索評価値計算部２１と探索評価結果記憶部２２と分類評価値計算部２８と分類評価結果記憶部２９と個体評価値計算部３０と個体評価結果記憶部３１を含む構成を「評価部」１（Ｃ）と総称する。
本実施形態の画像処理装置１におけるこれらの各構成は、図１に示すように一個の情報処理装置に全て備えることができる。また、これらの各構成は、複数の情報処理装置からなる画像処理システムの各装置に分散して備えてもよい。これは、後述する各実施形態についても同様である。
本実施形態の画像処理装置１におけるこれらの各構成は、図１に示すように一個の情報処理装置に全て備えることができる。また、これらの各構成は、複数の情報処理装置からなる画像処理システムの各装置に分散して備えてもよい。これは、後述する各実施形態についても同様である。
【0021】
機能単位記憶部１０は、ある処理を実行する機能単位であるノード（遺伝子に相当する）をノード番号ごとに記憶する。
ノードの種類としては、図２Ａ，Ｂに示すような様々な処理を行うものを用いることができる。すなわち、例えば色空間処理（グレー変換、RGB変換、Lab変換、XYZ変換、HSV変換）、特徴量抽出範囲の変形処理（膨張、縮小、穴埋め、周囲）、特徴量抽出処理（特徴量抽出範囲の輝度の平均値、標準偏差、最大値、最小値、最大値-最小値、中央値、歪度、尖度、特徴量抽出範囲の面積、周囲長、円形度、外接四角形アスペクト比、外接四角形面積比）、ノイズ除去処理（移動平均フィルタ、ガウシアン、バイラテラル、最大値フィルタ、最小値フィルタ、中央値フィルタ、閾値付き移動平均フィルタ、閾値付きガウシアンフィルタ、閾値付き中央値フィルタ）、輝度補正処理（シグモイド補正、ガンマ補正、ヒストグラム平坦化、輝度減算、輝度反転、正規化、シェーディング補正）、２値化処理（範囲内を白、範囲内を黒、その他各種判別分析法）、エッジ検出処理（ソーベル、ラプラシアン（4近傍）、ラプラシアン（8近傍）、キャニー、アンシャープフィルタ）、周波数フィルタ処理（ローパスフィルタ、ハイパスフィルタ）、演算処理（最大値、最小値、加算、減算、積算、除算、代数和、代数積、限界積、激烈和、激烈積）、モフォロジ処理（オープニング、クロージング）、検出対象判定処理（ラベリング、面積判定、円形度判定、外接四角形アスペクト比判定、外接四角形面積比判定、輝度平均判定、輝度標準偏差判定、輝度最大値判定、輝度最小値判定）、分岐処理（輝度の平均値、輝度の標準偏差、輝度の最大値、輝度の最小値、輝度の最大値-最小値、輝度の中央値）、教師あり学習（サポートベクターマシン（ＳＶＭ）、ニューラルネットワーク、ランダムフォレスト、スパースモデリング）、教師なし学習（マハラノビスタグチ法（ＭＴ法）、one class サポートベクターマシン（ＳＶＭ）、オートエンコーダ、混合ガウス法、k-means（多クラス分類））、及び特定の処理を行わないもの（処理無し）を用いることができる。
これらのノードは、それぞれの処理の実行に用いるパラメータが存在する場合には、そのパラメータと共に機能単位記憶部１０に記憶される。なお、これらのノードのより詳細なデータを図２０Ａ～Ｌに示す。
ノードの種類としては、図２Ａ，Ｂに示すような様々な処理を行うものを用いることができる。すなわち、例えば色空間処理（グレー変換、RGB変換、Lab変換、XYZ変換、HSV変換）、特徴量抽出範囲の変形処理（膨張、縮小、穴埋め、周囲）、特徴量抽出処理（特徴量抽出範囲の輝度の平均値、標準偏差、最大値、最小値、最大値-最小値、中央値、歪度、尖度、特徴量抽出範囲の面積、周囲長、円形度、外接四角形アスペクト比、外接四角形面積比）、ノイズ除去処理（移動平均フィルタ、ガウシアン、バイラテラル、最大値フィルタ、最小値フィルタ、中央値フィルタ、閾値付き移動平均フィルタ、閾値付きガウシアンフィルタ、閾値付き中央値フィルタ）、輝度補正処理（シグモイド補正、ガンマ補正、ヒストグラム平坦化、輝度減算、輝度反転、正規化、シェーディング補正）、２値化処理（範囲内を白、範囲内を黒、その他各種判別分析法）、エッジ検出処理（ソーベル、ラプラシアン（4近傍）、ラプラシアン（8近傍）、キャニー、アンシャープフィルタ）、周波数フィルタ処理（ローパスフィルタ、ハイパスフィルタ）、演算処理（最大値、最小値、加算、減算、積算、除算、代数和、代数積、限界積、激烈和、激烈積）、モフォロジ処理（オープニング、クロージング）、検出対象判定処理（ラベリング、面積判定、円形度判定、外接四角形アスペクト比判定、外接四角形面積比判定、輝度平均判定、輝度標準偏差判定、輝度最大値判定、輝度最小値判定）、分岐処理（輝度の平均値、輝度の標準偏差、輝度の最大値、輝度の最小値、輝度の最大値-最小値、輝度の中央値）、教師あり学習（サポートベクターマシン（ＳＶＭ）、ニューラルネットワーク、ランダムフォレスト、スパースモデリング）、教師なし学習（マハラノビスタグチ法（ＭＴ法）、one class サポートベクターマシン（ＳＶＭ）、オートエンコーダ、混合ガウス法、k-means（多クラス分類））、及び特定の処理を行わないもの（処理無し）を用いることができる。
これらのノードは、それぞれの処理の実行に用いるパラメータが存在する場合には、そのパラメータと共に機能単位記憶部１０に記憶される。なお、これらのノードのより詳細なデータを図２０Ａ～Ｌに示す。
【0022】
また、ノードとして、上記のように特定の処理を行わないものを用いてもよく、複数の処理を実行する機能単位をまとめたものを１個のノード（ノードセット）として用いてもよい。ノードとして特定の処理を実行しないものを含めて用いることにより、例えば個体情報を生成するための初期ノード数の設定値が多すぎた場合などに、実質的なノード数を減らすことができる。
【0023】
個体生成部１１は、機能単位記憶部１０に記憶されているノードを用いて、複数のノードの配列からなる複数の個体情報を生成する。この個体情報が、画像処理アルゴリズムを構成する。
本実施形態において、個体情報は、図３に示すように、特異点探索用のノードからなる領域（以下、特異点探索用ノード領域）と、分類用のノードからなる領域（以下、分類用ノード領域）とを有している。なお、前述のとおり、個体情報には、特定の処理を行わないノードが含まれる場合があるが、これについては省略する。以下の実施形態においても同様である。
本実施形態において、個体情報は、図３に示すように、特異点探索用のノードからなる領域（以下、特異点探索用ノード領域）と、分類用のノードからなる領域（以下、分類用ノード領域）とを有している。なお、前述のとおり、個体情報には、特定の処理を行わないノードが含まれる場合があるが、これについては省略する。以下の実施形態においても同様である。
【0024】
特異点探索用ノード領域には、画像における検出対象である特異点を探索して、特異点が存在する場合に、その範囲及び特徴の特定に用いることが可能な各種ノードが備えられている。
具体的には、特異点探索用ノード領域におけるノードとして、図４Ａに示すように、色空間（例えば、グレー変換）、ノイズ除去（例えば、移動平均フィルタ）、輝度補正（例えば、シグモイド補正）、２値化（例えば、範囲内を白）、エッジ検出（例えば、ソーベル）、周波数フィルタ（例えば、ローパスフィルタ）、演算（例えば、最大値）、モフォロジ（例えば、オープニング）、ラベリング（例えば、ラベリング）、検出対象判定（例えば、面積判定）、分岐（例えば、輝度の平均値）等の各処理を行うものを好適に用いることができる。
具体的には、特異点探索用ノード領域におけるノードとして、図４Ａに示すように、色空間（例えば、グレー変換）、ノイズ除去（例えば、移動平均フィルタ）、輝度補正（例えば、シグモイド補正）、２値化（例えば、範囲内を白）、エッジ検出（例えば、ソーベル）、周波数フィルタ（例えば、ローパスフィルタ）、演算（例えば、最大値）、モフォロジ（例えば、オープニング）、ラベリング（例えば、ラベリング）、検出対象判定（例えば、面積判定）、分岐（例えば、輝度の平均値）等の各処理を行うものを好適に用いることができる。
【0025】
分類用ノード領域には、特異点探索結果などにもとづいて、特異点の特徴量を計算し、得られた特徴量にもとづき、特異点を分類することに用いることが可能な各種ノードが備えられている。
ここで、分類で使用される特徴量には、複数のものが存在しており、分類用ノード領域には、それらの特徴量を抽出するための複数の処理セットを構成する各種ノードが含まれる。
ここで、分類で使用される特徴量には、複数のものが存在しており、分類用ノード領域には、それらの特徴量を抽出するための複数の処理セットを構成する各種ノードが含まれる。
【0026】
具体的には、分類用ノード領域におけるノードとして、図４Ｂに示すように、５個の特徴量が抽出される場合、１つ目の特徴量抽出用として、後述する特異点探索結果記憶部における画像に対して特徴量抽出範囲の変形（例えば、拡大）、後述する画像記憶部における画像に対して色空間（例えば、グレー変換）、ノイズ除去（例えば、移動平均フィルタ）、輝度補正（例えば、シグモイド補正）、特徴量抽出（例えば、特徴量抽出範囲の輝度の平均値）等の各処理を行うものを用いることができる。
また、２つ目の特徴量抽出用として、特異点探索結果記憶部における画像に対して特徴量抽出範囲の変形（例えば、拡大）、特徴量抽出（例えば、特徴量抽出範囲の面積）等の各処理を行うものを用いることができる。
そして、分類用ノード領域においてさらに３つの処理セットを構成する各種ノードが含められると共に、分類器（教師あり学習）として、例えば、サポートベクターマシンのノードを含むものを好適に用いることができる。
また、２つ目の特徴量抽出用として、特異点探索結果記憶部における画像に対して特徴量抽出範囲の変形（例えば、拡大）、特徴量抽出（例えば、特徴量抽出範囲の面積）等の各処理を行うものを用いることができる。
そして、分類用ノード領域においてさらに３つの処理セットを構成する各種ノードが含められると共に、分類器（教師あり学習）として、例えば、サポートベクターマシンのノードを含むものを好適に用いることができる。
【0027】
個体生成部１１は、これらの各種ノードを用いて、特異点探索用ノード領域と分類用ノード領域ごとにそれぞれ所定の条件下でランダムに選択して配列することにより、特異点探索用ノード領域と分類用ノード領域を有する複数の個体情報を生成することができる。
またこのとき、個体生成部１１は、個体情報において、直線構造、木構造、又はネットワーク状に複数のノードの実行順序を定義することができる。ネットワークは、向きが付いたリンクにより構成される有向ネットワークであり、フィードバックを含むものとすることができる。
またこのとき、個体生成部１１は、個体情報において、直線構造、木構造、又はネットワーク状に複数のノードの実行順序を定義することができる。ネットワークは、向きが付いたリンクにより構成される有向ネットワークであり、フィードバックを含むものとすることができる。
【0028】
なお、ネットワーク状の個体情報を用いれば、直線構造や木構造のみからなる個体情報を用いる場合に比較して、より柔軟な表現力を持つネットワーク構造を含めて学習を行うことができるため、最適解（実用上の最適解、実用解）を導き出す上で優位性がある。すなわち、問題に対してどの構造体が最適解になるかは人が事前に把握することができないため、機械学習の前に構造体の条件を決定することは難しい。このため、個体情報として、有閉路を含み得るネットワーク状に複数のノードの実行順序を定義するものを使用して、幅広い条件で最適解を探索することは、真の最適解を導き出せる可能性を高める上で有効と考えられる。
【0029】
個体群記憶部１２は、個体生成部１１によって生成された複数の個体情報からなる個体群を記憶する。この個体群として、１つの世代又は複数の世代を個体群記憶部１２に記憶させることができ、世代番号ごとに個体情報を個体群記憶部１２に記憶させることができる。
【0030】
ここで、本実施形態において、個体情報の特異点探索用ノード領域にもとづく特異点探索処理については、教師あり学習が行われる。特異点探索処理について教師あり学習を行う点については、以下の実施形態でも同様である。
また、本実施形態において、個体情報の分類用ノード領域における分類器にもとづく分類処理についても、教師あり学習が行われ、分類器として、教師あり学習であるサポートベクターマシン、ニューラルネットワーク、ランダムフォレスト、スパースモデリング等のいずれかがランダムに選択される。なお、本実施形態において、分類器は教師あり学習であれば良く、その種類はこれらに限定されない。教師あり学習又は教師なし学習の種類がそれぞれ限定されない点については、以下の実施形態についても同様である。
さらに、本実施形態において、個体情報は、特異点探索用ノード領域と分類用ノード領域が連続して配置された遺伝子連続型である。
また、本実施形態において、個体情報の分類用ノード領域における分類器にもとづく分類処理についても、教師あり学習が行われ、分類器として、教師あり学習であるサポートベクターマシン、ニューラルネットワーク、ランダムフォレスト、スパースモデリング等のいずれかがランダムに選択される。なお、本実施形態において、分類器は教師あり学習であれば良く、その種類はこれらに限定されない。教師あり学習又は教師なし学習の種類がそれぞれ限定されない点については、以下の実施形態についても同様である。
さらに、本実施形態において、個体情報は、特異点探索用ノード領域と分類用ノード領域が連続して配置された遺伝子連続型である。
【0031】
画像入力部１３は、複数の学習用画像を画像処理装置１に入力して、画像の識別情報ごとに画像記憶部１４に記憶させる。
教師情報入力部１５は、特異点探索結果を評価するための教師情報を入力し、対応する画像の識別情報ごとに教師情報記憶部１６に記憶させる。
この教師情報としては、学習用画像に対応する教師画像などを用いることができる。また、教師情報として、画像における検出対象の個数や位置、あるいは検出対象が存在する範囲などを用いることもできる。
教師情報入力部１５は、特異点探索結果を評価するための教師情報を入力し、対応する画像の識別情報ごとに教師情報記憶部１６に記憶させる。
この教師情報としては、学習用画像に対応する教師画像などを用いることができる。また、教師情報として、画像における検出対象の個数や位置、あるいは検出対象が存在する範囲などを用いることもできる。
【0032】
比較情報入力部１７は、特異点を分類するための比較情報（ラベル）を入力し、対応する画像の識別情報ごとに比較情報記憶部１８に記憶させる。
この比較情報としては、画像における特異点の種類及びその程度等を用いることができる。例えば、比較情報が種類であれば傷や打痕など、程度であれば傷の酷さなどを用いることができる。
この比較情報としては、画像における特異点の種類及びその程度等を用いることができる。例えば、比較情報が種類であれば傷や打痕など、程度であれば傷の酷さなどを用いることができる。
【0033】
特異点探索画像処理部１９は、画像記憶部１４から画像を入力すると共に、個体群記憶部１２から個体情報を入力して、その個体情報にもとづき当該個体情報における特異点探索用ノード領域に含まれる複数のノードを順次実行する。この特異点探索画像処理は、検出対象候補を見つけるための処理として行われる。なお、特異点探索画像処理部１９は、画像の入力処理、及び出力画像の保存処理を行うために、それぞれを実行するためのノードも実行する。
【0034】
このとき、各ノードは、画像から得られる情報を用いて、それぞれの機能に対応する処理を実行する。また、各ノードは、その処理結果にもとづいて、処理結果に対応する次のノードを選択的に実行し得る。したがって、個体情報に含まれるノードであっても、画像処理において、必ずしも全てのノードが実行される訳ではない。勿論、個体情報における全てのノードが実行される場合はある。また、フィードバックが行われることによって、一つの個体情報において１つのみ定義されているノードが、複数回実行されることもあり得る。
【0035】
特異点探索画像処理部１９は、画像ごとに特異点探索結果としての画像などを作成して、個体情報（の識別情報）ごと且つ画像（の識別情報）ごとに特異点探索結果記憶部２０に記憶させる。
特異点探索結果として画像を作成する場合、検出対象（特異点）が検出された場合は、検出対象が存在する領域を示す情報（特異点領域情報）が付加された画像を作成し、検出対象が検出されなかった場合は、当該情報が付加されていない画像を作成する。
なお、教師情報が、画像における検出対象の個数、位置、又は検出対象が存在する範囲である場合は、それぞれ検出対象の個数、位置、又は検出対象が存在する範囲が特異点探索結果として作成され、特異点探索結果記憶部２０に記憶される。
特異点探索結果として画像を作成する場合、検出対象（特異点）が検出された場合は、検出対象が存在する領域を示す情報（特異点領域情報）が付加された画像を作成し、検出対象が検出されなかった場合は、当該情報が付加されていない画像を作成する。
なお、教師情報が、画像における検出対象の個数、位置、又は検出対象が存在する範囲である場合は、それぞれ検出対象の個数、位置、又は検出対象が存在する範囲が特異点探索結果として作成され、特異点探索結果記憶部２０に記憶される。
【0036】
特異点探索結果記憶部２０は、特異点探索結果を個体情報ごと且つ画像ごとに記憶する。
【0037】
探索評価値計算部２１は、特異点探索結果記憶部２０から特異点探索結果を入力すると共に、教師情報記憶部１６からその特異点探索結果に対応する教師情報を入力する。
そして、特異点探索結果と教師情報を比較して、特異点探索の評価値（探索評価値）を計算し、算出された探索評価値を個体情報ごと且つ画像ごとに探索評価結果記憶部２２に記憶させることができる。
そして、特異点探索結果と教師情報を比較して、特異点探索の評価値（探索評価値）を計算し、算出された探索評価値を個体情報ごと且つ画像ごとに探索評価結果記憶部２２に記憶させることができる。
【0038】
このとき、探索評価値計算部２１は、教師画像、教師個数、教師位置、教師範囲等の指標にもとづいて、指標評価値（指標値）を計算する。
また、探索評価値計算部２１は、画像処理装置１の処理速度、個体情報におけるノード使用率、個体情報の大きさ等の指標にもとづいて、指標評価値（指標値）を計算することもできる。
そして、探索評価値計算部２１は、これらの指標評価値を用いて、重み付きの足し合わせなどを行うことによって、探索評価値を計算することができる。
また、探索評価値計算部２１は、画像処理装置１の処理速度、個体情報におけるノード使用率、個体情報の大きさ等の指標にもとづいて、指標評価値（指標値）を計算することもできる。
そして、探索評価値計算部２１は、これらの指標評価値を用いて、重み付きの足し合わせなどを行うことによって、探索評価値を計算することができる。
【0039】
教師画像を用いる場合、その探索評価値の計算は、例えば平均二乗誤差を用いて、以下の式により行うことができる。
【数1】
【0040】
探索評価結果記憶部２２は、探索評価値を個体情報ごと且つ画像ごとに記憶する。
【0041】
特徴量計算部２３は、特異点探索によって見つかった検出対象候補である特異点の特徴量を計算するものであり、特異点探索結果記憶部２０から特異点探索結果を入力すると共に、個体群記憶部１２から個体情報を入力して、その個体情報にもとづき当該個体情報における分類用ノード領域に含まれる複数のノード（分類器を除く）を順次実行する。また、特徴量計算部２３は、画像記憶部１４から画像を入力して、画像を用いるノードを実行することもできる。これは、以下の実施形態においても同様である。
【0042】
このとき、特徴量計算部２３は、例えば、画像記憶部１４から入力した画像に色空間処理を実施し、変更後の画像に対してノイズ除去、輝度補正、エッジ検出、周波数フィルタ等の処理を行うと共に、特異点探索結果の画像に対して特徴量抽出範囲の変形、検出対象判定等を実施して、算出された特徴量を個体情報ごと且つ画像ごと且つ特異点ごとに特徴量記憶部２４に記憶させることができる。
【0043】
特徴量記憶部２４は、特徴量を個体情報ごと且つ画像ごと且つ特異点ごとに記憶する。
【0044】
分類器学習部２５は、特徴量記憶部２４から特徴量を入力すると共に、個体群記憶部１２から個体情報を入力して、その個体情報にもとづき当該個体情報における分類用ノード領域に含まれる分類器の機械学習を実行する。
このとき、分類器学習部２５は、例えば、比較情報記憶部１８から特異点を分類するための比較情報（ラベル）を入力し、分類器として教師あり学習であるサポートベクターマシンによる機械学習を実行する。
そして、分類器学習部２５は、学習済み分類器を学習済み分類器記憶部２６に記憶させると共に、分類結果を個体情報ごと且つ画像ごと且つ特異点ごとに分類結果記憶部２７に記憶させることができる。
このとき、分類器学習部２５は、例えば、比較情報記憶部１８から特異点を分類するための比較情報（ラベル）を入力し、分類器として教師あり学習であるサポートベクターマシンによる機械学習を実行する。
そして、分類器学習部２５は、学習済み分類器を学習済み分類器記憶部２６に記憶させると共に、分類結果を個体情報ごと且つ画像ごと且つ特異点ごとに分類結果記憶部２７に記憶させることができる。
【0045】
分類結果記憶部２７は、分類結果を個体情報ごと且つ画像ごと且つ特異点ごとに記憶する。
【0046】
分類評価値計算部２８は、分類結果記憶部２７から分類結果を入力すると共に、比較情報記憶部１８からその分類結果に対応する比較情報を入力する。
そして、分類結果と比較情報を比較して検出対象候補の分類の評価値（分類評価値）を計算し、得られた評価値を個体情報ごと且つ画像ごと且つ特異点ごとに分類評価結果記憶部２９に記憶させることができる。
そして、分類結果と比較情報を比較して検出対象候補の分類の評価値（分類評価値）を計算し、得られた評価値を個体情報ごと且つ画像ごと且つ特異点ごとに分類評価結果記憶部２９に記憶させることができる。
【0047】
このとき、分類評価値計算部２８は、分類の正確度、再現性、適合度、Ｆ値等の指標にもとづいて、指標評価値（指標値）を計算する。
また、分類評価値計算部２８は、画像処理装置１の処理速度、個体情報におけるノード使用率、個体情報の大きさ等の指標にもとづいて、指標評価値（指標値）を計算することもできる。
そして、分類評価値計算部２８は、これらの指標評価値を用いて、重み付きの足し合わせなどを行うことによって、分類評価値を計算することができる。
また、分類評価値計算部２８は、画像処理装置１の処理速度、個体情報におけるノード使用率、個体情報の大きさ等の指標にもとづいて、指標評価値（指標値）を計算することもできる。
そして、分類評価値計算部２８は、これらの指標評価値を用いて、重み付きの足し合わせなどを行うことによって、分類評価値を計算することができる。
【0048】
分類評価結果記憶部２９は、分類評価値を個体情報ごと且つ画像ごと且つ特異点ごとに記憶する。
【0049】
個体評価値計算部３０は、探索評価結果記憶部２２から探索評価結果を入力すると共に、分類評価結果記憶部２９から分類評価結果を入力して、個体情報の評価値を計算する。そして、算出された個体情報の評価値を個体評価結果記憶部３１に記憶させる。
このとき、個体評価値計算部３０は、例えば、探索評価結果と分類評価結果を個体情報ごとに重み付きの足し合わせなどを行うことによって、個体情報の評価値を計算することができる。
このとき、個体評価値計算部３０は、例えば、探索評価結果と分類評価結果を個体情報ごとに重み付きの足し合わせなどを行うことによって、個体情報の評価値を計算することができる。
【0050】
また、個体評価値計算部３０は、個体群記憶部１２に記憶されている全ての個体情報（又は設定された世代分の個体情報）につき個体評価値を計算し終えて個体評価結果記憶部３１に記憶させたタイミングなどで、それらの評価値にもとづき世代ごと又は設定された世代ごとに個体情報を順位付け（ランキング）して、得られた順位付け情報を個体評価結果記憶部３１に記憶させることができる。
【0051】
さらに、個体評価値計算部３０は、画像処理装置１による処理を終了するか否かを判定するための終了判定を行うことができる。終了判定は、終了条件を満たすか否かにもとづき行うことができ、終了条件を満たす場合、画像処理装置１による処理を終了させることができる。そして、個体評価結果記憶部３１に記憶された最も評価値の高い個体情報が、画像処理を行うための最適化された個体情報として得られる。
【0052】
終了条件としては、予め設定した全ての世代の個体群について画像処理を完了した場合や、一定の世代数以上で進化が発生していない場合などを挙げることができる。
進化が発生していない場合とは、評価値が、比較対象の時点よりも改善されていない場合である。
なお、個体評価値計算部３０からこの終了判定の機能を分離して、本実施形態の画像処理装置１において終了判定を行うための終了判定部を備えてもよい。
進化が発生していない場合とは、評価値が、比較対象の時点よりも改善されていない場合である。
なお、個体評価値計算部３０からこの終了判定の機能を分離して、本実施形態の画像処理装置１において終了判定を行うための終了判定部を備えてもよい。
【0053】
個体評価結果記憶部３１は、個体評価値を個体情報ごとに記憶する。また、世代ごと又は設定された世代ごとに個体情報の順位付け情報を記憶する。
【0054】
遺伝子操作部３２は、個体評価結果記憶部３１における個体情報の順位付け情報にもとづいて、個体情報の選択又は変更を行って、個体群記憶部１２を更新する。
これによって、個体群記憶部１２に新たな世代の個体群の個体情報を順次追加することができる。
これによって、個体群記憶部１２に新たな世代の個体群の個体情報を順次追加することができる。
【0055】
具体的には、遺伝子操作部３２は、評価値が高い個体情報を次世代に残すエリート個体保存部と、評価値にもとづいて、一定の確率で個体情報を次世代に残す個体選択部と、２つの個体情報の一部を相互に交換する交叉部と、選択された１つの個体情報の一部又は全部やノードのパラメータをランダムに書き換える突然変異部とを有するものとすることができる。
【0056】
エリート個体保存部は、各世代の個体群において、一番評価値の良い個体情報などを、無条件で次世代に残す処理を行うことができる。
個体選択部は、各世代の個体群において、評価値の順位の高い個体情報を高い確率で選択して、次世代に残す処理等を行うことができる。
個体選択部は、各世代の個体群において、評価値の順位の高い個体情報を高い確率で選択して、次世代に残す処理等を行うことができる。
【0057】
交叉部は、交叉処理として、複数の個体情報の各ノードの配列における同一（ノード番号）の並びについて、ある確率で入れ替える１様交叉を行うことができる。また、交叉部は、交叉処理として、各ノードの配列における同一の並びの１点を境として、一方の配列を相互に入れ替える１点交叉や、同一の並びの複数点を境として配列を相互に入れ替える複数点交叉を行うこともできる。交叉部は、このような交叉処理を、個体選択部により選択された個体情報に対して行うことができる。
【0058】
突然変異部は、突然変異処理として、機能単位記憶部１０に記憶されているノードを用いて、個体情報ごとに一定の確率でその個体情報の一部を書き換えたり、その個体情報の全てを書き換えることができる。突然変異部は、このような突然変異処理を、個体選択部により選択された個体情報に対して行うことができる。また、突然変異部は、突然変異処理として、機能単位記憶部１０に記憶されているノードを用いて、新しい個体情報を生成することもできる。さらに、突然変異部に、突然変異処理として、選択された親個体情報のノードのパラメータの一部又は全部をランダムに書き換えることなどによって、パラメータ変異を行わせることもできる。
【0059】
なお、同じ個体情報にもとづいて生成された同系列個体が増えると、多様性が失われて進化が袋小路（数学的に局所解に陥った状態）に入ってしまう。一方、同系列以外の個体を増やしすぎると、ランダム探索に近づき、効率的な進化が行われない。
そこで、学習初期では多様性を持たせるために、同系列以外の個体を増やすように突然変異部による処理を行い、学習中期では効率的な進化を実施するために、個体選択部により同系列を増やすことが好ましい。また、進化が止まった場合には、再度多様性を持たせるために突然変異部により同系列以外を増やすことなどを好適に行うことができる。
そこで、学習初期では多様性を持たせるために、同系列以外の個体を増やすように突然変異部による処理を行い、学習中期では効率的な進化を実施するために、個体選択部により同系列を増やすことが好ましい。また、進化が止まった場合には、再度多様性を持たせるために突然変異部により同系列以外を増やすことなどを好適に行うことができる。
【0060】
そして、遺伝子操作部３２は、新たな世代の個体群を生成して、個体群記憶部１２に記憶させる。このとき、遺伝子操作部３２は、前の世代の個体群を上書きすることにより、個体群記憶部１２を更新することができる。また、複数世代の個体群を世代ごとに記憶させることにより、個体群記憶部１２を更新することもできる。
【0061】
次に、本実施形態の画像処理装置による処理手順について、図５及び図６を参照して説明する。図５は、本実施形態の画像処理装置による処理手順を示すフローチャートであり、図６は、同画像処理装置による遺伝子操作の処理手順を示すフローチャートである。
【0062】
まず、画像処理装置１における画像入力部１３が、学習用画像を入力して、画像記憶部１４に記憶させる（ステップ１０）。また、教師情報入力部１５が、特異点探索用の教師情報としての教師画像を入力し、教師情報記憶部１６に記憶させる（ステップ１１）。さらに、比較情報入力部１７が、特異点を分類するための比較情報（ラベル）を入力し、比較情報記憶部１８に記憶させる（ステップ１２）。
【0063】
次に、個体生成部１１が、初期個体群を生成する（ステップ１３）。
具体的には、個体生成部１１は、機能単位記憶部１０に記憶されている各種ノードにもとづいて、特異点探索用ノード領域と分類用ノード領域ごとに、それぞれに用いることのできるノードを所定の条件下でランダムに選択して配列することにより、特異点探索用ノード領域と分類用ノード領域を有する複数の個体情報を生成して、個体群記憶部１２に記憶させる。
なお、ステップ１０～１３の各ステップの実行順序は、入れ替えてもよい。
具体的には、個体生成部１１は、機能単位記憶部１０に記憶されている各種ノードにもとづいて、特異点探索用ノード領域と分類用ノード領域ごとに、それぞれに用いることのできるノードを所定の条件下でランダムに選択して配列することにより、特異点探索用ノード領域と分類用ノード領域を有する複数の個体情報を生成して、個体群記憶部１２に記憶させる。
なお、ステップ１０～１３の各ステップの実行順序は、入れ替えてもよい。
【0064】
このとき、個体生成部１１は、複数の個体情報からなる個体群を一つの世代として、世代番号ごとに個体群を個体群記憶部１２に記憶させることができる。
なお、新たな世代の個体群は、個体群記憶部１２に記憶されている個体情報に対して、遺伝子操作部３２が遺伝子操作を行うことによって作成することができる。すなわち、新たな世代の個体群は、遺伝子操作部３２により個体情報の選択又は変更が行われ、個体群記憶部１２が更新されることによって作成することができる。
なお、新たな世代の個体群は、個体群記憶部１２に記憶されている個体情報に対して、遺伝子操作部３２が遺伝子操作を行うことによって作成することができる。すなわち、新たな世代の個体群は、遺伝子操作部３２により個体情報の選択又は変更が行われ、個体群記憶部１２が更新されることによって作成することができる。
【0065】
このように、個体群記憶部１２における世代は、ステップ１４に示す世代ループの実行に従って順次追加されるようにすることができる。
世代ループは、予め設定された世代数分について実行される。なお、後述する終了判定で終了条件が満たされる場合、設定された世代数分の実行前に世代ループが終了することがある。
世代ループは、予め設定された世代数分について実行される。なお、後述する終了判定で終了条件が満たされる場合、設定された世代数分の実行前に世代ループが終了することがある。
【0066】
世代ループにおいて、個体群ループが、個体群記憶部１２における当該世代の全ての個体情報について実行される（ステップ１５）。
まず、特異点探索画像処理部１９が、個体群記憶部１２における個体情報における特異点探索用ノード領域の各ノードにもとづいて、特異点探索画像処理を実行する（ステップ１６）。
そして、各学習用画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０に記憶させる。
まず、特異点探索画像処理部１９が、個体群記憶部１２における個体情報における特異点探索用ノード領域の各ノードにもとづいて、特異点探索画像処理を実行する（ステップ１６）。
そして、各学習用画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０に記憶させる。
【0067】
次に、探索評価値計算部２１が、特異点探索結果記憶部２０から特異点探索結果を入力すると共に、教師情報記憶部１６からその特異点探索結果に対応する教師情報を入力し、特異点探索結果と教師情報を比較して探索評価値を計算し、算出された評価値を探索評価結果記憶部２２に記憶させる（ステップ１７）。
【0068】
次に、特徴量計算部２３が、特異点探索結果記憶部２０から特異点探索結果を入力し、個体群記憶部１２における個体情報の分類用ノード領域の各ノード（分類器を除く）を順次実行することにより、各特異点の特徴量を計算する（ステップ１８）。また、特徴量計算部２３は、画像記憶部１４から画像を入力して、その画像を用いるノードを実行することもできる。
そして、特徴量計算部２３は、算出された特徴量を特徴量記憶部２４に記憶させる。
そして、特徴量計算部２３は、算出された特徴量を特徴量記憶部２４に記憶させる。
【0069】
次に、分類器学習部２５が、特徴量記憶部２４から特徴量を入力し、個体群記憶部１２における個体情報の分類用ノード領域に含まれる分類器の機械学習を実行する（ステップ１９）。
そして、分類器学習部２５は、学習済み分類器を学習済み分類器記憶部２６に記憶させ、分類結果を分類結果記憶部２７に記憶させる。
そして、分類器学習部２５は、学習済み分類器を学習済み分類器記憶部２６に記憶させ、分類結果を分類結果記憶部２７に記憶させる。
【0070】
次に、分類評価値計算部２８が、分類結果記憶部２７から分類結果を入力すると共に、比較情報記憶部１８からその分類結果に対応する比較情報を入力し、分類結果と比較情報を比較して分類評価値を計算し、算出された評価値を分類評価結果記憶部２９に記憶させる（ステップ２０）。
【0071】
次に、個体評価値計算部３０が、探索評価結果記憶部２２から探索評価結果を入力すると共に、分類評価結果記憶部２９から分類評価結果を入力して、個体情報の評価値を計算し、算出された個体情報の評価値を個体評価結果記憶部３１に記憶させる。
そして、個体評価値計算部３０は、個体評価結果記憶部３１に記憶されている評価値にもとづいて、個体情報の順位付けを行い、その結果を個体評価結果記憶部３１に記憶する（ステップ２１）。
そして、個体評価値計算部３０は、個体評価結果記憶部３１に記憶されている評価値にもとづいて、個体情報の順位付けを行い、その結果を個体評価結果記憶部３１に記憶する（ステップ２１）。
【0072】
次に、個体評価値計算部３０は、終了条件が満たされているか否かの判定処理を行う（ステップ２２）。
終了条件が満たされている場合は、画像処理装置１による処理を終了する。
終了条件が満たされていない場合は、遺伝子操作部３２が、遺伝子操作処理を実行する（ステップ２３）。これにより、遺伝子操作部３２は、個体群記憶部１２に新たな世代の個体群を追加更新することができる。
終了条件が満たされている場合は、画像処理装置１による処理を終了する。
終了条件が満たされていない場合は、遺伝子操作部３２が、遺伝子操作処理を実行する（ステップ２３）。これにより、遺伝子操作部３２は、個体群記憶部１２に新たな世代の個体群を追加更新することができる。
【0073】
具体的には、図６に示すように、遺伝子操作部３２におけるエリート個体保存部が、最も評価値の高い個体情報を次世代の個体群の個体情報として選択する（ステップ３０）。
また、遺伝子操作部３２における個体選択部が、評価値の順位の高い個体情報ほど高い確率で次世代の個体群の個体情報として選択する（ステップ３１）。
また、遺伝子操作部３２における個体選択部が、評価値の順位の高い個体情報ほど高い確率で次世代の個体群の個体情報として選択する（ステップ３１）。
【0074】
さらに、遺伝子操作部３２における交叉部が、個体選択部により選択された個体情報に対して、交叉処理を実行して、新たな個体情報を生成する（ステップ３２）。
また、遺伝子操作部３２における突然変異部が、個体選択部により選択された個体情報にもとづいて、またはこれらの個体情報を用いることなく、突然変異処理等を行い、新たな個体情報を生成する（ステップ３３）。
なお、エリート個体保存部、個体選択部、交叉部、突然変異部による各処理の順序を、各処理を実行可能な順序の範囲で入れ替えて実行してもよい。
また、遺伝子操作部３２における突然変異部が、個体選択部により選択された個体情報にもとづいて、またはこれらの個体情報を用いることなく、突然変異処理等を行い、新たな個体情報を生成する（ステップ３３）。
なお、エリート個体保存部、個体選択部、交叉部、突然変異部による各処理の順序を、各処理を実行可能な順序の範囲で入れ替えて実行してもよい。
【0075】
この遺伝子操作処理によって、個体群記憶部１２に次の世代の個体群の個体情報を追加することができる。
このように、世代ループを繰り返すことで、個体群記憶部１２において、新たな世代の個体群の個体情報を順次追加することができる。
以上の処理の結果、個体評価結果記憶部３１にはどの個体情報が最適であるかが記憶され、個体群記憶部１２には最適化された個体情報が記憶される。
このように、世代ループを繰り返すことで、個体群記憶部１２において、新たな世代の個体群の個体情報を順次追加することができる。
以上の処理の結果、個体評価結果記憶部３１にはどの個体情報が最適であるかが記憶され、個体群記憶部１２には最適化された個体情報が記憶される。
【0076】
このような本実施形態によれば、画像処理アルゴリズムの自動生成において、特異点の探索、特異点の特徴量計算、及び特異点の分類の相乗効果及び分類精度を、遺伝的操作を用いて最適化することが可能である。
例えば、特異点の探索のみを最適化するケースにおいては、検出対象と非検出対象が似ているために区別することが難しく且つ検出対象の数が非検出対象に対して少ない場合には、非検出対象を検出しないように学習が進んで、偽陰性（検出対象を検出しない）を発生させることが多い。
しかし、本実施形態によれば、特異点の探索において検出対象を陽性（検出対象を検出する）とし、非検出対象を偽陽性（非検出対象を検出する）した場合であっても、特異点の分類において、偽陽性判定された検出対象を陰性判定に変更するように進化させることが可能となる。
例えば、特異点の探索のみを最適化するケースにおいては、検出対象と非検出対象が似ているために区別することが難しく且つ検出対象の数が非検出対象に対して少ない場合には、非検出対象を検出しないように学習が進んで、偽陰性（検出対象を検出しない）を発生させることが多い。
しかし、本実施形態によれば、特異点の探索において検出対象を陽性（検出対象を検出する）とし、非検出対象を偽陽性（非検出対象を検出する）した場合であっても、特異点の分類において、偽陽性判定された検出対象を陰性判定に変更するように進化させることが可能となる。
【0077】
［第二実施形態］
次に、本発明の第二実施形態に係る画像処理システム、及び画像処理プログラムについて、図７を参照して説明する。図７は、本実施形態の画像処理システムに対応する画像処理装置の構成を示すブロック図である。
次に、本発明の第二実施形態に係る画像処理システム、及び画像処理プログラムについて、図７を参照して説明する。図７は、本実施形態の画像処理システムに対応する画像処理装置の構成を示すブロック図である。
【0078】
本実施形態の画像処理装置１ａは、図７に示すように、機能単位記憶部１０ａ、個体生成部１１ａ、個体群記憶部１２ａ、画像入力部１３ａ、画像記憶部１４ａ、教師情報入力部１５ａ、教師情報記憶部１６ａ、比較情報入力部１７ａ、比較情報記憶部１８ａ、特異点探索画像処理部１９ａ、特異点探索結果記憶部２０ａ、探索評価値計算部２１ａ、探索評価結果記憶部２２ａ、特徴量計算部２３ａ、特徴量記憶部２４ａ、分類器学習部２５ａ、学習済み分類器記憶部２６ａ、分類結果記憶部２７ａ、分類評価値計算部２８ａ、分類評価結果記憶部２９ａ、個体評価値計算部３０ａ、個体評価結果記憶部３１ａ、及び遺伝子操作部３２ａを備えている。また、個体群記憶部１２ａは、親個体群記憶部１２１ａと子個体群記憶部１２２ａを備えている。
【0079】
本実施形態の画像処理装置１ａにおける機能単位記憶部１０ａ、画像入力部１３ａ、画像記憶部１４ａ、教師情報入力部１５ａ、教師情報記憶部１６ａ、比較情報入力部１７ａ、比較情報記憶部１８ａ、特異点探索結果記憶部２０ａ、探索評価値計算部２１ａ、探索評価結果記憶部２２ａ、特徴量記憶部２４ａ、学習済み分類器記憶部２６ａ、分類結果記憶部２７ａ、分類評価値計算部２８ａ、分類評価結果記憶部２９ａ、及び個体評価結果記憶部３１ａは、第一実施形態と同様のものとすることができる。また、本実施形態の画像処理装置１ａにおけるその他の構成についても、以下に説明する点を除いて、第一実施形態と同様のものとすることができる。
【0080】
個体生成部１１ａは、機能単位記憶部１０ａに記憶されている各種ノードにもとづいて、特異点探索用ノード領域と分類用ノード領域ごとに、それぞれに用いることのできるノードを所定の条件下でランダムに選択して配列することにより、特異点探索用ノード領域と分類用ノード領域を有する複数の親個体情報を生成して、個体群記憶部１２ａにおける親個体群記憶部１２１ａに記憶させる。
【0081】
個体群記憶部１２ａは、親個体群記憶部１２１ａと子個体群記憶部１２２ａを備えている。
親個体群記憶部１２１ａは、個体生成部１１ａによって生成された複数の親個体情報からなる親個体群を記憶する。また、１つの世代又は複数の世代の親個体群を記憶させることができ、世代番号ごとに各個体情報を記憶させることができる。
子個体群記憶部１２２ａは、遺伝子操作部３２ａによって生成された複数の子個体情報からなる子個体群を記憶する。また、親個体群に対応する１つの世代又は複数の世代の子個体群を記憶させることができ、世代番号ごとに各個体情報を記憶させることができる。
親個体群記憶部１２１ａは、個体生成部１１ａによって生成された複数の親個体情報からなる親個体群を記憶する。また、１つの世代又は複数の世代の親個体群を記憶させることができ、世代番号ごとに各個体情報を記憶させることができる。
子個体群記憶部１２２ａは、遺伝子操作部３２ａによって生成された複数の子個体情報からなる子個体群を記憶する。また、親個体群に対応する１つの世代又は複数の世代の子個体群を記憶させることができ、世代番号ごとに各個体情報を記憶させることができる。
【0082】
本実施形態において、個体情報の分類用ノード領域における分類器にもとづく分類処理については、教師あり学習によって学習が行われる。
また、本実施形態において、個体情報は、特異点探索用ノード領域と分類用ノード領域が連続して配置された遺伝子連続型である。
また、本実施形態において、個体情報は、特異点探索用ノード領域と分類用ノード領域が連続して配置された遺伝子連続型である。
【0083】
遺伝子操作部３２ａは、親個体群記憶部１２１ａにおける親個体情報に対して遺伝子操作を実行し、親個体群に対応する複数の子個体情報からなる子個体群を生成して、子個体群記憶部１２２ａに記憶させることができる。
本実施形態では、親個体群と子個体群のセットが１つの世代に含められ、これらのセットが複数の世代分生成されて、それぞれ親個体群記憶部１２１ａと子個体群記憶部１２２ａに記憶される。
本実施形態では、親個体群と子個体群のセットが１つの世代に含められ、これらのセットが複数の世代分生成されて、それぞれ親個体群記憶部１２１ａと子個体群記憶部１２２ａに記憶される。
【0084】
具体的には、遺伝子操作部３２ａは、まず、親個体群記憶部１２１ａにおける親個体群からランダムに、子個体情報を生成する親個体情報を選択する。次に、選択した親個体情報と同一の子個体情報からなる子個体群を子個体群記憶部１２２ａに記憶させる。また、選択された親個体情報に対して交叉処理を実行して複数の子個体情報を生成し、これら子個体情報からなる子個体群を子個体群記憶部１２２ａに記憶させる。
【0085】
また、遺伝子操作部３２ａは、機能単位記憶部１０ａに記憶されているノードを用いて、選択された親個体情報に対して突然変異処理を実行し、一定の確率で親個体情報の一部又は全部を書き換えることによって得られた子個体情報からなる子個体群を子個体群記憶部１２２ａに記憶させることもできる。さらに、突然変異処理として、機能単位記憶部１０ａに記憶されているノードを用いて、新しい個体情報を生成することもでき、選択された親個体情報のノードのパラメータの一部又は全部をランダムに書き換えることなどによりパラメータ変異を行わせることもできる。
【0086】
このように、遺伝子操作部３２ａは、親個体群記憶部１２１ａにおける親個体情報に対して遺伝子操作を実行することにより、複数の子個体情報からなる子個体群を生成して、これらを子個体群記憶部１２２ａに記憶させる。
【0087】
また、遺伝子操作部３２ａは、個体評価結果記憶部３１ａにおける子個体情報の順位付け情報にもとづいて、一番評価値の良い子個体情報及び確率で選択された子個体情報を、親個体群からランダムに選択された上記の親個体情報と入れ替えることなどによって、親個体群記憶部１２１ａにおける親個体情報を更新することができる。
これにより、遺伝子操作部３２ａは、個体群記憶部１２ａにおける親個体群記憶部１２１ａに新たな親個体群の個体情報を追加することができる。
そして、世代ループを繰り返すことで、個体群記憶部１２ａにおいて、新たな世代の親個体群の個体情報を順次追加することができる。
これにより、遺伝子操作部３２ａは、個体群記憶部１２ａにおける親個体群記憶部１２１ａに新たな親個体群の個体情報を追加することができる。
そして、世代ループを繰り返すことで、個体群記憶部１２ａにおいて、新たな世代の親個体群の個体情報を順次追加することができる。
【0088】
特異点探索画像処理部１９ａは、子個体群記憶部１２２ａにおける子個体情報の特異点探索用ノード領域の各ノードにもとづいて、特異点探索画像処理を実行する。そして、各学習用画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０ａに記憶させる。
【0089】
特徴量計算部２３ａは、特異点探索結果記憶部２０ａから特異点探索結果を入力し、子個体群記憶部１２２ａにおける子個体情報の分類用ノード領域の各ノード（分類器を除く）を順次実行することにより、各特異点の特徴量を計算する。そして、算出された特徴量を特徴量記憶部２４ａに記憶させる。
【0090】
分類器学習部２５ａは、特徴量記憶部２４ａから特徴量を入力し、子個体群記憶部１２２ａにおける子個体情報の分類用ノード領域に含まれる分類器の機械学習を実行する。そして、学習済み分類器を学習済み分類器記憶部２６ａに記憶させ、分類結果を分類結果記憶部２７ａに記憶させる。
【0091】
個体評価値計算部３０ａは、探索評価結果記憶部２２ａから探索評価結果を入力すると共に、分類評価結果記憶部２９ａから分類評価結果を入力して、子個体情報の評価値を計算し、算出された子個体情報の評価値を個体評価結果記憶部３１ａに記憶させる。そして、個体評価結果記憶部３１ａに記憶されている評価値にもとづいて、子個体情報の順位付けを行い、その結果を個体評価結果記憶部３１ａに記憶する。
【0092】
次に、本実施形態の画像処理システムに対応する画像処理装置の処理手順について、図８を参照して説明する。図８は、本実施形態の画像処理システムに対応する画像処理装置による処理手順を示すフローチャートである。
【0093】
まず、画像処理装置１ａにおける画像入力部１３ａが、学習用画像を入力して、画像記憶部１４ａに記憶させる（ステップ４０）。また、教師情報入力部１５ａが、特異点探索用の教師情報としての教師画像を入力し、教師情報記憶部１６ａに記憶させる（ステップ４１）。さらに、比較情報入力部１７ａが、特異点を分類するための比較情報（ラベル）を入力し、比較情報記憶部１８ａに記憶させる（ステップ４２）。
【0094】
次に、個体生成部１１ａが、初期の親個体群を生成する（ステップ４３）。
具体的には、個体生成部１１ａは、機能単位記憶部１０ａに記憶されている各種ノードにもとづいて、特異点探索用ノード領域と分類用ノード領域ごとに、それぞれに用いることのできるノードを所定の条件下でランダムに選択して配列することにより、特異点探索用ノード領域と分類用ノード領域を有する複数の親個体情報を生成して、個体群記憶部１２ａにおける親個体群記憶部１２１ａに記憶させる。
なお、ステップ４０～４３の各ステップの実行順序は、入れ替えてもよい。
具体的には、個体生成部１１ａは、機能単位記憶部１０ａに記憶されている各種ノードにもとづいて、特異点探索用ノード領域と分類用ノード領域ごとに、それぞれに用いることのできるノードを所定の条件下でランダムに選択して配列することにより、特異点探索用ノード領域と分類用ノード領域を有する複数の親個体情報を生成して、個体群記憶部１２ａにおける親個体群記憶部１２１ａに記憶させる。
なお、ステップ４０～４３の各ステップの実行順序は、入れ替えてもよい。
【0095】
この親個体群記憶部１２１ａにおける親個体群は、後述する親個体群の更新処理によって更新され、世代ループにおいて、設定された世代について以下の処理が繰り返し行われる（ステップ４４）。
【0096】
次に、世代ループにおいて、遺伝子操作部３２ａが、親個体群記憶部１２１ａにおける親個体群からランダムに、子個体情報を生成する親個体情報を選択する。（ステップ４５）。そして、選択された親個体情報に対して遺伝子操作を実行する（ステップ４６）。なお、ステップ４５の親個体情報の選択を、ステップ４６の遺伝子操作の一部として実行してもよい。これは、以下の実施形態においても同様である。
このとき、遺伝子操作部３２ａは、親個体情報に対して交叉処理や突然変異処理を実行して、複数の子個体情報を生成し、これら子個体情報からなる子個体群を子個体群記憶部１２２ａに記憶させる。
このとき、遺伝子操作部３２ａは、親個体情報に対して交叉処理や突然変異処理を実行して、複数の子個体情報を生成し、これら子個体情報からなる子個体群を子個体群記憶部１２２ａに記憶させる。
【0097】
次に、子個体群ループにおいて（ステップ４７）、特異点探索画像処理部１９ａが、子個体群記憶部１２２ａにおける子個体情報の特異点探索用ノード領域の各ノードにもとづいて、特異点探索画像処理を実行する（ステップ４８）。
そして、各学習用画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０ａに記憶させる。
そして、各学習用画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０ａに記憶させる。
【0098】
次に、探索評価値計算部２１ａが、特異点探索結果記憶部２０ａから特異点探索結果を入力すると共に、教師情報記憶部１６ａからその特異点探索結果に対応する教師情報を入力し、特異点探索結果と教師情報を比較して探索評価値を計算し、算出された評価値を探索評価結果記憶部２２ａに記憶させる（ステップ４９）。
【0099】
次に、特徴量計算部２３ａが、特異点探索結果記憶部２０ａから特異点探索結果を入力し、子個体群記憶部１２２ａにおける子個体情報の分類用ノード領域の各ノード（分類器を除く）を順次実行することにより、各特異点の特徴量を計算する（ステップ５０）。
そして、特徴量計算部２３ａは、算出された特徴量を特徴量記憶部２４ａに記憶させる。
そして、特徴量計算部２３ａは、算出された特徴量を特徴量記憶部２４ａに記憶させる。
【0100】
次に、分類器学習部２５ａが、特徴量記憶部２４ａから特徴量を入力し、子個体群記憶部１２２ａにおける子個体情報の分類用ノード領域に含まれる分類器の機械学習を実行する（ステップ５１）。
そして、分類器学習部２５ａは、学習済み分類器を学習済み分類器記憶部２６ａに記憶させ、分類結果を分類結果記憶部２７ａに記憶させる。
そして、分類器学習部２５ａは、学習済み分類器を学習済み分類器記憶部２６ａに記憶させ、分類結果を分類結果記憶部２７ａに記憶させる。
【0101】
次に、分類評価値計算部２８ａが、分類結果記憶部２７ａから分類結果を入力すると共に、比較情報記憶部１８ａからその分類結果に対応する比較情報を入力し、分類結果と比較情報を比較して分類評価値を計算し、算出された評価値を分類評価結果記憶部２９ａに記憶させる（ステップ５２）。
そして、子個体群記憶部１２２ａにおける全ての子個体情報について、ステップ４８からステップ５２までの処理を繰り返し実行する。
そして、子個体群記憶部１２２ａにおける全ての子個体情報について、ステップ４８からステップ５２までの処理を繰り返し実行する。
【0102】
次に、個体評価値計算部３０ａが、探索評価結果記憶部２２ａから探索評価結果を入力すると共に、分類評価結果記憶部２９ａから分類評価結果を入力して、子個体情報の評価値を計算し、算出された子個体情報の評価値を個体評価結果記憶部３１ａに記憶させる。
そして、個体評価値計算部３０ａは、個体評価結果記憶部３１ａに記憶されている評価値にもとづいて、子個体情報の順位付けを行い、その結果を個体評価結果記憶部３１ａに記憶させる（ステップ５３）。
そして、個体評価値計算部３０ａは、個体評価結果記憶部３１ａに記憶されている評価値にもとづいて、子個体情報の順位付けを行い、その結果を個体評価結果記憶部３１ａに記憶させる（ステップ５３）。
【0103】
そして、遺伝子操作部３２ａは、個体評価結果記憶部３１ａにおける子個体情報の順位付け情報にもとづいて、一番評価値の良い子個体情報及び確率で選択された子個体情報を、ステップ４５において親個体群からランダムに選択された上記の親個体情報と入れ替えることなどによって、個体群記憶部１２ａにおける親個体群記憶部１２１ａの親個体情報を更新することができる（ステップ５４）。
【0104】
遺伝子操作部３２ａのこのような処理によって、個体群記憶部１２ａにおける親個体群記憶部１２１ａに新たな世代としての親個体群の個体情報を追加することができる。
そして、世代ループを繰り返すことで、個体群記憶部１２ａにおいて、新たな世代の親個体群の個体情報を順次追加することができる。
そして、世代ループを繰り返すことで、個体群記憶部１２ａにおいて、新たな世代の親個体群の個体情報を順次追加することができる。
【0105】
また、個体評価値計算部３０ａは、終了条件が満たされているか否かの判定処理を行い（ステップ５５）、終了条件が満たされている場合、画像処理装置１ａによる処理を終了する。
以上の処理の結果、個体評価結果記憶部３１ａにはどの個体情報が最適であるかが記憶され、個体群記憶部１２ａには最適化された個体情報が記憶される。
以上の処理の結果、個体評価結果記憶部３１ａにはどの個体情報が最適であるかが記憶され、個体群記憶部１２ａには最適化された個体情報が記憶される。
【0106】
このような本実施形態の画像処理システムによれば、親個体群から親を選択して子個体情報を生成する時に遺伝子操作が実行されると共に、特定の子個体情報を親個体群における親個体情報と入れ替えることにより親個体群を更新して、新たな世代の個体情報を追加することができる。これにより、第一実施形態に比較して、進化の多様性をより保った状態で、最適な個体情報を探すことが可能となっている。
【0107】
［第三実施形態］
次に、本発明の第三実施形態に係る画像処理システム、及び画像処理プログラムについて、図９及び図１０を参照して説明する。図９は、本実施形態の画像処理システムに対応する画像処理装置の構成を示すブロック図である。図１０は、当該画像処理装置における個体群記憶部の個体情報（遺伝子分離型）を示す図である。
次に、本発明の第三実施形態に係る画像処理システム、及び画像処理プログラムについて、図９及び図１０を参照して説明する。図９は、本実施形態の画像処理システムに対応する画像処理装置の構成を示すブロック図である。図１０は、当該画像処理装置における個体群記憶部の個体情報（遺伝子分離型）を示す図である。
【0108】
本実施形態の画像処理装置１ｂは、図９に示すように、第二実施形態と比較して、最良組合せ判定部３３ｂと組合せ判定結果記憶部３４ｂをさらに備えると共に、個体評価値計算部３０ａと個体評価結果記憶部３１ａに相当する構成を備えていない点で相違する。
また、本実施形態の画像処理装置１ｂは、個体群記憶部１２ｂにおいて、個体情報（親個体情報及び子個体情報）として、特異点探索用ノード領域を備えたものと、分類用ノード領域を備えたものとが分離して記憶されている点で第二実施形態と相違している。
また、本実施形態の画像処理装置１ｂにおけるその他の構成については、以下に説明する点を除いて、第二実施形態と同様のものとすることができる。
また、本実施形態の画像処理装置１ｂは、個体群記憶部１２ｂにおいて、個体情報（親個体情報及び子個体情報）として、特異点探索用ノード領域を備えたものと、分類用ノード領域を備えたものとが分離して記憶されている点で第二実施形態と相違している。
また、本実施形態の画像処理装置１ｂにおけるその他の構成については、以下に説明する点を除いて、第二実施形態と同様のものとすることができる。
【0109】
個体生成部１１ｂは、機能単位記憶部１０ｂに記憶されている各種ノードにもとづいて、特異点探索に用いることのできるノード群からノードを所定の条件下でランダムに選択して配列することにより、特異点探索用の複数の親個体情報を生成して、個体群記憶部１２ｂにおける親個体群記憶部１２１ｂに記憶させる。
また、個体生成部１１ｂは、機能単位記憶部１０ｂに記憶されている各種ノードにもとづいて、特異点の分類に用いることのできるノード群からノードを所定の条件下でランダムに選択して配列することにより、分類用の複数の親個体情報を生成して、個体群記憶部１２ｂにおける親個体群記憶部１２１ｂに記憶させる。
また、個体生成部１１ｂは、機能単位記憶部１０ｂに記憶されている各種ノードにもとづいて、特異点の分類に用いることのできるノード群からノードを所定の条件下でランダムに選択して配列することにより、分類用の複数の親個体情報を生成して、個体群記憶部１２ｂにおける親個体群記憶部１２１ｂに記憶させる。
【0110】
個体群記憶部１２ｂは、親個体群記憶部１２１ｂと子個体群記憶部１２２ｂを備えている。
本実施形態では、図１０に示すように、親個体情報及び子個体情報として、それぞれ特異点探索用ノード領域を備えた特異点探索用の個体情報と、分類用ノード領域を備えた分類用の個体情報とが、親個体群記憶部１２１ｂと子個体群記憶部１２２ｂのそれぞれにおいて別個に備えられている。
本実施形態では、図１０に示すように、親個体情報及び子個体情報として、それぞれ特異点探索用ノード領域を備えた特異点探索用の個体情報と、分類用ノード領域を備えた分類用の個体情報とが、親個体群記憶部１２１ｂと子個体群記憶部１２２ｂのそれぞれにおいて別個に備えられている。
【0111】
本実施形態において、分類用の個体情報における分類器にもとづく分類処理については、教師あり学習によって学習が行われる。
また、本実施形態において、個体情報は、特異点探索用と分類用とが別個に備えられた遺伝子分離型である。
また、本実施形態において、個体情報は、特異点探索用と分類用とが別個に備えられた遺伝子分離型である。
【0112】
特異点探索画像処理部１９ｂは、子個体群記憶部１２２ｂにおける特異点探索用の子個体情報にもとづいて、特異点探索画像処理を実行し、各学習用画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０ｂに記憶させる。
【0113】
探索評価値計算部２１ｂは、探索評価結果記憶部２２ｂに記憶されている探索評価値にもとづいて、特異点探索用の子個体情報の順位付けを行い、その結果を探索評価結果記憶部２２ｂに記憶する。
【0114】
特徴量計算部２３ｂは、特異点探索結果記憶部２０ｂから特異点探索結果を入力し、子個体群記憶部１２２ｂにおける分類用の子個体情報の各ノード（分類器を除く）を順次実行することにより、各特異点の特徴量を計算し、算出された特徴量を特徴量記憶部２４ｂに記憶させる。
【0115】
分類器学習部２５ｂは、特徴量記憶部２４ｂから特徴量を入力し、子個体群記憶部１２２ｂにおける分類用の子個体情報に含まれる分類器の機械学習を実行し、学習済み分類器を学習済み分類器記憶部２６ｂに記憶させ、分類結果を分類結果記憶部２７ｂに記憶させる。
【0116】
分類評価値計算部２８ｂは、分類評価結果記憶部２９ｂに記憶されている分類評価値にもとづいて、分類用の子個体情報の順位付けを行い、その結果を分類評価結果記憶部２９ｂに記憶する。
【0117】
最良組合せ判定部３３ｂは、探索評価結果記憶部２２ｂから特異点探索用の子個体情報の順位付け情報を入力すると共に、分類評価結果記憶部２９ｂから分類用の子個体情報の順位付けを入力して、特異点探索用の子個体情報と分類用の子個体情報の最良の組合せを判定する。最良の組合せとしては、探索評価値の最も高い特異点探索用の子個体情報と分類評価値の最も高い分類用の子個体情報の組合せなどとすることができる。
また、最良組合せ判定部３３ｂは、最良の組合せ情報を含む組合せ判定結果を組合せ判定結果記憶部３４ｂに記憶させる。この組合せ判定結果には、特異点探索用の子個体情報と分類用の子個体情報の順位付け情報を含めることができる。
また、最良組合せ判定部３３ｂは、最良の組合せ情報を含む組合せ判定結果を組合せ判定結果記憶部３４ｂに記憶させる。この組合せ判定結果には、特異点探索用の子個体情報と分類用の子個体情報の順位付け情報を含めることができる。
【0118】
遺伝子操作部３２ｂは、親個体群記憶部１２１ｂにおける特異点探索用の親個体群からランダムに子個体情報を生成する親個体情報を選択して、選択された親個体情報に対して遺伝子操作を実行する。
また、遺伝子操作部３２ｂは、親個体群記憶部１２１ｂにおける分類用の親個体群からランダムに子個体情報を生成する親個体情報を選択して、選択された親個体情報に対して遺伝子操作を実行する。
また、遺伝子操作部３２ｂは、親個体群記憶部１２１ｂにおける分類用の親個体群からランダムに子個体情報を生成する親個体情報を選択して、選択された親個体情報に対して遺伝子操作を実行する。
【0119】
さらに、遺伝子操作部３２ｂは、組合せ判定結果記憶部３４ｂにおける組合せ判定結果にもとづいて、特異点探索用の子個体情報と分類用の子個体情報のそれぞれについて、一番評価値の良い子個体情報及び確率で選択された子個体情報を、親個体群から選択された親個体情報の一部と入れ替えることなどによって、個体群記憶部１２ｂにおける親個体群記憶部１２１ｂの親個体情報を更新することができる。
【0120】
次に、本実施形態の画像処理システムに対応する画像処理装置の処理手順について、図１１を参照して説明する。図１１は、本実施形態の画像処理システムに対応する画像処理装置による処理手順を示すフローチャートである。
【0121】
まず、画像処理装置１ｂにおける画像入力部１３ｂが、学習用画像を入力して、画像記憶部１４ｂに記憶させる（ステップ６０）。また、教師情報入力部１５ｂが、特異点探索用の教師情報としての教師画像を入力し、教師情報記憶部１６ｂに記憶させる（ステップ６１）。さらに、比較情報入力部１７ｂが、特異点を分類するための比較情報（ラベル）を入力し、比較情報記憶部１８ｂに記憶させる（ステップ６２）。
【0122】
次に、個体生成部１１ｂが、初期の親個体群を生成する。
具体的には、個体生成部１１ｂは、機能単位記憶部１０ｂに記憶されている各種ノードにもとづいて、特異点探索に用いることのできるノード群からノードを所定の条件下でランダムに選択して配列することにより、特異点探索用の複数の親個体情報を生成して、個体群記憶部１２ｂにおける親個体群記憶部１２１ｂに記憶させる（ステップ６３）。
また、個体生成部１１ｂは、機能単位記憶部１０ｂに記憶されている各種ノードにもとづいて、特異点の分類に用いることのできるノード群からノードを所定の条件下でランダムに選択して配列することにより、分類用の複数の親個体情報を生成して、個体群記憶部１２ｂにおける親個体群記憶部１２１ｂに記憶させる（ステップ６４）。
なお、ステップ６０～６４の各ステップの実行順序は、入れ替えてもよい。
具体的には、個体生成部１１ｂは、機能単位記憶部１０ｂに記憶されている各種ノードにもとづいて、特異点探索に用いることのできるノード群からノードを所定の条件下でランダムに選択して配列することにより、特異点探索用の複数の親個体情報を生成して、個体群記憶部１２ｂにおける親個体群記憶部１２１ｂに記憶させる（ステップ６３）。
また、個体生成部１１ｂは、機能単位記憶部１０ｂに記憶されている各種ノードにもとづいて、特異点の分類に用いることのできるノード群からノードを所定の条件下でランダムに選択して配列することにより、分類用の複数の親個体情報を生成して、個体群記憶部１２ｂにおける親個体群記憶部１２１ｂに記憶させる（ステップ６４）。
なお、ステップ６０～６４の各ステップの実行順序は、入れ替えてもよい。
【0123】
この親個体群記憶部１２１ｂにおける親個体群は、後述する親個体群の更新処理によって更新され、世代ループにおいて、設定された世代について以下の処理が繰り返し行われる（ステップ６５）。
【0124】
次に、世代ループにおいて、遺伝子操作部３２ｂが、親個体群記憶部１２１ｂにおける特異点探索用の親個体群からランダムに子個体情報を生成する親個体情報を選択して（ステップ６６）、選択された親個体情報に対して遺伝子操作を実行する（ステップ６７）。また、遺伝子操作部３２ｂが、親個体群記憶部１２１ｂにおける分類用の親個体群からランダムに子個体情報を生成する親個体情報を選択して（ステップ６６）、選択された親個体情報に対して遺伝子操作を実行する（ステップ６８）。
【0125】
このとき、遺伝子操作部３２ｂは、特異点探索用の親個体情報と分類用の親個体情報に対して交叉処理や突然変異処理を実行して、特異点探索用の複数の子個体情報と分類用の複数の子個体情報をそれぞれ生成し、各子個体情報からなる特異点探索用の子個体群と分類用の子個体群を子個体群記憶部１２２ｂに記憶させる。
【0126】
次に、特異点探索用の子個体群ループにおいて（ステップ６９）、特異点探索画像処理部１９ｂが、子個体群記憶部１２２ｂにおける特異点探索用の子個体情報にもとづいて、特異点探索画像処理を実行する（ステップ７０）。
そして、各学習用画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０ｂに記憶させる。
そして、各学習用画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０ｂに記憶させる。
【0127】
次に、探索評価値計算部２１ｂが、探索評価結果記憶部２２ｂから特異点探索結果を入力すると共に、教師情報記憶部１６ｂからその特異点探索結果に対応する教師情報を入力し、特異点探索結果と教師情報を比較して探索評価値を計算し、算出された評価値を探索評価結果記憶部２２ｂに記憶させる（ステップ７１）。
そして、子個体群記憶部１２２ｂにおける全ての特異点探索用の子個体情報について、ステップ７０からステップ７１までの処理を繰り返し実行する。
さらに、探索評価値計算部２１ｂは、探索評価結果記憶部２２ｂに記憶されている探索評価値にもとづいて、特異点探索用の子個体情報の順位付けを行い、その結果を探索評価結果記憶部２２ｂに記憶させる（ステップ７２）。
そして、子個体群記憶部１２２ｂにおける全ての特異点探索用の子個体情報について、ステップ７０からステップ７１までの処理を繰り返し実行する。
さらに、探索評価値計算部２１ｂは、探索評価結果記憶部２２ｂに記憶されている探索評価値にもとづいて、特異点探索用の子個体情報の順位付けを行い、その結果を探索評価結果記憶部２２ｂに記憶させる（ステップ７２）。
【0128】
次に、分類用の子個体群ループにおいて（ステップ７３）、特徴量計算部２３ｂが、特異点探索結果記憶部２０ｂから特異点探索結果を入力し、子個体群記憶部１２２ｂにおける分類用の子個体情報の各ノード（分類器を除く）を順次実行することにより、各特異点の特徴量を計算する（ステップ７４）。なお、このとき入力する特異点探索結果としては、特異点探索の子個体群における最良の個体情報を用いて得られたものなどを使用するができる。
そして、特徴量計算部２３ｂは、算出された特徴量を特徴量記憶部２４ｂに記憶させる。
そして、特徴量計算部２３ｂは、算出された特徴量を特徴量記憶部２４ｂに記憶させる。
【0129】
次に、分類器学習部２５ｂが、特徴量記憶部２４ｂから特徴量を入力し、子個体群記憶部１２２ｂにおける分類用の子個体情報に含まれる分類器の機械学習を実行する（ステップ７５）。
そして、分類器学習部２５ｂは、学習済み分類器を学習済み分類器記憶部２６ｂに記憶させ、分類結果を分類結果記憶部２７ｂに記憶させる。
そして、分類器学習部２５ｂは、学習済み分類器を学習済み分類器記憶部２６ｂに記憶させ、分類結果を分類結果記憶部２７ｂに記憶させる。
【0130】
次に、分類評価値計算部２８ｂが、分類結果記憶部２７ｂから分類結果を入力すると共に、比較情報記憶部１８ｂからその分類結果に対応する比較情報を入力し、分類結果と比較情報を比較して分類評価値を計算し、算出された評価値を分類評価結果記憶部２９ｂに記憶させる（ステップ７６）。
そして、子個体群記憶部１２２ｂにおける全ての分類用の子個体情報について、ステップ７３からステップ７６までの処理を繰り返し実行する。
そして、子個体群記憶部１２２ｂにおける全ての分類用の子個体情報について、ステップ７３からステップ７６までの処理を繰り返し実行する。
【0131】
さらに、分類評価値計算部２８ｂは、分類評価結果記憶部２９ｂに記憶されている分類評価値にもとづいて、分類用の子個体情報の順位付けを行い、その結果を分類評価結果記憶部２９ｂに記憶する（ステップ７７）。
【0132】
次に、最良組合せ判定部３３ｂが、探索評価結果記憶部２２ｂから特異点探索用の子個体情報の順位付け情報を入力すると共に、分類評価結果記憶部２９ｂから分類用の子個体情報の順位付けを入力して、特異点探索用の子個体情報と分類用の子個体情報の最良の組合せを判定する（ステップ７８）。
そして、最良組合せ判定部３３ｂは、最良の組合せ情報を含む組合せ判定結果を組合せ判定結果記憶部３４ｂに記憶させる。また、組合せ判定結果には、特異点探索用の子個体情報と分類用の子個体情報の順位付け情報を含めることができる。
そして、最良組合せ判定部３３ｂは、最良の組合せ情報を含む組合せ判定結果を組合せ判定結果記憶部３４ｂに記憶させる。また、組合せ判定結果には、特異点探索用の子個体情報と分類用の子個体情報の順位付け情報を含めることができる。
【0133】
そして、遺伝子操作部３２ｂは、組合せ判定結果記憶部３４ｂにおける組合せ判定結果にもとづいて、特異点探索用の子個体情報と分類用の子個体情報のそれぞれについて、一番評価値の良い子個体情報及び確率で選択された子個体情報を、ステップ６６において親個体群から選択された親個体情報の一部と入れ替えることなどによって、個体群記憶部１２ｂにおける親個体群記憶部１２１ｂの親個体情報を更新する（ステップ７９）。
【0134】
遺伝子操作部３２ｂのこのような処理によって、個体群記憶部１２ｂにおける親個体群記憶部１２１ｂに新たな世代としての親個体群の個体情報を追加することができる。
そして、世代ループを繰り返すことで、個体群記憶部１２ｂにおいて、新たな世代の親個体群の個体情報を順次追加することができる。
そして、世代ループを繰り返すことで、個体群記憶部１２ｂにおいて、新たな世代の親個体群の個体情報を順次追加することができる。
【0135】
また、最良組合せ判定部３３ｂは、終了条件が満たされているか否かの判定処理を行い（ステップ８０）、終了条件が満たされている場合、画像処理装置１ｂによる処理を終了する。
以上の処理の結果、組合せ判定結果記憶部３４ｂにはどの個体情報の組合せが最適であるかが記憶され、個体群記憶部１２ｂには最適化された特異点探索用の子個体情報と分類用の子個体情報が記憶される。
以上の処理の結果、組合せ判定結果記憶部３４ｂにはどの個体情報の組合せが最適であるかが記憶され、個体群記憶部１２ｂには最適化された特異点探索用の子個体情報と分類用の子個体情報が記憶される。
【0136】
このような本実施形態の画像処理装置によれば、特異点探索用の個体情報と分類用の個体情報を分離しつつ、これらの組合せを進化的計算に反映することが可能となる。
例えば、特異点探索において評価の悪い子個体情報に対しては、子個体群（分類）ループ処理を実施しないようにするなど、計算時間の短時間化が可能である。また、評価の良い特異点探索用の子個体情報について、最適な分類用の子個体情報を集中的に探索できるため、画像処理装置の性能をより向上させることが可能である。
例えば、特異点探索において評価の悪い子個体情報に対しては、子個体群（分類）ループ処理を実施しないようにするなど、計算時間の短時間化が可能である。また、評価の良い特異点探索用の子個体情報について、最適な分類用の子個体情報を集中的に探索できるため、画像処理装置の性能をより向上させることが可能である。
【0137】
［第四実施形態］
次に、本発明の第四実施形態に係る画像処理システム、及び画像処理プログラムについて、図１２を参照して説明する。図１２は、本実施形態の画像処理システムに対応する画像処理装置の構成を示すブロック図である。
次に、本発明の第四実施形態に係る画像処理システム、及び画像処理プログラムについて、図１２を参照して説明する。図１２は、本実施形態の画像処理システムに対応する画像処理装置の構成を示すブロック図である。
【0138】
本実施形態の画像処理装置１ｃは、図１２に示すように、第二実施形態と比較して、検証用特徴量計算部３５ｃ、検証用特徴量記憶部３６ｃ、分類処理部３７ｃをさらに備えると共に、特徴量計算部２３ａと特徴量記憶部２４ａに変えて学習用特徴量計算部２３ｃと学習用特徴量記憶部２４ｃを備えている点で相違している。
本実施形態の画像処理装置１ｃにおけるその他の構成については、以下に説明する点を除いて、第二実施形態と同様のものとすることができる。
本実施形態の画像処理装置１ｃにおけるその他の構成については、以下に説明する点を除いて、第二実施形態と同様のものとすることができる。
【0139】
本実施形態において、個体情報の分類用ノード領域における分類器にもとづく分類処理については、教師なし学習が行われ、分類器として、教師なし学習であるマハラノビスタグチ法、one class サポートベクターマシン、オートエンコーダ、混合ガウス法、k-mean等のいずれかがランダムに選択される。
また、本実施形態において、個体情報は、特異点探索用ノード領域と分類用ノード領域が連続して配置された遺伝子連続型である。
また、本実施形態において、個体情報は、特異点探索用ノード領域と分類用ノード領域が連続して配置された遺伝子連続型である。
【0140】
画像入力部１３ｃは、学習用画像と検証用画像を入力して、これらを画像記憶部１４ｃに記憶させる。
特異点探索画像処理部１９ｃは、各学習用画像及び各検証用画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０ｃに記憶させる。
特異点探索画像処理部１９ｃは、各学習用画像及び各検証用画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０ｃに記憶させる。
【0141】
学習用特徴量計算部２３ｃは、特異点探索結果記憶部２０ｃから特異点探索結果を入力し、子個体群記憶部１２２ｃにおける子個体情報の分類用ノード領域の各ノード（分類器を除く）を順次実行することにより、学習用画像の各特異点の特徴量を計算する。
学習用特徴量計算部２３ｃは、学習用画像の各特異点の特徴量を個体情報ごと且つ画像ごとに学習用特徴量記憶部２４ｃに記憶させる。
学習用特徴量計算部２３ｃは、学習用画像の各特異点の特徴量を個体情報ごと且つ画像ごとに学習用特徴量記憶部２４ｃに記憶させる。
【0142】
分類器学習部２５ｃは、学習用特徴量記憶部２４ｃから学習用画像の各特異点の特徴量を入力し、子個体群記憶部１２２ｃにおける子個体情報の分類用ノード領域に含まれる分類器の機械学習を実行し、学習済み分類器を学習済み分類器記憶部２６ｃに記憶させる。
【0143】
検証用特徴量計算部３５ｃは、特異点探索結果記憶部２０ｃから特異点探索結果を入力し、子個体群記憶部１２２ｃにおける子個体情報の分類用ノード領域の各ノード（分類器を除く）を順次実行することにより、検証用画像の各特異点の特徴量を計算する。
検証用特徴量計算部３５ｃは、検証用画像の各特異点の特徴量を個体情報ごと且つ画像ごとに検証用特徴量記憶部３６ｃに記憶させる。
検証用特徴量計算部３５ｃは、検証用画像の各特異点の特徴量を個体情報ごと且つ画像ごとに検証用特徴量記憶部３６ｃに記憶させる。
【0144】
分類処理部３７ｃは、検証用特徴量記憶部３６ｃから検証用画像の各特異点の特徴量を入力し、学習済み分類器記憶部２６ｃに記憶された学習済み分類器を実行することにより特異点を分類して、分類結果を分類結果記憶部２７ｃに記憶させる。
【0145】
分類評価値計算部２８ｃは、分類結果記憶部２７ｃから分類結果を入力すると共に、比較情報記憶部１８ｃからその分類結果に対応する比較情報を入力して、分類結果と比較情報を比較して検出対象候補の分類の評価値を計算し、得られた評価値を個体情報ごと且つ画像ごと且つ特異点ごとに分類評価結果記憶部２９ｃに記憶させることができる。なお、分類器が２分類で処理するものである場合、例えばマハラノビスタグチ法又はone class サポートベクターマシンである場合であって、教師情報が画像の場合は、比較情報がなくても分類できるため、分類評価値計算部２８ｃによる比較情報の入力及び比較情報との比較を省略して分類の評価値を計算することができる。
【0146】
次に、本実施形態の画像処理システムに対応する画像処理装置の処理手順について、図１３を参照して説明する。図１３は、本実施形態の画像処理システムに対応する画像処理装置による処理手順を示すフローチャートである。
【0147】
まず、画像処理装置１ｃにおける画像入力部１３ｃが、学習用画像と検証用画像を入力して、これらを画像記憶部１４ｃに記憶させる（ステップ９０）。また、教師情報入力部１５ｃが、学習用画像と検証用画像の特異点探索用の教師情報としての教師画像を入力し、教師情報記憶部１６ｃに記憶させる（ステップ９１）。さらに、比較情報入力部１７ｃが、特異点を分類するための比較情報（ラベル）を入力し、比較情報記憶部１８ｃに記憶させる（ステップ９２）。
【0148】
次に、個体生成部１１ｃが、初期の親個体群を生成する（ステップ９３）。
具体的には、個体生成部１１ｃは、機能単位記憶部１０ｃに記憶されている各種ノードにもとづいて、特異点探索用ノード領域と分類用ノード領域ごとに、それぞれに用いることのできるノードを所定の条件下でランダムに選択して配列することにより、特異点探索用ノード領域と分類用ノード領域を有する複数の親個体情報を生成して、個体群記憶部１２ｃにおける親個体群記憶部１２１ｃに記憶させる。
なお、ステップ９０～９３の各ステップの実行順序は、入れ替えてもよい。
具体的には、個体生成部１１ｃは、機能単位記憶部１０ｃに記憶されている各種ノードにもとづいて、特異点探索用ノード領域と分類用ノード領域ごとに、それぞれに用いることのできるノードを所定の条件下でランダムに選択して配列することにより、特異点探索用ノード領域と分類用ノード領域を有する複数の親個体情報を生成して、個体群記憶部１２ｃにおける親個体群記憶部１２１ｃに記憶させる。
なお、ステップ９０～９３の各ステップの実行順序は、入れ替えてもよい。
【0149】
この親個体群記憶部１２１ｃにおける親個体群は、後述する親個体群の更新処理によって更新され、世代ループにおいて、設定された世代について以下の処理が繰り返し行われる（ステップ９４）。
【0150】
次に、世代ループにおいて、遺伝子操作部３２ｃが、親個体群記憶部１２１ｃにおける親個体群からランダムに、子個体情報を生成する親個体情報を選択する。（ステップ９５）。そして、選択された親個体情報に対して遺伝子操作を実行する（ステップ９６）。
このとき、遺伝子操作部３２ｃは、親個体情報に対して交叉処理や突然変異処理を実行して、複数の子個体情報を生成し、これら子個体情報からなる子個体群を子個体群記憶部１２２ｃに記憶させる。
このとき、遺伝子操作部３２ｃは、親個体情報に対して交叉処理や突然変異処理を実行して、複数の子個体情報を生成し、これら子個体情報からなる子個体群を子個体群記憶部１２２ｃに記憶させる。
【0151】
次に、子個体群ループにおいて（ステップ９７）、特異点探索画像処理部１９ｃが、子個体群記憶部１２２ｃにおける子個体情報の特異点探索用ノード領域の各ノードにもとづいて、特異点探索画像処理を実行する（ステップ９８）。
そして、各学習用画像と各検証用画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０ｃに記憶させる。
そして、各学習用画像と各検証用画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０ｃに記憶させる。
【0152】
次に、探索評価値計算部２１ｃが、探索評価結果記憶部２２ｃから特異点探索結果を入力すると共に、教師情報記憶部１６ｃからその特異点探索結果に対応する教師情報を入力し、特異点探索結果と教師情報を比較して探索評価値を計算し、算出された評価値を探索評価結果記憶部２２ｃに記憶させる（ステップ９９）。
【0153】
次に、学習用特徴量計算部２３ｃが、特異点探索結果記憶部２０ｃから特異点探索結果を入力し、子個体群記憶部１２２ｃにおける子個体情報の分類用ノード領域の各ノード（分類器を除く）を順次実行することにより、学習用画像の各特異点の特徴量を計算する（ステップ１００）。また、学習用特徴量計算部２３ｃは、画像記憶部１４ｃから画像を入力して、画像を用いるノードを実行することもできる。これは、検証用特徴量計算部３５ｃについても同様であるが、図１２において省略している。
そして、学習用特徴量計算部２３ｃは、算出された学習用画像の各特異点の特徴量を学習用特徴量記憶部２４ｃに記憶させる。
そして、学習用特徴量計算部２３ｃは、算出された学習用画像の各特異点の特徴量を学習用特徴量記憶部２４ｃに記憶させる。
【0154】
次に、分類器学習部２５ｃが、学習用特徴量記憶部２４ｃから学習用画像の各特異点の特徴量を入力し、子個体群記憶部１２２ｃにおける子個体情報の分類用ノード領域に含まれる分類器の機械学習を実行する（ステップ１０１）。
そして、分類器学習部２５ｃは、学習済み分類器を学習済み分類器記憶部２６ｃに記憶させる。
そして、分類器学習部２５ｃは、学習済み分類器を学習済み分類器記憶部２６ｃに記憶させる。
【0155】
次に、検証用特徴量計算部３５ｃが、特異点探索結果記憶部２０ｃから特異点探索結果を入力し、子個体群記憶部１２２ｃにおける子個体情報の分類用ノード領域の各ノード（分類器を除く）を順次実行することにより、検証用画像の各特異点の特徴量を計算する（ステップ１０２）。
そして、検証用特徴量計算部３５ｃは、算出された検証用画像の各特異点の特徴量を検証用特徴量記憶部３６ｃに記憶させる。
そして、検証用特徴量計算部３５ｃは、算出された検証用画像の各特異点の特徴量を検証用特徴量記憶部３６ｃに記憶させる。
【0156】
次に、分類処理部３７ｃが、検証用特徴量記憶部３６ｃから検証用画像の各特異点の特徴量を入力し、学習済み分類器記憶部２６ｃに記憶された学習済み分類器を実行することにより特異点を分類して、分類結果を分類結果記憶部２７ｃに記憶させる（ステップ１０３）。
【0157】
次に、分類評価値計算部２８ｃが、分類結果記憶部２７ｃから分類結果を入力すると共に、比較情報記憶部１８ｃからその分類結果に対応する比較情報を入力し、分類結果と比較情報を比較して分類評価値を計算し、算出された評価値を分類評価結果記憶部２９ｃに記憶させる（ステップ１０４）。
そして、子個体群記憶部１２２ｃにおける全ての子個体情報について、ステップ９８からステップ１０４までの処理を繰り返し実行する。
そして、子個体群記憶部１２２ｃにおける全ての子個体情報について、ステップ９８からステップ１０４までの処理を繰り返し実行する。
【0158】
次に、個体評価値計算部３０ｃが、探索評価結果記憶部２２ｃから探索評価結果を入力すると共に、分類評価結果記憶部２９ｃから分類評価結果を入力して、子個体情報の評価値を計算し、算出された子個体情報の評価値を個体評価結果記憶部３１ｃに記憶させる。
そして、個体評価値計算部３０ｃは、個体評価結果記憶部３１ｃに記憶されている評価値にもとづいて、子個体情報の順位付けを行い、その結果を個体評価結果記憶部３１ｃに記憶する（ステップ１０５）。
そして、個体評価値計算部３０ｃは、個体評価結果記憶部３１ｃに記憶されている評価値にもとづいて、子個体情報の順位付けを行い、その結果を個体評価結果記憶部３１ｃに記憶する（ステップ１０５）。
【0159】
そして、遺伝子操作部３２ｃは、個体評価結果記憶部３１ｃにおける子個体情報の順位付け情報にもとづいて、一番評価値の良い子個体情報及び確率で選択された子個体情報を、ステップ９５において親個体群からランダムに選択された上記の親個体情報と入れ替えることなどによって、個体群記憶部１２ｃにおける親個体群記憶部１２１ｃの親個体情報を更新することができる（ステップ１０６）。
【0160】
遺伝子操作部３２ｃのこのような処理によって、個体群記憶部１２ｃにおける親個体群記憶部１２１ｃに新たな世代としての親個体群の個体情報を追加することができる。
そして、世代ループを繰り返すことで、個体群記憶部１２ｃにおいて、新たな世代の親個体群の個体情報を順次追加することができる。
そして、世代ループを繰り返すことで、個体群記憶部１２ｃにおいて、新たな世代の親個体群の個体情報を順次追加することができる。
【0161】
また、個体評価値計算部３０ｃは、終了条件が満たされているか否かの判定処理を行い（ステップ１０７）、終了条件が満たされている場合、画像処理装置１ｃによる処理を終了する。
以上の処理の結果、個体評価結果記憶部３１ｃにはどの個体情報が最適であるかが記憶され、個体群記憶部１２ｃには最適化された個体情報が記憶される。
以上の処理の結果、個体評価結果記憶部３１ｃにはどの個体情報が最適であるかが記憶され、個体群記憶部１２ｃには最適化された個体情報が記憶される。
【0162】
このような本実施形態の画像処理システムによれば、マハラノビスタグチ法、one class サポートベクターマシン、オートエンコーダ、混合ガウス法、k-meansなどの教師なし学習を行う分類器を用いる場合において、特異点の探索、特異点の特徴量計算、及び特異点の分類の相乗効果及び分類精度を、遺伝的操作を用いて最適化することが可能である。また、このような教師なし学習を用いることで、画像に写る検出対象のラベリング作業を行うことなく、特異点探索における偽陽性に対する修正を行うことが可能となる。
【0163】
［第五実施形態］
次に、本発明の第五実施形態に係る画像処理システム、及び画像処理プログラムについて、図１４を参照して説明する。図１４は、本実施形態の画像処理システムに対応する画像処理装置の構成を示すブロック図である。
次に、本発明の第五実施形態に係る画像処理システム、及び画像処理プログラムについて、図１４を参照して説明する。図１４は、本実施形態の画像処理システムに対応する画像処理装置の構成を示すブロック図である。
【0164】
本実施形態の画像処理装置１ｄは、図１４に示すように、第二実施形態と比較して、最良組合せ判定部３３ｄと組合せ判定結果記憶部３４ｄをさらに備えると共に、個体評価値計算部３０ａと個体評価結果記憶部３１ａに相当する構成を備えていない点で相違する。
また、本実施形態の画像処理装置１ｄは、個体群記憶部１２ｄにおいて、個体情報（親個体情報及び子個体情報）として、特異点探索用ノード領域を備えたものと、分類用ノード領域を備えたものとが分離して記憶されている点で第二実施形態と相違している。
さらに、本実施形態の画像処理装置１ｄは、検証用特徴量計算部３５ｄ、検証用特徴量記憶部３６ｄ、分類処理部３７ｄをさらに備えると共に、特徴量計算部２３ａと特徴量記憶部２４ａに変えて学習用特徴量計算部２３ｄと学習用特徴量記憶部２４ｄを備えている点で第二実施形態と相違している。
本実施形態の画像処理装置１ｄにおけるその他の構成については、以下に説明する点を除いて、第二実施形態と同様のものとすることができる。
また、本実施形態の画像処理装置１ｄは、個体群記憶部１２ｄにおいて、個体情報（親個体情報及び子個体情報）として、特異点探索用ノード領域を備えたものと、分類用ノード領域を備えたものとが分離して記憶されている点で第二実施形態と相違している。
さらに、本実施形態の画像処理装置１ｄは、検証用特徴量計算部３５ｄ、検証用特徴量記憶部３６ｄ、分類処理部３７ｄをさらに備えると共に、特徴量計算部２３ａと特徴量記憶部２４ａに変えて学習用特徴量計算部２３ｄと学習用特徴量記憶部２４ｄを備えている点で第二実施形態と相違している。
本実施形態の画像処理装置１ｄにおけるその他の構成については、以下に説明する点を除いて、第二実施形態と同様のものとすることができる。
【0165】
個体生成部１１ｄは、機能単位記憶部１０ｄに記憶されている各種ノードにもとづいて、特異点探索に用いることのできるノード群からノードを所定の条件下でランダムに選択して配列することにより、特異点探索用の複数の親個体情報を生成して、個体群記憶部１２ｄにおける親個体群記憶部１２１ｄに記憶させる。
また、個体生成部１１ｄは、機能単位記憶部１０ｄに記憶されている各種ノードにもとづいて、特異点の分類に用いることのできるノード群からノードを所定の条件下でランダムに選択して配列することにより、分類用の複数の親個体情報を生成して、個体群記憶部１２ｄにおける親個体群記憶部１２１ｄに記憶させる。
また、個体生成部１１ｄは、機能単位記憶部１０ｄに記憶されている各種ノードにもとづいて、特異点の分類に用いることのできるノード群からノードを所定の条件下でランダムに選択して配列することにより、分類用の複数の親個体情報を生成して、個体群記憶部１２ｄにおける親個体群記憶部１２１ｄに記憶させる。
【0166】
個体群記憶部１２ｄは、親個体群記憶部１２１ｄと子個体群記憶部１２２ｄを備えている。
本実施形態では、親個体情報及び子個体情報として、それぞれ特異点探索用ノード領域を備えた特異点探索用の個体情報と、分類用ノード領域を備えた分類用の個体情報とが、親個体群記憶部１２１ｄと子個体群記憶部１２２ｄのそれぞれにおいて別個に備えられている。
本実施形態では、親個体情報及び子個体情報として、それぞれ特異点探索用ノード領域を備えた特異点探索用の個体情報と、分類用ノード領域を備えた分類用の個体情報とが、親個体群記憶部１２１ｄと子個体群記憶部１２２ｄのそれぞれにおいて別個に備えられている。
【0167】
本実施形態において、分類用の個体情報における分類器にもとづく分類処理については、教師なし学習によって学習が行われる。
また、本実施形態において、個体情報は、特異点探索用と分類用とが別個に備えられた遺伝子分離型である。
また、本実施形態において、個体情報は、特異点探索用と分類用とが別個に備えられた遺伝子分離型である。
【0168】
画像入力部１３ｄは、学習用画像と検証用画像を入力して、これらを画像記憶部１４ｄに記憶させる。
【0169】
特異点探索画像処理部１９ｄは、子個体群記憶部１２２ｄにおける特異点探索用の子個体情報にもとづいて、特異点探索画像処理を実行し、学習用画像と検証用画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０ｄに記憶させる。
【0170】
探索評価値計算部２１ｄは、探索評価結果記憶部２２ｄに記憶されている探索評価値にもとづいて、特異点探索用の子個体情報の順位付けを行い、その結果を探索評価結果記憶部２２ｄに記憶する。
【0171】
学習用特徴量計算部２３ｄは、特異点探索結果記憶部２０ｄから特異点探索結果を入力し、子個体群記憶部１２２ｄにおける分類用の子個体情報の各ノード（分類器を除く）を順次実行することにより、学習用画像の各特異点の特徴量を計算する。
学習用特徴量計算部２３ｄは、学習用画像の各特異点の特徴量を個体情報ごと且つ画像ごとに学習用特徴量記憶部２４ｄに記憶させる。
学習用特徴量計算部２３ｄは、学習用画像の各特異点の特徴量を個体情報ごと且つ画像ごとに学習用特徴量記憶部２４ｄに記憶させる。
【0172】
分類器学習部２５ｄは、学習用特徴量記憶部２４ｄから学習用画像の各特異点の特徴量を入力し、子個体群記憶部１２２ｄにおける分類用の子個体情報に含まれる分類器の機械学習を実行し、学習済み分類器を学習済み分類器記憶部２６ｄに記憶させる。
【0173】
検証用特徴量計算部３５ｄは、特異点探索結果記憶部２０ｄから特異点探索結果を入力し、子個体群記憶部１２２ｄにおける分類用の子個体情報の各ノード（分類器を除く）を順次実行することにより、検証用画像の各特異点の特徴量を計算する。
検証用特徴量計算部３５ｄは、検証用画像の各特異点の特徴量を個体情報ごと且つ画像ごとに検証用特徴量記憶部３６ｄに記憶させる。
検証用特徴量計算部３５ｄは、検証用画像の各特異点の特徴量を個体情報ごと且つ画像ごとに検証用特徴量記憶部３６ｄに記憶させる。
【0174】
分類処理部３７ｄは、検証用特徴量記憶部３６ｄから検証用画像の各特異点の特徴量を入力し、学習済み分類器記憶部２６ｄに記憶された学習済み分類器により特異点を分類して、分類結果を分類結果記憶部２７ｄに記憶させる。
【0175】
分類評価値計算部２８ｄは、分類結果記憶部２７ｄから分類結果を入力すると共に、比較情報記憶部１８ｄからその分類結果に対応する比較情報を入力して、分類結果と比較情報を比較して検出対象候補の分類の評価値を計算し、得られた評価値を個体情報ごと且つ画像ごと且つ特異点ごとに分類評価結果記憶部２９ｄに記憶させることができる。
【0176】
このとき、分類評価値計算部２８ｄは、分類の正確度、再現性、適合度、Ｆ値等の指標にもとづいて、指標評価値を計算する。
また、分類評価値計算部２８ｄは、画像処理装置１の処理速度、個体情報におけるノード使用率、個体情報の大きさ等の指標にもとづいて、指標評価値を計算することもできる。
そして、分類評価値計算部２８ｄは、これらの指標評価値を用いて、重み付きの足し合わせなどを行うことによって、分類評価値を計算することができる。
また、分類評価値計算部２８ｄは、画像処理装置１の処理速度、個体情報におけるノード使用率、個体情報の大きさ等の指標にもとづいて、指標評価値を計算することもできる。
そして、分類評価値計算部２８ｄは、これらの指標評価値を用いて、重み付きの足し合わせなどを行うことによって、分類評価値を計算することができる。
【0177】
最良組合せ判定部３３ｄは、探索評価結果記憶部２２ｄから特異点探索用の子個体情報の順位付け情報を入力すると共に、分類評価結果記憶部２９ｄから分類用の子個体情報の順位付けを入力して、特異点探索用の子個体情報と分類用の子個体情報の最良の組合せを判定する。最良の組合せとしては、探索評価値の最も高い特異点探索用の子個体情報と分類評価値の最も高い分類用の子個体情報の組合せなどとすることができる。
また、最良組合せ判定部３３ｄは、最良の組合せ情報を含む組合せ判定結果を組合せ判定結果記憶部３４ｄに記憶させる。この組合せ判定結果には、特異点探索用の子個体情報と分類用の子個体情報の順位付け情報を含めることができる。
また、最良組合せ判定部３３ｄは、最良の組合せ情報を含む組合せ判定結果を組合せ判定結果記憶部３４ｄに記憶させる。この組合せ判定結果には、特異点探索用の子個体情報と分類用の子個体情報の順位付け情報を含めることができる。
【0178】
遺伝子操作部３２ｄは、親個体群記憶部１２１ｄにおける特異点探索用の親個体群からランダムに子個体情報を生成する親個体情報を選択して、選択された親個体情報に対して遺伝子操作を実行する。
また、遺伝子操作部３２ｄは、親個体群記憶部１２１ｄにおける分類用の親個体群からランダムに子個体情報を生成する親個体情報を選択して、選択された親個体情報に対して遺伝子操作を実行する。
また、遺伝子操作部３２ｄは、親個体群記憶部１２１ｄにおける分類用の親個体群からランダムに子個体情報を生成する親個体情報を選択して、選択された親個体情報に対して遺伝子操作を実行する。
【0179】
さらに、遺伝子操作部３２ｄは、組合せ判定結果記憶部３４ｄにおける組合せ判定結果にもとづいて、特異点探索用の子個体情報と分類用の子個体情報のそれぞれについて、一番評価値の良い子個体情報及び確率で選択された子個体情報を、親個体群から選択された親個体情報の一部と入れ替えることなどによって、個体群記憶部１２ｄにおける親個体群記憶部１２１ｄの親個体情報を更新することができる。
【0180】
次に、本実施形態の画像処理システムに対応する画像処理装置の処理手順について、図１５を参照して説明する。図１５は、本実施形態の画像処理システムに対応する画像処理装置による処理手順を示すフローチャートである。
【0181】
まず、画像処理装置１ｄにおける画像入力部１３ｄが、学習用画像と検証用画像を入力して、画像記憶部１４ｄに記憶させる（ステップ１１０）。また、教師情報入力部１５ｄが、特異点探索用の教師情報としての教師画像を入力し、教師情報記憶部１６ｄに記憶させる（ステップ１１１）。さらに、比較情報入力部１７ｄが、特異点を分類するための比較情報（ラベル）を入力し、比較情報記憶部１８ｄに記憶させる（ステップ１１２）。
【0182】
次に、個体生成部１１ｄが、初期の親個体群を生成する。
具体的には、個体生成部１１ｄは、機能単位記憶部１０ｄに記憶されている各種ノードにもとづいて、特異点探索に用いることのできるノード群からノードを所定の条件下でランダムに選択して配列することにより、特異点探索用の複数の親個体情報を生成して、個体群記憶部１２ｄにおける親個体群記憶部１２１ｄに記憶させる（ステップ１１３）。
また、個体生成部１１ｄは、機能単位記憶部１０ｄに記憶されている各種ノードにもとづいて、特異点の分類に用いることのできるノード群からノードを所定の条件下でランダムに選択して配列することにより、分類用の複数の親個体情報を生成して、個体群記憶部１２ｄにおける親個体群記憶部１２１ｄに記憶させる（ステップ１１４）。
なお、ステップ１１０～１１４の各ステップの実行順序は、入れ替えてもよい。
具体的には、個体生成部１１ｄは、機能単位記憶部１０ｄに記憶されている各種ノードにもとづいて、特異点探索に用いることのできるノード群からノードを所定の条件下でランダムに選択して配列することにより、特異点探索用の複数の親個体情報を生成して、個体群記憶部１２ｄにおける親個体群記憶部１２１ｄに記憶させる（ステップ１１３）。
また、個体生成部１１ｄは、機能単位記憶部１０ｄに記憶されている各種ノードにもとづいて、特異点の分類に用いることのできるノード群からノードを所定の条件下でランダムに選択して配列することにより、分類用の複数の親個体情報を生成して、個体群記憶部１２ｄにおける親個体群記憶部１２１ｄに記憶させる（ステップ１１４）。
なお、ステップ１１０～１１４の各ステップの実行順序は、入れ替えてもよい。
【0183】
この親個体群記憶部１２１ｄにおける親個体群は、後述する親個体群の更新処理によって更新され、世代ループにおいて、設定された世代について以下の処理が繰り返し行われる（ステップ１１５）。
【0184】
次に、世代ループにおいて、遺伝子操作部３２ｄが、親個体群記憶部１２１ｄにおける特異点探索用の親個体群からランダムに子個体情報を生成する親個体情報を選択して（ステップ１１６）、選択された親個体情報に対して遺伝子操作を実行する（ステップ１１７）。また、遺伝子操作部３２ｄが、親個体群記憶部１２１ｄにおける分類用の親個体群からランダムに子個体情報を生成する親個体情報を選択して（ステップ１１６）、選択された親個体情報に対して遺伝子操作を実行する（ステップ１１８）。
【0185】
このとき、遺伝子操作部３２ｄは、特異点探索用の親個体情報と分類用の親個体情報に対して交叉処理や突然変異処理を実行して、特異点探索用の複数の子個体情報と分類用の複数の子個体情報をそれぞれ生成し、各子個体情報からなる特異点探索用の子個体群と分類用の子個体群を子個体群記憶部１２２ｄに記憶させる。
【0186】
次に、特異点探索用の子個体群ループにおいて（ステップ１１９）、特異点探索画像処理部１９ｄが、子個体群記憶部１２２ｄにおける特異点探索用の子個体情報にもとづいて、特異点探索画像処理を実行する（ステップ１２０）。
そして、各学習用画像と各検証用画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０ｄに記憶させる。
そして、各学習用画像と各検証用画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０ｄに記憶させる。
【0187】
次に、探索評価値計算部２１ｄが、探索評価結果記憶部２２ｄから特異点探索結果を入力すると共に、教師情報記憶部１６ｄからその特異点探索結果に対応する教師情報を入力し、特異点探索結果と教師情報を比較して探索評価値を計算し、算出された評価値を探索評価結果記憶部２２ｄに記憶させる（ステップ１２１）。
そして、子個体群記憶部１２２ｄにおける全ての特異点探索用の子個体情報について、ステップ１２０からステップ１２１までの処理を繰り返し実行する。
さらに、探索評価値計算部２１ｄは、探索評価結果記憶部２２ｄに記憶されている探索評価値にもとづいて、特異点探索用の子個体情報の順位付けを行い、その結果を探索評価結果記憶部２２ｄに記憶する（ステップ１２２）。
そして、子個体群記憶部１２２ｄにおける全ての特異点探索用の子個体情報について、ステップ１２０からステップ１２１までの処理を繰り返し実行する。
さらに、探索評価値計算部２１ｄは、探索評価結果記憶部２２ｄに記憶されている探索評価値にもとづいて、特異点探索用の子個体情報の順位付けを行い、その結果を探索評価結果記憶部２２ｄに記憶する（ステップ１２２）。
【0188】
次に、分類用の子個体群ループにおいて（ステップ１２３）、学習用特徴量計算部２３ｄが、特異点探索結果記憶部２０ｄから学習用画像の特異点探索結果を入力し、子個体群記憶部１２２ｄにおける分類用の子個体情報の各ノード（分類器を除く）を順次実行することにより、学習用画像の各特異点の特徴量を計算する（ステップ１２４）。なお、このとき入力する特異点探索結果としては、特異点探索の子個体群における最良の個体情報を用いて得られたものなどを使用するができる。
そして、学習用特徴量計算部２３ｄは、算出された学習用画像の各特異点の特徴量を学習用特徴量記憶部２４ｄに記憶させる。
そして、学習用特徴量計算部２３ｄは、算出された学習用画像の各特異点の特徴量を学習用特徴量記憶部２４ｄに記憶させる。
【0189】
次に、分類器学習部２５ｄが、学習用特徴量記憶部２４ｄから学習用画像の各特異点の特徴量を入力し、子個体群記憶部１２２ｄにおける分類用の子個体情報に含まれる分類器の機械学習を実行する（ステップ１２５）。
そして、分類器学習部２５ｄは、学習済み分類器を学習済み分類器記憶部２６ｄに記憶させる。
そして、分類器学習部２５ｄは、学習済み分類器を学習済み分類器記憶部２６ｄに記憶させる。
【0190】
次に、検証用特徴量計算部３５ｄが、特異点探索結果記憶部２０ｄから検証用画像の特異点探索結果を入力し、子個体群記憶部１２２ｄにおける分類用の子個体情報の各ノード（分類器を除く）を順次実行することにより、検証用画像の各特異点の特徴量を計算する（ステップ１２６）。
そして、検証用特徴量計算部３５ｄは、算出された検証用画像の各特異点の特徴量を検証用特徴量記憶部３６ｄに記憶させる。
そして、検証用特徴量計算部３５ｄは、算出された検証用画像の各特異点の特徴量を検証用特徴量記憶部３６ｄに記憶させる。
【0191】
次に、分類処理部３７ｄが、検証用特徴量記憶部３６ｄから検証用画像の各特異点の特徴量を入力し、学習済み分類器記憶部２６ｄに記憶された学習済み分類器により特異点を分類して、分類結果を分類結果記憶部２７ｄに記憶させる（ステップ１２７）。
【0192】
次に、分類評価値計算部２８ｄが、分類結果記憶部２７ｄから分類結果を入力すると共に、比較情報記憶部１８ｄからその分類結果に対応する比較情報を入力し、分類結果と比較情報を比較して分類評価値を計算し、算出された評価値を分類評価結果記憶部２９ｄに記憶させる（ステップ１２８）。
そして、子個体群記憶部１２２ｄにおける全ての分類用の子個体情報について、ステップ１２４からステップ１２８までの処理を繰り返し実行する。
そして、子個体群記憶部１２２ｄにおける全ての分類用の子個体情報について、ステップ１２４からステップ１２８までの処理を繰り返し実行する。
【0193】
さらに、分類評価値計算部２８ｄは、分類評価結果記憶部２９ｄに記憶されている分類評価値にもとづいて、分類用の子個体情報の順位付けを行い、その結果を分類評価結果記憶部２９ｄに記憶させる（ステップ１２９）。
【0194】
次に、最良組合せ判定部３３ｄが、探索評価結果記憶部２２ｄから特異点探索用の子個体情報の順位付け情報を入力すると共に、分類評価結果記憶部２９ｄから分類用の子個体情報の順位付けを入力して、特異点探索用の子個体情報と分類用の子個体情報の最良の組合せを判定する（ステップ１３０）。
そして、最良組合せ判定部３３ｄは、最良の組合せ情報を含む組合せ判定結果を組合せ判定結果記憶部３４ｄに記憶させる。また、組合せ判定結果には、特異点探索用の子個体情報と分類用の子個体情報の順位付け情報を含めることができる。
そして、最良組合せ判定部３３ｄは、最良の組合せ情報を含む組合せ判定結果を組合せ判定結果記憶部３４ｄに記憶させる。また、組合せ判定結果には、特異点探索用の子個体情報と分類用の子個体情報の順位付け情報を含めることができる。
【0195】
そして、遺伝子操作部３２ｄは、組合せ判定結果記憶部３４ｄにおける組合せ判定結果にもとづいて、特異点探索用の子個体情報と分類用の子個体情報のそれぞれについて、一番評価値の良い子個体情報及び確率で選択された子個体情報を、ステップ１１６において親個体群から選択された親個体情報の一部と入れ替えることなどによって、個体群記憶部１２ｄにおける親個体群記憶部１２１ｄの親個体情報を更新することができる（ステップ１３１）。
【0196】
遺伝子操作部３２ｄのこのような処理によって、個体群記憶部１２ｄにおける親個体群記憶部１２１ｄに新たな世代としての親個体群の個体情報を追加することができる。
そして、世代ループを繰り返すことで、個体群記憶部１２ｄにおいて、新たな世代の親個体群の個体情報を順次追加することができる。
そして、世代ループを繰り返すことで、個体群記憶部１２ｄにおいて、新たな世代の親個体群の個体情報を順次追加することができる。
【0197】
また、最良組合せ判定部３３ｄは、終了条件が満たされているか否かの判定処理を行い（ステップ１３２）、終了条件が満たされている場合、画像処理装置１ｄによる処理を終了する。
以上の処理の結果、組合せ判定結果記憶部３４ｄにはどの個体情報の組合せが最適であるかが記憶され、個体群記憶部１２ｄには最適化された特異点探索用の子個体情報と分類用の子個体情報が記憶される。
以上の処理の結果、組合せ判定結果記憶部３４ｄにはどの個体情報の組合せが最適であるかが記憶され、個体群記憶部１２ｄには最適化された特異点探索用の子個体情報と分類用の子個体情報が記憶される。
【0198】
このような本実施形態の画像処理装置によれば、マハラノビスタグチ法、one class サポートベクターマシン、オートエンコーダ、混合ガウス法、k-meansなどの教師なし学習を行う分類器を用いる場合において、特異点の探索、特異点の特徴量計算、及び特異点の分類の相乗効果及び分類精度を、遺伝的操作を用いて最適化することが可能となり、また特異点探索用の個体情報と分類用の個体情報を分離しつつ、その組合せを進化的計算に反映することが可能となる。
【0199】
例えば、特異点探索において評価の悪い子個体情報に対しては、子個体群（分類）ループ処理を実施しないようにするなど、計算時間の短時間化が可能である。また、評価の良い特異点探索用の子個体情報について、最適な分類用の子個体情報を集中的に探索できるため、画像処理装置の性能をより向上させることが可能である。さらに、このような教師なし学習を用いることで、画像に写る検出対象のラベリング作業を行うことなく、特異点探索における偽陽性に対する修正を行うことが可能となる。
【0200】
［第六実施形態］
次に、本発明の第六実施形態に係る画像処理システム、及び画像処理プログラムについて、図１６を参照して説明する。図１６は、本実施形態の画像処理システムに対応する画像処理装置の構成を示すブロック図である。
次に、本発明の第六実施形態に係る画像処理システム、及び画像処理プログラムについて、図１６を参照して説明する。図１６は、本実施形態の画像処理システムに対応する画像処理装置の構成を示すブロック図である。
【0201】
本実施形態の画像処理装置１ｅは、図１６に示すように、第四実施形態と比較して、特異点分割部３８ｅをさらに備えている点で相違している。
本実施形態の画像処理装置１ｅにおけるその他の構成については、以下に説明する点を除いて、第四実施形態と同様のものとすることができる。
本実施形態の画像処理装置１ｅにおけるその他の構成については、以下に説明する点を除いて、第四実施形態と同様のものとすることができる。
【0202】
本実施形態において、個体情報の分類用ノード領域における分類器にもとづく分類処理については、教師なし学習が行われる。
また、本実施形態において、個体情報は、特異点探索用ノード領域と分類用ノード領域が連続して配置された遺伝子連続型である。
また、本実施形態において、個体情報は、特異点探索用ノード領域と分類用ノード領域が連続して配置された遺伝子連続型である。
【0203】
特異点分割部３８ｅは、教師情報記憶部１６ｅから教師情報を入力すると共に、これに対応する特異点探索結果を特異点探索結果記憶部２０ｅから入力して、その特異点探索結果を学習用特異点探索結果と検証用特異点探索結果に分割して、特異点探索結果記憶部２０ｅに記憶させる。
ここで、探索して得られた特異点は、教師情報にもとづき良品と不良品に分類できる。そこで、特異点分割部３８ｅにより、特異点探索結果を例えば良品の特異点情報を示す学習用特異点探索結果と、良品及び不良品の特異点情報を示す検証用特異点探索結果とに分割することで、これらを用いて教師なし学習の分類器の学習を実行可能にしている。
ここで、探索して得られた特異点は、教師情報にもとづき良品と不良品に分類できる。そこで、特異点分割部３８ｅにより、特異点探索結果を例えば良品の特異点情報を示す学習用特異点探索結果と、良品及び不良品の特異点情報を示す検証用特異点探索結果とに分割することで、これらを用いて教師なし学習の分類器の学習を実行可能にしている。
【0204】
学習用特徴量計算部２３ｅは、特異点探索結果記憶部２０ｅから学習用特異点探索結果を入力し、子個体群記憶部１２２ｅにおける子個体情報の分類用ノード領域の各ノード（分類器を除く）を順次実行することにより、各学習用特異点の特徴量を計算する。
学習用特徴量計算部２３ｅは、算出された各学習用特異点の特徴量を個体情報ごと且つ画像ごとに且つ特異点ごとに学習用特徴量記憶部２４ｅに記憶させる。
学習用特徴量計算部２３ｅは、算出された各学習用特異点の特徴量を個体情報ごと且つ画像ごとに且つ特異点ごとに学習用特徴量記憶部２４ｅに記憶させる。
【0205】
分類器学習部２５ｅは、学習用特徴量記憶部２４ｅから各学習用特異点の特徴量を入力し、子個体群記憶部１２２ｅにおける子個体情報の分類用ノード領域に含まれる分類器の機械学習を実行し、学習済み分類器を学習済み分類器記憶部２６ｅに記憶させる。
【0206】
検証用特徴量計算部３５ｅは、特異点探索結果記憶部２０ｅから検証用特異点探索結果を入力し、子個体群記憶部１２２ｅにおける子個体情報の分類用ノード領域の各ノード（分類器を除く）を順次実行することにより、各検証用特異点の特徴量を計算し、算出された各検証用特異点の特徴量を検証用特徴量記憶部３６ｅに記憶させる。
【0207】
分類処理部３７ｅは、検証用特徴量記憶部３６ｅから各検証用特異点の特徴量を入力し、学習済み分類器記憶部２６ｅに記憶された学習済み分類器を実行することにより特異点を分類して、分類結果を分類結果記憶部２７ｅに記憶させる。
【0208】
次に、本実施形態の画像処理システムに対応する画像処理装置の処理手順について、図１７を参照して説明する。図１７は、本実施形態の画像処理システムに対応する画像処理装置による処理手順を示すフローチャートである。
【0209】
まず、画像処理装置１ｅにおける画像入力部１３ｅが、学習用画像を入力して、これらを画像記憶部１４ｅに記憶させる（ステップ１４０）。
次に、特異点探索用の教師情報の入力（ステップ１４１）から特異点探索結果の評価値計算（ステップ１４９）までの各処理の内容は、図１３に示す第四実施形態におけるステップ９１～９９と同様である。
次に、特異点探索用の教師情報の入力（ステップ１４１）から特異点探索結果の評価値計算（ステップ１４９）までの各処理の内容は、図１３に示す第四実施形態におけるステップ９１～９９と同様である。
【0210】
次に、特異点分割部３８ｅが、教師情報記憶部１６ｅから教師情報を入力すると共に、これに対応する特異点探索結果を特異点探索結果記憶部２０ｅから入力して、その特異点探索結果を学習用特異点探索結果と検証用特異点探索結果に分割して、特異点探索結果記憶部２０ｅに記憶させる（ステップ１５０）。
【0211】
次に、学習用特徴量計算部２３ｅが、特異点探索結果記憶部２０ｅから学習用特異点探索結果を入力し、子個体群記憶部１２２ｅにおける子個体情報の分類用ノード領域の各ノード（分類器を除く）を順次実行することにより、各学習用特異点の特徴量を計算する（ステップ１５１）。
そして、学習用特徴量計算部２３ｅは、算出された各学習用特異点の特徴量を学習用特徴量記憶部２４ｅに記憶させる。
そして、学習用特徴量計算部２３ｅは、算出された各学習用特異点の特徴量を学習用特徴量記憶部２４ｅに記憶させる。
【0212】
次に、分類器学習部２５ｅが、学習用特徴量記憶部２４ｅから各学習用特異点の特徴量を入力し、子個体群記憶部１２２ｅにおける子個体情報の分類用ノード領域に含まれる分類器の機械学習を実行する（ステップ１５２）。
そして、分類器学習部２５ｅは、学習済み分類器を学習済み分類器記憶部２６ｅに記憶させる。
そして、分類器学習部２５ｅは、学習済み分類器を学習済み分類器記憶部２６ｅに記憶させる。
【0213】
次に、検証用特徴量計算部３５ｅが、特異点探索結果記憶部２０ｅから検証用特異点探索結果を入力し、子個体群記憶部１２２ｅにおける子個体情報の分類用ノード領域の各ノード（分類器を除く）を順次実行することにより、各検証用特異点の特徴量を計算する（ステップ１５３）。
そして、検証用特徴量計算部３５ｅは、算出された各検証用特異点の特徴量を検証用特徴量記憶部３６ｅに記憶させる。
そして、検証用特徴量計算部３５ｅは、算出された各検証用特異点の特徴量を検証用特徴量記憶部３６ｅに記憶させる。
【0214】
次に、分類処理部３７ｅが、検証用特徴量記憶部３６ｅから各検証用特異点の特徴量を入力し、学習済み分類器記憶部２６ｅに記憶された学習済み分類器を実行することにより特異点を分類して、分類結果を分類結果記憶部２７ｅに記憶させる（ステップ１５４）。
【0215】
次に、分類評価値計算部２８ｅが、分類結果記憶部２７ｅから分類結果を入力すると共に、比較情報記憶部１８ｅからその分類結果に対応する比較情報を入力し、分類結果と比較情報を比較して分類評価値を計算し、算出された評価値を分類評価結果記憶部２９ｅに記憶させる（ステップ１５５）。
そして、子個体群記憶部１２２ｅにおける全ての子個体情報について、ステップ１４８からステップ１５５までの処理を繰り返し実行する。
以降の子個体情報の順位付け（ステップ１５６）から終了判定（ステップ１５８）までの各処理内容は、第四実施形態におけるステップ１０５～１０７と同様である。
そして、子個体群記憶部１２２ｅにおける全ての子個体情報について、ステップ１４８からステップ１５５までの処理を繰り返し実行する。
以降の子個体情報の順位付け（ステップ１５６）から終了判定（ステップ１５８）までの各処理内容は、第四実施形態におけるステップ１０５～１０７と同様である。
【0216】
なお、前述した第五実施形態の画像処理装置１ｄに特徴量分割部を備えて、図１５の子個体群（分類）ループ（ステップ１２３）の前に、上記の学習用特異点探索結果と検証用特異点探索結果の分割（ステップ１５０）を実行し、図１５のステップ１２４～１２８に変えて、上記のステップ１５１～１５５を実行することで、個体情報が遺伝分離型の場合について、本実施形態を適用することも可能である。
【0217】
このような本実施形態の画像処理システムによれば、教師なし学習を行う分類器を用いる場合において、特異点探索結果を学習用特異点探索結果と検証用特異点探索結果に分割することによって、学習用特異点と検証用特異点の特徴量を効率的に計算することが可能になっている。
すなわち、本実施形態によれば、入力する画像を事前に学習用画像と検証用画像に分割する必要がない。また、特異点の探索結果を用いて学習用特異点と検証用特異点を分割するため、学習用特異点と検証用特異点の数をバランスよく分けることができ、画像処理システムの性能をより向上させることが可能となる。
すなわち、本実施形態によれば、入力する画像を事前に学習用画像と検証用画像に分割する必要がない。また、特異点の探索結果を用いて学習用特異点と検証用特異点を分割するため、学習用特異点と検証用特異点の数をバランスよく分けることができ、画像処理システムの性能をより向上させることが可能となる。
【0218】
［第七実施形態］
次に、本発明の第七実施形態に係る画像処理システム、及び画像処理プログラムについて、図１８を参照して説明する。図１８は、本実施形態の画像処理システムに対応する画像処理装置の構成を示すブロック図である。
次に、本発明の第七実施形態に係る画像処理システム、及び画像処理プログラムについて、図１８を参照して説明する。図１８は、本実施形態の画像処理システムに対応する画像処理装置の構成を示すブロック図である。
【0219】
本実施形態の画像処理装置１ｆは、最適化された個体情報と学習済み分類器を用いて、検査対象画像における特異点を分類するものであり、図１８に示すように、個体群記憶部１２ｆ、画像入力部１３ｆ、画像記憶部１４ｆ、特異点探索画像処理部１９ｆ、特異点探索結果記憶部２０ｆ、特徴量計算部２３ｆ、特徴量記憶部２４ｆ、学習済み分類器記憶部２６ｆ、分類結果記憶部２７ｆ、分類処理部３７ｆを備えている。
【0220】
本実施形態の画像処理装置１ｆにおける画像記憶部１４ｆ、特異点探索結果記憶部２０ｆ、特徴量記憶部２４ｆ、分類結果記憶部２７ｆは、第一実施形態と同様のものとすることができる。また、本実施形態の画像処理装置１ｆにおけるその他の構成についても、以下に説明する点を除いて、第一実施形態と同様のものとすることができる。
なお、これらの構成を、第一実施形態～第六実施形態の画像処理システムにおいて備えることも好ましい。
なお、これらの構成を、第一実施形態～第六実施形態の画像処理システムにおいて備えることも好ましい。
【0221】
個体群記憶部１２ｆは、最終的に得られた最適化された個体情報を記憶する。
以下は、個体情報が遺伝子連続型である場合について説明しているが、遺伝子分離型の個体情報についても同様に適用することができる。
画像入力部１３ｆは、検査対象画像を入力して、画像記憶部１４ｆに記憶させる。
学習済み分類器記憶部２６ｆは、最終的に得られた学習済み分類器を記憶する。
以下は、個体情報が遺伝子連続型である場合について説明しているが、遺伝子分離型の個体情報についても同様に適用することができる。
画像入力部１３ｆは、検査対象画像を入力して、画像記憶部１４ｆに記憶させる。
学習済み分類器記憶部２６ｆは、最終的に得られた学習済み分類器を記憶する。
【0222】
特異点探索画像処理部１９ｆは、個体群記憶部１２ｆにおける最適化された子個体情報の特異点探索用ノード領域の各ノードにもとづいて、特異点探索画像処理を実行し、各検査対象画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０ｆに記憶させる。
【0223】
特徴量計算部２３ｆは、特異点探索結果記憶部２０ｆから特異点探索結果を入力し、個体群記憶部１２ｆにおける最適化された個体情報の分類用ノード領域の各ノード（分類器を除く）を順次実行することにより、検査対象画像の各特異点の特徴量を計算し、算出された検査対象画像の各特異点の特徴量を特徴量記憶部２４ｆに記憶させる。
【0224】
分類処理部３７ｆは、特徴量記憶部２４ｆから検査対象画像の各特異点の特徴量を入力し、学習済み分類器記憶部２６ｆに記憶された学習済み分類器を実行することにより検査対象画像の各特異点を分類して、分類結果を分類結果記憶部２７ｆに記憶させる。
【0225】
次に、本実施形態の画像処理システムに対応する画像処理装置の処理手順について、図１９を参照して説明する。図１９は、本実施形態の画像処理システムに対応する画像処理装置による処理手順を示すフローチャートである。
【0226】
まず、画像処理装置１ｆにおける画像入力部１３ｆが、検査対象画像を入力して、画像記憶部１４ｆに記憶させる（ステップ１７０）。
次に、特異点探索画像処理部１９ｆが、個体群記憶部１２ｆにおける最適化された子個体情報の特異点探索用ノード領域の各ノードにもとづいて、特異点探索画像処理を実行する（ステップ１７１）。そして、各検査対象画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０ｆに記憶させる。
次に、特異点探索画像処理部１９ｆが、個体群記憶部１２ｆにおける最適化された子個体情報の特異点探索用ノード領域の各ノードにもとづいて、特異点探索画像処理を実行する（ステップ１７１）。そして、各検査対象画像に対応する特異点探索結果としての画像等を作成して、特異点探索結果記憶部２０ｆに記憶させる。
【0227】
次に、特徴量計算部２３ｆが、特異点探索結果記憶部２０ｆから特異点探索結果を入力し、個体群記憶部１２ｆにおける最適化された個体情報の分類用ノード領域の各ノード（分類器を除く）を順次実行することにより、検証用画像の各特異点の特徴量を計算する（ステップ１７２）。そして、特徴量計算部２３ｆは、算出された検証用画像の各特異点の特徴量を特徴量記憶部２４ｆに記憶させる。
【0228】
次に、分類処理部３７ｆが、検証用特徴量記憶部３６ｅから検証用画像の各特異点の特徴量を入力し、学習済み分類器記憶部２６ｆに記憶された学習済み分類器を実行することにより特異点を分類して、分類結果を分類結果記憶部２７ｆに記憶させる（ステップ１７３）。
【0229】
このような本実施形態の画像処理システムによれば、最適化された個体情報と学習済み分類器を用いて、検査対象画像における特異点を分類することが可能である。
【0230】
上記実施形態の画像処理装置は、本発明の画像処理プログラムに制御されたコンピュータを用いて実現することができる。コンピュータのＣＰＵは、画像処理プログラムにもとづいてコンピュータの各構成要素に指令を送り、画像処理装置の動作に必要となる所定の処理、例えば、個体生成処理、特異点探索画像処理、評価値計算処理、特徴量計算処理、分類器学習処理、遺伝子操作処理、最良組合せ判定処理、特異点分割処理等を行わせる。このように、本発明の画像処理装置における各処理、動作は、プログラムとコンピュータとが協働した具体的手段により実現できるものである。
【0231】
プログラムは予めＲＯＭ、ＲＡＭ等の記録媒体に格納され、コンピュータに実装された記録媒体から当該コンピュータにプログラムを読み込ませて実行されるが、例えば通信回線を介してコンピュータに読み込ませることもできる。
また、プログラムを格納する記録媒体は、例えば半導体メモリ、磁気ディスク、光ディスク、その他任意のコンピュータで読取り可能な任意の記録手段により構成できる。
また、プログラムを格納する記録媒体は、例えば半導体メモリ、磁気ディスク、光ディスク、その他任意のコンピュータで読取り可能な任意の記録手段により構成できる。
【0232】
本発明は、以上の実施形態に限定されるものではなく、本発明の範囲内において、種々の変更実施が可能であることは言うまでもない。
例えば、画像処理装置における各構成を複数の情報処理装置に分散して持たせたり、ノードとして実施形態に示したもの以外のものを含めて使用したりすることができる。また、第一実施形態から第七実施形態の画像処理システムを様々に組み合わせた構成をコンピュータに備えて、各画像処理システムを切替可能にすることも可能である。
例えば、画像処理装置における各構成を複数の情報処理装置に分散して持たせたり、ノードとして実施形態に示したもの以外のものを含めて使用したりすることができる。また、第一実施形態から第七実施形態の画像処理システムを様々に組み合わせた構成をコンピュータに備えて、各画像処理システムを切替可能にすることも可能である。
【産業上の利用可能性】
【0233】
本発明は、設備や製品などの画像データにもとづき検査などを行う場合であって、画像処理が最適化された画像検査用の情報処理装置を得るために、好適に利用することが可能である。
【符号の説明】
【0234】
１，１ａ 画像処理装置
１０，１０ａ 機能単位記憶部
１１，１１ａ 個体生成部
１２，１２ａ 個体群記憶部
１２１ａ 親個体群記憶部
１２２ａ 子個体群記憶部
１３，１３ａ 画像入力部
１４，１４ａ 画像記憶部
１５，１５ａ 教師情報入力部
１６，１６ａ 教師情報記憶部
１７，１７ａ 比較情報入力部
１８，１８ａ 比較情報記憶部
１９，１９ａ 特異点探索画像処理部
２０，２０ａ 特異点探索結果記憶部
２１，２１ａ 探索評価値計算部
２２，２２ａ 探索評価結果記憶部
２３，２３ａ 特徴量計算部
２３ｃ 学習用特徴量計算部
２４，２４ａ 特徴量記憶部
２４ｃ 学習用特徴量記憶部
２５，２５ａ 分類器学習部
２６，２６ａ 学習済み分類器記憶部
２７，２７ａ 分類結果記憶部
２８，２８ａ 分類評価値計算部
２９，２９ａ 分類評価結果記憶部
３０，３０ａ 個体評価値計算部
３１，３１ａ 個体評価結果記憶部
３２，３２ａ 遺伝子操作部
３３ｂ 最良組合せ判定部
３４ｂ 組合せ判定結果記憶部
３５ｃ 検証用特徴量計算部
３６ｃ 検証用特徴量記憶部
３７ｃ 分類処理部
３８ｅ 特異点分割部
１０，１０ａ 機能単位記憶部
１１，１１ａ 個体生成部
１２，１２ａ 個体群記憶部
１２１ａ 親個体群記憶部
１２２ａ 子個体群記憶部
１３，１３ａ 画像入力部
１４，１４ａ 画像記憶部
１５，１５ａ 教師情報入力部
１６，１６ａ 教師情報記憶部
１７，１７ａ 比較情報入力部
１８，１８ａ 比較情報記憶部
１９，１９ａ 特異点探索画像処理部
２０，２０ａ 特異点探索結果記憶部
２１，２１ａ 探索評価値計算部
２２，２２ａ 探索評価結果記憶部
２３，２３ａ 特徴量計算部
２３ｃ 学習用特徴量計算部
２４，２４ａ 特徴量記憶部
２４ｃ 学習用特徴量記憶部
２５，２５ａ 分類器学習部
２６，２６ａ 学習済み分類器記憶部
２７，２７ａ 分類結果記憶部
２８，２８ａ 分類評価値計算部
２９，２９ａ 分類評価結果記憶部
３０，３０ａ 個体評価値計算部
３１，３１ａ 個体評価結果記憶部
３２，３２ａ 遺伝子操作部
３３ｂ 最良組合せ判定部
３４ｂ 組合せ判定結果記憶部
３５ｃ 検証用特徴量計算部
３６ｃ 検証用特徴量記憶部
３７ｃ 分類処理部
３８ｅ 特異点分割部
【図1】
【図2A】
【図2B】
【図2C】
【図3】
【図4A】
【図4B】
【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20A】
【図20B】
【図20C】
【図20D】
【図20E】
【図20F】
【図20G】
【図20H】
【図20I】
【図20J】
【図20K】
【図20L】