特許 7593210 解析装置、解析方法、及び解析プログラム

(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】2024-11-25

(45)【発行日】2024-12-03

(54)【発明の名称】解析装置、解析方法、及び解析プログラム

(51)【国際特許分類】

   G06T 7/00 20170101AFI20241126BHJP

【ＦＩ】

G06T7/00 350B

【請求項の数】 5

(21)【出願番号】P 2021066803

(22)【出願日】2021-04-09

(65)【公開番号】P2022161743

(43)【公開日】2022-10-21

【審査請求日】2024-01-17

(73)【特許権者】

【識別番号】000003207

【氏名又は名称】トヨタ自動車株式会社

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】村井 祐介

(72)【発明者】

【氏名】矢野 正雄

(72)【発明者】

【氏名】庄司 哲也

【審査官】秦野 孝一郎

(56)【参考文献】

【文献】特開２０２１－３９７５７（ＪＰ，Ａ）

【文献】特開２０１０－２７１７８７（ＪＰ，Ａ）

(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】

画像全体の統計的な局所特徴量を算出する特徴量算出部と、
前記特徴量算出部が算出した前記局所特徴量を潜在空間に配置する配置部と、
前記配置部が配置した、前記局所特徴量の前記潜在空間上の位置に応じた画像処理を決定するよう学習する学習部と、
前記学習部による学習結果を用いて、対象画像に対して画像処理を選択して実行する画像処理部と、
を備える、解析装置。

【請求項2】

前記画像処理部は、画像処理後の画像の局所特徴量が前記潜在空間上の正解と定められた範囲に移動するような画像処理を実行する、請求項１に記載の解析装置。

【請求項3】

前記特徴量算出部は、Ｎｅｉｇｈｂｏｒｈｏｏｄ Ｇｒａｙ Ｔｏｎｅ Ｄｉｆｆｅｒｅｎｃｅ Ｍａｔｒｉｘ （ＮＧＴＤＭ）、Ｇｒａｙ Ｌｅｖｅｌ Ｃｏ－ｏｃｃｕｒｒｅｎｃｅ Ｍａｔｒｉｘ （ＧＬＣＭ）、Ｇｒａｙ Ｌｅｖｅｌ Ｓｉｚｅ Ｚｏｎｅ Ｍａｔｒｉｘ （ＧＬＳＺＭ）のいずれか、又は複数を用いて前記局所特徴量を算出する、請求項１に記載の解析装置。

【請求項4】

プロセッサが、
画像全体の統計的な局所特徴量を算出し、
算出した前記局所特徴量を潜在空間に配置し、
配置した前記局所特徴量の前記潜在空間上の位置に応じた画像処理を決定するよう学習し、
学習の結果を用いて、対象画像に対して画像処理を選択して実行する、
解析方法。

【請求項5】

コンピュータに、
画像全体の統計的な局所特徴量を算出し、
算出した前記局所特徴量を潜在空間に配置し、
配置した前記局所特徴量の前記潜在空間上の位置に応じた画像処理を決定するよう学習し、
学習の結果を用いて、対象画像に対して画像処理を選択して実行する、
処理を実行させる、解析プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、解析装置、解析方法、及び解析プログラムに関する。

【背景技術】

【0002】

顕微鏡で撮像された画像の解析に関する技術が提案されている（非特許文献１、２等参照）。

【0003】

非特許文献１は、ウェーブレット変換とソーベルフィルタとを用いて、３次元ＣＴ画像におけるノイズを低減させる技術を提案している。非特許文献２は、対話型遺伝的アルゴリズムによって、デジタル画像からひび割れを抽出する技術を提案している。

【先行技術文献】

【非特許文献】

【0004】

【文献】斎藤 雅紀，中森 伸行，“Wavelet変換とSobelフィルタを用いた歯科用３次元ＣＴ画像におけるノイズ低減法の開発”，［online］，インターネット＜URL：http://www.fjt.info.gifu-u.ac.jp/mii-sci/pdfs/24_1.pdf＞

【文献】河村 圭，宮本 文穂，中村 秀明，佐藤 亮，“対話型遺伝的アルゴリズムによるデジタル画像からのひび割れ抽出”，［online］，インターネット＜URL：http://library.jsce.or.jp/jsce/open/00037/2003/742-0115.pdf＞

【発明の概要】

【発明が解決しようとする課題】

【0005】

顕微鏡画像からの特徴量（結晶粒径、分布など）導出には、画像ごとに鮮明度合いや色合いの不均一があるために、前処理のパラメータ調整が都度必要で、解析の自動化ができなかった。

【0006】

非特許文献１で開示された技術では、データごとに人による高度なパラメータ調整や式の変更が必要となり、作業者が希望するノイズ低減結果を得るには、作業者の勘、試行錯誤の回数に依るところが大きい。非特許文献２で開示された技術では、画像処理パラメータの決定を遺伝的アルゴリズムによって自動決定するが、人間が、学習データ毎に処理が目的と合致しているかを評価値として与えており、人間の介入頻度が多くなる。

【0007】

本発明は、上記の点に鑑みてなされたものであり、属人性を排除し、処理の自動化により工数を削減した解析装置、解析方法、及び解析プログラムを提供することを目的とする。

【課題を解決するための手段】

【0008】

本発明の第１態様に係る解析装置は、画像全体の統計的な局所特徴量を算出する特徴量算出部と、前記特徴量算出部が算出した前記局所特徴量を潜在空間に配置する配置部と、前記配置部が配置した、前記局所特徴量の前記潜在空間上の位置に応じた画像処理を決定するよう学習する学習部と、前記学習部による学習結果を用いて、対象画像に対して画像処理を選択して実行する画像処理部と、を備える。

【0009】

第１態様に係る解析装置は、特徴量算出部が画像全体の統計的な局所特徴量を算出し、特徴量算出部が算出した局所特徴量を配置部が潜在空間に配置し、配置部が配置した局所特徴量の潜在空間上の位置に応じた画像処理を決定するよう学習部が学習し、画像処理部が、学習部による学習結果を用いて対象画像に対して画像処理を選択して実行する。第１態様に係る解析装置によれば、画像処理についての学習結果を用いて、対象画像に対して画像処理を選択して実行することで、属人性を排除し、処理の自動化により工数を削減することができる。

【0010】

本発明の第２態様に係る解析装置は、第１態様に係る解析装置であって、前記画像処理部は、画像処理後の画像の局所特徴量が前記潜在空間上の正解と定められた範囲に移動するような画像処理を実行する。第２態様に係る解析装置によれば、潜在空間上の正解と定められた範囲に移動するような画像処理の実行により、対象画像に対して正しい画像処理を実行できる。

【0011】

本発明の第３態様に係る解析装置は、第１態様に係る解析装置であって、前記特徴量算出部は、ＮｅｉｇｈｂｏｒｈｏｏｄＧｒａｙＴｏｎｅＤｉｆｆｅｒｅｎｃｅＭａｔｒｉｘ（ＮＧＴＤＭ）、ＧｒａｙＬｅｖｅｌＣｏ－ｏｃｃｕｒｒｅｎｃｅＭａｔｒｉｘ（ＧＬＣＭ）、ＧｒａｙＬｅｖｅｌＳｉｚｅＺｏｎｅＭａｔｒｉｘ（ＧＬＳＺＭ）のいずれか、又は複数を用いて前記局所特徴量を算出する。第３態様に係る解析装置によれば、解析対象の画像の局所特徴量を適切に算出できる。

【0012】

本発明の第４態様に係る解析方法は、プロセッサが、画像全体の統計的な局所特徴量を算出し、算出した前記局所特徴量を潜在空間に配置し、配置した前記局所特徴量の前記潜在空間上の位置に応じた画像処理を決定するよう学習し、学習の結果を用いて、対象画像に対して画像処理を選択して実行する。

【0013】

第４態様に係る解析方法によれば、画像処理についての学習結果を用いて、対象画像に対して画像処理を選択して実行することで、属人性を排除し、処理の自動化により工数を削減することができる。

【0014】

本発明の第５態様に係る解析プログラムは、コンピュータに、画像全体の統計的な局所特徴量を算出し、算出した前記局所特徴量を潜在空間に配置し、配置した前記局所特徴量の前記潜在空間上の位置に応じた画像処理を決定するよう学習し、学習の結果を用いて、対象画像に対して画像処理を選択して実行する、処理を実行させる。

【0015】

第５態様に係る解析プログラムによれば、画像処理についての学習結果を用いて、対象画像に対して画像処理を選択して実行することで、属人性を排除し、処理の自動化により工数を削減することができる。

【発明の効果】

【0016】

本発明によれば、属人性を排除し、処理の自動化により工数を削減した解析装置、解析方法、及び解析プログラムを提供することができる。

【図面の簡単な説明】

【0017】

【図1】実施形態に係る解析装置の概略構成を示す図である。

【図2】配置部により潜在空間に配置された局所特徴量の例を示す図である。

【図3】学習部による学習処理を説明する図である。

【図4】解析装置による学習処理の流れを示すフローチャートである。

【図5】解析装置による解析処理の流れを示すフローチャートである。

【図6】電子顕微鏡で撮像された画像の解析のフローの例を示すフローチャートである。

【発明を実施するための形態】

【0018】

以下、本開示の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一または等価な構成要素および部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。

【0019】

図１は、本実施形態に係る解析装置の概略構成を示す図である。本実施形態に係る解析装置１０は、画像を解析する装置であり、特に、電子顕微鏡で撮像された画像を解析する装置である。

【0020】

ここで、電子顕微鏡で撮像された画像の解析のフローの例を説明する。図６は、電子顕微鏡で撮像された画像の解析のフローの例を示すフローチャートである。電子顕微鏡で撮像された画像の解析は、例えば、図６に示したように、撮像された画像（生データ）に対して、ノイズ除去などの前処理を施し（ステップＳ１１）、前処理後の画像を二値化して（ステップＳ１２）、二値化後の画像に対する分析を行い（ステップＳ１３）、分析結果に対するニーズ毎の解析を行う（ステップＳ１４）、というフローで行われる。

【0021】

二値化後の画像に対する分析、及び分析結果に対するニーズ毎の解析は、分析手法により変化するものであって、一度方法が決まると、変更する必要は無い。一方、生データに対する前処理、及び前処理後の画像の二値化は、解析対象の画像の性質によって最適な手法が異なる。すなわち、撮像に使用した装置、撮像対象、画像に乗っているノイズの程度、画像の色合い、画像劣化程度などによって最適な手法が異なる。

【0022】

例えば、ノイズ除去のパラメータが同一であっても、解析対象の画像によって除去後の画像の性質が異なり得る。ガウシアンフィルタを適用して画像のノイズを除去する場合を考える。ガウシアンフィルタのサイズが５×５の場合、解析対象の画像の性質によって、適切にノイズが除去されている場合もあれば、画像のノイズが除去しきれない場合もある。またガウシアンフィルタのサイズが１５×１５の場合、解析対象の画像の性質によって、効果が強すぎて輪郭が消えてしまう場合もあれば、画像のノイズが除去しきれない場合もある。このように、解析対象の画像の性質によって、最適な画像処理の手法が異なるため、従来は人が画像処理の結果の確認を重ねて試行錯誤する必要があった。

【0023】

ＵＭＡＰ（Ｕｎｉｆｏｒｍ Ｍａｎｉｆｏｌｄ Ａｐｐｒｏｘｉｍａｔｉｏｎ ａｎｄ Ｐｒｏｊｅｃｔｉｏｎ）等の、画像を解析した結果に基づいて画像を大まかに分類する技術はある。しかし、解析の対象となる画像は様々であり、単に画像を分類すると、画像の大局的な特徴に影響を受ける。またどの画像にどの手法を適用すればよいかの明確な指標もない。撮像された画像に乗っているノイズの種類は様々であり、ノイズの種類ごとに空間座標を特定できたとしても、画像にどのフィルタを使うべきかわからない。

【0024】

そこで、本実施形態に係る解析装置１０は、画像の局所特徴量を算出し、算出した局所特徴量を潜在空間に配置した上で、画像処理後の画像の局所特徴量を算出し、算出した局所特徴量を潜在空間に配置することで、正しい画像処理のパラメータを学習する。本実施形態に係る解析装置１０は、正しい画像処理のパラメータを学習することで、属人性を排除し、処理の自動化により工数を削減したことを特徴とする。具体的には、解析装置１０は、以下で説明するように、画像処理の結果を機械学習し、機械学習の結果を画像処理に反映することで、解析処理の自動化を達成した。

【0025】

解析装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３、ストレージ１４、入力部１５、及び表示部１６を有する。

【0026】

ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２またはストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２またはストレージ１４に記録されているプログラムにしたがって、上記各構成の制御および各種の演算処理を行う。本実施形態では、ＲＯＭ１２またはストレージ１４には、画像を解析するための画像処理を実行する解析プログラムが格納されている。

【0027】

ＲＯＭ１２は、各種プログラムおよび各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラムまたはデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）またはフラッシュメモリ等の記憶装置により構成され、オペレーティングシステムを含む各種プログラム、および各種データを格納する。

【0028】

入力部１５は、マウス等のポインティングデバイス、およびキーボードを含み、各種の入力を行うために使用される。

【0029】

表示部１６は、たとえば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能しても良い。

【0030】

上記の解析プログラムを実行する際に、解析装置１０は、上記のハードウェア資源を用いて、各種の機能を実現する。解析装置１０が実現する機能構成について説明する。

【0031】

図１に示すように、解析装置１０は、ＣＰＵ１１がＲＯＭ１２またはストレージ１４に記憶された解析プログラムを読み出し、実行することによって、ＣＰＵ１１が特徴量算出部１０１、配置部１０２、学習部１０３及び画像処理部１０４を有するよう機能する。

【0032】

特徴量算出部１０１は、解析対象の画像の局所特徴量を算出する。特徴量算出部１０１は、例えば、Ｎｅｉｇｈｂｏｒｈｏｏｄ Ｇｒａｙ Ｔｏｎｅ Ｄｉｆｆｅｒｅｎｃｅ Ｍａｔｒｉｘ（ＮＧＴＤＭ）、Ｇｒａｙ Ｌｅｖｅｌ Ｃｏ－ｏｃｃｕｒｒｅｎｃｅ Ｍａｔｒｉｘ（ＧＬＣＭ）、Ｇｒａｙ Ｌｅｖｅｌ Ｓｉｚｅ Ｚｏｎｅ Ｍａｔｒｉｘ（ＧＬＳＺＭ）等の中の少なくともいずれか、又は複数の解析法を用いて、画像の局所特徴量を算出する。ＧＬＣＭは各画素値の頻度と分布が出る解析法で、頻度が少ないものは検出されにくいという特徴を有する。ＮＧＴＤＭは周辺画素との差を見る解析法で、全体の分布から外れた画素値に対して検出力が高いという特徴を有する。ＧＬＳＺＭは画像全体の画素値の連続性を評価する解析法である。もちろん、特徴量算出部１０１が局所特徴量を算出する際に用いる解析法は、上述した解析法に限定されない。特徴量算出部１０１は、ＮＧＴＤＭ、ＧＬＣＭ、ＧＬＳＺＭ等の既存の画素近傍行列の計算アルゴリズム、又はこれらのアルゴリズム相当のものを用いてもよい。

【0033】

配置部１０２は、特徴量算出部１０１が算出した局所特徴量を潜在空間に配置する。配置部１０２は、局所特徴量を潜在空間に配置する際に、例えばＵＭＡＰによるクラスタリングを行う。ＵＭＡＰは、大局的な特徴と局所的な特徴で空間座標が決まる、表現力が高い、学習したモデルにデータの後埋めができる、軸が何を表しているか不明（特徴の類似度が距離になる）、といった特徴を有する。

【0034】

図２は、配置部１０２により潜在空間に配置された局所特徴量の例を示す図である。図２に示したように、ノイズの種類毎に類似する画像が潜在空間上の座標に固まる。画像のノイズの種類毎に潜在空間上の座標が分かれると仮定すると、図２に示したような潜在空間の座標を画像の状態として捉えることが可能となる。

【0035】

学習部１０３は、配置部１０２によって局所特徴量が配置された潜在空間に対する学習処理を行う。具体的に、学習部１０３は、潜在空間における正解クラスタではない各クラスタに対する適切な画像処理を学習する。正解クラスタは、例えばノイズが乗っていない綺麗な画像が集まっているクラスタである。どれが正解クラスタであるかは解析するユーザによって指定される。

【0036】

画像処理部１０４は、解析対象の画像に対する画像処理を行う。画像処理部１０４は、解析対象の画像に対する画像処理として、例えばノイズを除去する処理、画像を鮮明にする処理等を行う。

【0037】

学習部１０３は、正解クラスタではないクラスタに属する画像に対して、予め決められたパラメータによる、画像処理部１０４での画像処理後の局所特徴量が潜在空間に配置された結果、正解クラスタが属している位置に局所特徴量が移動すれば、その画像処理は適切な画像処理であると学習する。

【0038】

一方、学習部１０３は、正解クラスタではないクラスタに属する画像に対して、予め決められたパラメータによる、画像処理部１０４での画像処理後の局所特徴量が潜在空間に配置された結果、正解クラスタが属している位置に局所特徴量が移動しなければ、その画像処理は適切な画像処理ではないと学習する。

【0039】

学習部１０３は、画像処理毎に、潜在空間における座標間の変化を学習する。画像処理部１０４は、学習部１０３の学習結果を用いることで、入力データと目的データの潜在空間座標上の距離から、最適な処理手法又は必要なパラメータを自動で選択することができる。

【0040】

図３は、学習部１０３による学習処理を説明する図である。例えば、図３に示したように、潜在空間にＡ、Ｂ、Ｃ、Ｄの３つのクラスタがあり、正解クラスタがクラスタＤである場合を考える。

【0041】

この場合において、局所特徴量がクラスタＡに属する画像に対して、コントラストを平坦化する画像処理及びガウシアンフィルタを掛ける画像処理を行い、画像処理後の画像の局所特徴量を再び潜在空間に配置した結果、クラスタＤに属するようになったとする。学習部１０３は、局所特徴量がクラスタＡに属する画像に対しては、コントラストを平坦化する画像処理及びガウシアンフィルタを掛ける画像処理が正しい画像処理であると学習する。

【0042】

またこの場合において、局所特徴量がクラスタＢに属する画像に対して、コントラストを平坦化する画像処理及びガウシアンフィルタを掛ける画像処理を行い、画像処理後の画像の局所特徴量を再び潜在空間に配置した結果、クラスタＡに属するようになったとする。学習部１０３は、局所特徴量がクラスタＢに属する画像に対しては、コントラストを平坦化する画像処理及びガウシアンフィルタを掛ける画像処理が正しい画像処理ではないと学習する。

【0043】

特徴量算出部１０１が解析対象の局所特徴量を算出し、学習部１０３が学習を繰り返すことで、解析装置１０は、解析対象の画像の局所特徴量から適切な画像処理を自動的に決定することができる。解析対象の画像の局所特徴量から適切な画像処理を自動的に決定することで、解析装置１０は、属人性を排した画像処理を実行することができる。また、解析装置１０は、解析対象の画像の局所特徴量から適切な画像処理を自動的に決定することで、画像処理を自動的に決定しない場合と比べ、大量の画像に対する画像処理を容易に実行することが出来る。

【0044】

次に、解析装置１０の作用について説明する。

【0045】

図４は、解析装置１０による学習処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から解析プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、学習処理が行なわれる。

【0046】

ＣＰＵ１１は、まず解析対象となる画像全体の局所特徴量を算出する（ステップＳ１０１）。特徴量の計算手法には、上述したようにＮＧＴＤＭ、ＧＬＣＭ、ＧＬＳＺＭ等がある。

【0047】

ステップＳ１０１に続いて、ＣＰＵ１１は、算出した局所特徴量を潜在空間に配置し、局所特徴量をクラスタリングする（ステップＳ１０２）。

【0048】

ステップＳ１０２に続いて、ＣＰＵ１１は、クラスタリングされた特徴量の中から正解クラスタの指定を受け付ける（ステップＳ１０３）。正解クラスタは、例えばノイズが乗っていない綺麗な画像が集まっているクラスタである。どれが正解クラスタであるかは解析するユーザによって指定される。

【0049】

ステップＳ１０３に続いて、ＣＰＵ１１は、正解クラスタではない各クラスタに対する適切な画像処理を学習し、学習済みモデルを生成する（ステップＳ１０４）。ＣＰＵ１１は、正解クラスタではないクラスタに対して画像処理を行い、画像処理後の特徴量を潜在空間に配置した結果、正解クラスタが属している位置に移動すれば、その画像処理は適切な画像処理であると判断する。

【0050】

ＣＰＵ１１は、画像処理毎に、潜在空間における座標間の変化を学習する。ＣＰＵ１１は、潜在空間座標上の入力データと目的データとの距離から、最適な処理手法や必要なパラメータを自動で選択する。ＣＰＵ１１は、最適手法で悪い結果が出てきても、次に良いと考えられる手法を自動適応し、再評価できる。

【0051】

図５は、解析装置１０による解析処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から解析プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、解析処理が行なわれる。

【0052】

ＣＰＵ１１は、まず解析対象となる画像全体の局所特徴量を算出する（ステップＳ１１１）。特徴量の計算手法には、上述したようにＮＧＴＤＭ、ＧＬＣＭ、ＧＬＳＺＭ等がある。

【0053】

ステップＳ１１１に続いて、ＣＰＵ１１は、算出した画像全体の局所特徴量を潜在空間に配置する（ステップＳ１１２）。

【0054】

ステップＳ１１２に続いて、ＣＰＵ１１は、潜在空間への配置位置に応じた、解析対象となる画像への画像処理を実行する（ステップＳ１１３）。ステップＳ１１３で実行される画像処理としては、例えば、例えば、コントラストの平坦化、ガウシアンフィルタ等、公知の画像処理がある。ＣＰＵ１１は、ステップＳ１１３で実行する画像処理を、ＣＰＵ１１による学習処理の結果に基づいて選択する。ＣＰＵ１１は、画像処理を実行する際には、種類だけでなく、処理の強弱を選択して実行してもよい。

【0055】

ステップＳ１１３に続いて、ＣＰＵ１１は、解析対象となる画像への画像処理が適切なものであったかどうかを判断する（ステップＳ１１４）。具体的には、ＣＰＵ１１は、画像処理後の画像に対して局所特徴量を算出し、算出した局所特徴量を同じ潜在空間に配置した結果、その局所特徴量が正解クラスタに属するようになったかどうかで、画像処理が適切なものであったかどうかを判断する。

【0056】

ステップＳ１１４の判断の結果、解析対象となる画像への画像処理が適切なものであったと判断すると（ステップＳ１１４；Ｙｅｓ）、ＣＰＵ１１は、その画像への処理を終了する。一方、ステップＳ１１４の判断の結果、解析対象となる画像への画像処理が適切なものでなかったと判断すると（ステップＳ１１４；Ｎｏ）、ＣＰＵ１１は、別の画像処理を選択して、解析対象となる画像への画像処理を実行する（ステップＳ１１５）。別の画像処理の選択には、別の画像処理を実行すること、または画像処理のパラメータを変更することが含まれる。

【0057】

ステップＳ１１５の処理が終わると、ＣＰＵ１１は、ステップＳ１１４の処理に戻り、解析対象となる画像への画像処理が適切なものとなるまで、処理対象の画像への画像処理を繰り返す。また、ステップＳ１１４の判断の結果、解析対象となる画像への画像処理が適切なものでなかったと判断した場合、ＣＰＵ１１は、学習処理の結果生成された学習済みモデルの内容を更新する。

【0058】

ＣＰＵ１１が解析対象の局所特徴量を算出し、解析対象の局所特徴量から適切な画像処理を自動的に選択して実行することで、解析装置１０は、属人性を排した画像処理を実行することができる。

【0059】

上記実施形態において、解析装置１０は、単体の装置として説明したが、本発明は係る例に限定されるものでは無い。例えば、ＣＰＵ１１の機能はサーバ等の外部装置において実行されてもよい。

【0060】

なお、上記各実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した学習処理及び解析処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、学習処理及び解析処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。

【0061】

また、上記各実施形態では、学習処理及び解析処理のプログラムがＲＯＭまたはストレージに予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記録媒体に記録された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

【符号の説明】

【0062】

１０ 解析装置
１０１ 特徴量算出部
１０２ 配置部
１０３ 学習部
１０４ 画像処理部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】