カラー画像解析装置
【課題】解析しようとする対象物に準じる多数のサンプルを測定した多数のスペクトルデータを用いる必要がないカラー画像解析装置を提供する。
【解決手段】ＲＧＢ抽出部２３１は、読取装置１０によって読み取られた被写体の画像データからＲＧＢデータを抽出する。パラメータ記憶部２４１は、ＲＧＢデータに基づいてスペクトルデータを生成するための変換行列を記憶している。スペクトル特性算出部２４２は、ＲＧＢデータと変換行列とを用いてスペクトル特性を算出して、スペクトルデータを生成する。パラメータ記憶部２４１が記憶している変換行列は、任意の複数のスペクトルデータから抽出した複数の抽出データ群を用いて生成した複数の変換行列から最も適した変換行列を選択したものである。
【解決手段】ＲＧＢ抽出部２３１は、読取装置１０によって読み取られた被写体の画像データからＲＧＢデータを抽出する。パラメータ記憶部２４１は、ＲＧＢデータに基づいてスペクトルデータを生成するための変換行列を記憶している。スペクトル特性算出部２４２は、ＲＧＢデータと変換行列とを用いてスペクトル特性を算出して、スペクトルデータを生成する。パラメータ記憶部２４１が記憶している変換行列は、任意の複数のスペクトルデータから抽出した複数の抽出データ群を用いて生成した複数の変換行列から最も適した変換行列を選択したものである。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、デジタルカメラ等により撮影された被写体の画像から色情報を抽出し、被写体のスペクトル特性を推定することにより、被写体の特性を解析するカラー画像解析装置に関する。
【背景技術】
【０００２】
デジタルカメラ等により撮影された被写体の画像から色情報を抽出し、被写体のスペクトル特性を推定することにより、被写体の特性を解析するカラー画像解析装置が知られている（特許文献１参照）。カラー画像解析装置は、印刷物の色調整、絵画等の分析、医療分野や美容分野における人間の肌の状態の分析等、種々の分野で用いられている。人間の皮膚の発色を構成する要因は皮膚に存在するメラニンや毛細血管内に存在するヘモグロビンによる光の反射特性等であり、メラニンやヘモグロビンを詳細に分析するためには、反射光のスペクトル特性を分析することが必要となる。
【先行技術文献】
【特許文献】
【０００３】
【特許文献１】特開平７−１７４６３１号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
一般的にカラー画像解析装置において、被写体である対象物のスペクトル特性を推定するためには、予め対象物に準じる多数のサンプルを測定して多数のスペクトルデータを保持しておくことが必要である。しかも、異なる対象物を被写体とするたびに、改めて多数のサンプルを測定しなければならない。多数のサンプルを確保することは容易ではなく、確保できても多数のサンプルを測定するためには工数が多くかかってしまう。適切なサンプルを準備できない場合には、ＲＧＢ値とスペクトル特性との関係を精度よく関連付けることができないため、スペクトル特性を精度よく推定することができない。従って、対象物の解析の精度が低下してしまう。
【０００５】
本発明はこのような問題点に鑑み、解析しようとする対象物に準じる多数のサンプルを測定した多数のスペクトルデータを用いる必要がなく、精度よく対象物のスペクトル特性を推定して対象物を解析することができるカラー画像解析装置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】
【０００６】
本発明は、上述した従来の技術の課題を解決するため、ＲＧＢそれぞれで波長に対する感度が所定の特性となっている分光感度を有する読取装置によって読み取られた被写体の画像データからＲＧＢデータを抽出するＲＧＢ抽出部（２３１）と、前記ＲＧＢデータに基づいてスペクトルデータを生成するための変換行列を記憶するパラメータ記憶部（２４１）と、前記ＲＧＢデータと前記パラメータ記憶部に記憶された変換行列とを用いてスペクトル特性を算出して、スペクトルデータを生成するスペクトル特性算出部（２４２）とを備え、前記パラメータ記憶部は、前記被写体の代表的なスペクトルデータに対して前記代表的なスペクトルデータと相違する程度を示す所定の許容範囲を複数設定し、前記被写体に限定されない任意の複数のスペクトルデータからなるスペクトルデータ群の内、複数の許容範囲それぞれに含まれる複数のスペクトルデータを抽出して複数の抽出データ群を生成し、前記複数の抽出データ群のそれぞれを用いて複数の変換行列を生成し、前記複数の変換行列の中から、前記スペクトル特性算出部が前記ＲＧＢデータと前記代表的なスペクトルデータとに基づいてスペクトルデータを生成するのに最も適した変換行列を選択することによって作成した変換行列を記憶していることを特徴とするカラー画像解析装置を提供する。
【０００７】
上記の構成において、前記ＲＧＢ抽出部は、前記読取装置において、ＲＧＢそれぞれ１バンドよりなる３バンドの第１の分光感度を異なる複数のフィルタによって分割し、３バンドを超えるバンド数の第２の分光感度によって読み取られた画像データからＲＧＢデータを抽出し、前記パラメータ記憶部は、前記第２の分光感度を用いて計算した複数の変換行列の中から選択した変換行列を記憶していることが好ましい。
【０００８】
上記の構成において、前記パラメータ記憶部は、前記代表的なスペクトルデータに基づいて算出したＲＧＢ値と前記複数の変換行列それぞれとを用いて複数のスペクトルデータを生成し、前記代表的なスペクトルデータと前記複数のスペクトルデータとの誤差量が最小の変換行列を選択することによって作成した変換行列を記憶していることが好ましい。
【発明の効果】
【０００９】
本発明によれば、解析しようとする対象物に準じる多数のサンプルを測定した多数のスペクトルデータを用いる必要がなく、精度よく対象物のスペクトル特性を推定して対象物を解析することができる。
【図面の簡単な説明】
【００１０】
【図１】本発明のカラー画像解析装置の一実施形態を示すブロック図である。
【図２】被写体のスペクトル画像を生成するための動作の流れを概念的に示すブロック図である。
【図３】図１中の読取装置１０の分光感度特性の一例を示す図である。
【図４】図３に示す分光感度特性を２種類のフィルタによって分割した分光感度特性を示す図である。
【図５】任意の複数のスペクトルデータからなるスペクトルデータ群を示す図である。
【図６】被写体の代表的なスペクトルデータを示す図である。
【図７】図２中のスペクトルデータ群抽出部３２の動作を説明するためのフローチャートである。
【図８】スペクトルデータ群抽出部３２で用いるフィルタの分光感度特性を示す図である。
【図９】スペクトルデータ群抽出部３２が抽出した抽出データ群の一例を示す図である。
【図１０】図２中の変換行列生成部３４で実行される複数の変換行列を生成する動作を説明するためのフローチャートである。
【図１１】変換行列生成部３４で実行される最適な変換行列を選択する動作を説明するためのフローチャートである。
【発明を実施するための形態】
【００１１】
以下、本発明のカラー画像解析装置の一実施形態について、添付図面を参照して説明する。図１において、本実施形態のカラー画像解析装置は、読取装置１０と解析装置２０とを備える。読取装置１０は、被写体を撮影するデジタルカメラ１１、デジタルカメラ１１のレンズと被写体の間に配置された複数のフィルタを切り替えるフィルタ切替機構１２、被写体を一様に照らす照明部１３、読取装置１０内の各部を制御する制御部１４、解析装置２０との間でデータをやり取りする通信部１５、撮影した画像等を表示する表示部１６を備える。
【００１２】
解析装置２０は、読取装置１０との間でデータをやり取りする通信部２１、スペクトル画像や画像の解析結果等を表示する表示部２２、被写体の画像からスペクトル特性を推定するための色情報を抽出してスペクトル画像を生成するスペクトル画像生成部２３、スペクトル画像生成部２３が抽出した色情報からスペクトル特性を算出（推定）する解析部２４を備える。スペクトル画像生成部２３は、撮影された画像から色情報を抽出するＲＧＢ抽出部２３１と、解析部２４で算出されたスペクトル特性からスペクトル画像を生成する画像生成部２３２とを備える。解析部２４は、スペクトル特性を算出するために用いる計算用データを記憶するパラメータ記憶部２４１と、スペクトル画像生成部２３が抽出した色情報からスペクトル特性を算出するスペクトル特性算出部２４２とを備える。
【００１３】
図２は、図１に示す読取装置１０及び解析装置２０とで、被写体のスペクトル画像を生成するための動作の流れを概念的に示している。解析装置２０内のパラメータ記憶部２４１には、変換行列作成装置３０によって作成された変換行列が記憶される。変換行列は、スペクトル特性算出部２４２がスペクトル特性を算出するための計算用データである。
【００１４】
後述するように、変換行列作成装置３０内のスペクトルデータ群記憶部３１とスペクトルデータ群抽出部３２とによって、スペクトルデータ群から選択的にスペクトルデータを抽出して抽出データ群を作成する作成工程が実行される。変換行列生成部３４によって変換行列生成工程が実行される。デジタルカメラ１１とＲＧＢ抽出部２３１とスペクトル特性算出部２４２とによって、撮影された画像のスペクトル特性を算出するスペクトル特性算出工程が実行される。なお、本実施形態においては、被写体のスペクトル特性を、重回帰分析により算出する方法を用いる。
【００１５】
まず、ＲＧＢ抽出部２３１に入力される画像データについて説明する。図３は、デジタルカメラ１１の分光感度特性の一例であり、波長に対する感度（相対値）の特性を示している。デジタルカメラ１１の分光感度特性は、イメージセンサ、イメージセンサ上に光を集光するレンズ等の光学系、一部の波長域を制限するための光学フィルタ等の光学的特性を総合することによって決まる。図３に示すように、分光感度特性は、Ｒ，Ｇ，Ｂの各値を検出するための３つの分光感度を組み合わせることによって決まる。
【００１６】
デジタルカメラ１１のレンズと被写体の間に配置されたフィルタを例えば２枚の波長透過率の異なるくし型フィルタとし、２枚のくし型フィルタをフィルタ切替機構１２によって切り替えることとする。すると、図３に示す３つのバンドからなる分光感度は、図４に示すように６つのバンドからなる分光感度となる。１枚目のくし型フィルタを用いて１回目の撮影を行うと、図４の内のＲ，Ｇ，Ｂの内の一方である３つのバンドからなる分光感度が得られ、２枚目のくし型フィルタを用いて２回目の撮影を行うと、図４の内のＲ，Ｇ，Ｂの内の他方である３つのバンドからなる分光感度が得られる。
【００１７】
従って、ＲＧＢ抽出部２３１に入力される画像データは、図４に示す６バンドの分光感度に対応した画像データとなる。
【００１８】
次に、変換行列を作成するための変換行列作成装置３０の構成及び動作について説明する。変換行列作成装置３０は、まず、スペクトルデータ群から選択的にスペクトルデータを抽出して抽出データ群を作成する作成工程を実行する。図２において、スペクトルデータ群記憶部３１は、カラー画像を解析する対象の被写体（対象物）と同一の被写体とは限らない任意のスペクトルデータを多数記憶している。図５は、スペクトルデータ記憶部３１が記憶している多数のスペクトルデータの例を示している。カラー画像を解析する対象の被写体が仮に人の肌であっても、スペクトルデータ群記憶部３１は、スペクトルデータ群として、人の肌に限らず、人以外の物体を含む任意の物体のスペクトルデータ群を記憶している。
【００１９】
スペクトルデータ群記憶部３１が記憶するスペクトルデータとしては、既存の汎用的に入手可能なスペクトルデータを用いることができる。従って、カラー画像を解析する対象の被写体が人の肌であったとしても、多数の人を集めて、人の肌のサンプルによってスペクトルデータ群を生成する必要はない。スペクトルデータ群記憶部３１が記憶するスペクトルデータ群は例えば２０００サンプルである。
【００２０】
スペクトルデータ群抽出部３２には、スペクトルデータ群記憶部３１に記憶されているスペクトルデータ群と、被写体スペクトルデータ入力部３３より入力された被写体のスペクトルデータとが入力される。被写体スペクトルデータ入力部３３は、カラー画像を解析する対象の被写体または同等の代表的な被写体のスペクトルデータ（以下、代表的スペクトルデータと称する）を入力する。被写体を分光器によって計測することにより、一例として図６に示すような代表的スペクトルデータを生成することができる。被写体を人の肌とする場合、一般的な人を代表的な被写体として代表的スペクトルデータを計測すればよい。従って、スペクトルデータを計測するのは一人でよい。
【００２１】
図７を用いてスペクトルデータ群抽出部３２に動作について説明する。図７において、スペクトルデータ群抽出部３２は、ステップＳ１にて、図６に示すような代表的スペクトルデータを取り込む。スペクトルデータ群抽出部３２は、ステップＳ２にて、入力された代表的スペクトルデータの特徴量Ａを計算する。スペクトルデータ群抽出部３２は、一例として次のように特徴量Ａを計算する。スペクトルデータ群抽出部３２は、図８に示すように、波長４００ｎｍから７００ｎｍを６つのバンドからなる計算上のフィルタを用いる。図８の例では、波長４２５ｎｍを中心としたガウシアン特性のフィルタから中心を５０ｎｍ間隔で増加させた６バンドのフィルタである。ここでは６バンドとしたが、バンド数は６に限定されない。
【００２２】
図６の代表的スペクトルデータをＰｏ（λ）とし、図８におけるそれぞれのバンドのフィルタの分光感度をｔ１（λ），ｔ２（λ），ｔ３（λ），ｔ４（λ），ｔ５（λ），ｔ６（λ）とすると、６つのバンドそれぞれによる特徴量ε１〜ε６は式（１）で表される。特徴量ε１〜ε６が特徴量Ａである。フィルタの特性を任意に設定することにより特徴量Ａを任意に決定することが可能である。対象とするスペクトルデータに応じてスペクトルの波長に対する反射率の変化をよく示すようにフィルタの特性を設定すると効果的である。
【００２３】
【数１】
【００２４】
スペクトルデータ群抽出部３２は、ステップＳ３にて、条件設定係数を用いて特徴量Ａに対する相違の程度の許容範囲である特徴量許容範囲ΔＡを決定する。特徴量許容範囲ΔＡは、特徴量ε１〜ε６それぞれに対して設定される。特徴量許容範囲ΔＡは、特徴量ε１〜ε６に対して全て同じ値でもよいし、全て同じ値でなくてもよい。特徴量Ａが大きいバンドの特徴量許容範囲ΔＡを大きくしてもよく、特徴量許容範囲ΔＡを適宜設定すればよい。
【００２５】
一方、スペクトルデータ群抽出部３２は、ステップＳ４にて、スペクトルデータ群記憶部３１に記憶されているスペクトルデータ群を取り込む。スペクトルデータ群抽出部３２は、ステップＳ５にて、ステップＳ２で用いたフィルタと同じフィルタを用いて、スペクトルデータ群それぞれのスペクトルデータに対して、式（１）と同様に、特徴量Ｂを計算する。
【００２６】
次に、スペクトルデータ群抽出部３２は、ステップＳ６にて、特徴量Ａに特徴量許容範囲ΔＡを加えた特徴量（Ａ＋ΔＡ）の範囲に特徴量Ｂがあるか否かを判定する。スペクトルデータ群抽出部３２は、特徴量（Ａ＋ΔＡ）の範囲に特徴量Ｂがある場合（YES）、ステップＳ７にて、特徴量Ｂが特徴量（Ａ＋ΔＡ）の範囲内にあるスペクトルデータを抽出して第ｎの抽出データ群を生成する。最初にスペクトルデータを抽出する場合、ｎは１であり、第１の抽出データ群となる。なお、抽出データ群のスペクトルデータの数は、数十から２，３百程度となる。
【００２７】
ステップＳ６にて特徴量（Ａ＋ΔＡ）の範囲に特徴量Ｂがない場合には（NO）、スペクトルデータ群抽出部３２は処理をステップＳ８に移行させる。
【００２８】
スペクトルデータ群抽出部３２は、ステップＳ８にて、スペクトルデータ群における全てのスペクトルデータに対してステップＳ６，Ｓ７の処理を行って、全てのスペクトルデータを確認したか否か判定する。全てのスペクトルデータを確認していなければ（NO）、ステップＳ５に戻る。全てのスペクトルデータを確認したら（YES）、スペクトルデータ群抽出部３２は、処理をステップＳ９に移行させる。
【００２９】
スペクトルデータ群抽出部３２は、ステップＳ９にて、ｎが所定の抽出データ群数Ｎに達したか否か判定する。ｎが所定の抽出データ群数Ｎに達していなければ（NO）、スペクトルデータ群抽出部３２は、ステップＳ１０にて、条件設定係数を変更して、処理をステップＳ３に戻す。スペクトルデータ群抽出部３２は、新たな条件設定係数を用いて新たな特徴量許容範囲ΔＡを決定する。そして、スペクトルデータ群抽出部３２は、ステップＳ６〜Ｓ１０及びＳ３の処理を繰り返す。ステップＳ９にてｎが所定の抽出データ群数Ｎに達したら（YES）、処理を終了する。
【００３０】
このように、スペクトルデータ群抽出部３２は、代表的スペクトルデータに対して代表的スペクトルデータと相違する程度を示す所定の許容範囲を複数設定し、被写体に限定されない任意の複数のスペクトルデータからなるスペクトルデータ群の内、複数の許容範囲それぞれに含まれる１または複数のスペクトルデータを抽出して複数の抽出データ群を生成している。
【００３１】
図９は、図７に示す処理で抽出された１つの抽出データ群を示している。スペクトルデータ群抽出部３２は、条件設定係数を変更することによって、図９に示すような抽出データ群を所定の数Ｎ抽出する。Ｎは複数であり、例えば２０である。上記のように、１つの抽出データ群のスペクトルデータの数は数十から２，３百程度であり、数十から２，３百程度の抽出データ群を２０程度生成することになる。特徴量許容範囲ΔＡの程度によっては、抽出データ群に含まれるスペクトルデータの数は、図９に示す抽出データ群に含まれるスペクトルデータの数よりも少なくなったり、多くなったりする。
【００３２】
スペクトルデータ群抽出部３２は図８に示す特性の分光感度を有するフィルタを用いたが、図４に示す特性の分光感度を有するフィルタを用いてもよい。
【００３３】
図２に戻り、変換行列生成部３４には、スペクトルデータ群抽出部３２で抽出されたＮ個の抽出データ群よりなるスペクトルデータと、被写体スペクトルデータ入力部３３より入力された代表的スペクトルデータとが入力される。変換行列生成部３４は、Ｎ個それぞれの抽出データ群を用いてＮ個の抽出データ群それぞれに対するＮ個の変換行列を生成する。変換行列生成部３４は、Ｎ個の抽出データ群それぞれに対するＮ個の変換行列の中から最適な変換行列を１つ選択する。
【００３４】
図１０のフローチャートを用いて、変換行列生成部３４において実行される変換行列生成工程について説明する。変換行列生成部３４では、変換行列を生成する際に、抽出データ群におけるそれぞれのサンプルのスペクトルデータＰｉ（λ）と、光源である照明部１３の放射スペクトルＥ（λ）と、読取装置１０のＲ，Ｇ，Ｂの分光感度とを用いる。読取装置１０のＲ，Ｇ，Ｂの分光感度は、図４で示した通りである。変換行列生成部３４は、読取装置１０の分光感度特性と同じまたは同等の分光感度を用いて変換行列を生成することによって、読取装置１０で読み取った画像データのスペクトル特性を精度よく算出することが可能となる。
【００３５】
１枚目のくし型フィルタを用いて１回目の撮影を行った場合の、図４におけるＲ，Ｇ，Ｂそれぞれ一対のバンドの内、一方の３つのバンドからなる分光感度をＳｒ１（λ），Ｓｇ１（λ），Ｓｇｂ１（λ）とする。２枚目のくし型フィルタを用いて２回目の撮影を行った場合の、図４におけるＲ，Ｇ，Ｂそれぞれ一対のバンドの内、他方の３つのバンドからなる分光感度をＳｒ２（λ），Ｓｇ２（λ），Ｓｇｂ２（λ）とする。
【００３６】
変換行列生成部３４では、読取装置１０のＲ，Ｇ，Ｂの分光感度に相当する分光感度Ｓｒ１（λ），Ｓｇ１（λ），Ｓｇｂ１（λ）及びＳｒ２（λ），Ｓｇ２（λ），Ｓｇｂ２（λ）を用いる。
【００３７】
図１０において、変換行列生成部３４は、ステップＳ１１にて、Ｎ個の抽出データ群の中から１つの抽出データ群を取り込む。変換行列生成部３４は、ステップＳ１２にて、次の式（２）を用いて抽出データ群それぞれのサンプルのＲＧＢ値を算出する。計算上のＲＧＢ値を（νｒ，νｇ，νｂ）とし、分光感度Ｓｒ１（λ），Ｓｇ１（λ），Ｓｇｂ１（λ）を用いた場合のＲＧＢ値を（νｒ１，νｇ１，νｂ１）、分光感度Ｓｒ２（λ），Ｓｇ２（λ），Ｓｇｂ２（λ）を用いた場合のＲＧＢ値を（νｒ２，νｇ２，νｂ２）とする。
【００３８】
【数２】
【００３９】
変換行列生成部３４は、ステップＳ１３にて、抽出データ群それぞれのサンプルのスペクトル特性における波長ごとの反射率を目的変数とし、ステップＳ１２で算出したＲＧＢ値を説明変数として、変換行列を生成する。スペクトル特性を算出するための変換行列を予め準備しておく必要がある。そこで、変換行列作成装置３０において変換行列を作成し、パラメータ記憶部２４１に記憶しておく。変換行列は重回帰分析によって計算された偏回帰係数で構成される。
【００４０】
重回帰式は、２つ以上の説明変数ｘ１，ｘ２，…によって目的変数ｙを表す方程式であり、式（３）のように表される。ａ，ｂ，ｃ，…を偏回帰係数と呼ぶ。
ｙ＝ａ＋ｂｘ１＋ｃｘ２＋… （３）
【００４１】
例えば、可視光帯における波長４００ｎｍ，４０５ｎｍ，４１０ｎｍ，…のように複数の波長のそれぞれについて、各サンプルの反射率を目的変数とし、ＲＧＢ値を説明変数として重回帰式を求める。反射率をｒ、１枚目のくし型フィルタによって得られたＲＧＢ値をＲ１，Ｇ１，Ｂ１、２枚目のくし型フィルタによって得られたＲＧＢ値をＲ２，Ｇ２，Ｂ２とすると、重回帰式はそれぞれの波長に対して式（４）のように求められる。重回帰式を求める計算方法については公知であるため説明を省略する。
ｒ＝ａ＋ｂＲ１＋ｃＧ１＋ｄＢ１＋ｅＲ２＋ｆＧ２＋ｇＢ２… （４）
【００４２】
例えば、波長４００ｎｍに対して、偏回帰係数ａ４００，ｂ４００，ｃ４００，ｄ４００，ｅ４００，ｆ４００，ｇ４００が得られる。波長４０５ｎｍに対して、偏回帰係数ａ４０５，ｂ４０５，ｃ４０５，ｄ４０５，ｅ４０５，ｆ４０５，ｇ４０５が得られる。波長４１０ｎｍに対して、偏回帰係数ａ４１０，ｂ４１０，ｃ４１０，ｄ４１０，ｅ４１０，ｆ４１０，ｇ４１０が得られる。以下、同様にして、それぞれの波長に対して、偏回帰係数が得られる。それぞれの波長の偏回帰係数の全体が１個の変換行列となる。
【００４３】
図１０において、変換行列生成部３４は、ステップＳ１４にて、Ｎ個の抽出データ群の全てに対して、変換行列を生成したか否かを判定し、全てに対して変換行列を生成していなければ（NO）、ステップＳ１１に戻ってステップＳ１１〜Ｓ１３を繰り返し、全てに対して変換行列を生成していれば終了する。
【００４４】
図３に示す分光感度を図４に示すようにバンド数を増加させているのは、バンド数が多い方が偏回帰係数を求める際の説明変数を増やすことができ、変換行列の計算精度を上げることができるからである。よって、分光感度のバンド数を増加させることが好ましい。
【００４５】
次に、図１１のフローチャートを用いて、変換行列生成部３４において実行されるＮ個の抽出データ群それぞれに対するＮ個の変換行列の中から最適な変換行列を１つ選択する変換行列選択工程について説明する。図１１において、変換行列生成部３４は、ステップＳ２１にて、図６に示す代表的スペクトルデータを取り込む。代表的スペクトルデータを代表的スペクトルデータαとする。変換行列生成部３４は、ステップＳ２２にて、次の式（５）を用いて代表的スペクトルデータαのＲＧＢ値を算出する。ここでも、分光感度Ｓｒ１（λ），Ｓｇ１（λ），Ｓｇｂ１（λ）を用いた場合のＲＧＢ値を（νｒ１，νｇ１，νｂ１）、分光感度Ｓｒ２（λ），Ｓｇ２（λ），Ｓｇｂ２（λ）を用いた場合のＲＧＢ値を（νｒ２，νｇ２，νｂ２）とする。
【００４６】
【数３】
【００４７】
変換行列生成部３４は、ステップＳ２３にて、ステップＳ２２で算出したＲＧＢ値とＮ個の変換行列における１つの変換行列とを用いてスペクトルデータを生成する。上記のように、変換行列は、所定のステップごとの波長における反射率を計算するための偏回帰係数であるので、それぞれの波長における反射率を集計することによってスペクトルデータを生成することが可能である。ステップＳ２３で生成するスペクトルデータをスペクトルデータβとする。
【００４８】
変換行列生成部３４は、ステップＳ２４にて、スペクトルデータαとスペクトルデータβとの誤差量を算出する。誤差量は、複数の波長におけるスペクトルデータα，βの反射率の差の二乗和平均値や、スペクトルデータα，βの相関を調べた相関係数等を用いればよい。変換行列生成部３４は、ステップＳ２５にて、Ｎ個全ての変換行列を用いてスペクトルデータβを生成したか否かを判定する。Ｎ個全ての変換行列を用いてスペクトルデータβを生成していなければ（NO）、変換行列生成部３４は、処理をステップＳ２３に戻し、Ｎ個全ての変換行列を用いてスペクトルデータβを生成していれば（YES）、処理をステップＳ２６に移行させる。
【００４９】
変換行列生成部３４は、ステップＳ２６にて、ステップＳ２４で算出した誤差量を比較して、誤差量が最小となる変換行列を選択して終了する。誤差量が最小の変換行列は、スペクトル特性算出部２４２がＲＧＢデータに基づいてスペクトルデータを生成するのに最も適した変換行列であるということである。
【００５０】
図２に戻り、以上のように生成された変換行列は、パラメータ記憶部２４１に記憶される。パラメータ記憶部２４１に記憶された変換行列は、スペクトル特性算出部２４２において、被写体のＲＧＢデータよりスペクトル特性を算出してスペクトルデータを生成する際に用いられる。
【００５１】
図２において、デジタルカメラ１１より出力された画像データは、ＲＧＢ抽出部２３１に入力される。ＲＧＢ抽出部２３１に入力される画像データは、図４に示す分光感度特性に基づいている。ＲＧＢ抽出部２３１はＲ，Ｇ，Ｂそれぞれの画素データを抽出してＲＧＢデータとして出力する。スペクトル特性算出部２４２は、入力されたＲＧＢデータと変換行列とを用いて画素ごとにスペクトル特性を算出する。スペクトル特性算出部２４２は、画素ごとに算出したスペクトル特性に基づいてスペクトルデータを生成して、画像生成部２３２に供給する。画像生成部２３２は、入力されたスペクトルデータに基づいて、被写体の波長と反射率とのスペクトル特性を示す画像データを生成する。画像データは図１の表示部２２に表示される。
【００５２】
以上のように、本実施形態によれば、カラー画像を解析する対象の被写体と同一の被写体とは限らない任意の複数のスペクトルデータを用いるので、解析しようとする対象物に準じる多数のサンプルを測定した多数のスペクトルデータを用いる必要はない。多数のサンプルを確保する必要がないので、工数を大幅に削減することが可能となる。しかも、任意の複数のスペクトルデータをそのまま用いるのではなく、解析しようとする対象物を示す代表的なスペクトルデータを基準として選択したスペクトルデータを用いるので、スペクトル特性の算出精度を向上させることができる。解析しようとする対象物に準じる多数のサンプルを測定したスペクトルデータを用いる場合と比較しても遜色ない精度とすることができる。
【００５３】
スペクトルデータ群記憶部３１に記憶するスペクトルデータは、多種多様のスペクトルデータであるほど代表的なスペクトルデータに近いスペクトルデータ群を抽出することが可能となる。そこで、分光器を用いて新しくスペクトルデータを測定した場合には、スペクトルデータ群記憶部３１に随時追加していくことが好ましい。
【００５４】
本発明は以上説明した本実施形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々変更可能である。図１，図２では本実施形態をハードウェアで構成されように示したが、ソフトウェア（コンピュータプログラム）によって構成することもできる。ハードウェアとソフトウェアとを混在させてもよく、ハードウェアとソフトウェアとの使い分けは任意である。
【符号の説明】
【００５５】
１０ 読取装置
１１ デジタルカメラ
１２ フィルタ切替機構
１３ 照明部
１４ 制御部
１５，２１ 通信部
１６，２２ 表示部
２０ 解析装置
２３ スペクトル画像生成部
２４ 解析部
２３１ ＲＧＢ抽出部
２３２ 画像生成部
２４１ パラメータ記憶部
２４２ スペクトル特性算出部
【技術分野】
【０００１】
本発明は、デジタルカメラ等により撮影された被写体の画像から色情報を抽出し、被写体のスペクトル特性を推定することにより、被写体の特性を解析するカラー画像解析装置に関する。
【背景技術】
【０００２】
デジタルカメラ等により撮影された被写体の画像から色情報を抽出し、被写体のスペクトル特性を推定することにより、被写体の特性を解析するカラー画像解析装置が知られている（特許文献１参照）。カラー画像解析装置は、印刷物の色調整、絵画等の分析、医療分野や美容分野における人間の肌の状態の分析等、種々の分野で用いられている。人間の皮膚の発色を構成する要因は皮膚に存在するメラニンや毛細血管内に存在するヘモグロビンによる光の反射特性等であり、メラニンやヘモグロビンを詳細に分析するためには、反射光のスペクトル特性を分析することが必要となる。
【先行技術文献】
【特許文献】
【０００３】
【特許文献１】特開平７−１７４６３１号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
一般的にカラー画像解析装置において、被写体である対象物のスペクトル特性を推定するためには、予め対象物に準じる多数のサンプルを測定して多数のスペクトルデータを保持しておくことが必要である。しかも、異なる対象物を被写体とするたびに、改めて多数のサンプルを測定しなければならない。多数のサンプルを確保することは容易ではなく、確保できても多数のサンプルを測定するためには工数が多くかかってしまう。適切なサンプルを準備できない場合には、ＲＧＢ値とスペクトル特性との関係を精度よく関連付けることができないため、スペクトル特性を精度よく推定することができない。従って、対象物の解析の精度が低下してしまう。
【０００５】
本発明はこのような問題点に鑑み、解析しようとする対象物に準じる多数のサンプルを測定した多数のスペクトルデータを用いる必要がなく、精度よく対象物のスペクトル特性を推定して対象物を解析することができるカラー画像解析装置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】
【０００６】
本発明は、上述した従来の技術の課題を解決するため、ＲＧＢそれぞれで波長に対する感度が所定の特性となっている分光感度を有する読取装置によって読み取られた被写体の画像データからＲＧＢデータを抽出するＲＧＢ抽出部（２３１）と、前記ＲＧＢデータに基づいてスペクトルデータを生成するための変換行列を記憶するパラメータ記憶部（２４１）と、前記ＲＧＢデータと前記パラメータ記憶部に記憶された変換行列とを用いてスペクトル特性を算出して、スペクトルデータを生成するスペクトル特性算出部（２４２）とを備え、前記パラメータ記憶部は、前記被写体の代表的なスペクトルデータに対して前記代表的なスペクトルデータと相違する程度を示す所定の許容範囲を複数設定し、前記被写体に限定されない任意の複数のスペクトルデータからなるスペクトルデータ群の内、複数の許容範囲それぞれに含まれる複数のスペクトルデータを抽出して複数の抽出データ群を生成し、前記複数の抽出データ群のそれぞれを用いて複数の変換行列を生成し、前記複数の変換行列の中から、前記スペクトル特性算出部が前記ＲＧＢデータと前記代表的なスペクトルデータとに基づいてスペクトルデータを生成するのに最も適した変換行列を選択することによって作成した変換行列を記憶していることを特徴とするカラー画像解析装置を提供する。
【０００７】
上記の構成において、前記ＲＧＢ抽出部は、前記読取装置において、ＲＧＢそれぞれ１バンドよりなる３バンドの第１の分光感度を異なる複数のフィルタによって分割し、３バンドを超えるバンド数の第２の分光感度によって読み取られた画像データからＲＧＢデータを抽出し、前記パラメータ記憶部は、前記第２の分光感度を用いて計算した複数の変換行列の中から選択した変換行列を記憶していることが好ましい。
【０００８】
上記の構成において、前記パラメータ記憶部は、前記代表的なスペクトルデータに基づいて算出したＲＧＢ値と前記複数の変換行列それぞれとを用いて複数のスペクトルデータを生成し、前記代表的なスペクトルデータと前記複数のスペクトルデータとの誤差量が最小の変換行列を選択することによって作成した変換行列を記憶していることが好ましい。
【発明の効果】
【０００９】
本発明によれば、解析しようとする対象物に準じる多数のサンプルを測定した多数のスペクトルデータを用いる必要がなく、精度よく対象物のスペクトル特性を推定して対象物を解析することができる。
【図面の簡単な説明】
【００１０】
【図１】本発明のカラー画像解析装置の一実施形態を示すブロック図である。
【図２】被写体のスペクトル画像を生成するための動作の流れを概念的に示すブロック図である。
【図３】図１中の読取装置１０の分光感度特性の一例を示す図である。
【図４】図３に示す分光感度特性を２種類のフィルタによって分割した分光感度特性を示す図である。
【図５】任意の複数のスペクトルデータからなるスペクトルデータ群を示す図である。
【図６】被写体の代表的なスペクトルデータを示す図である。
【図７】図２中のスペクトルデータ群抽出部３２の動作を説明するためのフローチャートである。
【図８】スペクトルデータ群抽出部３２で用いるフィルタの分光感度特性を示す図である。
【図９】スペクトルデータ群抽出部３２が抽出した抽出データ群の一例を示す図である。
【図１０】図２中の変換行列生成部３４で実行される複数の変換行列を生成する動作を説明するためのフローチャートである。
【図１１】変換行列生成部３４で実行される最適な変換行列を選択する動作を説明するためのフローチャートである。
【発明を実施するための形態】
【００１１】
以下、本発明のカラー画像解析装置の一実施形態について、添付図面を参照して説明する。図１において、本実施形態のカラー画像解析装置は、読取装置１０と解析装置２０とを備える。読取装置１０は、被写体を撮影するデジタルカメラ１１、デジタルカメラ１１のレンズと被写体の間に配置された複数のフィルタを切り替えるフィルタ切替機構１２、被写体を一様に照らす照明部１３、読取装置１０内の各部を制御する制御部１４、解析装置２０との間でデータをやり取りする通信部１５、撮影した画像等を表示する表示部１６を備える。
【００１２】
解析装置２０は、読取装置１０との間でデータをやり取りする通信部２１、スペクトル画像や画像の解析結果等を表示する表示部２２、被写体の画像からスペクトル特性を推定するための色情報を抽出してスペクトル画像を生成するスペクトル画像生成部２３、スペクトル画像生成部２３が抽出した色情報からスペクトル特性を算出（推定）する解析部２４を備える。スペクトル画像生成部２３は、撮影された画像から色情報を抽出するＲＧＢ抽出部２３１と、解析部２４で算出されたスペクトル特性からスペクトル画像を生成する画像生成部２３２とを備える。解析部２４は、スペクトル特性を算出するために用いる計算用データを記憶するパラメータ記憶部２４１と、スペクトル画像生成部２３が抽出した色情報からスペクトル特性を算出するスペクトル特性算出部２４２とを備える。
【００１３】
図２は、図１に示す読取装置１０及び解析装置２０とで、被写体のスペクトル画像を生成するための動作の流れを概念的に示している。解析装置２０内のパラメータ記憶部２４１には、変換行列作成装置３０によって作成された変換行列が記憶される。変換行列は、スペクトル特性算出部２４２がスペクトル特性を算出するための計算用データである。
【００１４】
後述するように、変換行列作成装置３０内のスペクトルデータ群記憶部３１とスペクトルデータ群抽出部３２とによって、スペクトルデータ群から選択的にスペクトルデータを抽出して抽出データ群を作成する作成工程が実行される。変換行列生成部３４によって変換行列生成工程が実行される。デジタルカメラ１１とＲＧＢ抽出部２３１とスペクトル特性算出部２４２とによって、撮影された画像のスペクトル特性を算出するスペクトル特性算出工程が実行される。なお、本実施形態においては、被写体のスペクトル特性を、重回帰分析により算出する方法を用いる。
【００１５】
まず、ＲＧＢ抽出部２３１に入力される画像データについて説明する。図３は、デジタルカメラ１１の分光感度特性の一例であり、波長に対する感度（相対値）の特性を示している。デジタルカメラ１１の分光感度特性は、イメージセンサ、イメージセンサ上に光を集光するレンズ等の光学系、一部の波長域を制限するための光学フィルタ等の光学的特性を総合することによって決まる。図３に示すように、分光感度特性は、Ｒ，Ｇ，Ｂの各値を検出するための３つの分光感度を組み合わせることによって決まる。
【００１６】
デジタルカメラ１１のレンズと被写体の間に配置されたフィルタを例えば２枚の波長透過率の異なるくし型フィルタとし、２枚のくし型フィルタをフィルタ切替機構１２によって切り替えることとする。すると、図３に示す３つのバンドからなる分光感度は、図４に示すように６つのバンドからなる分光感度となる。１枚目のくし型フィルタを用いて１回目の撮影を行うと、図４の内のＲ，Ｇ，Ｂの内の一方である３つのバンドからなる分光感度が得られ、２枚目のくし型フィルタを用いて２回目の撮影を行うと、図４の内のＲ，Ｇ，Ｂの内の他方である３つのバンドからなる分光感度が得られる。
【００１７】
従って、ＲＧＢ抽出部２３１に入力される画像データは、図４に示す６バンドの分光感度に対応した画像データとなる。
【００１８】
次に、変換行列を作成するための変換行列作成装置３０の構成及び動作について説明する。変換行列作成装置３０は、まず、スペクトルデータ群から選択的にスペクトルデータを抽出して抽出データ群を作成する作成工程を実行する。図２において、スペクトルデータ群記憶部３１は、カラー画像を解析する対象の被写体（対象物）と同一の被写体とは限らない任意のスペクトルデータを多数記憶している。図５は、スペクトルデータ記憶部３１が記憶している多数のスペクトルデータの例を示している。カラー画像を解析する対象の被写体が仮に人の肌であっても、スペクトルデータ群記憶部３１は、スペクトルデータ群として、人の肌に限らず、人以外の物体を含む任意の物体のスペクトルデータ群を記憶している。
【００１９】
スペクトルデータ群記憶部３１が記憶するスペクトルデータとしては、既存の汎用的に入手可能なスペクトルデータを用いることができる。従って、カラー画像を解析する対象の被写体が人の肌であったとしても、多数の人を集めて、人の肌のサンプルによってスペクトルデータ群を生成する必要はない。スペクトルデータ群記憶部３１が記憶するスペクトルデータ群は例えば２０００サンプルである。
【００２０】
スペクトルデータ群抽出部３２には、スペクトルデータ群記憶部３１に記憶されているスペクトルデータ群と、被写体スペクトルデータ入力部３３より入力された被写体のスペクトルデータとが入力される。被写体スペクトルデータ入力部３３は、カラー画像を解析する対象の被写体または同等の代表的な被写体のスペクトルデータ（以下、代表的スペクトルデータと称する）を入力する。被写体を分光器によって計測することにより、一例として図６に示すような代表的スペクトルデータを生成することができる。被写体を人の肌とする場合、一般的な人を代表的な被写体として代表的スペクトルデータを計測すればよい。従って、スペクトルデータを計測するのは一人でよい。
【００２１】
図７を用いてスペクトルデータ群抽出部３２に動作について説明する。図７において、スペクトルデータ群抽出部３２は、ステップＳ１にて、図６に示すような代表的スペクトルデータを取り込む。スペクトルデータ群抽出部３２は、ステップＳ２にて、入力された代表的スペクトルデータの特徴量Ａを計算する。スペクトルデータ群抽出部３２は、一例として次のように特徴量Ａを計算する。スペクトルデータ群抽出部３２は、図８に示すように、波長４００ｎｍから７００ｎｍを６つのバンドからなる計算上のフィルタを用いる。図８の例では、波長４２５ｎｍを中心としたガウシアン特性のフィルタから中心を５０ｎｍ間隔で増加させた６バンドのフィルタである。ここでは６バンドとしたが、バンド数は６に限定されない。
【００２２】
図６の代表的スペクトルデータをＰｏ（λ）とし、図８におけるそれぞれのバンドのフィルタの分光感度をｔ１（λ），ｔ２（λ），ｔ３（λ），ｔ４（λ），ｔ５（λ），ｔ６（λ）とすると、６つのバンドそれぞれによる特徴量ε１〜ε６は式（１）で表される。特徴量ε１〜ε６が特徴量Ａである。フィルタの特性を任意に設定することにより特徴量Ａを任意に決定することが可能である。対象とするスペクトルデータに応じてスペクトルの波長に対する反射率の変化をよく示すようにフィルタの特性を設定すると効果的である。
【００２３】
【数１】
【００２４】
スペクトルデータ群抽出部３２は、ステップＳ３にて、条件設定係数を用いて特徴量Ａに対する相違の程度の許容範囲である特徴量許容範囲ΔＡを決定する。特徴量許容範囲ΔＡは、特徴量ε１〜ε６それぞれに対して設定される。特徴量許容範囲ΔＡは、特徴量ε１〜ε６に対して全て同じ値でもよいし、全て同じ値でなくてもよい。特徴量Ａが大きいバンドの特徴量許容範囲ΔＡを大きくしてもよく、特徴量許容範囲ΔＡを適宜設定すればよい。
【００２５】
一方、スペクトルデータ群抽出部３２は、ステップＳ４にて、スペクトルデータ群記憶部３１に記憶されているスペクトルデータ群を取り込む。スペクトルデータ群抽出部３２は、ステップＳ５にて、ステップＳ２で用いたフィルタと同じフィルタを用いて、スペクトルデータ群それぞれのスペクトルデータに対して、式（１）と同様に、特徴量Ｂを計算する。
【００２６】
次に、スペクトルデータ群抽出部３２は、ステップＳ６にて、特徴量Ａに特徴量許容範囲ΔＡを加えた特徴量（Ａ＋ΔＡ）の範囲に特徴量Ｂがあるか否かを判定する。スペクトルデータ群抽出部３２は、特徴量（Ａ＋ΔＡ）の範囲に特徴量Ｂがある場合（YES）、ステップＳ７にて、特徴量Ｂが特徴量（Ａ＋ΔＡ）の範囲内にあるスペクトルデータを抽出して第ｎの抽出データ群を生成する。最初にスペクトルデータを抽出する場合、ｎは１であり、第１の抽出データ群となる。なお、抽出データ群のスペクトルデータの数は、数十から２，３百程度となる。
【００２７】
ステップＳ６にて特徴量（Ａ＋ΔＡ）の範囲に特徴量Ｂがない場合には（NO）、スペクトルデータ群抽出部３２は処理をステップＳ８に移行させる。
【００２８】
スペクトルデータ群抽出部３２は、ステップＳ８にて、スペクトルデータ群における全てのスペクトルデータに対してステップＳ６，Ｓ７の処理を行って、全てのスペクトルデータを確認したか否か判定する。全てのスペクトルデータを確認していなければ（NO）、ステップＳ５に戻る。全てのスペクトルデータを確認したら（YES）、スペクトルデータ群抽出部３２は、処理をステップＳ９に移行させる。
【００２９】
スペクトルデータ群抽出部３２は、ステップＳ９にて、ｎが所定の抽出データ群数Ｎに達したか否か判定する。ｎが所定の抽出データ群数Ｎに達していなければ（NO）、スペクトルデータ群抽出部３２は、ステップＳ１０にて、条件設定係数を変更して、処理をステップＳ３に戻す。スペクトルデータ群抽出部３２は、新たな条件設定係数を用いて新たな特徴量許容範囲ΔＡを決定する。そして、スペクトルデータ群抽出部３２は、ステップＳ６〜Ｓ１０及びＳ３の処理を繰り返す。ステップＳ９にてｎが所定の抽出データ群数Ｎに達したら（YES）、処理を終了する。
【００３０】
このように、スペクトルデータ群抽出部３２は、代表的スペクトルデータに対して代表的スペクトルデータと相違する程度を示す所定の許容範囲を複数設定し、被写体に限定されない任意の複数のスペクトルデータからなるスペクトルデータ群の内、複数の許容範囲それぞれに含まれる１または複数のスペクトルデータを抽出して複数の抽出データ群を生成している。
【００３１】
図９は、図７に示す処理で抽出された１つの抽出データ群を示している。スペクトルデータ群抽出部３２は、条件設定係数を変更することによって、図９に示すような抽出データ群を所定の数Ｎ抽出する。Ｎは複数であり、例えば２０である。上記のように、１つの抽出データ群のスペクトルデータの数は数十から２，３百程度であり、数十から２，３百程度の抽出データ群を２０程度生成することになる。特徴量許容範囲ΔＡの程度によっては、抽出データ群に含まれるスペクトルデータの数は、図９に示す抽出データ群に含まれるスペクトルデータの数よりも少なくなったり、多くなったりする。
【００３２】
スペクトルデータ群抽出部３２は図８に示す特性の分光感度を有するフィルタを用いたが、図４に示す特性の分光感度を有するフィルタを用いてもよい。
【００３３】
図２に戻り、変換行列生成部３４には、スペクトルデータ群抽出部３２で抽出されたＮ個の抽出データ群よりなるスペクトルデータと、被写体スペクトルデータ入力部３３より入力された代表的スペクトルデータとが入力される。変換行列生成部３４は、Ｎ個それぞれの抽出データ群を用いてＮ個の抽出データ群それぞれに対するＮ個の変換行列を生成する。変換行列生成部３４は、Ｎ個の抽出データ群それぞれに対するＮ個の変換行列の中から最適な変換行列を１つ選択する。
【００３４】
図１０のフローチャートを用いて、変換行列生成部３４において実行される変換行列生成工程について説明する。変換行列生成部３４では、変換行列を生成する際に、抽出データ群におけるそれぞれのサンプルのスペクトルデータＰｉ（λ）と、光源である照明部１３の放射スペクトルＥ（λ）と、読取装置１０のＲ，Ｇ，Ｂの分光感度とを用いる。読取装置１０のＲ，Ｇ，Ｂの分光感度は、図４で示した通りである。変換行列生成部３４は、読取装置１０の分光感度特性と同じまたは同等の分光感度を用いて変換行列を生成することによって、読取装置１０で読み取った画像データのスペクトル特性を精度よく算出することが可能となる。
【００３５】
１枚目のくし型フィルタを用いて１回目の撮影を行った場合の、図４におけるＲ，Ｇ，Ｂそれぞれ一対のバンドの内、一方の３つのバンドからなる分光感度をＳｒ１（λ），Ｓｇ１（λ），Ｓｇｂ１（λ）とする。２枚目のくし型フィルタを用いて２回目の撮影を行った場合の、図４におけるＲ，Ｇ，Ｂそれぞれ一対のバンドの内、他方の３つのバンドからなる分光感度をＳｒ２（λ），Ｓｇ２（λ），Ｓｇｂ２（λ）とする。
【００３６】
変換行列生成部３４では、読取装置１０のＲ，Ｇ，Ｂの分光感度に相当する分光感度Ｓｒ１（λ），Ｓｇ１（λ），Ｓｇｂ１（λ）及びＳｒ２（λ），Ｓｇ２（λ），Ｓｇｂ２（λ）を用いる。
【００３７】
図１０において、変換行列生成部３４は、ステップＳ１１にて、Ｎ個の抽出データ群の中から１つの抽出データ群を取り込む。変換行列生成部３４は、ステップＳ１２にて、次の式（２）を用いて抽出データ群それぞれのサンプルのＲＧＢ値を算出する。計算上のＲＧＢ値を（νｒ，νｇ，νｂ）とし、分光感度Ｓｒ１（λ），Ｓｇ１（λ），Ｓｇｂ１（λ）を用いた場合のＲＧＢ値を（νｒ１，νｇ１，νｂ１）、分光感度Ｓｒ２（λ），Ｓｇ２（λ），Ｓｇｂ２（λ）を用いた場合のＲＧＢ値を（νｒ２，νｇ２，νｂ２）とする。
【００３８】
【数２】
【００３９】
変換行列生成部３４は、ステップＳ１３にて、抽出データ群それぞれのサンプルのスペクトル特性における波長ごとの反射率を目的変数とし、ステップＳ１２で算出したＲＧＢ値を説明変数として、変換行列を生成する。スペクトル特性を算出するための変換行列を予め準備しておく必要がある。そこで、変換行列作成装置３０において変換行列を作成し、パラメータ記憶部２４１に記憶しておく。変換行列は重回帰分析によって計算された偏回帰係数で構成される。
【００４０】
重回帰式は、２つ以上の説明変数ｘ１，ｘ２，…によって目的変数ｙを表す方程式であり、式（３）のように表される。ａ，ｂ，ｃ，…を偏回帰係数と呼ぶ。
ｙ＝ａ＋ｂｘ１＋ｃｘ２＋… （３）
【００４１】
例えば、可視光帯における波長４００ｎｍ，４０５ｎｍ，４１０ｎｍ，…のように複数の波長のそれぞれについて、各サンプルの反射率を目的変数とし、ＲＧＢ値を説明変数として重回帰式を求める。反射率をｒ、１枚目のくし型フィルタによって得られたＲＧＢ値をＲ１，Ｇ１，Ｂ１、２枚目のくし型フィルタによって得られたＲＧＢ値をＲ２，Ｇ２，Ｂ２とすると、重回帰式はそれぞれの波長に対して式（４）のように求められる。重回帰式を求める計算方法については公知であるため説明を省略する。
ｒ＝ａ＋ｂＲ１＋ｃＧ１＋ｄＢ１＋ｅＲ２＋ｆＧ２＋ｇＢ２… （４）
【００４２】
例えば、波長４００ｎｍに対して、偏回帰係数ａ４００，ｂ４００，ｃ４００，ｄ４００，ｅ４００，ｆ４００，ｇ４００が得られる。波長４０５ｎｍに対して、偏回帰係数ａ４０５，ｂ４０５，ｃ４０５，ｄ４０５，ｅ４０５，ｆ４０５，ｇ４０５が得られる。波長４１０ｎｍに対して、偏回帰係数ａ４１０，ｂ４１０，ｃ４１０，ｄ４１０，ｅ４１０，ｆ４１０，ｇ４１０が得られる。以下、同様にして、それぞれの波長に対して、偏回帰係数が得られる。それぞれの波長の偏回帰係数の全体が１個の変換行列となる。
【００４３】
図１０において、変換行列生成部３４は、ステップＳ１４にて、Ｎ個の抽出データ群の全てに対して、変換行列を生成したか否かを判定し、全てに対して変換行列を生成していなければ（NO）、ステップＳ１１に戻ってステップＳ１１〜Ｓ１３を繰り返し、全てに対して変換行列を生成していれば終了する。
【００４４】
図３に示す分光感度を図４に示すようにバンド数を増加させているのは、バンド数が多い方が偏回帰係数を求める際の説明変数を増やすことができ、変換行列の計算精度を上げることができるからである。よって、分光感度のバンド数を増加させることが好ましい。
【００４５】
次に、図１１のフローチャートを用いて、変換行列生成部３４において実行されるＮ個の抽出データ群それぞれに対するＮ個の変換行列の中から最適な変換行列を１つ選択する変換行列選択工程について説明する。図１１において、変換行列生成部３４は、ステップＳ２１にて、図６に示す代表的スペクトルデータを取り込む。代表的スペクトルデータを代表的スペクトルデータαとする。変換行列生成部３４は、ステップＳ２２にて、次の式（５）を用いて代表的スペクトルデータαのＲＧＢ値を算出する。ここでも、分光感度Ｓｒ１（λ），Ｓｇ１（λ），Ｓｇｂ１（λ）を用いた場合のＲＧＢ値を（νｒ１，νｇ１，νｂ１）、分光感度Ｓｒ２（λ），Ｓｇ２（λ），Ｓｇｂ２（λ）を用いた場合のＲＧＢ値を（νｒ２，νｇ２，νｂ２）とする。
【００４６】
【数３】
【００４７】
変換行列生成部３４は、ステップＳ２３にて、ステップＳ２２で算出したＲＧＢ値とＮ個の変換行列における１つの変換行列とを用いてスペクトルデータを生成する。上記のように、変換行列は、所定のステップごとの波長における反射率を計算するための偏回帰係数であるので、それぞれの波長における反射率を集計することによってスペクトルデータを生成することが可能である。ステップＳ２３で生成するスペクトルデータをスペクトルデータβとする。
【００４８】
変換行列生成部３４は、ステップＳ２４にて、スペクトルデータαとスペクトルデータβとの誤差量を算出する。誤差量は、複数の波長におけるスペクトルデータα，βの反射率の差の二乗和平均値や、スペクトルデータα，βの相関を調べた相関係数等を用いればよい。変換行列生成部３４は、ステップＳ２５にて、Ｎ個全ての変換行列を用いてスペクトルデータβを生成したか否かを判定する。Ｎ個全ての変換行列を用いてスペクトルデータβを生成していなければ（NO）、変換行列生成部３４は、処理をステップＳ２３に戻し、Ｎ個全ての変換行列を用いてスペクトルデータβを生成していれば（YES）、処理をステップＳ２６に移行させる。
【００４９】
変換行列生成部３４は、ステップＳ２６にて、ステップＳ２４で算出した誤差量を比較して、誤差量が最小となる変換行列を選択して終了する。誤差量が最小の変換行列は、スペクトル特性算出部２４２がＲＧＢデータに基づいてスペクトルデータを生成するのに最も適した変換行列であるということである。
【００５０】
図２に戻り、以上のように生成された変換行列は、パラメータ記憶部２４１に記憶される。パラメータ記憶部２４１に記憶された変換行列は、スペクトル特性算出部２４２において、被写体のＲＧＢデータよりスペクトル特性を算出してスペクトルデータを生成する際に用いられる。
【００５１】
図２において、デジタルカメラ１１より出力された画像データは、ＲＧＢ抽出部２３１に入力される。ＲＧＢ抽出部２３１に入力される画像データは、図４に示す分光感度特性に基づいている。ＲＧＢ抽出部２３１はＲ，Ｇ，Ｂそれぞれの画素データを抽出してＲＧＢデータとして出力する。スペクトル特性算出部２４２は、入力されたＲＧＢデータと変換行列とを用いて画素ごとにスペクトル特性を算出する。スペクトル特性算出部２４２は、画素ごとに算出したスペクトル特性に基づいてスペクトルデータを生成して、画像生成部２３２に供給する。画像生成部２３２は、入力されたスペクトルデータに基づいて、被写体の波長と反射率とのスペクトル特性を示す画像データを生成する。画像データは図１の表示部２２に表示される。
【００５２】
以上のように、本実施形態によれば、カラー画像を解析する対象の被写体と同一の被写体とは限らない任意の複数のスペクトルデータを用いるので、解析しようとする対象物に準じる多数のサンプルを測定した多数のスペクトルデータを用いる必要はない。多数のサンプルを確保する必要がないので、工数を大幅に削減することが可能となる。しかも、任意の複数のスペクトルデータをそのまま用いるのではなく、解析しようとする対象物を示す代表的なスペクトルデータを基準として選択したスペクトルデータを用いるので、スペクトル特性の算出精度を向上させることができる。解析しようとする対象物に準じる多数のサンプルを測定したスペクトルデータを用いる場合と比較しても遜色ない精度とすることができる。
【００５３】
スペクトルデータ群記憶部３１に記憶するスペクトルデータは、多種多様のスペクトルデータであるほど代表的なスペクトルデータに近いスペクトルデータ群を抽出することが可能となる。そこで、分光器を用いて新しくスペクトルデータを測定した場合には、スペクトルデータ群記憶部３１に随時追加していくことが好ましい。
【００５４】
本発明は以上説明した本実施形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々変更可能である。図１，図２では本実施形態をハードウェアで構成されように示したが、ソフトウェア（コンピュータプログラム）によって構成することもできる。ハードウェアとソフトウェアとを混在させてもよく、ハードウェアとソフトウェアとの使い分けは任意である。
【符号の説明】
【００５５】
１０ 読取装置
１１ デジタルカメラ
１２ フィルタ切替機構
１３ 照明部
１４ 制御部
１５，２１ 通信部
１６，２２ 表示部
２０ 解析装置
２３ スペクトル画像生成部
２４ 解析部
２３１ ＲＧＢ抽出部
２３２ 画像生成部
２４１ パラメータ記憶部
２４２ スペクトル特性算出部
【特許請求の範囲】
【請求項１】
ＲＧＢそれぞれで波長に対する感度が所定の特性となっている分光感度を有する読取装置によって読み取られた被写体の画像データからＲＧＢデータを抽出するＲＧＢ抽出部と、
前記ＲＧＢデータに基づいてスペクトルデータを生成するための変換行列を記憶するパラメータ記憶部と、
前記ＲＧＢデータと前記パラメータ記憶部に記憶された変換行列とを用いてスペクトル特性を算出して、スペクトルデータを生成するスペクトル特性算出部と、
を備え、
前記パラメータ記憶部は、
前記被写体の代表的なスペクトルデータに対して前記代表的なスペクトルデータと相違する程度を示す所定の許容範囲を複数設定し、前記被写体に限定されない任意の複数のスペクトルデータからなるスペクトルデータ群の内、複数の許容範囲それぞれに含まれる複数のスペクトルデータを抽出して複数の抽出データ群を生成し、
前記複数の抽出データ群のそれぞれを用いて複数の変換行列を生成し、
前記複数の変換行列の中から、前記スペクトル特性算出部が前記ＲＧＢデータと前記代表的なスペクトルデータとに基づいてスペクトルデータを生成するのに最も適した変換行列を選択する
ことによって作成した変換行列を記憶している
ことを特徴とするカラー画像解析装置。
【請求項２】
前記ＲＧＢ抽出部は、前記読取装置において、ＲＧＢそれぞれ１バンドよりなる３バンドの第１の分光感度を異なる複数のフィルタによって分割し、３バンドを超えるバンド数の第２の分光感度によって読み取られた画像データからＲＧＢデータを抽出し、
前記パラメータ記憶部は、
前記第２の分光感度を用いて計算した複数の変換行列の中から選択した変換行列を記憶している
ことを特徴とする請求項１記載のカラー画像解析装置。
【請求項３】
前記パラメータ記憶部は、
前記代表的なスペクトルデータに基づいて算出したＲＧＢ値と前記複数の変換行列それぞれとを用いて複数のスペクトルデータを生成し、
前記代表的なスペクトルデータと前記複数のスペクトルデータとの誤差量が最小の変換行列を選択する
ことによって作成した変換行列を記憶している
ことを特徴とする請求項１または２に記載のカラー画像解析装置。
【請求項１】
ＲＧＢそれぞれで波長に対する感度が所定の特性となっている分光感度を有する読取装置によって読み取られた被写体の画像データからＲＧＢデータを抽出するＲＧＢ抽出部と、
前記ＲＧＢデータに基づいてスペクトルデータを生成するための変換行列を記憶するパラメータ記憶部と、
前記ＲＧＢデータと前記パラメータ記憶部に記憶された変換行列とを用いてスペクトル特性を算出して、スペクトルデータを生成するスペクトル特性算出部と、
を備え、
前記パラメータ記憶部は、
前記被写体の代表的なスペクトルデータに対して前記代表的なスペクトルデータと相違する程度を示す所定の許容範囲を複数設定し、前記被写体に限定されない任意の複数のスペクトルデータからなるスペクトルデータ群の内、複数の許容範囲それぞれに含まれる複数のスペクトルデータを抽出して複数の抽出データ群を生成し、
前記複数の抽出データ群のそれぞれを用いて複数の変換行列を生成し、
前記複数の変換行列の中から、前記スペクトル特性算出部が前記ＲＧＢデータと前記代表的なスペクトルデータとに基づいてスペクトルデータを生成するのに最も適した変換行列を選択する
ことによって作成した変換行列を記憶している
ことを特徴とするカラー画像解析装置。
【請求項２】
前記ＲＧＢ抽出部は、前記読取装置において、ＲＧＢそれぞれ１バンドよりなる３バンドの第１の分光感度を異なる複数のフィルタによって分割し、３バンドを超えるバンド数の第２の分光感度によって読み取られた画像データからＲＧＢデータを抽出し、
前記パラメータ記憶部は、
前記第２の分光感度を用いて計算した複数の変換行列の中から選択した変換行列を記憶している
ことを特徴とする請求項１記載のカラー画像解析装置。
【請求項３】
前記パラメータ記憶部は、
前記代表的なスペクトルデータに基づいて算出したＲＧＢ値と前記複数の変換行列それぞれとを用いて複数のスペクトルデータを生成し、
前記代表的なスペクトルデータと前記複数のスペクトルデータとの誤差量が最小の変換行列を選択する
ことによって作成した変換行列を記憶している
ことを特徴とする請求項１または２に記載のカラー画像解析装置。
【図１】
【図２】
【図３】
【図４】
【図６】
【図７】
【図８】
【図１０】
【図１１】
【図５】
【図９】
【図２】
【図３】
【図４】
【図６】
【図７】
【図８】
【図１０】
【図１１】
【図５】
【図９】
【公開番号】特開２０１３−４４６２９（Ｐ２０１３−４４６２９Ａ）
【公開日】平成２５年３月４日（２０１３．３．４）
【国際特許分類】
【出願番号】特願２０１１−１８２２５７（Ｐ２０１１−１８２２５７）
【出願日】平成２３年８月２４日（２０１１．８．２４）
【出願人】（３０８０３６４０２）株式会社ＪＶＣケンウッド (1,152)
【Ｆターム（参考）】
【公開日】平成２５年３月４日（２０１３．３．４）
【国際特許分類】
【出願日】平成２３年８月２４日（２０１１．８．２４）
【出願人】（３０８０３６４０２）株式会社ＪＶＣケンウッド (1,152)
【Ｆターム（参考）】
[ Back to top ]