光輝性顔料の同定方法、同定システム、同定プログラム及びその記録媒体
【課題】光輝性顔料の画像特徴量と銘柄のデータベースとを照合して任意の光輝性顔料を同定する。
【解決手段】光輝性顔料を撮像して画像データを取得する第１工程と、取得した画像データに対して背景処理を行い、光輝性顔料の粒子１個を含むその近傍部分の画像データを処理対象画像データとして抽出する第２工程と、処理対象画像データから画像特徴量を抽出する第３工程と、複数種類の光輝性顔料のそれぞれについて第１〜第３工程の処理を行い、光輝性顔料に関する情報と、抽出した画像特徴量とを予め対応させて記憶したデータベースを作成する第４工程と、被同定対象の光輝性顔料について第１〜第３工程の処理を行い、被同定対象の光輝性顔料の画像特徴量を抽出する第５工程と、抽出した被同定対象の光輝性顔料の画像特徴量に基づいて、データベースから被同定対象の光輝性顔料を同定する第６工程とを含み、画像特徴量が、光輝性顔料の色を表す特徴量を含む。
【解決手段】光輝性顔料を撮像して画像データを取得する第１工程と、取得した画像データに対して背景処理を行い、光輝性顔料の粒子１個を含むその近傍部分の画像データを処理対象画像データとして抽出する第２工程と、処理対象画像データから画像特徴量を抽出する第３工程と、複数種類の光輝性顔料のそれぞれについて第１〜第３工程の処理を行い、光輝性顔料に関する情報と、抽出した画像特徴量とを予め対応させて記憶したデータベースを作成する第４工程と、被同定対象の光輝性顔料について第１〜第３工程の処理を行い、被同定対象の光輝性顔料の画像特徴量を抽出する第５工程と、抽出した被同定対象の光輝性顔料の画像特徴量に基づいて、データベースから被同定対象の光輝性顔料を同定する第６工程とを含み、画像特徴量が、光輝性顔料の色を表す特徴量を含む。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、工業製品に特殊な意匠効果を付与しているメタリック／パール系塗装乃至印刷における着色層を構成する光輝性顔料の画像特徴量をデータベース化して任意の光輝性顔料を同定する方法、システム、プログラム及びその記録媒体に関する。
【背景技術】
【０００２】
自動車外板の補修塗装を行う場合には、補修部分は、他の部分と同一の色にする必要がある。しかしながら、新車製造時に使用された塗料の配合は公開されておらず、塗色の配合を解析することが必要な場合がある。
【０００３】
配合が未知の塗色について配合を解析する手法としては、測色を行って得られたデータから配合を予測するコンピュータ調色（コンピュータカラーマッチング、以下「ＣＣＭ」と記す）の技術が開発され、実用化されている。
【０００４】
ＣＣＭとは、ソリッド塗色（観察角度によって色の見え方が変化しない塗色）について、使用されている色材（着色顔料や染料）を分光反射率データから予測する方法であって、クベルカ＆ムンクの２光束理論とダンカンの混色理論、さらにサウンダーソンの表面反射率補正理論を組み合わせて使用している。
【０００５】
また、特許文献１には、配合が未知の塗色に使われている光輝材の特徴パラメータを目視で抽出し、抽出した特徴パラメータをキーワードとして画像データベースを検索して、最も近い単品光輝材の画像をモニター上に表示し、配合未知の塗色の画像と単品光輝材の画像を比較して配合未知の塗色に使われている光輝材の種類を同定する方法が開示されている。
【先行技術文献】
【特許文献】
【０００６】
【特許文献１】特開２００１−２６５７８６号公報
【特許文献２】特願２００５−５８７５３号
【非特許文献】
【０００７】
【非特許文献１】高木幹雄、下田陽久監修、「新編 画像処理ハンドブック」、初版、東京大学出版、２００４年９月１０日。
【発明の概要】
【発明が解決しようとする課題】
【０００８】
しかしながら、光輝性顔料（アルミフレーク等の金属粉、マイカフレーク、板状酸化鉄等）を含む塗色のＣＣＭは未だ実用化されていない。その理由は、正反射光近傍のハイライト部では光輝性顔料から反射される光（反射光、干渉光）同士の加成性が成り立つ一方で、着色顔料による光の吸収も同時に生じているに対し、正反射光の影響を受けないシェード部では主として光輝性顔料と着色顔料による光の吸収が発色を引き起こしているためである。つまり、ハイライト部からシェード部までの広い範囲で、光輝性顔料含有の塗膜中に含まれる色材の発色特性を理論化することが不可能なためである。
【０００９】
したがって従来、工業製品に塗装された塗膜光輝性顔料を同定するためには、目視による観察や顕微鏡を用いた観察を行い、観察者が記憶している光輝性顔料の特徴に基づいて同定することが行われていた。したがって、正しく同定するためには、観察者に経験や熟練が必要であり、同定結果が個人の能力に依存していた。
【００１０】
また、近年光輝性顔料は、新しいタイプのものが次々と開発され、発売されている。鱗片状金属顔料の中のアルミニウムフレーク顔料に限っても、表面を有機顔料で被覆したものやＣＶＤ法で表面に酸化鉄を析出させたもの、蒸着法で作られたもの、シルバーダラータイプと呼ばれる表面が平滑なもの等、製造方法や発色技術に加えて粒度のグレードを加えると、１００種類以上が発売されている。さらにアルミニウムフレーク以外の光輝性顔料としては、３００種類以上もある。これらすべての光輝性顔料の特徴を観察者が記憶することは非常に困難である。
【００１１】
さらに、特許文献１では、特徴パラメータとして、光輝性顔料の粒径、発色特性のみを用いており、光輝性顔料のタイプを大まかに判断することはできるが、光輝性顔料の銘柄を特定することはできない。
【００１２】
従って、本発明は、上記した従来の技術の問題点を解決するために研究されたもので、工業製品に特殊な意匠効果を付与している光輝性顔料の画像特徴量と銘柄等の情報を関連づけたデータベースを予め作成し、任意の光輝性顔料を撮像して得られた画像から抽出した画像特徴量に基づいてデータベースと照合することにより任意の光輝性顔料を同定する同定方法、同定システム、同定プログラム、及びその記録媒体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】
【００１３】
上記の課題を解決するために、本発明に係る光輝性顔料同定方法は、光輝性顔料を撮像して画像データを取得する第１ステップと、取得した前記画像データに対して背景処理を行い、前記光輝性顔料の粒子１個を含むその近傍部分の画像データを処理対象画像データとして抽出する第２ステップと、前記処理対象画像データから画像特徴量を抽出する第３ステップと、複数種類の前記光輝性顔料のそれぞれについて前記第１ステップ〜前記第３ステップの処理を行い、前記光輝性顔料に関する情報と、抽出した前記画像特徴量とを予め対応させて記憶したデータベースを作成する第４ステップと、被同定対象について前記第１ステップ〜前記第３ステップの処理を行い、前記被同定対象の光輝性顔料の画像特徴量を抽出する第５ステップと、抽出した前記被同定対象の光輝性顔料の光輝性顔料の前記画像特徴量に基づいて、前記データベースから前記被同定対象の光輝性顔料を同定する第６ステップとを含み、前記画像特徴量が、前記光輝性顔料の色を表す特徴量を含み、前記光輝性顔料の色を表わす特徴量が、代表色の色相角の正弦値及び余弦値、並びに前記代表色の明度及び彩度であり、前記代表色の色相角が、前記光輝性顔料粒子１個に対応する部分画像内の画素のＨＳＩ表色空間における色相角のヒストグラムの最頻値であり、前記代表色の明度が、前記代表色の色相角を有する画素の平均明度であり、前記代表色の彩度が、前記代表色の色相角を有する画素の平均彩度であることを特徴としている。
【００１４】
本発明に係る光輝性顔料同定システムは、光輝性顔料を撮像して画像データを取得する画像取得装置と、前記画像取得装置から入力される前記画像データに対して背景処理を行い、前記光輝性顔料粒子１個を撮像した部分の画像を抽出した後に、抽出した前記光輝性顔料粒子１個を表す部分画像に対して画像処理を行いながら、前記光輝性顔料の各種の画像特徴量を計算する特徴量検出部と、複数種類の前記光輝性顔料のそれぞれについて、前記光輝性顔料に関する情報と、前記特徴量検出部によって計算された前記画像特徴量とを予め対応させて記憶するデータベースを格納する記録部と、を備え、前記画像特徴量が、前記光輝性顔料の色を表す特徴量を含み、前記光輝性顔料の色を表わす特徴量が、代表色の色相角の正弦値及び余弦値、並びに前記代表色の明度及び彩度であり、前記代表色の色相角が、前記光輝性顔料粒子１個に対応する部分画像内の画素のＨＳＩ表色空間における色相角のヒストグラムの最頻値であり、前記代表色の明度が、前記代表色の色相角を有する画素の平均明度であり、前記代表色の彩度が、前記代表色の色相角を有する画素の平均彩度であり、前記特徴量検出部が、前記画像取得装置から入力された被同定対象の光輝性顔料の画像データから、前記被同定対象の光輝性顔料の画像特徴量を計算し、計算した前記被同定対象の光輝性顔料の前記画像特徴量に基づいて、前記データベースから前記被同定対象の光輝性顔料を同定することを特徴としている。
【００１５】
また、本発明に係る光輝性顔料同定プログラムは、コンピュータに、入力される光輝性顔料の画像データに対して背景処理を行い、前記光輝性顔料の粒子１個を含むその近傍部分の画像データを処理対象画像データとして抽出する第1の機能と、前記処理対象画像データから画像特徴量を抽出する第２の機能と、複数種類の前記光輝性顔料のそれぞれについて前記第１の機能および前記第２の機能によって処理を行い、前記光輝性顔料に関する情報と、抽出した前記画像特徴量とを予め対応させて記憶したデータベースを作成する第３の機能と、被同定対象について前記第１の機能および第２の機能によって処理を行い、前記被同定対象の光輝性顔料の画像特徴量を抽出する第４の機能と、抽出した前記被同定対象の光輝性顔料の光輝性顔料の前記画像特徴量に基づいて、前記データベースから前記被同定対象の光輝性顔料を同定する第５の機能とを実現させ、前記画像特徴量が、前記光輝性顔料の色を表す特徴量を含み、前記光輝性顔料の色を表わす特徴量が、代表色の色相角の正弦値及び余弦値、並びに前記代表色の明度及び彩度であり、前記代表色の色相角が、前記光輝性顔料粒子１個に対応する部分画像内の画素のＨＳＩ表色空間における色相角のヒストグラムの最頻値であり、前記代表色の明度が、前記代表色の色相角を有する画素の平均明度であり、前記代表色の彩度が、前記代表色の色相角を有する画素の平均彩度であることを特徴としている。
【００１６】
また、本発明に係るコンピュータ読取可能な記録媒体は、上記の光輝性顔料同定プログラムを記録していることを特徴としている。
【発明の効果】
【００１７】
本発明によれば、未知の光輝性顔料を、その画像特徴量に基づいて、予め作成した光輝性顔料の銘柄情報と画像特徴量のデータベースから自動的且つ容易に同定することができる。
【００１８】
また、ニューラルネットワークなどの手法を用いて同定する場合、自動的な同定の計算結果として一致度が上位グループにある少数の近似する光輝性顔料を選び出すことができるので、少数の近似する光輝性顔料候補から技術者が画像を確認しながら未知の光輝性顔料を正確、且つ効率的に同定することができる。また、これによって、完全な自動的同定よりもより同定の精度を向上させることができる。
【００１９】
また、光輝性顔料の画像から計算した代表色の色相や粒子内の構成色数、切り込みの数等の画像特徴量は、人間の感覚にマッチし、光輝性顔料の画像を直感的に把握できるので、近似する光輝性顔料を同定する上での参考情報として非常に有効である。
【００２０】
本発明は、光輝性顔料そのものの同定はもとより、光輝性顔料を溶媒中に懸濁せしめた分散ペースト、光輝性顔料が配合されている塗料やメタリック塗色の塗膜、フィルム、印刷物、光輝性顔料が練り込まれたプラスチック、化粧品などをも同定することも可能である。なお、購入した光輝性顔料の品質管理にも役立ち、さらには、塗膜片を分析して塗料を特定することにより、その塗料で塗装されていた自動車を絞り込むことができるので、犯罪捜査分野にも応用できる。
【図面の簡単な説明】
【００２１】
【図１】本発明の実施の形態に係る光輝性顔料同定システムの概略構成を示すブロック図である。
【図２】データベースの作成手順を示すフローチャートである。
【図３】画像の背景処理を説明する図である。
【図４】干渉ブルー顔料の画像における色相角のヒストグラムを示す図である。
【図５】色相角の正弦値及び余弦値を示す図である。
【図６】光輝性顔料粒子１個を示す画像の輪郭追跡、及び重心、粒子サイズを示す図である。
【図７Ａ】干渉グリーン顔料の画像における輪郭の状態を示す図である。
【図７Ｂ】図７Ａに示した干渉グリーン顔料の画像の輪郭プロフィールを示す図である。
【図８】粒子画像内の構成色数の算出を説明する図である。
【図９】グレースケール画像の作成及びそのエッジ抽出を示す図である。
【図１０】ニューラルネットワークの構成例を示す図である。
【図１１】本実施の形態に係る光輝性顔料の同定方法を示すフローチャートである。
【図１２】本発明の実施例における光輝性顔料のグループ分けを示す図である。
【図１３】本発明の実施例における３０種類光輝性顔料×１０サンプル画像により得られた１０種類の画像特徴量の相関係数を示す図である。
【発明を実施するための形態】
【００２２】
以下、図面を参照して、本発明の実施の形態を詳細に説明する。
【００２３】
本発明の対象とする光輝性顔料は、メタリック色を発現させるために使用する顔料を意味する。メタリック色は上記の通り、観察角度によって色の見え方が変化する色を意味する。
【００２４】
光輝性顔料としては、具体的には、アルミニウム、銅、ニッケル合金、ステンレス等の鱗片状金属顔料、表面を金属酸化物で被覆した鱗片状金属顔料、表面に着色顔料を化学吸着乃至は結合させた鱗片状金属顔料、表面に酸化反応を起こさせることにより酸化アルミニウム層を形成した鱗片状アルミニウム顔料、表面を二酸化チタンなどの金属酸化物で被覆したホワイトマイカ顔料や干渉マイカ顔料、表面に着色顔料を化学吸着させたり、表面を酸化鉄などの金属酸化物で被覆したりした着色マイカ顔料、干渉マイカ顔料を還元した還元マイカ顔料、グラファイト表面を二酸化チタンなどの金属酸化物で被覆した干渉グラファイト顔料、表面を二酸化チタンなどの金属酸化物で被覆したシリカフレークやアルミナフレーク顔料、板状酸化鉄顔料、表面を金属や金属酸化物で被覆したガラスフレーク顔料、ホログラム顔料、コレステリック液晶ポリマー顔料、オキシ塩化ビスマス顔料等を例として挙げることができる。
【００２５】
また、本発明で同定の対象とするのは、光輝性顔料そのものや、光輝性顔料を溶媒中に懸濁せしめた分散ペースト、光輝性顔料が配合されている塗料やメタリック塗色の塗膜、インク、フィルム、印刷物、光輝性顔料が練り込まれたプラスチック、化粧品などを含む。
【００２６】
図１は、本発明の実施の形態に係る光輝性顔料同定システムの概略構成を示すブロック図である。本光輝性顔料同定システムは、光輝性顔料同定装置（以下、同定装置とも記す）１、画像取得装置２、及び表示装置３を備える。また光輝性顔料同定装置１は、各部を制御し、後述する所定の処理を実行するＣＰＵ１１と、メモリ１２と、複数種類の光輝性顔料の色や粒径等画像特徴量及び各々の銘柄等の情報を対応づけるデータ等を含むデータベースを格納する記録部１３と、外部からの指示を受け付ける操作部１４と、操作部１４及び外部機器とのインタフェースの役割をするインタフェース部（以下、Ｉ／Ｆ部と記す）１５と、各部の間でデータを伝送するためのデータバス１６とを備えている。本光輝性顔料同定装置１は、Ｉ／Ｆ部１５を介して、画像入力装置２が取り込んだ画像データを取得し、また表示装置３に画像データ等を表示させる。
【００２７】
画像入力装置２には、例えば、電子顕微鏡、光学顕微鏡にデジタルカメラを接続した装置、又はビデオマイクロスコープ等を使用することができる。
【００２８】
ＣＰＵ１１は、画像入力装置２から伝送された光輝性顔料の画像データをメモリ１２に一時的に記憶し、後述する方法で、背景処理を行って光輝性顔料粒子１個を撮像した部分を抽出し、さらに画像処理を行って色や粒径等の画像特徴量を抽出し、抽出した画像特徴量を基に、記録部１３に予め記録されているデータベースの中から、一致もしくは近似する光輝性顔料を、ニューラルネットワークを用いて決定する。なお、ＣＰＵ１１は、特定の命令を自前で備えて各種の処理を行うことができるのはもちろん、特定のソフトウェアをインストールされて所定の処理、例えば画像処理を行うことも可能である。
【００２９】
表示装置３は、例えばフルカラー表示が可能な画像表示装置であり、ＣＰＵ１１は、光輝性顔料の同定結果を所定の形式で、Ｉ／Ｆ部１５を介して表示装置３に表示させたり、また各処理段階で得られた情報を表示させたりすることができる。
【００３０】
本実施の形態に係る光輝性顔料同定システムの概要を説明すると次の通りである。先ず、画像入力装置２を用いて光輝性顔料の画像を取り込んでメモリ１２に記録し、記録した画像を画像処理して画像特徴量を計算する。次に、計算された画像特徴量を用いてデータベースから銘柄が既知の光輝性顔料をニューラルネットワークで予測する。最後に、予測された光輝性顔料の銘柄や品番等を表示装置３に表示する。
【００３１】
以下、まず、データベースの作成について図２を参照しながら説明する。
【００３２】
図２は、データベースの作成手順を示すフローチャートである。
【００３３】
以下の説明においては、特に断らない限りＣＰＵ１１が行う処理として説明する。
【００３４】
図２に示すように、データベースを作成する第１段階（ステップＳ１）では、画像取得装置２を制御して光輝性顔料、具体的には板等の表面に塗装された光輝性顔料を含む塗膜（以下、塗膜と記す）を撮像し、得られた画像データを光輝性顔料同定装置１のメモリ１２に取り込んで保存する。画像特徴量を抽出するためには、画像取得装置２として高倍率の顕微鏡を用いて１００〜３０００倍率の範囲で撮像することが好ましい。また、データベース作成のためには、倍率を統一して撮像することが好ましいが、光輝性顔料の粒子径が同じとは限らないので、撮像する光輝性顔料の種類に応じて撮像倍率を調整することができる。この場合、撮像した倍率と標準倍率の画像を同時に記憶する必要がある。また、精度の観点から光輝性顔料粒子１個の画像データの大きさが２０×２０ピクセル以上となるように観察倍率を調整することが好ましい。さらに、撮像時の照明方式は特に限定されるものではないが、反射光が観察される必要があるため、公知の落射照明、反射照明、落射水平ミックス方式、又はリング照明方式が望ましい。
【００３５】
なお、メタリック塗膜等、光輝性顔料のみから構成される塗膜ではない場合、即ち、複数の光輝性顔料や着色顔料が混在している塗膜を撮像する場合においては、他の光輝性顔料や色材（着色顔料など）の影響を受けにくい部分を撮像する。具体的には、作業者が目視でメタリック塗膜表層に存在する光輝性顔料を選択して撮像することができる。
【００３６】
さらに、データベースを作成するためには、光輝性顔料を１種類含むクリヤー塗料を、黒素地上に塗装して乾燥硬化せしめた塗膜を撮像することが好ましい。これは、黒素地上に塗装すれば下地からの反射光の影響を受けにくく、またクリヤー塗料に他の着色材を含ませなければ他の着色材の吸収や散乱による影響を受けないというメリットが得られるためである。さらに、クリヤー塗料に透明性顔料や染料等を予め分散混合したカラークリヤー塗料を数種類作成しておいて、該カラークリヤー塗料に光輝性顔料１種類を混合せしめた塗料を同様に黒素地上に塗装して得られた塗膜を撮像してもよい。
【００３７】
上記のように撮像した画像を画像データとして光輝性顔料同定装置１のメモリ１２に取り込む。なお、取り込む画像の形式はＲＧＢのビットマップ形式に限定されず、ＪＰＥＧ等の圧縮データ形式を採用しても良く、特に制限されるものではない。
【００３８】
データベースを作成する第２段階（ステップＳ２）においては、メモリ１２に格納した画像データに対して、少なくとも光輝性顔料粒子１個を完全に含む部分の画像の切り出し、画像の２値化、ラベリング、及びマスク処理からなる一連の処理を含む背景処理を行う。なお、メモリ１２に取り込んだ画像データに対する背景処理は、実際には作業者が表示装置３上で画像を観察しながら操作部１４を介して、ＣＰＵ１１に指示することにより、以下の流れで行われる（非特許文献１の画像解析ハンドブックを参照）。
【００３９】
図３は、画像の背景処理を説明する図である。なお、この図３並びに以下の図４、図６〜図９において、グレースケールの画像を示しているが、実際にはフルカラーの画像である。
【００４０】
図３に示すように、まず、ステップＳ１で撮像した画像から、注目したい１個の光輝性顔料粒子が含まれる領域を切り出す(I)。例えば、画像処理ソフトウェアを使用する場合、長方形の範囲として選択することができる。なお、切り出す範囲は、１個の光輝性画像粒子が十分大きくなるように作業者が目視で決定する。
【００４１】
次に、切り出した画像(i)に対して、光輝性顔料粒子の部分を特定するために、即ち光輝性顔料粒子の領域、輪郭を明確にするために、２値化処理を行って、抽出したい領域を白（例えば、データ１）、背景を黒（例えば、データ０）とする(II)（非特許文献１の画像解析ハンドブックの第１５１９ページに記載の方法を参照）。２値化処理における閾値は、作業者が表示装置３に表示された画像を見ながら設定する。具体的には、例えば、作業者が同時に表示された処理前の元の画像と処理後の画像を比較しながら操作部１４を操作して決定した値を閾値として設定することができる。
【００４２】
上記２値化処理された画像(ii)において、光輝性顔料粒子領域は、白色となっている。この白色領域（連続する白色画素の集合）は通常１個ではないので、白色領域ごとに、符号を付けるラベリングを行う(III)（非特許文献１の画像解析ハンドブックの第ｐ１５２６ページを参照）。(iii)はラベリングされた画像である。(iii)では、２つの塊部分ａ、ｂが存在しており、それぞれをラベリングして、異なる色で表示している。ラベリングを行った後、画像内で最も大きい面積を占める白色領域（図３のａ）を選択し、１つの光輝性顔料粒子の領域として特定する。穴があいた白色領域が存在する場合には、穴埋め処理を行ってからラベリングをする。
【００４３】
上記のように特定された１つの光輝性顔料粒子の領域以外に背景色（黒）を設定してマスク画像(iv)を作成し（IV)、そして特定された光輝性顔料粒子１個の領域に、元の画像(i)を合成する（V)（非特許文献１の画像解析ハンドブックの第１７４０ページを参照）、いわゆるマスク処理を行う。これによって、１個の光輝性顔料粒子の領域のみはフルカラーであって、その他の領域（背景）は濃淡レベルがゼロとなる画像（v）を得ることができる。このように背景処理が行われた画像を、光輝性顔料の銘柄と関連づけて記録部１３のデータベースに格納する。
【００４４】
データベースを作成する第３段階（ステップＳ３）においては、背景処理が行われた画像の画像特徴量を抽出する。
【００４５】
本発明で対象とする光輝性顔料の画像特徴量は、後に詳述する色を示すもの、粒子形状を示すもの、及び表面状態を示すものの３タイプに分類することができる。以下、各タイプの画像特徴量の性質及びそれらの求め方を順に説明する。
【００４６】
（色）
光輝性顔料を特徴付ける場合、色は重要である。且つ、色の３属性（色相、明度、彩度）を全て画像特徴量とすることができる。光輝性顔料を撮像して２次元画像を得た場合、１つの光輝性顔料粒子領域（例えば、図３のｃ）内において、画素によって色が異なる。そこで、その領域内の画素の代表色を決定し、代表色の彩度、明度及び色相を画像特徴量とすることができる。
【００４７】
本実施の形態で代表色の求め方としては、まず、画像の光輝性顔料粒子の領域の画素すべてについて、コンピュータなどで用いられる表色系のＲＧＢデータから人間の感覚に近い表色系のＨＳＩ（色相、彩度及び明度）データへの変換を行う（非特許文献１の画像解析ハンドブックの第１８９７ページを参照）。ＲＧＢ表色系からＨＳＩ表色系への変換方法は特に限定されるものではないが、本実施の形態では６角錐カラーモデルを使用するものとする。次いで、図４に示すように、色相毎の画素数分布である色相ヒストグラムを求め、その最頻値を代表色の色相とする。さらに、求めた代表色の色相をもつ画素の彩度の平均値を求め、代表色の彩度とする。
【００４８】
また、６角錐カラーモデルによる変換によって得られたＨＳＩ空間のデータにおいて、色相は、角度（０〜３５９°の正の整数）で表わされるため、３５９°〜０°の間で不連続となり、後述する統計計算に支障をきたすため、本実施の形態では図５に示されているような色相角の正弦値及び余弦値を求めてそれぞれを画像特徴量とする。図５は、干渉ブルー顔料の例を示しており、色相角(hue)が２１５°であり、画像特徴量は、ｃｏｓ(２１５°)＝−０．５７、ｓｉｎ(２１５°)＝−０．８２である。
【００４９】
さらに、上記彩度、色相角の正弦値及び余弦値に加えて、明度を画像特徴量とすることもできる。明度については、彩度と同様に、求めた代表色の色相角をもつ画素の明度の平均値を求め、代表色の明度とする。
【００５０】
（粒子形状）
光輝性顔料を特徴付ける場合に、上記色と同様に粒子の形状も重要である。粒子の形状を表わす画像特徴量としては、粒子の大きさを表わす粒子サイズ、丸さを表わす円形度、輪郭の滑らかさを表わす輪郭状態、及び深い欠けを表わす切れ込み数を選択することができる。これらの粒子形状タイプの各画像特徴量は次のように求めることができる。
【００５１】
まず、図６に示すように、ステップＳ２での背景処理後の光輝性顔料粒子１個を示す画像の輪郭追跡を行い、輪郭に対応する画素（以下、輪郭画素と記す）を求める。次に光輝性顔料粒子の領域の重心を求める。次いでこの重心の画素と輪郭画素との幾何学距離を輪郭画素すべてについて計算して平均し、即ち重心と輪郭との平均距離を計算して、半径に相当する粒子の大きさである粒子サイズｒとする。粒子サイズｒは、下記の数式により計算することができる。
【００５２】
【数１】
【００５３】
ここでは、（ａ，ｂ）は重心の座標、（ｘｉ，ｙｉ）は輪郭画素の座標、ｎは輪郭画素の数を表している。
【００５４】
また、輪郭処理によって、光輝性顔料粒子１個を示す画像の周囲長を計算し、この周囲長と上記計算した粒子サイズｒから円形度を計算する（非特許文献１の画像解析ハンドブックの第２２４ページを参照）。具体的には、上記計算した半径に相当する粒子サイズｒから円周を計算し、この円周長と周囲長との比を、画像の丸さを表わす円形度とする。
【００５５】
次に、図７Ａ及び図７Ｂに示すように、画像重心から輪郭までの距離Lを輪郭画素ごとに展開した輪郭プロフィールの２次元グラフ（図７Ｂ）を作成し、輪郭プロフィールにおける距離Lの極大点及び極小点を検出して山と谷を決定する（特許文献２を参照）。この輪郭プロフィールの山、谷の数を、輪郭の滑らかさを表わす指標（輪郭状態）とする。図７Ｂでは、横軸は、ある輪郭画素を起点とする、輪郭に沿った輪郭画素列であり（具体的には、図７ＡのＡ部分から反時計回りに並べている）、縦軸は、画像の重心から各輪郭画素までの距離Lである。なお、図７Ａ及び図７Ｂにおいては、Ａ、Ｂ、Ｃは山を示し、ａ、ｂ、ｃは谷を示している。
【００５６】
さらに、輪郭プロフィールにおいて極端に深い谷がある、即ち光輝性顔料に局所的な凹み、欠けがある場合、それを切れ込みとし、その切れ込みを所定の基準で、例えば、隣接する山と谷との重心からの距離の差Ｌ１が４０画素以上、且つ隣接する山のピーク間の距離Ｌ２が４０画素以下という基準でカウントし、この切れ込みの数をも画像特徴量とする。例えば、図７Ａ及び図７Ｂにおいては、ａは切れ込みである。
【００５７】
（光輝性顔料の表面状態）
光輝性顔料を特徴付ける場合において表面状態も重要である。表面状態については、二次元の画像においては、濃淡レベルの変化で表されるので間接的に観察することができる。光輝性顔料粒子の表面状態は、具体的には、粒子を構成する色及び粒子表面の凹凸の２つで表される。特に、光学的に撮像した画像の場合に光輝性顔料の基材及び製造方法による凹凸やコーティング層の厚さの違いにより、明度や彩度が異なって見える。よって、本実施の形態では、光輝性顔料粒子１個を表わす画像における異なる色の数（粒子内の構成色数）と、色の濃淡の変化からＨＳＩ空間データにおける色の不均一度（粒子内の平滑性）とを計算することにより、間接的に表面状態を表わす。
【００５８】
まず、表面状態を表わす「粒子内の構成色数」、即ち光輝性顔料粒子１個を表わす画像内の色数を下記の手順で求めて画像特徴量とする。具体的には、図８に示すように、フルカラーの画像データに対して、均等量子化法（非特許文献１の画像解析ハンドブックの第１２０９ページを参照）による滅色処理を行い、得られた例えば２７色の画像内の、画像に対する占有率が１．０％以上の色を粒子を構成する色とし、その総数を求めて粒子内の構成色数とする。図８に一例を示す。
【００５９】
表面状態を表わす「粒子内の平滑性」については、撮像した画像における粒子表面の明度、彩度が異なる場合に人間が凹凸を感じるため、本実施の形態では画像中の濃度レベルが変化する領域に着目して画像特徴量を抽出する。具体的には、図９に示すように、光輝性顔料粒子１個を表わす画像に基づいて、ＨＳＩ表色系における明度のグレースケール画像をまず作成し、エッジ抽出処理又はフィルターリング（画像解析ハンドブックの第１２２９ページを参照）を行う。得られた画像の平均グレーレベルを、明度に関する表面の平滑性を表わす特徴量、即ち、「明度平均グレーレベル」として決定する。彩度についても同様に、元の画像に基づいて彩度のグレースケール画像を作成し、エッジ抽出処理を行い、得られた画像の平均グレーレベルを求めて、彩度に関する表面の平滑性を表す画像特徴量、即ち、「彩度平均グレーレベル」として決定する。
【００６０】
エッジ抽出処理後の画像の各画素値（グレーレベル）がそれぞれ、ｇ１、ｇ２、・・・、ｇｎとすると、平均グレーレベルＧは、次の式により求められる。
【００６１】
【数２】
【００６２】
また、エッジ抽出処理としては、特に限定されるものではないが、ソーベルフィルタのような一次微分処理など、公知の方法を使用すればよい。
【００６３】
このようにして、光輝性顔料に対して、代表色の色相角の正弦値、余弦値、代表色の彩度、及び代表色の明度を含む４つの色関連の画像特徴量、粒子サイズ、円形度、輪郭状態、及び切れ込み数を含む４つの粒子形状関連の画像特徴量、並びに、粒子内の構成色数、明度平均グレーレベル、及び彩度平均グレーレベルを含む３つの表面形状関連の画像特徴量、合わせて１１種類の画像特徴量を抽出することができる。
【００６４】
データベースを作成するためには、上記の１個の光輝性顔料粒子に対する各画像特徴量の抽出を、１種類の光輝性顔料について少なくとも１回、好ましくは１０回以上行う。
【００６５】
そして、データベースを作成する第４段階（ステップＳ４）においては、複数種類の光輝性顔料の銘柄や、品番、メーカー、そのほかの各種データ（粒径、比表面積、表面処理など）、タイプ（素材、発色など）、価格等の入力を、例えば操作部１４を介して受け付け、メモリ１２に格納する。
【００６６】
データベースを作成する第５段階（ステップＳ５）では、ステップＳ３で画像から抽出された上記の各画像特徴量を、ステップＳ４で取得した光輝性顔料の銘柄等と関連づけて記録部１３に格納する。なお、画像特徴量以外に、画像自体を含む画像処理を行う各段階で得られた他の情報を関連づけて記録部１３に格納することも可能である。なお、データの関連づけ及び格納方式は公知のものを使用すればよい。
【００６７】
上記のようにして得られたデータベースを用いて未知の光輝性顔料の銘柄を特定する同定方法は、統計計算、ニューラルネットワークなどを含む様々な手法を用いることができる。本実施の形態では、上記の画像特徴量を入力情報、光輝性顔料の銘柄（若しくは種類）を出力情報とする階層構造型ニューラルネットワークを用いた同定方法について記載する（非特許文献１の画像解析ハンドブックの第１６１５ページを参照）。
【００６８】
従って、データベースを作成する第６段階（ステップＳ６）においては、ニューラルネットワークを構築し、データベースに格納された画像特徴量及び銘柄を関連づけたデータを学習データとして、誤差逆伝播法による学習を行い、結合荷重データ（シナプスウェイト）等を決定する。
【００６９】
具体的には、画像特徴量の種類（数）を入力ユニット数とし、光輝性顔料の種類或いは銘柄（数）を出力ユニット数として、ニューラルネットワークを構成することができる。なお、入力ユニットとされる画像特徴量は、上記で抽出した特徴量のすべてを使用する必要はなく、色に関する特徴量は必須であるが、その他の特徴量は適宜取捨選択することができる。また、粒子形状に関する画像特徴量を加えると同定の精度が上がり、表面状態に関する画像特徴量をさらに加えると精度が一層向上する。
【００７０】
図１０は、ニューラルネットワークの一構成例を示す図である。図１０において、入力層には、代表色相の明度以外の１０種類の正規化された画像特徴量を入力ユニットとし、出力層には３０種類の光輝性顔料の銘柄を出力ユニットとし、隠れ層には１０ユニットを設けている。画像特徴量の正規化は、例えば、次式を使用して特徴量毎に行うことができる。
【００７１】
Ｘｉ，ｊ＝（Ｐｉ，ｊ−Ｐｍｉｎ，ｉ）／（Ｐｍａｘ，ｉ−Ｐｍｉｎ，ｉ）
ここでは、ｉは特徴量の種類を表わし、Ｘｉ，ｊは画像ｊから得られた正規化後の特徴量ｉの値、Ｐｉ，ｊは画像ｊから得られた特徴量ｉの値、Ｐｍａｘ，ｉは学習データ中の特徴量ｉの最大値、Ｐｍｉｎ，ｉは学習データ中の特徴量ｉの最小値である。
【００７２】
ここでは、正規化した画像特徴量と光輝性顔料の銘柄とを関連づけたデータを学習データ（教師データ）としているが、学習データは、光輝性顔料１種類に対して、１０個以上を準備し、さらに、同定の精度を向上させるために相関の強いものを排除した画像特徴量を使用することが好ましい。学習回数は、１０００万回以上行うことが好ましいが、使用する画像特徴量、光輝性顔料の銘柄、学習データによって、収束状況を確認しながら調整することができる。
【００７３】
データベースを作成する第７段階（ステップＳ７）において、上記のように学習を通じて得られたニューラルネットワークの結合荷重データ（シナプスウェイト）を、ニューラルネットワークの構成情報（層の数、ユニットの数など）、正規化後の画像特徴量、及び各特徴量の最大値や最小値などと共に、記録部１３に格納してデータベースの作成を完了する。
【００７４】
次に、本実施の形態に係る光輝性顔料の同定方法を、図１に示した同定システムの光輝性顔料を同定する動作として、図１１のフローチャートを参照して説明する。
【００７５】
以下では、光輝性顔料によって意匠を付与されたメタリック／パール塗色中に配合された光輝性顔料をもって説明する。以下の説明においては、特に断らない限りＣＰＵ１１が行う処理として説明する。
【００７６】
まず、図１１のステップＳ１１において、データベース作成時と同様に、画像入力装置２、例えば顕微鏡を制御して、光輝性顔料が含まれる塗膜の画像を撮像する。撮像した画像データは、Ｉ／Ｆ部１５を介して、メモリ１２に、例えばフルカラーのＪＰＥＧ画像として記録する。ここで注意すべきことは、塗膜中に複数の種類の光輝性顔料が配合されている場合、顕微鏡観察の時点で人が十分に観察して、同定の対象とする光輝性顔料の粒子のみを選択することである。
【００７７】
次に、ステップＳ１２において、データベース作成時と同様に、適宜操作部１４を介してＣＰＵ１１に対する指示を受けて、ステップＳ１１で記録したフルカラー画像から対象の光輝性顔料粒子１個を切り出して、画像の２値化、ラベリング、及びマスク処理を含む背景処理を行って、背景処理済みの光輝性顔料粒子１個の画像データを生成する。
【００７８】
ステップＳ１３において、ステップＳ１２で得られた背景処理済みの光輝性顔料粒子の画像から、色、粒子形状、及び表面状態を示す複数の画像特徴量を、データベース作成時と同様に操作部１４を介してＣＰＵ１１に対する指示を受けて、抽出する。
【００７９】
ステップＳ１４において、記録部１３に格納されたデータベースから各種類の画像特徴量の最大値及び最小値を読み出して、ステップＳ１３で得られた各種類の画像特徴量を正規化する。
【００８０】
ステップＳ１５において、抽出した画像特徴量に基づいて光輝性顔料の銘柄を同定する。同定方法には統計的な多くの手法を用いることもできるが、本実施の形態では、上記正規化した画像特徴量を入力情報とし、光輝性顔料の銘柄を出力情報とし、誤差逆伝播法のアルゴリズムを使用して予め結合荷重データが決定されているニューラルネットワークを用いて、光輝性顔料の銘柄の同定を行う（非特許文献１の画像解析ハンドブックの第１５９７ページを参照）。従って、ステップＳ１４で正規化した画像特徴量を、ニューラルネットワークの入力ユニットに入力し、記録部１３に格納されたデータベースにあるニューラルネットワークの結合荷重データを用いてニューラルネットワークによる光輝性顔料の同定を行う。
【００８１】
ステップＳ１６において、ニューラルネットワークによって同定された光輝性顔料の銘柄等の情報をＩ／Ｆ部１５を介して表示装置３に出力する。
【００８２】
このように、本発明に係る光輝性顔料の同定システムでは、未知の光輝性顔料を撮像して得られた画像からその特徴量を抽出し、抽出した画像特徴量に基づいて、既知の光輝性顔料の画像特徴量を用いて予め構築したデータベースを利用して、未知の光輝性顔料の銘柄をニューラルネットワークによって自動且つ容易に同定することができる。
【００８３】
なお、ここでは、塗膜中の光輝性顔料（メタリック／パール塗色）を同定する方法について説明したが、本発明の同定方法はそれによって用途が限定されるものではなく、フィルム、プラスチック等光輝性顔料が練り込まれたものや、化粧品、光輝性顔料そのものについても本発明の方法で同定することができる。
【００８４】
なお、データベースに登録された光輝性顔料に関するデータによっては、同定対象とするデータベース内のデータの範囲を予め限定して同定を行ったり、ニューラルネットワークの出力データの範囲を限定したり逆に広げたりすることも可能である。即ち、未知の光輝性顔料のおおよそのタイプが分かっている場合、同定対象とするデータベース内のデータ範囲を予測される範囲に限定すれば効率的である。また、ニューラルネットワークにおいて、イエスかノー（１か０）のような２値の判定結果を出力する代わりに、出力データの範囲を０〜１の実数にして出力値が高いものから降順にソートし、上位にある所定数の類似する光輝性顔料の銘柄を候補として選び出したりすることも可能である。
【００８５】
例えば、出力ユニットをおおよそ分かっているタイプの光輝性顔料とし、ニューラルネットワークを再学習させて新たな結合荷重データ（シナプスウェイト）を取得し、その新たな結合荷重データを使用して未知の光輝性顔料の銘柄を同定することができる。この場合、同定の精度が一層高くなる。
【００８６】
また、イェスかノーの形で光輝性顔料の種類を同定できないとき、ニューラルネットワークの出力データ範囲を０〜１の実数値とし、上位の、例えば５つの出力数値に対応する光輝性顔料を未知の光輝性顔料に類似する光輝性顔料として提示することも可能である。
【００８７】
なお、本発明の同定方法によって未知の光輝性顔料の同定を行い、得られた結果が、観察者の知っている正解でなかった場合、正解が得られるようにデータベースにサンプル、特に誤認識したサンプルを追加し、ニューラルネットワークを再学習させることができる。この再学習をさせることで、新規の結合荷重データが得られ、誤認識したサンプルの識別精度を向上することができる。即ち、正しいデータをデータベースに追加することによって、以後の同定がより正確になる。
【実施例１】
【００８８】
次に、実施例を挙げて、本発明をより具体的に説明する。
【００８９】
（１）光輝性顔料の用意
図１２に示すように光輝性顔料を大まかにグループ分けし、各グループから発色、粒子サイズ、表面状態の異なる銘柄を３０種類選定した。詳細には、アルミフレーク顔料（粒径が異なる銘柄）、着色アルミフレーク顔料（青、緑、赤）、着色パール顔料（赤）、干渉パール顔料（干渉色が赤、ゴールド、黄、緑、青、紫、基材が天然マイカ、アルミナフレーク、粒径が異なる銘柄）、シルバーパール顔料（基材、粒径が異なる銘柄）、及びマルチカラー顔料から３０種類を選択して用意した。
【００９０】
（２）光輝性顔料含有塗膜の製作
ニトロセルロース系クリヤー塗料（関西ペイント（株）製、アクリック２０２６ＧＬ）の樹脂固形分１００質量部に対して、（１）で選定した各光輝性顔料を固形分として１質量部になるように配合し、攪拌混合した後、塗装に適した粘度に希釈して塗料を調整した。調整した各塗料を、予め黒色に塗装を施したアート紙上にＮｏ．２０のバーコーターで塗装し、乾燥膜厚約１５μｍの塗膜を製作した。
【００９１】
（３）光輝性顔料の撮像
画像取得装置としてビデオマイクロスコープを用い上記のように製作した塗膜を、２５００倍の撮像倍率、落射照明方式で撮像し、得られた画像データを、同定装置（コンピュータ）のメモリに格納した。
【００９２】
なお、同一種類の光輝性顔料について、１０の画像データを取得し、合計３０×１０＝３００画像を取得した。
【００９３】
（４）画像の背景処理と特徴量の抽出、正規化
データベースの作成において説明したように格納した画像を同定装置を用いて処理し、１種類の光輝性顔料につき１０セットの画像特徴量（代表色の明度以外の１０種の特徴量）を抽出した。そして、抽出した各種類の画像特徴量の３０×１０＝３００サンプルを各々、正規化した。
【００９４】
（５）特徴量の相関関係の確認
それぞれ３００サンプルを有する１０種類の画像特徴量間の相関行列を計算した結果、図１３に示す相関係数が得られた。全ての相互相関係数が０．９以上とはならず、即ち、異なる特徴量間の相関関係が低いことを確認した。従って、これらの特徴量が適切であると言える。
【００９５】
（６）データベースの作成
上記（４）で正規化した画像特徴量及び光輝性顔料の銘柄を関連付けたデータと、光輝性顔料粒子１個を示す画像と、各種類の画像特徴量の最大値、最小値とを、データベースとして同定装置のメモリに格納した。
【００９６】
（７）ニューラルネットワークの学習
ニューラルネットワークを用いる同定のために、正規化した画像特徴量と光輝性顔料の銘柄とを関連付けたデータを学習データとして、誤差逆伝播法による学習を行った。学習によって得られたニューラルネットワークの結合荷重データ（シナプスウェイト）をもデータベースに格納した。このときのニューラルネットワークの構成は、図１０に示すように、入力ユニットを１０個、出力ユニットを３０個、隠れ層を１層、隠れ層ユニットを１０個、バイアス入力ユニットを１個、関数タイプをシグモイド関数、学習回数を１０００万回、学習率を０．８、許容誤差を０．１とした。
【００９７】
（８）同定精度検証のための光輝性顔料の画像取得
同定方法の精度検証を行うために、上記（１）〜（３）で得た画像と同様に、新たに各々の光輝性顔料について２つの画像を取り込み、合計、２×３０＝６０画像を得た。
【００９８】
（９）画像の背景処理及び特徴量の抽出、正規化
上記の６０の画像それぞれについて、背景処理を行った後、画像特徴量を抽出し、得られた画像特徴量を、（６）でデータベースに格納したそれぞれに対応する最大値及び最小値をもって正規化した。
【００９９】
（１０）光輝性顔料の同定
（９）で正規化した画像特徴量に対して、上記（７）で構成したニューラルネットワークを使用して、光輝性顔料の同定を行った。その結果、光輝性顔料の銘柄が正しく判定された確率は７４．１％、正しい光輝性顔料の候補として銘柄を５つ挙げた場合その中に正しいものが含まれた確率は９４．８％であった。このように、非常に高い精度で光輝性顔料を同定することができたことから、用いた画像特徴量が非常に有効であると言える。
【０１００】
以上では、本発明を具体的な実施の形態及び実施例によって説明したが、本発明は、決してそれに限定されるものではなく、本発明に係る光輝性顔料同定装置、同定システムは、本発明の趣旨から逸脱しない範囲で種々変更して実現することが可能である。また、本発明に係る光輝性顔料同定方法、プログラムに関しても、本発明の趣旨から逸脱しない範囲で種々の変更が可能である。
【符号の説明】
【０１０１】
１ 光輝性顔料同定装置
２ 画像取得装置
３ 表示装置
１１ ＣＰＵ
１２ メモリ
１３ 記録部
１４ 操作部
１５ Ｉ／Ｆ部
１６ データバス
【技術分野】
【０００１】
本発明は、工業製品に特殊な意匠効果を付与しているメタリック／パール系塗装乃至印刷における着色層を構成する光輝性顔料の画像特徴量をデータベース化して任意の光輝性顔料を同定する方法、システム、プログラム及びその記録媒体に関する。
【背景技術】
【０００２】
自動車外板の補修塗装を行う場合には、補修部分は、他の部分と同一の色にする必要がある。しかしながら、新車製造時に使用された塗料の配合は公開されておらず、塗色の配合を解析することが必要な場合がある。
【０００３】
配合が未知の塗色について配合を解析する手法としては、測色を行って得られたデータから配合を予測するコンピュータ調色（コンピュータカラーマッチング、以下「ＣＣＭ」と記す）の技術が開発され、実用化されている。
【０００４】
ＣＣＭとは、ソリッド塗色（観察角度によって色の見え方が変化しない塗色）について、使用されている色材（着色顔料や染料）を分光反射率データから予測する方法であって、クベルカ＆ムンクの２光束理論とダンカンの混色理論、さらにサウンダーソンの表面反射率補正理論を組み合わせて使用している。
【０００５】
また、特許文献１には、配合が未知の塗色に使われている光輝材の特徴パラメータを目視で抽出し、抽出した特徴パラメータをキーワードとして画像データベースを検索して、最も近い単品光輝材の画像をモニター上に表示し、配合未知の塗色の画像と単品光輝材の画像を比較して配合未知の塗色に使われている光輝材の種類を同定する方法が開示されている。
【先行技術文献】
【特許文献】
【０００６】
【特許文献１】特開２００１−２６５７８６号公報
【特許文献２】特願２００５−５８７５３号
【非特許文献】
【０００７】
【非特許文献１】高木幹雄、下田陽久監修、「新編 画像処理ハンドブック」、初版、東京大学出版、２００４年９月１０日。
【発明の概要】
【発明が解決しようとする課題】
【０００８】
しかしながら、光輝性顔料（アルミフレーク等の金属粉、マイカフレーク、板状酸化鉄等）を含む塗色のＣＣＭは未だ実用化されていない。その理由は、正反射光近傍のハイライト部では光輝性顔料から反射される光（反射光、干渉光）同士の加成性が成り立つ一方で、着色顔料による光の吸収も同時に生じているに対し、正反射光の影響を受けないシェード部では主として光輝性顔料と着色顔料による光の吸収が発色を引き起こしているためである。つまり、ハイライト部からシェード部までの広い範囲で、光輝性顔料含有の塗膜中に含まれる色材の発色特性を理論化することが不可能なためである。
【０００９】
したがって従来、工業製品に塗装された塗膜光輝性顔料を同定するためには、目視による観察や顕微鏡を用いた観察を行い、観察者が記憶している光輝性顔料の特徴に基づいて同定することが行われていた。したがって、正しく同定するためには、観察者に経験や熟練が必要であり、同定結果が個人の能力に依存していた。
【００１０】
また、近年光輝性顔料は、新しいタイプのものが次々と開発され、発売されている。鱗片状金属顔料の中のアルミニウムフレーク顔料に限っても、表面を有機顔料で被覆したものやＣＶＤ法で表面に酸化鉄を析出させたもの、蒸着法で作られたもの、シルバーダラータイプと呼ばれる表面が平滑なもの等、製造方法や発色技術に加えて粒度のグレードを加えると、１００種類以上が発売されている。さらにアルミニウムフレーク以外の光輝性顔料としては、３００種類以上もある。これらすべての光輝性顔料の特徴を観察者が記憶することは非常に困難である。
【００１１】
さらに、特許文献１では、特徴パラメータとして、光輝性顔料の粒径、発色特性のみを用いており、光輝性顔料のタイプを大まかに判断することはできるが、光輝性顔料の銘柄を特定することはできない。
【００１２】
従って、本発明は、上記した従来の技術の問題点を解決するために研究されたもので、工業製品に特殊な意匠効果を付与している光輝性顔料の画像特徴量と銘柄等の情報を関連づけたデータベースを予め作成し、任意の光輝性顔料を撮像して得られた画像から抽出した画像特徴量に基づいてデータベースと照合することにより任意の光輝性顔料を同定する同定方法、同定システム、同定プログラム、及びその記録媒体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】
【００１３】
上記の課題を解決するために、本発明に係る光輝性顔料同定方法は、光輝性顔料を撮像して画像データを取得する第１ステップと、取得した前記画像データに対して背景処理を行い、前記光輝性顔料の粒子１個を含むその近傍部分の画像データを処理対象画像データとして抽出する第２ステップと、前記処理対象画像データから画像特徴量を抽出する第３ステップと、複数種類の前記光輝性顔料のそれぞれについて前記第１ステップ〜前記第３ステップの処理を行い、前記光輝性顔料に関する情報と、抽出した前記画像特徴量とを予め対応させて記憶したデータベースを作成する第４ステップと、被同定対象について前記第１ステップ〜前記第３ステップの処理を行い、前記被同定対象の光輝性顔料の画像特徴量を抽出する第５ステップと、抽出した前記被同定対象の光輝性顔料の光輝性顔料の前記画像特徴量に基づいて、前記データベースから前記被同定対象の光輝性顔料を同定する第６ステップとを含み、前記画像特徴量が、前記光輝性顔料の色を表す特徴量を含み、前記光輝性顔料の色を表わす特徴量が、代表色の色相角の正弦値及び余弦値、並びに前記代表色の明度及び彩度であり、前記代表色の色相角が、前記光輝性顔料粒子１個に対応する部分画像内の画素のＨＳＩ表色空間における色相角のヒストグラムの最頻値であり、前記代表色の明度が、前記代表色の色相角を有する画素の平均明度であり、前記代表色の彩度が、前記代表色の色相角を有する画素の平均彩度であることを特徴としている。
【００１４】
本発明に係る光輝性顔料同定システムは、光輝性顔料を撮像して画像データを取得する画像取得装置と、前記画像取得装置から入力される前記画像データに対して背景処理を行い、前記光輝性顔料粒子１個を撮像した部分の画像を抽出した後に、抽出した前記光輝性顔料粒子１個を表す部分画像に対して画像処理を行いながら、前記光輝性顔料の各種の画像特徴量を計算する特徴量検出部と、複数種類の前記光輝性顔料のそれぞれについて、前記光輝性顔料に関する情報と、前記特徴量検出部によって計算された前記画像特徴量とを予め対応させて記憶するデータベースを格納する記録部と、を備え、前記画像特徴量が、前記光輝性顔料の色を表す特徴量を含み、前記光輝性顔料の色を表わす特徴量が、代表色の色相角の正弦値及び余弦値、並びに前記代表色の明度及び彩度であり、前記代表色の色相角が、前記光輝性顔料粒子１個に対応する部分画像内の画素のＨＳＩ表色空間における色相角のヒストグラムの最頻値であり、前記代表色の明度が、前記代表色の色相角を有する画素の平均明度であり、前記代表色の彩度が、前記代表色の色相角を有する画素の平均彩度であり、前記特徴量検出部が、前記画像取得装置から入力された被同定対象の光輝性顔料の画像データから、前記被同定対象の光輝性顔料の画像特徴量を計算し、計算した前記被同定対象の光輝性顔料の前記画像特徴量に基づいて、前記データベースから前記被同定対象の光輝性顔料を同定することを特徴としている。
【００１５】
また、本発明に係る光輝性顔料同定プログラムは、コンピュータに、入力される光輝性顔料の画像データに対して背景処理を行い、前記光輝性顔料の粒子１個を含むその近傍部分の画像データを処理対象画像データとして抽出する第1の機能と、前記処理対象画像データから画像特徴量を抽出する第２の機能と、複数種類の前記光輝性顔料のそれぞれについて前記第１の機能および前記第２の機能によって処理を行い、前記光輝性顔料に関する情報と、抽出した前記画像特徴量とを予め対応させて記憶したデータベースを作成する第３の機能と、被同定対象について前記第１の機能および第２の機能によって処理を行い、前記被同定対象の光輝性顔料の画像特徴量を抽出する第４の機能と、抽出した前記被同定対象の光輝性顔料の光輝性顔料の前記画像特徴量に基づいて、前記データベースから前記被同定対象の光輝性顔料を同定する第５の機能とを実現させ、前記画像特徴量が、前記光輝性顔料の色を表す特徴量を含み、前記光輝性顔料の色を表わす特徴量が、代表色の色相角の正弦値及び余弦値、並びに前記代表色の明度及び彩度であり、前記代表色の色相角が、前記光輝性顔料粒子１個に対応する部分画像内の画素のＨＳＩ表色空間における色相角のヒストグラムの最頻値であり、前記代表色の明度が、前記代表色の色相角を有する画素の平均明度であり、前記代表色の彩度が、前記代表色の色相角を有する画素の平均彩度であることを特徴としている。
【００１６】
また、本発明に係るコンピュータ読取可能な記録媒体は、上記の光輝性顔料同定プログラムを記録していることを特徴としている。
【発明の効果】
【００１７】
本発明によれば、未知の光輝性顔料を、その画像特徴量に基づいて、予め作成した光輝性顔料の銘柄情報と画像特徴量のデータベースから自動的且つ容易に同定することができる。
【００１８】
また、ニューラルネットワークなどの手法を用いて同定する場合、自動的な同定の計算結果として一致度が上位グループにある少数の近似する光輝性顔料を選び出すことができるので、少数の近似する光輝性顔料候補から技術者が画像を確認しながら未知の光輝性顔料を正確、且つ効率的に同定することができる。また、これによって、完全な自動的同定よりもより同定の精度を向上させることができる。
【００１９】
また、光輝性顔料の画像から計算した代表色の色相や粒子内の構成色数、切り込みの数等の画像特徴量は、人間の感覚にマッチし、光輝性顔料の画像を直感的に把握できるので、近似する光輝性顔料を同定する上での参考情報として非常に有効である。
【００２０】
本発明は、光輝性顔料そのものの同定はもとより、光輝性顔料を溶媒中に懸濁せしめた分散ペースト、光輝性顔料が配合されている塗料やメタリック塗色の塗膜、フィルム、印刷物、光輝性顔料が練り込まれたプラスチック、化粧品などをも同定することも可能である。なお、購入した光輝性顔料の品質管理にも役立ち、さらには、塗膜片を分析して塗料を特定することにより、その塗料で塗装されていた自動車を絞り込むことができるので、犯罪捜査分野にも応用できる。
【図面の簡単な説明】
【００２１】
【図１】本発明の実施の形態に係る光輝性顔料同定システムの概略構成を示すブロック図である。
【図２】データベースの作成手順を示すフローチャートである。
【図３】画像の背景処理を説明する図である。
【図４】干渉ブルー顔料の画像における色相角のヒストグラムを示す図である。
【図５】色相角の正弦値及び余弦値を示す図である。
【図６】光輝性顔料粒子１個を示す画像の輪郭追跡、及び重心、粒子サイズを示す図である。
【図７Ａ】干渉グリーン顔料の画像における輪郭の状態を示す図である。
【図７Ｂ】図７Ａに示した干渉グリーン顔料の画像の輪郭プロフィールを示す図である。
【図８】粒子画像内の構成色数の算出を説明する図である。
【図９】グレースケール画像の作成及びそのエッジ抽出を示す図である。
【図１０】ニューラルネットワークの構成例を示す図である。
【図１１】本実施の形態に係る光輝性顔料の同定方法を示すフローチャートである。
【図１２】本発明の実施例における光輝性顔料のグループ分けを示す図である。
【図１３】本発明の実施例における３０種類光輝性顔料×１０サンプル画像により得られた１０種類の画像特徴量の相関係数を示す図である。
【発明を実施するための形態】
【００２２】
以下、図面を参照して、本発明の実施の形態を詳細に説明する。
【００２３】
本発明の対象とする光輝性顔料は、メタリック色を発現させるために使用する顔料を意味する。メタリック色は上記の通り、観察角度によって色の見え方が変化する色を意味する。
【００２４】
光輝性顔料としては、具体的には、アルミニウム、銅、ニッケル合金、ステンレス等の鱗片状金属顔料、表面を金属酸化物で被覆した鱗片状金属顔料、表面に着色顔料を化学吸着乃至は結合させた鱗片状金属顔料、表面に酸化反応を起こさせることにより酸化アルミニウム層を形成した鱗片状アルミニウム顔料、表面を二酸化チタンなどの金属酸化物で被覆したホワイトマイカ顔料や干渉マイカ顔料、表面に着色顔料を化学吸着させたり、表面を酸化鉄などの金属酸化物で被覆したりした着色マイカ顔料、干渉マイカ顔料を還元した還元マイカ顔料、グラファイト表面を二酸化チタンなどの金属酸化物で被覆した干渉グラファイト顔料、表面を二酸化チタンなどの金属酸化物で被覆したシリカフレークやアルミナフレーク顔料、板状酸化鉄顔料、表面を金属や金属酸化物で被覆したガラスフレーク顔料、ホログラム顔料、コレステリック液晶ポリマー顔料、オキシ塩化ビスマス顔料等を例として挙げることができる。
【００２５】
また、本発明で同定の対象とするのは、光輝性顔料そのものや、光輝性顔料を溶媒中に懸濁せしめた分散ペースト、光輝性顔料が配合されている塗料やメタリック塗色の塗膜、インク、フィルム、印刷物、光輝性顔料が練り込まれたプラスチック、化粧品などを含む。
【００２６】
図１は、本発明の実施の形態に係る光輝性顔料同定システムの概略構成を示すブロック図である。本光輝性顔料同定システムは、光輝性顔料同定装置（以下、同定装置とも記す）１、画像取得装置２、及び表示装置３を備える。また光輝性顔料同定装置１は、各部を制御し、後述する所定の処理を実行するＣＰＵ１１と、メモリ１２と、複数種類の光輝性顔料の色や粒径等画像特徴量及び各々の銘柄等の情報を対応づけるデータ等を含むデータベースを格納する記録部１３と、外部からの指示を受け付ける操作部１４と、操作部１４及び外部機器とのインタフェースの役割をするインタフェース部（以下、Ｉ／Ｆ部と記す）１５と、各部の間でデータを伝送するためのデータバス１６とを備えている。本光輝性顔料同定装置１は、Ｉ／Ｆ部１５を介して、画像入力装置２が取り込んだ画像データを取得し、また表示装置３に画像データ等を表示させる。
【００２７】
画像入力装置２には、例えば、電子顕微鏡、光学顕微鏡にデジタルカメラを接続した装置、又はビデオマイクロスコープ等を使用することができる。
【００２８】
ＣＰＵ１１は、画像入力装置２から伝送された光輝性顔料の画像データをメモリ１２に一時的に記憶し、後述する方法で、背景処理を行って光輝性顔料粒子１個を撮像した部分を抽出し、さらに画像処理を行って色や粒径等の画像特徴量を抽出し、抽出した画像特徴量を基に、記録部１３に予め記録されているデータベースの中から、一致もしくは近似する光輝性顔料を、ニューラルネットワークを用いて決定する。なお、ＣＰＵ１１は、特定の命令を自前で備えて各種の処理を行うことができるのはもちろん、特定のソフトウェアをインストールされて所定の処理、例えば画像処理を行うことも可能である。
【００２９】
表示装置３は、例えばフルカラー表示が可能な画像表示装置であり、ＣＰＵ１１は、光輝性顔料の同定結果を所定の形式で、Ｉ／Ｆ部１５を介して表示装置３に表示させたり、また各処理段階で得られた情報を表示させたりすることができる。
【００３０】
本実施の形態に係る光輝性顔料同定システムの概要を説明すると次の通りである。先ず、画像入力装置２を用いて光輝性顔料の画像を取り込んでメモリ１２に記録し、記録した画像を画像処理して画像特徴量を計算する。次に、計算された画像特徴量を用いてデータベースから銘柄が既知の光輝性顔料をニューラルネットワークで予測する。最後に、予測された光輝性顔料の銘柄や品番等を表示装置３に表示する。
【００３１】
以下、まず、データベースの作成について図２を参照しながら説明する。
【００３２】
図２は、データベースの作成手順を示すフローチャートである。
【００３３】
以下の説明においては、特に断らない限りＣＰＵ１１が行う処理として説明する。
【００３４】
図２に示すように、データベースを作成する第１段階（ステップＳ１）では、画像取得装置２を制御して光輝性顔料、具体的には板等の表面に塗装された光輝性顔料を含む塗膜（以下、塗膜と記す）を撮像し、得られた画像データを光輝性顔料同定装置１のメモリ１２に取り込んで保存する。画像特徴量を抽出するためには、画像取得装置２として高倍率の顕微鏡を用いて１００〜３０００倍率の範囲で撮像することが好ましい。また、データベース作成のためには、倍率を統一して撮像することが好ましいが、光輝性顔料の粒子径が同じとは限らないので、撮像する光輝性顔料の種類に応じて撮像倍率を調整することができる。この場合、撮像した倍率と標準倍率の画像を同時に記憶する必要がある。また、精度の観点から光輝性顔料粒子１個の画像データの大きさが２０×２０ピクセル以上となるように観察倍率を調整することが好ましい。さらに、撮像時の照明方式は特に限定されるものではないが、反射光が観察される必要があるため、公知の落射照明、反射照明、落射水平ミックス方式、又はリング照明方式が望ましい。
【００３５】
なお、メタリック塗膜等、光輝性顔料のみから構成される塗膜ではない場合、即ち、複数の光輝性顔料や着色顔料が混在している塗膜を撮像する場合においては、他の光輝性顔料や色材（着色顔料など）の影響を受けにくい部分を撮像する。具体的には、作業者が目視でメタリック塗膜表層に存在する光輝性顔料を選択して撮像することができる。
【００３６】
さらに、データベースを作成するためには、光輝性顔料を１種類含むクリヤー塗料を、黒素地上に塗装して乾燥硬化せしめた塗膜を撮像することが好ましい。これは、黒素地上に塗装すれば下地からの反射光の影響を受けにくく、またクリヤー塗料に他の着色材を含ませなければ他の着色材の吸収や散乱による影響を受けないというメリットが得られるためである。さらに、クリヤー塗料に透明性顔料や染料等を予め分散混合したカラークリヤー塗料を数種類作成しておいて、該カラークリヤー塗料に光輝性顔料１種類を混合せしめた塗料を同様に黒素地上に塗装して得られた塗膜を撮像してもよい。
【００３７】
上記のように撮像した画像を画像データとして光輝性顔料同定装置１のメモリ１２に取り込む。なお、取り込む画像の形式はＲＧＢのビットマップ形式に限定されず、ＪＰＥＧ等の圧縮データ形式を採用しても良く、特に制限されるものではない。
【００３８】
データベースを作成する第２段階（ステップＳ２）においては、メモリ１２に格納した画像データに対して、少なくとも光輝性顔料粒子１個を完全に含む部分の画像の切り出し、画像の２値化、ラベリング、及びマスク処理からなる一連の処理を含む背景処理を行う。なお、メモリ１２に取り込んだ画像データに対する背景処理は、実際には作業者が表示装置３上で画像を観察しながら操作部１４を介して、ＣＰＵ１１に指示することにより、以下の流れで行われる（非特許文献１の画像解析ハンドブックを参照）。
【００３９】
図３は、画像の背景処理を説明する図である。なお、この図３並びに以下の図４、図６〜図９において、グレースケールの画像を示しているが、実際にはフルカラーの画像である。
【００４０】
図３に示すように、まず、ステップＳ１で撮像した画像から、注目したい１個の光輝性顔料粒子が含まれる領域を切り出す(I)。例えば、画像処理ソフトウェアを使用する場合、長方形の範囲として選択することができる。なお、切り出す範囲は、１個の光輝性画像粒子が十分大きくなるように作業者が目視で決定する。
【００４１】
次に、切り出した画像(i)に対して、光輝性顔料粒子の部分を特定するために、即ち光輝性顔料粒子の領域、輪郭を明確にするために、２値化処理を行って、抽出したい領域を白（例えば、データ１）、背景を黒（例えば、データ０）とする(II)（非特許文献１の画像解析ハンドブックの第１５１９ページに記載の方法を参照）。２値化処理における閾値は、作業者が表示装置３に表示された画像を見ながら設定する。具体的には、例えば、作業者が同時に表示された処理前の元の画像と処理後の画像を比較しながら操作部１４を操作して決定した値を閾値として設定することができる。
【００４２】
上記２値化処理された画像(ii)において、光輝性顔料粒子領域は、白色となっている。この白色領域（連続する白色画素の集合）は通常１個ではないので、白色領域ごとに、符号を付けるラベリングを行う(III)（非特許文献１の画像解析ハンドブックの第ｐ１５２６ページを参照）。(iii)はラベリングされた画像である。(iii)では、２つの塊部分ａ、ｂが存在しており、それぞれをラベリングして、異なる色で表示している。ラベリングを行った後、画像内で最も大きい面積を占める白色領域（図３のａ）を選択し、１つの光輝性顔料粒子の領域として特定する。穴があいた白色領域が存在する場合には、穴埋め処理を行ってからラベリングをする。
【００４３】
上記のように特定された１つの光輝性顔料粒子の領域以外に背景色（黒）を設定してマスク画像(iv)を作成し（IV)、そして特定された光輝性顔料粒子１個の領域に、元の画像(i)を合成する（V)（非特許文献１の画像解析ハンドブックの第１７４０ページを参照）、いわゆるマスク処理を行う。これによって、１個の光輝性顔料粒子の領域のみはフルカラーであって、その他の領域（背景）は濃淡レベルがゼロとなる画像（v）を得ることができる。このように背景処理が行われた画像を、光輝性顔料の銘柄と関連づけて記録部１３のデータベースに格納する。
【００４４】
データベースを作成する第３段階（ステップＳ３）においては、背景処理が行われた画像の画像特徴量を抽出する。
【００４５】
本発明で対象とする光輝性顔料の画像特徴量は、後に詳述する色を示すもの、粒子形状を示すもの、及び表面状態を示すものの３タイプに分類することができる。以下、各タイプの画像特徴量の性質及びそれらの求め方を順に説明する。
【００４６】
（色）
光輝性顔料を特徴付ける場合、色は重要である。且つ、色の３属性（色相、明度、彩度）を全て画像特徴量とすることができる。光輝性顔料を撮像して２次元画像を得た場合、１つの光輝性顔料粒子領域（例えば、図３のｃ）内において、画素によって色が異なる。そこで、その領域内の画素の代表色を決定し、代表色の彩度、明度及び色相を画像特徴量とすることができる。
【００４７】
本実施の形態で代表色の求め方としては、まず、画像の光輝性顔料粒子の領域の画素すべてについて、コンピュータなどで用いられる表色系のＲＧＢデータから人間の感覚に近い表色系のＨＳＩ（色相、彩度及び明度）データへの変換を行う（非特許文献１の画像解析ハンドブックの第１８９７ページを参照）。ＲＧＢ表色系からＨＳＩ表色系への変換方法は特に限定されるものではないが、本実施の形態では６角錐カラーモデルを使用するものとする。次いで、図４に示すように、色相毎の画素数分布である色相ヒストグラムを求め、その最頻値を代表色の色相とする。さらに、求めた代表色の色相をもつ画素の彩度の平均値を求め、代表色の彩度とする。
【００４８】
また、６角錐カラーモデルによる変換によって得られたＨＳＩ空間のデータにおいて、色相は、角度（０〜３５９°の正の整数）で表わされるため、３５９°〜０°の間で不連続となり、後述する統計計算に支障をきたすため、本実施の形態では図５に示されているような色相角の正弦値及び余弦値を求めてそれぞれを画像特徴量とする。図５は、干渉ブルー顔料の例を示しており、色相角(hue)が２１５°であり、画像特徴量は、ｃｏｓ(２１５°)＝−０．５７、ｓｉｎ(２１５°)＝−０．８２である。
【００４９】
さらに、上記彩度、色相角の正弦値及び余弦値に加えて、明度を画像特徴量とすることもできる。明度については、彩度と同様に、求めた代表色の色相角をもつ画素の明度の平均値を求め、代表色の明度とする。
【００５０】
（粒子形状）
光輝性顔料を特徴付ける場合に、上記色と同様に粒子の形状も重要である。粒子の形状を表わす画像特徴量としては、粒子の大きさを表わす粒子サイズ、丸さを表わす円形度、輪郭の滑らかさを表わす輪郭状態、及び深い欠けを表わす切れ込み数を選択することができる。これらの粒子形状タイプの各画像特徴量は次のように求めることができる。
【００５１】
まず、図６に示すように、ステップＳ２での背景処理後の光輝性顔料粒子１個を示す画像の輪郭追跡を行い、輪郭に対応する画素（以下、輪郭画素と記す）を求める。次に光輝性顔料粒子の領域の重心を求める。次いでこの重心の画素と輪郭画素との幾何学距離を輪郭画素すべてについて計算して平均し、即ち重心と輪郭との平均距離を計算して、半径に相当する粒子の大きさである粒子サイズｒとする。粒子サイズｒは、下記の数式により計算することができる。
【００５２】
【数１】
【００５３】
ここでは、（ａ，ｂ）は重心の座標、（ｘｉ，ｙｉ）は輪郭画素の座標、ｎは輪郭画素の数を表している。
【００５４】
また、輪郭処理によって、光輝性顔料粒子１個を示す画像の周囲長を計算し、この周囲長と上記計算した粒子サイズｒから円形度を計算する（非特許文献１の画像解析ハンドブックの第２２４ページを参照）。具体的には、上記計算した半径に相当する粒子サイズｒから円周を計算し、この円周長と周囲長との比を、画像の丸さを表わす円形度とする。
【００５５】
次に、図７Ａ及び図７Ｂに示すように、画像重心から輪郭までの距離Lを輪郭画素ごとに展開した輪郭プロフィールの２次元グラフ（図７Ｂ）を作成し、輪郭プロフィールにおける距離Lの極大点及び極小点を検出して山と谷を決定する（特許文献２を参照）。この輪郭プロフィールの山、谷の数を、輪郭の滑らかさを表わす指標（輪郭状態）とする。図７Ｂでは、横軸は、ある輪郭画素を起点とする、輪郭に沿った輪郭画素列であり（具体的には、図７ＡのＡ部分から反時計回りに並べている）、縦軸は、画像の重心から各輪郭画素までの距離Lである。なお、図７Ａ及び図７Ｂにおいては、Ａ、Ｂ、Ｃは山を示し、ａ、ｂ、ｃは谷を示している。
【００５６】
さらに、輪郭プロフィールにおいて極端に深い谷がある、即ち光輝性顔料に局所的な凹み、欠けがある場合、それを切れ込みとし、その切れ込みを所定の基準で、例えば、隣接する山と谷との重心からの距離の差Ｌ１が４０画素以上、且つ隣接する山のピーク間の距離Ｌ２が４０画素以下という基準でカウントし、この切れ込みの数をも画像特徴量とする。例えば、図７Ａ及び図７Ｂにおいては、ａは切れ込みである。
【００５７】
（光輝性顔料の表面状態）
光輝性顔料を特徴付ける場合において表面状態も重要である。表面状態については、二次元の画像においては、濃淡レベルの変化で表されるので間接的に観察することができる。光輝性顔料粒子の表面状態は、具体的には、粒子を構成する色及び粒子表面の凹凸の２つで表される。特に、光学的に撮像した画像の場合に光輝性顔料の基材及び製造方法による凹凸やコーティング層の厚さの違いにより、明度や彩度が異なって見える。よって、本実施の形態では、光輝性顔料粒子１個を表わす画像における異なる色の数（粒子内の構成色数）と、色の濃淡の変化からＨＳＩ空間データにおける色の不均一度（粒子内の平滑性）とを計算することにより、間接的に表面状態を表わす。
【００５８】
まず、表面状態を表わす「粒子内の構成色数」、即ち光輝性顔料粒子１個を表わす画像内の色数を下記の手順で求めて画像特徴量とする。具体的には、図８に示すように、フルカラーの画像データに対して、均等量子化法（非特許文献１の画像解析ハンドブックの第１２０９ページを参照）による滅色処理を行い、得られた例えば２７色の画像内の、画像に対する占有率が１．０％以上の色を粒子を構成する色とし、その総数を求めて粒子内の構成色数とする。図８に一例を示す。
【００５９】
表面状態を表わす「粒子内の平滑性」については、撮像した画像における粒子表面の明度、彩度が異なる場合に人間が凹凸を感じるため、本実施の形態では画像中の濃度レベルが変化する領域に着目して画像特徴量を抽出する。具体的には、図９に示すように、光輝性顔料粒子１個を表わす画像に基づいて、ＨＳＩ表色系における明度のグレースケール画像をまず作成し、エッジ抽出処理又はフィルターリング（画像解析ハンドブックの第１２２９ページを参照）を行う。得られた画像の平均グレーレベルを、明度に関する表面の平滑性を表わす特徴量、即ち、「明度平均グレーレベル」として決定する。彩度についても同様に、元の画像に基づいて彩度のグレースケール画像を作成し、エッジ抽出処理を行い、得られた画像の平均グレーレベルを求めて、彩度に関する表面の平滑性を表す画像特徴量、即ち、「彩度平均グレーレベル」として決定する。
【００６０】
エッジ抽出処理後の画像の各画素値（グレーレベル）がそれぞれ、ｇ１、ｇ２、・・・、ｇｎとすると、平均グレーレベルＧは、次の式により求められる。
【００６１】
【数２】
【００６２】
また、エッジ抽出処理としては、特に限定されるものではないが、ソーベルフィルタのような一次微分処理など、公知の方法を使用すればよい。
【００６３】
このようにして、光輝性顔料に対して、代表色の色相角の正弦値、余弦値、代表色の彩度、及び代表色の明度を含む４つの色関連の画像特徴量、粒子サイズ、円形度、輪郭状態、及び切れ込み数を含む４つの粒子形状関連の画像特徴量、並びに、粒子内の構成色数、明度平均グレーレベル、及び彩度平均グレーレベルを含む３つの表面形状関連の画像特徴量、合わせて１１種類の画像特徴量を抽出することができる。
【００６４】
データベースを作成するためには、上記の１個の光輝性顔料粒子に対する各画像特徴量の抽出を、１種類の光輝性顔料について少なくとも１回、好ましくは１０回以上行う。
【００６５】
そして、データベースを作成する第４段階（ステップＳ４）においては、複数種類の光輝性顔料の銘柄や、品番、メーカー、そのほかの各種データ（粒径、比表面積、表面処理など）、タイプ（素材、発色など）、価格等の入力を、例えば操作部１４を介して受け付け、メモリ１２に格納する。
【００６６】
データベースを作成する第５段階（ステップＳ５）では、ステップＳ３で画像から抽出された上記の各画像特徴量を、ステップＳ４で取得した光輝性顔料の銘柄等と関連づけて記録部１３に格納する。なお、画像特徴量以外に、画像自体を含む画像処理を行う各段階で得られた他の情報を関連づけて記録部１３に格納することも可能である。なお、データの関連づけ及び格納方式は公知のものを使用すればよい。
【００６７】
上記のようにして得られたデータベースを用いて未知の光輝性顔料の銘柄を特定する同定方法は、統計計算、ニューラルネットワークなどを含む様々な手法を用いることができる。本実施の形態では、上記の画像特徴量を入力情報、光輝性顔料の銘柄（若しくは種類）を出力情報とする階層構造型ニューラルネットワークを用いた同定方法について記載する（非特許文献１の画像解析ハンドブックの第１６１５ページを参照）。
【００６８】
従って、データベースを作成する第６段階（ステップＳ６）においては、ニューラルネットワークを構築し、データベースに格納された画像特徴量及び銘柄を関連づけたデータを学習データとして、誤差逆伝播法による学習を行い、結合荷重データ（シナプスウェイト）等を決定する。
【００６９】
具体的には、画像特徴量の種類（数）を入力ユニット数とし、光輝性顔料の種類或いは銘柄（数）を出力ユニット数として、ニューラルネットワークを構成することができる。なお、入力ユニットとされる画像特徴量は、上記で抽出した特徴量のすべてを使用する必要はなく、色に関する特徴量は必須であるが、その他の特徴量は適宜取捨選択することができる。また、粒子形状に関する画像特徴量を加えると同定の精度が上がり、表面状態に関する画像特徴量をさらに加えると精度が一層向上する。
【００７０】
図１０は、ニューラルネットワークの一構成例を示す図である。図１０において、入力層には、代表色相の明度以外の１０種類の正規化された画像特徴量を入力ユニットとし、出力層には３０種類の光輝性顔料の銘柄を出力ユニットとし、隠れ層には１０ユニットを設けている。画像特徴量の正規化は、例えば、次式を使用して特徴量毎に行うことができる。
【００７１】
Ｘｉ，ｊ＝（Ｐｉ，ｊ−Ｐｍｉｎ，ｉ）／（Ｐｍａｘ，ｉ−Ｐｍｉｎ，ｉ）
ここでは、ｉは特徴量の種類を表わし、Ｘｉ，ｊは画像ｊから得られた正規化後の特徴量ｉの値、Ｐｉ，ｊは画像ｊから得られた特徴量ｉの値、Ｐｍａｘ，ｉは学習データ中の特徴量ｉの最大値、Ｐｍｉｎ，ｉは学習データ中の特徴量ｉの最小値である。
【００７２】
ここでは、正規化した画像特徴量と光輝性顔料の銘柄とを関連づけたデータを学習データ（教師データ）としているが、学習データは、光輝性顔料１種類に対して、１０個以上を準備し、さらに、同定の精度を向上させるために相関の強いものを排除した画像特徴量を使用することが好ましい。学習回数は、１０００万回以上行うことが好ましいが、使用する画像特徴量、光輝性顔料の銘柄、学習データによって、収束状況を確認しながら調整することができる。
【００７３】
データベースを作成する第７段階（ステップＳ７）において、上記のように学習を通じて得られたニューラルネットワークの結合荷重データ（シナプスウェイト）を、ニューラルネットワークの構成情報（層の数、ユニットの数など）、正規化後の画像特徴量、及び各特徴量の最大値や最小値などと共に、記録部１３に格納してデータベースの作成を完了する。
【００７４】
次に、本実施の形態に係る光輝性顔料の同定方法を、図１に示した同定システムの光輝性顔料を同定する動作として、図１１のフローチャートを参照して説明する。
【００７５】
以下では、光輝性顔料によって意匠を付与されたメタリック／パール塗色中に配合された光輝性顔料をもって説明する。以下の説明においては、特に断らない限りＣＰＵ１１が行う処理として説明する。
【００７６】
まず、図１１のステップＳ１１において、データベース作成時と同様に、画像入力装置２、例えば顕微鏡を制御して、光輝性顔料が含まれる塗膜の画像を撮像する。撮像した画像データは、Ｉ／Ｆ部１５を介して、メモリ１２に、例えばフルカラーのＪＰＥＧ画像として記録する。ここで注意すべきことは、塗膜中に複数の種類の光輝性顔料が配合されている場合、顕微鏡観察の時点で人が十分に観察して、同定の対象とする光輝性顔料の粒子のみを選択することである。
【００７７】
次に、ステップＳ１２において、データベース作成時と同様に、適宜操作部１４を介してＣＰＵ１１に対する指示を受けて、ステップＳ１１で記録したフルカラー画像から対象の光輝性顔料粒子１個を切り出して、画像の２値化、ラベリング、及びマスク処理を含む背景処理を行って、背景処理済みの光輝性顔料粒子１個の画像データを生成する。
【００７８】
ステップＳ１３において、ステップＳ１２で得られた背景処理済みの光輝性顔料粒子の画像から、色、粒子形状、及び表面状態を示す複数の画像特徴量を、データベース作成時と同様に操作部１４を介してＣＰＵ１１に対する指示を受けて、抽出する。
【００７９】
ステップＳ１４において、記録部１３に格納されたデータベースから各種類の画像特徴量の最大値及び最小値を読み出して、ステップＳ１３で得られた各種類の画像特徴量を正規化する。
【００８０】
ステップＳ１５において、抽出した画像特徴量に基づいて光輝性顔料の銘柄を同定する。同定方法には統計的な多くの手法を用いることもできるが、本実施の形態では、上記正規化した画像特徴量を入力情報とし、光輝性顔料の銘柄を出力情報とし、誤差逆伝播法のアルゴリズムを使用して予め結合荷重データが決定されているニューラルネットワークを用いて、光輝性顔料の銘柄の同定を行う（非特許文献１の画像解析ハンドブックの第１５９７ページを参照）。従って、ステップＳ１４で正規化した画像特徴量を、ニューラルネットワークの入力ユニットに入力し、記録部１３に格納されたデータベースにあるニューラルネットワークの結合荷重データを用いてニューラルネットワークによる光輝性顔料の同定を行う。
【００８１】
ステップＳ１６において、ニューラルネットワークによって同定された光輝性顔料の銘柄等の情報をＩ／Ｆ部１５を介して表示装置３に出力する。
【００８２】
このように、本発明に係る光輝性顔料の同定システムでは、未知の光輝性顔料を撮像して得られた画像からその特徴量を抽出し、抽出した画像特徴量に基づいて、既知の光輝性顔料の画像特徴量を用いて予め構築したデータベースを利用して、未知の光輝性顔料の銘柄をニューラルネットワークによって自動且つ容易に同定することができる。
【００８３】
なお、ここでは、塗膜中の光輝性顔料（メタリック／パール塗色）を同定する方法について説明したが、本発明の同定方法はそれによって用途が限定されるものではなく、フィルム、プラスチック等光輝性顔料が練り込まれたものや、化粧品、光輝性顔料そのものについても本発明の方法で同定することができる。
【００８４】
なお、データベースに登録された光輝性顔料に関するデータによっては、同定対象とするデータベース内のデータの範囲を予め限定して同定を行ったり、ニューラルネットワークの出力データの範囲を限定したり逆に広げたりすることも可能である。即ち、未知の光輝性顔料のおおよそのタイプが分かっている場合、同定対象とするデータベース内のデータ範囲を予測される範囲に限定すれば効率的である。また、ニューラルネットワークにおいて、イエスかノー（１か０）のような２値の判定結果を出力する代わりに、出力データの範囲を０〜１の実数にして出力値が高いものから降順にソートし、上位にある所定数の類似する光輝性顔料の銘柄を候補として選び出したりすることも可能である。
【００８５】
例えば、出力ユニットをおおよそ分かっているタイプの光輝性顔料とし、ニューラルネットワークを再学習させて新たな結合荷重データ（シナプスウェイト）を取得し、その新たな結合荷重データを使用して未知の光輝性顔料の銘柄を同定することができる。この場合、同定の精度が一層高くなる。
【００８６】
また、イェスかノーの形で光輝性顔料の種類を同定できないとき、ニューラルネットワークの出力データ範囲を０〜１の実数値とし、上位の、例えば５つの出力数値に対応する光輝性顔料を未知の光輝性顔料に類似する光輝性顔料として提示することも可能である。
【００８７】
なお、本発明の同定方法によって未知の光輝性顔料の同定を行い、得られた結果が、観察者の知っている正解でなかった場合、正解が得られるようにデータベースにサンプル、特に誤認識したサンプルを追加し、ニューラルネットワークを再学習させることができる。この再学習をさせることで、新規の結合荷重データが得られ、誤認識したサンプルの識別精度を向上することができる。即ち、正しいデータをデータベースに追加することによって、以後の同定がより正確になる。
【実施例１】
【００８８】
次に、実施例を挙げて、本発明をより具体的に説明する。
【００８９】
（１）光輝性顔料の用意
図１２に示すように光輝性顔料を大まかにグループ分けし、各グループから発色、粒子サイズ、表面状態の異なる銘柄を３０種類選定した。詳細には、アルミフレーク顔料（粒径が異なる銘柄）、着色アルミフレーク顔料（青、緑、赤）、着色パール顔料（赤）、干渉パール顔料（干渉色が赤、ゴールド、黄、緑、青、紫、基材が天然マイカ、アルミナフレーク、粒径が異なる銘柄）、シルバーパール顔料（基材、粒径が異なる銘柄）、及びマルチカラー顔料から３０種類を選択して用意した。
【００９０】
（２）光輝性顔料含有塗膜の製作
ニトロセルロース系クリヤー塗料（関西ペイント（株）製、アクリック２０２６ＧＬ）の樹脂固形分１００質量部に対して、（１）で選定した各光輝性顔料を固形分として１質量部になるように配合し、攪拌混合した後、塗装に適した粘度に希釈して塗料を調整した。調整した各塗料を、予め黒色に塗装を施したアート紙上にＮｏ．２０のバーコーターで塗装し、乾燥膜厚約１５μｍの塗膜を製作した。
【００９１】
（３）光輝性顔料の撮像
画像取得装置としてビデオマイクロスコープを用い上記のように製作した塗膜を、２５００倍の撮像倍率、落射照明方式で撮像し、得られた画像データを、同定装置（コンピュータ）のメモリに格納した。
【００９２】
なお、同一種類の光輝性顔料について、１０の画像データを取得し、合計３０×１０＝３００画像を取得した。
【００９３】
（４）画像の背景処理と特徴量の抽出、正規化
データベースの作成において説明したように格納した画像を同定装置を用いて処理し、１種類の光輝性顔料につき１０セットの画像特徴量（代表色の明度以外の１０種の特徴量）を抽出した。そして、抽出した各種類の画像特徴量の３０×１０＝３００サンプルを各々、正規化した。
【００９４】
（５）特徴量の相関関係の確認
それぞれ３００サンプルを有する１０種類の画像特徴量間の相関行列を計算した結果、図１３に示す相関係数が得られた。全ての相互相関係数が０．９以上とはならず、即ち、異なる特徴量間の相関関係が低いことを確認した。従って、これらの特徴量が適切であると言える。
【００９５】
（６）データベースの作成
上記（４）で正規化した画像特徴量及び光輝性顔料の銘柄を関連付けたデータと、光輝性顔料粒子１個を示す画像と、各種類の画像特徴量の最大値、最小値とを、データベースとして同定装置のメモリに格納した。
【００９６】
（７）ニューラルネットワークの学習
ニューラルネットワークを用いる同定のために、正規化した画像特徴量と光輝性顔料の銘柄とを関連付けたデータを学習データとして、誤差逆伝播法による学習を行った。学習によって得られたニューラルネットワークの結合荷重データ（シナプスウェイト）をもデータベースに格納した。このときのニューラルネットワークの構成は、図１０に示すように、入力ユニットを１０個、出力ユニットを３０個、隠れ層を１層、隠れ層ユニットを１０個、バイアス入力ユニットを１個、関数タイプをシグモイド関数、学習回数を１０００万回、学習率を０．８、許容誤差を０．１とした。
【００９７】
（８）同定精度検証のための光輝性顔料の画像取得
同定方法の精度検証を行うために、上記（１）〜（３）で得た画像と同様に、新たに各々の光輝性顔料について２つの画像を取り込み、合計、２×３０＝６０画像を得た。
【００９８】
（９）画像の背景処理及び特徴量の抽出、正規化
上記の６０の画像それぞれについて、背景処理を行った後、画像特徴量を抽出し、得られた画像特徴量を、（６）でデータベースに格納したそれぞれに対応する最大値及び最小値をもって正規化した。
【００９９】
（１０）光輝性顔料の同定
（９）で正規化した画像特徴量に対して、上記（７）で構成したニューラルネットワークを使用して、光輝性顔料の同定を行った。その結果、光輝性顔料の銘柄が正しく判定された確率は７４．１％、正しい光輝性顔料の候補として銘柄を５つ挙げた場合その中に正しいものが含まれた確率は９４．８％であった。このように、非常に高い精度で光輝性顔料を同定することができたことから、用いた画像特徴量が非常に有効であると言える。
【０１００】
以上では、本発明を具体的な実施の形態及び実施例によって説明したが、本発明は、決してそれに限定されるものではなく、本発明に係る光輝性顔料同定装置、同定システムは、本発明の趣旨から逸脱しない範囲で種々変更して実現することが可能である。また、本発明に係る光輝性顔料同定方法、プログラムに関しても、本発明の趣旨から逸脱しない範囲で種々の変更が可能である。
【符号の説明】
【０１０１】
１ 光輝性顔料同定装置
２ 画像取得装置
３ 表示装置
１１ ＣＰＵ
１２ メモリ
１３ 記録部
１４ 操作部
１５ Ｉ／Ｆ部
１６ データバス
【特許請求の範囲】
【請求項１】
光輝性顔料を撮像して画像データを取得する第１ステップと、
取得した前記画像データに対して背景処理を行い、前記光輝性顔料の粒子１個を含むその近傍部分の画像データを処理対象画像データとして抽出する第２ステップと、
前記処理対象画像データから画像特徴量を抽出する第３ステップと、
複数種類の前記光輝性顔料のそれぞれについて前記第１ステップ〜前記第３ステップの処理を行い、前記光輝性顔料に関する情報と、抽出した前記画像特徴量とを予め対応させて記憶したデータベースを作成する第４ステップと、
被同定対象の光輝性顔料について前記第１ステップ〜前記第３ステップの処理を行い、前記被同定対象の光輝性顔料の画像特徴量を抽出する第５ステップと、
抽出した前記被同定対象の光輝性顔料の前記画像特徴量に基づいて、前記データベースから前記被同定対象の光輝性顔料を同定する第６ステップとを含み、
前記画像特徴量が、前記光輝性顔料の色を表す特徴量を含み、
前記光輝性顔料の色を表わす特徴量が、代表色の色相角の正弦値及び余弦値、並びに前記代表色の明度及び彩度であり、
前記代表色の色相角が、前記光輝性顔料粒子１個に対応する部分画像内の画素のＨＳＩ表色空間における色相角のヒストグラムの最頻値であり、
前記代表色の明度が、前記代表色の色相角を有する画素の平均明度であり、
前記代表色の彩度が、前記代表色の色相角を有する画素の平均彩度であることを特徴とする光輝性顔料同定方法。
【請求項２】
光輝性顔料を撮像して画像データを取得する画像取得装置と、
前記画像取得装置から入力される前記画像データに対して背景処理を行い、前記光輝性顔料粒子１個を撮像した部分の画像を抽出した後に、抽出した前記光輝性顔料粒子１個を表す部分画像に対して画像処理を行いながら、前記光輝性顔料の各種の画像特徴量を計算する特徴量検出部と、
複数種類の前記光輝性顔料のそれぞれについて、前記光輝性顔料に関する情報と、前記特徴量検出部によって計算された前記画像特徴量とを予め対応させて記憶するデータベースを格納する記録部と、を備え、
前記画像特徴量が、前記光輝性顔料の色を表す特徴量を含み、
前記光輝性顔料の色を表わす特徴量が、代表色の色相角の正弦値及び余弦値、並びに前記代表色の明度及び彩度であり、
前記代表色の色相角が、前記光輝性顔料粒子１個に対応する部分画像内の画素のＨＳＩ表色空間における色相角のヒストグラムの最頻値であり、
前記代表色の明度が、前記代表色の色相角を有する画素の平均明度であり、
前記代表色の彩度が、前記代表色の色相角を有する画素の平均彩度であり、
前記特徴量検出部が、前記画像取得装置から入力された被同定対象の光輝性顔料の画像データから、前記被同定対象の光輝性顔料の画像特徴量を計算し、計算した前記被同定対象の光輝性顔料の前記画像特徴量に基づいて、前記データベースから前記被同定対象の光輝性顔料を同定することを特徴とする光輝性顔料同定システム。
【請求項３】
コンピュータに、
入力される光輝性顔料の画像データに対して背景処理を行い、前記光輝性顔料の粒子１個を含むその近傍部分の画像データを処理対象画像データとして抽出する第1の機能と、
前記処理対象画像データから画像特徴量を抽出する第２の機能と、
複数種類の前記光輝性顔料のそれぞれについて前記第１の機能および前記第２の機能によって処理を行い、前記光輝性顔料に関する情報と、抽出した前記画像特徴量とを予め対応させて記憶したデータベースを作成する第３の機能と、
被同定対象の光輝性顔料について前記第１の機能および第２の機能によって処理を行い、前記被同定対象の光輝性顔料の画像特徴量を抽出する第４の機能と、
抽出した前記被同定対象の光輝性顔料の前記画像特徴量に基づいて、前記データベースから前記被同定対象の光輝性顔料を同定する第５の機能とを実現させ、
前記画像特徴量が、前記光輝性顔料の色を表す特徴量を含み、
前記光輝性顔料の色を表わす特徴量が、代表色の色相角の正弦値及び余弦値、並びに前記代表色の明度及び彩度であり、
前記代表色の色相角が、前記光輝性顔料粒子１個に対応する部分画像内の画素のＨＳＩ表色空間における色相角のヒストグラムの最頻値であり、
前記代表色の明度が、前記代表色の色相角を有する画素の平均明度であり、
前記代表色の彩度が、前記代表色の色相角を有する画素の平均彩度である光輝性顔料同定プログラム。
【請求項４】
請求項３に記載の光輝性顔料同定プログラムを記録したコンピュータ読取可能な記録媒体。
【請求項１】
光輝性顔料を撮像して画像データを取得する第１ステップと、
取得した前記画像データに対して背景処理を行い、前記光輝性顔料の粒子１個を含むその近傍部分の画像データを処理対象画像データとして抽出する第２ステップと、
前記処理対象画像データから画像特徴量を抽出する第３ステップと、
複数種類の前記光輝性顔料のそれぞれについて前記第１ステップ〜前記第３ステップの処理を行い、前記光輝性顔料に関する情報と、抽出した前記画像特徴量とを予め対応させて記憶したデータベースを作成する第４ステップと、
被同定対象の光輝性顔料について前記第１ステップ〜前記第３ステップの処理を行い、前記被同定対象の光輝性顔料の画像特徴量を抽出する第５ステップと、
抽出した前記被同定対象の光輝性顔料の前記画像特徴量に基づいて、前記データベースから前記被同定対象の光輝性顔料を同定する第６ステップとを含み、
前記画像特徴量が、前記光輝性顔料の色を表す特徴量を含み、
前記光輝性顔料の色を表わす特徴量が、代表色の色相角の正弦値及び余弦値、並びに前記代表色の明度及び彩度であり、
前記代表色の色相角が、前記光輝性顔料粒子１個に対応する部分画像内の画素のＨＳＩ表色空間における色相角のヒストグラムの最頻値であり、
前記代表色の明度が、前記代表色の色相角を有する画素の平均明度であり、
前記代表色の彩度が、前記代表色の色相角を有する画素の平均彩度であることを特徴とする光輝性顔料同定方法。
【請求項２】
光輝性顔料を撮像して画像データを取得する画像取得装置と、
前記画像取得装置から入力される前記画像データに対して背景処理を行い、前記光輝性顔料粒子１個を撮像した部分の画像を抽出した後に、抽出した前記光輝性顔料粒子１個を表す部分画像に対して画像処理を行いながら、前記光輝性顔料の各種の画像特徴量を計算する特徴量検出部と、
複数種類の前記光輝性顔料のそれぞれについて、前記光輝性顔料に関する情報と、前記特徴量検出部によって計算された前記画像特徴量とを予め対応させて記憶するデータベースを格納する記録部と、を備え、
前記画像特徴量が、前記光輝性顔料の色を表す特徴量を含み、
前記光輝性顔料の色を表わす特徴量が、代表色の色相角の正弦値及び余弦値、並びに前記代表色の明度及び彩度であり、
前記代表色の色相角が、前記光輝性顔料粒子１個に対応する部分画像内の画素のＨＳＩ表色空間における色相角のヒストグラムの最頻値であり、
前記代表色の明度が、前記代表色の色相角を有する画素の平均明度であり、
前記代表色の彩度が、前記代表色の色相角を有する画素の平均彩度であり、
前記特徴量検出部が、前記画像取得装置から入力された被同定対象の光輝性顔料の画像データから、前記被同定対象の光輝性顔料の画像特徴量を計算し、計算した前記被同定対象の光輝性顔料の前記画像特徴量に基づいて、前記データベースから前記被同定対象の光輝性顔料を同定することを特徴とする光輝性顔料同定システム。
【請求項３】
コンピュータに、
入力される光輝性顔料の画像データに対して背景処理を行い、前記光輝性顔料の粒子１個を含むその近傍部分の画像データを処理対象画像データとして抽出する第1の機能と、
前記処理対象画像データから画像特徴量を抽出する第２の機能と、
複数種類の前記光輝性顔料のそれぞれについて前記第１の機能および前記第２の機能によって処理を行い、前記光輝性顔料に関する情報と、抽出した前記画像特徴量とを予め対応させて記憶したデータベースを作成する第３の機能と、
被同定対象の光輝性顔料について前記第１の機能および第２の機能によって処理を行い、前記被同定対象の光輝性顔料の画像特徴量を抽出する第４の機能と、
抽出した前記被同定対象の光輝性顔料の前記画像特徴量に基づいて、前記データベースから前記被同定対象の光輝性顔料を同定する第５の機能とを実現させ、
前記画像特徴量が、前記光輝性顔料の色を表す特徴量を含み、
前記光輝性顔料の色を表わす特徴量が、代表色の色相角の正弦値及び余弦値、並びに前記代表色の明度及び彩度であり、
前記代表色の色相角が、前記光輝性顔料粒子１個に対応する部分画像内の画素のＨＳＩ表色空間における色相角のヒストグラムの最頻値であり、
前記代表色の明度が、前記代表色の色相角を有する画素の平均明度であり、
前記代表色の彩度が、前記代表色の色相角を有する画素の平均彩度である光輝性顔料同定プログラム。
【請求項４】
請求項３に記載の光輝性顔料同定プログラムを記録したコンピュータ読取可能な記録媒体。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７Ａ】
【図７Ｂ】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７Ａ】
【図７Ｂ】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【公開番号】特開２０１２−２２６７６３（Ｐ２０１２−２２６７６３Ａ）
【公開日】平成２４年１１月１５日（２０１２．１１．１５）
【国際特許分類】
【出願番号】特願２０１２−１４４８４１（Ｐ２０１２−１４４８４１）
【出願日】平成２４年６月２８日（２０１２．６．２８）
【分割の表示】特願２００６−２７４４３４（Ｐ２００６−２７４４３４）の分割
【原出願日】平成１８年１０月５日（２００６．１０．５）
【出願人】（０００００１４０９）関西ペイント株式会社 (815)
【Ｆターム（参考）】
【公開日】平成２４年１１月１５日（２０１２．１１．１５）
【国際特許分類】
【出願日】平成２４年６月２８日（２０１２．６．２８）
【分割の表示】特願２００６−２７４４３４（Ｐ２００６−２７４４３４）の分割
【原出願日】平成１８年１０月５日（２００６．１０．５）
【出願人】（０００００１４０９）関西ペイント株式会社 (815)
【Ｆターム（参考）】
[ Back to top ]