画像の類似性評価装置及びその評価方法
【課題】対比する画像が類似しているか類似していないかを評価する。
【解決手段】画像を入力する画像入力装置１０と、画像入力装置１０によって入力した画像を記憶する画像記憶部２０と、画像記憶部２０から複数の画像を取得して色変換しそれぞれの画像を柄画像と色画像に分離する色変換部３０と、色変換部３０によって分離した柄画像と色画像のそれぞれについて、画像の周期性、画像の輝度分布、画像の乱雑さ、画像の連続量、画像の一致確率のうちの少なくともいずれか１つに関する種類の特徴量を抽出する特徴量抽出部４０と、対比する２枚の画像の柄画像と色画像の各々について抽出した特徴量を特徴量抽出部４０から取得し２枚の柄画像間の特徴量の差と２枚の色画像間の特徴量の差に基づいて画像の類似性を評価する類似性評価部５０と、を有する。
【解決手段】画像を入力する画像入力装置１０と、画像入力装置１０によって入力した画像を記憶する画像記憶部２０と、画像記憶部２０から複数の画像を取得して色変換しそれぞれの画像を柄画像と色画像に分離する色変換部３０と、色変換部３０によって分離した柄画像と色画像のそれぞれについて、画像の周期性、画像の輝度分布、画像の乱雑さ、画像の連続量、画像の一致確率のうちの少なくともいずれか１つに関する種類の特徴量を抽出する特徴量抽出部４０と、対比する２枚の画像の柄画像と色画像の各々について抽出した特徴量を特徴量抽出部４０から取得し２枚の柄画像間の特徴量の差と２枚の色画像間の特徴量の差に基づいて画像の類似性を評価する類似性評価部５０と、を有する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、対比する画像が類似しているか類似していないかを評価することができる、画像の類似性評価装置及びその評価方法に関する。
【背景技術】
【０００２】
例えば、車両の内装材として木目パネルを使用することがある。木目パネルを車室内に貼り付けるときには、木目の色柄に類似性のある木目パネルを選択する。
【０００３】
従来、対比する木目の色柄に類似性があるかどうかは、例えば下記特許文献１に示すような装置で木目の画像を入力し、例えば下記特許文献２に示すような装置でその入力した木目の画像の類似性を評価することが考えられる。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００２−２６７６００号公報
【特許文献２】特開平７−２８４０９０号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかし、特許文献１及び２に記載されている装置を用いたとしても、対比する木目の類似性を正確に評価することは困難である。これらの装置は、木目の類似性を的確に評価するために特化された構成とはなっていないからである。
【０００６】
一般的に木目パネルの表面には微小な凹凸がある。このため、対比する木目がある角度では類似した見え方であっても、角度が異なるとその見え方が異なる。また、この見え方は角度が同じでも光の方向によって異なる。木目の類似性を評価する場合には、角度や光の方向によって見え方が異なる木目を総合的に見て類似しているか類似していないかを評価できるようにすることが重要である。
【０００７】
本発明は、対比する画像が類似しているか類似していないかを評価することができる、画像の類似性評価装置及びその評価方法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の本発明は、画像入力装置、画像記憶部、色変換部、特徴量抽出部および類似性評価部を有する。
【０００９】
画像入力装置は画像を入力する。画像記憶部は画像入力装置によって入力した画像を記憶する。色変換部は、画像記憶部から複数の画像を取得して色変換しそれぞれの画像を柄画像と色画像に分離する。特徴量抽出部は、色変換部によって分離した柄画像と色画像のそれぞれについて、画像の周期性、画像の輝度分布、画像の乱雑さ、画像の連続量、画像の一致確率のうちの少なくともいずれか１つに関する種類の特徴量を抽出する。類似性評価部は、対比する画像の柄画像と色画像の各々について抽出した特徴量を特徴量抽出部から取得し柄画像間の特徴量の差および色画像間の特徴量の差に基づいて画像の類似性を評価する。
【発明の効果】
【００１０】
本発明によれば、対比する画像から柄画像と色画像を分離し、柄画像間の特徴量の差と色画像間の特徴量の差の両方から類似性を評価するので、角度や光の方向によって見え方が異なる画像の類似性を総合的に評価できる。
【図面の簡単な説明】
【００１１】
【図１】本発明の一実施形態に係る画像の類似性評価装置のブロック図である。
【図２】図１に示した画像入力装置の構成図である。
【図３】図１に示した画像入力装置の構成図である。
【図４】図１に示した画像入力装置の他の構成図である。
【図５】図１に示した色変換部の動作説明に供する図である。
【図６】図１に示した類似性評価部のブロック図である。
【図７】図６に示した正規化処理部により正規化した後の特徴量の差の大きさを示すグラフである。
【図８】図６に示した識別値演算部により演算される識別値の演算手法の説明に供する図である。
【図９】図６に示したデータベースが格納する閾値の情報の説明に供する図である。
【図１０】グレースケールで表示した木目画像１、木目画像２と、濃淡、配置、周期性、縮尺、乱雑さ、回転を考慮した木目画像１のイメージと木目画像２のイメージを示す図である。
【図１１】本発明に係る画像の類似性評価方法の手順の概略説明図である。
【図１２】本発明に係る画像の類似性評価方法の手順を示すフローチャートである。
【図１３】図１２の画像読込のサブルーチンフローチャートである。
【図１４】図１２の画像編集のサブルーチンフローチャートである。
【図１５】コンピュータシステムの画像読込/画像編集画面である。
【図１６】コンピュータシステムの分析条件設定画面である。
【図１７】コンピュータシステムの分析結果表示設定画面である。
【図１８】コンピュータシステムの関連付け設定画面である。
【図１９】図１２の前処理のサブルーチンフローチャートである。
【図２０】図１２の特徴量抽出のサブルーチンフローチャートである。
【図２１】図１２の後処理のサブルーチンフローチャートである。
【図２２】図１２の類似性判定のサブルーチンフローチャートである。
【図２３】図１２の分析結果表示のサブルーチンフローチャートである。
【図２４】コンピュータシステムの類似性分析結果表示画面である。
【図２５】図１２の分析結果・分析条件保存のサブルーチンフローチャートである。
【図２６】特徴量と設計パラメータとの関連付けの説明に供する図である。
【図２７】本発明の他の実施形態に係る画像の類似性評価装置のブロック図である。
【図２８】図２７に示した画像入力装置の構成図である。
【図２９】図２８に示した画像入力装置のさらに詳細な構成図である。
【図３０】図２８に示した画像入力装置のさらに詳細な構成図である。
【図３１】本発明に係る画像の類似性評価方法の他の実施形態の手順を示すフローチャートである。
【図３２】図３１の特徴量抽出のサブルーチンフローチャートである。
【図３３】図３２のステップＳ１４１の処理の説明図である。
【図３４】図３２のステップＳ１４２の処理の説明図である。
【図３５】図３２のステップＳ１４３の処理の説明図である。
【図３６】図３２のステップＳ１４４の処理の説明図である。
【図３７】図３２のステップＳ１４４の処理の説明図である。
【図３８】本実施形態の効果の説明に供する図である。
【発明を実施するための形態】
【００１２】
［実施形態１］
以下に、本発明の一実施形態に係る画像の類似性評価装置について詳細に説明する。以下では、画像の一例として木目パネルの木目を例示する。しかし、本発明に係る画像の類似性評価装置は、パネルや革の表面の皺の画像、布地の織りの画像に対しても適用することができる。
【００１３】
（画像の類似性評価装置の全体構成）
図１は、本発明の一実施形態に係る画像の類似性評価装置のブロック図である。
【００１４】
図１に示すように、画像の類似性評価装置１００は、画像入力装置１０、画像記憶部２０、色変換部３０、特徴量抽出部４０、類似性評価部５０および出力装置６０を有する。
【００１５】
画像入力装置１０は木目パネル５の表面の木目画像を入力する。木目画像の入力は、暗室内に置いた木目パネル５の表面に均一に光を当て、その木目パネル５の表面をカメラで撮影することによって行われる。画像入力装置１０の詳細な構成は後述する。
【００１６】
画像記憶部２０は、画像入力装置１０によって入力した木目パネル５の木目画像を記憶しておくメモリである。画像記憶部２０は、画像入力装置１０によって入力した木目画像を一時的に記憶しておく第１領域と入力した木目画像を一時的にではなく保存しておく第２領域とを有している。第１領域はキャッシュメモリで構成され、第２領域は一般的に用いられるＲＡＭなどの半導体記憶装置またはＣＤやＨＤＤなどの記録媒体で構成される。
【００１７】
色変換部３０は、画像記憶部２０の第１領域または第２領域から複数の木目画像を取得して色変換し、取得したそれぞれの木目画像を柄画像と色画像に分離する。本実施形態の場合、画像記憶部２０から２枚の木目画像を取得して、２枚の木目画像を、２枚の柄画像と４枚の色画像に分離する。色変換の手法および木目画像を柄画像と色画像に分離する手法の詳細は後述する。
【００１８】
特徴量抽出部４０は、色変換部３０によって分離した柄画像と色画像のそれぞれについて、木目の周期性、木目の輝度分布、木目の乱雑さ、木目の連続量、木目の一致確率のうちの少なくともいずれか１つに関する種類の特徴量を抽出する。本実施形態の場合、色変換部３０は、２枚の木目画像を、２枚の柄画像と４枚の色画像に分離する。このため、特徴量抽出部４０は、２枚の柄画像と４枚の色画像の合計６枚の画像のそれぞれについていずれか１つに関する種類の特徴量を抽出する。この６枚の画像については、同一種類の特徴量を抽出する。たとえば、２枚の柄画像について、木目の周期性および木目の輝度分布に関する特徴量を抽出したときには、４枚の色画像についても、木目の周期性および木目の輝度分布に関する特徴量を抽出する。特徴量の抽出の手法の詳細は後述する。
【００１９】
類似性評価部５０は、対比する２枚の木目画像の柄画像と色画像の各々について抽出した特徴量を特徴量抽出部４０から取得し、２枚の柄画像間の特徴量の差と２枚を一組とする各組２枚の色画像間の特徴量の差に基づいて木目の類似性を評価する。たとえば、上記のように、特徴量抽出部４０が木目の周期性および木目の輝度分布に関する特徴量を抽出したとする。このときには、２枚の柄画像間と各組２枚の色画像間の木目の周期性に関する特徴量の差および木目の輝度分布に関する特徴量の差に基づいて木目の類似性を評価する。木目の類似性を評価する手法の詳細は後述する。
【００２０】
出力装置６０は、画像入力装置１０が入力した木目画像および画像記憶部２０から取得した木目画像を表示したり、木目の類似性を評価するために抽出した特徴量の差を表示したり、木目の類似性の評価結果を表示したりする。
【００２１】
本発明の一実施形態に係る画像の類似性評価装置１００は以上のような構成を有するので、角度によって見え方が異なる木目の類似性を高精度に評価することができる。
【００２２】
このような効果が得られるのは、対比する木目画像から柄画像と色画像を分離していることと、柄画像と色画像の両方の画像に対して特徴量を求めているからである。特に、色画像の特徴量を求めていることがこの効果を得ることに大きく寄与している。さらに、柄画像間の特徴量の差と色画像間の特徴量の差の両方から類似性を評価しているため、木目の類似性を総合的に評価することができる。
【００２３】
（画像入力装置の構成）
図２〜図４は画像入力装置１０の構成図である。
【００２４】
画像入力装置１０は、暗室１２、光源１４およびカメラ１６を有している。
【００２５】
暗室１２は木目パネル５の表面を撮像するときに、外光の影響を受けずに撮像できるように、暗室１２に進入しようとする外光を遮光する役割を果たす。本実施形態では暗室１２の形状は半球状としている。
【００２６】
光源１４は暗室１２の内面に取り付ける。光源１４はカメラ１６を移動させる移動レール１８上に配置する。光源１４は木目パネル５の表面に対して１１０度の角度から光を照射する。木目パネル５の表面から反射する光源１４の反射光がカメラ１６に直接入射されないようにするためである。光源１４は面発光となる有機ＥＬを用いる。このため、光源１４は暗室１２内に置いた木目パネル５の表面を均一に照らすことができる。光源１４は発光面の面積を図３のように可変できるようにしてある。木目パネル５の表面に照射する光の面積を小さくしたいときには、図３のように光源１４の発光面の面積を小さく絞る。なお、光源１４に面発光ではない電球、蛍光灯、ＬＥＤを用いても良い。この場合には、導光板、拡散板、光拡散フィルムを組み合わせて面発光となるようにしたり、暗室１２の形状を球状にして積分球として木目パネル５の表面を均一に照らすことができるようにしたりする。光源１４から照射する光は波長が３６０〜７８０ｎｍの主に可視光領域の光を用いる。しかし、光源１４から照射する光は可視光領域以外の領域の光を用いても良い。
【００２７】
カメラ１６は、光源１４から照射する光によって均一に照らされている木目パネル５の表面を撮像する。カメラ１６は暗室１２の内面に取り付けた移動レール１８に移動自在に取り付ける。そのため、移動レール１８に沿ってカメラ１６を移動させ木目パネル５の表面を複数の角度から撮像することができる。本実施形態では、木目パネル５の表面に対して５度の角度（図２のＡ位置）、３５度の角度（図２のＢ位置）、８０度の角度（図２のＣ位置）、の３種類の角度（撮像角度）から木目画像を撮像できるようにする。それぞれの角度から撮像した木目画像はＲＧＢ木目画像（カラー画像）として画像記憶部２０に送られる。撮像した木目画像には撮像角度が付加される。なお、図４に示すように、暗室１２の内面に３台のカメラ１６を、木目パネル５の表面に対して５度の角度（図４のＡ位置）、３５度の角度（図４のＢ位置）、８０度の角度（図４のＣ位置）にそれぞれ固定して取り付けても良い。３台のカメラ１６を暗室１２の内面に取り付けておけば、同時に複数の角度からの木目画像を撮像できる。木目の撮像角度は上記の３種類の角度に限られない。
【００２８】
このように、画像入力装置１０は、暗室１２で木目パネルに外光が当たらないようにし、光源１４で木目パネルの表面を均一に照らすことができるので、カメラ１６は複数の木目パネルの木目を同じ条件で撮影できる。また、カメラ１６は木目パネルの表面を複数の角度から撮影できるので、異なる角度から撮影した木目の類似性を評価することで、木目の類似性の評価精度が向上する。
【００２９】
（色変換部の動作）
図５は色変換部３０の動作説明に供する図である。
【００３０】
色変換部３０は、画像記憶部２０から取得したＲＧＢ木目画像をＹＣ１Ｃ２木目画像またはＬａｂ木目画像に変換する。図５に示すように、画像記憶部２０から取得したＲＧＢ木目画像をＹＣ１Ｃ２木目画像に変換すると、ＲＧＢ木目画像の情報を輝度情報と色情報に分離することができる。ＲＧＢ木目画像をＹＣ１Ｃ２木目画像に変換した場合、Ｙ木目画像がＲＧＢ木目画像の輝度情報（明度）を示し、Ｃ１木目画像とＣ２木目画像がＲＧＢ木目画像の色情報（色相・彩度）を示す。このため、Ｙ木目画像は柄画像となり、Ｃ１木目画像とＣ２木目画像は色画像となる。
【００３１】
ＲＧＢ色空間の画像をＹＣ１Ｃ１色空間の画像に変換するには、下記の計算を行う。
【００３２】
ＲＧＢ→ＹＣ１Ｃ２色変換
Ｙ ＝ ０．２９９Ｒ＋０.５８７Ｇ＋０.１１４Ｂ
Ｃ１＝Ｒ−Ｙ＝ ０．７０１Ｒ−０.５８７Ｇ−０.１１４Ｂ
Ｃ２＝Ｂ−Ｙ＝−０．２９９Ｒ−０.５８７Ｇ＋０.８８６Ｂ
また、画像記憶部２０から取得したＲＧＢ木目画像をＬａｂ木目画像に変換しても、ＲＧＢ木目画像の情報を輝度情報と色情報に分離することができる。ＲＧＢ木目画像をＬａｂ木目画像に変換した場合、Ｌ木目画像がＲＧＢ木目画像の輝度情報（明度）を示し、ａ木目画像とｂ木目画像がＲＧＢ木目画像の色情報（色相・彩度）を示す。このため、Ｌ木目画像は柄画像となり、ａ木目画像とｂ木目画像は色画像となる。
【００３３】
ＲＧＢ色空間の画像をＬａｂ色空間の画像に変換するには、まず、ＲＧＢ色空間の画像をＸＹＺ色空間の画像に変換し、次に、ＸＹＺ色空間の画像をＬａｂ色空間の画像に変換する。具体的には、下記の計算を行う。
【００３４】
ＲＧＢ→Ｌａｂ色変換
ＲＧＢ→ＸＹＺ変換
Ｘ＝ ０．４１２４５３Ｒ＋０．３５７５８Ｇ＋０．１８０４２３Ｂ
Ｙ＝ ０．２１２６７１Ｒ＋０．７１５１６Ｇ＋０．０７２１６９Ｂ
Ｚ＝ ０．０１９３３４Ｒ＋０．１１９１９３Ｇ＋０．９５０２２７Ｂ
ＸＹＺ→Ｌａｂ変換
【００３５】
【数１】
【００３６】
色変換部３０は、以上の計算により、ＲＧＢ木目画像をＹＣ１Ｃ２木目画像またはＬａｂ木目画像に変換する。色変換部３０は、Ｙ木目画像またはＬ木目画像を柄画像とし、Ｃ１木目画像、Ｃ２木目画像またはａ木目画像、ｂ木目画像を色画像とする。
【００３７】
このように、色変換部３０は、ＲＧＢ木目画像をＹＣ１Ｃ２木目画像またはＬａｂ木目画像に変換している。このため、柄画像としてＹ木目画像またはＬ木目画像を取得できるだけではなく、色画像としてＣ１木目画像、Ｃ２木目画像またはａ木目画像、ｂ木目画像を取得することができる。特に、Ｃ１木目画像、Ｃ２木目画像またはａ木目画像、ｂ木目画像を取得していることが木目の類似性の評価精度の向上に大きく寄与している。
【００３８】
（特徴量抽出部の動作）
特徴量抽出部４０は、色変換部３０によって分離した柄画像と色画像のそれぞれについて、木目の周期性、木目の輝度分布、木目の乱雑さ、木目の連続量、木目の一致確率のうちの少なくともいずれか１つに関する種類の特徴量を抽出する。対比する２枚の木目パネルの木目の色柄が類似しているか否かを評価するためには、木目の色柄の特徴を解析する必要がある。木目の色柄の特徴は、木目の周期性、木目の輝度分布、木目の乱雑さ、木目の連続量、木目の一致確率が考えられる。特徴量抽出部４０は、これらの木目の色柄の特徴を、フーリエスペクトル、輝度ヒストグラム、フラクタル次元、ランレングス行列、同時生起行列を求めることによって明らかにする。
【００３９】
次に、特徴量抽出部４０が木目の色柄の特徴を求めるために用いる、フーリエスペクトル、輝度ヒストグラム、フラクタル次元、ランレングス行列、同時生起行列について説明する。
【００４０】
［フーリエスペクトル］
木目の周期性に関する特徴量は、画像のフーリエスペクトルを求めることによって知ることができる。フーリエスペクトルは柄画像と色画像の両方の画像に対して求める。
【００４１】
木目には方向性を持っているものと方向性をもっていないものとがある。木目が方向性を持っている場合には、木目の線がどちらの方向に伸びているものが多いか、つまり木目の方向性がどの方向により強いかをフーリエスペクトルによって求めることができる。木目に離散フーリエ変換を施すと、木目の周波数特性に着目した特徴量を得ることができる。木目のデジタル画像ｆ（ｉ，ｊ）の離散フーリエ変換Ｆ（ｕ，ｖ）、Ｆ（ｕ，ｖ）のパワースペクトルＰ（ｕ，ｖ）、特徴ベクトルＰ（θ）、Ｐ（ｒ）は次式で表すことができる。
【００４２】
【数２】
【００４３】
上式において、ｍ、ｎは、画像の水平方向、垂直方向それぞれの画素数を示す。Ｐ（ｕ，ｖ）は、原点（ｕ，ｖ）＝（０，０）を中心として水平軸からの角度θおよび中心点からの距離ｒを用いて、曲座標Ｐ（θ，ｒ）に書き換える。ｒｍａｘはｒに関して計測する最大値、△θはθに関する計測幅をそれぞれ表している。θｍａｘはθに関して計測する最大値、△ｒはｒに関する計測幅をそれぞれ表している。特徴ベクトルＰ（θ）、Ｐ（ｒ）は、それぞれ扇状の領域と同心円状の領域についてのパワースペクトルの和である。このようにして柄画像と色画像のフーリエスペクトルを求めると、柄画像と色画像においてどの様な方向性、空間周波数を持った波が強く含まれているかを知ることができる。つまり、柄画像と色画像のフーリエスペクトルを求めると、曲座標空間の動径方向と角度方向にどのように木目が分布しているかがわかり、木目の周期性を知ることができる。
【００４４】
［輝度ヒストグラム］
木目の輝度分布に関する特徴量は、画像の輝度ヒストグラムを求めることによって知ることができる。輝度ヒストグラムは柄画像と色画像の両方の画像に対して求める。
【００４５】
柄画像と色画像の各画素の輝度ヒストグラムから得られる特徴量には、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷがある。ＭＥＮは画像領域中の輝度値の平均値を示す。ＣＮＴはコントラストを示し、輝度ヒストグラムの分布が偏っているほど大きな値になる。ＶＡＲは分散を示し、平均値から離れた輝度値が多くなるほど大きな値になる。ＳＴＤは標準偏差を示す。ＳＫＷはひずみ度を示し、輝度ヒストグラムが対称な形からどれだけひずんでいるのかを表す。ＳＫＷは、平均値よりも小さな輝度レベル側に偏ったヒストグラムの場合には負の値になり、平均値よりも大きな輝度レベル側に偏ったヒストグラムの場合には正の値になる。
【００４６】
輝度ヒストグラムからＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷは次式によって求める。
【００４７】
【数３】
【００４８】
上式のＰ（ｌ）は、正規化した輝度ヒストグラムにおける輝度値ｌのときの値を表す。ｌｍｉｎ、ｌｍａｘは、デジタル画像の階調数をＬとすると、ｌｍｉｎ＝０、ｌｍａｘ＝Ｌ−１になる。
【００４９】
このようにして柄画像と色画像の輝度ヒストグラムを求め、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷの値を求めることによって、木目の輝度分布を知ることができる。
【００５０】
［フラクタル次元］
木目の乱雑さに関する特徴量は、画像のフラクタル次元を求めることによって知ることができる。フラクタル次元は柄画像と色画像の両方の画像に対して求める。
【００５１】
フラクタル次元とは、1次元、２次元、３次元、…のような整数次元からはみ出した半端な次元の総称である。フラクタル次元は次式によって求める。
【００５２】
フラクタル次元
Ｓ（ｒ）＝ｒ２Ｎ（ｒ）
ｌｏｇＳ（ｒ）＝（１−Ｄ）ｌｏｇｒ＋ｌｏｇｋ
Ｓ（ｒ）＝ｋｒ1−Ｄ
上式において、Ｓ（ｒ）は表面積である。Ｎ（ｒ）は柄画像と色画像の濃度曲面の表面を一辺の長さｒの立方体で被覆したときの面の数である。Ｄはフラクタル次元である。ｋは正の定数であり、一辺の長さがｒ＝１の立方体で濃度曲面を被覆したときの面の数である。
【００５３】
ｌｏｇｒ−ｌｏｇＳ（ｒ）のグラフの傾き、１−Ｄからフラクタル次元Ｄを求めることができる。フラクタル次元は、画像濃度曲面の起伏の複雑さを表す特徴量であり、木目の乱雑さを知ることができる。
【００５４】
［ランレングス行列］
木目の連続量に関する特徴量は、画像のランレングス行列を求めることによって知ることができる。ランレングス行列は柄画像と色画像の両方の画像に対して求める。
【００５５】
画像内において、ある方向に連続して並ぶ同一輝度の画素列をランと呼ぶ。その画素列の長さをランレングスという。ランレングスから木目の特徴量を抽出する場合には、各画素の輝度の階調数を減少させ画素のわずかの変動が無視できるようにする。ランレングス行列では、次式によってＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、Ｐを求める。
【００５６】
【数４】
【００５７】
上式のｌはθ方向の各画素の輝度値、ｒはランレングス、ＬおよびＲは輝度の階調数およびランレングスの最大値、Ｐθ（ｌ、ｒ）はθ方向のランレングス行列の輝度値ｌ、ランレングスｒの成分を示す。Ｐはランレングス行列の和である。
【００５８】
ＳＲＥは短いランの発生率が高いほど大きな値になる。ＬＲＥは長いランの発生率が高いほど大きな値になる。ＧＬＮは濃淡レベルでより偏ったラン発生率が高いほど大きな値になる。ＲＬＮはより偏ったランレングス発生率が高いほど大きな値になる。ランレングス行列は木目を形成する線の長さや途切れ状態を数値として表すことができるため、木目の連続量を知ることができる。
【００５９】
［同時生起行列］
木目の一致確率に関する特徴量は、画像の同時生起行列を求めることによって知ることができる。同時生起行列は柄画像と色画像の両方の画像に対して求める。
【００６０】
同時生起行列は画像の局所的性質を調べる統計的手法であり、画像内の一定の位置関係にある２点が、ある画素濃度を有する確率を全ての組合せにおいて求めるものである。具体的には、ある画素ｉから変位δ（θ、ｒ）だけ相対的に離れた画素ｊについて、それらの画素対の輝度値がそれぞれＬｉ、Ｌｊである確率Ｐθ（Ｌｉ、Ｌｊ）を同時生起行列という。同時生起行列から計算されるスカラー特徴量ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ、ＩＤＭは、次式によって求める。
【００６１】
【数５】
【００６２】
上式のＡＳＭは角二次モーメントであり、特定の画素対が多く存在し一様性が大きい場合には大きな値となる。ＣＮＴはコントラストであり、画像全体についての平均値を表し、濃度差が大きいほど大きな値となる。ＣＲＲは縦方向の相関を示す。ＶＡＲは同時生起行列の分散を示す。ＩＤＭは均質性である。同時生起行列は木目の一致性を統計的に求めているので、木目の一致確率を知ることができる。
【００６３】
以上のように、特徴量抽出部４０は、木目の周期性、木目の輝度分布、木目の乱雑さ、木目の連続量、木目の一致確率のうちの少なくともいずれか１つに関する種類の特徴量を求めている。そして、これらの特徴量は、それぞれフーリエスペクトル、輝度ヒストグラム、フラクタル次元、ランレングス行列、同時生起行列によって求めている。木目の特徴量として、木目の周期性、木目の輝度分布、木目の乱雑さ、木目の連続量、木目の一致確率のうちのいずれかを用いれば、対比する木目が類似しているか類似していないかを精度良く評価することができる。もちろん、木目の特徴量として、木目の周期性、木目の輝度分布、木目の乱雑さ、木目の連続量、木目の一致確率のうちの複数または全てを用いれば、対比する木目の類似性はいっそう高精度に評価できる。
【００６４】
（類似性評価部の構成）
類似性評価部５０は、特徴量抽出部４０から、対比する木目画像の柄画像と色画像の各々について抽出した特徴量を取得し、柄画像間の特徴量の差および色画像間の特徴量の差に基づいて木目の類似性を評価する。
【００６５】
図６に示すように、類似性評価部５０は、演算部５２、正規化処理部５３、識別値演算部５４、比較評価部５５、データベース５６を有している。
【００６６】
木目の類似性の評価は、柄画像間の特徴量の差および色画像間の特徴量の差に基づいて行う。このため、類似性評価部５０は、特徴量抽出部４０が抽出した特徴量を取得して、柄画像間の特徴量の差および色画像間の特徴量の差を求める演算部５２を有している。
【００６７】
また、特徴量の大きさはその種類ごとに固有の最大値（スケール）を持っている。このため、フーリエスペクトル、輝度ヒストグラム、フラクタル次元、ランレングス行列、同時生起行列で求めた特徴量の大きさは、それぞれ特徴量の種類によって異なる。したがって、演算部５２で求めた特徴量の差も、それぞれ特徴量の種類ごとに固有の大きさを持っている。異なる種類の特徴量の差の比較を容易に行えるようにするためには、それぞれの特徴量の固有の最大値（スケール）を１として、求めた特徴量の差の大きさがその種類の固有の最大値の何パーセントであるかを求めればよい。すなわち特徴量の差を正規化処理すれば良い。このため、類似性評価部５０は、求めた特徴量の差の大きさを正規化処理する正規化処理部５３を有している。
【００６８】
各特徴量の差を画像間で単純に比較しただけでも木目の類似性を評価することはできる。しかし、２枚の柄画像間の特徴量の差と４枚の色画像間の特徴量の差を全ての種類の特徴量について比較することが必要である。これでは情報量が大きすぎるので、２枚のＹ木目画像（柄画像）、２枚のＣ１木目画像（色画像）、２枚のＣ２木目画像（色画像）のそれぞれについて、特徴量抽出部４０で抽出した全ての特徴量の差を木目画像ごとに圧縮する。すなわち、抽出した全ての特徴量の差を３つの木目画像ごとに圧縮処理する。圧縮処理により３つの識別値が求まる。なお、色画像の識別値には、Ｃ１木目画像またはＣ２木目画像のいずれかを用いる。この識別値は、特徴量抽出部４０で抽出した、全ての特徴量の差の平均、全ての種類の特徴量の差の中央値、全ての種類の特徴量の差の平均値のいずれかを演算することによって求める。または、０から一定の数値を増加させて段階的に刻んだ各数値範囲に特徴量の差の大きさが当てはまる特徴量の種類の頻度を求める処理をし、その頻度の最も大きい最頻値を識別値としても良い。このため、類似性評価部５０は、特徴量の差を圧縮して識別値を演算する識別値演算部５４を有している。識別値演算部５４の詳細な動作は後述する。
【００６９】
以上のようにして、２枚のＹ木目画像（柄画像）、２枚のＣ１木目画像（色画像）、２枚のＣ２木目画像（色画像）のそれぞれの識別値が得られる。求めた少なくともいずれか１つの識別値は柄画像および色画像（Ｃ１木目画像またはＣ２木目画像）の双方と関連付けた閾値と比較される。識別値が閾値以内であれば、対比する木目は類似しており、識別値が閾値よりも大きければ、対比する木目は非類似である。識別値と閾値との比較をして木目の類似性を評価するために比較評価部５５を有している。
【００７０】
正規化処理部５３が特徴量の差を正規化し、比較評価部５５が木目の類似性を評価するためには、正規化のための情報と閾値の情報が必要である。このため、類似性評価部５０は、正規化のための情報と閾値の情報を格納しているデータベース５６を有している。データベース５６に格納させる正規化のための情報と閾値の情報については、後で詳しく説明する。
【００７１】
（類似性評価部の動作）
類似性評価部５０の動作を、図を参照しながらさらに詳細に説明する。
【００７２】
演算部５２は、柄画像間の特徴量の差および色画像間の特徴量の差を求める。例えば、
２枚のＹ木目画像（柄画像）と２枚のＣ１木目画像（色画像）に対して、個々に、フーリエスペクトル、輝度ヒストグラム、フラクタル次元、ランレングス行列、同時生起行列の全ての種類の特徴量の差を求める。具体的には、それぞれの木目画像間の、フーリエスペクトルで求めたＰｒ、Ｐｔ、輝度ヒストグラムで求めたＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、フラクタル次元で求めたＤＦ、ランレングス行列で求めたＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、同時生起行列で求めたＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差を求める。したがって、演算部５２は、柄画像と色画像について、それぞれの画像の１８の特徴量の差を求める。
【００７３】
なお、上記の例では、フーリエスペクトル、輝度ヒストグラム、フラクタル次元、ランレングス行列、同時生起行列の全ての種類の特徴量の差を求めた。しかし、例えば、フーリエスペクトル、輝度ヒストグラムだけを用いて特徴量の差を求めた場合には、演算部５２は、柄画像と色画像について、それぞれの画像のＰｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷの７つの特徴量の差を求める。柄画像と色画像について、特徴量は同一の種類のものを求める。
【００７４】
正規化処理部５３は、データベース５６から正規化のための情報を取り出して、Ｐｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差を正規化する。データベース５６に格納してある正規化のための情報は、各特徴量の最大値である。例えば、Ｐｒの最大値がａ、Ｐｔの最大値がｂ、ＭＥＮの最大値がｃ、…、ＶＡＲ２最大値がｑ、ＩＤＭの最大値がｒという数値である。正規化処理部５３は、この正規化のための情報に基づいて、各特徴量の差が最大値を１としたときにいくつの値になるかを演算する。
したがって、例えば、２枚のＹ木目画像（柄画像）と２枚のＣ１木目画像（色画像）について求めたＰｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差を正規化し、合計３６の特徴量の差を求める。柄画像と色画像について求めた３６の特徴量の差を並べると図７の棒グラフのようになる。
【００７５】
図７の棒グラフにおいて、手前側は、２枚のＹ木目画像（柄画像）について正規化した後の１８の特徴量の差を示す棒グラフである。また、奥側は、２枚のＣ１木目画像（色画像）について、正規化した後の１８の特徴量の差を示す棒グラフである。正規化処理によって、それぞれの特徴量の最大値を１として、求めたそれぞれの特徴量の差の大きさを棒グラフで表しているので、特徴量の差の程度がわかりやすくなっている。
【００７６】
識別値演算部５４は、例えば、２枚のＹ木目画像（柄画像）、２枚のＣ１木目画像（色画像）について、正規化処理部で正規化された特徴量の差を圧縮する。特徴量の差を圧縮することによって柄画像と色画像の２つの識別値を求める。
【００７７】
特徴量の差の圧縮は次のいずれかの手法によって行う。まず、１つの手法は、全ての特徴量の差の合計値を求める手法である。具体的には、図７に示してあるように、正規化した、Ｐｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差の合計を求める。全ての特徴量の差は、正規化によって単位のない数値になっているので、特徴量の差の大きさを加算できる。１８の特徴量の差の合計値を識別値とする。
【００７８】
もう１つの手法は、全ての特徴量の差の中央値を求める手法である。具体的には、正規化した、Ｐｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差を小さい順に並べる。特徴量の差が小さい順から９番目または１０番目に位置する特徴量の差を識別値とする。
【００７９】
さらにもう１つの手法は、全ての特徴量の差の平均を求める手法である。具体的には、正規化した、Ｐｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差の平均を求める。１８の特徴量の差の合計値を１８で割った値を識別値とする。
【００８０】
そして最後の手法は、特徴量の種類の最頻値を求める手法である。具体的には、正規化した、Ｐｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差を特徴量の種類ごとに並べる。たとえば、図８に示すように、正規化した特徴量の差を特徴量の種類ごとに並べる（図８では特徴量の種類は１３である）。特徴量の種類ごとに、正規化した特徴量の差の大きさは異なるので、異なる高さの棒グラフになっている。そして、図８に示すように、０から一定の数値を増加させて段階的に刻んだ各数値範囲に特徴量の差の大きさが当てはまる特徴量の種類の頻度を求める処理をし、その頻度の最も大きい最頻値を求める。たとえば、特徴量の差が０か０．１の間にある特徴量の種類の数（頻度）が０、特徴量の差が０．１から０．２の間にある特徴量の種類の数が１、特徴量の差が０．２から０．３の間にある特徴量の種類の数が２、…、特徴量の差が０．６から０．７の間にある特徴量の種類の数が５、…特徴量の差が０．９から１．０の間にある特徴量の種類の数が０というように、０．１刻みで各数値範囲に特徴量の差の大きさが当てはまる特徴量の種類の数を求める。そして、その特徴量の種類の数の最も大きい頻度値を識別値とする。上記の場合、最も大きい頻度値が５であれば、識別値は５である。
【００８１】
前述のように、いずれかの手法で求めた識別値は、柄画像と色画像について１つずつ合計２つの識別値が求められる。この２つの識別値を閾値と比較することで、対比する２つの木目が類似しているか、類似していないかの評価がされる。
【００８２】
比較評価部５５は、データベース５６に格納されている閾値の情報を取り出して、識別値で演算した柄画像と色画像の識別値と比較する。閾値の情報とは、柄画像と色画像の双方と関連付けた閾値である。
【００８３】
閾値は、柄画像の識別値と色画像の識別値の両方から求める。したがって、閾値は図９に示すような二次元マップ上に描かれる点線で表される。例えば、柄画像から得られた識別値の値が０．４、色画像から得られた識別値の値が０の場合には対比する木目は類似していると判断する。また、柄画像から得られた識別値の値が０、色画像から得られた識別値の値が３．５の場合にも対比する木目は類似していると判断する。さらに、柄画像から得られた識別値と色画像から得られた識別値の値が共に０．２の場合には対比する木目は類似していると判断する。しかし、柄画像から得られた識別値の値が０．５、色画像から得られた識別値の値が０．２の場合には対比する木目は非類似であると判断する。また、柄画像から得られた識別値の値が０．２、色画像から得られた識別値の値が０．４の場合には対比する木目は非類似であると判断する。さらに、柄画像から得られた識別値と色画像から得られた識別値の値が共に０．３の場合には対比する木目は非類似であると判断する。
【００８４】
以上のように、類似性評価部５０は、識別値演算部５４と比較評価部５５を有しているので、特徴量の差を圧縮した識別値を求めることができ、識別値を閾値と比較することによって、木目の類似性を容易に評価することができる。
【００８５】
データベース５６に格納されている閾値の情報は、木目の類似性を評価する上で非常に重要な値である。したがって、閾値の情報は次のような手順により作成する。まず、人間の官能評価で類似と判断された２枚の木目パネルの組合せ、または非類似と判断された２枚の木目パネルの組合せを何十通りも用意する。これらの木目パネルを本発明の装置にかけ、柄画像と色画像の識別値だけを求める。求めた識別値を、図９のグラフ上にプロットする。このプロットを用意した全ての木目パネルの組合せに対して行う。最後に、木目の類似、非類似を分けられるところに線を引き、その線で分けられる領域を類似、非類似の領域とする。
【００８６】
このようにして求めた閾値によって、閾値の線の角度や曲がりを微調整する。このようにして作成した閾値の情報を用いていろいろな木目の類似性を評価してみたところ、完全ではないが、ほぼ１００％の割合で人間の官能評価と本発明の装置の評価結果が一致した。
【００８７】
人間は、異なる木目パネルの木目の類似性を判断するときには、木目の模様だけでなく、木目や木目周辺の色合いも判断材料にしている。したがって、木目や木目周辺の色合いや色合いの変化の仕方を特徴量として用いると、人間の官能評価と機械の評価結果を一致させることができる。
【００８８】
図１０に示すように、グレースケールで表示した木目画像１と木目画像２を比較すると、図の左半分は類似性があるかのように見える。ところが、本発明の装置で濃淡、配置、周期性、縮尺、乱雑さ、回転を考慮した下の木目画像１のイメージ図と木目画像２のイメージ図とを比較すると、木目の類似性がないことが明らかである。このように、木目の類似性を判断するためには、濃淡、配置、周期性、縮尺、乱雑さ、回転（設計パラメータ）を考慮することが重要である。
【００８９】
本発明では、閾値の値を厳密に求めているほか、濃淡、配置、周期性、縮尺、乱雑さ、回転に関係する特徴量の差が類似性の評価に影響を与えることから、求めた特徴量の差とこれらの設計パラメータの関連付けも行っている。
【００９０】
次に、本発明に係る画像の類似性評価方法について説明する。
【００９１】
図１１は、本発明に係る画像の類似性評価方法の手順の概略説明図である。また、図１２は、本発明に係る画像の類似性評価方法の手順を示すフローチャートである。なお、このフローチャートは本発明に係る画像の類似性評価装置の動作でもある。
【００９２】
まず、図１１に基づいて、本発明の一実施形態に係る木目の類似性評価方法の概略を説明する。
【００９３】
木目パネル５の表面の木目画像を画像入力装置１０が入力する。画像入力装置１０は木目パネル５の表面に対して５度、３５度、８０度の角度から木目画像を撮影することができる。全ての角度について木目画像を撮影しても良いし、いずれかの角度から木目画像を撮影しても良い。画像入力装置１０によって入力した木目画像はコンピュータシステムの画像記憶部に記憶される。このときには、何度の角度から撮影された木目画像であるかがわかるように、撮影角度が付加される。なお、コンピュータシステムは、図１の画像記憶部２０、色変換部３０、特徴量抽出部４０、類似性評価部５０、出力装置６０を備える。
【００９４】
コンピュータシステムは、画像記憶部２０に記憶されている木目画像の中から類似性を評価したい２枚の木目画像を読み込む。選択する２枚の木目画像は撮影角度が同じものが好ましい。２枚の木目画像は、画像１、画像２としてコンピュータシステムに入力され、アルゴリズム演算が行われる。
【００９５】
アルゴリズム演算はコンピュータシステムに記憶されている解析ソフトウェアで実施される。アルゴリズム演算は、前処理、特徴量抽出、後処理、類似性判別の順番に行われる。
【００９６】
前処理では、木目画像を色変換し木目画像を柄画像と色画像に分離する。前処理は色変換部３０が行う。
【００９７】
特徴量抽出では、柄画像と色画像のそれぞれについて、木目の周期性、木目の輝度分布、木目の乱雑さ、木目の連続量、木目の一致確率のうちの少なくともいずれか１つに関する種類の特徴量を抽出する。特徴量抽出は特徴量抽出部４０が行う。
【００９８】
後処理では、抽出した特徴量から２枚の柄画像間の特徴量の差と２枚の色画像間の特徴量の差を演算する。そして、特徴量の差を圧縮して識別量を求める。後処理は類似性評価部５０が行う。
【００９９】
類似性判別では、求めた識別量を閾値と比較して木目の類似性を評価する。類似性判別も類似性評価部５０が行う。
【０１００】
アルゴリズム演算で得られた類似性の評価結果、特徴量、設計パラメータとの関係はシステム出力として表示される。
【０１０１】
本発明の一実施形態に係る画像の類似性評価方法は以上のような動作をするので、角度によって見え方が異なる木目の類似性を高精度に評価することができる。
【０１０２】
このような効果が得られるのは、前処理で、木目画像から柄画像と色画像を分離していることと、特徴量抽出で、柄画像と色画像の両方の画像に対して特徴量を求めているからである。特に、色画像の特徴量を求めていることがこの効果を得ることに大きく寄与している。さらに、後処理と類似性判別では、柄画像間の特徴量の差と色画像間の特徴量の差の両方から類似性を評価しているため、木目の類似性を総合的に評価することができる。
【０１０３】
次に、図１２以降の図面を参照しながら、本発明に係る画像の類似性評価方法の手順を説明する。
【０１０４】
まず、画像入力装置１０は、木目パネル５の表面を撮影して木目画像を読込む（Ｓ１０）。
【０１０５】
具体的には、画像読込は図１３に示すサブルーチンフローチャートの手順で行う。まず、画像入力装置１０を起動して木目パネル５の表面から木目画像を撮影できるようにする（Ｓ１１）。次に、コンピュータシステムは、画像入力装置１０で撮影した木目画像を記憶する（Ｓ１２）。コンピュータシステムは、対比する２枚の木目画像を画像記憶部から取得する（Ｓ１３）。そして、コンピュータシステムは、取得した２枚の木目画像を、図１５に示すように「画像１」、「画像２」として画面上に表示する（Ｓ１４）。
【０１０６】
次に、取得した画像を編集する（Ｓ２０）。
【０１０７】
具体的には、画像編集は図１３に示すサブルーチンフローチャートの手順で行う。まず、２枚の木目画像のサイズを合わせる（Ｓ２１）。コンピュータシステムは、画像記憶部２０から取得した２枚の木目画像の大きさを拡大または縮小させて、木目画像の大きさを図１５に示した読込画像ウインドウ全体に映る大きさに合わせる。次に、２枚の木目画像の解像度を合わせる（Ｓ２２）。解像度が異なると、木目の類似性の評価結果に悪影響を与えるからである。解像度が異なる場合には、両方の木目画像を解像度の低いほうに合わせる。
【０１０８】
次に、コンピュータシステムは、画面上で設定した分析条件設定、分析結果表示設定、関連付け設定の内容を読み込む（Ｓ３０）。コンピュータシステムが有する表示画面には、図１６の分析条件設定画面、図１７の分析結果表示設定画面、図１８の関連付け設定画面を表示させることができる。これらの画面を表示させてチェックボックスにチェックを入れると、チェックを入れた項目がそれぞれの画面で設定される。コンピュータシステムは、設定された項目を読み込む。
【０１０９】
例えば、分析条件設定画面では、特徴量抽出として、フーリエスペクトル、輝度スペクトル、ラフクタル次元、ランレングス行列、同時生起行列の全てにチェックが入っているので、特徴量の抽出は、これらに関する全ての特徴量を求めることになる。また、後処理として平均値にチェックが入っているので、後処理で識別値を求めるときには、全ての特徴量の差の合計の平均値を求めることになる。さらに識別として固有閾値（ＳＶＭ）にチェックが入っているので、木目の類似性の評価は図９に示した閾値を用いる。
【０１１０】
また、分析結果表示設定画面では、柄画像と色画像の特徴量として、フーリエスペクトル、輝度スペクトル、ラフクタル次元、ランレングス行列、同時生起行列で求められる特徴量にチェックが入っている。具体的には、Ｐｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量にチェックが入っている。したがって、色画像と柄画像について、全ての特徴量の大きさが後述する類似性分析結果表示画面（図２４参照）に表示される。
【０１１１】
さらに、関連付け設定画面では、フーリエスペクトルのＰｔに０．５が設定され、輝度スペクトルのＳＴＤに０．５が設定されている。また、設計パラメータの、値９：回転のチェックボックスにチェックが入っている。したがって、関連付け設定の処理で、設計パラメータの回転について、Ｐｔの０．５とＳＴＤの０．５が関連付けられる。
【０１１２】
次に、コンピュータシステムは前処理を実行する（Ｓ４０）。
【０１１３】
具体的には、前処理は、図１９に示すサブルーチンフローチャートの手順で行う。まず、画像編集が行われた後の２枚の木目画像を色変換する（Ｓ４１）。つまり、２枚のＲＧＢ木目画像をＹＣ１Ｃ２木目画像またはＬａｂ木目画像に変換する。この色変換の詳細は色変換の動作の説明において詳述した。次に、色変換後の２枚の木目画像を柄画像と色画像に分離する（Ｓ４２）。つまり、２枚のＲＧＢ木目画を像色変換して求めたＹＣ１Ｃ２木目画像またはＬａｂ木目画像を、Ｙ木目画像またはＬ木目画像（柄画像）とＣ１Ｃ２木目画像またはａｂ木目画像（色画像）に分離する。
【０１１４】
そして、コンピュータシステムは柄画像と色画像について特徴量を抽出する（Ｓ５０）。
【０１１５】
具体的には、特徴量抽出は、図２０に示すサブルーチンフローチャートの手順で行う。まず、コンピュータシステムは図１６に示した分析条件設定画面で設定した特徴量検出の項目を読込む（Ｓ５１）。そして、前処理で分離した２枚の木目画像の柄画像と色画像を取得する（Ｓ５２）。例えば、２枚のＹ木目画像、２枚のＣ１木目画像、２枚のＣ２木目画像を取得する。そして、これらの柄画像と色画像の特徴量を抽出する（Ｓ５３）。分析条件設定画面ではフーリエスペクトル、輝度スペクトル、ラフクタル次元、ランレングス行列、同時生起行列の全てにチェックを入れたので、Ｐｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量を抽出することになる。特徴量の抽出については類似性評価部の動作の説明において詳述した。
【０１１６】
コンピュータシステムは後処理を実行する（Ｓ６０）。
【０１１７】
具体的には、前処理は、図２１に示すサブルーチンフローチャートの手順で行う。コンピュータシステムは特徴量抽出の処理で求めた２枚の柄画像の各特徴量の差および２枚の色画像の各特徴量の差を演算する（Ｓ６１）。２枚の柄画像の各特徴量の差および２枚の色画像の各特徴量の差の演算については類似性評価部の動作の説明において詳述した。そして、コンピュータシステムは、求めた特徴量の種類別に特徴量の差を正規化する（Ｓ６２）。特徴量の差を正規化する処理については類似性評価部の動作の説明において詳述した。さらに、コンピュータシステムは、柄画像と色画像の特徴量の差を圧縮処理して２つの識別値を求める（Ｓ６３）。圧縮処理は、正規化した特徴量の差の合計値を求めたり、正規化した特徴量の差の平均値を求めたり、正規化した特徴量の差の中央値を求めたり、０から一定の数値を増加させて段階的に刻んだ各数値範囲に特徴量の差の大きさが当てはまる特徴量の種類の頻度を求める処理をする。特徴量の差を圧縮する処理ついては類似性評価部の動作の説明において詳述した。
【０１１８】
コンピュータシステムは類似性判定を実行する（Ｓ７０）。
【０１１９】
具体的には、類似性判定の処理は図２２に示すサブルーチンフローチャートの手順で行う。コンピュータシステムは、データベースに格納してある類似性判定のための閾値（図９参照）を取得する（Ｓ７１）。そして、この閾値と柄画像と色画像について求めた２つの識別値とを比較する。柄画像と色画像について求めた２つの識別値の位置する領域が類似性ありの閾値の領域であるときには２つの木目は類似していると判定される。一方、柄画像と色画像について求めた２つの識別値の位置する領域が類似性なしの閾値の領域であるときには２つの木目は非類似であると判定される（Ｓ７２）。
【０１２０】
次に、コンピュータシステムは分析結果を表示する（Ｓ８０）。
【０１２１】
具体的には、分析結果表示は、図２３に示すサブルーチンフローチャートの手順で行う。まず、コンピュータシステムは図１７に示した分析結果表示設定画面で設定した柄画像と色画像の特徴量の設定項目を読込む（Ｓ８１）。次に、コンピュータシステムは、柄画像と色画像の特徴量の設定項目を、図２４に示す類似性分析結果表示画面に表示する（Ｓ８２）。そして、対比する木目の類似性の判定結果も表示する（Ｓ８３）。
【０１２２】
図１６に示した分析条件設定画面ではフーリエスペクトル、輝度スペクトル、ラフクタル次元、ランレングス行列、同時生起行列の全てにチェックを入れた。したがって、画面には、図２４に示すように、柄画像のＰｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差の値が表示される。また、色画像のＰｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差が表示される。さらに、対比する木目の類似性の判定結果（ＮＧ）も表示される。
【０１２３】
コンピュータシステムは分析結果・分析条件を保存する（Ｓ９０）。
【０１２４】
具体的には、分析結果・分析条件保存は、図２５に示すサブルーチンフローチャートの手順で行う。まず、コンピュータシステムは、表示した分析結果をデータベースに保存する（Ｓ９１）。つまり、柄画像と色画像のＰｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差の値と、対比する木目の類似性の判定結果が（ＮＧ）であったことを保存する。また、コンピュータシステムは、設定した分析条件をデータベースに保存する（Ｓ９２）。つまり、図１６に示した分析条件設定画面で、フーリエスペクトル、輝度スペクトル、ラフクタル次元、ランレングス行列、同時生起行列の全てにチェックを入れたことを保存する。
【０１２５】
最後に、コンピュータシステムは、関連付け設定を保存する（Ｓ１００）。関連付け設定は、図１８の関連付け設定画面で設定された事項である。具体的には、フーリエスペクトルのＰｔに０．５が設定され、輝度スペクトルのＳＴＤに０．５が設定されていること、および、設計パラメータの、値９：回転のチェックボックスにチェックが入っていることを保存する。
【０１２６】
関連付けの設定は、図２６に示すように、特徴量を関連付ける設計パラメータの選択と、特徴量を関連付ける重み付け（係数）の設定である。関連付けの設定が的確であると、人間の官能評価と機械の評価結果を一致させることが容易になる。
【０１２７】
以上のように、本発明によれば、人間の官能評価と機械の評価結果を一致させることができるため、角度によって見え方が異なる木目の類似性を高精度に評価することができる。
【０１２８】
［実施形態２］
次に、本発明の他の実施形態に係る画像の類似性評価装置について詳細に説明する。以下では、実施形態１と同様に、画像の一例として木目パネルの木目を例示する。しかし、本発明に係る画像の類似性評価装置は、パネルや革の表面の皺の画像、布地の織りの画像に対しても適用することができる。
【０１２９】
（画像の類似性評価装置の全体構成）
図２７は、本発明の他の実施形態に係る画像の類似性評価装置のブロック図である。
【０１３０】
図２７に示すように、画像の類似性評価装置２００は、画像入力装置１１０、画像記憶部１２０、色変換部１３０、特徴量抽出部１４０、類似性評価部１５０および出力装置１６０を有する。
【０１３１】
画像入力装置１１０は木目パネル１０５の表面の木目画像を入力する。木目画像の入力は、暗室内に置いた木目パネル１０５の表面に均一に光を当て、その木目パネル１０５の表面をカメラで撮影することによって行われる。本実施形態では、カメラを固定し光の当てる方向を変えて木目パネル１０５の表面をカメラで撮影する。画像入力装置１１０の詳細な構成は後述する。
【０１３２】
画像記憶部１２０は、画像入力装置１１０によって入力した木目パネル１０５の木目画像を記憶しておくメモリである。画像記憶部１２０の構成及び動作は実施形態１と同一である。
【０１３３】
色変換部１３０は、画像記憶部１２０から複数の木目画像を取得して色変換し、取得したそれぞれの木目画像を柄画像と色画像に分離する。色変換部１３０の構成及び動作は実施形態１と同一である。
【０１３４】
特徴量抽出部１４０は、色変換部１３０によって分離した柄画像と色画像のそれぞれについて、輝度差と頻度とのヒストグラムから特徴量を求める。特徴量の抽出の手法の詳細は後述する。
【０１３５】
類似性評価部１５０は、特徴量抽出部１４０で求めた特徴量に基づいて木目の類似性を評価する。木目の類似性を評価する手法の詳細は後述する。
【０１３６】
出力装置１６０は、画像入力装置１１０が入力した木目画像および画像記憶部１２０から取得した木目画像を表示したり、木目の類似性を評価するために抽出した特徴量を表示したり、木目の類似性の評価結果を表示したりする。
【０１３７】
本発明の一実施形態に係る画像の類似性評価装置１００は以上のような構成を有するので、角度によって見え方が異なる木目の類似性を高精度に評価することができる。
【０１３８】
このような効果が得られるのは、対比する木目画像から柄画像と色画像を分離していることと、柄画像と色画像の両方の画像に対して輝度差と頻度とのヒストグラムから特徴量を求めているからである。
（画像入力装置の構成）
図２８〜図３０は画像入力装置１１０の構成図である。
【０１３９】
画像入力装置１１０は、暗室１１２、光源１１４およびカメラ１１６を有している。
【０１４０】
暗室１１２は木目パネル１０５の表面を撮像するときに、外光の影響を受けずに撮像できるように、暗室１１２に進入しようとする外光を遮光する役割を果たす。本実施形態では暗室１１２の形状は半球状としている。
【０１４１】
光源１１４は暗室１１２の内面に移動可能に取り付ける。光源１１４は木目パネル１０５の表面に対し一定の角度範囲から光を照射できる。たとえば、光源１１４は、図３０に示すように、木目パネル１０５の表面に対して直行する方向（０度）から±５０度の範囲で自在に調整できるようにしてある。また、カメラ１１６は一定の角度で固定してある。たとえば、カメラ１１６は、図２９に示すように、木目パネル１０５の表面に直行する方向（０度）から２０度の角度で固定してある。木目パネル１０５の表面から反射される光源１１４の反射光がカメラ１１６に直接入射されないようにするため、光源１１４の角度範囲とカメラ１１６の固定角度を考慮する。本実施形態の画像入力装置１１０の構成は、実施形態１に適用することもできる。
光源１１４は面発光となる有機ＥＬを用いる。このため、光源１１４は暗室１１２内に置いた木目パネル１０５の表面を均一に照らすことができる。光源１１４は発光面の面積を図２８のように可変できるようにしてある。木目パネル１０５の表面に照射する光の面積を小さくしたいときには、図２８のように光源１１４の発光面の面積を小さく絞る。なお、光源１１４に面発光ではない電球、蛍光灯、ＬＥＤ、メタルハライドランプを用いても良い。この場合には、導光板、拡散板、光拡散フィルムを組み合わせて面発光となるようにしたり、暗室１１２の形状を球状にして積分球として木目パネル１０５の表面を均一に照らすことができるようにしたりする。光源１１４の光色は自然白色が好ましい。光源１１４から照射する光は波長が３６０〜７８０ｎｍの主に可視光領域の光を用いる。しかし、光源１１４から照射する光は可視光領域以外の領域の光を用いても良い。
【０１４２】
カメラ１１６は、光源１１４から照射する光によって均一に照らされている木目パネル１０５の表面を撮像する。光源１１４は様々な角度で木目パネル１０５の表面を照らすので、同一の木目であっても、図３０に示すように、−５５度、−５０度、−４５度、−４０度、−３５度、…、の角度から光を照射した場合に撮像した木目パネル１０５の表面の様子はそれぞれ異なる。それぞれの角度で撮像した木目画像はＲＧＢ木目画像（カラー画像）として画像記憶部１２０に送られる。撮像した木目画像には光の照射角度が付加される。
このように、画像入力装置１１０は、暗室１１２で木目パネル１０５に外光が当たらないようにし、光源１１４で木目パネル１０５の表面を様々な角度から均一に照らすことができるので、カメラ１１６は複数の木目パネルの木目を同じ条件で撮影できる。また、カメラ１１６は木目パネル１０５の表面を複数の光の照射方向で撮影できるので、異なる角度の照射方向から撮影した木目の類似性を評価することで、木目の類似性の評価精度が向上する。
【０１４３】
（画像の類似性評価装置の動作）
次に、本実施形態に係る画像の類似性評価装置の動作について説明する。画像の類似性評価装置の動作は、画像の類似性評価方法と同一である。図３１は、本発明に係る画像の類似性評価方法の他の実施形態の手順を示すフローチャートである。
【０１４４】
まず、画像入力装置１１０は、木目パネル１０５の表面を撮影して木目画像を読込む（Ｓ１１０）。
【０１４５】
具体的には、画像入力装置１１０を起動して木目パネル１０５の表面の木目画像を撮影できるようにする。木目画像は、木目パネル１０５に照射する光の角度を少しずつ変えて撮影する。たとえば、図３０に示すように、−５５度で撮影し、−５０度で撮影し、−４５度で撮影し、というように、５度刻みで撮影する。本実施形態では５度刻みであるが、類似性評価の精度を上げたければ角度の刻みを小さくし、精度を下げても良ければ角度の刻みを大きくする。
【０１４６】
次に、画像記憶部１２０は、画像入力装置１１０で撮影した木目画像を記憶する（Ｓ１２０）。
色変換部１３０は、対比する２枚の木目画像を画像記憶部１２０から取得し、取得した２枚の木目画像を色変換する。つまり、実施形態１の場合と同様に、２枚のＲＧＢ木目画像をＹＣ１Ｃ２木目画像またはＬａｂ木目画像に変換する。次に、色変換後の２枚の木目画像を柄画像と色画像に分離する。つまり、２枚のＲＧＢ木目画を像色変換して求めたＹＣ１Ｃ２木目画像またはＬａｂ木目画像を、Ｙ木目画像またはＬ木目画像（柄画像）とＣ１Ｃ２木目画像またはａｂ木目画像（色画像）に分離する（Ｓ１３０）。
【０１４７】
そして、特徴量抽出部１４０は柄画像と色画像について所定の領域の特徴量を抽出する（Ｓ１４０）。具体的には、特徴量抽出は、図３２に示すサブルーチンフローチャートの手順で行う。この手順は後述する。
【０１４８】
次に類似性評価部１５０は類似性判定を実行する（Ｓ１５０）。類似性判定の処理は実施形態１で説明した。次に、出力装置１６０は分析結果を表示する（Ｓ１６０）。
【０１４９】
以上、本実施形態に係る画像の類似性評価装置は、木目画像の入力と特徴量抽出の動作を除いて、実施形態１に説明した手順と同一である。
【０１５０】
次に、図３２のフローチャートに基づいて特徴量抽出の手順を詳細に説明する。図３２は図３１の特徴量抽出（Ｓ１４０）のサブルーチンフローチャートである。
【０１５１】
まず、抽出部１４０は、色変換部１３０で変換した柄画像と色画像を入力し、入力した柄画像と色画像のそれぞれについて、所定面積の領域の画像を切り出す（Ｓ１４１）。具体的には、図３３に示すように、１つの画像の中のＸ画素（pixcel）×Ｘ画素の領域を切り出す。所定面積の大きさの画像を切り出すのは、人間が焦点を合わせて見ていることができる領域を類似性判定の対象とするためである。どの程度の面積とするかは、人間の眼の中心視の角度、観察距離を考慮して選定する。この切り出しは、光の照射角度が異なるすべての画像に対して行う。たとえば、図３０に示したように、−５５度から０度まで５度刻みで撮影した場合には、１２枚の柄画像と色画像のそれぞれに対して切り出しをする。
【０１５２】
次に、ステップＳ１４１で行った切り出しを、図３４に示すように、Ｘ／２画素ずつ画像の縦方向及び横方向にずらして行う（Ｓ１４２）。類似性判定の対象となる画像をもれなく抽出するためである。
【０１５３】
ステップＳ１４２で切り出したすべての画像について、各画像間の輝度差を取得する（Ｓ１４３）。具体的には、光の照射角度が異なるすべての木目画像から分離した柄画像と色画像について、図３５及び図３６に示すように、切り出した位置が同一の画像の輝度を求め、画素ごとの輝度差を求める。そして、同一の輝度となっている部分の数（頻度）を求め、図３７に示すように、輝度差と頻度のヒストグラムを作成する（Ｓ１４４）。
【０１５４】
本実施形態によって類似性判定をした結果と従来のように人間の官能評価の結果の相関傾向の有無を調べた。その結果は、図３８に示すように、類似性判定の結果と人間の官能評価の結果には相関傾向があることが判った。したがって、本実施形態の類似性判定の手法は、木目の類似性を判定する上で有効であることが判る。
【符号の説明】
【０１５５】
１０、１１０ 画像入力装置、
２０、１２０ 画像記憶部、
３０、１３０ 色変換部、
４０、１４０ 特徴量抽出部、
５０、１５０ 類似性評価部、
５２ 演算部、
５３ 正規化処理部、
５４ 識別値演算部、
５５ 比較評価部、
５６ データベース、
６０ 出力装置、
１００、２００ 画像の類似性評価装置。
【技術分野】
【０００１】
本発明は、対比する画像が類似しているか類似していないかを評価することができる、画像の類似性評価装置及びその評価方法に関する。
【背景技術】
【０００２】
例えば、車両の内装材として木目パネルを使用することがある。木目パネルを車室内に貼り付けるときには、木目の色柄に類似性のある木目パネルを選択する。
【０００３】
従来、対比する木目の色柄に類似性があるかどうかは、例えば下記特許文献１に示すような装置で木目の画像を入力し、例えば下記特許文献２に示すような装置でその入力した木目の画像の類似性を評価することが考えられる。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００２−２６７６００号公報
【特許文献２】特開平７−２８４０９０号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかし、特許文献１及び２に記載されている装置を用いたとしても、対比する木目の類似性を正確に評価することは困難である。これらの装置は、木目の類似性を的確に評価するために特化された構成とはなっていないからである。
【０００６】
一般的に木目パネルの表面には微小な凹凸がある。このため、対比する木目がある角度では類似した見え方であっても、角度が異なるとその見え方が異なる。また、この見え方は角度が同じでも光の方向によって異なる。木目の類似性を評価する場合には、角度や光の方向によって見え方が異なる木目を総合的に見て類似しているか類似していないかを評価できるようにすることが重要である。
【０００７】
本発明は、対比する画像が類似しているか類似していないかを評価することができる、画像の類似性評価装置及びその評価方法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の本発明は、画像入力装置、画像記憶部、色変換部、特徴量抽出部および類似性評価部を有する。
【０００９】
画像入力装置は画像を入力する。画像記憶部は画像入力装置によって入力した画像を記憶する。色変換部は、画像記憶部から複数の画像を取得して色変換しそれぞれの画像を柄画像と色画像に分離する。特徴量抽出部は、色変換部によって分離した柄画像と色画像のそれぞれについて、画像の周期性、画像の輝度分布、画像の乱雑さ、画像の連続量、画像の一致確率のうちの少なくともいずれか１つに関する種類の特徴量を抽出する。類似性評価部は、対比する画像の柄画像と色画像の各々について抽出した特徴量を特徴量抽出部から取得し柄画像間の特徴量の差および色画像間の特徴量の差に基づいて画像の類似性を評価する。
【発明の効果】
【００１０】
本発明によれば、対比する画像から柄画像と色画像を分離し、柄画像間の特徴量の差と色画像間の特徴量の差の両方から類似性を評価するので、角度や光の方向によって見え方が異なる画像の類似性を総合的に評価できる。
【図面の簡単な説明】
【００１１】
【図１】本発明の一実施形態に係る画像の類似性評価装置のブロック図である。
【図２】図１に示した画像入力装置の構成図である。
【図３】図１に示した画像入力装置の構成図である。
【図４】図１に示した画像入力装置の他の構成図である。
【図５】図１に示した色変換部の動作説明に供する図である。
【図６】図１に示した類似性評価部のブロック図である。
【図７】図６に示した正規化処理部により正規化した後の特徴量の差の大きさを示すグラフである。
【図８】図６に示した識別値演算部により演算される識別値の演算手法の説明に供する図である。
【図９】図６に示したデータベースが格納する閾値の情報の説明に供する図である。
【図１０】グレースケールで表示した木目画像１、木目画像２と、濃淡、配置、周期性、縮尺、乱雑さ、回転を考慮した木目画像１のイメージと木目画像２のイメージを示す図である。
【図１１】本発明に係る画像の類似性評価方法の手順の概略説明図である。
【図１２】本発明に係る画像の類似性評価方法の手順を示すフローチャートである。
【図１３】図１２の画像読込のサブルーチンフローチャートである。
【図１４】図１２の画像編集のサブルーチンフローチャートである。
【図１５】コンピュータシステムの画像読込/画像編集画面である。
【図１６】コンピュータシステムの分析条件設定画面である。
【図１７】コンピュータシステムの分析結果表示設定画面である。
【図１８】コンピュータシステムの関連付け設定画面である。
【図１９】図１２の前処理のサブルーチンフローチャートである。
【図２０】図１２の特徴量抽出のサブルーチンフローチャートである。
【図２１】図１２の後処理のサブルーチンフローチャートである。
【図２２】図１２の類似性判定のサブルーチンフローチャートである。
【図２３】図１２の分析結果表示のサブルーチンフローチャートである。
【図２４】コンピュータシステムの類似性分析結果表示画面である。
【図２５】図１２の分析結果・分析条件保存のサブルーチンフローチャートである。
【図２６】特徴量と設計パラメータとの関連付けの説明に供する図である。
【図２７】本発明の他の実施形態に係る画像の類似性評価装置のブロック図である。
【図２８】図２７に示した画像入力装置の構成図である。
【図２９】図２８に示した画像入力装置のさらに詳細な構成図である。
【図３０】図２８に示した画像入力装置のさらに詳細な構成図である。
【図３１】本発明に係る画像の類似性評価方法の他の実施形態の手順を示すフローチャートである。
【図３２】図３１の特徴量抽出のサブルーチンフローチャートである。
【図３３】図３２のステップＳ１４１の処理の説明図である。
【図３４】図３２のステップＳ１４２の処理の説明図である。
【図３５】図３２のステップＳ１４３の処理の説明図である。
【図３６】図３２のステップＳ１４４の処理の説明図である。
【図３７】図３２のステップＳ１４４の処理の説明図である。
【図３８】本実施形態の効果の説明に供する図である。
【発明を実施するための形態】
【００１２】
［実施形態１］
以下に、本発明の一実施形態に係る画像の類似性評価装置について詳細に説明する。以下では、画像の一例として木目パネルの木目を例示する。しかし、本発明に係る画像の類似性評価装置は、パネルや革の表面の皺の画像、布地の織りの画像に対しても適用することができる。
【００１３】
（画像の類似性評価装置の全体構成）
図１は、本発明の一実施形態に係る画像の類似性評価装置のブロック図である。
【００１４】
図１に示すように、画像の類似性評価装置１００は、画像入力装置１０、画像記憶部２０、色変換部３０、特徴量抽出部４０、類似性評価部５０および出力装置６０を有する。
【００１５】
画像入力装置１０は木目パネル５の表面の木目画像を入力する。木目画像の入力は、暗室内に置いた木目パネル５の表面に均一に光を当て、その木目パネル５の表面をカメラで撮影することによって行われる。画像入力装置１０の詳細な構成は後述する。
【００１６】
画像記憶部２０は、画像入力装置１０によって入力した木目パネル５の木目画像を記憶しておくメモリである。画像記憶部２０は、画像入力装置１０によって入力した木目画像を一時的に記憶しておく第１領域と入力した木目画像を一時的にではなく保存しておく第２領域とを有している。第１領域はキャッシュメモリで構成され、第２領域は一般的に用いられるＲＡＭなどの半導体記憶装置またはＣＤやＨＤＤなどの記録媒体で構成される。
【００１７】
色変換部３０は、画像記憶部２０の第１領域または第２領域から複数の木目画像を取得して色変換し、取得したそれぞれの木目画像を柄画像と色画像に分離する。本実施形態の場合、画像記憶部２０から２枚の木目画像を取得して、２枚の木目画像を、２枚の柄画像と４枚の色画像に分離する。色変換の手法および木目画像を柄画像と色画像に分離する手法の詳細は後述する。
【００１８】
特徴量抽出部４０は、色変換部３０によって分離した柄画像と色画像のそれぞれについて、木目の周期性、木目の輝度分布、木目の乱雑さ、木目の連続量、木目の一致確率のうちの少なくともいずれか１つに関する種類の特徴量を抽出する。本実施形態の場合、色変換部３０は、２枚の木目画像を、２枚の柄画像と４枚の色画像に分離する。このため、特徴量抽出部４０は、２枚の柄画像と４枚の色画像の合計６枚の画像のそれぞれについていずれか１つに関する種類の特徴量を抽出する。この６枚の画像については、同一種類の特徴量を抽出する。たとえば、２枚の柄画像について、木目の周期性および木目の輝度分布に関する特徴量を抽出したときには、４枚の色画像についても、木目の周期性および木目の輝度分布に関する特徴量を抽出する。特徴量の抽出の手法の詳細は後述する。
【００１９】
類似性評価部５０は、対比する２枚の木目画像の柄画像と色画像の各々について抽出した特徴量を特徴量抽出部４０から取得し、２枚の柄画像間の特徴量の差と２枚を一組とする各組２枚の色画像間の特徴量の差に基づいて木目の類似性を評価する。たとえば、上記のように、特徴量抽出部４０が木目の周期性および木目の輝度分布に関する特徴量を抽出したとする。このときには、２枚の柄画像間と各組２枚の色画像間の木目の周期性に関する特徴量の差および木目の輝度分布に関する特徴量の差に基づいて木目の類似性を評価する。木目の類似性を評価する手法の詳細は後述する。
【００２０】
出力装置６０は、画像入力装置１０が入力した木目画像および画像記憶部２０から取得した木目画像を表示したり、木目の類似性を評価するために抽出した特徴量の差を表示したり、木目の類似性の評価結果を表示したりする。
【００２１】
本発明の一実施形態に係る画像の類似性評価装置１００は以上のような構成を有するので、角度によって見え方が異なる木目の類似性を高精度に評価することができる。
【００２２】
このような効果が得られるのは、対比する木目画像から柄画像と色画像を分離していることと、柄画像と色画像の両方の画像に対して特徴量を求めているからである。特に、色画像の特徴量を求めていることがこの効果を得ることに大きく寄与している。さらに、柄画像間の特徴量の差と色画像間の特徴量の差の両方から類似性を評価しているため、木目の類似性を総合的に評価することができる。
【００２３】
（画像入力装置の構成）
図２〜図４は画像入力装置１０の構成図である。
【００２４】
画像入力装置１０は、暗室１２、光源１４およびカメラ１６を有している。
【００２５】
暗室１２は木目パネル５の表面を撮像するときに、外光の影響を受けずに撮像できるように、暗室１２に進入しようとする外光を遮光する役割を果たす。本実施形態では暗室１２の形状は半球状としている。
【００２６】
光源１４は暗室１２の内面に取り付ける。光源１４はカメラ１６を移動させる移動レール１８上に配置する。光源１４は木目パネル５の表面に対して１１０度の角度から光を照射する。木目パネル５の表面から反射する光源１４の反射光がカメラ１６に直接入射されないようにするためである。光源１４は面発光となる有機ＥＬを用いる。このため、光源１４は暗室１２内に置いた木目パネル５の表面を均一に照らすことができる。光源１４は発光面の面積を図３のように可変できるようにしてある。木目パネル５の表面に照射する光の面積を小さくしたいときには、図３のように光源１４の発光面の面積を小さく絞る。なお、光源１４に面発光ではない電球、蛍光灯、ＬＥＤを用いても良い。この場合には、導光板、拡散板、光拡散フィルムを組み合わせて面発光となるようにしたり、暗室１２の形状を球状にして積分球として木目パネル５の表面を均一に照らすことができるようにしたりする。光源１４から照射する光は波長が３６０〜７８０ｎｍの主に可視光領域の光を用いる。しかし、光源１４から照射する光は可視光領域以外の領域の光を用いても良い。
【００２７】
カメラ１６は、光源１４から照射する光によって均一に照らされている木目パネル５の表面を撮像する。カメラ１６は暗室１２の内面に取り付けた移動レール１８に移動自在に取り付ける。そのため、移動レール１８に沿ってカメラ１６を移動させ木目パネル５の表面を複数の角度から撮像することができる。本実施形態では、木目パネル５の表面に対して５度の角度（図２のＡ位置）、３５度の角度（図２のＢ位置）、８０度の角度（図２のＣ位置）、の３種類の角度（撮像角度）から木目画像を撮像できるようにする。それぞれの角度から撮像した木目画像はＲＧＢ木目画像（カラー画像）として画像記憶部２０に送られる。撮像した木目画像には撮像角度が付加される。なお、図４に示すように、暗室１２の内面に３台のカメラ１６を、木目パネル５の表面に対して５度の角度（図４のＡ位置）、３５度の角度（図４のＢ位置）、８０度の角度（図４のＣ位置）にそれぞれ固定して取り付けても良い。３台のカメラ１６を暗室１２の内面に取り付けておけば、同時に複数の角度からの木目画像を撮像できる。木目の撮像角度は上記の３種類の角度に限られない。
【００２８】
このように、画像入力装置１０は、暗室１２で木目パネルに外光が当たらないようにし、光源１４で木目パネルの表面を均一に照らすことができるので、カメラ１６は複数の木目パネルの木目を同じ条件で撮影できる。また、カメラ１６は木目パネルの表面を複数の角度から撮影できるので、異なる角度から撮影した木目の類似性を評価することで、木目の類似性の評価精度が向上する。
【００２９】
（色変換部の動作）
図５は色変換部３０の動作説明に供する図である。
【００３０】
色変換部３０は、画像記憶部２０から取得したＲＧＢ木目画像をＹＣ１Ｃ２木目画像またはＬａｂ木目画像に変換する。図５に示すように、画像記憶部２０から取得したＲＧＢ木目画像をＹＣ１Ｃ２木目画像に変換すると、ＲＧＢ木目画像の情報を輝度情報と色情報に分離することができる。ＲＧＢ木目画像をＹＣ１Ｃ２木目画像に変換した場合、Ｙ木目画像がＲＧＢ木目画像の輝度情報（明度）を示し、Ｃ１木目画像とＣ２木目画像がＲＧＢ木目画像の色情報（色相・彩度）を示す。このため、Ｙ木目画像は柄画像となり、Ｃ１木目画像とＣ２木目画像は色画像となる。
【００３１】
ＲＧＢ色空間の画像をＹＣ１Ｃ１色空間の画像に変換するには、下記の計算を行う。
【００３２】
ＲＧＢ→ＹＣ１Ｃ２色変換
Ｙ ＝ ０．２９９Ｒ＋０.５８７Ｇ＋０.１１４Ｂ
Ｃ１＝Ｒ−Ｙ＝ ０．７０１Ｒ−０.５８７Ｇ−０.１１４Ｂ
Ｃ２＝Ｂ−Ｙ＝−０．２９９Ｒ−０.５８７Ｇ＋０.８８６Ｂ
また、画像記憶部２０から取得したＲＧＢ木目画像をＬａｂ木目画像に変換しても、ＲＧＢ木目画像の情報を輝度情報と色情報に分離することができる。ＲＧＢ木目画像をＬａｂ木目画像に変換した場合、Ｌ木目画像がＲＧＢ木目画像の輝度情報（明度）を示し、ａ木目画像とｂ木目画像がＲＧＢ木目画像の色情報（色相・彩度）を示す。このため、Ｌ木目画像は柄画像となり、ａ木目画像とｂ木目画像は色画像となる。
【００３３】
ＲＧＢ色空間の画像をＬａｂ色空間の画像に変換するには、まず、ＲＧＢ色空間の画像をＸＹＺ色空間の画像に変換し、次に、ＸＹＺ色空間の画像をＬａｂ色空間の画像に変換する。具体的には、下記の計算を行う。
【００３４】
ＲＧＢ→Ｌａｂ色変換
ＲＧＢ→ＸＹＺ変換
Ｘ＝ ０．４１２４５３Ｒ＋０．３５７５８Ｇ＋０．１８０４２３Ｂ
Ｙ＝ ０．２１２６７１Ｒ＋０．７１５１６Ｇ＋０．０７２１６９Ｂ
Ｚ＝ ０．０１９３３４Ｒ＋０．１１９１９３Ｇ＋０．９５０２２７Ｂ
ＸＹＺ→Ｌａｂ変換
【００３５】
【数１】
【００３６】
色変換部３０は、以上の計算により、ＲＧＢ木目画像をＹＣ１Ｃ２木目画像またはＬａｂ木目画像に変換する。色変換部３０は、Ｙ木目画像またはＬ木目画像を柄画像とし、Ｃ１木目画像、Ｃ２木目画像またはａ木目画像、ｂ木目画像を色画像とする。
【００３７】
このように、色変換部３０は、ＲＧＢ木目画像をＹＣ１Ｃ２木目画像またはＬａｂ木目画像に変換している。このため、柄画像としてＹ木目画像またはＬ木目画像を取得できるだけではなく、色画像としてＣ１木目画像、Ｃ２木目画像またはａ木目画像、ｂ木目画像を取得することができる。特に、Ｃ１木目画像、Ｃ２木目画像またはａ木目画像、ｂ木目画像を取得していることが木目の類似性の評価精度の向上に大きく寄与している。
【００３８】
（特徴量抽出部の動作）
特徴量抽出部４０は、色変換部３０によって分離した柄画像と色画像のそれぞれについて、木目の周期性、木目の輝度分布、木目の乱雑さ、木目の連続量、木目の一致確率のうちの少なくともいずれか１つに関する種類の特徴量を抽出する。対比する２枚の木目パネルの木目の色柄が類似しているか否かを評価するためには、木目の色柄の特徴を解析する必要がある。木目の色柄の特徴は、木目の周期性、木目の輝度分布、木目の乱雑さ、木目の連続量、木目の一致確率が考えられる。特徴量抽出部４０は、これらの木目の色柄の特徴を、フーリエスペクトル、輝度ヒストグラム、フラクタル次元、ランレングス行列、同時生起行列を求めることによって明らかにする。
【００３９】
次に、特徴量抽出部４０が木目の色柄の特徴を求めるために用いる、フーリエスペクトル、輝度ヒストグラム、フラクタル次元、ランレングス行列、同時生起行列について説明する。
【００４０】
［フーリエスペクトル］
木目の周期性に関する特徴量は、画像のフーリエスペクトルを求めることによって知ることができる。フーリエスペクトルは柄画像と色画像の両方の画像に対して求める。
【００４１】
木目には方向性を持っているものと方向性をもっていないものとがある。木目が方向性を持っている場合には、木目の線がどちらの方向に伸びているものが多いか、つまり木目の方向性がどの方向により強いかをフーリエスペクトルによって求めることができる。木目に離散フーリエ変換を施すと、木目の周波数特性に着目した特徴量を得ることができる。木目のデジタル画像ｆ（ｉ，ｊ）の離散フーリエ変換Ｆ（ｕ，ｖ）、Ｆ（ｕ，ｖ）のパワースペクトルＰ（ｕ，ｖ）、特徴ベクトルＰ（θ）、Ｐ（ｒ）は次式で表すことができる。
【００４２】
【数２】
【００４３】
上式において、ｍ、ｎは、画像の水平方向、垂直方向それぞれの画素数を示す。Ｐ（ｕ，ｖ）は、原点（ｕ，ｖ）＝（０，０）を中心として水平軸からの角度θおよび中心点からの距離ｒを用いて、曲座標Ｐ（θ，ｒ）に書き換える。ｒｍａｘはｒに関して計測する最大値、△θはθに関する計測幅をそれぞれ表している。θｍａｘはθに関して計測する最大値、△ｒはｒに関する計測幅をそれぞれ表している。特徴ベクトルＰ（θ）、Ｐ（ｒ）は、それぞれ扇状の領域と同心円状の領域についてのパワースペクトルの和である。このようにして柄画像と色画像のフーリエスペクトルを求めると、柄画像と色画像においてどの様な方向性、空間周波数を持った波が強く含まれているかを知ることができる。つまり、柄画像と色画像のフーリエスペクトルを求めると、曲座標空間の動径方向と角度方向にどのように木目が分布しているかがわかり、木目の周期性を知ることができる。
【００４４】
［輝度ヒストグラム］
木目の輝度分布に関する特徴量は、画像の輝度ヒストグラムを求めることによって知ることができる。輝度ヒストグラムは柄画像と色画像の両方の画像に対して求める。
【００４５】
柄画像と色画像の各画素の輝度ヒストグラムから得られる特徴量には、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷがある。ＭＥＮは画像領域中の輝度値の平均値を示す。ＣＮＴはコントラストを示し、輝度ヒストグラムの分布が偏っているほど大きな値になる。ＶＡＲは分散を示し、平均値から離れた輝度値が多くなるほど大きな値になる。ＳＴＤは標準偏差を示す。ＳＫＷはひずみ度を示し、輝度ヒストグラムが対称な形からどれだけひずんでいるのかを表す。ＳＫＷは、平均値よりも小さな輝度レベル側に偏ったヒストグラムの場合には負の値になり、平均値よりも大きな輝度レベル側に偏ったヒストグラムの場合には正の値になる。
【００４６】
輝度ヒストグラムからＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷは次式によって求める。
【００４７】
【数３】
【００４８】
上式のＰ（ｌ）は、正規化した輝度ヒストグラムにおける輝度値ｌのときの値を表す。ｌｍｉｎ、ｌｍａｘは、デジタル画像の階調数をＬとすると、ｌｍｉｎ＝０、ｌｍａｘ＝Ｌ−１になる。
【００４９】
このようにして柄画像と色画像の輝度ヒストグラムを求め、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷの値を求めることによって、木目の輝度分布を知ることができる。
【００５０】
［フラクタル次元］
木目の乱雑さに関する特徴量は、画像のフラクタル次元を求めることによって知ることができる。フラクタル次元は柄画像と色画像の両方の画像に対して求める。
【００５１】
フラクタル次元とは、1次元、２次元、３次元、…のような整数次元からはみ出した半端な次元の総称である。フラクタル次元は次式によって求める。
【００５２】
フラクタル次元
Ｓ（ｒ）＝ｒ２Ｎ（ｒ）
ｌｏｇＳ（ｒ）＝（１−Ｄ）ｌｏｇｒ＋ｌｏｇｋ
Ｓ（ｒ）＝ｋｒ1−Ｄ
上式において、Ｓ（ｒ）は表面積である。Ｎ（ｒ）は柄画像と色画像の濃度曲面の表面を一辺の長さｒの立方体で被覆したときの面の数である。Ｄはフラクタル次元である。ｋは正の定数であり、一辺の長さがｒ＝１の立方体で濃度曲面を被覆したときの面の数である。
【００５３】
ｌｏｇｒ−ｌｏｇＳ（ｒ）のグラフの傾き、１−Ｄからフラクタル次元Ｄを求めることができる。フラクタル次元は、画像濃度曲面の起伏の複雑さを表す特徴量であり、木目の乱雑さを知ることができる。
【００５４】
［ランレングス行列］
木目の連続量に関する特徴量は、画像のランレングス行列を求めることによって知ることができる。ランレングス行列は柄画像と色画像の両方の画像に対して求める。
【００５５】
画像内において、ある方向に連続して並ぶ同一輝度の画素列をランと呼ぶ。その画素列の長さをランレングスという。ランレングスから木目の特徴量を抽出する場合には、各画素の輝度の階調数を減少させ画素のわずかの変動が無視できるようにする。ランレングス行列では、次式によってＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、Ｐを求める。
【００５６】
【数４】
【００５７】
上式のｌはθ方向の各画素の輝度値、ｒはランレングス、ＬおよびＲは輝度の階調数およびランレングスの最大値、Ｐθ（ｌ、ｒ）はθ方向のランレングス行列の輝度値ｌ、ランレングスｒの成分を示す。Ｐはランレングス行列の和である。
【００５８】
ＳＲＥは短いランの発生率が高いほど大きな値になる。ＬＲＥは長いランの発生率が高いほど大きな値になる。ＧＬＮは濃淡レベルでより偏ったラン発生率が高いほど大きな値になる。ＲＬＮはより偏ったランレングス発生率が高いほど大きな値になる。ランレングス行列は木目を形成する線の長さや途切れ状態を数値として表すことができるため、木目の連続量を知ることができる。
【００５９】
［同時生起行列］
木目の一致確率に関する特徴量は、画像の同時生起行列を求めることによって知ることができる。同時生起行列は柄画像と色画像の両方の画像に対して求める。
【００６０】
同時生起行列は画像の局所的性質を調べる統計的手法であり、画像内の一定の位置関係にある２点が、ある画素濃度を有する確率を全ての組合せにおいて求めるものである。具体的には、ある画素ｉから変位δ（θ、ｒ）だけ相対的に離れた画素ｊについて、それらの画素対の輝度値がそれぞれＬｉ、Ｌｊである確率Ｐθ（Ｌｉ、Ｌｊ）を同時生起行列という。同時生起行列から計算されるスカラー特徴量ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ、ＩＤＭは、次式によって求める。
【００６１】
【数５】
【００６２】
上式のＡＳＭは角二次モーメントであり、特定の画素対が多く存在し一様性が大きい場合には大きな値となる。ＣＮＴはコントラストであり、画像全体についての平均値を表し、濃度差が大きいほど大きな値となる。ＣＲＲは縦方向の相関を示す。ＶＡＲは同時生起行列の分散を示す。ＩＤＭは均質性である。同時生起行列は木目の一致性を統計的に求めているので、木目の一致確率を知ることができる。
【００６３】
以上のように、特徴量抽出部４０は、木目の周期性、木目の輝度分布、木目の乱雑さ、木目の連続量、木目の一致確率のうちの少なくともいずれか１つに関する種類の特徴量を求めている。そして、これらの特徴量は、それぞれフーリエスペクトル、輝度ヒストグラム、フラクタル次元、ランレングス行列、同時生起行列によって求めている。木目の特徴量として、木目の周期性、木目の輝度分布、木目の乱雑さ、木目の連続量、木目の一致確率のうちのいずれかを用いれば、対比する木目が類似しているか類似していないかを精度良く評価することができる。もちろん、木目の特徴量として、木目の周期性、木目の輝度分布、木目の乱雑さ、木目の連続量、木目の一致確率のうちの複数または全てを用いれば、対比する木目の類似性はいっそう高精度に評価できる。
【００６４】
（類似性評価部の構成）
類似性評価部５０は、特徴量抽出部４０から、対比する木目画像の柄画像と色画像の各々について抽出した特徴量を取得し、柄画像間の特徴量の差および色画像間の特徴量の差に基づいて木目の類似性を評価する。
【００６５】
図６に示すように、類似性評価部５０は、演算部５２、正規化処理部５３、識別値演算部５４、比較評価部５５、データベース５６を有している。
【００６６】
木目の類似性の評価は、柄画像間の特徴量の差および色画像間の特徴量の差に基づいて行う。このため、類似性評価部５０は、特徴量抽出部４０が抽出した特徴量を取得して、柄画像間の特徴量の差および色画像間の特徴量の差を求める演算部５２を有している。
【００６７】
また、特徴量の大きさはその種類ごとに固有の最大値（スケール）を持っている。このため、フーリエスペクトル、輝度ヒストグラム、フラクタル次元、ランレングス行列、同時生起行列で求めた特徴量の大きさは、それぞれ特徴量の種類によって異なる。したがって、演算部５２で求めた特徴量の差も、それぞれ特徴量の種類ごとに固有の大きさを持っている。異なる種類の特徴量の差の比較を容易に行えるようにするためには、それぞれの特徴量の固有の最大値（スケール）を１として、求めた特徴量の差の大きさがその種類の固有の最大値の何パーセントであるかを求めればよい。すなわち特徴量の差を正規化処理すれば良い。このため、類似性評価部５０は、求めた特徴量の差の大きさを正規化処理する正規化処理部５３を有している。
【００６８】
各特徴量の差を画像間で単純に比較しただけでも木目の類似性を評価することはできる。しかし、２枚の柄画像間の特徴量の差と４枚の色画像間の特徴量の差を全ての種類の特徴量について比較することが必要である。これでは情報量が大きすぎるので、２枚のＹ木目画像（柄画像）、２枚のＣ１木目画像（色画像）、２枚のＣ２木目画像（色画像）のそれぞれについて、特徴量抽出部４０で抽出した全ての特徴量の差を木目画像ごとに圧縮する。すなわち、抽出した全ての特徴量の差を３つの木目画像ごとに圧縮処理する。圧縮処理により３つの識別値が求まる。なお、色画像の識別値には、Ｃ１木目画像またはＣ２木目画像のいずれかを用いる。この識別値は、特徴量抽出部４０で抽出した、全ての特徴量の差の平均、全ての種類の特徴量の差の中央値、全ての種類の特徴量の差の平均値のいずれかを演算することによって求める。または、０から一定の数値を増加させて段階的に刻んだ各数値範囲に特徴量の差の大きさが当てはまる特徴量の種類の頻度を求める処理をし、その頻度の最も大きい最頻値を識別値としても良い。このため、類似性評価部５０は、特徴量の差を圧縮して識別値を演算する識別値演算部５４を有している。識別値演算部５４の詳細な動作は後述する。
【００６９】
以上のようにして、２枚のＹ木目画像（柄画像）、２枚のＣ１木目画像（色画像）、２枚のＣ２木目画像（色画像）のそれぞれの識別値が得られる。求めた少なくともいずれか１つの識別値は柄画像および色画像（Ｃ１木目画像またはＣ２木目画像）の双方と関連付けた閾値と比較される。識別値が閾値以内であれば、対比する木目は類似しており、識別値が閾値よりも大きければ、対比する木目は非類似である。識別値と閾値との比較をして木目の類似性を評価するために比較評価部５５を有している。
【００７０】
正規化処理部５３が特徴量の差を正規化し、比較評価部５５が木目の類似性を評価するためには、正規化のための情報と閾値の情報が必要である。このため、類似性評価部５０は、正規化のための情報と閾値の情報を格納しているデータベース５６を有している。データベース５６に格納させる正規化のための情報と閾値の情報については、後で詳しく説明する。
【００７１】
（類似性評価部の動作）
類似性評価部５０の動作を、図を参照しながらさらに詳細に説明する。
【００７２】
演算部５２は、柄画像間の特徴量の差および色画像間の特徴量の差を求める。例えば、
２枚のＹ木目画像（柄画像）と２枚のＣ１木目画像（色画像）に対して、個々に、フーリエスペクトル、輝度ヒストグラム、フラクタル次元、ランレングス行列、同時生起行列の全ての種類の特徴量の差を求める。具体的には、それぞれの木目画像間の、フーリエスペクトルで求めたＰｒ、Ｐｔ、輝度ヒストグラムで求めたＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、フラクタル次元で求めたＤＦ、ランレングス行列で求めたＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、同時生起行列で求めたＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差を求める。したがって、演算部５２は、柄画像と色画像について、それぞれの画像の１８の特徴量の差を求める。
【００７３】
なお、上記の例では、フーリエスペクトル、輝度ヒストグラム、フラクタル次元、ランレングス行列、同時生起行列の全ての種類の特徴量の差を求めた。しかし、例えば、フーリエスペクトル、輝度ヒストグラムだけを用いて特徴量の差を求めた場合には、演算部５２は、柄画像と色画像について、それぞれの画像のＰｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷの７つの特徴量の差を求める。柄画像と色画像について、特徴量は同一の種類のものを求める。
【００７４】
正規化処理部５３は、データベース５６から正規化のための情報を取り出して、Ｐｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差を正規化する。データベース５６に格納してある正規化のための情報は、各特徴量の最大値である。例えば、Ｐｒの最大値がａ、Ｐｔの最大値がｂ、ＭＥＮの最大値がｃ、…、ＶＡＲ２最大値がｑ、ＩＤＭの最大値がｒという数値である。正規化処理部５３は、この正規化のための情報に基づいて、各特徴量の差が最大値を１としたときにいくつの値になるかを演算する。
したがって、例えば、２枚のＹ木目画像（柄画像）と２枚のＣ１木目画像（色画像）について求めたＰｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差を正規化し、合計３６の特徴量の差を求める。柄画像と色画像について求めた３６の特徴量の差を並べると図７の棒グラフのようになる。
【００７５】
図７の棒グラフにおいて、手前側は、２枚のＹ木目画像（柄画像）について正規化した後の１８の特徴量の差を示す棒グラフである。また、奥側は、２枚のＣ１木目画像（色画像）について、正規化した後の１８の特徴量の差を示す棒グラフである。正規化処理によって、それぞれの特徴量の最大値を１として、求めたそれぞれの特徴量の差の大きさを棒グラフで表しているので、特徴量の差の程度がわかりやすくなっている。
【００７６】
識別値演算部５４は、例えば、２枚のＹ木目画像（柄画像）、２枚のＣ１木目画像（色画像）について、正規化処理部で正規化された特徴量の差を圧縮する。特徴量の差を圧縮することによって柄画像と色画像の２つの識別値を求める。
【００７７】
特徴量の差の圧縮は次のいずれかの手法によって行う。まず、１つの手法は、全ての特徴量の差の合計値を求める手法である。具体的には、図７に示してあるように、正規化した、Ｐｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差の合計を求める。全ての特徴量の差は、正規化によって単位のない数値になっているので、特徴量の差の大きさを加算できる。１８の特徴量の差の合計値を識別値とする。
【００７８】
もう１つの手法は、全ての特徴量の差の中央値を求める手法である。具体的には、正規化した、Ｐｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差を小さい順に並べる。特徴量の差が小さい順から９番目または１０番目に位置する特徴量の差を識別値とする。
【００７９】
さらにもう１つの手法は、全ての特徴量の差の平均を求める手法である。具体的には、正規化した、Ｐｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差の平均を求める。１８の特徴量の差の合計値を１８で割った値を識別値とする。
【００８０】
そして最後の手法は、特徴量の種類の最頻値を求める手法である。具体的には、正規化した、Ｐｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差を特徴量の種類ごとに並べる。たとえば、図８に示すように、正規化した特徴量の差を特徴量の種類ごとに並べる（図８では特徴量の種類は１３である）。特徴量の種類ごとに、正規化した特徴量の差の大きさは異なるので、異なる高さの棒グラフになっている。そして、図８に示すように、０から一定の数値を増加させて段階的に刻んだ各数値範囲に特徴量の差の大きさが当てはまる特徴量の種類の頻度を求める処理をし、その頻度の最も大きい最頻値を求める。たとえば、特徴量の差が０か０．１の間にある特徴量の種類の数（頻度）が０、特徴量の差が０．１から０．２の間にある特徴量の種類の数が１、特徴量の差が０．２から０．３の間にある特徴量の種類の数が２、…、特徴量の差が０．６から０．７の間にある特徴量の種類の数が５、…特徴量の差が０．９から１．０の間にある特徴量の種類の数が０というように、０．１刻みで各数値範囲に特徴量の差の大きさが当てはまる特徴量の種類の数を求める。そして、その特徴量の種類の数の最も大きい頻度値を識別値とする。上記の場合、最も大きい頻度値が５であれば、識別値は５である。
【００８１】
前述のように、いずれかの手法で求めた識別値は、柄画像と色画像について１つずつ合計２つの識別値が求められる。この２つの識別値を閾値と比較することで、対比する２つの木目が類似しているか、類似していないかの評価がされる。
【００８２】
比較評価部５５は、データベース５６に格納されている閾値の情報を取り出して、識別値で演算した柄画像と色画像の識別値と比較する。閾値の情報とは、柄画像と色画像の双方と関連付けた閾値である。
【００８３】
閾値は、柄画像の識別値と色画像の識別値の両方から求める。したがって、閾値は図９に示すような二次元マップ上に描かれる点線で表される。例えば、柄画像から得られた識別値の値が０．４、色画像から得られた識別値の値が０の場合には対比する木目は類似していると判断する。また、柄画像から得られた識別値の値が０、色画像から得られた識別値の値が３．５の場合にも対比する木目は類似していると判断する。さらに、柄画像から得られた識別値と色画像から得られた識別値の値が共に０．２の場合には対比する木目は類似していると判断する。しかし、柄画像から得られた識別値の値が０．５、色画像から得られた識別値の値が０．２の場合には対比する木目は非類似であると判断する。また、柄画像から得られた識別値の値が０．２、色画像から得られた識別値の値が０．４の場合には対比する木目は非類似であると判断する。さらに、柄画像から得られた識別値と色画像から得られた識別値の値が共に０．３の場合には対比する木目は非類似であると判断する。
【００８４】
以上のように、類似性評価部５０は、識別値演算部５４と比較評価部５５を有しているので、特徴量の差を圧縮した識別値を求めることができ、識別値を閾値と比較することによって、木目の類似性を容易に評価することができる。
【００８５】
データベース５６に格納されている閾値の情報は、木目の類似性を評価する上で非常に重要な値である。したがって、閾値の情報は次のような手順により作成する。まず、人間の官能評価で類似と判断された２枚の木目パネルの組合せ、または非類似と判断された２枚の木目パネルの組合せを何十通りも用意する。これらの木目パネルを本発明の装置にかけ、柄画像と色画像の識別値だけを求める。求めた識別値を、図９のグラフ上にプロットする。このプロットを用意した全ての木目パネルの組合せに対して行う。最後に、木目の類似、非類似を分けられるところに線を引き、その線で分けられる領域を類似、非類似の領域とする。
【００８６】
このようにして求めた閾値によって、閾値の線の角度や曲がりを微調整する。このようにして作成した閾値の情報を用いていろいろな木目の類似性を評価してみたところ、完全ではないが、ほぼ１００％の割合で人間の官能評価と本発明の装置の評価結果が一致した。
【００８７】
人間は、異なる木目パネルの木目の類似性を判断するときには、木目の模様だけでなく、木目や木目周辺の色合いも判断材料にしている。したがって、木目や木目周辺の色合いや色合いの変化の仕方を特徴量として用いると、人間の官能評価と機械の評価結果を一致させることができる。
【００８８】
図１０に示すように、グレースケールで表示した木目画像１と木目画像２を比較すると、図の左半分は類似性があるかのように見える。ところが、本発明の装置で濃淡、配置、周期性、縮尺、乱雑さ、回転を考慮した下の木目画像１のイメージ図と木目画像２のイメージ図とを比較すると、木目の類似性がないことが明らかである。このように、木目の類似性を判断するためには、濃淡、配置、周期性、縮尺、乱雑さ、回転（設計パラメータ）を考慮することが重要である。
【００８９】
本発明では、閾値の値を厳密に求めているほか、濃淡、配置、周期性、縮尺、乱雑さ、回転に関係する特徴量の差が類似性の評価に影響を与えることから、求めた特徴量の差とこれらの設計パラメータの関連付けも行っている。
【００９０】
次に、本発明に係る画像の類似性評価方法について説明する。
【００９１】
図１１は、本発明に係る画像の類似性評価方法の手順の概略説明図である。また、図１２は、本発明に係る画像の類似性評価方法の手順を示すフローチャートである。なお、このフローチャートは本発明に係る画像の類似性評価装置の動作でもある。
【００９２】
まず、図１１に基づいて、本発明の一実施形態に係る木目の類似性評価方法の概略を説明する。
【００９３】
木目パネル５の表面の木目画像を画像入力装置１０が入力する。画像入力装置１０は木目パネル５の表面に対して５度、３５度、８０度の角度から木目画像を撮影することができる。全ての角度について木目画像を撮影しても良いし、いずれかの角度から木目画像を撮影しても良い。画像入力装置１０によって入力した木目画像はコンピュータシステムの画像記憶部に記憶される。このときには、何度の角度から撮影された木目画像であるかがわかるように、撮影角度が付加される。なお、コンピュータシステムは、図１の画像記憶部２０、色変換部３０、特徴量抽出部４０、類似性評価部５０、出力装置６０を備える。
【００９４】
コンピュータシステムは、画像記憶部２０に記憶されている木目画像の中から類似性を評価したい２枚の木目画像を読み込む。選択する２枚の木目画像は撮影角度が同じものが好ましい。２枚の木目画像は、画像１、画像２としてコンピュータシステムに入力され、アルゴリズム演算が行われる。
【００９５】
アルゴリズム演算はコンピュータシステムに記憶されている解析ソフトウェアで実施される。アルゴリズム演算は、前処理、特徴量抽出、後処理、類似性判別の順番に行われる。
【００９６】
前処理では、木目画像を色変換し木目画像を柄画像と色画像に分離する。前処理は色変換部３０が行う。
【００９７】
特徴量抽出では、柄画像と色画像のそれぞれについて、木目の周期性、木目の輝度分布、木目の乱雑さ、木目の連続量、木目の一致確率のうちの少なくともいずれか１つに関する種類の特徴量を抽出する。特徴量抽出は特徴量抽出部４０が行う。
【００９８】
後処理では、抽出した特徴量から２枚の柄画像間の特徴量の差と２枚の色画像間の特徴量の差を演算する。そして、特徴量の差を圧縮して識別量を求める。後処理は類似性評価部５０が行う。
【００９９】
類似性判別では、求めた識別量を閾値と比較して木目の類似性を評価する。類似性判別も類似性評価部５０が行う。
【０１００】
アルゴリズム演算で得られた類似性の評価結果、特徴量、設計パラメータとの関係はシステム出力として表示される。
【０１０１】
本発明の一実施形態に係る画像の類似性評価方法は以上のような動作をするので、角度によって見え方が異なる木目の類似性を高精度に評価することができる。
【０１０２】
このような効果が得られるのは、前処理で、木目画像から柄画像と色画像を分離していることと、特徴量抽出で、柄画像と色画像の両方の画像に対して特徴量を求めているからである。特に、色画像の特徴量を求めていることがこの効果を得ることに大きく寄与している。さらに、後処理と類似性判別では、柄画像間の特徴量の差と色画像間の特徴量の差の両方から類似性を評価しているため、木目の類似性を総合的に評価することができる。
【０１０３】
次に、図１２以降の図面を参照しながら、本発明に係る画像の類似性評価方法の手順を説明する。
【０１０４】
まず、画像入力装置１０は、木目パネル５の表面を撮影して木目画像を読込む（Ｓ１０）。
【０１０５】
具体的には、画像読込は図１３に示すサブルーチンフローチャートの手順で行う。まず、画像入力装置１０を起動して木目パネル５の表面から木目画像を撮影できるようにする（Ｓ１１）。次に、コンピュータシステムは、画像入力装置１０で撮影した木目画像を記憶する（Ｓ１２）。コンピュータシステムは、対比する２枚の木目画像を画像記憶部から取得する（Ｓ１３）。そして、コンピュータシステムは、取得した２枚の木目画像を、図１５に示すように「画像１」、「画像２」として画面上に表示する（Ｓ１４）。
【０１０６】
次に、取得した画像を編集する（Ｓ２０）。
【０１０７】
具体的には、画像編集は図１３に示すサブルーチンフローチャートの手順で行う。まず、２枚の木目画像のサイズを合わせる（Ｓ２１）。コンピュータシステムは、画像記憶部２０から取得した２枚の木目画像の大きさを拡大または縮小させて、木目画像の大きさを図１５に示した読込画像ウインドウ全体に映る大きさに合わせる。次に、２枚の木目画像の解像度を合わせる（Ｓ２２）。解像度が異なると、木目の類似性の評価結果に悪影響を与えるからである。解像度が異なる場合には、両方の木目画像を解像度の低いほうに合わせる。
【０１０８】
次に、コンピュータシステムは、画面上で設定した分析条件設定、分析結果表示設定、関連付け設定の内容を読み込む（Ｓ３０）。コンピュータシステムが有する表示画面には、図１６の分析条件設定画面、図１７の分析結果表示設定画面、図１８の関連付け設定画面を表示させることができる。これらの画面を表示させてチェックボックスにチェックを入れると、チェックを入れた項目がそれぞれの画面で設定される。コンピュータシステムは、設定された項目を読み込む。
【０１０９】
例えば、分析条件設定画面では、特徴量抽出として、フーリエスペクトル、輝度スペクトル、ラフクタル次元、ランレングス行列、同時生起行列の全てにチェックが入っているので、特徴量の抽出は、これらに関する全ての特徴量を求めることになる。また、後処理として平均値にチェックが入っているので、後処理で識別値を求めるときには、全ての特徴量の差の合計の平均値を求めることになる。さらに識別として固有閾値（ＳＶＭ）にチェックが入っているので、木目の類似性の評価は図９に示した閾値を用いる。
【０１１０】
また、分析結果表示設定画面では、柄画像と色画像の特徴量として、フーリエスペクトル、輝度スペクトル、ラフクタル次元、ランレングス行列、同時生起行列で求められる特徴量にチェックが入っている。具体的には、Ｐｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量にチェックが入っている。したがって、色画像と柄画像について、全ての特徴量の大きさが後述する類似性分析結果表示画面（図２４参照）に表示される。
【０１１１】
さらに、関連付け設定画面では、フーリエスペクトルのＰｔに０．５が設定され、輝度スペクトルのＳＴＤに０．５が設定されている。また、設計パラメータの、値９：回転のチェックボックスにチェックが入っている。したがって、関連付け設定の処理で、設計パラメータの回転について、Ｐｔの０．５とＳＴＤの０．５が関連付けられる。
【０１１２】
次に、コンピュータシステムは前処理を実行する（Ｓ４０）。
【０１１３】
具体的には、前処理は、図１９に示すサブルーチンフローチャートの手順で行う。まず、画像編集が行われた後の２枚の木目画像を色変換する（Ｓ４１）。つまり、２枚のＲＧＢ木目画像をＹＣ１Ｃ２木目画像またはＬａｂ木目画像に変換する。この色変換の詳細は色変換の動作の説明において詳述した。次に、色変換後の２枚の木目画像を柄画像と色画像に分離する（Ｓ４２）。つまり、２枚のＲＧＢ木目画を像色変換して求めたＹＣ１Ｃ２木目画像またはＬａｂ木目画像を、Ｙ木目画像またはＬ木目画像（柄画像）とＣ１Ｃ２木目画像またはａｂ木目画像（色画像）に分離する。
【０１１４】
そして、コンピュータシステムは柄画像と色画像について特徴量を抽出する（Ｓ５０）。
【０１１５】
具体的には、特徴量抽出は、図２０に示すサブルーチンフローチャートの手順で行う。まず、コンピュータシステムは図１６に示した分析条件設定画面で設定した特徴量検出の項目を読込む（Ｓ５１）。そして、前処理で分離した２枚の木目画像の柄画像と色画像を取得する（Ｓ５２）。例えば、２枚のＹ木目画像、２枚のＣ１木目画像、２枚のＣ２木目画像を取得する。そして、これらの柄画像と色画像の特徴量を抽出する（Ｓ５３）。分析条件設定画面ではフーリエスペクトル、輝度スペクトル、ラフクタル次元、ランレングス行列、同時生起行列の全てにチェックを入れたので、Ｐｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量を抽出することになる。特徴量の抽出については類似性評価部の動作の説明において詳述した。
【０１１６】
コンピュータシステムは後処理を実行する（Ｓ６０）。
【０１１７】
具体的には、前処理は、図２１に示すサブルーチンフローチャートの手順で行う。コンピュータシステムは特徴量抽出の処理で求めた２枚の柄画像の各特徴量の差および２枚の色画像の各特徴量の差を演算する（Ｓ６１）。２枚の柄画像の各特徴量の差および２枚の色画像の各特徴量の差の演算については類似性評価部の動作の説明において詳述した。そして、コンピュータシステムは、求めた特徴量の種類別に特徴量の差を正規化する（Ｓ６２）。特徴量の差を正規化する処理については類似性評価部の動作の説明において詳述した。さらに、コンピュータシステムは、柄画像と色画像の特徴量の差を圧縮処理して２つの識別値を求める（Ｓ６３）。圧縮処理は、正規化した特徴量の差の合計値を求めたり、正規化した特徴量の差の平均値を求めたり、正規化した特徴量の差の中央値を求めたり、０から一定の数値を増加させて段階的に刻んだ各数値範囲に特徴量の差の大きさが当てはまる特徴量の種類の頻度を求める処理をする。特徴量の差を圧縮する処理ついては類似性評価部の動作の説明において詳述した。
【０１１８】
コンピュータシステムは類似性判定を実行する（Ｓ７０）。
【０１１９】
具体的には、類似性判定の処理は図２２に示すサブルーチンフローチャートの手順で行う。コンピュータシステムは、データベースに格納してある類似性判定のための閾値（図９参照）を取得する（Ｓ７１）。そして、この閾値と柄画像と色画像について求めた２つの識別値とを比較する。柄画像と色画像について求めた２つの識別値の位置する領域が類似性ありの閾値の領域であるときには２つの木目は類似していると判定される。一方、柄画像と色画像について求めた２つの識別値の位置する領域が類似性なしの閾値の領域であるときには２つの木目は非類似であると判定される（Ｓ７２）。
【０１２０】
次に、コンピュータシステムは分析結果を表示する（Ｓ８０）。
【０１２１】
具体的には、分析結果表示は、図２３に示すサブルーチンフローチャートの手順で行う。まず、コンピュータシステムは図１７に示した分析結果表示設定画面で設定した柄画像と色画像の特徴量の設定項目を読込む（Ｓ８１）。次に、コンピュータシステムは、柄画像と色画像の特徴量の設定項目を、図２４に示す類似性分析結果表示画面に表示する（Ｓ８２）。そして、対比する木目の類似性の判定結果も表示する（Ｓ８３）。
【０１２２】
図１６に示した分析条件設定画面ではフーリエスペクトル、輝度スペクトル、ラフクタル次元、ランレングス行列、同時生起行列の全てにチェックを入れた。したがって、画面には、図２４に示すように、柄画像のＰｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差の値が表示される。また、色画像のＰｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差が表示される。さらに、対比する木目の類似性の判定結果（ＮＧ）も表示される。
【０１２３】
コンピュータシステムは分析結果・分析条件を保存する（Ｓ９０）。
【０１２４】
具体的には、分析結果・分析条件保存は、図２５に示すサブルーチンフローチャートの手順で行う。まず、コンピュータシステムは、表示した分析結果をデータベースに保存する（Ｓ９１）。つまり、柄画像と色画像のＰｒ、Ｐｔ、ＭＥＮ、ＣＮＴ、ＶＡＲ、ＳＴＤ、ＳＫＷ、ＤＦ、ＳＲＥ、ＬＲＥ、ＧＬＮ、ＲＬＮ、ＲＰ、ＡＳＭ、ＣＮＴ、ＣＲＲ、ＶＡＲ２、ＩＤＭの１８の特徴量の差の値と、対比する木目の類似性の判定結果が（ＮＧ）であったことを保存する。また、コンピュータシステムは、設定した分析条件をデータベースに保存する（Ｓ９２）。つまり、図１６に示した分析条件設定画面で、フーリエスペクトル、輝度スペクトル、ラフクタル次元、ランレングス行列、同時生起行列の全てにチェックを入れたことを保存する。
【０１２５】
最後に、コンピュータシステムは、関連付け設定を保存する（Ｓ１００）。関連付け設定は、図１８の関連付け設定画面で設定された事項である。具体的には、フーリエスペクトルのＰｔに０．５が設定され、輝度スペクトルのＳＴＤに０．５が設定されていること、および、設計パラメータの、値９：回転のチェックボックスにチェックが入っていることを保存する。
【０１２６】
関連付けの設定は、図２６に示すように、特徴量を関連付ける設計パラメータの選択と、特徴量を関連付ける重み付け（係数）の設定である。関連付けの設定が的確であると、人間の官能評価と機械の評価結果を一致させることが容易になる。
【０１２７】
以上のように、本発明によれば、人間の官能評価と機械の評価結果を一致させることができるため、角度によって見え方が異なる木目の類似性を高精度に評価することができる。
【０１２８】
［実施形態２］
次に、本発明の他の実施形態に係る画像の類似性評価装置について詳細に説明する。以下では、実施形態１と同様に、画像の一例として木目パネルの木目を例示する。しかし、本発明に係る画像の類似性評価装置は、パネルや革の表面の皺の画像、布地の織りの画像に対しても適用することができる。
【０１２９】
（画像の類似性評価装置の全体構成）
図２７は、本発明の他の実施形態に係る画像の類似性評価装置のブロック図である。
【０１３０】
図２７に示すように、画像の類似性評価装置２００は、画像入力装置１１０、画像記憶部１２０、色変換部１３０、特徴量抽出部１４０、類似性評価部１５０および出力装置１６０を有する。
【０１３１】
画像入力装置１１０は木目パネル１０５の表面の木目画像を入力する。木目画像の入力は、暗室内に置いた木目パネル１０５の表面に均一に光を当て、その木目パネル１０５の表面をカメラで撮影することによって行われる。本実施形態では、カメラを固定し光の当てる方向を変えて木目パネル１０５の表面をカメラで撮影する。画像入力装置１１０の詳細な構成は後述する。
【０１３２】
画像記憶部１２０は、画像入力装置１１０によって入力した木目パネル１０５の木目画像を記憶しておくメモリである。画像記憶部１２０の構成及び動作は実施形態１と同一である。
【０１３３】
色変換部１３０は、画像記憶部１２０から複数の木目画像を取得して色変換し、取得したそれぞれの木目画像を柄画像と色画像に分離する。色変換部１３０の構成及び動作は実施形態１と同一である。
【０１３４】
特徴量抽出部１４０は、色変換部１３０によって分離した柄画像と色画像のそれぞれについて、輝度差と頻度とのヒストグラムから特徴量を求める。特徴量の抽出の手法の詳細は後述する。
【０１３５】
類似性評価部１５０は、特徴量抽出部１４０で求めた特徴量に基づいて木目の類似性を評価する。木目の類似性を評価する手法の詳細は後述する。
【０１３６】
出力装置１６０は、画像入力装置１１０が入力した木目画像および画像記憶部１２０から取得した木目画像を表示したり、木目の類似性を評価するために抽出した特徴量を表示したり、木目の類似性の評価結果を表示したりする。
【０１３７】
本発明の一実施形態に係る画像の類似性評価装置１００は以上のような構成を有するので、角度によって見え方が異なる木目の類似性を高精度に評価することができる。
【０１３８】
このような効果が得られるのは、対比する木目画像から柄画像と色画像を分離していることと、柄画像と色画像の両方の画像に対して輝度差と頻度とのヒストグラムから特徴量を求めているからである。
（画像入力装置の構成）
図２８〜図３０は画像入力装置１１０の構成図である。
【０１３９】
画像入力装置１１０は、暗室１１２、光源１１４およびカメラ１１６を有している。
【０１４０】
暗室１１２は木目パネル１０５の表面を撮像するときに、外光の影響を受けずに撮像できるように、暗室１１２に進入しようとする外光を遮光する役割を果たす。本実施形態では暗室１１２の形状は半球状としている。
【０１４１】
光源１１４は暗室１１２の内面に移動可能に取り付ける。光源１１４は木目パネル１０５の表面に対し一定の角度範囲から光を照射できる。たとえば、光源１１４は、図３０に示すように、木目パネル１０５の表面に対して直行する方向（０度）から±５０度の範囲で自在に調整できるようにしてある。また、カメラ１１６は一定の角度で固定してある。たとえば、カメラ１１６は、図２９に示すように、木目パネル１０５の表面に直行する方向（０度）から２０度の角度で固定してある。木目パネル１０５の表面から反射される光源１１４の反射光がカメラ１１６に直接入射されないようにするため、光源１１４の角度範囲とカメラ１１６の固定角度を考慮する。本実施形態の画像入力装置１１０の構成は、実施形態１に適用することもできる。
光源１１４は面発光となる有機ＥＬを用いる。このため、光源１１４は暗室１１２内に置いた木目パネル１０５の表面を均一に照らすことができる。光源１１４は発光面の面積を図２８のように可変できるようにしてある。木目パネル１０５の表面に照射する光の面積を小さくしたいときには、図２８のように光源１１４の発光面の面積を小さく絞る。なお、光源１１４に面発光ではない電球、蛍光灯、ＬＥＤ、メタルハライドランプを用いても良い。この場合には、導光板、拡散板、光拡散フィルムを組み合わせて面発光となるようにしたり、暗室１１２の形状を球状にして積分球として木目パネル１０５の表面を均一に照らすことができるようにしたりする。光源１１４の光色は自然白色が好ましい。光源１１４から照射する光は波長が３６０〜７８０ｎｍの主に可視光領域の光を用いる。しかし、光源１１４から照射する光は可視光領域以外の領域の光を用いても良い。
【０１４２】
カメラ１１６は、光源１１４から照射する光によって均一に照らされている木目パネル１０５の表面を撮像する。光源１１４は様々な角度で木目パネル１０５の表面を照らすので、同一の木目であっても、図３０に示すように、−５５度、−５０度、−４５度、−４０度、−３５度、…、の角度から光を照射した場合に撮像した木目パネル１０５の表面の様子はそれぞれ異なる。それぞれの角度で撮像した木目画像はＲＧＢ木目画像（カラー画像）として画像記憶部１２０に送られる。撮像した木目画像には光の照射角度が付加される。
このように、画像入力装置１１０は、暗室１１２で木目パネル１０５に外光が当たらないようにし、光源１１４で木目パネル１０５の表面を様々な角度から均一に照らすことができるので、カメラ１１６は複数の木目パネルの木目を同じ条件で撮影できる。また、カメラ１１６は木目パネル１０５の表面を複数の光の照射方向で撮影できるので、異なる角度の照射方向から撮影した木目の類似性を評価することで、木目の類似性の評価精度が向上する。
【０１４３】
（画像の類似性評価装置の動作）
次に、本実施形態に係る画像の類似性評価装置の動作について説明する。画像の類似性評価装置の動作は、画像の類似性評価方法と同一である。図３１は、本発明に係る画像の類似性評価方法の他の実施形態の手順を示すフローチャートである。
【０１４４】
まず、画像入力装置１１０は、木目パネル１０５の表面を撮影して木目画像を読込む（Ｓ１１０）。
【０１４５】
具体的には、画像入力装置１１０を起動して木目パネル１０５の表面の木目画像を撮影できるようにする。木目画像は、木目パネル１０５に照射する光の角度を少しずつ変えて撮影する。たとえば、図３０に示すように、−５５度で撮影し、−５０度で撮影し、−４５度で撮影し、というように、５度刻みで撮影する。本実施形態では５度刻みであるが、類似性評価の精度を上げたければ角度の刻みを小さくし、精度を下げても良ければ角度の刻みを大きくする。
【０１４６】
次に、画像記憶部１２０は、画像入力装置１１０で撮影した木目画像を記憶する（Ｓ１２０）。
色変換部１３０は、対比する２枚の木目画像を画像記憶部１２０から取得し、取得した２枚の木目画像を色変換する。つまり、実施形態１の場合と同様に、２枚のＲＧＢ木目画像をＹＣ１Ｃ２木目画像またはＬａｂ木目画像に変換する。次に、色変換後の２枚の木目画像を柄画像と色画像に分離する。つまり、２枚のＲＧＢ木目画を像色変換して求めたＹＣ１Ｃ２木目画像またはＬａｂ木目画像を、Ｙ木目画像またはＬ木目画像（柄画像）とＣ１Ｃ２木目画像またはａｂ木目画像（色画像）に分離する（Ｓ１３０）。
【０１４７】
そして、特徴量抽出部１４０は柄画像と色画像について所定の領域の特徴量を抽出する（Ｓ１４０）。具体的には、特徴量抽出は、図３２に示すサブルーチンフローチャートの手順で行う。この手順は後述する。
【０１４８】
次に類似性評価部１５０は類似性判定を実行する（Ｓ１５０）。類似性判定の処理は実施形態１で説明した。次に、出力装置１６０は分析結果を表示する（Ｓ１６０）。
【０１４９】
以上、本実施形態に係る画像の類似性評価装置は、木目画像の入力と特徴量抽出の動作を除いて、実施形態１に説明した手順と同一である。
【０１５０】
次に、図３２のフローチャートに基づいて特徴量抽出の手順を詳細に説明する。図３２は図３１の特徴量抽出（Ｓ１４０）のサブルーチンフローチャートである。
【０１５１】
まず、抽出部１４０は、色変換部１３０で変換した柄画像と色画像を入力し、入力した柄画像と色画像のそれぞれについて、所定面積の領域の画像を切り出す（Ｓ１４１）。具体的には、図３３に示すように、１つの画像の中のＸ画素（pixcel）×Ｘ画素の領域を切り出す。所定面積の大きさの画像を切り出すのは、人間が焦点を合わせて見ていることができる領域を類似性判定の対象とするためである。どの程度の面積とするかは、人間の眼の中心視の角度、観察距離を考慮して選定する。この切り出しは、光の照射角度が異なるすべての画像に対して行う。たとえば、図３０に示したように、−５５度から０度まで５度刻みで撮影した場合には、１２枚の柄画像と色画像のそれぞれに対して切り出しをする。
【０１５２】
次に、ステップＳ１４１で行った切り出しを、図３４に示すように、Ｘ／２画素ずつ画像の縦方向及び横方向にずらして行う（Ｓ１４２）。類似性判定の対象となる画像をもれなく抽出するためである。
【０１５３】
ステップＳ１４２で切り出したすべての画像について、各画像間の輝度差を取得する（Ｓ１４３）。具体的には、光の照射角度が異なるすべての木目画像から分離した柄画像と色画像について、図３５及び図３６に示すように、切り出した位置が同一の画像の輝度を求め、画素ごとの輝度差を求める。そして、同一の輝度となっている部分の数（頻度）を求め、図３７に示すように、輝度差と頻度のヒストグラムを作成する（Ｓ１４４）。
【０１５４】
本実施形態によって類似性判定をした結果と従来のように人間の官能評価の結果の相関傾向の有無を調べた。その結果は、図３８に示すように、類似性判定の結果と人間の官能評価の結果には相関傾向があることが判った。したがって、本実施形態の類似性判定の手法は、木目の類似性を判定する上で有効であることが判る。
【符号の説明】
【０１５５】
１０、１１０ 画像入力装置、
２０、１２０ 画像記憶部、
３０、１３０ 色変換部、
４０、１４０ 特徴量抽出部、
５０、１５０ 類似性評価部、
５２ 演算部、
５３ 正規化処理部、
５４ 識別値演算部、
５５ 比較評価部、
５６ データベース、
６０ 出力装置、
１００、２００ 画像の類似性評価装置。
【特許請求の範囲】
【請求項１】
画像を入力する画像入力装置と、
前記画像入力装置によって入力した画像を記憶する画像記憶部と、
前記画像記憶部から複数の画像を取得して色変換しそれぞれの画像を柄画像と色画像に分離する色変換部と、
前記色変換部によって分離した柄画像と色画像のそれぞれについて、画像の周期性、画像の輝度分布、画像の乱雑さ、画像の連続量、画像の一致確率のうちの少なくともいずれか１つに関する種類の特徴量を抽出する特徴量抽出部と、
対比する画像の柄画像と色画像の各々について抽出した特徴量を前記特徴量抽出部から取得し柄画像間の特徴量の差および色画像間の特徴量の差に基づいて画像の類似性を評価する類似性評価部と、
を有することを特徴とする画像の類似性評価装置。
【請求項２】
前記特徴量抽出部は、
前記柄画像と前記色画像の各々の特徴量として、フーリエスペクトルを求めることによって画像の周期性を抽出するか、輝度ヒストグラムを求めることによって画像の輝度分布を抽出するか、フラクタル次元を求めることによって画像の乱雑さを抽出するか、ランレングス行列を求めることによって画像の連続量を抽出するか、同時生起行列を求めることによって画像の一致確率を抽出することを特徴とする請求項１に記載の画像の類似性評価装置。
【請求項３】
前記類似性評価部は、
対比する柄画像間の特徴量の差と対比する色画像間の特徴量の差から、前記柄画像と前記色画像の各々について、前記特徴量抽出部で抽出した、全ての種類の特徴量の差の合計値、全ての種類の特徴量の差の中央値、全ての種類の特徴量の差の平均値、または、０から一定の数値を増加させて段階的に刻んだ各数値範囲に特徴量の差の大きさが当てはまる特徴量の種類の数の最頻値、のうちの少なくともいずれか１つを識別値として求める識別値演算部と、
前記柄画像と前記色画像の各々について求めた識別値を前記柄画像および前記色画像の双方と関連付けた閾値と比較することによって画像の類似性を評価する比較評価部と、
を有することを特徴とする請求項１または２に記載の画像の類似性評価装置。
【請求項４】
前記色変換部は、前記画像記憶部から取得したＲＧＢ画像をＹＣ１Ｃ２画像またはＬａｂ画像に変換し、Ｙ画像またはＬ画像を柄画像とし、Ｃ１Ｃ２画像またはａｂ画像を色画像として分離することを特徴とする請求項１から３のいずれかに記載の画像の類似性評価装置。
【請求項５】
前記画像入力装置は、
外光を遮光する暗室と、
前記暗室内に置いたパネルの表面を均一に照らす光源と、
暗室内に配置して前記パネルの表面を複数の角度から撮像するカメラと、
を有することを特徴とする請求項１から４のいずれかに記載の画像の類似性評価装置。
【請求項６】
画像を入力する画像入力装置と、
前記画像入力装置によって入力した画像を記憶する画像記憶部と、
前記画像記憶部から複数の画像を取得して色変換しそれぞれの画像を柄画像と色画像に分離する色変換部と、
前記色変換部によって分離した柄画像と色画像のそれぞれについて、所定の領域の画像の輝度を求め、前記所定の領域の画像間の輝度差と頻度のヒストグラムに関する特徴量を抽出する特徴量抽出部と、
対比する画像の柄画像と色画像の各々について抽出した特徴量を前記特徴量抽出部から取得し柄画像間の特徴量の差および色画像間の特徴量の差に基づいて画像の類似性を評価する類似性評価部と、
を有することを特徴とする画像の類似性評価装置。
【請求項７】
前記画像入力装置は、
外光を遮光する暗室と、
前記暗室内に置いたパネルの表面を複数の角度から均一に照らす光源と、
暗室内に配置して前記パネルの表面を撮像するカメラと、
を有することを特徴とする請求項７に記載の画像の類似性評価装置。
【請求項８】
前記画像は、木目パネルの木目の画像であることを特徴とする請求項１から７のいずれかに記載の画像の類似性評価装置。
【請求項９】
画像を画像入力装置に入力する段階と、
前記画像入力装置によって入力した画像を画像記憶部に記憶する段階と、
前記画像記憶部から複数の画像を取得して色変換しそれぞれの画像を色変換部により柄画像と色画像に分離する段階と、
前記色変換部によって分離した柄画像と色画像のそれぞれについて、画像の周期性、画像の輝度分布、画像の乱雑さ、画像の連続量、画像の一致確率のうちの少なくともいずれか１つに関する種類の特徴量を特徴量抽出部により抽出する段階と、
対比する２枚の画像の柄画像と色画像の各々について抽出した特徴量を前記特徴量抽出部から取得し２枚の柄画像間の特徴量の差と２枚の色画像間の特徴量の差に基づいて画像の類似性を類似性評価部により評価する段階と、
を含むことを特徴とする画像の類似性評価方法。
【請求項１０】
画像を画像入力装置に入力する段階と、
前記画像入力装置によって入力した画像を画像記憶部に記憶する段階と、
前記画像記憶部から複数の画像を取得して色変換しそれぞれの画像を色変換部により柄画像と色画像に分離する段階と、
前記色変換部によって分離した柄画像と色画像のそれぞれについて、所定の領域の画像の輝度を求め、前記所定の領域の画像間の各画素における輝度差と頻度のヒストグラムに関する特徴量を特徴量抽出部により抽出する段階と、
対比する２枚の画像の柄画像と色画像の各々について抽出した特徴量を前記特徴量抽出部から取得し２枚の柄画像間の特徴量の差と２枚の色画像間の特徴量の差に基づいて画像の類似性を類似性評価部により評価する段階と、
を含むことを特徴とする画像の類似性評価方法。
【請求項１１】
前記画像は、木目パネルの木目の画像であることを特徴とする請求項９または１０に記載の画像の類似性評価装置。
【請求項１】
画像を入力する画像入力装置と、
前記画像入力装置によって入力した画像を記憶する画像記憶部と、
前記画像記憶部から複数の画像を取得して色変換しそれぞれの画像を柄画像と色画像に分離する色変換部と、
前記色変換部によって分離した柄画像と色画像のそれぞれについて、画像の周期性、画像の輝度分布、画像の乱雑さ、画像の連続量、画像の一致確率のうちの少なくともいずれか１つに関する種類の特徴量を抽出する特徴量抽出部と、
対比する画像の柄画像と色画像の各々について抽出した特徴量を前記特徴量抽出部から取得し柄画像間の特徴量の差および色画像間の特徴量の差に基づいて画像の類似性を評価する類似性評価部と、
を有することを特徴とする画像の類似性評価装置。
【請求項２】
前記特徴量抽出部は、
前記柄画像と前記色画像の各々の特徴量として、フーリエスペクトルを求めることによって画像の周期性を抽出するか、輝度ヒストグラムを求めることによって画像の輝度分布を抽出するか、フラクタル次元を求めることによって画像の乱雑さを抽出するか、ランレングス行列を求めることによって画像の連続量を抽出するか、同時生起行列を求めることによって画像の一致確率を抽出することを特徴とする請求項１に記載の画像の類似性評価装置。
【請求項３】
前記類似性評価部は、
対比する柄画像間の特徴量の差と対比する色画像間の特徴量の差から、前記柄画像と前記色画像の各々について、前記特徴量抽出部で抽出した、全ての種類の特徴量の差の合計値、全ての種類の特徴量の差の中央値、全ての種類の特徴量の差の平均値、または、０から一定の数値を増加させて段階的に刻んだ各数値範囲に特徴量の差の大きさが当てはまる特徴量の種類の数の最頻値、のうちの少なくともいずれか１つを識別値として求める識別値演算部と、
前記柄画像と前記色画像の各々について求めた識別値を前記柄画像および前記色画像の双方と関連付けた閾値と比較することによって画像の類似性を評価する比較評価部と、
を有することを特徴とする請求項１または２に記載の画像の類似性評価装置。
【請求項４】
前記色変換部は、前記画像記憶部から取得したＲＧＢ画像をＹＣ１Ｃ２画像またはＬａｂ画像に変換し、Ｙ画像またはＬ画像を柄画像とし、Ｃ１Ｃ２画像またはａｂ画像を色画像として分離することを特徴とする請求項１から３のいずれかに記載の画像の類似性評価装置。
【請求項５】
前記画像入力装置は、
外光を遮光する暗室と、
前記暗室内に置いたパネルの表面を均一に照らす光源と、
暗室内に配置して前記パネルの表面を複数の角度から撮像するカメラと、
を有することを特徴とする請求項１から４のいずれかに記載の画像の類似性評価装置。
【請求項６】
画像を入力する画像入力装置と、
前記画像入力装置によって入力した画像を記憶する画像記憶部と、
前記画像記憶部から複数の画像を取得して色変換しそれぞれの画像を柄画像と色画像に分離する色変換部と、
前記色変換部によって分離した柄画像と色画像のそれぞれについて、所定の領域の画像の輝度を求め、前記所定の領域の画像間の輝度差と頻度のヒストグラムに関する特徴量を抽出する特徴量抽出部と、
対比する画像の柄画像と色画像の各々について抽出した特徴量を前記特徴量抽出部から取得し柄画像間の特徴量の差および色画像間の特徴量の差に基づいて画像の類似性を評価する類似性評価部と、
を有することを特徴とする画像の類似性評価装置。
【請求項７】
前記画像入力装置は、
外光を遮光する暗室と、
前記暗室内に置いたパネルの表面を複数の角度から均一に照らす光源と、
暗室内に配置して前記パネルの表面を撮像するカメラと、
を有することを特徴とする請求項７に記載の画像の類似性評価装置。
【請求項８】
前記画像は、木目パネルの木目の画像であることを特徴とする請求項１から７のいずれかに記載の画像の類似性評価装置。
【請求項９】
画像を画像入力装置に入力する段階と、
前記画像入力装置によって入力した画像を画像記憶部に記憶する段階と、
前記画像記憶部から複数の画像を取得して色変換しそれぞれの画像を色変換部により柄画像と色画像に分離する段階と、
前記色変換部によって分離した柄画像と色画像のそれぞれについて、画像の周期性、画像の輝度分布、画像の乱雑さ、画像の連続量、画像の一致確率のうちの少なくともいずれか１つに関する種類の特徴量を特徴量抽出部により抽出する段階と、
対比する２枚の画像の柄画像と色画像の各々について抽出した特徴量を前記特徴量抽出部から取得し２枚の柄画像間の特徴量の差と２枚の色画像間の特徴量の差に基づいて画像の類似性を類似性評価部により評価する段階と、
を含むことを特徴とする画像の類似性評価方法。
【請求項１０】
画像を画像入力装置に入力する段階と、
前記画像入力装置によって入力した画像を画像記憶部に記憶する段階と、
前記画像記憶部から複数の画像を取得して色変換しそれぞれの画像を色変換部により柄画像と色画像に分離する段階と、
前記色変換部によって分離した柄画像と色画像のそれぞれについて、所定の領域の画像の輝度を求め、前記所定の領域の画像間の各画素における輝度差と頻度のヒストグラムに関する特徴量を特徴量抽出部により抽出する段階と、
対比する２枚の画像の柄画像と色画像の各々について抽出した特徴量を前記特徴量抽出部から取得し２枚の柄画像間の特徴量の差と２枚の色画像間の特徴量の差に基づいて画像の類似性を類似性評価部により評価する段階と、
を含むことを特徴とする画像の類似性評価方法。
【請求項１１】
前記画像は、木目パネルの木目の画像であることを特徴とする請求項９または１０に記載の画像の類似性評価装置。
【図１】
【図２】
【図３】
【図４】
【図６】
【図８】
【図１２】
【図１３】
【図１４】
【図１９】
【図２０】
【図２１】
【図２２】
【図２３】
【図２５】
【図２６】
【図２７】
【図２８】
【図２９】
【図３１】
【図３２】
【図３７】
【図３８】
【図５】
【図７】
【図９】
【図１０】
【図１１】
【図１５】
【図１６】
【図１７】
【図１８】
【図２４】
【図３０】
【図３３】
【図３４】
【図３５】
【図３６】
【図２】
【図３】
【図４】
【図６】
【図８】
【図１２】
【図１３】
【図１４】
【図１９】
【図２０】
【図２１】
【図２２】
【図２３】
【図２５】
【図２６】
【図２７】
【図２８】
【図２９】
【図３１】
【図３２】
【図３７】
【図３８】
【図５】
【図７】
【図９】
【図１０】
【図１１】
【図１５】
【図１６】
【図１７】
【図１８】
【図２４】
【図３０】
【図３３】
【図３４】
【図３５】
【図３６】
【公開番号】特開２０１３−４１５６３（Ｐ２０１３−４１５６３Ａ）
【公開日】平成２５年２月２８日（２０１３．２．２８）
【国際特許分類】
【出願番号】特願２０１１−２４４４５７（Ｐ２０１１−２４４４５７）
【出願日】平成２３年１１月８日（２０１１．１１．８）
【出願人】（０００００３９９７）日産自動車株式会社 (16,386)
【Ｆターム（参考）】
【公開日】平成２５年２月２８日（２０１３．２．２８）
【国際特許分類】
【出願日】平成２３年１１月８日（２０１１．１１．８）
【出願人】（０００００３９９７）日産自動車株式会社 (16,386)
【Ｆターム（参考）】
[ Back to top ]