CN112529030A - 学习模型生成装置、图像校正装置及其方法、记录媒体 - Google Patents
学习模型生成装置、图像校正装置及其方法、记录媒体 Download PDFInfo
- Publication number
- CN112529030A CN112529030A CN202010098235.4A CN202010098235A CN112529030A CN 112529030 A CN112529030 A CN 112529030A CN 202010098235 A CN202010098235 A CN 202010098235A CN 112529030 A CN112529030 A CN 112529030A
- Authority
- CN
- China
- Prior art keywords
- learning model
- image
- evaluation value
- value
- image information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003702 image correction Methods 0.000 title claims description 112
- 238000000034 method Methods 0.000 title claims description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 145
- 238000003384 imaging method Methods 0.000 claims abstract description 59
- 238000012937 correction Methods 0.000 claims description 27
- 230000035945 sensitivity Effects 0.000 claims description 24
- 230000001419 dependent effect Effects 0.000 claims 3
- 238000012545 processing Methods 0.000 description 54
- 238000010586 diagram Methods 0.000 description 21
- 238000004364 calculation method Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000010365 information processing Effects 0.000 description 5
- 238000012805 post-processing Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B5/00—Optical elements other than lenses
- G02B5/005—Diaphragms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
- G06V10/7796—Active pattern-learning, e.g. online learning of image or video features based on specific statistical tests
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/71—Circuitry for evaluating the brightness variation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/73—Circuitry for compensating brightness variation in the scene by influencing the exposure time
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/75—Circuitry for compensating brightness variation in the scene by influencing optical camera components
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/76—Circuitry for compensating brightness variation in the scene by influencing the image signals
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Optics & Photonics (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
- Image Processing (AREA)
Abstract
一种学习模型生成装置、图像校正装置及其方法、记录媒体,所述学习模型生成装置具备处理器,所述处理器获取所拍摄的图像数据及按拍摄所述图像数据时的摄影条件而设定且彼此具有依赖关系的多个设定值,利用所述多个设定值计算用于对从所述图像数据获得的信息即图像信息进行分类的评价值,根据所述评价值对所述图像信息进行分类,利用所述图像信息按每个分类生成学习模型。
Description
技术领域
本发明涉及一种学习模型生成装置、图像校正装置、记录媒体、学习模型生成方法及图像校正方法。
背景技术
专利文献1中公开有一种图像学习装置,其学习从摄像装置输入的图像来判别存在于图像中的对象,所述图像学习装置的特征在于,具备:初始登录单元,以预先设定的摄影条件拍摄所述对象,并初始登录该拍摄的图像及表示该图像的摄影条件的摄影配置文件;不足图像获取单元,根据通过所述初始登录单元登录的所述图像或所述摄影配置文件中的至少1个来判断所述学习中所需的不足图像,并使所述摄像装置获取该不足图像;不足图像追加登录单元,将通过所述不足图像获取单元获取的不足图像及该不足图像中附带的摄影配置文件追加登录到所述初始登录单元;学习样品提取单元,从登录于所述不足图像追加登录单元的图像或摄影配置文件中的至少1个提取用于所述学习的学习样品;及学习单元,利用所述提取的学习样品进行所述学习。
专利文献2中公开有一种图像处理装置,其具备:接收单元,接收由颜色转换之前的图像信息及颜色转换之后的图像信息构成的图像信息组;及颜色转换特性制作单元,根据从拍摄所述颜色转换之前的图像时的摄影条件中设定的摄影设定信息,制作对图像进行颜色转换的颜色转换特性。
专利文献3中公开有一种图像处理装置,其对通过数码相机获取的图像数据实施图像处理,所述图像处理装置的特征在于,具备:标签信息输入单元,获取所述图像数据中附带的标签信息;场景判断单元,根据所述标签信息判断所述图像数据的摄影场景;图像处理条件设定单元,设定与所述摄影场景相应的图像处理条件;图像处理单元,按照所设定的所述图像处理条件对所述图像数据进行图像处理;及后处理单元,对已实施所述图像处理的图像数据实施与图像的类别相应的后处理,该后处理单元根据摄影者信息确定所述图像的类别,选择与所确定的图像的类别相应的输出配置文件,利用所选择的所述输出配置文件实施所述后处理。
专利文献1:日本特开2004-213567号公报
专利文献2:日本特开2019-083445号公报
专利文献3:日本特开2003-111005号公报
若利用机械学习进行所输入的图像数据的校正,则需要大量的图像数据及学习次数,学习工作繁杂。存在生成如下学习模型的技术,该学习模型中,考虑摄影条件,利用根据使用频度高的图像数据组或标签进行分类的图像数据进行学习,对输入数据输出与所学习的图像数据的关联性相应的输出数据。
然而,需要与各摄影条件相应的图像数据及学习工作,并不一定能够减少学习模型的数量。
发明内容
本发明的目的在于提供一种学习模型生成装置、图像校正装置、记录媒体、学习模型生成方法及图像校正方法,所述学习模型生成装置与按存在多个的摄影条件制作学习模型的情况相比,即使摄影条件涉及多方面时也能够减少学习模型的数量。
用于解决课题的手段
方案1的学习模型生成装置具备处理器,处理器获取所拍摄的图像数据及按拍摄图像数据时的摄影条件而设定且彼此具有依赖关系的多个设定值,利用多个设定值计算用于对从图像数据获得的信息即图像信息进行分类的评价值,根据评价值对图像信息进行分类,利用图像信息按每个分类生成学习模型。
方案2的学习模型生成装置在方案1所涉及的学习模型生成装置中,在根据评价值对图像信息进行分类之后,根据多个设定值中的1个设定值进一步对图像信息进行分类。
方案3的学习模型生成装置在方案2所涉及的学习模型生成装置中,按预先设定的评价值的范围及预先设定的设定值的范围中的至少一个范围对图像信息进行分类。
方案4的学习模型生成装置在方案1至方案3中任一方案所涉及的学习模型生成装置中,当已分类的图像信息的数量比预先设定的阈值多时,生成学习模型。
方案5的学习模型生成装置在方案1至方案4中任一方案所涉及的学习模型生成装置中,当新追加有已分类的图像信息时,再次生成学习模型。
方案6的学习模型生成装置在方案1至方案5中任一方案所涉及的学习模型生成装置中,评价值为对多个设定值中的至少2个分别进行标准化来获得的值即标度值(scalevalues)的总和。
方案7的图像校正装置具备处理器,处理器利用从所输入的图像数据获得的多个设定值计算评价值,利用评价值选择通过方案1至方案6中任一方案所涉及的学习模型生成装置生成的学习模型来进行图像数据的校正。
方案8的图像校正装置在方案7所涉及的图像校正装置中,设定值为光圈、快门速度及ISO灵敏度中的至少2个。
方案9的图像校正装置在方案8所涉及的图像校正装置中,利用多个设定值计算设定值的优先顺序,利用评价值及优先顺序设定为最高优先级的设定值来进行学习模型的选择。
方案10的图像校正装置在方案9所涉及的图像校正装置中,当光圈的设定值小于阈值时,将光圈的优先顺序设定为最高优先级。
方案11的图像校正装置在方案9或方案10所涉及的图像校正装置中,当光圈的设定值为阈值以上且快门速度的设定值大于阈值时,将快门速度的优先顺序设定为最高优先级。
方案12的图像校正装置在方案9至方案11中任一方案所涉及的图像校正装置中,当光圈的设定值为阈值以上且快门速度的设定值为阈值以下时,将ISO灵敏度的优先顺序设定为最高优先级。
方案13的图像校正装置在方案7至方案12中任一方案所涉及的图像校正装置中,当利用按预先设定的评价值的范围进行分类的图像信息生成有学习模型时,选择利用分类为与评价值相对应的范围的图像信息来生成的学习模型。
方案14的图像校正装置在方案13所涉及的图像校正装置中,当利用按预先设定的评价值的范围对图像信息进行分类且按预先设定的各个摄影条件的设定值的范围对已按评价值的范围进行了分类的图像信息进行分类的图像信息来生成有学习模型时,选择利用分类为与评价值及设定值相对应的范围的图像信息来生成的学习模型。
方案15的图像校正装置在方案14所涉及的图像校正装置中,当不存在利用分类为预先设定的评价值的范围或预先设定的设定值的范围的图像信息来生成的学习模型时,扩大预先设定的评价值的范围或预先设定的设定值的范围来选择学习模型。
方案16的记录媒体,其记录有使计算机执行如下处理的学习模型生成程序:获取所拍摄的图像数据及拍摄图像数据时设定且彼此具有依赖关系的多个设定值,利用多个设定值计算用于对图像信息进行分类的评价值,根据评价值对图像信息进行分类,利用图像信息按每个分类生成学习模型。
方案17的记录媒体,其记录有使计算机执行如下处理的图像校正程序:利用从所输入的图像数据获得的多个设定值计算评价值,并利用评价值选择通过方案1至方案6中任一方案所涉及的学习模型生成装置生成的学习模型来进行图像数据的校正。
方案18的学习模型生成方法,其包括如下步骤:获取所拍摄的图像数据及拍摄图像数据时设定且彼此具有依赖关系的多个设定值,并利用多个设定值计算用于对图像信息进行分类的评价值,根据评价值对图像信息进行分类,利用图像信息按每个分类生成学习模型。
方案19的图像校正方法,其包括如下步骤:利用从所输入的图像数据获得的多个设定值计算评价值,并利用评价值选择通过方案1至方案6中任一方案所涉及的学习模型生成装置生成的学习模型来进行图像数据的校正。
发明效果
根据本发明的第1方案的学习模型生成装置、第16方案的记录媒体及第18方案的学习模型生成方法,与按存在多个的摄影条件制作学习模型的情况相比,即使摄影条件涉及多方面时也能够减少学习模型的数量。
根据本发明的第2方案的学习模型生成装置,能够减少生成学习模型时的数据的数量。
根据本发明的第3方案的学习模型生成装置,与不利用预先设定的评价值的范围及预先设定的设定值的范围而生成学习模型的情况相比,能够提高学习模型的精度。
根据本发明的第4方案的学习模型生成装置,与不设定预先设定的阈值而生成学习模型的情况相比,能够使学习模型的品质稳定。
根据本发明的第5方案的学习模型生成装置,能够即时向学习模型反映图像信息。
根据本发明的第6方案的学习模型生成装置,能够使已分类的图像信息的品质稳定。
根据本发明的第7方案的图像校正装置、第17方案的记录媒体及第19方案的图像校正方法,能够以高精度进行图像数据的校正。
根据本发明的第8方案的图像校正装置,能够使图像数据的亮度中的校正精度稳定。
根据本发明的第9方案的图像校正装置,与不设定优先顺序的情况相比,能够选择精度更高的学习模型。
根据本发明的第10方案的图像校正装置,能够选择利用了光圈中的品质高的图像数据的学习模型。
根据本发明的第11方案的图像校正装置,能够选择利用了快门速度中的品质高的图像数据的学习模型。
根据本发明的第12方案的图像校正装置,能够选择利用了ISO灵敏度中的品质高的图像数据的学习模型。
根据本发明的第13方案的图像校正装置,能够选择品质稳定的学习模型。
根据本发明的第14方案的图像校正装置,能够选择与进行校正的图像数据类似的摄影条件的学习模型。
根据本发明的第15方案的图像校正装置,与不扩大预先设定的评价值的范围或预先设定的设定值的范围的情况相比,能够进行确保精度的校正。
附图说明
根据以下附图,对本发明的实施方式进行详细叙述。
图1是表示各实施方式所涉及的图像校正装置的硬件结构的一例的框图;
图2是表示各实施方式所涉及的图像校正装置的功能结构的一例的框图;
图3是表示各实施方式所涉及的ISO灵敏度、快门速度及光圈的各设定值与标度值之间的关系的一例的示意图;
图4是用于说明各实施方式所涉及的图像信息的分类的表示评价值与分类之间的关系的一例的示意图;
图5是表示第1实施方式所涉及的学习模型生成处理的一例的流程图;
图6是表示第1实施方式所涉及的图像校正处理的一例的流程图;
图7是用于说明第2实施方式所涉及的图像信息的分类的表示设定值与分类之间的关系的一例的示意图;
图8是表示第2实施方式所涉及的学习模型生成处理的一例的流程图;
图9是表示第2实施方式所涉及的图像校正处理的一例的流程图;
图10是表示第2实施方式所涉及的优先顺序计算处理的一例的流程图;
图11是表示第3实施方式所涉及的图像校正处理的一例的流程图。
符号说明
10-图像校正装置,11-CPU,12-ROM,13-RAM,14-存储器,15-输入部,16-监视器,17-通信I/F,18-总线,21-获取部,22-处理部,23-生成部,24-存储部,25-校正部。
具体实施方式
[第1实施方式]
以下,参考附图,对用于实施本发明的技术的实施例进行详细说明。另外,关于本实施方式所涉及的图像校正装置10,作为一例,对作为生成利用修正之前的图像数据及修正之后的图像数据学习修正内容的学习模型,并利用所生成的学习模型对图像数据进行校正的服务器的方式进行说明。但是,并不限定于此。图像校正装置10例如可以是个人电脑及写字板等终端,也可以是搭载有扫描功能的复合机等。并且,本实施方式所涉及的学习模型生成装置对与图像校正装置10成一体的方式进行说明。但是,并不限定于此。学习模型生成装置例如可以是与图像校正装置10不同的终端及服务器,经由网络,将与所输入的图像数据相应的学习模型发送至图像校正装置10。
并且,关于本实施方式所涉及的修正内容,对如下方式进行说明,即,修正之前的图像数据及修正之后的图像数据中的各个RGB颜色空间的像素值的组合。但是,并不限定于此。修正内容可以是修正之前的图像数据及修正之后的图像数据中的像素值的变化量,也可以是各自的明度及彩度等值,还可以是任何修正内容。并且,关于本实施方式所涉及的表色系,对RGB的方式进行说明。但是,并不限定于此。表色系可以是CMYK,也可以是Lab表色系。
参考图1对图像校正装置10的硬件结构进行说明。图1是表示本实施方式所涉及的图像校正装置10的硬件结构的一例的框图。如图1所示,本实施方式所涉及的图像校正装置10包含CPU(中央处理器,Central Processing Unit)11、ROM(只读存储器,Read OnlyMemory)12、RAM(随机存取存储器,Random Access Memory)13、存储器14、输入部15、监视器16及通信接口(通信I/F)17而构成。CPU11、ROM12、RAM13、存储器14、输入部15、监视器16及通信I/F17分别通过总线18彼此连接。在此,CPU11为处理器的一例。
CPU11总括控制整个图像校正装置10。ROM12存储有包含在本实施方式中使用的学习模型生成程序及图像校正程序的各种程序及数据等。RAM13为用作执行各种程序时的工作区的存储器。CPU11通过将存储于ROM12的程序展开于RAM13并执行来进行生成学习模型及校正图像数据的处理。作为一例,存储器14为HDD(硬盘驱动器,Hard Disk Drive)、SSD(固态驱动器,Solid State Drive)或闪存等。另外,存储器14中也可以存储学习模型生成程序及图像校正程序等。输入部15为进行字符等的输入的鼠标及键盘。监视器16显示图像数据及字符等。通信I/F17进行数据的收发。
接着,参考图2对图像校正装置10的功能结构进行说明。图2是表示本实施方式所涉及的图像校正装置10的功能结构的一例的框图。
如图2所示,图像校正装置10具有获取部21、处理部22、生成部23、存储部24及校正部25。通过由CPU11执行学习模型生成程序及图像校正程序,作为获取部21、处理部22、生成部23、存储部24及校正部25发挥作用。
获取部21获取所拍摄的图像数据及按拍摄图像数据时的摄影条件而设定且彼此具有依赖关系的多个设定值。另外,本实施方式所涉及的设定值为与图像数据的曝光相关的条件的值,对光圈、快门速度及ISO灵敏度中的至少2个的方式进行说明。但是,并不限定于此。设定值可以是其他与图像数据的曝光相关的条件的值,可以是光源及闪光灯的有无、光谱灵敏度、光电转换函数、亮度、透镜的最小F值、被摄体距离、测光方式及透镜的焦距等。
处理部22利用多个设定值计算用于对从图像数据获得的信息(以下,称为“图像信息”。)进行分类的评价值,并根据评价值对图像信息进行分类。处理部22在根据评价值对图像信息进行分类之后,根据多个设定值中的1个设定值进一步对图像信息进行分类。处理部22按预先设定的评价值的范围及预先设定的设定值的范围中的至少一个范围对图像信息进行分类。另外,本实施方式所涉及的评价值为对多个设定值中的至少2个分别进行标准化来获得的值(以下,称为“标度值”。)的总和。并且,作为一例,本实施方式所涉及的图像信息为修正之前的图像数据及修正之后的图像数据的RGB的像素值。
具体而言,处理部22利用在图像数据中设定的每个摄影条件的设定值来获取标度值,并将每个摄影条件的标度值相加在一起,由此计算评价值,从而按每个评价值对从图像数据获得的图像信息进行分类。处理部22利用光圈值、快门速度及ISO灵敏度中的至少1个设定值,对已按每个评价值进行了分类的图像信息进一步进行分类。例如,在按每个评价值对多个图像信息进行分类之后,根据ISO灵敏度的每个摄影条件的设定值对已分类的多个图像信息进行分类。
处理部22在进行图像数据的校正处理时,利用从所输入的图像数据获得的多个设定值计算评价值,利用评价值选择所生成的学习模型。并且,处理部22计算已按每个设定值进行了分类的图像信息中的摄影条件的优先顺序,利用评价值及优先顺序设定为最高优先级的摄影条件来选择学习模型。另外,根据摄影条件的设定值计算本实施方式所涉及的优先顺序。例如,当光圈的设定值小于阈值时,处理部22将所述光圈的优先顺序设定为最高优先级,当光圈的设定值为阈值以上且快门速度的设定值大于阈值时,处理部22将快门速度的优先顺序设定为最高优先级。并且,当光圈的设定值为阈值以上且快门速度的设定值为阈值以下时,处理部22将ISO灵敏度的优先顺序设定为最高优先级。
具体而言,处理部22利用评价值或评价值及设定值选择学习模型。处理部22在利用评价值及设定值选择已分类的图像信息中的学习模型时,根据设定值计算优先顺序,选择成为最高优先级的摄影条件中的学习模型。例如,ISO灵敏度成为最高优先级时,处理部22根据图像数据的每个摄影条件的设定值计算评价值,选择符合计算出的评价值及ISO灵敏度的设定值的学习模型。
生成部23利用图像信息按每个分类生成学习模型。当已分类的图像信息的数量比预先设定的阈值多时,生成部23生成学习模型,当新追加有已分类的图像信息时,再次生成学习模型。即,当已分类的图像信息超过预先设定的数量时,生成部23利用根据评价值或评价值及设定值进行了分类的图像信息生成学习模型。并且,在生成学习模型之后,分类有新的图像信息时,生成部23将新的图像信息包括在内而再次生成学习模型。
存储部24存储按每个评价值或按每个评价值及设定值进行了分类的图像信息中的学习模型。
校正部25利用学习模型进行图像数据的校正。
接着,在对图像校正装置10的作用进行说明之前,参考图3至图4,对本实施方式所涉及的图像校正装置10所进行的用于图像信息的分类及选择学习模型的方法进行说明。
参考图3对每个摄影条件的设定值中的标度值进行说明。图3是表示本实施方式所涉及的ISO灵敏度、快门速度及光圈的各设定值与标度值之间的关系的一例的示意图。
作为一例,如图3所示,标度值中设定有与各个摄影条件的设定值相对应的值。上图是表示ISO灵敏度的设定值与标度值之间的关系的示意图,中央图是表示快门速度的设定值与标度值之间的关系的示意图,下图是表示光圈值的设定值与标度值之间的关系的示意图。
本实施方式所涉及的标度值为对决定图像数据的曝光的摄影条件的设定值进行标准化来设定的值。各个摄影条件彼此具有依赖关系,通过变更摄影条件的设定值,能够进行相同程度的曝光下的摄影。
例如,减小光圈的设定值(打开光圈)时,通过减小快门速度(加快)来调节光量,从而能够调整为与变更设定值之前的曝光相同程度的曝光。在该情况下,关于标度值,光圈中的标度值减小,但快门速度中的标度值变大。即,即使摄影条件不同,进行相同程度的曝光下的摄影时,设定有对设定值进行标准化而得的标度值,以使评价值成为相同程度。
另外,关于本实施方式所涉及的标度值,对彼此依赖的方式进行了说明。但是,并不限定于此。可以在每次设定摄影条件时,设定独立的标度值。并且,关于本实施方式所涉及的标度值,对按每个设定值的范围设定标度值的方式进行了说明。但是,并不限定于此。可以按每个设定值设定标度值。
接着,对本实施方式所涉及的图像信息的分类进行说明。图4是用于说明本实施方式所涉及的图像信息的分类的表示评价值与分类之间的关系的一例的示意图。
作为一例,如图4所示,图像信息的分类按预先设定的每个评价值的范围进行,利用已按每个评价值的范围进行了分类的图像信息生成学习模型。具体而言,每个评价值的范围与已按每个评价值进行了分类的图像信息的数量相应而设定。当已分类的图像信息的数量超过预先设定的数量(例如,300)时,图像校正装置10利用已分类的图像信息制作学习模型。当已分类的图像数据的数量不超过预先设定的数量时,图像校正装置10将分类为相邻的评价值的图像信息包括在内,判定已分类的图像信息的数量是否超过预先设定的数量。当将分类为相邻的评价值的图像信息包括在内的数量超过预先设定的数量时,图像校正装置10将分类为相邻的评价值的图像信息包括在内,利用已分类的图像信息制作学习模型。
例如,如图4所示,图像校正装置10按每个图像数据计算评价值,按各个评价值对图像信息进行分类,利用已分类的图像信息生成学习模型。如图4所示,当分类为评价值“4”的图像信息的数量为“0”时,图像校正装置10不生成学习模型。并且,当分类为评价值“5”的图像信息的数量为“50”时,由于未超过预先设定的数量(例如,300),因此图像校正装置10判定相邻的评价值为“6”的图像数据的数量与评价值为“5”的图像数据的数量的合计数量是否超过预先设定的数量。当图像信息的数量超过预先设定的数量时,图像校正装置10利用分类为评价值“5”及“6”的图像信息生成学习模型,并将分类设定为“A”。而且,图像校正装置10利用图像信息的数量的合计数量超过预先设定的数量且分类为评价值“7”至“10”的范围的图像信息生成学习模型,并将分类设定为“B”。
如此,图像校正装置10根据按每个评价值进行了分类的图像信息的数量设定生成学习模型的范围,进行学习模型的分类。
并且,图像校正装置10在为了进行图像校正而选择学习模型时,计算所输入的图像数据的评价值,并选择评价值中的学习模型。
例如,在图4所示的评价值与分类之间的关系中,图像校正装置10在所输入的图像数据的评价值为“8”时,选择利用分类为分类“B”的图像信息来生成的学习模型,进行图像数据的校正。另外,关于本实施方式所涉及的图像的分类,对按每个评价值的范围进行分类的方式进行了说明。但是,并不限定于此。可以按每个评价值对图像信息进行分类,并按每个评价值分别生成学习模型。
接着,参考图5至图6,对本实施方式所涉及的学习模型生成程序及图像校正程序的作用进行说明。首先,图5是表示本实施方式所涉及的学习模型生成处理的一例的流程图。由CPU11从ROM12或存储器14读出学习模型生成程序并执行,由此执行图5所示的学习模型生成处理。图5所示的信息处理中,例如通过用户输入有学习模型生成程序的执行命令时,执行学习模型生成处理。
在步骤S101中,CPU11判定是否输入有图像数据。输入有图像数据时(步骤S101中是),CPU11转移到步骤S102。另一方面,未输入有图像数据时(步骤S101中否),CPU11待机直至被输入图像数据。
在步骤S102中,CPU11获取所输入的图像数据。在此,获取图像数据、从图像数据获得的图像信息及图像数据中设定的摄影条件的设定值。另外,当所输入的图像数据为追加量的图像数据时,从存储部获取所输入的图像数据和以往输入的图像数据。
在步骤S103中,CPU11从摄影条件的设定值获取标度值,并计算评价值。
在步骤S104中,CPU11利用评价值进行图像信息的分类。
在步骤S105中,CPU11判定按每个评价值进行了分类的图像信息是否比预先设定的数量多。当按每个评价值进行了分类的图像信息比预先设定的数量多时(步骤S105中是),CPU11转移到步骤S108。另一方面,按每个评价值进行了分类的图像信息为预先设定的数量以下时(步骤S105中否),CPU11转移到步骤S106。
在步骤S106中,CPU11判定按各个评价值进行了分类的图像信息的数量是否为0个。已分类的图像信息的数量为0个时(步骤S106中是),CPU11转移到步骤S112。另一方面,已分类的图像信息的数量不是0个时(步骤S106中否),CPU11转移到步骤S107。
在步骤S107中,CPU11获取分类为相邻的评价值的图像信息。
在步骤S108中,CPU11提取按每个评价值进行了分类的图像信息。
在步骤S109中,CPU11学习所提取的图像信息。
在步骤S110中,CPU11生成已学习了图像信息的学习模型。
在步骤S111中,CPU11存储所生成的学习模型。
在步骤S112中,CPU11判定所有图像数据的分类处理是否结束。所有图像数据的分类处理结束时(步骤S112中是),CPU11结束处理。另一方面,所有图像数据的分类处理未结束时(步骤S112中否),CPU11转移到步骤S105。
接着,参考图6对本实施方式所涉及的图像校正处理进行说明。图6是表示本实施方式所涉及的图像校正处理的一例的流程图。由CPU11从ROM12或存储器14读出图像校正程序并执行,由此执行图6所示的图像校正处理。
在步骤S201中,CPU11判定是否输入有图像数据。输入有图像数据时(步骤S201中是),CPU11转移到步骤S202。另一方面,未输入有图像数据时(步骤S201中否),CPU11待机直至被输入图像数据。
在步骤S202中,CPU11获取所输入的图像数据。在此,获取图像数据和图像数据中设定的摄影条件的设定值。
在步骤S203中,CPU11从摄影条件的设定值获取标度值,并计算评价值。
在步骤S204中,CPU11利用计算出的评价值选择并获取学习模型。
在步骤S205中,CPU11利用所获取的学习模型进行所输入的图像数据的校正。
如以上说明,根据本实施方式,根据依据摄影条件计算出的评价值对图像信息进行分类,并生成学习模型。因此,与按存在多个的每个摄影条件制作学习模型的情况相比,即使在摄影条件涉及多方面时,也可减少学习模型的数量。
[第2实施方式]
在第1实施方式中,对根据依据摄影条件计算出的评价值对图像信息进行分类,并生成学习模型的方式进行了说明。在本实施方式中,对根据评价值及设定值对图像信息进行分类,并生成学习模型的方式进行说明。另外,本实施方式所涉及的图像校正装置10的硬件结构(参考图1)、图像校正装置10的功能结构(参考图2)及表示各设定值与标度值之间的关系的示意图(参考图3)与第1实施方式相同,因此省略说明。并且,本实施方式所涉及的表示评价值与分类之间的关系的示意图(参考图4)与第1实施方式相同,因此省略说明。
参考图7对图像信息的分类及学习模型的选择进行说明。图7是用于说明本实施方式所涉及的图像信息的分类的表示设定值与分类之间的关系的一例的示意图。关于本实施方式所涉及的图像信息的分类及学习模型的选择,对利用评价值及设定值进行的方式进行说明。
图像校正装置10在进行图像信息的分类时,利用评价值及设定值进行。作为一例,如图7所示,图像校正装置10在按图4中说明的每个评价值对图像信息进行分类之后,利用设定值对图像信息进一步进行分类。
作为一例,对如下情况进行说明,即,对根据图像数据的设定值计算出的评价值为“11”的图像信息进行分类。评价值为“11”时,在图4中的分类中,图像信息分类为分类“C”。图像校正装置10利用ISO灵敏度对分类为图4中的分类“C”的800个图像信息进一步进行分类。例如,图像数据的ISO灵敏度的设定值为“125”时,图像信息分类为图7中的分类“C12”。当分类为图7中的分类“C11”至“C15”的图像信息的数量超过预先设定的数量(例如,100)时,图像校正装置10利用已分类的图像信息制作学习模型,并存储于存储部24。当已分类的图像信息的数量未超过预先设定的个数时,如图7所示,图像校正装置10并不生成学习模型。
另外,作为一例,关于本实施方式所涉及的基于设定值的分类,对利用ISO灵敏度的设定值进行图像信息的分类的方式进行了说明。但是,并不限定于此。可以利用快门速度或光圈的设定值进行图像信息的分类,也可以组合摄影条件的设定值来进行分类。并且,所进行的分类并不限定于1个。例如,利用光圈的设定值时的分类或利用ISO灵敏度的设定值时的分类等,可以对1个图像数据,以各种摄影条件分别对图像信息进行分类,并按每个摄影条件生成各自的学习模型。并且,关于本实施方式所涉及的分类,对按每个所设定的评价值的范围及所设定的设定值的范围对图像信息进行分类的方式进行了说明。但是,并不限定于此。可以不设定范围而按每个评价值或设定值进行分类,也可以按设定评价值及设定值中的至少一个的每个范围进行分类。
并且,图像校正装置10在进行图像数据的校正时,根据所输入的图像数据的设定值计算评价值,利用评价值及设定值选择学习模型来进行图像数据的校正。
作为一例,对如下情况进行说明,即,对评价值为“11”的图像数据进行校正。当根据图像数据的设定值计算出的评价值为“11”时,在图4中的分类中,图像数据分类为“C”。而且,在图像数据的ISO灵敏度的设定值为“125”时,图像校正装置10选择从分类为图7中的分类“C12”的图像数据生成的学习模型来进行图像数据的校正。即,图像校正装置10在确定评价值的分类之后,利用设定值来选择学习模型。
另外,由于是用于校正的学习模型,需要决定利用哪一摄影条件的设定值来选择学习模型。在本实施方式中,对如下方式进行说明,即,对各个摄影条件标注优先顺序,利用优先顺序最高的摄影条件的设定值选择学习模型。但是,并不限定于此。可以利用预先设定的摄影条件的设定值选择学习模型。
接着,对本实施方式所涉及的摄影条件的优先顺序进行说明。本实施方式所涉及的摄影条件的优先顺序利用摄影条件的设定值设定。
作为一例,当光圈的设定值小于预先设定的阈值时,图像校正装置10将光圈的优先顺序设定为最高优先级。并且,当光圈的设定值为预先设定的阈值以上且快门速度大于预先设定的阈值时,将快门速度的优先顺序设定为最高优先级。并且,当光圈的设定值为预先设定的阈值以上且快门速度为预先设定的阈值以下时,图像校正装置10将ISO灵敏度的优先顺序设定为最高优先级。并且,图像校正装置10对从未设定优先顺序的2个摄影条件的设定值获取的标度值进行比较,将标度值小的摄影条件设定为优先顺序第2位。
另外,关于用于设定本实施方式所涉及的优先顺序的条件,设定为在图像数据的画质易下降的条件时成为最高优先级,如图像易抖动或易模糊等。但是,并不限定于此。可以设定用于设定优先顺序的条件,以便能够选择利用高画质的图像数据来制作的学习模型。
图像校正装置10利用评价值及优先顺序成为最高优先级的摄影条件的设定值选择学习模型。并且,未生成有符合成为最高优先级的摄影条件的设定值的学习模型时,利用评价值及优先顺序第2位的摄影条件的设定值进行学习模型的选择。如此,未生成有符合的学习模型时,图像校正装置10变更选择学习模型时利用的摄影条件来进行学习模型的选择。
接着,参考图8至图10,对本实施方式所涉及的学习模型生成程序及图像校正程序的作用进行说明。首先,图8是表示第2实施方式所涉及的学习模型生成处理的一例的流程图。由CPU11从ROM12或存储器14读出学习模型生成程序并执行,由此执行图8所示的学习模型生成处理。图8所示的信息处理中,例如通过用户输入有学习模型生成程序的执行命令时,执行学习模型生成处理。另外,对于图8中的与图5所示的学习模型生成处理相同的步骤,标注与图5相同的符号,并省略其说明。
在步骤S104中,CPU11利用评价值及设定值进行图像信息的分类。
在步骤S113中,CPU11判定按每个评价值及设定值进行了分类的图像信息是否比预先设定的数量多。当按每个评价值及设定值进行了分类的图像信息比预先设定的数量多时(步骤S113中是),CPU11转移到步骤S108。另一方面,当按每个评价值及设定值进行了分类的图像信息为预先设定的数量以下时(步骤S113中否),CPU11转移到步骤S112。
接着,参考图9对本实施方式所涉及的图像校正处理程序的作用进行说明。图9是表示第2实施方式所涉及的图像校正处理的一例的流程图。由CPU11从ROM12或存储器14读出图像校正程序并执行,由此执行图9所示的信息处理。图9所示的图像校正处理例如在通过用户输入有图像校正处理程序的执行命令时,执行图像校正处理。另外,对于图9中的与图6所示的图像校正处理相同的步骤,标注与图6相同的符号,并省略其说明。
在步骤S206中,CPU11计算优先顺序。另外,对于优先顺序计算处理的信息内容,利用后述的图9进行说明。
在步骤S207中,CPU11设定具有最高优先级的摄影条件。
在步骤S208中,CPU11判定是否存在符合评价值及设定值的学习模型。存在符合评价值及设定值的学习模型时(步骤S208中是),CPU11转移到步骤S204。另一方面,没有符合评价值及设定值的学习模型时(步骤S208中否),CPU11转移到步骤S209。
在步骤S209中,CPU11设定具有第2高的优先顺序的摄影条件。
接着,参考图10对本实施方式所涉及的优先顺序计算处理程序的作用进行说明。图10是表示第2实施方式所涉及的优先顺序计算处理的一例的流程图。由CPU11从ROM12或存储器14读出优先顺序计算处理程序并执行,由此执行图10所示的优先顺序计算处理。图10所示的优先顺序计算处理例如在通过图像校正处理输入有优先顺序计算处理程序的执行命令时,执行优先顺序计算处理。
在步骤S301中,CPU11获取图像数据中设定的摄影条件。在此,获取摄影条件的设定值,并从设定值获取标度值。
在步骤S302中,CPU11判定光圈的设定值是否小于预先设定的阈值。当光圈的设定值小于预先设定的阈值时(步骤S302中是),CPU11转移到步骤S303。另一方面,当光圈的设定值为预先设定的阈值以上时(步骤S302中否),CPU11转移到步骤S304。
在步骤S303中,CPU11将光圈的优先顺序设定为第1位。
在步骤S304中,CPU11判定快门速度的设定值是否大于预先设定的阈值。当快门速度的设定值大于预先设定的阈值时(步骤S304中是),CPU11转移到步骤S305。另一方面,当快门速度的设定值为预先设定的阈值以下时(步骤S304中否),CPU11转移到步骤S306。
在步骤S305中,CPU11将快门速度的优先顺序设定为第1位。
在步骤S306中,CPU11将ISO灵敏度的优先顺序设定为第1位。
在步骤S307中,CPU11对未设定优先顺序的摄影条件的标度值进行比较。
在步骤S308中,未设定优先顺序的摄影条件的标度值越小,CPU11将优先顺序设定得越高。
如以上说明,根据本实施方式,利用评价值及摄影条件的设定值对图像信息进行分类,并利用评价值及摄影条件的设定值选择学习模型。
另外,关于本实施方式所涉及的优先顺序,对选择学习模型时设定的方式进行了说明。但是,并不限定于此。可以在对图像信息进行分类时设定优先顺序。
[第3实施方式]
在第2实施方式中,对根据摄影条件的设定值计算优先顺序来选择学习模型的方式进行了说明。在本实施方式中,对扩大在选择学习模型时选择的范围的方式进行说明。另外,本实施方式所涉及的图像校正装置10的硬件结构(参考图1)、图像校正装置10的功能结构(参考图2)及表示各设定值与标度值之间的关系的示意图(参考图3)与第1实施方式相同,因此省略说明。并且,本实施方式所涉及的表示评价值与分类之间的关系的示意图(参考图4)及学习模型生成处理的流程图(参考图5)及表示设定值与分类之间的关系的示意图(参考图7)与第1实施方式相同,因此省略说明。
参考图4及图7,对扩大选择学习模型时选择的范围的方法进行说明。
作为一例,对输入有评价值为“11”且ISO灵敏度的设定值为“250”的图像数据的情况进行说明。进行图像校正处理时,首先,选择如下学习模型:在图4中的分类中,评价值“11”分类为分类“C”,而且在图7中的分类中,ISO灵敏度的设定值“250”分类为分类“C13”。但是,如图7所示,当未生成有分类为“C13”的学习模型时,图像校正装置10选择相邻的分类的学习模型来进行图像数据的校正。具体而言,如图7所示,图像校正装置10选择与分类“C13”相邻的分类“C12”的学习模型。
接着,参考图11对本实施方式所涉及的图像校正处理程序的作用进行说明。图11是表示第3实施方式所涉及的图像校正处理的一例的流程图。由CPU11从ROM12或存储器14读出图像校正程序并执行,由此执行图11所示的信息处理。图11所示的图像校正处理例如在通过用户输入有图像校正处理程序的执行命令时,执行图像校正处理。另外,对于图11中的与图9所示的图像校正处理相同的步骤,标注与图9相同的符号,并省略其说明。
在步骤S208中,CPU11判定是否存在符合评价值及设定值的学习模型。存在符合评价值及设定值的学习模型时(步骤S208中是),CPU11转移到步骤S204。另一方面,没有符合评价值及设定值的学习模型时(步骤S208中否),CPU11转移到步骤S210。
在步骤S210中,CPU11判定在与根据评价值及设定值确定的分类相邻的分类中是否存在学习模型。在与根据评价值及设定值确定的分类相邻的分类中存在学习模型时(步骤S210中是),CPU11转移到步骤S211。另一方面,在与根据评价值及设定值确定的分类相邻的分类中没有学习模型时(步骤S210中否),CPU11转移到步骤S209。
在步骤S211中,CPU11获取相邻的邻接分类的学习模型。
另外,在本实施方式中,对选择相邻的分类的学习模型的方式进行了说明。但是,并不限定于此。选择学习模型的范围并无特别限定。例如,可以选择与根据评价值及设定值确定的分类隔2个而相邻的分类的学习模型,也可以选择分类为预先设定的范围的学习模型。
并且,关于本实施方式所涉及的学习模型生成装置及图像校正装置,对作为输入数据利用所拍摄的图像数据的方式进行了说明。但是,并不限定于此。例如,输入数据可以是对通过Photoshop(图像处理软件)(注册商标)等编辑的图像及如CG(电脑图形图像,Computer Graphics)那样制作的图像等赋予任意的摄影条件的设定值的图像数据。
如以上说明,根据本实施方式,即使在未生成有符合评价值及摄影条件的设定值的学习模型时,也可利用相邻的分类的学习模型来进行图像数据的校正处理。
此外,上述实施方式中说明的图像校正装置10的结构为一例,可以在不脱离主旨的范围内根据情况进行变更。
并且,上述实施方式中说明的程序的处理流程也是一例,可以在不脱离主旨的范围内删除不需要的步骤、追加新的步骤或置换处理顺序。
另外,在上述各实施方式中,处理器是指广义上的处理器,例如包含CPU等通用的处理器、例如GPU(图形处理单元,Graphics Processing Unit)、ASIC(专用集成电路,Application Specific Integrated Circuit)、FPGA(现场可编程网关,FieldProgrammable Gate Array)及可编程逻辑设备等专用的处理器。
并且,上述各实施方式中的处理器的动作不仅可以通过1个处理器完成,也可以由存在于物理上远离的位置的多个处理器协同作用来完成。并且,处理器的各动作的顺序并不仅限于上述各实施方式中记载的顺序,可以适当变更。
并且,在上述各实施方式中,对信息处理的程序预先存储(安装)于存储器14的方式进行了说明,但并不限定于此。程序可以以记录于CD-ROM(只读存贮型光盘,CompactDisc Read Only Memory)、DVD-ROM(数字通用光盘只读存储器,Digital Versatile DiscRead Only Memory)及USB(通用串行总线,Universal Serial Bus)存储器等记录媒体的方式提供。并且,程序可以设为经由网络从外部装置下载的方式。
上述本发明的实施方式是以例示及说明为目的而提供的。另外,本发明的实施方式并不全面详尽地包括本发明,并且并不将本发明限定于所公开的方式。很显然,对本发明所属的领域中的技术人员而言,各种变形及变更是自知之明的。本实施方式是为了最容易理解地说明本发明的原理及其应用而选择并说明的。由此,本技术领域中的其他技术人员能够通过对假定为各种实施方式的特定使用最优化的各种变形例来理解本发明。本发明的范围由以上的权利要求书及其等同物来定义。
Claims (19)
1.一种学习模型生成装置,其具备处理器,
所述处理器获取所拍摄的图像数据及按拍摄所述图像数据时的摄影条件而设定且彼此具有依赖关系的多个设定值,
利用所述多个设定值计算用于对从所述图像数据获得的信息即图像信息进行分类的评价值,
根据所述评价值对所述图像信息进行分类,
利用所述图像信息按每个分类生成学习模型。
2.根据权利要求1所述的学习模型生成装置,其中,
所述处理器在根据所述评价值对所述图像信息进行分类之后,根据所述多个设定值中的1个设定值,进一步对所述图像信息进行分类。
3.根据权利要求2所述的学习模型生成装置,其中,
所述处理器按预先设定的所述评价值的范围及预先设定的设定值的范围中的至少一个范围对所述图像信息进行分类。
4.根据权利要求1至3中任一项所述的学习模型生成装置,其中,
当已分类的所述图像信息的数量变得比预先设定的阈值多时,所述处理器生成所述学习模型。
5.根据权利要求1至4中任一项所述的学习模型生成装置,其中,
当新追加有已分类的所述图像信息时,所述处理器再次生成所述学习模型。
6.根据权利要求1至5中任一项所述的学习模型生成装置,其中,
所述评价值为对所述多个设定值中的至少2个分别进行标准化来获得的值即标度值的总和。
7.一种图像校正装置,其具备处理器,
所述处理器利用从所输入的图像数据获得的多个设定值计算评价值,
利用所述评价值选择通过权利要求1至6中任一项所述的学习模型生成装置生成的学习模型来进行所述图像数据的校正。
8.根据权利要求7所述的图像校正装置,其中,
所述设定值为光圈、快门速度及ISO灵敏度中的至少2个。
9.根据权利要求8所述的图像校正装置,其中,
所述处理器利用所述多个设定值计算所述设定值的优先顺序,利用所述评价值及所述优先顺序设定为最高优先级的所述设定值来进行学习模型的选择。
10.根据权利要求9所述的图像校正装置,其中,
当所述光圈的设定值小于阈值时,所述处理器将所述光圈的优先顺序设定为最高优先级。
11.根据权利要求9或10所述的图像校正装置,其中,
当所述光圈的设定值为阈值以上且所述快门速度的设定值大于阈值时,所述处理器将快门速度的所述优先顺序设定为最高优先级。
12.根据权利要求9至11中任一项所述的图像校正装置,其中,
当所述光圈的设定值为阈值以上且所述快门速度的设定值为阈值以下时,所述处理器将ISO灵敏度的所述优先顺序设定为最高优先级。
13.根据权利要求7至12中任一项所述的图像校正装置,其中,
当利用按预先设定的所述评价值的范围进行分类的图像信息生成有学习模型时,
所述处理器选择利用分类为与所述评价值相对应的范围的图像信息来生成的学习模型。
14.根据权利要求13所述的图像校正装置,其中,
当利用按预先设定的所述评价值的范围对图像信息进行分类且按预先设定的各个所述摄影条件的所述设定值的范围对已按所述评价值的范围进行了分类的所述图像信息进行分类的图像信息来生成有学习模型时,
所述处理器选择利用分类为与所述评价值及所述设定值相对应的范围的图像信息来生成的学习模型。
15.根据权利要求14所述的图像校正装置,其中,
当不存在利用分类为预先设定的所述评价值的范围或预先设定的所述设定值的范围的所述图像信息来生成的学习模型时,
所述处理器扩大预先设定的所述评价值的范围或预先设定的所述设定值的范围来选择所述学习模型。
16.一种记录媒体,其记录有使计算机执行如下处理的学习模型生成程序:
获取所拍摄的图像数据及拍摄所述图像数据时设定且彼此具有依赖关系的多个设定值,
利用所述多个设定值计算用于对从所述图像数据获得的信息即图像信息进行分类的评价值,
根据所述评价值对所述图像信息进行分类,
利用所述图像信息按每个分类生成学习模型。
17.一种记录媒体,其记录有使计算机执行如下处理的图像校正程序:
利用从所输入的图像数据获得的多个设定值计算评价值,
利用所述评价值选择通过权利要求1至6中任一项所述的学习模型生成装置生成的学习模型来进行所述图像数据的校正。
18.一种学习模型生成方法,其包括如下步骤:
获取所拍摄的图像数据及拍摄所述图像数据时设定且彼此具有依赖关系的多个设定值,
利用所述多个设定值计算用于对从所述图像数据获得的信息即图像信息进行分类的评价值,
根据所述评价值对所述图像信息进行分类,
利用所述图像信息按每个分类生成学习模型。
19.一种图像校正方法,其包括如下步骤:
利用从所输入的图像数据获得的多个设定值计算评价值,
利用所述评价值选择通过权利要求1至6中任一项所述的学习模型生成装置生成的学习模型来进行所述图像数据的校正。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-169913 | 2019-09-18 | ||
JP2019169913A JP7408973B2 (ja) | 2019-09-18 | 2019-09-18 | 学習モデル生成装置、画像補正装置、学習モデル生成プログラム、及び画像補正プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112529030A true CN112529030A (zh) | 2021-03-19 |
Family
ID=74868724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010098235.4A Pending CN112529030A (zh) | 2019-09-18 | 2020-02-18 | 学习模型生成装置、图像校正装置及其方法、记录媒体 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11836581B2 (zh) |
JP (1) | JP7408973B2 (zh) |
CN (1) | CN112529030A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20240171864A1 (en) * | 2022-11-21 | 2024-05-23 | Apollo Autonomous Driving USA LLC | On-board tuning of image signal processor for cameras of autonomous vehicles |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4294896B2 (ja) | 2001-09-26 | 2009-07-15 | 富士フイルム株式会社 | 画像処理方法および装置並びにそのためのプログラム |
JP2004213567A (ja) | 2003-01-08 | 2004-07-29 | Ntt Docomo Inc | 画像学習装置及びその学習方法 |
JP2014228995A (ja) * | 2013-05-21 | 2014-12-08 | パイオニア株式会社 | 画像特徴学習装置、画像特徴学習方法及びプログラム |
JP2015109024A (ja) * | 2013-12-05 | 2015-06-11 | 日本電信電話株式会社 | 画像辞書生成装置、画像辞書生成方法及びコンピュータプログラム |
JP2018084861A (ja) * | 2016-11-21 | 2018-05-31 | 株式会社Nttドコモ | 情報処理装置、情報処理方法、及び情報処理プログラム |
WO2018173800A1 (ja) * | 2017-03-21 | 2018-09-27 | 日本電気株式会社 | 画像処理装置、画像処理方法及び記録媒体 |
JP6977483B2 (ja) | 2017-10-31 | 2021-12-08 | 富士フイルムビジネスイノベーション株式会社 | 画像処理装置、画像処理方法、画像処理システムおよびプログラム |
US11144786B2 (en) * | 2017-11-02 | 2021-10-12 | Canon Kabushiki Kaisha | Information processing apparatus, method for controlling information processing apparatus, and storage medium |
JP7095335B2 (ja) * | 2018-03-19 | 2022-07-05 | 株式会社リコー | 画像検索装置、印刷物、画像検索方法及び画像検索プログラム |
JP7082073B2 (ja) * | 2019-02-01 | 2022-06-07 | 株式会社日立製作所 | 計算機、学習データの生成方法、及び計算機システム |
-
2019
- 2019-09-18 JP JP2019169913A patent/JP7408973B2/ja active Active
-
2020
- 2020-02-18 US US16/792,896 patent/US11836581B2/en active Active
- 2020-02-18 CN CN202010098235.4A patent/CN112529030A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20210084218A1 (en) | 2021-03-18 |
JP2021047653A (ja) | 2021-03-25 |
US11836581B2 (en) | 2023-12-05 |
JP7408973B2 (ja) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3477931B1 (en) | Image processing method and device, readable storage medium and electronic device | |
US10666873B2 (en) | Exposure-related intensity transformation | |
CN110248096B (zh) | 对焦方法和装置、电子设备、计算机可读存储介质 | |
CN108229526B (zh) | 网络训练、图像处理方法、装置、存储介质和电子设备 | |
EP3496383A1 (en) | Image processing method, apparatus and device | |
KR101747216B1 (ko) | 표적 추출 장치와 그 방법 및 상기 방법을 구현하는 프로그램이 기록된 기록 매체 | |
US8363909B2 (en) | Image processing apparatus, image processing method, and computer program product | |
US9773193B2 (en) | Image processing apparatus, image processing method, and program | |
JP2010045613A (ja) | 画像識別方法および撮像装置 | |
CN101983507A (zh) | 自动红眼检测 | |
US8538191B2 (en) | Image correction apparatus and method for eliminating lighting component | |
CN111476863A (zh) | 一种黑白漫画上色的方法、装置、电子设备及存储介质 | |
CN108965646B (zh) | 图像处理装置、图像处理方法 | |
CN108881876B (zh) | 对图像进行白平衡处理的方法、装置和电子设备 | |
CN112529030A (zh) | 学习模型生成装置、图像校正装置及其方法、记录媒体 | |
EP3407252B1 (en) | Image processing apparatus, image processing method, and storage medium | |
JP2006004124A (ja) | 画像補正装置および方法,ならびに画像補正プログラム | |
JP2005346474A (ja) | 画像処理方法及び装置及びプログラム及び記憶媒体 | |
JP6044138B2 (ja) | 画像領域分割装置、方法、およびプログラム | |
CN112995633B (zh) | 图像的白平衡处理方法、装置、电子设备和存储介质 | |
JP5754931B2 (ja) | 画像解析装置、画像解析方法及びプログラム | |
JP4910821B2 (ja) | 画像識別方法 | |
CN115484447B (zh) | 基于高色域调节的投影方法、投影***及投影仪 | |
CN112995634B (zh) | 图像的白平衡处理方法、装置、电子设备和存储介质 | |
JP6044130B2 (ja) | 画像領域分割装置、方法、およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information |
Address after: No. 3, chiban 9, Dingmu 7, Tokyo port, Japan Applicant after: Fuji film business innovation Co.,Ltd. Address before: No. 3, chiban 9, Dingmu 7, Tokyo port, Japan Applicant before: Fuji Xerox Co.,Ltd. |
|
CB02 | Change of applicant information | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |