JP2022156631A - 画像補正モデル生成方法、画像補正モデル生成プログラム及び画像補正モデル生成装置 - Google Patents
画像補正モデル生成方法、画像補正モデル生成プログラム及び画像補正モデル生成装置 Download PDFInfo
- Publication number
- JP2022156631A JP2022156631A JP2021060429A JP2021060429A JP2022156631A JP 2022156631 A JP2022156631 A JP 2022156631A JP 2021060429 A JP2021060429 A JP 2021060429A JP 2021060429 A JP2021060429 A JP 2021060429A JP 2022156631 A JP2022156631 A JP 2022156631A
- Authority
- JP
- Japan
- Prior art keywords
- image
- correction model
- color
- image correction
- training
- 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
Images
Landscapes
- Image Processing (AREA)
- Color Image Communication Systems (AREA)
Abstract
【課題】画像補正モデルの訓練に用いる訓練データを削減すること。【解決手段】画像補正モデル生成方法では、訓練画像が入力された画像補正モデルにより出力されるハイライト色、あるいは訓練画像の座標値から求まるハイライト色を用いて訓練画像に色彩補正が行われた色彩補正画像と訓練画像の正解ラベルとを照合し、照合する処理による照合結果に基づいて画像補正モデルのパラメータを更新する、処理をコンピュータが実行する。【選択図】図1
Description
本発明は、画像補正モデル生成技術に関する。
人物探索や追跡などの画像認識における認識性能の低下を抑制する側面から、異なる照明光の下で撮影される画像の色のずれ、いわゆる色かぶりを補正する画像補正技術が提案されている。
このような画像補正技術の例として、画像を入力として色かぶり補正後の画像を出力する機械学習モデルを画像補正モデルとして用いる機械学習技術と、人や物体などのオブジェクトの画像照合技術とを組み合わせるものがある。
例えば、画像補正モデルの訓練には、画像照合用の正解データ、すなわち同一のオブジェクトが含まれる2つの画像を訓練データとして含むデータセットが用いられる。この場合、2つの画像のうち一方の画像を訓練画像とし、他方の画像を正解ラベルとして用いることができる。このようなデータセットの下、訓練画像が入力された画像補正モデルの出力と正解ラベルとの照合結果、例えば類似度や距離から求まる損失に基づいて画像補正モデルのパラメータを更新することにより、画像補正モデルが訓練される。
しかしながら、上記の機械学習技術および上記の画像照合技術の組合せでは、画像補正モデルの訓練時に画像補正モデルのパラメータを収束させるまでに大量の訓練データが必要となる一面がある。
1つの側面では、本発明は、画像補正モデルの訓練に用いる訓練データの削減を実現できる画像補正モデル生成方法、画像補正モデル生成プログラム及び画像補正モデル生成装置を提供することを目的とする。
一態様にかかる画像補正モデル生成方法では、訓練画像が入力された画像補正モデルにより出力されるハイライト色、あるいは訓練画像の座標値から求まる前記ハイライト色を用いて前記訓練画像に色彩補正が行われた色彩補正画像と前記訓練画像の正解ラベルとを照合し、前記照合する処理による照合結果に基づいて前記画像補正モデルのパラメータを更新する、処理をコンピュータが実行する。
画像補正モデルの訓練に用いる訓練データの削減を実現できる。
以下、添付図面を参照して本願に係る画像補正モデル生成方法、画像補正モデル生成プログラム及び画像補正モデル生成装置の実施例について説明する。各実施例には、あくまで1つの例や側面を示すに過ぎず、このような例示により数値や機能の範囲、利用シーンなどは限定されない。そして、各実施例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
図1は、画像補正モデル生成装置の機能構成例を示すブロック図である。図1に示す画像補正モデル生成装置10は、画像を入力としてハイライト色を出力する画像補正モデルを生成する画像補正モデル生成機能を提供するものである。
このような画像補正モデル生成機能の説明に先立って、参考技術1~参考技術3について説明する。
<参考技術1>
参考技術1として、一般的な色かぶり、すなわち照明光の影響で色がずれた画像を画像編集ソフトを用いて補正する技術を挙げる。参考技術1では、画像の階調分布、いわゆるヒストグラムのピーク値を最大値、例えばビットマップ方式の8Bit画像であれば255に選択するマニュアル操作を受け付ける。例えば、赤、緑および青のヒストグラムごとに当該ヒストグラムのピーク値を最大値として選択する操作が受けけられる。このようにマニュアル操作で選択されたヒストグラムのピーク値を最大値とするときの傾きから定まるゲインに従ってピーク値以下の画素値が線形に補正される。
参考技術1として、一般的な色かぶり、すなわち照明光の影響で色がずれた画像を画像編集ソフトを用いて補正する技術を挙げる。参考技術1では、画像の階調分布、いわゆるヒストグラムのピーク値を最大値、例えばビットマップ方式の8Bit画像であれば255に選択するマニュアル操作を受け付ける。例えば、赤、緑および青のヒストグラムごとに当該ヒストグラムのピーク値を最大値として選択する操作が受けけられる。このようにマニュアル操作で選択されたヒストグラムのピーク値を最大値とするときの傾きから定まるゲインに従ってピーク値以下の画素値が線形に補正される。
また、参考技術1では、ヒストグラムのピーク値を選択させる代わりに、画像の白と思われる場所を選択するマニュアル操作をハイライト色として受け付けることもできる。この場合もヒストグラムのピーク値を選択させる場合と同様に、ハイライト色を最大値とするときの傾きから定まるゲインに従ってピーク値以下の画素値が線形に補正される。
<参考技術2>
参考技術2として、「ニューラルネットワークを用いた照明推定による色補正手法に関する研究」を挙げる。参考技術2では、異なる複数の照明条件の下で24bitのRGB値を50程度ずつ変えて色の割合が同程度になるように割り当てられた77色のカラーテーブルが撮影される。例えば、蛍光灯+ハロゲンランプ、蛍光灯+自然光、自然光+ハロゲンランプといった照明条件が挙げられる。
参考技術2として、「ニューラルネットワークを用いた照明推定による色補正手法に関する研究」を挙げる。参考技術2では、異なる複数の照明条件の下で24bitのRGB値を50程度ずつ変えて色の割合が同程度になるように割り当てられた77色のカラーテーブルが撮影される。例えば、蛍光灯+ハロゲンランプ、蛍光灯+自然光、自然光+ハロゲンランプといった照明条件が挙げられる。
このように照明条件ごとにカラーテーブルが撮影された入力画像のうち対象画素のRGB値と、基準とする照明条件における基準白色および入力画像における白色の間の基準白色誤差とがニューラルネット(NN)へ入力される。そして、NNが出力する補正後のRGB値と、基準とする照明条件でカラーテーブルが撮影されたときの対象画素のRGB値との二乗平均誤差が閾値以下になるまでNNのパラメータが訓練される。
このような参考技術2によれば、画像の中の最も明るい部分が基準白色として用いられるので、基本的には、中間調の補正を自動化する技術と言える側面がある。
<参考技術3>
参考技術3として、画像を入力として色かぶり補正後の画像を出力する機械学習モデルを画像補正モデルとして用いる機械学習技術と、人や物体などのオブジェクトの画像照合技術とを組み合わせる画像補正技術を挙げる。
参考技術3として、画像を入力として色かぶり補正後の画像を出力する機械学習モデルを画像補正モデルとして用いる機械学習技術と、人や物体などのオブジェクトの画像照合技術とを組み合わせる画像補正技術を挙げる。
このような画像補正モデルの訓練には、画像照合用の正解データ、すなわち同一のオブジェクトが含まれる2つの画像を訓練データとして含むデータセットが用いられる。この場合、2つの画像のうち一方の画像を訓練画像とし、他方の画像を正解ラベルとして用いることができる。このようなデータセットの下、訓練画像が入力された画像補正モデルの出力と正解ラベルとの照合結果、例えば類似度や距離から求まる損失に基づいて画像補正モデルのパラメータを更新することにより、画像補正モデルが訓練される。
<参考技術1の課題の一側面>
上記の参考技術1では、下記に挙げる2つの側面から、十分な補正結果が得られない場合がある。
上記の参考技術1では、下記に挙げる2つの側面から、十分な補正結果が得られない場合がある。
例えば、参考技術1におけるマニュアル操作には、ヒストグラムのピークの選択や明るい部分の選択など、画像のハイライト色に関わる選択の難しさがある。当然のことながら、上記のマニュアル操作で選択されるハイライト色に照明光の影響が含まれない場合、十分な補正結果は得られない。そして、照明光の影響で色がずれる箇所やそれに対応する画素値は、撮影される画像によって異なるので、マニュアル操作のスキルを持つ者が限られる。このようなスキルは、経験に基づくノウハウであるので、アルゴリズムとして実装することが困難である。
また、参考技術1では、明るい色以外の、中間調の補正が不十分になる場合がある。すなわち、参考技術1では、ハイライト色のみの設定による補正で不十分な場合には、中間調の補正も必要であるが、これにも経験に基づく手作業が必要である。
このことから、参考技術1では、マニュアル操作で適切なハイライト色を選択することができるのであれば十分な補正結果を得ることができる可能性は高まるが、マニュアル操作には経験者のスキルが必要である。それ故、ハイライト色の選択を自動化しようとしても、ヒストグラムのピーク値を選択したり、画素値が最大である部分を選択したりといったシンプルな処理しかアルゴリズム化できない。
<参考技術2の課題の一側面>
上記の参考技術2では、ニューラルネットの訓練に用いるデータセットの準備に膨大な手間、すなわち時間や労力がかかる側面がある。例えば、参考技術2では、カラーテーブルを用意する手間や事前に照明条件を定義して照明条件ごとにカラーテーブルを撮影する手間が生じる。
上記の参考技術2では、ニューラルネットの訓練に用いるデータセットの準備に膨大な手間、すなわち時間や労力がかかる側面がある。例えば、参考技術2では、カラーテーブルを用意する手間や事前に照明条件を定義して照明条件ごとにカラーテーブルを撮影する手間が生じる。
この他にも、参考技術2では、屋外における同一人物の追跡といった用途から、様々な環境に対応する訓練を実施するにはかなりの工数を必要とし、様々な環境で画像を取得している権利保持者の承諾を得る必要がある、といった側面もある。
さらに、参考技術2は、限られたデータを用いた訓練でモデルが作成されているが、補正結果は、まだ誤差が多く精度が十分とは言えない側面もある。例えば、補正前のRGB値(R234,G79,B49)から補正後のRGB値(R192,G91,B45)へ補正されることが成功例として挙げられている。そして、成功例の補正後のRGB値(R192,G91,B45)は、基準画像のRGB値(R157,G76,B41)に近づいているとの分析がなされている。ところが、補正の前後で基準画像のRGB値との差は、Rでは80の差が40に減っているが、Gでは15程度増加している。
加えて、参考技術2は、ハイライトの選択方法に関しては、上記の参考技術1と同様、画像の明るいところという簡易な選択方式であり、複雑なシーンでは十分に機能しない場合がある。
<参考技術3の課題の一側面>
上記の参考技術3では、画像補正モデルの訓練時に画像補正モデルのパラメータを収束させるまでに大量の訓練データが必要となる側面がある。
上記の参考技術3では、画像補正モデルの訓練時に画像補正モデルのパラメータを収束させるまでに大量の訓練データが必要となる側面がある。
例えば、参考技術3では、照合結果に応じて画像補正モデルへのフィードバックを行うので、照合対象以外の領域に関しては、正常な補正が行われていなくても、正しい結果が得られたとしてフィードバックされる。したがって、画像全体として補正が正しくなくても正しいものとしてフィードバックされることがあるため、収束しにくい。このため、照合対象の領域に限定して(トリミングして)処理することも可能であるが、画像の一部のみでは入力情報が減るため、正しい補正をすることが困難になる。
<課題解決アプローチの一側面>
そこで、本実施例に係る画像補正モデル生成機能では、参考技術3(補正処理のための学習データは不要という利点アリ)に、参考技術1の知見(物理的な制約などを取り込める)を導入するアプローチにより課題を解決する。
そこで、本実施例に係る画像補正モデル生成機能では、参考技術3(補正処理のための学習データは不要という利点アリ)に、参考技術1の知見(物理的な制約などを取り込める)を導入するアプローチにより課題を解決する。
このようなアプローチは、次のような根拠に基づいて成立する。すなわち、参考技術3の課題は、訓練の過程で生成されるパラメータでの補正処理が、「照合対象(の画像領域)は正常に補正できている」が「照合対象以外(の画像領域)は正常に補正できていない」という状況が発生することにより生じる、ととらえる。
照明による色のずれは、物理現象(照明光の反射)や、カメラでのデジタル信号の生成課程により発生する。このため、物理現象やデジタル信号生成課程に即した画像処理を行えば「照合対象は正常に補正できている」ならば、「照合対象以外は正常に補正できている」となるとみなす。
参考技術1は、印刷業界やカメラ業界などの知見に基づくものであり、物理現象やデジタル信号生成課程に即したものである。
このことから、本実施例では、参考技術1を(a)ルール化や定式化が可能な部分と、(b)経験に基づく判断で定める部分とに分解した上で、(a)を参考技術3に付加すると共に、(b)を機械学習によりモデル化することにより、上記アプローチを実現する。
具体的には、本実施例に係る画像補正モデル生成機能では、訓練画像を入力としてハイライト色を出力する画像補正モデルと、ハイライト色に基づく色彩補正処理とにより画像補正処理を実現する。このうち、色彩補正処理は、現状の画像編集ソフト等でもハイライト色さえ与えられれば実現可能な処理であり、参考技術1の(a)ルール化や定式化が可能な部分に対応する。一方、画像補正モデルは、参考技術1の(b)経験に基づく判断で定める部分に対応し、この部分に絞って機械学習により訓練する。照合処理を活用して画像補正モデルのパラメータを更新する機械学習には、参考技術3と同様のロジックを採用できる。
このように、参考技術1の(a)ルール化や定式化が可能な部分を参考技術3に付加することで、画像補正モデルの出力を色かぶりの補正後の画像からハイライト色へアレンジできる。このため、画像照合の正解ラベルがあれば色かぶり補正用の画像が不要であるといった参考技術3の利点を享受すると共に、大量の訓練データが必要となるといった参考技術3の弱点を克服できる。さらに、参考技術1の(b)経験に基づく判断で定める部分を参考技術3の機械学習によりモデル化することで、ハイライト色の選択というルール化や定式化が困難な部分を機械学習モデルにより実現できる。このため、参考技術1の弱点を参考技術3で克服することができる。
したがって、本実施例に係る画像補正モデル生成機能によれば、参考技術1および参考技術3の弱点を克服しつつ、画像補正モデルの訓練に用いる訓練データを削減できる。
<画像補正モデル生成装置の構成>
図1には、上記の画像補正モデル生成機能に関連するブロックが模式化されている。図1に示すように、画像補正モデル生成装置10は、候補抽出部12と、モデル実行部13と、色補正部14と、照合部15と、パラメータ更新部16とを有する。
図1には、上記の画像補正モデル生成機能に関連するブロックが模式化されている。図1に示すように、画像補正モデル生成装置10は、候補抽出部12と、モデル実行部13と、色補正部14と、照合部15と、パラメータ更新部16とを有する。
これら候補抽出部12、モデル実行部13、色補正部14、照合部15及びパラメータ更新部16などの機能部は、CPU(Central Processing Unit)やGPU(Graphics Processing Unit)などのハードウェアプロセッサにより仮想的に実現される。なお、図1には、上記の画像補正モデル生成機能に関連する機能部が抜粋して示されているに過ぎず、既存のコンピュータがデフォルトまたはオプションで装備する機能が備わることを妨げない。
ここで、上記の画像補正モデル13Mの訓練には、画像照合用の正解データ、すなわち同一のオブジェクトが含まれる2つの画像を訓練データとして含むデータセットが用いられる。この場合、2つの画像のうち一方の画像を画像補正モデル13Mへ入力する訓練画像11Aとし、他方の画像を正解ラベル11Bとして用いることができる。
候補抽出部12は、訓練画像11Aからハイライト候補を抽出する処理部である。ここで、参考技術1でも説明した通り、画像の明るい部位が、ハイライト色として色かぶりの補正処理に用いられることは、従来から知られていることである。したがって、画像の明度値の高い部位がハイライト候補の可能性が高い部位であるみなし、下記(イ)~下記(ル)のルールに従ってハイライト候補画像12Aが生成される。なお、12Aの生成には、下記(イ)~下記(ル)の全てが必ずしも用いられずともよく、少なくとも1つが用いられればよい。
(イ)画像の明度に対して高いほど可能性が高い
(ロ)単なる明度との線形な関係より、高明度の可能性を高いとする
(ハ)一定明度以下は、可能性なしとする
(ニ)上記(イ)~上記(ハ)は画像の中の最大明度との相対関係で定める
(ホ)表現可能な最大値、例えば8bitであれば255の画素は情報が失われている可能性があり、利用しない、あるいは可能性「低」とみなす
(ヘ)最大値だけでなく、それに近い値の画素も可能性低とする
(ト)空間的に近傍の画素も可能性低とする
(チ)ハイライトは白色物体が前提なので、彩度が低い画素ほど可能性「高」みなす
(リ)絶対的な彩度を用いる
(ヌ)Gray World仮説(画像全体を平均化すればグレーになる)に基づき、画像全体の彩度平均を基準とした彩度を用いる
(ル)上記(ヌ)の補間値を用いる
(イ)画像の明度に対して高いほど可能性が高い
(ロ)単なる明度との線形な関係より、高明度の可能性を高いとする
(ハ)一定明度以下は、可能性なしとする
(ニ)上記(イ)~上記(ハ)は画像の中の最大明度との相対関係で定める
(ホ)表現可能な最大値、例えば8bitであれば255の画素は情報が失われている可能性があり、利用しない、あるいは可能性「低」とみなす
(ヘ)最大値だけでなく、それに近い値の画素も可能性低とする
(ト)空間的に近傍の画素も可能性低とする
(チ)ハイライトは白色物体が前提なので、彩度が低い画素ほど可能性「高」みなす
(リ)絶対的な彩度を用いる
(ヌ)Gray World仮説(画像全体を平均化すればグレーになる)に基づき、画像全体の彩度平均を基準とした彩度を用いる
(ル)上記(ヌ)の補間値を用いる
あくまで一例として、候補抽出部12は、上記(イ)~上記(ル)に従って訓練画像の画素ごとに当該画素の明度、彩度またはこれらの組合せに基づいてハイライト色である尤もらしさ、いわゆる尤度を算出する。これにより、訓練画像11Aからハイライト候補画像12Aが生成される。
モデル実行部13は、画像補正モデル13Mを実行する処理部である。あくまで一例として、モデル実行部13は、訓練画像11Aおよびハイライト候補画像12Aを入力としてハイライト色13Aおよび中間色補正強度13Bを出力する画像補正モデル13Mを実行する。以下では、あくまで一例として、訓練画像11Aおよびハイライト候補画像12Aが入力される画像補正モデル13Mを例示するが、ハイライト候補画像12Aは必ずしも入力されずともよい。また、あくまで一例として、ハイライト色13Aおよび中間色補正強度13Bを出力する画像補正モデル13Mを例示するが、中間色補正強度13Bは必ずしも出力されずともよい。
色補正部14は、色彩補正処理を実行する処理部である。1つの側面として、色補正部14は、訓練画像11Aにハイライト色13Aに基づく色彩補正処理を実行する。
3原色を例に挙げれば、カメラに入力する光(Ri,Gi,Bi)は、シーンの対象物の反射率(Rr,Gr,Br)×照明光(Rl,Gl,Bl)の分布で近似される。デジタル化された信号(R,G,B)は、一般的には、下記の式(1.1)~下記の式(1.3)の通り、(Ri,Gi,Bi)の指数変換で表される。
R=(Ri=Rr×Rl)γ=Rrγ×Rlγ・・・(1.1)
G=(Gi=Gr×Gl)γ=Grγ×Glγ・・・(1.2)
B=(Bi=Br×Bl)γ=Brγ×Blγ・・・(1.3)
R=(Ri=Rr×Rl)γ=Rrγ×Rlγ・・・(1.1)
G=(Gi=Gr×Gl)γ=Grγ×Glγ・・・(1.2)
B=(Bi=Br×Bl)γ=Brγ×Blγ・・・(1.3)
デジタル信号から、照明光の影響を取り除くことは、(R,G,B)を白色照明下(Rl,Gl,Bl)=(1,1,1)で撮影した場合の信号(Rc,Gc,Bc)に変換することと等価であるので、下記の式(2.1)~下記の式(2.3)にしたがって演算できる。
Rc=R/Rlγ・・・(2.1)
Gc=G/Glγ・・・(2.2)
Bc=B/Blγ・・・(2.3)
Rc=R/Rlγ・・・(2.1)
Gc=G/Glγ・・・(2.2)
Bc=B/Blγ・・・(2.3)
一般には、(Rlγ,Glγ,Blγ)は未知であるが、ここで、撮影シーンに白色の対象物(Rr,Gr,Br)=(1,1,1)があるとすると、その時の画像信号(Rw,Gw,Bw)は、下記の式(3.1)~下記の式(3.3)となる。
Rw=Rlγ・・・(3.1)
Gw=Glγ・・・(3.2)
Bw=Blγ・・・(3.3)
Rw=Rlγ・・・(3.1)
Gw=Glγ・・・(3.2)
Bw=Blγ・・・(3.3)
したがって、下記の式(4.1)~下記の式(4.3)にしたがって、訓練画像11Aのハイライト色13Aを白色物体と仮定して、(Rw,Gw,Bw)の除算での補正が可能となる。
Rc=R/Rw・・・(4.1)
Gc=G/Gw・・・(4.2)
Bc=B/Bw・・・(4.3)
Rc=R/Rw・・・(4.1)
Gc=G/Gw・・・(4.2)
Bc=B/Bw・・・(4.3)
図2は、ゲインの一例を示す図である。図2には、ハイライト色13Aに基づいて実行される色彩補正のゲインが示されている。図2に示すグラフの横軸は、入力画素値Rを指し、グラフの縦軸は、補正後画素値Rcを指す。図2では、入力画素値Rおよび補正後画素値Rcが0~1の値に正規化されて示されている。図2に示すように、入力画素値Rがハイライト色Rwである場合、補正後画素値Rcとして「1」が出力される。ここで、入力画素値Rがハイライト色Rwよりも大きい場合、上記の式(4.1)では1を超える補正後画素値Rcが算出されるが、1にクリップされる。一方、入力画素値Rがハイライト色Rwよりも小さい場合、上記の式(4.1)にしたがってR/Rwが補正後画素値Rcとして出力される。このように、ハイライト色13Aを最大値とするときの傾きから定まるゲインに従って入力画素値Rが線形に補正される。
他の側面として、色補正部14は、ハイライト色13Aおよび中間色補正強度13Bに基づく色彩補正処理を実行することもできる。
上記の式(4.1)~上記の式(4.3)は、カメラ側の信号処理が指数変換に基づいて行われる場合に成り立つ数式であり、カメラの種類によっては、さらなる階調補正処理は付加される場合がある。このような階調補正処理のうち一般的な階調補正処理の例として、RGBの各信号に対して共通の階調補正処理f()を施すものが挙げられる。f(1)=1としたとき、上記の式(1.1)~上記の式(1.3)から上記の式(4.1)~上記の式(4.3)までの各式は、下記の式(5.1)~下記の式(5.3)から下記の式(8.1)~下記の式(8.3)までの各式で表される。
R=(f(Ri=Rr×Rl)γ)=f(Rrγ×Rlγ)・・・(5.1)
G=(f(Gi=Gr×Gl)γ)=f(Grγ×Glγ)・・・(5.2)
B=(f(Bi=Br×Bl)γ)=f(Brγ×Blγ)・・・(5.3)
Rc=f(f-1(R)/Rlγ)・・・(6.1)
Gc=f(f-1(G)/Glγ)・・・(6.2)
Bc=f(f-1(B)/Blγ)・・・(6.3)
Rw=f(Rlγ)・・・(7.1)
Gw=f(Glγ)・・・(7.2)
Bw=f(Blγ)・・・(7.3)
Rc=f(f-1(R)/f-1(Rw))・・・(8.1)
Gc=f(f-1(G)/f-1(Gw))・・・(8.2)
Bc=f(f-1(B)/f-1(Bw))・・・(8.3)
R=(f(Ri=Rr×Rl)γ)=f(Rrγ×Rlγ)・・・(5.1)
G=(f(Gi=Gr×Gl)γ)=f(Grγ×Glγ)・・・(5.2)
B=(f(Bi=Br×Bl)γ)=f(Brγ×Blγ)・・・(5.3)
Rc=f(f-1(R)/Rlγ)・・・(6.1)
Gc=f(f-1(G)/Glγ)・・・(6.2)
Bc=f(f-1(B)/Blγ)・・・(6.3)
Rw=f(Rlγ)・・・(7.1)
Gw=f(Glγ)・・・(7.2)
Bw=f(Blγ)・・・(7.3)
Rc=f(f-1(R)/f-1(Rw))・・・(8.1)
Gc=f(f-1(G)/f-1(Gw))・・・(8.2)
Bc=f(f-1(B)/f-1(Bw))・・・(8.3)
ここで、上記の式(4.1)~上記の式(4.3)と、上記の式(8.1)~上記の式(8.3)とを比較する。これら両者の違いは、f()の逆関数を施した上で除算をし、f()を改めて施すことである。
図3は、撮像時の階調補正の逆関数の一例を示す図である。図3には、カメラ側で撮像時に実行される階調補正の一例として、S字補正が行われる例が示されている。図3に示すグラフの縦軸は、S字補正後の画素値f(x)を指し、グラフの横軸は、S字補正前の画素値、すなわち撮像時の画素値xを指す。図3に示すように、S字補正後の画素値Rを逆関数へ代入することによりS字補正前の画素値をf-1(R)と算出できる。また、S字補正後のハイライト色13Aの画素値Rwも逆関数へ代入することによりS字補正前のハイライト色13Aの画素値をf-1(Rw)と算出できる。
図4は、色彩補正の一例を示す図である。図4には、色彩処理の一例として、ハイライト色13Aのみを用いる色彩補正が行われる例が示されている。図4に示すグラフの横軸は、色彩補正に入力される入力画素値Rを指し、グラフの縦軸は、補正後画素値R/f-1(Rw)を指す。図4に示すように、入力画素値Rがハイライト色f-1(Rw)である場合、補正後画素値R/f-1(Rw)として「1」が出力される。ここで、入力画素値Rがハイライト色f-1(Rw)よりも大きい場合、上記の式(8.1)では1を超える補正後画素値R/f-1(Rw)が算出されるが、1にクリップされる。一方、入力画素値Rがハイライト色f-1(Rw)よりも小さい場合、上記の式(8.1)にしたがってf-1(R)/f-1(Rw)が補正後画素値Rcとして出力される。このように、ハイライト色13Aを最大値とするときの傾きから定まるゲインに従って入力画素値Rが線形に補正される。
図5は、階調補正の再実行の一例を示す図である。図5に示すグラフの横軸は、補正後画素値Rを指し、グラフの縦軸は、S字補正再実行後の画素値f(R)を指す。図5に示すように、補正後画素値Rがf-1(R)/f-1(Rw)である場合、S字補正f()が再実行されることによりf(f-1(R)/f-1(Rw))がS字補正再実行後の画素値として得られる。
このように、カメラ側で撮像時にS字補正などの階調補正が実行される場合、上記の式(8.1)~上記の式(8.3)にしたがって、図3~図5に示された通りにf()の逆関数を施した上で除算をし、f()を改めて施される。
ここで、ハイライト色13Aが0.5を下回る事態は起こりにくいので無視できることとする。この場合、Rw、GwおよびBwの値が0.5に近づくほど、上記の式(4.1)~上記の式(4.3)に対して上記の式(8.1)~上記の式(8.3)の変化量が大きくなる。つまり、S字補正が施されたカメラにおいては、(Rw,Gw,Bw)での除算では補正が不足し、値が0.5に近い成分ほど、強めの補正が必要となる。
このことから、中間色補正強度kを用いて、上記の式(8.1)~上記の式(8.3)を修正できる。すなわち、Rw、GwまたはBwが小さいほど補正を強くするため、下記の式(9.1)~下記の式(9.3)の指数関数に代表される上に凸の関数、すなわちRw、GwまたはBwが小さいほど大きく凸にすることで、ハイライト基準のみの補正を修正できる。
Rc=(R/Rw)(1*(1-k)+Rw*k)・・・(9.1)
Gc=(G/Gw)(1*(1-k)+Gw*k)・・・(9.2)
Bc=(B/Bw)(1*(1-k)+Bw*k)・・・(9.3)
Rc=(R/Rw)(1*(1-k)+Rw*k)・・・(9.1)
Gc=(G/Gw)(1*(1-k)+Gw*k)・・・(9.2)
Bc=(B/Bw)(1*(1-k)+Bw*k)・・・(9.3)
図6は、ゲインの一例を示す図である。図6には、ハイライト色13Aおよび中間色補正強度13Bに基づいて実行される色彩補正のゲインが示されている。図6に示すグラフの横軸は、入力画素値Rを指し、グラフの縦軸は、補正後画素値Rcを指す。図6では、入力画素値Rおよび補正後画素値Rcが0~1の値に正規化されて示されている。図6に示すように、入力画素値Rがハイライト色Rwである場合、補正後画素値Rcとして「1」が出力される。ここで、入力画素値Rがハイライト色Rwよりも大きい場合、上記の式(9.1)では1を超える補正後画素値Rcが算出されるが、1にクリップされる。一方、入力画素値Rがハイライト色Rwよりも小さい場合、上記の式(9.1)にしたがってRwが小さいほど大きく凸になる(R/Rw)(1*(1-k)+Rw*k)が補正後画素値Rcとして出力される。
以上のように、訓練画像11Aに含まれる画素ごとに図2に示されたゲインまたは図5に示されたゲインを乗算する色彩補正処理を実行することにより色彩補正画像14Aが得られる。
照合部15は、画像補正モデル13Mの出力と正解ラベルとを照合する処理部である。あくまで一例として、照合部15は、画像補正モデル13Mが出力する色彩補正画像14Aおよび正解ラベル11Bに任意の画像照合技術を適用することにより両者の類似度、あるいは距離を算出することができる。例えば、パターンマッチングやテンプレートマッチングを始め、CNN(Convolutional Neural Network)系の機械学習モデルを用いるなど、任意の画像照合技術を適用できる。
パラメータ更新部16は、画像補正モデル13Mのパラメータを更新する処理部である。あくまで一例として、パラメータ更新部16は、照合部15による照合結果、例えば類似度や距離から求まる損失に基づいて画像補正モデル13Mのパラメータを更新することにより、画像補正モデルが訓練される。
<処理の流れ>
図7は、画像補正モデル生成処理の手順を示すフローチャートである。この処理は、画像補正モデルの生成リクエストが受け付けられた場合に実行される。図7に示すように、画像補正モデル生成装置10は、データセットに含まれる訓練データの数Kに対応する回数の分、下記のステップS101から下記のステップS105までの処理を繰り返す。
図7は、画像補正モデル生成処理の手順を示すフローチャートである。この処理は、画像補正モデルの生成リクエストが受け付けられた場合に実行される。図7に示すように、画像補正モデル生成装置10は、データセットに含まれる訓練データの数Kに対応する回数の分、下記のステップS101から下記のステップS105までの処理を繰り返す。
すなわち、候補抽出部12は、データセットの中から訓練画像11Aを1つ取得する(ステップS101)。続いて、候補抽出部12は、ステップS101で取得された訓練画像11Aの画素ごとに当該画素の明度、彩度またはこれらの組合せに基づいてハイライト色である尤もらしさ、いわゆる尤度を算出する(ステップS102)。これにより、訓練画像11Aからハイライト候補画像12Aが生成される。
そして、モデル実行部13は、ステップS101で取得された訓練画像11AおよびステップS102で算出されたハイライト候補画像12Aを画像補正モデル13Mへ入力する(ステップS103)。これにより、画像補正モデル13Mによりハイライト色13Aおよび中間色補正強度13Bが出力される。
続いて、色補正部14は、ステップS101で訓練画像11Aに画像補正モデル13Mが出力するハイライト色13Aおよび中間色補正強度13Bに基づく色彩補正処理を実行する(ステップS104)。
そして、照合部15は、画像補正モデル13Mが出力する色彩補正画像14Aおよび正解ラベル11Bに任意の画像照合技術を適用する(ステップS105)ことにより、両者の類似度、あるいは距離を算出する。
その後、パラメータ更新部16は、ステップS105による照合結果、例えば類似度や距離から求まる損失に基づいて画像補正モデル13Mのパラメータを更新する(ステップS106)。
このようなループ処理1が繰り返されることにより、訓練済みの画像補正モデル13Mを得ることができる。
上述してきたように、本実施例に係る画像補正モデル生成装置10は、訓練画像11Aが入力された画像補正モデル13Mが出力するハイライト色13Aを用いて色彩補正が行われた色彩補正画像14Aと正解ラベル11Bとに基づいて画像補正モデル13Mのパラメータを更新する。このため、画像補正モデル13Mの出力を画像からハイライト色へ次元圧縮できる。したがって、本実施例に係る画像補正モデル生成装置10によれば、画像補正モデルの訓練に用いる訓練データの削減を実現することが可能である。
さて、これまで開示の装置に関する実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。そこで、以下では、本発明に含まれる他の実施例を説明する。
<画像補正モデルの出力>
上記の実施例1では、訓練画像11Aを入力としてハイライト色13Aを出力する画像補正モデル13Mを例示したが、画像補正モデルの出力は必ずしもハイライト色13Aに限定されない。そこで、本実施例では、訓練画像11Aを入力として訓練画像の座標値を出力する画像補正モデル13mを応用例として説明する。
上記の実施例1では、訓練画像11Aを入力としてハイライト色13Aを出力する画像補正モデル13Mを例示したが、画像補正モデルの出力は必ずしもハイライト色13Aに限定されない。そこで、本実施例では、訓練画像11Aを入力として訓練画像の座標値を出力する画像補正モデル13mを応用例として説明する。
図8は、応用例に係る画像補正モデル生成装置の機能構成例を示すブロック図である。図8では、図1に示された機能部と同様の機能を有する機能部には同一の符号を付し、その説明を省略することとする。図8に示すように、画像補正モデル生成装置20は、図1に示された画像補正モデル生成装置10と比べて、モデル実行部13と処理内容の一部が異なるモデル実行部21および変換部22を有する点が異なる。
モデル実行部21は、訓練画像11Aおよびハイライト候補画像12Aを入力として訓練画像の座標値13Pおよび中間色補正強度13Bを出力する画像補正モデル13mを実行する。このように、画像補正モデル13mは、ハイライト色13Aの代わりに訓練画像の座標値13Pを出力する点が異なる。
変換部22は、訓練画像の座標値13Pをハイライト色13Aへ変換する処理部である。あくまで一例として、変換部22は、訓練画像11Aに含まれる画素のうち座標値13Pに対応する画素値をハイライト色13Aとして出力することができる。このとき、変換部22は、画像の中の明るい場所が飛ぶ現象、いわゆる白飛びを抑制する側面から、階調の最大値から閾値以内の画素値を持つ画素、さらにはその周辺画素を除外してハイライト色13Aを出力することもできる。
応用例に係る画像補正モデル生成装置20においても、上記の実施例1と同様、画像補正モデル13Mの出力を画像からハイライト色へ次元圧縮できる。したがって、応用例に係る画像補正モデル生成装置20によれば、画像補正モデルの訓練に用いる訓練データの削減を実現することが可能である。
また、図示した各装置の各構成要素は、必ずしも物理的に図示の如く構成されておらずともよい。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、候補抽出部12、モデル実行部13、色補正部14、照合部15またはパラメータ更新部16を画像補正モデル生成装置10の外部装置としてネットワーク経由で接続するようにしてもよい。また、候補抽出部12、モデル実行部21、変換部22、色補正部14、照合部15またはパラメータ更新部16を画像補正モデル生成装置20の外部装置としてネットワーク経由で接続するようにしてもよい。また、候補抽出部12、モデル実行部13、色補正部14、照合部15またはパラメータ更新部16を別の装置がそれぞれ有し、ネットワーク接続されて協働することで、上記の画像補正モデル生成装置10の機能を実現するようにしてもよい。また、候補抽出部12、モデル実行部21、変換部22、色補正部14、照合部15またはパラメータ更新部16を別の装置がそれぞれ有し、ネットワーク接続されて協働することで、上記の画像補正モデル生成装置20の機能を実現するようにしてもよい。
[画像補正モデル生成プログラム]
また、上記の実施例で説明した各種の処理は、予め用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータで実行することによって実現することができる。そこで、以下では、図9を用いて、実施例1及び実施例2と同様の機能を有する画像補正モデル生成プログラムを実行するコンピュータの一例について説明する。
また、上記の実施例で説明した各種の処理は、予め用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータで実行することによって実現することができる。そこで、以下では、図9を用いて、実施例1及び実施例2と同様の機能を有する画像補正モデル生成プログラムを実行するコンピュータの一例について説明する。
図9は、ハードウェア構成例を示す図である。図9に示すように、コンピュータ100は、操作部110aと、スピーカ110bと、カメラ110cと、ディスプレイ120と、通信部130とを有する。さらに、このコンピュータ100は、CPU150と、ROM160と、HDD170と、RAM180とを有する。これら110~180の各部はバス140を介して接続される。
HDD170には、図9に示すように、上記の実施例1で示された候補抽出部12、モデル実行部13、色補正部14、照合部15及びパラメータ更新部16と同様の機能を発揮する画像補正モデル生成プログラム170aが記憶される。あるいは、HDD170には、応用例で示された候補抽出部12、モデル実行部21、変換部22、色補正部14、照合部15及びパラメータ更新部16と同様の機能を発揮する画像補正モデル生成プログラム170aが記憶されてもよい。この画像補正モデル生成プログラム170aは、図1または図8に示した各構成要素と同様、統合又は分離してもよい。すなわち、HDD170には、必ずしも上記の実施例1で示した全てのデータが格納されずともよく、処理に用いるデータがHDD170に格納されればよい。
このような環境の下、CPU150は、HDD170から画像補正モデル生成プログラム170aを読み出した上でRAM180へ展開する。この結果、画像補正モデル生成プログラム170aは、図9に示すように、画像補正モデル生成プロセス180aとして機能する。この画像補正モデル生成プロセス180aは、RAM180が有する記憶領域のうち画像補正モデル生成プロセス180aに割り当てられた領域にHDD170から読み出した各種データを展開し、展開された各種データを用いて各種の処理を実行する。例えば、画像補正モデル生成プロセス180aが実行する処理の一例として、図7に示す処理などが含まれ得る。なお、CPU150では、必ずしも上記の実施例1で示した全ての処理部が動作せずともよく、実行対象とする処理に対応する処理部が仮想的に実現されればよい。
なお、上記の画像補正モデル生成プログラム170aは、必ずしも最初からHDD170やROM160に記憶されておらずともかまわない。例えば、コンピュータ100に挿入されるフレキシブルディスク、いわゆるFD、CD-ROM、DVDディスク、光磁気ディスク、ICカードなどの「可搬用の物理媒体」に画像補正モデル生成プログラム170aを記憶させる。そして、コンピュータ100がこれらの可搬用の物理媒体から画像補正モデル生成プログラム170aを取得して実行するようにしてもよい。また、公衆回線、インターネット、LAN、WANなどを介してコンピュータ100に接続される他のコンピュータまたはサーバ装置などに画像補正モデル生成プログラム170aを記憶させておく。このように記憶された画像補正モデル生成プログラム170aをコンピュータ100にダウンロードさせた上で実行させるようにしてもよい。
以上の実施例を含む実施形態に関し、さらに以下の付記を開示する。
(付記1)訓練画像が入力された画像補正モデルにより出力されるハイライト色、あるいは訓練画像の座標値から求まる前記ハイライト色を用いて前記訓練画像に色彩補正が行われた色彩補正画像と前記訓練画像の正解ラベルとを照合し、
前記照合する処理による照合結果に基づいて前記画像補正モデルのパラメータを更新する、
処理をコンピュータが実行することを特徴とする画像補正モデル生成方法。
前記照合する処理による照合結果に基づいて前記画像補正モデルのパラメータを更新する、
処理をコンピュータが実行することを特徴とする画像補正モデル生成方法。
(付記2)前記訓練画像からハイライト色の候補となる画素を抽出する処理を前記コンピュータがさらに実行し、
前記画像補正モデルは、前記訓練画像および前記ハイライト色の候補となる画素が入力されることを特徴とする付記1に記載の画像補正モデル生成方法。
前記画像補正モデルは、前記訓練画像および前記ハイライト色の候補となる画素が入力されることを特徴とする付記1に記載の画像補正モデル生成方法。
(付記3)前記抽出する処理は、前記訓練画像に含まれる画素ごとに前記画素の明度または彩度に基づいて前記ハイライト色の候補となる画素を抽出する処理を含む、
ことを特徴とする付記2に記載の画像補正モデル生成方法。
ことを特徴とする付記2に記載の画像補正モデル生成方法。
(付記4)前記画像補正モデルは、前記ハイライト色または前記座標値と、中間色の補正強度とを出力することを特徴とする付記1に記載の画像補正モデル生成方法。
(付記5)前記色彩補正画像は、前記ハイライト色または前記座標値から求まる前記ハイライト色と、前記中間色の補正強度とを用いて、前記訓練画像に色彩補正が行われることにより生成されることを特徴とする付記4に記載の画像補正モデル生成方法。
(付記6)訓練画像が入力された画像補正モデルにより出力されるハイライト色、あるいは訓練画像の座標値から求まる前記ハイライト色を用いて前記訓練画像に色彩補正が行われた色彩補正画像と前記訓練画像の正解ラベルとを照合し、
前記照合する処理による照合結果に基づいて前記画像補正モデルのパラメータを更新する、
処理をコンピュータに実行させることを特徴とする画像補正モデル生成プログラム。
前記照合する処理による照合結果に基づいて前記画像補正モデルのパラメータを更新する、
処理をコンピュータに実行させることを特徴とする画像補正モデル生成プログラム。
(付記7)前記訓練画像からハイライト色の候補となる画素を抽出する処理を前記コンピュータにさらに実行させ、
前記画像補正モデルは、前記訓練画像および前記ハイライト色の候補となる画素が入力されることを特徴とする付記6に記載の画像補正モデル生成プログラム。
前記画像補正モデルは、前記訓練画像および前記ハイライト色の候補となる画素が入力されることを特徴とする付記6に記載の画像補正モデル生成プログラム。
(付記8)前記抽出する処理は、前記訓練画像に含まれる画素ごとに前記画素の明度または彩度に基づいて前記ハイライト色の候補となる画素を抽出する処理を含む、
ことを特徴とする付記7に記載の画像補正モデル生成プログラム。
ことを特徴とする付記7に記載の画像補正モデル生成プログラム。
(付記9)前記画像補正モデルは、前記ハイライト色または前記座標値と、中間色の補正強度とを出力することを特徴とする付記6に記載の画像補正モデル生成プログラム。
(付記10)前記色彩補正画像は、前記ハイライト色または前記座標値から求まる前記ハイライト色と、前記中間色の補正強度とを用いて、前記訓練画像に色彩補正が行われることにより生成されることを特徴とする付記9に記載の画像補正モデル生成プログラム。
(付記11)訓練画像が入力された画像補正モデルにより出力されるハイライト色、あるいは訓練画像の座標値から求まる前記ハイライト色を用いて前記訓練画像に色彩補正が行われた色彩補正画像と前記訓練画像の正解ラベルとを照合し、
前記照合する処理による照合結果に基づいて前記画像補正モデルのパラメータを更新する、
処理を実行する制御部を含む画像補正モデル生成装置。
前記照合する処理による照合結果に基づいて前記画像補正モデルのパラメータを更新する、
処理を実行する制御部を含む画像補正モデル生成装置。
(付記12)前記訓練画像からハイライト色の候補となる画素を抽出する処理を前記制御部がさらに実行し、
前記画像補正モデルは、前記訓練画像および前記ハイライト色の候補となる画素が入力されることを特徴とする付記11に記載の画像補正モデル生成装置。
前記画像補正モデルは、前記訓練画像および前記ハイライト色の候補となる画素が入力されることを特徴とする付記11に記載の画像補正モデル生成装置。
(付記13)前記抽出する処理は、前記訓練画像に含まれる画素ごとに前記画素の明度または彩度に基づいて前記ハイライト色の候補となる画素を抽出する処理を含む、
ことを特徴とする付記12に記載の画像補正モデル生成装置。
ことを特徴とする付記12に記載の画像補正モデル生成装置。
(付記14)前記画像補正モデルは、前記ハイライト色または前記座標値と、中間色の補正強度とを出力することを特徴とする付記11に記載の画像補正モデル生成装置。
(付記15)前記色彩補正画像は、前記ハイライト色または前記座標値から求まる前記ハイライト色と、前記中間色の補正強度とを用いて、前記訓練画像に色彩補正が行われることにより生成されることを特徴とする付記14に記載の画像補正モデル生成装置。
10 画像補正モデル生成装置
11A 訓練画像
11B 正解ラベル
12 候補抽出部
12A ハイライト候補画像
13 モデル実行部
13A ハイライト色
13B 中間色補正強度
13M 画像補正モデル
14 色補正部
14A 色彩補正画像
15 照合部
16 パラメータ更新部
11A 訓練画像
11B 正解ラベル
12 候補抽出部
12A ハイライト候補画像
13 モデル実行部
13A ハイライト色
13B 中間色補正強度
13M 画像補正モデル
14 色補正部
14A 色彩補正画像
15 照合部
16 パラメータ更新部
Claims (7)
- 訓練画像が入力された画像補正モデルにより出力されるハイライト色、あるいは訓練画像の座標値から求まる前記ハイライト色を用いて前記訓練画像に色彩補正が行われた色彩補正画像と前記訓練画像の正解ラベルとを照合し、
前記照合する処理による照合結果に基づいて前記画像補正モデルのパラメータを更新する、
処理をコンピュータが実行することを特徴とする画像補正モデル生成方法。 - 前記訓練画像からハイライト色の候補となる画素を抽出する処理を前記コンピュータがさらに実行し、
前記画像補正モデルは、前記訓練画像および前記ハイライト色の候補となる画素が入力されることを特徴とする請求項1に記載の画像補正モデル生成方法。 - 前記抽出する処理は、前記訓練画像に含まれる画素ごとに前記画素の明度または彩度に基づいて前記ハイライト色の候補となる画素を抽出する処理を含む、
ことを特徴とする請求項2に記載の画像補正モデル生成方法。 - 前記画像補正モデルは、前記ハイライト色または前記座標値と、中間色の補正強度とを出力することを特徴とする請求項1、2または3に記載の画像補正モデル生成方法。
- 前記色彩補正画像は、前記ハイライト色または前記座標値から求まる前記ハイライト色と、前記中間色の補正強度とを用いて、前記訓練画像に色彩補正が行われることにより生成されることを特徴とする請求項4に記載の画像補正モデル生成方法。
- 訓練画像が入力された画像補正モデルにより出力されるハイライト色、あるいは訓練画像の座標値から求まる前記ハイライト色を用いて前記訓練画像に色彩補正が行われた色彩補正画像と前記訓練画像の正解ラベルとを照合し、
前記照合する処理による照合結果に基づいて前記画像補正モデルのパラメータを更新する、
処理をコンピュータに実行させることを特徴とする画像補正モデル生成プログラム。 - 訓練画像が入力された画像補正モデルにより出力されるハイライト色、あるいは訓練画像の座標値から求まる前記ハイライト色を用いて前記訓練画像に色彩補正が行われた色彩補正画像と前記訓練画像の正解ラベルとを照合し、
前記照合する処理による照合結果に基づいて前記画像補正モデルのパラメータを更新する、
処理を実行する制御部を含む画像補正モデル生成装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021060429A JP2022156631A (ja) | 2021-03-31 | 2021-03-31 | 画像補正モデル生成方法、画像補正モデル生成プログラム及び画像補正モデル生成装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021060429A JP2022156631A (ja) | 2021-03-31 | 2021-03-31 | 画像補正モデル生成方法、画像補正モデル生成プログラム及び画像補正モデル生成装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022156631A true JP2022156631A (ja) | 2022-10-14 |
Family
ID=83559560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021060429A Pending JP2022156631A (ja) | 2021-03-31 | 2021-03-31 | 画像補正モデル生成方法、画像補正モデル生成プログラム及び画像補正モデル生成装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022156631A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102631992B1 (ko) * | 2023-06-19 | 2024-01-31 | 주식회사 로스텍 | 전광판에 출력될 이미지에 대한 색보정을 통해 절전이 가능하도록 지원하는 인공지능 기반의 전광판 제어 장치 및 그 동작 방법 |
-
2021
- 2021-03-31 JP JP2021060429A patent/JP2022156631A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102631992B1 (ko) * | 2023-06-19 | 2024-01-31 | 주식회사 로스텍 | 전광판에 출력될 이미지에 대한 색보정을 통해 절전이 가능하도록 지원하는 인공지능 기반의 전광판 제어 장치 및 그 동작 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5867390B2 (ja) | カラー画像処理方法、カラー画像処理装置およびカラー画像処理プログラム | |
US11288783B2 (en) | Method and system for image enhancement | |
US11727543B2 (en) | Systems and methods for content-aware enhancement of images | |
JP2004274720A (ja) | データ変換装置、およびデータ変換プログラム | |
JP6840957B2 (ja) | 画像類似度算出装置、画像処理装置、画像処理方法、及び記録媒体 | |
JP6771977B2 (ja) | 画像処理装置および画像処理方法、プログラム | |
JP2022156631A (ja) | 画像補正モデル生成方法、画像補正モデル生成プログラム及び画像補正モデル生成装置 | |
CN113658280B (zh) | 基于人工智能的数据增广方法、装置、设备和存储介质 | |
JP7208823B2 (ja) | 映像補正装置及びそのプログラム | |
JP5203159B2 (ja) | 画像処理方法、画像処理システムおよび画像処理プログラム | |
JP2007243987A (ja) | 画像処理方法、画像処理システムおよび画像処理プログラム | |
KR102215607B1 (ko) | 어두운 이미지의 밝기를 개선하기 위한 보정 처리가 가능한 전자 장치 및 그 동작 방법 | |
WO2021161453A1 (ja) | 画像処理システム、画像処理方法および非一時的なコンピュータ可読媒体 | |
US20060077471A1 (en) | System and method of digital engraving | |
JP6115183B2 (ja) | 画像処理装置、撮像装置、画像処理プログラム | |
JP2002314825A (ja) | 色彩調整装置、及び色彩調整方法 | |
JP2005094452A (ja) | 画像処理方法、画像処理システムおよび画像処理プログラム | |
US11669591B2 (en) | Information processing apparatus and non-transitory computer readable medium | |
WO2022249997A1 (ja) | 教師データ生成装置、教師データ生成方法、及び画像処理装置 | |
US20230034332A1 (en) | Image processing apparatus, method, storage medium that stores program | |
JP6098227B2 (ja) | 画像処理装置、撮像装置、及び画像処理プログラム | |
JP4838224B2 (ja) | 諧調変換装置および方法、プログラム | |
JP5227651B2 (ja) | 映像変換装置、映像変換方法および映像変換プログラム | |
JP2008312177A (ja) | 映像階調変換装置、映像階調変換方法、映像階調変換プログラム | |
JP2005010900A (ja) | カラー画像処理装置及び方法 |