JP7254440B2 - 画像処理装置、撮像装置、画像処理方法、および、プログラム - Google Patents

Description

本発明は、撮影画像の色情報に基づいて葉色判定を行う撮像装置に関する。

従来、水稲などの植物の生育状態を判定する技術の一つとして、葉色判定技術が知られている。葉色判定は、葉色板と呼ばれる色基準板を用いて植物の葉色の数値（葉色値）を判定する技術である。特許文献１には、撮影画像データの所定範囲における各画素のＲＧＢの各値およびＧｒａｙの値のそれぞれの平均値等の代表値を用いて葉色値を求めるシステムが開示されている。

特開２０１７－１２１３８号公報

しかしながら、特許文献１に開示されたシステムでは、平均値等の代表値を用いて葉色値を求めるため、葉色判定の精度および分解能が十分ではない。また、このシステムにおいて、葉色判定の分解能を向上させるために葉色値の判定指標を細分化すると、葉色判定の精度が低下するとともに、計算負荷がかかりシステムが煩雑化する。

そこで本発明は、簡易に高精度および高分解能な葉色判定を実現することが可能な画像処理装置、撮像装置、画像処理方法、および、プログラムを提供することを目的とする。

本発明の一側面としての画像処理装置は、植物の画像における複数の画素領域のそれぞれの複数の色情報に基づいて、前記複数の画素領域に関する複数の第１葉色値を判定する第１判定手段と、前記複数の第１葉色値に基づいて、前記画像における前記複数の画素領域を含む判定対象領域に関する第２葉色値を判定する第２判定手段と、を有する。

本発明の他の側面としての撮像装置は、撮像光学系により形成された光学像を光電変換して画像データを出力する撮像素子と、前記画像処理装置とを有する。

本発明の他の側面としての画像処理方法は、第１判定手段により、植物の画像における複数の画素領域のそれぞれの複数の色情報に基づいて、前記複数の画素領域に関する複数の第１葉色値を判定するステップと、前記複数の第１葉色値に基づいて、前記画像における前記複数の画素領域を含む判定対象領域に関する第２葉色値を判定するステップと、を有する。

本発明の他の側面としてのプログラムは、前記画像処理方法をコンピュータに実行させる。

本発明の他の目的及び特徴は、以下の実施形態において説明される。

本発明によれば、簡易に高精度および高分解能な葉色判定を実現することが可能な画像処理装置、撮像装置、画像処理方法、および、プログラムを提供することができる。

第１の実施形態における画像処理装置のブロック図である。 第１の実施形態における画像処理方法のフローチャートである。 第１の実施形態における画像処理方法の説明図である。 第２の実施形態における画像処理システムの構成図である。 第３の実施形態における撮像装置のブロック図である。

以下、本発明の実施形態について、図面を参照しながら詳細に説明する。

（第１の実施形態）
まず、図１乃至図３を参照して、本発明の第１の実施形態における画像処理装置および画像処理方法について説明する。図１は、画像処理装置１０のブロック図である。図２は、画像処理方法のフローチャートである。図３は、画像処理方法の説明図である。

図１に示されるように、画像処理部１０４は、取得手段１０４ａ、第１判定手段１０４ｂ、および、第２判定手段１０４ｃを有し、図２および図３に示される画像処理方法（画像処理プログラム）を実行する。取得手段１０４ａは、画像（撮影画像）２０を取得する。第１判定手段１０４ｂは、画像２０に含まれる複数の第１領域（画素２２）のそれぞれの色情報に基づいて、複数の第１領域のそれぞれに関する複数の葉色値（第１色値、第１葉色値）１１２を判定する。第２判定手段は、複数の葉色値１１２に基づいて、複数の第１領域（画素２２）を含む第２領域（判定対象領域２１）に関する葉色値（第２色値、第２葉色値）１３０を判定する。

まず、図２のステップＳ１において、画像処理装置１０は、ユーザの操作に応じて、画像の判定対象領域（第２領域）２１を設定する。なお画像処理装置１０は、所定のアルゴリズムに従って画像の判定対象領域２１を自動的に設定してもよい。本実施形態において、判定対象領域２１は、図３に示されるように画像２０中において水稲が含まれる領域である。このため、判定対象領域２１には水稲の色情報を有する複数の画素２２が含まれている。

続いてステップＳ２において、画像処理装置１０の取得手段１１は、画素２２のそれぞれの色情報を取得する。なお本実施形態において、色情報は各画素２２の赤色（Ｒ）、緑色（Ｇ）、青色（Ｂ）に関する情報（輝度値１１１）であるが、これに限定されるものではなく、他の色情報を用いてもよい。

続いてステップＳ３において、画像処理装置１０の第１判定手段１２は、画素２２の葉色値（第１葉色値）１１２を判定する。本実施形態において、第１判定手段１２は、ステップＳ１にて設定された判定対象領域２１に含まれる全ての画素２２のそれぞれに関して葉色値１１２を判定する。なお本実施形態において、第１判定手段１２は、複数の第１領域として複数の画素２２のそれぞれの色情報を取得する（すなわち、複数の第１領域のそれぞれは、第２領域に含まれる一つの画素２２に相当する）が、これに限定されるものではない。複数の第１領域は、第２領域に含まれる複数の画素を含む画素領域（すなわち、第１領域は複数の画素を含む領域）であってもよい。この場合、第１判定手段１２は、複数の画素のそれぞれの色情報の平均値に基づいて、複数の画素領域のそれぞれに関する複数の葉色値１１２を判定することができる。

続いてステップＳ４において、画像処理装置１０の第２判定手段１３は、判定対象領域（第２領域）２１の葉色値（第２葉色値）１３０を判定する。葉色値１３０は、画像処理装置１０から最終的に出力される判定対象領域２１の葉色値である。このとき第２判定手段１３は、複数の第１葉色値（葉色値１１２）と、複数の第１葉色値のそれぞれに対応する第１領域の数（判定対象領域２１に含まれる画素２２の数）との関係を示すヒストグラム（頻度算出結果）１２０を作成する。ヒストグラム１２０は、横軸が第１葉色値（第１判定手段１２により判定される葉色値の範囲、本実施形態では、葉色値１～９が設定されている）、縦軸が頻度（各葉色値を示す画素２２の数）を示している。

そして第２判定手段１３は、ヒストグラム１２０に基づいて、第２葉色値（最終的に出力される葉色値１３０）を判定する。本実施形態において、第２判定手段１３は、ヒストグラム１２０の重心値を第２葉色値と判定する。重心値とは、各葉色値とその葉色値を示す画素の数との乗算値を全ての葉色値に関して加算し、その加算値を全画素数で除算して得られた値に相当する。ただし本実施形態は、これに限定されるものではなく、第２判定手段１３は、ヒストグラム１２０の平均値や最頻値など、ヒストグラム１２０に基づいて決定された値を第２葉色値としてもよい。

本実施形態において、第１判定手段１２は、撮像装置で取得された画像２０の各画素２２の色情報を用いて葉色値（第１葉色値）１１２を導出することができる。第１判定手段１２は、主成分分析、検量線による解析、ニューラルネットワーク、または、機械学習などを用いて葉色値１１２を判定することが可能である。本実施形態では、特に機械学習を用いることが好ましい。機械学習とは、取得情報を正解情報と紐づけてラベリングし、機械の学習ツールに適用させるものである。機械が取得情報をどのように結合したら正解に結び付くかに関するフィルタ情報を自動的に形成することで、取得情報を正解情報に結び付ける手法である。フィルタ情報は、事前に学習され、画像処理装置１０に保持しておくことができる。この手法では、取得情報と正解情報の組み合わせを十分に用意すれば精度を上げることが可能である。このため、例えば環境条件や照明条件が変わり、輝度値１１１が変化してもロバストに葉色値１１２を評価することが可能である。このように第１判定手段１２は、事前に学習したフィルタ情報に基づく機械学習を利用して葉色値１１２を判定することができる。

好ましくは、第１判定手段１２が利用するフィルタ情報は、葉色値１１２以外に空や土などの葉色以外のノイズを判定するノイズフィルタを含む。これにより、第２判定手段１３が空や土などを除く葉色値のみを対象として葉色値１３０の判定を行うことができる。例えば、画角内で高密度な写真がある場合、部分的に土、水、または空などが写り込むことがあり得る。そのような物体を「葉色値」として判定すると、その後の第２判定手段１３による判定結果に誤差が生じる可能性がある。このため、ノイズフィルタを設けることにより、水稲以外の物体であることが明らかな物体に関する色情報を判定対象から除外することにより、より高精度な判定結果を得ることができる。

このように本実施形態において、画素２２に関する葉色判定を行う第１判定手段１２とは別に、画像２０の判定対象領域２１のヒストグラム１２０を利用して葉色値１３０を判定する第２判定手段１３を有する。画像２０内の画素２２の葉色値だけでなく、判定対象領域２１のヒストグラム１２０を用いて最終的な葉色値１３０が算出される。画像２０の少なくとも一部である判定対象領域２１を設定することにより、群落における葉色値１３０を取得することが可能である。また葉色値は、一般的に、葉色板を用いて人の眼で主観的に評価される。判定対象領域２１における厳密な葉色値は、輝度値１１１に基づいて判定される葉色値１１２ではなく、第２判定手段１３による判定対象領域２１の判定結果のほうがより正確な値となる。

本実施形態において、第２判定手段１３は、第１判定手段１２による判定結果に基づいてヒストグラム１２０を作成し、最終的に葉色値１３０を決定する。暫定的な葉色値（第１葉色値）１１２を判定した後に最終的な葉色値（第２葉色値）１３０を決定することにより、判定対象領域２１における物体の葉色値をより高精度に評価することができる。なお、本実施形態の順序とは逆に、第１判定手段１２は、輝度値１１１に関するヒストグラム１２０の作成後に葉色判定を行ってもよい。この場合、演算回数が少なくなり負荷が軽くなるため、高速処理に適している。本実施形態はどちらの順序でもよいが、より高精度に葉色値を判定しようとする場合、前者が適している。

画像２０は、撮像レンズ（撮像装置）による透過率変化や画角に対するヴィネッティングにより輝度値が変化するという撮像装置由来の特徴がある。そこで本実施形態では、判定対象領域２１を指定することにより画素２２の場所を特定し、輝度値１１１の値または葉色値１１２の値を補正することが好ましい。特にヴィネッティングは、撮像レンズに合わせて変化量が決まっており、画像２０の判定対象領域２１の場所に応じてどの程度変化するかが決まっている。また、本実施形態で対象としている葉色値１１２は、分光分布のみならず、光量の絶対値によっても変化する。このため、光量の変化がそのまま葉色値のずれに影響するため、判定対象領域２１の指定に合わせて補正を行うこととでより、より高精度に葉色値１１２を判定することが可能となる。

また、判定対象領域２１に関して葉色値１３０を判定することは、葉色値の分解能を向上させるために効果的である。ここで、葉色値を小数点以下で評価したい場合を例に挙げる。第１判定手段１２を用いて葉色値を高分解能で判定しようとする場合、輝度値１１１から葉色値１１２を判定する判定基準を高い精度で持つ必要がある。このような条件では、前述した機械学習ではそれに応じた学習データを十分に用意する必要があり、または、天候や環境に応じた変化に対して高精度に補正する必要がある。一方、第２判定手段１３を用いる場合、第１判定手段１２では葉色をざっくりと認識するレベルにし、第２判定手段１３を用いて判定対象領域２１の頻度に合わせて葉色値１３０を評価することで高い分解能での算出が可能となる。このようにして判定された葉色値１３０は、前述した第１判定手段１２の判定基準を細かくする必要がない。また、第２判定手段１３を用いるため、第１判定手段１２の判定基準を細かく設定したツールと最終出力がそれほど変わらないというメリットがある。これは、最終的に第２判定手段１３で平均化処理に近い処理を行うため、平均化前の情報の細かさはそれほど影響を与えないためである。

また本実施形態では、第１判定手段１２が機械学習を利用する場合、第１判定手段１２は、葉色値とともに、その確率を判定（出力）することができる。機械学習では、最終的な出力値を判定する前に回答の「確からしさ」を出力することが一般的である。第１判定手段１２は、例えば、輝度値１１１に対し、葉色値３である確率は２５％、葉色値４である確率は４０％、葉色値５である確率は２０％というような形で確率を出力する。第１判定手段１２の最終的な判定結果としては、最大の確率を示す葉色値４を出力することが一般的であるが、葉色値４は４０％という確率情報も含めて出力してもよい。この場合、第１判定手段１２は、判定対象領域２１内の各画素２２に関して、各画素２２の葉色値とともにその確率を決定して第２判定手段１３へ出力する。このため第２判定手段１３は、判定対象領域２１内の頻度だけでなく、画素２２内の頻度も加味して判定結果を算出することができる。これにより第２判定手段１３は、判定対象領域２１における葉色の分布だけでなく、画素２２の葉色の確からしさを含めて葉色判定を行うことができ、より高精度の葉色値１３０を決定することが可能となる。

本実施形態では、可視光を撮像する撮像装置を用いて葉色値１１２を取得するが、これに限定されるものではなく、不可視光である紫外光や赤外光を利用して葉色値１１２を取得することも可能である。例えば、近赤外光を用いた規格化植生指数（ＮＤＶＩ：Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘ）と葉色値との相関が高いが知られている。このため、撮像装置から取得したＮＤＶＩを利用して葉色値を判定することができる。

（第２の実施形態）
次に、図４を参照して、本発明の第２の実施形態における画像処理システム（画像処理装置）について説明する。図４は、本実施形態における画像処理システム８０の構成図である。画像処理システム８０は、画像処理装置８１（情報処理装置としてのハードウエア）、表示装置８２（モニタ）、および、入力装置８３（キーボードなどの入力手段）を備えて構成される。本実施形態は、第１の実施形態の画像処理方法を画像処理システム８０（パソコンのソフトウエア）上で動作させる場合について説明する。本実施形態の画像処理装置８１は、図１を参照して説明した画像処理装置１０の取得手段１１、第１判定手段１２、および、第２判定手段１３の各機能を有する。

まず、第１の実施形態の画像処理方法を画像処理装置８１において動作させるため、画像処理方法を実行するソフトウエア（画像処理プログラム）を画像処理装置８１（パソコン）にインストールし、画像処理装置８１の記憶部（不図示）に格納する。また、事前に学習した機械学習やニューラルネットワークに関するデータを、画像処理装置８１に設けられた記憶部の所定のフォルダに格納する。機械学習やニューラルネットワークに関するデータは、ＣＤ－ＲＯＭやＤＶＤ－ＲＯＭなどのメディア８４（記憶媒体）からインストールすることができる。または、これらのデータおよびそのデータを利用して動作するソフトウエアを、ネットワーク（インターネット）を介してダウンロードしてインストールしてもよい。

次に、画像処理装置８１は、インストールが完了したソフトウエアを起動し、撮影画像に対して画像処理を行う。画像処理装置８１は、様々な撮影時の条件（撮影条件）に関する情報をＥｘｉｆ情報などから自動的に取得して、画像処理を行う。ユーザは、表示装置８２により画像処理後の画像を確認しつつ、種々の設定の変更ができることが好ましい。例えばユーザは、表示装置８２上で第２葉色値を取得する対象となる領域を指定または変更することができる。画像処理の具体的説明については、第１の実施形態にて詳述したため省略する。

（第３の実施形態）
次に、図５を参照して、本発明の第３の実施形態における撮像装置の概略構成について説明する。図５は、本実施形態における撮像装置１００のブロック図である。撮像装置１００は、第１の実施形態の画像処理方法を実行可能な画像処理部１０４（画像処理装置）を備えている。

撮像装置１００において、被写体（不図示）は、絞り１０１ａ（または遮光部材）およびフォーカスレンズ１０１ｂを含む撮像光学系１０１（光学系）を介して撮像素子１０２に結像する。本実施形態において、撮像光学系１０１は、撮像素子１０２を有する撮像装置本体に着脱可能な交換レンズ（レンズ装置）である。ただし本実施形態は、これに限定されるものではなく、撮像装置本体と撮像光学系１０１とが一体的に構成された撮像装置にも適用可能である。

絞り値（Ｆ値）は、絞り１０１ａまたは遮光部材により決定される。撮像素子１０２は、撮像光学系１０１を介して形成された被写体像（光学像）を光電変換して画像データを出力する。撮像素子１０２から出力された画像データ（電気信号）は、Ａ／Ｄ変換器１０３に出力される。Ａ／Ｄ変換器１０３は、撮像素子１０２から入力された電気信号（アナログ信号）をデジタル信号に変換し、デジタル信号（撮影画像）を画像処理部１０４に出力する。なお、撮像素子１０２およびＡ／Ｄ変換器１０３により、撮像光学系１０１により形成された光学像（被写体像）を光電変換して撮影画像を出力する撮像手段が構成される。

画像処理部１０４は、Ａ／Ｄ変換器１０３から出力されたデジタル信号（撮像素子１０２から出力された画像データに基づいて生成された画像）に対して、状態検知部１０７および記憶部１０８の各情報を用いて所定の画像処理を行う。画像処理部１０４は、取得手段１０４ａ、第１判定手段１０４ｂ、および、第２判定手段１０４ｃを有する。

取得手段１０４ａは、画像（撮像光学系１０１により形成された画像データに基づく画像、すなわち撮影画像）を取得する。第１判定手段１０４ｂは、画像に含まれる複数の第１領域のそれぞれの色情報に基づいて、複数の第１領域のそれぞれに関する複数の第１葉色値を判定する。第２判定手段は、複数の第１葉色値に基づいて、複数の第１領域を含む第２領域に関する第２葉色値を判定する。

記憶部１０８（記憶手段）は、画像処理部１０４が画像処理（画素分類処理）を行う際に用いる機械学習に関するフィルタ情報などのデータを記憶している。ただし本実施形態において、機械学習に関するフィルタ情報などのデータを、画像処理部１０４の外部に設けられた記憶部１０８に代えて、画像処理部１０４の内部メモリに記憶させてもよい。

状態検知部１０７は、撮影時の撮影条件（撮影時刻、焦点距離、Ｆ値、撮影距離、および、像高など）に関する情報を取得する。システムコントローラ１１０は、撮影条件に関する情報を画像（撮影画像）に付加し、記憶部１０８または画像記録媒体１０９に記憶させる。システムコントローラ１１０は、画像処理部１０４、表示部１０５、撮像光学系制御部１０６、状態検知部１０７、および、画像記録媒体１０９を制御する。撮像光学系制御部１０６は、撮像光学系１０１の動作を制御する。状態検知部１０７は、撮像光学系制御部１０６により得られた情報から撮像光学系１０１の状態を検知する。撮影後に画像記録媒体１０９から所望の画像が選択されると、画像処理部１０４はその画像に対して第１の実施形態の画像処理を行うことができる。

また、撮像光学系１０１や撮像素子１０２により、取得される情報の輝度が変化することが分かっている。特に画像２０の場所により、撮像光学系１０１の口径食や撮像素子１０２の入射角特性によって、輝度が低下する現象が見られる。一方、葉色値は色度が大きく変化せずに輝度で判定結果が変化することが分かっている。つまり、判定対象となる葉色は輝度が支配的に効いているのに対し、画像２０を取得する撮像光学系１０１や撮像素子１０２によって輝度は変化してしまうという大きな課題がある。

前述したように機械学習によって葉色値判定を行う場合、撮像光学系１０１や撮像素子１０２の影響を画像空間的に加味して解析することは難しい。一方、出力された画像２０の領域ごとに、輝度がどの程度変化するかは既知で分かっている。そこで各実施形態では、ユーザにより指定された第２領域に応じて、第２葉色値を補正することが好ましい。特に画像２０の周辺に行くに応じて輝度が下がる現象を考慮し、画像２０の周辺に行くにつれて葉色値が高く判定される現象を補正する。これにより、簡易的ではあるが画像２０内の葉色の分布を高精度に補正することが可能となる。なお各実施形態では、口径食、斜入射特性による輝度変化の影響を考慮するが、葉色値の判定に影響を与える現象であればこれに限定されるものではない。

（その他の実施形態）
本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。

各実施形態によれば、簡易に高精度および高分解能な葉色判定を実現することが可能な画像処理装置、撮像装置、画像処理方法、および、プログラムを提供することができる。

以上、本発明の好ましい実施形態について説明したが、本発明はこれらの実施形態に限定されず、その要旨の範囲内で種々の変形及び変更が可能である。

例えば各実施形態は、植物の葉に関する色値である葉色値に限定されるものではなく、花や実などの色値にも適用可能である。

１０ 画像処理装置
１２ 第１判定手段
１３ 第２判定手段

Claims (15)

1. 植物の画像における複数の画素領域のそれぞれの複数の色情報に基づいて、前記複数の画素領域に関する複数の第１葉色値を判定する第１判定手段と、
   前記複数の第１葉色値に基づいて、前記画像における前記複数の画素領域を含む判定対象領域に関する第２葉色値を判定する第２判定手段と、を有することを特徴とする画像処理装置。
2. 前記第２判定手段は、前記複数の第１葉色値と、前記複数の第１葉色値に対応する前記画素領域の数との関係を示すヒストグラムに基づいて、前記第２葉色値を判定することを特徴とする請求項１に記載の画像処理装置。
3. 前記第２判定手段は、前記ヒストグラムの重心値、平均値、または最頻値を前記第２葉色値と判定することを特徴とする請求項２に記載の画像処理装置。
4. 前記複数の画素領域のそれぞれは、前記判定対象領域に含まれる一つの画素に相当することを特徴とする請求項１乃至３のいずれか一項に記載の画像処理装置。
5. 前記第１判定手段は、前記判定対象領域に含まれる全ての画素のそれぞれに関して前記第１葉色値を判定することを特徴とする請求項４に記載の画像処理装置。
6. 前記複数の画素領域のそれぞれは、前記判定対象領域に含まれる複数の画素を含む画素領域であり、
   前記第１判定手段は、前記複数の画素のそれぞれの前記色情報の平均値に基づいて、前記複数の画素領域のそれぞれに関する前記第１葉色値を判定することを特徴とする請求項１乃至３のいずれか一項に記載の画像処理装置。
7. 前記第１判定手段は、第１分解能で前記第１葉色値を判定し、
   前記第２判定手段は、前記第１分解能よりも高い第２分解能で前記第２葉色値を判定することを特徴とする請求項１乃至６のいずれか一項に記載の画像処理装置。
8. 前記色情報は、前記複数の画素領域のそれぞれのＲ、Ｇ、及びＢの輝度値に関する情報であることを特徴とする請求項１乃至７のいずれか一項に記載の画像処理装置。
9. 前記第１判定手段は、フィルタ情報に基づく機械学習を利用して前記第１葉色値を判定することを特徴とする請求項１乃至８のいずれか一項に記載の画像処理装置。
10. 前記フィルタ情報は、前記複数の画素領域から前記植物に対応する画素領域以外の画素領域を除外するノイズフィルタを含むことを特徴とする請求項９に記載の画像処理装置。
11. 前記第１判定手段は、更に前記複数の第１葉色値の確率を判定することを特徴とする請求項９または１０に記載の画像処理装置。
12. 前記第２判定手段は、ユーザにより指定された前記判定対象領域に応じて、前記第２葉色値を補正することを特徴とする請求項１乃至１０のいずれか一項に記載の画像処理装置。
13. 撮像光学系により形成された植物の光学像を光電変換して画像データを出力する撮像素子と、
    前記画像データに基づく画像における複数の画素領域のそれぞれの複数の色情報に基づいて、前記複数の画素領域に関する複数の第１葉色値を判定する第１判定手段と、
    前記複数の第１葉色値に基づいて、前記画像における前記複数の画素領域を含む判定対象領域に関する第２葉色値を判定する第２判定手段と、を有することを特徴とする撮像装置。
14. 第１判定手段により、植物の画像における複数の画素領域のそれぞれの複数の色情報に基づいて、前記複数の画素領域に関する複数の第１葉色値を判定するステップと、
    第２判定手段により、前記複数の第１葉色値に基づいて、前記画像における前記複数の画素領域を含む判定対象領域に関する第２葉色値を判定するステップと、を有することを特徴とする画像処理方法。
15. 植物の画像における複数の画素領域のそれぞれの複数の色情報に基づいて、前記複数の画素領域に関する複数の第１葉色値を判定するステップと、
    前記複数の第１葉色値に基づいて、前記画像における前記複数の画素領域を含む判定対象領域に関する第２葉色値を判定するステップと、をコンピュータに実行させることを特徴とするプログラム。

Images