JP2004340978A

JP2004340978A - 色分類装置及び色分類方法並びに色むら検査装置

Info

Publication number: JP2004340978A
Application number: JP2004235331A
Authority: JP
Inventors: Kensuke Ishii; 謙介石井
Original assignee: Olympus Corp
Current assignee: Olympus Corp
Priority date: 1995-05-23
Filing date: 2004-08-12
Publication date: 2004-12-02

Abstract

【課題】本発明は、装置構成が簡単で、低コストで、且つ機械的振動にも耐えられ、しかも光源を限定せずにそのスペクトルが変化する場合などにも良好に色分類可能であると共に、色分類精度を向上し得るようにした色分類装置及び色むらを定量可能な色むら検査装置を提供する。
【解決手段】本発明の色分類装置は、対象物の反射分光スペクトルを撮像する撮像手段と、上記対象物と撮像手段との間に設置したそれぞれ異なる帯域を持つ複数のバンドパスフィルタと、上記撮像手段によって撮像された対象物の反射分光スペクトルから統計的手法を用いた分類のための分類スペクトルを算出し、この分類スペクトルを用いて上記対象物の分類を行う分類手段とを備え、特に上記分類手段において、対象物を分類判定するのに最適な分類判定法を用いるようにしたことを特徴としている。
【選択図】図１４

Description

本発明は、複数のバンドパスフィルタを介して得られるマルチスペクトル画像を用いて対象物の測色処理を行うものであって、主に色を利用して対象物を分類する色分類装置及び色分類方法並びに対象物の色むらを検査する色むら検査装置に関する。

従来より、各工業の生産現場における塗装色、染色度の管理、または生産物の色測定、あるいは医療、学術分野における被検体の色測定などにおいては、対象物の色を識別する色識別装置が利用されている。

この種の色識別装置や測色装置として、例えば、特許文献１に示されているような従来の技術においては、対象物の反射分光スペクトルに統計的処理を施すことによって２クラスの分類を行っている。

具体的には、クラスが既知の対象物の反射分光スペクトルをＦｏｌｅｙＳａｍｍｏｎ変換（ＦＳ変換）法を利用して統計処理している（非特許文献１参照）
上記ＦＳ変換法は、２つのクラスを分類する手法で具体的には、次の（１）式によって求められるフィッシャーレショ（Ｆｉｓｈｅｒｒａｔｉｏ）Ｒ（ｄｉ）を最大にする分類のためのスペクトルｄｉを求めることである。

Ｒ（ｄｉ）＝（ｄｉ^tＳ１ｄｉ）／（ｄｉ^tＳ２ｄｉ） …（１）
ここで、ｄｉ … 分類スペクトル
ｄｉ^t … 分類スペクトル（転置）
Ｓ１ … クラス間共分散行列
Ｓ２ … クラス内共分散行列
以降、この分類のためのスペクトルｄｉを分類スペクトルと呼ぶ。

この分類スペクトルｄｉは対象物のスペクトルと同じ次元数を有するため正確にはｄｉ（λ）と表記すべきであるが簡単のためにｄｉと記す。

そして、Ｆｉｓｈｅｒｒａｔｉｏを大きくする分類スペクトルを２種類求める。

Ｆｉｓｈｅｒｒａｔｉｏを最大にする分類スペクトルｄｉを分類スペクトルｄ１、この分類スペクトルｄ１と直交するスペクトルの中でＦｉｓｈｅｒｒａｔｉｏを最大にする分類スペクトルｄ１を分類スペクトルｄ２とする。

この分類スペクトルｄ１、ｄ２で構成される空間に各データを投影することにより、２つのクラスが分類される。

この分類スペクトルｄ１、ｄ２は次の（２）式から求められる。

ｄ１＝α1 Ｓ２^-1Δ
ｄ２＝α2 Ｓ２^-1［Ｉ−（Δ^tＳ２^-2Δ）／（Δ^tＳ２^-3Δ）Ｓ／２^-1］Δ
…（２）
ここで、α1 、α2 は正規化係数、ΔはＸ1 −Ｘ2 （クラス１とクラス２の差スペクトル）、Ｉは単位行列である。

このようにして得た分類スペクトルｄ１、ｄ２で構成される空間に各データを投影するためには、分類スペクトルと対象物の反射分光スペクトルとの内積を求める。このうち、対象物の反射分光スペクトルをｆ（λ）（λ＝波長）とすれば、内積ｔ１、ｔ２は次式で表せられる。

ｔ１＝ｆ（λ）・ｄ１
ｔ２＝ｆ（λ）・ｄ２ …（３）
ここで、・は内積演算を表す。

上記特許文献１に開示の技術ではこのｔ１、ｔ２の値から図２０のように分類境界を決め、この分類スペクトルの特性を有するフィルタを図２１のように回折格子１と液晶フィルタ２を用いて実現している。なお、図２１において、参照符号３は光源用のランプである。

ところで、分類スペクトルｄ１、ｄ２は、一般に図２２に示すように形状が複雑であり、また、正負の値をとるため、回折格子１、液晶フィルタ２などの取り付け精度も厳しく要求される。

また、上記特許文献１に開示の装置では光源をあらかじめ限定しているため、異なる光源に対しての分類には不向きで、光源のスペクトルが変化する場合には良好な分類が行えないと共に、さらに回折格子はコストが高いという欠点もある。

そこで、本出願人は先に特許文献２において、複数のバンドパスフィルタを介して得られたマルチスペクトル画像を用いて対象物の色分類処理を行うようにすることにより、装置構成が簡単で、低コストで、且つ機械的振動にも耐えられ、しかも光源を限定せずにそのスペクトルが変化する場合などにも良好に色分類可能な色分類装置に係る発明の出願をなしている。
特開平３−２６７７２６号特開平８−１０５７９９号（特願平６−２４１６１４号）Ｑ．Ｔｉａｎ，Ｍ．Ｂａｒｂａｒｏ他、"ＩｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｂｙｔｈｅＦｏｌｅｙ−Ｓａｍｍｏｎｔｒａｎｓｆｏｒｍ"，ＯｐｔｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，Ｖｏｌ．２５，Ｎｏ．７，１９８６

しかるに、この特許文献２による色分類装置では、１種類の分類判定法のみで分類判定を行っているために、特に、分類精度の点でさらに向上すべき課題があった。

すなわち、１種類のみの分類判定法では、分類判定する複数対象の多次元空間内での分布状態によって分類判定性能が著しく低下し、対象によっては分類性能が悪くなる場合も起りがちであるためである。

また、従来の分光計、色差計によって対象物の色むら検査を行う場合には、スポット測定しかできないために、一度の測定で対象物の色むらを二次元的に検査することが不可能であった。

なお、この場合、数度に分けて測定を行うと、測定毎にばらつきが生じてしまうので、対象物の色むらを精度よく検査することができない。

また、カラービデオカメラからのＲＧＢ入力によって色むらの検査を行う場合には、それに用いられているカラーフィルタの特性のために、微妙な色の差を検出することが困難であるので、対象物の色むらを精度よく検査することができない。

本発明は上記の点に鑑みてなされたもので、複数のバンドパスフィルタを介して得られるマルチスペクトル画像を用いて対象物の色分類処理を行うものであって、装置構成が簡単で、低コストで、且つ機械的振動にも耐えられ、しかも光源を限定せずにそのスペクトルが変化する場合などにも良好に色分類可能であると共に、対象物を分類判定するのに最適な分類判定法を用いるようにすることにより、さらに分類精度を向上し得るようにした色分類装置及び色分類方法を提供することを目的とする。

また、本発明は上記の点に鑑みてなされたもので、複数のバンドバスフイルタを介して得られるマルチスペクトル画像を用いて対象物の色むら検査処理を行うものであって、装置構成が簡単で、低コストで、且つ機械的振動にも耐えられ、しかも光源を限定せずにそのスペクトルが変化する場合などにも良好に対象物の色むら検査処理を行うことが可能であると共に、対象物の色むら検査処理の精度を向上し得るようにした色むら検査装置を提供することを目的とする。

本発明によると、上記課題を解決するために、対象物の反射光をそれぞれ異なる帯域を有するマルチスペクトル画像として撮像するマルチスペクトル画像撮像手段と、前記マルチスペクトル画像撮像手段によって撮像された対象物のマルチスペクトル画像データから統計的手法を用いた特定の対象を分類するためのベクトルである分類スペクトルを算出し、この分類スペクトルを用いて前記対象物の分類を複数クラスにおいて行う分類手段とを具備し、前記分類手段は、それぞれ互いに異なる複数の種類の分類判定法によって前記複数クラスの分類判定を行う複数の分類判定部を備えていることを特徴とする色分類装置が提供される。

また、本発明によると、前記複数の分類判定部は直列に接続されていて互いに異なる複数の分類判定法によった分類判定が重畳的に行われることを特徴とする色分類装置が提供される。

また、本発明によると、前記分類手段は、さらに、前記対象物のクラス情報が予め記憶されているクラス情報データベースと、前記クラス情報データベースからのクラス情報に基いて前記複数の分類判定部での分類処理及び絞込方法を選択する分類判定選択機能部とを備えていることを特徴とする色分類装置が提供される。

また、本発明によると、前記分類手段は、さらに、前記複数の分類判定部の一乃至複数の判定結果を判断する判定結果判断部を備えていることを特徴とする色分類装置が提供される。

また、本発明によると、前記判定結果判断部は、前記複数の分類判定部における第１の分類判定部の判定結果に基いて第２の分類判定部での分類判定を行うか否かを判断して処理することを特徴とする色分類装置が提供される。

また、本発明によると、前記判定結果判断部は、前記複数の分類判定部における第１及び第２の分類判定部での分類判定が重畳的に行われた後、前記第２の分類判定部の判定結果に基いて再度前記第２の分類判定部での分類判定を行うか否かを判断して処理することを特徴とする色分類装置が提供される。

また、本発明によると、前記分類手段は、さらに、予め、前記マルチスペクトル画像データに対する所定の学習を行って該学習データに基いて前記分類手段による分類処理を制御する学習制御部を備えていることを特徴とする色分類装置が提供される。

また、本発明によると、前記分類手段は、さらに、前記分類判定を行いながら学習データを更新する学習データ更新部を備えていることを特徴とする色分類装置が提供される。

また、本発明によると、前記分類手段は、さらに、前記マルチスペクトル画像撮像手段によって撮像された対象物のマルチスペクトル画像データから特徴量を抽出すると共に、抽出された特徴量が所定の値より大きいマルチスペクトル画像データのみを選択して全スペクトル画像の中から判定に用いる一つまたは複数のスペクトル画像を選択する画像選択手段を具備することを特徴とする色分類装置が提供される。

また、本発明によると、前記画像選択手段によって抽出される特徴量が、前記マルチスペクトル画像撮像手段によって撮像されるマルチスペクトル画像におけるコントラスト及び濃淡差の少なくともいずれか一方を含むことを特徴とする色分類装置が提供される。

また、本発明によると、前記マルチスペクトル画像撮像手段は、前記対象物の反射光を前記マルチスペクトル撮像手段にそれぞれ異なる光の波長帯域を持つマルチスペクトル画像として結像させる光学手段を備えていることを特徴とする色分類装置が提供される。

また、本発明によると、対象物のマルチスペクトル画像データを提供するマルチスペクトル画像提供手段と、前記マルチスペクトル画像提供手段からのマルチスペクトル画像データの特徴量を抽出する特徴量抽出手段と、この特徴量抽出手段からの特徴量に基いて色むら判定を行なう色むら判定手段と、前記色むら判定手段からの色むら判定結果に基いて色むら判定結果を出力する判定結果出力手段とを具備したことを特徴とする色むら検査装置が提供される。

また、本発明によると、前記色むら判定手段は、前記マルチスペクトル画像提供手段からのマルチスペクトル画像データに基いて色むら検出処理と色むら度合い算出とを平行または順列に行なう色むら検出処理手段及び色むら度合い算出手段とを含むことを特徴とする色むら検査装置が提供される。

また、本発明によると、前記色むら判定手段は、前記色むら検出処理手段及び色むら度合い算出手段からの色むら検出処理結果及び色むら度合い算出結果とをそれぞれ格納する色むら検出処理結果格納メモリ及び色むら度合い算出結果格納メモリとを含むことを特徴とする色むら検査装置が提供される。

また、本発明によると、前記色むら判定手段は、前記色むら検出処理手段及び色むら度合い算出手段のうちの少なくとも一方において検出エリアの測色値及び色差値のうちの少なくとも一方を求めるための測色値を算出する測色値算出手段を含むことを特徴とする色むら検査装置が提供される。

また、本発明によると、前記色むら判定手段は、前記色むら検出処理手段及び色むら度合い算出手段からの色むら検出処理結果及び色むら度合い算出結果並びに前記測色値算出手段による測色値から求められる検出エリアの色差値とをそれぞれ格納する色むら検出処理結果格納メモリ及び色むら度合い算出結果格納メモリとを含むことを特徴とする色むら検査装置が提供される。

また、本発明によると、前記色むら判定手段は、予め正常部データを作成する正常部データ作成手段をさらに具備し、この正常部データ作成手段による正常部データを前記色むら検出処理手段及び色むら度合い算出手段による色むら検出処理及び色むら度合い算出時に参照可能としたことを特徴とする色むら検査装置が提供される。

また、本発明によると、前記色むら判定手段は、前記色むら検出処理手段及び色むら度合い算出手段からの色むら検出処理結果及び色むら度合い算出結果を判断する判定結果判断手段と、この判定結果判断手段による判定結果の判断に基いてクラスデータを更新するクラスデータ更新手段と、このクラスデータ更新手段によるクラスデータに基いて新規クラスを作成する新規クラス作成手段とをさらに具備し、この新規クラス作成手段による新規クラスを前記色むら検出処理手段及び色むら度合い算出手段による色むら検出処理及び色むら度合い算出時にフィードバック可能としたことを特徴とする色むら検査装置が提供される。

また、本発明によると、前記色むら判定手段は、予め検出エリアを決定する検出エリア決定手段をさらに具備し、この検出エリア決定手段による検出エリアを前記色むら検出処理手段及び色むら度合い算出手段による色むら検出処理及び色むら度合い算出時に参照可能としたことを特徴とする色むら検査装置が提供される。

また、本発明によると、前記色むら判定手段は、前記マルチスペクトル画像提供手段からのマルチスペクトル画像データに基いて予め使用マルチスペクトル画像を決定する使用マルチスペクトル画像決定手段をさらに具備し、この使用マルチスペクトル画像決定手段による使用マルチスペクトル画像を前記色むら検出処理手段及び色むら度合い算出手段による色むら検出処理及び色むら度合い算出時に参照可能としたことを特徴とする色むら検査装置が提供される。

また、本発明によると、前記色むら判定手段は、予め検出エリアを決定する検出エリア決定手段と、前記マルチスペクトル画像提供手段からのマルチスペクトル画像データに基いて予め使用マルテスペクトル画像を決定する使用マルチスペクトル画像決定手段と、予め前記検出エリア決定手段及び使用マルテスペクトル画像決定手段との処理順番を決定する処理順番決定手段とをさらに具備し、この処理順番決定手段による処理順番に基いて前記検出エリア決定手段による検出エリア及び使用マルチスペクトル画像決定手段による使用マルチスペクトル画像を前記色むら検出処理手段及び色むら度合い算出手段による色むら検出処理及び色むら度合い算出時に参照可能としたことを特徴とする色むら検査装置が提供される。

また、本発明によると、複数の種類の判定方法によって色分類判定を行う色分類方法であって、複数のバンドバスフィルタを用いて撮像した画像の色測定エリアの輝度成分を抽出して多次元データを得るステップと、前記多次元データに対して分類判定演算処理を施し、近傍クラスを抽出するステップと、前記近傍クラスが１つかを判断し、１つと判断された場合、更に判定クラスの確信度が所定の値以上かを判断し、前記判定クラスの確信度が所定の値以上と判断された場合、分類を決定するするステップと、前記近傍クラスが複数かを判断し、複数と判断された場合、若しくは前記判定クラスの確信度が所定の値以上ではないと判断された場合、前記分類判定演算処理とは異なる分類判定演算処理を施して分類を決定するステップと、を有することを特徴とする色分類方法が提供される。

従って、本発明によれば、複数のバンドパスフィルタを介して得られるマルチスペクトル画像を用いて対象物の色分類処理を行うものであって、装置構成が簡単で、低コストで、且つ機械的振動にも耐えられ、しかも光源を限定せずにそのスペクトルが変化する場合などにも良好に対象物の色分類を行うことが可能であると共に、対象物を分類判定するのに最適な分類判定法を用いるようにすることにより、さらに分類精度を向上し得るようにした色分類装置及び色分類方法を提供することができる。

また、本発明によれば、複数のバンドパスフィルタを介して得られるマルチスペクトル画像を用いて対象物の色むら検査処理を行うものであって、装置構成が簡単で、低コストで、且つ機械的振動にも耐えられ、しかも光源を限定せずにそのスペクトルが変化する場合などにも良好に対象物の色むら検査処理を行うことが可能であると共に、対象物の色むら検査処理の精度を向上し得るようにした色むら検査装置を提供することができる。

先ず、本発明の実施の形態を説明する前に、上述した特許文献２＜特開平８−１０５７９９号（特願平６−２４１６１４号）＞に記載された本発明の基本原理及び基本実施の形態について説明する。

（基本原理）
本発明では、色分類のためのフィルタとしてそれぞれ特定の波長のみを透過させるバンドパスフィルタを複数用いて得られるマルチスペクトル画像を処理することにより、簡易で安価な構成の色分類装置を実現するものである。

また、異なる光源のもとでも色分類を行うために、対象物を撮影するときと同じ条件で適当な参照板の反射分光スペクトルを計測し、対象物の反射分光スペクトルを参照板の反射分光スペクトルで補正することによって光源（照明光）の影響を除去するようにしている。

すなわち、λを波長として、対象物の反射分光スペクトルをｆ（λ）、参照板の反射分光スペクトルをｓ（λ）、照明光の反射分光スペクトルをＬ（λ）、撮影系の感度スペクトル（撮影レンズの透過スペクトル、撮像素子の感度スペクトル等）をＭ（λ）とすれば、対象物の撮影スペクトルｇｉ（λ）、参照板の撮影スペクトルｇｓ（λ）はそれぞれ
ｇｉ（λ）＝ｆ（λ）×Ｌ（λ）×Ｍ（λ）
ｇｓ（λ）＝ｓ（λ）×Ｌ（λ）×Ｍ（λ）
で表せられ、対象物のスペクトルはｇｉ′（λ）
ｇｉ′（λ）＝ｇｉ（λ）／ｇｓ（λ）＝ｆ（λ）／ｓ（λ）
…（４）
と表わせられる。

こうして照明光の反射分光スペクトルＬ（λ）の影響を除去した対象物のスペクトルｇｉ′（λ）を用いれば、異なる光源のもとでも色分類を行うことができることになる。

また、さらに照明光の輝度が異る場合には、（４）式の除算式の信号ｇｉ′（λ）のパワーを正規化すればよい。

次に、以上のような基本原理に基く本発明の基本例につき図面を参照して説明する。

（基本実施の形態）
汎用性のある基本実施の形態を図１乃至図３を参照して説明する。

本基本実施の形態による色分類装置は、図１に示すように筐体１０１、レンズ等を含む光学系１１０、図２に示すような複数枚のバンドパスフィルタ１１２Ａ，１１２Ｂ，…，１１２Ｅで構成される回転色フィルタ１１２、フィルタ位置センサ１２３、モーター１２４、モーター駆動回路１２４ａ、対象物および参照板のマルチスペクトルの画像を取り込むための例えばＣＣＤ等による撮像素子１１４、増幅器１１５、撮像素子駆動回路１２２、Ａ／Ｄ変換器１１６、フレームメモリ１１８、分類演算回路１２８、各バンドパスフィルタの適正露光を得る撮像素子１４の露光時間を記憶する露出値メモリ１２９、コントロール回路１２６とからなる。

回転色フィルタ１１２には、図２に示したように、各フィルタ位置検出孔１２５Ａ，１２５Ｂ，…１２５Ｅ及びフィルタ初期位置検出孔１２６が形成されている。

各バンドパスフィルタ１１２Ａ，１１２Ｂ，…，１１２Ｅの位置は、初期位置検出孔１２６及びフィルタ位置検出孔１２５Ａ，１２５Ｂ，…１２５Ｅをフォトインタラプタなどで構成されるフィルタ位置センサ１２３で検出することによって検出される。

この場合、コントロール回路１２６は、フィルタ位置センサ１２３からの信号により、回転色フィルタ１１２の回転を撮像素子１１４の撮像タイミングに同期させるようにモーター駆動回路１２４ａを制御する。

各バンドパスフィルタ１１２Ａ，１１２Ｂ，…，１１２Ｅを通過した像は、撮像素子１１４に結像して電気信号に変換される。

この電気信号は増幅器１１５を介してＡ／Ｄ変換器１１６でディジタル信号に変換された後に、マルチスペクトル画像データとしてフレームメモリ１１８に蓄えられ。

このフレームメモリ１１８からは、マルチスペクトル画像データの全体が外部のモニタ（図示せず）に送られると共に、分類演算回路１２８には画像中の所定の領域のデータが送られる。

つぎに、この基本実施の形態の動作を図３に示すフローチャートを参照して説明する。

まず、対象物の測定領域が設定される（ステップＳ１１）。

つぎに、回転色フィルタ１１２における１番目のバンドパスフィルタがセットされて（バンドパスフィルタ１１２Ａ）予備露光が行われ、これにより得られる測定データが所定の値の範囲に入るようになされる。

そして、このときの撮像素子１４の露光時間が対応するバンドパスフィルタの番号とともに露出値メモリ１２９に記憶される（ステップＳ１２〜Ｓ１７）。

このような予備露光が全てのバンドパスフィルタ（バンドパスフィルタ１１２Ｂ，…，１１２Ｅ）について順次行われる（ステップＳ１８〜Ｓ２０）。

このような予備露光が終了した後の測定時には、各バンドパスフィルタ１１２Ａ，１１２Ｂ，…，１１２Ｅに同期して撮像素子１１４の露光時間を変化させて、対象物の撮像が行われる。

このとき、分類演算回路１２８では、各バンドパスフィルタ毎に露出値メモリ１２９に記憶された撮像素子１４の露光時間をもとに、マルチスペクトル画像データの中から対応するバンドパスフィルタの測定データを補正した後、分類演算が行われる。

以上のように、この基本例によると、撮像素子１４の露光時間を記憶する露出値メモリ１２９を設け、各バンドパスフィルタ毎に最適露出による撮像を行う構成としたため、簡易な構成でも測定データのＳＮＲ（信号対雑音比）が向上し、分類精度が高くなる。

また、この基本実施の形態では、予備露光を行い各バンドパスフィルタに最適な露出で測定できるため、測定対象物が変化した場合でも精度良く分類できるので、汎用性のある色分類装置を実現することができる。

この基本実施の形態においては、撮像素子の露光時間を制御するようにしたので、これにより回路構成が簡略化される。

つぎに、以上のような基本実施の形態において、多クラスの分類演算を行うための分類演算回路１２８の具体例について図４の（Ａ，Ｂ，Ｃ）を参照して説明する。

多クラスの分類演算を行う際に、上述したＦＳ変換法により例えばクラス１〜４の４クラスの分類を行う場合、クラス１とクラス４のデータで算出された分類スペクトルのなす空間にクラス２，３を投影すると、クラス１とクラス２とかクラス３とクラス４といったクラス間の境界がはっきりしないことがあり、分類精度が落ちることがある。

この分類演算回路１２８は上述のような場合にも分類精度を落さず、有効に分類を行うことができるものである。

この分類演算回路１２８は図４の（Ａ）に示すように、輝度成分抽出部３０、分類演算部３２、分類判定部３４とから構成される。

先ず、分類演算部３２の構成を図４の（Ｂ）を参照して説明する。

この分類演算部３２は、図４の（Ｂ）に示すように、それぞれ分類スペクトルｄ１，ｄ２を記憶するｄ１メモリ２００，ｄ２メモリ２０１と、これらｄ１メモリ２００，ｄ２メモリ２０１との出力を切り替える切替器２０２と、分類スペクトルｄ１，ｄ２と未知の対象物からのスペクトルデータの積を取る乗算器２０３と、加算器２０４とメモリ２０５とからなる累積加算器２０６と、分類スペクトルを記憶するｄ１メモリ２１０とｄ２メモリ２１１、ｄ１メモリ２１３とｄ２メモリ２１４、ｄ１メモリ２１６とｄ２メモリ２１７、ｄ１メモリ２１０とｄ２メモリ２１１の出力を切り替える切替器２１２と、ｄ１メモリ２１３とｄ２メモリ２１４の出力を切り替える切替器２１５と、ｄ１メモリ２１６とｄ２メモリ２１７の出力を切り替える切替器２１８と、累積加算器２０６からの信号により３種類の分類スペクトルのひとつを選択する分類スペクトル選択回路２０７と、選択された分類スペクトルと未知の対象物からのスペクトルデータの積を取る乗算器２２３と、加算器２２４とメモリ２２５とからなる累積加算器２２６とから構成される。

次に、この分類演算部３２の動作について説明するが、ここでは分類するクラス数はクラス１〜４の４クラスとする。

この４クラスは多次元空間で、概ね番号順に分布しているものとし、ｄ１メモリ２００とｄ２メモリ２０１には予めクラス１とクラス４の学習データから算出された分類スペクトルｄ１_1-4とｄ２_1-4をそれぞれ記憶させておく。

また、ｄ１メモリ２１０とｄ２メモリ２１１には、予めクラス１とクラス２の学習データから算出された分類スペクトルｄ１_1-2とｄ２_1-2を、また、ｄ１メモリ２１３とｄ２メモリ２１４には、予めクラス２とクラス３の学習データから算出された分類スペクトルｄ１_2-3とｄ２_2-3を、さらにｄ１メモリ２１６とｄ２メモリ２１７には、予めクラス３とクラス４の学習データから算出された分類スペクトルｄ１_3-4とｄ２_3-4を、それぞれ記憶させておく。

先ず、輝度成分抽出部３０からの対象物の未知データは、分類演算部３２において、乗算器２０３でｄ１メモリ２００からの分類スペクトルｄ１_1-4と各成分（次元）についての積が求められる。

各成分の積は累積加算器２０６で足し合わされ、分類スペクトル選択回路２０７に入力される。

累積加算器２０６の出力は結果として未知データと分類スペクトルとの内積値となる。

次に、切替器２０２を切り替えて、ｄ２メモリ２０１側についても同様に内積値を算出し分類スペクトル選択回路２０７に送る。

分類スペクトル選択回路２０７は図４の（Ｃ）に示すように、分類判定回路２３０とセレクタ２３１とで構成され、累積加算器２０６からの内積値が入力されると分類判定回路２３０にて概略の分類判定が行われる。

ここでは、未知データはクラス１とクラス４のデータより算出された分類スペクトルｄ１_1-4とｄ２_1-4のなす空間に投影され、決められた分類境界によりクラスが決定される。

ここでは、「クラス２からクラス１寄り」「クラス２からクラス３の間」「クラス３からクラス４寄り」という３つの新しいクラスに分類するように境界が定められている。

分類判定回路２３０の出力である分類スペクトル選択信号が「クラス２からクラス１寄り」であった場合、セレクタ２３１は切替器２１２からの入力を分類スペクトルとして出力する。

これにより、分類スペクトルｄ１_1-2とｄ２_1-2が選択され、乗算器２２３と累積加算器２２６とで未知データとの内積演算が行われ、内積値は分類スペクトル選択回路２０７からの分類スペクトル選択信号とともに分類判定部３４に送られ、最終的なクラスが決定される。

分類判定回路２３０の出力である分類スペクトル選択信号が「クラス２からクラス３の間」であった場合、セレクタ２３１は切替器２１５からの入力を分類スペクトルとして出力し、「クラス３からクラス４寄り」であった場合は切替器２１８からの入力を分類スペクトルとして出力する。

これにより、最適な分類スペクトルが選択され、内積演算が行われる。

なお、この基本例では１段目の分類スペクトルを、クラス１とクラス４のデータから求めたものを使用しているが、これは分布の両端の２クラスのデータを用いるという意味ではないので、クラス２とクラス３のデータから求めた分類スペクトルを用いてもよい。

さらに、クラス１とクラス２とをひとまとめに新しいクラス１′を定義し、クラス３とクラス４とをひとまとめにした新しいクラス４′を定義し、これらのクラス１′及びクラス４′のデータを用いて算出した分類スペクトルを用いてもよい。

また、この基本実施の形態では分類判定を２段階で行っているが、分類すべきクラスの数に応じて３段階や、それ以上の多段階で行っても同様の効果が得られることはいうまでもない。

このような基本実施の形態によれば、分類判定を多段で行う構成としたため、多クラスの分類においても分類精度を落とさずに有効な分類を行うことが可能になる。

しかるに、上述したような基本実施の形態では、例えばＦＳ変換法による１種類の分類判定法のみを用いているので、分類判定する複数対象の多次元空間内での分布状態によって分類判定性能が著しく低下し、対象によっては分類性能が悪くなる場合も起りがちである。

そこで、この発明では基本実施の形態をさらに進展させるために、対象物を分類判定するのに最適な分類判定法を用いるようにしている。

次に、このような観点に立った本発明の幾つかの実施の形態について図面を参照して説明するものとする。

（第１実施の形態）
初めに、１種類の分類判定法により複数クラス内の全ての２クラス間で判定した後で総合的に判定することにより、複数対象の分類性能を向上させるようにした第１実施の形態について図５乃至図９を参照して説明する。

すなわち、第１実施の形態は、１種類の分類判定法を複数クラス内で全ての２の組み合わせの数だけ、２クラス間で分類判定を行い、その後、これらの各２クラス間の分類判定の結果を総合的に判定する処理を行うものある。

図５に示すように、この第１実施の形態では前述した基本実施の形態のような複数のバンドパスフィルタを用いた色分類装置において、分類演算回路１２８に分類決定部１７を設けていることにより、複数対象の分類性能を向上させることができる。

この分類演算回路１２８は、前述したようにして得られるマルチスペクトル画像データからの測定エリアの輝度成分を抽出する輝度成分抽出部３０と、これによる輝度成分から１種類の分類判定法により複数クラス内の全ての２クラス間で判定した後で総合的に判定する分類判定部１４からなる。

本第１実施の形態の分類判定部１４は複数対象内の全ての２クラス間の分類判定を行う分類演算部１６と、これによる各２クラス間の分類判定の結果を総合的に判定する分類決定部１７とからなる。

そして、この分類演算回路１２８からは、入力画像データに対する分類結果が出力される。

なお、この分類演算回路１２８において、学習制御部１５は予めスイッチ１３の切替えにより、各画像データに対する必要な学習を行って得られるデータが記憶されており、これらの学習データが分類判定部１４での分類判定処理時に用いられることになる。

図６は具体例として、６クラス内で分類判定する例として、分類演算部１６と分類決定部１７とからなる分類判定部１４を示す。

すなわち、この分類演算部１６には、クラスｉとクラスｊの分類ベクトルＶ_ijを記憶する複数のＶ_ijメモリ２１と、クラスｉとクラスｊのオフセット値Ｖ_oijを記憶する複数のＶ_oijメモリ２５、複数の演算器２２，２３ａ，２３ｂ及び複数のメモリ２４とが設けられる。なお、分類スペクトルのうち、同一座標軸上でクラスｉとクラスｊとを分類するための一次元の分類スペクトルを分類ベクトルＶ_ijとする。

この場合、Ｖ_ijメモリ２１と、Ｖ_oijメモリ２５、演算器２２，２３ａ，２３ｂ及び複数のメモリ２４とは、６個のクラスのうちの各２クラスに対して分類判定する場合としてそれぞれ１５個存在することになる（１５＝６＊（６−１）／２）。

入力される未知データは分類ベクトルＶ_ijと内積がとられた後、オフセット値Ｖ_oijが加算されて結果ａ_ijとして分類決定部１７に送られる。

なお、上述の内積及び加算のための計算は１５個の分類ベクトルに対して並列に行われる。

つまり、Ｖ１２メモリ２１、Ｖ_０１２メモリ２５は、クラス１、クラス２を分類するためのベクトルＶと、そのオフセットであるＶ_０とがそれぞれ記憶されているものである。

この図６では、６クラスの中で分類するための例であるので、全てのクラスに対する２の組み合わせの数だけ、つまりＶ１２、Ｖ１３、Ｖ１４からＶ５６までの、この場合は１５個のメモリ２１，２５がある。

そして、それらのメモリデータが、分類ベクトルＶ_ij及びそのオフセット値Ｖ_oijとして未知データに投影され、それぞれ演算器２２，２３ａ，２３ｂ及びメモリ２４を介して内積演算及びオフセット加算をとってａ１２、ａ１３、ａ１４からａ５６といった結果ａ_ijとして出力される。

図７は分類決定部１７のブロック図を示す。

ここに、ａ_ij＝−ａ_jiと定義するクラスｉプラスカウンター２６は、分類演算部１６から送られてくる全てのクラスｉに関する判定結果ａの符号を調べて、プラスの値をとる個数ｂｉを数え、出力する。

判別部２７ではプラスの値をとる個数ｂｉの最大値を調べ、それが最大値をとるクラスｉを総合的に決定する。

すなわち、この分類決定部１７には、このようにクラス１のプラスカウンター、クラス２のプラスカウンター、クラスｉのプラスカウンターからクラス６のプラスカウンターまで、計６個のプラスカウンター２６と呼ばれるものがある。

そして、クラス１プラスカウンター２６は、入力ａ１２、ａ１３からａ１６までの全てのクラス１に関する入力がプラスであるかマイナスであるかを判定し、プラスであった場合はカウンターで個数を数えていくといったものである。

同様に、クラス２プラスカウンター２６では、入力ａ２１、ａ２３、ａ２４、ａ２５、ａ２６までの全てのクラス２に関する入力のプラス成分を数えるといったものである。

そして、これらの各クラスプラスカウンター２６によって出力されるプラスの個数の出力ｂ１〜ｂ６に対し、判定部２７はそのｂ１、ｂ２からｂ６の出力を見て、その最大値であるクラスを決定する。

なお、以上において、分類ベクトルＶ_ij及びそのオフセット値Ｖ_oijを求めるときに統計的手法が用いられるが、図６乃至図７は線形識別器を用いている例であり、この線形識別器を用いた場合、次元数を削減しないので高精度に分類判定を行える。

これに対し、図８乃至図９はＦＳ変換を行った後、最短距離法を用いている例であり、ＦＳ変換を用いた場合、次元数が削減されているため、演算を高速に行うことができる。

図１０の（Ａ，Ｂ）は、拡張されたフィシャー値（ＤｅｃｌｕｓｔｅｒｉｎｇＣｒｉｔｅｒｉｏｎ）を最大にする分類スペクトルｄ１，ｄ２を用いた場合の分類結果の例を示す。

図８乃至図９ではＦＳ変換を用いているので分類スペクトルｄ１，ｄ２のための複数のメモリ３１，３２があり、この複数のｄ１メモリ３１，ｄ２メモリ３２とをそれぞれスイッチ１３によって切り換えて演算器２２により、入力される未知データと分類スペクトルｄ１，ｄ２との内積演算がとられる。

そして、ｄ１メモリ３１のときに出力ｃ１２，またｄ２メモリ３２のときに出力ｄ１２が演算器２３及びメモリ２４を介して出力される。

そして、このＦＳ変換による判定は、出力ｃ１２，ｄ１２によりクラス１、クラス２を分類判定したものである。

つまり、ここで分類スペクトルｄ１，ｄ２はクラス１、クラス２を最も分離するものとしてそれぞれｄ１メモリ３１，ｄ２メモリ３２に記憶されているものである。

ここでｃ_ij、ｄ_ij出力を得ているが、それらはクラスｉ、クラスｊを最も分離する分類スペクトルｄ１，ｄ２が存在していることを示している。

そして、このようにして全ての２クラスの中の、任意の２クラスを最も分離する分類スペクトルｄ１，ｄ２に全て投影された結果が分類決定部１７に送られる。

図９に示す、ＦＳ変換における分類決定部１７では、クラス１−２判定部、クラス１−３判定部、クラスｉ−ｊ判定部、クラス５−６判定部と任意の２クラスの判定部３３と判別部２７とが存在している。

この判定部３３では、以上のようにして得られたｃ１２，ｄ１２とクラス１との距離、クラス２との距離を判定し、近い方のクラスを求めている。

そして、求まった出力からクラス１かクラス２か、クラス１かクラス３かといった結果が、ｄ１、ｄ２からｅｎとして出力される。

つまり、ここでｎというのは、２の組み合わせの数だけあることになり、この場合５×６÷２＝１５なので１５個の出力が出る。

そして、判別部２７では最も多かった判定をカウントし、総合的な判定結果として出力する。

なお、図８においてｄ１メモリ３１、ｄ２メモリ３２にＦＳ変換におけるフィッシャレシオを最大とする分類スペクトルｄ１、ｄ２を記憶するのに代えて、これらのメモリに拡張されたフィッシャレシオを最大にするベクトルを記述していく方法も考えられる。

これは、ディクラスタリングクライテリオン（ＤｅｃｌｕｓｔｅｒｉｎｇＣｒｉｔｅｒｉｏｎ）法と呼ばれるもので、これを用いると図１０Ａ，Ｂに示すような分類結果が得られる。

ここでは、ＤｅｃｌｕｓｔｅｒｉｎｇＣｒｉｔｅｒｉｏｎ法に基いてＦ１、Ｆ２といったベクトルを求めるが、このベクトルに未知データを投影すると、２クラスはある一方のクラスが集中し、他のクラスが広がる、散らばるといったようなベクトルが求まる。

このような場合は、図９の判別部２７では、それぞれのクラス判定部３３からの出力により判定するが、分類境界を求めてその内側に存在するかどうかを調べることになる。

そして、ベクトルがクラス１−２判定部の出力ｅ１、クラス１−３判定部の出力ｅ２といった２クラスにおけるどちらかのクラスに属するかという判定が出力されるのに対して、それらを判別部２７において総合的に判定する。

この場合、分類判定境界は、予め学習制御部１５によって、クラス１とクラス２の学習データから求められ、ここの判定部３３では、境界の内側にあるか外側にあるかを判定する。

なお、ＤｅｃｌｕｓｔｅｒｉｎｇＣｒｉｔｅｒｉｏｎ法については、非特許文献２等によるものとする。
"ＡＤｅｃｌｕｓｔｅｒｉｎｇＣｒｉｔｅｒｉｏｎｆｏｒＦｅａｔｕｒｅＥｘｔｒａｃｉｏｎｉｎＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ"ｂｙＪＯＨＮＦＥＨＬＡＵＥＲＡＮＤＢＲＵＣＥＡ．ＥＩＳＥＮＳＴＥＩＮ，ＩＥＥＥＴＲＡＮＳＡＣＴＩＯＮＳＯＮＣＯＭＰＵＴＥＲＳ．ＶＯＬ．Ｃ−２７，Ｎｏ．３，ＭＡＲＣＨ１９７８このようにして、ＤｅｃｌｕｓｔｅｒｉｎｇＣｒｉｔｅｒｉｏｎ法を用いた場合、構成は図８、図９と変わらないが、図９のクラスｉ−ｊ判定部３３において、図１０の（Ａ，Ｂ）に示すような分類境界内に投影されるか否かを求めて判定する。

この手法は分類対象の多次元空間内での平均ベクトルが近い場合、有効な分類判定法となる。

従って、以上のように本発明の第１実施の形態によれば、分類判定したい複数のクラスの中で一度に判定せず、複数のクラスの中から２クラスづつ選択して、その中で判定してから最後に総合的に判定しているため、より高精度に分類判定を行うことができる。

（第２実施の形態）
次に、２種類の分類判定部を用いて、複数対象の分類性能を向上させるようにした本発明の第２実施の形態について図１１を参照して説明する。

図１１は２種類の分類判定部４１，４２を直列に接続して分類判定を行うようにした本発明の第２実施の形態による色分類装置の構成を示す。

複数対象を精度良く分類するためには、上述した第１実施の形態のように２クラス分類を全て行い総合的に判定するか、階層的に分類判定処理を行い絞り込む方法があるが、どちらの方法でも分類判定の対象となるクラス数が増えると、処理時間が増大してしまう。そこで、分類判定処理の中でも最も処理規模が小さい最短距離法を初めに行って、近傍の数クラスに絞り込んでから高精度に分類判定処理を行えば、複数対象の分類判定処理を高速に行うことができる。

このため本第２実施の形態の分類演算回路１２８は、複数のバンドパスフィルタを用いて撮像したマルチスペクトル画像内のエリアの色情報を得るための輝度成分を抽出する輝度成分抽出部３０と、ここで抽出されたデータを初めに分類判定する第１の分類判定部４１と、この分類判定部４１の結果を重畳的にもう一度分類判定する第２の分類判定部４２とからなる。

分類判定部４１は分類演算部４３と分類対象数を絞り込む近傍クラス判定部４４からなる。

分類判定部４２は分類演算部４５と分類決定を行う分類決定部４６からなる。

なお、図１１において、学習制御部１５は第１実施例と同様な機能を有しているものとする。

すなわち、第２実施の形態は、２種類の分類判定部を用いて分類精度を向上させた実施の形態である。

図１１において、分類演算回路１２８は輝度成分を抽出した後に直列の２つの分類判定部４１，４２があり、このように複数の分類判定部を設けているのが特徴であり、特に、この第１の分類判定部４１と、第２の分類判定部４２とは違った分類判定法を用いていることが特徴となる。

この図１１の実施の形態の場合、まず第１の分類判定部４１で近いクラスをいくつかに絞って判定し、次に、その絞られたクラスの中で第２の分類判定部４２による分類判定を行うことによって分類結果を出す。

このようにして、第２実施の形態は、分類判定する対象が多数存在する場合に、まず第１の分類判定部４１では距離による近傍クラスを求めるような簡単な処理を用いて、近いものだけをピックアップし、次に第２の分類判定部４２では後述するようなピースワイズ線形識別器等の精度の高い分類判定を行うことによって、処理を速くし、しかも高精度に判定することができる。

なお、学習時には、輝度成分が学習制御部１５を介して学習データ用のメモリに、学習データのサンプルデータとして記述される。

（第３実施の形態）
前述した第２実施の形態と同様に２種類の分類判定法を用いて、複数対象の分類精度を向上させるようにした第３実施の形態を図１２及び図１３を参照して説明する。

すなわち、この第３実施の形態では、図１２に示すように複数のバンドパスフィルタを用いた色分類装置において、分類演算回路１２８に判定結果判断部５１を設けて、分類判定部４１の判定結果に基づき他の分類判定部４２をコントロールすることにより、複数対象の分類精度を向上させるようにしたものである。

第３実施の形態の分類演算回路１２８は、複数のバンドパスフィルタを用いて撮像したマルチスペクトル画像内のエリアの色情報を得るための輝度成分を抽出する輝度成分抽出部３０と、抽出されたデータを初めに分類判定する第１の分類判定部４１と、この分類判定部４１の結果を判断する判定結果判断部５１と、この判定結果判断部５１の結果に基づき必要ならばもう一度データを分類判定する第２の分類判定部と４２から成る。

第１及び第２の分類判定部４１，４２はそれぞれ分類演算部４３，４５及び分類決定部４４，４６を有している。

学習制御部１５は第１実施の形態と同様の機能を有しているものとする。

すなわち、図１２では、図１１を拡張し、判定結果判断部５１なるブロックを有している。

これは、第１の分類判定部４１における判定結果を判定結果判断部５１において、その判定結果が適切かどうかを調べ、適切であれば、そのまま素通りさせて分類結果として分類演算回路１２８から出力させる。

その判定結果がもう一度判定した方がよい場合には、それを第２の分類判定部４２に送る。

つまり、第１の分類判定部４１でピースワイズ線形識別器等での分類判定処理を行うが、判定結果判断部５１でピースワイズ線形識別器等での判別結果では分類判定できない場合に、第２の分類判定部４２でＦＳ変換後に近傍等の距離による判定を行うことにより、処理を確実にして分類結果を出す。

図１３は初回の分類判定結果に基づき階層的に分類判定処理を行う処理の流れを示す。

複数枚のバンドパスフィルタを用いて撮像した画像の色測定エリアの輝度成分を抽出し、多次元データを得る（ステップ５０１）。

得られた多次元データに対して分類判定演算処理１（ステップ５０２）を施し、近傍クラスを抽出する（ステップ５０３）。

判定結果判断部５１では、第１の分類判定部４１で得られた近傍クラスが一つであるかを調べ（ステップ５０４）、判定結果の確信度が所定の値以上かを調べる（ステップ５０５）。

判定結果判断部５１の判断結果より、必要ならば第２の分類判定部４２により分類判定演算処理２（ステップ５０６）を行って分類を決定する（ステップ５０７）。

このような構成で階層的に分類判定処理を行うことによって、多クラスをより高精度に分類判定することができる。

例えば、第１の分類判定部４１では多クラスの線形識別器であるピースワイズ線形識別器（ＰｉｅｃｅｗｉｓｅＬｉｎｅａｒＤｉｓｃｒｉｍｉｎａｎｔＦｕｎｃｔｉｏｎＭｅｔｈｏｄ）を用いて、第２の分類判定部４２ではＦＳ変換後に最短距離法を用いて高度な多クラスの分類判定処理を行うことができる。

線形識別器は次元を削減せずに分類判別線を作成するため、分類性能は良いが、対象の種類と対象の数によっては分類判定できないことがある。

そこで、判定結果判断部５１にて第１の分類判定部４１での判定結果を検証し、その結果によっては第２の分類判定部４２でＦＳ変換による分類判定を行う。

なお、線形識別器については、非特許文献３等によるものとする。
Ｋ．Ｆｕｋｕｎａｇａ"ＩｎｔｒｏｄｕｃｔｉｏｎｔｏＳａｓｔｉｃａｌＰａｔｔｅｒｎＲｅｃｏｇｎｉｏｎ"のＣｂａｐｔｅｒ４ＬＩＮＥＡＲＣＬＡＳＳＩＦＩＥＲＳ（第４実施の形態）次に、第３実施の形態を拡張して画像内の微妙な色の違いを判定するようにした第４実施の形態について図１４を参照して説明する。

すなわち、第４実施の形態では、複数のバンドパスフィルタを用いた色分類装置において、あるクラスとそれ以外のクラスとの２クラスに分類する場合に、分類演算回路１２８内に学習データ更新部６１と、判定結果判断部５１とを具備することによって、両クラスの学習を行うことなく精度よく２クラスを分類判定することができる。

本第４実施の形態の分類演算回路１２８は、複数のバンドパスフィルタを用いて撮像した画像内のエリアの色情報を得るための輝度成分を抽出する輝度成分抽出部３０と、抽出されたデータを初めに分類する分類判定部４１と、学習の制御を行う学習制御部１５と、学習データを更新する学習データ更新部６１と、分類判定結果を判断する判定結果判断部５１と、判定結果判断部５１の結果に基づき必要ならば繰り返しデータを分類判定する第２の分類判定部４２とからなる。

すなわち、図１４に示すような第４実施の形態では、輝度成分を抽出した後に、第１の分類判定部４１の処理を行った後、第１の分類判定部４１での内容に基づいて更新部６１により学習データを更新させると共に、そのまま第２の分類判定部２に処理データを送る。

第２の分類判定部４２から出力された結果は、判定結果判断部５１に送られ、必要ならばもう一度学習データ更新部６１により学習データを更新し、再度、第２の分類判定部４２に戻される。

つまり、この学習データ更新部６１から第２の分類判定部４２を介して判定結果判断部５１までの間がループとなっており、判定結果判断部５１で、初めの分類結果としての判定結果を適切な判定結果として見做さない場合は、ここを繰り返して処理するように、ループ状に繰り返し処理を行うようになっている。

図１５は第４実施の形態によって画像内の微妙な色むらを検出する際の処理フローを示す。

先ず、この処理フローを概要について説明する。

複数枚のバンドパスフィルタで撮像された画像から、判定エリアｉにおける輝度成分を抽出し多次元のデータを得る（ステップ６０３）。

このデータが、予め、メモリに学習してある正常部の学習データとの距離が大きければ、この判定エリアｉは色むらと判定し（ステップ６０６）、学習データに登録する（ステップ６０７）。

また、このデータが、所定の値よりも小さければ、この判定エリアｉは正常と判定し（ステップ６０８）、学習データに登録する（ステップ６０９）。

このようにして、判定エリア全域での判定が終了したら第２分類判定部４２で再度判定を行う。

第２分類判定部４２では、判定エリアｉと学習データメモリの正常部特徴ベクトルとの距離ｄ１を調べる（ステップ６１４）と共に、色むら特徴ベクトルとの距離ｄ２を調べる（ステップ６１５）。

これによって、算出した距離ｄ１とｄ２とを比較し（ステップ６１６）、ｄ２がｄ１よりも大きければ色むら、小さければ正常部と判定し（ステップ６１７，６１９）、各学習データを更新する（ステップ６１８，６２０）。

そして、判定エリア全域で判定が終了したら判定結果判断部５１にて必要に応じて分類判定部４２の再検査を行う。

次に、色むら検出のフローを詳細に説明する。

ステップ６０１で、マルチスペクトル画像の入力がなされる。

そして、ステップ６０２で画像番号をｉ＝０とし、これは判定すべきエリアであって、判定エリアとしてｉ＝０と初期値に入力する。

そして、ステップ６０３で画像判定エリアｉのデータを検出し、ステップ６０４で予め学習してあった正常部との距離を算出する。

次に、ステップ６０５で正常部との距離が所定の値以上かどうかを調べ、所定の値以上離れていた場合は、ステップ６０６で色むらがあると判定し、離れていなかった場合にはステップ６０８で正常部と判定する。

そして、色むらがあると判定された場合は、ステップ６０７で色むらの学習データに登録する。

また、正常部の判定結果はステップ６０９で正常部のデータとして登録する。

そして、ステップ６１０で画像内の全てのエリアにおいて判定し、それが終了するまで、ステップ６１１でｉ＝ｉ＋１としてループを繰り返す。

そして、色むらを検出すべく全てのエリアにおいて、第１回目の判定がステップ６１０で終了する。

ここまでの処理、つまり、正常部との距離からムラかあるいは、正常かを判定するのが第１の分類判定部４１であり、この第１の分類判定部４１における色むらかあるいは、正常という２つの学習データが作成される。

そして、その作成された学習データにどちらが近いかといった判定処理を行うのが第２の分類判定部４２である。

また、ステップ６１２でｉ＝０として判定エリアｉ＝０と初期値を入力し、ステップ６１３で判定エリアｉのデータを検出する。

そして、ステップ６１４で正常部学習部データとの距離ｄ１を求め、ステップ６１５でムラの部分の学習データとの距離ｄ２を求める。

次に、ステップ６１６でｄ２がｄ１以上であるかどうかを調べて、ｄ２の方が大きければステップ６１７で色むらと判定し、ｄ１の方が大きければステップ６１９で正常部と判定する。

そして、ステップ６１８，６２０において、色むら部分と正常部それぞれの学習データを更新する。

そして、ステップ６２１からの内側のループにおいてステップ６２２によりｉ＝ｉ＋１としてまず全てのエリアに対して判定を行う。

そして、ステップ６２３で判定結果判断部５１により、再判定を行うかどうかを調べ、行う場合は、もう一度第２の分類判定部４２により分類判定を行う。

このような処理によって、色むらの部分の学習データと正常部の学習データの部分とが回数を繰り返し行うことによって、適切なものに更新される。

そして、第４実施の形態によれば、結果としても分類精度の良い検出を行うことができる。

（第５実施の形態）
次に、複数の種類の分類判定法を用いて、複数対象の分類判定精度を向上させるようにした第５実施の形態について図１６を参照して説明する。

すなわち、複数対象の分類判定精度は、対象数、分布状態等によって左右されるので、分類対象の特徴によって、最適な分類方法を選択することにより、複数対象の分類判定精度を向上させるようにしたのが、この第５実施の形態である。

この第５実施の形態において採用される複数の種類の分類判定法としては、前述したＦＳ変換法、ピースワイズ法、デクラスタリングクライテリオン法以外に、ＫＬ変換法、ＦＫ変換法、ＨＴＣによる分類法、判別分析法、正規直行判別分析法、Ｍａｌｉｎａ法、ノンパラ化による方法、部分空間法、ＦＥ法等を採用することができる。

この第５実施のの形態分類演算回路１２８は図１６に示すように、複数のバンドパスフィルタを用いて撮像したマルチスペクトル画像内のエリアの色情報を得るための輝度成分を抽出する輝度成分抽出部３０と、分類対象の情報を記憶するクラス情報データベース７１と、クラス情報データベースの情報をもとに分類処理、絞込方法を選択する分類判定方法選択機能部７２と、抽出されたデータを分類判定する複数の分類判定部４１と、分類判定結果を判断する判定結果判断部５１と、クラス情報データベース７１を更新するデータベース更新部７３とからなる。

上記分類判定方法選択機能部７２は、処理選択部７４及び絞込方法選択部７５とを有している。

また、複数の分類判定部４１は、上述したような複数の種類の分類判定法から採用される互いに異なる分類判定法による分類判定を行うために、それぞれ分類演算部４３と分類決定部４４とを有している。

すなわち、この第５実施の形態は、分類判定部をｎ個用意して最適な分類判定を行う場合の実施の形態である。

この第５実施の形態の分類演算回路１２８は、特徴としては輝度成分抽出したものから、このクラス情報をもったデータベース７１を持っているということであり、例えば、このデータベース７１を元に分類判定法を選択する分類判定方法選択機能部７２を持つ。

そして、複数の分類判定部４１は、それぞれ上述した実施の形態と同じように分類結果を判断し出力する。

このクラス情報データベース７１の中には、クラスの分布状況や多次元空間内での中心座標、近いクラス等が記述されており、あるクラスにおける近傍クラス等が記述されたものをデータベース化しておく。

そして、輝度成分を抽出した後、分類判定方法選択機能部７２では、どの分類判定法による処理を行うか、すなわちＦＳ変換にするか、ピースワイズ法にするか、ディクラスタリングクライテリオン法における判定とするか、といった処理が処理選択部７４でまず選択される。

そして、絞込方法選択部７５では、多クラスの中から例えば７クラスの場合、７から３個に減らして、それをさらに２個に減らして、最終的に１個に絞るか、あるいは７から５個にして、５個から３個、それから２個、１個に絞ろうといった絞り込みの個数、絞り込み方法を決定する。

そして、この分類判定法選択機能部７２によって、得られた分類方法に応じて複数の分類判定部１〜ｎまでのどれにするかが決められる。

そして、複数の分類判定部４１による判定は、判定結果判断部５１から再び戻されるようなループになっている。

この判定結果判断部５１ではこの絞り込み方法の情報を含む、判定結果からデータベース更新部７３を介してデータベース７１を更新させる機能を持っている。

これによって、上述した実施の形態のように正常部、異常部といった２クラスの分類以外でもより高精度に、繰り返し処理を行うが、その各クラスのデータを更新させることによって、もう一度同じ処理を行った場合には、違った出力が出るようになっている。

そして、判定結果判断部５１で、所定の値以上の確信度が求まったとき、それが分類結果として出力される。

このようにして第５実施の形態は、分類判定方法選択機能部７２を用いることによって、繰り返し何回分類判定を行うか、どの分類判定を使うかといったことを選択することによって多クラスの分類判定をより高精度に行うものである。

図１７は第５実施の形態による処理フローを示す。

先ず、マルチスペクトル画像から輝度成分を抽出し、多次元データを得る（ステップ７０１）。

次に、学習モードか否かを判断し（ステップ７０２）、学習モードならばモード切り替えスイッチ１３を切り替え多次元データを学習データに登録し（ステップ７０３）、クラス情報データベースを更新して（ステップ７０４）、処理を終了する。

自動判定モードならデータベースを参照しながら分類判定処理方法を設定する（ステップ７０５）。

ここでは、得られた未知データと、分類判定したい複数対象の多次元空間内の分布状態等を参照しながら、どの分類判定処理を用いるか、判定絞り込み方法はどうするかを設定する（ステップ７０６）。

次に、設定された分類判定方法にそって、分類判定を行う（ステップ７０７）。

そして、設定された分類判定方法と、分類判定結果をもとに再検査を行うか判断する（ステップ７０８）。

ここで、再検査する場合には、判定結果を登録し（ステップ７０９）、データベースを更新（ステップ７１０）して、もう一度分類判定選択機能に戻る。

（第６実施の形態）
分類演算を高速化、分類精度を向上する第６実施の形態について図１８及び図１９を参照して説明する。

すなわち、複数のバンドパスフィルタを用いた色分類装置において、異なるバンドパスフィルタで撮像された画像は、必ずしも全てが分類に有効な特徴量を持っているとは限らない。

そこで、分類に影響の少ない、または分類性能を低下させるデータを持つ画像を省くことで、演算速度を高め、分類性能を向上させるようにしたのが、この第６実施の形態である。

この第６実施の形態の色分類装置は、複数枚の異なる通過帯域特性をもつバンドパスフィルタを用いて画像を撮像するマルチスペクトル画像撮像部８１と、画像処理８２と、特徴を抽出した分類に用いる画像を選択する画像選択手段８３と、分類判定を行う分類手段８４とからなる。

すなわち、この第６実施の形態で図１の基本実施の形態に示したような複数のバンドパスフィルタを用いた色分類装置に相当する図１８のマルチスペクトル画像撮像部８１は、複数の異なるバンドパスフィルタを介て撮像されたマルチスペクトル画像データを出力する。

このマルチスペクトル画像データは画像処理部８２で必要な平滑化等の画像処理が施される。

そして、本実施の形態では、これらの画像処理が行われた画像データに対し、画像選択手段８３でその次元を削減し、次元が削減されたデータで分類手段８４により色分類が行われる。

図１９は、第６実施の形態によって不要な画像を取り除いて、できるだけ高速に分類判定処理を行えるようにするための処理の流れを示す。

ここでは５枚のバンドパスフィルタを持つ色分類装置として、図１８に示した本実施の形態の画像処理部２、画像選択手段８３における動作を説明する。

５枚のバンドパスフィルタを用いてデータを入力した場合、５枚（すなわち、５次元）の画像が得られるので、それを初期化して順次に読み出す（ステップ９０１，９０２）。

読み出された画像一枚毎に、必要ならば平滑化等の画像処理を施しノイズを除去する（ステップ９０３）。

これを全ての画像にて処理が終了したか否かを判定し（ステップ９０４）、再度読み出すために、画像の番号の初期化を行う（ステップ９０５）。

そして、一枚一枚の画像を順に読み出し（ステップ９０６）、特徴量を抽出する（ステップ９０７）。

この特徴量が所定の値よりも大きいか否かを調べ（ステップ９０８）、所定の値よりも大きければ、その画像の番号をメモリに書き込み（ステップ９０９）、引き続き次の画像の特徴量を調べる（ステップ９１０）。

なお、以上において、抽出する特徴量は画像のコントラストや濃度差等である。

そして、分類手段８４による分類判定は、選択された画像（すなわち、特徴量が大きくとれるバンドパスフィルタによる画像）からのデータだけを使用するように制御することで、入力、分類演算ともに扱うデータ量が削減されるのでより高速な分類判定ができる。

また、ノイズを含む画像を分類判定に用いないために、より高精度に分類判定することができる。

画像内の微妙な色むら等を検査する際には、画像の特徴量として画像のコントラスト、最大濃淡差等を用いる。

各次元に対応するバンドパスフィルタを用いて撮像した画像でコントラストや濃淡差が小さいものは、色むらを検出するには有効な特徴量を得られないのでその次元を削減することができる。

コントラストを用いた場合、検出するエリア全体の特徴量がより正確に得られ、濃淡差を用いた場合は処理速度をより高速にすることができる。

なお、以上のような第１乃至第６実施の形態のおける効果をまとめると、以下の通りである。

（１）全ての２クラス間での判定を基に総合的にクラス分類を行うので、誤判定が減少する。

（２）粗く分類する場合には高速な手法、細かく分類する場合には正確な手法を用いることにより、高速且つ誤りの少ない判定が可能となる。

（３）分類手法を直列に用いることにより、前段でクラス数を絞り込めるので、後段の処理が高速となる。

（４）分類の対象物の数やクラス数に応じて誤り率や演算速度を考慮し、最適な分類手法を用いるために、汎用性が高くなる。

（５）判定結果の信頼性が低い場合にはさらに詳細に判定を行うので、誤り判定率が減少する。

（６）第１の判定結果の信頼性が低いときはさらに詳細な分類を行い、信頼性が高い場合はそこで打ち切るので、判定が高速になる。

（７）学習制御部によって、最小限の学習で複数対象の分類判定が可能となる。

（８）分類判定を行いながら学習データを更新していくので、予め学習を行うことなしに分類判定を行うことができる。

（９）分類に必要のない次元、または妨げになる次元を削除することにより、高速且つ誤りの少ない判定が可能となる。

（１０）コントラスト、濃淡差を特徴量として用いることにより、その次元の画像が分類に有効か否かを判断するための演算が簡単になる。

ところで、上述した第４実施の形態では、色むらの有無を検出することはできたが、色むらの大きさを定量することはできなかった。

そこで、次に、色むらの大きさを定量することができるようにした色むら検査システムに係る基本構成及び幾つかの実施の形態について説明する。

（基本構成）
図２０は、この色むら検査システムの基本構成を示すブロック図である。

図２０において、マルチスペクトル画像フレームメモリ３１８は、図１のフレームメモリ１１８に相当するものであって、図１の場合と同様にして対象物のマルチスペクトル画像データが格納されるものとする。

このマルチスペクトル画像フレームメモリ３１８に格納された対象物のマルチスペクトル画像データは、分類演算回路３２８の特徴量抽出部３２９Ａ，Ｂに読み出されて所定の処理がなされる。

すなわち、この特徴量抽出部３２９Ａ，Ｂは、測色値等を求める処理の場合には、図４の輝度成分抽出部３０と同様の輝度成分抽出部として機能するが、標準偏差等の画像の特徴量を必要とする場合には、特徴量抽出部として機能する。

このうち特徴量抽出部３２９Ａからの輝度成分あるいは標準偏差等の特徴量は、実質的に後述する色むら検出部として機能する分類評価部３３０において、対象物の色むら検出を行うのに供される。

また、特徴量抽出部３２９Ｂからの輝度成分あるいは標準偏差等の画像の特徴量は、実質的に後述する色むら度合い算出部として機能する分類評価部３４０において、対象物の色むら度合い算出を行うのに供される。

すなわち、分類判定部３３０は、対象物の色分類の分類結果を出力するのに対して、分類評価部３４０は、対象物の色むら判定等の評価値を出力する。

（第７実施の形態）
図２１は、以上のような基本構成に基く第７実施の形態としての色むら検査装置の構成を示すブロック図である。

先ず、色むら検出処理部３３０と色むら度合い算出部３４０とを有する色むら検査装置に係る第７実施の形態について説明する。

上述した第４実施の形態では、色むらの有無を検出することはできたが、色むらの大きさを定量することはできなかったので、この第７実施の形態では、色むら度合い算出部３４０を設けて対象物の色むらの度合いを定量化できる色むら検査システムを実現している。

図２１において、マルチスペクトル画像フレームメモリ３１８は、図１のフレームメモリ１１８に相当するものであって、図１の場合と同様にマルチスペクルト画像を取り込めるＣＣＤ撮像素子等で撮像された対象物のマルチスペクトル画像データが格納されるものとする。

このマルチスペクトル画像フレームメモリ３１８に格納された対象物のマルチスペクトル画像データは、色むら判定部３２８Ａに読み出されて所定の処理がなされる。

そして、この色むら判定部３２８Ａの処理出力に基づいて、判定結果出力部３４５から判定結果が出力されることになる。

この色むら判定部３２８Ａには、前述したと同様の特徴量抽出部３２９Ａ，Ｂ及び色むら検出処理部３３０と色むら度合い算出部３４０という２つの処理部がある。

そして、色むら検出処理部３３０と色むら度合い算出部３４０とにおけるそれぞれの処理結果は、色むら検出結果格納メモリ３４２と色むら度合い算出結果格納メモリ３４４に記憶、保存される。

図２１においては、色むら検出処理と色むら度合い算出処理とを並列に行うことができる。

また、色むら度合い算出部３４０では、上述した第４実施の形態のように濃淡差だけではなく、マルチスペクトル画像の標準偏差、コントラスト、濃度ヒストグラムにおける歪度あるいは尖度等の特徴量を用いることによって、精度良く色むら度合いを定量化することができる。

（第８実施の形態）
図２２は、上述した第７実施の形態のように色むら検出処理と色むら度合い算出処理とを並列に行うのでなく、それを順列に処理を行うようにした第８実施の形態としての色むら検査装置の構成を示すブロック図である。

図２２において、マルチスペクトル画像フレームメモリ３１８は、図１のフレームメモリ１１８に相当するものであって、図１の場合と同様にマルチスペクルト画像を取り込めるＣＣＤ撮像素子等で撮像された対象物のマルチスペクトル画像データが格納されるものとする。

このマルチスペクトル画像フレームメモリ３１８に格納された対象物のマルチスペクトル画像データは、色むら判定部３２８Ｂに読み出されて所定の処理がなされる。

そして、この色むら判定部３２８Ｂの処理出力に基づいて、判定結果出力部３４５から判定結果が出力されることになる。

この色むら判定部３２８Ｂには、前述したと同様の特徴量抽出部３２９Ａ，Ｂ及び色むら検出処理部３３０と色むら度合い算出部３４０という２つの処理部がある。

この場合、マルチスペクトル画像フレームメモリ３１８に格納された対象物のマルチスペクトル画像データは、先ず、処理１のルートにより、特徴量抽出部３２９Ａを介して色むら検出処理部３３０で色むら検出が行われる。

そして、色むら検出処理部３３０での色むら検出の結果を色むら検出結果格納メモリ３４２に保存した後、次に、処理２のルートにより、特徴量抽出部３２９Ｂを介して色むら度合い算出部３３０において色むら度合いが算出される。

しかるに、このとき、色むら度合い算出部３４０は、色むら検出結果格納メモリ３４２に保存した色むら検出結果を参照しながら、色むら度合いを算出するようにしている。

なお、以上において、色むら検出結果格納メモリ３４２に保存した色むら検出の結果が、更新された場合には、その都度毎に処理２のルートに移行するようにしてもよい。

また、色むら度合い算出部３４０においては、マルチスペクトル画像の標準偏差を色むら度合いとしたり、色むら検出処理部３３０での色むら検出の結果を学習することによって得られる前述したようなフィッシヤー比、デクラスタリングクライテリオン法による算出値を色むら度合いとすることができる。

また、この場合、上述した第４実施の形態による色むら判定法により、２クラスでの色むら検出を行った後で、その２クラスで前述したようなＦＳ変換をしてフィッシヤー比等を求めて色むら度合いとすることもできる。

そして、第８実施の形態としての色むら検査システムにおいて、処理１のルート及び処理２のルートの順序は、上述とは逆にしてもよい。

すなわち、色むら度合いを先に求めてその色むらの度合いを参照しながら、その色むらを検出するようにしてもよいものである。

（第９実施の形態）
図２３は、第９実施の形態として色むら判定部３２８Ｃ内に、特徴量抽出部３２９と測色値算出部３４７とを有する色むら検査装置の構成を示すブロック図である。

図２３において、マルチスペクトル画像フレームメモリ３１８は、図１のフレームメモリ１１８に相当するものであって、図１の場合と同様にマルチスペクルト画像を取り込めるＣＣＤ撮像素子等で撮像された対象物のマルチスペクトル画像データが格納されるものとする。

このマルチスペクトル画像フレームメモリ３１８に格納された対象物のマルチスペクトル画像データは、色むら判定部３２８Ｃに読み出されて所定の処理がなされる。

そして、この色むら判定部３２８Ｃの処理出力に基づいて、判定結果出力部３４５から判定結果が出力されることになる。

この色むら判定部３２８Ｃには、色むら検出処理部３３０と色むら度合い算出部３４０という２つの処理部があると共に、特徴量抽出部３２９と測色値算出部３４７とがある。

この場合、マルチスペクトル画像フレームメモリ３１８に格納された対象物のマルチスペクトル画像データは、色むら判定部３２８Ｃの特徴量抽出部３２９に読み出されて所定の処理がなされる。

すなわち、この特徴量抽出部３２９は、測色値を求める処理の場合には、図４の輝度成分抽出部３０と同様の輝度成分抽出部として機能するが、標準偏差等の画像の特徴量を必要とする場合には、特徴量抽出部として機能する。

そして、色むら判定部３２８Ｃ内の測色値算出部３４７は、マルチスペクトル画像データを得るのに用いられている図１の回転色フィルタ１１２によるバンドパスフィルタの特性を考慮して測色値を参照するために設けられているものである。

そして、色むら検出処理部３３０で色むら検出処理を行うとき、または色むら度合い算出部３４０で色むら度合いの算出を行うときに、測色値算出部３４７による測色値を参照した処理を行わせる。

これによって、色むら検査を行うときに、ある一定の色差以上の場合には色むらと判断すると共に、一定の色差以下の場合には正常と判断することができるようになる。

また、色むら度合い算出部３４０では、色差の最大値や、測色値、測色値自体の標準偏差等を色むら度合いとして用いることができる。

図２４は、図２３の処理の流れを示すフローチャートである。

この図２４では、色差による色むら検出の処理の例を示している。

先ず、色むら検出処理が開始されると、マルチスペクトル画像の入力が行われた後、検出エリア全体の平均の測色値が求められる（ステップＳ１０１，Ｓ１０２）。

この場合、例えば、Ｌ＊ａ＊ｂ値やＸ，Ｙ，Ｚｄ刺激値といった測色値が求められる。

そして、検出エリアを分割して、分割エリア番号ｉ＝０を初期値として入力する（ステップＳ１０３，Ｓ１０４）。

そして、分割エリア１つ１つの測色値を求めて分割エリアｉの測色値を算出し、検出エリア全体との色差値が求められる（ステップＳ１０５，Ｓ１０６）。

そして、色差が所定以上の値かどうかを調べて、所定以上の値だった場合には色むらと判定して表示する（ステップＳ１０７，Ｓ１０８）。

そして、色差が所定以上の値でなければ正常と判定してする（ステップＳ１０９）。

そして、全ての分割エリアについて判定が終了したかを調べ、判定していない場合には、分割エリア番号を１つインクリメントして、処理を繰り返し行う（ステップＳ１１０，Ｓ１１１）。

続いて、図２５は、色差による色むら度合い検出の例を示すフローチャートである。

先ず、色むら度合い検出処理が開始されると、マルチスペクトル画像の入力が行われた後、検出エリア全体の平均の測色値が求められる（ステップＳ１１２，Ｓ１１３）。

そして、検出エリアを分割して、分割エリア番号ｉ＝０を初期値として入力する（ステップＳ１１４，Ｓ１１５）。

そして、分割エリア１つ１つの測色値を求めて分割エリアｉの測色値を算出し、検出エリア全体との色差値が求められる（ステップＳ１１６，Ｓ１１７）。

次に、算出した色差を色むら度合い算出結果保存メモリ３４４に保存して、全ての分割エリアについて色差算出が終了したかを調べ、算出していない場合には、分割エリア番号を１つインクリメントして、処理を繰り返し行う（ステップＳ１１８，Ｓ１１９，Ｓ１２０）。

そして、全ての分割エリアで色差を求めた後に、検出エリア全体の色むら度合いを色むら度合い算出結果保存メモリ３４４に記憶されている全ての分割エリアにおける色差を総合的にフィルタ計算して、検出エリア全体の色むら度合いを検出して処理を終了する（ステップＳ１２１）。

図２６は、図２１の処理の流れの中の色むら度合い算出処理を示すフローチャートである。

すなわち、図２６は、一つの分割エリアを１次データとして扱うことができるとき、フィルタ毎に色むら度合いを算出して総合的な色むら度合いを数値化する例である。

この場合、先ず、色むら度合い算出を行う際に、まず入力されたマルチスペクトル画像における使用フィルタの選択基準によって、色むら度合い算出に用いるフィルタとしてどのフィルタ（任意の枚数）を用いるかが決定される（ステップＳ１２２，Ｓ１２３）。

そして、用いるフィルタの中で、まずフィルタ番号ｉ＝０を初期値として入力する（ステップＳ１２４）。

そして、フィルター１枚１枚に対して検出エリア全体の色むら度合いを標準偏差（濃淡差標準偏差）等により算出して、それを色むら度合い判定結果メモリ３４４に記憶する（ステップＳ１２５，Ｓ１２６）。

そして、全ての使用フィルタにて判定が終了したかどうかを調べて、判定していない場合には、分割エリア番号を１つインクリメントして、処理を繰り返し行うことにより、全ての使用フィルタにて色むら度合いを算出する（ステップＳ１２７，Ｓ１２８）。

そして、全ての使用フィルタにて判定が終了していれば、判定結果メモリに保存された全てフィルター毎の色むら度合いを総合的に計算して、対象物の色むら度合いを数値化する（ステップＳ１２９）。

（第１０実施の形態）
図２７は、色むら判定部３２８Ｄ内に、正常部データ作成部３４９を有して色むら判定、色むら検査を行うようにした第１０実施の形態としての色むら検査装置の構成を示すブロック図である。

図２７において、マルチスペクトル画像フレームメモリ３１８は、図１のフレームメモリ１１８に相当するものであって、図１の場合と同様にマルチスペクルト画像を取り込めるＣＣＤ撮像素子等で撮像された対象物のマルチスペクトル画像データが格納されるものとする。

このマルチスペクトル画像フレームメモリ３１８に格納された対象物のマルチスペクトル画像データは、色むら判定部３２８Ｄに読み出されて所定の処理がなされる。

そして、この色むら判定部３２８Ｄの処理出力に基づいて、判定結果出力部３４５から判定結果が出力されることになる。

この色むら判定部３２８Ｄには、色むら検出処理部３３０と色むら度合い算出部３４０という２つの処理部がある。

この場合、先ず、マルチスペクトル画像フレームメモリ３１８に格納された対象物のマルチスペクトル画像データは、色むら判定部３２８Ｄにおけるスイッチ３４８によってルート１の正常部データ作成部３４９に前述したと同様の特徴量抽出部３２９Ａを介して入力される。

この正常部データ作成部３４９では、先ず、正常部データ算出部３５０で正常部データを算出し、それを正常部データ格納部メモリ３５１に保存する。

そして、次に、スイッチ３４８によってルート２の処理に切り替えて、前述したと同様の特徴量抽出部３２９Ｂ及び３２９Ｃを介して色むら検出処理部３３０と色むら度合い算出部３４０とによる色むら判定処理行う際に、色むら判定部３２８Ｂでは、予め正常部データ格納部メモリ３５１に保存されている正常部データを参照しながら色むら検出処理や、色むら度合い算出を行って判定結果を出力する。

この正常部データ作成部３４９としては、入力されたあるいはファイルからロードした基準測色値や基準標準偏差等を用いることができる。

この場合、正常部データを一度作成したら次の対象物からそれと同じ正常部データでよい場合には、ルート２の処理から始めるようにしてもよい。

また、正常部データ作成部３４９としては、マルチスペクトル画像フレームメモリ３１８に格納された対象物のマルチスペクトル画像データから算出した検出エリア内の平均やメディアンの値や、検出エリア全体にローパスフィルタを掛けた画像を用いることができる。

この場合、その都度毎に、ルート１及びルート２の処理を順列で行う必要がある。

こうすることによって、正常部学習データを指定しないで対象物の色むらの検査を行うことができる。

（第１１実施の形態）
図２８は、色むら判定部３２８Ｅ内に、正常部データ作成部３４９及び新規クラス作成部３５４を有して色むら判定、色むら検査を行うようにした第１１実施の形態としての色むら検査装置の構成を示すブロック図である。

図２８において、マルチスペクトル画像フレームメモリ３１８は、図１のフレームメモリ１１８に相当するものであって、図１の場合と同様にマルチスペクルト画像を取り込めるＣＣＤ撮像素子等で撮像された対象物のマルチスペクトル画像データが格納されるものとする。

このマルチスペクトル画像フレームメモリ３１８に格納された対象物のマルチスペクトル画像データは、色むら判定部３２８Ｅに読み出されて所定の処理がなされる。

そして、この色むら判定部３２８Ｅの処理出力に基づいて、判定結果判断部３５２から判定結果が出力されることになる。

この色むら判定部３２８Ｅには、色むら検出処理部３３０と色むら度合い算出部３４０という２つの処理部がある。

この場合、先ず、マルチスペクトル画像フレームメモリ３１８に格納された対象物のマルチスペクトル画像データは、色むら判定部３２８Ｅにおける前述したと同様の特徴量抽出部３２９を介してスイッチ３４８によってルート１の正常部データ作成部３４９に入力される。

この正常部データ作成部３４９では、前述したと同様にして正常部データを作成する。

次に、スイッチ３４８によってルート２に切換えて、色むら検出処理部３３０で、前述したと同様にして色むら検出処理が行われ、その色むら検出の結果が色むら検出結果格納メモリ３４２に保存される。

そして、新規クラス作成部３５４では、クラスデータ更新部３５３による判定結果判断部３５２からの色むら判定結果を参照しながら、クラスデータを更新するか否かすなわち、そのクラスデータを元に新しいクラスが作成できるかどうかを調べて、新しいクラスが作成できる場合には、新しいクラスを作成する。

そして、新しいクラスに基いて、再度、色むら検出処理にフィードバックを掛けるような手法が実行される。

なお、新規クラス作成部３５４で新しいクラスをどのようにして作成するかについては、それの学習処理部３５５においてユークリッドやマハラノビス距離による補間で新しいクラスを作成し、それを新規クラス登録部３５６に登録することができる。

また、新規クラス作成部３５４では、マルチスペクトル空間における各画素のベクトルのベクトルの内積値を閾値によってクラスタリングすることによって新しいクラスを登録することができる。

あるいは、新規クラス作成部３５４では、色むら検出結果格納メモリ３４２に保存される各画素を前述したようなＦＳ変換や、多変量解析等で学習することによって新しいクラスを登録するようにしてもよい。

このようして、第１１実施の形態では、色むら検出処理にフィードバック処理を使用することにより、第４実施の形態の色むら検出では色むらの有無のみを示す二値しか出力できなかったのが、色むらを多値で出力することができるようになる。

図２９及び図３０は、このような第１１実施の形態によって色むら多値判定を行う場合のフローチャートを示している。

色むら検出処理が開始されると、先ず、マルチスペクトル画像データが入力されて、検出エリア平均ベクトルが作成され、その平均ベクトルが正常部学習データとされる（ステップＳ１３０，Ｓ１３１）。

そして、検出エリアを分割した後、最大色むら度合いの最大値をＭａｘ＝０と初期化すると共に、分割エリア番号もｉ＝０と初期化する（ステップＳ１３２，Ｓ１３３，Ｓ１３４）。

そして、分割エリアｉの１つ１つの平均ベクトルを求めた後、正常部学習データとの多次元空間内の距離（ユークリッド、マハラノビス）Ｄを算出する（ステップＳ１３５，Ｓ１３６）。

そして、このＤが最大値かどうかを判定するが、先に、Ｍａｘ＝０と設定したので、１回目は必ずＹＥＳの方に分岐することになるが、このとき一番距離が大きいかどうか、すなわち、Ｍａｘ＝Ｄを調べておくものとする（ステップＳ１３７，Ｓ１３８）。

そして、距離ＤがＭａｘよりも大きければ、すなわち、色むら度合いＭａｘよりも大きければ、Ｍａｘ＝Ｄと入力して、分割エリアｉの平均ベクトルを再遠距離学習データとして、最もむらの大きい学習データとして記憶する（ステップＳ１３９）。

そして、全ての分割エリアでの判定が終了したか否かをて判定して、終了していなければ、分割エリア番号をｉ＝ｉ＋１とインクリメントして、ステップＳ１３５以降の処理を繰り返す（ステップＳ１４０，Ｓ１４１）。

そして、全ての分割エリアにての判定を行った後、多値出力のために、何段階で判定するかを決定する（この場合は仮にクラス数＝５として、５段階に分けることにする。ステップＳ１４２）。

そして、正常部学習データの平均ベクトルと最も遠い距離にあったむらの学習部データの平均ベクトルとの差ベクトルを求める（ステップＳ１４４）。

この差ベクトルを分割クラスに等分割し、各クラスの平均ベクトルを算出することによって、多クラスを定義することができる。

そして、もう一度色むらの判定処理を行うために、もう一度分割エリア番号をｉ＝０と初期化して、分割エリアの平均ベクトルがどのクラスの平均ベクトルの学習データのベクトルに最も近いを繰り返し計算する（ステップＳ１４５，Ｓ１４６，Ｓ１４７）。

そして、全ての分割エリアでの判定が終了したか否かをて判定して、終了していなければ、分割エリア番号をｉ＝ｉ＋１とインクリメントして、ステップＳ１４６以降の処理を繰り返す（ステップＳ１４８，Ｓ１４９）。

そして、その計算から学習データを更新して、判定結果判定部３５２で再検査を行うかどうかを調べて、必要であればフィードバック処理をするようになっている（ステップＳ１５０，Ｓ１５１）。

このようにして新規クラス作成部３５６を設けることによって、第４実施の形態の色むら検出では二値出力しかできなかったのが、第１１実施の形態では色むらを多値で出力することができるようになる。

すなわち、第１１実施の形態では、前述したように、繰り返しフィードバック処理することによって、１回目の色むら判定で二値に出力された結果を元に学習することによって、色むら部と正常部のマルチスペクトル空間内の分類ベクトルを作成することができる。

そして、２度目の色むら判定処理部では求めた分類ベクトルに投影することによって、色むらを多値で出力することができる。

（第１２実施の形態）
図３１は、色むら判定部３６９と、判定結果出力部３４５と、処理コントロール部３５８とを有して色むら判定、色むら検査の処理時間を短縮するようにした第１２実施の形態としての色むら検査装置の構成を示すブロック図である。

図３１において、マルチスペクトル画像フレームメモリ３１８は、図１のフレームメモリ１１８に相当するものであって、図１の場合と同様にマルチスペクルト画像を取り込めるＣＣＤ撮像素子等で撮像された対象物のマルチスペクトル画像データが格納されるものとする。

このマルチスペクトル画像フレームメモリ３１８に格納された対象物のマルチスペクトル画像データは、スイッチ３５７の自動判定モード切換え時に、色むら判定部３４０に読み出されて所定の処理がなされる。

そして、この色むら判定部３４０の処理出力に基づいて、判定結果出力部３４５から判定結果が出力されることになる。

図３１で、処理コントロール部３５８は、図１のコントロール部１２６内部をハードウェアコントロール部及び処理コントロール部とに分けたとき、後者の処理コントロール部に相当する構成を示しており、この構成によって色むら判定、色むら検査の精度を向上することができると共に、処理時間を短縮することができる。

この処理コントロール部３５８の構成は、前述した第１乃至第６実施の形態において、多クラス分類を行う場合にも適用することができるものである。

そして、この処理コントロール部３５８には、色むらの検査エリア決定部３６３と、使用マルチスペクトル画像決定部３６６と、処理順番決定部３６０とが備えられている。

先ず、検出エリア決定部３６３では、最初の処理時に、それの画像処理部３６４で画像処理を行って、検出エリア自体を検出エリア格納メモリ３６５に保存する。

そして、次の処理で色むら判定を行うときに、この検出エリア格納メモリ３６５を参照しながら、色むら判定が行われる。

この検出エリア決定部３６３では、二値化や輪郭抽出または特定の色を抽出することにより、これまでの画像の中の長方形で囲えるようなエリアだけでなく、複雑な部分の色むらの判定処理を行うことができると共に、その判定エリアを限定して画素数を減らすことによって色むら判定処理の時間を短縮することができる。

また、使用マルチスペクトル画像決定部３６６では、最初の処理時に、それの画像特徴量算出部３６７の処理でマルチスペクトル画像の特徴量を算出し、その特徴量を元に使用画像決定部３６８で使用画像を決定し、その決定された使用画像番号を使用画像番号格納メモリ３６９に格納する。。

そして、色むら判定部３４０では、この使用画像番号格納メモリ３６９を参照しながら、そのフィルタにおける画像を使うか、使わないかを判断した後で前述した実施の形態と同様の色むら判定処理を行って判定結果出力部３４５から判定結果が出力されるようにしている。

また、使用マルチスペクトル画像決定部３６６では、コントラストや濃淡差、濃度ヒストグラムの特徴量や平均値、標準偏差等を使うことができる。

さらに、処理順番決定部３６０では、スイッチ３５７の学習判定モード切換え時に、それの処理時間算出部３６１を介して処理時間を算出して、処理順番を決定し、その処理順番を処理順番格納メモリ３６２に格納する。

ここで、処理順番決定とは、上記検出エリア決定部３６３及び使用マルチスペクトル画像決定部３６６での処理をいずれを先に行うかを決定するもので、処理順番格納メモリ３６２に格納された処理順番データに従って、スイッチ３５９によって処理の順番が切り替えられるようになっている。

そして、学習判定モードというのは毎回の処理について、毎回検出エリア決定部３６３や使用マルチスペクトル画像決定部３６６を通してから色むら判定を行うと場合である。

また、自動判定モードというのは、測定条件が変わらないつまり測定条件が一定の場合に、順次に未知対象物の色むら判定を行うと場合である。

まず、始めに、検出エリア格納部メモリ３６５や使用画像番号格納メモリ３６９に何も入っていない状態では、それらのメモリに検出エリアや、使用マルチスペクトル画像の番号を入れるために、各種判定を行うことになる。

一度目の学習判定モードでは、まず対象物のマルチスペクトル画像データからそれぞれの検出エリア決定や使用マルチスペクトル画像の決定、必要な処理時間が算出される。

そして、その処理時間から処理の順番を決定して、それを処理順番格納メモリ３６２に格納する。

この処理順番データがスイッチ３５９にフィードバックされることによって、例えば、マルチスペクトル画像を決める時間が、検出エリアを決める時間よりも長い場合は、必ず、検出エリアを先に決定してから使用画像を決定することになる。

また、検出エリアの決定に掛かる時間の方が使用マルチスペクトル画像の決定よりも長い場合は先に使用マルチスペクトル画像を決定することになる。

こうして、処理順番を処理時間を元に入れ替えることによって、全体の処理時間を短縮させることができる。

そして、学習判定モードや自動判定モード時に、色むら判定部３４０によって色むら判定を行う場合には、検出エリア格納メモリ３６５と使用画像番号格納メモリ３６９を参照しながら色むら判定処理を行って判定結果を判定結果出力部３４５に送ることができる。

なお、以上のような第７乃至第１２実施の形態における効果をまとめると、以下の通りである。

（１）対象物の色むらの度合いを定量できる色むら検査システムを実現することができる。

（２）色むら検査を行うときに、ある一定の色差以上の場合には色むらと判断すると共に、一定の色差以下の場合には正常と判断することができる。

（３）測色値を用いて、検出処理や色むら度合い算出を行う場合に、フィルタ毎に色むら度合いを算出して総合的な色むら度合いを数値化することができる。

（４）正常部学習データを指定しないで対象物の色むらの検査を行うことができる。

（５）色むらを多値で出力することができる。

（６）色むら判定、色むら検査の精度を向上することができると共に、処理時間を短縮することができる。

本発明の基本実施の形態の色分類装置を示すブロック図。本発明の基本実施の形態に用いる回転色フィルタの模式図。本発明の基本実施の形態の動作を説明するフローチャート。本発明の基本実施の形態の分類演算回路を示すブロック図と基本例の分類演算部を示すブロック図及び基本例の分類スペクトル選択回路を示すブロック図。本発明の第１実施の形態の色分類演算回路を示すブロック図。本発明の第１実施の形態の分類判定部を示すブロック図。本発明の第１実施の形態の分類決定部を示すブロック図。本発明の第１実施の形態の分類判定部の変形例を示すブロック図。本発明の第１実施の形態の分類決定部の変形例を示す図。本発明の第１実施の形態の分類結果の例を示す図。本発明の第２実施の形態の色分類演算回路を示すブロック図。本発明の第３実施の形態の色類演算回路を示すブロック図。本発明の第３実施の形態の処理の流れを示すフローチャート。本発明の第４実施の形態の色分類演算回路を示すブロック図。本発明の第４実施の形態において色ムラを検出する場合の処理の流れを示すフローチャート。本発明の第５実施の形態の色分類演算回路を示すブロック図。本発明の第５実施の形態の処理の流れを示すフローチャート。本発明の第６実施の形態の色分類演算回路を示すブロック図。本発明の第６実施の形態の要部の処理の流れを示すフローチャート。本発明による色むら検査装置の基本構成を示すブロック図。本発明の第７実施の形態の色むら検査装置を示すブロック図。本発明の第８実施の形態の色むら検査装置を示すブロック図。本発明の第９実施の形態の色むら検査装置を示すブロック図。本発明の第９実施の形態の色むら検査装置の要部の処理の流れを示すフローチャート。本発明の第９実施の形態の色むら検査装置の要部の処理の流れを示すフローチャート。本発明の第９実施の形態の色むら検査装置の要部の処理の流れを示すフローチャート。本発明の第１０実施の形態の色むら検査装置を示すブロック図。本発明の第１１実施の形態の色むら検査装置を示すブロック図。本発明の第１１実施の形態の色むら検査装置の要部の処理の流れを示すフローチャート。本発明の第１１実施の形態の色むら検査装置の要部の処理の流れを示すフローチャート。本発明の第１２実施の形態の色むら検査装置を示すブロック図。従来の色識別装置の分類境界を説明する図。従来の色識別装置の構成を示す図。従来の色識別装置の分類スペクトルの一例を示す図である。

符号の説明

１０１…筐体、
１１０…光学系、
１０１…絞り、
１２６…絞り制御回路、
１１２Ａ〜１１２Ｅ…バンドパスフィルタ、
１１２…回転色フィルタ、
１２３…フィルタ位置センサ、
１２４…モーター、
１２４ａ…モーター駆動回路、
１１４…撮像素子、
１１５…増幅器、
１１６…Ａ／Ｄ変換器、
１１８…フレームメモリ、
１２８…分類演算回路、
１２９…露光値メモリ、
１２６…コントロール回路、
１２２…撮像素子駆動回路、
３０…輝度成分抽出部、
１３…スイッチ、
１４…分類判定部、
１５…学習制御部、
１６…分類演算部、
１７…分類決定部、
４１，４２…分類判定部、
５１…判定結果演算部、
７１…クラス情報データベース、
７２…分類判定方法選択機能部、
７３…データベース更新部、
８１…マルチスペクトル画像撮像部、
８２…画像処理部、
８３…画像選択手段、
８４…分類手段、
３１８…マルチスペクトル画像フレームメモリ、
３２８…分類演算回路、
３２９（Ａ，Ｂ，Ｃ）…特徴量抽出部、
３３０…分類判定部、
３４０…分類評価部（色むら判定部）、
３４１…色むら検出処理部、
３４２…色むら検出結果格納メモリ、
３４３…色むら度合い算出部、
３４４…色むら度合い算出結果格納メモリ、
３４５…判定結果出力部、
３４７…測色値算出部、
３４８…スイッチ、
３４９…正常部データ作成部、
３５３…クラスデータ更新部、
３５４…新規クラス作成部、
３５７…スイッチ、
３５８…処理コントロール部、
３６０…処理順番決定部、
３６３…検出エリア決定部、
３６６…使用マルチスペクトル画像決定部。

Claims

対象物の反射光をそれぞれ異なる帯域を有するマルチスペクトル画像として撮像するマルチスペクトル画像撮像手段と、
前記マルチスペクトル画像撮像手段によって撮像された対象物のマルチスペクトル画像データから統計的手法を用いた特定の対象を分類するためのベクトルである分類スペクトルを算出し、この分類スペクトルを用いて前記対象物の分類を複数クラスにおいて行う分類手段とを具備し、
前記分類手段は、
それぞれ互いに異なる複数の種類の分類判定法によって前記複数クラスの分類判定を行う複数の分類判定部を備えていることを特徴とする色分類装置。
前記複数の分類判定部は直列に接続されていて互いに異なる複数の分類判定法によった分類判定が重畳的に行われることを特徴とする請求項１に記載の色分類装置。
前記分類手段は、さらに、
前記対象物のクラス情報が予め記憶されているクラス情報データベースと、
前記クラス情報データベースからのクラス情報に基いて前記複数の分類判定部での分類処理及び絞込方法を選択する分類判定選択機能部とを備えていることを特徴とする請求項１に記載の色分類装置。
前記分類手段は、さらに、
前記複数の分類判定部の一乃至複数の判定結果を判断する判定結果判断部を備えていることを特徴とする請求項１または３に記載の色分類装置。
前記判定結果判断部は、
前記複数の分類判定部における第１の分類判定部の判定結果に基いて第２の分類判定部での分類判定を行うか否かを判断して処理することを特徴とする請求項４に記載の色分類装置。
前記判定結果判断部は、
前記複数の分類判定部における第１及び第２の分類判定部での分類判定が重畳的に行われた後、前記第２の分類判定部の判定結果に基いて再度前記第２の分類判定部での分類判定を行うか否かを判断して処理することを特徴とする請求項４に記載の色分類装置。
前記分類手段は、さらに、
予め、前記マルチスペクトル画像データに対する所定の学習を行って該学習データに基いて前記分類手段による分類処理を制御する学習制御部を備えていることを特徴とする請求項１乃至６のいずれかに記載の色分類装置。
前記分類手段は、さらに、
前記分類判定を行いながら学習データを更新する学習データ更新部を備えていることを特徴とする請求項１乃至６のいずれかに記載の色分類装置。
前記分類手段は、さらに、
前記マルチスペクトル画像撮像手段によって撮像された対象物のマルチスペクトル画像データから特徴量を抽出すると共に、抽出された特徴量が所定の値より大きいマルチスペクトル画像データのみを選択して全スペクトル画像の中から判定に用いる一つまたは複数のスペクトル画像を選択する画像選択手段を具備することを特徴とする請求項１乃至８のいずれかに記載の色分類装置。
前記画像選択手段によって抽出される特徴量が、前記マルチスペクトル画像撮像手段によって撮像されるマルチスペクトル画像におけるコントラスト及び濃淡差の少なくともいずれか一方を含むことを特徴とする請求項９に記載の色分類装置。
前記マルチスペクトル画像撮像手段は、
前記対象物の反射光を前記マルチスペクトル撮像手段にそれぞれ異なる光の波長帯域を持つマルチスペクトル画像として結像させる光学手段を備えていることを特徴とする請求項１乃至１０のいずれかに記載の色分類装置。
対象物のマルチスペクトル画像データを提供するマルチスペクトル画像提供手段と、
前記マルチスペクトル画像提供手段からのマルチスペクトル画像データの特徴量を抽出する特徴量抽出手段と、
この特徴量抽出手段からの特徴量に基いて色むら判定を行なう色むら判定手段と、
前記色むら判定手段からの色むら判定結果に基いて色むら判定結果を出力する判定結果出力手段とを具備したことを特徴とする色むら検査装置。
前記色むら判定手段は、
前記マルチスペクトル画像提供手段からのマルチスペクトル画像データに基いて色むら検出処理と色むら度合い算出とを平行または順列に行なう色むら検出処理手段及び色むら度合い算出手段とを含むことを特徴とする請求項１２に記載の色むら検査装置。
前記色むら判定手段は、
前記色むら検出処理手段及び色むら度合い算出手段からの色むら検出処理結果及び色むら度合い算出結果とをそれぞれ格納する色むら検出処理結果格納メモリ及び色むら度合い算出結果格納メモリとを含むことを特徴とする請求項１３に記載の色むら検査装置。
前記色むら判定手段は、
前記色むら検出処理手段及び色むら度合い算出手段のうちの少なくとも一方において検出エリアの測色値及び色差値のうちの少なくとも一方を求めるための測色値を算出する測色値算出手段を含むことを特徴とする請求項１３に記載の色むら検査装置。
前記色むら判定手段は、
前記色むら検出処理手段及び色むら度合い算出手段からの色むら検出処理結果及び色むら度合い算出結果並びに前記測色値算出手段による測色値から求められる検出エリアの色差値とをそれぞれ格納する色むら検出処理結果格納メモリ及び色むら度合い算出結果格納メモリとを含むことを特徴とする請求項１５に記載の色むら検査装置。
前記色むら判定手段は、
予め正常部データを作成する正常部データ作成手段をさらに具備し、
この正常部データ作成手段による正常部データを前記色むら検出処理手段及び色むら度合い算出手段による色むら検出処理及び色むら度合い算出時に参照可能としたことを特徴とする請求項１３に記載の色むら検査装置。
前記色むら判定手段は、
前記色むら検出処理手段及び色むら度合い算出手段からの色むら検出処理結果及び色むら度合い算出結果を判断する判定結果判断手段と、
この判定結果判断手段による判定結果の判断に基いてクラスデータを更新するクラスデータ更新手段と、
このクラスデータ更新手段によるクラスデータに基いて新規クラスを作成する新規クラス作成手段とをさらに具備し、
この新規クラス作成手段による新規クラスを前記色むら検出処理手段及び色むら度合い算出手段による色むら検出処理及び色むら度合い算出時にフィードバック可能としたことを特徴とする請求項１３に記載の色むら検査装置。
前記色むら判定手段は、
予め検出エリアを決定する検出エリア決定手段をさらに具備し、
この検出エリア決定手段による検出エリアを前記色むら検出処理手段及び色むら度合い算出手段による色むら検出処理及び色むら度合い算出時に参照可能としたことを特徴とする請求項１３に記載の色むら検査装置。
前記色むら判定手段は、
前記マルチスペクトル画像提供手段からのマルチスペクトル画像データに基いて予め使用マルチスペクトル画像を決定する使用マルチスペクトル画像決定手段をさらに具備し、
この使用マルチスペクトル画像決定手段による使用マルチスペクトル画像を前記色むら検出処理手段及び色むら度合い算出手段による色むら検出処理及び色むら度合い算出時に参照可能としたことを特徴とする請求項１３に記載の色むら検査芸置。
前記色むら判定手段は、
予め検出エリアを決定する検出エリア決定手段と、
前記マルチスペクトル画像提供手段からのマルチスペクトル画像データに基いて予め使用マルテスペクトル画像を決定する使用マルチスペクトル画像決定手段と、
予め前記検出エリア決定手段及び使用マルテスペクトル画像決定手段との処理順番を決定する処理順番決定手段とをさらに具備し、
この処理順番決定手段による処理順番に基いて前記検出エリア決定手段による検出エリア及び使用マルチスペクトル画像決定手段による使用マルチスペクトル画像を前記色むら検出処理手段及び色むら度合い算出手段による色むら検出処理及び色むら度合い算出時に参照可能としたことを特徴とする請求項１３に記載の色むら検査装置。
複数の種類の判定方法によって色分類判定を行う色分類方法であって、
複数のバンドバスフィルタを用いて撮像した画像の色測定エリアの輝度成分を抽出して多次元データを得るステップと、
前記多次元データに対して分類判定演算処理を施し、近傍クラスを抽出するステップと、
前記近傍クラスが１つかを判断し、１つと判断された場合、更に判定クラスの確信度が所定の値以上かを判断し、前記判定クラスの確信度が所定の値以上と判断された場合、分類を決定するするステップと、
前記近傍クラスが複数かを判断し、複数と判断された場合、若しくは前記判定クラスの確信度が所定の値以上ではないと判断された場合、前記分類判定演算処理とは異なる分類判定演算処理を施して分類を決定するステップと、
を有することを特徴とする色分類方法。