JP6597972B2 - 画像処理装置および画像処理方法 - Google Patents

Description

本発明は、画像の分類等を実行する画像処理装置、及び、画像処理方法に関する。

例えば、半導体基板、ガラス基板、プリント基板等の製造技術分野では、製品に含まれる異物や傷、エッチング不良等の欠陥を検出し、分析し、あるいは、評価することが行われる。欠陥の分析と評価のため、評価対象物を光学顕微鏡、または走査型電子顕微鏡等の顕微鏡を用いて外観検査が行われる。外観検査では、顕微鏡等により評価対象物を撮像し、得られた画像について、複数種類の特徴量を算出して自動分類を行うことが研究されている。この種の技術においては、典型的な欠陥を含む基準画像として予め与えられた教師画像に基づく学習アルゴリズムを利用した分類技術が提案されている（特許文献１、２等参照）。従来の技術では、欠陥種別に対応する分類カテゴリの１つ１つに対して、教師画像選定の基準となる複数の典型画像を操作者に指定させ、指定された典型画像に基づく処理を実行することで、分類精度の向上が図られている。しかし、この技術では、操作者が多数の欠陥画像を個々に目視確認して、多数の欠陥画像の中から典型画像を選び出すという作業を行う必要があった。

このような問題に対応するために、複数の欠陥画像を多次元特徴量空間にプロットした場合に互いに近接して塊を形成する画像群を１つのグループとして、大きなグループから順に、当該グループに属する画像を典型画像の候補としてユーザに提示する方法が提案されている。この方法では、収集された多数の欠陥画像がその特徴量に応じて予めいくつかのグループに仕分けられた状態で提示されるので、典型画像を選び出す作業におけるユーザの負荷が軽減される。

特開２０１０−０７１８２６号公報 特開２０１３−２５４２８６号公報 特開２００３−３１７０８２号公報 特開２０１３−１６７５４５号公報 特開２０１４−００６６１３号公報

上記した従来技術では、多次元特徴量空間にプロットした場合に互いに近接して塊を形成する画像群を得るため、「近接している」という条件を座標軸ごとに操作者が調整する場合があり、結果的に操作者は試行錯誤で作業を行うこととなる。本発明は、このような課題に鑑みてなされたものである。

本発明の目的は、画像を分類するために学習アルゴリズムに利用される教師画像を選び出す作業、あるいは、教師画像選定の基準となる典型画像と呼ばれる画像を選び出す作業において、操作者を効果的に支援することである。

本発明の一側面は、以下の画像処理装置によって例示される。すなわち、本画像処理装置は、特徴量取得部と、コード化部と、グループ化部と、カテゴリ設定部とを有する。特徴量取得部は、複数の対象画像のそれぞれについて複数種類の特徴量を取得する。コード
化部は、取得した複数種類の特徴量のそれぞれを２以上の段階に区分し、区分に応じた数値を付与し、前記数値を所定順に組み合わせたコード値を生成する。したがって、操作者の試行錯誤を伴う作業によらず、コード値が生成される。
グループ化部は、複数の対象画像のうち、同一のコード値を有する画像を組み合わせて画像グループを形成する。したがって、操作者の試行錯誤を伴う作業によらず、画像グループが形成される。
カテゴリ設定部は、形成された画像グループから少なくとも１つの対象画像を表示するとともに、表示された対象画像が含まれる画像グループのカテゴリを示す情報の設定を受け付ける。したがって、画像処理装置は、対象画像から画像グループを形成し、操作者に表示するので、操作者による画像グループのカテゴリを示す情報の設定を支援できる。このカテゴリは、複数種類の特徴量を算出して自動分類するときの分類カテゴリということができる。また、この画像グループは、典型的な欠陥を含む基準画像として学習アルゴリズムに利用される教師画像、あるいは教師画像を選定するための典型画像として用いることができる。

本発明によれば、画像を分類するために学習アルゴリズムに利用される教師画像を選び出す作業、あるいは、教師画像選定の基準となる典型画像と呼ばれる画像を選び出す作業において、操作者を効果的に支援することができる。

画像分類装置の概略構成を示す図である。 画像分類装置による欠陥画像の分類の流れを示す図である。 ホストコンピュータの構成を示す図である。 分類器を学習させるためのホストコンピュータの構成と構成検査・分類装置との関係を示すブロック図である。 教師データ作成部の機能構成を示すブロック図である。 記憶部内に記憶されている情報の構造の一部を示す図である。 教師データ作成処理を例示するフローチャートである。 欠陥画像のサンプル例である。 画像分類装置によって生成された特徴コードの例を示す図である。 欠陥画像を例示する図である。 最大セルの欠陥画像の特徴コードを例示する図である。 最大セルの欠陥画像を例示する図である。 ４番セルの特徴コードを例示する図である。 ４番セルに含まれる欠陥画像を例示する図である。 ４番セルに属するものと同様の欠陥画像を例示する図である。 ７番セルの特徴コードを例示する図である。 ７番セルに含まれる欠陥画像を例示する図である。 ７番セルの近傍で探索された統合対象のセルの特徴コードを例示する図である。 ７番セルの近傍で探索された統合対象のセルに含まれる欠陥画像を例示する図である。 ３９番セルの欠陥画像を例示する図である。 １００番セルの欠陥画像を例示する図である。 ３９番セルの特徴コードと、１００番セルの特徴コードを並べて表示する図である。

図１は本発明の一の実施の形態に係る画像分類装置１の概略構成を示す図である。画像
分類装置１は、画像処理装置の一例として、例えば、半導体基板９（以下、単に「基板９」という。）上の欠陥を示す欠陥画像を分類する。また、本実施の形態で、画像分類装置１が実行する処理は、画像処理方法ということができる。画像分類装置１は撮像装置２、検査・分類装置４、および、ホストコンピュータ５を有する。撮像装置２は、基板９上の検査対象領域を撮像する。検査・分類装置４は、撮像装置２からの画像データに基づいて欠陥を検査し、欠陥が検出された場合に欠陥が属すべきカテゴリへと欠陥を自動分類する。ホストコンピュータ５は、画像分類装置１の全体動作を制御する。なお、図１では、検査・分類装置４と、ホストコンピュータ５は、別体として例示されているが、検査・分類装置４と、ホストコンピュータ５とが同一の筐体に一体として設けられてもよい。また、ホストコンピュータ５が検査・分類装置４の処理の一部またはすべてをコンピュータプログラムにしたがって実行してもよい。基板９上に存在する欠陥の種類は、例えば、欠け、突起、断線、ショート、異物であり、これらが欠陥のカテゴリとされる。また、撮像装置２は基板９の製造ラインに組み込まれ、画像分類装置１はいわゆるインライン型のシステムとなっている。

撮像装置２は、基板９上の検査対象領域を撮像して画像データを取得する撮像部２１、基板９を保持するステージ２２、および、撮像部２１に対してステージ２２を相対的に移動するステージ駆動部２３を有する。撮像部２１は、照明光を出射する照明部２１１、基板９に照明光を導くとともに基板９からの光が入射する光学系２１２、および、光学系２１２により結像された基板９の像を電気信号に変換する撮像デバイス２１３を有する。ステージ駆動部２３はボールねじ、ガイドレール、モータ等により構成される。ホストコンピュータ５がステージ駆動部２３および撮像部２１を制御することにより、基板９上の検査対象領域が撮像される。

検査・分類装置４は、検査対象領域の画像データを処理しつつ欠陥を検出する欠陥検出部４１、および、欠陥画像を分類する欠陥自動分類部４２を有する。欠陥検出部４１は検査対象領域の画像データを高速に処理する専用の電気的回路を有し、撮像された画像と欠陥が存在しない参照画像との比較や画像処理により検査対象領域の欠陥検査を行う。欠陥自動分類部４２は各種演算処理を行うＣＰＵや各種情報を記憶するメモリ等により構成される。欠陥自動分類部４２はニューラルネットワーク、決定木、判別分析等を利用する分類器４２１を用いて欠陥の分類（すなわち、欠陥画像の分類）を実行する。

なお、本実施の形態では、ＣＰＵは、ＭＰＵ（Ｍｉｃｒｏｐｒｏｃｅｓｓｏｒ）、プロセッサとも呼ばれる。ＣＰＵは、単一のプロセッサに限定される訳ではなく、マルチプロセッサ構成であってもよい。また、単一のソケットで接続される単一のＣＰＵがマルチコア構成を有していてもよい。上記検査・分類装置４、および、ホストコンピュータ５の各部の少なくとも一部の処理は、ＣＰＵ以外のプロセッサ、例えば、Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ（ＤＳＰ）、Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ（ＧＰＵ）、数値演算プロセッサ、ベクトルプロセッサ、画像処理プロセッサ等の専用プロセッサで行われてもよい。また、上記検査・分類装置４、および、ホストコンピュータ５の少なくとも一部の処理は、集積回路（ＩＣ）、その他のデジタル回路で実行されても良い。また、上記各部の少なくとも一部にアナログ回路が含まれても良い。集積回路は、ＬＳＩ，Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ（ＡＳＩＣ），プログラマブルロジックデバイス（ＰＬＤ）を含む。ＰＬＤは、例えば、Ｆｉｅｌｄ-Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ（ＦＰＧ
Ａ）を含む。すなわち、上記検査・分類装置４、および、ホストコンピュータ５の各部は、プロセッサと集積回路との組み合わせであってもよい。組み合わせは、例えば、マイクロコントローラ（ＭＣＵ），ＳｏＣ（Ｓｙｓｔｅｍ-ｏｎ-ａ-ｃｈｉｐ），システムＬＳ
Ｉ，チップセットなどと呼ばれる。

図２は画像分類装置１による欠陥画像の分類の流れを示す図である。本実施の形態では、フローチャートにおける各手順は、ステップ、あるいは工程と呼ばれ、Ｓで始まる符号が付与される。まず、図１に示す撮像装置２が基板９を撮像することにより検査・分類装置４の欠陥検出部４１が画像データを取得する（Ｓ１１）。次に、欠陥検出部４１が検査対象領域の欠陥検査を行い、欠陥が検出されると（Ｓ１２）、欠陥部分の画像（すなわち、欠陥画像）のデータが欠陥自動分類部４２へと送信される。欠陥自動分類部４２は欠陥画像の複数種類の特徴量を算出し（Ｓ１３）、欠陥画像の特徴量が欠陥自動分類部４２の分類器４２１に入力されて分類結果が出力される。すなわち、分類器４２１により欠陥画像が複数のカテゴリのいずれかに分類される（Ｓ１４）。画像分類装置１では、欠陥検出部４１にて欠陥が検出される毎に特徴量の算出がリアルタイムにて行われ、多数の欠陥画像の自動分類が高速に行われる。ただし、本画像分類装置１の処理がリアルタイム処理に限定される訳ではない。例えば、Ｓ１１、Ｓ１２の処理とは切り離されたオフライン処理によって、Ｓ１３、Ｓ１４の処理が実行されてもよい。

次に、ホストコンピュータ５による教師データの作成について説明する。図３はホストコンピュータ５の構成を示す図である。ホストコンピュータ５は各種演算処理を行うＣＰＵ５１、基本プログラムを記憶するＲＯＭ５２および各種情報を記憶するＲＡＭ５３をバスラインに接続した一般的なコンピュータシステムの構成となっている。バスラインにはさらに、情報記憶を行う外部記憶装置が接続される。外部記憶装置としては、例えば、固定ディスク５４、光ディスク、磁気ディスク、光磁気ディスク等のコンピュータ読み取り可能な記録媒体８から情報の読み取りを行う読取装置５７が例示できる。なお、固定ディスク５４とともに、あるいは、固定ディスク５４に代えて、Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ（ＳＳＤ）が設けられてもよい。図では、読取装置５７が例示されるが、記録媒体８として書込可能な媒体を用いてもよい。その場合には、読取装置５７に代えて、媒体入出力装置が用いられる。

また、バスラインには、操作者とのユーザインターフェースを形成する装置が接続される。例えば、バスラインには、画像等の各種情報の表示を行うディスプレイ５５、操作者からの入力を受け付けるキーボード５６ａおよびマウス５６ｂ（以下、「入力部５６」と総称する。）等が接続される。ただし、入力部５６がキーボード５６ａおよびマウス５６ｂに限定される訳ではない。例えば、静電パッド等の他のポインティングデバイスを用いてもよい。また、操作者のディスプレイ５５上への画面操作を検知するタッチパネルを用いてもよい。さらに、バスラインには、画像分類装置１の他の構成との間で信号を送受信する通信部５８が、適宜、インターフェイス（Ｉ／Ｆ）を介する等して接続される。なお、通信部５８は、Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ（ＬＡＮ）等を介して、画像分類装置１と連携する他のコンピュータ、その他の装置と通信するものであってもよい。

ホストコンピュータ５には、事前に読取装置５７を介して記録媒体８または通信部５８を介して接続される他のコンピュータからプログラム８０が読み出されて固定ディスク５４に記憶される。さらに、プログラム８０はＲＡＭ５３にコピーされるとともにＣＰＵ５１によりＲＡＭ５３内のプログラムに従って演算処理が実行される。

図４はホストコンピュータ５のＣＰＵ５１、ＲＯＭ５２、ＲＡＭ５３、固定ディスク５４等により実現される分類器を学習させるための構成を示すブロック図であり、検査・分類装置４も示している。ホストコンピュータ５は分類器の学習に使用される教師データを作成する教師データ作成部６１および教師データを用いて分類器を学習させる学習部６２を有する。なお、図４で例示される各部の構成は専用の電気回路により構築されてもよく、部分的に専用の電気回路が利用されてもよい。

教師データ作成部６１は、欠陥検出部４１で生成された欠陥画像を基に、欠陥画像を分
類する基準となる教師データを作成し、欠陥自動分類部４２の分類器４２１に設定する。分類器４２１は、設定された教師データを基に、教師データに採用されなかった他の欠陥画像および教師データ設定以降に撮像装置２で取得される画像に含まれる欠陥画像を分類する。教師データは欠陥画像のデータ（教師画像と呼ぶ）、欠陥画像の特徴量および欠陥のカテゴリを示す情報である教示信号を含む。欠陥画像の特徴量として、例えば、欠陥の面積、明度平均、周囲長、扁平度（伸長度ともいう）、欠陥を楕円に近似した場合の長軸の傾き等が採用される。学習部６２では、教師データから読み出された欠陥画像の特徴量がホストコンピュータ５内の分類器（図示省略）に入力され、分類器の出力が欠陥のカテゴリを示す教示信号と同じとなるように学習が行われる。学習結果、すなわち、学習後の分類器４２１（正確には、分類器４２１の構造や変数の値を示す情報）が欠陥自動分類部４２へと転送される。

図５はホストコンピュータ５の教師データ作成部６１の機能構成を示すブロック図であり、ディスプレイ５５、入力部５６および学習部６２も示している。ＣＰＵ５１は、ＲＡＭ５３に実行可能に展開されたコンピュータプログラムにしたがって、教師データ作成部６１としての処理を実行する。ただし、すでに述べたように、教師データ作成部６１の処理の一部が他のプロセッサ、デジタル回路、アナログ回路等によって実行されてもよい。

教師データ作成部６１は、記憶部６１１、特徴量取得部６１２、およびカテゴリ決定部６１３を有する。また、カテゴリ決定部６１３は、特徴量取得部６１２により取得された欠陥画像の特徴量に基づき、欠陥画像に対してカテゴリを付与する。カテゴリ決定部６１３は、さらに詳細には、コード化部６１４、グループ化部６１５、統合部６１６、および、カテゴリ設定部６１７を有する。記憶部６１１は、欠陥画像の画像データ（以下、単に画像という）および欠陥画像に関する各種情報を記憶する。記憶部６１１は、例えば、図３のＲＡＭ５３上または固定ディスク５４上に構築される。特徴量取得部６１２は、欠陥画像の特徴量を取得する。特徴量取得部６１２は、処理対象の欠陥画像について、上記した欠陥の面積、明度平均、周囲長、扁平度、欠陥を楕円に近似した場合の長軸の傾き等を算出する。

コード化部６１４は、一の欠陥画像に対して特徴量取得部６１２で取得された複数種類の特徴量のそれぞれを２以上の段階に区分し、区分に応じた数値を付与し、前記数値を所定順に組み合わせた特徴コードであるコード値を生成する。グループ化部６１５は、処理対象の複数の画像のうち、同一のコード値を有する画像を組み合わせて画像グループを形成する。統合部６１６は、一の画像グループの対象画像が有するコード値との差異が１ビットであるコード値を有する１以上の近傍画像を探索し、探索された近傍画像を一の画像グループに統合する処理を実行する。このような近傍画像が一の画像グループに統合されて生成される画像グループを統合画像グループと呼ぶ。また、複数の近傍画像を特に近傍画像グループともいう。

カテゴリ設定部６１７は、形成された画像グループから少なくとも１つの対象画像をディスプレイ５５に表示する。そして、カテゴリ設定部６１７は、入力部５６を介して、表示された画像が含まれる上記画像グループ、または、統合画像グループのカテゴリを示す情報を受け付ける。カテゴリ設定部６１７は、受け付けたカテゴリを示す情報を画像グループに設定する。なお、欠陥画像は図１に示す撮像装置２および欠陥検出部４１を利用して取得されてもよいし、通信部５８等を介して、他の装置から送信されてもよいし、記録媒体８等を介して別途オフラインで用意されてもよい。

図６は記憶部６１１内に記憶されている情報の構造の一部を示す図である。記憶部６１１では、図５に示す特徴量取得部６１２にて算出される欠陥画像の特徴量がその種類と共に欠陥画像のデータに関連付けられて記憶される。また、欠陥画像に対してカテゴリが決
定されると当該カテゴリを示すカテゴリ番号が欠陥画像のデータに関連付けられたカテゴリ変数に記憶される。さらに、欠陥画像が典型画像に指定されると欠陥画像のデータに関連付けられた典型画像識別変数に１が記憶される。なお、初期状態ではカテゴリ変数および典型画像識別変数には０が記憶されている。

ただし、教師データを作成する処理において、典型画像を識別する必要がない場合には、典型画像識別変数は省略される。また、図６の情報の構造は例示であって、本発明の実施が図６の情報の構造に限定される訳ではない。例えば、記憶部６１１内にテーブルを設け、テーブルのエントリに特徴量を格納してもよい。テーブルの行は、欠陥画像を識別するための画像番号によって識別され、テーブルの列は、特徴量の種類を示す特徴番号によって識別されるようにすればよい。教師データ作成部６１は、このようなテーブルによって、欠陥画像毎、特徴量の種類毎に、特徴量を保持できる。なお、カテゴリ変数、典型画像識別変数についても、上記テーブルの行を識別する画像番号に対応する表（それぞれ１列の表）に格納すればよい。

図７は、本実施の形態の教師データ作成処理を例示するフローチャートである。図の処理によって、欠陥画像から、典型的な欠陥を含む基準画像として学習アルゴリズムに利用される教師画像あるいは、教師画像を選定する基準となる典型画像が選定される。この意味で、本実施の形態において、教師データ作成部６１の処理対象の欠陥画像を教師用データとも呼ぶ。

図のように、教師データ作成部６１は、特徴量取得部６１２により欠陥画像の特徴量を取得する（Ｓ２１）。教師データ作成部６１は、複数の対象画像のそれぞれについて複数種類の特徴量を取得することの一例として、Ｓ２１の処理を実行する。すなわち、本実施の形態では、欠陥画像は，処理対象の画像という意味で、対象画像と呼ぶことができる。

図８は、記憶部６１１に記憶される欠陥画像のサンプル例（画像Ａ、画像Ｂ）である。図８では、２箇所の欠陥に対応するサンプルとして、画像Ａ、画像Ｂが例示されている。画像分類装置１の欠陥検出部４１は、撮像装置２から得られた１箇所の欠陥画像を基に、図８のような複数の画像（撮影画像、参照画像、マスク画像、差分画像）を生成する。撮影画像は、欠陥箇所において撮像装置２等によって撮像された欠陥画像である。参照画像は対象画像に対応する別のダイ（例えば、別の集積回路チップ）における欠陥箇所に相当する位置の画像である。差分画像は撮影画像と参照画像との差分画像である。マスク画像は差分画像を２値化した処理結果として得られる画像である。

以下の処理では、複数箇所（以下、Ｋ箇所という）の欠陥について、それぞれ図８に例示した４つの画像の組（撮影画像、参照画像、マスク画像、差分画像）が得られていることを前提に説明がなされる。また、本実施の形態では、１箇所の欠陥画像から複数種類の特徴量が算出される。すなわち、本実施の形態では、Ｓ２１の処理によって、教師データ作成部６１は、Ｋ箇所の欠陥画像から、それぞれＮ個（次元）の特徴量を算出する。その結果、特徴量はＮ次元の空間のデータ（以下、Ｎ次元の特徴ベクトル）となる。ただし、教師データ作成部６１（特徴量取得部６１２）は、通信部５８を介して接続される他の画像分類装置等で算出がされた欠陥画像の特徴量を取得するようにしてもよい。

特徴量の具体例としては、上述したマスク画像から得られる欠陥領域の面積、周囲長、扁平度、モーメントの他、欠陥画像や差分画像から得られる濃度ヒストグラム、平均濃度値、自己相関係数値、空間周波数、差分統計量、濃度共起行列、高次局所自己相関、ランレングス行列、フラクタル特徴などが挙げられる。

次に、教師データ作成部６１は、コード化部６１４により、それぞれの特徴量を各々適
宜定めた閾値によりコード化する（Ｓ２２）。コード化された特徴量は、特徴コードと呼ばれる。教師データ作成部６１は、取得した複数種類の特徴量のそれぞれを２以上の段階に区分し、区分に応じた数値を付与し、数値を所定順に組み合わせたコード値を生成することの一例として、Ｓ２２の処理を実行する。コード化は、例えば、それぞれの特徴量の種類ごとに設定される１つの閾値により０と１に２値化することで求めることができる。２値化、すなわち、２段階に区分することにより求められる特徴コードは２値化データと呼ばれる。

２値化する場合の各特徴量に関する閾値としては、処理対象のすべての欠陥画像から得た該当特徴量の平均値、分布範囲の中央値、あるいは、累積相対度数がほぼ５０パーセントになる値など教師データ作成部６１によって自動的に算出される値を用いることができる。また、多数段階にコード化する場合には、例えば、累積相対度数がほぼ３３パーセントになる値、６７パーセントなる値を用いることによって、特徴量を「大」「中」「小」、あるいは、「高」「中」「低」、さらには、「長」「中」「短」、さらにまた、「濃」「中」「淡」のようにコード化できる。４段階以上にコード化する場合も同様である。

ただし、２つ以上の閾値で３段階以上にコード化することは、実質的に等価な２値化のコード化に変換できる。例えば、特徴量Ａを「大」「中」「小」とする３段階にコード化することに代えて、特徴量Ａが「大」と判定できるか否か（閾値Ｌ以上の値か）という第１の次元、特徴量Ａが「中」と判定できるか否か（閾値Ｓ以上からＬの範囲に入るか値か否か）という第２の次元、特徴量Ａが「小」と判定できるか否か（閾値Ｓ未満の値か否か）という第３の次元により、２値化してコード化できる。Ｓ２２において、２値化がされる場合には、Ｓ２２の処理は、複数種類の特徴量のそれぞれを２段階に区分し、２値化された数値を付与することの一例でもある。

さらにまた、例えば、「面積がａ画素以下のものは無条件に誤検出とする」といった運用上の規則がある場合には、「ａ画素」の面積をコード化する場合の閾値としてもよい。いずれにしても、Ｓ２２の処理においては、操作者の判断や試行錯誤の作業は必要とされない。Ｓ２２の処理により、Ｎ次元の特徴ベクトルは、所定長のビット列に変換される。例えば、特徴量が２値化によってコード化される場合には、Ｎ次元の特徴ベクトルはＮビットの数値に変換される。したがって、Ｓ２２の処理によって、すべての欠陥画像に所定長のビット数（２値化の場合には、Ｎビット）の特徴コードが付与される。

次に、教師データ作成部６１は、グループ化部６１５により、同一の特徴コードを持つ欠陥画像同士をグループ化する（Ｓ２３）。教師データ作成部６１は、複数の対象画像のうち、同一のコード値を有する画像を組み合わせて画像グループを形成することの一例として、Ｓ２３の処理を実行する。今、独立した特徴量の種類が十分な数だけ用意されているものとすると、Ｓ２２の手順で得られる特徴コードにより表現できる欠陥種別は膨大なものとなる。例えば、特徴量の種類が３２個であれば、２値化の場合の特徴コードにより、２^３２個（約４２億９５００万個）の異なる欠陥種別が表現できることになる。これに比べて、実際に準備される教師画像を作成するための欠陥画像の数は高々数万個と少ない。したがって、すべての画像に異なる特徴コードが付与されたとしても不思議はないと理解できる。このような理解にも拘わらず、同一の特徴コードを有する複数の欠陥画像が存在するならば、同一の特徴コードを有する複数の欠陥画像は同一の欠陥種別に分類される画像であると見なしてよい。このような考え方に基づき、同一の特徴コードを持つ欠陥画像をグループ化する。このグループ化は、「仮教示」と呼ばれる。なお、教師データ作成部６１は、仮教示のためのラベル（欠陥種別番号）を自動的に生成する。

本手法は、特徴量次元数の増加に伴って特徴量空間の容積が増大し、そのため特徴量空間内に一様に分布すると仮定されるデータの密度が疎になることを利用した、欠陥画像の
クラスタリングと解釈することができる。なお、特徴量次元数（座標軸数）さえ確保できれば、ある１つの特徴量軸を見た時、その特徴量に関する閾値で全欠陥画像を二分できるかどうか（複数段階に区分できるかどうか）は本実施形態では問題にならない。

次に、教師データ作成部６１は、欠陥数の多いグループから降順に並べる（Ｓ２４）。教師データ作成部６１は、複数の画像グループのそれぞれに含まれる対象画像数の順に、複数の画像グループを一覧表示することの一例として、Ｓ２４の処理を実行する。同一の特徴コードを有する欠陥画像が複数存在して１つのグループを形成する場合、そのグループは何らかの欠陥種別の典型である可能性が高い。ただし、Ｓ２４の処理の時点では、欠陥種別の具体名は不詳のままでよい。すると、特徴量空間で、そのグループの近傍にも、類似する欠陥種別の欠陥画像が分布している可能性がある。そこで、教師データ作成部６１は、まず、欠陥画像数の多いグループから順に欠陥画像（または、欠陥画像の特徴量）を一覧表示し、操作者によって一覧表示された中から任意にグループが選択される操作を受ける（Ｓ２５）。教師データ作成部６１は、一覧表示された複数の画像グループのうち、操作者から指定を受けた画像グループを一の画像グループとすることの一例としてＳ２５の処理を実行する。

次に、教師データ作成部６１は、統合部６１６により、選択されたグループ（すなわち、上記の一の画像グループ）に属する欠陥画像の特徴コード近傍に位置する特徴コードの欠陥画像を探索する（Ｓ２６）。例えば、教師データ作成部６１は、選択されたグループの特徴コードとの差が１ビットである特徴コードの欠陥画像、または欠陥画像のグループを探索すればよい。教師データ作成部６１は、一の画像グループの対象画像が有するコード値との差異が１ビットであるコード値を有する近傍画像を探索することの一例としてＳ２６の処理を実行する。

本実施の形態では、特徴コードで表される高次元特徴空間内の小領域を「セル」と呼ぶ。セルの寸法に特に制限がある訳ではない。例えば、各次元について、１ビットの差分値で区切られる領域はセルと呼ぶことができる。また、上記Ｓ２５の操作で選択されたグループに対応するセルを「注目セル」と呼ぶ。さらに、ある注目セルの「Ｎ個方向に隣接するセル」を「近傍セル」と定義する。例えば、Ｓ２１の処理において、２値化によって特徴量がコード化されている場合には、本手法では特徴量軸が閾値で２分されている。したがって、ある注目セルに対応する特徴コードの任意の１ビットだけを反転させてできる特徴コードに対応するセルがすべて近傍セルに対応する。なお、Ｓ２１の処理において、複数の閾値によって特徴量が多数段階にコード化されている場合には、ある注目セルに含まれる特徴コードの任意の軸に対応するビット列に１を加算または減算してできる特徴コードに対応するセルが近傍セルに該当する。

そこで、教師データ作成部６１は、Ｓ２４の処理で、操作者が選択したグループの近傍に位置する近傍セルにある欠陥画像（または欠陥画像グループ）を一覧表示する（Ｓ２７）。教師データ作成部６１は、探索された近傍画像を表示することの一例として、Ｓ２７の処理を実行する。Ｓ２７の処理によって、注目セルに存在する欠陥画像のグループを中心にしたときの統合対象となり得る候補画像が提示されることになる。なお、近傍セルに複数の画像が存在する場合には、存在する複数の画像、すなわち、候補画像のグループが提示されることになる。

すると、操作者は、Ｓ２７で一覧表示された統合の対象となり得る候補画像（または候補画像のグループ）を見ながら、実際に統合するか否かを判断する。そして、教師データ作成部６１は、操作者から統合の可否を受け付ける（Ｓ２８）。１つ以上の近傍の候補画像（または候補画像グループ）の統合が操作者から指示されると（Ｓ２９でＹＥＳ）、教師データ作成部６１は、統合部６１６により、統合処理を実行する（Ｓ３０）。すなわち
、教師データ作成部６１は、注目セルに存在する欠陥画像のグループと、統合が指示された近傍の候補画像（または候補画像のグループ）を統合し、グループを再編する。再編によって、注目セルと、候補画像（または候補画像のグループ）が存在するセルとが統合される。教師データ作成部６１は、表示された近傍画像を前記一の画像グループに統合するか否かの指定を受け付けることの一例として、Ｓ２８、Ｓ２９の処理を実行する。教師データ作成部６１は、探索された近傍画像を一の画像グループに統合することの一例として、Ｓ３０の処理を実行する。

そして、教師データ作成部６１は、統合を継続するか否かの指定を操作者から受け付ける（Ｓ３１）。統合を継続する指示がなされた場合（Ｓ３１でＹＥＳ）、教師データ作成部６１は、処理をＳ２４に戻し、再編されたグループにしたがって表示を更新する。このようにして、教師データ作成部６１は、操作者の指示にしたがってＳ２５からＳ３１の処理を繰り返す。操作者は、例えば、所望の欠陥種別数になるまで、統合処理を継続する。教師データ作成部６１は、近傍画像を前記一の画像グループに統合することによって、近傍画像と一の画像グループとの間で相違する特徴コードのビットに対応する次元を削除し、次元が削除された特徴コードにしたがって、探索する処理と統合する処理とを所定の限度まで繰り返すことの一例として、Ｓ３０、Ｓ３１の処理を実行する。

２値化によって特徴コードがコード化されている場合には、近傍セルの統合は、ある特徴量の軸（次元）を削減することと同一である。すなわち、削減される特徴量の値によらずに欠陥種別が決定されることになる。したがって、かりにその特徴量が画像を分類する上でそれほど重要な役割を担っていなければ、その特徴量を削減する統合が実施されても、操作者は目視で不都合を感じない場合が多い。逆に操作者が目視で不都合であることを認識できる場合には、統合によって削減される特徴量は欠陥画像を分類する上で重要な役割を担っていることが推定される。このように、本手法では、教示作業を支援するとともに、分類に有効な特徴量を見出す効果も期待できる。

また、教師データ作成部６１がＳ２４からＳ３１の処理を繰り返すことによって、徐々に特徴量次元が削減されつつ、グループの統合が進行していく。例えば、元々２ビットの差異が存在した２つのグループが、統合の結果１ビットの差異しかない近傍に存在する２つのグループになり得る。同様に、元々ｎビットの差異が存在した２つのグループが、上記処理の繰り返しによって、徐々に、ｎ−１ビットの差異、ｎ―２ビット差異、・・・、１ビットの差異しかない近傍に存在する２つのグループになり得る。

Ｓ３１の判定で、統合を継続しない指示がなされたと判定された場合、教師データ作成部６１は、少なくとも１つのグループについて、当該グループに含まれる少なくとも１つの欠陥画像を教師画像、または教師画像選定の基準となる典型画像の候補として表示する（Ｓ３２）。そして、操作者は、表示された欠陥画像を教師画像に設定する場合、または教師画像選定の基準となる典型画像に設定する場合には、表示された欠陥画像によって示される画像の特徴を示す名称である欠陥種別名（ラベルともいう）を入力する。この場合には、当該グループが教師データとするグループ（あるいは、教師画像選定の基準となる典型画像含むグループ）ということができる。すると、教師データ作成部６１は、カテゴリ設定部６１７により、操作者の操作にしたがい、欠陥種別名を受け付け、教師データとするグループに欠陥種別名を付与する（Ｓ３３）。

以上の手順により、グループ内の画像数がある程度の数に達すると、そのグループに欠陥種別名が付与される。このように、欠陥種別名が付与されたグループの画像は教示済み画像と呼ばれる。教師データ作成部６１は、形成された画像グループから少なくとも１つの対象画像を表示するとともに、表示された対象画像が含まれる画像グループのカテゴリを示す情報の設定を受け付けることの一例としてＳ３２、Ｓ３３の処理を実行する。

なお、図７の処理では、グループ化の処理（Ｓ２３）の次に、Ｓ２４からＳ３１の処理によって、グループの統合化が実行された。しかし、本発明の実施は、図７の処理に限定される訳ではない。例えば、グループ化の処理（Ｓ２３）の後、Ｓ３２、Ｓ３３の処理によって、操作者の入力にしたがって、グループ化された欠陥画像に欠陥種別を付与するようにしてもよい。すなわち、Ｓ２４からＳ３１の処理によるグループの統合化は、操作者からの要求により別途実行するようにしてもよい。例えば、グループ化の処理（Ｓ２３）によってグループ内の画像数がある程度の数に達する場合には、そのようなグループには、欠陥種別が付与されるようにしてもよい。

ところで、教師データ作成部６１がＳ２４からＳ３１の処理によって、近傍をたどって徐々に統合するだけでは、統合できないグループが多数の残存することも予想される。なぜなら、欠陥画像の相当数は１つのセルに１個の欠陥画像しか存在しない、いわゆる特徴量空間の「孤立点」であると推測されるからである。そこで、図７による処理の終了後、教師データ作成部６１は、例えば、特許第５０７５０７０号公報に例示される方法で教示情報の自動付与を実行してもよい。特許第５０７５０７０号公報に例示される方法による場合には、図７の処理で欠陥種別が付与されたグループは典型画像とし、図６の典型画像識別変数を１に設定しておけばよい。このような自動付与の結果に対して、操作者が手作業で若干の修正を加えることにより多数の欠陥画像に対する教示を短時間で完了させることができる。

ここで、特許第５０７５０７０号公報に例示される方法は以下の通りである。まず、前提として、複数の欠陥種別（カテゴリ）に対応するグループのそれぞれにおいて、予め典型的な欠陥を示す少なくとも１つの典型画像が指定されている。ここでは、典型画像が指定されている複数の欠陥種別（カテゴリ）に対応するグループは、例えば、上記欠陥種別名が付与されたグループに相当する。そして、教師データ作成部６１は、以下の処理を実行する。
（ａ）未分類の欠陥画像である対象欠陥画像から一の種類の特徴量を取得する。
（ｂ）全ての典型画像の前記一の種類の特徴量と前記対象欠陥画像の前記一の種類の特徴量との差を求める。全ての典型画像との差を求める結果、典型画像の数に相当する複数の特徴量差が求められる。
（ｃ）前記複数の特徴量差のうち最も値の小さいものに対応する典型画像が属するカテゴリに投票を行う。
（ｄ）前記対象欠陥画像の特徴量の各種類について前記（ａ）ないし（ｃ）を行う。
（ｅ）前記複数のカテゴリのうち得票数が最も多いカテゴリを前記対象欠陥画像が属するカテゴリとして決定する。このような処理を繰り返すことで、教示済み画像を増加することができる。

以上の処理が完了すると、教師データ作成部６１の記憶部６１１内に保存される典型画像の画像データおよび教示済み画像の画像データ、並びに、これらの特徴量およびカテゴリの情報が教師データとして学習部６２に転送される。そして、学習部６２にて教師データを用いて分類器の学習が行われる。すなわち、分類器（図４参照）を構成する変数の値が決定され、分類器の構造が決定されて分類器が生成される。

図９から図２２の図面を参照して、本発明の実施例を説明する。パターン付きウェーハ外観検査装置で検査した結果に対して、本画像分類装置１の支援による教示作業を実行した。ここで、教示作業とは、画像をグループに分類し、欠陥種別を付与する作業をいう。欠陥画像の総数は５１４０点である。これらの欠陥画像について、各々１７４個の特徴量を計算し、２値化によって特徴コードを生成した。

図９に、画像分類装置１によって生成された特徴コードの例を示す。なお、図９では、ビットパターンが１６進数で表示されている。図９では、特徴コードは２３２ビット例示されているが、このうち、１７４ビットが有効である。また、これらに含まれる欠陥画像の一部（８点の欠陥画像）を図１０に例示する。図９で”ｆｉｌｅ ｎａｍｅ”は、欠陥画像のファイル名である。また、”Ｔｒａｉｎ”は、ラベル、すなわち、欠陥種別名である。欠陥種別名は、本来、図７にしたがった教師データ作成部６１の処理によって付与されるものであるが、本実施例では、参照用として、事前に目視による教示作業によって欠陥種別名が欠陥画像に付与されている。また、”ｃｏｄｅ”は、教師データ作成部６１が生成する特徴コードである。

５１４０点の欠陥画像に教師データ作成部６１の処理を適用したところ、２つ以上の欠陥画像が含まれるセルが４２０個生成された。また、これら４２０セルに属する欠陥画像数は１５９４点であった。以下、この４２０セルを全セルという。また、残り、３５４６点の欠陥画像は１セルに１点しか属しない孤立点であった。全セルのうちで、最も欠陥画像数の多いセル（以下、最大セルという）には、３１点の欠陥画像が含まれていた。

図１１に、最も欠陥画像数の多い最大セルに含まれる欠陥画像の特徴コードを１４点例示する。また、図１２に、最大セルに含まれる欠陥画像を８点例示する。図１１のように、事前の目視による教示作業で付与された欠陥種別情報のうち、２種類（２０と３０）の欠陥種別が混在している。そして、操作者がこの最大セルの欠陥画像を目視で分類する場合にも、判断に迷うものが多い。そこで、教師データ作成部６１による処理では、図１１、図１２のようなセルに対しては、「紛らわしいものが集まっている」という情報が付与され、教示作業が後回しにされる。

次に、４番目に画像数の多いセル（以降４番セルという）には、１９点の欠陥画像が含まれ、容易に典型画像群であると判断できた。図１３に４番セルの特徴コードを１４点例示する。また、図１４に、４番セルに含まれる欠陥画像を８点例示する。

さらに、他のセルに含まれる欠陥画像を確認してみると、４９番目に画像数の多いセル（以下４９番セル）に、４番セルに属するものと同様の７点の欠陥画像を見出すことができた。図１５に、４番セルに属するものと同様の欠陥画像を４点例示する。なお、４番セルに属するものと同様の７点の欠陥画像の大半には、事前の目視による教示作業によって、４番セルと同一の欠陥種別名が付与されていた。

また、７番目に画像数の多いセル（以下、７番セル）には、１７点の欠陥画像が含まれていた。図１６では、事前の目視による教示作業により付与された欠陥種別情報のうち、２種類（１０と２０）の欠陥種別が混在している。そこで、教師データ作成部６１の処理によって７番セルに分類された欠陥画像を再度検討したところ、７番セルの欠陥画像は両欠陥種別（１０と２０）の中間種とでも言うべき典型画像群と判断できるものであり、事前の目視による教示作業で付与された欠陥種別１０と２０からそれぞれ分離して、新たな欠陥種別（例えば、１５）として統合できものであることが分かった。

図１８に、７番セルの近傍で探索された統合対象のセルの特徴コードを例示する。また、図１９に、７番セルの近傍で探索された統合対象のセルに含まれる欠陥画像を４点例示する。図１６と図１８を比較すると、右から１３番目のコード（矢印の箇所４ビット分）が、図１６では”９”であり、図１８では、”Ｂ”となっている。また、図１７の欠陥画像と図１９の欠陥画像とは、ほとんど区別できない。したがって、右から１３番目のコード（矢印の箇所４ビット分）の相違箇所である１８３番目のビット、つまり、１８３番目の特徴量の次元は７番セルの欠陥画像と、その近傍で探索されたセルの欠陥画像の欠陥種
別の分離には寄与していないことが分かる。この例では、１８３番目の特徴量は、欠陥最大画素値と、背景平均画素値の差の絶対値であった。

同様に、３９番目に画像数の多いセル（以下、３９番セル）には、９点の欠陥画像が含まれる。３９番セルも容易に第３の典型画像群と判定することができた。図２０に３９番セルの欠陥画像を４点例示する。３９番セルに対して、１００番目に画像数の多いセル（以下、１００番セル）に、類似の欠陥画像が見出された。図２１に１００番セルの欠陥画像を例示する。ただし、１００番セルの欠陥画像では、欠陥の直径が１００番セルの欠陥画像とは相違する。図２２に、３９番セルの特徴コードと、１００番セルの特徴コードを並べて表示する。３９番セルの画像は、Ｄｅｆｅｃｔ＿００００７４６．ｔｉｆのファイル名で示される。１００番セルの画像は、Ｄｅｆｅｃｔ＿０００１７１６．ｔｉｆのファイル名で示される。図２２のように、３９番セルと１００番セルには、事前の目視による教示作業によって、ともに欠陥種別３０が付与されている。しかし、３９番セルに属する欠陥画像の特徴コードと、１００番セルに属する欠陥画像の特徴コードとは、７６ビットの相違がある。したがって、３９番セルと１００番セルとは統合できない。このような場合には、改めて、１００番セルの近傍が探索され、統合が実行される。

以上述べたように、本実施の形態の画像分類装置１によれば、欠陥画像の特徴量が閾値によって特徴コードにコード化される。そして、各欠陥画像は特徴コードによって、特徴量空間に配置される。そして、同一の特徴コードを有する欠陥画像同士がグループ化される。したがって、特徴量空間内で欠陥画像同士の位置が近接しているか否かの条件に依存することなく、欠陥画像のグループが形成可能である。すなわち、画像分類装置１によれば、操作者が近接しているか否かの条件を試行錯誤的に設定する必要がない。つまり、閾値によって特徴量を多段階に分割し、段階に対応した値を付与することで、複数次元の特徴量を特徴コードとしてコード化できる。そして、画像分類装置１は、特徴コードによって欠陥画像をグループ化し、欠陥種別名を付与することで、操作者の試行錯誤による作業を介在させることなく、欠陥画像から教師データを作成できる。また、画像分類装置１は、この処理によって、教師データの１つの要素である教師画像選定の基準となる典型画像を選定できる。

そして、特徴コードで特定されるセルに含まれる欠陥画像が多い順に、それぞれのセルの欠陥画像がユーザに提示される。さらに、特徴コードが２値化によって得られている場合には、操作者によって任意に選択されたセルに対して、特徴コードが１ビットだけ異なるセルが近傍セルとして探索され、統合の対象となる。したがって、画像分類装置１によれば、操作者の作業に依存することなく、セルが統合される。その結果、欠陥画像は、統合されたセルに対応するグループに分類される。このように、特徴量を２値化することによって統合化すると、ビットと次元の関係が明確となり、処理が簡潔になる。

また、本実施の形態の画像分類装置１は、グループの統合において、セルに含まれる欠陥画像数の多い順にユーザに提示し、統合の対象とする注目セルを決定する。セルに含まれる欠陥画像が多いセルほど、典型的な特徴量を有する画像のグループと考えられるので、画像分類装置１は、操作者に効果的に統合の対象を選択させることができる。そして、注目セルである一のセル（画像グループ）に対する近傍セルが探索され、操作者に提示される。したがって、画像分類装置１によれば、欠陥画像が近接しているか否かの条件を調整することなく、欠陥画像は、統合されたグループに分類される。すなわち、画像分類装置１によれば、操作者が近接しているか否かの条件を試行錯誤的に設定する必要がない。さらに、画像分類装置１は、注目セルである一のセル（画像グループ）に対する近傍セルが探索されると、探索された近傍セルを注目セルに統合するか否かの指定を受け付ける。したがって、画像分類装置１は、操作者が統合における最終的な確認をすることを可能にする。

また、本実施の形態の画像分類装置１によれば、特徴コードが１ビットだけ異なるセルが近傍セルとして探索され、グループ化が実行された後、操作者の指示にしたがって、さらに、グループ化の処理が繰り返される。また、グループ化が実行されることによって特徴コードのビット数が１ビット（特徴量の次元が１次元）減少する。つまり、グループ化の繰り返しによって、複数ビット離れた関係にあった欠陥画像のグループを徐々に近づけ１つのグループに統合することが可能となる。特に、２値化によって特徴コードがコード化されている場合には、特徴コードの各ビットが特徴量の次元に対応する。したがって、統合に伴う次元の削減と、次元管理が簡潔になる。なお、複数ビット離れた関係とは、複数のビット位置のビット内容が異なることを意味する。

［変形例］
上記実施の形態では、基板９上の欠陥を示す欠陥画像を分類する画像分類装置１が例示された。しかし、本発明の実施は、画像分類装置１に限定される訳ではない。例えば、本発明の画像処理装置は、細胞を撮影した画像の分類、医療画像その他、様々な用途における画像の分類に適用可能である。

上記実施の形態では、光学系から取得される画像に対する処理が例示された。しかし、本発明の実施は、光学系から取得される画像に限定される訳ではない。例えば、電子顕微鏡、レーザーテラヘルツエミッション顕微鏡（ＬＴＥＭ）、Ｘ線画像撮像装置、核磁気共鳴画像法（ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｉｍａｇｉｎｇ， ＭＲＩ）による診断装置等、様々な装置により生成される画像の分類に適用できる。例えば、検査・分類装置４、ホストコンピュータ５、および、画像の撮像装置をＬＡＮ等で接続し、上記実施の形態の処理を実行すればよい。

２ 撮像装置
４ 検査・分類装置
５ ホストコンピュータ
５５ ディスプレイ
５６ 入力部
６１ 教師データ作成部
６２ 学習部
６１１ 記憶部
６１２ 特徴量取得部
６１４ コード化部
６１５ グループ化部
６１５ 統合部
６１７ カテゴリ設定部

Claims (8)

1. 複数の対象画像のそれぞれについて複数種類の特徴量を取得する特徴量取得部と、
   前記取得した複数種類の特徴量のそれぞれを２以上の段階に区分し、区分に応じた数値を付与し、前記数値を所定順に組み合わせたコード値を生成するコード化部と、
   前記複数の対象画像のうち、同一のコード値を有する画像を組み合わせて画像グループを形成するグループ化部と、
   前記形成された画像グループから少なくとも１つの対象画像を表示するとともに、表示された対象画像が含まれる画像グループのカテゴリを示す情報の設定を受け付けるカテゴリ設定部と、を備える画像処理装置。
2. 前記コード化部は、前記複数種類の特徴量のそれぞれを２段階に区分し、２値化された数値を付与する請求項１に記載の画像処理装置。
3. 一の画像グループの対象画像が有するコード値との差異が１ビットであるコード値を有する近傍画像を探索し、前記探索された近傍画像を前記一の画像グループに統合する統合部をさらに備える請求項１または２に記載の画像処理装置。
4. 前記統合部は、前記探索された近傍画像を表示し、表示された近傍画像を前記一の画像グループに統合するか否かの指定を受け付ける請求項３に記載の画像処理装置。
5. 前記統合部は、複数の前記画像グループのそれぞれに含まれる対象画像数の順に、前記複数の画像グループの情報を一覧表示し、前記一覧表示された複数の画像グループのうち、操作者から指定を受けた画像グループを前記一の画像グループとする請求項３または４に記載の画像処理装置。
6. 前記特徴コードは前記複数の特徴量を２段階に区分した２値化データあり、
   前記統合部は、前記近傍画像を前記一の画像グループに統合することによって、前記近傍画像と前記一の画像グループとの間で相違する特徴コードのビットに対応する次元を削除し、前記次元が削除された特徴コードにしたがって、前記探索する処理と前記統合する処理とを所定の限度まで繰り返す請求項３から５のいずれか１項に記載の画像処理装置。
7. 複数の対象画像のそれぞれについて複数種類の特徴量を取得する工程と、
   前記取得した複数種類の特徴量のそれぞれを２以上の段階に区分し、区分に応じた数値を付与し、前記数値を所定順に組み合わせたコード値を生成する工程と、
   前記複数の対象画像のうち、同一のコード値を有する画像を組み合わせて画像グループを形成する工程と、
   前記形成された画像グループから少なくとも１つの対象画像を表示するとともに、表示された対象画像が含まれる画像グループのカテゴリを示す情報の設定を受け付ける工程と、を実行する画像処理方法。
8. 一の画像グループの対象画像が有するコード値との差異が１ビットであるコード値を有する近傍画像を探索する工程と、
   前記探索された近傍画像を前記一の画像グループに統合する工程と、をさらに実行する請求項７に記載の画像処理方法。

Images