MathJax = {
  chtml: {
    matchFontHeight: false
  },
  tex: {
    inlineMath: [['$', '$']]
  }
};






グレースケールの値に対して RGB のカラーを割り当てる。このとき使われるのがカラーマップです。カラーマップは AI の弱点であるグレースケール画像を得意なカラー画像へ変換する技術として有効です。目視検査等でも効果を発揮するでしょう。


RGB カラーを割り当てると聞くと 3 次元ベクトルを考えるようで難しく感じてしまうかもしれません。この問題は RGB ではなく YUV で考えると解決します。


まず、UV グラフ上で色を決めます。グレースケール値の変化に対応して UV グラフ上での軌跡を決めれば良いです。実際にはサンプル点を何個かとって、その間をリニアに繋げば軌跡は完成します。


あとは、グレースケール値に対して Y 成分を決めていけばカラーマップの完成です。これも幾つかのサンプル点とリニアな補間で決めていけば簡単にできます。


独自のカラーマップを作り、検査効率を改善しましょう。(written by J.Nishigata)

その他13- カラーマップの作り方

MathJax = {
  chtml: {
    matchFontHeight: false
  },
  tex: {
    inlineMath: [['$', '$']]
  }
};






今回は分解能と解像度の話です。分解能と解像度は、しばしば画像に対して使われる用語です。まずは Wikipedia をググって意味を調べてみましょう。


分解能: 装置などで対象を測定または識別できる能力
解像度: ビットマップ画像における画素の密度を示す数値


定義は全く違います。しかし、口語的・日常的にはどの様に使っているでしょうか。大雑把なイメージや語呂の好みで使ってしまう場面は多いでしょう。


何故このような事態になるのか。原因は、この 2 つの用語に共通する「より小さく分割していく」というイメージです。そして分割の悪い画像・分割の良い画像のイメージが明確に切り分けられていないと、誤った使われ方をしてしまいます。


正確なイメージをもち、正しく「分解能」と「解像度」を使い分けられるようにしましょう。


1 点から放出された光は、光波動の回折現象が原因となり、如何に厳密に集光させたとしても元の 1 点に戻ることはなく少し滲んだ像になってしまいます。したがって極めて接近した 2 点から放出される光の像は、滲んだ像が重なり合って、光学像を観察しただけでは元が 1 点であったのか 2 点であったのか識別することができなくなります。

その他14- 平坦化処理の局所化