画像処理エンジニア検定 エキスパート 教科書

画像処理エンジニア検定 は CG-ARTS 協会が主催する、画像処理 ・ コンピュータビジョンの専門検定です。ベーシック(基本) と エキスパート(応用 ・ 実装) の 2 段階があり、エキスパートは画像処理エンジニア / 機械学習エンジニア / 自動運転やロボティクス開発者の 専門性の証明 として位置付けられます。

• 主催: 公益財団法人 CG-ARTS 協会
• 形式: マークシート方式(会場試験)
• 実施: 年 2 回(7 月・11 月頃)
• 問題数 / 時間: エキスパート 80 分 / 計算 ・ 記述含む選択式
• 合格基準: 70 点以上(参考)
• 合格率(参考): 30 〜 40% 前後
• 受験料: 6,800 円(税込・参考)

他検定との比較

• G 検定 / E 資格: AI 全般。画像処理理論は浅い
• 画像処理エンジニア(エキスパート): 古典 CV(フィルタ・周波数・幾何) + DL ベース CV を両方扱う
• 統計検定: 古典統計学。画像は範囲外
• ディジタル技術検定: ハードウェア寄り

出題比重(目安)

1. 画像処理基礎(約 25%): 標本化 ・ 量子化 ・ コントラスト ・ 濃度変換
2. フィルタ ・ 周波数解析(約 20%): 空間フィルタ ・ フーリエ変換 ・ ウェーブレット
3. 特徴抽出 ・ パターン認識(約 20%): エッジ ・ コーナー ・ HOG ・ SIFT ・ クラス分類
4. 機械学習 ・ 深層学習(約 25%): SVM / NN / CNN / 物体検出 / セグメンテーション
5. 3 次元視覚(約 10%): ステレオ ・ オプティカルフロー ・ SfM

100 〜 150 時間プラン

1. Week 1 〜 2: 公式テキスト『ディジタル画像処理』第 1 〜 5 章 ─ 基礎
2. Week 3 〜 4: 同 第 6 〜 9 章 ─ フィルタ + 周波数 + 復元
3. Week 5 〜 6: 同 第 10 〜 14 章 ─ 特徴抽出 + 認識
4. Week 7 〜 8: 機械学習 / 深層学習 ─ CNN ・ U-Net ・ YOLO
5. Week 9: 3 次元視覚
6. Week 10: 過去問演習 + 模擬試験

• 画素(pixel): 画像の最小単位
• 標本化(Sampling): 連続画像から画素位置を選ぶ
• 量子化(Quantization): 画素値を有限段階に丸める
• 標本化定理(Nyquist): 信号最高周波数の 2 倍以上で標本化が必要
• ビット深度: 8 bit = 256 階調、16 bit = 65,536 階調

色空間

• RGB: ディスプレイの基本(加法混色)
• CMY/CMYK: 印刷の基本(減法混色)
• YUV / YCbCr: 輝度 + 色差。圧縮や伝送で標準
• HSV / HSL: 色相 + 彩度 + 明度。色抽出に便利
• Lab: 知覚的均等な色空間

• ガンマ補正: $g(x)=x^{1/\gamma }$。ディスプレイの非線形特性を補正
• コントラスト伸張: 画素値の範囲を拡大
• ヒストグラム平坦化: 画素分布を一様に近づける(コントラスト改善)
• ヒストグラム特定化(マッチング): 目的の分布に近づける
• 閾値処理(2 値化): Otsu / 適応的 2 値化

畳み込み(convolution) は画像にカーネルを適用する基本操作。$(I\ast K)(x,y)={\sum }_{i,j}I(x-i,y-j)K(i,j)$ という形で、近傍画素の重み付き和を取ります。相関(correlation) は畳み込みのカーネル反転をしない版で、CNN の畳み込み層は実は相関に相当します。

• 境界処理: ゼロパディング / 反射 / 周期 / 拡張
• ストライド: カーネルの移動幅
• パディング: 出力サイズを保つ
• 可分カーネル: 行 × 列の積で表現でき計算量を削減(例: ガウシアン)

• 平均フィルタ: 単純平均。ぼけが強い
• ガウシアンフィルタ: 重み付き平均、エッジ保存とのバランス
• メディアンフィルタ: 中央値で塩胡椒ノイズに強い、エッジ保存
• バイラテラルフィルタ: エッジ保存平滑化
• Non-Local Means: 自己相似性を利用、高品質ノイズ除去

ノイズの種類

• ガウシアンノイズ: 通常の電気ノイズ
• 塩胡椒ノイズ(インパルス): 通信エラー / センサ故障
• ポアソンノイズ: 暗所撮影 ・ 微弱信号
• スペックルノイズ: SAR / 超音波画像

• Sobel / Prewitt フィルタ: 1 次微分。x / y 方向の勾配
• Laplacian フィルタ: 2 次微分。エッジを 1 つの操作で
• LoG(Laplacian of Gaussian): 平滑化 + Laplacian
• Canny エッジ検出: 平滑化 → 勾配 → 非最大抑制 → ヒステリシス。古典の決定版
• アンシャープマスキング: 元画像 - 平滑化画像 で輪郭強調

2D フーリエ変換 は画像を周波数成分に分解します。低周波は画像の大局的な構造、高周波は細部 / ノイズに対応。ローパスフィルタ = 平滑化、ハイパスフィルタ = エッジ強調 と理解できます。

• FFT: 高速フーリエ変換($O(N\log N)$)
• 振幅スペクトル: 各周波数の強さ
• 位相スペクトル: 各周波数の位相
• 畳み込み定理: 空間畳み込み = 周波数領域の積
• サンプリング定理: $f_s>2f_{\max }$ でないとエイリアシング

• DCT(離散コサイン変換): 実数版で、JPEG の核(8×8 ブロック DCT)
• ウェーブレット変換: 時間 / 空間と周波数を同時に局在化。JPEG2000 で採用
• 離散ウェーブレット変換(DWT): マルチ解像度解析
• Haar / Daubechies / Mexican Hat: 代表的なウェーブレット

• アフィン変換: 平行移動 / 回転 / 拡大縮小 / シア。直線・平行関係を保つ
• ホモグラフィ(射影変換): 直線は保つが平行は保たない。3×3 行列
• ホモジニアス座標: $(x,y)\to (x,y,1)$ で行列表現を統一
• 逆写像: 出力画素ごとに入力位置を逆算 → 補間

• 最近傍補間: 速いがブロック状
• バイリニア補間: 4 近傍の重み付き平均
• バイキュービック補間: 16 近傍。滑らかで標準
• Lanczos: より高品質な補間

画像復元

• Wiener フィルタ: ノイズ + ぼけの逆問題
• 全変動(TV)復元: エッジ保存しつつノイズ除去
• 逆畳み込み: 既知ぼけからの復元
• スーパーレゾリューション: 低解像度 → 高解像度。最近は SR-CNN / SwinIR / Real-ESRGAN

• 閾値処理: Otsu の手法 / 適応的閾値
• 4 近傍 / 8 近傍: 連結性の定義
• ラベリング: 連結成分に番号付け
• 領域成長法(Region Growing): 種点から類似画素を統合
• Watershed: 地形学的アナロジーで領域分割

• 膨張(Dilation): 領域を太らせる
• 収縮(Erosion): 領域を細らせる
• オープニング: 収縮 → 膨張(小さなノイズ除去)
• クロージング: 膨張 → 収縮(小さな穴埋め)
• Top-Hat: 元画像 - オープニング(明るい点抽出)
• Black-Hat: クロージング - 元画像(暗い点抽出)

• Harris コーナー検出: 自己相関行列の固有値で角を検出
• SIFT: スケール不変 + 回転不変 + 照明不変。古典の代表
• SURF: SIFT の高速版
• ORB: SIFT/SURF より高速で特許制約なし
• HOG(Histogram of Oriented Gradients): 勾配方向のヒストグラム。歩行者検出で有名
• LBP(Local Binary Pattern): 局所 2 値パターン。テクスチャ解析

Bag-of-Features(BoF) は、自然言語処理の Bag-of-Words の画像版。SIFT 等の局所特徴を コードブック(クラスタ中心) に量子化し、ヒストグラムを画像表現として使用。CNN 普及前の画像分類の主流でした。

• SVM: サポートベクターマシン。マージン最大化
• ランダムフォレスト: 決定木のアンサンブル
• AdaBoost: 弱識別器のブースティング(顔検出 Viola-Jones)
• 最近傍法(k-NN): 単純で効果的

• 畳み込み層 + プーリング層 + 全結合層 が基本ブロック
• LeNet(1998): 元祖 CNN
• AlexNet(2012): ImageNet で圧勝、DL ブームの発火点
• VGG(2014): 小さなフィルタを深く重ねる
• ResNet(2015): 残差接続で 100 層以上を実現
• EfficientNet(2019): 解像度 / 深さ / 幅をバランスさせる
• Vision Transformer(ViT)(2020): Transformer を画像に適用

物体検出

• R-CNN / Fast R-CNN / Faster R-CNN: 領域提案 + 分類
• YOLO(You Only Look Once): リアルタイム検出の代表
• SSD(Single Shot Detector): シングルパス検出
• DETR: Transformer ベース検出
• 評価指標: IoU / mAP

セグメンテーション

• FCN(Fully Convolutional Network): 元祖意味的セグメンテーション
• U-Net: 医用画像で標準。エンコーダ-デコーダ + skip connection
• Mask R-CNN: インスタンスセグメンテーション
• DeepLab: Atrous(膨張)畳み込みで広い受容野
• SAM(Segment Anything): 2023、汎用セグメンテーション基盤モデル

• 転移学習(Transfer Learning): ImageNet 事前学習モデルを微調整
• ファインチューニング: 全層 / 後段層のみ更新
• データ拡張: 反転 / 回転 / クロップ / 色調整 / Mixup / CutMix
• Batch Normalization: 学習安定化
• Dropout / Stochastic Depth: 過学習抑制

• ピンホールカメラモデル: 3D → 2D 投影の基本
• 内部パラメータ: 焦点距離 / 主点 / レンズ歪み
• 外部パラメータ: カメラの位置と姿勢
• Zhang のキャリブレーション: チェッカーボードで内部パラメータ推定

• ステレオ視: 2 つのカメラの視差から深さを推定
• エピポーラ幾何: 対応点探索を 1 次元に削減
• 視差(disparity): 両画像での同一点のずれ
• SfM(Structure from Motion): 動画 / 連続画像から 3D 復元
• SLAM: 自己位置推定 + 地図作成
• NeRF / 3D Gaussian Splatting: ニューラル 3D 表現の現代手法

• オプティカルフロー: 連続フレーム間の画素移動
• Lucas-Kanade 法: 局所領域での解析的解法
• Horn-Schunck 法: 全画像の滑らかさ拘束
• FlowNet / RAFT: DL ベースのフロー推定
• 動画分類: 3D CNN / I3D / ViViT

1. 第 2 章: 標本化定理・色空間(RGB / YCbCr / HSV)・ヒストグラム平坦化
2. 第 3 章: ガウシアン / メディアン / Sobel / Laplacian / Canny
3. 第 4 章: フーリエ変換・畳み込み定理・DCT(JPEG)・ウェーブレット
4. 第 5 章: アフィン変換 / ホモグラフィ / バイキュービック / Wiener
5. 第 6 章: モルフォロジ(膨張/収縮/オープニング/クロージング)
6. 第 7 章: SIFT / HOG / BoF / SVM / AdaBoost
7. 第 8 章: ResNet / U-Net / YOLO / IoU / mAP / Transfer Learning
8. 第 9 章: ピンホール / ステレオ / SfM / オプティカルフロー

試験当日のコツ

• 80 分 を全問にバランスよく配分。計算問題は後回し戦略
• 過去問は必須: 出題傾向 ・ 細かい用語の使い回しに慣れる
• 極端な選択肢に警戒: 『常に』『必ず』は誤答が多い
• フィルタ計算は手で 1 度はやる: 3×3 や 5×5 程度の畳み込みは試験中に手計算

• 自動運転: 車線検出 / 物体検出 / セグメンテーション / 深度推定
• 医用画像: 病変検出 / U-Net セグメンテーション / 3D 再構成
• 産業検査: 不良品検出 / OCR / 寸法計測
• 監視 / 顔認証: 顔検出 / 識別 / 異常検知
• AR/VR: SLAM / ハンドトラッキング / 環境認識
• 生成 AI: Stable Diffusion / Sora