写真を眺めるだけの時代は終わる？ChatGPTで画像の濃淡を256階調で数値化してみる
「この写真、暗いですね」で終わらせていませんか？
写真を見たとき、私たちは自然に判断しています。
「少し暗いな」
「この部分は明るい」
「こっちの写真の方が見やすい」
でも、ふと疑問に思いました。
その「暗い」という判断を、数字で説明できるだろうか？
例えば、同じ場所を撮影した2枚の写真。
昨日と今日で、どのくらい明るさが変わったのか。
どの部分が暗くなったのか。
画像全体の何％が暗い領域なのか。
こうした質問に答えようとすると、私たちの感覚だけでは限界があります。
そこで今回、ChatGPTを使って画像の濃淡を数値化するプロンプトを考えました。
しかも、単に写真をモノクロにするだけではありません。
256階調で濃淡を分析し、統計値を計算し、グラフで可視化する。
さらに、土や枝、草などの領域ごとの特徴まで調べる。
そんな画像解析を、ChatGPTに手伝ってもらおうという試みです。
なぜ画像を「数字」で読み解きたくなったのか？
こんにちは。
株式会社GROWTH JAPAN TECHNOLOGIESの我妻裕太です。
生成AIブログ「ほぼテク」を運営し、AIやデジタル技術を仕事に活用する方法を発信しています。
私がAI活用で大切にしているのは、単に作業を速くすることではありません。
今まで専門家しか扱えなかった技術を、より多くの人が使えるようにすることです。
画像解析は、まさにその可能性を感じる分野の一つです。
これまで画像を定量的に分析するには、画像処理ソフトやプログラミング、統計の知識が必要になることがありました。
もちろん、それらの専門技術が不要になるわけではありません。
しかし、ChatGPTが解析手順を組み立て、コードの実行や結果の説明を支援してくれたらどうでしょうか。
現場で写真を扱う人が、これまでより気軽にデータ分析に挑戦できるかもしれません。
その可能性を具体的な形にしたくて、今回のプロンプトを設計しました。
ChatGPTに画像の濃淡を256階調で分析させる
まず知っておきたいのは、デジタル画像の仕組みです。
一般的な8bit画像では、赤・緑・青の各色成分を0〜255の数値で表現できます。
このRGB情報から明るさに相当する値を計算することで、グレースケール画像を作成できます。
今回使う計算式は次のとおりです。
Y = 0.299R + 0.587G + 0.114B
この式は、ITU-R BT.601で使われる係数に対応しています。
赤・緑・青を単純に平均するのではなく、異なる重みを付けて計算する方法です。
変換されたグレースケール値は、0が黒、255が白。
その間に254個の値があります。
つまり、全部で256階調です。
例えば、あるピクセルのRGB値が（100,150,200）だったとします。
計算結果は140.75。
四捨五入すると141になります。
このような処理を、画像内のすべてのピクセルに適用していきます。
ここで大切なのは、ChatGPTに数字を想像してもらうのではないということ。
実際の画像ファイルを読み込み、画素データを計算する必要があります。
ChatGPTのデータ分析機能を利用できる環境であれば、Pythonなどを使ってこうした処理を進める方法があります。
256階調を5つに整理すると何が見えるのか？
256種類の明るさがあると分かっても、それだけでは画像全体の特徴を理解しにくいですよね。
そこで、今回のプロンプトでは256階調を5段階に分類します。
● レベル1：非常に暗い（0〜51）
● レベル2：暗い（52〜102）
● レベル3：中間（103〜153）
● レベル4：明るい（154〜204）
● レベル5：非常に明るい（205〜255）
それぞれの範囲に入るピクセル数を集計し、全体に対する割合を求めます。
例えば、ある画像で暗部が30％、明部が40％、中間部が30％だったとします。
このように割合で表現できれば、画像の明暗構成を比較しやすくなります。
ただし、この30％や40％は説明のための仮定であり、実際の写真の測定結果ではありません。
重要なのは、数値がどこから得られたのかを明確にできることです。
同じ条件で計算すれば、別の画像とも比較しやすくなります。
ヒストグラムが教えてくれること
画像の分析では、平均値だけでは分からないことがあります。
例えば、平均輝度が同じ100の画像でも、全体が一様なグレーなのか、真っ暗な部分と非常に明るい部分が混在しているのかでは、見た目が大きく異なります。
そこで役立つのがヒストグラムです。
横軸に0〜255の明るさ、縦軸に各値のピクセル数を表示します。
暗い画素が多ければ左側に分布が集まり、明るい画素が多ければ右側に集まります。
さらに、平均値、中央値、標準偏差を組み合わせれば、分布の特徴を多面的に理解できます。
例えば、標準偏差は明るさのばらつきを示します。
値が小さければ、画素の明るさが平均付近に集まっている傾向があります。
値が大きければ、幅広い明るさの画素が含まれている可能性があります。
もちろん、こうした数値だけで写真の品質を評価できるわけではありません。
それでも、感覚的だった評価に客観的な材料が加わることには意味があります。
さらに面白いのは、土や枝などを分けて分析すること
今回のプロンプトには、もう一つ面白い仕掛けがあります。
それは、画像に写っている対象物を分類し、領域ごとに分析することです。
例えば、森林の地表面を撮影した写真。
土、枝、蔓、草、石などが混在しているとします。
単純なグレースケール解析では、それぞれが何なのかまでは分かりません。
同じ明るさでも、土なのか枝なのかは判断できないからです。
そこで元のカラー画像を参照し、形状や輪郭、周辺とのつながりなどを手がかりに分類を試みます。
領域ごとのピクセルマスクを作成できれば、対象物が占める面積割合や平均輝度を計算できます。
例えば、草の領域が画像内の何％を占めているのか、といった分析が可能になります。
ただし、AIの識別結果が必ず正しいとは限りません。
特に土と枝のように色や質感が似た対象物は、混同する可能性があります。
そこで、判断が難しい部分を「判定困難」として残す仕組みを入れました。
私は、この考え方がとても重要だと思っています。
AIに無理やり答えを出させるのではなく、分からないものは分からないと扱う。
それが実務でAIを使うための基本だと考えています。
このプロンプトが役立ちそうな仕事
画像解析というと、研究開発のような専門的な仕事を想像するかもしれません。
しかし、身近な仕事にも使い道はありそうです。
例えば、建設現場。
同じ場所の写真を定期的に撮影し、明暗分布の違いを比較する補助として使えます。
製造業なら、撮影条件をそろえた製品画像の輝度分布を比較する方法が考えられます。
農業では、植物や地表面の写真を整理し、画像特徴の変化を見る用途があります。
マーケティングなら、商品写真や広告クリエイティブの明暗構成を比較することもできます。
ただし、どの用途でも「輝度が変わった理由」は別途確認が必要です。
照明や影、カメラの設定によっても数値は変わるからです。
画像の濃淡分析は、判断のための材料であって、それだけで原因を確定するものではありません。
どんな人におすすめなのか？
このプロンプトは、画像を仕事で扱うものの、画像処理を専門としていない方におすすめです。
特に、現場写真を整理する担当者、製造業や建設業のDX担当者、画像を使った企画や研究の補助をしたい方には、試す価値があると思います。
また、ChatGPTのデータ分析機能を学びたい初心者にも向いています。
一方で、医療画像の診断、安全性を左右する検査、法的な証拠評価など、厳密な精度保証が必要な用途に、このプロンプトだけで対応することはおすすめしません。
そうした場面では、検証済みの解析方法や専門家による確認が不可欠です。
実際に試す前に知っておきたい注意点
今回のプロンプトは、画像解析の全工程を自動的に保証するものではありません。
ChatGPTの利用環境によって、画像ファイルの直接処理やコード実行ができるかどうかが異なります。
また、画像をAIが見て説明する機能と、元画像のピクセル値を計算する機能は分けて考える必要があります。
正確な統計値が欲しいときは、必ず元ファイルから計算されていることを確認してください。
領域分類の結果についても、元画像と分類画像を並べて、誤りがないかを確認することが重要です。
さらに、画像に人物や機密情報が含まれる場合は、アップロード前に取り扱いルールを確認する必要があります。
便利だからこそ、分析できたことと、まだ検証できていないことを区別したいですね。
AIに任せたいのは、数字を作ることではない
今回のプロンプトで意識したのは、「もっともらしい答えを出すAI」ではなく、「検証可能な結果を目指すAI」にすることです。
実際の画素から計算する。
計算方法を明記する。
不明な領域は無理に分類しない。
実行できなかった項目は正直に報告する。
こうしたルールを設定するだけで、AIに期待する役割が変わります。
そして、人間の役割も変わると思っています。
細かな集計やグラフ作成をAIが支援し、人は何を分析すべきか、結果から何を読み取るかに集中する。
そんな働き方が広がれば、これまで埋もれていた現場のアイデアが、もっと形になるかもしれません。
まずは身近な写真から始めてみませんか？
今回の「グレースケール画像解析AI」プロンプトは、特別な写真だけを対象にしたものではありません。
身近な風景、植物、仕事で撮影した写真などを使って試すことができます。
最初は、画像全体の平均輝度やヒストグラムだけでも十分です。
そこから5段階分類、領域解析、複数画像の比較へと進めていくのがおすすめです。
プロンプトの全文や具体的な分析項目は、生成AIブログ「ほぼテク」で紹介しています。
「ほぼテク」で、ChatGPTの画像解析プロンプト全文をチェックしてみてください。
私たちは、AIで効率化することそのものをゴールにはしていません。
その先にある、新しい挑戦や発想にこそ価値があると考えています。
写真を見る。
数字で理解する。
新しい気づきを得る。
そこから、次の挑戦が始まるかもしれません。
最後に
ブログを日々書き続けて思うこと。
AI時代、私たちはどう働くべきか。
データ処理や効率化はAIに任せ、人は人間にしか生み出せない「情熱」と「熱狂」、「泥臭さ」、そして「挑戦」に命を懸ける！
私たちは、それこそが最高にワクワクする企業のあり方だと信じています。
意味のある“無駄”に全力で挑む。
GROWTH JAPAN TECHNOLOGIESは、今日も情熱もって熱く走ります！
執筆： 我妻裕太
所属： 株式会社GROWTH JAPAN TECHNOLOGIES
受賞歴：
● IBM DXチャレンジ最優秀賞
● 経済産業大臣賞
● その他多数受賞
運営： 生成AIブログ「ほぼテク」
👉「ほぼテクブログ」で紹介中！
#ChatGPT #生成AI #画像解析 #業務効率化 #DX #ほぼテク
