Zero-DCE++ による夜間・暗所動画画質改善（ソースコードと実行結果）

【概要】

Zero-DCE++（Zero-Reference Deep Curve Estimation）は、参照画像を用いずに学習した深層曲線推定により、低照度画像の明るさを画素ごとに調整する技術である。約1万パラメータの小さなネットワークで動作するため、動画の各フレームを次々に処理する用途に向いている。本ページでは、Windows上でのPython開発環境の準備から、夜間・暗所で撮影された動画の画質を改善するプログラムの実行までを扱う。

【目次】

【関連する外部ページ】

【サイト内の関連情報】

1. Python開発環境，ライブラリ類

ここでは、最低限の事前準備について説明する。機械学習や深層学習を行う場合は、NVIDIA CUDA、Visual Studio、Cursorなどを追加でインストールすると便利である。これらについては別ページ https://www.kkaneko.jp/cc/dev/aiassist.html で解説している。

2. Python 3.12 のインストール

Pythonのインストールを行い、Pythonのプログラムを実行する環境を整える。扱う環境は、Windows搭載パソコンである。金子研究室では、Python 3.12.10を推奨する。

[Windows での Python 3.12 のインストール手順を見るには、ここをクリック]

Windows での Python 3.12 のインストール

以下のいずれかの方法でPython 3.12をインストールする。Pythonがインストール済みの場合、この手順は不要である。

方法 1：winget によるインストール

【インストールコマンドの実行方法】

管理者権限でコマンドプロンプトを起動する（手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。そして、コマンド全体をコマンドプロンプトにコピー＆ペーストする。

--scope machine を指定することで、システム全体（全ユーザー向け）にインストールされる。このオプションの実行には管理者権限が必要である。インストール完了後、コマンドプロンプトを再起動するとPATHが反映される。

REM Python 3.12 をシステム領域にインストール
winget install --id Python.Python.3.12 -e --scope machine --silent --accept-source-agreements --accept-package-agreements --override "/quiet InstallAllUsers=1 PrependPath=1 Include_test=0 Include_pip=1 Include_launcher=1 InstallLauncherAllUsers=1 TargetDir=\"C:\Program Files\Python312\""

REM Python と Scripts を PATH 先頭に追加
powershell -NoProfile -Command "$p='C:\Program Files\Python312'; $s=\"$p\Scripts\"; $c=[Environment]::GetEnvironmentVariable('Path','Machine'); if((Test-Path $p) -and (';'+$c+';' -notlike \"*;$p;*\") -and (';'+$c+';' -notlike \"*;$s;*\")){[Environment]::SetEnvironmentVariable('Path',\"$p;$s;$c\",'Machine')}"

方法 2：インストーラーによるインストール

  1. Python公式サイト（https://www.python.org/downloads/）にアクセスし、「Download Python 3.x.x」ボタンからWindows用インストーラーをダウンロードする。
  2. ダウンロードしたインストーラーを実行する。
  3. 初期画面の下部に表示される「Add python.exe to PATH」にチェックを入れてから「Customize installation」を選択する。このチェックを入れ忘れると、コマンドプロンプトから python コマンドを実行できない。
  4. 「Install Python 3.xx for all users」にチェックを入れ、「Install」をクリックする。

インストールの確認

コマンドプロンプトで以下を実行する。

python --version

バージョン番号（例：Python 3.12.x）が表示されればインストール成功である。「'python' は、内部コマンドまたは外部コマンドとして認識されていません。」と表示される場合は、インストールが正常に完了していない。

3. Python の開発環境 Visual Studio Code のインストールと Python 用の設定

Python の開発環境Visual Studio Code（プログラムを編集するソフトウェア。以下、VS Code）を整える。

[Windows での Visual Studio Code のインストールと Python 用の設定手順を見るには、ここをクリック]

Windows での Visual Studio Code のインストールと Python 用の設定手順

1. VS Code と拡張機能のインストール

以下のコマンドにより，既存の VS Code を削除し，全ユーザー共有の設定で再インストールしたうえで，拡張機能（VS Code に機能を追加するソフトウェア）をまとめて導入する．

【インストールコマンドの実行方法】

管理者権限でコマンドプロンプトを起動する（手順：Windows キーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。そして，コマンド全体をコマンドプロンプトにコピー＆ペーストする。

インストールコマンド


REM ============================================================
REM Microsoft Visual Studio Code
REM ============================================================
winget uninstall -e --id Microsoft.VisualStudioCode --silent --disable-interactivity --accept-source-agreements
rmdir /s /q C:\ProgramData\vscode-extensions 2>nul
rmdir /s /q "%APPDATA%\Code" 2>nul
rmdir /s /q "%USERPROFILE%\.vscode" 2>nul
rmdir /s /q "%LOCALAPPDATA%\Microsoft\vscode-update" 2>nul

REM VS Code をシステム領域に新規インストール
winget install --scope machine --id Microsoft.VisualStudioCode -e --silent --accept-source-agreements --accept-package-agreements

REM 全ユーザー共有の拡張機能フォルダ
mkdir C:\ProgramData\vscode-extensions 2>nul
icacls "C:\ProgramData\vscode-extensions" /grant "Everyone:(OI)(CI)M" /T

REM スタートメニューのショートカットを --extensions-dir 付きで再作成
rmdir /s /q "C:\ProgramData\Microsoft\Windows\Start Menu\Programs\Visual Studio Code" 2>nul
del "C:\ProgramData\Microsoft\Windows\Start Menu\Programs\Visual Studio Code.lnk" 2>nul
powershell -NoProfile -Command "$s=New-Object -ComObject WScript.Shell; $lnk=$s.CreateShortcut('C:\ProgramData\Microsoft\Windows\Start Menu\Programs\Visual Studio Code.lnk'); $lnk.TargetPath='C:\Program Files\Microsoft VS Code\Code.exe'; $lnk.Arguments='--extensions-dir \"C:\ProgramData\vscode-extensions\"'; $lnk.Save()"
REM ショートカットの検証
powershell -NoProfile -Command "$s=New-Object -ComObject WScript.Shell; $lnk=$s.CreateShortcut('C:\ProgramData\Microsoft\Windows\Start Menu\Programs\Visual Studio Code.lnk'); Write-Host 'TargetPath:' $lnk.TargetPath; Write-Host 'Arguments:' $lnk.Arguments"

REM ファイル / フォルダ右クリックの「Code で開く」を登録
reg add "HKLM\SOFTWARE\Classes\*\shell\VSCode\command" /ve /d "\"C:\Program Files\Microsoft VS Code\Code.exe\" --extensions-dir \"C:\ProgramData\vscode-extensions\" \"%1\"" /f
reg add "HKLM\SOFTWARE\Classes\Directory\shell\VSCode\command" /ve /d "\"C:\Program Files\Microsoft VS Code\Code.exe\" --extensions-dir \"C:\ProgramData\vscode-extensions\" \"%1\"" /f
reg add "HKLM\SOFTWARE\Classes\Directory\Background\shell\VSCode\command" /ve /d "\"C:\Program Files\Microsoft VS Code\Code.exe\" --extensions-dir \"C:\ProgramData\vscode-extensions\" \"%V\"" /f

REM --extensions-dir 付きで起動する code.cmd ラッパを作成
REM （%* を echo で書くと対話的 cmd で失われるため、PowerShell で [char]37+'*' を書き出す）
powershell -NoProfile -Command "$pct=[char]37; $q=[char]34; $c='@echo off'+[char]13+[char]10+$q+'C:\Program Files\Microsoft VS Code\bin\code.cmd'+$q+' --extensions-dir '+$q+'C:\ProgramData\vscode-extensions'+$q+' '+$pct+'*'+[char]13+[char]10; [IO.File]::WriteAllText('C:\ProgramData\vscode-extensions\vscode.cmd',$c,[Text.Encoding]::ASCII)"

REM 拡張機能のインストール
set "CODE=C:\Program Files\Microsoft VS Code\bin\code.cmd"
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --uninstall-extension GitHub.copilot
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --uninstall-extension GitHub.copilot-chat
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension ms-python.python
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension ms-python.vscode-pylance
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension ms-python.debugpy
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension MS-CEINTL.vscode-language-pack-ja
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension saoudrizwan.claude-dev
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension rust-lang.rust-analyzer
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension tamasfe.even-better-toml
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension anthropic.claude-code
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --install-extension almenon.arepl
"%CODE%" --extensions-dir "C:\ProgramData\vscode-extensions" --list-extensions --show-versions
echo === セットアップ完了 ===

2. Python インタプリタの選択

同一マシンに複数の Python がインストールされている場合，VS Code で使用する Python 本体（インタプリタ：Python プログラムを解釈・実行するソフトウェア）を選択する必要がある．

  1. コマンドパレット（コマンド名で機能を呼び出す VS Code の入力欄）を開く（Ctrl+Shift+P）
  2. Python: Select Interpreter と入力する
  3. 表示される一覧から，使用する Python（例：C:\Program Files\Python312\python.exe）を選択する．

4. 必要なソフトウェアとライブラリのインストール

Git のインストール（Windows 上） [クリックして展開]

管理者権限でコマンドプロンプトを起動する （手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。

管理者権限は、winget の --scope machine オプションでシステム全体にインストールするために必要となる。

REM Git をシステム領域にインストール
winget install --scope machine --id Git.Git -e --silent --disable-interactivity --force --accept-source-agreements --accept-package-agreements --override "/VERYSILENT /NORESTART /NOCANCEL /SP- /CLOSEAPPLICATIONS /RESTARTAPPLICATIONS /COMPONENTS=""icons,ext\reg\shellhere,assoc,assoc_sh"" /o:PathOption=Cmd /o:CRLFOption=CRLFCommitAsIs /o:BashTerminalOption=MinTTY /o:DefaultBranchOption=main /o:EditorOption=VIM /o:SSHOption=OpenSSH /o:UseCredentialManager=Enabled /o:PerformanceTweaksFSCache=Enabled /o:EnableSymlinks=Disabled /o:EnableFSMonitor=Disabled"

必要なライブラリをシステム領域にインストール

管理者権限でコマンドプロンプトを起動する （手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。

次のコマンドを実行する。--no-user オプションは、ユーザ領域ではなくシステム領域へインストールするために付ける。

REM PyTorch をインストール（GPU対応版）
set "CUDA_TAG=cu128"
set "PYTHON_PATH=C:\Program Files\Python312"
"%PYTHON_PATH%\Scripts\pip" install --no-user -U numpy torch torchvision torchaudio --index-url https://download.pytorch.org/whl/%CUDA_TAG%
pip install --no-user -U "opencv-python>=5.0.0" numpy pillow requests

5. 夜間・暗所動画画質改善プログラム

AIの基本的な能力と動画編集応用

AIの基本的な能力の1つは、既存のデータから学習したパターンや特徴を理解し、新しい表現を生成することである。AIによる画像・動画処理技術の発展により、専門的な技術や経験がなくても、暗所や夜間に撮影された動画の画質改善処理が可能となった。

主要技術

本プログラムは、Zero-DCE++（Zero-Reference Deep Curve Estimation）を用いた低照度動画の画質改善システムである [1]。Zero-DCE++は、明るい参照画像を必要としないゼロ参照学習（正解となる明るい画像を用意せずに学習する方式）により、深層曲線推定を用いて画像の明度を調整する。

プログラムは以下の技術を使用している。

使用条件

Zero-DCE++の公開コードと学習済みモデルは、学術研究目的での利用に限定されており、Attribution-NonCommercial 4.0 International ライセンスの下で提供されている（公式リポジトリのREADMEに記載）。利用の際は、公式リポジトリで条件を確認すること。

参考文献

[1] C. Li, C. Guo, C. C. Loy, "Learning to Enhance Low-Light Image via Zero-Reference Deep Curve Estimation," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 44, no. 8, pp. 4225-4238, 2022. https://arxiv.org/abs/2103.00860

ソースコード 

# 夜間・暗所動画画質改善プログラム
# - 特徴技術名: Zero-DCE++ (Zero-Reference Deep Curve Estimation)
# - 出典: https://github.com/Li-Chongyi/Zero-DCE_extension
# - 出典論文: C. Li, C. Guo, C. C. Loy, "Learning to Enhance Low-Light Image via Zero-Reference Deep Curve Estimation," IEEE TPAMI, vol. 44, no. 8, pp. 4225-4238, 2022.
# - 特徴技術および学習済モデルの利用制限: 学術研究目的のみ。Attribution-NonCommercial 4.0 International License (出典リポジトリのREADME.mdに記載)。必ず利用者自身で利用制限を確認すること。
# - 特徴機能: ゼロ参照深層曲線推定による低照度動画の画質改善。明暗が混在する場面でも画素ごとの明度調整を行う
# - AI学習済みモデル: Zero-DCE++事前学習モデル (Epoch99.pth)、低照度画像改善に特化、曲線推定により明度を調整
# - 入力と出力: 入力: 動画（ファイル/カメラ/サンプル）、出力: 改善前後の映像を並べた比較表示
# - 前準備: pip install --no-user -U numpy torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128
#           pip install --no-user -U "opencv-python>=5.0.0" numpy pillow requests
# - 方式設計:
#   - 関連利用技術: OpenCV（動画処理）、PyTorch（深層学習フレームワーク）、Pillow（日本語テキスト描画）
#   - 処理手順: 1.動画ソース選択、2.フレーム取得、3.解像度調整、4.Zero-DCE++モデル適用、5.改善前後の映像を連結、6.表示
#   - 前処理、後処理: 前処理：RGB正規化（0-1範囲）、最大解像度に応じた縮小、後処理：元解像度への復元
#   - 調整を必要とする設定値: MAX_RESOLUTION（最大解像度、現在1280、範囲720-1920、処理速度とのバランス）

import os
import subprocess
import cv2
import numpy as np
import torch
import torch.nn as nn
import tkinter as tk
from tkinter import filedialog
from PIL import Image, ImageDraw, ImageFont
import urllib.request
import time
from datetime import datetime
from collections import OrderedDict

# 設定値
MAX_RESOLUTION = 1280  # 最大解像度（720-1920）
REPO_URL = 'https://github.com/Li-Chongyi/Zero-DCE_extension.git'
REPO_DIR = 'Zero-DCE_extension'
MODEL_PATH = 'Zero-DCE_extension/Zero-DCE++/snapshots_Zero_DCE++/Epoch99.pth'
MAIN_FUNC_DESC = "Zero-DCE++画質改善"

# 日本語フォント
FONT_PATH = 'C:/Windows/Fonts/meiryo.ttc'
FONT_SIZE = 20
FONT_COLOR = (0, 255, 0)
TEXT_POSITION = (10, 10)

# GPU/CPU自動選択
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print(f'デバイス: {str(device)}')
# GPU使用時の最適化
if device.type == 'cuda':
    torch.backends.cudnn.benchmark = True

# Depthwise Separable Convolutionブロックを定義
class ConvBlock(nn.Module):
    def __init__(self, in_channels, out_channels):
        super(ConvBlock, self).__init__()
        self.depth_conv = nn.Conv2d(in_channels, in_channels, kernel_size=3, stride=1, padding=1, groups=in_channels, bias=True)
        self.point_conv = nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=1, padding=0, groups=1, bias=True)
        self.relu = nn.ReLU(inplace=True)

    def forward(self, x):
        x = self.depth_conv(x)
        x = self.point_conv(x)
        x = self.relu(x)
        return x

# Zero-DCE++モデル定義（最終層にReLUを適用しない公式準拠版）
class DCENet(nn.Module):
    def __init__(self, n_curves=8):
        super(DCENet, self).__init__()
        self.n_curves = n_curves

        self.e_conv1 = ConvBlock(3, 32)
        self.e_conv2 = ConvBlock(32, 32)
        self.e_conv3 = ConvBlock(32, 32)
        self.e_conv4 = ConvBlock(32, 32)
        self.e_conv5 = ConvBlock(64, 32)  # 入力: x3(32) + x4(32)
        self.e_conv6 = ConvBlock(64, 32)  # 入力: x2(32) + x5(32)

        # 最終層e_conv7はReLUを適用しないため、ConvBlockを使わず個別に定義
        self.e_conv7 = nn.Sequential(
            nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1, groups=64, bias=True),
            nn.Conv2d(64, 3, kernel_size=1, stride=1, padding=0, groups=1, bias=True)
        )

    def forward(self, x):
        x1 = self.e_conv1(x)
        x2 = self.e_conv2(x1)
        x3 = self.e_conv3(x2)
        x4 = self.e_conv4(x3)
        x5 = self.e_conv5(torch.cat([x3, x4], 1))
        x6 = self.e_conv6(torch.cat([x2, x5], 1))
        # 最終層の出力（ReLUなし）を直接tanhに渡す
        A = torch.tanh(self.e_conv7(torch.cat([x1, x6], 1)))

        # 1つの補正マップAをn_curves回、繰り返し適用する
        enhanced = x
        for _ in range(self.n_curves):
            enhanced = enhanced + A * (torch.pow(enhanced, 2) - enhanced)

        return enhanced, A

# ガイダンス表示
print('\n=== Zero-DCE++動画画質改善プログラム ===')
print('概要: ゼロ参照深層曲線推定により低照度動画の画質を改善します')
print('操作方法:')
print('  q キー: プログラム終了')
print()

# 日本語フォントの確認
if not os.path.exists(FONT_PATH):
    print(f'エラー: 日本語フォントが見つかりません: {FONT_PATH}')
    exit()
font = ImageFont.truetype(FONT_PATH, FONT_SIZE)

# 学習済みモデルの取得
if not os.path.exists(MODEL_PATH):
    print('学習済みモデルを取得中...')
    subprocess.run(['git', 'clone', REPO_URL, REPO_DIR], check=True)
    print('取得完了')

# モデルの初期化と重みの読み込み
model = DCENet(n_curves=8).to(device)
saved_state_dict = torch.load(MODEL_PATH, map_location=device, weights_only=True)

new_state_dict = OrderedDict()
is_parallel = all(key.startswith('module.') for key in saved_state_dict.keys())
for k, v in saved_state_dict.items():
    name = k[7:] if is_parallel else k
    # e_conv7のキー名をnn.Sequentialの構造にマッピングする
    if name.startswith('e_conv7.'):
        name = name.replace('depth_conv', '0').replace('point_conv', '1')
    new_state_dict[name] = v

model.load_state_dict(new_state_dict, strict=True)
model.eval()
print('学習済みモデルを読み込みました')

frame_count = 0
results_log = []

def video_frame_processing(frame):
    global frame_count
    current_time = time.time()
    frame_count += 1

    # 解像度調整
    h, w = frame.shape[:2]
    original_size = None
    if max(h, w) > MAX_RESOLUTION:
        scale = MAX_RESOLUTION / max(h, w)
        resized = cv2.resize(frame, (int(w * scale), int(h * scale)))
        original_size = (w, h)
    else:
        resized = frame

    # 前処理（BGR→RGB、0-1正規化）
    frame_rgb = cv2.cvtColor(resized, cv2.COLOR_BGR2RGB)
    frame_tensor = torch.from_numpy(frame_rgb).float().div(255).permute(2, 0, 1).unsqueeze(0).to(device)

    # 推論実行
    with torch.no_grad():
        enhanced, _ = model(frame_tensor)
        enhanced = torch.clamp(enhanced, 0, 1)

    # 後処理（RGB→BGR、uint8化）
    enhanced_np = enhanced.squeeze(0).mul(255).round().to(torch.uint8).cpu().permute(1, 2, 0).numpy()
    enhanced_bgr = cv2.cvtColor(enhanced_np, cv2.COLOR_RGB2BGR)

    # 元解像度に復元
    original_for_display = resized
    if original_size:
        enhanced_bgr = cv2.resize(enhanced_bgr, original_size)
        original_for_display = cv2.resize(original_for_display, original_size)

    # 明度改善率の計算
    original_brightness = np.mean(cv2.cvtColor(original_for_display, cv2.COLOR_BGR2GRAY))
    enhanced_brightness = np.mean(cv2.cvtColor(enhanced_bgr, cv2.COLOR_BGR2GRAY))
    improvement_ratio = (enhanced_brightness / max(original_brightness, 1)) * 100

    # 改善前と改善後を左右に連結
    processed_frame = np.hstack((original_for_display, enhanced_bgr))

    # 日本語テキスト描画
    info_text = f'フレーム: {frame_count} | 輝度比率: {improvement_ratio:.1f}%'
    img_pil = Image.fromarray(cv2.cvtColor(processed_frame, cv2.COLOR_BGR2RGB))
    draw = ImageDraw.Draw(img_pil)
    draw.text(TEXT_POSITION, info_text, font=font, fill=FONT_COLOR)
    draw.text((TEXT_POSITION[0], TEXT_POSITION[1] + 30), 'オリジナル', font=font, fill=FONT_COLOR)
    draw.text((original_for_display.shape[1] + TEXT_POSITION[0], TEXT_POSITION[1] + 30), '改善後', font=font, fill=FONT_COLOR)
    processed_frame = cv2.cvtColor(np.array(img_pil), cv2.COLOR_RGB2BGR)

    result = f'輝度比率: {improvement_ratio:.1f}%'

    return processed_frame, result, current_time

print("0: 動画ファイル")
print("1: カメラ")
print("2: サンプル動画")

choice = input("選択: ")

if choice == '0':
    root = tk.Tk()
    root.withdraw()
    path = filedialog.askopenfilename()
    if not path:
        exit()
    cap = cv2.VideoCapture(path)
elif choice == '1':
    cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)
    if not cap.isOpened():
        cap = cv2.VideoCapture(0)
    cap.set(cv2.CAP_PROP_BUFFERSIZE, 1)
else:
    # サンプル動画ダウンロード・処理
    SAMPLE_URL = 'https://raw.githubusercontent.com/opencv/opencv/master/samples/data/vtest.avi'
    SAMPLE_FILE = 'vtest.avi'
    urllib.request.urlretrieve(SAMPLE_URL, SAMPLE_FILE)
    cap = cv2.VideoCapture(SAMPLE_FILE)

if not cap.isOpened():
    print('動画ファイル・カメラを開けませんでした')
    exit()

# メイン処理
print('\n=== 動画処理開始 ===')
print('操作方法:')
print('  q キー: プログラム終了')
try:
    while True:
        ret, frame = cap.read()
        if not ret:
            break

        processed_frame, result, current_time = video_frame_processing(frame)
        cv2.imshow(MAIN_FUNC_DESC, processed_frame)
        if choice == '1':  # カメラの場合
            print(datetime.fromtimestamp(current_time).strftime("%Y-%m-%d %H:%M:%S.%f")[:-3], result)
        else:  # 動画ファイルの場合
            print(frame_count, result)
        results_log.append(result)

        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
finally:
    print('\n=== プログラム終了 ===')
    cap.release()
    cv2.destroyAllWindows()

    if results_log:
        with open('result.txt', 'w', encoding='utf-8') as f:
            f.write('=== 結果 ===\n')
            f.write(f'処理フレーム数: {frame_count}\n')
            f.write(f'使用デバイス: {str(device).upper()}\n')
            if device.type == 'cuda':
                f.write(f'GPU: {torch.cuda.get_device_name(0)}\n')
            f.write('\n')
            f.write('\n'.join(results_log))
        print('\n処理結果をresult.txtに保存しました')