JP2003066539A - 写真処理装置におけるカラーマネジメントシステム及び方法 - Google Patents

Abstract

(57)【要約】 【課題】 プロファイルの作成を効率よく行うことので
きる写真処理装置のカラーマネジメントシステム及び方
法を提供すること。 【解決手段】 ポジフィルムに形成された画像をＣＣＤ
スキャナ１により読み取り、読み取られた画像データに
基づいて、適切な発色で写真プリントを作成するための
写真処理装置におけるカラーマネジメントシステムであ
って、予め用意され、複数色が表現された標準チャート
ＩＴ８を読み取るＣＣＤスキャナ１と、読み取られた各
色の画像データの値を、目標とする基準値に変換するた
めのプロファイルを作成するプロファイル作成装置２０
とを備え、プロファイル作成装置２０は、誤差逆伝播法
によるフィードフォワード階層型ニューラルネットワー
ク２２により構成され、入力値を基準値に近づけるべく
学習を行うように構成されている。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、写真フィルムの画
像を読取装置により読み取り、読み取られた画像データ
に基づいて、適切な発色で写真プリントを作成するため
の写真処理装置におけるカラーマネジメントシステム及
び方法に関する。

【０００２】

【従来の技術】かかる写真処理装置は、例えば、現像済
みのポジフィルムに形成されたコマ画像をＣＣＤスキャ
ナ（読取装置に相当する。）により読み取り、読み取っ
た画像データに基づいて、デジタル露光エンジンを用い
てペーパーに画像を焼付露光する。 このペーパーを現
像・乾燥処理することにより、写真プリントを得ること
ができる。

【０００３】しかしながら、ＣＣＤスキャナにより得ら
れた画像データの値をそのまま用いて写真プリントを作
成したとしても、ポジフィルムに形成されている画像と
比較すると色ずれが生じる。この色ずれは、入力デバイ
ス（ＣＣＤスキャナ等）や出力デバイス（デジタル露光
エンジン等）や画像形成媒体（ポジフィルム）の感度特
性が線型関数のように単純な形で与えられないことに原
因がある。すなわち、仮に同じ画像データの値（Ｒ，
Ｇ，Ｂの値）を与えたとしても、入力デバイスや出力デ
バイスの感度特性が異なるために、同じ色で表現されな
いからである。

【０００４】そこで、入力デバイスや出力デバイスの色
をできるだけ近づけようとする技術が知られており、こ
の技術をカラーマネジメントと呼んでいる。そこで、写
真処理装置において取り入れられているカラーマネジメ
ントについて、図１により説明する。

【０００５】この図１において、入力デバイスとして画
像読取装置が示され、出力デバイスとして画像表示装置
（モニター）と画像印刷装置（プリンター）が示されて
いる。これらの各デバイスが表現できる固有の色が、標
準色域（ＣＩＥ Ｌａｂ）ではどの色に該当するのかを
１色１色表わしたテーブル（ルックアップテーブル）を
プロファイルと呼んでいる。このように、標準色域を基
準として各デバイスの特性をプロファイルで表現するこ
とで、適切な色を再現できるようにしている。本発明
は、特に画像読取装置と標準色域との間に介在するプロ
ファイルを作成するためのカラーマネジメントシステム
に関するものである。

【０００６】まず、標準色域を表わす標準チャート（キ
ャリブレーション用ターゲット）としてＩＴ８と呼ばれ
るものがある。この標準チャートは、入力カラーターゲ
ット（Ｃｏｌｏｒ Ｒｅｆｌｅｃｔｉｏｎ Ｔａｒｇｅ
ｔ ｆｏｒ Ｉｎｐｕｔ Ｓｃａｎｎｅｒ Ｃａｌｉｂ
ｒａｔｉｏｎ）という正式名称を有する。 ＩＴ８は図
２に示すように、縦軸がＡ〜Ｌで横軸が１〜２２までの
合計２６４色に区画された標準チャートである。この標
準チャートを画像読取装置により読み取る。例えば、２
６４色のうちのある特定の色を読み取ったときの値が
（Ｘｒ，Ｙｒ，Ｚｒ）であったとする。一方、上記２６
４色のそれぞれについては、読み取った場合の基準値
（目標値）が予め設定されている。上記特定の色の基準
値が（Ｘｔ，Ｙｔ，Ｚｔ）であるとすれば、読み取った
値（Ｘｒ，Ｙｒ，Ｚｒ）が基準値（Ｘｔ，Ｙｔ，Ｚｔ）
になるように、テーブル（プロファイル）を作成するの
である。

【０００７】

【発明が解決しようとする課題】しかしながら、上記テ
ーブルを作成するのはオペレータの作業が煩雑化し、そ
のための労力も多大であり改善が望まれている。例え
ば、８ビット画像は１６７０万色もあり、実際にこの１
６７０万色についてのテーブルを作成することは不可能
である。カラーマネジメントでは、できるだけ少ない情
報ですべての色に付いて適用できるプロファイルを作成
することが重要である。

【０００８】本発明は上記実情に鑑みてなされたもので
あり、その課題は、プロファイルの作成を効率よく行う
ことのできる写真処理装置のカラーマネジメントシステ
ム及び方法を提供することである。

【課題を解決するための手段】上記課題を解決するため
本発明に係る写真処理装置のカラーマネジメントシステ
ムは、画像形成媒体に形成された画像を画像読取装置に
より読み取り、読み取られた画像データに基づいて、適
切な発色で写真プリントを作成するための、写真処理装
置におけるカラーマネジメントシステムであって、予め
用意され、複数色が表現された標準チャートを読み取る
前記画像読取装置と、読み取られた各色の画像データの
値を、目標とする基準値に変換するためのプロファイル
を作成するプロファイル作成装置とを備え、前記プロフ
ァイル作成装置は、誤差逆伝播法によるニューラルネッ
トワークにより構成され、入力値を前記基準値に近づけ
るべく学習を行うように構成されていることを特徴とす
るものである。

【０００９】この構成によるシステムの作用・効果は、
以下の通りである。まず、画像読取装置により標準チャ
ートを読み取る。この標準チャートとしては、例えば、
ＩＴ８が選択される。読み取られた各色の画像データの
値を、目標とする基準値に変換するためのプロファイル
を作成するプロファイル作成装置を備えている。そし
て、このプロファイル作成装置を誤差逆伝播法によるニ
ューラルネットワークにより構成する。ニューラルネッ
トは、生体のニューロンを模擬する人工の素子を用いて
構成され、近年において特に注目されている技術であ
る。

【００１０】上述のＩＴ８については２６４色が規定さ
れている。一方、色を８ビットの画像データで表現する
と１６７０万色になるが、規定されない色に関しては、
ニューラルネットにより推定することができる。

【００１１】ここで、ニューラルネットの入力値として
（Ｒ，Ｇ，Ｂ）や（Ｘ，Ｙ，Ｚ）等の値を選択し、これ
ら入力値が基準値に近づくように学習をさせる。本発明
者らは、鋭意検討した結果、ニューラルネットワークを
用いて、従来行っていたルックアップテーブルによるプ
ロファイルと同等レベルの品質を確保できることを確か
めることができた。また、ニューラルネットワークによ
る学習は、ソフトウェアで自動的に行わせることができ
る。よって、テーブルを作成するものに比べると、プロ
ファイル作成を効率よく行うことができる。その結果、
プロファイルの作成を効率よく行うことのできる写真処
理装置のカラーマネジメントシステムを提供することが
できる。本発明の好適な実施形態として、前記プロファ
イル作成装置は、前記基準値に対する出力値の誤差値を
前記基準値で除算した値を誤差率として定義しており、
前記誤差率に基づいて学習を行うように構成されている
ものがあげられる。色ずれについては、数値上の誤差の
大きさと、見た目の誤差の大きさとは必ずしも一致しな
い。特に、明度の低い色については、データとしての数
値が小さく、誤差の影響を受けやすい。従って、誤差の
大きさが全く同じ値であったとしても、明度の高い色よ
りも明度の低い色のほうが見た目の色ずれが大きい。そ
こで、基準値に対する出力値の誤差値を基準値で除算し
た値を誤差率として定義し、この誤差率に基づいて学習
を行うようにする。これにより、明度の低い色について
も、明度の高い色と同等に学習を収束させることができ
る。

【００１２】本発明の別の好適な実施形態として、前記
学習を行うにあたり、入力値を色度座標上で複数のカテ
ゴリに分類し、前記各カテゴリに対して前記学習を行う
ように構成されているものがあげられる。

【００１３】例えば、ＩＴ８を標準チャートとして用い
る場合、２６４色のすべてについて一度に学習すると、
出力値と基準値との誤差が大きくなる。従って、学習が
収束するのに時間がかかる恐れがある。そこで、色度座
標上（例えば、ｘｙ色度座標上）で複数のカテゴリに分
類し、各カテゴリについて学習を行うようにする。これ
により、学習を効率よく行うことができる。

【００１４】本発明の更に別の好適な実施形態として、
前記各カテゴリは、境界部分が重複して設定されてお
り、境界付近の入力値を重複して学習させ、両カテゴリ
における学習結果を所定の比率で平均化するように構成
したものがあげられる。

【００１５】複数のカテゴリに分類する場合に、各カテ
ゴリの境界部分を重複させないで学習させると、カテゴ
リの境界付近で学習結果に不連続性が発生する恐れがあ
る。そこで、カテゴリの境界部分を重複して設定する。
そして、この重複部分の境界付近の入力値は重複して学
習させる。重複した両カテゴリにおける学習結果は所定
の比率で平均化させる。これにより、カテゴリの境界付
近での学習結果の連続性を維持することができる。

【００１６】本発明の更に別の好適な実施形態として、
前記所定の比率は、前記色度座標上で彩度０の点を中心
とする円の半径方向の長さ、 又は、中心角の大きさに
基づいて設定されているものがあげられる。彩度０の点
を中心とする円の半径方向は彩度方向に沿うものであ
り、中心角の大きさは円の円周方向に沿った角度の大き
さ、すなわち、色相方向に沿った大きさに対応する。よ
って、これら半径方向の長さや中心角の大きさに基づい
て、所定の比率を設定することで、精度よく学習結果の
連続性を維持することができる。

【００１７】

【発明の実施の形態】本発明にかかるカラーマネジメン
トシステムが好適に用いられる写真処理装置を図３によ
り説明する。

【００１８】図３において、画像読取装置として機能す
るＣＣＤスキャナ１が設けられている。ＣＣＤスキャナ
１は、画像形成媒体であるポジフィルムＦ（写真フィル
ムの一例）の画像を読み取るものであり、読み取り用光
源２から発せられた光がポジフィルムＦを透過した透過
光の強度を測定することで、画像データを取得すること
ができる。なお、ポジフィルムＦは搬送ローラ３により
一定速度で搬送されるようになっており、１ラインずつ
画像データを取り込んでいくように構成している。従っ
て、ＣＣＤスキャナ１は、ラインセンサーであるが、こ
れに代えてエリアセンサーでもよい。

【００１９】画像処理部２は、取得された画像データに
対して処理を施して露光エンジン３に転送する。この画
像処理部２に、本発明に係るプロファイル作成装置２０
として機能する部分が備えられている。

【００２０】露光エンジン３は、露光光をペーパーＰ
（写真感光材料に相当する。）に照射することにより、
ペーパーＰの乳剤面に画像を焼付露光する。ペーパーＰ
は、ペーパーマガジン４にロール状に収容されている。
ペーパーマガジン４から引き出されたペーパーＰは、ペ
ーパーカッター５によりプリントサイズに切断される。
プリントサイズに切断されたペーパーＰは、露光搬送ロ
ーラ６により一定速度で搬送され、露光エンジン３によ
り順次画像が焼付露光されていく。画像が焼付露光され
たペーパーＰは、現像処理部７及び乾燥処理部８にて所
定の処理が施され、写真プリントが作成される。

【００２１】また、写真処理装置内の各部の制御を行う
コントローラ９が設けられている。コントローラ９に
は、各種のデータを入力するキーボード１０と、読み取
った画像の表示等を行うモニター１１とが接続されてい
る。

【００２２】＜プロファイル作成装置について＞次に、
本発明のカラーマネジメントシステムで用いられるプロ
ファイル作成装置について説明する。図１で既に説明し
たように、ＣＣＤスキャナの感度特性を表わすプロファ
イルを作成する必要がある。このプロファイルを誤差逆
伝播法によるフィードフォワード階層型ニューラルネッ
トワークを用いて作成する。ニューラルネットは、生体
のニューロンを模擬する人工の素子を用いて構成され、
近年において特に注目されている技術である。ニューラ
ルネットワークの構成を図４に概念的に示す。

【００２３】階層型とは、入力層と出力層の間に任意の
個数の中間層が存在するネットワークをいう。図例では
２つの中間層が示されている。また、フィードフォワー
ドとは、同一層内のユニット間の結合がなく、すべての
ユニットは１つ前の層からのみ入力を受け取り、次の層
へのみ出力を送り出すことのできるネットワークをい
う。すなわち、 信号が入力側から出力側へと１方向に
流れていくように構成したものである。誤差逆伝播法と
は、フィードフォワード階層型ニューラルネットワーク
の学習方法の１つである。すなわち、 ネットワークを
構成するユニットの結合重みやしきい値の値を変化させ
ることにより、入力値と出力値の関係を変化させるもの
である。ネットワーク内部のパラメータ（結合重みとし
きい値）に適当な初期値を与えた上で、入出力の誤差が
小さくなるように、パラメータの微小修正を繰り返す。
この繰り返し処理の結果、出力値が基準値に収束する
（近づく）ように学習を行う。

【００２４】また、本発明において説明する色データの
取り扱いに関して説明する。ＣＣＤスキャナ１により取
り込まれた画像データは（Ｂ，Ｇ，Ｒ）の各値で表現す
ることができる。この（Ｂ，Ｇ，Ｒ）の各値を人間の目
で見た感度で表現するため、（Ｘ，Ｙ，Ｚ）の各値を用
いることがある。ここで、（Ｂ，Ｇ，Ｒ）と（Ｘ，Ｙ，
Ｚ）の間には、次式１，２のような関係がある。

【００２５】

【数１】

【数２】 また、ＸＹＺで表現できない物体の色を表現するため
に、小文字のｘｙという数量が使用される。これは
（Ｘ，Ｙ，Ｚ）を合計すると１になる比率で表わし、そ
のうちｚを省略したものである。 このｘｙによる色度
座標を図５に示し、これはＣＩＥ ｘｙ色度図と呼ばれ
るものである。この色度図は釣鐘状であり、これを真円
形状に補正したのが、図６に示されるＣＩＥ Ｌａｂ色
度図である。

【００２６】次に、図７により画像処理部２のブロック
構成を説明する。ＣＣＤスキャナ１は、本来的には画像
形成媒体の画像を読み取るものであるが、ニューラルネ
ットワークによる学習を行うに際しては、標準チャート
ＩＴ８の画像を読み取る。標準チャートＩＴ８は標準色
域を表わすものであり、図２に示すように２６４色の色
が表現されている。変換部２１は、ＣＣＤスキャナ１に
より読み取った画像データの（Ｂ，Ｇ，Ｒ）を（Ｘ，
Ｙ，Ｚ）に変換する。さらに、この（Ｘ，Ｙ，Ｚ）から
３乗根である（Ｘ^1/3 ，Ｙ^1/3 ，Ｚ^1/3 ）を演算する。
なお、便宜上（Ｘ^1/3 ，Ｙ^1/3 ，Ｚ^1/3 ）を（Ｘ，Ｙ，
Ｚ）^1/3 と表現する。３乗根した値を使用するのは、人
間の目の感度曲線とよくマッチングするからである。ポ
ジフィルムの場合は、３乗根した値がよくマッチングす
ると言われている。

【００２７】なお、変換部２１を設けずに、（Ｂ，Ｇ，
Ｒ）の画像データをそのままニューラルネットワーク２
２に入力し、ニューラルネットワーク２２の内部で
（Ｘ，Ｙ，Ｚ）への変換と３乗根への変換の処理を行わ
せるようにしても良い。

【００２８】ニューラルネットワーク２２は、３入力３
出力のフィードフォワード階層型ニューラルネットワー
クである。入力値も出力値も（Ｘ，Ｙ，Ｚ）^1/3 で表現
される。 一方、標準チャートＩＴ８に表現される２６
４色については、それぞれ基準値（目標値あるいは、教
師値ともいう。）が予め設定されている。この基準値
（Ｘ，Ｙ，Ｚ）^1/3 と出力値（Ｘ，Ｙ，Ｚ）^1/3 の差に
基づいて、誤差逆伝播法による学習を行うようにしてい
る。

【００２９】３乗演算部２３は、（Ｘ，Ｙ，Ｚ）^1/3 を
３乗して、元の（Ｘ，Ｙ，Ｚ）に戻す演算を行う。変換
部２４は、（Ｘ，Ｙ，Ｚ）を（Ｂ，Ｇ，Ｒ）に変換す
る。さらにγ補正部２５にてγ補正を行い、この画像デ
ータを露光エンジンに転送する。

【００３０】＜ニューラルネットワークによる学習＞次
に，ニューラルネットワーク２２による学習に関して詳
細に説明する。まず、ＣＣＤスキャナ１により標準チャ
ートＩＴ８を読み取る。 なお、この標準チャートＩＴ
８は規格で定められているものである。例えば、ＡＮＳ
Ｉ規格に定められている。既に説明したように、標準チ
ャートＩＴ８に表わされている２６４色は、それぞれ基
準値が予め設定されている。この基準値データは、画像
処理部２内の記憶装置に予め入力しておく必要がある。
また、この基準値は（Ｘ，Ｙ，Ｚ）の値として与えられ
ている。なお、本実施形態では３乗根した値で評価を行
うため、（Ｘ，Ｙ，Ｚ）^1/3 の値を予め記憶装置に入力
して記憶させておく。

【００３１】次に、ニューラルネットワーク２２に
（Ｘ，Ｙ，Ｚ）^1/3 又は（Ｒ，Ｇ，Ｂ）を入力して学習
を行うが、標準チャートＩＴ８に表現される２６４色に
関して、一度に学習すると計算量が膨大となり学習時間
がかかる。そこで、本発明においては、２６４色につい
て一度に学習するのではなく、１０個のカテゴリ（＝グ
ループ）に分割し、各カテゴリごとに学習を行うように
している。これについて説明する。

【００３２】図５のＣＩＥ ｘｙ色度図にて、各カテゴ
リをｘｙ座標を使用して表わすと、下記のようになる。

【００３３】 カテゴリ ０：ｘ＜（１／３） ４ｘ−１＜ｙ＜（１／２）ｘ＋（１／６） １：ｘ＜（１／３） ｘ＜ｙ＜−ｘ＋（２／３） ２：ｘ＜（１／３），ｙ＞（１／３） ｘ≧（１／３），２ｘ−（１／３）＜ｙ ３：ｘ≧（１／３） （１／２）ｘ＋（１／６）＜ｙ ４：ｘ≧（１／３） −（１／２０）ｘ＋（７／２０）＜ｙ＜ｘ ５：ｘ≧（１／３） −ｘ＋（２／３）＜ｙ＜（１／１０）ｘ＋（３／１０） ６：ｘ≧（１／３） ｙ＜−（１／２）ｘ＋（１／２） ７：ｘ≧（１／３），ｙ＜−（５／２）ｘ＋７／６ ｘ＜（１／３），ｙ＜（２３／１０）ｘ−（１３／３０） ８：（ｘ−（１／３））² ＋（ｙ−（１／３））² ≦０．００００６ ９：（ｘ−（１／３））² ＋（ｙ−（１／３））² ≦０．００００４ 以上に示されるカテゴリを図６のＣＩＥ Ｌａｂで表現
すると、以下のように示される。なお、角度表示は（ｘ
＝１／３，ｙ＝１／３）の点（彩度が０の点）を原点と
して表示するものである。

【００３４】 カテゴリ ０：２０６．６度〜２５６．０度 （幅 ５０．０度） １：１３５．０度〜２２５．０度 （幅 ９０．０度） ２： ６３．４度〜１８０．０度 （幅１１６．０度） ３： ２６．６度〜 ９０．０度 （幅 ６３．４度） ４： −２．９度〜 ４５．０度 （幅 ４７．９度） ５：−４５．０度〜 ５．７度 （幅 ５０．７度） ６：２７０．０度〜３３３．４度 （幅 ６３．４度） ７：２４６．５度〜２９１．８度 （幅 ４５．３度） ８：半径０．００００６内 ９：半径０．００００４内 以上のように、各カテゴリごとにニューラルネットワー
クを適用して学習を行う。これにより、学習を早く、
かつ、 精度よく行うことができるようになる。

【００３５】また、上記説明したカテゴリは、領域の面
積が均等ではなくばらつきがある。ＣＩＥ Ｌａｂ色度
座標上で表現したカテゴリの幅を見ると分かりやすい
が、各カテゴリの幅は同じではない。これは標準チャー
トＩＴ８の２６４色を１０個のカテゴリに分割するにあ
たり、各カテゴリにほぼ同じ数の色（パッチ）が入るよ
うに調整しているからである。これにより、各カテゴリ
の学習時間も均等化させることができ、結果として、学
習時間を短縮できると考えられるからである。

【００３６】さらに、各カテゴリは完全に領域が分断さ
れているのではなく、境界部分が重複して設定されてい
る。これは、重複部分を設定せずに、カテゴリを設定す
ると、カテゴリとカテゴリの境界付近で学習結果に不連
続性が生じるからである。そこで、カテゴリに重複部分
を設定して、重複部分（境界付近）の色に関しては、両
方のカテゴリで学習するようにしている。また、両カテ
ゴリにおける学習結果は、所定の比率で平均化（混合）
するようにしている。これを図８により説明する。カテ
ゴリ（１）とカテゴリ（２）の両方に属するデータにつ
いては、彩度０の点（円の中心）から見た角度θ（中心
角）に基づいて混合比が設定される。この点に関して説
明する。なお、円の半径方向は彩度方向に沿うものであ
る。また、中心角の方向は、円周方向に沿う方向であ
り、色相方向に沿うものである。

【００３７】まず、カテゴリ（１）の範囲はθ_1a＜θ＜
θ_1bとする。そして、ニューラルネットによる学習を行
い、カテゴリ（１）での出力が、ｄ₁ ＝ｄ₁ （ｒ，θ）
で得られたとする。また、カテゴリ（２）の範囲をθ_2a
＜θ＜θ_2bとする。そして、ニューラルネットによる学
習を行い、カテゴリ（２）での出力が、ｄ₂ ＝ｄ₂
（ｒ，θ）で得られたとする。この場合において、ｄ₁
とｄ₂ を混合する比率を、（１−ｔ）：ｔ で混合する
ものと考えると、 ｔ＝（θ−θ_2a）／（θ_1b−θ） となるようにｔを定める。これにより、カテゴリ（１）
とカテゴリ（２）の出力を連続的につなげることができ
る。

【００３８】一方、カテゴリ（８）（９）に属する、彩
度の低いデータに関しては、円の半径方向に沿った大き
さに基づいて混合比を決定することができる。例えば、
半径の大きさの比に従って、平均化することができる。
このように平均化することにより、学習結果の不連続性
をなくすことができる。

【００３９】図９にカテゴリ境界付近の重複学習がある
場合とない場合との結果を比較して示す。図９の上は、
カテゴリ境界線付近の重複学習がない場合の結果であ
り、カテゴリの境界において不連続性が見られる。一
方、図９の下は、カテゴリ境界付近の重複学習がある場
合の結果であり、学習結果に連続性が見られることがわ
かる。

【００４０】ニューラルネットワーク２２にデータを入
力すると、全く学習をしていない最初に出力されるデー
タは、入力されるデータと同じである。この出力された
データ出力値と基準値とを比較するわけであるが、本発
明においては、誤差率という考えを導入して学習を行っ
ている。誤差率は、次の式で計算される。

【００４１】誤差率＝（基準値−出力値）／基準値 つまり、単なる（基準値−出力値）による相対的な誤差
よりも、絶対的な誤差として表現しようとするものであ
る。色ずれについては、数値上の誤差の大きさと、見た
目の誤差の大きさとは必ずしも一致しない。特に、明度
の低い色については、データとしての数値が小さく、誤
差の影響を受けやすい。従って、誤差の大きさが全く同
じ値であったとしても、明度の高い色よりも明度の低い
色のほうが見た目の色ずれが大きい。そこで、上記のよ
うに誤差率を定義し、この誤差率に基づいて学習を行う
ようにする。これにより、明度の低い色についても、明
度の高い色と同等に学習を収束させることができる。

【００４２】誤差率に基づいて学習を行うものである
が、本発明においては、既に説明したように誤差逆伝播
法に基づいた学習を行う。ここで出力層から逆伝播する
にあたり、誤差率に応じた操作を行うようにしている。
実際には、許容値を予め決めており、誤差率がそれを超
えていない場合は、ユニット結合荷重の更新への影響を
減らすために、１／２倍した後に逆伝播させる。

【００４３】以上のようにニューラルネットワーク２２
を用いて、出力値は所定のレベルに到達するまで学習を
行う。学習結果を確かめるには、次のような手順を行
う。

【００４４】まず、学習した結果のデータを使用してプ
リントＰ１を作成する。この画像データは、ニューラル
ネットワーク２２から出力された（Ｘ，Ｙ，Ｚ）^1/3 を
３乗演算部２３にて３乗した（Ｘ，Ｙ，Ｚ）を演算す
る。 これを更に変換部２４にて（Ｂ，Ｇ，Ｒ）の画像
データに変換する。これをγ補正部２５にてγ補正した
のち、露光エンジンに転送し画像をペーパーに焼付露光
することで写真プリントＰ１を得る。一方、基準値
（Ｘ，Ｙ，Ｚ）^1/3 をそのまま使用して、同じように３
乗演算、（Ｒ，Ｇ，Ｂ）変換、γ補正を行い、写真プリ
ントＰ２を得る。この写真プリントＰ１とＰ２を比較す
ることで学習結果を確認することができる。本発明者ら
は、実際に写真プリントＰ１とＰ２を作成して比較して
みた結果、人間の目で見た限りにおいては、区別がつか
ないほど一致度が高いことを確認することができた。す
なわち、 ニューラルネットワーク２２による学習が十
分に効果があり、実用的なものであることを確認するこ
とができた。

【００４５】＜別実施形態＞ （１）本実施形態では、（Ｂ，Ｇ，Ｒ）を（Ｘ，Ｙ，
Ｚ）に変換しているがこれに限定されるものではない。
また、標準チャートもＩＴ８以外のものを使用しても良
い。また、（Ｘ，Ｙ，Ｚ）^1/3 により学習を行っている
が、これに限定されるものではない。例えば、対数圧縮
した数値を用いて学習しても良い。

【００４６】（２）画像形成媒体としてはポジフィルム
に限定されるものではなく、その他のネガフィルム等の
写真フィルムや印刷物、プリントの場合にも本発明は適
用することができる。

【００４７】（３）カテゴリの数については任意に設定
することができる。また、重複の程度についても、適宜
設定することができる。 （４）出力デバイスと標準色域（ＣＩＥ Ｌａｂ）の間
のプロファイルについても、同様にニューラルネットワ
ークにより作成することができる。 （５）本発明によるカラーマネジメントシステムは、プ
リンターのキャリブレーションにも適用することができ
る。

【図面の簡単な説明】

【図１】カラーマネジメントの概念を示す図

【図２】標準チャートＩＴ８を示す図

【図３】写真処理装置の構成を示す模式図

【図４】ニューラルネットワークの構成を示す図

【図５】ＣＩＥ ｘｙ色度座標を示す図

【図６】ＣＩＥ Ｌａｂ色度座標を示す図

【図７】プロファイル作成装置の構成を示す図

【図８】隣接カテゴリ間の混合比を説明する図

【図９】重複学習の有無の結果を比較する図

【符号の説明】

１ ＣＣＤスキャナ ２ 画像処理部 ２０ プロファイル作成装置 ２１ 変換部 ２２ ニューラルネットワーク ２３ ３乗演算部 ２４ 変換部 ２５ γ補正部

───────────────────────────────────────────────────── フロントページの続き (72)発明者 新田 庫治 和歌山県和歌山市梅原579番地の１ ノー リツ鋼機株式会社内 (72)発明者 久後 耕一 和歌山県和歌山市梅原579番地の１ ノー リツ鋼機株式会社内 (72)発明者 北 耕次 和歌山県和歌山市梅原579番地の１ ノー リツ鋼機株式会社内 Ｆターム(参考） 2H106 AA72 AA80 AA85 BA27 BA52 BA55 BA64 5B057 AA11 BA02 CE18 CH01 CH07 CH08 5C077 LL16 LL17 MM27 MP08 PP31 PP32 PP36 PP46 PQ15 PQ23 SS01 TT02 5C079 HB01 HB05 HB08 HB11 MA04 MA10 MA13 NA13 PA03 PA08

Claims (6)

【特許請求の範囲】
1. 【請求項１】 画像形成媒体に形成された画像を画像読
   取装置により読み取り、読み取られた画像データに基づ
   いて、適切な発色で写真プリントを作成するための、写
   真処理装置におけるカラーマネジメントシステムであっ
   て、 予め用意され、複数色が表現された標準チャートを読み
   取る前記画像読取装置と、 読み取られた各色の画像データの値を、目標とする基準
   値に変換するためのプロファイルを作成するプロファイ
   ル作成装置とを備え、 前記プロファイル作成装置は、誤差逆伝播法によるニュ
   ーラルネットワークにより構成され、入力値を前記基準
   値に近づけるべく学習を行うように構成されていること
   を特徴とする写真処理装置におけるカラーマネジメント
   システム。
2. 【請求項２】 前記プロファイル作成装置は、前記基準
   値に対する出力値の誤差値を前記基準値で除算した値を
   誤差率として定義しており、前記誤差率に基づいて学習
   を行うように構成されている請求項１に記載の写真処理
   装置におけるカラーマネジメントシステム。
3. 【請求項３】 前記学習を行うにあたり、入力値を色度
   座標上で複数のカテゴリに分類し、前記各カテゴリに対
   して前記学習を行うように構成されていることを特徴と
   する請求項１又は２に記載の写真処理装置におけるカラ
   ーマネジメントシステム。
4. 【請求項４】 前記各カテゴリは、境界部分が重複して
   設定されており、境界付近の入力値を重複して学習さ
   せ、両カテゴリにおける学習結果を所定の比率で平均化
   するように構成したことを特徴とする請求項３に記載の
   写真処理装置におけるカラーマネジメントシステム。
5. 【請求項５】 前記所定の比率は、前記色度座標上で彩
   度０の点を中心とする円の半径方向の長さ、 又は、中
   心角の大きさに基づいて設定されていることを特徴とす
   る請求項４に記載の写真処理装置におけるカラーマネジ
   メントシステム。
6. 【請求項６】 写真フィルムの画像を読取装置により読
   み取り、読み取られた画像データに基づいて、適切な発
   色で写真プリントを作成するための、写真処理装置にお
   けるカラーマネジメント方法であって、 予め用意され、複数色が表現された標準チャートを読み
   取るステップと、 読み取られた各色の画像データの値を、目標とする基準
   値に変換するためのプロファイルを作成するステップと
   を有し、 前記プロファイルを作成するステップにおいて、誤差逆
   伝播法によるニューラルネットワークを用い、入力値を
   前記基準値に近づけるべく学習を行うようことを特徴と
   する写真処理装置におけるカラーマネジメント方法。