JP2008259168A - Prediction of printing result - Google Patents

Prediction of printing result Download PDF

Info

Publication number
JP2008259168A
JP2008259168A JP2007279434A JP2007279434A JP2008259168A JP 2008259168 A JP2008259168 A JP 2008259168A JP 2007279434 A JP2007279434 A JP 2007279434A JP 2007279434 A JP2007279434 A JP 2007279434A JP 2008259168 A JP2008259168 A JP 2008259168A
Authority
JP
Japan
Prior art keywords
ink amount
ink
printing
color
representative point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2007279434A
Other languages
Japanese (ja)
Inventor
Nao Kaneko
奈緒 金子
Yoshifumi Arai
佳文 荒井
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Seiko Epson Corp
Original Assignee
Seiko Epson Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Seiko Epson Corp filed Critical Seiko Epson Corp
Priority to JP2007279434A priority Critical patent/JP2008259168A/en
Publication of JP2008259168A publication Critical patent/JP2008259168A/en
Pending legal-status Critical Current

Links

Images

Abstract

<P>PROBLEM TO BE SOLVED: To accurately predict a printing result through less printing/measurement. <P>SOLUTION: Printing of a color patch and measurement of spectral reflectance R(λ) are performed as to only a small number of first representative points selected from grating points generated in an ink amount space. In this case, grating points on an axis of an ink amount are selected as first representative points. Then spectral reflectance R(λ) at second representative points is predicted through a neural network NNR structured on the basis of the first representative pints as learning data CD1. Consequently, obtained is spectral reflectance R(λ) at nodes (the first representative points plus the second representative points) which are enough to predict spectral reflectance R(λ) by a cell-division Yule-Nielsen spectral Neugebauer model. <P>COPYRIGHT: (C)2009,JPO&INPIT

Description

本発明は印刷結果の予測に関し、特にインクを記録媒体に付着させることにより印刷される印刷結果の予測に関する。   The present invention relates to prediction of printing results, and more particularly to prediction of printing results printed by depositing ink on a recording medium.

従来、印刷装置が印刷可能な色の一部についてのみ印刷と測色を行い、その測定結果に基づいて印刷装置が印刷可能な色全体についての測定結果を予測することが行われている。例えば、セル分割ユール・ニールセン分光ノイゲバウアモデルに基づいて、任意のインク量での分光反射率を予測する手法が提案されている。かかる構成においては、インク量空間を分光反射率が既知のノード（インク量（被覆率）空間において均等に分布する格子点）によって囲まれた複数のセルに分割し、セルを構成する各ノードの分光反射率に基づいてセル内の任意のインク量の分光反射率を予測する。インク量空間において比較的近い位置に存在するノードの分光反射率に基づいて任意のインク量の分光反射率を予測することができるため、良好な予測精度を実現することができる。
国際公開ＷＯ２００５／０４３８８４号のパンフレット Conventionally, printing and colorimetry are performed only for some of the colors that can be printed by the printing apparatus, and the measurement results for all colors that can be printed by the printing apparatus are predicted based on the measurement results. For example, based on the cell division Yule-Nielsen spectroscopic Neugebauer model, a method for predicting the spectroscopic reflectance at an arbitrary ink amount has been proposed. In such a configuration, the ink amount space is divided into a plurality of cells surrounded by nodes having known spectral reflectances (lattice points that are evenly distributed in the ink amount (coverage) space), and each node constituting the cell is divided. Based on the spectral reflectance, the spectral reflectance of an arbitrary ink amount in the cell is predicted. Since the spectral reflectance of an arbitrary ink amount can be predicted based on the spectral reflectance of a node that is located at a relatively close position in the ink amount space, good prediction accuracy can be realized.
Pamphlet of International Publication WO2005 / 043884

近年、家庭用プリンタの高画質化にともなって使用できるインクの種類が増加しており、上述したセル分割ユール・ニールセン分光ノイゲバウアモデルにおけるインク量空間も多次元化することとなっている。それにとともに、上述したノードの個数は、インク種の増加に応じてべき乗的に増加することとなっている。また、良好な予測精度を確保するためにインク量空間におけるノードの密度を減少させることもできないため、大量のノードについてカラーパッチを印刷／測色（分光反射率の測定）をしなければならなくなっていた。大量のカラーパッチを印刷／測色するには、膨大な時間を要するため、例えば変換プロファイルの作成等の作業に要する期間が長期化するという問題があった。さらに、印刷後の経過時間によってインクの状態が変動するため、長期間にわたる測色においては経過時間の差に起因する測定ノイズが避けられないという問題も生じていた。
上記課題を解決するために、本発明は、少ない印刷／測定によって正確に印刷結果を予測することを目的とする。 In recent years, the types of ink that can be used are increasing with the increase in image quality of home printers, and the ink amount space in the above-described cell division Yule-Nielsen spectroscopic Neugebauer model is also becoming multidimensional. At the same time, the number of nodes described above increases exponentially with the increase in ink type. In addition, since it is impossible to reduce the density of nodes in the ink amount space in order to ensure good prediction accuracy, color patches must be printed / colorimetric (spectral reflectance measurement) for a large number of nodes. It was. Since a large amount of time is required for printing / colorimetry of a large number of color patches, there has been a problem that a period required for work such as creation of a conversion profile is prolonged. Furthermore, since the ink state fluctuates depending on the elapsed time after printing, there is a problem that measurement noise due to the difference in elapsed time is unavoidable in color measurement over a long period of time.
In order to solve the above problems, an object of the present invention is to accurately predict a printing result with a small number of printing / measurements.

上記目的を達成するために、記録媒体上に付着させる複数の種類のインクについてのインク量を軸としたインク量空間から複数の代表的な座標を設定し、これらを第１代表点とする。上記第１代表点に対応するインク量セットにて実際に印刷を行い、その印刷結果を測定する。そして、上記インク量空間において上記第１代表点とは異なる他の代表的な座標を第２代表点として設定する。さらに、上記第２代表点に対応するインク量セットにて印刷した印刷結果を上記測定による測定結果に基づいて予測する。すなわち、上記第１代表点についての測定結果に基づいて、上記第２代表点のインク量セットにて印刷を行った場合の測定結果を予測する。以上により、上記第１代表点と上記第２代表点に対応するインク量セットにて印刷を行った場合の測定結果が得られたことになり、これらに基づいて任意のインク量セットにて印刷した印刷結果を予測することができる。   In order to achieve the above object, a plurality of representative coordinates are set from the ink amount space with the ink amount as an axis for a plurality of types of ink deposited on the recording medium, and these are set as the first representative points. Printing is actually performed with the ink amount set corresponding to the first representative point, and the printing result is measured. Then, another representative coordinate different from the first representative point in the ink amount space is set as the second representative point. Further, the printing result printed with the ink amount set corresponding to the second representative point is predicted based on the measurement result by the measurement. That is, based on the measurement result of the first representative point, the measurement result when printing is performed with the ink amount set of the second representative point is predicted. As described above, the measurement result when printing is performed with the ink amount set corresponding to the first representative point and the second representative point is obtained. Based on these, printing is performed with an arbitrary ink amount set. The printed result can be predicted.

上記第２代表点に対応するインク量セットにて印刷を行った場合の測定結果が予測により得られるため、上記第２代表点に対応するインク量セットにて実際に印刷を行い、その印刷結果を測定する必要はない。従って、上記インクの種類が増加した場合でも、実際に印刷／測定を要する上記第１代表点の数の増加を抑えることができ、印刷結果の予測するための作業を効率化させることができる。   Since the measurement result when printing is performed with the ink amount set corresponding to the second representative point is obtained by prediction, printing is actually performed with the ink amount set corresponding to the second representative point, and the printing result There is no need to measure. Therefore, even when the type of ink increases, an increase in the number of the first representative points that actually require printing / measurement can be suppressed, and work for predicting the printing result can be made efficient.

上記第２代表点に対応するインク量セットにて印刷した印刷結果を予測するときの予測手法と、任意のインク量セットにて印刷した印刷結果を予測するときの予測手法を互いに異ならせることが望ましい。各予測の段階に応じて好適な予測手法が適用できるからである。例えば、上記第２代表点に対応するインク量セットで印刷した場合の印刷結果を予測する段階においては、任意のインク量セットにて印刷した印刷結果を予測する段階よりも予測精度の高い予測手法を適用するようにしてもよい。上記第２代表点に対応するインク量セットで印刷した場合の印刷結果を予測した予測結果は、任意のインク量セットにて印刷した印刷結果を予測する際に使用されるため、より高い精度が要求されるからである。むろん、逆に任意のインク量セットにて印刷した印刷結果を予測する段階において、上記第２代表点に対応するインク量セットで印刷した場合の印刷結果を予測する段階よりも予測精度の高い予測手法を適用することも可能である。   The prediction method for predicting the print result printed with the ink amount set corresponding to the second representative point may be different from the prediction method for predicting the print result printed with an arbitrary ink amount set. desirable. This is because a suitable prediction method can be applied according to each prediction stage. For example, in the step of predicting the printing result when printing with the ink amount set corresponding to the second representative point, a prediction method with higher prediction accuracy than the step of predicting the printing result printed with an arbitrary ink amount set May be applied. Since the prediction result of predicting the printing result when printing with the ink amount set corresponding to the second representative point is used when predicting the printing result printed with an arbitrary ink amount set, higher accuracy is obtained. Because it is required. Of course, on the contrary, in the step of predicting the printing result printed with an arbitrary ink amount set, prediction with higher prediction accuracy than the step of predicting the printing result when printing with the ink amount set corresponding to the second representative point is performed. It is also possible to apply a technique.

具体的な予測手法の一例として、上記第２代表点に対応するインク量セットで印刷した場合の印刷結果を予測する段階において、上記測定による測定結果によって学習を行ったニューラルネットワークを用いるものを使用してもよい。ニューラルネットワークによれば、上記第２代表点を含む任意のインク量セットを入力することにより、当該インク量セットに対応する印刷結果を予測結果として出力することができる。   As an example of a specific prediction method, a method using a neural network that learns from the measurement result by the above measurement at the stage of predicting the print result when printing with the ink amount set corresponding to the second representative point is used. May be. According to the neural network, by inputting an arbitrary ink amount set including the second representative point, a print result corresponding to the ink amount set can be output as a prediction result.

上記第１代表点を設定する具体的な手法として、まず上記インク量空間において分布する格子点を生成し、そのなかから上記第１代表点とするものを選択するようにしてもよい。このようにすることにより、上記インク量空間において上記第１代表点同士が極度に接近し過ぎることが防止でき、予測精度に偏りが生じることが防止できる。さらに、印刷装置に使用させる上記インク量セットが上記インク量空間において分布する領域を有効領域とし、この有効領域の外縁付近の方が上記有効領域の中央付近よりも密度が高くなるように上記第１代表点を選択してもよい。この場合、上記有効領域の外縁付近に存在する任意の上記インク量セットについての予測結果に、上記測定による測定結果を大きく寄与させることができる。上記有効領域の外縁付近においては例えばインクのにじみ等の予測が困難な現象が発生しうるため、上記予測結果ではなく、上記測定による実際の測定結果に頼って予測を行うことが望ましい。これに対して、上記有効領域の中央付近においてはインク発色の挙動が安定するため、上記予測による予測結果に頼って予測を行っても高い予測精度を実現することができる。   As a specific method for setting the first representative point, first, grid points distributed in the ink amount space may be generated, and the first representative point may be selected from the grid points. By doing so, it is possible to prevent the first representative points from being extremely close to each other in the ink amount space, and it is possible to prevent the prediction accuracy from being biased. Further, an area where the ink amount set used in the printing apparatus is distributed in the ink amount space is an effective area, and the density is higher in the vicinity of the outer edge of the effective area than in the vicinity of the center of the effective area. One representative point may be selected. In this case, the measurement result by the measurement can greatly contribute to the prediction result for the arbitrary ink amount set existing near the outer edge of the effective area. In the vicinity of the outer edge of the effective region, for example, a phenomenon that is difficult to predict, such as ink bleeding, may occur. Therefore, it is desirable to make a prediction based on the actual measurement result based on the measurement instead of the prediction result. On the other hand, since the behavior of ink coloring is stabilized near the center of the effective area, high prediction accuracy can be realized even if prediction is performed based on the prediction result of the prediction.

上記第１代表点に対する上記第２代表点の個数比率を高めることにより、実際の印刷／測定を行う作業を抑制することができる。反対に、上記第１代表点に対する上記第２代表点の個数比率を低くすることにより、より実測に即した高精度の予測を実現することができる。このように、作業性と精度とはトレードオフの関係にあるが、上記有効領域の内側の上記格子点であって上記第１代表点として選択されるものの個数と、上記第１代表点として選択されないもの（すなわち、上記第２代表点。）の個数との比が約１：３となるようにすれば作業性と精度の適度なバランスを確保することができる。   By increasing the number ratio of the second representative point to the first representative point, it is possible to suppress the work of actual printing / measurement. On the other hand, by reducing the ratio of the number of the second representative points to the first representative point, it is possible to realize prediction with higher accuracy in accordance with actual measurement. Thus, although workability and accuracy are in a trade-off relationship, the number of the grid points inside the effective area that are selected as the first representative point and the first representative point are selected. If the ratio with respect to the number of non-performed ones (that is, the second representative point) is about 1: 3, an appropriate balance between workability and accuracy can be ensured.

上記測定において測定され、上記予測によって予測される上記印刷結果を上記記録媒体上の分光反射率としてもよい。上記印刷結果として分光反射率を測定／予測しておくことにより、任意の光源を照射したときの色をさらに特定することができる。むろん、上記印刷結果として上記記録媒体上の色を測定／予測するようにしてもよい。   The print result measured in the measurement and predicted by the prediction may be the spectral reflectance on the recording medium. By measuring / predicting the spectral reflectance as the printing result, it is possible to further specify the color when an arbitrary light source is irradiated. Of course, the color on the recording medium may be measured / predicted as the printing result.

また、上記インク量空間において複数の格子点を生成し、当該格子点から上記第１代表点とするものを選択する際に、当該格子点のうち上記インク量の軸上のものを優先させるようにするのが望ましい。このように、上記格子点のうち上記インク量の軸上のものを優先させることにより、上記インク量の変動に対する上記印刷結果の影響を効果的に把握することができる。従って、精度の高い上記印刷結果の予測を実現することができる。さらに、上記格子点のうち上記インク量の軸上のものがすべて上記第１代表点として設定されるようにすれば、上記インク量の変動に対する上記印刷結果の影響を漏れがないように把握することができる。   Further, when generating a plurality of grid points in the ink amount space and selecting the first representative point from the grid points, priority is given to the one on the ink amount axis among the grid points. It is desirable to make it. Thus, by giving priority to the ink points on the axis of the ink amount among the lattice points, it is possible to effectively grasp the influence of the printing result on the fluctuation of the ink amount. Therefore, it is possible to predict the printing result with high accuracy. Further, if all of the lattice points on the ink amount axis are set as the first representative point, the influence of the printing result on the variation of the ink amount is grasped so as not to be leaked. be able to.

さらに、以上説明した印刷結果の予測手法を利用してルックアップテーブルを作成することも可能である。すなわち、本発明の予測手法を用いて所望の光源下の色を特定し、当該色と対応するインク量セットとの対応関係を規定したルックアップテーブルを作成することができる。この場合も、ルックアップテーブルの作成に要する作業を軽減することができる。なお、インク量セットと色との対応関係を規定したルックアップテーブルを使用して、さらに別の変換プロファイルを作成するようにしもよい。例えば、入力機器のソースＩＣＣプロファイルと結合させることにより、デバイスリンクプロファイルを作成するようにしてもよい。以下、上記ルックアップテーブルにおいて対応関係が規定される上記インク量セットをＬＵＴ用インク量セットと表すものとする。   Furthermore, it is also possible to create a lookup table using the printing result prediction method described above. That is, a color under a desired light source can be specified using the prediction method of the present invention, and a lookup table that defines the correspondence between the color and the corresponding ink amount set can be created. Also in this case, the work required for creating the lookup table can be reduced. Further, another conversion profile may be created using a lookup table that defines the correspondence between the ink amount set and the color. For example, a device link profile may be created by combining with the source ICC profile of the input device. Hereinafter, the ink amount set for which the correspondence relationship is defined in the lookup table is represented as an LUT ink amount set.

上記ＬＵＴ用インク量セットに対応する色は、上記ルックアップテーブルにて補間処理を行う際に使用されるため、色空間において高い平滑程度で分布していることが望ましい。色空間において平滑程度が高いほど、色空間の全体において均等かつ良好な補間精度を実現することができるからである。そのため、上記ＬＵＴ用インク量セットで印刷した場合の色の色空間における分布の平滑程度が高くなるように上記ＬＵＴ用インク量セットを最適化する。   Since the color corresponding to the LUT ink amount set is used when performing the interpolation process using the lookup table, it is desirable that the color is distributed with a high degree of smoothness in the color space. This is because the higher the degree of smoothness in the color space, the more uniform and better interpolation accuracy can be realized in the entire color space. Therefore, the LUT ink amount set is optimized so that the degree of smoothness of the color distribution in the color space when printing is performed with the LUT ink amount set.

さらに、他の観点も追加して最適化を行うようにしてもよい。例えば、上記ＬＵＴ用インク量セットにて印刷したときの画質が良好となるように上記ＬＵＴ用インク量セットを最適化することもできる。より具体的には、２種以上の光源を照射したときの色の相違が少なくなくして良好な画質を実現するようにしてもよい。予測した分光反射率に対して２種以上の光源を作用させることにより２種類以上の光源下の色を特定することができる。さらに、上記画質の一つとして、粒状性を良好（少なく）するように上記ＬＵＴ用インク量セットを最適化するようにしてもよい。   Furthermore, optimization may be performed by adding other viewpoints. For example, the LUT ink amount set can be optimized so that the image quality when printing with the LUT ink amount set is good. More specifically, good image quality may be realized by reducing the difference in color when two or more types of light sources are irradiated. By causing two or more types of light sources to act on the predicted spectral reflectance, colors under two or more types of light sources can be specified. Further, as one of the image quality, the LUT ink amount set may be optimized so as to improve (reduce) the graininess.

一方、画質のみならず、さらに上記ＬＵＴ用インク量セットを構成する各インク量の合計が所定の条件を満足するように上記ＬＵＴ用インク量セットを最適化するようにしてもよい。これにより、例えば上記記録媒体上に付着されるインクの総量をコントロールすることができる。   On the other hand, not only the image quality, but also the LUT ink amount set may be optimized so that the sum of the respective ink amounts constituting the LUT ink amount set satisfies a predetermined condition. Thereby, for example, the total amount of ink deposited on the recording medium can be controlled.

なお、本発明の技術的思想は、方法のみならず、当該方法を実行するコンピュータ等のハードウェアや当該コンピュータにおける処理手順を規定したプログラムにおいても具現化することができることはいうまでもない。また、本発明の方法は、単体として存在するものに限られず、ある方法の一部として組み込まれる場合もある。例えば、本発明の手法により印刷結果を予測する方法を一部に組み入れた印刷制御方法や画像処理方法においても本発明が実現できることはいうまでもない。   Needless to say, the technical idea of the present invention can be embodied not only in a method but also in hardware such as a computer that executes the method or a program that defines a processing procedure in the computer. In addition, the method of the present invention is not limited to a single unit, and may be incorporated as part of a certain method. For example, it goes without saying that the present invention can also be realized in a print control method and an image processing method that partially incorporate a method for predicting a print result by the method of the present invention.

次に、本発明の実施の形態を以下の順序で説明する。
Ａ．各種コンバータおよびその準備：
Ａ−１．分光プリンティングモデルコンバータ：
Ａ−２．色コンバータ：
Ａ−３．粒状性コンバータ：
Ａ−４．ニューラルネットワークの学習：
Ｂ．ルックアップテーブルの作成：
Ｃ．まとめおよび変形例： Next, embodiments of the present invention will be described in the following order.
A. Various converters and their preparation:
A-1. Spectral printing model converter:
A-2. Color converter:
A-3. Granularity converter:
A-4. Neural network learning:
B. Create a lookup table:
C. Summary and variations:

Ａ．各種コンバータおよびその準備
Ａ−１．分光プリンティングモデルコンバータ
図１は、本発明の第１実施形態としての印刷結果予測装置の構成を示すブロック図である。同図において、印刷結果予測装置はコンピュータ１０のハードウェアおよびソフトウェアによって実現されている。具体的には、コンピュータ１０が備えるＣＰＵ１２が、ハードディスクトライブ（ＨＤＤ）１１等に記憶されたプログラムデータ１１ａを読み込み、当該プログラムデータ１１ａをＲＡＭ１３上に展開しながらプログラムデータ１１ａにしたがった演算を実行させる。そして、当該演算によって本発明の印刷装置としてのプリンタ２０や分光反射率計３０やスキャナ４０といった外部機器を所定のインターフェースを介して制御することにより、本発明の印刷結果予測装置を構成する各種手段を実現する。 A. Various converters and their preparation A-1. Spectral Printing Model Converter FIG. 1 is a block diagram showing a configuration of a printing result prediction apparatus as a first embodiment of the present invention. In the figure, the printing result prediction apparatus is realized by hardware and software of a computer 10. Specifically, the CPU 12 included in the computer 10 reads the program data 11a stored in the hard disk drive (HDD) 11 or the like, and executes the calculation according to the program data 11a while expanding the program data 11a on the RAM 13. . And various means which comprise the printing result prediction apparatus of this invention by controlling external apparatuses, such as the printer 20, the spectral reflectometer 30, and the scanner 40 as a printing apparatus of this invention through the said interface by the said calculation. To realize.

プリンタ２０はインク搭載部２１を備えており、インク搭載部２１が複数の種類のインクのインクカートリッジ２２ａ，２２ｂ・・・を搭載する。インクカートリッジ２２ａ，２２ｂ・・・は本発明の色材容器に相当する。プリンタ２０はインクカートリッジ２２ａ，２２ｂ・・・から供給される複数の種類のインクを記録媒体としての印刷用紙に吐出することにより、印刷用紙上に印刷画像を形成する。具体的には、インク搭載部２１を備えたキャリッジを主走査させ、紙送りローラによって副走査を行いながら、キャリッジに形成されたノズルからインクを吐出することが可能であり、各インク色を組み合わせて多数の色を形成し、これにより印刷用紙上に印刷画像を形成する。本実施形態におけるプリンタはインクジェット方式のプリンタであるが、インクジェット方式の他にも種々のプリンタに対して本発明を適用可能である。   The printer 20 includes an ink mounting unit 21 that mounts ink cartridges 22a, 22b,... The ink cartridges 22a, 22b,... Correspond to the color material container of the present invention. The printer 20 forms a print image on the printing paper by discharging a plurality of types of ink supplied from the ink cartridges 22a, 22b... Onto the printing paper as a recording medium. Specifically, it is possible to eject ink from nozzles formed on the carriage while main-scanning the carriage provided with the ink mounting portion 21 and performing sub-scanning by the paper feed roller, and combining each ink color Thus, a large number of colors are formed, thereby forming a printed image on the printing paper. The printer in this embodiment is an inkjet printer, but the present invention can be applied to various printers other than the inkjet printer.

印刷結果予測装置は、大きく分光プリンティングモデルコンバータＲＣと色コンバータＣＣと粒状性コンバータＧＣとから構成されており、分光プリンティングモデルコンバータＲＣはさらに準備部ＲＣ１と変換部ＲＣ２とから構成されている。準備部ＲＣ１は、変換部ＲＣ２が分光プリンティングモデルを使用して任意のインク量セットにてプリンタ２０が印刷をしたときの分光反射率を予測することができるように、インク量空間における一部の代表点に対応するインク量セットの分光反射率を用意する処理を実行する。この処理を実行するために、準備部ＲＣ１は、インク量空間において第１代表点を設定する第１設定部ＲＣ１ａと、第１代表点に対応するインク量セットにて印刷を行ったパッチの分光反射率を分光反射率計３０に測定させる測定部ＲＣ１ｂと、インク量空間において第１代表点とは異なる他の代表的な座標を第２代表点として設定する第２設定部ＲＣ１ｃと、第２代表点に対応するインク量セットにて印刷したときの分光反射率を測定部ＲＣ１ｂによる測定結果に基づいて予測する第１予測部ＲＣｄとから構成されている。以下、準備部ＲＣ１を構成する各部ＲＣａ１〜ＲＣ１ｄの詳細を、これらが実行する処理の流れとともに説明する。   The printing result prediction apparatus is mainly composed of a spectral printing model converter RC, a color converter CC, and a graininess converter GC, and the spectral printing model converter RC is further composed of a preparation unit RC1 and a conversion unit RC2. The preparation unit RC1 uses a spectral printing model so that the spectral reflectance when the printer 20 prints with an arbitrary ink amount set can be predicted using the spectral printing model. Processing for preparing the spectral reflectance of the ink amount set corresponding to the representative point is executed. In order to execute this process, the preparation unit RC1 spectroscopically analyzes the first setting unit RC1a that sets the first representative point in the ink amount space and the patch that has been printed with the ink amount set corresponding to the first representative point. A measurement unit RC1b that causes the spectral reflectometer 30 to measure the reflectance; a second setting unit RC1c that sets another representative coordinate different from the first representative point in the ink amount space as a second representative point; The first prediction unit RCd predicts the spectral reflectance when printing is performed with the ink amount set corresponding to the representative point based on the measurement result by the measurement unit RC1b. Hereinafter, the details of the units RCa1 to RC1d constituting the preparation unit RC1 will be described together with the flow of processing executed by these units.

図２は、準備部ＲＣ１が実行する分光プリンティングモデルコンバータ準備処理の流れを示している。ステップＳ１００においては、第１設定部ＲＣ１ａが分光プリンティングモデルコンバータＲＣの準備を行うインクセットを設定する。ここでは、一例としてＣ（シアン）Ｍ（マゼンタ）Ｙ（イエロー）Ｋ（ブラック）ｌｃ（ライトシアン）ｌｍ（ライトマゼンタ）のインクセットが設定されたものとして以下説明する。ここで設定されるインクセットは、例えばプリンタ２０のインク搭載部２１に搭載可能なインクカートリッジ２２ａ，２２ｂ・・・の組み合わせに基づいて設定される。インクセットが設定されると、ステップＳ１１０にて第１設定部ＲＣ１ａが第１代表点をインク量空間から設定する（第１代表点選択処理）。ここではインクセットとしてＣＭＹＫｌｃｌｍが設定されているため、ＣＭＹＫｌｃｌｍをそれぞれ軸とした６次元のインク量空間から第１代表点が設定される。続くステップＳ１２０においては、第２設定部ＲＣ１ｃが第２代表点をインク量空間から設定する。ここでも、ＣＭＹＫｌｃｌｍのインク量空間から第２代表点が設定される。   FIG. 2 shows a flow of spectral printing model converter preparation processing executed by the preparation unit RC1. In step S100, the first setting unit RC1a sets an ink set for preparing the spectral printing model converter RC. Here, as an example, the following description will be made assuming that an ink set of C (cyan) M (magenta) Y (yellow) K (black) lc (light cyan) lm (light magenta) is set. The ink set set here is set based on a combination of ink cartridges 22a, 22b,... That can be mounted on the ink mounting portion 21 of the printer 20, for example. When the ink set is set, in step S110, the first setting unit RC1a sets the first representative point from the ink amount space (first representative point selection process). Here, since CMYKlclm is set as the ink set, the first representative point is set from a six-dimensional ink amount space having CMYKlclm as axes. In subsequent step S120, the second setting unit RC1c sets the second representative point from the ink amount space. Again, the second representative point is set from the CMYKlclm ink amount space.

図３は、ステップＳ１００〜Ｓ１２０の処理を模式的に示している。同図においては、図の簡略化のためインク量空間におけるＣＭ面（ＹＫｌｃｌｍのインク量が、ある一定の値の面）を示し、縦軸をＣインクのインク量軸、横軸をＭインクのインク量軸としている。同図において、ＣＭのインク量軸に平行な格子が形成されており、この格子の交点（格子点：代表的な座標）がステップＳ１１０にて第１代表点の候補とされる。図示されないが、他のインク（ＹＫｌｃｌｍ）のインク量の軸についても同様に平行な格子が形成されており、インク量空間全体の格子点が第１代表点の候補とされる。従って、第１代表点の候補とされる格子点の数は各インク量軸に平行な格子の数をすべて積算した数となる。   FIG. 3 schematically shows the processing of steps S100 to S120. In the figure, for the sake of simplification, the CM plane in the ink volume space (the YKlclm ink volume has a certain value) is shown, the vertical axis represents the ink volume axis of C ink, and the horizontal axis represents the M ink volume. The ink amount axis is used. In the figure, a grid parallel to the ink amount axis of CM is formed, and the intersection (lattice point: representative coordinates) of this grid is set as a candidate for the first representative point in step S110. Although not shown, a parallel grid is similarly formed with respect to the axis of the ink amount of the other ink (YKlclm), and a grid point in the entire ink amount space is a candidate for the first representative point. Therefore, the number of grid points that are candidates for the first representative point is the sum of all the grid numbers parallel to each ink amount axis.

各格子間の距離を均一とするようにしてもよいが、本実施形態においては不均一としている。本実施形態では、各インクについての１次色グラデーションのカラーパッチを印刷し、各インクの発色特性を予め調査しておくことにより、各格子間の距離が最適なものに設定されている。例えば、インクの発色の変動が急峻であったり、非線形性が強いインク量領域について、格子間の距離を狭めておくことにより後述する分光反射率Ｒ（λ）の予測精度を向上させることができる。図３の例では、インク量が小さい領域ほど格子間の距離が狭まるように設定されている。なお、本明細書においてインク量セットとは、各インクのインク量の組み合わせを意味しており、インク量空間において一の座標を特定することにより、一のインク量セットを特定することができる。各インクＣＭＹＫｌｃｌｍのインク量はｄc，ｄm，ｄy，ｄk，ｄlc，ｄlmと表すものとする。インク量セットは（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）のベクトルで表すことができる。 Although the distance between the lattices may be uniform, in the present embodiment, the distance is not uniform. In the present embodiment, the color patches of the primary color gradation for each ink are printed, and the color development characteristics of each ink are examined in advance, so that the distance between each grid is set to an optimum one. For example, the accuracy of predicting the spectral reflectance R (λ), which will be described later, can be improved by narrowing the distance between the lattices in an ink amount region where the color variation of ink is steep or the nonlinearity is strong. . In the example shown in FIG. 3, the distance between the lattices is set to be narrower as the ink amount is smaller. In this specification, the ink amount set means a combination of the ink amounts of the respective inks, and one ink amount set can be specified by specifying one coordinate in the ink amount space. Ink amount of each ink CMYKlclm is intended to represent d c, d m, d y , d k, d lc, and d lm. Ink amount set can be represented by a vector of (d c, d m, d y, d k, d lc, d lm).

図３において、ＣＭのインク量の合計がある程度大きくなる位置に有効領域と無効領域との境界線ＬＬが示されている。この境界線ＬＬは、ＹＫｌｃｌｍのインク量ｄy，ｄk，ｄlc，ｄlmがある一定の値であるときにおいて、プリンタ２０が印刷用紙に付着可能なＣＭインク量ｄc，ｄmの組み合わせの上限を意味する。例えば、印刷用紙上にてインクにじみが生じない領域を有効領域として定義し、その有効領域の外縁を境界線ＬＬによって規定している。プリンタ２０に対して有効領域の内側のみのインク量セットを使用させれば、インクにじみの影響を受けることなく印刷結果を精度よく制御することが可能となる。境界線ＬＬは、印刷結果を予測する対象のプリンタ２０のハードウェアやインク物性や印刷用紙の表面物性や印刷環境に応じて定めることができる。インク量空間における有効領域は、実際にプリンタ２０が再現可能な色再現ガマットに対応する。ステップＳ１１０においては、第１設定部ＲＣ１ａが第１代表点選択処理を実行し、上述した格子点のなかから第１代表点として設定するものを選択する処理を実行する。 In FIG. 3, a boundary line LL between the effective area and the ineffective area is shown at a position where the total amount of CM ink increases to some extent. The boundary line LL, the ink amount of YKlclm d y, d k, d lc, at the time when a certain value d lm, the printer 20 is capable CM ink amount d c attached to the printing paper, a combination of d m Means the upper limit of. For example, an area where ink bleeding does not occur on the printing paper is defined as an effective area, and an outer edge of the effective area is defined by a boundary line LL. If the printer 20 uses the ink amount set only inside the effective area, it is possible to accurately control the print result without being affected by ink bleeding. The boundary line LL can be determined according to the hardware, ink physical properties, surface physical properties of the printing paper, and printing environment of the printer 20 that is the target of printing result prediction. The effective area in the ink amount space corresponds to a color reproduction gamut that can be actually reproduced by the printer 20. In step S110, the first setting unit RC1a executes a first representative point selection process, and executes a process of selecting what is set as the first representative point from the lattice points described above.

図４は、第１代表点選択処理（ステップＳ１１０）の流れを示している。ステップＳ１１１においては、境界線ＬＬから大きく外側に外れた格子点を第１代表点として選択する候補から除外する。例えば、無効領域にある格子点であって、かつ、当該格子点によって囲まれた単位格子内に境界線ＬＬが通過しない格子点を第１代表点の候補から除外する。実際にプリンタ２０にて使用する可能性のないインク量セットについて印刷結果を予測する必要がないからである。さらに、ステップＳ１１２において、第１設定部ＲＣ１ａは、すべての格子点のうち、有効領域の外側であり、かつ、有効領域の外縁（境界線ＬＬ）の付近の格子点をすべて第１代表点として選択する。次のステップＳ１１３においては、すべての格子点のうちインク量の軸上のものをすべて第１代表点として選択する。図３の例では、ＣＭインク量平面においてｄc＝０またはｄm＝０を満足する格子点がすべて第１代表点として選択される。 FIG. 4 shows the flow of the first representative point selection process (step S110). In step S111, grid points that are greatly out of the boundary line LL are excluded from candidates to be selected as the first representative points. For example, grid points that are in the invalid area and that do not pass the boundary line LL within the unit grid surrounded by the grid points are excluded from the candidates for the first representative point. This is because it is not necessary to predict the printing result for an ink amount set that is not actually used by the printer 20. Furthermore, in step S112, the first setting unit RC1a sets all lattice points that are outside the effective region and near the outer edge (boundary line LL) of all the lattice points as first representative points. select. In the next step S113, all lattice points on the ink amount axis are selected as first representative points. In the example of FIG. 3, all lattice points that satisfy d c = 0 or d m = 0 on the CM ink amount plane are selected as the first representative points.

以上の処理においては、インク量空間内の格子点に以下の４種類の属性を生じさせることとなる。（図３では、各格子点の位置を示す○内に属性の番号を示している。）
属性１：有効領域外にあって除外される格子点
属性２：有効領域外の第１代表点
属性３：インク量の軸上の第１代表点
属性４：属性１〜３以外の格子点
次に、ステップＳ１１１にて除外された格子点（属性１）、および、ステップＳ１１２で第１代表点として選択された格子点（属性２）、および、ステップＳ１１３で第１代表点として選択された格子点（属性３）を除いた残りの格子点（属性４）のなかから、所定個数の格子点を第１代表点として選択する処理を実行する。ステップＳ１１４においては、残りの格子点（属性４）のなかから第１代表点として選択する格子点（属性４ａ）の個数、および、残りの格子点（属性４）のなかから第１代表点として選択しない格子点（属性４ｂ）の個数を設定する。ここでは、残りの格子点（属性４）のなかから第１代表点として選択しない格子点（属性４ｂ）の個数と、残りの格子点（属性４）のなかから第１代表点として選択する格子点（属性４ａ）とステップＳ１１３で第１代表点として選択されたインク量の軸上の格子点（属性３）の合計の個数との比率が約３：１となるように各個数を設定する。 In the above processing, the following four types of attributes are generated at the lattice points in the ink amount space. (In FIG. 3, the attribute numbers are shown in circles indicating the positions of the respective grid points.)
Attribute 1: Grid points outside the effective area and excluded Attribute 2: First representative point outside the effective area Attribute 3: First representative point on the ink amount axis Attribute 4: Grid points other than attributes 1 to 3 Next In addition, the lattice point excluded in step S111 (attribute 1), the lattice point selected as the first representative point in step S112 (attribute 2), and the lattice selected as the first representative point in step S113 A process of selecting a predetermined number of grid points as the first representative points from the remaining grid points (attribute 4) excluding the points (attribute 3) is executed. In step S114, the number of grid points (attribute 4a) to be selected as the first representative point from the remaining grid points (attribute 4) and the first representative point from the remaining grid points (attribute 4). The number of grid points (attribute 4b) not selected is set. Here, the number of grid points (attribute 4b) not selected as the first representative point from the remaining grid points (attribute 4) and the grid selected as the first representative point from the remaining grid points (attribute 4). Each number is set so that the ratio between the point (attribute 4a) and the total number of grid points (attribute 3) on the axis of the ink amount selected as the first representative point in step S113 is about 3: 1. .

ステップＳ１１５においては整数カウンタｎに初期値０をセットするとともに、各座標がポテンシャルの値を有するインク量空間を生成し、各座標におけるポテンシャルを０に初期化する。ステップＳ１１６においては、残りの格子点（属性４）のなかからポテンシャルが最も小さいものを選択し、第１代表点（属性４ａ）として設定する（ポテンシャル法）。このとき最小のポテンシャルを有する格子点が複数存在する場合には、該当する格子点のうち一つをランダムに選択する。最初の段階では、インク量空間のすべての座標のポテンシャルが０とされているため、各格子点が有するポテンシャルもすべて０となり、残りの格子点（属性４）のなかから一つの格子点がランダムに選択され、第１代表点（属性４ａ）として設定されることとなる。ステップＳ１１７においては、ステップＳ１１６において第１代表点（属性４ａ）として設定した格子点を最大のポテンシャルとしたポテンシャル分布を、ステップＳ１１５にて初期化したインク量空間において生成する。   In step S115, an initial value 0 is set to the integer counter n, an ink amount space in which each coordinate has a potential value is generated, and the potential at each coordinate is initialized to 0. In step S116, the remaining grid point (attribute 4) having the smallest potential is selected and set as the first representative point (attribute 4a) (potential method). At this time, if there are a plurality of lattice points having the minimum potential, one of the corresponding lattice points is selected at random. In the first stage, since the potential of all coordinates in the ink amount space is 0, all the potentials of each grid point are also 0, and one grid point is randomly selected from the remaining grid points (attribute 4). And is set as the first representative point (attribute 4a). In step S117, a potential distribution having the maximum potential at the lattice point set as the first representative point (attribute 4a) in step S116 is generated in the ink amount space initialized in step S115.

図５（Ａ），図５（Ｂ），図５（Ｃ）は、インク量空間において生成したポテンシャル分布を示している。図５（Ａ），図５（Ｂ），図５（Ｃ）では、他のインク量ｄm，ｄy，ｄk，ｄlc，ｄlmを一定とした状態のポテンシャルの大きさ（縦軸）を各Ｃインク量ｄc（横軸）について示している。なお、ポテンシャル分布そのものは連続的に生成されているが、格子点はインク量空間において不連続に存在するため、各格子点が有するポテンシャルも不連続となる。図５（Ａ）においては、第１代表点（属性４ａ）として設定した格子点（Ｇ１で図示。）を最大のポテンシャルとして周囲に線形的に量が減少していくポテンシャル分布が生成されている。図５（Ｂ）においては、第１代表点（属性４ａ）として設定した格子点Ｇ１を最大のポテンシャルとした正規（ガウス）分布状のポテンシャル分布が生成されている。図５（Ｃ）においては、第１代表点（属性４ａ）として設定した格子点Ｇ１が有するポテンシャルと同じ大きさのポテンシャルが所定の範囲に広がるポテンシャル分布が生成されている。 FIGS. 5A, 5B, and 5C show potential distributions generated in the ink amount space. FIG. 5 (A), the FIG. 5 (B), the Fig. 5 (C) in the other ink amount d m, d y, of d k, d lc, potential state was the d lm predetermined magnitude (vertical axis ) For each C ink amount d c (horizontal axis). Although the potential distribution itself is continuously generated, the lattice points are discontinuous in the ink amount space, and therefore the potential of each lattice point is also discontinuous. In FIG. 5A, a potential distribution in which the amount linearly decreases around the grid point (illustrated by G1) set as the first representative point (attribute 4a) is generated around the maximum potential. . In FIG. 5B, a normal (Gaussian) potential distribution with the grid point G1 set as the first representative point (attribute 4a) as the maximum potential is generated. In FIG. 5C, a potential distribution is generated in which a potential having the same magnitude as the potential of the lattice point G1 set as the first representative point (attribute 4a) extends in a predetermined range.

図５（Ａ），図５（Ｂ），図５（Ｃ）において、最大のポテンシャルを有する格子点Ｇ１に隣接する格子点Ｇ２，Ｇ３，Ｇ４を示している。ここでは、格子点Ｇ４のみが格子点Ｇ１から十分に離れており、格子点Ｇ４のみがポテンシャルが０となっている。このように、各格子点が存在する位置に応じて各格子点が異なるポテンシャルを有することとなる。本発明では、図５（Ａ），図５（Ｂ），図５（Ｃ）のいずれの態様のポテンシャル分布を採用してもよい。さらに、ポテンシャル分布の形状を決定づけるパラメータ（図５（Ａ）の傾き、図５（Ｂ）の標準偏差、図５（Ｃ）の影響範囲等）も、第１代表点として選択する格子点（属性４ａ）の個数等に応じて種々のものを採用することができる。以上のようにポテンシャル分布を生成すると、ステップＳ１１９において整数カウンタｎに１をインクリメントする。ステップＳ１１９においては、整数カウンタｎが、ステップＳ１１３にて設定した第１代表点として選択する格子点（属性４ａ）の個数よりも小さいか否かを判定する。そして、整数カウンタｎの方が小さい場合には、ステップＳ１１６に戻り、ステップＳ１１６以降の処理を繰り返し実行する。   5A, FIG. 5B, and FIG. 5C show lattice points G2, G3, and G4 adjacent to the lattice point G1 having the maximum potential. Here, only the lattice point G4 is sufficiently separated from the lattice point G1, and only the lattice point G4 has a potential of zero. Thus, each lattice point has a different potential depending on the position where each lattice point exists. In the present invention, any of the potential distributions of FIGS. 5A, 5B, and 5C may be employed. In addition, parameters that determine the shape of the potential distribution (the slope of FIG. 5A, the standard deviation of FIG. 5B, the influence range of FIG. 5C, etc.) are also selected as grid points (attributes). Various things can be adopted according to the number of 4a). When the potential distribution is generated as described above, the integer counter n is incremented by 1 in step S119. In step S119, it is determined whether the integer counter n is smaller than the number of grid points (attribute 4a) selected as the first representative point set in step S113. If the integer counter n is smaller, the process returns to step S116, and the processes after step S116 are repeatedly executed.

次に実行するステップＳ１１６においても、ポテンシャルが最も小さいものが選択されることとなる。従って、ステップＳ１１７においてポテンシャルが加算された領域に属する格子点は選択されないように制限することとなる。図５（Ａ），図５（Ｂ），図５（Ｃ）の例では、ポテンシャルが０のままとなっている格子点Ｇ４が選択されることとなる。このようにすることにより、過去に選択された格子点の付近の格子点が選択され、第１代表点として設定されることが防止できる。以上の処理をステップＳ１１３にて設定した個数まで第１代表点が選択されるまで繰り返して行うことにより、インク量空間において偏りがないように第１代表点を選択していくことができる。なお、本実施形態ではインク量空間のすべての座標におけるポテンシャルを予め０に初期化したが、すでにステップＳ１１３にて選択されたインク量軸上の属性３の各格子点を中心としたポテンシャル分布を初期の段階で生成してもよい。このようにすることにより、インク量の軸まわりに第１代表点が偏ることを防止するようにしてもよい。また、複数回にわたってステップＳ１１７を実行することにより、インク量空間には複数の格子点を最大のポテンシャルとした複数のポテンシャル分布が蓄積されることとなる。すると、インク量空間の単一の座標において複数のポテンシャル分布が重なることとなる。   In step S116 to be executed next, the one having the smallest potential is selected. Accordingly, the grid points belonging to the region to which the potential is added in step S117 are limited so as not to be selected. In the examples of FIGS. 5A, 5B, and 5C, the lattice point G4 whose potential remains 0 is selected. By doing so, it is possible to prevent a grid point near the grid point selected in the past from being selected and set as the first representative point. By repeating the above processing until the first representative point is selected up to the number set in step S113, the first representative point can be selected so that there is no bias in the ink amount space. In this embodiment, the potential at all coordinates in the ink amount space is initialized to 0 in advance. However, the potential distribution centering on each lattice point of attribute 3 on the ink amount axis already selected in step S113 is obtained. It may be generated at an early stage. By doing so, the first representative point may be prevented from being biased around the ink amount axis. In addition, by executing step S117 a plurality of times, a plurality of potential distributions having a plurality of lattice points as the maximum potential are accumulated in the ink amount space. Then, a plurality of potential distributions overlap at a single coordinate in the ink amount space.

図６（Ａ），図６（Ｂ），図６（Ｃ）は、ポテンシャル分布が重なった様子を示している。図６（Ａ）では、ある格子点Ｇ５において格子点Ｇ６，Ｇ７を最大のポテンシャルとしたポテンシャル分布Ｐ１，Ｐ２が重なっている様子が示されており、図６（Ｂ），図６（Ｃ）はそれぞれ異なる手法で格子点Ｇ５が有するポテンシャルの大きさを決定している。図６（Ｂ）においては、格子点Ｇ５におけるポテンシャル分布Ｐ１，Ｐ２のうち大きい方のポテンシャルの大きさを採用することとしている。一方、図６（Ｃ）においては、格子点Ｇ５におけるポテンシャル分布Ｐ１，Ｐ２の大きさを加算した値を格子点Ｇ５のポテンシャルの大きさとしている。本発明においては、いずれの手法によってポテンシャル分布が重なる部分のポテンシャルの大きさを決定してもよい。前者の手法によれば処理を簡易にすることができるし、後者の手法によれば近隣のポテンシャル分布によるポテンシャルの蓄積を格子点の選択に反映させることができる。   FIG. 6A, FIG. 6B, and FIG. 6C show how potential distributions overlap. FIG. 6A shows a state in which potential distributions P1 and P2 having the maximum potential at the lattice points G6 and G7 are overlapped at a certain lattice point G5. FIG. 6B and FIG. Determine the magnitude of the potential of the lattice point G5 by different methods. In FIG. 6B, the larger potential is selected from the potential distributions P1 and P2 at the lattice point G5. On the other hand, in FIG. 6C, a value obtained by adding the magnitudes of the potential distributions P1 and P2 at the grid point G5 is defined as the potential magnitude at the grid point G5. In the present invention, the magnitude of the potential where the potential distribution overlaps may be determined by any method. According to the former method, the processing can be simplified, and according to the latter method, the potential accumulation due to the potential distribution in the neighborhood can be reflected in the selection of the lattice points.

以上説明した第１代表点選択処理によれば、有効領域内から偏りなく第１代表点（属性４ａ）を選択することができるとともに、インク量の軸上の格子点（属性３）については必ず第１代表点として選択されるようにすることができる。ステップＳ１２０においては、第２設定部ＲＣ１ｃがステップＳ１１０にて第１代表点として選択されず、かつ、有効領域内にある格子点（属性４ｂ）の格子点を第２代表点として設定する。最終的に有効領域では第１代表点が間引かれた状態で分布することとなるため、有効領域の内部よりも有効領域の外縁付近の方が第１代表点の分布密度が高くなる。   According to the first representative point selection process described above, it is possible to select the first representative point (attribute 4a) from within the effective area without deviation, and for the grid point (attribute 3) on the ink amount axis, It can be selected as the first representative point. In step S120, the second setting unit RC1c sets the grid point of the grid point (attribute 4b) that is not selected as the first representative point in step S110 and is in the effective area as the second representative point. Eventually, the effective area is distributed in a state where the first representative points are thinned out. Therefore, the distribution density of the first representative points is higher near the outer edge of the effective area than inside the effective area.

以上のようにして各代表点が設定されると、ステップＳ１３０にて測定部ＲＣ１ｂが第１代表点のインク量セットを取得し、当該インク量セットのカラーパッチを印刷する。なお、本明細書においてカラーパッチとは、有彩色のパッチに限らず、無彩色のパッチも含む広い意味を有している。カラーパッチを印刷するにあたっては、第１代表点のインク量セットの画素で所定領域が充填された画像データを生成し、当該画像データに対してハーフトーン処理やマイクロウィーブ処理を順次行うことにより印刷データを生成し、当該印刷データに基づいてプリンタ２０の各部が駆動することによってカラーパッチを印刷する。カラーパッチは第１代表点の数だけ印刷され、例えば各カラーパッチがグラデーションをなすように配列されたカラーチャートとして印刷される。むろん、インク搭載部２１にはＣＭＹＫｌｃｌｍインクを保持するインクカートリッジ２２ａ，２２ｂ・・・が搭載されているものとする。   When each representative point is set as described above, in step S130, the measurement unit RC1b acquires the ink amount set of the first representative point, and prints the color patch of the ink amount set. In the present specification, the color patch has a broad meaning including not only a chromatic patch but also an achromatic patch. When printing a color patch, image data in which a predetermined area is filled with pixels of the ink amount set of the first representative point is generated, and halftone processing and microweave processing are sequentially performed on the image data. Data is generated, and each part of the printer 20 is driven based on the print data to print a color patch. The color patches are printed by the number of first representative points, for example, a color chart in which each color patch is arranged so as to form a gradation. Of course, it is assumed that ink cartridges 22a, 22b,... That hold CMYKlclm ink are mounted on the ink mounting portion 21.

また、各カラーパッチの印刷においては各第１代表点に対応したインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）にほぼ比例した吐出量のインクが吐出され、印刷用紙上に付着させられると考えて差し支えない。従って、本明細書においては、ハーフトーン処理やマイクロウィーブ処理を行う前のインク量ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlmを実際に印刷用紙に付着させられるインク吐出量と区別せず扱うこととする。カラーパッチを印刷する印刷用紙は、後述するルックアップテーブルを作成する対象の印刷用紙である。印刷用紙によって、第１代表点や第２代表点の設定個数や設定比率を変えるのが望ましい。例えば、顔料インク用のフォトマット紙においては通常の写真用紙によりもインク量に対する色の変化が急激であるため、第１代表点や第２代表点の設定個数を多く（高い密度で）設定することが望ましい。 Further, the ink amount set corresponding to each of the first representative point in the printing of each color patch (d c, d m, d y, d k, d lc, d lm) of ink approximately proportional to the discharge amount discharged It can be considered that it is attached to the printing paper. Accordingly, in this specification, the ink amount d c prior to the halftone process or microweave process, d m, d y, d k, d lc, ink discharge amount to be deposited on the actual printing paper of d lm It will be handled without distinction. The printing paper on which the color patch is printed is a printing paper on which a lookup table to be described later is created. It is desirable to change the set number and the set ratio of the first representative point and the second representative point depending on the printing paper. For example, in the photo matte paper for pigment ink, the change in color with respect to the amount of ink is more abrupt than in normal photographic paper, so the number of first representative points and second representative points to be set is large (with high density). It is desirable.

測定部ＲＣ１ｂは、すべてのカラーパッチの印刷が完了し、規定の乾燥時間が完了したことを確認すると、ステップＳ１４０において、分光反射率計３０によって各カラーパッチの分光反射率を測定する。各カラーパッチに対して複数の可視波長の光を照射し、各可視波長における反射率を測定する。測定部ＲＣ１ｂは、測定によって得られた分光反射率を格納したデータを分光反射率データＤとしてＨＤＤ１１に記憶させる。   When the measurement unit RC1b confirms that printing of all the color patches is completed and the specified drying time is completed, the spectral reflectance meter 30 measures the spectral reflectance of each color patch in step S140. Each color patch is irradiated with light having a plurality of visible wavelengths, and the reflectance at each visible wavelength is measured. The measurement unit RC1b causes the HDD 11 to store data storing the spectral reflectance obtained by the measurement as the spectral reflectance data D.

図７（Ａ）は、分光反射率データＤの内容を示している。同図において、インク量セットで表される各第１代表点について各波長に対する反射率が記憶されている。また、各第１代表点は上述した属性２，３，４ａを有しており、当該属性２，３，４ａも識別可能に記憶されている。ステップＳ１５０においては、第１予測部ＲＣｄが分光反射率データＤから属性３，４ａに該当する分光反射率のデータを抽出し、抽出したデータを後述するニューラルネットワークの学習用データＣＤ１とする。分光反射率データＤにおいてはインク量セットと分光反射率との対応関係が特定されており、この対応関係を学習用データＣＤ１として使用することができる。ステップＳ１６０においては、第１予測部ＲＣ１ｄが学習用データＣＤ１を使用してニューラルネットワークの学習を行う。ニューラルネットワークの学習についてはＡ−４節において詳細に説明する。   FIG. 7A shows the content of the spectral reflectance data D. In the figure, the reflectance for each wavelength is stored for each first representative point represented by an ink amount set. Each first representative point has the above-described attributes 2, 3, 4a, and the attributes 2, 3, 4a are also stored so as to be identifiable. In step S150, the first prediction unit RCd extracts spectral reflectance data corresponding to the attributes 3 and 4a from the spectral reflectance data D, and uses the extracted data as learning data CD1 for a neural network described later. In the spectral reflectance data D, the correspondence between the ink amount set and the spectral reflectance is specified, and this correspondence can be used as the learning data CD1. In step S160, the first prediction unit RC1d learns the neural network using the learning data CD1. The neural network learning will be described in detail in section A-4.

図８は、ステップＳ１６０にて学習させたニューラルネットワークＮＮＲを示している。同図において、各インクのインク量ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlmがニューラルネットワークＮＮＲの入力層に入力可能となっており、出力層では各波長における反射率、すなわち分光反射率Ｒ（λ）を出力することが可能となっている。ステップＳ１７０においては、ステップＳ１２０にて第２代表点として設定されたインク量セットを、第１予測部ＲＣ１ｄがニューラルネットワークＮＮＲの入力層に入力し、各第２代表点についての分光反射率Ｒ（λ）を算出する。すべての第２代表点についての分光反射率Ｒ（λ）が算出できると、ステップＳ１８０にて第１予測部ＲＣ１ｄが分光反射率データＤに第２代表点とその分光反射率Ｒ（λ）との対応関係を追記する。図７（Ｂ）は、追記後の分光反射率データＤを示している。同図に示すように、第１代表点と第２代表点の双方についての分光反射率Ｒ（λ）との対応関係が記述されている。 FIG. 8 shows the neural network NNR learned in step S160. In the figure, the ink amount d c of the ink, d m, d y, d k, d lc, d lm has become possible input to the input layer of the neural network NNR, the output layer reflectance at each wavelength, That is, the spectral reflectance R (λ) can be output. In step S170, the first prediction unit RC1d inputs the ink amount set set as the second representative point in step S120 to the input layer of the neural network NNR, and the spectral reflectance R ( λ) is calculated. When the spectral reflectance R (λ) for all the second representative points can be calculated, the first predicting unit RC1d adds the second representative point and its spectral reflectance R (λ) to the spectral reflectance data D in step S180. Add the correspondence of. FIG. 7B shows the spectral reflectance data D after additional recording. As shown in the figure, the correspondence relationship between the spectral reflectance R (λ) for both the first representative point and the second representative point is described.

以上の分光反射率データＤによれば、図３において示した属性１を除くすべての格子点に対応するインク量セットとそれに対応する分光反射率Ｒ（λ）が準備できたこととなる。なお、有効領域外の第１代表点である属性２をニューラルネットワークＮＮＲの学習データＣＤ１として使用しなかったのは、例えばインクにじみ等によって分光反射率Ｒ（λ）が不規則に変化する可能性があり、学習データＣＤ１としてのノイズ要因となることを防止するためである。逆に、有効領域外縁周辺についてはすべての格子点を第１代表点として設定して、カラーパッチを実際に測定しており、ニューラルネットワークＮＮＲによる予測値を使用していない。予測が困難な領域については、後に行う予測において実測値に頼った方が精度の低下を抑制することができるからである。一方、有効領域の内部においては、インク量セットの変動に対する分光反射率Ｒ（λ）の挙動が安定していると考えることができるため、有効領域の内部の第１代表点と実測の分光反射率Ｒ（λ）との対応関係を学習データＣＤ１として使用し、それによって学習させたニューラルネットワークＮＮＲによる予測値を第２代表点の分光反射率Ｒ（λ）として採用している。   According to the spectral reflectance data D described above, the ink amount set corresponding to all the lattice points except the attribute 1 shown in FIG. 3 and the spectral reflectance R (λ) corresponding thereto are prepared. The reason why attribute 2 which is the first representative point outside the effective area is not used as learning data CD1 of the neural network NNR is that the spectral reflectance R (λ) may change irregularly due to, for example, ink bleeding. This is to prevent the learning data CD1 from causing noise. On the contrary, all the grid points are set as the first representative points around the outer edge of the effective region, and the color patch is actually measured, and the predicted value by the neural network NNR is not used. This is because, for a region that is difficult to predict, a decrease in accuracy can be suppressed by relying on an actual measurement value in prediction performed later. On the other hand, since it can be considered that the behavior of the spectral reflectance R (λ) with respect to the variation in the ink amount set is stable inside the effective area, the first representative point inside the effective area and the actually measured spectral reflection are reflected. The correspondence relationship with the rate R (λ) is used as the learning data CD1, and the predicted value by the neural network NNR learned thereby is adopted as the spectral reflectance R (λ) of the second representative point.

さらに、上述したポテンシャル法によって、有効領域の内部の格子点のうちニューラルネットワークＮＮＲの学習に使用する第１代表点（属性４ａ）を偏りなく選択するようにしているため、有効領域内において学習データＣＤ１が極端に少ない領域が生じるのが防止できる。従って、有効領域の全体について一様な予測精度を実現することができる。また、ステップＳ１１３おいて、学習データＣＤ１に組み込まれる第１代表点として、インク量の軸上の格子点（属性３）が優先的に選択されるようにしているため、各インク量の単独の変動に応じた分光反射率Ｒ（λ）の変動を確実に学習データＣＤ１に盛り込むことができる。各インク量の単独の変動に応じた分光反射率Ｒ（λ）の変動は、複数インクの混色による分光反射率Ｒ（λ）の予測の基礎をなすものであるため、ニューラルネットワークＮＮＲを精度よく学習させることができる。また、各インクのインク量の全領域から抜けなく学習データＣＤ１を得ることができるため、一部のインク量領域の予測精度が極端に劣化することが防止できる。   Furthermore, since the first representative point (attribute 4a) used for learning of the neural network NNR is selected without bias from the lattice points inside the effective region by the above-described potential method, the learning data in the effective region is selected. It is possible to prevent a region having an extremely small CD1 from occurring. Therefore, uniform prediction accuracy can be realized for the entire effective region. In step S113, since the grid point (attribute 3) on the ink amount axis is preferentially selected as the first representative point to be incorporated into the learning data CD1, a single point of each ink amount is selected. Variations in the spectral reflectance R (λ) corresponding to the variations can be reliably incorporated into the learning data CD1. The fluctuation of the spectral reflectance R (λ) corresponding to the individual fluctuation of each ink amount forms the basis for the prediction of the spectral reflectance R (λ) due to the color mixture of a plurality of inks. You can learn. Further, since the learning data CD1 can be obtained without missing from the entire ink amount region of each ink, it is possible to prevent the prediction accuracy of a part of the ink amount regions from being extremely deteriorated.

分光反射率データＤが準備できると変換部ＲＣ２による任意の分光反射率Ｒ（λ）の予測が可能となる。なお、変換部ＲＣ２および変換部ＲＣ２を実行するハードウェアが本発明の第２予測部に相当する。本実施形態においては、変換部ＲＣ２が分光プリンティングモデルとしてセル分割ユール・ニールセン分光ノイゲバウアモデル(Cellular Yule-Nielsen Spectral Neugebauer Model)を使用して任意のインク量セットで印刷したときの分光反射率Ｒ（λ）の予測を行う。以下では、セル分割ユール・ニールセン分光ノイゲバウアモデル(Cellular Yule-Nielsen Spectral Neugebauer Model)を説明する。このモデルは、よく知られた分光ノイゲバウアモデルとユール・ニールセンモデルとに基づいている。なお、以下の説明では、説明の簡略化のためＣＭＹの３種類のインクを用いた場合のモデルについて説明するが、同様のモデルを本実施形態のＣＭＹＫｌｃｌｍをはじめとする任意のインクセットを用いたモデルに拡張することは容易である。また、セル分割ユール・ニールセン分光ノイゲバウアモデルについては、Color Ｒes Appl 25, 4-19, 2000およびＲ Balasubramanian, Optimization of the spectral Neugebauer model for printer characterization, J. Electronic Imaging 8(2), 156-166 (1999)を参照。   When the spectral reflectance data D can be prepared, the spectral reflectance R (λ) can be predicted by the conversion unit RC2. Note that the hardware that executes the conversion unit RC2 and the conversion unit RC2 corresponds to the second prediction unit of the present invention. In the present embodiment, the spectral reflectance when the conversion unit RC2 performs printing with an arbitrary ink amount set by using a Cellular Yule-Nielsen Spectral Neugebauer Model as a spectral printing model. R (λ) is predicted. In the following, the Cellular Yule-Nielsen Spectral Neugebauer Model will be described. This model is based on the well-known spectroscopic Neugebauer model and the Yule-Nielsen model. In the following description, for simplification of description, a model in the case of using three types of CMY inks will be described. However, a similar model was used using an arbitrary ink set including CMYKlclm of this embodiment. It is easy to extend to the model. For cell splitting Yule-Nielsen spectral Neugebauer model, Color Res Appl 25, 4-19, 2000 and R Balasubramanian, Optimization of the spectral Neugebauer model for printer characterization, J. Electronic Imaging 8 (2), 156- See 166 (1999).

図９は、分光ノイゲバウアモデルを示す図である。分光ノイゲバウアモデルでは、任意のインク量セット（ｄc，ｄm，ｄy）で印刷したときの印刷物の分光反射率Ｒ（λ）は、以下の（１）式で与えられる。

Figure 2008259168
ここで、ａiはｉ番目の領域の面積率であり、Ｒi（λ）はｉ番目の領域の分光反射率である。添え字ｉは、インクの無い領域（ｗ）と、シアンインクのみの領域（ｃ）と、マゼンタインクのみの領域（ｍ）と、イエローインクのみの領域（ｙ）と、マゼンタインクとイエローインクが吐出される領域（ｒ）と、イエローインクとシアンインクが吐出される領域（ｇ）と、シアンインクとマゼンタインクが吐出される領域（ｂ）と、ＣＭＹの３つのインクが吐出される領域（ｋ）をそれぞれ意味している。また、ｆc，ｆm，ｆyは、ＣＭＹ各インクを１種類のみ吐出したときにそのインクで覆われる面積の割合（「インク被覆率(Ink area coverage)」と呼ぶ）である。 FIG. 9 is a diagram showing a spectral Neugebauer model. The spectral Neugebauer model, optional ink amount sets (d c, d m, d y) spectral reflectance of the printed matter when printed with R (lambda) is given by the following equation (1).
Figure 2008259168
 Here, a i is the area ratio of the i-th region, and R i (λ) is the spectral reflectance of the i-th region. The subscript i includes an area without ink (w), an area only with cyan ink (c), an area only with magenta ink (m), an area only with yellow ink (y), magenta ink and yellow ink. A region (r) where yellow ink and cyan ink are ejected, a region (b) where cyan ink and magenta ink are ejected, and a region where three inks CMY are ejected (region) (r) k) respectively. Further, f c , f m , and fy are the proportions of the area covered with only one CMY ink when it is ejected (referred to as “Ink area coverage”).

インク被覆率ｆc，ｆm，ｆyは、図９（Ｂ）に示すマーレイ・デービスモデルで与えられる。マーレイ・デービスモデルでは、例えばシアンインクのインク被覆率ｆcは、シアンのインク量ｄcの非線形関数であり、例えば１次元ルックアップテーブルによってインク量ｄcをインク被覆率ｆcに換算することができる。インク被覆率ｆc，ｆm，ｆyがインク量ｄc，ｄm，ｄyの非線形関数となる理由は、単位面積に少量のインクが吐出された場合にはインクが十分に広がるが、多量のインクが吐出された場合にはインクが重なり合うためにインクで覆われる面積があまり増加しないためである。他の種類のＭＹインクについても同様である。 The ink coverages f c , f m , and fy are given by the Murray-Davis model shown in FIG. In the Murray-Davies model, for example, the ink area coverage f c of the cyan ink is a nonlinear function of the ink amount d c of the cyan, be converted to the ink amount d c in the ink coverage f c, for example by one-dimensional lookup table Can do. Ink coverage f c, f m, f y is the ink amount d c, d m, reason for the non-linear function of d y is spread enough ink in the case where a small amount of ink ejected to the unit area, This is because, when a large amount of ink is ejected, the ink is overlapped and the area covered with the ink does not increase so much. The same applies to other types of MY inks.

分光反射率に関するユール・ニールセンモデルを適用すると、上記（１）式は以下の（２ａ）式または（２ｂ）式に書き換えられる。

Figure 2008259168
ここで、ｎは１以上の所定の係数であり、例えばｎ＝１０に設定することができる。（２ａ）式および（２ｂ）式は、ユール・ニールセン分光ノイゲバウアモデル(Yule-Nielsen Spectral Neugebauer Model)を表す式である。 When the Yule-Nielsen model for spectral reflectance is applied, the above equation (1) can be rewritten as the following equation (2a) or (2b).
Figure 2008259168
 Here, n is a predetermined coefficient of 1 or more, and can be set to n = 10, for example. Expressions (2a) and (2b) are expressions representing the Yule-Nielsen Spectral Neugebauer Model.

本実施形態で採用するセル分割ユール・ニールセン分光ノイゲバウアモデル(Cellular Yule-Nielsen Spectral Neugebauer Model)は、上述したユール・ニールセン分光ノイゲバウアモデルのインク量空間を複数のセルに分割したものである。   The Cellular Yule-Nielsen Spectral Neugebauer Model adopted in the present embodiment is obtained by dividing the ink amount space of the above-described Yule-Nielsen Spectral Neugebauer Model into a plurality of cells. is there.

図１０（Ａ）は、セル分割ユール・ニールセン分光ノイゲバウアモデルにおけるセル分割の例を示している。ここでは、説明の簡略化のために、ＣＭインクのインク量ｄc，ｄmの２つの軸を含む２次元インク量空間でのセル分割を描いている。なお、インク被覆率ｆc，ｆmは上述したマーレイ・デービスモデルにてインク量ｄc，ｄmと一意の関係にあるため、インク被覆率ｆc，ｆmを示す軸と考えることもできる。白丸は、セル分割のグリッド点（「ノード」と呼ぶ）であり、２次元のインク量（被覆率）空間が９つのセルＣ１〜Ｃ９に分割されている。各ノードに対応するインク量セット（ｄc，ｄm）は、第１代表点および第２代表点に対応するインク量セットとされている。すなわち、上述した分光反射率データＤを参照することにより、各ノードの分光反射率Ｒ（λ）を得ることができる。従って、各ノードの分光反射率Ｒ（λ）00，Ｒ（λ）10，Ｒ（λ）20・・・Ｒ（λ）33は、分光反射率データＤから取得することができる。 FIG. 10A shows an example of cell division in the cell division Yule-Nielsen spectroscopic Neugebauer model. Here, for simplification of description depicts the cell division in a two-dimensional ink amount space including two axes of the ink amount d c, d m of the CM inks. Note that it for ink coverage f c, is f m with at Murray-Davis model described above the ink amount d c, a unique relationship with d m, the ink coverage f c, also be considered as an axis indicating the f m . White circles are cell division grid points (called “nodes”), and a two-dimensional ink amount (coverage) space is divided into nine cells C1 to C9. The ink amount set (d c , d m ) corresponding to each node is an ink amount set corresponding to the first representative point and the second representative point. That is, the spectral reflectance R (λ) of each node can be obtained by referring to the spectral reflectance data D described above. Therefore, the spectral reflectances R (λ) 00 , R (λ) 10 , R (λ) 20 ... R (λ) 33 of each node can be obtained from the spectral reflectance data D.

実際には、セル分割もＣＭＹＫｌｃｌｍの６次元インク量空間で行うとともに、各ノードの座標も６次元のインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）によって表される。そして、各ノードのインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）に対応する第１代表点または第２代表点の分光反射率Ｒ（λ）が分光反射率データＤから取得されることとなる。また、第１代表点に対応するノードについては実測の分光反射率Ｒ（λ）が取得されるが、第２代表点に対応するノードはニューラルネットワークＮＮＲによる予測値が分光反射率Ｒ（λ）として取得される。また、第１代表点および第２代表点は、もともとインク量空間において格子点上に存在する座標から設定されているため、インク量空間において直交セルＣ１〜Ｃ６を形成することができる。 Table In fact, performs also the cell division in a six-dimensional ink amount space of CMYKlclm, the ink amount set coordinates also six dimensions of each node (d c, d m, d y, d k, d lc, d lm) by Is done. Then, the ink amount set for each node (d c, d m, d y, d k, d lc, d lm) first representative point or spectral reflectance of the second representative point R corresponding to (lambda) is the spectral reflectance It is acquired from the rate data D. The measured spectral reflectance R (λ) is acquired for the node corresponding to the first representative point, but the predicted value by the neural network NNR is obtained from the spectral reflectance R (λ) of the node corresponding to the second representative point. Get as. Further, since the first representative point and the second representative point are originally set from the coordinates existing on the lattice points in the ink amount space, the orthogonal cells C1 to C6 can be formed in the ink amount space.

図１０（Ｂ）は、セル分割モデルにて使用するインク被覆率ｆcとインク量ｄcとの関係を示している。ここでは、１種類のインクのインク量の範囲０〜ｄcmaxも３つの区間に分割されており、各区間毎に０から１まで単調に増加する非線形の曲線によってセル分割モデルにて使用する仮想的なインク被覆率ｆcが求められる。他のインクについても同様にインク被覆率ｆm，ｆyが求められる。 FIG. 10 (B) shows the relationship between the ink area coverage f c and the ink amount d c which are used in the cell division model. Here, one kind of the ink amount in the range 0 to D cmax of ink is also divided into three sections, the virtual used in the cell division model by non-linear curve which increases monotonically from 0 for each section to the 1 A typical ink coverage fc is determined. For other inks, the ink coverages f m and f y are obtained in the same manner.

図１０（Ｃ）は、図１０（Ａ）の中央のセルＣ５内にある任意のインク量セット（ｄc，ｄm）にて印刷を行った場合の分光反射率Ｒ（λ）の算出方法を示している。インク量セット（ｄc，ｄm）にて印刷を行った場合の分光反射率Ｒ（λ）は、以下の（３）式で与えられる。

Figure 2008259168
ここで、（３）式におけるインク被覆率ｆc，ｆmは図１０（Ｂ）のグラフで与えられる値である。また、セルＣ５を囲む４つのノードに対応する分光反射率Ｒ（λ）11，（λ）12，（λ）21，（λ）22は分光反射率データＤを参照することにより取得することができる。これにより、（３）式の右辺を構成するすべての値を確定することができ、その計算結果として任意のインク量セット（ｄc，ｄm）にて印刷を行った場合の分光反射率Ｒ（λ）を算出することができる。波長λを可視光域にて順次シフトさせていくことにより、可視光領域における分光反射率Ｒ（λ）を得ることができる。インク量空間を複数のセルに分割すれば、分割しない場合に比べてサンプルの分光反射率Ｒ（λ）をより精度良く算出することができる。このように、本実施形態においては分光反射率データＤを参照しつつ変換部ＲＣ２が印刷結果としての分光反射率Ｒ（λ）を予測する。 FIG. 10C shows a method of calculating the spectral reflectance R (λ) when printing is performed with an arbitrary ink amount set (d c , d m ) in the center cell C5 of FIG. Is shown. The spectral reflectance R (λ) when printing is performed with the ink amount set (d c , d m ) is given by the following equation (3).
Figure 2008259168
 Here, the ink coverages f c and f m in the equation (3) are values given by the graph of FIG. The spectral reflectances R (λ) 11 , (λ) 12 , (λ) 21 , and (λ) 22 corresponding to the four nodes surrounding the cell C5 can be obtained by referring to the spectral reflectance data D. it can. Thereby, all the values constituting the right side of the expression (3) can be determined, and the spectral reflectance R when printing is performed with an arbitrary ink amount set (d c , d m ) as the calculation result. (Λ) can be calculated. The spectral reflectance R (λ) in the visible light region can be obtained by sequentially shifting the wavelength λ in the visible light region. If the ink amount space is divided into a plurality of cells, the spectral reflectance R (λ) of the sample can be calculated with higher accuracy than when the ink amount space is not divided. Thus, in the present embodiment, the conversion unit RC2 predicts the spectral reflectance R (λ) as a printing result while referring to the spectral reflectance data D.

分光反射率Ｒ（λ）の予測は各分割セルにて行われるが、各セルの頂点を構成するノードは第１代表点である場合も第２代表点である場合も考えられる。しかし、有効領域の外縁付近については第１代表点の分布密度を有効領域の内部よりも高くしているため、ガマットの外縁付近については実際に測色した分光反射率Ｒ（λ）によって精度よく予測することができる。一方、第１代表点の分布密度が低くなる有効領域の内部ではインクの挙動が安定するため、ニューラルネットワークＮＮＲにて正確に分光反射率Ｒ（λ）が予測されている。従って、ニューラルネットワークＮＮＲにて予測された分光反射率Ｒ（λ）を使用して、さらにセル分割ユール・ニールセン分光ノイゲバウアモデルにより分光反射率Ｒ（λ）を予測したとしても精度が大きく低下することはない。印刷結果予測装置としての分光プリンティングコンバータＲＣは、単体として使用することにより、任意のインク量セットにて印刷をしたときの分光反射率Ｒ（λ）を精度よく予測することができるが、さらに他のコンバータを併用したり、予測した分光反射率Ｒ（λ）を利用したりすることにより、作業性のよいルックアップテーブルを作成することができる。以下、他のコンバータについて説明する。   Although the spectral reflectance R (λ) is predicted in each divided cell, the node constituting the vertex of each cell may be the first representative point or the second representative point. However, since the distribution density of the first representative points is higher in the vicinity of the outer edge of the effective area than in the inner area of the effective area, the vicinity of the outer edge of the gamut is accurately measured by the spectral reflectance R (λ) actually measured. Can be predicted. On the other hand, since the behavior of the ink is stabilized inside the effective region where the distribution density of the first representative point is low, the spectral reflectance R (λ) is accurately predicted by the neural network NNR. Therefore, even if the spectral reflectance R (λ) predicted by the neural network NNR is used and the spectral reflectance R (λ) is predicted by the cell division Yule-Nielsen spectral Neugebauer model, the accuracy is greatly reduced. Never do. The spectral printing converter RC as a printing result prediction device can accurately predict the spectral reflectance R (λ) when printing with an arbitrary ink amount set by using it alone. A look-up table with good workability can be created by using the above converter together or using the predicted spectral reflectance R (λ). Hereinafter, other converters will be described.

Ａ−２．色コンバータ
図１１は、本発明の色特定手段としての色コンバータＣＣが分光反射率Ｒ（λ）に基づいて色を特定する処理を模式的に示している。同図において、分光プリンティングコンバータＲＣが予測した分光反射率Ｒ（λ）の各波長λにおいて所望の光源のスペクトルを乗算することにより、印刷物からの反射光のスペクトルを予測する。さらに、反射光のスペクトルに対して所望の観察条件での感度関数ｘ（λ），ｙ（λ），ｚ（λ）を畳み込み、正規化をすることにより、三刺激値ＸＹＺを算出する。本実施形態においては、特に示さない限りＣＩＥ１９３１ ２°観測者の観察条件で三刺激値ＸＹＺを算出するものとする。光源としては、ＣＩＥ標準のＤ５０光やＤ６５光やＦ系光やＡ系光などを入力することができる。さらに、色コンバータＣＣは、三刺激値ＸＹＺにＣＩＥ標準の変換式を適用することにより、ＣＩＥＬＡＢ表色系のＬ*ａ*ｂ*値を算出する。このように、分光プリンティングコンバータＲＣと色コンバータＣＣを順次使用することにより任意のインク量セットにて印刷を行った場合のＬ*ａ*ｂ*値を得ることができる。 A-2. Color Converter FIG. 11 schematically shows a process in which the color converter CC as the color specifying means of the present invention specifies a color based on the spectral reflectance R (λ). In the figure, the spectrum of the reflected light from the printed material is predicted by multiplying the spectrum of the desired light source at each wavelength λ of the spectral reflectance R (λ) predicted by the spectral printing converter RC. Further, the tristimulus values XYZ are calculated by convolving and normalizing the sensitivity functions x (λ), y (λ), and z (λ) under the desired observation conditions with respect to the spectrum of the reflected light. In this embodiment, unless otherwise indicated, the tristimulus values XYZ are calculated under the observation conditions of the CIE 1931 2 ° observer. As the light source, CIE standard D50 light, D65 light, F-system light, A-system light, or the like can be input. Further, the color converter CC calculates the L * a * b * value of the CIELAB color system by applying the conversion formula of the CIE standard to the tristimulus values XYZ. In this way, by using the spectral printing converter RC and the color converter CC sequentially, the L * a * b * value when printing is performed with an arbitrary ink amount set can be obtained.

さらに、色コンバータＣＣは、三刺激値ＸＹＺに対して色順応変換を行うことが可能となっている。例えば、Ｄ５０光にて算出した三刺激値ＸＹＺにＣＩＥＣＡＴ０２に基づく色順応変換式を適用することにより、例えばＤ５０光の下での色の見えを、Ｄ６５光の対応色で表現したＬ*ａ*ｂ*値に変換することができる。なお、ＣＩＥＣＡＴ０２については、例えば"The CIECAM02 Color Appearance Model", Nathan Moroney et al., IS&T/SID Tenth Color Imaging Conference, pp.23-27, および、"The performance of CIECAM02", Changjun Li et al., IS&T/SID Tenth Color Imaging Conference, pp.28-31に記載されている。ただし、色順応変換としては、フォン・クリースの色順応予測式などの他の任意の色順応変換を用いることも可能である。この色順応変換によって得られたＬ*ａ*ｂ*値をＣＶL1→Lsと表記するものとする。この下付き文字「Ｌ１→Ｌｓ」は、光源Ｌ１の下での色の見えを、標準光源Ｌｓの対応色で表現したＬ*ａ*ｂ*値であることを意味している。色コンバータＣＣは、少なくとも２以上の比較用光源Ｌ１，Ｌ２の下での見えを、標準光源Ｌｓの対応色で表現した色彩値ＣＶL1→Ls，ＣＶL2→Lsを求めるとともに、これらに基づいて色恒常性指数ＣＩＩを算出する。色恒常性指数ＣＩＩは、例えば下記の式（４）によって算出することができる。

Figure 2008259168
Furthermore, the color converter CC can perform chromatic adaptation conversion on the tristimulus values XYZ. For example, by applying a chromatic adaptation conversion formula based on CIECAT02 to the tristimulus values XYZ calculated with D50 light, for example, L * a * expressing the appearance of color under D50 light with the corresponding color of D65 light b * value can be converted. Regarding CIECAT02, for example, “The CIECAM02 Color Appearance Model”, Nathan Moroney et al., IS & T / SID Tenth Color Imaging Conference, pp.23-27, and “The performance of CIECAM02”, Changjun Li et al., IS & T / SID Tenth Color Imaging Conference, pp.28-31. However, as the chromatic adaptation conversion, any other chromatic adaptation conversion such as von Kries's chromatic adaptation prediction formula may be used. The L * a * b * value obtained by this chromatic adaptation conversion is expressed as CV L1 → Ls . This subscript “L1 → Ls” means that the color appearance under the light source L1 is an L * a * b * value expressed by the corresponding color of the standard light source Ls. The color converter CC obtains color values CV L1 → Ls and CV L2 → Ls representing the appearance under at least two comparative light sources L1 and L2 with colors corresponding to the standard light source Ls, and based on these values. A color constancy index CII is calculated. The color constancy index CII can be calculated by, for example, the following formula (4).
Figure 2008259168

色恒常性指数ＣＩＩについては、Billmeyer and Saltzman's Principles of Color Technology, 3rd edition, John Wiley & Sons, Inc, 2000, p.129,p. 213-215を参照。なお、（４）式の右辺は、ＣＩＥ１９９４年色差式において、明度と彩度の係数ｋＬ，ｋＣの値を２に設定し、色相の係数ｋＨの値を１に設定した色差ΔＥ*９４（２：２）に相当する。ＣＩＥ１９９４年色差式では、（４）式の右辺の分母の係数ＳＬ，Ｓｃ，ＳＨは以下の（５）式で与えられる。

Figure 2008259168
For color constancy index CII, see Billmeyer and Saltzman's Principles of Color Technology, 3rd edition, John Wiley & Sons, Inc, 2000, p. 129, p. 213-215. The right side of the equation (4) is a color difference ΔE * 94 (2 in the CIE 1994 color difference equation in which the values of the lightness and saturation coefficients kL and kC are set to 2 and the value of the hue coefficient kH is set to 1. : Corresponds to 2). In the CIE 1994 color difference equation, the denominator coefficients SL, Sc, SH on the right side of the equation (4) are given by the following equation (5).
Figure 2008259168

なお、色恒常性指数ＣＩＩの算出に使用する色差式としては、他の式を用いることも可能である。色恒常性指数ＣＩＩは、あるカラーパッチを第１と第２の異なる観察条件下で観察したときの色の見えの差として定義されている。従って、印刷したときに色恒常性指数ＣＩＩが小さくなるインク量セットは、異なる観察条件での色の見えの差が小さいという点で好ましい。また、色彩値ＣＶL1→Ls，ＣＶL2→Lsは、同一の標準観察条件におけるそれぞれの対応色の測色値なので、それらの色差である色恒常性指数ＣＩＩは色の見えの違いをかなり正確に表現する値となる。次に、粒状性コンバータＧＣおよびその準備について説明する。 In addition, as a color difference formula used for calculation of the color constancy index CII, other formulas can be used. The color constancy index CII is defined as the difference in color appearance when a color patch is observed under first and second different observation conditions. Therefore, an ink amount set that reduces the color constancy index CII when printed is preferable in that the difference in color appearance under different viewing conditions is small. In addition, since the color values CV L1 → Ls and CV L2 → Ls are the colorimetric values of the corresponding colors under the same standard observation conditions, the color constancy index CII, which is the color difference between them, is quite accurate in the difference in color appearance. It becomes the value expressed in. Next, the granularity converter GC and its preparation will be described.

Ａ−３．粒状性コンバータ
図１２は、粒状性コンバータＧＣ準備処理の流れを示している。同図において、ステップＳ２００においては、粒状性評価用インク量セットを多数（Ｎ個）準備する。粒状性評価用インク量セットは、インク量空間に均等に存在する格子点上のものを準備してもよいし、実際に粒状性評価用インク量セットにて印刷を行った場合の測色色空間において均等に存在するものを準備してもよい。さらに、無彩色や記憶色等の特定の色域において重点的に準備するようにし、粒状性低下の要求が比較的大きい色域の粒状性の予測を正確に行うようにしてもよい。粒状性評価用インク量セットが準備できるとステップＳ２１０にて粒状性評価用インク量セットに基づいてカラーパッチをプリンタ２０にて印刷させる。ここにおけるカラーパッチの印刷は、上述した分光プリンティングモデルコンバータ準備処理のステップＳ１３０と同様の手順で行うことができる。ただし、分光プリンティングモデルコンバータ準備処理にてカラーパッチが印刷される第１代表点と粒状性評価用インク量セットは異なるインク量セットであるため、個別にカラーパッチを印刷する必要がある。むろん、第１代表点と粒状性評価用インク量セットとが共通する部分については、カラーパッチを共用することも可能である。 A-3. Granularity Converter FIG. 12 shows the flow of the granularity converter GC preparation process. In step S200, a large number (N) of ink sets for graininess evaluation are prepared. The granularity evaluation ink amount set may be prepared on grid points that are evenly present in the ink amount space, or a colorimetric color space when printing is actually performed with the granularity evaluation ink amount set. You may prepare what exists equally in. Furthermore, it is also possible to focus on a specific color gamut such as an achromatic color or a memory color so as to accurately predict the graininess of a color gamut that requires a relatively large reduction in graininess. When the granularity evaluation ink amount set is prepared, a color patch is printed by the printer 20 based on the granularity evaluation ink amount set in step S210. The printing of the color patch here can be performed in the same procedure as in step S130 of the spectral printing model converter preparation process described above. However, since the first representative point where the color patch is printed in the spectral printing model converter preparation process and the ink amount set for graininess evaluation are different ink amount sets, it is necessary to print the color patches individually. Of course, it is also possible to share a color patch for the portion where the first representative point and the granularity evaluation ink amount set are common.

ステップＳ２１５においては、カラーパッチをスキャナ４０によってスキャンする。ここでは、プリンタがカラーパッチを印刷したときの解像度よりも高解像度でスキャンを行う。このようにすることにより、各カラーパッチにおけるインクドットの分布状態を詳細に把握することが可能な画像データを得ることができる。ステップＳ２２０においては、スキャンした画像データを印刷媒体上における明度Ｌ*分布の画像データＬ（ｘ，ｙ）に変換する（ｘ，ｙは印刷媒体上における横および縦の座標を意味し、ｘ，ｙで特定される画素をサブ画素と表記するものとする。）。次のステップＳ２２５から粒状性指数ＧＩを算出する処理を開始する。粒状性指数ＧＩは、ある印刷物を観察者が視認したときに、その観察者が感じる粒状感（あるいはノイズの程度）であり、粒状性指数ＧＩが小さい程、観察者が感じる粒状感は小さくなる。本実施例では、粒状性指数ＧＩが以下の（６）式で定義されるものとする。

Figure 2008259168
ＧＩについては、例えば、Makoto Fujino,Image Quality Evaluation of Inkjet Prints, Japan Hardcopy '99, p.291-294を参照。なお、（６）式のａLは明度補正項、ＷＳ（ｕ）は画像のウイナースペクトラム、ＶＴＦは視覚の空間周波数特性、ｕは空間周波数である。 In step S215, the color patch is scanned by the scanner 40. Here, scanning is performed at a higher resolution than the resolution at which the printer printed the color patches. By doing so, it is possible to obtain image data capable of grasping in detail the distribution state of ink dots in each color patch. In step S220, the scanned image data is converted into image data L (x, y) having a lightness L * distribution on the print medium (x and y mean horizontal and vertical coordinates on the print medium, and x, The pixel specified by y is expressed as a sub-pixel). Processing for calculating the graininess index GI is started from the next step S225. The graininess index GI is the graininess (or the degree of noise) felt by an observer when an observer visually recognizes a certain printed matter. The smaller the graininess index GI, the smaller the graininess felt by the observer. . In this embodiment, the graininess index GI is defined by the following equation (6).
Figure 2008259168
 Regarding GI, see, for example, Makoto Fujino, Image Quality Evaluation of Inkjet Prints, Japan Hardcopy '99, p.291-294. In Equation (6), a L is a brightness correction term, WS (u) is a winner spectrum of an image, VTF is a visual spatial frequency characteristic, and u is a spatial frequency.

図１３は実際に粒状性指数ＧＩを算出する様子を説明している。本実施形態において、粒状性指数ＧＩは印刷画像の粒状性を画像の明度の空間周波数（cycle/mm）特性で評価する。そのために、まず図１３の左端に示す明度のサブ画素平面における空間分布Ｌ（ｘ，ｙ）に対してＦＦＴ（Fast Fourier Transformation）を実施する（ステップＳ２３０）。図１３においては得られた空間周波数のスペクトルをＳ（ｕ，ｖ）として示している。なお、スペクトルＳ（ｕ，ｖ）は実部Ｒｅ（ｕ，ｖ）と虚部Ｉｍ（ｕ，ｖ）とからなり、Ｓ（ｕ，ｖ）＝Ｒｅ（ｕ，ｖ）＋ｊＩｍ（ｕ，ｖ）である。このスペクトルＳ（ｕ，ｖ）は上述したウイナースペクトラムに相当する。   FIG. 13 illustrates how the graininess index GI is actually calculated. In this embodiment, the graininess index GI evaluates the graininess of a printed image by the spatial frequency (cycle / mm) characteristic of the brightness of the image. For this purpose, first, FFT (Fast Fourier Transformation) is performed on the spatial distribution L (x, y) in the brightness sub-pixel plane shown at the left end of FIG. 13 (step S230). In FIG. 13, the spectrum of the obtained spatial frequency is shown as S (u, v). The spectrum S (u, v) is composed of a real part Re (u, v) and an imaginary part Im (u, v), and S (u, v) = Re (u, v) + jIm (u, v). It is. This spectrum S (u, v) corresponds to the above-described winner spectrum.

ここで、（ｕ，ｖ）は（ｘ，ｙ）の逆空間の次元を持つが、本実施例において（ｘ，ｙ）は座標として定義され、実際の長さの次元に対応させるにはスキャナ４０のスキャン解像度等を考慮しなければならない。従って、Ｓ（ｕ，ｖ）を空間周波数の次元で評価する場合も次元の変換が必要である。そこで、まず、座標（ｕ，ｖ）に対応した空間周波数の大きさｆ（ｕ，ｖ）を算出する。すなわち、主走査方向の最低周波数ｅuはＸ解像度／２５．４，副走査方向の最低周波数ｅvはＹ解像度／２５．４と定義される。なお、Ｘ解像度，Ｙ解像度はスキャナ４０がスキャンした際の解像度である。なお、ここでは１インチを２５．４ｍｍとしている。各走査方向の最低周波数ｅu，ｅvが算出されれば、任意の座標（ｕ，ｖ）における空間周波数の大きさｆ（ｕ，ｖ）は（（ｅu・ｕ）2＋（ｅv・ｖ）2））1/2として算出することが可能になる。 Here, (u, v) has a dimension of the inverse space of (x, y). In this embodiment, (x, y) is defined as a coordinate, and in order to correspond to an actual length dimension, a scanner is used. For example, 40 scan resolutions must be considered. Therefore, even when evaluating S (u, v) in the spatial frequency dimension, dimension conversion is necessary. Therefore, first, the spatial frequency magnitude f (u, v) corresponding to the coordinates (u, v) is calculated. That is, the lowest frequency e u in the main scanning direction X resolution per 25.4, the lowest frequency e v in the sub-scanning direction is defined as Y resolution per 25.4. The X resolution and Y resolution are resolutions when the scanner 40 scans. Here, 1 inch is 25.4 mm. Minimum frequency e u in each scanning direction, if e v is calculated, the spatial frequency in arbitrary coordinates (u, v) size f (u, v) is ((e u · u) 2 + (e v・ V) 2 )) It can be calculated as 1/2 .

一方、人間の目は、空間周波数の大きさｆ（ｕ，ｖ）に応じて明度に対する感度が異なり、当該視覚の空間周波数特性は、例えば、図１３の中央下部に示すＶＴＦ（ｆ）のような特性である。この図１３におけるＶＴＦ（ｆ）はＶＴＦ（ｆ）＝５．０５×ｅｘｐ（−０．１３８・ｄ・π・ｆ／１８０）×（１−ｅｘｐ（−０．１・ｄ・π・ｆ／１８０））である。なお、ここでｄは印刷物と目の距離でありｆは上記空間周波数の大きさである。このｆは上述した（ｕ，ｖ）の関数として表現されているので、視覚の空間周波数特性ＶＴＦは（ｕ，ｖ）の関数ＶＴＦ（ｕ，ｖ）とすることができる。   On the other hand, the human eye has different sensitivity to lightness depending on the spatial frequency magnitude f (u, v), and the visual spatial frequency characteristic is, for example, VTF (f) shown in the lower center of FIG. It is a characteristic. VTF (f) in FIG. 13 is VTF (f) = 5.05 × exp (−0.138 · d · π · f / 180) × (1−exp (−0.1 · d · π · f / 180)). Here, d is the distance between the printed matter and the eyes, and f is the magnitude of the spatial frequency. Since f is expressed as a function of (u, v) described above, the visual spatial frequency characteristic VTF can be a function VTF (u, v) of (u, v).

上述のスペクトルＳ（ｕ，ｖ）に対してこのＶＴＦ（ｕ，ｖ）を乗じれば、視覚の空間周波数特性を考慮した状態でスペクトルＳ（ｕ，ｖ）を評価することができる。また、この評価を積分すればサブ画素平面全体について空間周波数を評価することができる。そこで、本実施例においては、ステップＳ２３５〜Ｓ２５５の処理で積分までの処理を行っており、まず、（ｕ，ｖ）を双方とも“０”に初期化し（ステップＳ２３５）、ある座標（ｕ，ｖ）での空間周波数ｆ（ｕ，ｖ）を算出する（ステップＳ２４０）。また、この空間周波数ｆにおけるＶＴＦを算出する（ステップＳ２４５）。   By multiplying the above-mentioned spectrum S (u, v) by this VTF (u, v), the spectrum S (u, v) can be evaluated in a state in which the visual spatial frequency characteristic is taken into consideration. If this evaluation is integrated, the spatial frequency can be evaluated for the entire sub-pixel plane. Therefore, in the present embodiment, the processing up to integration is performed in the processing of steps S235 to S255. First, both (u, v) are initialized to “0” (step S235), and a certain coordinate (u, The spatial frequency f (u, v) at v) is calculated (step S240). Further, the VTF at the spatial frequency f is calculated (step S245).

ＶＴＦが得られたら、当該ＶＴＦの２乗とスペクトルＳ（ｕ，ｖ）の２乗とを乗じ、積分結果を代入するための変数Ｐｏｗとの和を算出する（ステップＳ２５０）。すなわち、スペクトルＳ（ｕ，ｖ）は実部Ｒｅ（ｕ，ｖ）と虚部Ｉｍ（ｕ，ｖ）とを含むので、その大きさを評価するため、まず、ＶＴＦの２乗とスペクトルＳ（ｕ，ｖ）の２乗とによって積分を行う。そして、座標（ｕ，ｖ）のすべてについて以上の処理を実施したか否かを判別し（ステップＳ２５５）、全座標（ｕ，ｖ）について処理を終了したと判別されなければ、未処理の座標（ｕ，ｖ）を抽出してステップＳ２４０以降の処理を繰り返す。なお、ＶＴＦは図１３に示すように空間周波数の大きさが大きくなると急激に小さくなってほぼ”０”となるので、座標（ｕ，ｖ）の値域を予め所定の値以下に制限することにより必要充分な範囲で計算を行うことができる。   When the VTF is obtained, the sum of the square of the VTF and the square of the spectrum S (u, v) and the variable Pow for substituting the integration result are calculated (step S250). That is, since the spectrum S (u, v) includes a real part Re (u, v) and an imaginary part Im (u, v), in order to evaluate the magnitude, first, the square of the VTF and the spectrum S ( Integration is performed by the square of u, v). Then, it is determined whether or not the above processing has been performed for all coordinates (u, v) (step S255). If it is not determined that the processing has been completed for all coordinates (u, v), unprocessed coordinates are determined. (U, v) is extracted, and the processing after step S240 is repeated. Note that, as shown in FIG. 13, the VTF suddenly decreases and becomes almost “0” as the spatial frequency increases, so that the value range of the coordinates (u, v) is limited to a predetermined value or less in advance. Calculation can be performed within a necessary and sufficient range.

積分が終了したら、Ｐｏｗ1/2／全画素数を算出する（ステップＳ２６０）。すなわち、変数Ｐｏｗの平方根によって上記スペクトルＳ（ｕ，ｖ）の大きさの次元に戻すとともに、全画素数で除して規格化する。この規格化により、入力画像の画素数に依存しない客観的な指数（図１２のＩｎｔ）を算出している。本実施形態においては、さらに、印刷物全体の明度による影響を考慮した補正を行って粒状性指数ＧＩとしている。すなわち、本実施形態においては、空間周波数のスペクトルが同じであっても印刷物全体が明るい場合と暗い場合とでは人間の目に異なった印象を与え、全体が明るい方が粒状性を感じやすいものとして補正を行う。このため、まず、全画素について明度Ｌ（ｘ，ｙ）を足し合わせ、全画素で除することにより、画像全体の明度の平均Ａｖｅを算出する（ステップＳ２６５）。 When the integration is completed, Pow 1/2 / total number of pixels is calculated (step S260). That is, the dimension is returned to the dimension of the spectrum S (u, v) by the square root of the variable Pow, and normalized by dividing by the total number of pixels. By this normalization, an objective index (Int in FIG. 12) that does not depend on the number of pixels of the input image is calculated. In the present embodiment, the graininess index GI is further corrected by taking into account the influence of the brightness of the entire printed matter. In other words, in this embodiment, even if the spatial frequency spectrum is the same, the printed matter gives different impressions to the human eyes when it is bright and dark, and the brighter one feels more grainy. Make corrections. For this reason, first, the lightness L (x, y) is added to all the pixels and divided by all the pixels to calculate the average lightness Ave of the entire image (step S265).

そして、画像全体の明るさによる補正係数ａ（Ｌ）をａ（Ｌ）＝（（Ａｖｅ＋１６）／１１６）0.8と定義し、この補正係数ａ（Ｌ）を算出（ステップＳ２７０）するとともに上記Ｉｎｔに乗じて粒状性指数ＧＩとする（ステップＳ２７５）。なお、補正係数ａ（Ｌ）は、上述した明度補正項ａLに相当する。以上の処理によって上記の（６）式を具体的に演算したこととなる。補正係数としては、明度の平均によって係数の値が増減する関数であればよく、他にも種々の関数を採用可能である。むろん、粒状性指数ＧＩを評価する成分は明度成分に限られず、色相、彩度成分を考慮して空間周波数を評価してもよいし、色彩値として、明度成分，赤−緑成分，黄−青成分を算出し、それぞれをフーリエ変換した後、各色成分ごとに予め定義された視覚の空間周波数特性を乗じて粒状性指数ＧＩを算出してもよい。 Then, the correction coefficient a (L) based on the brightness of the entire image is defined as a (L) = ((Ave + 16) / 116) 0.8, and the correction coefficient a (L) is calculated (step S270) and the above Int The graininess index GI is multiplied (step S275). The correction coefficient a (L) corresponds to the brightness correction term a L described above. With the above processing, the above equation (6) is specifically calculated. The correction coefficient may be a function whose coefficient value increases or decreases depending on the average brightness, and various other functions can be employed. Of course, the component for evaluating the graininess index GI is not limited to the lightness component, and the spatial frequency may be evaluated in consideration of the hue and the saturation component, and the lightness component, red-green component, yellow- After calculating the blue component and Fourier transforming each, the graininess index GI may be calculated by multiplying the visual spatial frequency characteristic defined in advance for each color component.

以上説明したステップＳ２０５〜Ｓ２７５の処理によって、粒状性評価用インク量セットに応じて実際に印刷したカラーパッチの粒状性が粒状性指数ＧＩとして定量化できたこととなる。ステップＳ２８０においては、各粒状性評価用インク量セットと粒状性指数ＧＩとの対応関係をＨＤＤ１１に学習データＣＤ２として記憶する。ステップＳ２９０においては、任意のインク量セットにて印刷を行った場合の粒状性指数ＧＩを予測するニューラルネットワークＮＮＧを学習データＣＤ２による学習によって作成する処理を行う。ここにおけるニューラルネットワークＮＮＧの学習についてもＡ−４節において詳細に説明する。   Through the processes in steps S205 to S275 described above, the granularity of the color patch actually printed in accordance with the granularity evaluation ink amount set can be quantified as the granularity index GI. In step S280, the correspondence relationship between each granularity evaluation ink amount set and the granularity index GI is stored in the HDD 11 as learning data CD2. In step S290, a process of creating a neural network NNG that predicts the graininess index GI when printing is performed with an arbitrary ink amount set by learning using the learning data CD2. The learning of the neural network NNG here will be described in detail in section A-4.

図１４は、ステップＳ２９０にて学習させたニューラルネットワークＮＮＧを示している。同図において、各インクのインク量ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlmがニューラルネットワークＮＮＧの入力層に入力可能となっており、出力層では粒状生成数ＧＩを出力することが可能となっている。このような、ニューラルネットワークＮＮＧが準備できれば、任意のインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）を粒状生成数ＧＩにコンバートすることができる。次に、ニューラルネットワークＮＮＲおよびニューラルネットワークＮＮＧの学習について説明する。ニューラルネットワークＮＮＲとニューラルネットワークＮＮＧは、出力層が異なるものの、学習手法としてほぼ同様のものを適用することができるため、ここではニューラルネットワークＮＮＧを例に挙げて説明する。 FIG. 14 shows the neural network NNG learned in step S290. In the figure, ink amounts d c , d m , d y , d k , d lc , and d lm of each ink can be input to the input layer of the neural network NNG, and the granularity generation number GI is output in the output layer. It is possible to do. Such, if the neural network NNG is possible preparations can convert any ink amount set (d c, d m, d y, d k, d lc, d lm) of particulate generation number GI. Next, learning of the neural network NNR and the neural network NNG will be described. Although the neural network NNR and the neural network NNG have different output layers, almost the same learning method can be applied. Therefore, here, the neural network NNG will be described as an example.

Ａ−４．ニューラルネットワークの学習：
図１５は粒状性のニューラルネットワーク（ＮＮＧ）作成処理（図１２のステップＳ２９０）の流れを示している。ステップＳ３００においては、ニューラルネットワークＮＮＧの構造を決定する各パラメータの初期設定を行う。ニューラルネットワークＮＮＧは、入力層が任意のインク量セットに相当するインク量ベクトルｄj＝（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm），（ｊ＝１〜６＝Ｃ，Ｍ，Ｙ，Ｋ，ｌｃ，ｌｍ）となる。一般に、ニューラルネットワークの入力値および出力値は所定の値域に正規化されるため、入力値としてのインク量ベクトルｄj＝（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）も正規化しておくことが望ましい。出力層は粒状性指数ＧＩであり、粒状性指数ＧＩも所定の値域で正規化されて出力される。 A-4. Neural network learning:
FIG. 15 shows the flow of the granularity neural network (NNG) creation process (step S290 in FIG. 12). In step S300, each parameter for determining the structure of the neural network NNG is initialized. The neural network NNG has an ink amount vector d j = (d c , d m , d y , d k , d lc , d lm ), (j = 1 to 6 = C) whose input layer corresponds to an arbitrary ink amount set. , M, Y, K, lc, lm). In general, since the input value and output value of a neural network are normalized to a predetermined range, the ink amount vector d j = (d c , d m , d y , d k , d lc , d lm ) as an input value. It is desirable to normalize. The output layer has a graininess index GI, and the graininess index GI is also normalized and output in a predetermined value range.

本実施例のニューラルネットワークＮＮＧは３層構造であり、１層の中間層が設定され、その中間層を構成する中間ユニットの数を任意に設定することができる。中間ユニットＵi（ｉ＝１〜Ｉ）と表記するものとすると、ステップＳ３００では中間ユニットＵiの全数Ｉ（例えば、Ｉ＝２３，１８。）が設定される。一般に、教師信号の数（学習データＣＤ２におけるインク量セットと粒状性指数ＧＩとの対応関係の数）に比して中間ユニットＵiの数が多いとオーバーフィッティングの傾向が強く、教師信号の数に比して中間ユニットＵiの数が少ないとアンダーフィッティングの傾向が強くなるため、図１２のステップＳ２００にて設定した粒状性評価用インク量セットの個数Ｎを勘案して適度な中間ユニット（パーセプトロン）Ｕiの全数Ｉを設定することが望ましい。 The neural network NNG of the present embodiment has a three-layer structure, and one intermediate layer is set, and the number of intermediate units constituting the intermediate layer can be arbitrarily set. If the intermediate unit U i (i = 1 to I) is described, the total number I (for example, I = 23, 18) of the intermediate units U i is set in step S300. In general, if the number of intermediate units U i is larger than the number of teacher signals (the number of correspondences between the ink amount set and the granularity index GI in the learning data CD2), the tendency of overfitting is strong, and the number of teacher signals If the number of intermediate units U i is smaller than the number of intermediate units U i , the tendency of underfitting becomes stronger. Therefore, considering the number N of granularity evaluation ink amount sets set in step S200 in FIG. It is desirable to set the total number I of perceptrons U i .

各中間ユニットＵiの値は下記（７）式によって表わされるものとする。

Figure 2008259168
上記の（７）式において各中間ユニットＵiは各インク量Ｉjに対して固有の重みＷ１ ijを有しており、この重みＷ１ ijによって各インク量Ｉjを重みづけて線形結合することにより得られる。また、各中間ユニットＵiは固有のバイアスｂ１ iを有しており、同バイアスｂ１ iが各インク量Ｉjの線形結合に加算される。ステップＳ３００では、すべての重みＷ１ ijとバイアスｂ１ iが初期設定される。初期段階では重みＷ１ ijとバイアスｂ１ iはどのように決めてもよく、例えば０を度数平均とした正規分布状に重みＷ１ ijとバイアスｂ１ iを分散させてもよい。 The value of each intermediate unit U i is represented by the following equation (7).
Figure 2008259168
 Each intermediate unit U i in the above equation (7) has a specific weight W1 ij for each ink amount I j, be linear coupled weighting each ink amount I j by the weight W1 ij Is obtained. Each intermediate unit U i has a unique bias b1 i , and the bias b1 i is added to the linear combination of each ink amount I j . In step S300, all weights W1 ij and bias b1 i are initialized. In the initial stage, the weight W1 ij and the bias b1 i may be determined in any way. For example, the weight W1 ij and the bias b1 i may be distributed in a normal distribution with 0 being the frequency average.

最終的に得られる粒状性指数ＧＩは下記の（８）式によって表されるものとする。

Figure 2008259168
上記の（８）式において粒状性指数ＧＩは各中間ユニットＵiに対して固有の重みＷ２ iを有しており、この重みＷ２ iによって各中間ユニットＵiからの出力値Ｚiを重みづけて線形結合することにより得られる。同様にバイアスｂ２が加えられる。ステップＳ３１０では、各重みＷ２ iとバイアスｂ２が初期設定される。なお、中間ユニットＵiと出力値Ｚiとの関係は下記の（９）式の伝達関数で表すことができる。
Figure 2008259168
 伝達関数は微分可能な単調増加連続関数であればよく、線形関数も適用することができる。本実施形態では、出力に非線形性を持たせるために非線形のハイパボリックタンジェント関数を設定する。むろん、同質の関数としてシグモイド関数を使用することもできる。ステップＳ３００では、すべての重みＷ２ iとバイアスｂ２も初期設定される。重みＷ２ iとバイアスｂ２についても初期段階ではどのように決めてもよく、ここでも０を度数平均とした正規分布状に重みＷ２ iとバイアスｂ２を分散させてもよい。以上のようにして各パラメータを初期設定することにより、ニューラルネットワークＮＮＧの構造の概要が決定されたこととなる。ただし、各パラメータは適当に設定しただけであるため、これらを学習データＣＤ２によって学習させ最適化させる必要がある。 The finally obtained graininess index GI is expressed by the following equation (8).
Figure 2008259168
 Graininess index GI in the above (8) has a specific weight W2 i for each intermediate unit U i, weighted output values Z i from the intermediate unit U i by the weight W2 i Obtained by linear combination. Similarly, a bias b2 is applied. In step S310, each weight W2 i and bias b2 are initialized. The relationship between the intermediate unit U i and the output value Z i can be expressed by a transfer function of the following equation (9).
Figure 2008259168
 The transfer function may be a monotonically increasing continuous function that can be differentiated, and a linear function can also be applied. In the present embodiment, a nonlinear hyperbolic tangent function is set in order to give nonlinearity to the output. Of course, a sigmoid function can be used as a homogeneous function. In step S300, all weights W2 i and bias b2 are also initialized. The weight W2 i and the bias b2 may be determined in any way at the initial stage, and the weight W2 i and the bias b2 may be distributed in a normal distribution with 0 as the frequency average. By initializing each parameter as described above, the outline of the structure of the neural network NNG is determined. However, since each parameter has only been set appropriately, it is necessary to learn and optimize these using the learning data CD2.

そこで、ステップＳ３１０においては各パラメータの最適化を行う。ここでは、誤差逆伝搬（error back propagation）法によって各パラメータＷ１ ij，ｂ１ i，Ｗ２ i，ｂ２の最適化を行う。誤差逆伝搬法では、学習データＣＤ２における入力（粒状性評価用インク量セット）に対する出力（粒状性指数ＧＩ）と、学習中のニューラルネットワークＮＮＧに粒状性評価用インク量セットを入力したときに出力される粒状性指数ＧＩNNとの誤差を順次前段階の層に伝搬させることにより、各層のパラメータを順次決定していく。 Therefore, in step S310, each parameter is optimized. Here, the parameters W1 ij , b1 i , W2 i and b2 are optimized by an error back propagation method. In the back propagation method, an output (granularity index GI) with respect to an input (granularity evaluation ink amount set) in the learning data CD2 and an output when a granularity evaluation ink amount set is input to the learning neural network NNG. The parameters of each layer are sequentially determined by sequentially propagating an error from the graininess index GINN to the previous layer.

一方、分光反射率Ｒ（λ）の予測を行うニューラルネットワークＮＮＲの学習においては、学習データＣＤ１における入力（属性３，４ａの第１代表点に対応するインク量セット）に対する出力（分光反射率Ｒ（λ））と、学習中のニューラルネットワークＮＮＲに属性３，４ａの第１代表点に対応するインク量セットを入力したときに出力される分光反射率ＲNN（λ）との誤差を順次前段階の層に伝搬させることにより、各層のパラメータを順次決定していく。 On the other hand, in learning of the neural network NNR that predicts the spectral reflectance R (λ), the output (spectral reflectance R) corresponding to the input (the ink amount set corresponding to the first representative point of the attributes 3 and 4a) in the learning data CD1. (Λ)) and the spectral reflectance R NN (λ) that is output when the ink amount set corresponding to the first representative point of the attributes 3 and 4a is input to the neural network NNR that is currently being learned. By propagating to the layers of the stage, the parameters of each layer are sequentially determined.

最適化の基本的な方針としては、上述の誤差を極小化させるようにパラメータＷ１ ij，ｂ１ i，Ｗ２ i，ｂ２を修正することにより、ニューラルネットワークＮＮＧにて予測した粒状性指数ＧＩNNが学習データＣＤ２に規定された粒状性指数ＧＩに近い値となるようにする。ところが、この方針に徹すると、学習データＣＤ２に規定された粒状性指数ＧＩがノイズを含む場合、ノイズについてもニューラルネットワークＮＮＧの出力にて再現されてしまう。すなわち、オーバーフィッティングとなってしまう。そこで、オーバーフィッティングを抑止するために下記の（１０）式の評価関数Ｅを用意する。 As a basic policy of optimization, the graininess index GI NN predicted by the neural network NNG is learned by correcting the parameters W1 ij , b1 i , W2 i , and b2 so as to minimize the above-described error. The value is close to the graininess index GI defined in the data CD2. However, if this policy is followed, if the granularity index GI defined in the learning data CD2 includes noise, the noise is also reproduced at the output of the neural network NNG. That is, it becomes overfitting. Therefore, an evaluation function E of the following equation (10) is prepared to suppress overfitting.

Figure 2008259168
そして、最適化対象のパラメータｐを変動させつつ評価関数Ｅをパラメータｐによって偏微分することにより同評価関数Ｅの勾配を求め、その勾配の絶対値が最も小さくなるパラメータｐの値を最適化後のパラメータｐとする（勾配法）。これにより、最適化対象のパラメータｐの変動において最も評価関数Ｅが小さくなるパラメータｐを特定することができる。なお、パラメータＷ１ ij，ｂ１ i，Ｗ２ i，ｂ２のうち最適化対象のパラメータをパラメータｐと表記するものとし、最適化対象のパラメータｐは出力から近い順に順次設定される。一通りすべてのパラメータＷ１ ij，ｂ１ i，Ｗ２ i，ｂ２が最適化されると、同様の処理を所定回数または評価関数Ｅが所定の閾値を下回るまで繰り返す。これにより、パラメータＷ１ ij，ｂ１ i，Ｗ２ i，ｂ２間の交互作用も反映させつつ、評価関数Ｅを徐々に小さく収束させていくことができる。
Figure 2008259168
 Then, the gradient of the evaluation function E is obtained by partially differentiating the evaluation function E with the parameter p while changing the parameter p to be optimized, and the value of the parameter p having the smallest absolute value of the gradient is optimized. Parameter p (gradient method). Thereby, it is possible to specify the parameter p having the smallest evaluation function E in the variation of the parameter p to be optimized. Of the parameters W1 ij , b1 i , W2 i , and b2, the parameter to be optimized is expressed as a parameter p, and the parameter p to be optimized is sequentially set in order from the output. When all the parameters W1 ij , b1 i , W2 i , b2 are optimized, the same processing is repeated a predetermined number of times or until the evaluation function E falls below a predetermined threshold value. Thereby, the evaluation function E can be gradually converged while reflecting the interaction between the parameters W1 ij , b1 i , W2 i , and b2.

ところで、ＥDは、粒状性指数ＧＩNN，ＧＩの誤差を評価するための誤差関数であり、下記の（１１）式によって表される。

Figure 2008259168
すなわち、すべての粒状性評価用インク量セット（ｎは粒状性評価用インク量セット番号であり、ｎ＝１〜Ｎとする。）についての粒状性指数ＧＩNN，ＧＩの２乗誤差によって誤差関数ＥDが表される。誤差関数ＥDが含まれる評価関数Ｅを最小化させることにより、ガマットを網羅するあらゆるインク量セットについてカラーパッチの実評価により得られた学習データＣＤ２の粒状性指数ＧＩとニューラルネットワークＮＮＧにて予測する粒状性指数ＧＩNNとのずれを最小化させることができる。なお、所定回数最適化を繰り返しても評価関数Ｅが所望する閾値を下回らない場合には、中間ユニットＵiの数Ｉを増加させて、フィッティング能力を向上させてもよい。逆に、異常に少ない最適化回数でも評価関数Ｅが所望する閾値を下回った場合には、中間ユニットＵiの数Ｉを減少させて、フィッティング能力を抑制してもよい。 Incidentally, E D is an error function for evaluating the error of the graininess index GI NN and GI, and is expressed by the following equation (11).
Figure 2008259168
 That is, an error function is obtained by the square error of the graininess indexes GI NN and GI for all the graininess evaluation ink amount sets (n is a graininess evaluation ink amount set number, where n = 1 to N). E D is represented. By minimizing the evaluation function E including the error function E D, prediction is made by the granularity index GI of the learning data CD2 obtained by the actual evaluation of the color patch and the neural network NNG for all ink amount sets covering the gamut. The deviation from the graininess index GINN to be performed can be minimized. If the evaluation function E does not fall below the desired threshold even after the optimization is repeated a predetermined number of times, the number I of intermediate units U i may be increased to improve the fitting ability. Conversely, if the evaluation function E falls below the desired threshold even with an unusually small number of optimizations, the number I of intermediate units U i may be reduced to suppress the fitting ability.

一方、ＥWはニューラルネットワークＮＮＧにて予測した粒状性指数ＧＩNNが実評価に基づく学習データＣＤ２の粒状性指数ＧＩにオーバーフィッティングすることを抑止するための抑止関数であり、下記の（１２）式によって表される。

Figure 2008259168
上記（１２）式においては最適化対象のパラメータｐsの２乗和によって抑止関数ＥWが表される。なお、添え字ｓ（ｓ＝１〜Ｓ）は同種のパラメータｐの数を意味し、例えば重みＷ２ iが最適化対象のパラメータｐとされた場合には、ｉ（ｉ＝１〜Ｉ）がｓ（ｓ＝１〜Ｓ）に相当する。上記（１２）式によれば、抑止関数ＥWを含む評価関数Ｅを最小化させることにより、パラメータｐsを０に拘束させることができる。ＮＮにおいて重みＷ１ ij，Ｗ２ iの絶対値が大きくなると、出力される粒状性指数ＧＩNNの変動曲線の屈曲が急峻となる。このような場合、ノイズを含む異常な教師信号（学習データＣＤ２の粒状性指数ＧＩ）の影響を受けている可能性が高い。従って、抑止関数ＥWによって重みＷ１ ij，Ｗ２ iを０に拘束させることにより、粒状性指数ＧＩNNの屈曲を平滑化し、ノイズを含む学習データＣＤ２の粒状性指数ＧＩに起因するオーバーフィッティングを抑止することができる。 On the other hand, E W is a deterrence function for inhibiting the granularity index GI NN predicted by the neural network NNG from being overfitted with the granularity index GI of the learning data CD2 based on the actual evaluation. Represented by an expression.
Figure 2008259168
 In the above equation (12), the suppression function E W is represented by the square sum of the parameters p s to be optimized. The subscript s (s = 1 to S) means the number of parameters p of the same type. For example, when the weight W2 i is the parameter p to be optimized, i (i = 1 to I) is This corresponds to s (s = 1 to S). According to the above equation (12), the parameter p s can be constrained to 0 by minimizing the evaluation function E including the inhibition function E W. When the absolute values of the weights W1 ij and W2 i increase in the NN , the curve of the output granularity index GI NN becomes steep. In such a case, there is a high possibility of being affected by an abnormal teacher signal including noise (granularity index GI of learning data CD2). Therefore, by constraining the weights W1 ij and W2 i to 0 by the inhibition function E W , the curvature of the granularity index GI NN is smoothed, and overfitting caused by the granularity index GI of the learning data CD2 including noise is inhibited. can do.

ここで、上記の（１０）式においてα，βは評価関数Ｅにおける誤差関数ＥDと抑止関数ＥWとの重みを調整する係数（ハイパーパラメータ）であると捉えることができる。ハイパーパラメータα，βは下記の（１３）式と（１４）式で与えられる。

Figure 2008259168
Figure 2008259168
 なお、上記（１３）式と上記（１４）式におけるγは下記（１５）式によって表される。
Figure 2008259168
 Here, α and β in the above equation (10) can be regarded as coefficients (hyper parameters) for adjusting the weights of the error function E D and the inhibition function E W in the evaluation function E. The hyper parameters α and β are given by the following equations (13) and (14).
Figure 2008259168
Figure 2008259168
 Note that γ in the above formula (13) and the above formula (14) is expressed by the following formula (15).
Figure 2008259168

なお、上記の（１５）式のλsは、誤差関数ＥDを最適化対象のパラメータｐsで２次微分したＳ行×Ｓ列のヘシアン行列（hessian matrix）の固有値である。この固有値λsはパラメータｐsに関する誤差関数ＥDの傾き変動を反映させたものであるということができる。誤差関数ＥDの傾き変動が大きい場合に、ハイパーパラメータαが大きくなり、抑止関数ＥWの寄与が大きくされる。反対に、誤差関数ＥDの傾き変動が小さい場合に、ハイパーパラメータβが大きくなり、誤差関数ＥDの寄与が大きくされる。 Note that λ s in the above equation (15) is an eigenvalue of an S row × S column Hessian matrix obtained by second-order differentiation of the error function E D with the parameter p s to be optimized. This eigenvalue λ s can be said to reflect the variation in the slope of the error function E D with respect to the parameter p s . When the inclination variation of the error function E D is large, the hyper parameter α is increased, and the contribution of the inhibition function E W is increased. On the contrary, when the inclination variation of the error function E D is small, the hyper parameter β is increased, and the contribution of the error function E D is increased.

すなわち、ニューラルネットワークＮＮＧにて予測した粒状性指数ＧＩNNが実評価による学習データＣＤ２の粒状性指数ＧＩに対して急激に追従できたり、追従できなかったりする場合には、その周辺の学習データＣＤ２の粒状性指数ＧＩが異常（ノイズの影響大）である可能性が高く、その場合には抑止関数ＥWの重みを増加させる。これにより、異常な粒状性指数ＧＩに対して無理にフィッティングすることが防止でき、平滑性の高いニューラルネットワークＮＮＧの出力を得ることができる。なお、ハイパーパラメータα，βはある程度パラメータの最適化が進んだところで、更新させることが望ましい。 That is, when the granularity index GI NN predicted by the neural network NNG can rapidly follow the granularity index GI of the learning data CD2 based on the actual evaluation or cannot follow it, the surrounding learning data CD2 Is likely to be abnormal (the influence of noise is large). In this case, the weight of the inhibition function E W is increased. As a result, it is possible to prevent excessive fitting to an abnormal graininess index GI, and to obtain an output of the neural network NNG with high smoothness. It is desirable to update the hyper parameters α and β when the parameter optimization has progressed to some extent.

以上のようにして各パラメータＷ１ ij，ｂ１ i，Ｗ２ i，ｂ２，Ｉが設定できると、ニューラルネットワークＮＮＧの構造が確定し粒状性コンバータＧＣの準備が完了することとなる。一方、分光反射率Ｒ（λ）を予測するニューラルネットワークＮＮＲについても同様に構造を最適化させていくことができる。ただし、ニューラルネットワークＮＮＲの出力は各波長の分光反射率Ｒ（λ）によって構成されるため、各波長についての誤差を平均したもの等を誤差逆伝搬させることとなる。これにより、各波長に関する分光反射率Ｒ（λ）の予測が全体的に精度よく行われるようにニューラルネットワークＮＮＲを構築することができる。 When the parameters W1 ij , b1 i , W2 i , b2 and I can be set as described above, the structure of the neural network NNG is determined and the preparation of the granularity converter GC is completed. On the other hand, the structure of the neural network NNR that predicts the spectral reflectance R (λ) can be similarly optimized. However, since the output of the neural network NNR is constituted by the spectral reflectance R (λ) of each wavelength, an error averaged for each wavelength is propagated back to the error. As a result, the neural network NNR can be constructed so that the spectral reflectance R (λ) for each wavelength is predicted with high accuracy as a whole.

Ｂ．ルックアップテーブルの作成
以上においては、印刷結果予測装置としての各種コンバータＲＣ，ＣＣ，ＧＣおよびその準備について説明したが、以下においては各種コンバータＲＣ，ＣＣ，ＧＣを利用してルックアップテーブルを作成し、当該作成したルックアップテーブルを用いて色変換を実行するルックアップテーブル作成装置および印刷制御装置について説明する。なお、本明細書においてルックアップテーブルをＬＵＴとして略記する場合もある。 B. Creation of Lookup Table In the above, various converters RC, CC, GC as a printing result prediction apparatus and preparation thereof have been described. In the following, a lookup table is created using various converters RC, CC, GC. A lookup table creation apparatus and a print control apparatus that perform color conversion using the created lookup table will be described. In this specification, the lookup table may be abbreviated as LUT.

図１６は、本発明のルックアップテーブル作成装置が具体的に実現されるコンピュータ１１０の構成を示している。同図において、コンピュータ１１０はＨＤＤ１１１とＣＰＵ１１２とＲＡＭ１１３等のハードウェア資源を有しており、これらにおいてプログラムデータ１１１ａに準じた処理が実行可能となっている。コンピュータ１１０では、各コンバータＲＣ，ＣＣ，ＧＣが利用可能となっている。ここでは、各コンバータＲＣ，ＣＣ，ＧＣを使用することができればよく、上述した各コンバータＲＣ，ＣＣ，ＧＣを準備するための手段までも具備する必要はない。分光プリンティングモデルコンバータＲＣであれば、セル分割ユール・ニールセン分光ノイゲバウアモデルによる予測アルゴリズムと、当該モデルにおいて使用する各ノードの分光反射率Ｒ（λ）を与える分光反射率データＤが変換部ＲＣ２（第２変換手段）にて使用可能であればよい。粒状性コンバータＧＣであれば、ニューラルネットワークＮＮＧが使用可能であればよい。むろん、コンピュータ１０とコンピュータ１１０が同一のコンピュータとし、各コンバータＲＣ，ＣＣ，ＧＣの準備と利用を一貫して行ようにしてもよい。   FIG. 16 shows the configuration of a computer 110 that specifically implements the lookup table creation apparatus of the present invention. In the figure, a computer 110 has hardware resources such as an HDD 111, a CPU 112, and a RAM 113, and these can execute processing according to program data 111a. In the computer 110, each converter RC, CC, GC can be used. Here, it is only necessary to be able to use each converter RC, CC, GC, and it is not necessary to provide means for preparing each converter RC, CC, GC described above. In the case of the spectral printing model converter RC, the conversion algorithm RC2 includes a prediction algorithm based on the cell division Yule-Nielsen spectral Neugebauer model and spectral reflectance data D that gives the spectral reflectance R (λ) of each node used in the model. What is necessary is just to be usable in (2nd conversion means). If the granularity converter GC, the neural network NNG may be usable. Of course, the computer 10 and the computer 110 may be the same computer, and the converters RC, CC, and GC may be prepared and used consistently.

コンピュータ１１０においては各コンバータＲＣ，ＣＣ，ＧＣのほかにＬＵＴ作成部ＬＭが実行されており、ＬＵＴ作成部ＬＭがＬＵＴを作成する手段を具体的に実現する。ＬＵＴ作成部ＬＭは、初期ＬＵＴ生成部ＬＭ１と評価関数設定部ＬＭ２と平滑程度算出部ＬＭ３と最適化部ＬＭ４とＬＵＴ生成部ＬＭ５とから構成されている。以下、各モジュールＬＭ１〜ＬＭ４が実行するプロファイル作成処理の詳細をフローに基づいて説明する。   In the computer 110, an LUT creation unit LM is executed in addition to the converters RC, CC, GC, and the LUT creation unit LM specifically realizes means for creating an LUT. The LUT creation unit LM includes an initial LUT generation unit LM1, an evaluation function setting unit LM2, a smoothness degree calculation unit LM3, an optimization unit LM4, and an LUT generation unit LM5. Hereinafter, the details of the profile creation processing executed by each of the modules LM1 to LM4 will be described based on the flow.

図１７は、プロファイル作成処理の流れを示している。ステップＳ４００においては、初期のインクプロファイルＩＰを作成する。なお、インクプロファイルＩＰは、絶対色空間であるＣＩＥＬＡＢ色空間（Ｌ*ａ*ｂ*）とインク量空間であるＣＭＹＫｌｃｌｍ空間（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）との対応関係を複数の代表的な格子点について規定したＬＵＴである。初期のインクプロファイルＩＰの作成においては、例えば上述した有効領域のなかから１７3組のランダムなインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）を生成する。この１７3組のインク量セットは、本発明のＬＵＴ用インク量セットの初期値であり、後述する処理によって最適化されていく。なお、初期のＬＵＴ用インク量セットは、最終的に最適化されるため、初期の段階においてどのように生成してもよい。 FIG. 17 shows the flow of profile creation processing. In step S400, an initial ink profile IP is created. The ink profile IP is an absolute color space CIELAB color space (L * a * b *) and CMYKlclm space is an ink amount space (d c, d m, d y, d k, d lc, d lm) Is a LUT that defines a plurality of representative lattice points. In the creation of the initial ink profile IP, for example 17 three sets of random ink amount set from among the effective region as described above (d c, d m, d y, d k, d lc, d lm) generating a. The 17 three sets of the ink amount set is the initial value of the ink amount set for LUT of the present invention, it will be optimized by processing described later. Since the initial LUT ink amount set is finally optimized, it may be generated in any way in the initial stage.

次に、ステップＳ４１０にて、評価関数設定部ＬＭ２が評価関数を設定する。すなわち、後述する最適化の指針を設定する。インクプロファイルＩＰは、絶対色空間であるＣＩＥＬＡＢ色空間とインク量空間との対応関係を有限数の格子点について規定するものであるため、将来的に補間処理によって格子点以外の対応関係が予測されることとなる。一般に、各色空間で整然と並んでいる格子点の方がその間に位置する色を補間演算によって算出する際に空間の局所的位置によって補間精度を大きく変動させることなく補間を行うことができる。従って、本実施形態における最適化の指針として格子点配置をＣＩＥＬＡＢ色空間にて平滑化する指標を採用することで、インクプロファイルＩＰの作成時および作成後の色変換時に高精度に補間演算を実施することが可能になる。この結果、トーンジャンプの発生を抑え、滑らかに階調が変化する印刷物を得ることが可能なインクプロファイルＩＰを作成することが可能になる。   Next, in step S410, the evaluation function setting unit LM2 sets an evaluation function. That is, an optimization guideline described later is set. Since the ink profile IP defines the correspondence between the CIELAB color space, which is an absolute color space, and the ink amount space with respect to a finite number of lattice points, correspondence relationships other than the lattice points are predicted in the future by interpolation processing. The Rukoto. In general, when a grid point arranged in order in each color space calculates a color positioned between them by interpolation calculation, interpolation can be performed without greatly changing the interpolation accuracy depending on the local position of the space. Therefore, by adopting an index for smoothing the grid point arrangement in the CIELAB color space as an optimization guideline in the present embodiment, interpolation calculation is performed with high accuracy at the time of ink profile IP creation and color conversion after creation. It becomes possible to do. As a result, it is possible to create an ink profile IP that can suppress the occurrence of tone jump and can obtain a printed matter in which gradation changes smoothly.

また、インクプロファイルＩＰにおいては、できるだけ広い色再現性を実現するためにプリンタ２０が当該インクセット（ＣＭＹＫｌｃｌｍ）にて再現可能な色再現ガマットの全体について格子点が分布すべきである。従って、本実施形態における最適化の指針として色再現ガマットをＣＩＥＬＡＢ色空間にて確保する指標を採用することで、広い色再現性を実現可能なインクプロファイルＩＰを実現することができる。以上の指針によって、格子点のＣＩＥＬＡＢ色空間における最適な分布を指定することができる。   In the ink profile IP, in order to realize as wide a color reproducibility as possible, the grid points should be distributed over the entire color reproduction gamut that the printer 20 can reproduce with the ink set (CMYKlclm). Therefore, by adopting an index that secures the color reproduction gamut in the CIELAB color space as an optimization guideline in the present embodiment, an ink profile IP capable of realizing a wide color reproducibility can be realized. With the above guidelines, an optimal distribution of lattice points in the CIELAB color space can be specified.

ところが、ＣＩＥＬＡＢ色空間において最適な格子点を定めたとしても、インクプロファイルＩＰにて当該格子点に対応するインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）を一意に定めることができない。インクプロファイルＩＰは、絶対色空間であるＣＩＥＬＡＢ色空間とインク量空間であるＣＭＹＫｌｃｌｍ空間との対応関係を規定したものであるが、ＣＩＥＬＡＢ色空間とＣＭＹＫｌｃｌｍ空間の対応関係は一義的な関係にあるものではないからである。すなわち、ＣＩＥＬＡＢ色空間にて一のＬ*ａ*ｂ*値を定めたとしても、ある光源下で当該Ｌ*ａ*ｂ*値が再現可能な印刷結果を実現するインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）を一意に定めることはできない。例えば、ＫインクとＣＭＹインクは分版可能な関係にあるため、ある光源において分版比率を変更しても同一のＬ*ａ*ｂ*を再現することができる。ＣインクとｌｃインクやＭインクとｌｍインクの関係についても同様である。 However, even determine the optimal grid point in the CIELAB color space, the ink amount set corresponding to the lattice point by the ink profile IP (d c, d m, d y, d k, d lc, d lm) of It cannot be determined uniquely. The ink profile IP defines the correspondence between the CIELAB color space, which is an absolute color space, and the CMYKlclm space, which is an ink amount space, but the correspondence between the CIELAB color space and the CMYKlclm space has a unique relationship. It is not. That is, even if one L * a * b * value is determined in the CIELAB color space, an ink amount set (d c ,) that realizes a print result in which the L * a * b * value can be reproduced under a certain light source. d m, d y, d k , d lc, it is impossible to uniquely determine d lm). For example, since K ink and CMY ink have a relationship capable of color separation, the same L * a * b * can be reproduced even if the color separation ratio is changed in a certain light source. The same applies to the relationship between C ink and lc ink and between M ink and lm ink.

従って、ＣＩＥＬＡＢ色空間において最適な格子点を定めると同時に、当該格子点に対応するインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）も最適化させていく必要がある。例えば、ＫインクとＣＭＹインクとの分版比率はＣＩＥＬＡＢ色空間におけるＬ*ａ*ｂ*値を定めても一意に定めることができないが、ハイライト領域において濃いＫインクを発生させると粒状性が目立つこととなる。従って、粒状性の改善を最適化の指針とすれば、ハイライト領域のＬ*ａ*ｂ*値に対してはｄk＝０となるインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）に最適化させることができる。逆に、ＫインクとＣＭＹインクとの分版比率はＣＩＥＬＡＢ色空間におけるＬ*ａ*ｂ*値を定めても一意に定めることができないが、分光反射率がフラットでないＣＭＹインクによるコンポジットグレーを多用すれば、色の光源依存性が問題となる。そのため、色恒常性の改善を最適化の指針としても、インクプロファイルＩＰの格子点を最適化すべきである。さらに、インク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）の大きさを全体的に小さくする指針を適用すれば、インクのランニングコストの面で最適なインクプロファイルＩＰを作成することができる。 Therefore, at the same time determine the optimal grid point in the CIELAB color space, the ink amount set corresponding to the lattice point (d c, d m, d y, d k, d lc, d lm) necessary to is also optimized There is. For example, the separation ratio between K ink and CMY ink cannot be determined uniquely even if the L * a * b * value in the CIELAB color space is determined. However, if dark K ink is generated in the highlight area, the graininess is reduced. It will stand out. Therefore, if the pointer of optimizing the improved granularity, the highlighted area L * a * b * a d k = 0 for values ink amount sets (d c, d m, d y, d k , d lc , d lm ). Conversely, the color separation ratio between K ink and CMY ink cannot be determined uniquely even if the L * a * b * value in the CIELAB color space is determined, but a lot of composite gray is used with CMY ink whose spectral reflectance is not flat. In this case, the light source dependency of color becomes a problem. Therefore, the grid points of the ink profile IP should be optimized using the improvement of color constancy as a guideline for optimization. Furthermore, the ink amount sets (d c, d m, d y, d k, d lc, d lm) by applying the guidance to reduce overall size of the optimal ink profile in terms of the ink running costs IP can be created.

以上のように、最適なインクプロファイルＩＰを作成するためには様々な要素を考慮して格子点の最適化を行なうのが好ましく、すべての要素を考慮して最適な分版規則を設定することは困難である。従って、本実施形態では、これらの要素を同時に評価することが可能な評価関数Ｅpを上述した指針に基づいて設定する（ステップＳ４１０）。具体的には、下記の式（１６）により評価関数Ｅpを設定する。また、評価関数Ｅpを算出する際に使用する光源も設定する。

Figure 2008259168
上記の（１６）式において、評価関数Ｅpは５個の項をｗ1〜ｗ4の重み係数によって加算した値であり、各項がそれぞれ上述した格子点を選択する指針に基づいて設定されている。（１６）式の第１項は、上述した粒状性コンバータＧＣ（ニューラルネットワークＮＮＧ）によって得られる粒状性指数ＧＩを最大値で除算することによって正規化し、所定の重み係数ｗ1を乗算したものとなっている。なお、ψはインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）を表し、評価関数Ｅpの添え字ｐ（ｐ＝１〜１７3）は注目する格子点の識別符号を示している。粒状性指数ＧＩは小さい方が良好な画質となるため、（１６）式の第１項が小さくなるほど最適であるといえる。 As described above, in order to create the optimum ink profile IP, it is preferable to optimize the grid points in consideration of various factors, and to set the optimum color separation rule in consideration of all factors. It is difficult. Therefore, in the present embodiment, an evaluation function E p that can simultaneously evaluate these elements is set based on the above-described guidelines (step S410). Specifically, the evaluation function E p is set by the following equation (16). In addition, the light source used when calculating the evaluation function E p is also set.
Figure 2008259168
 In the above equation (16), the evaluation function E p is a value obtained by adding five terms by weighting factors w 1 to w 4 , and each term is set based on the above-described guidelines for selecting the lattice points. ing. The first term of the equation (16) is obtained by normalizing the graininess index GI obtained by the above-described graininess converter GC (neural network NNG) by dividing by the maximum value and multiplying by a predetermined weighting factor w 1. It has become. Incidentally, [psi ink amount sets (d c, d m, d y, d k, d lc, d lm) represents, subscript p of the evaluation function E p (p = 1~17 3) the lattice point of interest The identification code is shown. The smaller the graininess index GI, the better the image quality. Therefore, it can be said that the smaller the first term of the equation (16), the more optimal.

（１６）式の第２項は、色コンバータＣＣによって得られる色恒常性指数ＣＩＩを最大値で除算することによって正規化し、所定の重み係数ｗ2を乗算したものとなっている。色恒常性指数ＣＩＩは、任意のインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）を分光プリンティングモデルコンバータＲＣに入力することにより得られる分光反射率Ｒ（λ）をさらに色コンバータＣＣによって変換することにより得られるものであり、ψの関数であるということができる。（１６）式の第３項は、平滑程度算出部ＬＭ３によって得られる平滑程度評価指数ＳＩを最大値で除算することによって正規化し、所定の重み係数ｗ3を乗算したものとなっている。色恒常性指数ＣＩＩは小さい方が良好な画質となるため、（１６）式の第２項が小さくなるほど最適であるといえる。なお、色コンバータＣＣが色恒常性指数ＣＩＩを算出する光源はステップＳ４１０にて設定されている。例えば、比較用の光源Ｌ１，Ｌ２をＤ５０光，Ｆ１１光として標準光源ＬｓをＤ６５光と設定されている。 (16) The second term of the color constancy index CII obtained by the color converter CC normalized by dividing by the maximum value, and is obtained by multiplying a predetermined weight coefficient w 2. The color constancy index CII is obtained by inputting an arbitrary ink amount set (d c , d m , d y , d k , d lc , d lm ) into the spectral printing model converter RC. ) Is further converted by the color converter CC, and can be said to be a function of ψ. (16) the third term in is made shall smoothness degree evaluation index SI obtained by smoothness calculator LM3 normalized by dividing by the maximum value, obtained by multiplying a predetermined weighting coefficient w 3. The smaller the color constancy index CII, the better the image quality. Therefore, the smaller the second term in the equation (16), the more optimal. The light source from which the color converter CC calculates the color constancy index CII is set in step S410. For example, the comparison light sources L1 and L2 are set to D50 light, the F11 light is set, and the standard light source Ls is set to D65 light.

図１８は、平滑程度評価指数ＳＩを模式的に説明している。同図において、○はＣＩＥＬＡＢ空間における複数の格子点の位置を示し、●は当該格子点のうち注目する格子点（評価関数Ｅpの算出対象の格子点）を示している。注目する格子点の位置ベクトルをＬｐとし、当該格子点に隣接する６個の格子点の位置ベクトルをＬ a1〜Ｌ a6とすると、平滑程度評価指数ＳＩは下記の式（１７）によって表される。

Figure 2008259168
平滑程度評価指数ＳＩは、注目する格子点から互いに逆向きのベクトルの距離が等しく、方向が正反対に近いほど値が小さくなるようにしてある。 FIG. 18 schematically illustrates the smoothness degree evaluation index SI. In the figure, ◯ indicates the position of a plurality of lattice points in the CIELAB space, and ● indicates the lattice point of interest (the lattice point for which the evaluation function Ep is calculated) among the lattice points. When the position vector of the lattice point of interest is Lp and the position vectors of the six lattice points adjacent to the lattice point are L a1 to La 6 , the smoothness degree evaluation index SI is expressed by the following equation (17). .
Figure 2008259168
 The smoothness degree evaluation index SI is set such that the distance between vectors in the opposite direction from the lattice point of interest is equal, and the value becomes smaller as the direction is closer to the opposite direction.

図１８（Ｂ）に示すように、隣接する格子点を結ぶ線（ベクトルＬ a1〜ベクトルＬp〜ベクトルＬ a2が示す格子点を通る線等）が直線に近く、また格子点が均等に配置されるほどＣＩＥＬＡＢ色空間における格子点の配置が平滑化される傾向にあるので、式（１７）に示す平滑程度評価指数ＳＩが小さくなればなるほど、平滑程度が高くなるということができる。ＣＩＥＬＡＢ色空間におけるＬ*ａ*ｂ*値は、インク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）を分光プリンティングモデルコンバータＲＣと色コンバータＣＣによって順次変換することにより得ることができる。色コンバータＣＣがＬ*ａ*ｂ*値を算出する光源はステップＳ４１０にて標準光源Ｌｓとして設定されたＤ６５光を使用する。従って、上記の（１７）式においてＣＩＥＬＡＢ色空間における位置ベクトルで特定される平滑程度評価指数ＳＩはψの関数であるということができる。平滑程度評価指数ＳＩは小さい方が高い補間精度が期待できるため、（１６）式の第３項が小さくなるほど最適であるといえる。次に、（１６）式の第４項は、注目する格子点の位置ベクトルＬpと特定の色に近いか否かを示している。 As shown in FIG. 18B, lines connecting adjacent lattice points (such as a line passing through the lattice points indicated by the vector L a1 to the vector L p to the vector L a2 ) are close to a straight line, and the lattice points are evenly arranged. Since the arrangement of lattice points in the CIELAB color space tends to be smoothed as the degree of smoothness increases, the degree of smoothness increases as the smoothness degree evaluation index SI shown in Expression (17) decreases. L * a * b * values in the CIELAB color space, by sequentially converting the ink amount sets (d c, d m, d y, d k, d lc, d lm) the spectral printing model converter RC and color converter CC Can be obtained. The light source for which the color converter CC calculates the L * a * b * value uses the D65 light set as the standard light source Ls in step S410. Accordingly, it can be said that the smoothness evaluation index SI specified by the position vector in the CIELAB color space in the above equation (17) is a function of ψ. The smaller the smoothness degree evaluation index SI, the higher the interpolation accuracy can be expected. Therefore, it can be said that the smaller the third term of the equation (16), the more optimal. Next, the fourth term of the equation (16) indicates whether or not the position vector L p of the target lattice point is close to a specific color.

図１９は、プリンタ２０の色再現ガマットをＣＩＥＬＡＢ色空間において示している。同図に示すように、プリンタ２０の色再現ガマットは予めプリンタ２０のハードウェア仕様やインクセットによって定められており、この範囲において色を再現することができる。従って、インクプロファイルＩＰの格子点をＣＩＥＬＡＢ色空間において色再現ガマットの全体に存在させる必要がある。そのために、一部の格子点については、色再現ガマットの外面上や稜線上や頂点に拘束する必要がある。色再現ガマットの外面上や稜線上や頂点が満たす色と格子点の色差ΔＥを（１６）式の第４項として加えて最適化を行うことによって、色再現ガマット全体に格子点を存在させることができる。なお、（１６）式の第４項も、ＣＩＥＬＡＢ色空間における位置ベクトルで特定されるため、ψの関数であるということができる。色再現ガマットの最外色と同じ色を示す格子点が含まれるほど、最大限広い色再現性を実現することができるため、（１６）式の第４項が小さくなるほど最適であるといえる。   FIG. 19 shows the color reproduction gamut of the printer 20 in the CIELAB color space. As shown in the figure, the color reproduction gamut of the printer 20 is determined in advance by the hardware specifications of the printer 20 and the ink set, and colors can be reproduced within this range. Accordingly, the grid points of the ink profile IP must be present in the entire color reproduction gamut in the CIELAB color space. For this reason, some grid points need to be constrained to the outer surface, ridgeline, or vertex of the color reproduction gamut. By adding the color difference ΔE between the color of the color reproduction gamut on the outer surface, the ridgeline, and the vertex and the lattice point as the fourth term of the equation (16), and performing optimization, the lattice point exists in the entire color reproduction gamut. Can do. Note that the fourth term of the equation (16) is also specified by the position vector in the CIELAB color space, and thus can be said to be a function of ψ. As the lattice point showing the same color as the outermost color of the color reproduction gamut is included, the widest color reproducibility can be realized. Therefore, it can be said that the smaller the fourth term in the equation (16), the more optimal.

（１６）式の第５項は、インク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）の合計値を正規化したものである。これにより、インクのトータルの消費量を加味した評価関数Ｅpにより格子点の最適化を行うことができる。（１６）式の第５項も、インク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）に依存し、ψの関数であるということができる。なお、（１６）式におけるＴDutyは記録媒体に付着可能なインク量の制限に対応した値である。インク量は少ないほどランニングコストが良好となるため、（１６）式の第５項が小さくなるほど最適であるといえる。 (16) Section 5 of the is the ink amount set (d c, d m, d y, d k, d lc, d lm) the total value of those normalized. Thereby, the grid point can be optimized by the evaluation function E p taking into account the total consumption of ink. (16) Section 5 also, the ink amount set depending (d c, d m, d y, d k, d lc, d lm) , it is possible that a function of [psi. Note that T Duty in the equation (16) is a value corresponding to the limit of the amount of ink that can adhere to the recording medium. The smaller the amount of ink, the better the running cost. Therefore, the smaller the fifth term in equation (16), the more optimal.

以上説明したように評価関数Ｅpを構成するすべての項は、インク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）の関数によって表されているとともに、小さくなるほど格子点が最適となる。従って、ステップＳ４００においては、適当に初期の格子点を定めたに過ぎないため、各格子点に注目して評価関数Ｅpを算出しても、評価関数Ｅpは小さい値とならない。従って、ステップＳ４２０においては評価関数Ｅpを極小化させるように最適化部ＬＭ４が各格子点の最適化を行う。どの項を重視して最適化を行うかは、上述した重み係数ｗ1〜ｗ5によって決定づけられる。従って、インクプロファイルＩＰの作成にあたり、どの項目を重視すべきかを設定し、それに基づいて重み係数ｗ1〜ｗ5を設定するのが望ましい。例えば、画質を犠牲にしてでもランニングコストのよいインクプロファイルＩＰを作成したいのであれば重み係数ｗ5を大きく設定すべきである。また、色再現ガマットの外面に位置すべき格子点に対しては重み係数ｗ4を大きくして、外面への拘束を強めるのが望ましい。 All sections constituting the evaluation function E p as described above, the ink amount sets (d c, d m, d y, d k, d lc, d lm) with is represented by a function of, as smaller Lattice points are optimal. Accordingly, in step S400, only the initial grid points are appropriately determined. Therefore, even if the evaluation function E p is calculated by paying attention to each grid point, the evaluation function E p does not become a small value. Accordingly, in step S420, the optimization unit LM4 optimizes each lattice point so as to minimize the evaluation function E p . Which term is to be optimized is determined by the above-described weighting factors w 1 to w 5 . Therefore, it is desirable to set which item should be emphasized when creating the ink profile IP, and to set the weighting factors w 1 to w 5 based on it. For example, if it is desired to create an ink profile IP with good running cost even at the expense of image quality, the weight coefficient w 5 should be set large. In addition, it is desirable to increase the weighting factor w 4 for the grid points that should be located on the outer surface of the color reproduction gamut to increase the constraint on the outer surface.

具体的にステップＳ４２０においては、各格子点について評価関数Ｅpを極小化させるインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）を順次算出していく。例えば、インク量空間における初期のインク量セットの位置から局所的にインク量セットを移動させ、その際に評価関数Ｅpを極小化させるインク量セットを各格子点について算出していく。これにより、インク量空間における格子点の位置が評価関数Ｅpを極小化させる方向に修正されたこととなる。さらに、修正後の位置から同様に局所的にインク量セットを移動させ、その際に評価関数Ｅpを極小化させるインク量セットを各格子点について算出していく。以上のような処理を繰り返し（例えば２００回）実行することにより、最終的には各格子点についての評価関数Ｅpが極めて小さくなる格子点に最適化することができる。なお、以上の処理を規定回数行うことをもって格子点の最適化を完了させてもよいし、評価関数Ｅpの値が所定の閾値を下回ることをもって格子点の最適化を完了させてもよい。 In particular, in step S420, the ink amount sets which minimize the evaluation function E p for each grid point (d c, d m, d y, d k, d lc, d lm) are sequentially calculated. For example, locally moving the ink amount set from the position of the initial ink amount set in the ink amount space, we calculate for each grid point an ink amount sets which minimize the evaluation function E p at that time. Thus, the position of the lattice points in the ink amount space is modified in a direction that minimizes the evaluation function E p. Furthermore, likewise locally moving the ink amount sets the position of the corrected, will calculated for each grid point an ink amount sets which minimize the evaluation function E p at that time. By repeating the aforementioned processing (for example, 200 times), and finally it is possible to optimize the lattice point evaluation function E p becomes extremely small for each grid point. It should be noted that the optimization of the grid point may be completed by performing the above process a specified number of times, or the optimization of the grid point may be completed when the value of the evaluation function E p falls below a predetermined threshold value.

この最適化処理においては順次更新されるインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）について評価関数Ｅpを算出することが必要となるが、その際に、上述した各コンバータＲＣ，ＣＣ，ＧＣおよび平滑程度算出部ＬＭ３を利用することによって、逐次、各インク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）に対応する分光反射率Ｒ（λ）や粒状性指数ＧＩや色恒常性指数ＣＩＩや平滑程度評価指数ＳＩが算出されることとなる。以上の最適化によれば、評価関数Ｅpによって粒状性や色恒常性やランニングコストに優れるインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）の格子点が得られると同時に、当該格子点のＣＩＥＬＡＢ色空間における分布も最適なものとなる。式（１６）の第３項および第４項にてＣＩＥＬＡＢ色空間における評価も評価関数Ｅpの一部に取り入れているからである。本実施形態では、ＣＩＥＬＡＢ色空間における格子点の最適化とインク量空間における格子点の最適化を同時に行うことができるため、処理の効率がよい。なお、本実施形態において、特開２００６−１９７０８０号公報に開示された格子点の最適化の手法を適用することもできる。この場合、インク量空間にて評価関数Ｅpを０とする方向の仮想的な力を各格子点に作用させ、当該力によってインク量空間における格子点の位置を定常状態に収束させればよい。 In this optimization process, it is necessary to calculate the evaluation function E p for the ink amount sets (d c , d m , d y , d k , d lc , d lm ) that are sequentially updated. each converter RC mentioned above, CC, by utilizing the GC and smoothness calculator LM3, successively, corresponding to the respective ink amount sets (d c, d m, d y, d k, d lc, d lm) The spectral reflectance R (λ), the graininess index GI, the color constancy index CII, and the smoothness evaluation index SI are calculated. According to the above optimization, evaluation function E p ink amount set which is excellent in graininess, color constancy and running costs by (d c, d m, d y, d k, d lc, d lm) lattice points of At the same time, the distribution of the grid points in the CIELAB color space is also optimized. This is because the evaluation in the CIELAB color space is also incorporated into a part of the evaluation function E p in the third and fourth terms of Expression (16). In the present embodiment, since the optimization of the grid points in the CIELAB color space and the optimization of the grid points in the ink amount space can be performed simultaneously, the processing efficiency is high. In the present embodiment, the grid point optimization technique disclosed in Japanese Patent Application Laid-Open No. 2006-197080 can also be applied. In this case, a virtual force in the direction in which the evaluation function E p is 0 is applied to each lattice point in the ink amount space, and the position of the lattice point in the ink amount space is converged to a steady state by the force. .

以上のようにして各格子点が最適化されると、ステップＳ４３０にて最適化された格子点のインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）に対応したＬ*ａ*ｂ*値を分光プリンティングモデルコンバータＲＣおよび色コンバータＣＣ（Ｄ６５光）によって算出する。そして、互いに対応するＬ*ａ*ｂ*値とインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）との対応関係を記述したインクプロファイルＩＰをＬＵＴ生成部ＬＭ５が作成する。 As each grid point as described above is optimized, corresponding to the ink amount set of the optimized lattice points at step S430 (d c, d m, d y, d k, d lc, d lm) The calculated L * a * b * values are calculated by the spectral printing model converter RC and the color converter CC (D65 light). Then, to each other corresponding L * a * b * values and the ink amount sets (d c, d m, d y, d k, d lc, d lm) ink profile IP that describes the correspondence between the LUT generator LM5 Create.

ステップＳ４４０においては、インクプロファイルＩＰに基づいて色変換プロファイルＣＰを作成する。色変換プロファイルＣＰは、例えばｓＲＧＢ色空間で各画素の色が表された画像データをプリンタ２０におけるインク量空間の画像データに変換するＬＵＴである。ｓＲＧＢ色空間はＣＩＥ標準に基づいてＣＩＥＬＡＢ色空間との対応関係（ｓＲＧＢプロファイルＳＰ）が定められているため、インクプロファイルＩＰに規定された各格子点のＬ*ａ*ｂ*値によってｓＲＧＢ色空間のＲＧＢ値とインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）との対応関係を特定し、ＬＵＴ化することができる。その際に、補間処理が行われるが上述した最適化によってインクプロファイルＩＰが規定する格子点のＣＩＥＬＡＢ色空間における分布が平滑化されているため、高い補間精度を実現することができる。ｓＲＧＢプロファイルＳＰについても上述した平滑程度評価指数ＳＩによる最適化を行っておくことが望ましい（特開２００６−１９７０８０号公報、参照。）。なお、ＣＩＥＬＡＢ色空間におけるｓＲＧＢ色空間のガマットとプリンタ２０の色再現ガマットが異なるため、適宜ガマットマッピングが行われる。なお、ここではインクプロファイルＩＰにさらに別の絶対色空間であるｓＲＧＢ色空間を結合するものを例に挙げたが、入力デバイスに依存した機器依存のソース色空間と、インクプロファイルＩＰとを結合させたデバイスリンクプロファイルを作成するようにしてもよい。色変換プロファイルＣＰが作成できると、以降は色変換部ＣＭが色変換プロファイルＣＰを参照して、ｓＲＧＢ色空間で各画素の色が表された印刷画像データをインク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）の画像データに変換することができる。さらに、インク量セット（ｄc，ｄm，ｄy，ｄk，ｄlc，ｄlm）の画像データに対してハーフトーン処理やマイクロウィーブ処理を順次実行することより、印刷データを生成することができる。生成した印刷データをプリンタ１２０に出力することにより、上記印刷画像データに基づく印刷を実行させることができる。 In step S440, a color conversion profile CP is created based on the ink profile IP. The color conversion profile CP is an LUT that converts, for example, image data in which the color of each pixel is expressed in the sRGB color space into image data in the ink amount space in the printer 20. Since the sRGB color space has a corresponding relationship (sRGB profile SP) with the CIELAB color space based on the CIE standard, the sRGB color space is determined by the L * a * b * values of each grid point defined in the ink profile IP. RGB values and the ink amount sets (d c, d m, d y, d k, d lc, d lm) identifies a correspondence between, it is possible to LUT of. At that time, interpolation processing is performed, but since the distribution in the CIELAB color space of the grid points defined by the ink profile IP is smoothed by the above-described optimization, high interpolation accuracy can be realized. It is desirable that the sRGB profile SP is also optimized by the above-described smoothness degree evaluation index SI (see Japanese Patent Application Laid-Open No. 2006-197080). Since the gamut of the sRGB color space in the CIELAB color space and the color reproduction gamut of the printer 20 are different, gamut mapping is appropriately performed. Here, an example in which an sRGB color space, which is another absolute color space, is combined with the ink profile IP is taken as an example, but a device-dependent source color space that depends on the input device and the ink profile IP are combined. A device link profile may be created. When the color conversion profile CP can be created, the color conversion unit CM refers to the color conversion profile CP and sets the print image data representing the color of each pixel in the sRGB color space as an ink amount set (d c , d m , D y , d k , d lc , d lm ). Furthermore, the ink amount sets (d c, d m, d y, d k, d lc, d lm) than that sequentially executes a halftone process or microweave processing on the image data of, generating print data Can do. By outputting the generated print data to the printer 120, printing based on the print image data can be executed.

Ｃ．まとめと変形例：
Ａ節において説明したように、本発明においては、インク量空間において偏りなく選択された少数の第１代表点についてのみカラーパッチの印刷と分光反射率Ｒ（λ）の測定を行う。その後、第１代表点のうち安定性のよい一部、および、インク量の軸上のものを学習データＣＤ１として構築したニューラルネットワークＮＮＲにより、第２代表点の分光反射率Ｒ（λ）を予測する。これにより、セル分割ユール・ニールセン分光ノイゲバウアモデルによる分光反射率Ｒ（λ）の予測に十分なノード（第１代表点＋第２代表点）の分光反射率Ｒ（λ）を得ることができる。少数の第１代表点についてのみカラーパッチの印刷と分光反射率Ｒ（λ）の測定を行うため、印刷／測定の作業性を向上させることができ、効率よい印刷結果の予測やＬＵＴの作成を実現することができる。また、学習データＣＤ１とする第１代表点はインク量空間において偏りなく選択されているため、予測精度の悪い領域が生じるのが防止できる。さらに、学習データＣＤ１とする第１代表点としてインク量の軸上の格子点が選択されているため、良好な予測結果を確保することができる。 C. Summary and variations:
As described in Section A, in the present invention, printing of color patches and measurement of spectral reflectance R (λ) are performed only for a small number of first representative points selected without deviation in the ink amount space. Thereafter, the spectral reflectance R (λ) of the second representative point is predicted by the neural network NNR constructed by using a part of the first representative point with good stability and the axis of the ink amount as the learning data CD1. To do. Thus, it is possible to obtain a spectral reflectance R (λ) of a node (first representative point + second representative point) sufficient for prediction of the spectral reflectance R (λ) by the cell division Yule-Nielsen spectral Neugebauer model. it can. Since printing of color patches and measurement of spectral reflectance R (λ) are performed only for a small number of first representative points, the workability of printing / measurement can be improved, and printing result prediction and LUT creation can be performed efficiently. Can be realized. In addition, since the first representative point to be the learning data CD1 is selected without deviation in the ink amount space, it is possible to prevent a region with poor prediction accuracy from occurring. Furthermore, since the grid point on the ink amount axis is selected as the first representative point to be the learning data CD1, a good prediction result can be ensured.

以上においては、分光反射率を予測するものを例示したが、本発明の各手段によって他の印刷結果を予測することも可能である。例えば、印刷結果としての色を予測するようにしてもよい。第１代表点の分光反射率Ｒ（λ）が得られたら、所望の光源下の色を色コンバータＣＣによって特定し、特定した色を学習データとしてニューラルネットワークを作成する。そして、当該ニューラルネットワークにより第２代表点の色を特定し、第１代表点と第２代表点と色との対応関係を規定したＬＵＴを作成し、さらにＬＵＴによる補間予測（第２予測手段）によって任意のインク量セットに対応する色を予測することも可能である。また、本実施形態では粒状性指数ＧＩをニューラルネットワークＮＮＧのみによって予測するようにしたが、粒状性指数ＧＩを２段階の予測によって予測するようにし、実際に印刷／スキャンする粒状性評価用インク量セットの個数を減少させることも可能である。むろん、色恒常性ＣＩＩを本発明の手法によって予測することも可能である。   In the above description, the spectral reflectance is predicted. However, it is also possible to predict other printing results by means of the present invention. For example, the color as the printing result may be predicted. When the spectral reflectance R (λ) of the first representative point is obtained, the color under the desired light source is specified by the color converter CC, and a neural network is created using the specified color as learning data. Then, the color of the second representative point is specified by the neural network, an LUT defining the correspondence between the first representative point and the second representative point and the color is created, and further, interpolation prediction by the LUT (second prediction means) It is also possible to predict a color corresponding to an arbitrary ink amount set. In this embodiment, the graininess index GI is predicted only by the neural network NNG. However, the graininess index GI is predicted by two-stage prediction, and the amount of ink for graininess evaluation that is actually printed / scanned. It is also possible to reduce the number of sets. Of course, color constancy CII can also be predicted by the method of the present invention.

また、各予測段階における予測手法もニューラルネットワークやセル分割ユール・ニールセン分光ノイゲバウアモデルに限られるものではない。むろん、分光反射率Ｒ（λ）を予測するのに際し、まずセル分割ユール・ニールセン分光ノイゲバウアモデルによって第２代表点の分光反射率Ｒ（λ）を予測し、その後、任意のインク量セットに対応する分光反射率Ｒ（λ）を第１代表点と第２代表点の分光反射率Ｒ（λ）に基づいて予測するようにしてもよい。   Further, the prediction method at each prediction stage is not limited to the neural network or the cell division Yule-Nielsen spectroscopic Neugebauer model. Of course, when the spectral reflectance R (λ) is predicted, the spectral reflectance R (λ) of the second representative point is first predicted by the cell division Yule-Nielsen spectral Neugebauer model, and then an arbitrary ink amount set is set. May be predicted based on the spectral reflectances R (λ) of the first representative point and the second representative point.

さらに、上述した実施形態では、プリンタ２０に接続されたコンピュータ１０にて印刷結果を予測するものとしたが、プリンタ２０や他の機器にて印刷結果を予測するようにしてもよい。プリンタ２０が自己の印刷結果を予測することができれば、プリンタ２０が単体でプリンタ２０の使用状況に応じた色変換プロファイル等を作成することができる。また、上述した実施形態のように、各コンバータＣＲ，ＣＣ，ＣＧを準備したコンピュータ１０と、色変換プロファイルＣＰを作成するコンピュータ１１０とが異なる場合、コンピュータ１０にて準備した分光反射率データＤを例えばインターネットを通じて分光反射率の測定環境のないコンピュータ１１０やプリンタに配信するようにしてもよい。これにより、コンピュータ１０にて準備した分光反射率データＤを受信した一般ユーザーが使用するコンピュータ１１０やプリンタが色変換プロファイルＣＰを作成することができる。   Furthermore, in the above-described embodiment, the print result is predicted by the computer 10 connected to the printer 20, but the print result may be predicted by the printer 20 or another device. If the printer 20 can predict the print result of itself, the printer 20 alone can create a color conversion profile or the like according to the usage status of the printer 20. Further, as in the above-described embodiment, when the computer 10 that has prepared the converters CR, CC, and CG is different from the computer 110 that creates the color conversion profile CP, the spectral reflectance data D prepared by the computer 10 is obtained. For example, it may be distributed via the Internet to a computer 110 or a printer having no spectral reflectance measurement environment. As a result, the computer 110 or printer used by a general user who has received the spectral reflectance data D prepared by the computer 10 can create the color conversion profile CP.

さらに、色変換プロファイルＣＰを作成する際に設定する評価関数Ｅpはあくまでも一例であり、他の評価関数Ｅpを使用することも可能である。例えば、平滑程度評価指数ＳＩのみを有する評価関数Ｅpを使用してもよい。さらに、画質を評価する指標として粒状性指数ＧＩの色恒常性指数ＣＩＩ以外の他の画質を評価する指標を組み入れてもよい。また、国際公開ＷＯ２００５／０４３８８４号のパンフレットのように、画質の最適化と、格子点の配置の平滑化を別の段階で行うようにしてもよい。この場合においても、分光プリンティングモデルコンバータＲＣを用いて任意のインク量セットで印刷したときの分光反射率Ｒ（λ）の予測が行われるため本発明を適用することができる。 Furthermore, the evaluation function E p set when creating the color conversion profile CP is merely an example, and other evaluation functions E p can be used. For example, an evaluation function E p having only the smoothness degree evaluation index SI may be used. Furthermore, an index for evaluating image quality other than the color constancy index CII of the graininess index GI may be incorporated as an index for evaluating the image quality. Further, as in the pamphlet of International Publication WO 2005/043884, image quality optimization and grid point arrangement smoothing may be performed at different stages. Even in this case, the present invention can be applied because the spectral reflectance R (λ) is predicted when printing with an arbitrary ink amount set using the spectral printing model converter RC.

印刷に使用するインクセットも上述したＣＭＹＫｌｃｌｍに限られるものではない。例えばＯ（オレンジ）インクやＲ（レッド）インクやＶ（バイオレット）インクやＧ（グリーン）インクやｌｋ，ｌｌｋ（ライトブラック）インクやＤＹ（ダークイエロー）インク等で印刷を行う場合の分光反射率Ｒ（λ）を本発明の手法によって予測することも可能である。これらのインクはそれぞれ固有の分光反射率特定を有しているため、インク量セットに応じた分光反射率Ｒ（λ）の予測を行うことができる。また、多くのインクの種類を使用する印刷においては、分光反射率Ｒ（λ）の予測に必要なセル分割ユール・ニールセン分光ノイゲバウアモデルのノード数が乗数的に増加するため、本発明の効果は大きいものとなる。   The ink set used for printing is not limited to the above-described CMYKlclm. For example, spectral reflectance when printing with O (orange) ink, R (red) ink, V (violet) ink, G (green) ink, lk, llk (light black) ink, DY (dark yellow) ink, etc. R (λ) can also be predicted by the method of the present invention. Since each of these inks has a specific spectral reflectance specification, the spectral reflectance R (λ) can be predicted according to the ink amount set. In printing using many ink types, the number of nodes of the cell division Yule-Nielsen spectral Neugebauer model necessary for prediction of the spectral reflectance R (λ) increases in a multiplier manner. The effect is great.

本発明の印刷結果予測装置の構成を示すブロック図である。It is a block diagram which shows the structure of the printing result prediction apparatus of this invention. 分光プリンティングモデルコンバータ準備処理のフローチャートである。It is a flowchart of a spectral printing model converter preparation process. 第１代表点と第２代表点を設定する様子を説明する図である。It is a figure explaining a mode that a 1st representative point and a 2nd representative point are set. 第１代表点設定処理の流れを説明するフローチャートである。It is a flowchart explaining the flow of a 1st representative point setting process. ポテンシャル分布の例を説明する図である。It is a figure explaining the example of potential distribution. ポテンシャル分布の例を説明する図である。It is a figure explaining the example of potential distribution. 分光反射率データを示す図である。It is a figure which shows spectral reflectance data. ニューラルネットワークＮＮＲを説明する図である。It is a figure explaining the neural network NNR. 分光ノイゲバウアモデルを示す図である。It is a figure which shows a spectral Neugebauer model. セル分割ユール・ニールセン分光ノイゲバウアモデルを示す図である。It is a figure which shows a cell division | segmentation Yule-Nielsen spectroscopic Neugebauer model. 分光反射率から色を特定する様子を示す図である。It is a figure which shows a mode that a color is specified from a spectral reflectance. 粒状性コンバータ準備処理のフローチャートである。It is a flowchart of a granularity converter preparation process. 粒状性指数ＧＩを算出する処理を示す図である。It is a figure which shows the process which calculates the granularity index | exponent GI. ニューラルネットワークＮＮＧを説明する図である。It is a figure explaining the neural network NNG. ニューラルネットワーク作成処理のフローチャートである。It is a flowchart of a neural network creation process. ルックアップテーブル作成装置の構成を示すブロック図である。It is a block diagram which shows the structure of the lookup table preparation apparatus. プロファイル作成処理のフローチャートである。It is a flowchart of a profile creation process. 平滑程度評価指数を説明する図である。It is a figure explaining a smoothness degree evaluation index. プリンタの色再現ガマットを示すグラフである。It is a graph which shows the color reproduction gamut of a printer.

符号の説明Explanation of symbols

１０，１１０…コンピュータ、１１，１１１…ＨＤＤ，１２，１１２…ＣＰＵ，２０…プリンタ、３０…分光反射率計、４０…スキャナ、ＲＣ…分光プリンティングコンバータ、ＣＣ…色コンバータ、ＧＣ…粒状性コンバータ、Ｄ…分光反射率データ、ＣＤ１，ＣＤ２…学習データ。
DESCRIPTION OF SYMBOLS 10,110 ... Computer, 11, 111 ... HDD, 12, 112 ... CPU, 20 ... Printer, 30 ... Spectral reflectometer, 40 ... Scanner, RC ... Spectral printing converter, CC ... Color converter, GC ... Graininess converter, D: Spectral reflectance data, CD1, CD2: Learning data.

Claims (18)

複数の種類のインクを記録媒体上に付着させて形成される印刷結果を予測する印刷結果予測方法であって、
複数の代表的なインク量セットで印刷した印刷結果に基づいて任意のインク量セットで印刷したときの印刷結果を予測するにあたり、上記代表的なインク量セットで印刷した印刷結果の一部が他の一部の印刷結果に基づいて予測されたものであることを特徴とする印刷結果予測方法。 A printing result prediction method for predicting a printing result formed by adhering a plurality of types of ink on a recording medium,
When predicting the print result when printing with an arbitrary ink amount set based on the print results printed with a plurality of representative ink amount sets, some of the print results printed with the above representative ink amount sets A printing result prediction method characterized by being predicted based on a part of the printing result. 複数の種類のインクを記録媒体上に付着させて形成される印刷結果を予測する印刷結果予測方法であって、
複数の種類のインクについてのインク量を軸としたインク量空間における複数の代表的な座標を第１代表点として設定し、
上記第１代表点に対応するインク量セットにて印刷を行い、その印刷結果を測定し、
上記インク量空間において上記第１代表点とは異なる他の代表的な座標を第２代表点として設定し、
上記第２代表点に対応するインク量セットにて印刷した印刷結果を上記測定による測定結果に基づいて予測し、
任意のインク量セットにて印刷した印刷結果を、上記測定結果、および、上記予測による予測結果に基づいて予測することを特徴とする印刷結果予測方法。 A printing result prediction method for predicting a printing result formed by adhering a plurality of types of ink on a recording medium,
A plurality of representative coordinates in the ink amount space with the ink amount as the axis for a plurality of types of ink are set as the first representative point,
Printing is performed with the ink amount set corresponding to the first representative point, and the printing result is measured.
Another representative coordinate different from the first representative point in the ink amount space is set as the second representative point,
Predicting the printing result printed with the ink amount set corresponding to the second representative point based on the measurement result by the measurement,
A printing result prediction method, wherein a printing result printed with an arbitrary ink amount set is predicted based on the measurement result and the prediction result by the prediction. 上記第２代表点に対応するインク量セットにて印刷した印刷結果を予測するときの予測手法と、任意のインク量セットにて印刷した印刷結果を予測するときの予測手法は互いに異なることを特徴とする請求項２に記載の印刷結果予測方法。   A prediction method for predicting a print result printed with an ink amount set corresponding to the second representative point and a prediction method for predicting a print result printed with an arbitrary ink amount set are different from each other. The printing result prediction method according to claim 2. 上記第２代表点に対応するインク量セットにて印刷した印刷結果を予測するときの予測手法は、上記測定結果によって学習を行ったニューラルネットワークを用いるものであることを特徴とする請求項２または請求項３のいずれかに記載の印刷結果予測方法。   The prediction method for predicting the printing result printed with the ink amount set corresponding to the second representative point uses a neural network that has been learned based on the measurement result. The printing result prediction method according to claim 3. 上記第１代表点を設定するにあたり、
上記インク量空間において複数の格子点を生成し、当該格子点から上記第１代表点とするものを選択するとともに、
当該選択において、印刷装置に使用させる上記インク量セットが上記インク量空間において分布する有効領域の外縁付近の方が上記有効領域の中央付近よりも密度が高くなるように上記第１代表点とするものを選択することを特徴とする請求項２から請求項４のいずれか一項に記載の印刷結果予測方法。 In setting the first representative point,
A plurality of grid points are generated in the ink amount space, and the first representative point is selected from the grid points,
In the selection, the first representative point is set so that the density near the outer edge of the effective area where the ink amount set used in the printing apparatus is distributed in the ink volume space is higher than the density near the center of the effective area. 5. The printing result prediction method according to any one of claims 2 to 4, wherein one is selected. 上記有効領域の内側の上記第１代表点と上記第２代表点との個数との比が約１：３となることを特徴とする請求項５に記載の印刷結果予測方法。   6. The printing result prediction method according to claim 5, wherein a ratio of the number of the first representative points and the number of the second representative points inside the effective area is about 1: 3. 上記印刷結果は、上記記録媒体上の分光反射率であることを特徴とする請求項２から請求項６のいずれか一項に記載の印刷結果予測方法。   The print result prediction method according to any one of claims 2 to 6, wherein the print result is a spectral reflectance on the recording medium. 上記記録媒体上の分光反射率である上記印刷結果に対して所望の光源を照射したときの色を特定することを特徴とする請求項２から請求項７のいずれか一項に記載の印刷結果予測方法。   The print result according to any one of claims 2 to 7, wherein a color when a desired light source is irradiated to the print result which is a spectral reflectance on the recording medium is specified. Prediction method. 上記第１代表点を設定するにあたり、
上記インク量空間において複数の格子点を生成し、当該格子点から上記第１代表点とするものを選択するとともに、
当該選択において、当該格子点のうち上記インク量の軸上のものを優先させることを特徴とする請求項２から請求項８のいずれか一項に記載の印刷結果予測方法。 In setting the first representative point,
A plurality of grid points are generated in the ink amount space, and the first representative point is selected from the grid points,
9. The print result prediction method according to claim 2, wherein, in the selection, priority is given to the grid point on the axis of the ink amount. 10. 上記格子点のうち上記インク量の軸上のものがすべて上記第１代表点として設定されることを特徴とする請求項９に記載の印刷結果予測方法。   The print result prediction method according to claim 9, wherein all of the lattice points on the axis of the ink amount are set as the first representative point. 複数の種類のインクについてのインク量を軸としたインク量空間における代表的なインク量セットとそのインク量セットにて印刷を行った場合の色との対応関係を規定したルックアップテーブルを作成するルックアップテーブル作成方法であって、
複数の種類のインクについてのインク量を軸としたインク量空間における複数の代表的な座標である第１代表点に対応するインク量セットにて印刷したときの分光反射率を測定し、上記インク量空間において上記第１代表点とは異なる他の代表的な座標である第２代表点に対応するインク量セットにて印刷したときの分光反射率を、上記測定によって得られた分光反射率に基づいて予測し、さらに任意のインク量セットにて印刷した分光反射率を、上記測定によって得られた分光反射率、および、上記予測によって得られた分光反射率に基づいて予測し、当該予測した分光反射率に対して所望の光源を照射したときの色を予測する色予測方法を使用して、
上記インク量空間において生成した複数の代表的なＬＵＴ用インク量セットにて印刷して所望の光源を照射したときの色を予測し、当該予測した色と上記ＬＵＴ用インク量セットとの対応関係を規定したルックアップテーブルを作成することを特徴とするルックアップテーブル作成方法。 Create a lookup table that defines the correspondence between a representative ink amount set in the ink amount space centered on the ink amount for a plurality of types of ink and the colors when printing is performed using the ink amount set. A lookup table creation method,
The spectral reflectance when printing is performed with an ink amount set corresponding to a first representative point that is a plurality of representative coordinates in an ink amount space with the ink amount as an axis for a plurality of types of ink, and the ink The spectral reflectance obtained by printing with the ink amount set corresponding to the second representative point that is another representative coordinate different from the first representative point in the quantity space is the spectral reflectance obtained by the measurement. Predicted based on the spectral reflectance printed with an arbitrary ink amount set, based on the spectral reflectance obtained by the measurement and the spectral reflectance obtained by the prediction, and predicted. Using a color prediction method that predicts the color when the desired light source is irradiated against the spectral reflectance,
Predicting the color when printing with a plurality of representative LUT ink quantity sets generated in the ink quantity space and irradiating a desired light source, and the correspondence between the predicted color and the LUT ink quantity set A lookup table creation method characterized by creating a lookup table that defines 上記ＬＵＴ用インク量セットにて印刷して所望の光源を照射したときの色の色空間における分布の平滑程度が高くなるように、上記ＬＵＴ用インク量セットが最適化されることを特徴とする請求項１１に記載のルックアップテーブル作成方法。   The LUT ink amount set is optimized so that the degree of smoothness of the color distribution in the color space when printed with the LUT ink amount set and irradiated with a desired light source is increased. The lookup table creation method according to claim 11. 上記ＬＵＴ用インク量セットにて印刷して所望の光源を照射したときの画質が良好となるようにも、上記ＬＵＴ用インク量セットが最適化されることを特徴とする請求項１２に記載のルックアップテーブル作成方法。   13. The LUT ink amount set is optimized so that image quality is improved when printing is performed using the LUT ink amount set and a desired light source is irradiated. How to create a lookup table. 上記画質の少なくとも一つは、上記ＬＵＴ用インク量セットにて印刷し、２種以上の光源を照射したときの色の相違であることを特徴とする請求項１３に記載のルックアップテーブル作成方法。   14. The lookup table creation method according to claim 13, wherein at least one of the image qualities is a color difference when the LUT ink amount set is printed and two or more types of light sources are irradiated. . 上記画質の少なくとも一つは、上記ＬＵＴ用インク量セットにて印刷したときの粒状性であることを特徴とする請求項１３または請求項１４のいずれかに記載のルックアップテーブル作成方法。   15. The lookup table creation method according to claim 13, wherein at least one of the image quality is graininess when printed with the LUT ink amount set. 上記ＬＵＴ用インク量セットを構成する各インク量の合計が所定の条件を満足するようにも、上記ＬＵＴ用インク量セットが最適化されることを特徴とする請求項１２から請求項１５のいずれか一項に記載のルックアップテーブル作成方法。   16. The LUT ink amount set is optimized so that the total of the ink amounts constituting the LUT ink amount set satisfies a predetermined condition. The lookup table creation method according to claim 1. 請求項１１から請求項１６のいずれか一項に記載の上記ルックアップテーブル作成方法によって作成されることを特徴とするルックアップテーブル。   A lookup table created by the lookup table creation method according to any one of claims 11 to 16. 請求項１１から請求項１６のいずれか一項に記載の上記ルックアップテーブル作成方法によって作成されたルックアップテーブルを用いて印刷画像データの色変換を実行することを特徴とする印刷制御装置。


17. A print control apparatus that performs color conversion of print image data using the lookup table created by the lookup table creation method according to claim 11.


JP2007279434A 2007-03-13 2007-10-26 Prediction of printing result Pending JP2008259168A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2007279434A JP2008259168A (en) 2007-03-13 2007-10-26 Prediction of printing result

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2007063905 2007-03-13
JP2007279434A JP2008259168A (en) 2007-03-13 2007-10-26 Prediction of printing result

Publications (1)

Publication Number Publication Date
JP2008259168A true JP2008259168A (en) 2008-10-23

Family

ID=39982258

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2007279434A Pending JP2008259168A (en) 2007-03-13 2007-10-26 Prediction of printing result
JP2007281389A Withdrawn JP2008259169A (en) 2007-03-13 2007-10-30 Prediction of printing result

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2007281389A Withdrawn JP2008259169A (en) 2007-03-13 2007-10-30 Prediction of printing result

Country Status (1)

Country Link
JP (2) JP2008259168A (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8773741B2 (en) 2010-09-30 2014-07-08 Fujifilm Corporation Color reproduction predicting apparatus, color reproduction predicting method, and recording medium
US9858243B2 (en) 2011-04-08 2018-01-02 Hewlett-Packard Development Company, L.P. Computing a spectrum of a sample

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6259469B2 (en) * 2013-01-29 2018-01-10 ヒューレット−パッカード デベロップメント カンパニー エル．ピー．Ｈｅｗｌｅｔｔ‐Ｐａｃｋａｒｄ Ｄｅｖｅｌｏｐｍｅｎｔ Ｃｏｍｐａｎｙ， Ｌ．Ｐ． Color separation
JP7327177B2 (en) * 2020-01-20 2023-08-16 京セラドキュメントソリューションズ株式会社 Image forming system and image forming apparatus

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8773741B2 (en) 2010-09-30 2014-07-08 Fujifilm Corporation Color reproduction predicting apparatus, color reproduction predicting method, and recording medium
US9858243B2 (en) 2011-04-08 2018-01-02 Hewlett-Packard Development Company, L.P. Computing a spectrum of a sample

Also Published As

Publication number Publication date
JP2008259169A (en) 2008-10-23

Similar Documents

Publication Publication Date Title
JP4247639B2 (en) Generate a color conversion profile for printing
JP4388553B2 (en) Generate a color conversion profile for printing
JP4528782B2 (en) Generate a color conversion profile for printing
JP4235837B2 (en) Graininess prediction, profile creation and printing device
JP2009111667A (en) Prediction of printing result
Wyble et al. A critical review of spectral models applied to binary color printing
JP4561483B2 (en) Determining the ink amount combination that reproduces the specified color
JP4595734B2 (en) Profile creation method, profile creation device, profile creation program, print control method, print control device, and print control program
JP4355964B2 (en) Print control according to the combination of color materials
JP6349707B2 (en) Color conversion apparatus, lookup table generation method, and lookup table generation apparatus
JP6349741B2 (en) Look-up table generation method and color conversion device
JP5589520B2 (en) Color conversion profile creation apparatus, color conversion profile creation method, color conversion profile creation program, and printing apparatus
JP2011077975A (en) Granularity predicting device, method of predicting granularity, method of creating profile, and printer
JP4946908B2 (en) Print control apparatus, print system, and print control program
JP2008259168A (en) Prediction of printing result
JP6349708B2 (en) Lookup table generation method and lookup table generation apparatus
JP2009177789A (en) Printing controlling apparatus, printing system and printing controlling program
JP2010147586A (en) Print result predicting method, profile forming method, printer, and survey sheet
JP2012215536A (en) Bronzing index value calculation method and bronzing index value calculation device
JP2008230049A (en) Print control suited to combination of colorant
JP2008230050A (en) Print control suited to combination of colorant
JP2012129905A (en) Color conversion profile creation apparatus, color conversion profile creation method, color conversion profile creation program, and printer
JP6065363B2 (en) Image display device and printing device
JP2010141830A (en) Profile creating method, printing control method, printing control device, and printer
JP2011077974A (en) Granularity predicting device, method of predicting granularity, method of creating profile, and printer

Legal Events

Date Code Title Description
A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20090721

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20090721