JP5867669B2 - 色処理装置および色処理プログラム - Google Patents

Description

本発明は、色処理装置および色処理プログラムに関するものである。

出力装置に与えた色値と、当該出力装置から出力された色を測色した値である測色値との対を用い、出力装置の入出力特性を色変換モデルとして近似する。代表的な色変換モデルとして、大きく分けて物理モデルと統計モデルがある。物理モデルとして代表的なものとしてノイゲバウアの網点モデルがある。例えば出力装置で使用する各色材の色についてそれぞれ１００％と０％の場合の組み合わせにより得られる１６色の色値を出力装置に与えて測色値を得る。その１６個の与えた色値と測色値との対から色変換モデルを作成する。また、統計モデルとしては例えばニューラルネットワークがある。出力装置に与えた色値をニューラルネットワークに与え、対応する測色値を教師情報として与えて学習させることにより、出力装置の入出力特性を近似する。この統計モデルは、物理モデルに比べ、出力装置に与えた色値と測色値との対が多数必要であり、色変換モデルを構築するための処理量も多くなるが、精度は良くなる。

このように、測色値の数と精度とは、相反する関係にある。例えばノイゲバウアのモデルでも色空間を分割し、部分空間ごとにノイゲバウアのモデルを構築するセルラー型のノイゲバウアモデルも考案されている。この場合、色空間全体を１つのモデルとする場合に比べて精度は向上するが、測色値の数は増加する。

例えば特許文献１に記載されている色変換装置では、色空間を複数の領域分割してそれぞれの色変換係数を求めるものであり、基本的にはセルラー型のノイゲバウアモデルである。不要な色点をモデル構築に用いないことにより測色値の数を減らしている。

また例えば特許文献２でもセルラー型のノイゲバウアモデルを使用しており、精度に寄与しない部分空間への分割を減らすことにより測色値の数を抑えている。例えば特許文献１でもノイゲバウアのモデルを用いており、最初は、ある程度の色数で非線形モデルを生成し、その後は最初よりも少ない色数で非線形モデルの係数を調整している。

一方、統計モデルとしては例えば特許文献３に記載されている重み付け回帰による方法や、特許文献４に記載があるニューラルネットワークを用いた方法などがある。これらの方法では、色空間にまんべんなく配置された上述の色の対が必要であり、測色値の数は物理モデルに比べて多いものの、物理モデルに比べて精度が高い。また、物理モデルに比べて多くの色を総合的に扱うことから、ある色の情報を変更すると、変更が不要な色領域にまで影響が及んだり、逆に思うように調整が行えないなどの問題もあり、一般的にはブラックボックスとして扱われている。なお、統計モデルの場合も、色空間全域をモデル化する全域モデルの方法のほか、色空間を分割した色領域ごとに統計モデルを作成して連結する局所モデルの方法もある。

特開２００２−２７２７６号公報 特開２００８−３１２１１９号公報 特開平１０−２６２１５７号公報 特開２００４−１４７２６５号公報

本発明は、従来の色空間中の色領域ごとの物理モデルに比べて精度よく色変換を行うことができる色処理装置および色処理プログラムを提供することを目的とするものである。

本願請求項１に記載の発明は、それぞれ異なる色信号が中心色信号として設定されており、与えられた色信号の前記中心色信号からの距離に応じた加重値を算出する複数の演算手段と、第１色信号と該第１色信号を出力装置に与えて出力された色を測色した第２色信号との対である複数の実色信号対に従い、前記第１色信号をそれぞれの前記演算手段に与えた場合に得られる複数の前記加重値から前記第２色信号が算出される変換係数を用いて、与えられた色信号に対してそれぞれの前記演算手段により算出された加重値をもとに出力色信号を合成する合成手段を有することを特徴とする色処理装置である。

本願請求項２に記載の発明は、それぞれ異なる色信号が中心色信号として設定されており、与えられた色信号の前記中心色信号からの距離に応じた加重値を算出するとともに、変換係数に従って与えられた色信号を中間色信号に変換する複数の演算手段と、それぞれの前記演算手段から得られた中間色信号及び加重値をもとに出力色信号を合成する合成手段を有し、前記演算手段における中間色信号への色変換をエキスパートモデルとし、前記中心色信号を中心に距離に応じたガウス関数を正規化してゲーティング関数とした正規化ガウスネットワークを用い、該正規化ガウスネットワークに対して、複数の第１色信号を与えるとともに、該第１色信号を出力装置に与えて出力された色を測色した第２色信号を教師信号として与えて学習させ、学習後のそれぞれの前記エキスパートモデルにおける変換関係を前記変換係数として用い、正規化したゲーティング関数の値を前記加重値とすることを特徴とする色処理装置である。

本願請求項３に記載の発明は、本願請求項１に記載の発明における前記中心色信号および前記加重値を求める関数の形状が、前記実色信号対に従って初期値から更新されたものであることを特徴とする色処理装置である。

本願請求項４に記載の発明は、本願請求項１または請求項２に記載の発明の構成に、さらに、前記中心色信号と前記中心色信号を前記出力装置に与えて出力された色を測色した測色色信号との対を用いて前記変換係数を調整する調整手段を有することを特徴とする色処理装置である。

本願請求項５に記載の発明は、本願請求項１または請求項２に記載の発明の構成に、さらに、前記演算手段を削減する削減手段と、前記演算手段が削減された構成に色信号を与えて得た出力色信号と前記色信号を前記出力装置に与えて出力された色を測色した測色色信号とから変換精度を算出する精度算出手段と、前記精度算出手段で算出した前記変換精度に基づいて前記削減手段で削減した演算手段を削減してよいか否かを判定する削減判定手段を有することを特徴とする色処理装置である。

本願請求項６に記載の発明は、コンピュータに、請求項１から請求項５のいずれか１項に記載の色処理装置の機能を実行させるものであることを特徴とする色処理プログラムである。

請求項１に記載の発明によれば、従来の色空間中の色領域ごとの物理モデルに比べて、色空間中の色領域ごとのモデルでありながら精度よく出力装置の色変換特性を示す色変換モデルを構築して色変換を行うことができる。

請求項２に記載の発明によれば、従来の色空間中の色領域ごとの物理モデルに比べて、色空間中の色領域ごとのモデルでありながら精度よく出力装置の色変換特性を示す色変換モデルを構築して色変換を行うことができる。

請求項３に記載の発明によれば、本構成を有しない場合に比べて精度よく出力装置の色変換特性を示す色変換モデルを構築することができる。

請求項４に記載の発明によれば、出力装置が変動した場合でも対応する色変換モデルを簡単に構成することができる。

請求項５に記載の発明によれば、本構成を有しない場合に比べて構成を小さくすることができる。

請求項６に記載の発明によれば、請求項１から請求項５のいずれか１項に記載の発明の効果を得ることができる。

本発明の第１の実施の形態を示す構成図である。 本発明の第１の実施の形態における合成部の一例を示す構成図である。 本発明の第１の実施の形態における合成部で用いる変換係数の算出方法の一例の説明図である。 本発明の第１の実施の形態における動作の概要の説明図である。 本発明の第２の実施の形態を示す構成図である。 本発明の第２の実施の形態における合成部の一例を示す構成図である。 本発明の第２の実施の形態における演算部で用いる変換係数の算出方法の一例の説明図である。 本発明の第２の実施の形態における動作の概要の説明図である。 変換係数を学習する処理の一例を示す流れ図である。 変換係数を学習する処理の別の例を示す流れ図である。 中心色信号、加重幅、変換係数を取得する処理の動作の一例の概念図である。 調整部の一例の説明図である。 演算部の削減を図る処理を行う場合の一例を示す構成図である。 本発明の各実施の形態で説明した機能をコンピュータプログラムで実現した場合におけるコンピュータプログラム及びそのコンピュータプログラムを格納した記憶媒体とコンピュータの一例の説明図である。

図１は、本発明の第１の実施の形態を示す構成図である。図中、１１は演算部、１２は合成部である。この例では、処理の対象となる色信号である処理対象色信号がＣＭＹＫ，合成部１２から出力される色信号である出力色信号がＬ^* ａ^* ｂ^* として図示している。もちろん、処理対象色信号および出力色信号はこの例に限られるものではなく、例えば処理対象色信号がＣＭＹやＣＭＹＫＯＧ、ＣＭＹＫＲＧＢ、ＲＧＢ，あるいはＬ^* ａ^* ｂ^* やＬ^* ｕ^* ｖ^* 、ＸＹＺ、ＹＣｒＣｂなどでもよく、また、出力色信号についてもＬ^* ｕ^* ｖ^* 、ＸＹＺ、ＹＣｒＣｂなどや、ＣＭＹ、ＣＭＹＫ，ＲＧＢなど、種々の色信号であってよい。

複数の演算部１１には、それぞれ異なる色信号が中心色信号として設定されている。各演算部１１では、与えられた処理対象色信号の中心色信号からの距離に応じた加重値を算出する。例えば処理対象色信号がＣＭＹＫであれば、そのＣＭＹＫに対してそれぞれの演算部１１が、それぞれ設定されている中心色信号からの距離に応じた加重値をそれぞれ算出する。加重値は、ここでは中心色信号に近いほど大きな値であるものとする。この場合、各演算部１１に設定されている中心色信号が与えられた色信号に近いほど大きな加重値を出力し、中心色信号が与えられた色信号から遠いほど小さな加重値が出力される。

合成部１２は、それぞれの演算部１１により算出された加重値をもとに、変換係数に従って出力色信号を合成する。図２は、本発明の第１の実施の形態における合成部の一例を示す構成図である。図中、２１は加重値正規化部、２２は出力色信号変換部である。加重値正規化部２１は、各演算部１１から出力された加重値を、総和で正規化する。処理対象の色信号がどの演算部１１の中心色信号からも離れている場合には加重値はいずれも小さな値となるが、そのような場合でも加重値を正規化しておけば正常に出力色信号が合成され、外挿機能を有することになる。もちろん、正規化せずに加重値を用いてもよい。

出力色信号変換部２２は、正規化した加重値から出力色信号への線形変換を行う。線形変換のための変換係数は、（正規化した加重値の個数）×（出力色信号の次元数）の大きさの行列である。あるいは、さらに定数項を持ち、（正規化した加重値の個数＋１）×（出力色信号の次元数）の大きさの行列であってもよい。

変換係数は、予め決められた値を与え、あるいはいくつかの中から選択してもよいし、実際の色信号を学習させることで統計的に得てもよい。例えば出力装置の入出力特性を色変換モデルとして求める場合には、まず、第１色信号を出力装置に与え、出力された色を測色して第２色信号を得て、第１色信号と第２色信号との対である実色信号対を、異なる第１色信号について複数得る。そして、いずれの第１色信号を処理対象色信号として与えた場合でも、出力色信号として第１色信号に対応する第２色信号が得られるように変換係数を算出すればよい。

図３は、本発明の第１の実施の形態における合成部で用いる変換係数の算出方法の一例の説明図である。例えば、学習により変換係数を得る場合は、図３に示すＲＢＦ（Ｒａｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ）ニューラルネットワークの構造で変換係数を獲得するとよい。この例におけるＲＢＦニューラルネットワークでは、中間層ニューロンは、各々のガウス関数に設定された中心色信号の値が与えられた場合に最大の値を出力し、与えられた値が中心色信号から離れるほど小さな値を出力する。

入力層のニューロンをｘ＝（ｘ₁ ，ｘ₂ ，…，ｘ_m ）^T とする。入力層と中間層の間の結合係数がない代わりに、中間層のｊ番目のニューロンは、μ_j ＝（μ_j1，μ_j2，…，μ_jm）^T を中心とした分散σ_j のガウス関数で発火する。よって、与えられたｘに対する中間層ニューロンの出力Ｇ_j （ｘ）は、以下のようになる。

中間層と出力層の結合係数をｗ_ijとすると、出力層ニューロンの出力値ｙ＝（ｙ₁ ，ｙ₂ ，…，ｙ_n ）^T の要素ｙ_i （ｉ＝１，２，…，ｎ）は、

となり、数２がＲＢＦニューラルネットワークによる出力装置の入出力特性を表す色変換モデルとなる。なお、Ｇ（ｘ）は正規化しておくものとする。

このようなＲＢＦニューラルネットワークを用い、例えば上述の実色信号対を用いて学習させる。学習はバックプロパゲーション学習則で用いられている最急降下法で行えばよい。教師信号をζ_i （第２色信号）、学習定数をηとすると、

となり、ｗ_ij→ｗ_ij＋Δｗ_ijの更新で学習される。十分に収束したｗ_ijを用いることにより色変換モデルが得られる。

例えば出力装置に与える色信号がＣＭＹＫ、出力装置から出力された色の測色信号がＬ^* ａ^* ｂ^* の場合には、ｘ＝（Ｃ，Ｍ，Ｙ，Ｋ）^T 、ｙ＝（Ｌ^* ，ａ^* ，ｂ^* ）^T であり、Ｌ^* ，ａ^* ，ｂ^* の各成分について数２のｗ_ijを、数３により十分に収束させ、求めればよい。なお、このような学習により変換係数を求める構成を図１に示した構成に追加してもよい。

このようにして求めたｗ_ijを変換係数として用いる。図１に示した構成では、色信号を各演算部１１に与えると、各演算部１１において加重値としてＧ_j （ｘ）が演算されて出力される。この加重値Ｇ_j （ｘ）は合成部１２の加重値正規化部２１で正規化された後、正規化されたＧ_j （ｘ）が変換係数ｗ_ijに従って変換され、各加重値から出力色信号が合成される。

これまでの統計モデルは、出力装置に与えた色値とその出力装置から出力された色の測色値との関係がブラックボックスの状態であり、写像はＩｎとＯｕｔを結びつける非線形な計算式の係数を獲得するという定義であった。一方、物理モデルは、網点の重ね合わせの原理から計算式と係数を獲得しているため、紙面での反射率や濃度を含み、ハード面からの課題が反映されることが利点である。統計モデルの精度の良さと、物理モデルのハード面の双方を満たすことは、これまで実現困難であった。物理モデルの構成で統計的に変換係数が獲得される手法の実施により、統計モデルの精度の良さを有しつつ、学習後には物理モデルとして使用する構成が得られる。

図４は、本発明の第１の実施の形態における動作の概要の説明図である。図４（Ａ）ではＣＭＹＫとＬ^* ａ^* ｂ^* の関係を、また図４（Ｂ）ではＣＭＹＫと加重値との関係をそれぞれ示している。各演算部１１に設定されている中心色信号はそれぞれ異なっており、加重値を算出するための加重関数Ｇは中心色信号からの距離に応じた関数として設定していることから、図４（Ｂ）に示す山形の関数がそれぞれの中心色信号を中心とする色領域に設けられることになる。従って、与えられた色信号によって、それぞれの演算部１１から出力される加重値が異なり、与えられた色信号に最も近い中心色信号を有する演算部１１から最大の加重値が出力されることになる。また、上述の実色信号対によって、第１色信号を与えた場合のそれぞれの演算部１１から出力された加重値のパターンに対する教師信号（第２色信号）を学習し、その変換を行う変換係数が得られている。この変換係数を用いることにより、与えた色信号（ＣＭＹＫ）に対する各演算部１１の出力である加重値から、出力色信号（Ｌ^* ａ^* ｂ^* ）が得られることになる。従って、図４（Ａ）に示すように、与えた色信号（ＣＭＹＫ）に対する出力色信号（Ｌ^* ａ^* ｂ^* ）が得られる。なお、図４（Ａ）では、学習の際に用いた実色信号対のいくつかを丸印により示している。これらの実色信号対を近似する関数として、色変換モデルが得られたことになる。

図５は、本発明の第２の実施の形態を示す構成図である。この例でも、処理の対象となる色信号である処理対象色信号がＣＭＹＫ，合成部１２から出力される色信号である出力色信号がＬ^* ａ^* ｂ^* として図示している。第１の実施の形態でも説明したが、処理対象色信号および出力色信号はこの例に限られるものではなく、種々の色信号であってよい。

この第２の実施の形態における演算部１１は、第１の実施の形態で説明した加重値を算出するとともに、変換係数に従って与えられた色信号を中間色信号に変換する。変換係数は、図５に示す例ではＣＭＹＫからＬ^* ａ^* ｂ^* への変換であるので、４×３次元の行列である。あるいは、定数項を設けた５×３次元の行列でもよい。

この第２の実施の形態における合成部１２は、それぞれの演算部１１から得られた加重値と中間色信号を受け取り、中間色信号に対して加重値を用いた加重平均を求めることにより出力色信号の合成を行う。図６は、本発明の第２の実施の形態における合成部の一例を示す構成図である。加重値正規化部２１については第１の実施の形態で説明したので、ここでの説明は省略する。出力色信号変換部２２は、各演算部１１が出力した中間色信号に、各演算部１１が出力し加重値正規化部２１で正規化した加重値を乗算して出力色信号を算出する。加重値を正規化することにより中間色信号の加重平均を算出している。

各演算部１１で変換係数による色変換を行っているので、中心色信号を中心とする色領域での色変換の精度が第１の実施の形態の場合に比べて向上し、全体の色変換精度も向上する。また、加重値を正規化しておけば、処理対象の色信号がどの演算部１１の中心色信号からも離れていて加重値が小さな値となっていても、正常に出力色信号が合成され、外挿機能を有することになる。もちろん、加重値を正規化せずに用いてもよい。

演算部１１で用いる変換係数は、予め決められた値を与え、あるいはいくつかの中から選択してもよいし、実際の色信号を学習させることで統計的に得てもよい。例えば出力装置の入出力特性を色変換モデルとして求める場合には、まず、第１色信号を出力装置に与え、出力された色を測色して第２色信号を得て、第１色信号と第２色信号との対である実色信号対を、異なる第１色信号について複数得る。そして、いずれの第１色信号を処理対象色信号として与えた場合でも、出力色信号として第１色信号に対応する第２色信号が得られるように、それぞれの演算部１１における変換係数を算出すればよい。

図７は、本発明の第２の実施の形態における演算部で用いる変換係数の算出方法の一例の説明図である。例えば、学習により変換係数を得る場合は、図７に示す正規化ガウスネットワークの構成で変換係数を獲得するとよい。正規化ガウスネットワークでは、本発明の第２の実施の形態において演算部１１が行う変換係数を用いた色変換を「エキスパートモデル」と呼ぶ。与える色信号をｘ＝（ｘ₁ ，ｘ₂ ，…，ｘ_m ）^T とし、ｉ番目のエキスパートモデルをｆ_i （ｘ）、正規化ガウスネットワークの出力をｙ＝（ｙ₁ ，ｙ₂ ，…，ｙ_n ）^T とする。各エキスパートモデルはｙ_i ＝ｆ_i （ｘ）を出力し、ゲーティング関数によって重み付けされ、合成されて正規化ガウスネットワークの最終出力ｙとなる。

正規化ガウスネットワークのゲーティング関数は、以下に示すＰ個の全エキスパートモデルに対するガウス関数Ｇ_i （ｘ）の出力を総和として、０以上１以下に正規化されたガウス関数Ｎ_i （ｘ）を用いる。

一般の正規化ガウスネットワークにおけるガウス関数としては多変量正規分布を用いるが、出力装置の入出力特性を示す色変換モデルとして使用する場合には、与えられる色信号ｘ＝（ｘ₁ ，ｘ₂ ，…，ｘ_m ）^T （例えばｘ＝（Ｃ，Ｍ，Ｙ，Ｋ）^T ）の各要素である色材色の組み合わせには相関を持たせなくてよいので、共分散行列を扱う必要はない。この例では、ｉ番目のエキスパートモデルに色信号ｘが与えられる場合、平均値μ_i からの距離に対して分散σ_i でばらつくｙ_i の分布と考え、以下のガウス関数Ｇ_i を用いることにした。

正規化ガウスネットワークでは、エキスパートモデルｆ_i （ｘ）は線形変換であり、ｉ番目のエキスパートモデルの変換行列をＷ_i として、以下の式で表される。

定数項がある変換のため、Ｗ_i はｎ×（ｍ＋１）次元の行列である。正規化したガウス関数とエキスパートモデルの線形変換係数を用いることで、外挿能力や汎化能力が高まる。

正規化ガウス関数Ｎ_i によるゲーティング関数を用いることにより、正規化ガウスネットワークの出力値は以下の式により算出される。

この式が正規化ガウスネットワークによる出力装置の入出力特性を表す色変換モデルとなる。

このような正規化ガウスネットワークを用い、例えば上述の実色信号対を用いて学習させる。学習はバックプロパゲーション学習則で用いられている最急降下法で行えばよい。各エキスパートモデルの変換係数は、教師信号をζ＝（ζ₁ ，ζ₂ ，…，ζ_n ）（第２色信号）、学習定数をηとすると、以下の式で更新される。

十分に収束したｗ_ijを用いることにより色変換モデルが得られる。

例えば出力装置に与える色信号がＣＭＹＫ、出力装置から出力された色の測色信号がＬ^* ａ^* ｂ^* の場合には、ｘ＝（Ｃ，Ｍ，Ｙ，Ｋ）^T 、ｙ＝（Ｌ^* ，ａ^* ，ｂ^* ）^T であり、第１色信号ｘを各演算部１１に与え、色変換された中間色信号ｆ_i （ｘ）に、ゲーティング関数Ｇ_i （ｘ）を正規化したＮ_i （ｘ）を乗算して得た色信号ｙが、第１色信号ｘに対応する第２色信号ζ＝（Ｌ^* ，ａ^* ，ｂ^* ）^T （教師信号）となるように、Ｗ_i を十分に収束させる。なお、このような学習により変換係数を求める構成を図５に示した構成に追加してもよい。

このようにして求めたＷ_ijをそれぞれの演算部１１における変換係数として用いる。図５に示した構成では、色信号ｘを各演算部１１に与えると、各演算部１１において加重値Ｇ_j （ｘ）と、変換係数Ｗ_ijを用いた中間色信号ｆ_i （ｘ）が演算されて出力される。この加重値Ｇ_j （ｘ）は合成部１２の加重値正規化部２１で正規化されて正規化された加重値Ｎ_j （ｘ）が算出された後、正規化された加重値Ｎ_j （ｘ）を中間色信号ｆ_i （ｘ）に乗算し、加算することにより出力色信号ｙが合成される。なお、加重値を正規化していることから、中間色信号の加重平均が計算されることになる。

図８は、本発明の第２の実施の形態における動作の概要の説明図である。図８（Ａ）ではＣＭＹＫとＬ^* ａ^* ｂ^* の関係を、また図８（Ｂ）ではＣＭＹＫと加重値との関係をそれぞれ示している。図８（Ｂ）に示した加重値については、第１の実施の形態における図４（Ｂ）で説明したので、ここでは説明を省略する。また、それぞれの演算部１１における変換係数を用いた色変換は図８（Ａ）において破線で示している。学習の際には、この破線で示したそれぞれの演算部１１における色変換の関数が次第に修正され、収束させてゆくことになる。

十分に収束させた変換係数を用い、それぞれの演算部１１において与えられた色信号から中間色信号を算出するが、算出される中間色信号は、それぞれの演算部１１における変換係数を用いることから、図８（Ａ）に破線で示す関数に従って変換されることになる。これらの中間色信号は、それぞれの演算部１１で算出される加重値に従って加重平均が計算され、出力色信号が合成されることになる。その結果として、図８（Ａ）に実線で示す変換関数が得られることになる。これは、各演算部１１における変換係数を用いた関数を加重値によりつなぎ合わせた関数となる。これにより、出力装置の入出力特性を近似する色変換モデルが得られたことになる。なお、図８（Ａ）では、学習の際に用いた実色信号対のいくつかを丸印により示しており、出力装置の入出力特性を近似する色変換モデルが得られていることがわかる。

図９は、変換係数を学習する処理の一例を示す流れ図である。上述の第１および第２の実施の形態において変換係数を学習させる際の処理は、例えば図９に示した手順により行えばよい。予め実色信号対と変換係数の初期値を用意しておく。そしてＳ３１において、実色信号対の第１色信号を変換係数の初期値に従って出力色信号を得て、出力色信号と実色信号対の第２色信号との誤差を算出する。この誤差は、第２色信号と出力色信号との色差を求めるほか、例えば第１の実施の形態であれば数３により、第２の実施の形態であれば数８により、それぞれ算出された変換係数の誤差Δｗ_ijまたはΔＷ_ijを用いてもよい。Ｓ３２において、Ｓ３１で算出された誤差が予め決められた範囲内に収束したか否かを判定する。収束していれば、その時点での変換係数を学習結果とする。収束していないと判定された場合には、Ｓ３３において、変換係数を更新する。変換係数の更新は、例えば最急降下法などを用いればよく、第１の実施の形態であればｗ_ij＋Δｗ_ijにより、第２の実施の形態であればＷ_ij＋ΔＷ_ijにより、それぞれ行えばよい。

変換係数を更新したらＳ３１へ戻り、以後は更新された変換係数を用いて実色信号対の第１色信号から出力色信号を算出し、第２色信号との誤差を算出する。そしてＳ３２で収束したか否かを判定し、収束していなければ変換係数を更新するという処理を繰り返す。収束した場合の変換係数を取得すればよい。

図１０は、変換係数を学習する処理の別の例を示す流れ図である。上述の例では、変換係数について求める例を示したが、例えば中心色信号や加重関数の形状などについても学習によって決定してもよい。例えばノイゲバウアモデルなどの物理モデルでは、例えばセルラー型などで分割された色範囲は固定であり、網点の確率演算として計算方法が決まっている。そのため、第１および第２の実施の形態で説明した中心色信号や加重値を算出する際に用いる加重関数の形状を変更することはない。しかし、上述の第１および第２の実施の形態では、中心色信号や加重関数の形状についても、学習により決定するように構成してもよい。

この場合には、予め実色信号対と変換係数の初期値とともに、中心色信号の初期値、加重関数の形状を表す係数の初期値を用意しておく。加重関数の形状を表す係数としては、例えば、加重関数の広がりを制御する係数を用いるとよい。ここではこの係数を加重幅と呼ぶことにし、この加重幅を求めることとして加重幅の初期値を用意する。

Ｓ４１において、変換係数の初期値、中心色信号の初期値、加重幅の初期値に従って、実色信号対の第１色信号を変換して出力色信号を得る。そして、出力色信号と実色信号対の第２色信号との誤差を算出する。この誤差は、図９のＳ３１で説明した通りである。

Ｓ４２において、Ｓ４１で算出された誤差が予め決められた範囲内に収束したか否かを判定する。収束していれば、その時点での変換係数、中心色信号、加重幅を学習結果とする。収束していないと判定された場合には、Ｓ４３において、中心色信号および加重幅を更新する。これらの更新についても、誤差を最小化するように中心色信号と加重幅で最急降下法を用いて更新量を求めればよい。さらにＳ４４において、更新された中心色信号および加重幅を用い、変換係数を更新する。変換係数の更新についてはすでに述べたとおりであり、最急降下法などを用いて更新量を求め、変換係数を更新すればよい。

中心色信号、加重幅、変換係数を更新したらＳ４１へ戻り、以後は更新された中心色信号、加重幅、変換係数を用いて実色信号対の第１色信号から出力色信号を算出し、第２色信号との誤差を算出する。そしてＳ４２で収束したか否かを判定し、収束していなければ中心色信号、加重幅、変換係数を更新するという処理を繰り返す。収束した場合の中心色信号、加重幅、変換係数を取得すればよい。

図１１は、中心色信号、加重幅、変換係数を取得する処理の動作の一例の概念図である。図１１（Ｂ）に破線で示す加重関数および中心色信号が初期値であり、上述の処理により得られた加重関数および中心色信号を実線で示している。学習の処理によって、中心色信号は移動し、また、加重関数についても極大の位置が中心色信号の移動に伴って移動するとともに、その形状が変化している。

また、図１１（Ａ）に示したＣＭＹＫとＬ^* ａ^* ｂ^* の関係において、破線で示した関数が変換係数の初期値によるものであり、学習の処理によって得られた変換係数による関数を実線で示している。このように、学習の処理によって得られた中心色信号、加重関数の形状、変換係数は、実際の出力装置の入出力特性に合わせたものとなる。

図１２は、調整部の一例の説明図である。図中、５１は調整部である。調整部５１は、出力装置の入出力特性が変動した場合に再学習を行って、変換係数を更新する。出力装置は使用しているうちに入出力特性がずれてくる場合があり、そのまま使用していると出力装置から実際に出力される色がずれてしまう。そのため、当該出力装置の入出力特性を示す色変換モデルを作成した場合、その色変換モデルも出力装置の入出力特性の変動に応じて調整する必要がある。上述の第１および第２の実施の形態として示した構成により色変換モデルを構築した場合、その色変換モデルは物理モデルの特性を有しており、従って調整の際には中心色信号で調整を行えばよい。すなわち、実色信号対の第１色信号として各演算部１１の中心色信号を対応する第２色信号とともに用いて学習を行えばよい。学習は、例えば図９に示した処理を行えばよく、その場合の変換係数の初期値は調整前の変換係数を使用すればよい。

調整部５１による再学習は、色変換モデルを構築する際の学習に用いた実色信号対と同じ数の実色信号対を用いる必要はなく、それより少ない数でも十分に達成される。例えば、色変換モデルを構築する際の学習では色変換プロファイルを作成する際に用いられる１０００以上の実色信号対を用いて行う場合でも、再学習の際には２００あるいは３００程度の実色信号対で十分に再学習が行われる。

ここでは変換係数を調整することとしているが、もちろん、中心色信号および加重関数の形状についても図１０で説明した処理によって調整してもよい。また、調整部５１を、第１の実施の形態として説明した図１に示した構成に付加してもよいし、第２の実施の形態として説明した図５に示した構成に付加してもよい。

図１３は、演算部の削減を図る処理を行う場合の一例を示す構成図である。図中、６１は削減部、６２は精度算出部、６３は削減判定部である。上述の第１および第２の実施の形態では演算部１１を複数設けるが、色変換の精度に寄与していない演算部１１が存在する場合があり、このような演算部１１を削除して演算部１１の個数を減らしてもよい。いずれの演算部１１を削除するか、あるいは削除しないかを判定する構成を図１３に示している。

削減部６１は、動作している演算部１１のうちの１つを削減する。例えば演算部１１のうちの１つについて動作を停止するように制御すればよい。

精度算出部６２は、削減部６１により演算部１１が削減された構成に色信号を与えて得た出力色信号と、その色信号を出力装置に与えて出力された色を測色した測色色信号とから変換精度を算出する。例えば平均色差や最大色差、あるいはそのほかの指標に従って変換精度を算出すればよい。

削減判定部６３は、精度算出部６２で算出した変換精度に基づいて、削減部６１で削減した演算部１１を削減してよいか否かを判定する。変換精度が予め設定されている範囲内であれば、削減部６１で削減した演算部１１については削減してよいものとして判断する。変換精度が予め設定されている範囲を超えている場合には、削減部６１で削減した演算部１１については削減対象とはしない。

このような処理を、削減部６１で削減する演算部１１を変更しながら繰り返して行い、削減してもよい演算部１１を特定する。さらに、特定した演算部１１を削減した構成から、さらに削減してもよい演算部１１を特定する処理を繰り返してもよい。

このような構成を、第１の実施の形態として説明した図１に示した構成に付加してもよいし、第２の実施の形態として説明した図５に示した構成に付加してもよい。あるいは、予め図１３に示した構成により不要な演算部１１を削除して構成してもよい。

図１４は、本発明の各実施の形態で説明した機能をコンピュータプログラムで実現した場合におけるコンピュータプログラム及びそのコンピュータプログラムを格納した記憶媒体とコンピュータの一例の説明図である。図中、７１はプログラム、７２はコンピュータ、８１は光磁気ディスク、８２は光ディスク、８３は磁気ディスク、８４はメモリ、９１はＣＰＵ、９２は内部メモリ、９３は読取部、９４はハードディスク、９５はインタフェース、９６は通信部である。

上述の本発明の各実施の形態（および調整、削減などの付加的な構成を含む）で説明した各部の機能を全部あるいは部分的に、コンピュータに実行させるプログラム７１によって実現してもよい。その場合、そのプログラム７１およびそのプログラムが用いるデータなどは、コンピュータが読み取る記憶媒体に記憶させておけばよい。記憶媒体とは、コンピュータのハードウェア資源に備えられている読取部９３に対して、プログラムの記述内容に応じて、磁気、光、電気等のエネルギーの変化状態を引き起こして、それに対応する信号の形式で、読取部９３にプログラムの記述内容を伝達するものである。例えば、光磁気ディスク８１，光ディスク８２（ＣＤ、ＤＶＤなどを含む）、磁気ディスク８３，メモリ８４（ＩＣカード、メモリカード、フラッシュメモリなどを含む）等である。もちろんこれらの記憶媒体は、可搬型に限られるものではない。

これらの記憶媒体にプログラム７１を格納しておき、例えばコンピュータ７２の読取部９３あるいはインタフェース９５にこれらの記憶媒体を装着することによって、コンピュータからプログラム７１を読み出し、内部メモリ９２またはハードディスク９４（磁気ディスクやシリコンディスクなどを含む）に記憶し、ＣＰＵ９１によってプログラム７１を実行することによって、上述の本発明の各実施の形態で説明した機能が全部あるいは部分的に実現される。あるいは、通信路を介してプログラム７１をコンピュータ７２に転送し、コンピュータ７２では通信部９６でプログラム７１を受信して内部メモリ９２またはハードディスク９４に記憶し、ＣＰＵ９１によってプログラム７１を実行することによって実現してもよい。

コンピュータ７２には、このほかインタフェース９５を介して様々な装置と接続してもよい。もちろん、部分的にハードウェアによって構成してもよいし、全部をハードウェアで構成してもよい。あるいは、他の構成とともに本発明の各実施の形態で説明した機能の全部あるいは部分的に含めたプログラムとして構成してもよい。他の用途に適用する場合には、その用途におけるプログラムと一体化してもよい。

１１…演算部、１２…合成部、２１…加重値正規化部、２２…出力色信号変換部、５１…調整部、６１…削減部、６２…精度算出部、６３…削減判定部、７１…プログラム、７２…コンピュータ、８１…光磁気ディスク、８２…光ディスク、８３…磁気ディスク、８４…メモリ、９１…ＣＰＵ、９２…内部メモリ、９３…読取部、９４…ハードディスク、９５…インタフェース、９６…通信部。

Claims (6)

1. それぞれ異なる色信号が中心色信号として設定されており、与えられた色信号の前記中心色信号からの距離に応じた加重値を算出する複数の演算手段と、第１色信号と該第１色信号を出力装置に与えて出力された色を測色した第２色信号との対である複数の実色信号対に従い、前記第１色信号をそれぞれの前記演算手段に与えた場合に得られる複数の前記加重値から前記第２色信号が算出される変換係数を用いて、与えられた色信号に対してそれぞれの前記演算手段により算出された加重値をもとに出力色信号を合成する合成手段を有することを特徴とする色処理装置。
2. それぞれ異なる色信号が中心色信号として設定されており、与えられた色信号の前記中心色信号からの距離に応じた加重値を算出するとともに、変換係数に従って与えられた色信号を中間色信号に変換する複数の演算手段と、それぞれの前記演算手段から得られた中間色信号及び加重値をもとに出力色信号を合成する合成手段を有し、前記演算手段における中間色信号への色変換をエキスパートモデルとし、前記中心色信号を中心に距離に応じたガウス関数を正規化してゲーティング関数とした正規化ガウスネットワークを用い、該正規化ガウスネットワークに対して、複数の第１色信号を与えるとともに、該第１色信号を出力装置に与えて出力された色を測色した第２色信号を教師信号として与えて学習させ、学習後のそれぞれの前記エキスパートモデルにおける変換関係を前記変換係数として用い、正規化したゲーティング関数の値を前記加重値とすることを特徴とする色処理装置。
3. 前記中心色信号および前記加重値を求める関数の形状は、前記実色信号対に従って初期値から更新されたものであることを特徴とする請求項１に記載の色処理装置。
4. さらに、前記中心色信号と前記中心色信号を前記出力装置に与えて出力された色を測色した測色色信号との対を用いて前記変換係数を調整する調整手段を有することを特徴とする請求項１または請求項２に記載の色処理装置。
5. さらに、前記演算手段を削減する削減手段と、前記演算手段が削減された構成に色信号を与えて得た出力色信号と前記色信号を前記出力装置に与えて出力された色を測色した測色色信号とから変換精度を算出する精度算出手段と、前記精度算出手段で算出した前記変換精度に基づいて前記削減手段で削減した演算手段を削減してよいか否かを判定する削減判定手段を有することを特徴とする請求項１または請求項２に記載の色処理装置。
6. コンピュータに、請求項１から請求項５のいずれか１項に記載の色処理装置の機能を実行させるものであることを特徴とする色処理プログラム。

Images