JPH0894442A - コンピュータカラーマッチング方法 - Google Patents
コンピュータカラーマッチング方法Info
- Publication number
- JPH0894442A JPH0894442A JP6252923A JP25292394A JPH0894442A JP H0894442 A JPH0894442 A JP H0894442A JP 6252923 A JP6252923 A JP 6252923A JP 25292394 A JP25292394 A JP 25292394A JP H0894442 A JPH0894442 A JP H0894442A
- Authority
- JP
- Japan
- Prior art keywords
- color matching
- samples
- neural network
- prediction
- color
- 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
Links
Landscapes
- Spectrometry And Color Measurement (AREA)
- Coloring (AREA)
Abstract
(57)【要約】
【目的】 各成分の吸収係数Ｋi と散乱係数Ｓi とを補
正することなく、予測誤差を減少させる。 【構成】 ニューラルネットワークに、混合物の三刺激
値とコンピュータカラーマッチングによる予測誤差の関
係を学習させる。学習済みのニューラルネットワークを
用いて、コンピュータカラーマッチングの予測を補正す
れば、各成分の吸収係数Ｋi と散乱係数Ｓi とを補正す
ることなく、予測誤差を減少させることができる。。
正することなく、予測誤差を減少させる。 【構成】 ニューラルネットワークに、混合物の三刺激
値とコンピュータカラーマッチングによる予測誤差の関
係を学習させる。学習済みのニューラルネットワークを
用いて、コンピュータカラーマッチングの予測を補正す
れば、各成分の吸収係数Ｋi と散乱係数Ｓi とを補正す
ることなく、予測誤差を減少させることができる。。
Description
【０００１】
【産業上の利用分野】この発明は、コンピュータカラー
マッチングによって着色剤の調合割合の予測または混合
物の色予測を行なう方法に関する。
マッチングによって着色剤の調合割合の予測または混合
物の色予測を行なう方法に関する。
【０００２】
【従来の技術】顔料や染料などの着色剤を被着色物に混
合した混合物の色を予測するために、いわゆるコンピュ
ータカラーマッチングが利用されている。コンピュータ
カラーマッチングでは、被着色物と着色剤の吸収係数Ｋ
i （λ）と散乱係数Ｓi （λ）とを用い、ダンカン（Du
ncan）の式（数式１）と、クベルカ−ムンク（Kubelka-
Munk）の混色理論による式（数式２）に基づいて、任意
の混合物の分光反射率Ｒ（λ）を求めることができる。
合した混合物の色を予測するために、いわゆるコンピュ
ータカラーマッチングが利用されている。コンピュータ
カラーマッチングでは、被着色物と着色剤の吸収係数Ｋ
i （λ）と散乱係数Ｓi （λ）とを用い、ダンカン（Du
ncan）の式（数式１）と、クベルカ−ムンク（Kubelka-
Munk）の混色理論による式（数式２）に基づいて、任意
の混合物の分光反射率Ｒ（λ）を求めることができる。
【０００３】
【数１】
【０００４】
【数２】
【０００５】ここで、ＫM ，ＳM は混合物の吸収係数と
散乱係数、Ｋi ，Ｓi はｉ番目の成分の吸収係数と散乱
係数、Ｃi はｉ番目の成分の調合率である。但し、この
明細書の数式においては、波長λに依存していることを
示す「（λ）」は省略されている。混合物の成分は、被
着色物と着色剤である。
散乱係数、Ｋi ，Ｓi はｉ番目の成分の吸収係数と散乱
係数、Ｃi はｉ番目の成分の調合率である。但し、この
明細書の数式においては、波長λに依存していることを
示す「（λ）」は省略されている。混合物の成分は、被
着色物と着色剤である。
【０００６】混合物の分光反射率Ｒ（λ）が解れば、そ
の混合物の三刺激値Ｘ，Ｙ，Ｚが計算できるので、混合
物の色を予測することができる。逆に、目標とする色を
有する混合物を得るための調合割合をコンピュータカラ
ーマッチングによって予測することも可能である。
の混合物の三刺激値Ｘ，Ｙ，Ｚが計算できるので、混合
物の色を予測することができる。逆に、目標とする色を
有する混合物を得るための調合割合をコンピュータカラ
ーマッチングによって予測することも可能である。
【０００７】一般に、コンピュータカラーマッチングに
よる予測には誤差があるので、その予測誤差を小さくす
る工夫が必要である。従来は、予測誤差を減少させるた
めに、各着色剤の吸収係数Ｋi と反射係数Ｓi とを正確
な値に近づけるように補正していた。
よる予測には誤差があるので、その予測誤差を小さくす
る工夫が必要である。従来は、予測誤差を減少させるた
めに、各着色剤の吸収係数Ｋi と反射係数Ｓi とを正確
な値に近づけるように補正していた。
【０００８】
【発明が解決しようとする課題】しかし、各成分の吸収
係数Ｋi と反射係数Ｓi とを正確な値に近づけるために
は、被着色物に各着色剤を単独で含む数多くの混合物サ
ンプルを作成して、その分光反射率を測定しなければな
らず、膨大な作業を要していた。また、天然の顔料を着
色剤として用いる場合には、その吸収係数Ｋi や散乱係
数Ｓi が必ずしも一定の値にはならないので、吸収係数
Ｋi と散乱係数Ｓi を正確な値に近づけることが困難で
あった。
係数Ｋi と反射係数Ｓi とを正確な値に近づけるために
は、被着色物に各着色剤を単独で含む数多くの混合物サ
ンプルを作成して、その分光反射率を測定しなければな
らず、膨大な作業を要していた。また、天然の顔料を着
色剤として用いる場合には、その吸収係数Ｋi や散乱係
数Ｓi が必ずしも一定の値にはならないので、吸収係数
Ｋi と散乱係数Ｓi を正確な値に近づけることが困難で
あった。
【０００９】この発明は、従来技術における上述の課題
を解決するためになされたものであり、各成分の吸収係
数Ｋi と散乱係数Ｓi とを補正することなく、予測誤差
を減少させることのできるコンピュータカラーマッチン
グ方法を提供することを目的とする。
を解決するためになされたものであり、各成分の吸収係
数Ｋi と散乱係数Ｓi とを補正することなく、予測誤差
を減少させることのできるコンピュータカラーマッチン
グ方法を提供することを目的とする。
【００１０】
【課題を解決するための手段および作用】上述の課題を
解決するため、この発明の請求項１に記載したコンピュ
ータカラーマッチングは、（ａ）複数の着色剤を混合し
て、調合率が互いに異なる複数のサンプルを準備する工
程と、（ｂ）前記複数のサンプルの分光反射率をそれぞ
れ測定するとともに、前記分光反射率の測定値から、前
記複数のサンプルのそれぞれの色を表わす所定の表色系
の座標値の実測値を求める工程と、（ｃ）前記複数のサ
ンプルのそれぞれに関して、前記表色系の座標値の予測
誤差を算出する工程と、（ｄ）前記複数のサンプルに関
する前記表色系の座標値と前記予測誤差との関係を、所
定の誤差補正法で分析する工程と、（ｅ）前記誤差補正
法を用いてコンピュータカラーマッチングの目標値また
は予測値を補正しつつ、新たな混合物の着色剤の調合割
合の予測または混合物の色予測をコンピュータカラーマ
ッチングにより行なう工程と、を備えることを特徴とす
る。
解決するため、この発明の請求項１に記載したコンピュ
ータカラーマッチングは、（ａ）複数の着色剤を混合し
て、調合率が互いに異なる複数のサンプルを準備する工
程と、（ｂ）前記複数のサンプルの分光反射率をそれぞ
れ測定するとともに、前記分光反射率の測定値から、前
記複数のサンプルのそれぞれの色を表わす所定の表色系
の座標値の実測値を求める工程と、（ｃ）前記複数のサ
ンプルのそれぞれに関して、前記表色系の座標値の予測
誤差を算出する工程と、（ｄ）前記複数のサンプルに関
する前記表色系の座標値と前記予測誤差との関係を、所
定の誤差補正法で分析する工程と、（ｅ）前記誤差補正
法を用いてコンピュータカラーマッチングの目標値また
は予測値を補正しつつ、新たな混合物の着色剤の調合割
合の予測または混合物の色予測をコンピュータカラーマ
ッチングにより行なう工程と、を備えることを特徴とす
る。
【００１１】複数のサンプルに関する所定の表色系の座
標値とその予測誤差とを所定の誤差補正法で分析し、そ
の誤差補正法によってコンピュータカラーマッチングの
目標値または予測値を補正しつつ予測を行なうので、各
成分の吸収係数Ｋi と散乱係数Ｓi とを補正することな
く予測誤差を減少させることができる。
標値とその予測誤差とを所定の誤差補正法で分析し、そ
の誤差補正法によってコンピュータカラーマッチングの
目標値または予測値を補正しつつ予測を行なうので、各
成分の吸収係数Ｋi と散乱係数Ｓi とを補正することな
く予測誤差を減少させることができる。
【００１２】請求項２に記載したコンピュータカラーマ
ッチング方法では、前記工程（ｄ）は、前記複数のサン
プルに関する前記表色系の座標値と前記予測誤差との関
係をニューラルネットワークに学習させる工程、を含
み、前記工程（ｅ）は、学習済みのニューラルネットワ
ークを用いてコンピュータカラーマッチングによる予測
を行なう工程を含む。
ッチング方法では、前記工程（ｄ）は、前記複数のサン
プルに関する前記表色系の座標値と前記予測誤差との関
係をニューラルネットワークに学習させる工程、を含
み、前記工程（ｅ）は、学習済みのニューラルネットワ
ークを用いてコンピュータカラーマッチングによる予測
を行なう工程を含む。
【００１３】ニューラルネットワークを用いて予測誤差
を補正するようにすれば、数多くのサンプルを学習させ
ることによって、予測誤差を減少させることができる。
を補正するようにすれば、数多くのサンプルを学習させ
ることによって、予測誤差を減少させることができる。
【００１４】請求項３に記載したコンピュータカラーマ
ッチング方法では、前記ニューラルネットワークは、３
つのニューロンで構成される入力層と、複数のニューロ
ンを含む中間層と、３つのニューロンで構成される出力
層と、で構成される三層の階層構造を有する。
ッチング方法では、前記ニューラルネットワークは、３
つのニューロンで構成される入力層と、複数のニューロ
ンを含む中間層と、３つのニューロンで構成される出力
層と、で構成される三層の階層構造を有する。
【００１５】
【実施例】図１は、実施例における処理の全体手順を示
すフローチャートである。なお、この実施例で対象とす
る混合物は、陶磁器の素地の表面を覆うための釉（ゆ
う）である。すなわち、顔料を入れないベース釉（基礎
釉）が被着色物であり、このベース釉に顔料を添加した
釉がコンピュータカラーマッチングの対象となる混合物
である。
すフローチャートである。なお、この実施例で対象とす
る混合物は、陶磁器の素地の表面を覆うための釉（ゆ
う）である。すなわち、顔料を入れないベース釉（基礎
釉）が被着色物であり、このベース釉に顔料を添加した
釉がコンピュータカラーマッチングの対象となる混合物
である。
【００１６】ステップＳ１では、コンピュータカラーマ
ッチングの予測結果（三刺激値）を補正するためのニュ
ーラルネットワークの学習を行なう。ステップＳ２〜Ｓ
５では、学習済みのニューラルネットワークを用いてコ
ンピュータカラーマッチングの目標値を補正して、正確
な予測結果を求めている。以下ではまず、ステップＳ２
〜Ｓ５の内容を説明する前に、ニューラルネットワーク
の構成とステップＳ１の詳細手順について説明する。
ッチングの予測結果（三刺激値）を補正するためのニュ
ーラルネットワークの学習を行なう。ステップＳ２〜Ｓ
５では、学習済みのニューラルネットワークを用いてコ
ンピュータカラーマッチングの目標値を補正して、正確
な予測結果を求めている。以下ではまず、ステップＳ２
〜Ｓ５の内容を説明する前に、ニューラルネットワーク
の構成とステップＳ１の詳細手順について説明する。
【００１７】図２は、ニューラルネットワークの構成を
示す説明図である。このニューラルネットワークは、入
力層１０と中間層２０と出力層３０とで構成される三層
の階層構造を有している。入力層１０は、３つのニュー
ロンＮ11〜Ｎ13で構成されており、中間層２０は５つの
ニューロンＮ21〜Ｎ25で、出力層３０は３つのニューロ
ンＮ31〜Ｎ33でそれぞれ構成されている。
示す説明図である。このニューラルネットワークは、入
力層１０と中間層２０と出力層３０とで構成される三層
の階層構造を有している。入力層１０は、３つのニュー
ロンＮ11〜Ｎ13で構成されており、中間層２０は５つの
ニューロンＮ21〜Ｎ25で、出力層３０は３つのニューロ
ンＮ31〜Ｎ33でそれぞれ構成されている。
【００１８】入力層１０の３つのニューロンＮ11〜Ｎ13
には、三刺激値Ｘ，Ｙ，Ｚがそれぞれ入力される。入力
層１０のニューロンＮijから中間層２０のニューロンＮ
k に伝達される信号は、それぞれの入力信号に重みＷi
j，k を乗じたものである。ここで、ｉは注目している
階層を示す番号、ｊは注目している階層内でのニューロ
ンの順番を示す番号、ｋは次の階層のニューロンの順番
を示す番号である。例えば、入力層１０の第１のニュー
ロンＮ11から中間層２０の第１のニューロンＮ21に伝達
される信号はＷ11， 1Ｘであり、入力層１０の第１のニ
ューロンＮ11から中間層２０の第２のニューロンＮ22に
伝達される信号はＷ11， 2Ｘである。
には、三刺激値Ｘ，Ｙ，Ｚがそれぞれ入力される。入力
層１０のニューロンＮijから中間層２０のニューロンＮ
k に伝達される信号は、それぞれの入力信号に重みＷi
j，k を乗じたものである。ここで、ｉは注目している
階層を示す番号、ｊは注目している階層内でのニューロ
ンの順番を示す番号、ｋは次の階層のニューロンの順番
を示す番号である。例えば、入力層１０の第１のニュー
ロンＮ11から中間層２０の第１のニューロンＮ21に伝達
される信号はＷ11， 1Ｘであり、入力層１０の第１のニ
ューロンＮ11から中間層２０の第２のニューロンＮ22に
伝達される信号はＷ11， 2Ｘである。
【００１９】中間層２０の各ニューロンＮijの入力ｕij
と出力Ｑijとの関係は、次の数式３に示す情報伝達関数
ｆ（ｕij）で与えられる。
と出力Ｑijとの関係は、次の数式３に示す情報伝達関数
ｆ（ｕij）で与えられる。
【００２０】
【数３】
【００２１】ここで、Ｑ(i-1)jは（ｉ−１）番目の階層
（すなわち入力層１０）のｊ番目のニューロンＮ(i-1)j
の出力であり、図２の例ではＱ11＝Ｘ，Ｑ12＝Ｙ，Ｑ13
＝Ｚである。また、Ｗ(i-1)j，k は（ｉ−１）番目の階
層のｊ番目のニューロンＮ(i-1)jから、注目しているニ
ューロンＮijに伝達される信号に掛かる重みである。ｔ
はしきい値であり、一定の値が割当てられる。なお、数
式３の情報伝達関数ｆ（ｕij）はシグモイド関数と呼ば
れている。
（すなわち入力層１０）のｊ番目のニューロンＮ(i-1)j
の出力であり、図２の例ではＱ11＝Ｘ，Ｑ12＝Ｙ，Ｑ13
＝Ｚである。また、Ｗ(i-1)j，k は（ｉ−１）番目の階
層のｊ番目のニューロンＮ(i-1)jから、注目しているニ
ューロンＮijに伝達される信号に掛かる重みである。ｔ
はしきい値であり、一定の値が割当てられる。なお、数
式３の情報伝達関数ｆ（ｕij）はシグモイド関数と呼ば
れている。
【００２２】例えば、数式３を中間層２０の第１のニュ
ーロンＮ21の入出力関係に適用すると、次の数式４が得
られる。
ーロンＮ21の入出力関係に適用すると、次の数式４が得
られる。
【００２３】
【数４】
【００２４】出力層３０の各ニューロンの入出力関係も
上記数式３で与えられる。図２に示す実施例では、出力
層３０の３つのニューロンＮ31〜Ｎ33の出力Ｑ11〜Ｑ13
を、コンピュータカラーマッチング（ＣＣＭ）による三
刺激値の予測誤差△Ｘ，△Ｙ，△Ｚとしている。
上記数式３で与えられる。図２に示す実施例では、出力
層３０の３つのニューロンＮ31〜Ｎ33の出力Ｑ11〜Ｑ13
を、コンピュータカラーマッチング（ＣＣＭ）による三
刺激値の予測誤差△Ｘ，△Ｙ，△Ｚとしている。
【００２５】ニューラルネットワークの学習は、入力層
１０への入力（Ｘ，Ｙ，Ｚ）と出力層３０からの出力
（△Ｘ，△Ｙ，△Ｚ）との間の関係を数多く与えて、正
しい入出力関係を与えるような重みＷij，k の値を決定
する作業である。
１０への入力（Ｘ，Ｙ，Ｚ）と出力層３０からの出力
（△Ｘ，△Ｙ，△Ｚ）との間の関係を数多く与えて、正
しい入出力関係を与えるような重みＷij，k の値を決定
する作業である。
【００２６】図３は、図１のステップＳ１の詳細手順を
示すフローチャートである。ステップＳ１１では、コン
ピュータカラーマッチングにおいて予測の対象とする混
合物の色の範囲をカバーするような複数の三刺激値（Ｘ
it，Ｙit，Ｚit）を定めて、これらの複数の三刺激値を
有するような複数のサンプルの調合割合をコンピュータ
カラーマッチングで決定する。図４は、コンピュータカ
ラーマッチングでの色の予測対象範囲ＰＡと、この予測
対象範囲ＰＡをカバーする複数の三刺激値の分布を示す
概念図である。この実施例ではＣＩＥ−ＸＹＺ表色系で
色を表現するものとしており、色の予測対象範囲ＰＡは
ＸＹＺ座標系の３次元的な範囲として与えられる。な
お、予測対象範囲ＰＡは、予測対象とする混合物が取り
得る色の範囲を示すものであり、任意に設定し得る範囲
である。
示すフローチャートである。ステップＳ１１では、コン
ピュータカラーマッチングにおいて予測の対象とする混
合物の色の範囲をカバーするような複数の三刺激値（Ｘ
it，Ｙit，Ｚit）を定めて、これらの複数の三刺激値を
有するような複数のサンプルの調合割合をコンピュータ
カラーマッチングで決定する。図４は、コンピュータカ
ラーマッチングでの色の予測対象範囲ＰＡと、この予測
対象範囲ＰＡをカバーする複数の三刺激値の分布を示す
概念図である。この実施例ではＣＩＥ−ＸＹＺ表色系で
色を表現するものとしており、色の予測対象範囲ＰＡは
ＸＹＺ座標系の３次元的な範囲として与えられる。な
お、予測対象範囲ＰＡは、予測対象とする混合物が取り
得る色の範囲を示すものであり、任意に設定し得る範囲
である。
【００２７】この実施例においては、予測対象範囲ＰＡ
をカバーするために、図４に白丸で示す７組の三刺激値
を決定した。ステップＳ１１では、さらに、これらの７
組の三刺激値（Ｘit，Ｙit，Ｚit）を有するような７種
類のサンプルＭ１〜Ｍ７の調合割合を、コンピュータカ
ラーマッチングによって予測した。
をカバーするために、図４に白丸で示す７組の三刺激値
を決定した。ステップＳ１１では、さらに、これらの７
組の三刺激値（Ｘit，Ｙit，Ｚit）を有するような７種
類のサンプルＭ１〜Ｍ７の調合割合を、コンピュータカ
ラーマッチングによって予測した。
【００２８】ここで、コンピュータカラーマッチングに
よる色予測と調合割合の予測について簡単に説明する。
数式２を変形すると、混合物の分光反射率Ｒ（λ）は、
次の数式５で与えられる。
よる色予測と調合割合の予測について簡単に説明する。
数式２を変形すると、混合物の分光反射率Ｒ（λ）は、
次の数式５で与えられる。
【００２９】
【数５】
【００３０】混合物の吸収係数と散乱係数の比（Ｋ／
Ｓ）M は、各成分の吸収係数Ｋi （λ）と散乱係数Ｓi
（λ）と調合率Ｃi から数式１に従って算出できるの
で、混合物の分光反射率Ｒ（λ）を上記数式５から求め
ることができる。この分光反射率Ｒ（λ）は理想状態
（被着色物の厚みが無限大の場合）の分光反射率なの
で、分光光度計で測定できる分光反射率Ｒ’（λ）を、
次の数式６（サンダーソンの式）に従って求める。
Ｓ）M は、各成分の吸収係数Ｋi （λ）と散乱係数Ｓi
（λ）と調合率Ｃi から数式１に従って算出できるの
で、混合物の分光反射率Ｒ（λ）を上記数式５から求め
ることができる。この分光反射率Ｒ（λ）は理想状態
（被着色物の厚みが無限大の場合）の分光反射率なの
で、分光光度計で測定できる分光反射率Ｒ’（λ）を、
次の数式６（サンダーソンの式）に従って求める。
【００３１】
【数６】
【００３２】ここで、係数ｋ1 ，ｋ2 は、被着色物（ベ
ース釉）の光学的性質に依存する値である。係数ｋ1 ，
ｋ2 としては、被着色物の屈折率ｎから次の数式７に従
って決定することができる。
ース釉）の光学的性質に依存する値である。係数ｋ1 ，
ｋ2 としては、被着色物の屈折率ｎから次の数式７に従
って決定することができる。
【００３３】
【数７】
【００３４】なお、実施例において用いたベース釉は、
屈折率ｎが約１．４である。
屈折率ｎが約１．４である。
【００３５】数式６によって分光反射率Ｒ’（λ）が求
まると、混合物の三刺激値Ｘ，Ｙ，Ｚが次の数式８によ
って求められる。
まると、混合物の三刺激値Ｘ，Ｙ，Ｚが次の数式８によ
って求められる。
【００３６】
【数８】
【００３７】ここで、Ｓ（λ）は標準光の分光分布、ｘ
（λ），ｙ（λ），ｚ（λ）（数式中ではバー付きであ
る）は等色関数である。
（λ），ｙ（λ），ｚ（λ）（数式中ではバー付きであ
る）は等色関数である。
【００３８】コンピュータカラーマッチングによって混
合物の色を予測する場合には、上述のように、混合物の
各成分の吸収係数と散乱係数に基づき、数式１，５〜８
に従って、その混合物の三刺激値Ｘ，Ｙ，Ｚを算出す
る。三刺激値は混合物の色を表わすので、任意の混合物
の色を予測することができることになる。
合物の色を予測する場合には、上述のように、混合物の
各成分の吸収係数と散乱係数に基づき、数式１，５〜８
に従って、その混合物の三刺激値Ｘ，Ｙ，Ｚを算出す
る。三刺激値は混合物の色を表わすので、任意の混合物
の色を予測することができることになる。
【００３９】また、所望の色を有する混合物の調合割合
を予測する場合には、混合物の調合割合を仮定して、上
述した手順でその三刺激値を算出し、ニュートン−ラプ
ソン法などの逐次近似法によって所望の色に所定の誤差
内で一致するような調合割合を求める。
を予測する場合には、混合物の調合割合を仮定して、上
述した手順でその三刺激値を算出し、ニュートン−ラプ
ソン法などの逐次近似法によって所望の色に所定の誤差
内で一致するような調合割合を求める。
【００４０】図３のステップＳ１２では、ステップＳ１
１で予測された調合割合Ｃｉを有する複数のサンプルを
作成する。この実施例では、図４の７組の三刺激値（Ｘ
it，Ｙit，Ｚit）に対応する７つのサンプルＭ１〜Ｍ７
を作成した。ステップＳ１３では、各サンプルＭｉの分
光反射率を分光光度計で測定し、上記数式８に従ってそ
の三刺激値（Ｘim，Ｙim，Ｚim）を求める。
１で予測された調合割合Ｃｉを有する複数のサンプルを
作成する。この実施例では、図４の７組の三刺激値（Ｘ
it，Ｙit，Ｚit）に対応する７つのサンプルＭ１〜Ｍ７
を作成した。ステップＳ１３では、各サンプルＭｉの分
光反射率を分光光度計で測定し、上記数式８に従ってそ
の三刺激値（Ｘim，Ｙim，Ｚim）を求める。
【００４１】ステップＳ１４では、各サンプルＭｉに関
して、ステップＳ１３で得られた実測値（Ｘim，Ｙim，
Ｚim）とステップＳ１１で決定した目標値（Ｘit，Ｙi
t，Ｚit）との差をとることによって、予測誤差△Mi
（Ｘim−Ｘit，Ｙim−Ｙit，Ｚim−Ｚit）を求める。図
５は、実施例において得られた７つのサンプルＭ１〜Ｍ
７の予測誤差を示す概念図である。また、図６は、各サ
ンプルの三刺激値の目標値（ステップＳ１１で決定され
た値）と予測誤差△Mi（△Ｘ，△Ｙ，△Ｚ）を示す説明
図である。
して、ステップＳ１３で得られた実測値（Ｘim，Ｙim，
Ｚim）とステップＳ１１で決定した目標値（Ｘit，Ｙi
t，Ｚit）との差をとることによって、予測誤差△Mi
（Ｘim−Ｘit，Ｙim−Ｙit，Ｚim−Ｚit）を求める。図
５は、実施例において得られた７つのサンプルＭ１〜Ｍ
７の予測誤差を示す概念図である。また、図６は、各サ
ンプルの三刺激値の目標値（ステップＳ１１で決定され
た値）と予測誤差△Mi（△Ｘ，△Ｙ，△Ｚ）を示す説明
図である。
【００４２】なお、ステップＳ１１で得られた調合割合
Ｃｉからコンピュータカラーマッチングによって各サン
プルの三刺激値の予測値（Ｘic，Ｙic，Ｚic）を求め、
実測値（Ｘim，Ｙim，Ｚim）と予測値（Ｘic，Ｙic，Ｚ
ic）との差（Ｘim−Ｘic，Ｙim−Ｙic，Ｚim−Ｚic）を
予測誤差△Miと定義してもよい。コンピュータカラーマ
ッチングで調合割合Ｃｉを決定する際には、三刺激値の
目標値（Ｘit，Ｙit，Ｚit）と予測値（Ｘic，Ｙic，Ｚ
ic）との差が所定の許容誤差以下になるように調合割合
Ｃｉを決定するので、目標値（Ｘit，Ｙit，Ｚit）と予
測値（Ｘic，Ｙic，Ｚic）は実質的にほぼ等しい値を有
している。従って、実測値（Ｘim，Ｙim，Ｚim）と予測
値（Ｘic，Ｙic，Ｚic）との差（Ｘim−Ｘic，Ｙim−Ｙ
ic，Ｚim−Ｚic）を予測誤差△Miと定義しても、実測値
（Ｘim，Ｙim，Ｚim）と目標値（Ｘit，Ｙit，Ｚit）と
の差（Ｘim−Ｘit，Ｙim−Ｙit，Ｚim−Ｚit）を予測誤
差△Miと定義しても実質的にはほぼ同じである。
Ｃｉからコンピュータカラーマッチングによって各サン
プルの三刺激値の予測値（Ｘic，Ｙic，Ｚic）を求め、
実測値（Ｘim，Ｙim，Ｚim）と予測値（Ｘic，Ｙic，Ｚ
ic）との差（Ｘim−Ｘic，Ｙim−Ｙic，Ｚim−Ｚic）を
予測誤差△Miと定義してもよい。コンピュータカラーマ
ッチングで調合割合Ｃｉを決定する際には、三刺激値の
目標値（Ｘit，Ｙit，Ｚit）と予測値（Ｘic，Ｙic，Ｚ
ic）との差が所定の許容誤差以下になるように調合割合
Ｃｉを決定するので、目標値（Ｘit，Ｙit，Ｚit）と予
測値（Ｘic，Ｙic，Ｚic）は実質的にほぼ等しい値を有
している。従って、実測値（Ｘim，Ｙim，Ｚim）と予測
値（Ｘic，Ｙic，Ｚic）との差（Ｘim−Ｘic，Ｙim−Ｙ
ic，Ｚim−Ｚic）を予測誤差△Miと定義しても、実測値
（Ｘim，Ｙim，Ｚim）と目標値（Ｘit，Ｙit，Ｚit）と
の差（Ｘim−Ｘit，Ｙim−Ｙit，Ｚim−Ｚit）を予測誤
差△Miと定義しても実質的にはほぼ同じである。
【００４３】図３のステップＳ１５では、図６に示す各
サンプルＭｉの三刺激値の目標値（Ｘit，Ｙit，Ｚit）
と予測誤差△Miとを用いてニューラルネットワークの学
習を行ない、上記数式３における重みＷij，k を決定す
る。ニューラルネットワークの学習方法としては、例え
ば逆誤差伝搬学習方式を用いる。
サンプルＭｉの三刺激値の目標値（Ｘit，Ｙit，Ｚit）
と予測誤差△Miとを用いてニューラルネットワークの学
習を行ない、上記数式３における重みＷij，k を決定す
る。ニューラルネットワークの学習方法としては、例え
ば逆誤差伝搬学習方式を用いる。
【００４４】図７は、実施例におけるニューラルネット
ワークの学習の実証結果を示す説明図である。ここで
は、図４，５に示す予測対象範囲ＰＡに含まれるもう１
組の三刺激値をコンピュータカラーマッチングの目標値
として設定し、この目標値を有する第８のサンプルＭ８
を作成した。そして、このサンプルＭ８の三刺激値を実
測した。図７において「ＣＣＭ目標値」とあるのは第８
のサンプルＭ８のコンピュータカラーマッチングに用い
た目標値を意味している。また、「誤差（真値）」とあ
るのは三刺激値の目標値と実測値との差である。「ニュ
ーロ予測誤差」は、ＣＣＭ目標値を学習済みのニューラ
ルネットワーク（図２）に入力した場合に得られる予測
誤差である。図７の結果から、学習済みのニューラルネ
ットワークは、三刺激値の誤差を精度良く予測できるこ
とが解る。
ワークの学習の実証結果を示す説明図である。ここで
は、図４，５に示す予測対象範囲ＰＡに含まれるもう１
組の三刺激値をコンピュータカラーマッチングの目標値
として設定し、この目標値を有する第８のサンプルＭ８
を作成した。そして、このサンプルＭ８の三刺激値を実
測した。図７において「ＣＣＭ目標値」とあるのは第８
のサンプルＭ８のコンピュータカラーマッチングに用い
た目標値を意味している。また、「誤差（真値）」とあ
るのは三刺激値の目標値と実測値との差である。「ニュ
ーロ予測誤差」は、ＣＣＭ目標値を学習済みのニューラ
ルネットワーク（図２）に入力した場合に得られる予測
誤差である。図７の結果から、学習済みのニューラルネ
ットワークは、三刺激値の誤差を精度良く予測できるこ
とが解る。
【００４５】こうしてニューラルネットワークの学習が
終了すると、図１のステップＳ２〜Ｓ５を実行して、調
合率未知の色見本の調合率を予測する。ステップＳ２で
は、調合率未知の色見本の分光反射率を測定してその三
刺激値（Ｘｓ，Ｙｓ，Ｚｓ）を求める。ステップＳ３で
は、図２に示すニューラルネットワークに色見本の三刺
激値（Ｘｓ，Ｙｓ，Ｚｓ）を入力して、予測誤差△（△
Ｘｓ，△Ｙｓ，△Ｚｓ）を求める。テップＳ４では、三
刺激値（Ｘｓ，Ｙｓ，Ｚｓ）を予測誤差△で補正して、
コンピュータカラーマッチングの調合割合予測に用いる
三刺激値の目標値（Ｘｓ−△Ｘｓ，Ｙｓ−△Ｙｓ，Ｚｓ
−△Ｚｓ）を求める。ステップＳ５では、こうして補正
された目標値を用いてコンピュータカラーマッチングを
実行し、色見本の調合率を予測する。
終了すると、図１のステップＳ２〜Ｓ５を実行して、調
合率未知の色見本の調合率を予測する。ステップＳ２で
は、調合率未知の色見本の分光反射率を測定してその三
刺激値（Ｘｓ，Ｙｓ，Ｚｓ）を求める。ステップＳ３で
は、図２に示すニューラルネットワークに色見本の三刺
激値（Ｘｓ，Ｙｓ，Ｚｓ）を入力して、予測誤差△（△
Ｘｓ，△Ｙｓ，△Ｚｓ）を求める。テップＳ４では、三
刺激値（Ｘｓ，Ｙｓ，Ｚｓ）を予測誤差△で補正して、
コンピュータカラーマッチングの調合割合予測に用いる
三刺激値の目標値（Ｘｓ−△Ｘｓ，Ｙｓ−△Ｙｓ，Ｚｓ
−△Ｚｓ）を求める。ステップＳ５では、こうして補正
された目標値を用いてコンピュータカラーマッチングを
実行し、色見本の調合率を予測する。
【００４６】図８は、実施例におけるコンピュータカラ
ーマッチングの予測精度を検証するために行なった実験
結果を示す説明図である。ここでは、予測精度を実証す
ることを目的としたので、調合率既知の色見本について
三刺激値を実測し、その実測値（Ｘｓ，Ｙｓ，Ｚｓ）を
実現する調合率をコンピュータカラーマッチングで予測
した。図７の結果から、調合率の真値とコンピュータカ
ラーマッチングによる予測値とは極めて良く一致してい
ることが解る。
ーマッチングの予測精度を検証するために行なった実験
結果を示す説明図である。ここでは、予測精度を実証す
ることを目的としたので、調合率既知の色見本について
三刺激値を実測し、その実測値（Ｘｓ，Ｙｓ，Ｚｓ）を
実現する調合率をコンピュータカラーマッチングで予測
した。図７の結果から、調合率の真値とコンピュータカ
ラーマッチングによる予測値とは極めて良く一致してい
ることが解る。
【００４７】なお、図２に示す学習済みのニューラルネ
ットワークを利用すれば、調合率既知の混合物の三刺激
値も精度良く予測することが可能である。すなわち、予
測対象の混合物の調合率Ｃｉから上記数式１，５〜８を
用いて三刺激値を求め、この三刺激値を図２のニューラ
ルネットワークに入力して予測誤差△を求める。そし
て、数式８で得られた三刺激値を予測誤差△で補正すれ
ば、実際の値に極めて近い三刺激値が得られる。
ットワークを利用すれば、調合率既知の混合物の三刺激
値も精度良く予測することが可能である。すなわち、予
測対象の混合物の調合率Ｃｉから上記数式１，５〜８を
用いて三刺激値を求め、この三刺激値を図２のニューラ
ルネットワークに入力して予測誤差△を求める。そし
て、数式８で得られた三刺激値を予測誤差△で補正すれ
ば、実際の値に極めて近い三刺激値が得られる。
【００４８】なお、この発明は上記実施例に限られるも
のではなく、その要旨を逸脱しない範囲において種々の
態様において実施することが可能であり、例えば次のよ
うな変形も可能である。
のではなく、その要旨を逸脱しない範囲において種々の
態様において実施することが可能であり、例えば次のよ
うな変形も可能である。
【００４９】（１）上記実施例ではコンピュータカラー
マッチングにおける三刺激値の目標値をニューラルネッ
トワークの入力としていたが、ニューラルネットワーク
の入力としては、各サンプルＭｉの三刺激値の実測値
（Ｘim，Ｙim，Ｚim）を用いても良く、また、コンピュ
ータカラーマッチングによる予測値（Ｘic，Ｙic，Ｚi
c）を用いても良い。すなわち、ニューラルネットワー
クには、複数のサンプルの三刺激値（ＸＹＺ表色系の座
標値）とその予測誤差との関係を学習させるようにすれ
ばよい。
マッチングにおける三刺激値の目標値をニューラルネッ
トワークの入力としていたが、ニューラルネットワーク
の入力としては、各サンプルＭｉの三刺激値の実測値
（Ｘim，Ｙim，Ｚim）を用いても良く、また、コンピュ
ータカラーマッチングによる予測値（Ｘic，Ｙic，Ｚi
c）を用いても良い。すなわち、ニューラルネットワー
クには、複数のサンプルの三刺激値（ＸＹＺ表色系の座
標値）とその予測誤差との関係を学習させるようにすれ
ばよい。
【００５０】（２）上記実施例では、ニューラルネット
ワークを用いて三刺激値を補正していたが、回帰分析や
ニューロファジイ技術等の他の誤差補正法を用いて補正
することも可能である。
ワークを用いて三刺激値を補正していたが、回帰分析や
ニューロファジイ技術等の他の誤差補正法を用いて補正
することも可能である。
【００５１】（３）上記実施例ではＸＹＺ表色系を用い
ていたが、本発明は、Ｌ*ａ*ｂ* 表色系などの他の任意
の表色系を用いる場合に適用できる。
ていたが、本発明は、Ｌ*ａ*ｂ* 表色系などの他の任意
の表色系を用いる場合に適用できる。
【００５２】（４）ＸＹＺ表色系やＬ*ａ*ｂ* 表色系の
座標値を一致させるコンピュータカラーマッチングは、
一般にメタメリックマッチ法と呼ばれている。一方、混
合物の分光反射率Ｒ（λ）の曲線を一致させるアイソメ
リックマッチ法と呼ばれる方法もある。この発明は、メ
タメリックマッチ法のみでなく、アイソメリックマッチ
法によるコンピュータカラーマッチングにも適用可能で
ある。
座標値を一致させるコンピュータカラーマッチングは、
一般にメタメリックマッチ法と呼ばれている。一方、混
合物の分光反射率Ｒ（λ）の曲線を一致させるアイソメ
リックマッチ法と呼ばれる方法もある。この発明は、メ
タメリックマッチ法のみでなく、アイソメリックマッチ
法によるコンピュータカラーマッチングにも適用可能で
ある。
【００５３】（５）上記実施例では陶磁器の釉を対象と
するコンピュータカラーマッチングについて説明した
が、本発明はこれに限らず、他の種類の混合物を対象と
するコンピュータカラーマッチングにも適用することが
可能である。
するコンピュータカラーマッチングについて説明した
が、本発明はこれに限らず、他の種類の混合物を対象と
するコンピュータカラーマッチングにも適用することが
可能である。
【００５４】
【発明の効果】以上説明したように、本発明のコンピュ
ータカラーマッチング方法によれば、複数のサンプルに
関する所定の表色系の座標値とその予測誤差とを所定の
誤差補正法で分析し、その誤差補正法によってコンピュ
ータカラーマッチングの目標値または予測値を補正しつ
つ予測を行なうので、各成分の吸収係数Ｋi と散乱係数
Ｓi とを補正することなく予測誤差を減少させることが
できる。
ータカラーマッチング方法によれば、複数のサンプルに
関する所定の表色系の座標値とその予測誤差とを所定の
誤差補正法で分析し、その誤差補正法によってコンピュ
ータカラーマッチングの目標値または予測値を補正しつ
つ予測を行なうので、各成分の吸収係数Ｋi と散乱係数
Ｓi とを補正することなく予測誤差を減少させることが
できる。
【００５５】また、ニューラルネットワークを用いて予
測誤差を補正するようにすれば、数多くのサンプルを学
習させることによって、予測誤差を減少させることがで
きる。
測誤差を補正するようにすれば、数多くのサンプルを学
習させることによって、予測誤差を減少させることがで
きる。
【図１】実施例における処理の全体手順を示すフローチ
ャート。
ャート。
【図２】ニューラルネットワークの構成を示す説明図。
【図３】ステップＳ１０の詳細手順を示すフローチャー
ト。
ト。
【図４】コンピュータカラーマッチングで予測対象範囲
ＰＡと複数のサンプルＭ１〜Ｍ７の三刺激値の分布を示
す概念図。
ＰＡと複数のサンプルＭ１〜Ｍ７の三刺激値の分布を示
す概念図。
【図５】実施例における７つのサンプルＭ１〜Ｍ７の予
測誤差を示す概念図。
測誤差を示す概念図。
【図６】各サンプルの三刺激値の目標値（ステップＳ１
１で決定された値）と予測誤差△Mi（△Ｘ，△Ｙ，△
Ｚ）を示す説明図。
１で決定された値）と予測誤差△Mi（△Ｘ，△Ｙ，△
Ｚ）を示す説明図。
【図７】実施例におけるニューラルネットワークの学習
の実証結果を示す説明図。
の実証結果を示す説明図。
【図８】実施例におけるコンピュータカラーマッチング
の予測の実証結果を示す説明図。
の予測の実証結果を示す説明図。
１０…入力層 ２０…中間層 ３０…出力層 Ｍ１〜Ｍ７…サンプル Ｎij…ニューロン ＰＡ…予測対象範囲 Ｑij…ニューロン出力 ｕij…ニューロン入力 Ｗij，k …重み △Ｘ，△Ｙ，△Ｚ…予測誤差
Claims (3)
- 【請求項１】 コンピュータカラーマッチングによって
着色剤の調合割合の予測または混合物の色予測を行なう
方法であって、（ａ）複数の着色剤を混合して、調合率
が互いに異なる複数のサンプルを準備する工程と、
（ｂ）前記複数のサンプルの分光反射率をそれぞれ測定
するとともに、前記分光反射率の測定値から、前記複数
のサンプルのそれぞれの色を表わす所定の表色系の座標
値の実測値を求める工程と、（ｃ）前記複数のサンプル
のそれぞれに関して、前記表色系の座標値の予測誤差を
算出する工程と、（ｄ）前記複数のサンプルに関する前
記表色系の座標値と前記予測誤差との関係を、所定の誤
差補正法で分析する工程と、（ｅ）前記誤差補正法を用
いてコンピュータカラーマッチングの目標値または予測
値を補正しつつ、新たな混合物の着色剤の調合割合の予
測または混合物の色予測をコンピュータカラーマッチン
グにより行なう工程と、を備えることを特徴とするコン
ピュータカラーマッチング方法。 - 【請求項２】 請求項１記載のコンピュータカラーマッ
チング方法であって、 前記工程（ｄ）は、前記複数のサンプルに関する前記表
色系の座標値と前記予測誤差との関係をニューラルネッ
トワークに学習させる工程、を含み、 前記工程（ｅ）は、学習済みのニューラルネットワーク
を用いてコンピュータカラーマッチングによる予測を行
なう工程を含む、コンピュータカラーマッチング方法。 - 【請求項３】 請求項２記載のコンピュータカラーマッ
チング方法であって、 前記ニューラルネットワークは、３つのニューロンで構
成される入力層と、複数のニューロンを含む中間層と、
３つのニューロンで構成される出力層と、で構成される
三層の階層構造を有する、コンピュータカラーマッチン
グ方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6252923A JPH0894442A (ja) | 1994-09-20 | 1994-09-20 | コンピュータカラーマッチング方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6252923A JPH0894442A (ja) | 1994-09-20 | 1994-09-20 | コンピュータカラーマッチング方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0894442A true JPH0894442A (ja) | 1996-04-12 |
Family
ID=17244054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6252923A Pending JPH0894442A (ja) | 1994-09-20 | 1994-09-20 | コンピュータカラーマッチング方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0894442A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100432240B1 (ko) * | 2000-06-16 | 2004-05-22 | 다이니치 세이카 고교 가부시키가이샤 | 씨씨엠 계산시스템, 씨씨엠 계산방법 및 기록매체 |
| JP2004518768A (ja) * | 2000-04-13 | 2004-06-24 | ジェー アンド ピー コーツ リミテッド | ある目標色を作るための染料混合物の製造方法 |
| WO2008156147A1 (ja) * | 2007-06-20 | 2008-12-24 | Kansai Paint Co., Ltd. | 塗色データベースの作成方法及びそのデータベースを用いた検索方法、並びにそれらのシステム、プログラム及び記録媒体 |
| CN104309300A (zh) * | 2014-11-01 | 2015-01-28 | 广东理想彩色印务有限公司 | 一种彩印油墨计算机配色方法 |
| CN113128104A (zh) * | 2021-03-12 | 2021-07-16 | 嘉兴职业技术学院 | 一种基于改进bp神经网络的计算机测配色方法 |
-
1994
- 1994-09-20 JP JP6252923A patent/JPH0894442A/ja active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004518768A (ja) * | 2000-04-13 | 2004-06-24 | ジェー アンド ピー コーツ リミテッド | ある目標色を作るための染料混合物の製造方法 |
| KR100432240B1 (ko) * | 2000-06-16 | 2004-05-22 | 다이니치 세이카 고교 가부시키가이샤 | 씨씨엠 계산시스템, 씨씨엠 계산방법 및 기록매체 |
| WO2008156147A1 (ja) * | 2007-06-20 | 2008-12-24 | Kansai Paint Co., Ltd. | 塗色データベースの作成方法及びそのデータベースを用いた検索方法、並びにそれらのシステム、プログラム及び記録媒体 |
| JP5116765B2 (ja) * | 2007-06-20 | 2013-01-09 | 関西ペイント株式会社 | 塗色データベースの作成方法及びそのデータベースを用いた検索方法、並びにそれらのシステム、プログラム及び記録媒体 |
| US8392347B2 (en) | 2007-06-20 | 2013-03-05 | Kansai Paint Co., Ltd. | Coating color database creating method, search method using the database, their system, program, and recording medium |
| JP2013047678A (ja) * | 2007-06-20 | 2013-03-07 | Kansai Paint Co Ltd | 塗色データベースの作成方法及びそのデータベースを用いた検索方法、並びにそれらのシステム、プログラム及び記録媒体 |
| US8606731B2 (en) | 2007-06-20 | 2013-12-10 | Kansai Paint Co. Ltd. | Coating color database creating method, search method using the database, their system, program, and recording medium |
| CN104309300A (zh) * | 2014-11-01 | 2015-01-28 | 广东理想彩色印务有限公司 | 一种彩印油墨计算机配色方法 |
| CN113128104A (zh) * | 2021-03-12 | 2021-07-16 | 嘉兴职业技术学院 | 一种基于改进bp神经网络的计算机测配色方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5023814A (en) | Method and apparatus for countertyping a tint from a collection of base tints | |
| US10401224B2 (en) | Method for ascertaining texture parameters of a paint | |
| JP3996677B2 (ja) | 色処方を合致させる方法 | |
| US6539325B1 (en) | Color matching apparatus for automotive repair paints | |
| JP5538222B2 (ja) | 色処方を製造するための学習方法 | |
| EP2098840B1 (en) | Texture map of coated color, its making method, making program, making system and data structure | |
| EP2973247B1 (en) | Systems and methods for texture assessment of a coating formulation | |
| JP2021107781A (ja) | 塗料の製造方法及び色彩データを予測する方法 | |
| WO2021132654A1 (ja) | 塗料の製造方法、色彩データを予測する方法及びコンピュータ調色システム | |
| AU2002229617B2 (en) | Method for selecting a formulation for one or more layers of a multi-layer coating | |
| JPH0894442A (ja) | コンピュータカラーマッチング方法 | |
| JP3870421B2 (ja) | コンピュータカラーマッチング方法および装置 | |
| CN113791746A (zh) | 一种胶印专色余墨再配色方法、装置、***及介质 | |
| Zhao et al. | Predicting the spectral reflectance factor of translucent paints using Kubelka‐Munk turbid media theory: Review and evaluation | |
| JPWO1997031247A6 (ja) | コンピュータカラーマッチング方法および装置 | |
| JP2015225070A (ja) | 混合色材のスペクトルまたは色度の予測および所望のスペクトルまたは色度を有する色材の配合の決定 | |
| JP3440597B2 (ja) | コンピュータカラーマッチング方法 | |
| JP6936416B1 (ja) | 塗料の製造方法及び色彩データを予測する方法 | |
| JPH11228877A (ja) | 塗料の着色剤と艶消剤の配合を計算により求めるカラーマッチング方法 | |
| US7148900B2 (en) | CCM calculating system, CCM calculating method and recording medium | |
| JPS6161042A (ja) | メタリツク粒子含有表面の光学的性質を機器により特性づける方法 | |
| Pierce et al. | Radiative transfer theory solid color‐matching calculations | |
| CN114036333A (zh) | 一种胶印专色油墨计算机配色方法、装置、***及介质 | |
| Franz et al. | Colour technology of coatings | |
| JP3278547B2 (ja) | 色合わせ計算方法及び装置 |