JP2000341544A - 色再現方法、装置、及び、この方法を実行するプログラムを記録した記録媒体 - Google Patents

Abstract

(57)【要約】 【課題】 特殊な測色器が不要であり、また、測色や学
習に要する時間を短縮化した出力機器の色再現方法及び
装置を提供する。 【解決手段】 学習装置では、マンセル色票等を測色用
入力機器から画像として取り込み、この画像の色と色票
値から測色用入力機器の逆モデルを測色用入力機器逆モ
デル作成部２０１作成する。一方、電子色票を出力機器
により印刷した印刷物等を測色用入力機器により取り込
み、測色用入力機器逆モデルを用いて補正した画像を作
成し、この画像から各色票の測色値を色票値計測部２０
２で計測する。この測色値と色票値を用いて、学習部２
０３により出力機器順モデル、測色用入力機器順モデル
を作成する。このモデルを用いて、学習部２０４により
出力機器逆モデルを作成する。色補正装置では、任意の
画像を読み込み、学習部２０４の学習結果を用いて色ず
れ等の補正処理を行い、色再現を行う。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、カラー画像を取り
扱う出力機器、すなわち、プリンタなどの印刷機器、Ｃ
ＲＴモニタ、液晶モニタ、プラズマモニタなどの表示機
器について、各機器固有の色ずれを補正し、出力対象と
なる物体本来の色を再現する方法、及び、この方法を用
いた色再現装置、並びに、この方法を実行するプログラ
ムを記録した記憶媒体に関するものである、

【０００２】

【従来の技術】従来行われてきた、カラープリンタ、モ
ニタなどの出力機器により印刷・表示されるカラー画像
の色を出力対象となる物体の色と同様になるように再現
する方式としては次の通りである。

【０００３】初めに、ｘｙＹ、ＸＹＺなどの表色系にお
いて規定された値をもつ電子的な色票を出力機器により
出力し、この出力物を高精度測色器などにより測色する
（図１４）。この測色値と色票値との関係を対応付ける
ように出力機器順モデルを作成し（図１５）、更に、出
力機器順モデルに出力機器の色ずれを補正するための出
力機器逆モデルを付加し、電子色票の色票値が出力され
るように学習する（図１６）。そして、作成後の出力機
器逆モデルを用いて任意の画像の色ずれを補正した画像
を出力機器により印刷・表示することにより、色補正が
実現される（図１７）。

【０００４】また、従来における色を再現する別の手法
として、高次の非線形写像を実現できる神経回路網モデ
ルを用いた手法が提案されている（特開平６−１８９６
２５号、など）。

【０００５】ここで用いられている神経回路網モデル、
及び、その学習法（モーメンタム法）（Ｒｕｍｍｅｌｈ
ａｒｔ，Ｄ．Ｅ． ａｎｄ ＭｃＣｌｅｌｌａｎｄ，
Ｊ．Ｌ． Ｅｄ． “Ｐａｒａｌｌｅｌ Ｄｉｓｔｒｉ
ｂｕｔｅｄ Ｐｒｏｃｅｓｓｉｎｇ”，Ｖｏｌ．１，Ｍ
ＩＴ Ｐｒｅｓｓ，Ｃａｍｂｒｉｄｇｅ，１９８９）に
ついて述べる。

【０００６】従来の神経回路網モデルを用いた色再現で
は、３層または４層の神経回路網モデルが用いられてい
るが、中間、出力ユニットには、シグモイド関数の入出
力特性をもつユニットが用いられていた。

【０００７】ｉ番目のユニットヘの入力値をＸ＝Ｘ₁，
Ｘ₂，…，Ｘ_n）、バイアス、重みをＷ＝Ｗ₀，Ｗ₁，
Ｗ₂，…，Ｗ_n）、バイアスをｂ、ユニットからの出力を
Ｏ、ユニットの入出力関数をｆ（・）とすると、ユニッ
トの入出力特性は式（１）で示される。

【０００８】 Ｏ＝ｆ（Ｘ）＝１／（１＋ｅｘｐ（−Σ_i=1 ⁿＷ_i・Ｘ_i＋Ｗ₀・ｂ）） …（１ ） このユニット出力値を次層のユニットの入力値として与
える。この前向き計算手順を入力側から出力側に向かっ
て、順番に実行し、最終的なモデル出力値を求めた後、
教師データＴｄ_jとモデル出力値Ｏｄ_jの誤差を（２）式
により計算する。但し、出力ユニット数をＯＵ_num（変
数ｊ）、学習データの数をＤ_num（変数ｄ）とする。こ
こで、（２）式は、誤差二乗和という評価基準を用いて
いるが、尤度などの他の評価基準を用いることも可能で
ある。

【０００９】 Ｅ＝Σ_d=1 ^DnumΣ_j=1 ^OUnum（Ｔｄ_j−Ｏｄ_j）²／２ …（２） 上記の評価基準を用いた場合、（３）式の逆向き計算手
順により、評価関数の一次微分を求める。まず、ｊ番目
の出力ユニットのバイアスｂ_jに関する一次偏微分値
は、（４）式より求まる。

【００１０】 δＥ_j＝Ｔｄ_j−Ｏｄ_j …（３） ∂Ｅ_j／∂Ｗ₀＝∂Ｅ_j／∂Ｏ_j・∂Ｏ_j／∂Ｗ₀＝δＥ_j（１−δＥ_j） …（４） 次に、中間第３層のｉ番目のユニットとｊ番目の出力ユ
ニット間の重みＷ_ijに関する偏微分は、（５）式により
求まる． ∂Ｅ_j／∂Ｗ_ij＝∂Ｅ_j／∂Ｏ_j・∂Ｏ_j／∂Ｗ_ij＝δＥ_j・（１−δＥ_j）・Ｘ_i …（５） （３）式で求められる誤差逆伝搬量を出力側から入力側
に逆向きに計算することにより、中間第３層−第２層
間、及び、中間第２層−第１層間の重み、バイアスに関
する一次偏微分値を求めることができる。

【００１１】以上の計算手順から求めた評価関数のモデ
ルに含まれる全モデル変数に関する一次偏微分をｇ＝
（∂Ｅ／∂Ｗ₁，∂Ｅ／∂Ｗ₂，…，Ｗ_mnum）とする。但
し、モデル変数の数をｍｎｕｍとする。

【００１２】従来の誤差逆伝搬法（モーメンタム法）で
は、上記の勾配を用いて、下記の更新則により重みを更
新する、但し、学習の反復回数をｋで、重みの差より求
まる慣性項をΔＷ_k＝Ｗ_k−Ｗ_k-1で表わし、学習率を
η、慣性率をαとする。

【００１３】Ｗ_k+1＝Ｗ_k−η_kｇ_k＋αΔＷ_k …（６） 一方、学習時間が長くなる問題に対して、一括学習型の
Ｋｉｃｋ Ｏｕｔ法（Ｋ．Ｏｃｈｉａｉ，ｅｔｃ．，
“Ｋｉｃｋ−Ｏｕｔ Ｌｅａｒｎｉｎｇ ａｌｇｏｒｉ
ｔｈｍ ｔｏ ｒｅｄｕｃｅ ｔｈｅ ｏｓｃｉｌｌａ
ｔｉｏｎ ｏｆｗｅｉｇｈｔｓ”，Ｎｅｕｒａｌ Ｎｅ
ｔｗｏｒｋｓ，Ｖｏｌ．７，Ｎｏ．５，ｐｐ．７９７−
８０７．１９９４）などの高速学習法が用いられてき
た。これらの学習法について示す。

【００１４】これらの高速学習法では、（４）、（５）
式で求めた勾配に基づいて、（７）、（８）式などによ
り重みを更新する。

【００１５】以下に、高速学習法としてＫｉｃｋ Ｏｕ
ｔ法について示す。

【００１６】ここで、学習の反復回数をｋで、重みの差
より求まる慣性項をΔＷ_k＝Ｗ_k−Ｗ _k-1で、勾配の差よ
り求まる勾配の差分をΔｇ_k＝ｇ_k−ｇ_k-1で表わし、学
習率をη、慣性率をα、慣性項の係数をγ_k＝−ΔＷ_k-1
^TΔｇ_k／２‖Δｇ_k‖²とする。

【００１７】 ｉｆ Δｇ_k ^TΔｇ_k-1＞０ Ｗ_k+1＝Ｗ_k−η_kｇ_k＋αΔＷ_k＋γ_kΔｇ_k ｉｆ Δｇ_k ^TΔｇ_k-1≦０ Ｗ_k+1＝Ｗ_k−η_kｇ_k＋αΔＷ_k …（７） また、学習率は次式（Ｄｅｌｔａ−Ｂａｒ−Ｄｅｌｔａ
−Ｂａｒ則）により更新する。但し、δ＝（δ₁，δ₂，
…，δ_mnum）は、平滑化微分を、θは、その重み付け係
数を表わす． ｉｆ δ_k,_i・δ_k-1,_i＞０ η_k,_i＝η_k-1,_i＋κ ｉｆ δ_k,_i・δ_k-1,_i＜０ η_k,_i＝η_k-1,_i・φ ｉｆ δ_k,_i・δ_k-1,_i＝０ η_k,_i＝η_k-1,_i δ_k＝（１−θ）・ｇ_k＋θ・δ_k-1 但し、δ₁＝０ …（８） 一方、パターン分類の分野などで、モデルヘの入力デー
夕空間を分割して、複数のモデルに各部分空間を学習さ
せるモジュール型神経回路網モデルが提案されている
（Ｍ．Ｉ．Ｊｏｒｄａｎ，Ｒ．Ａ．Ｊａｃｏｂｓ，“Ｈ
ｉｅｒａｒｃｈｉｃａｌ Ｍｉｘｔｕｒｅｓ ｏｆ Ｅ
ｘｐｅｒｔｓ ａｎｄ ＥＭ ａｌｇｏｒｉｔｈｍ”，
Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ，Ｖｏｌ．６，
ｐｐ．１８１−２１４，１９９４）。

【００１８】初めに、本モデルの構造（図１８）と切り
替えネット部の学習法について示す。

【００１９】モジュール型神経回路網モデルは、入力デ
ー夕空間の各部分空間の特性を学習するエキスパートネ
ットとこれらを切り替える働きをする切り替えネットか
ら構成される。

【００２０】エキスパートネット、及び、切り替えネッ
トの入力、中間ユニットは、従来の階層型神経回路網と
同様の構造である為、同じ計算手順により学習が行え
る。出力ユニットの入出力特性関数としては、エキスパ
ートネットを切り替える働きをする係数を生成する為
に、Ｓｏｆｔｍａｘ関数と呼ばれる重み付け関数が用い
られる。このＳｏｆｔｍａｘ関数の計算手順を以下に示
す。

【００２１】切り替えネットの出力ユニットｉへの入力
値の総和をＳ_i（ｉ＝１，…Ｃｎ）とすると、この値を
下記のｓｏｆｔｍａｘ関数を用いて正規化した係数ｇ_i
（ｊ＝１，…Ｃｎ）を求める。ここで、エキスパートネ
ットの数は、学習させる色の数をＥ_nとすると、これに
等しくなる。

【００２２】 ｇ_i＝ｅｘｐ（Ｓ_i）／Ｓｕｍ［ｊ＝１，…，Ｅ_n］ｅｘｐ（Ｓ_j） …（９） 各エキスパートネットの出力をｙ_j（ｊ＝１，…Ｅ_n）と
すると、モジュール型神経回路網モデルの出力値ｙは、
各エキスパートネットの出力値に重み付け係数ｇ_iを乗
じて、次式に示すような重み付け平均により求まる。

【００２３】ｙ＝Ｓｕｍ［ｊ＝１，…，Ｅ_n］ｇ_j・ｙ_j
…（１０）モジュール型神経回路網モデルを学習する
際の評価基準としては下記の対数尤度を用い、これを最
小化するように、エキスパートネット、切り替えネット
の両方を同一の評価基準の下で学習する。

【００２４】 ｌｎＬ＝ｌｎ Ｓｕｍ［ｔ＝１，…，Ｄ_num］Ｓｕｍ［ｉ＝１，…，Ｄ_num］ｇ _i ,_t・ｅｘｐ（−‖Ｔ_i,_t−ｙ_i,_t‖／（２σ_i ²）） …（１１） 但し、ｌｎは１０を底とする対数を、Ｔは教師データ表
わす。

【００２５】これより、上記の評価基準を用いた場合、
エキスパートネットの重みは次式により更新する。

【００２６】 Ｗ_k+1＝Ｗ_k＋ΔＷ_k ΔＷ_k＝Ｓｕｍ［ｔ＝１，…，Ｄｎｕｍ］ｈ_i,_t（ｙ_t−ｕ_t）ｘ_t …（１２） 但し、 ｈ_i,_t＝ｇ_i ｅｘｐ（−‖Ｔ_j,_t−ｙ_j,_t‖／（２σ_j ²） ２））／Ｓｕｍ［ｊ ＝１，…，Ｅ_n］ｇ_j ｅｘｐ（−‖Ｔ_j,_t−ｙ_j,_t‖／（２σ_j ²）） …（１３） また、切り替えネットの重みは次式により更新する。

【００２７】 Ｗ_k+1＝Ｗ_k＋ΔＷ_k ΔＷ_k＝Ｓｕｍ［ｔ＝１，…，Ｄ_num］（ｈ_i,_t−ｇ_i,_t）ｙ_t …（１４）

【００２８】

【発明が解決しようとする課題】従来の測色器を用いた
色再現方式においては、特殊な測色器が必要であり、色
再現を実施する場合、その表示機器の特性に合った測色
器で色を測色する必要がある。すなわち、プリンタ出力
物の測色では反射型測色計を、モニタの測色ではカラー
アナライザ等を用いる必要があり、これらの測色機器が
なければ色再現が実現できず汎用性、簡便性に欠けると
いう問題がある。

【００２９】更に測色器を使う為には、測色器の取り扱
い方、測色、色処理に関する知識などが必要となる為、
一般家庭での使用は困難であるという問題がある。

【００３０】また、測色自体に７００色程度を測色する
為に６時間程度の非現実的な時間を要するという問題が
ある。これは、色票の数が増加した場合、顕著になると
いう傾向がある。

【００３１】従来の神経回路網モデルを用いた色再現手
法においては、層数が高々３〜４層の神経回路網モデル
しか使われておらず、これらの層数では、様々に特性の
異なる入出力機器の色再現を、統一的な構造で実用的な
色差（色差３以下）以下の補正性能をもつモデルを実現
することが著しく困難であり、モデル構造が不適切であ
る。しかしながら、逆に、これらの補正性能を実現する
ために層数、ユニット数を増加させると、学習、色補正
の為の計算量が指数関数的に増加する為、リアルタイム
に学習を行いながら色補正することが実現できないとい
う相反する問題がある。

【００３２】モジュラー型神経回路網モデルの学習法に
おいては、切り替えネット部に対する学習時の評価基準
を設定することができないという問題がある。また、こ
の為に切り替えネットを分離した状態で、予め、教師デ
ータを作成して切り替えネットのみを学習させた後、エ
キスパートネットを結合して、再度、全体で学習する必
要がある為、学習に非常に時間を要するという問題があ
る。また、モジュール型神経回路網モデルを用いた色再
現においては、これをリアルタイムに行うために、実用
的な時間で学習が終了する学習アルゴリズムが用いられ
ておらず、リアルタイムに学習できないという問題があ
る。

【００３３】本発明の課題は、特殊な測色器が不要であ
り、また、測色や学習に要する時間を短縮化した出力機
器の色再現方法、及び、装置、あるいは、図１４に示し
た従来のモジュール型神経回路網モデルの構造を改良
し、これに新しい学習法を用いて上記の問題点を解決
し、切り替えネットに任意の評価基準を用いて学習する
出力機器の色再現方法、及び、装置を提供することであ
る。

【００３４】

【課題を解決するための手段】上記の課題を解決するた
めに、本発明の色再現方法は、出力機器（例えば、カラ
ープリンタ、モニタなど）により出力（例えば、印刷・
表示）される色を、該出力対象となる画像から求められ
る色と同様になるように色再現する方法において、表色
系（例えば、ｘｙＹ，ＸＹＺなど）で規定された既知の
色の色票値をもつ色票を測色用入力機器（例えば、スキ
ャナ、ディジタルカメラなど）により取り込み、該取り
込まれた画像から抽出した測色値と該色票値の対応関係
を神経回路網モデルに学習させて、該測色用入力機器の
色入力特性（例えば、色ずれなど）を補正する測色用入
力機器逆モデルを作成する段階と、色票値（例えば、マ
ンセル色票などの色票値）に基づいて電子的な色票であ
る電子色票を作成し、これを該出力機器により出力した
出力物（例えば、印刷物、または、表示された像など）
を該測色用入力機器により取り込み、該取り込まれた画
像を該測色用入力機器逆モデルに与えることにより該測
色用入力機器の色入力特性を補正した電子色票の測色値
を求める段階と、該電子色票の色票値と該電子色票の測
色値の対応関係を神経回路網モデルに学習させることに
より、該出力機器と該測色用入力機器のモデルである
「出力機器＋測色用入力機器」順モデルを作成する段階
と、該「出力機器＋測色用入力機器」順モデルと該測色
用入力機器逆モデルを結合したモデルに出力機器の色出
力特性（例えば、色ずれなど）を補正する出力機器逆モ
デルとして神経回路網モデルを付加し、該出力機器逆モ
デルを学習する段階と、該学習後の出力機器逆モデルを
用いて任意の画像の色再現を実施する段階とを有するこ
とを特徴とする。

【００３５】あるいは、出力機器（例えば、カラープリ
ンタ、モニタなど）により出力（例えば、印刷・表示）
される色を、該出力対象となる画像から求められる色と
同様になるように色再現する方法において、表色系（例
えば、ｘｙＹ，ＸＹＺなど）で規定された既知の色の色
票値をもつ色票を測色用入力機器（例えば、スキャナ、
ディジタルカメラなど）により取り込み、該取り込まれ
た画像から抽出した測色値と該色票値の対応関係を神経
回路網モデルに学習させて、該測色用入力機器の色入力
特性（例えば、色ずれなど）を補正する測色用入力機器
逆モデルを作成する段階と、色票値（例えば、マンセル
色票などの色票値）に基づいて電子的な色票である電子
色票を作成し、これを該出力機器により出力した出力物
（例えば、印刷物、または、表示された像など）を該測
色用入力機器により取り込み、該取り込まれた画像を該
測色用入力機器逆モデルに与えることにより該測色用入
力機器の色入力特性を補正した電子色票の測色値を求め
る段階と、該電子色票の測色値と該電子色票の色票値の
対応関係を神経回路網モデルに学習させ、該出力機器と
該測色用入力機器のモデルである「出力機器＋測色用入
力機器」順モデル、および、該測色用入力機器逆モデル
を１つのモデルである「出力機器順＋測色用入力機器順
・逆」モデルで作成する段階と、該「出力機器順＋測色
用入力機器順・逆」モデルに該出力機器の色出力特性
（例えば、色ずれなど）を補正する出力機器逆モデルと
して神経回路網モデルを付加し、該電子色票の色票値を
用いて該出力機器逆モデルを学習する段階と、該学習後
の上記の出力機器逆モデルを用いて任意の画像の色再現
を実施する段階とを有することを特徴とする。

【００３６】あるいは、前記神経回路網モデルの少なく
とも１つに、多層神経回路網モデルを用いて出力機器の
色出力特性を補正するための特性を該特性ごとに個別に
獲得する神経回路網モデルであるエキスパートネットを
複数個組み合わせたモデルと、該組み合わせたモデルヘ
の入力値に応じて複数の該エキスパートネットを連続的
に切り替える働きをする神経回路網モデルである切り替
えネットとから構成される神経回路網モデルである多層
モジュール型神経回路網モデルを用いたことを特徴とす
る。

【００３７】あるいは、前記切り替えネットでは、該切
り替えネットに任意の評価基準を与えて、この評価基準
に応じて複数のエキスパートネットを切り替えることを
学習させることを特徴とする。

【００３８】あるいは、前記神経回路網モデルを学習さ
せる際、各ネットの評価基準にＳｅｑｕｅｎｔｉａｌ
Ｋｉｃｋ Ｏｕｔ法を適用し、多層モジュール型神経回
路網モデル全体での学習も同時に実行することを特徴と
する。

【００３９】同じく、本発明の色再現装置は、出力機器
（例えば、カラープリンタ、モニタなど）により出力
（例えば、印刷・表示）される色を、該出力対象となる
画像から求められる色と同様になるように色再現する装
置において、表色系（例えば、ｘｙＹ，ＸＹＺなど）で
規定された既知の色の色票値をもつ色票を測色用入力機
器（例えば、スキャナ、ディジタルカメラなど）により
取り込み、該取り込まれた画像から抽出した測色値と該
色票値の対応関係を神経回路網モデルに学習させて、該
測色用入力機器の色入力特性（例えば、色ずれなど）を
補正する測色用入力機器逆モデルを作成する手段と、色
票値（例えば、マンセル色票などの色票値）に基づいて
電子的な色票である電子色票を作成し、これを該出力機
器により出力した出力物（例えば、印刷物、または、表
示された像など）を該測色用入力機器により取り込み、
該取り込まれた画像を該測色用入力機器逆モデルに与え
ることにより該測色用入力機器の色入力特性を補正した
電子色票の測色値を求める手段と、該電子色票の色票値
と該電子色票の測色値の対応関係を神経回路網モデルに
学習させることにより、該出力機器と該測色用入力機器
のモデルである「出力機器＋測色用入力機器」順モデル
を作成する手段と、該「出力機器＋測色用入力機器」順
モデルと該測色用入力機器逆モデルを結合したモデルに
出力機器の色出力特性（例えば、色ずれなど）を補正す
る出力機器逆モデルとして神経回路網モデルを付加し、
該出力機器逆モデルを学習する手段と、該学習後の出力
機器逆モデルを用いて任意の画像の色再現を実施する手
段とを有することを特徴とする。

【００４０】あるいは、出力機器（例えば、カラープリ
ンタ、モニタなど）により出力（例えば、印刷・表示）
される色を、該出力対象となる画像から求められる色と
同様になるように色再現する装置において、表色系（例
えば、ｘｙＹ，ＸＹＺなど）で規定された既知の色の色
票値をもつ色票を測色用入力機器（例えば、スキャナ、
ディジタルカメラなど）により取り込み、該取り込まれ
た画像から抽出した測色値と該色票値の対応関係を神経
回路網モデルに学習させて、該測色用入力機器の色入力
特性（例えば、色ずれなど）を補正する測色用入力機器
逆モデルを作成する手段と、色票値（例えば、マンセル
色票などの色票値）に基づいて電子的な色票である電子
色票を作成し、これを該出力機器により出力した出力物
（例えば、印刷物、または、表示された像など）を該測
色用入力機器により取り込み、該取り込まれた画像を該
測色用入力機器逆モデルに与えることにより該測色用入
力機器の色入力特性を補正した電子色票の測色値を求め
る手段と、該電子色票の測色値と該電子色票の色票値の
対応関係を神経回路網モデルに学習させ、該出力機器と
該測色用入力機器のモデルである「出力機器＋測色用入
力機器」順モデル、および、該測色用入力機器逆モデル
を１つのモデルである「出力機器順＋測色用入力機器順
・逆」モデルで作成する手段と、該「出力機器順＋測色
用入力機器順・逆」モデルに該出力機器の色出力特性
（例えば、色ずれなど）を補正する出力機器逆モデルと
して神経回路網モデルを付加し、該電子色票の色票値を
用いて該出力機器逆モデルを学習する手段と、該学習後
の上記の出力機器逆モデルを用いて任意の画像の色再現
を実施する手段とを有することを特徴とする。

【００４１】あるいは、前記神経回路網モデルの少なく
とも１つに、多層神経回路網モデルを用いて出力機器の
色出力特性を補正するための特性を該特性ごとに個別に
獲得する神経回路網モデルであるエキスパートネットを
複数個組み合わせたモデルと、該組み合わせたモデルヘ
の入力値に応じて複数の該エキスパートネットを連続的
に切り替える働きをする神経回路網モデルである切り替
えネットとから構成される神経回路網モデルである多層
モジュール型神経回路網モデルを用いたことを特徴とす
る。

【００４２】あるいは、前記切り替えネットに任意の評
価基準を与えて、この評価基準に応じて複数のエキスパ
ートネットを切り替えることを学習させる手段を有する
ことを特徴とする。

【００４３】あるいは、前記神経回路網モデルを学習さ
せる際、各ネットの評価基準にＳｅｑｕｅｎｔｉａｌ
Ｋｉｃｋ Ｏｕｔ法を適用し、多層モジュール型神経回
路網モデル全体での学習も同時に実行する学習手段を有
することを特徴とする。

【００４４】以上の色再現方法における段階をコンピュ
ータで実行するためのプログラムは、該コンピュータが
読み取り可能な記録媒体に記録することができ、この記
録媒体を該コンピュータが読み取り、そのプログラムを
実行することで、本発明による色再現方法を実施するこ
とが可能である。

【００４５】本発明では、従来の測色器を用いた色再現
方式において、特殊な測色器が必要であり、汎用性、簡
便性に欠けるという問題に対して、スキャナ、ディジタ
ルカメラなどの入力機器と、その補正モデルを用いるこ
とにより、特殊な測色器を用いずにカラープリンタ、モ
ニタなどの出力機器の色補正を実現する。また、測色時
間が短くする。

【００４６】色補正モデルに用いている層数が３〜４層
の神経回路網モデルでは、実用的な色差（色差３以下）
以下の補正性能をもつモデルを実現することが困難であ
り、逆に、層数、ユニット数を増加させると、リアルタ
イムに学習を行いながら色補正できないという問題に対
しては、中間層数が３層以上の神経回路網モデルと高速
学習法を用いることにより、補正精度の向上、並びに、
学習時間の短縮化を図る。

【００４７】モデルの数が多くなると学習時間が長くな
るいう問題に対しては、測色用入力機器逆モデルを作成
した後、「出力機器＋測色用入力機器」順モデルを作成
する際、測色用入力機器逆モデルを含めた２つのモデル
を連結して用いている部分を１つのモデルで近似する。
また、出力機器逆モデルを作成する際にも、出力機器統
合モデルを用いるだけで作成する。これにより、学習時
間を大幅に短縮し、色補正モデルを作成する時間を短縮
する。

【００４８】

【発明の実施の形態】以下、本発明の実施の形態につい
て図を用いて詳細に説明する。

【００４９】本発明は、カラープリンタ、モニタなどの
出力機器により印刷・表示される色を、その印刷・表示
対象となる画像から求められる色と同様になるように色
再現する方法、および、装置である。

【００５０】本発明の基本的な第１の実施形態例を、図
１、図２、図３、および図４を用いて説明する。

【００５１】まず、図１に示すように、ｘｙＹ，ＸＹＺ
など表色系において規定された既知の色の色票値をもつ
色票をスキャナ、ディジタルカメラなどの測色用入力機
器により取り込み、この取り込まれた画像から抽出した
測色値と色票値の対応関係を神経回路網モデルに学習さ
せて、測色用入力機器の色ずれなどを補正する測色用入
力機器逆モデルを作成する。

【００５２】次に、図２に示すように、マンセル色票な
どの色票値に基づいて電子的な色票である電子色票を作
成し、これを出力機器により出力した印刷物、または、
表示された像などを上記測色用入力機器により取り込
み、この取り込まれた画像を上記測色用入力機器逆モデ
ルに与えることにより測色用入力機器の色入力特性を補
正した電子色票の測色値を求める。

【００５３】次に、図３に示すように、電子色票の色票
値と電子色票の測色値の対応関係を神経回路網モデルに
学習させることにより、出力機器と測色用入力機器のモ
デルである「出力機器＋測色用入力機器」順モデルを作
成する。

【００５４】次に、図４に示すように、「出力機器＋測
色用入力機器」順モデルと測色用入力機器逆モデルを結
合したモデルに出力機器の色ずれなどを補正する出力機
器逆モデルとして神経回路網モデルを付加し、出力機器
逆モデルを学習する。

【００５５】最後に、学習後の出力機器逆モデルを用い
て任意の画像の色再現を実施する。

【００５６】本発明の基本的な第２の実施形態例を、図
１、図２、図５、および図６を用いて説明する。

【００５７】上記第１の実施形態例の色再現手法におい
ては、出力機器逆モデルを作成する際、測色用入力機器
に関する補正モデルと「出力機器＋測色用入力機器」順
モデル、及び、出力機器逆モデルの３つのモデルを用い
る必要があり、モデル作成に要する学習時間が長くなる
という点で改善の余地がある。本実施形態例は、これを
解決するものである。

【００５８】まず、図１に示すように、ｘｙＹ，ＸＹＺ
など表色系において規定された既知の色の色票値をもつ
色票をスキャナ、ディジタルカメラなどの測色用入力機
器により取り込み、この取り込まれた画像から抽出した
測色値と色票値の対応関係を神経回路網モデルに学習さ
せて、測色用入力機器の色ずれなどを補正する測色用入
力機器逆モデルを作成する。

【００５９】次に、図２に示すように、マンセル色票な
どの色票値に基づいて電子的な色票である電子色票を作
成し、これを出力機器により出力した印刷物、または、
表示された像などを上記測色用入力機器により取り込
み、この取り込まれた画像を上記測色用入力機器逆モデ
ルに与えることにより測色用入力機器の色入力特性を補
正した電子色票の測色値を求める。

【００６０】次に、図５に示すように、電子色票の測色
値と電子色票の色票値の対応関係を神経回路網モデルに
学習させ、出力機器と測色用入力機器のモデルである
「出力機器＋測色用入力機器」順モデル、および、該測
色用入力機器逆モデルを１つのモデルである「出力機器
順＋測色用入力機器順・逆」モデルで作成する。

【００６１】次に、図６に示すように、「出力機器順＋
測色用入力機器順・逆」モデルに該出力機器の色ずれな
どの色出力特性を補正する出力機器逆モデルとして神経
回路網モデルを付加し、電子色票の色票値を用いて出力
機器逆モデルを学習させる。

【００６２】最後に、学習後の上記の出力機器逆モデル
を用いて任意の画像の色再現を実施する。

【００６３】本発明の第３の実施形態例では、以上の実
施形態例における神経回路網モデルの少なくとも１つ
に、多層神経回路網モデルを用いて出力機器の色出力特
性を補正するための特性を該特性ごとに個別に獲得する
神経回路網モデルであるエキスパートネットを複数個組
み合わせたモデルと、その組み合わせたモデルヘの入力
値に応じて複数の該エキスパートネットを連続的に切り
替える働きをする神経回路網モデルである切り替えネッ
トとから構成される多層モジュール型神経回路網モデル
を用いる。

【００６４】ここで提案するモデルは、図７に示す中間
層数が３層以上の多層神経回路網モデル、または、本モ
デルで構成されるエキスパートネットと切り替えネット
から構成される多層モジュール型神経回路網モデルを用
いている点に特徴がある。

【００６５】また、神経回路網モデルの各層の中間ユニ
ット数が同一個数であることにも特徴がある。これ以外
にも、各中間ユニット数が異なるモデルが考えられる
が、学習時間、補正性能の点において、本モデルが最も
性能が良い。

【００６６】新しい多層モジュール型神経回路網モデル
を図８、図９に示す、これらの提案モデルでは、図７に
示すような中間層が３層以上の多層神経回路網モデルを
用いており、入力機器の取り扱う色空間の基底の数、補
正した後の色空間の基底の数に応じて、各層のユニット
数を変化させる。

【００６７】図８の多層モジュール型神経回路網モデル
１では、各エキスパートネットの出力値を切り替えネッ
トが出力する係数を用いた重み付け和をとることによ
り、最終的なモデル出力が計算される。また、図９の多
層モジュール型神経回路網モデル２では、各エキスパー
トネットの出力値を切り替えネットの入力値として与え
る。そして、切り替えネットから出力される係数を用い
て、各エキスパートネットの重み付け和をとることによ
り、最終的なモデル出力が計算される。

【００６８】これらのモデルでは、従来のモジュラーネ
ットでは不可能であった切り替えネットに任意の教師デ
ータを与えて学習させることが可能である、この場合、
多層モジュール型神経回路網モデルの学習の評価基準は
次式のようになる。

【００６９】 ｌｎ Ｌ＝ｌｎ Ｓｕｍ［ｔ＝１，…，Ｄｎｕｍ］Ｓｕｍ［ｉ＝１，…，Ｄ_{nu m} ］Ｔｇａｔｅ＿ｉ，ｔ・ｅｘｐ（−‖Ｔ_i,_t−ｙ_i,_t‖／（２σ_i ²）） …（１ ５） 但し、ｌｎは１０を底とする対数を、Ｔはモジュール型
神経回路網モデルに対する教師データ表わす。Ｔｇａｔ
ｅは切り替えモデルに対する教師データ表わす。

【００７０】以下にその学習則を示す。多層モジュール
型神経回路網モデルの切り替えネットは、従来の切り替
えネットの学習則（（１４）式）の代わりに次式を用い
て学習する。但し、切り替えネットえ与える任意の教師
データをＴｇａｔｅとする。

【００７１】 Ｗ_k+1＝Ｗ_k＋ΔＷ_k ΔＷ_k＝Ｓｕｍ［ｔ＝１，…，Ｄ_num］（ｈ_i,_t−Ｔｇａｔｅ＿ｉ，ｔ）ｙ_t … （１６） また、これに従い、エキスパートネットは、従来の（１
２）、（１３）式の代わりに、次式を用いて学習する。

【００７２】 Ｗ_k+1＝Ｗ_k＋ΔＷ_k ΔＷ_k＝Ｓｕｍ［ｔ＝１，…，Ｄ_num］ｈ_i,_t（ｙ_t−Ｗ_t）ｘ_t …（１７） 但し、ｈｉ，ｔ＝Ｔｇａｔｅ＿ｉ ｅｘｐ（−‖Ｔ_i,_t−ｙ_i,_t‖／（２σ_i ²）） ／Ｓｕｍ［ｊ＝１，…，Ｅ_n］Ｔｇａｔｅ＿ｊ ｅｘｐ（−‖Ｔ_j,_t−ｙ_j,_t‖／ （２σ_j ²）） …（１８） 学習に多くの時間を要する問題に対しては、高速学習法
を導入することにより、画像毎に最適な色再現モデルを
リアルタイムに作成することが可能となる。しかしなが
ら、従来のモジュール型神経回路網モデルでは、被写体
の明るさに応じて個別の補正計算手順を獲得するエキス
パートモデルの両方のモデルについて個別に学習する必
要があるが、従来の神経回路網モデル用の高速学習法を
利用することができない。そこで、新たにモジュール型
神経回路網モデルを学習する高速学習法を用いる。

【００７３】ここでは、高速学習方法として、逐次学習
型のＳｅｑｕｅｎｔｉａｌ Ｋｉｃｋ Ｏｕｔ法（特開
平８−１６１２８５号）を用いる。以下に、Ｓｅｑｕｅ
ｎｔｉａｌ Ｋｉｃｋ Ｏｕｔ法を示す。本高速学習法
では、（１９）〜（２１）式により重みを更新する。

【００７４】ここで、学習の反復回数をｋで、重みの差
より求まる慣性項をΔＷ_k＝Ｗ_k−Ｗ _k-1で、勾配の差よ
り求まる勾配の差分をΔｇ_k＝ｇ_k−ｇ_k-1で表わし、学
習率をη、慣性率をα、慣性項の係数をγ_k＝−ΔＷ_k-1
^TΔｇ_k／２‖Δｇ_k‖²とする。

【００７５】 ｉｆ Δｇ_k ^TΔｇ_k-1＞０ Ｗ_k+1＝Ｗ_k−ｄｉａｇ（η_k）ｇ_k＋αΔＷ_k＋ｄｉａｇ（γ_k）Δｇ_k ｉｆ Δｇ_k ^TΔｇ_k-1≦０ Ｗ_k+1＝Ｗ_k−ｄｉａｇ（η_k）ｇ_k＋αΔＷ_k …（１９） また、学習率は（２０）式の（Ｄｅｌｔａ−Ｂａｒ−Ｄ
ｅｌｔａ−Ｂａｒ則）により、補正係数は（２１）式に
より更新する。但し、δ＝（δ₁，δ₂，…，δ _mnum）は
平滑化微分を、θは、その重み付け係数を表わす。

【００７６】 学習率η_kの更新則 ｉｆ δ_k,_i・δ_k-1,_i＞０ η_k,_i＝η_k-1,_i＋κ ｉｆ δ_k,_i・δ_k-1,_i＜０ η_k,_i＝η_k-1,_i・φ ｉｆ δ_k,_i・δ_k-1,_i＝０ η_k,_i＝η_k-1,_i …（２０） 補正係数γ_kの更新則 ｉｆ δ_k,_i・δ_k-1,_i＞０ γ_k,_i＝γ_k-1,_i＋κ ｉｆ δ_k,_i・δ_k-1,_i＜０ γ_k,_i＝γ_k-1,_i・φ ｉｆ δ_k,_i・δ_k-1,_i＝０ γ_k,_i＝γ_k-1,_i δ_k＝（１−θ）・ｇ_k＋θ・δ_k-1 但し、δ₁＝０ …（２１） 図１０、図１１に本発明の第４の実施形態例による出力
機器の色補正処理全体の流れを示す。

【００７７】本実施形態例による処理は、測色用入力機
器逆モデルの作成（学習）１０１と、電子色票を作成す
る処理１０２と、出力機器により出力した電子色票の出
力物を測色用入力機器により取り込み測色用入力機器逆
モデルにより色を補正する処理１０３と、補正した画像
から色票の値を計測する処理１０４、計測されたデータ
から、出力機器の順モデル、測色用入力機器の順モデ
ル、または、測色用入力機器逆モデルなどを作成する処
理１０５と、前記モデルを用いて出力機器の逆モデルを
作成する処理１０６から構成される。

【００７８】測色用入力機器逆モデル作成処理１０１で
は、マンセル色票などの色票を測色用入力機器により取
り込み、取り込まれた色の値と色票値を用いて測色用入
力機器逆モデルを作成する。

【００７９】色票作成１０２では、マンセル色票などの
数値データ（色票値）から色票の電子的な画像データフ
ァイル（電子色票）を作成する。

【００８０】測色用入力機器逆モデルによる測色値の補
正処理１０３では、測色用入力機器により取り込んだ画
像２をこの逆モデルに適用し、色の補正処理を行う。

【００８１】色票値計測１０４は、プリンタ、モニタな
どにより前述の電子色票を印刷・表示し、その像を測色
用入力機器により計算機内部に取り込むことにより画像
ファイル化する。この画像から各色票の値を抽出し、学
習用データファイル３を作成する。

【００８２】出力機器順モデル、測色用入力機器順モデ
ル、または、測色用入力機器逆モデルの作成（学習）１
０５では、色票値計測部１０４で作成された学習用デー
タファイル３を用いて神経回路網モデルを学習し、その
学習結果を出力する。

【００８３】出力機器逆モデルの作成（学習）１０６で
は、前記出力機器順モデルなどを用いて出力機器の逆モ
デルを作成（学習）し、その学習結果を重み４として出
力する。

【００８４】色補正処理１０７では、出力機器の逆モデ
ル作成１０６において作成された学習結果５を用いて、
他の任意の出力画像６を色補正し、この色補正された画
像７を出力機器を介して印刷・表示させることにより、
色補正された印刷物・表示像が出力される。

【００８５】図１２、図１３に、本発明の第５の実施形
態例による出力機器用色再現装置の構成を示す。

【００８６】本装置は、学習装置と色補正装置とから構
成される。

【００８７】学習装置は、マンセル色票などの色票を測
色用入力機器から画像として取り込み、この画像の色と
色票値から測色用入力機器の逆モデルを作成する測色用
入力機器逆モデル作成部２０１と、電子色票を出力機器
により印刷した印刷物、または、表示した像を測色用入
力機器により取り込み、測色用入力機器逆モデルを用い
て補正した画像を作成し、これの画像から各色票の値を
計測処理する色票値計測部２０２と、この値と色票値を
用いて出力機器順モデル、及び、測色用入力機器順モデ
ルを作成する出力機器順モデル、測色用入力機器順モデ
ル学習部２０３と、このモデルを用いて出力機器逆モデ
ルを作成する出力機器逆モデル学習部２０４とから構成
される。

【００８８】学習装置は、電子色票を出力した出力物
（印刷物や表示像など）を取り込み、これを補正するこ
とにより測色値を生成し、これらの色情報から出力機器
の色ずれを補正する為の情報を学習により獲得し、この
情報を学習結果（重み）として出力する。

【００８９】色補正装置は、任意の画像を読み込む画像
読み込み部２０５と、学習装置から出力された学習結果
（重み）を読み込む為の学習結果読み込み部２０６と、
色補正を行う色補正部２０７とから構成される。

【００９０】色補正装置は、学習結果と任意の画像を読
み込み、補正処理を行って、その補正結果を出力する。

【００９１】なお、マンセル色票の色票値の代わりにマ
ンセル色票を高精度測色器などを用いて測色した測色値
を利用しても、本発明は実施可能である。

【００９２】また、上記の出力機器用色再現方法におけ
る処理段階をコンピュータに実行させるためのプログラ
ムを、そのコンピュータが読み取り可能な記録媒体に記
録し、これと、この記録媒体を読み取って、そこに記録
された出力機器用色再現方法のプログラムを実行可能な
コンピュータが存在すれば、本発明を実施可能である。

【００９３】

【発明の効果】本発明によれば、従来の測色器を用いた
色再現方式において、特殊な測色器が必要であり、汎用
性、簡便性に欠けるという問題に対しては、スキャナ、
ディジタルカメラなどの入力機器と、その補正モデルを
用いることにより、特殊な測色器を用いずにカラープリ
ンタ、モニタなどの出力機器の色補正を実現することが
できるようになる。また、測色時間が短くなるという効
果もある。

【００９４】色補正モデルに用いている層数が３〜４層
の神経回路網モデルでは、実用的な色差（色差３以下）
以下の補正性能をもつモデルを実現することが困難であ
り、逆に、層数、ユニット数を増加させると、リアルタ
イムに学習を行いながら色補正できないという問題に対
しては、中間層数が３層以上の神経回路網モデルと高速
学習法を用いることにより、補正精度の向上、並びに、
学習時間の短縮化という効果が得られる。

【００９５】モデルの数が多くなると学習時間が長くな
るいう問題に対しては、測色用入力機器逆モデルを作成
した後、「出力機器＋測色用入力機器」順モデルを作成
する際、測色用入力機器逆モデルを含めた２つのモデル
を連結して用いている部分を１つのモデルで近似する。
また、出力機器逆モデルを作成する際にも、出力機器統
合モデルを用いるだけで作成できる。これにより、学習
時間が大幅に短縮し、色補正モデルを作成する時間が短
縮できる効果がある。

【図面の簡単な説明】

【図１】本発明の第１、第２の実施形態例における測色
用入力機器逆モデルの作成を説明する図である。

【図２】上記実施形態例における出力機器による出力物
の測色を説明する図である。

【図３】上記第１の実施形態例における出力機器と測色
用入力機器の順モデルの作成を説明する図である。

【図４】上記第１の実施形態例における出力機器逆モデ
ルの作成を説明する図である。

【図５】上記第２の実施形態例における出力機器と測色
用入力機器の順モデル、並びに、測色用入力機器の逆モ
デルの作成を説明する図である。

【図６】上記第２の実施形態例における出力機器逆モデ
ルの作成を説明する図である。

【図７】本発明の第３の実施形態例に使用する多層神経
回路網モデルを示す図である。

【図８】上記第３の実施形態例に使用する多層モジュー
ル型神経回路網モデル１を示す図である。

【図９】上記第３の実施形態例に使用する多層モジュー
ル型神経回路網モデル２を示す図である。

【図１０】本発明の第４の実施形態例における学習処理
の流れ図である。

【図１１】上記第４の実施形態例における色補正処理の
流れ図である。

【図１２】本発明の第５の実施形態例による学習装置の
構成を示す図である。

【図１３】上記第５の実施形態例による色補正装置の構
成を示す図である。

【図１４】従来の出力機器による色票の出力を説明する
図である。

【図１５】従来の出力機器順モジュール型の作成を説明
する図である。

【図１６】従来の出力機器逆モデルの作成を説明する図
である。

【図１７】従来の出力機器逆モデルによる色補正を説明
する図である。

【図１８】従来のモジュール型神経回路網モデルを示す
図である。

【符号の説明】

１…電子色票 ２…取り込み画像 ３…学習用データ ４…学習結果（重み） ５…学習結果（重み） ６…他の出力画像 ７…色補正後の画像 １０１…測色用入力機器逆モデルの作成（学習） １０２…色票の作成 １０３…測色用入力機器逆モデルによる測色値の補正 １０４…色票値計測 １０５…出力機器順モデル、測色用入力機器順モデル、
測色用入力機器逆モデルの作成（学習） １０６…出力機器逆モデルの作成 １０７…色補正処理 ２０１…測色用入力機器逆モデル作成部 ２０２…色票値計測部 ２０３…出力機器順モデル、測色用入力機器順モデル学
習部 ２０４…出力機器逆モデル学習部 ２０５…画像読み込み部 ２０６…学習結果読み込み部 ２０７…色補正部

───────────────────────────────────────────────────── フロントページの続き (72)発明者 児島 治彦 東京都新宿区西新宿３丁目19番２号 日本 電信電話株式会社内 (72)発明者 曽根原 登 東京都新宿区西新宿３丁目19番２号 日本 電信電話株式会社内 Ｆターム(参考） 2C262 AA24 AA26 AB11 AC04 BC19 FA13 5B057 CA01 CA08 CA12 CB01 CB08 CB12 CC01 CE17 CH20 DB06 DB09 5C077 LL12 LL19 MM27 PP37 PQ15 5C079 LB02 MA10 MA13 NA03

Claims (11)

【特許請求の範囲】
1. 【請求項１】 出力機器により出力される色を、該出力
   対象となる画像から求められる色と同様になるように色
   再現する方法において、 表色系で規定された既知の色の色票値をもつ色票を測色
   用入力機器により取り込み、該取り込まれた画像から抽
   出した測色値と該色票値の対応関係を神経回路網モデル
   に学習させて、該測色用入力機器の色入力特性を補正す
   る測色用入力機器逆モデルを作成する段階と、 色票値に基づいて電子的な色票である電子色票を作成
   し、これを該出力機器により出力した出力物を該測色用
   入力機器により取り込み、該取り込まれた画像を該測色
   用入力機器逆モデルに与えることにより該測色用入力機
   器の色入力特性を補正した電子色票の測色値を求める段
   階と、 該電子色票の色票値と該電子色票の測色値の対応関係を
   神経回路網モデルに学習させることにより、該出力機器
   と該測色用入力機器のモデルである「出力機器＋測色用
   入力機器」順モデルを作成する段階と、 該「出力機器＋測色用入力機器」順モデルと該測色用入
   力機器逆モデルを結合したモデルに出力機器の色出力特
   性を補正する出力機器逆モデルとして神経回路網モデル
   を付加し、該出力機器逆モデルを学習する段階と、 該学習後の出力機器逆モデルを用いて任意の画像の色再
   現を実施する段階とを有することを特徴とする色再現方
   法。
2. 【請求項２】 出力機器により出力される色を、該出力
   対象となる画像から求められる色と同様になるように色
   再現する方法において、 表色系で規定された既知の色の色票値をもつ色票を測色
   用入力機器により取り込み、該取り込まれた画像から抽
   出した測色値と該色票値の対応関係を神経回路網モデル
   に学習させて、該測色用入力機器の色入力特性を補正す
   る測色用入力機器逆モデルを作成する段階と、 色票値に基づいて電子的な色票である電子色票を作成
   し、これを該出力機器により出力した出力物を該測色用
   入力機器により取り込み、該取り込まれた画像を該測色
   用入力機器逆モデルに与えることにより該測色用入力機
   器の色入力特性を補正した電子色票の測色値を求める段
   階と、 該電子色票の測色値と該電子色票の色票値の対応関係を
   神経回路網モデルに学習させ、該出力機器と該測色用入
   力機器のモデルである「出力機器＋測色用入力機器」順
   モデル、および、該測色用入力機器逆モデルを１つのモ
   デルである「出力機器順＋測色用入力機器順・逆」モデ
   ルで作成する段階と、 該「出力機器順＋測色用入力機器順・逆」モデルに該出
   力機器の色出力特性を補正する出力機器逆モデルとして
   神経回路網モデルを付加し、該電子色票の色票値を用い
   て該出力機器逆モデルを学習する段階と、 該学習後の上記の出力機器逆モデルを用いて任意の画像
   の色再現を実施する段階とを有することを特徴とする色
   再現方法。
3. 【請求項３】 前記神経回路網モデルの少なくとも１つ
   に、 多層神経回路網モデルを用いて出力機器の色出力特性を
   補正するための特性を該特性ごとに個別に獲得する神経
   回路網モデルであるエキスパートネットを複数個組み合
   わせたモデルと、 該組み合わせたモデルヘの入力値に応じて複数の該エキ
   スパートネットを連続的に切り替える働きをする神経回
   路網モデルである切り替えネットとから構成される神経
   回路網モデルである多層モジュール型神経回路網モデル
   を用いたことを特徴とする請求項１または２記載の色再
   現方法。
4. 【請求項４】 前記切り替えネットでは、 該切り替えネットに任意の評価基準を与えて、この評価
   基準に応じて複数のエキスパートネットを切り替えるこ
   とを学習させることを特徴とする請求項３記載の色再現
   方法。
5. 【請求項５】 前記神経回路網モデルを学習させる際、
   各ネットの評価基準にＳｅｑｕｅｎｔｉａｌ Ｋｉｃｋ
   Ｏｕｔ法を適用し、多層モジュール型神経回路網モデ
   ル全体での学習も同時に実行することを特徴とする請求
   項３または４記載の色再現方法。
6. 【請求項６】 出力機器により出力される色を、該出力
   対象となる画像から求められる色と同様になるように色
   再現する装置において、 表色系で規定された既知の色の色票値をもつ色票を測色
   用入力機器により取り込み、該取り込まれた画像から抽
   出した測色値と該色票値の対応関係を神経回路網モデル
   に学習させて、該測色用入力機器の色入力特性を補正す
   る測色用入力機器逆モデルを作成する手段と、 色票値に基づいて電子的な色票である電子色票を作成
   し、これを該出力機器により出力した出力物を該測色用
   入力機器により取り込み、該取り込まれた画像を該測色
   用入力機器逆モデルに与えることにより該測色用入力機
   器の色入力特性を補正した電子色票の測色値を求める手
   段と、 該電子色票の色票値と該電子色票の測色値の対応関係を
   神経回路網モデルに学習させることにより、該出力機器
   と該測色用入力機器のモデルである「出力機器＋測色用
   入力機器」順モデルを作成する手段と、 該「出力機器＋測色用入力機器」順モデルと該測色用入
   力機器逆モデルを結合したモデルに出力機器の色出力特
   性を補正する出力機器逆モデルとして神経回路網モデル
   を付加し、該出力機器逆モデルを学習する手段と、 該学習後の出力機器逆モデルを用いて任意の画像の色再
   現を実施する手段とを有することを特徴とする色再現装
   置。
7. 【請求項７】 出力機器により出力される色を、該出力
   対象となる画像から求められる色と同様になるように色
   再現する装置において、 表色系で規定された既知の色の色票値をもつ色票を測色
   用入力機器により取り込み、該取り込まれた画像から抽
   出した測色値と該色票値の対応関係を神経回路網モデル
   に学習させて、該測色用入力機器の色入力特性を補正す
   る測色用入力機器逆モデルを作成する手段と、 色票値に基づいて電子的な色票である電子色票を作成
   し、これを該出力機器により出力した出力物を該測色用
   入力機器により取り込み、該取り込まれた画像を該測色
   用入力機器逆モデルに与えることにより該測色用入力機
   器の色入力特性を補正した電子色票の測色値を求める手
   段と、 該電子色票の測色値と該電子色票の色票値の対応関係を
   神経回路網モデルに学習させ、該出力機器と該測色用入
   力機器のモデルである「出力機器＋測色用入力機器」順
   モデル、および、該測色用入力機器逆モデルを１つのモ
   デルである「出力機器順＋測色用入力機器順・逆」モデ
   ルで作成する手段と、 該「出力機器順＋測色用入力機器順・逆」モデルに該出
   力機器の色出力特性を補正する出力機器逆モデルとして
   神経回路網モデルを付加し、該電子色票の色票値を用い
   て該出力機器逆モデルを学習する手段と、 該学習後の上記の出力機器逆モデルを用いて任意の画像
   の色再現を実施する手段とを有することを特徴とする色
   再現装置。
8. 【請求項８】 前記神経回路網モデルの少なくとも１つ
   に、 多層神経回路網モデルを用いて出力機器の色出力特性を
   補正するための特性を該特性ごとに個別に獲得する神経
   回路網モデルであるエキスパートネットを複数個組み合
   わせたモデルと、 該組み合わせたモデルヘの入力値に応じて複数の該エキ
   スパートネットを連続的に切り替える働きをする神経回
   路網モデルである切り替えネットとから構成される神経
   回路網モデルである多層モジュール型神経回路網モデル
   を用いたことを特徴とする請求項６または７記載の色再
   現装置。
9. 【請求項９】 前記切り替えネットに任意の評価基準を
   与えて、この評価基準に応じて複数のエキスパートネッ
   トを切り替えることを学習させる手段を有することを特
   徴とする請求項８記載の色再現装置。
10. 【請求項１０】 前記神経回路網モデルを学習させる
    際、各ネットの評価基準にＳｅｑｕｅｎｔｉａｌ Ｋｉ
    ｃｋ Ｏｕｔ法を適用し、多層モジュール型神経回路網
    モデル全体での学習も同時に実行する学習手段を有する
    ことを特徴とする請求項８または９記載の色再現装置。
11. 【請求項１１】 請求項１から５までのいずれか１項記
    載の色再現方法における段階をコンピュータで実行する
    ためのプログラムを、該コンピュータが読み取り可能な
    記録媒体に記録したことを特徴とする色再現方法を実行
    するプログラムを記録した記録媒体。