JP2005515412A - 媒体分類のためのクラスタ重み付きモデリング - Google Patents

Abstract

確率的入出力システムを使用して、プリンタ用途において媒体（１８）を分類する。確率的入出力システムは、少なくとも２つのパラメータを使用して、入力パラメータに対し同時従属性を有する出力を生成する。入力パラメータは、あり得る媒体の異なる種別（タイプおよび／またはグループ）の特質となるテクスチャの特徴を画像化する（２６、２８および３２）ことから得られる画像関連測定値に関連する。出力は、格納された基準情報（６２）と対象となる未知の媒体に特有の情報との相関における最適な一致である。非常に正確な分類結果を生成するために、クラスタ重み付きモデリング技法を使用する。画像化プロセス内では、グレイジング角照明（すなわち、画像化されている表面の法線に対して少なくとも４５度の角度で光を導入する）が、未知の媒体の構造的な特徴（たとえば、紙繊維）を識別するために十分なコントラストを提供するが、鏡面反射測定値が得られる場合、非グレイジング照明を使用してもよい。

Description

本発明は、包括的には、媒体を分類する方法およびシステムに関し、より詳細には、プリント材料を付着させる媒体のタイプを分類することに関する。このため、本発明は、インクジェットプリントおよび湿式または乾式電子写真プリントを含む用途において使用することができる。

インクを付着させる前に、再生紙、光沢紙または他の何らかの媒体タイプであるとプリント媒体を分類することには利点がある。分類をすることにより、用紙に適合するプリントモードにプリンタを設定することができ、プリント品質が低下しない。プリントモードにおいては、ピクセル位置毎のインク滴の数、プリントプロセス中のインクカートリッジによるパスの数およびカラーマップの選択等の、ラスタ画像処理技法と書込みシステムパラメータとの両方に影響を与える可能性があるプリントパラメータが設定される。また、プリント媒体の分類により、プリントエンジンに対する損傷の発生が低減する可能性もある。たとえば、インクジェット透過フィルムによっては、その上のコーティングが、市販の電子写真プリンタのフューザローラ上で溶解する可能性があり、それによりフューザローラを交換する必要のある損傷がもたらされる。

多くのプリントドライバでは、ユーザには、プリント媒体を手動で特定することができるようにされている。このため、ユーザに対する選択を可能にするプリントドライバダイアログボックスを提示する場合がある。しかしながら、この機能はしばしばユーザによって無視される。可能な媒体のリストから媒体を選択する代りに、ユーザは、普通紙・標準モードのデフォルト設定を受け入れる場合がある。結果として、ユーザがプリンタに高価な写真媒体（フォト媒体）を挿入した場合であっても、標準モードが選択されている場合、結果としての画像は標準レベルに達しない。

ユーザの介入を必要とすることなく特有のタイプの使用される媒体に対し最適なプリントモードをプリンタが採用するための１つのあり得るシステムは、プリント媒体の一部の上かまたはプリント媒体を支持する保持器（たとえば、用紙トレイ）の上のバーコードを利用する。Austin他に対する米国特許第５，４８８，２２３号は、バーコードを検出するとプリントパラメータを自動的に選択するシステムおよび方法を記載している。プリンタは、媒体タイプを識別しプリント速度、プリントヘッド圧力および噴射時間等のプリントパラメータを設定するために使用されるバーコードスキャナを有する。

プリント媒体タイプを自動的に分類する別の手法では、透過率を検知することおよび反射率を検知することのうちの一方または両方が利用される。たとえば、紙上で測定されるようにおよそ４０μｍのピクセルサイズで拡散および鏡面反射を検知する、媒体タイプ検出器を使用する場合がある。媒体タイプが異なると、２つの反射率の値の比が異なることとなる。この手法を実施するために、反射率比のルックアップテーブルを有するデータベースを使用して、比をプリント媒体の異なるタイプと相関させる。

従来技術による手法は、それらの意図された目的に対し適度に作用するが、必要なものは、高レベルの精度および低レベルの複雑さで媒体タイプを安価に識別する自動化された方法およびシステムである。

［発明の要約］
少なくとも２つの入力パラメータと、入力パラメータに対し同時従属性（joint dependency）を有する出力とを有する、確率的入出力システムを生成することによって媒体分類を達成する。この確率的入出力システムは、異なる種別の媒体において特質となるテクスチャの特徴を画像化して得られた画像関連測定値に対して入力パラメータが関連付けされる、多次元構成とされる。出力は、格納された基準入力情報と、対象となる未知の媒体を画像化することによって得られる入力情報との相関において、最も一致するものである。

一実施形態では、この確率的入出力システムは、テクスチャ依存ベクトル（ｘ）を媒体分類識別情報出力（ｙ）に関連付ける。画像関連測定値を、適切な照明の入射角度での複数の異なる照明源の各々に対し平均と標準偏差とを計算することによって得てもよい。しかしながら、他の測定値を代りに用いることもできる。予備トレーニング手続きにおいて、各媒体種別の複数のサンプルに対し、測定された平均と標準偏差とのうちから平均と標準偏差とを計算して、基準としてルックアップテーブルに格納してもよい。媒体種別は、液滴量およびピクセル毎の液滴の数等、同様の記録特性と所望のプリントパラメータとに基づいて媒体タイプがグループ化される「グループ」とすることもできる。グループではなく、むしろ媒体種別は別個の媒体タイプであってもよい。

トレーニング手続きに続いて、対象となる未知の媒体を画像化し入力パラメータを確定すると、格納された基準と未知の媒体に関する情報との間の距離に応じて媒体分類を特定してもよい。このため、本手法を、クラスタ重み付きモデリング（cluster-weighted modeling、ＣＷＭ）と呼んでもよい。このクラスタ重み付きモデリングでは、入力テクスチャ依存ベクトルを多次元データ分布にマッピングすることにより、同時確率密度が確立される。同時確率密度を使用して、データ分布内の確率クラスタを定義する。そして、確率クラスタを異なる媒体種別に関連付ける。

テクスチャの特徴を画像化することにより十分な情報を得るために、分類センサの選択および動作は重要である。いくつかの紙や透過フィルムの表面テクスチャは、グレイジング角照明（grazing angle illumination）を使用して最も容易に画像化することができるが、他の照明手法を使用してより容易に識別することができる他の媒体もある。たとえば、表面の特徴が非グレイジング角で照明される場合に、識別されるべきさまざまな媒体が各々区別可能な鏡面反射パターンを呈する用途など、いくつかの用途では、鏡面反射測定を可能とする照明が好ましい場合がある。「グレイジング角照明」という用語は、画像化されている媒体の表面に対して４６度未満（すなわち、表面法線から４５度以上）の入射角度を有する照明として定義する。好ましくは、入射角度は、表面法線から４５度から７５度までの範囲である。媒体タイプは、異なるタイプごとの特質となる、紙繊維等の特徴を備えた表面テクスチャを有している。すなわち、プリント媒体の各タイプは、媒体を分類するために使用してもよい特質としての表面テクスチャを有する。媒体タイプを示す表面の特徴は、およそ５μｍとおよそ１００μｍとの間の範囲のサイズを有する傾向がある。イメージングセンサは、単一ピクセルを有してもピクセルのラインを有してもよいが、好ましくは、ピクセルの２次元アレイを採用する。

対象となる媒体の未プリント領域にわたる複数のサンプルから得られる測定されたグレイレベル値を収集することによって、表面テクスチャを識別することができる。媒体表面にわたって単一ピクセルセンサをスキャンし異なる位置での測定値を記録することにより、あるいは直線状または２次元アレイを使用することにより、複数のサンプルを得ることができる。ピクセル数が多くなることの利点は、単一表面領域にわたる複数のサンプルを使用して必要な情報を得ることができ、それによりセンサとプリント媒体との間の相対移動が必要でなくなる点にある。これにより、媒体が入力トレイ内で静止している間に、媒体分類を行うことができる。

一実施態様では、分類センサは、媒体の平面の法線に沿った光軸を有しており、異なる波長を有する複数の照明源（たとえば、緑および青の発光ダイオード（ＬＥＤ））によって照明される表面の画像を取り込む。グレイジング角照明を使用することにより、表面の特徴には媒体表面に沿った影ができる。いくつかのＬＥＤを順次照明して、ピクセル測定値をその照明光源ごとに取得することもできる。表面法線に対して４５度の入射角度で緑および青を用い、表面法線に対して７５度の角度で赤および赤外線を用いるといったように、異なる入射角度で複数の照明源を使用することにより、より正確な分類を達成してもよい。トレーニングを使用して、異なる媒体タイプおよび／またはグループのルックアップテーブルを確立してもよい。

グレイジング角照明を介して入手可能な表面情報を収集することに追加してまたはその代替として鏡面反射情報が収集される場合、異なる媒体タイプおよび／またはグループの鏡面反射特性に対してルックアップテーブルを確立してもよい。必要なサンプルがより少ない用途によっては、鏡面情報を得るために非グレイジング照明が有利である。

クラスタ重み付きモデリングを使用することにより、媒体分類の問題に対する信頼性の高い解決法が提供される。照明源が緑および青のＬＥＤであり入力パラメータが平均（μ）および標準偏差（σ）である用途において、未知の媒体が画像化されると、μとσとの値の新たな集合が確定される。クラスタ重み付きモデリングでは、入力ベクトルｘ_jは
ｘ_j＝｜μ_greenσ_greenμ_blueσ_blue｜
として定義され、出力ベクトル（この場合、スカラーｙ）は媒体識別情報である。各未知の入力ベクトルｘ_jを予測器に与え、予測器は、トレーニングベクトル対のセットからｐ（ｙ，ｘ_j）（すなわち、ｘ_jに対するｙの従属性に対する同時確率密度）を計算する。

本発明の利点は、プリント媒体を分類する低コストの信頼性の高い方法が、本方法を従来のプリンタ内で完全に実施することができるようにする規模で提供される、ということである。別法として、プリンタとプリンタをサポートするコンピュータとの間で処理を共有してもよい。方法およびシステムは、プリント媒体の表面テクスチャを微視的に画像化することによって動作し得る。たとえば、画像化される表面の特徴は、５μｍから１００μｍまでの範囲にあってもよい。

［詳細な説明］
本発明は、未知の媒体を複数の所定の異なる媒体種別のうちの１つに関連付ける確率的入出力システムを利用する。関連付けは、特定の媒体の特質となる表面テクスチャを分類することに基づく。本発明は、他の用途に使用してもよいが、インク等のプリント材料を付着させる未知の媒体を分類するために特に適している。この用途では、媒体の分類を使用してプリントパラメータを設定する。

本発明を実行するために、クラスタ重み付きモデル（cluster-weighting model（ＣＷＭ））フレームワークを使用してもよい。ＣＷＭアルゴリズムは既知であるが、媒体分類の技術分野において既知の手法ではない。したがって、Bernd SchonerおよびNeil GershenfeldによるNon-linear Dynamics and Statisticsの第１５章、第３６５〜３８５頁の「Cluster-Weighted Modeling: Probabilistic Time Series Prediction, Characterization and Synthesis」と題された出版物の記載に従う形式で、背景を下に示す。

［クラスタ重み付きモデリングの背景］
クラスタ重み付きモデリングは、入力される特徴と目標データとの集合の確率密度推定に基づいて予測を形成するために使用することができる。適切にトレーニングされたＣＷＭは、影響の領域に従ってデータ空間のサブセットであるクラスタを定義する。異なるクラスタの影響は、ガウシアンの基底項によって重み付けされる。しかしながら、各クラスタは、線形回帰関数等の単純なアルゴリズム的モデルを表す。すなわち、ＣＷＭは非線形モデルであるが、従来の線形分析は局所モデル内で適用可能である。

まず、入力される特徴（ｘ）の集合を選択し、目標ベクトル（ｙ）の出力を識別する。後述する媒体を分類する用途において、入力される特徴は画像に関連した特徴（たとえば、平均値および標準偏差値）であり、ｙは媒体のスカラー識別情報である。トレーニングプロセス中、ベクトル対

の集合を使用する。ｘへのｙの従属性に対する同時密度ｐ（ｙ，ｘ）を、ベクトルのトレーニングセットから確定する。そして、ｘが与えられた場合の予測されたｙ（ｙ｜ｘ）とｘが与えられた場合のｙの予測された共分散（Ｐ_y|x）とを確定することが可能である。

同時密度を、クラスタ（ｃ_m）において展開することができる。クラスタの各々は、入力影響領域と出力分布：

とを有する。

非線形システムモデリングは、線形係数βΘ_mを用いるモデルを使用し非線形基底関数ｆ（ｘ）を使用する。

代替として、モデルは非線形の内部に係数を有してもよい。

ＣＷＭでは、クラスタはＥｑ．１を満足する局所モデルであり、大域モデルはＥｑ．２を満足する。局所パラメータは、局所共分散行列の特異値分解逆行列においてフィッティングされる。大域的重み付けを確定する残りのクラスタパラメータを、データセットが与えられ初期条件が与えられた場合にモデル尤度を最大化する反復探索である、期待値最大化（expectation-maximization（ＥＭ））アルゴリズムの変形を使用して得る。クラスタパラメータに対する開始値を、用途に基づいて選択してもよく、あるいはランダムに選択してもよい。そして、期待値ステップ（expectation step）（Ｅステップ）を実施することができる。

期待値ステップは、クラスタをデータ点に関連付ける事後確率を評価することを含む。事後確率は、特定のデータ（ｙ，ｘ）によって特定のクラスタ（ｃ_m）が生成される確率（ｐ）、すなわち、データ点に対するクラスタの正規化された信頼度を提供する。それにより、

となり、ここで、クラスタは、分母にある和を通じて相互作用し、そのクラスタによって最もよく説明されるデータの専用のものとなる。

次のステップは、最大化ステップである。このステップでは、データの尤度を最大化するクラスタパラメータを見つける。クラスタ重みに対し、これを

によって確定する。最大化ステップは、密度にわたる積分を密度から引き出される変数にわたる平均によって近似することができるという結論から得られる。

次の計算は、各クラスタに対する予期された平均入力、つまりクラスタ平均の推定値：

を確定することである。
出力ベクトルｙをＥｑ．６の第２行に導入することにより、入力空間内のクラスタ位置と出力空間における入出力システムの性能との両方に基づいて推定を行うことができる。すなわち、クラスタを、データが説明される位置とモデルがいかに適切にデータを説明するかとの両方に基づいて定義することができる。所与のｐ（ｃ_m）に対し、任意の関数θ（ｘ）のクラスタ重み付き期待値を、

と定義する。
クラスタ重み付き期待値を使用して、クラスタ重み付き共分散行列：
［Ｐ_m］_ij＝〈（ｘ_i−μ_i）（ｘ_j−μ_j）〉_m （Ｅｑ．８）
を計算することができる。
局所モデルを更新するために、パラメータ：

に関して全尤度関数の対数の導関数をとることによってモデルパラメータを見つける。

単一出力ｙと単一係数β_mとの場合には、

となる。Ｅｑ．１をＥｑ．９と組合わせると、βｍを更新する式：

が得られる。モデルパラメータのセット全体に対し、Ｅｑ．１１を

まで拡張する。ここで、
［Ｂ_m］_ij＝〈ｆ_i（ｘ_,β_m）・ｆ_j（ｘ，β_m）〉_m （Ｅｑ．１３）
［Ａ_m］_ij＝〈ｙ_i・ｆ_j（ｘ，β_m）〉_m
である。最後の計算として、異なるモデルに関連する出力共分散行列を、
Ｐ_y,m＝〈［ｙ−〈ｙ｜ｘ〉］²〉_m
＝〈［ｙ−ｆ〈ｘ，β_m〉］・［ｙ−ｆ（ｘ，β_m）］^T〉_m （Ｅｑ．１４）
によって推定することができる。まとめると、ＣＷＭプロセスは、複数のステップを含む。第１のステップは、初期化条件とクラスタ値とを選択することである。この第１のステップを、用途に適合させてもよく、あるいはこれは本質的に準ランダムであってもよい。第２のステップは、データｐ（ｙ，ｘ｜ｃ_m）の確率を評価することである。そして、クラスタ（ｃ_m｜ｙ，ｘ）の事後確率を見つける。

更新ステップにおいて、複数の計算を実行する。更新には、（１）クラスタ重みｐ（ｃ_m）と、（２）入力平均

に対するクラスタ重み付き期待値と、（３）分散

または共分散

と、（４）最尤モデルパラメータ

と、（５）出力分散

と、を再計算することが含まれる。そして、プロセスは、データの確率を評価する第２のステップに戻る。ループは、全データ尤度がそれ以上増大しなくなるまで続く。

［媒体分類の実際的な用途］
図１を参照すると、本発明の媒体分類機能を利用するプリンタ１０が、本体１２とヒンジカバー１４とを有するように示されている。媒体分類を、他の用途においておよび湿式および乾式電子写真プリンタ等の他のプリンタにおいて採用してもよいため、図示するプリンタは、単に、本発明を使用してもよい装置の例である。プリンタ１０は、従来の装置とすることができるインクジェットプリントヘッド１６を含む。当該技術分野において既知であるように、インクジェットプリントヘッドは、一枚の紙等の媒体上にインクの液滴を噴射するように個々にトリガされる複数のノズルを有する。図１において、プリンタは、未だ指定されていない媒体のシート１８を含む。このシートは、プリントプロセス中にインクジェットプリントヘッドの真下の領域に一枚ずつ移動される。

プリント媒体のシート１８を、用紙経路に沿って一方向に進め、インクジェットプリントヘッドは、シートの移動に対して垂直な方向にシートにわたって横方向に移動する。インクジェットプリントヘッドを、トレイ移送レール２２に沿って前後に移動するキャリッジ２０に取り付ける。可撓性ケーブル２４は、キャリッジのコンポーネントを図示しないプリントエンジンに接続する。可撓性ケーブルは、電源ライン、クロックライン、制御ラインおよびデータラインを含む。

プリンタ１０のトレイのところに、イメージャ２６が組み込まれている。後により完全に説明するように、イメージャ２６によってプリンタはプリント媒体のタイプを確定することができ、それに従って、実現可能な最良のプリント品質を得るために、プリントエンジンのパラメータを調整することができる。さらに、いくつかのタイプの透過フィルムまたはいくつかの用紙の存在の識別情報を使用して、プリンタに対する損傷を防止することができる。たとえば、インクジェット透過フィルムによっては、その上のコーティングが、電子写真プリンタのフューザローラ上で溶解する可能性があり、フューザローラを取り替える必要のある損傷がもたらされる。

入力トレイ３０内に収容される媒体に関する画像情報を得るために、イメージャ２６を使用する。イメージャは、単一ピクセルかまたはピクセルのラインから形成されるセンサ２８を有していることができる。しかしながら、好ましい実施形態は、ピクセルの２次元アレイを利用する。センサのピクセルのサイズに応じて、光学系は、ピクセル上にシートの表面の指定された領域を結像させる。通常、媒体表面の視野領域は、５μｍからおよそ１００μｍまでの範囲（１０μｍから４０μｍが好ましい）の辺を有する正方形である。しかしながら、図２のイメージャ２６の例では、センサ２８を矩形であるように示す。

図１のシート１８の表面テクスチャを、シートの未プリント領域にわたって複数のサンプルによって得られる測定されたグレイレベル値の集まりによって特徴付けることができる。シート表面にわたって単一ピクセルセンサをスキャンして異なる位置で測定値を取ることによって、複数のサンプルを得ることもできる。しかしながら、図２のラインセンサまたは２次元センサ２８を使用することの利点は、センサと媒体との間の相対的な移動を必要とすることなく、シートの表面の領域にわたり複数のサンプルを得ることができる、ということである。これは、入力トレイ３０内でプリント媒体を分類する機構を簡略化するために有用である。

図１の代替態様として、センサ（単一ピクセル、ラインピクセルまたはエリアピクセル）は、シートがトレイ３０から用紙経路上に供給されるにしたがい、プリント媒体の複数のサンプルを蓄積してもよく、あるいは、センサを、用紙経路に沿った位置に配置してもよい。ここで、センサを適所に固定することもでき、あるいはイメージャを移動させるスキャンキャリッジに取り付けることもできる。図３は、イメージャ３２がプリントヘッドキャリッジ２０に取り付けられる実施形態を示す。この実施形態に関らず、目的は、表面テクスチャの変化を評価するために、異なる位置において複数のサンプルを蓄積することである。概して、目的は、サンプルの数を増加させることによりサンプリング統計を向上させることである。

図２の画像センサ２８は、好ましくは、プリント媒体上の視野３８の平面に対する法線に沿ってその光軸３４を有する。光軸に沿って光学要素３６を配置することにより拡大を可能にするが、拡大レベルは１つであってもよい。図２は、１枚の用紙であり得るプリント媒体の上面に沿った視野３８を示す。結像光学系に遮断フィルタを付加することにより、背景照明の望ましくない波長の光がセンサ２８に到達しないようにすることができる。

重要ではないが、図２の実施形態は、複数の照明源４０および４２を有する。２つの照明源は、各照明下でピクセル測定を可能にするように連続的に照明される緑および青のＬＥＤであり得る。

照明サブアセンブリの各々には、その光源４０または４２と、集光レンズ４４または４６と、円柱レンズ４８または５０と、プリズム５２または５４とがある。円柱レンズの機能は、関連する照明源４０または４２からの通常円形のビーム断面を高アスペクト比の楕円形に変換することにより、視野３８のアスペクト比によりよく一致させることである。したがって、センサ２８が正方形形状を有する場合、円柱レンズによるビームの再構成は必要でない。プリズムを使用して、ビームを、プリント媒体上への所望の入射角度に偏向させる。入射角度は、グレイジング角照明（すなわち、プリント媒体の表面の法線に対して少なくとも４５度である照明）を提供する。表面法線からの４５度から７５度までの範囲の入射角度が好ましいが、グレイジング角照明の代りにまたはそれに加えて、鏡面反射情報を得る非グレイジング角照明が好ましい用途もある。一例として、緑ＬＥＤは表面法線に対して４５度の光を提供してもよく、赤ＬＥＤは７５度の光を提供する。グレイジング角照明の不都合は、小型化によって、および領域変形等の要因からプリント媒体の局所傾斜からもたらされる潜在的な方向・反射効果によって課される、機械的干渉の制約がある、ということである。照明に対し、結像光学系の被写界深度よりわずかに深い被写界深度を提供することが有益である。この設計はまた、照明とサブアセンブリとの間の位置合せ誤差に適応するために、視野３８の周辺を越えて照明の十分な余裕を提供しなければならない。

後により完全に説明するように、ピクセルデータのグレイレベル値の平均とそれらの標準偏差とを、異なる波長および異なる入射角度の照明下の微視的な表面テクスチャの画像から導出する。平均値は媒体の平均反射率であり、標準偏差は媒体のテクスチャ粗さの測定値を表す。図２のイメージャ２６を使用すると、グレイジング角照明のために、紙繊維または画像化されているプリント媒体に固有の他の構造的特徴から影が生じる。当然ながら、透過シートは紙繊維を含まないが、しばしばかかる媒体の特質となる、熱により生じる表面の特徴を含む。

ここで図４を参照すると、システムは、照明源４０および４２とセンサ２８との動作を確定する画像化コントローラ５６を有する。センサの出力を、画像処理コンポーネント５８に向ける。このコンポーネント５８内では従来の画像処理を実施する。グレイレベル値を、入力ベクトル導出コンポーネント６０に出力する。このコンポーネントは、本発明である確率的入出力システムの入力ベクトルを確定する。緑および青の照明源下でサンプルが取り出される実施形態における各入力ベクトル（ｘ_j）を

として定義してもよい。入力ベクトルを、ルックアップテーブル６４にアクセスする予測器６２で受け取る。トレーニングプロセス中、さまざまなタイプの媒体からのデータサンプルを得て、各光源に対する平均と標準偏差とを関連する入射角度に対して計算する。そして、各媒体タイプに対する平均および標準偏差のうち平均（μ）と標準偏差（σ）とを計算しルックアップテーブル６４に格納する。その後、未知の媒体を画像化する場合、新たな情報のμおよびσの新たなセットを計算する。ルックアップテーブルに格納された基準セットからの新たなセットの距離を確定する。そして、距離の何らかの関数により媒体タイプおよび／またはグループを識別する。最も単純な形態では、目的は、最小距離を見つけることである。この最も単純な解決法は、ＣＷＭ処理において媒体タイプの数と同じ数のクラスタを使用することにいくらか似ている。この最も単純な手法は、媒体データ群（clouds）が比較的対称的であり非特異である場合、満足のいく結果を提供する。しかしながら、媒体分類の多くの用途において、μ／σデータ群は、それらの影響領域において対称的でも非特異でもない。かかる用途では、ＣＷＭフレームワークは好ましい。この手法に関らず、予測器６２は、媒体の指標をプリントコントローラ６６に提供し、プリントコントローラ６６はそれに従ってプリントパラメータを設定する。

ここで、図５を参照してプロセスについて説明する。ステップ６８において、システムを初期化する。初期化には、イメージャの較正と、確率的入出力システムの初期構成を提供することとが含まれる。一用途では、光学系を、媒体表面におよそ２０μｍから２５μｍの光学的ぼけサイクルで８平方μｍのピクセル解像度を達成することを確実にするように設計し焦点合せする。センサの較正に関し、任意の画像センサおよびデータ収集システムに関連するいくつかのノイズ源がある。可能な場合はノイズを低減させるべきである。主なノイズ源は、（１）センサ電子ノイズ（暗電流）と、（２）センサ光子ショットノイズと、（３）ピクセル毎の変動と、（４）照明源によってもたらされる照明不均一性とである。最初の２つのノイズ源は本質的にランダムであり、それを平均化によって有効に低減することができる。測定に対するそれらの影響は、適切な照明レベルを選択することにより、小さくなる。センサのピクセル毎のノイズは、固定の高空間周波数ノイズであり、照明不均一性は、固定の低空間周波数効果である。これらの２つのノイズの潜在的な影響は重大である。それらの効果を低減する方法には、いくつかの輝度レベルで照明される白色タイルを画像化してサンプルを取り出すことがある。高周波数効果と低周波数効果とを分離し、平均照明によって決まる値を有する訂正ルックアップテーブル（図示せず）を、個々のピクセル出力にアドレス指定する際に使用する。

任意に、初期化ステップ６８は、サンプリングされるプリント媒体の各シートを支持する黒色タイルを提供することを含んでもよい。これにより、複数のシートを貫通する可能性のある光の効果が無くなる。結果として、トレーニングプロセス中に、より一貫した最適化されたサンプリング環境が提供される。トレーニングプロセスで使用されるタイルの光学吸収特性が、実際の測定中にもたらされるものと同じであることが重要である。具合の良いことに、黒色タイルを、非反射型チャンバへの開口と置き換えることができ、それは同様の結果をもたらすはずである。

本アルゴリズムは局所尤度最大で終わることを保証するのみであるため、初期化ステップ６８では、クラスタを任意に初期化するべきではない。トレーニング時間を節約しデータのより優れた収束を提供するために、クラスタを、それらの最終位置に予測できる可能な限り近くに配置しなければならない。初期クラスタ位置を選択する方法を、最初に初期クラスタ確率として１／Ｎ（Ｎはクラスタの数）を選択することによって実施してもよい。次のサブステップは、トレーニングセットからクラスタと同程度の多くの点をランダムに選択し、これらの点を用いてクラスタ入力機構とクラスタ出力機構とを初期化することである。残りの出力係数は、ゼロに設定しなければならない。そして、データセットのサイズと空間寸法とを、初期クラスタ分散として使用することができる。正規化に関し、任意のデータ値により確率が非常に小さくなる可能性があるため、トレーニングセットを、平均が０、分散が１となるように正規化することが必要である場合がある。

特定の用途に対しいくつのクラスタが最適であるかに関しいかなるルールもない。クラスタの数は、識別可能な出力の数、この場合は媒体種別の数より多くなければならない。しかしながら、クラスタの数が多ければ識別力が優れているとは限らない。小さいクラスタの数が多すぎる場合は、特に異なる媒体種別に属する多くの小さいクラスタにより領域が占められる場合、帰属関係を確立することが困難である可能性がある。それは、クラスタの数が一定である場合に予測値ステップと最大化ステップ（上記参照）との間のトレーニング反復の数にも当てはまる。したがって、クラスタの数およびトレーニングの数が増加する反復探索を経験的に実施し確定してもよい。たとえば、７つの類似する媒体のサンプルの場合、２４のクラスタと２３の反復とが最適であると判断され、このときに正確さが最高の分類重みが得られた。図６のＣＷＭデータ空間に２４のクラスタの簡略化したものを示す。

図５のステップ７０において、確率的入出力システムを、図６に示すもののようなモデルを提供するようにトレーニングする。トレーニングプロセス中、ベクトルの対

のセットを使用して、局所モデル（クラスタ）がｙ＝β_m・ｘを満足するＣＷＭ入出力モデルを提供する。その後、図４の予測器６２に未知の入力ベクトルｘ_jを与えると、予測器は、トレーニングされたＣＷＭモデルに従ってｐ（ｙ，ｘ_j）を計算することにより媒体種別のすべてに関するその入力ベクトルの確率を提供する。上述したように、媒体分類を、１つのタイプの媒体または媒体タイプのグループの一方または両方に関連付けてもよい。未知の媒体が特定の媒体グループに属する確率を、その媒体グループに属する異なる媒体タイプに対し確率のすべてを付加することにより確定することができる。

ステップ７０におけるトレーニングプロセスは、特に異なる媒体サンプルのすべてを収集するプロセスにおいて、時間がかかるとともに計算負荷が高い。各媒体タイプに対し、媒体分布（すなわち、「媒体群」）の信頼性の高い推定を提供するために数千個の入力ベクトルを得る場合がある。それは、必要な統計的計算および行列処理のために計算負荷が高い。幸いなことに、このプロセスは、オフラインで、しかも、特定のプリンタに対しては、使用される媒体タイプ／グループのすべてに対して一度だけ行なえば、実施することができる。このため、新たな媒体タイプまたは新たな媒体グループが導入された場合かまたはイメージャに対して変更が行われた場合にのみ、トレーニングプロセスを更新する。

プリンタとそのホストコンピュータとの間に双方向通信が存在しホストに適切なソフトウェアがインストールされている場合、各新たな媒体分類に対してプリンタをトレーニングすることが実際的である。この場合、追加の媒体分類に対するトレーニングを、プリンタがアイドル状態である時間中に行うことができる。媒体分類センサは、ホストコンピュータに対し、処理し新たな媒体タイプサンプルと関連付けるために生ピクセルデータを提供する。

プリンタ内で媒体分類解決法を完全に実施することが可能である。この場合、プリンタ資源は、特定のプリントアルゴリズムを行うためにラスタ画像データを最適化する何らかの画像処理能力を有していなければならない。しかしながら、プリンタとそのホストコンピュータとが処理において協働してもよい。

クラスタパラメータのサイズを、入力および出力の寸法によって確定する。したがって、図４のルックアップテーブル６４の記憶のための要件を、クラスタの数と入出力ベクトルの対の寸法とによって確定する。ルックアップテーブルは、およそ数キロバイトで、相対的に小さくてもよい。したがって、媒体センサを有するプリンタにおいてＣＷＭを完全に実施するためには、現行のメモリ規格に対して極めて小さい、数キロバイトのフットプリントを有していなければならない。

図５のトレーニングステップ７０の後に、システムは完全に使用可能となる。ステップ７２において、特定のタイプの用紙等の未知の媒体に対し、図２および図４のセンサ２８を使用して画像化する。ステップ７４において、画像データから入力ベクトルｘ_jを導出する。ステップ７６に示すように、媒体タイプを分類するために、結果としての入力ベクトルをルックアップテーブル６４内に格納されたデータと整合する。ステップ７８において、識別された媒体タイプに基づき、液滴サイズ等のプリントパラメータをプリントコントローラ６６によって調整することができる。

本発明を、（１）紙繊維等のテクスチャの特徴を特徴づける微視的な画像化と、（２）グレイジング角照明と、（３）測定値によって特徴付けられる媒体種別に画像関連測定値を整合させるためにＣＷＭ技法を使用することと、（４）整合に基づいてプリントパラメータを調整することとの組合せであるものとして説明し例示した。しかしながら、なんらかの変更は予め考慮されている。たとえば、プロセスを、液滴サイズ等のプリントパラメータが考慮されない用途において使用してもよい。さらに、上述したように、グレイジング角照明に加えてまたはその代わりとして非グレイジング角照明を使用してもよい。このため、本発明は、その好ましい実施形態に限定されるものではない。

本発明の媒体分類機能を有し、その機能が用紙トレイレベルで実施されるプリンタの斜視図である。 図１のイメージャの斜視図である。 プリントヘッドキャリッジレベルで媒体分類機能を有するプリンタの斜視図である。 図１のプリンタのコンポーネントのブロック図である。 本発明を実施するステップのプロセスフローである。 データのクラスタを示すデータ空間の例である。

Claims (10)

1. 少なくとも２つの入力パラメータと、該入力パラメータに対し同時従属性を有する出力とを有する確率的入出力システムを生成するステップであって、前記入力パラメータは、媒体の異なる種別の特質となるテクスチャの特徴を画像化することにより得られる画像関連測定値に関連付けされており、前記出力は媒体種別の識別情報である、確率的入出力システムを生成するステップ（６８）と、
   対象となる媒体のテクスチャの特徴に関する画像情報を得るよう前記対象となる媒体を画像化するステップであって、前記テクスチャの特徴は、前記対象となる媒体の構造に関連するものである、対象となる媒体を画像化するステップ（７２）と、
   前記画像情報から前記画像関連測定値を求めるステップ（７４）と、
   前記画像情報から求められた前記画像関連測定値を前記入力パラメータとして使用するステップを含み、前記対象となる媒体を、ある選択された前記媒体種別に関連付けるように前記確率的入出力システムを採用するステップ（７６）と
   を含んでなる、媒体（１８）を分類する方法。
2. 前記確率的入出力システムを生成するステップ（６８）は、テクスチャ依存ベクトル（ｘ）を媒体識別情報出力（ｙ）に関連付けるステップ（７０）を含み、前記入力パラメータは前記テクスチャ依存ベクトルのパラメータである、請求項１に記載の媒体を分類する方法。
3. 前記確率的入出力システムを生成するステップ（６８）は、前記媒体種別の反射率の平均値（μ）と前記反射率の標準偏差（σ）とを前記入力パラメータとして使用するステップを含む、請求項２に記載の媒体を分類する方法。
4. 前記対象となる媒体上にプリント材料を付着させるためのプリントパラメータを設定するステップであって、該プリントパラメータの設定を前記確率的入出力システムの前記出力に基づくものとするステップを含む、プリントパラメータを設定するステップ（７８）をさらに含む請求項１に記載の媒体を分類する方法。
5. 前記確率的入出力システムを生成する前記ステップ（６８）は、
   前記媒体種別の各々の複数のサンプルを画像化するステップ（２８）と、
   画像が形成される前記サンプルの各々に対し前記画像関連測定値を計算するステップ（５８）と、
   前記画像関連測定値に関連する前記入力パラメータに基づいて多次元データ分布において前記サンプルの各々をマッピングするステップであって、それにより、該マッピングによって確立された同時確率密度を使用して前記データ分布内の確率クラスタを定義するクラスタ重み付きモデル（ＣＷＭ）を形成する、前記サンプルの各々をマッピングするステップ（６０）と、
   前記確率クラスタを前記媒体種別に関連付けるステップ（６２）と
   を含むものである、請求項１に記載の媒体を分類する方法。
6. 前記確率クラスタを関連付ける前記ステップは、前記確率クラスタを前記媒体種別と相関させるルックアップテーブルを形成するステップ（６２）を含む、請求項５に記載の媒体を分類する方法。
7. 基準テクスチャ依存ベクトル（ｘ）と媒体識別情報（ｙ）との間の相関を示すクラスタ重み付きモデリング（ＣＷＭ）データの記憶域を有し、前記テクスチャ依存ベクトルはさまざまな媒体の特質となる表面テクスチャを示すものである、メモリ（６２）と、
   前記さまざまな媒体を格納し処理するように構成された媒体の格納および供給システム（１０）と、
   該媒体格納および供給するシステムに関して位置決めされ、それによって格納され処理される媒体（１８）の画像情報を取り込むイメージャ（２６、２８および３２）と、
   前記画像情報を処理して前記媒体に特有のテクスチャ依存ベクトル（６０）を導出するように構成されたプロセッサ（５８）と、
   該プロセッサおよび前記メモリと協働し、前記導出されたテクスチャ依存ベクトルと前記基準テクスチャ依存ベクトルとの相関に基づき特定のプリントパラメータを選択し、該特定のプリントパラメータは前記媒体上の記録マークに特有である、プリント選択コントローラ（６６）と
   を具備してなる、媒体を分類するシステム。
8. 前記イメージャ（２６、２８および３２は、前記媒体格納および供給システム（１０）のトレイ（３０）内の前記媒体を画像化するように配置される、請求項７に記載の媒体を分類するシステム。
9. 前記イメージャ（２６、２８および３２は、前記媒体（１８）の特質となる表面の特徴を検出するために十分な解像度を有する、請求項７に記載の媒体を分類するシステム。
10. 前記プロセッサ（５８）は、前記画像情報から平均値と標準偏差値とを求めるように構成される、請求項７に記載の媒体を分類するシステム。

Images