JP2020118627A - 色予測方法および色予測プログラム - Google Patents

Abstract

【課題】本発明は、プロセスカラーインクと特色インクの重ね刷りによって得られる色を従来よりも精度良く予測する色予測方法を提供することを目的とする。【解決手段】色予測方法は、入力データを三刺激値とし出力データを分光反射率とするニューラルネットワークで機械学習を行う学習ステップ（Ｓ１１０）と、学習済みのニューラルネットワークによって処理対象プロセスカラーインクについての分光反射率を求める推論ステップ（Ｓ１３０）と、分光反射率を補正する補正ステップ（Ｓ１４０）と、処理対象プロセスカラーインクの上に処理対象特色インクが塗られた状態の分光反射率を求める予測ステップ（Ｓ１５０）とを含む。補正ステップ（Ｓ１４０）では、補正前後の分光反射率の差の増大を抑制しつつ、予測元の三刺激値と補正後の分光反射率に対応する三刺激値との差が小さくなるよう、補正後の分光反射率が求められる。【選択図】図９

Description

本発明は、複数の色（特に、特色を含む複数の色）のインクの重ね刷りによって得られる色を予測する色予測方法に関する。

近年、印刷業界では、デジタル印刷装置の普及が進んでいる。しかしながら、ラベル・パッケージの分野では、近年でも印刷版を使用した印刷装置（以下、「従来方式の印刷装置」あるいは単に「印刷装置」という。）による印刷（オフセット印刷、グラビア印刷、フレキソ印刷など）が行われることが多い。ところが、デザインやコンテンツの制作の短納期化の要求が高まっており、従来方式の印刷装置を使用している場合にはデザイン等の変更があったときに印刷版の再作製や工程の後戻りによって生じるコストが大きいことが問題となっている。この点、デジタル印刷装置によれば、印刷版を使用しないため、印刷版の交換・再作製という作業が発生することがない。すなわち、デジタル印刷装置を採用することにより、特に小ロットの印刷を低コストで行うことが可能となり、デザインやコンテンツの制作の短納期化の要求へも低コストで対応することが可能となる。

ところで、ラベル・パッケージの分野では、色の表現力を高めるために特色が多用される傾向にある。このため、従来方式の印刷装置での印刷用に生成された印刷データを用いてデジタル印刷装置で印刷を行うためには、特色のインクの重ね刷りによって得られる色の予測を行って、その予測した色をデジタル印刷装置で再現する必要がある。なお、以下においては、複数の色のインクの重ね刷りによって得られる色を特定する値（具体的には、反射率、あるいは、ＣＩＥ１９３１ＸＹＺ色空間における三刺激値Ｘ，Ｙ，およびＺ）の予測値のことを「オーバープリント予測値」という。

後述する非特許文献１には、特色を含む複数の色のインクの重ね刷りによって得られる色（オーバープリント予測値）を比較的簡単に予測する手法（以下、「Ｄｅｓｈｐａｎｄｅらの手法」という。）が開示されている。Ｄｅｓｈｐａｎｄｅらの手法では、オーバープリント予測値は、三刺激値Ｘ，Ｙ，およびＺを用いて次式（１）〜（３）のように表される（図２２参照）。
Ｘ＝ｊ_x×（Ｘ_b×Ｘ_f）＋ｋ_x ・・・（１）
Ｙ＝ｊ_y×（Ｙ_b×Ｙ_f）＋ｋ_y ・・・（２）
Ｚ＝ｊ_z×（Ｚ_b×Ｚ_f）＋ｋ_z ・・・（３）
ここで、Ｘ_b，Ｙ_b，およびＺ_bは背景色の三刺激値であり、Ｘ_f，Ｙ_f，およびＺ_fは前景色の三刺激値であり、ｊ_x，ｊ_y，およびｊ_zはスケーリング係数であり、ｋ_x，ｋ_y，およびｋ_zは定数である。以下、ｊ_x，ｊ_y，ｊ_z，ｋ_x，ｋ_y，およびｋ_zをまとめて「オーバープリント係数」という。

ところで、色の再現方法には加法混色と減法混色とがあるが、印刷の場合には減法混色によって色の再現が行われる。これに関し、仮に理想的な減法混色が行われると、例えば、重ね刷りによって得られる色の刺激値Ｘは「Ｘ_b×Ｘ_f」で表される（刺激値Ｙ，Ｚについても同様である）。しかしながら、より正確な値を得るためには、不透明インクの使用や表面での光の反射などに起因する誤差を考慮した補正が必要となる。そこで、Ｄｅｓｈｐａｎｄｅらの手法では、上式（１）〜（３）に示したように、一次式を用いた補正が行われている。

Ｄｅｓｈｐａｎｄｅらの手法では、例えば、模式的には図２３に示すようなカラーチャートが使用される。このカラーチャートは「ＣｘＦチャート」と呼ばれている。図２３に示す例では、ＣｘＦチャートは２２個のパッチによって構成されている。上段の１１個のパッチは、網点パーセントを１０％刻みにして対象の特色のインクを紙などの基材上に印刷することによって得られるパッチである。下段の１１個のパッチは、網点パーセントを１０％刻みにして対象の特色のインクを黒色（墨ベタ）上に印刷することによって得られるパッチである。このようなＣｘＦチャートのパッチの測色で得られる値（測色値）を用いて、オーバープリント予測値が算出される。

以下、図２４に示すフローチャートを参照しつつ、背景色が網点パーセントを４０％とする特色（便宜上「特色１」という。）であって前景色が網点パーセントを６０％とする別の特色（便宜上「特色２」という。）である場合のオーバープリント予測値の算出を例に挙げて、Ｄｅｓｈｐａｎｄｅらの手法について詳しく説明する。

まず、特色１のインクを用いてＣｘＦチャートの印刷が行われ、さらに、特色２のインクを用いてＣｘＦチャートの印刷が行われる（ステップＳ９００）。

次に、特色２のインクを用いて印刷されたＣｘＦチャート（便宜上「特色２チャート」という。）を使用して、特色２に関する上式（１）〜（３）のオーバープリント係数ｊ_x，ｊ_y，ｊ_z，ｋ_x，ｋ_y，およびｋ_zが算出される（ステップＳ９１０）。これに関し、例えば、上式（１）に着目すると、Ｘ_b×Ｘ_fについての実用上の最大値および最小値は、それぞれ、基材上および黒色（墨ベタ）上に特色２のインクが塗られたことによって得られる値である。Ｙ_b×Ｙ_fおよびＺ_b×Ｚ_fについても同様である。そこで、オーバープリント係数を算出するために、上式（１）〜（３）を表す座標系（図２５参照：但し、図２５には上式（１）を表す座標系のみを示している。）において、黒色上に網点パーセントを６０％とする特色２のインクが塗られた状態の刺激値を表す座標が第１校正点Ｐ９１とされ、基材上に網点パーセントを６０％とする特色２のインクが塗られた状態の刺激値を表す座標が第２校正点Ｐ９２とされる。

三刺激値のうちの例えばＸに着目すると、第１校正点Ｐ９１については、上式（１）に対して次のように値の代入が行われる。特色２チャートのパッチＰＡ９３の測色によって得られる値（黒色の刺激値）がＸ_bに代入され、特色２チャートのパッチＰＡ９２の測色によって得られる値（基材上に網点パーセントを６０％とする特色２のインクが塗られた状態の刺激値）がＸ_fに代入され、特色２チャートのパッチＰＡ９１の測色によって得られる値（黒色上に網点パーセントを６０％とする特色２のインクが塗られた状態の刺激値）がＸに代入される（図２３参照）。また、第２校正点Ｐ９２については、上式（１）に対して次のように値の代入が行われる。特色２チャートのパッチＰＡ９４の測色によって得られる値（基材の刺激値）がＸ_bに代入され、特色２チャートのパッチＰＡ９２の測色によって得られる値（基材上に網点パーセントを６０％とする特色２のインクが塗られた状態の刺激値）がＸ_fおよびＸに代入される（図２３参照）。

第１校正点Ｐ９１に関する方程式と第２校正点Ｐ９２に関する方程式との連立方程式を解くことによってオーバープリント係数ｊ_x，ｋ_xが算出される。すなわち、図２５で符号Ｌ９１を付した直線を表す式が得られる。オーバープリント係数ｊ_y，ｊ_z，ｋ_y，およびｋ_zについても、同様にして算出される。

なお、図２３に示すＣｘＦチャートでは１０％刻みでパッチが設けられているが、線形補間によって得られる測色値に基づいて、左右方向に隣接する２つのパッチ間の網点パーセントに対応するオーバープリント係数を求めることができる。

次に、特色１のインクを用いて印刷されたＣｘＦチャート（便宜上「特色１チャート」という。）を使用して、最終的なオーバープリント予測値を算出するための上式（１）〜（３）中のＸ_b，Ｙ_b，およびＺ_bの値（背景色の三刺激値）が取得される（ステップＳ９２０）。具体的には、特色１チャートのパッチＰＡ９５（図２３参照）の測色によって、Ｘ_b，Ｙ_b，およびＺ_bの値が取得される。

次に、特色２チャートを使用して、最終的なオーバープリント予測値を算出するための上式（１）〜（３）中のＸ_f，Ｙ_f，およびＺ_fの値（前景色の三刺激値）が取得される（ステップＳ９３０）。具体的には、特色２チャートのパッチＰＡ９２（図２３参照）の測色によって、Ｘ_f，Ｙ_f，およびＺ_fの値が取得される。

最後に、ステップＳ９１０〜Ｓ９３０で得られた値を上式（１）〜（３）に代入することによって、オーバープリント予測値としての三刺激値Ｘ，Ｙ，およびＺが算出される（ステップＳ９４０）。これは、例えば、図２５で符号Ｌ９１を付した直線において横軸が「ステップＳ９２０で取得されたＸ_b」と「ステップＳ９３０で取得されたＸ_f」との積であるときの縦軸の値をＸの値として算出することに相当する。

なお、上記では、特色２チャートのパッチＰＡ９１，ＰＡ９２，およびＰＡ９３をそれぞれ測色することによって、第１校正点Ｐ９１（図２５参照）に関するＸ，Ｘ_f，およびＸ_bの値を取得している。しかし、高精度のオーバープリント予測値が必要とされないのであれば、簡単のために第１校正点Ｐ９１を図２５のグラフの原点に位置するとみなすこともできる。この場合には、特色２チャートのパッチＰＡ９１およびＰＡ９３の測色が不要になる（第２校正点Ｐ９２のＸおよびＸ_fの値の取得のためにパッチＰＡ９２の測色は依然として必要である）。この場合、図２３に示すＣｘＦチャートのパッチＰＡ９１およびＰＡ９３等を含む下段のパッチ群を印刷しなくても、オーバープリント予測値としての三刺激値Ｘ，Ｙ，およびＺを算出することができる。このように、図２３に示す上段のパッチ群を有し下段のパッチ群を備えないＣｘＦチャートを本明細書では便宜上「簡易ＣｘＦチャート」という。

なお、本発明に関連して、特開平６−２８１５０１号公報には、或る測色装置で得られた色彩値から他の測色装置で得られる色彩値をニューラルネットワークを用いて求める色彩値修正装置の発明が開示されている。

特開平６−２８１５０１号公報

K. Deshpande, P. Green、"Recommendations for predicting spot colour overprints"、[online]、［平成３０年６月７日検索］、インターネット＜URL: http://www.color.org/ICC#white#paper#43#Draft2kd.doc＞

ところで、分光測色機を用いてＣｘＦチャートの各パッチの測色を行うことによって、分光反射率が得られる。分光反射率は、例えば、３８０〜７３０ｎｍの波長範囲で１０ｎｍ刻みで得られる。このとき、３６個の分光反射率によって１つの色が特定される。Ｄｅｓｈｐａｎｄｅらの手法でオーバープリント予測値を算出する際、三刺激値に代えてこのような分光反射率を用いることもできる。この場合、ｎを１以上３６以下の整数として、オーバープリント予測値としての分光反射率Ｒ（ｎ）は、次式（４）のように表される。
Ｒ（ｎ）＝ｊ（ｎ）×（Ｒ（ｎ）_b×Ｒ（ｎ）_f）＋ｋ（ｎ） ・・・（４）
ここで、Ｒ（ｎ）_bは背景色の分光反射率であり、Ｒ（ｎ）_fは前景色の分光反射率であり、ｊ（ｎ）およびｋ（ｎ）はオーバープリント係数である（詳しくは、ｊ（ｎ）はスケーリング係数であり、ｋ（ｎ）は定数である）。

オーバープリント予測値の算出の際に上式（１）〜（３）に代えて上式（４）を用いることによって、２つの特色インクの重ね刷りによって得られる色を精度良く予測することができる。

ここで、プロセスカラーインク（典型的には、Ｃ，Ｍ，Ｙ，およびＫのインクの組み合わせ）と特色インクの重ね刷りによって得られる色を予測することに着目する。これに関し、通常、これらの重ね刷りの際には、プロセスカラーインクの上に特色インクが塗られる。Ｄｅｓｈｐａｎｄｅらの手法によれば、プロセスカラーインクと特色インクの重ね刷りによって得られる色を予測する際、ＣＭＹＫ部（プロセスカラーインクが塗られた部分）については、ＩＣＣプロファイルを用いてＣＭＹＫ値（Ｃ値，Ｍ値，Ｙ値，およびＫ値の組み合わせ）から三刺激値が求められる。そして、それを背景色の三刺激値（上述のＸ_b，Ｙ_b，およびＺ_b）として、２つの特色インクの重ね刷りの場合と同様にオーバープリント予測値が算出される。

しかしながら、２つの特色インクの重ね刷りについては上述のように分光反射率を用いてオーバープリント予測値を求めることができるのに対して、プロセスカラーインクと特色インクの重ね刷りについては三刺激値を用いてオーバープリント予測値が求められる。このため、プロセスカラーインクと特色インクの重ね刷りについては、充分な精度でオーバープリント予測値が求められないことが懸念される。精度を高めるために仮に対象のプロセスカラーインクについてのＣｘＦチャートの測色を行うことによって分光反射率のデータを取得しようとする場合、４つの値（Ｃ値，Ｍ値，Ｙ値，およびＫ値）の組み合わせ毎にＣｘＦチャートの印刷や測色の作業が必要となるので多大なコスト増となる。

そこで、本発明は、プロセスカラーインクと特色インクの重ね刷りによって得られる色を従来よりも精度良く予測する色予測方法を提供することを目的とする。

第１の発明は、プロセスカラーインクの上に特色インクを塗ることによって得られる色を予測する色予測方法であって、
入力データを色成分値とし出力データを分光特性とするニューラルネットワークによって、プロセスカラーインクについての色成分値とそれに対応する分光特性とを含む複数の教師データを用いて機械学習を行う学習ステップと、
前記学習ステップで得られた学習済みのニューラルネットワークに入力データとして予測対象色を構成するプロセスカラーインクである処理対象プロセスカラーインクの色成分値を与えることによって当該処理対象プロセスカラーインクについての分光特性を求める推論ステップと、
前記推論ステップで求められた分光特性を補正する補正ステップと、
前記補正ステップによる補正後の分光特性と前記予測対象色を構成する特色インクである処理対象特色インクについての分光特性とに基づいて、前記処理対象プロセスカラーインクの上に前記処理対象特色インクが塗られた状態の分光特性を求める予測ステップと
を含み、
前記補正ステップでは、補正前の分光特性と補正後の分光特性との差の増大を抑制しつつ、前記処理対象プロセスカラーインクの三刺激値と補正後の分光特性に対応する三刺激値との差が小さくなるよう、補正後の分光特性が求められることを特徴とする。

第２の発明は、第１の発明において、
前記処理対象プロセスカラーインクの三刺激値を所定の変換ファイルを用いて取得する三刺激値取得ステップを更に含み、
前記色成分値は、三刺激値であって、
前記推論ステップでは、前記三刺激値取得ステップで取得された三刺激値が前記学習済みのニューラルネットワークに入力データとして与えられることを特徴とする。

第３の発明は、第２の発明において、
前記所定の変換ファイルは、ＩＣＣプロファイルであることを特徴とする。

第４の発明は、第２または第３の発明において、
各教師データを生成するためにプロセスカラーインクの色の印刷を行う印刷ステップと、
前記印刷ステップで印刷された色の分光特性を測定する分光特性測定ステップと、
前記分光特性測定ステップで測定された分光特性から所定の計算式に基づき三刺激値を求める三刺激値算出ステップと
を更に含むことを特徴とする。

第５の発明は、第１の発明において、
前記処理対象プロセスカラーインクの三刺激値を所定の変換ファイルを用いて取得する三刺激値取得ステップを更に含み、
前記色成分値は、ＣＭＹＫ値であって、
前記補正ステップでは、前記三刺激値取得ステップで取得された三刺激値と補正後の分光特性に対応する三刺激値との差が小さくなるよう、補正後の分光特性が求められることを特徴とする。

第６の発明は、第１の発明において、
前記処理対象プロセスカラーインクのＬａｂ値を所定の変換ファイルを用いて取得するＬａｂ値取得ステップと、
前記Ｌａｂ値取得ステップで取得されたＬａｂ値を三刺激値に変換する変換ステップと
を更に含み、
前記色成分値は、Ｌａｂ値であって、
前記推論ステップでは、前記Ｌａｂ値取得ステップで取得されたＬａｂ値が前記学習済みのニューラルネットワークに入力データとして与えられ、
前記補正ステップでは、前記変換ステップで得られた三刺激値と補正後の分光特性に対応する三刺激値との差が小さくなるよう、補正後の分光特性が求められることを特徴とする。

第７の発明は、第１から第６までのいずれかの発明において、
前記補正ステップでは、前記処理対象プロセスカラーインクの三刺激値と補正後の分光特性に対応する三刺激値との差および補正前の分光特性と補正後の分光特性との差を考慮した目的関数の値が最小となるよう、補正後の分光特性が求められることを特徴とする。

第８の発明は、第７の発明において、
前記目的関数は、下記の式で表されることを特徴とする。
Ｌ＝ΔＸ＋ΔＹ＋ΔＺ＋ΔＳ
ここで、Ｌは前記目的関数を表し、ΔＸ，ΔＹ，およびΔＺはそれぞれ前記処理対象プロセスカラーインクの三刺激値Ｘ，Ｙ，およびＺと補正後の分光特性に対応する三刺激値Ｘ，Ｙ，およびＺとの差に応じて定まる値を表し、ΔＳは補正前の分光特性と補正後の分光特性との差の２乗の総和を表す。

第９の発明は、第７の発明において、
前記目的関数は、下記の式で表されることを特徴とする。
Ｌ＝Ｃ１・ΔＸ＋Ｃ２・ΔＹ＋Ｃ３・ΔＺ＋Ｃ４・ΔＳ
ここで、Ｌは前記目的関数を表し、ΔＸ，ΔＹ，およびΔＺはそれぞれ前記処理対象プロセスカラーインクの三刺激値Ｘ，Ｙ，およびＺと補正後の分光特性に対応する三刺激値Ｘ，Ｙ，およびＺとの差に応じて定まる値を表し、ΔＳは補正前の分光特性と補正後の分光特性との差の２乗の総和を表し、Ｃ１，Ｃ２，Ｃ３，およびＣ４は係数を表す。

第１０の発明は、第１から第９までのいずれかの発明において、
前記分光特性は、分光反射率、分光吸収率、および分光吸収係数のいずれかであることを特徴とする。

第１１の発明は、第１０の発明において、
前記分光特性は、分光反射率であり、
前記ニューラルネットワークの出力データは、３８０ｎｍから７３０ｎｍまでの波長範囲または４００ｎｍから７００ｎｍまでの波長範囲を適宜の大きさの単位波長範囲で除することによって得られる数の分光反射率であることを特徴とする。

第１２の発明は、プロセスカラーインクの上に特色インクを塗ることによって得られる色を予測する色予測プログラムであって、
コンピュータに、
入力データを色成分値とし出力データを分光特性とするニューラルネットワークによって、プロセスカラーインクについての色成分値とそれに対応する分光特性とを含む複数の教師データを用いて機械学習を行う学習ステップと、
前記学習ステップで得られた学習済みのニューラルネットワークに入力データとして予測対象色を構成するプロセスカラーインクである処理対象プロセスカラーインクの色成分値を与えることによって当該処理対象プロセスカラーインクについての分光特性を求める推論ステップと、
前記推論ステップで求められた分光特性を補正する補正ステップと、
前記補正ステップによる補正後の分光特性と前記予測対象色を構成する特色インクである処理対象特色インクについての分光特性とに基づいて、前記処理対象プロセスカラーインクの上に前記処理対象特色インクが塗られた状態の分光特性を求める予測ステップと
を実行させ、
前記補正ステップでは、補正前の分光特性と補正後の分光特性との差の増大を抑制しつつ、前記処理対象プロセスカラーインクの三刺激値と補正後の分光特性に対応する三刺激値との差が小さくなるよう、補正後の分光特性が求められることを特徴とする。

上記第１の発明によれば、処理対象プロセスカラーインクに関して、ニューラルネットワークを用いて色成分値から分光特性が求められる。そして、その分光特性に対して補正が施されるところ、補正後の分光特性は、予測元の三刺激値と補正後の分光特性に対応する三刺激値との差が小さくなるように求められる。このため、ニューラルネットワークによる分光特性の予測の精度が不充分であっても、補正によって、予測元の三刺激値にできるだけ近い三刺激値に対応する分光特性が得られる。そして、このようにして得られた分光特性（処理対象プロセスカラーインクについての分光特性）と処理対象特色インクについての分光特性とに基づいて、処理対象プロセスカラーインクの上に処理対象特色インクが塗られた状態の分光特性が求められる。このようにプロセスカラーインクと特色インクの重ね刷りで得られる色の予測が分光特性を用いて行われるので、三刺激値を用いる従来の手法に比べて精度良く色の予測が行われる。また、プロセスカラーインクについては上述のように予測元の三刺激値にできるだけ近い三刺激値に対応する分光特性が用いられるので、ニューラルネットワークを用いることによる予測精度の低下が抑制される。以上より、プロセスカラーインクと特色インクの重ね刷りによって得られる色を従来よりも精度良く予測することが可能となる。

上記第２から第４までのいずれかの発明によれば、ニューラルネットワークに入力データとして三刺激値を与える構成において、上記第１の発明と同様の効果が得られる。

上記第５の発明によれば、ニューラルネットワークに入力データとしてＣＭＹＫ値を与える構成において、上記第１の発明と同様の効果が得られる。

上記第６の発明によれば、ニューラルネットワークに入力データとしてＬａｂ値を与える構成において、上記第１の発明と同様の効果が得られる。

上記第７から第９までのいずれかの発明によれば、ニューラルネットワークを用いることによる分光特性の予測精度の低下をより確実に抑制することができ、プロセスカラーインクと特色インクの重ね刷りによって得られる色の予測精度が顕著に向上する。

上記第１０の発明によれば、上記第１の発明と同様の効果が得られる。

上記第１１の発明によれば、上記第１の発明と同様の効果が得られる。

上記第１２の発明によれば、上記第１の発明と同様の効果が得られる。

本発明の一実施形態における印刷システムの全体構成図である。 上記実施形態における印刷データ生成装置のハードウェア構成図である。 上記実施形態において、プロセスカラーインクと特色インクの重ね刷りについて説明するための図である。 上記実施形態において、処理対象プロセスカラーインクについての分光反射率を求める方法について説明するための図である。 上記実施形態で用いられるニューラルネットワークの構造の一例を示す図である。 上記実施形態において、ニューラルネットワークを用いた学習時の処理について説明するための図である。 上記実施形態に関し、ニューラルネットワークを用いた分光反射率の予測に関する実験の結果を示す図である。 上記実施形態において、ニューラルネットワークによって求められた分光反射率の補正について説明するための図である。 上記実施形態における色予測処理の手順を示すフローチャートである。 上記実施形態において、教師データの取得手順を示すフローチャートである。 上記実施形態において、教師データの取得の詳細について説明するためのブロック図である。 上記実施形態において、分光反射率の補正に用いられる目的関数について説明するための図である。 上記実施形態において、オーバープリント予測処理の手順を示すフローチャートである。 上記実施形態において、オーバープリント予測処理について説明するための図である。 上記実施形態において、オーバープリント予測処理について説明するための図である。 上記実施形態において、１つのＰＤＦファイルに対する処理の流れについて説明するためのブロック図である。 上記実施形態において、１つのＰＤＦファイルに対する処理の手順を示すフローチャートである。 上記実施形態の第１の変形例において、処理対象プロセスカラーインクについての分光反射率を求める方法について説明するための図である。 上記実施形態の第１の変形例における色予測処理の手順を示すフローチャートである。 上記実施形態の第２の変形例において、処理対象プロセスカラーインクについての分光反射率を求める方法について説明するための図である。 上記実施形態の第２の変形例における色予測処理の手順を示すフローチャートである。 従来例に関し、Ｄｅｓｈｐａｎｄｅらの手法について説明するための図である。 従来例に関し、ＣｘＦチャートの一例を模式的に示す図である。 従来例に関し、Ｄｅｓｈｐａｎｄｅらの手法について説明するためのフローチャートである。 従来例に関し、Ｄｅｓｈｐａｎｄｅらの手法について説明するための図である。

以下、添付図面を参照しつつ本発明の一実施形態について説明する。

＜１．印刷システムの全体構成＞
図１は、本発明の一実施形態における印刷システムの全体構成図である。この印刷システムは、ＰＤＦファイルなどの入稿データに対して各種処理を施して印刷データを生成する印刷データ生成装置１００と、印刷データに基づいて印刷版を作製する製版装置２００と、その製版装置２００で作製された印刷版を使用して印刷を行う印刷装置３００と、印刷版を用いることなくデジタルデータである印刷データに基づいて印刷を行うインクジェット印刷機・コピー機等のデジタル印刷装置４００と、色の測定を行う測色機５００とによって構成されている。印刷データ生成装置１００と製版装置２００とデジタル印刷装置４００と測色機５００とは、通信回線６００によって互いに通信可能に接続されている。なお、本実施形態で使用される測色機５００は分光測色機である。

本実施形態では、印刷データ生成装置１００において、入稿データに基づいて印刷データを生成する際に、当該入稿データに含まれている各画素データの色を予測する色予測処理が行われる。この色予測処理には、プロセスカラーインクと特色インクの重ね刷りが行われた部分の色を予測する処理が含まれている。また、印刷データ生成装置１００では、上述したＣｘＦチャート（図２３参照）やプロセスカラーについてのカラーチャートを作成するための印刷データの生成も行われる。さらに、印刷データ生成装置１００では、色予測処理で得られたデータをデジタル印刷装置４００での印刷出力が可能な形式の印刷データに変換する処理も行われる。なお、色予測処理についての詳しい説明は後述する。

＜２．印刷データ生成装置の構成＞
図２は、本実施形態における印刷データ生成装置１００のハードウェア構成図である。この印刷データ生成装置１００は、パソコンによって実現されており、ＣＰＵ１１と、ＲＯＭ１２と、ＲＡＭ１３と、補助記憶装置１４と、キーボード等の入力操作部１５と、表示部１６と、光学ディスクドライブ１７と、ネットワークインタフェース部１８とを有している。通信回線６００経由で送られてくる入稿データは、ネットワークインタフェース部１８を介して印刷データ生成装置１００の内部へと入力される。印刷データ生成装置１００で生成された印刷データは、ネットワークインタフェース部１８を介して通信回線６００経由でデジタル印刷装置４００に送られる。

色予測処理を行うプログラム（以下、「色予測プログラム」という。）１４１は補助記憶装置１４に格納されている。この色予測プログラム１４１は、例えば、入稿データからデジタル印刷装置４００用の印刷データを生成する一連の処理を行うためのプログラムの中に埋め込まれている。色予測プログラム１４１は、ＣＤ−ＲＯＭやＤＶＤ−ＲＯＭ等のコンピュータ読み取り可能な記録媒体に格納されて提供される。すなわちユーザは、例えば、色予測プログラム１４１の記録媒体としての光学ディスク（ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ等）１７０を購入して光学ディスクドライブ１７に装着し、その光学ディスク１７０から色予測プログラム１４１を読み出して補助記憶装置１４にインストールする。また、これに代えて、通信回線６００を介して送られる色予測プログラム１４１をネットワークインタフェース部１８で受信して、それを補助記憶装置１４にインストールするようにしてもよい。

なお、色予測プログラム１４１が実行されると、膨大な量の計算処理が行われることが多い。そのため、プロセッサとしてＣＰＵ１１に代えてＧＰＵが設けられていても良いし、プロセッサとしてＣＰＵ１１およびＧＰＵが設けられていても良い。

＜３．色予測処理＞
次に、色予測処理について説明する。色予測処理には、複数の特色インクの重ね刷りによって得られる色を予測する処理やプロセスカラーインクと特色インクの重ね刷りによって得られる色を予測する処理などがある。但し、ここでは、プロセスカラーインクと特色インクの重ね刷りによって得られる色を予測する処理について説明し、それ以外の処理については本発明とは直接には関係がないので説明を省略する。また、以下の説明では、プロセスカラーインクと特色インクの重ね刷りの際には図３に示すようにプロセスカラーインクの上に特色インクが塗られるものと仮定する。

＜３．１ 処理の内容＞
本実施形態においては、分光反射率を用いて、上述したオーバープリント予測値の算出が行われる。これに関し、特色インクについては、従来と同様、ＣｘＦチャートの各パッチの測色を行うことによって分光反射率が取得される。これに対して、プロセスカラーインクについては、ニューラルネットワークを用いて分光反射率が取得される。但し、ニューラルネットワークから出力された分光反射率がそのまま用いられるのではなく、後述するように補正が施された分光反射率が用いられる。そして、その補正後の分光反射率を背景色の分光反射率とし、上記ＣｘＦチャートの測色で得られた分光反射率を前景色の分光反射率として、オーバープリント予測値が算出される。

なお、以下においては、オーバープリント予測値を求める対象となっている色を「予測対象色」といい、予測対象色を構成するプロセスカラーインク（典型的には、Ｃ，Ｍ，Ｙ，およびＫのインクの組み合わせ）を「処理対象プロセスカラーインク」といい、予測対象色を構成する特色インクを「処理対象特色インク」という。

図４を参照しつつ、処理対象プロセスカラーインクについての分光反射率を求める方法について説明する。本実施形態では、三刺激値７２に基づいて分光反射率７３を予測するニューラルネットワーク７２０が用意される。処理対象プロセスカラーインクについての分光反射率の予測に先だって、三刺激値と分光反射率との関係を予めニューラルネットワーク７２０に学習させる処理が行われる。そして、学習済みのニューラルネットワーク７２０を用いて、処理対象プロセスカラーインクについての分光反射率の予測が行われる。

ニューラルネットワーク７２０での処理は、概略的には、学習段階の処理と予測（推論）段階の処理とに分けられる。学習段階では、ニューラルネットワーク７２０に教師データが与えられ、当該教師データを用いた機械学習がニューラルネットワーク７２０で行われる。教師データとして、ニューラルネットワーク７２０には、三刺激値および分光反射率が与えられる。なお、三刺激値は入力層への入力データとして与えられ、分光反射率は正解データとして与えられる。本実施形態においては、１つの教師データは、１つのプロセスカラーインクのパッチの測色によって得られる３６個の分光反射率と当該３６個の分光反射率から求められる三刺激値Ｘ，Ｙ，およびＺとによって構成される。三刺激値Ｘ，Ｙ，およびＺは、光源の分光分布と、分光反射率と、三刺激値Ｘ，Ｙ，およびＺにそれぞれ対応付けられる等色関数とから公知の手法により求められる。より具体的には、三刺激値Ｘ，Ｙ，およびＺは、次式（５）により算出される。

ここで、Ｋｍは最大視感効率を表し、Σはλ（波長）についての１０ｎｍ毎の値（例えば、３８０〜７３０ｎｍの波長範囲での１０ｎｍ毎の値）の総和を表し、Ｓ（λ）は光源の分光分布を表し、Ｒ（λ）は分光反射率を表し、ｘ（λ），ｙ（λ），およびｚ（λ）はそれぞれ三刺激値Ｘ，Ｙ，およびＺに対応付けられる等色関数を表す。

予測段階では、まず、処理対象プロセスカラーインクのＣＭＹＫ値（Ｃ値，Ｍ値，Ｙ値，およびＫ値の組み合わせ）からＩＣＣプロファイル７１０を用いて三刺激値７２が求められる。そして、その三刺激値７２が学習済みのニューラルネットワーク７２０に与えられる。これにより、ニューラルネットワーク７２０から処理対象プロセスカラーインクについての分光反射率７３が出力される。

図５は、本実施形態で用いられるニューラルネットワーク７２０の構造の一例を示す図である。このニューラルネットワーク７２０は、入力層と隠れ層（中間層）と出力層とによって構成されている。入力層は、三刺激値７２（１）〜７２（３）を受け取る３個のユニット（ニューロン）によって構成されている。なお、符号７２（１），７２（２），および７２（３）はそれぞれ刺激値Ｘ，刺激値Ｙ，および刺激値Ｚを表している。隠れ層は３６個のユニットによって構成されている。但し、隠れ層のユニット数は３６には限定されない。また、図５に示す例では隠れ層の層数は１であるが、隠れ層の層数は２以上であっても良い。出力層は、３６個の分光反射率７３（１）〜７３（３６）を出力する３６個のユニットによって構成されている。

入力層−隠れ層間の結合および隠れ層−出力層間の結合は、全結合である。隠れ層および出力層の活性化関数にはシグモイド関数が採用される。但し、シグモイド関数以外の関数を活性化関数として採用しても良い。

このニューラルネットワーク７２０を用いた学習時には、三刺激値７２（１）〜７２（３）が入力層に与えられる。これにより、ニューラルネットワーク７２０内で順伝播の処理が行われ、出力層から出力される分光反射率７３（１）〜７３（３６）と正解データである分光反射率７６（１）〜７６（３６）との２乗誤差の総和が求められる（図６参照）。そして、誤差の逆伝播の処理で得られる結果に基づいて勾配降下法を用いることによって、ニューラルネットワーク７２０のパラメータ（重み係数、バイアス）が更新される。以上のようにして学習が繰り返されることによって、上記パラメータが最適化される。なお、学習手法については、全ての教師データをまとめてニューラルネットワーク７２０に与えるバッチ学習を採用しても良いし、教師データを複数のグループに分割してグループ毎に教師データをニューラルネットワーク７２０に与えるミニバッチ学習を採用しても良いし、教師データを１つずつニューラルネットワーク７２０に与えるオンライン学習を採用しても良い。

このニューラルネットワーク７２０を用いた予測時（推論時）には、処理対象プロセスカラーインクについての三刺激値７２（１）〜７２（３）が入力層に与えられる。そして、ニューラルネットワーク７２０内で順伝播の処理が行われることによって、出力層から分光反射率７３（１）〜７３（３６）が出力される。

ところで、或る色について上述のニューラルネットワーク７２０を用いて分光反射率（予測値）を求める実験をしたところ、予測値と実測値（実際に該当の色を測色することによって得られた値）との間に図７に示すような関係があった。３６個の値をわずか３個の入力値から予測しているという点を考慮すると、図７より、予測の精度は比較的良好であることが把握される。

但し、ニューラルネットワーク７２０によって求められた分光反射率７３に基づき上式（５）によって算出される三刺激値と予測元の三刺激値７２との間にはいくらかの差異が生じ得る。そこで、本実施形態においては、ニューラルネットワーク７２０によって求められた分光反射率７３に対して補正部７３０（図４参照）による補正が施される。なお、補正部７３０は、色予測プログラム１４１が実行されることによって実現される機能的構成要素である。補正部７３０は、補正前の分光反射率７３と補正後の分光反射率７４との差の増大を抑制しつつ、予測元の三刺激値７２と補正後の分光反射率７４に対応する三刺激値７５との差が小さくなるよう、補正後の分光反射率７４を求める。なお、補正後の分光反射率７４に対応する三刺激値７５は、上式（５）に示した計算式７３２によって算出される。この補正部７３０の処理によって、例えば、図８で符号７７を付した実線で表される分光反射率７３が図８で符号７８を付した点線で表される分光反射率７４へと補正される。

処理対象特色インクに関するデータと処理対象プロセスカラーインクに関するデータとに基づいてオーバープリント予測値を算出する処理（オーバープリント予測処理）が行われる前に、以上のようにして処理対象プロセスカラーインクについての分光反射率が求められる。

＜３．２ 処理手順＞
次に、図９に示すフローチャートを参照しつつ、色予測処理（ここでは、処理対象プロセスカラーインクと処理対象特色インクの重ね刷りによって得られる色を予測する処理）の手順について説明する。

まず、ニューラルネットワーク７２０での学習に必要な教師データを取得する処理が行われる（ステップＳ１００）。ステップＳ１００では、分光反射率の予測が精度良く行われるよう、充分な数の教師データを取得することが好ましい。なお、ここでは、ステップＳ１００でＱ個の教師データが取得されるものと仮定する。ステップＳ１００は、詳しくは、図１０に示すように、プロセスカラーの印刷を行うステップ（ステップＳ１０２）と、分光反射率を測定するステップ（ステップＳ１０４）と、分光反射率から三刺激値を求めるステップ（Ｓ１０６）とからなる。それらのステップの処理については、図１１を参照しつつ、詳しく説明する。

ステップＳ１０２では、まず、Ｑ個のプロセスカラーのパッチからなるカラーチャートを出力するための印刷データＤｃｈが印刷データ生成装置１００で作成され、その作成された印刷データＤｃｈが製版装置２００に送られる。製版装置２００では、印刷データＤｃｈに基づいて印刷版ＰＬが作製される。そして、その印刷版ＰＬを用いて、印刷装置３００で印刷が実行される。これにより、印刷装置３００からカラーチャートＣＨが出力される。

ステップＳ１０４では、測色機５００によって、ステップＳ１０２で印刷されたカラーチャートＣＨに含まれるパッチの測色が行われる。測色機５００による測色で得られた測色データＤｃｍは、印刷データ生成装置１００に送られる。上述したように、本実施形態で使用される測色機５００は分光測色機である。従って、測色で得られる測色データＤｃｍは、分光反射率のデータである。本実施形態においては、分光反射率のデータは、３８０〜７３０ｎｍの波長範囲で１０ｎｍ刻みで得られる。但し、これには限定されない。例えば、分光反射率のデータを４００〜７００ｎｍの波長範囲で適宜の大きさの単位波長範囲刻み（例えば１０ｎｍ刻み）で得るようにしても良い。従って、カラーチャートＣＨの任意の１つのパッチの測色を行うことによって、波長範囲を単位波長範囲で除することによって得られる数（例えば３６個）の分光反射率のデータが得られる。

ステップＳ１０６では、ステップＳ１０４で得られた３６個の分光反射率から三刺激値Ｘ，Ｙ，およびＺが求められる。上述したように、三刺激値Ｘ，Ｙ，およびＺは上式（５）によって算出される。このように、ステップＳ１０６では、３６個の分光反射率から三刺激値Ｘ，Ｙ，およびＺへの変換が行われる。

教師データの取得後、ニューラルネットワーク７２０によって、ステップＳ１００で得られた教師データを用いた機械学習が行われる（ステップＳ１１０）。このステップＳ１１０での機械学習によって、ニューラルネットワーク７２０のパラメータ（重み係数、バイアス）が最適化される。その最適化されたパラメータを有するニューラルネットワーク７２０が、後述するステップＳ１３０の処理の際に使用される。

なお、ステップＳ１００およびステップＳ１１０の処理（図９で符号８１を付した部分の処理）については、１度だけ行われれば良く、１つの予測対象色（処理対象プロセスカラーインクと処理対象特色インクの重ね刷りによって得られる色）の処理毎に行われる必要はない。これに対して、ステップＳ１２０以降の処理（図９で符号８２を付した部分の処理）は、１つの予測対象色の処理毎に行われる必要がある。

ステップＳ１２０では、処理対象プロセスカラーインクの三刺激値７２を取得する処理が行われる。具体的には、処理対象プロセスカラーインクのＣＭＹＫ値７１がＩＣＣプロファイル７１０を用いて三刺激値７２に変換される。

次に、ステップＳ１１０で得られた学習済みのニューラルネットワーク（最適化されたパラメータを有するニューラルネットワーク）７２０に入力データとしてステップＳ１２０で取得された三刺激値７２を与えることによって、処理対象プロセスカラーインクについての分光反射率７３が求められる（ステップＳ１３０）。

次に、ステップＳ１３０で求められた分光反射率７３を補正する処理が行われる（ステップＳ１４０）。このステップＳ１４０では、上述したように、補正前の分光反射率７３と補正後の分光反射率７４との差の増大を抑制しつつ、ステップ１２０で取得された三刺激値７２と補正後の分光反射率７４に対応する三刺激値７５との差が小さくなるよう、補正後の分光反射率７４が求められる。具体的には、次式（６）で表される目的関数Ｌの値が最小となるように、分光反射率７４が求められる。なお、目的関数Ｌの値が最小となる分光反射率７４は、例えば勾配法によって求められる。
Ｌ＝ΔＸ＋ΔＹ＋ΔＺ＋ΔＳ ・・・（６）
ここで、ΔＸは、三刺激値７２のうちの刺激値Ｘと補正後の分光反射率７４に対応する刺激値Ｘとの差に応じて定まる値（例えば、差の２乗や差の絶対値）であり（ΔＹおよびΔＺも同様）、ΔＳは、補正前の分光反射率７３と補正後の分光反射率７４との差の２乗の総和である。補正前の分光反射率７３が図１２で符号８３を付した実線で表され、補正後の分光反射率７４が図１２で符号８４を付した点線で表されると仮定すると、補正前後のそれぞれについて分光反射率のデータは３６個あるので、両者の差をｄ（１）〜ｄ（３６）で表すと、ΔＳは次式（７）で表される。

なお、上記目的関数Ｌに関し、各項に係数を設けるようにしても良い。この場合、目的関数Ｌは、次式（８）のように表される。
Ｌ＝Ｃ１・ΔＸ＋Ｃ２・ΔＹ＋Ｃ３・ΔＺ＋Ｃ４・ΔＳ ・・・（８）
ここで、Ｃ１〜Ｃ４が係数である。例えば、補正前後の三刺激値の近さよりも補正前後の分光反射率の波形形状の近さを重視する場合、係数Ｃ４を大きくすれば良い。

以上のようにして分光反射率の補正が行われた後、ステップＳ１４０による補正後の分光反射率（処理対象プロセスカラーインクについての分光反射率）７４と処理対象特色インクについての分光反射率とに基づいて、オーバープリント予測処理が行われる（ステップＳ１５０）。以下、図１３に示すフローチャートを参照しつつ、オーバープリント予測処理の手順について詳しく説明する。なお、ここでは、処理対象特色インクについての網点パーセントが６０％であると仮定する。また、予め処理対象特色インクについてのＣｘＦチャートの印刷および当該ＣｘＦチャートの各パッチの測色が行われているものと仮定する。

オーバープリント予測処理の開始後、まず、上式（４）のオーバープリント係数（スケーリング係数ｊ（ｎ）および定数ｋ（ｎ））が算出される（ステップＳ１５２）。これに関し、例えば、上式（４）に関して「ｎ＝１」のケースに着目すると、Ｒ（１）_b×Ｒ（１）_fについての実用上の最大値および最小値は、それぞれ、基材上および黒色（墨ベタ）上に処理対象特色インクが塗られたことによって得られる値である。「ｎ＝１」以外のケースについても同様である。そこで、オーバープリント係数を算出するために、上式（４）を表す座標系（図１４参照）において、黒色上に網点パーセントを６０％とする処理対象特色インクが塗られた状態の分光反射率を表す座標が第１校正点Ｐ１１とされ、基材上に網点パーセントを６０％とする処理対象特色インクが塗られた状態の分光反射率を表す座標が第２校正点Ｐ１２とされる。

「ｎ＝１」のケースに着目すると、第１校正点Ｐ１１については、上式（４）に対して次のように値の代入が行われる（図１５参照）。ＣｘＦチャートのパッチＰＡ１３の測色によって得られている値（黒色の分光反射率）がＲ（１）_bに代入され、ＣｘＦチャートのパッチＰＡ１２の測色によって得られている値（基材上に網点パーセントを６０％とする処理対象特色インクが塗られた状態の分光反射率）がＲ（１）_fに代入され、ＣｘＦチャートのパッチＰＡ１１の測色によって得られている値（黒色上に網点パーセントを６０％とする処理対象特色インクが塗られた状態の分光反射率）がＲ（１）に代入される。また、第２校正点Ｐ１２については、上式（４）に対して次のように値の代入が行われる（図１５参照）。ＣｘＦチャートのパッチＰＡ１４の測色によって得られている値（基材の分光反射率）がＲ（１）_bに代入され、ＣｘＦチャートのパッチＰＡ１２の測色によって得られている値（基材上に網点パーセントを６０％とする処理対象特色インクが塗られた状態の分光反射率）がＲ（１）_fおよびＲ（１）に代入される。

第１校正点Ｐ１１に関する方程式と第２校正点Ｐ１２に関する方程式との連立方程式を解くことによってオーバープリント係数ｊ（１），ｋ（１）が算出される。すなわち、図１４で符号Ｌ１１を付した直線を表す式が得られる。オーバープリント係数ｊ（２）〜ｊ（３６）およびｋ（２）〜ｋ（３６）についても、同様にして算出される。

なお、図１５に示すＣｘＦチャートでは１０％刻みでパッチが設けられているが、線形補間によって得られる測色値に基づいて、左右方向に隣接する２つのパッチ間の網点パーセントに対応するオーバープリント係数を求めることができる。

オーバープリント係数の算出後、上式（４）を用いて、オーバープリント予測値としての分光反射率Ｒ（１）〜Ｒ（３６）が算出される（ステップＳ１５４）。これに関し、オーバープリント係数ｊ（１）〜ｊ（３６）およびｋ（１）〜ｋ（３６）の値については、ステップＳ１５２で求められている。また、Ｒ（１）_f〜Ｒ（３６）_fの値（前景色の分光反射率）については、予め処理対象特色インクについてのＣｘＦチャートのパッチ（図１５のパッチＰＡ１２）の測色を行うことによって得られている。さらに、Ｒ（１）_b〜Ｒ（３６）_bの値（背景色の分光反射率）については、上述のステップＳ１４０で既に得られている。従って、それらの値を上式（４）に代入することによって分光反射率Ｒ（１）〜Ｒ（３６）を求めることができる。

以上のようにしてオーバープリント予測値としての分光反射率Ｒ（１）〜Ｒ（３６）が算出されることによって、図９に示したフローの色予測処理が終了する。

なお、本実施形態においては、ステップＳ１１０によって学習ステップが実現され、ステップＳ１２０によって三刺激値取得ステップが実現され、ステップＳ１３０によって推論ステップが実現され、ステップＳ１４０によって補正ステップが実現され、ステップＳ１５０によって予測ステップが実現されている。また、ステップＳ１０２によって印刷ステップが実現され、ステップＳ１０４によって分光特性測定ステップが実現され、ステップＳ１０６によって三刺激値算出ステップが実現されている。

＜４．１つのＰＤＦファイルに対する処理の流れ＞
次に、図１６に示すブロック図および図１７に示すフローチャートを参照しつつ、印刷データ生成装置１００に１つのＰＤＦファイルが与えられてからデジタル印刷装置４００で印刷が行われるまでの処理の流れについて説明する。

まず、印刷データ生成装置１００に入稿データとしてＰＤＦファイルＰＤ１が入力される（ステップＳ１０）。その後、印刷データ生成装置１００では、１画素分の画素データの読み取りが行われる（ステップＳ２０）。そして、ステップＳ２０で読み取った画素データの色を予測する色予測処理が印刷データ生成装置１００で行われる（ステップＳ３０）。このステップＳ３０では、プロセスカラーインクと特色インクの重ね刷りが行われている部分については上述した手法で色予測処理が行われる。但し、図９に示した処理のうちステップＳ１００，Ｓ１１０の処理については事前に行われているものと仮定する。複数の特色インクの重ね刷りが行われている部分についての色予測処理の具体的な手法は特に限定されない。

色予測処理の終了後、全ての画素データについて色予測処理が終了したか否かが判定される（ステップＳ４０）。判定の結果、全ての画素データについて色予測処理が終了していればフローはステップＳ５０に進み、そうでなければフローはステップＳ２０に戻る。このようにして、全ての画素データの色が予測されるまで、ステップＳ２０とステップＳ３０とが繰り返される。

ステップＳ５０では、印刷データ生成装置１００において、ステップＳ３０での色予測処理の結果に基づいて、三刺激値Ｘ，Ｙ，およびＺのデータであるＸＹＺデータ（ＣＩＥＸＹＺ色空間のデータ）が生成される。これに関し、本実施形態においては、色予測処理の結果のデータは分光反射率のデータである。従って、上式（５）によって、分光反射率から三刺激値Ｘ，Ｙ，およびＺが求められる。

ＸＹＺデータの生成後、印刷データ生成装置１００では、デジタル印刷装置４００への出力用のＩＣＣプロファイルを用いて、ＸＹＺデータをＣＭＹＫデータに変換する処理が行われる（ステップＳ６０）。なお、ＸＹＺデータをＬａｂデータ（ＣＩＥＬＡＢ色空間のデータ）に変換し、ＬａｂデータをＣＭＹＫデータに変換するようにしても良い。

その後、ステップＳ６０で生成されたＣＭＹＫデータは、印刷データＰＤ２として、印刷データ生成装置１００からデジタル印刷装置４００へと送信される（ステップＳ７０）。そして、デジタル印刷装置４００では、ＣＭＹＫデータである印刷データＰＤ２に基づいて印刷（デジタル印刷）が実行される（ステップＳ８０）。これにより、デジタル印刷装置４００から印刷物ＰＲが出力される。以上のようにして、一連の処理が終了する。

＜５．効果＞
本実施形態によれば、処理対象プロセスカラーインクに関して、ニューラルネットワークを用いて三刺激値から分光反射率が求められる。そして、その分光反射率に対して補正が施されるところ、補正後の分光反射率は、予測元の三刺激値と補正後の分光反射率に対応する三刺激値との差が小さくなるように求められる。このため、ニューラルネットワークによる分光反射率の予測の精度が不充分であっても、補正によって、予測元の三刺激値にできるだけ近い三刺激値に対応する分光反射率が得られる。そして、このようにして得られた分光反射率（処理対象プロセスカラーインクについての分光反射率）と処理対象特色インクについての分光反射率とに基づいて、オーバープリント予測値が算出される。このようにプロセスカラーインクと特色インクの重ね刷りに関して分光反射率を用いてオーバープリント予測値が算出されるので、三刺激値を用いる従来の手法に比べて精度良く色の予測が行われる。また、プロセスカラーインクについては上述のように予測元の三刺激値にできるだけ近い三刺激値に対応する分光反射率が用いられるので、ニューラルネットワークを用いることによる予測精度の低下が抑制される。以上より、プロセスカラーインクと特色インクの重ね刷りによって得られる色を従来よりも精度良く予測することが可能となる。その結果、デジタル印刷装置によって、従来方式の印刷装置から出力された印刷物との誤差の小さい印刷物を得ることが可能となる。

＜６．変形例など＞
上記実施形態においては、処理対象プロセスカラーインクについての分光反射率を予測する際に、ニューラルネットワーク７２０に入力データとして三刺激値が与えられていた。しかしながら、本発明はこれに限定されない。そこで、ニューラルネットワーク７２０に入力データとして三刺激値以外の値を与える例を上記実施形態の変形例として以下に説明する。

＜６．１ 第１の変形例＞
＜６．１．１ 概要＞
図１８を参照しつつ、第１の変形例について説明する。図１８から把握されるように、本変形例においては、ニューラルネットワーク７２０に入力データとしてＣＭＹＫ値７１が与えられる。すなわち、ＣＭＹＫ値７１から分光反射率７３を予測するニューラルネットワーク７２０が用意される。なお、ニューラルネットワーク７２０の入力層は、Ｃ値，Ｍ値，Ｙ値，およびＫ値を受け取る４個のユニットによって構成される。処理対象プロセスカラーインクについての分光反射率の予測に先だって、ＣＭＹＫ値と分光反射率との関係を予めニューラルネットワーク７２０に学習させる処理が行われる。そして、学習済みのニューラルネットワーク７２０を用いて、処理対象プロセスカラーインクについての分光反射率の予測が行われる。

また、処理対象プロセスカラーインクに関して、オーバープリント予測処理に用いる分光反射率７４に対応する三刺激値７５が予測元の三刺激値７２にできるだけ近い値となるよう分光反射率（ニューラルネットワーク７２０から出力された分光反射率）７３を補正するために、ＩＣＣプロファイル７１０を用いてＣＭＹＫ値７１から三刺激値７２への変換が行われる。そして、上記実施形態と同様にして、分光反射率７３の補正が行われる。

＜６．１．２ 処理手順＞
図１９は、本変形例における色予測処理の手順を示すフローチャートである。まず、ニューラルネットワーク７２０での学習に必要な教師データを取得する処理が行われる（ステップＳ２００）。本変形例においては、１つの教師データは、１つのプロセスカラーインクのパッチの測色によって得られる３６個の分光反射率と当該プロセスカラーインクのＣＭＹＫ値（Ｃ値，Ｍ値，Ｙ値，およびＫ値）とによって構成される。従って、上記実施形態とは異なり、教師データに関して分光反射率から三刺激値を求める処理（図１０のステップＳ１０６の処理）は不要である。

教師データの取得後、ニューラルネットワーク７２０によって、ステップＳ２００で得られた教師データを用いた機械学習が行われる（ステップＳ２１０）。これにより、ニューラルネットワーク７２０のパラメータ（重み係数、バイアス）が最適化される。なお、上記実施形態とは異なり、ニューラルネットワーク７２０には入力データとしてＣＭＹＫ値７１が与えられる。

その後、学習済みのニューラルネットワーク７２０に入力データとして処理対象プロセスカラーインクのＣＭＹＫ値７１を与えることによって、当該処理対象プロセスカラーインクについての分光反射率７３が求められる（ステップＳ２２０）。また、処理対象プロセスカラーインクのＣＭＹＫ値７１がＩＣＣプロファイル７１０を用いて三刺激値７２に変換される（ステップＳ２３０）。

次に、上記実施形態と同様にして、ステップＳ２２０で求められた分光反射率７３を補正する処理が行われる（ステップＳ２４０）。その際、補正前の分光反射率７３と補正後の分光反射率７４との差の増大を抑制しつつ、ステップＳ２３０で得られた三刺激値７２と補正後の分光反射率７４に対応する三刺激値７５との差が小さくなるよう、補正後の分光反射率７４が求められる。そして、上記実施形態と同様にして、オーバープリント予測処理が行われる（ステップＳ２５０）。

なお、本変形例においては、ステップＳ２１０によって学習ステップが実現され、ステップＳ２２０によって推論ステップが実現され、ステップＳ２３０によって三刺激値取得ステップが実現され、ステップＳ２４０によって補正ステップが実現され、ステップＳ２５０によって予測ステップが実現されている。

以上のように、ニューラルネットワーク７２０に入力データとしてＣＭＹＫ値７１を与えるようにしても、上記実施形態と同様、プロセスカラーインクと特色インクの重ね刷りによって得られる色を従来よりも精度良く予測することが可能となる。

＜６．２ 第２の変形例＞
＜６．２．１ 概要＞
図２０を参照しつつ、第２の変形例について説明する。図２０から把握されるように、本変形例においては、ニューラルネットワーク７２０に入力データとしてＬａｂ値８３が与えられる。すなわち、Ｌａｂ値８３から分光反射率７３を予測するニューラルネットワーク７２０が用意される。このため、本変形例においてはＣＭＹＫ値７１をＬａｂ値８３に変換するためのＩＣＣプロファイル７１２が設けられる。なお、ニューラルネットワーク７２０の入力層は、Ｌ値，ａ値，およびｂ値を受け取る３個のユニットによって構成される。処理対象プロセスカラーインクについての分光反射率の予測に先だって、Ｌａｂ値と分光反射率との関係を予めニューラルネットワーク７２０に学習させる処理が行われる。そして、学習済みのニューラルネットワーク７２０を用いて、処理対象プロセスカラーインクについての分光反射率の予測が行われる。

また、処理対象プロセスカラーインクに関して、オーバープリント予測処理に用いる分光反射率７４に対応する三刺激値７５が予測元の三刺激値７２にできるだけ近い値となるよう分光反射率（ニューラルネットワーク７２０から出力された分光反射率）７３を補正するために、所定の変換式８１０によってＬａｂ値８３から三刺激値７２への変換が行われる。そして、上記実施形態と同様にして、分光反射率７３の補正が行われる。

＜６．２．２ 処理手順＞
図２１は、本変形例における色予測処理の手順を示すフローチャートである。まず、ニューラルネットワーク７２０での学習に必要な教師データを取得する処理が行われる（ステップＳ３００）。本変形例においては、１つの教師データは、１つのプロセスカラーインクのパッチの測色によって得られる３６個の分光反射率と当該３６個の分光反射率から求められるＬａｂ値（Ｌ値，ａ値，およびｂ値）とによって構成される。従って、教師データに関して分光反射率からＬａｂ値を求める処理が必要となる。

教師データの取得後、ニューラルネットワーク７２０によって、ステップＳ３００で得られた教師データを用いた機械学習が行われる（ステップＳ３１０）。これにより、ニューラルネットワーク７２０のパラメータ（重み係数、バイアス）が最適化される。なお、上記実施形態とは異なり、ニューラルネットワーク７２０には入力データとしてＬａｂ値８３が与えられる。

次に、処理対象プロセスカラーインクのＬａｂ値８３を取得する処理が行われる（ステップＳ３２０）。具体的には、処理対象プロセスカラーインクのＣＭＹＫ値７１がＩＣＣプロファイル７１２を用いてＬａｂ値８３に変換される。

その後、学習済みのニューラルネットワーク７２０に入力データとして処理対象プロセスカラーインクのＬａｂ値８３を与えることによって、当該処理対象プロセスカラーインクについての分光反射率７３が求められる（ステップＳ３３０）。また、処理対象プロセスカラーインクのＬａｂ値８３が所定の変換式８１０によって三刺激値７２に変換される（ステップＳ３４０）。

次に、上記実施形態と同様にして、ステップＳ３３０で求められた分光反射率７３を補正する処理が行われる（ステップＳ３５０）。その際、補正前の分光反射率７３と補正後の分光反射率７４との差の増大を抑制しつつ、ステップＳ３４０で得られた三刺激値７２と補正後の分光反射率７４に対応する三刺激値７５との差が小さくなるよう、補正後の分光反射率７４が求められる。そして、上記実施形態と同様にして、オーバープリント予測処理が行われる（ステップＳ３６０）。

なお、本変形例においては、ステップＳ３１０によって学習ステップが実現され、ステップＳ３２０によってＬａｂ値取得ステップが実現され、ステップＳ３３０によって推論ステップが実現され、ステップＳ３４０によって変換ステップが実現され、ステップＳ３５０によって補正ステップが実現され、ステップＳ３６０によって予測ステップが実現されている。

以上のように、ニューラルネットワーク７２０に入力データとしてＬａｂ値８３を与えるようにしても、上記実施形態と同様、プロセスカラーインクと特色インクの重ね刷りによって得られる色を従来よりも精度良く予測することが可能となる。

＜７．その他＞
本発明は、上記実施形態（変形例を含む）に限定されるものではなく、本発明の趣旨を逸脱しない範囲で種々変形して実施することができる。

上記実施形態では、カラーチャートのパッチ等を測色機５００で測色し、分光反射率を得た上で、色予測モデルが構築されている。しかし、分光反射率以外の測定値に基づいて色予測モデルを構築することもできる。例えば、分光吸収率（１から分光反射率を減ずることによって得られる値）や次式（９）から得られる分光吸収係数αに基づいても本発明を実施することができる。なお、分光反射率、分光吸収率、および分光吸収係数等の測定値が「分光特性」に相当する。ある波長における紙白での反射率をＲ₀とし、該当パッチの反射率をＲとし、インクの厚みをｘとすると、多重反射を考慮しない場合には、分光吸収係数αは次式（９）で表される。
α＝−（１／（２ｘ））・ｌｎ（Ｒ／Ｒ₀） ・・・（９）

さらに、上記実施形態では図１５に示すＣｘＦチャートを用いて色予測モデルが構築されている。すなわち、上段の１１個のパッチ（網点パーセントを変更しつつ対象の特色のインクを紙などの基材上に印刷したもの）および下段の１１個のパッチ（網点パーセントを変更しつつ対象の特色のインクを黒色（墨ベタ）上に印刷したもの）からなるＣｘＦチャートを用いて色予測モデルが構築されている。しかし、上段のパッチのみからなる「簡易ＣｘＦチャート」を用いて色予測モデルを構築することもできる。

１００…印刷データ生成装置
１４１…色予測プログラム
２００…製版装置
３００…印刷装置
４００…デジタル印刷装置
５００…測色機
７１０，７１２…ＩＣＣプロファイル
７２０…ニューラルネットワーク
７３０…補正部

Claims (12)

1. プロセスカラーインクの上に特色インクを塗ることによって得られる色を予測する色予測方法であって、
   入力データを色成分値とし出力データを分光特性とするニューラルネットワークによって、プロセスカラーインクについての色成分値とそれに対応する分光特性とを含む複数の教師データを用いて機械学習を行う学習ステップと、
   前記学習ステップで得られた学習済みのニューラルネットワークに入力データとして予測対象色を構成するプロセスカラーインクである処理対象プロセスカラーインクの色成分値を与えることによって当該処理対象プロセスカラーインクについての分光特性を求める推論ステップと、
   前記推論ステップで求められた分光特性を補正する補正ステップと、
   前記補正ステップによる補正後の分光特性と前記予測対象色を構成する特色インクである処理対象特色インクについての分光特性とに基づいて、前記処理対象プロセスカラーインクの上に前記処理対象特色インクが塗られた状態の分光特性を求める予測ステップと
   を含み、
   前記補正ステップでは、補正前の分光特性と補正後の分光特性との差の増大を抑制しつつ、前記処理対象プロセスカラーインクの三刺激値と補正後の分光特性に対応する三刺激値との差が小さくなるよう、補正後の分光特性が求められることを特徴とする、色予測方法。
2. 前記処理対象プロセスカラーインクの三刺激値を所定の変換ファイルを用いて取得する三刺激値取得ステップを更に含み、
   前記色成分値は、三刺激値であって、
   前記推論ステップでは、前記三刺激値取得ステップで取得された三刺激値が前記学習済みのニューラルネットワークに入力データとして与えられることを特徴とする、請求項１に記載の色予測方法。
3. 前記所定の変換ファイルは、ＩＣＣプロファイルであることを特徴とする、請求項２に記載の色予測方法。
4. 各教師データを生成するためにプロセスカラーインクの色の印刷を行う印刷ステップと、
   前記印刷ステップで印刷された色の分光特性を測定する分光特性測定ステップと、
   前記分光特性測定ステップで測定された分光特性から所定の計算式に基づき三刺激値を求める三刺激値算出ステップと
   を更に含むことを特徴とする、請求項２または３に記載の色予測方法。
5. 前記処理対象プロセスカラーインクの三刺激値を所定の変換ファイルを用いて取得する三刺激値取得ステップを更に含み、
   前記色成分値は、ＣＭＹＫ値であって、
   前記補正ステップでは、前記三刺激値取得ステップで取得された三刺激値と補正後の分光特性に対応する三刺激値との差が小さくなるよう、補正後の分光特性が求められることを特徴とする、請求項１に記載の色予測方法。
6. 前記処理対象プロセスカラーインクのＬａｂ値を所定の変換ファイルを用いて取得するＬａｂ値取得ステップと、
   前記Ｌａｂ値取得ステップで取得されたＬａｂ値を三刺激値に変換する変換ステップと
   を更に含み、
   前記色成分値は、Ｌａｂ値であって、
   前記推論ステップでは、前記Ｌａｂ値取得ステップで取得されたＬａｂ値が前記学習済みのニューラルネットワークに入力データとして与えられ、
   前記補正ステップでは、前記変換ステップで得られた三刺激値と補正後の分光特性に対応する三刺激値との差が小さくなるよう、補正後の分光特性が求められることを特徴とする、請求項１に記載の色予測方法。
7. 前記補正ステップでは、前記処理対象プロセスカラーインクの三刺激値と補正後の分光特性に対応する三刺激値との差および補正前の分光特性と補正後の分光特性との差を考慮した目的関数の値が最小となるよう、補正後の分光特性が求められることを特徴とする、請求項１から６までのいずれか１項に記載の色予測方法。
8. 前記目的関数は、下記の式で表されることを特徴とする、請求項７に記載の色予測方法：
   Ｌ＝ΔＸ＋ΔＹ＋ΔＺ＋ΔＳ
   ここで、Ｌは前記目的関数を表し、ΔＸ，ΔＹ，およびΔＺはそれぞれ前記処理対象プロセスカラーインクの三刺激値Ｘ，Ｙ，およびＺと補正後の分光特性に対応する三刺激値Ｘ，Ｙ，およびＺとの差に応じて定まる値を表し、ΔＳは補正前の分光特性と補正後の分光特性との差の２乗の総和を表す。
9. 前記目的関数は、下記の式で表されることを特徴とする、請求項７に記載の色予測方法：
   Ｌ＝Ｃ１・ΔＸ＋Ｃ２・ΔＹ＋Ｃ３・ΔＺ＋Ｃ４・ΔＳ
   ここで、Ｌは前記目的関数を表し、ΔＸ，ΔＹ，およびΔＺはそれぞれ前記処理対象プロセスカラーインクの三刺激値Ｘ，Ｙ，およびＺと補正後の分光特性に対応する三刺激値Ｘ，Ｙ，およびＺとの差に応じて定まる値を表し、ΔＳは補正前の分光特性と補正後の分光特性との差の２乗の総和を表し、Ｃ１，Ｃ２，Ｃ３，およびＣ４は係数を表す。
10. 前記分光特性は、分光反射率、分光吸収率、および分光吸収係数のいずれかであることを特徴とする、請求項１から９までのいずれか１項に記載の色予測方法。
11. 前記分光特性は、分光反射率であり、
    前記ニューラルネットワークの出力データは、３８０ｎｍから７３０ｎｍまでの波長範囲または４００ｎｍから７００ｎｍまでの波長範囲を適宜の大きさの単位波長範囲で除することによって得られる数の分光反射率であることを特徴とする、請求項１０に記載の色予測方法。
12. プロセスカラーインクの上に特色インクを塗ることによって得られる色を予測する色予測プログラムであって、
    コンピュータに、
    入力データを色成分値とし出力データを分光特性とするニューラルネットワークによって、プロセスカラーインクについての色成分値とそれに対応する分光特性とを含む複数の教師データを用いて機械学習を行う学習ステップと、
    前記学習ステップで得られた学習済みのニューラルネットワークに入力データとして予測対象色を構成するプロセスカラーインクである処理対象プロセスカラーインクの色成分値を与えることによって当該処理対象プロセスカラーインクについての分光特性を求める推論ステップと、
    前記推論ステップで求められた分光特性を補正する補正ステップと、
    前記補正ステップによる補正後の分光特性と前記予測対象色を構成する特色インクである処理対象特色インクについての分光特性とに基づいて、前記処理対象プロセスカラーインクの上に前記処理対象特色インクが塗られた状態の分光特性を求める予測ステップと
    を実行させ、
    前記補正ステップでは、補正前の分光特性と補正後の分光特性との差の増大を抑制しつつ、前記処理対象プロセスカラーインクの三刺激値と補正後の分光特性に対応する三刺激値との差が小さくなるよう、補正後の分光特性が求められることを特徴とする、色予測プログラム。

Images