JP2770523B2

JP2770523B2 - 図形着色方式

Info

Publication number: JP2770523B2
Application number: JP1943890A
Authority: JP
Inventors: 竜男太田; 博之隠田
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 1990-01-30
Filing date: 1990-01-30
Publication date: 1998-07-02
Anticipated expiration: 2013-07-02
Also published as: JPH03224076A

Description

【発明の詳細な説明】〔概要〕図形又は絵画等を表示する装置に於いて、パラメータに応じて色を任意に変化させることを目的
とし、パラメータが入力される入力層と、前記入力層の出力
値に重みをかけたものを演算し出力する複数の中間層
と、前記中間層の複数の出力に重みがかけられた複数の
値に演算処理を施し、前記演算結果を色情報として出力
する複数の出力層とを有するニューラルネットワークト
と、パラメータと色情報を対応させた複数のパラメータ
色情報組を格納する手段と、前記パラメータ色情報のパ
ラメータを前記ニューラルネットワークの入力層に与え
て得られる出力層の出力値と、前記パラメータに対応す
る色情報との誤差から前記ニューラルネットワークの重
み値を更新するニューラルネットワーク学習手段と、前
記パラメータ色情報組とニューラルネットワーク学習手
段によって学習されたニューラルネットワークにパラメ
ータを入力して得られた色情報から着色された図形を出
力又は表示する表示出力手段を有する構成とする。

〔産業上の利用分野〕

本発明は、衣料デザイン関連等の彩色作業における色
彩の変化を、それらの色に影響を及ぼすパラメータ（感
覚的なパラメータ、例えば温かいや、冷たい等、又非線
形なパラメータや、季節等の年月時分等のパラメータ）
に対する色変化として捉え、様々な色を任意に表示する
システムに関する。

〔従来の技術〕

従来から画面の情報を幾つかの領域に区切り、その複
数の領域の色を与えられたパラメータにより変化させる
システムがアニメーション等の画像処理の分野で実施さ
れている。例えば、第９図の画像を考える。第９図は風
景を示す図である。の領域を空、の領域を地面、
の領域を家の窓とする。これらの領域の色を与えられた
時刻情報にしたがって変化させる。例えば、朝の時刻
（午前８時や午前９時）と夕方の時刻（午後５時や６
時）等では、風景の色が異なる。朝の時刻では空は青い
が、夕方の時刻はオレンジや赤である。この時刻に応じ
て前記領域の色を変化させるシステムを実現する場合、
従来では、その時刻に応じた色データをデータベースと
して用意しておく又は、関数として表現する等の手段が
考えられていた。

〔発明が解決しようとする課題〕

しかしながら、前記のデータベースとして用意してお
く手段であるとデータベースのデータ量が大きくなって
しまう。仮に、１日の時刻に応じて変化させる場合はデ
ータ量は差ほど大きいものでも無いが、一年という季節
の変化を持たせるとするとデータ量は莫大なものとなっ
てしまう。関数によって実現する場合は、複雑な関数と
なってしまう。

又、一旦システムが実現し、修正する場合を考える
と、データベースとして用意しておく手段の場合は修正
するデータも莫大なものとなる。又、関数の場合は関数
相互間に矛盾が生じない様にしなければならない。

従って、パラメータ値が異なる状態における対象画面
の彩色状況を自動的に生成するのは困難であり、パラメ
ータの状況の推移によってはその都度利用者が直す必要
があった。又、直す際の作業は非常に困難なものであっ
た。

よって、本発明の目的は、画面の初期状態における彩
色状況にこだわらず、一般的、離散的な彩色状況を利用
者が適宜設定することにより、中間的な彩色状況を自動
的に設定してくれる着色システムを実現することであ
る。

〔課題を解決する為の手段〕

第１図は本発明の原理説明図である。本発明は、パラ
メータが入力される入力層と、前記入力層の出力値に重
みをかけたものを演算し出力する複数の中間層と、前記
中間層の複数の出力に重みがかけられた複数の値に演算
処理を施し、前記演算結果を色情報として出力する複数
の出力層とを有するニューラルネットワーク１と、パラ
メータと色情報を対応させた複数のパラメータ色情報組
を格納する手段21と、前記パラメータ色情報のパラメー
タを前記ニューラルネットワークの入力層に与えて得ら
れる出力層の出力値と、前記パラメータに対応する色情
報との誤差から前記ニューラルネットワークの重み値を
更新するニューラルネットワーク学習手段２と、前記パ
ラメータ色情報組とニューラルネットワーク学習手段に
よって学習されたニューラルネットワークにパラメータ
を入力して得られた色情報から着色された図形を出力又
は表示する表示出力手段６を有する構成とする。

〔作用〕

ニューラルネットワーク１にパラメータ色情報組21の
パラメータを与え、色情報を得る。前記得られた色情報
とパラメータ色情報組の色情報を用いて、ニューラルネ
ットワーク学習手段２は、ニューラルネットワーク１の
重み値を更新する。前記作業を複数のパラメータ色情報
組を用いて複数回行う。重みが収束したら、学習終了と
し、前記学習終了したニューラルネットワークを用い
て、任意のパラメータに応じた色情報を得る。

仮に、修正する際には、新たに、パラメータ色情報組
を用意して、追加の学習を行うことによって修正を簡単
に行うことが出来る。従来の様にデータベースをユーザ
ーが書き換えたり、関数を訂正したり等の煩雑な処理は
無い。

〔実施例〕

第２図は、本発明の一実施例の構成図である。この装
置は第９図の色を与えられた時刻情報に応じて変化させ
る装置とする。図中、１はニューラルネットワーク、２
はニューラルネットワーク操作部、３はニューラルネッ
トワーク実行部、５はパラメータ入力部、６はディスプ
レイ装置、７はパラメータ入力装置、８は彩色情報抽出
装置、９はイメージ入力装置である。

イメージ入力装置９（スキャナー等）から入力された
データは、彩色情報抽出部８によって、予め設定された
領域毎に色が抽出される。例えば第９図の場合、，
，の領域の色を抽出するものとする。彩色情報抽出
部８の動作は第７図のフローチャートによって示されて
いる。

ステップ１イメージ入力装置から、入力データを受ける。この時
のデータはRGBのドット情報としてデータが入力され
る。

ステップ２前記RGBが混合されているデータの領域内のRGBの割合
を調べることにより、単一の中間色表現とする。

ステップ３前記変換後の色成分をRGBで数値化するこの数値化は2
56階調（０〜255）で行うものとする。例えば、紫なら
（255,0,255）である。

彩色情報抽出部８で得られたデータは、ニューラルネ
ットワーク学習パターン生成部４に送られる。ニューラ
ルネットワーク学習パターン生成部４では、前記色情報
と時刻の情報を対応つける。時刻の情報はユーザーが入
力するものとする。このニューラルネットワーク学習パ
ターン生成部４は具体的にはエディタと考えて差し支え
ない。

ここでパラメータと色情報の組が作成される。第８図
に示すのが時刻と色情報の組である。例えば、１月１日
は、空の色，土の色，窓の色はそれぞれ、RGB
が、（0,185,166），（103,122,135），（21,157,152）
である。

この様にして、複数のパラメータと色情報の組を用意
する。組は30〜50位である。

次に、この得られた情報はニューラルネットワーク操
作部２のメモリ領域21（第３図）に格納される。

第３図中、１は第２図のニューラルネットワーク、３
は第２図のニューラルネットワーク実行部、２はニュー
ラルネットワーク操作部である。

ニューラルネットワーク操作部２はニューラルネット
ワーク１の学習を行うものとする。

第３図のニューラルネットワーク１中、11はネットワ
ークであり、12はメモリ領域であり、重み値と途中の計
算を使用するデータを格納する領域である。11ネットワ
ークはここではソフトで実現しているものとし、そのフ
ローチャートは第５図に示されている。また、第４図に
入力層、中間層、出力層の構成を示す。

第４図中、ｈ−1,h−２は入力層であり、ｈ−１には
年月日が入力される。ｈ−２には時刻が入力される。ｉ
−1,i−ｎは中間層であり、入力層の出力に重みW_ihが掛
けられる。各接続での重みは異なるものである。

J-11,……,J-33は出力層である。J-11,J-12,J-13は空
の色のRGBを出力する。J-21,J-22,J-23は土の色のR
GBを出力する。J-31,J-32,J-33は窓の色のRGBを出力
するものとする。

第５図に従って、その動作を説明する。

ステップ51 を求める（W_ihはメモリ12のものを使用する）。（１）
式ステップ52 y_pi＝1/（１＋exp（−x_pi＋θ_ｉ））（２）式 h: h層（入力層）のユニット番号 i: i層（中間層）のユニット番号 p:入力信号のパターン番号 θ_ｉ:i層のｉ番ユニットの閾値 W_ih:h−ｉ層間の内部結合の重み値 x_pi:h層の各ユニットからｉ層のｉ番ユニットへの入力 y_ph:p番目パターンの入力信号に対するｈ層のｈ番ユニ
ットからの出力 y_pi:p番目パターンの入力信号に対するｉ層のｉ番ユニ
ットからの出力ステップ53 Y_piをメモリ12のY_piの格納領域に格納する。

ステップ54 前記ステップ51〜53の処理を前中間層のノードＩ−1,
I−Ｎの各出力Y_piを求めたら終了する。

このステップ51〜54では各ノードＩ−1,I−Ｎ毎にY_pi
を求めている。

次に中間層の出力を用いて、上記ステップ51〜54の処
理を行う。

ステップ55〜57の演算の仕方は上記ステップ51〜54と
同様である。

その結果、J-11,…,J-33は出力層からRGBのデータが
得られる。

重み、W_ih，W_jiは最初はランダムな値が格納されてい
るので、前記J-11,…,J-33の出力は、第８図の時刻デー
タを与えても、その通りのRGBのデータが得られない。
そこで、バック・プロパゲーション法で重みの学習を行
う。

前記バック・プロパゲーション法は第３図のニューラ
ルネットワーク操作部２が行うものとする。第６図はそ
れをソフトウェアで実現した場合のフローチャートであ
る。

以下動作を説明する。バック・プロパゲーション法
（D.E.Rumelhart,G.E.Hinton,and R.J.Williams,“Lear
ning Internal Representations by ErrorPropagatio
n",PARALLEL DISTRIBUTED PROCESSING,Vol.1,pp.318-36
4,The MIT Press,1986）について最初に詳述することに
する。

バック・プロパゲーション法では、階層ネットワーク
の重み値W_ihと閾値θ_ｉとを誤差のフィードバックによ
り適応的に自動調節して学習することになる。（１）
（２）式から明らかなように、重み値W_ihと閾値θ_ｉと
の調節は同時に実行される必要があるが、この作業は相
互に干渉する難しい作業となる。そこで、本出願人は、
先に出願の「特願昭62-333484号（昭和62年12月28日出
願、“ネットワーク構成データ処理装置”）」で開示し
たように、入力側のｈ層に常に“1"を出力するとともに
その出力に対して閾値θ_ｉを重み値として割り付けるユ
ニットを設けることで、閾値θ_ｉを重み値W_ihの中に組
み込んで閾値θ_ｉを重み値として扱うようにすることを
提案した。このようにすることで、上述の（１）（２）
式は、（３）（４）式から類推によって次の（５）（６）式
が得られる。すなわち、但し、ｊ :j層のユニット番号 W_ji:i−ｊ層間の内部結合の重み値 x_pj:i層の各ユニットからｊ層のｊ番ユニットへの入力の積和 y_pj:p番目パターンの入力信号に対するｊ層のｊ番ユニットからの出力まず、適当な範囲の乱数を、重みの初期値として、学
習パターンのセットを提示する毎に、以下に示す重み更
新規則に従って、重みをインクリメンタルに改良する。
これを誤差が求める値以下になるまで反復する。

重み更新規則としては基本的には最急降下法の考え方
を用いる。

まず、各パターンごとの教師入力ベクトルとネットワ
ークの出力ベクトルとの誤差の二乗和E_pとそれらの総和
であるＥを定義する。この教師入力ベクトルはメモリ12
に時刻と対応付けて記憶されているRGBデータである。

ステップ61 を求める。

ステップ62 但し、 d_pj:p番目パターン入力に対するｊ層ｉ番目ユニット
への教師信号 E_pをｐ番目パターン入力に対するネットワークのエネ
ルギー,Eをネットワークのエネルギーと呼ぶ。このエネ
ルギーに対して、最急降下法の考え方を適用する。最急
降下法の場合は、以下のようにｔ回目の重みの更新量Δ
w_ji（ｔ）を決める。

但し、 w_ih:h層ｈ番目ユニットとｉ層ｉ番目ユニット間の重み w_ji:i層ｉ番目ユニットとｊ層ｊ番目ユニット間の重み ε（＞０）：学習定数（learning rate）ｔ：更新回数バック・プロパバゲーション法では更に、収束の加速
を行う目的で、以下のようにモーメンタムの項を付け加
えた式を重み更新規則として用いる。

但し、 ε（＞０）：学習定数（learning rate） α（＞０）：モーメンタム（momentum） t ：更新回数この重み更新を反復することにより、Ｅを小さくし、
最終的に誤差を求める値以下に持っていくのがバック・
プロパゲーション法である。

次にバック・プロパゲーションを実行する際に必要と
なる全パターンに対するエネルギーＥのw_ji等に関する
偏微分の計算方法を以下に説明する。

まずネットワークの各ユニットの処理の式を示す。

但し、 y_ph:p番目パターン入力値に対するｈ層（ここでは入力
層）のｈ番目のユニットからの出力 y_pi:p番目パターン入力値に対するｉ層（ここでは中間
層）のｉ番目のユニットからの出力 y_pj:p番目パターン入力値に対するｊ層（ここでは中間
層）のｊ番目のユニットからの出力 x_pi:i層のｉ番目のユニットへのｐ番目パターン入力に
対する総和 x_pj:j層のｊ番目のユニットへのｐ番目パターン入力に
対する総和ここで、各パターンに対するエネルギーのy_pjに関す
る偏微分を求める。

を得る。ここで出てきた値をδ_pjと置く。即ち、とする。このδ_pjを使って、各パターンに対するエネル
ギーのx_pjに関する偏微分は、次のように表される。

この式を使えば、各パターンに対するエネルギーのw_ji
に関する偏微分が以下のように得られる。

同様にして、各パターンに対するエネルギーのw_ihに
関する偏微分を計算する。まず各パターンに対するエネ
ルギーE_Pのｉ層の出力y_piに対する偏微分を求めると、を得る。更に、各パターンに対するエネルギーE_Pのｉ層
入力ユニットへの総和x_piに対する偏微分を計算する
と、を得る。この式により、各パターンに対するエネルギー
のｈ−ｉ層間の重みに関する偏微分を求めると、以下の
積和で表される式を得る。

全入力パターンに対するエネルギーの重みによる偏微
分は、各パターンに対するエネルギーの重みによる偏微
分の和として表される。

以上の様にして、ステップ63とステップ64が実行され
る。

次に、ステップ66,67で式（７）（８）を実行する。ステッ
プ68 更新前の重みw_jiにΔw_jiをたしてw_jiを更新ステップ69 ステップ68と同様の処理をw_ihに行う。

ステップ70 w_ji，w_ihをメモリ12に格納する。

ステップ71 ステップ63〜70を全重みに対して行う。

ステップ72 メモリ21のデータをニューラルネットワーク11にデー
タ数以上の回数与え、その結果からステップ61〜71の動
作を行う。

誤差（E_P）があらかじめ決められた所定数以下になっ
たら収束したと考え、学習を終了する。

以上の処理によって、学習によって重み値が得られた
ニューラルネットワーク１に対して、パラメータ入力装
置７（具体的にはキーボード等）から、任意の月日時刻
データを打ち込む。そのデータをパラメータ入力部５が
受け、ニューラルネットワーク実行部３に渡し、前記月
日時刻データをニューラルネットワーク１に送り、RGB
データを得る。

そのRGBによって、第９図の絵の色を変えてディスプ
レイ装置６に出力する。

その修正等をする時は、データを追加して再学習すれ
ば良い。

実施例では、時刻と色情報を対応させているが、温か
いとか寒い等を数値表現して色と対応させることも可能
である。又、ディスプレイで表示したが、プリンタで出
力しても良い。

以上説明した様に、本発明は、本発明の要旨の観点か
ら種々の変形が可能であり、本発明はそれらを排除する
ものでは無い。

〔効果〕

以上説明した様に、本発明では色を出力する為にニュ
ーラルネットワークを利用しているので簡単に学習でき
る。

又、本発明により、利用者は図形の作画中に彩色状況
を細かく設定する必要はなくなり、デッサン的な線画情
報と大まかな彩色情報のみを指定することで作画におけ
る高速化が図れる。

【図面の簡単な説明】

第１図は本発明の原理説明図、第２図は発明の一実施
例、第３図、第４図はニューラルネットワークの説明
図、第５図はニューラルネットワークのフローチャー
ト、第６図はニューラルネットワーク操作部２のフロー
チャート、第７図は前処理部８のフローチャート、第８
図はパラメータ色情報の説明図、第９図は従来例及び実
施例での出力画面の例である。１はニューラルネットワーク、２はニューラルネットワ
ーク操作部、３はニューラルネットワーク実行部、５は
パラメータ入力部、６はディスプレイ装置、７はパラメ
ータ入力装置、８は彩色情報抽出装置、９はイメージ入
力装置である。

───────────────────────────────────────────────────── フロントページの続き (56)参考文献特開平２−241271（ＪＰ，Ａ) 特開平２−214987（ＪＰ，Ａ) 今中、他５名，”ニューラルネットを利用したイメージを表わす自然語入力からの色出力システム”，情報処理学会第 39回（平成元年後期）全国大会講演論文集，情報処理学会，平成元年10月18日, Ｐ．404〜405 中、他３名，”ニューラルネットによるカラーハードコピーの色修成”，電子情報通信学会春季全国大会講演論文集（1989年ｓｐｒｉｎｇｐｔ．７）電子情報通信学会，1989年３月15日，Ｐ．７− 181 (58)調査した分野(Int.Cl.⁶，ＤＢ名) G06T 1/40 G06T 5/00 - 5/50 ＪＩＣＳＴ

Claims

(57)【特許請求の範囲】

【請求項１】パラメータとして日時情報が入力される入
力層と、前記入力層からの出力値に重みをかけたものを
演算し出力する複数の中間層と、前記複数の中間層の複
数の出力に重みがかけられた複数の値に演算処理を施
し、前記演算結果を色情報として出力する複数の出力層
とを有するニューラルネットワークと、パラメータである日時情報と図形を構成する複数の要素
に対する複数の色情報を対応させた複数のパラメタ色情
報組を格納する格納手段と、前記日時情報と色情報を前記ニューラルネットワークの
入力層に与えて得られる出力層の出力値と、前記日時情
報に対応する色情報との誤差から前記ニューラルネット
ワークの重み値を更新するニューラルネットワーク学習
手段と、前記パラメータ色情報組みとニューラルネットワーク学
習手段によって学習されたニューラルネットワークに日
時情報を入力して得られた色情報から着色された図形を
出力する出力手段とを有する図形着色方式。