JP3430673B2 - 色変換装置 - Google Patents
色変換装置Info
- Publication number
- JP3430673B2 JP3430673B2 JP25324894A JP25324894A JP3430673B2 JP 3430673 B2 JP3430673 B2 JP 3430673B2 JP 25324894 A JP25324894 A JP 25324894A JP 25324894 A JP25324894 A JP 25324894A JP 3430673 B2 JP3430673 B2 JP 3430673B2
- Authority
- JP
- Japan
- Prior art keywords
- color
- input
- polynomial
- neural network
- output
- 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.)
- Expired - Fee Related
Links
Landscapes
- Color Image Communication Systems (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Description
【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明は、カラー画像を扱う画像
処理装置に用いられる色変換装置に関し、特に一の色空
間上の色座標値を他の色空間上の色座標値に変換する色
変換装置に関する。 【０００２】 【従来の技術】色座標には大別して、表色系及び装置依
存の色座標がある。表色系としては、国際照明委員会
（以下、ＣＩＥと称する）が定めたＣＩＥ‐ＲＧＢ表色
系とその数学的変換で表されるＸＹＺ表色系の如き混色
系や、ＣＩＥ‐Ｌ* ａ* ｂ* 均等色空間などがある。ま
た、装置依存の色座標には、フルカラー画像を扱う機器
に依存した赤（Ｒ），緑（Ｇ），青（Ｂ）信号や、サイ
アン（Ｃ），黄（Ｙ），マゼンタ（Ｍ），黒（Ｋ）など
の各色の濃度や面積率などの多様な色信号がある。機器
を構成する場合や通信を行うためには、ある色空間上の
色座標値から他の色空間上の色座標値に変換する必要が
ある。 【０００３】一般に、数学的変換が定義されている色空
間上での色座標変換は一意に行うことができるが、機器
に依存する色空間上の座標値に関する色変換について
は、実測値等を基に近似関数を構成することによって行
っている。また、数学的変換が定義されている色空間上
での色座標変換についても、定義に基づいた入力座標か
ら出力座標を容易に得ることができない場合についても
近似関数を構成し、変換を行うことがある。光電変換手
段による画像入力装置や、銀塩写真方式による印刷装置
などに係わる色変換では、低次の多項式でも高い精度を
得ることが可能であるため、従来の色変換では、入力座
標値の多項式により出力座標値を近似することが一般的
であった。 【０００４】しかしながら、例えば面積率変調によるフ
ルカラー画像出力装置、即ち色座標をＣＭＹＫなどの各
色の面積率に変調し印刷を行う装置では、ドットゲイ
ン、オプティカルゲイン、混色や光の散乱など、数学的
に記述が困難な現象があり、更に非線形性も高いため、
色変換にはノイゲバウアー方式を改良したもの、多項式
などが経験的に用いられていた。この色変換は、多項式
の項数を多くしても精度の点で問題があるため、特開平
５−２３３７８７号公報、特開平５−２３６２６１号公
報、特開平５−２３６２６２号公報に開示されるよう
に、この変換にニューラルネットワークを用いることも
検討されている。非線形性も高い色変換に、項数の多い
多項式を用いた場合には平均的な精度は向上するもの
の、局所的な誤差が大きくなり、色変換に破綻を来す場
合もあった。 【０００５】ニューラルネットワークの関数近似につい
ては、『船橋賢一，“ニューラル・ネットワークによる
連続写真の近似的実現について”，電子情報通信学会技
報ＭＢＥ８８‐９，１９８８』に記載されているよう
に、ニューラルネットワークの規模を大きくすることに
より精度を向上することができる。しかし、大規模のニ
ューラルネットワークは多項式に比較すると、色変換装
置の構成が非常に複雑になるという問題があった。ま
た、小規模のニューラルネットワークにより線形の関係
を記述することが容易ではないという問題もあった。 【０００６】従って、ニューラルネットワークを用いた
色変換では、ニューラルネットワークの規模を大きくす
ることによって精度を向上することができる。計算時間
が問題とならない応用については、大規模のニューラル
ネットワークをストアドプログラム方式の計算機により
実現することも可能であった。しかしながら、複写機等
においては、色変換装置は実時間あるいは高速に変換を
行う必要があり、現状のストアドプログラム方式の計算
機により実現することは現実的ではない。 【０００７】一般に、規模の大きいニューラルネットワ
ークを構成すると大規模の装置となる。また、出力装置
の特性は非線形性は高いものの、例えばＣＩＥ‐Ｌ* ａ
* ｂ * 空間からＣＭＹＫの各面積率を得る変換において
も、線形の成分と各入力の３乗成分が多い。一般に、多
項式により得られる精度と同等の精度をニューラルネッ
トワークで実現すると、装置の構成が多項式に比較して
複雑になる。規模の小さいニューラルネットワークによ
り線形や３乗の入出力特性を得ることも容易ではない。 【０００８】 【発明が解決しようとする課題】しかしながら、従来技
術では、ニューラルネットワークを用いた色変換の精度
を向上するためには、色変換装置の規模を大きくする必
要があった。また、多項式によっても高い精度を得るこ
とが困難な場合があった。すなわち、いずれの方式によ
っても、高い精度を得るためには、装置の構成が複雑に
なるという問題点があった。そこで、本発明は、ニュー
ラルネットワークにて精度を上げようとすると規模が大
きくなり、一方多項式では精度が悪いという実情に鑑
み、両者を併用することによって簡単な構成にて精度の
高い色変換を実現できる色変換装置を提供することを目
的とする。 【０００９】 【課題を解決するための手段】本発明は、一の色空間上
の色座標値を他の色空間上の色座標値に変換する色変換
装置において、多項式演算と階層型ニューラルネットワ
ーク演算を併用することにより、多項式単独あるいは階
層型ニューラルネットワーク単独による色変換に比較し
て簡素であり、かつ精度の高い色変換を行うものであ
る。そのため、本発明による色変換装置においては、入
力された一の色空間上の色座標値を演算して第１の色座
標値を得る多項式演算手段と、入力された一の色空間上
の色座標値を演算して第２の色座標値を得る階層型ニュ
ーラルネットワーク演算手段と、第１の色座標値と第２
の色座標値とを各成分ごとに演算して他の色空間上の色
座標値を得る２入力１出力関数演算手段とを備えた構成
を採っている。 【００１０】 【作用】上記構成の色変換装置において、多項式演算手
段では、低次の多項式により色変換を行うと、誤差を含
んだ変換結果が得られる。高次の多項式を用いることに
より誤差は減少するものの、定義域全体、即ち入力色空
間の全体について精度良く近似するためには複雑な多項
式を構成する必要がある。一方、階層型ニューラルネッ
トワーク演算手段においては、必ず非線形の項を通らな
いと演算結果が得られないことから、非線形の項を近似
するのは多項式に比べて精度が高いが、多項式演算手段
に比較すると構成が複雑になる傾向がある。しかるに、
多項式演算による色座標値とニューラルネットワーク演
算による色座標値とを各成分ごとに２入力１出力関数演
算手段にて演算し、２入力１出力関数演算手段の演算結
果の誤差が少なくなるように多項式およびニューラルネ
ットワークの諸定数を相互に調整することにより、構成
簡単にして精度の高い色変換を実現できる。 【００１１】 【実施例】以下、本発明の実施例について図面を参照し
つつ詳細に説明する。なお、以下の実施例では、簡単の
ため、特に断らない限り、４次元入力３次元出力の色変
換に適用した場合について述べるが、これに限定される
ものではなく、入力次元数や出力次元数によらず適用で
きるものとする。 【００１２】図１は、本発明の第１実施例を示すブロッ
ク図である。この第１実施例による色変換装置は、４次
元の色座標値を入力とする多項式演算手段１と、４次元
の色座標値を入力とする階層型ニューラルネットワーク
演算手段２と、多項式演算手段１及び階層型ニューラル
ネットワーク演算手段２の各３次元の出力色座標値を各
成分ごとに演算する３個の２入力１出力関数演算手段３
〜５とからなり、２入力１出力関数演算手段３〜５の各
演算出力を変換値（変換色座標値）１〜３として導出す
る構成となっている。 【００１３】ここで、多項式及び階層型ニューラルネッ
トワークの各演算の一般的な概念について説明する。先
ず、多項式演算手段１において、４次元入力３次元出力
の色変換の一例として、入力座標値をＸ＝（ｘ1 ，
ｘ2 ，ｘ3 ，ｘ4 ）T 、出力座標値をＹ＝（ｙ1 ，
ｙ2 ，ｙ3 ）T としたとき、適宜の行列Ａ1 と適宜のベ
クトルＴ1 ＝（ｔ1 ，ｔ2 ，ｔ3 ）T を用いると、１次
多項式による色変換では、入出力の関係は一般に、 【数１】Ｙ＝Ａ1 ・Ｘ＋Ｔ1 により表される。Ｐを入力座標値の適宜のべき乗項やそ
の適宜の積の有限の組合せとする適宜の関数とし、適宜
の行列Ａ2 と適宜のベクトルＴ2 ＝（ｔ4 ，ｔ5，
ｔ6 ）を用いると、一般的な多項式では、入出力の関係
は、 【数２】Ｙ＝Ａ2 ・Ｐ（Ｘ）＋Ｔ2 により表される。 【００１４】ここで、変換誤差σをＸに対応する所望の
変換値Ｙ′と適宜の距離関数Δを用いて表わすと、 【数３】σ＝Δ（Ｙ，Ｙ′） となる。所望の変換値Ｙ′としては実測値や設定値など
があり、また距離関数Δの一例としては、ΔＬ* ａ* ｂ
* 色差などがある。なお、４次元以上の色座標について
は、一般的な距離として定義できない場合もあるが、所
望の座標値とのユークリッド距離として考えれば距離と
して定義することも可能であり、従って変換誤差σを比
較することができる。 【００１５】一方、階層型ニューラルネットワーク演算
手段２において、４次元入力３次元出力の色変換の一例
として、入力座標値をＸ＝（ｘ1 ，ｘ2 ，ｘ3 ，ｘ4 ）
T 、出力座標値をＹ＝（ｙ1 ，ｙ2 ，ｙ3 ）T とする
と、適宜の神経細胞の出力値をｘi （ｉ＞４）とする
と、神経細胞の出力値をｘi は、 【数４】ｘi ＝ｇi ｛Σ# （ｗji・ｘj ）＋θi ｝ で与えられ、入出力の関係は、 【数５】（ｙ1 ，ｙ2 ，ｙ3 ）T ＝（ｘk+1 ，ｘk+2 ，
ｘk+3 ）T により表される。ここで、＃は１≦ｊ＜ｉを意味し、各
ｗjiは細胞ｊから細胞ｉのシナプス結合強度、θi は細
胞ｉの閾値として知られる定数、ｇi は細胞ｉの出力関
数として知られる関数、ｋはニューラルネットワークの
細胞数を示す適宜の自然数である。通常は、ｇi はｉに
よらず単調な飽和関数が用いられることが多く、また、
実際に装置を構成する場合にはディジタル計算回路によ
り実現の容易な関数、即ち離散的な関数を用いる場合も
ある。関数ｇi が微分可能である場合、各ｗji，θi を
得る一手法としては、バックプロパゲーション法が知ら
れている。 【００１６】こうして得られた多項式演算手段１の出力
色座標値（第１の色座標値）と、階層型ニューラルネッ
トワーク演算手段２の出力色座標値（第２の色座標値）
は、各成分ごとに３つの２入力１出力関数演算手段３，
４，５にて演算される。その結果、出力座標値Ｙが得ら
れる。この出力座標値Ｙは、 【数６】Ｙ＝ｆ｛（Ａ2 ・Ｐ（Ｘ）＋Ｔ2 ），
（ｘk+1 ，ｘk+2 ，ｘk+3 ）｝ により表される。ここで、（Ａ2 ・Ｐ（Ｘ）＋Ｔ2 ）は
多項式演算手段１により得られた色座標値であり、（ｘ
k+1 ，ｘk+2 ，ｘk+3 ）T は階層型ニューラルネットワ
ーク演算手段２により得られた色座標値である。また、
ｆは各成分ごとの２入力１出力関数を示す。 【００１７】ここで、多項式演算手段１において、図２
に一点鎖線で示す関数を低次の多項式により色変換する
と、一例として図中実線で示した誤差を含んだ変換結果
が得られる。高次の多項式を用いることにより誤差は減
少するものの、定義域全体、即ち入力色空間の全体につ
いて精度良く近似するためには複雑な多項式を構成する
必要がある。一方、階層型ニューラルネットワーク演算
手段２において、図３に一点鎖線で示す関数をニューラ
ルネットワークにより色変換すると、一例として図中実
線で示した誤差を含んだ変換結果が得られる。ニューラ
ルネットワークの規模により、規模が大きいニューラル
ネットワークでは図中破線で示す如く精度を上げること
も可能であるが、規模が小さいニューラルネットワーク
では精度の点で問題がある。また、多項式演算手段１に
比較すると、構成が複雑になる傾向がある。 【００１８】しかるに、多項式演算による色座標値とニ
ューラルネットワーク演算による色座標値とを各々の座
標軸で、即ち各成分ごとに２入力１出力関数演算手段３
〜５において演算することにより、多項式の誤差成分を
小規模のニューラルネットワークにより補正することが
できる。すなわち、図４において、多項式演算の真値を
基準にとると、多項式の誤差成分は図中実線で示すよう
になることから、小規模のニューラルネットワークに多
項式の誤差成分と真値に関して破線で示す如き線対称な
特性を持たせることにより、図５に示すように、多項式
の誤差成分を小規模のニューラルネットワークで補正で
きることになる。図５において、一点鎖線が真値を、実
線が演算結果をそれぞれ示している。 【００１９】なお、本例では、多項式の誤差成分を小規
模のニューラルネットワークにより補正するとしたが、
その逆に、ニューラルネットワークの誤差成分を小規模
の多項式により補正することも可能である。また、小規
模のニューラルネットワークと小規模の多項式を相互に
補正することにより誤差成分を減少させることも可能で
ある。 【００２０】上述した第１実施例では、具体例として
は、印刷のＹ，Ｍ，Ｃ，Ｋの各面積率を多項式演算手段
１及び階層型ニューラルネットワーク演算手段２の各入
力値とし、この入力値をＣＩＥ‐Ｌ* ａ* ｂ* 色空間上
での座標値に変換する場合を示している。Ｙ，Ｍ，Ｃ，
Ｋの各面積率を入力することで、多項式演算手段１にお
いて、数７〜数９の２次の多項式演算により、変換出力
（Ｌp ，ａp ，ｂp ）Tが得られる。 【数７】Ｌp ＝ｕ1 ・Ｙ＋ｕ2 ・Ｍ＋ｕ3 ・Ｃ＋ｕ4 ・
Ｋ＋ｕ5 ・Ｙ2 ＋ｕ6 ・Ｍ2 ＋ｕ7 ・Ｃ2 ＋ｕ8 ・Ｋ2
＋ｕ9 ・Ｙ・Ｍ＋ｕ10・Ｍ・Ｃ＋ｕ11・Ｃ・Ｋ＋ｕ12・
Ｋ・Ｙ＋ｕ13 【数８】ａp ＝ｖ1 ・Ｙ＋ｖ2 ・Ｍ＋ｖ3 ・Ｃ＋ｖ4 ・
Ｋ＋ｖ5 ・Ｙ2 ＋ｖ6 ・Ｍ2 ＋ｖ7 ・Ｃ2 ＋ｖ8 ・Ｋ2
＋ｖ9 ・Ｙ・Ｍ＋ｖ10・Ｍ・Ｃ＋ｖ11・Ｃ・Ｋ＋ｖ12・
Ｋ・Ｙ＋ｖ13 【数９】ｂp ＝ｗ1 ・Ｙ＋ｗ2 ・Ｍ＋ｗ3 ・Ｃ＋ｗ4 ・
Ｋ＋ｗ5 ・Ｙ2 ＋ｗ6 ・Ｍ2 ＋ｗ7 ・Ｃ2 ＋ｗ8 ・Ｋ2
＋ｗ9 ・Ｙ・Ｍ＋ｗ10・Ｍ・Ｃ＋ｗ11・Ｃ・Ｋ＋ｗ12・
Ｋ・Ｙ＋ｗ13 ここで、ｕ1 〜ｕ13，ｖ1 〜ｖ13，ｗ1 〜ｗ13は適宜の
定数である。 【００２１】一方、階層型ニューラルネットワーク演算
手段２においては、入力座標値（ｘ 1 ，ｘ2 ，ｘ3 ，ｘ
4 ）T が、 【数１０】 （ｘ1 ，ｘ2 ，ｘ3 ，ｘ4 ）T ＝（Ｙ，Ｍ，Ｃ，Ｋ）T であり、神経細胞の出力値ｘ5 〜ｘ9 は、数１０〜数１
４の各式で表される。 【数１１】 ｘ5 ＝ｔａｎｈ｛Σ#a（ｗj5・ｘj ）＋θ5 ） 【数１２】 ｘ6 ＝ｔａｎｈ｛Σ#a（ｗj6・ｘj ）＋θ6 ） 【数１３】 ｘ7 ＝ｔａｎｈ｛Σ#b（ｗj7・ｘj ）＋θ7 ） 【数１４】 ｘ8 ＝ｔａｎｈ｛Σ#b（ｗj8・ｘj ）＋θ8 ） 【数１５】 ｘ9 ＝ｔａｎｈ｛Σ#b（ｗj9・ｘj ）＋θ9 ） ここで、ｘ5 ，ｘ6 の２つが中間層の出力値、ｘ7 〜ｘ
9 の３つが実際の出力値である。また、＃ａは１≦ｊ≦
４を、＃ｂは１≦ｊ≦６をそれぞれ意味し、ｗ11〜
ｗ69，θ1 〜θ9 は適宜の定数、ｔａｎｈはハイパボリ
ックタンジェント関数である。 【００２２】ｘ7 〜ｘ9 の３つが実際の出力値であるか
ら、階層型ニューラルネットワーク演算手段２の出力値
（Ｌn ，ａn ，ｂn ）T は、 【数１６】 （Ｌn ，ａn ，ｂn ）T ＝（ｘ7 ，ｘ8 ，ｘ9 ）T で表される。このようにして得られた多項式演算手段１
の出力値（Ｌp ，ａp ，ｂp ）T 及び階層型ニューラル
ネットワーク演算手段２の出力値（Ｌn ，ａn ，ｂn ）
T は、各成分ごとに３つの２入力１出力関数演算手段３
〜５に入力され、数１７〜数１９の各式に基づいて演算
されることにより、（Ｙ，Ｍ，Ｃ，Ｋ）Tを色変換した
（Ｌ* ，ａ* ，ｂ* ）T が得られる。 【数１７】Ｌ* ＝（Ｌp 3 ＋Ｌn 3 ）1/3 【数１８】ａ* ＝ａp ＋ａn 【数１９】ｂ* ＝ｂp −ｂn 【００２３】なお、上述した演算において、各定数は階
層型ニューラルネットワークを学習する方法であるバッ
クプロパゲーションと、多項式を近似する方法である最
小自乗法とを繰返し交互に行うことにより定めることが
可能である。ただし、本実施例では、各定数の定め方を
限定するものではない。 【００２４】図６は、本発明の第２実施例を示すブロッ
ク図であり、図中、図１と同等部分には同一符号を付し
て示してある。この第２実施例において、多項式演算手
段として、数１の式で示される入出力の関係を持つ１次
の多項式演算手段６を用いた構成となっており、それ以
外は第１実施例の構成と同じである。この第２実施例の
構成においては、２入力１出力関数演算手段３〜５の出
力座標値Ｙは、 【数２０】Ｙ＝ｆ｛（Ａ1 ・Ｘ＋Ｔ1 ），（ｘk+1 ，ｘ
k+2 ，ｘk+3 ）T ｝ により表される。ここで、（Ａ1 ・Ｘ＋Ｔ1 ）は１次の
多項式演算手段６により得られた色座標値であり、（ｘ
k+1 ，ｘk+2 ，ｘk+3 ）T は階層型ニューラルネットワ
ーク演算手段２により得られた色座標値である。また、
ｆは各成分ごとの２入力１出力関数を示す。 【００２５】ここで、第１実施例の場合と同様に、印刷
のＹ，Ｍ，Ｃ，Ｋの各面積率を１次の多項式演算手段６
及び階層型ニューラルネットワーク演算手段２の各入力
値とし、この入力値をＣＩＥ‐Ｌ* ａ* ｂ* 色空間上で
の座標値に変換する具体例について説明する。Ｙ，Ｍ，
Ｃ，Ｋの各面積率を入力することで、１次の多項式演算
手段６において、数２１〜数２３の２次の多項式演算に
より、変換出力（Ｌp，ａp ，ｂp ）T が得られる。 【数２１】 Ｌp ＝ｕ1 ・Ｙ＋ｕ2 ・Ｍ＋ｕ3 ・Ｃ＋ｕ4 ・Ｋ＋ｕ5 【数２２】 ａp ＝ｖ1 ・Ｙ＋ｖ2 ・Ｍ＋ｖ3 ・Ｃ＋ｖ4 ・Ｋ＋ｖ5 【数２３】 ｂp ＝ｗ1 ・Ｙ＋ｗ2 ・Ｍ＋ｗ3 ・Ｃ＋ｗ4 ・Ｋ＋ｗ5 ここで、ｕ1 〜ｕ5 ，ｖ1 〜ｖ5 ，ｗ1 〜ｗ5 は適宜の
定数である。 【００２６】一方、階層型ニューラルネットワーク演算
手段２においては、その構成が第１実施例のそれと全く
同じであることから、同じ演算結果（Ｌn ，ａn ，
ｂn ）Tが得られる。そして、多項式演算手段１の出力
値（Ｌp ，ａp ，ｂp ）T 及び階層型ニューラルネット
ワーク演算手段２の出力値（Ｌn ，ａn ，ｂn ）T を、
各成分ごとに３つの２入力１出力関数演算手段３〜５に
入力し、数１７〜数１９の各式に基づいて演算すること
により、（Ｙ，Ｍ，Ｃ，Ｋ）T を色変換した（Ｌ*，ａ
* ，ｂ* ）T が得られる。 【００２７】なお、上述した演算において、各定数はバ
ックプロパゲーションと最小自乗法とを繰返し交互に行
うことにより定めることが可能である。ただし、本実施
例では、各定数の定め方を限定するものではない。 【００２８】図７は、本発明の第３実施例を示すブロッ
ク図であり、図中、図６と同等部分には同一符号を付し
て示してある。この第３実施例では、２入力１出力関数
演算手段として２つの加算器７，８と１個の減算器９を
用いた構成となっており、それ以外は第２実施例の構成
と同じである。この第３実施例の構成において、加算器
７，８及び減算器９の出力座標値Ｙは、 【数２４】Ｙ＝（Ａ1 ・Ｘ＋Ｔ1 ）±（ｘk+1 ，
ｘk+2 ，ｘk+3 ）T により表される。ここで、（Ａ1 ・Ｘ＋Ｔ1 ）は１次の
多項式演算手段６により得られた色座標値であり、（ｘ
k+1 ，ｘk+2 ，ｘk+3 ）T は階層型ニューラルネットワ
ーク演算手段２により得られた色座標値である。また、
±は各成分ごとの加算もしくは減算を示す。 【００２９】なお、この第３実施例では、多項式演算手
段として１次の多項式演算手段６を用いたが、これに限
定されるものではない。また、２入力１出力関数演算手
段として、Ｌ* ，ａ* の各成分に加算器７，８を、ｂ*
の成分に減算器９を用いる構成としたが、加算器／減算
器の種類及びその組合せは、多項式演算手段６及び階層
型ニューラルネットワーク演算手段２での演算内容に応
じて任意に選定し得るものである。 【００３０】ここで、第２実施例の場合と同様に、印刷
のＹ，Ｍ，Ｃ，Ｋの各面積率を１次の多項式演算手段６
及び階層型ニューラルネットワーク演算手段２の各入力
値とし、この入力値をＣＩＥ‐Ｌ* ａ* ｂ* 色空間上で
の座標値に変換する具体例について説明する。多項式演
算及びニューラルネットワーク演算については、第２実
施例の場合と全く同じであることから、同じ演算結果
（Ｌp ，ａp ，ｂp ）T及び（Ｌn ，ａn ，ｂn ）T が
得られる。そして、この両演算結果を各成分ごとに加算
器７，８及び減算器９に入力し、数２５〜数２７の各式
に基づいて演算することで、（Ｙ，Ｍ，Ｃ，Ｋ）T を色
変換した（Ｌ* ，ａ* ，ｂ* ）T が得られる。 【数２５】Ｌ* ＝Ｌp ＋Ｌn 【数２６】ａ* ＝ａp ＋ａn 【数２７】ｂ* ＝−ｂp ＋ｂn 【００３１】なお、上述した演算において、各定数はバ
ックプロパゲーションと最小自乗法とを繰返し交互に行
うことにより定めることが可能である。ただし、本実施
例では、各定数の定め方を限定するものではない。 【００３２】 【発明の効果】以上説明したように、本発明によれば、
一の色空間上の色座標値を他の色空間上の色座標値に変
換する色変換装置において、多項式演算にて一の色空間
上の色座標値を演算して第１の色座標値に変換するとと
もに、階層型ニューラルネットワーク演算にて一の色空
間上の色座標値を演算して第２の色座標値に変換し、こ
の第１，第２の色座標値を各成分ごとに２入力１出力関
数にて演算し、他の色空間上の色座標値に変換する構成
としたことにより、一方の変換誤差を他方で補正できる
ので、簡単な構成にて精度の高い色変換を実現できるこ
とになる。
処理装置に用いられる色変換装置に関し、特に一の色空
間上の色座標値を他の色空間上の色座標値に変換する色
変換装置に関する。 【０００２】 【従来の技術】色座標には大別して、表色系及び装置依
存の色座標がある。表色系としては、国際照明委員会
（以下、ＣＩＥと称する）が定めたＣＩＥ‐ＲＧＢ表色
系とその数学的変換で表されるＸＹＺ表色系の如き混色
系や、ＣＩＥ‐Ｌ* ａ* ｂ* 均等色空間などがある。ま
た、装置依存の色座標には、フルカラー画像を扱う機器
に依存した赤（Ｒ），緑（Ｇ），青（Ｂ）信号や、サイ
アン（Ｃ），黄（Ｙ），マゼンタ（Ｍ），黒（Ｋ）など
の各色の濃度や面積率などの多様な色信号がある。機器
を構成する場合や通信を行うためには、ある色空間上の
色座標値から他の色空間上の色座標値に変換する必要が
ある。 【０００３】一般に、数学的変換が定義されている色空
間上での色座標変換は一意に行うことができるが、機器
に依存する色空間上の座標値に関する色変換について
は、実測値等を基に近似関数を構成することによって行
っている。また、数学的変換が定義されている色空間上
での色座標変換についても、定義に基づいた入力座標か
ら出力座標を容易に得ることができない場合についても
近似関数を構成し、変換を行うことがある。光電変換手
段による画像入力装置や、銀塩写真方式による印刷装置
などに係わる色変換では、低次の多項式でも高い精度を
得ることが可能であるため、従来の色変換では、入力座
標値の多項式により出力座標値を近似することが一般的
であった。 【０００４】しかしながら、例えば面積率変調によるフ
ルカラー画像出力装置、即ち色座標をＣＭＹＫなどの各
色の面積率に変調し印刷を行う装置では、ドットゲイ
ン、オプティカルゲイン、混色や光の散乱など、数学的
に記述が困難な現象があり、更に非線形性も高いため、
色変換にはノイゲバウアー方式を改良したもの、多項式
などが経験的に用いられていた。この色変換は、多項式
の項数を多くしても精度の点で問題があるため、特開平
５−２３３７８７号公報、特開平５−２３６２６１号公
報、特開平５−２３６２６２号公報に開示されるよう
に、この変換にニューラルネットワークを用いることも
検討されている。非線形性も高い色変換に、項数の多い
多項式を用いた場合には平均的な精度は向上するもの
の、局所的な誤差が大きくなり、色変換に破綻を来す場
合もあった。 【０００５】ニューラルネットワークの関数近似につい
ては、『船橋賢一，“ニューラル・ネットワークによる
連続写真の近似的実現について”，電子情報通信学会技
報ＭＢＥ８８‐９，１９８８』に記載されているよう
に、ニューラルネットワークの規模を大きくすることに
より精度を向上することができる。しかし、大規模のニ
ューラルネットワークは多項式に比較すると、色変換装
置の構成が非常に複雑になるという問題があった。ま
た、小規模のニューラルネットワークにより線形の関係
を記述することが容易ではないという問題もあった。 【０００６】従って、ニューラルネットワークを用いた
色変換では、ニューラルネットワークの規模を大きくす
ることによって精度を向上することができる。計算時間
が問題とならない応用については、大規模のニューラル
ネットワークをストアドプログラム方式の計算機により
実現することも可能であった。しかしながら、複写機等
においては、色変換装置は実時間あるいは高速に変換を
行う必要があり、現状のストアドプログラム方式の計算
機により実現することは現実的ではない。 【０００７】一般に、規模の大きいニューラルネットワ
ークを構成すると大規模の装置となる。また、出力装置
の特性は非線形性は高いものの、例えばＣＩＥ‐Ｌ* ａ
* ｂ * 空間からＣＭＹＫの各面積率を得る変換において
も、線形の成分と各入力の３乗成分が多い。一般に、多
項式により得られる精度と同等の精度をニューラルネッ
トワークで実現すると、装置の構成が多項式に比較して
複雑になる。規模の小さいニューラルネットワークによ
り線形や３乗の入出力特性を得ることも容易ではない。 【０００８】 【発明が解決しようとする課題】しかしながら、従来技
術では、ニューラルネットワークを用いた色変換の精度
を向上するためには、色変換装置の規模を大きくする必
要があった。また、多項式によっても高い精度を得るこ
とが困難な場合があった。すなわち、いずれの方式によ
っても、高い精度を得るためには、装置の構成が複雑に
なるという問題点があった。そこで、本発明は、ニュー
ラルネットワークにて精度を上げようとすると規模が大
きくなり、一方多項式では精度が悪いという実情に鑑
み、両者を併用することによって簡単な構成にて精度の
高い色変換を実現できる色変換装置を提供することを目
的とする。 【０００９】 【課題を解決するための手段】本発明は、一の色空間上
の色座標値を他の色空間上の色座標値に変換する色変換
装置において、多項式演算と階層型ニューラルネットワ
ーク演算を併用することにより、多項式単独あるいは階
層型ニューラルネットワーク単独による色変換に比較し
て簡素であり、かつ精度の高い色変換を行うものであ
る。そのため、本発明による色変換装置においては、入
力された一の色空間上の色座標値を演算して第１の色座
標値を得る多項式演算手段と、入力された一の色空間上
の色座標値を演算して第２の色座標値を得る階層型ニュ
ーラルネットワーク演算手段と、第１の色座標値と第２
の色座標値とを各成分ごとに演算して他の色空間上の色
座標値を得る２入力１出力関数演算手段とを備えた構成
を採っている。 【００１０】 【作用】上記構成の色変換装置において、多項式演算手
段では、低次の多項式により色変換を行うと、誤差を含
んだ変換結果が得られる。高次の多項式を用いることに
より誤差は減少するものの、定義域全体、即ち入力色空
間の全体について精度良く近似するためには複雑な多項
式を構成する必要がある。一方、階層型ニューラルネッ
トワーク演算手段においては、必ず非線形の項を通らな
いと演算結果が得られないことから、非線形の項を近似
するのは多項式に比べて精度が高いが、多項式演算手段
に比較すると構成が複雑になる傾向がある。しかるに、
多項式演算による色座標値とニューラルネットワーク演
算による色座標値とを各成分ごとに２入力１出力関数演
算手段にて演算し、２入力１出力関数演算手段の演算結
果の誤差が少なくなるように多項式およびニューラルネ
ットワークの諸定数を相互に調整することにより、構成
簡単にして精度の高い色変換を実現できる。 【００１１】 【実施例】以下、本発明の実施例について図面を参照し
つつ詳細に説明する。なお、以下の実施例では、簡単の
ため、特に断らない限り、４次元入力３次元出力の色変
換に適用した場合について述べるが、これに限定される
ものではなく、入力次元数や出力次元数によらず適用で
きるものとする。 【００１２】図１は、本発明の第１実施例を示すブロッ
ク図である。この第１実施例による色変換装置は、４次
元の色座標値を入力とする多項式演算手段１と、４次元
の色座標値を入力とする階層型ニューラルネットワーク
演算手段２と、多項式演算手段１及び階層型ニューラル
ネットワーク演算手段２の各３次元の出力色座標値を各
成分ごとに演算する３個の２入力１出力関数演算手段３
〜５とからなり、２入力１出力関数演算手段３〜５の各
演算出力を変換値（変換色座標値）１〜３として導出す
る構成となっている。 【００１３】ここで、多項式及び階層型ニューラルネッ
トワークの各演算の一般的な概念について説明する。先
ず、多項式演算手段１において、４次元入力３次元出力
の色変換の一例として、入力座標値をＸ＝（ｘ1 ，
ｘ2 ，ｘ3 ，ｘ4 ）T 、出力座標値をＹ＝（ｙ1 ，
ｙ2 ，ｙ3 ）T としたとき、適宜の行列Ａ1 と適宜のベ
クトルＴ1 ＝（ｔ1 ，ｔ2 ，ｔ3 ）T を用いると、１次
多項式による色変換では、入出力の関係は一般に、 【数１】Ｙ＝Ａ1 ・Ｘ＋Ｔ1 により表される。Ｐを入力座標値の適宜のべき乗項やそ
の適宜の積の有限の組合せとする適宜の関数とし、適宜
の行列Ａ2 と適宜のベクトルＴ2 ＝（ｔ4 ，ｔ5，
ｔ6 ）を用いると、一般的な多項式では、入出力の関係
は、 【数２】Ｙ＝Ａ2 ・Ｐ（Ｘ）＋Ｔ2 により表される。 【００１４】ここで、変換誤差σをＸに対応する所望の
変換値Ｙ′と適宜の距離関数Δを用いて表わすと、 【数３】σ＝Δ（Ｙ，Ｙ′） となる。所望の変換値Ｙ′としては実測値や設定値など
があり、また距離関数Δの一例としては、ΔＬ* ａ* ｂ
* 色差などがある。なお、４次元以上の色座標について
は、一般的な距離として定義できない場合もあるが、所
望の座標値とのユークリッド距離として考えれば距離と
して定義することも可能であり、従って変換誤差σを比
較することができる。 【００１５】一方、階層型ニューラルネットワーク演算
手段２において、４次元入力３次元出力の色変換の一例
として、入力座標値をＸ＝（ｘ1 ，ｘ2 ，ｘ3 ，ｘ4 ）
T 、出力座標値をＹ＝（ｙ1 ，ｙ2 ，ｙ3 ）T とする
と、適宜の神経細胞の出力値をｘi （ｉ＞４）とする
と、神経細胞の出力値をｘi は、 【数４】ｘi ＝ｇi ｛Σ# （ｗji・ｘj ）＋θi ｝ で与えられ、入出力の関係は、 【数５】（ｙ1 ，ｙ2 ，ｙ3 ）T ＝（ｘk+1 ，ｘk+2 ，
ｘk+3 ）T により表される。ここで、＃は１≦ｊ＜ｉを意味し、各
ｗjiは細胞ｊから細胞ｉのシナプス結合強度、θi は細
胞ｉの閾値として知られる定数、ｇi は細胞ｉの出力関
数として知られる関数、ｋはニューラルネットワークの
細胞数を示す適宜の自然数である。通常は、ｇi はｉに
よらず単調な飽和関数が用いられることが多く、また、
実際に装置を構成する場合にはディジタル計算回路によ
り実現の容易な関数、即ち離散的な関数を用いる場合も
ある。関数ｇi が微分可能である場合、各ｗji，θi を
得る一手法としては、バックプロパゲーション法が知ら
れている。 【００１６】こうして得られた多項式演算手段１の出力
色座標値（第１の色座標値）と、階層型ニューラルネッ
トワーク演算手段２の出力色座標値（第２の色座標値）
は、各成分ごとに３つの２入力１出力関数演算手段３，
４，５にて演算される。その結果、出力座標値Ｙが得ら
れる。この出力座標値Ｙは、 【数６】Ｙ＝ｆ｛（Ａ2 ・Ｐ（Ｘ）＋Ｔ2 ），
（ｘk+1 ，ｘk+2 ，ｘk+3 ）｝ により表される。ここで、（Ａ2 ・Ｐ（Ｘ）＋Ｔ2 ）は
多項式演算手段１により得られた色座標値であり、（ｘ
k+1 ，ｘk+2 ，ｘk+3 ）T は階層型ニューラルネットワ
ーク演算手段２により得られた色座標値である。また、
ｆは各成分ごとの２入力１出力関数を示す。 【００１７】ここで、多項式演算手段１において、図２
に一点鎖線で示す関数を低次の多項式により色変換する
と、一例として図中実線で示した誤差を含んだ変換結果
が得られる。高次の多項式を用いることにより誤差は減
少するものの、定義域全体、即ち入力色空間の全体につ
いて精度良く近似するためには複雑な多項式を構成する
必要がある。一方、階層型ニューラルネットワーク演算
手段２において、図３に一点鎖線で示す関数をニューラ
ルネットワークにより色変換すると、一例として図中実
線で示した誤差を含んだ変換結果が得られる。ニューラ
ルネットワークの規模により、規模が大きいニューラル
ネットワークでは図中破線で示す如く精度を上げること
も可能であるが、規模が小さいニューラルネットワーク
では精度の点で問題がある。また、多項式演算手段１に
比較すると、構成が複雑になる傾向がある。 【００１８】しかるに、多項式演算による色座標値とニ
ューラルネットワーク演算による色座標値とを各々の座
標軸で、即ち各成分ごとに２入力１出力関数演算手段３
〜５において演算することにより、多項式の誤差成分を
小規模のニューラルネットワークにより補正することが
できる。すなわち、図４において、多項式演算の真値を
基準にとると、多項式の誤差成分は図中実線で示すよう
になることから、小規模のニューラルネットワークに多
項式の誤差成分と真値に関して破線で示す如き線対称な
特性を持たせることにより、図５に示すように、多項式
の誤差成分を小規模のニューラルネットワークで補正で
きることになる。図５において、一点鎖線が真値を、実
線が演算結果をそれぞれ示している。 【００１９】なお、本例では、多項式の誤差成分を小規
模のニューラルネットワークにより補正するとしたが、
その逆に、ニューラルネットワークの誤差成分を小規模
の多項式により補正することも可能である。また、小規
模のニューラルネットワークと小規模の多項式を相互に
補正することにより誤差成分を減少させることも可能で
ある。 【００２０】上述した第１実施例では、具体例として
は、印刷のＹ，Ｍ，Ｃ，Ｋの各面積率を多項式演算手段
１及び階層型ニューラルネットワーク演算手段２の各入
力値とし、この入力値をＣＩＥ‐Ｌ* ａ* ｂ* 色空間上
での座標値に変換する場合を示している。Ｙ，Ｍ，Ｃ，
Ｋの各面積率を入力することで、多項式演算手段１にお
いて、数７〜数９の２次の多項式演算により、変換出力
（Ｌp ，ａp ，ｂp ）Tが得られる。 【数７】Ｌp ＝ｕ1 ・Ｙ＋ｕ2 ・Ｍ＋ｕ3 ・Ｃ＋ｕ4 ・
Ｋ＋ｕ5 ・Ｙ2 ＋ｕ6 ・Ｍ2 ＋ｕ7 ・Ｃ2 ＋ｕ8 ・Ｋ2
＋ｕ9 ・Ｙ・Ｍ＋ｕ10・Ｍ・Ｃ＋ｕ11・Ｃ・Ｋ＋ｕ12・
Ｋ・Ｙ＋ｕ13 【数８】ａp ＝ｖ1 ・Ｙ＋ｖ2 ・Ｍ＋ｖ3 ・Ｃ＋ｖ4 ・
Ｋ＋ｖ5 ・Ｙ2 ＋ｖ6 ・Ｍ2 ＋ｖ7 ・Ｃ2 ＋ｖ8 ・Ｋ2
＋ｖ9 ・Ｙ・Ｍ＋ｖ10・Ｍ・Ｃ＋ｖ11・Ｃ・Ｋ＋ｖ12・
Ｋ・Ｙ＋ｖ13 【数９】ｂp ＝ｗ1 ・Ｙ＋ｗ2 ・Ｍ＋ｗ3 ・Ｃ＋ｗ4 ・
Ｋ＋ｗ5 ・Ｙ2 ＋ｗ6 ・Ｍ2 ＋ｗ7 ・Ｃ2 ＋ｗ8 ・Ｋ2
＋ｗ9 ・Ｙ・Ｍ＋ｗ10・Ｍ・Ｃ＋ｗ11・Ｃ・Ｋ＋ｗ12・
Ｋ・Ｙ＋ｗ13 ここで、ｕ1 〜ｕ13，ｖ1 〜ｖ13，ｗ1 〜ｗ13は適宜の
定数である。 【００２１】一方、階層型ニューラルネットワーク演算
手段２においては、入力座標値（ｘ 1 ，ｘ2 ，ｘ3 ，ｘ
4 ）T が、 【数１０】 （ｘ1 ，ｘ2 ，ｘ3 ，ｘ4 ）T ＝（Ｙ，Ｍ，Ｃ，Ｋ）T であり、神経細胞の出力値ｘ5 〜ｘ9 は、数１０〜数１
４の各式で表される。 【数１１】 ｘ5 ＝ｔａｎｈ｛Σ#a（ｗj5・ｘj ）＋θ5 ） 【数１２】 ｘ6 ＝ｔａｎｈ｛Σ#a（ｗj6・ｘj ）＋θ6 ） 【数１３】 ｘ7 ＝ｔａｎｈ｛Σ#b（ｗj7・ｘj ）＋θ7 ） 【数１４】 ｘ8 ＝ｔａｎｈ｛Σ#b（ｗj8・ｘj ）＋θ8 ） 【数１５】 ｘ9 ＝ｔａｎｈ｛Σ#b（ｗj9・ｘj ）＋θ9 ） ここで、ｘ5 ，ｘ6 の２つが中間層の出力値、ｘ7 〜ｘ
9 の３つが実際の出力値である。また、＃ａは１≦ｊ≦
４を、＃ｂは１≦ｊ≦６をそれぞれ意味し、ｗ11〜
ｗ69，θ1 〜θ9 は適宜の定数、ｔａｎｈはハイパボリ
ックタンジェント関数である。 【００２２】ｘ7 〜ｘ9 の３つが実際の出力値であるか
ら、階層型ニューラルネットワーク演算手段２の出力値
（Ｌn ，ａn ，ｂn ）T は、 【数１６】 （Ｌn ，ａn ，ｂn ）T ＝（ｘ7 ，ｘ8 ，ｘ9 ）T で表される。このようにして得られた多項式演算手段１
の出力値（Ｌp ，ａp ，ｂp ）T 及び階層型ニューラル
ネットワーク演算手段２の出力値（Ｌn ，ａn ，ｂn ）
T は、各成分ごとに３つの２入力１出力関数演算手段３
〜５に入力され、数１７〜数１９の各式に基づいて演算
されることにより、（Ｙ，Ｍ，Ｃ，Ｋ）Tを色変換した
（Ｌ* ，ａ* ，ｂ* ）T が得られる。 【数１７】Ｌ* ＝（Ｌp 3 ＋Ｌn 3 ）1/3 【数１８】ａ* ＝ａp ＋ａn 【数１９】ｂ* ＝ｂp −ｂn 【００２３】なお、上述した演算において、各定数は階
層型ニューラルネットワークを学習する方法であるバッ
クプロパゲーションと、多項式を近似する方法である最
小自乗法とを繰返し交互に行うことにより定めることが
可能である。ただし、本実施例では、各定数の定め方を
限定するものではない。 【００２４】図６は、本発明の第２実施例を示すブロッ
ク図であり、図中、図１と同等部分には同一符号を付し
て示してある。この第２実施例において、多項式演算手
段として、数１の式で示される入出力の関係を持つ１次
の多項式演算手段６を用いた構成となっており、それ以
外は第１実施例の構成と同じである。この第２実施例の
構成においては、２入力１出力関数演算手段３〜５の出
力座標値Ｙは、 【数２０】Ｙ＝ｆ｛（Ａ1 ・Ｘ＋Ｔ1 ），（ｘk+1 ，ｘ
k+2 ，ｘk+3 ）T ｝ により表される。ここで、（Ａ1 ・Ｘ＋Ｔ1 ）は１次の
多項式演算手段６により得られた色座標値であり、（ｘ
k+1 ，ｘk+2 ，ｘk+3 ）T は階層型ニューラルネットワ
ーク演算手段２により得られた色座標値である。また、
ｆは各成分ごとの２入力１出力関数を示す。 【００２５】ここで、第１実施例の場合と同様に、印刷
のＹ，Ｍ，Ｃ，Ｋの各面積率を１次の多項式演算手段６
及び階層型ニューラルネットワーク演算手段２の各入力
値とし、この入力値をＣＩＥ‐Ｌ* ａ* ｂ* 色空間上で
の座標値に変換する具体例について説明する。Ｙ，Ｍ，
Ｃ，Ｋの各面積率を入力することで、１次の多項式演算
手段６において、数２１〜数２３の２次の多項式演算に
より、変換出力（Ｌp，ａp ，ｂp ）T が得られる。 【数２１】 Ｌp ＝ｕ1 ・Ｙ＋ｕ2 ・Ｍ＋ｕ3 ・Ｃ＋ｕ4 ・Ｋ＋ｕ5 【数２２】 ａp ＝ｖ1 ・Ｙ＋ｖ2 ・Ｍ＋ｖ3 ・Ｃ＋ｖ4 ・Ｋ＋ｖ5 【数２３】 ｂp ＝ｗ1 ・Ｙ＋ｗ2 ・Ｍ＋ｗ3 ・Ｃ＋ｗ4 ・Ｋ＋ｗ5 ここで、ｕ1 〜ｕ5 ，ｖ1 〜ｖ5 ，ｗ1 〜ｗ5 は適宜の
定数である。 【００２６】一方、階層型ニューラルネットワーク演算
手段２においては、その構成が第１実施例のそれと全く
同じであることから、同じ演算結果（Ｌn ，ａn ，
ｂn ）Tが得られる。そして、多項式演算手段１の出力
値（Ｌp ，ａp ，ｂp ）T 及び階層型ニューラルネット
ワーク演算手段２の出力値（Ｌn ，ａn ，ｂn ）T を、
各成分ごとに３つの２入力１出力関数演算手段３〜５に
入力し、数１７〜数１９の各式に基づいて演算すること
により、（Ｙ，Ｍ，Ｃ，Ｋ）T を色変換した（Ｌ*，ａ
* ，ｂ* ）T が得られる。 【００２７】なお、上述した演算において、各定数はバ
ックプロパゲーションと最小自乗法とを繰返し交互に行
うことにより定めることが可能である。ただし、本実施
例では、各定数の定め方を限定するものではない。 【００２８】図７は、本発明の第３実施例を示すブロッ
ク図であり、図中、図６と同等部分には同一符号を付し
て示してある。この第３実施例では、２入力１出力関数
演算手段として２つの加算器７，８と１個の減算器９を
用いた構成となっており、それ以外は第２実施例の構成
と同じである。この第３実施例の構成において、加算器
７，８及び減算器９の出力座標値Ｙは、 【数２４】Ｙ＝（Ａ1 ・Ｘ＋Ｔ1 ）±（ｘk+1 ，
ｘk+2 ，ｘk+3 ）T により表される。ここで、（Ａ1 ・Ｘ＋Ｔ1 ）は１次の
多項式演算手段６により得られた色座標値であり、（ｘ
k+1 ，ｘk+2 ，ｘk+3 ）T は階層型ニューラルネットワ
ーク演算手段２により得られた色座標値である。また、
±は各成分ごとの加算もしくは減算を示す。 【００２９】なお、この第３実施例では、多項式演算手
段として１次の多項式演算手段６を用いたが、これに限
定されるものではない。また、２入力１出力関数演算手
段として、Ｌ* ，ａ* の各成分に加算器７，８を、ｂ*
の成分に減算器９を用いる構成としたが、加算器／減算
器の種類及びその組合せは、多項式演算手段６及び階層
型ニューラルネットワーク演算手段２での演算内容に応
じて任意に選定し得るものである。 【００３０】ここで、第２実施例の場合と同様に、印刷
のＹ，Ｍ，Ｃ，Ｋの各面積率を１次の多項式演算手段６
及び階層型ニューラルネットワーク演算手段２の各入力
値とし、この入力値をＣＩＥ‐Ｌ* ａ* ｂ* 色空間上で
の座標値に変換する具体例について説明する。多項式演
算及びニューラルネットワーク演算については、第２実
施例の場合と全く同じであることから、同じ演算結果
（Ｌp ，ａp ，ｂp ）T及び（Ｌn ，ａn ，ｂn ）T が
得られる。そして、この両演算結果を各成分ごとに加算
器７，８及び減算器９に入力し、数２５〜数２７の各式
に基づいて演算することで、（Ｙ，Ｍ，Ｃ，Ｋ）T を色
変換した（Ｌ* ，ａ* ，ｂ* ）T が得られる。 【数２５】Ｌ* ＝Ｌp ＋Ｌn 【数２６】ａ* ＝ａp ＋ａn 【数２７】ｂ* ＝−ｂp ＋ｂn 【００３１】なお、上述した演算において、各定数はバ
ックプロパゲーションと最小自乗法とを繰返し交互に行
うことにより定めることが可能である。ただし、本実施
例では、各定数の定め方を限定するものではない。 【００３２】 【発明の効果】以上説明したように、本発明によれば、
一の色空間上の色座標値を他の色空間上の色座標値に変
換する色変換装置において、多項式演算にて一の色空間
上の色座標値を演算して第１の色座標値に変換するとと
もに、階層型ニューラルネットワーク演算にて一の色空
間上の色座標値を演算して第２の色座標値に変換し、こ
の第１，第２の色座標値を各成分ごとに２入力１出力関
数にて演算し、他の色空間上の色座標値に変換する構成
としたことにより、一方の変換誤差を他方で補正できる
ので、簡単な構成にて精度の高い色変換を実現できるこ
とになる。
【図面の簡単な説明】
【図１】 本発明の第１実施例を示すブロック図であ
る。 【図２】 多項式演算手段の入出力特性図である。 【図３】 階層型ニューラルネットワーク演算手段の入
出力特性図である。 【図４】 多項式演算の誤差成分の補正の説明図であ
る。 【図５】 真値と演算結果の関係を示す特性図である。 【図６】 本発明の第２実施例を示すブロック図であ
る。 【図７】 本発明の第３実施例を示すブロック図であ
る。 【符号の説明】 １ 多項式演算手段 ２ 階層型ニューラルネットワーク演算手段 ３，４，５ ２入力１出力関数演算手段 ６ １次の多項式演算手段 ７，８ 加算器 ９ 減算器
る。 【図２】 多項式演算手段の入出力特性図である。 【図３】 階層型ニューラルネットワーク演算手段の入
出力特性図である。 【図４】 多項式演算の誤差成分の補正の説明図であ
る。 【図５】 真値と演算結果の関係を示す特性図である。 【図６】 本発明の第２実施例を示すブロック図であ
る。 【図７】 本発明の第３実施例を示すブロック図であ
る。 【符号の説明】 １ 多項式演算手段 ２ 階層型ニューラルネットワーク演算手段 ３，４，５ ２入力１出力関数演算手段 ６ １次の多項式演算手段 ７，８ 加算器 ９ 減算器
─────────────────────────────────────────────────────
フロントページの続き
(58)調査した分野(Int.Cl.7，ＤＢ名)
H04N 1/46 - 1/48
H04N 1/52
H04N 1/60
Claims (1)
- (57)【特許請求の範囲】 【請求項１】 一の色空間上の色座標値を他の色空間上
の色座標値に変換する色変換装置であって、 入力された前記一の色空間上の色座標値を演算して第１
の色座標値を得る多項式演算手段と、 入力された前記一の色空間上の色座標値を演算して第２
の色座標値を得る階層型ニューラルネットワーク演算手
段と、 前記第１の色座標値と前記第２の色座標値とを各成分ご
とに演算して前記他の色空間上の色座標値を得る２入力
１出力関数演算手段とを備えたことを特徴とする色変換
装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP25324894A JP3430673B2 (ja) | 1994-10-19 | 1994-10-19 | 色変換装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP25324894A JP3430673B2 (ja) | 1994-10-19 | 1994-10-19 | 色変換装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH08115407A JPH08115407A (ja) | 1996-05-07 |
| JP3430673B2 true JP3430673B2 (ja) | 2003-07-28 |
Family
ID=17248631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP25324894A Expired - Fee Related JP3430673B2 (ja) | 1994-10-19 | 1994-10-19 | 色変換装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3430673B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3411847B2 (ja) * | 1999-03-01 | 2003-06-03 | 日本電信電話株式会社 | 入力機器用色再現方法及び装置、並びにこの方法のプログラムを記録した記録媒体 |
| JP6784162B2 (ja) * | 2016-12-13 | 2020-11-11 | 富士通株式会社 | 情報処理装置、プログラム及び情報処理方法 |
-
1994
- 1994-10-19 JP JP25324894A patent/JP3430673B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH08115407A (ja) | 1996-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3488729B2 (ja) | カラー画像処理方法および装置 | |
| US8131070B2 (en) | Color processing apparatus, color processing method, computer readable medium and computer data signal | |
| JP3083067B2 (ja) | 色変換係数決定方法及び装置 | |
| JPH0983824A (ja) | 色修正方法 | |
| JPH11205620A (ja) | ３次元ルックアップテーブルの補正法およびこれを行う画像処理装置ならびにこれを備えたデジタルカラープリンタ | |
| JP2899461B2 (ja) | 色信号補間方法、色信号補間装置および色補正方法 | |
| JP3430673B2 (ja) | 色変換装置 | |
| JP2554366B2 (ja) | カラーパッチを用いた色再現特性の推定方法 | |
| JP2000253270A (ja) | 色変換テーブル作成装置、作成方法、色変換テーブル作成プログラムを記録した記録媒体、および、色変換装置 | |
| JPH08116460A (ja) | カラーマスキングパラメータ決定装置 | |
| JP2002010095A (ja) | カラー画像処理方法及びカラー画像処理装置 | |
| FR2772492A1 (fr) | Interpolation radiale dissymetrique et radiale elaguee dissymetrique | |
| GB2332328A (en) | Pruned and non-pruned radial interpolation for colour space conversion | |
| JPH10117294A (ja) | 色変換方法 | |
| JP3424853B2 (ja) | カラー画像の色変換方法及び装置 | |
| JPH11238127A (ja) | 刈り込み放射状補間および刈り込み四面体補間の共用補間回路 | |
| KR0120562B1 (ko) | 룩업 테이블 생성방법 | |
| JP2001008045A (ja) | 色信号処理装置 | |
| JP3430178B2 (ja) | 画像処理システムの色補正方法及び装置 | |
| JPH11220630A (ja) | ３次元ルックアップテーブルの作成法およびこれを行う画像処理装置ならびにこれを備えたデジタルカラープリンタ | |
| JP2745717B2 (ja) | カラー画像形成装置 | |
| Jennings et al. | Error analysis of look-up-table implementations in device-independent color imaging systems | |
| JP4432750B2 (ja) | 色変換係数作成装置、およびプログラム | |
| Lee et al. | Implementation of real time color gamut mapping using neural network | |
| JPH1023282A (ja) | 色情報変換方法及び装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090523 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100523 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110523 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110523 Year of fee payment: 8 |
|
| LAPS | Cancellation because of no payment of annual fees |