JP4491988B2 - Color image processing method and color image processing apparatus - Google Patents

Description

【０００９】
【数２】

【００１０】
ここで、Mijは３×３のマトリクスであり、指示信号２の有無に応じて最小二乗推定手段２３０で次の様にして求められる。
【００１１】
まず、学習色票生成手段３では、色修正マトリクス推定の指示を表す指示信号２に従い、入力色域を広くカバーする入力色票データセットPi＝(C,M,Y)iを作成し、この色票データからなる色票画像をプリンタから出力する。次に、出力された色票を分光測色計で測色し、各色票データセットに対応する三刺激値Ti＝(X,Y,Z)iが取得され、このPiとTiの組み合わせが学習色票データセット４に保存される。図２４は、その入力色票データセットのYiと読取色票データセットのTiの対応表例を示す。そして、データ変換手段５がこの学習色票データセット４からの三刺激値をRGB信号を経て色分解信号Di=(Dr,Dg,Db)iに変換する。この読取色票データセットより得られた三刺激値のデータセットDiを３×３のマトリクスMで変換して、入力色票データセットPｉに最も近似変換するマトリクスM#bestを最小二乗推定手段２３０が求める。この場合、マトリクス係数M#ijは、（２）式によって分光計出力Ti＝(X,Y,Z)iから変換した変換色票データセットの値Poi＝(Co,Mo,Yo)iと入力色票データセットの値Pi＝(C,M,Y)iとの誤差の二乗和が最小になるように最小二乗法で決める。
【００１２】
最小二乗法の条件は、各マトリクス係数M[i,j]を変数として誤差が最小になるマトリクス係数M[i,j]を求め、以下の（数３）に示すように、各誤差の二乗和をマトリクス係数M[i,j]の各値を変数とした偏微分係数が０とすることにより求めることができる。ここでnnnはデータセットの数を表す。
【００１３】
【数３】

【００１４】
求まったマトリクス係数M[i,j]は色修正係数データベース２３１に保持され、この２３１の情報を用いて、色修正手段２３２において前記（数１）、（数２）に示した色修正器の変換特性が求められる。
【００１５】
このように従来例は、変換パラメータを算出する色票の全体組み合わせに対して誤差が最小になる様に最小二乗法で線形の変換マトリクスが最適化されるが、色修正特性がモデル化した線形マトリクス関係からずれる場合、一部の色領域で部分的な誤差が発生するという問題を抱えている。この改善として、下記（数４）のように２次項を持つ非線形マスキング近似を行う場合がよく用いられる。この場合、色修正精度は線形マスキング近似よりも向上するが、サンプル数が少ない場合、そのサンプルより微妙にずれた色を修正する場合に、大きく色ずれが発生しやすいという問題がある。
【００１６】
【数４】

【００１７】
また、色修正手段２３２では、高次の色修正マトリクスM[i,j]の演算負荷を低減するために、色修正係数データベース２３１内の代わりに高次マトリクス演算を多次元テーブル化した３次元ルックアップテーブル（以下「3D−LUT」という）を用いて、色修正処理の高速化を図る技術も用いられる。3D-LUTによる色修正器の詳しい内容と動作については特開平７−９９５８６号公報や特開平７−９９５８７号公報に記載されているが、入力された画像データ（RGBデータ等）を上位ビットと下位ビットに分離し、その上位ビットをもとに3D-LUTから入力に近い複数のテーブルデータを選択する。そして、下位ビットによりこの選択された複数のテーブルデータを補間演算して、入力RGB値に対応した色修正出力CMY値を出力するのである。求まった係数M[i,j]を用いて前記（数４）の入出力関係を３次元テーブル化することで３次元色変換テーブルを作成する。従来例２は、マトリクス関係を高次化することで線形補正の欠点を改良し、さらに高次マトリクス演算の演算負荷を低減するために、高次マトリクス演算を多次元テーブル化したものである。
【００１８】
また、さらに２３１の色修正係数データベースの代わりに４の学習色票データセットを１１が用いて色修正を行う方法もある。この時、すべての入力に対するプリント値をプリントされた色票の測色値から三角柱補間により予測計算し、このすべての入力に対する予測測色値との対応表の探索により、目的とするプリント色を与える色修正値を求めるものであり１９９４年カラーフォーラム年次大会予稿（ｐ５５〜５８）に報告されている。また、色空間内で隣接する４つの色票で囲まれた三角錐内での補間演算により任意のプリント色を出力させるための色修正テーブルの作成方法が特開平６−２２１２４号公報に記載されている。この時は、モデル化が困難な色修正の場合でも色修正テーブル値を直接求めることができるが、多数のデータセット対応表を作成する必要がある。
【００１９】
【発明が解決しようとする課題】
このように、色修正方法の従来技術は、色再現性に関し一定の効果を有するが、それぞれが課題を残している。本発明はかかる点に鑑みてなされたものであり、高精度な色修正を容易かつ少ないサンプル色票で作成するとともにサンプルされた色票以外の色に対しても高精度な色修正を実現できるカラー画像処理方法及び色変換方法を提供することを目的とする。
【００２０】
【課題を解決するための手段】
上記課題を解決するために本発明の第１のカラー画像処理方式及びカラー画像処理装置は、具体的には、入力色票データと対応する読取色票データ間の写像関係を実現するのに階層型ニューラルネットワークモデルを適用し、そのモデル内の調整パラメータの設定（より好ましくは、最適化）に複数用意された調整パラメータベクトル集団内の各ベクトルに対して記号的組替え処理を行い、そのベクトルの設定（より好ましくは、最適化）を行う遺伝的アルゴリズムを適用したものである。
【００２１】
上記課題を解決するために本発明の第２のカラー画像処理方式及びカラー画像処理装置は、具体的には、入力色票データと対応する読取色票データ間の写像関係を実現するのに入力色票データセットの占める空間内に局所的に配置された複数の基底関数の線形結合として前記写像関係を近似するラジアル基底関数ネットワークを用いて関数近似を行い、そのモデル内の調整パラメータの設定（より好ましくは、最適化）に複数の調整パラメータベクトル集団内の各候補に対して記号的組替え処理を行う遺伝的アルゴリズムを適用するようにしたものである。
【００２２】
上記課題を解決するために本発明の第３のカラー画像処理方式及びカラー画像処理装置は、具体的には、入力色票データと対応する読取色票データ間の写像関係を実現するのに入力色票データセットの占める空間を構成する成分別に定義された基底関数を用いて成分別適合度を導出し、その各成分別適合度より対応するルールのルール適合度を算出し、各ルール適合度の線形結合として前記写像関係を近似するニューロファジィモデルを用い、そのモデル内の調整パラメータの設定（より好ましくは、最適化）に複数の調整パラメータベクトル集団内の各候補に対して記号的組替え処理を行う遺伝的アルゴリズムを適用したものである。
【００２３】
上記課題を解決するために本発明の第４のカラー画像処理方式及びカラー画像処理装置は、具体的には、入力色票データと対応する読取色票データ間の写像関係を実現するのに、本発明の第２の方式および装置と同様に入力色票データセットの占める空間内に局所的に配置された複数の基底関数の線形結合として前記写像関係を近似するラジアル基底関数ネットワークを用い、そのモデル内の調整パラメータの設定（より好ましくは、最適化）に遺伝的アルゴリズムを適用した。その際、入力色票データセットの占める空間内に局所的に配置された基底関数の個数を適応的に変化させることでより効率的に、入力色票データと対応する読取色票データ間の写像関係を実現するようにしたものである。
【００２４】
【発明の実施の形態】
以下、本発明の実施の形態について図面を参照しながら説明する。
【００２５】
図１は本発明の第１の実施の形態であるカラー画像処理装置の構成図を、図７は本発明の第２の実施の形態であるカラー画像処理装置の構成図を、図１３は本発明の第３の実施の形態であるカラー画像処理装置の構成図を、図１８は本発明の第４の実施の形態であるカラー画像処理装置の構成図を表す。そして、図８は本発明の第２の実施の形態であるカラー画像処理装置における第２初期設定手段及び第２出力推定手段の構成図を、図９は本発明の第２の実施の形態であるカラー画像処理装置における初期代表色選択手段の構成図を表し、図１４は本発明の第３の実施の形態であるカラー画像処理装置における第３初期設定手段及び第３出力推定手段の構成図を、図１５は本発明の第３の実施の形態であるカラー画像処理装置における第２初期代表色選択手段の構成図を表し、図１９は本発明の第４の実施の形態であるカラー画像処理装置における第４初期設定手段及び第４出力推定手段の構成図を表す。
【００２６】
また、図２は本発明の第１の実施の形態であるカラー画像処理装置の処理のフローチャート図を、図１０は本発明の第２の実施の形態であるカラー画像処理装置の処理のフローチャート図を、図１６は本発明の第３の実施の形態であるカラー画像処理装置の処理のフローチャート図を、図２０は本発明の第４の実施の形態であるカラー画像処理装置の全体の処理のフローチャート図を表す。そして、図１１は本発明の第２の実施の形態であるカラー画像処理装置での初期代表色選択手段における処理のフローチャート図を示す。なお、構成図の各図において、同一部には同じ番号を付している。
【００２７】
（第１の実施の形態）
まず、本発明の第１の実施の形態であるカラー画像処理装置について説明する。図１において、１は本装置に入力されたカラー入力データであり、値としてはどの表色系を用いることも可能であるが、ここではｓＲＧＢ系で扱うこととする。２は、本装置に、学習色票と対応する読取色票間の写像関係の近似関数推定を行うための指示信号である。３は２に従い、出力色範囲の全域を均等にして学習色票データセットを作成する学習色票生成手段であり、ここで生成されたデータを対象とするプリンタで出力し、その出力サンプルを分光測色計等で測ることで出力された際の色情報データセット（読取色票データセット）が得られ、４の学習色票データセットにおいて図２４のように、学習色票データセットと対応する読取色票データセットが一組として保持される。５は４で保持された学習色票データにおける読取色票データを色分解信号D(Dr,Dg,Db)に変換するためのデータ変換手段である。
【００２８】
６は推定すべき調整パラメータより構成される調整ベクトルvの初期候補集合Gv=[v[k]](k=1,...,n)を所定の手続きにより設定する初期設定手段であり、７は候補集合Gv内の各v[k]を使って、５で変換された各読取色票データを入力として与えた場合の推定出力データを計算する出力推定手段であり、８は７で得られた推定出力データと対応する学習色票データ間の誤差関数err[k]の勾配方向を求める勾配方向検出手段であり、９はその勾配方向に沿ってerr[k]の減少する方向に各v[k]の調整を行う勾配方向調整手段であり、１０は９で勾配方向に沿って調整されたv'[k]を使った際の推定出力と対応する学習色票データにより予め定義された評価関数に従い各調整ベクトルの評価値E[k]を計算する評価値導出手段であり、１１は評価値導出手段７で得られた評価値E[k]をもとに各v'[k]のその問題に対する適合度f[k]を計算する適合度計算手段であり、１２は適合度計算手段１０で得られた適合度をもとに各v'[k]の選択的淘汰と交叉、突然変異等の組み替え操作処理を実行する組み替え操作手段である。そして、１３はこの遺伝的アルゴリズムによる学習色票と読取色票間の写像を関数近似する際に使用された調整ベクトルの推定が予め設定された収束条件を満足した時点での最適なv#bestを使い、色修正のためのルックアップテーブルを生成、保持する色修正テーブル保存手段であり、１４はこの色修正テーブルと入力カラーデータ１をデータ変換手段５で変換して得られる色分解信号D(Dr,Dg,Db)を使って、入力データ１の色修正後のカラーデータ１５を推定出力する色修正処理手段である。
【００２９】
さらに、初期設定手段６は、初期集団内に属する調整ベクトルの要素をある範囲内の乱数により設定する初期乱数設定手段１００で構成されており、出力推定手段７は現時点における調整ベクトル集団内の各ベクトルを階層型ニューラルネットワーク（ＭＮＮ）モデルの結合係数とみなして前記学習色票データベース内の各読取色票データに対する推定出力色票データを計算するＭＮＮ型出力推定手段１０１で構成される。
【００３０】
以上のように構成された第１の実施の形態であるカラー画像処理装置の動作について説明する。まず入力されたカラーデータ１に対し、色修正推定を指示する指示信号２があるかどうかを判断する。もしない場合には、現在の色修正テーブル保存手段１３内の色修正テーブルv#bestを使って入力データ1の色修正を行う。この際、１の入力データはデータ変換手段５で色分解信号D(Dr,DG,Db)に変換される。この変換には前記（数１）を用いる。この（数１）において、三刺激値から変換されるＲＧＢ値には多くの系があり、入力データの扱う表色系に合わせる必要がある。ここでは、入力データとしてスキャナ等の入力系やディスプレイで扱われるＲＧＢ系の１つであるｓＲＧＢ系を扱うとして進める。また、５では（数１）以外に、La*b*系や三刺激値XYZに変換することも可能である。
【００３１】
初期設定手段６から組み替え操作手段１２における処理は遺伝的アルゴリズムと呼ばれる最適解探索手法に局所探索能力を補った手法に該当する。遺伝的アルゴリズムについては、例えば”Genetic Algorithms in Search, Optimization and Machine Learning”（David E. Goldberg, Addison Wesley）等の文献に記載されており、大域的探索能力に優れ、最適解探索問題の対象とする評価関数の微分情報が得られなくとも、その評価値自身が得られれば、探索を行うことができ、人間の主観的評価しか判断基準のない対象問題へも適用が可能でありかつその有効性はこれまでに報告されている手法である。具体的には次のように処理が進められる。その際、読取色票データから学習色票データへの写像を図３で表されるような３個の入力ユニット、m個の中間ユニット、３個の出力ユニットを持つ階層型ニューラルネットワーク（ＭＮＮ）モデルで近似することとした。これは、ニューラルネットワークの持つなめらかな関数近似能力や汎化能力により高精度な色修正を実現することを狙ったものである。これまでに色修正にＭＮＮモデルを適用する手法について報告されている。しかし、ＭＮＮは任意関数の近似能力は数学的に保証されているが、評価関数の勾配情報を利用するため、局所的最適解（ローカルミニマム）や評価関数がなだらかな領域では学習速度が非常に遅い等の問題が指摘されている。本発明では、このＭＮＮを構成する調整パラメータの最適化に遺伝的アルゴリズムの大域的探索能力を適用することで色修正テーブル作成の効率化を図ったものである。
【００３２】
《ステップ１》まず、図３におけるw[4,1]からw[m+3,m]までの調整パラメータ（結合係数）により構成される6mの要素をもつ調整ベクトルv[k]を元として、n個の元からなる集合Gvを考える。この調整ベクトルv[k]の各要素v[k]#i(i=1,...,6m)は、生物との関連から遺伝子と呼ばれ、調整ベクトルv[k]は染色体と呼ばれる。遺伝的アルゴリズムを用いる際、まず最初にこの調整ベクトルの初期集合Gvを適当に作る処理を初期設定手段６が行う。
【００３３】
６において、染色体の設定方法として様々な方法が考えられるが、ここでは図４のように各結合係数をそのままならべた実数コーディング手法を用いて調整ベクトルの染色体表記を行うこととした。しかし、各結合係数を２進数表示してその２進数を並べるバイナリーコーディング手法も扱うことはできる。
【００３４】
６を構成する初期乱数設定手段１００では、一様乱数により-1から1の領域内よりランダムに実数を6m個選択することで１つの初期調整ベクトルvが設定される。これを予め設定された染色体集合数L個用意することで初期調整ベクトル集合Gv=[v[k]](k=1,...,n)が設定される。この初期調整ベクトル集合Gvより最適解探索が開始されるのである。
【００３５】
《ステップ２》集合Gvの各元（染色体）より得られるＭＮＮを使って、各調整ベクトルv[k]による読取色票データTi=(X,Y,Z)iに対する推定出力Qi=(C',M',Y')iを計算する。そして、学習色票データPi=(C,M,Y)iと推定出力Qi=(C',M',Y')iの誤差関数err[k]の勾配方向del#err[k]を求め、このdel#err[k]方向に沿ってerr[k]の減少する方向に直線探索することで、各調整ベクトルv[k]の局所的探索を行う。これは、遺伝的アルゴリズムの欠点として指摘されている局所探索能力の欠如を補うためのものである。
【００３６】
《ステップ３》前ステップで得られた各調整ベクトルv'[k]の解としての良さを予め設定された評価尺度に従って評価し、調整ベクトルv'[k]の評価結果を評価値E[k]として表す。ここで、予め設定された評価尺度のことを評価関数（fitness関数）と呼ぶ。この処理を評価値導出手段１０が行う。この評価関数E[k]として多くのものが考えられるが、下記（数５）のように、nnn個の学習色票データセットPi=(C,M,Y)iと読取色票データセットTi=(X,Y,Z)iより得られた色分解信号Di(Dr,Dg,Db)iを各v'[k]を使って求めた推定出力データセットQi=(C',M',Y')iの誤差の二乗和に各調整パラメータの絶対値の総和にある定数をかけた値を加えたものを評価値E[k]とする。これは、ＭＮＮにおける結合係数の増大化により発生する読取色票データに含まれるノイズ変動による修正精度の低下を抑えるためのものである。
【００３７】
【数５】

【００３８】
これ以外にも学習色票データセットPi=(C,M,Y)iと各v'[k]を使って求めた推定出力データセットQi=(C',M',Y')iの二乗誤差のうちでもっとも大きい値に定数を乗算した値を上記の各調整パラメータの絶対値の総和に置き換えることも考えられる。
【００３９】
《ステップ４》適応度計算手段１１では、評価値導出手段１０で求められる評価値E[k]から、各調整ベクトルの適合性を見るために適合度が計算される。適合度f[k]を導出する関数として様々な関数が考えられるが、ここではf[k]=VV-E[k]とし、VVはE[k]より大きい正の実定数とする。こうすることにより、評価値が小さい程適合度は大きな値になるように変換することができる。適合度の小さい調整ベクトルを現在の調整ベクトル集合Gvから削除し、適合度の大きい調整ベクトルを選択的に生き残らせる。
【００４０】
《ステップ５》前記ステップ４により選択された調整ベクトル集合について、交叉や突然変異等の遺伝的な組み替え操作を施し、新しい調整ベクトル集合を作成する。なお、調整ベクトル集合に含まれる調整ベクトルの個体数は、ここでは一定としたが、増加しても減少してもよい。
【００４１】
この処理を組替え操作手段１２が行う。図５に示されるような適合度に比例する確率で調整ベクトルを選択するルーレット選択法により選択的淘汰を行う。
【００４２】
（ルーレット選択法）
(i)集合Gvに属する各調整ベクトルv'[k](k=1,...,n)の適合度f[k]、全調整ベクトルの適合度の総和Fを求める。
【００４３】
(ii)v'[k]が次世代の調整ベクトルを作り出す親として選ばれる選択確率h[k]が(a)のように求められる。この確率を調整ベクトルv'[k]に割り当てるためには例えば次のような方法が考えられる。
【００４４】
(iii)各調整ベクトルの選択範囲I[k]を[0,1]内の区間に(b)のように割り当てる。ここで、[0,1]内に一様乱数ra[k]の組RR=(ra[1],ra[2],...,ra[n])を発生させる。ra[j]∈I[k](j,k=1,...,n)を満足するnum[j]=I[k]の組Num=(num[1],num[2],...,num[n])を求めることにより、このNumに対応するn個の調整ベクトルの組が選択されることになる。
【００４５】
このようなルーレット選択法により、現在の調整ベクトル集団Gvの中の調整ベクトルv'[k]の選択を行うのである。
【００４６】
次に、このようにして得られた新しい調整ベクトル集団Gvに対して、図６で示されるような交叉処理と突然変異処理を行う。交叉は、図（ａ）に示されるように有限のシンボルで表現された調整ベクトルでの一部を他の調整ベクトルの一部と置き換えることにより新しい調整ベクトルを作り出す操作である。また、突然変異は、図（ｂ）に示されるようにある低い確率で調整ベクトル集合から選択された調整ベクトルの成分の一部を他のシンボルに変更する操作である。交叉処理は、現在の解ベクトルから大きく離れた位置における探索に相当し、突然変異は現在の調整ベクトル近傍における探索に相当する。この２つの処理を経て、遺伝的アルゴリズムでは新しい調整ベクトルの集合を作り出すのである。なお、この交叉、突然変異等の処理には様々な方法が提案されているが、本実施例では図６のような１点交叉もしくは２点を入れ替える２点交叉処理を用いる。さらに突然変異としては、交叉処理を経て得られた新しい調整ベクトル集団Gvに対して調整ベクトルを構成する各ビットが低い確率でビット反転を行う突然変異処理を実行するのである。その際、突然変異を行う確率は、調整ベクトル集団の半分と残り半分では変動させることにより、より調整ベクトルの多様性に維持することに努めた。
【００４７】
これらの遺伝的アルゴリズムによるＭＮＮの調整ベクトルの最適化処理の収束条件として繰り返し回数が許容繰り返し回数をこえていないかどうかを判断し、超えていない場合にはもう一度出力推定手段７へ移り利、勾配方向への直線探索により局所的な最適化から繰り返す。以上のような処理過程を収束条件を満足するまで繰り返し実行することにより最適なＭＮＮを構成する調整パラメータ（結合係数）の推定を行うのである。このように大域的に多くの候補を用意し、局所的最適解（ローカルミニマム）にトラップざれにくい交叉や突然変異等の記号的な組み替え操作を繰り返し行うことで、従来の最小二乗法で問題とされていた、学習色票内の矛盾があっても精度よく色修正を実行することができる。
【００４８】
また、ＭＮＮを色修正モデルに適用することで３成分のバランスをとりながら色修正の最適化を行うことが可能となる。従来例で説明したように最小二乗法の場合、C、M、Yの３成分独立に２乗誤差を求め、各々に寄与する色修正マトリクス成分に対する偏分が０となるようにして色修正マトリクス係数を独立に求めるため、そのサンプルより微妙にずれた色を修正する場合に、大きく色ずれが発生しやすいが、本手法のようにすることで、ＭＮＮの持つ汎化能力により未学習の色入力があっても周囲との色のバランスを保ちながら色修正を行うことができる。そして、この遺伝的アルゴリズムにより最適化されたＭＮＮを使って、色修正テーブルを作成し保持する役目を１３の色修正テーブル保持手段が請け負う。そして、入力データ１をこの１３で保持された色修正テーブルを用いて修正することで修正後のカラーデータ１５が出力される。このように、色修正テーブル化をすることで、ＭＮＮで関数近似する際の演算負荷を低減させることができるとともに、従来良く使用されている最小二乗法で得られた色修正係数を使った高次マトリクス演算を多次元テーブル化した３次元ルックアップテーブルを本発明で得られた色修正テーブルに置き換えることで、従来の手法のような色空間内で隣接する４つの色票で囲まれた三角錐内での補間演算をそのまま適用することも可能となる。
【００４９】
なお、これらの処理は本発明の第１の実施の形態であるカラー画像処理方法に従いコンピュータ等に使用される中央演算処理装置（ＣＰＵ）及びデジタルシグナルプロセッサ（ＤＳＰ）等を使ったソフトウェア処理でも同様に実現することができる。
【００５０】
（第２の実施の形態）
次に、本発明の第２の実施の形態であるカラー画像処理装置について説明する。
【００５１】
図７において、７０はラジアル基底関数ネットワーク（ＲＢＦ）モデルによりnnn個の学習色票データセットPi=(C,M,Y)iと読取色票データセットTi=(X,Y,Z)i間の写像関係を近似する際の調整パラメータより構成される調整ベクトルの初期集合Gvを設定する第２初期設定手段であり、７１は各調整ベクトルv[k]内の要素を分離して構成されるＲＢＦにより読取色票データセットTi=(X,Y,Z)iより得られるDi=(Dr,Dg,Db)iを入力した際の推定出力Qi=(C',M',Y')iを計算する第２出力推定手段である。図８のように第２初期設定手段７０は、学習色票データセット内の読取色票データセットの統計的分布をもとに入力色範囲全域を代表する色票データとその占める領域を選択する初期代表色選択手段８０と、ある範囲内の乱数により複数要素を設定する初期乱数設定手段１００と、初期代表色選択手段で得られた代表色と各代表色の領域と、初期乱数設定手段で得られた複数の要素をまとめて１つの固定数要素を持つ調整パラメータを生成する初期調整ベクトル生成手段８１より構成され、第２出力推定手段７１が現時点における調整ベクトル集団内の各ベクトルを各代表色とその代表色が占める領域、そして各代表色につながる結合係数に分離させる要素分離手段８２と、要素分離手段で得られた代表色位置に各代表色領域を持って配置された複数の基底関数からの出力に各代表色からの結合係数で重み付けした際の線形結合として、学習色票データベース内の各読取色票データに対する推定出力色票データを計算するＲＢＦ型出力推定手段８３より構成される。
【００５２】
さらに図９のように第２実施の形態であるカラー画像処理装置における初期代表学習色選択手段は初期化手段９０、分割軸決定手段９１、クラスタ分割手段９２、クラスタ代表決定手段９３、収束判定手段９４、クラスタ分割終了判定手段９５、初期代表色出力手段９６、初期領域出力手段９７より構成されており、その処理フローは図１１のようになる。
【００５３】
このような構成を持つ本発明の特徴は、本発明の第１の実施形態で使用していた階層型ニューラルネットワークモデルに代わり、データ変換手段５で得られた読取色票データTi=(X,Y,Z)iの色分解データDi=(Dr,Dg,Db)iの表す色空間内に局所的に配置された複数の動径基底関数の線形結合によって求める写像関係を近似するラジアル基底関数ネットワークモデル（ＲＢＦ）を適用したことであり、この動径基底関数の局所性から、ＭＮＮのようにシグモイド関数をユニットの出力変換関数とするモデルと比較して、より高速な学習が可能となっている。ＲＢＦの概念図は図１２に示されている通りであり、入力層、中間層、出力層の３層より構成されている。入力層の各ユニットは、入力Diを中間層の各ユニットに配分し、中間層の各ユニットはその配分された入力からＲＢＦを用いて出力を計算する。出力層の各ユニットは、中間層各ユニットの出力の加重和をとり、ネットワークの出力であるQi=(C',M',Y')iを計算する。つまり、ＲＢＦモデルでは、下記（数６）のようになる。
【００５４】
【数６】

【００５５】
ここで、μk(D)は入力Dに対するＲＢＦ関数を表し、LはRBFユニット数を表す。そして、vwi=(w[1,i], w[2,i], w[3,i])はRBFユニットiからの結合係数をベクトル表記したものであり、w[j,i]はRBFユニットiから出力ユニットjへの結合係数を示す。また、vai=(a[i,1],a[i,2],a[i,3])はRBFユニットiにおける中心値をベクトル表記したものであり、a[i,j]はRBFユニットiにおけるDのj成分の中心値を示す。biはRBFユニットiにおけるRBFの幅を示す。このようにここでは、中心値ベクトルvaiから幅biを持つガウシアン関数を用いて局所的に偏在するRBFを実現した。なお、RBFはこの一意に決まるものでなく、その他の関数も可能である。このRBFの特徴は、入力ベクトルDが中心値ベクトルとして設定されたvaiに近いほど大きな出力を出すように設定されることが特徴である。
【００５６】
このRBFユニットiにおける RBFのvaiやbi、RBFユニットiから出力ユニットjへの結合係数w[j,i]は最急降下法により調整することが可能である。本発明では、その学習効率向上に本発明の第１の実施形態と同様に遺伝的アルゴリズムを組み合わせるとともに、予め読取色票データのその変換後の空間で占める統計的分布をもとに所望のLクラスタに分割し、クラスタiの代表色ベクトルをRBFユニットiの中心値ベクトルvaiの初期状態とし、クラスタiに属するDのそのクラスタの代表色ベクトルからの偏差量に基づく値をbiの初期値として設定したのである。この読取色票データより得られた色分解信号Dの空間を複数の固まりであるクラスタに分割して初期のRBFユニットiの中心値ベクトルvaiと初期の領域biを設定する処理を初期代表色選択手段８０が行う。そして、それ以外の中間層内のiユニットから出力層への結合係数ベクトルvwiの初期状態は一様乱数により所定の領域よりランダムに設定し、上記vai、bi、vwiを初期調整ベクトル生成手段８１でつなげることで初期の調整ベクトルv[k](k#=1,…,n)を生成するのである。このv[k]が遺伝的アルゴリズムにおける組替え操作の対象となるわけだが、各v[k]よりDiに対する推定出力Qi=(C',M',Y')iを計算し、学習色票データPi=(C,M,Y)iとの誤差err[k]が減少するように勾配方向に沿って局所探索をする場合に、v[k]をRBFユニットiの中心値ベクトルvai、その幅bi、そしてRBFユニットiから出力ユニットjへの結合係数w[j,i]に分解する必要がある。この処理を要素分離手段８２が行い、ＲＢＦ型出力推定手段８３は（数６）に従い、各Diに対する推定出力を求める。以下の処理は、本発明の第１の実施形態と同様に処理が行われる。
【００５７】
一方、初期代表色選択手段８０におけるDiの示す色空間での読取色票データセットのクラスタリング手法としては、多くの手法があるが、ここではベクトル量子化（ＶＱ）手法をもとに構成されている。ベクトル量子化手法は、複数の要素を持つベクトルの空間を、サンプル集団の分布状況をもとに複数のクラスタに分割する手法であり、隣合う量子化代表ベクトルを結ぶ線分の垂直２等分線としてクラスタ領域枠が設定されるｋ−ｍｅａｎ手法をもとに構成されている。なおここではDiの空間でクラスタ分割を行うこととしたが、均等色空間であるL（明度）やa*、b*（色相）で構成される空間でも可能であるし、また読取色票データである三刺激値XYZの空間で分割することも可能である。
【００５８】
８０では図１１のフローに従い処理が実行される。まず、初期化手段９０が全対象領域内の色データDk =( Drk, Dgk, Dbk )(k=1,...,nnn)は全て１つのクラスタに属しているもの仮定し、１つの代表色ベクトルvc1=( cDr1, cDg1, cDb1 )にはDk全部の重心ベクトルを設定する。ここで、nnnは全対象色領域内の色数を表し、Drkはk番目のDr成分を、Dgkはk番目のDg成分を、Dbkはk番目のDb成分を表し、cDr1は代表色ベクトルvc1のDr成分を、cDg1はDg成分を、cDb1はDb成分を表す。次に、分割軸決定手段９１は、現時点のnn個のクラスタの中におけるクラスタjを代表する代表色ベクトルvcjとそのクラスタに属するnn#m個の色ベクトルuDm = ( uDrm, uDgm, uDbm )( m = 1,...,nn#m )を構成する各要素の差分の絶対値( | uDrm - cDrj |, | uDgm - cDgj |, | uDbm - cDbj | )を計算し、その総和( tDr=Σ| uDrm - cDrj |, tDg =Σ| uDgm - cDgj |, tDb =Σ| uDbm - cDbj | )を各要素ごとに計算する。そして、tDr、tDg、tDbの内でもっとも値の大きい軸の方向に現クラスタが分割できるものとして考える。クラスタ分割手段９２は、現在の代表色ベクトルvcjを中心として、９１で得られた軸方向に２つに仮の代表色ベクトルdvcjとdvcj+1を設定するのである。例えば９１でDr軸が選ばれた場合には、ある微小正定数gammaを使ってdvc1=(cDrj-gamma×tDr, cDgj, cDbj )とdvcj+1=(cDrj+gamma×tDr, cDgj, cDbj )が９２で設定される。1個の代表色ベクトルvcjより２個の仮代表色ベクトルdvcjとdvcj+1が生成され、９１と９２における処理は現時点のnn個のクラスタすべてに対して行われることから、生成されるクラスタ数は2nnとなる。なお、この方法は一意ではなくこれ以外にも可能である。次に、９３のクラスタ代表決定手段では９２で新たに得られた2nn個の仮代表色ベクトルdvciと入力色ベクトルDk間のユークリッド距離disk[k,i](i=1,...,2nn)を計算し、iに対してdisk[k,i]が最小になるi=i#minにDkが属するように振り分ける処理を行う。そして、各入力色ベクトルDkをクラスタに振り分け得た後に、クラスタi内の入力色ベクトルの重心をそのクラスタiの代表色ベクトルvciとする。収束判定手段９４は、９３で得られたクラスタiの代表色ベクトルvciと９２で得られた仮の代表色ベクトルdvciの間のユークリッド距離をもとにクラスタの代表色ベクトルvciが収束したかどうかの判定を行う。収束していない場合には、クラスタ分割手段９２へ処理が移り、現在の代表色ベクトルvcjを中心として９１で得られた軸方向に２つに仮の代表色ベクトルdvcjとdvcj+1を再設定するのである。具体的にはdvcj = (cDrj-2×gamma×tDr, cDgj, cDbj )とdvcj+1 = (cDrj+2×gamma×tDr, cDgj, cDbj )を９２で設定し、９３で再び得られた2nn個の仮代表色ベクトルdvciを使って入力色ベクトルDkを2nn個のクラスタに振り分ける処理に戻る。９４で収束したと判定された場合には、クラスタ分割終了判定手段９５でクラスタ数が所定のクラスタ分割数Lを満足したかどうかの判定を行い、満足した場合には初期代表色出力手段９６で最終的に得られたクラスタiの代表を初期代表色データベクトルvaiとして出力し、クラスタi内の代表からの偏差量の２倍を初期領域biとして初期領域出力手段９７で出力する。一方、所定のクラスタ分割数Lを満足しない場合には、９１の分割軸決定手段へ処理が戻るようになっている。なお、この構成では、常に最終的に得られるクラスタ数は２の倍数になるように構成されているが、９１と９２において１つのクラスタから２個ずつ作成する段階で、所望の任意クラスタ数になった時点でこの９１と９２の処理を抜けて９３のクラスタ代表決定手段へ移るようにすることも可能である。
【００５９】
以上のように、初期代表色選択手段８０及びそこでの処理は、ＶＱを使って、対象とする色空間内の読取色票データをその分布をもとに複数のクラスタに分割する処理を行う。しかし、この方法は一意でなく、ＶＱの代わりに単純に各色における最大値や最小値から順に各クラスタ内のヒストグラムが同じになるように分割していく手法等も可能であるが、クラスタ入力データの統計的分布に従い精度よくクラスタ分割できる特徴を持つＶＱ手法を用いた。また、これ以外のクラスタリングとしても自己組織化ニューラルネットワーク（例えば、コホーネンの自己組織化ネットワーク）に代表される手法を使用することも可能である。
【００６０】
さらに、ここでは各クラスタを代表する代表色ベクトルとして、９１や９３では各クラスタに属する色ベクトルDkの重心ベクトルを設定したが、各クラスタに属する色ベクトル自身で最適なものを選ぶことでクラスタ分割することも可能である。また、９３で色ベクトルDkを各クラスタに振り分ける場合に、現時点での代表色ベクトルvciと色ベクトルDkの間のユークリッド距離dist[k,i]が最小なクラスタiにDkが属するものとしたが、ユークリッド距離以外にも、代表色ベクトルvciと色ベクトルDkの各要素の差分絶対値の和等を用いることも可能である。
【００６１】
以上のように、本実施例の形態によれば、遺伝的アルゴリズムの組み替え操作による大域的最適化能力と、MNNモデルより高速な学習が可能であるRBFモデルを融合することで、
本発明の第１の実施形態例よりも効率良く学習色票データと読取色票データ間の写像関係を近似することが可能となり、色修正の効率化にもつながる。
【００６２】
最後に、本発明の第１の実施形態と同様に、最適な調整ベクトルをもとに色修正テーブル化を図ることで、関数近似する際の演算負荷を低減させることができるとともに、従来良く使用されている最小二乗法で得られた色修正係数を使った高次マトリクス演算を多次元テーブル化した３次元ルックアップテーブルを本発明で得られた色修正テーブルに置き換えることで、従来の手法のような色空間内で隣接する４つの色票で囲まれた三角錐内での補間演算をそのまま適用することも可能となる。
【００６３】
なお、これらの処理は本発明の第２の実施の形態であるカラー画像処理方法に従いコンピュータ等に使用される中央演算処理装置（ＣＰＵ）及びデジタルシグナルプロセッサ（ＤＳＰ）等を使ったソフトウェア処理でも同様に実現することができる。
【００６４】
（第３の実施の形態）
次に、本発明の第３の実施の形態であるカラー画像処理装置について説明する。図１３が本発明の第３の実施の形態であるカラー画像処理装置のブロック図を表し、図１４が本発明の第３の実施の形態における第３初期設定手段及び第３出力推定手段の構成図を、図１５が本発明の第３の実施の形態例における第２初期代表色選択手段の構成図である。
【００６５】
これらの図より明らかのように、本発明の第２の実施の形態である画像処理装置とほぼ同じ構成をしている。異なる点は、第２の実施の形態例では、nnn個の学習色票データセットPi=(C,M,Y)iと読取色票データセットTi=(X,Y,Z)i間の写像関係を近似する際に、図１７で表されるような一般化ラジアル基底関数ネットワークモデル（ＧＲＢＦ）を適用した点である。このモデルは別名ではニューロファジィモデルとも呼ばれる。図１２で表現されるＲＢＦモデルでは、RBFユニットiにおけるRBFの幅biは１つの値のみであるのに対し、図１７のＧＲＢＦモデルでは、RBFユニットiにおけるRBFの幅は１つの値ではなく、Dの色空間成分ごとにRBF幅を持つベクトルvbi=(b[i,1],b[i,2],b[i,3])で基底されている点である。ここで、b[i,1]はGRBFユニットiのDr成分に対する幅領域に相当する。このＧＲＢＦモデルでは、ネットワークの出力であるQi=(C',M',Y')iは（数７）式のようになる。
【００６６】
【数７】

【００６７】
ここで、LはRBFユニット数を表す。そして、vwi=(w[1,i], w[2,i], w[3,i])はRBFユニットiからの結合係数をベクトル表記したものであり、w[j,i]はRBFユニットiから出力ユニットjへの結合係数を示す。また、vai=(a[i,1],a[i,2],a[i,3])はRBFユニットiにおける中心値をベクトル表記したものであり、a[i,j]はRBFユニットiにおけるDのj成分の中心値を示す。vbi=(b[i,1],b[i,2],b[i,3])はRBFユニットiにおけるRBFの幅のベクトル表記であり、b[i,1]はGRBFユニットiのDr成分に対する幅領域を示す。そして、Aik(D#k)は入力D#kに対する、中心値a[i,k]、幅b[i,k]であるＧＲＢＦユニットiの基底関数を示し、この値を入力Dの成分Dr,Dg,Db別に計算したAi1(Dr)、Ai2(Dg)、Ai3(Db)を乗算することでＧＲＢＦユニットiの出力μi(D)を計算する。
【００６８】
（数７）式で表現されるＧＲＢＦモデルをファジィモデルと見なせば、ＧＲＢＦユニットiに対応するi番目のファジィルールは「If Dr=a[i,1] and Dg = a[i,2] and Db = a[i,3] THEN c = w[1,i] and m = w[2,i] and y = w[3,i]」のように表現され、そのルールiの信頼度が（数７）内のμi(D)と見なすことができる。これがニューロファジィモデルとも呼ばれる所以である。推定出力を計算するのにこのようなモデリングを採用することで、より学習対象である写像関係を精度良く近似することが可能となり、入力カラーデータの色修正精度も向上することが期待される。なお、図１５における処理は本発明の第２の実施形態とほぼ同じであるが、クラスタリングが終了した時点で９６が初期代表色を出力するとともに、１５０の初期成分領域出力手段が、各クラスタiにおける成分ごとの代表色からの偏差量より得られる値を出力する。これが、ＧＲＢＦユニットiの初期成分領域vbi=(b[i,1],b[i,2],b[i,3])となるのである。
【００６９】
こうすることで、本発明の第２の実施の形態であるカラー画像処理装置と同様に、遺伝的アルゴリズムの欠点を補い色修正精度の向上させるとともに推定速度の短縮化にもつながる。また、これらの処理は本発明の第３の実施の形態であるカラー画像処理方法に従いコンピュータ等に使用される中央演算処理装置（ＣＰＵ）及びデジタルシグナルプロセッサ（ＤＳＰ）等を使ったソフトウェア処理でも同様に実現することができる。
【００７０】
（第４の実施の形態）
次に本発明の第４の実施の形態であるカラー画像処理装置について説明する。図１８は、本発明の第４の実施形態であるカラー画像処理装置の構成図を表し、図１９がその中で特に第４初期設定手段１８０と第４出力推定手段１８１の構成図を表す。また、図２０が本発明の第４の実施形態である画像処理装置の処理フロー表す。
【００７１】
これらから明らかのように本実施例は、本発明の第２の実施形態例のＲＢＦモデルにおいて、ＲＢＦユニット個数Lを予め設定するのではなく、この値も適応的に調整しながら、最適に写像関係を近似するＲＢＦモデルを推定することに特徴がある。これは、ＲＢＦモデルもＭＮＮモデルと同じように任意精度で任意写像関数を近似することができることは保証されているが、その際、ＲＢＦユニット数には何ら制約が設けられていない。そのため、この値を決めることが大きな課題となっており、統計的手法でこの値を推測する手法や、試行錯誤的に行う手法がとられているがあまり効率が良くない。そこで、本発明では、遺伝的組替えをする染色体を図２１のように、ＲＢＦユニット数、ＲＢＦユニットiにつながる代表色vai=(a[i,1],a[i,2],a[i,3])、代表色領域bi、iから出力ユニットへの結合係数ベクトルvwi=(w[1,i],w[2,i],w[3,i])を１つの組として、RBFユニットの番号順に並べた構造を持たせる事とした。こうすることで、第４初期設定手段１８０では、まずＲＢＦユニット数Lをある範囲内よりランダムに選択し、L個へのクラスタ分割を初期代表色選択手段８０が行う。そして、対応する結合係数を初期乱数設定手段１００が選出し、これらをまとめて図２１のような染色体構造を生成するのである。第４出力推定手段１８１では、逆に、染色体を表すベクトルv[k]の先頭要素よりＲＢＦユニット数L[k]を取り出し、この値をもとに、順番になっている各ＲＢＦユニットの中心値ベクトルvai[k]、幅bi[k]、そして結合係数ベクトルvwi[k]を取り出し、このv[k]に対応するＲＢＦモデルを生成し、推定出力計算を行うのである。
【００７２】
そして、勾配方向検出、勾配方向調整、評価値導出、適合度計算という処理を経た後、遺伝的組替え操作を行うが、本発明では、図２２のような交叉、突然変異処理を行うこととした。このようにあるＲＢＦユニットに関係する中心値ベクトル、幅、結合係数ベクトルより構成される要素を１単位として、その境目で任意に組替えることで簡単に染色体長を可変にすることができ、予めＲＢＦユニット数Lを意識する必要がなくその個数も自動的に調整できる。また、遺伝的アルゴリズムの高速かつ高精度なパラメータ調整において、評価の高い染色体内にもつ有効な遺伝子の塊（ビルディングブロックと呼ばれる）を如何に壊さないで次の世代に遺伝させるかが重要とされている。しかし、図４のようにただ順番に実数を並べただけではそのブロックを破壊しないようにする工夫が必要となる。本発明では、各ユニットにつながる情報を１つの単位として、遺伝的組替え操作はその単位の組替え操作を中心として行い、その単位内の調整は勾配方向への探索による調整と微小回数での入れ替え処理にとどめることでできる限り有効なビルディングブロックを破壊しないように考慮した。
【００７３】
以上のように本発明の第２の方式および装置の特徴に、読取色票データセットの占める空間内に局所的に配置された基底関数の個数を適応的に変化させる機能を持たせることで、目的とする写像を近似する際のＲＢＦユニット数を近似精度に応じて考慮する必要がない。また、遺伝的染色体構造及び組替え操作を改善して、高い評価導出に貢献する有効なビルディングブロックを破壊することなく高精度かつ効率良く学習色票データと対応する読取色票データ間の写像関係を実現できることができる。
【００７４】
さらに、これらの処理は本発明の第４の実施の形態であるカラー画像処理方法に従いコンピュータ等に使用される中央演算処理装置（ＣＰＵ）及びデジタルシグナルプロセッサ（ＤＳＰ）等を使ったソフトウェア処理でも同様に実現することができる。
【００７５】
【発明の効果】
以上のように本発明の第１のカラー画像処理方式及びカラー画像処理装置は、学習色票データと対応する読取色票データ間の写像関係を実現するのに階層型ニューラルネットワークモデルを適用し、そのモデル内の調整パラメータの設定のために複数用意された調整パラメータベクトル集団内の各ベクトルに対して記号的組替え処理によりベクトルの設定を行う遺伝的アルゴリズムを適用することで、学習色票に対する色修正精度の向上につながるとともに未学習色票に対しても高精度な色修正を実現できる。
【００７６】
以上のように本発明の第２のカラー画像処理方式及びカラー画像処理装置は、学習色票データと対応する読取色票データ間の写像関係を実現するのに読取色票データセットの占める空間内に局所的に配置された複数の基底関数の線形結合として前記写像関係を近似するラジアル基底関数ネットワークを用いて関数近似を行い、そのモデル内の調整パラメータの設定に複数の調整パラメータベクトル集団内の各候補に対して記号的組替え処理を行う遺伝的アルゴリズムを適用することで、より高速に調整パラメータ設定が行うことが期待できる。
【００７７】
以上のように本発明の第３のカラー画像処理方式及びカラー画像処理装置は、学習色票データと対応する読取色票データ間の写像関係を実現するのに読取色票データセットの占める空間を構成する成分別に定義された基底関数を用いて成分別適合度を導出し、その各成分別適合度より対応するルールのルール適合度を算出し、各ルール適合度の線形結合として前記写像関係を近似するニューロファジィモデルを用いて関数近似を行うことで、より高速な調整パラメータの設定が可能になり、学習色票や未学習色票に対する色修正精度の向上にもつながる。
【００７８】
以上のように本発明の第４のカラー画像処理方式及びカラー画像処理装置は、学習色票データと対応する読取色票データ間の写像関係を実現するのに、本発明の第２の方式および装置の特徴に、読取色票データセットの占める空間内に局所的に配置された基底関数の個数を適応的に変化させる機能を持たせたものであり、これにより近似精度に応じて基底関数の個数を考慮する必要がなく、効率的に学習色票データと対応する読取色票データ間の写像関係を実現できることができる。
【図面の簡単な説明】
【図１】本発明の第１の実施の形態であるカラー画像処理装置の構成を表すブロック図
【図２】本発明の第１の実施の形態であるカラー画像処理方式の処理フローを表すフローチャート
【図３】本発明の第１の実施の形態であるカラー画像処理装置における階層型ニューラルネットワークモデルを模式的に表す概念図
【図４】本発明の第１の実施の形態であるカラー画像処理装置における遺伝的アルゴリズムで使用される染色体構造を模式的に表す図
【図５】本発明の第１の実施の形態であるカラー画像処理装置の選択的淘汰に使用されるルーレット選択方式を表す模式図
【図６】本発明の第１の実施の形態であるカラー画像処理装置における組み替え操作手段における組み替え操作処理の概念図
【図７】本発明の第２の実施の形態であるカラー画像処理装置の構成を表すブロック図
【図８】本発明の第２の実施の形態であるカラー画像処理装置における第２初期設定手段及び第２出力推定手段の構成を表すブロック図
【図９】本発明の第２の実施の形態であるカラー画像処理装置における初期代表色選択手段の構成を表すブロック図
【図１０】本発明の第２の実施の形態であるカラー画像処理方式の処理フローを表すフローチャート
【図１１】本発明の第２の実施の形態であるカラー画像処理装置における初期代表色選択処理の処理フローを表すフローチャート
【図１２】本発明の第２の実施の形態であるカラー画像処理装置におけるＲＢＦモデルの構成を表すブロック図
【図１３】本発明の第３の実施の形態であるカラー画像処理装置の構成を表すブロック図
【図１４】本発明の第３の実施の形態であるカラー画像処理装置における第３初期設定手段及び第３出力推定手段の構成を表すブロック図
【図１５】本発明の第３の実施の形態であるカラー画像処理装置における第２初期代表色選択手段の構成を表すブロック図
【図１６】本発明の第３の実施の形態であるカラー画像処理方法の処理フローを表すフローチャート
【図１７】本発明の第３の実施の形態であるカラー画像処理装置におけるＧＲＢＦモデルの構成を表す模式図
【図１８】本発明の第４の実施の形態であるカラー画像処理装置の構成を表すブロック図
【図１９】本発明の第４の実施の形態であるカラー画像処理装置における第４初期設定手段及び第４出力推定手段の構成を表すブロック図
【図２０】本発明の第４の実施の形態であるカラー画像処理方法の全体の処理フローを表すフローチャート
【図２１】本発明の第４の実施の形態であるカラー画像処理装置における遺伝的アルゴリズムで使用される染色体構造を模式的に表す図
【図２２】本発明の第４の実施の形態であるカラー画像処理装置における組み替え操作手段における組み替え操作処理の概念図
【図２３】従来例における画像処理装置の構成を表すブロック図
【図２４】学習色票データセットと読取色票データセットの例を表す図
【符号の説明】
１ 入力カラーデータ
２ 指示信号
３ 学習色票生成手段
４ 学習色票データセット
５ データ変換手段
６ 初期設定手段
７ 出力推定手段
８ 勾配方向検出手段
９ 勾配方向調整手段
１０ 評価値導出手段
１１ 適合度計算手段
１２ 組み替え操作手段
１３ 色修正テーブル保存手段
１４ 色修正処理手段
１５ 修正カラーデータ
１００ 初期乱数設定手段
１０１ ＭＮＮ型出力推定手段
７０ 第２初期設定手段
７１ 第２出力推定手段
０ 初期代表色選択手段
８１ 初期調整ベクトル生成手段
８２ 要素分離手段
８３ ＲＢＦ型出力推定手段
９０ 初期化手段
９１ 分割軸決定手段
９２ クラスタ分割手段
９３ クラスタ代表決定手段
９４ 収束判定手段
９５ クラスタ分割終了判定手段
９６ 初期代表色出力手段
９７ 初期領域出力手段
１３０ 第３初期設定手段
１３１ 第３出力推定手段
１４０ 第２初期代表色選択手段
１４１ ＧＲＢＦ型出力推定手段
１５０ 初期成分領域出力手段
１８０ 第４初期設定手段
１８１ 第４出力推定手段
１８２ 第２組み替え操作手段
１９０ ＲＢＦユニット数設定手段
１９１ 第２初期調整ベクトル生成手段
１９２ 第２要素分離手段
２３０ 最小二乗推定手段
２３１ 色修正係数データベース
２３２ 色修正手段[0001]
BACKGROUND OF THE INVENTION
The present invention relates to a color processing technique for digital color image data, and more particularly to a color image processing method and a color conversion method for reproducing the same color as an original in a color copying machine, a color printer, a color monitor and the like.
[0002]
[Prior art]
In recent years, copying machines and printers have been used on a daily basis. Recently, color copying machines for copying color documents and color printers for printing color documents from computers have become widespread.
[0003]
Conventionally, it has been pointed out that when a color document is printed or copied, the color of the document or image output by the device is different and sufficient color reproducibility cannot be ensured. This is because the color of the printed matter varies depending on the type of the output device because the pigment is a toner, a dye, or a pigment. In addition, RGB color data handled by computers is colored by additive color mixing, whereas printer printing is colored by subtractive color mixing, and there are many color mixing in the dye itself due to unnecessary absorption of the dye. is there.
[0004]
Various measures have been taken so far to solve the problem of color reproducibility between devices for the color image, and the color reproducibility of the device is gradually improved.
[0005]
For example, in an electrophotographic color copier, RGB color data obtained by a color scanner is color-corrected by a color converter into color data that matches the printing color material characteristics, and then input to a color engine for printing. Yes. Some color converters use a matrix calculator and others use a multi-dimensional lookup table.
[0006]
Hereinafter, as a conventional example, a case where color correction is performed by a color correction unit configured by a matrix calculator will be described with reference to the block diagram of FIG.
[0007]
When the color correction matrix is not estimated, the input data (usually RGB) is color-separated by the data conversion means 5 according to the conversion data format to the color correction matrix as shown in the following (Equation 1). The signals are converted into signals Dr, Db, and Dg, and are converted into CMY ink signals in the color correcting means 232 according to the following (Equation 2). In general, the color corresponding to the R data cannot be reproduced with a single ink, but is reproduced by mixing CMY inks. The same applies to G data and B data.
[0008]
[Expression 1]

[0009]
[Expression 2]

[0010]
Here, Mij is a 3 × 3 matrix, and is obtained by the least square estimating means 230 as follows according to the presence or absence of the instruction signal 2.
[0011]
First, the learning color chart generating means 3 creates an input color chart data set Pi = (C, M, Y) i that covers a wide input color gamut in accordance with the instruction signal 2 representing the instruction of color correction matrix estimation. A color chart image composed of color chart data is output from the printer. Next, the output color chart is measured with a spectrocolorimeter, and tristimulus values Ti = (X, Y, Z) i corresponding to each color chart data set are acquired, and this combination of Pi and Ti is learned. It is stored in the color chart data set 4. FIG. 24 shows an example of a correspondence table between Yi of the input color chart data set and Ti of the read color chart data set. Then, the data conversion means 5 converts the tristimulus values from the learning color chart data set 4 into color separation signals Di = (Dr, Dg, Db) i via RGB signals. A tristimulus data set Di obtained from the read color chart data set is converted by a 3 × 3 matrix M, and a matrix M # best that is most approximate converted to the input color chart data set Pi is least square estimation means 230. Asks. In this case, the matrix coefficient M # ij is input as the value Poi = (Co, Mo, Yo) i of the converted color chart data set converted from the spectrometer output Ti = (X, Y, Z) i by the equation (2). It is determined by the least square method so that the sum of squares of errors with the value Pi = (C, M, Y) i of the color chart data set is minimized.
[0012]
The condition of the least square method is that each matrix coefficient M [i, j] is used as a variable to obtain a matrix coefficient M [i, j] that minimizes the error, and the square of each error is obtained as shown in (Equation 3) below. The sum can be obtained by setting the partial differential coefficient to 0 with each value of the matrix coefficient M [i, j] as a variable. Here, nnn represents the number of data sets.
[0013]
[Equation 3]

[0014]
The obtained matrix coefficient M [i, j] is held in the color correction coefficient database 231, and using the information of this 231, the color correction means 232 uses the information of the color corrector shown in the above (Expression 1) and (Expression 2). Conversion characteristics are required.
[0015]
As described above, in the conventional example, the linear conversion matrix is optimized by the least square method so that the error is minimized with respect to the entire combination of the color charts for calculating the conversion parameters. When deviating from the matrix relationship, there is a problem that a partial error occurs in some color regions. As this improvement, a case where nonlinear masking approximation having a quadratic term is performed as shown in the following (Equation 4) is often used. In this case, the color correction accuracy is improved as compared with the linear masking approximation. However, when the number of samples is small, there is a problem that a large color shift is likely to occur when correcting a color slightly shifted from the sample.
[0016]
[Expression 4]

[0017]
Further, in the color correction means 232, in order to reduce the calculation load of the high-order color correction matrix M [i, j], a three-dimensional table in which the high-order matrix calculation is converted into a multidimensional table instead of the color correction coefficient database 231. A technique for speeding up color correction processing using a lookup table (hereinafter referred to as “3D-LUT”) is also used. The detailed contents and operation of the color corrector using 3D-LUT are described in JP-A-7-99586 and JP-A-7-99587, but the input image data (RGB data, etc.) A plurality of table data close to the input are selected from the 3D-LUT based on the lower bits. Then, the plurality of selected table data are interpolated by the lower bits, and a color correction output CMY value corresponding to the input RGB value is output. A three-dimensional color conversion table is created by using the obtained coefficient M [i, j] to form the three-dimensional table of the input / output relationship of (Expression 4). Conventional example 2 is a high-dimensional matrix operation converted into a multi-dimensional table in order to improve the drawbacks of linear correction by increasing the matrix relationship and further reduce the calculation load of the higher-order matrix operation.
[0018]
Further, there is a method in which 11 uses the 4 learning color chart data sets instead of the color correction coefficient database 231 and performs color correction. At this time, print values for all inputs are predicted and calculated from the colorimetric values of the printed color chart by triangular prism interpolation, and the target print color is determined by searching a correspondence table with the predicted colorimetric values for all inputs. The color correction value to be given is obtained and is reported in the 1994 Color Forum Annual Conference Preliminary Proceedings (pp. 55-58). Japanese Patent Laid-Open No. 6-22124 discloses a method of creating a color correction table for outputting an arbitrary print color by interpolation calculation within a triangular pyramid surrounded by four color charts adjacent in the color space. ing. At this time, the color correction table value can be directly obtained even in the case of color correction which is difficult to model, but it is necessary to create a large number of data set correspondence tables.
[0019]
[Problems to be solved by the invention]
As described above, the prior art of the color correction method has a certain effect on the color reproducibility, but each has a problem. The present invention has been made in view of the above points, and it is possible to easily create high-precision color correction with a small number of sample color charts and realize high-precision color correction for colors other than sampled color charts. It is an object to provide a color image processing method and a color conversion method.
[0020]
[Means for Solving the Problems]
In order to solve the above-described problem, the first color image processing method and color image processing apparatus of the present invention specifically provides a hierarchy for realizing a mapping relationship between input color chart data and corresponding read color chart data. Type neural network model is applied, symbolic recombination processing is performed on each vector in the adjustment parameter vector group prepared in the adjustment parameter setting (more preferably, optimization) within the model, and the vector A genetic algorithm for performing setting (more preferably, optimization) is applied.
[0021]
In order to solve the above problems, the second color image processing method and color image processing apparatus of the present invention specifically provides an input to realize a mapping relationship between input color chart data and corresponding read color chart data. Function approximation is performed using a radial basis function network that approximates the mapping relationship as a linear combination of a plurality of basis functions that are locally arranged in the space occupied by the color chart data set, and adjustment parameters in the model are set ( More preferably, a genetic algorithm that performs symbolic rearrangement processing on each candidate in a plurality of adjustment parameter vector populations is applied to optimization).
[0022]
In order to solve the above problems, the third color image processing method and color image processing apparatus of the present invention specifically provides an input for realizing a mapping relationship between input color chart data and corresponding read color chart data. Using the basis functions defined for each component that makes up the space occupied by the color chart data set, the fitness for each component is derived, the rule suitability of the corresponding rule is calculated from the fitness for each component, and each rule suitability A neuro-fuzzy model that approximates the mapping relationship as a linear combination of the above, and symbolic recombination processing for each candidate in a plurality of adjustment parameter vector groups for setting (more preferably, optimization) adjustment parameters in the model It applies a genetic algorithm that performs
[0023]
In order to solve the above problems, the fourth color image processing method and color image processing apparatus of the present invention specifically realizes a mapping relationship between input color chart data and corresponding read color chart data. As in the second method and apparatus of the present invention, a radial basis function network that approximates the mapping relationship as a linear combination of a plurality of basis functions locally arranged in the space occupied by the input color chart data set is used. A genetic algorithm was applied to set (more preferably optimize) the tuning parameters in the model. In this case, the mapping between the input color chart data and the corresponding read color chart data can be performed more efficiently by adaptively changing the number of basis functions arranged locally in the space occupied by the input color chart data set. The relationship is realized.
[0024]
DETAILED DESCRIPTION OF THE INVENTION
Hereinafter, embodiments of the present invention will be described with reference to the drawings.
[0025]
FIG. 1 is a block diagram of a color image processing apparatus according to the first embodiment of the present invention, FIG. 7 is a block diagram of a color image processing apparatus according to the second embodiment of the present invention, and FIG. FIG. 18 shows a configuration diagram of a color image processing apparatus according to a third embodiment of the invention, and FIG. 18 shows a configuration diagram of a color image processing apparatus according to the fourth embodiment of the present invention. 8 is a block diagram of the second initial setting means and the second output estimating means in the color image processing apparatus according to the second embodiment of the present invention, and FIG. 9 is the second embodiment of the present invention. FIG. 14 is a configuration diagram of an initial representative color selection unit in a certain color image processing apparatus, and FIG. 14 is a configuration diagram of a third initial setting unit and a third output estimation unit in the color image processing apparatus according to the third embodiment of the present invention. FIG. 15 shows a configuration diagram of the second initial representative color selection means in the color image processing apparatus according to the third embodiment of the present invention, and FIG. 19 shows a color image according to the fourth embodiment of the present invention. The block diagram of the 4th initial setting means in a processing apparatus and a 4th output estimation means is represented.
[0026]
2 is a flowchart of processing of the color image processing apparatus according to the first embodiment of the present invention, and FIG. 10 is a flowchart of processing of the color image processing apparatus according to the second embodiment of the present invention. 16 is a flowchart of the processing of the color image processing apparatus according to the third embodiment of the present invention, and FIG. 20 is the overall processing of the color image processing apparatus according to the fourth embodiment of the present invention. The flowchart figure is represented. FIG. 11 is a flowchart of processing in the initial representative color selection means in the color image processing apparatus according to the second embodiment of the present invention. Note that, in each drawing of the configuration diagram, the same number is assigned to the same part.
[0027]
(First embodiment)
First, a color image processing apparatus according to the first embodiment of the present invention will be described. In FIG. 1, reference numeral 1 denotes color input data input to the apparatus, and any color system can be used as a value, but here it is assumed to be handled in the sRGB system. 2 is an instruction signal for performing an approximate function estimation of the mapping relationship between the learning color chart and the corresponding read color chart to the apparatus. 3 is a learning color chart generating means for creating a learning color chart data set by equalizing the entire output color range according to 2, and outputting the generated data with a target printer, and the output sample is spectrally separated. A color information data set (read color chart data set) when output by measuring with a colorimeter or the like is obtained, and the four learning color chart data sets correspond to the learning color chart data set as shown in FIG. A reading color chart data set is held as one set. Reference numeral 5 denotes data conversion means for converting the read color chart data in the learning color chart data held in 4 into color separation signals D (Dr, Dg, Db).
[0028]
6 is an initial setting means for setting an initial candidate set Gv = [v [k]] (k = 1,..., N) of an adjustment vector v composed of adjustment parameters to be estimated by a predetermined procedure; 7 is output estimation means for calculating estimated output data when each read color chart data converted in 5 is given as an input using each v [k] in the candidate set Gv. Gradient direction detection means for determining the gradient direction of the error function err [k] between the estimated output data thus obtained and the corresponding learning color chart data, and 9 is a direction in which err [k] decreases along the gradient direction. Gradient direction adjusting means for adjusting v [k]. 10 is pre-defined by the learning color chart data corresponding to the estimated output when v ′ [k] adjusted in 9 along the gradient direction is used. Evaluation value deriving means for calculating the evaluation value E [k] of each adjustment vector in accordance with the evaluation function obtained, and 11 is an evaluation obtained by the evaluation value deriving means 7 A fitness calculation means for calculating the fitness f [k] of each v ′ [k] for the problem based on the value E [k]. Reference numeral 12 denotes the fitness obtained by the fitness calculation means 10. And v. [K] for selective selection, crossover, mutation, and the like. Reference numeral 13 denotes an optimal v # best at the time when the estimation of the adjustment vector used in the function approximation of the mapping between the learning color chart and the read color chart according to this genetic algorithm satisfies a preset convergence condition. Is a color correction table storage means for generating and holding a lookup table for color correction, and 14 is a color separation signal D obtained by converting the color correction table and input color data 1 by the data conversion means 5. Color correction processing means for estimating and outputting color data 15 after color correction of input data 1 using (Dr, Dg, Db).
[0029]
Further, the initial setting means 6 includes an initial random number setting means 100 that sets the elements of the adjustment vectors belonging to the initial group with random numbers within a certain range, and the output estimation means 7 includes each output vector in the adjustment vector group at the present time. The MNN type output estimation means 101 calculates the estimated output color chart data for each read color chart data in the learning color chart database by regarding the vector as a coupling coefficient of a hierarchical neural network (MNN) model.
[0030]
The operation of the color image processing apparatus according to the first embodiment configured as described above will be described. First, it is determined whether or not there is an instruction signal 2 for instructing color correction estimation for the input color data 1. If not, the color correction of the input data 1 is performed using the color correction table v # best in the current color correction table storage means 13. At this time, one input data is converted into a color separation signal D (Dr, DG, Db) by the data conversion means 5. The above (Formula 1) is used for this conversion. In this (Equation 1), there are many systems for RGB values converted from tristimulus values, and it is necessary to match the color system handled by input data. Here, it is assumed that an input system such as a scanner or an sRGB system that is one of the RGB systems handled by the display is handled as input data. In addition to 5 (Equation 1), it is also possible to convert to La * b * system or tristimulus values XYZ in 5.
[0031]
The processing from the initial setting means 6 to the recombination operation means 12 corresponds to a technique in which local search capability is supplemented to an optimal solution search technique called a genetic algorithm. Genetic algorithms are described in documents such as “Genetic Algorithms in Search, Optimization and Machine Learning” (David E. Goldberg, Addison Wesley), etc., and have excellent global search capabilities and are suitable for optimal solution search problems. Even if differential information of the evaluation function to be obtained is not obtained, if the evaluation value itself is obtained, the search can be performed, and it can be applied to a target problem that has only a human subjective evaluation criterion and is effective. Sex is a technique that has been reported so far. Specifically, the process proceeds as follows. At that time, the mapping from the read color chart data to the learning color chart data is a hierarchical neural network (MNN) having three input units, m intermediate units, and three output units as shown in FIG. The model was approximated. This is intended to realize high-precision color correction by the smooth function approximation capability and generalization capability of neural networks. A method for applying the MNN model to color correction has been reported so far. However, although the approximation capability of an arbitrary function is mathematically guaranteed in MNN, since the gradient information of the evaluation function is used, the learning speed is very high in a region where the local optimal solution (local minimum) and evaluation function are gentle. Problems such as slowness have been pointed out. In the present invention, the efficiency of creating a color correction table is improved by applying the global search capability of the genetic algorithm to the optimization of the adjustment parameters constituting the MNN.
[0032]
<< Step 1 >> First, based on the adjustment vector v [k] having 6m elements composed of the adjustment parameters (coupling coefficients) from w [4,1] to w [m + 3, m] in FIG. Consider a set Gv of n elements. Each element v [k] #i (i = 1,..., 6m) of this adjustment vector v [k] is called a gene because of its relationship with a living organism, and the adjustment vector v [k] is called a chromosome. When using a genetic algorithm, the initial setting means 6 first performs a process of appropriately creating the initial set Gv of the adjustment vectors.
[0033]
In FIG. 6, various methods can be considered as the chromosome setting method. Here, as shown in FIG. 4, the adjustment vector is represented as a chromosome using a real number coding method in which each coupling coefficient is left as it is. However, it is also possible to handle a binary coding method in which each coupling coefficient is displayed in binary and the binary numbers are arranged.
[0034]
In the initial random number setting means 100 constituting 6, one initial adjustment vector v is set by selecting 6 m real numbers at random from the range of −1 to 1 with uniform random numbers. By preparing a predetermined number L of chromosome sets, an initial adjustment vector set Gv = [v [k]] (k = 1,..., N) is set. The optimum solution search is started from this initial adjustment vector set Gv.
[0035]
<< Step 2 >> Using the MNN obtained from each element (chromosome) of the set Gv, the estimated output Qi = (C ′) for the read color chart data Ti = (X, Y, Z) i by each adjustment vector v [k] , M ′, Y ′) i is calculated. Then, the gradient direction del # err [k] of the error function err [k] of the learning color chart data Pi = (C, M, Y) i and the estimated output Qi = (C ′, M ′, Y ′) i is obtained. Then, a local search is performed for each adjustment vector v [k] by performing a straight line search in the direction of decreasing err [k] along the del # err [k] direction. This is to compensate for the lack of local search capability, which has been pointed out as a drawback of genetic algorithms.
[0036]
<< Step 3 >> The goodness as a solution of each adjustment vector v ′ [k] obtained in the previous step is evaluated according to a preset evaluation scale, and the evaluation result of the adjustment vector v ′ [k] is evaluated as an evaluation value E [k ]. Here, the evaluation scale set in advance is called an evaluation function (fitness function). This process is performed by the evaluation value deriving means 10. Many evaluation functions E [k] are conceivable. As shown in the following (Equation 5), nnn learning color chart data sets Pi = (C, M, Y) i and read color chart data set Ti = Estimated output data set Qi = (C ′, M ′,) using each v ′ [k] for the color separation signal Di (Dr, Dg, Db) i obtained from (X, Y, Z) i Y ′) The value obtained by adding a value obtained by multiplying the sum of squares of errors of i by a constant in the sum of absolute values of the respective adjustment parameters is defined as an evaluation value E [k]. This is intended to suppress a reduction in correction accuracy due to noise fluctuations included in the read color chart data that occurs due to an increase in the coupling coefficient in the MNN.
[0037]
[Equation 5]

[0038]
Besides this, the square of the estimated output data set Qi = (C ′, M ′, Y ′) i obtained using the learning color chart data set Pi = (C, M, Y) i and each v ′ [k] A value obtained by multiplying the largest value among the errors by a constant may be replaced with the sum of absolute values of the respective adjustment parameters.
[0039]
<< Step 4 >> The fitness calculation means 11 calculates the fitness from the evaluation value E [k] obtained by the evaluation value deriving means 10 in order to see the fitness of each adjustment vector. Various functions are conceivable as functions for deriving the fitness f [k]. Here, f [k] = VV−E [k], and VV is a positive real constant larger than E [k]. In this way, the smaller the evaluation value, the higher the fitness can be converted. An adjustment vector with a low fitness is deleted from the current adjustment vector set Gv, and an adjustment vector with a high fitness is selectively survived.
[0040]
<< Step 5 >> The adjustment vector set selected in Step 4 is subjected to genetic recombination operations such as crossover and mutation to create a new adjustment vector set. Note that the number of individual adjustment vectors included in the adjustment vector set is fixed here, but may be increased or decreased.
[0041]
This process is performed by the rearrangement operation means 12. Selective selection is performed by a roulette selection method in which an adjustment vector is selected with a probability proportional to the goodness of fit as shown in FIG.
[0042]
(Roulette selection method)
(i) The fitness f [k] of each adjustment vector v ′ [k] (k = 1,..., n) belonging to the set Gv and the sum F of the fitness of all adjustment vectors are obtained.
[0043]
(ii) The selection probability h [k] for which v ′ [k] is selected as a parent for generating the next generation adjustment vector is obtained as shown in (a). In order to assign this probability to the adjustment vector v ′ [k], for example, the following method can be considered.
[0044]
(iii) The selection range I [k] of each adjustment vector is assigned to the interval in [0, 1] as shown in (b). Here, a set RR = (ra [1], ra [2],..., Ra [n]) of uniform random numbers ra [k] is generated in [0, 1]. A set of num [j] = I [k] satisfying ra [j] ∈I [k] (j, k = 1, ..., n) Num = (num [1], num [2] ,. .., num [n]), a set of n adjustment vectors corresponding to this Num is selected.
[0045]
By such a roulette selection method, the adjustment vector v ′ [k] in the current adjustment vector group Gv is selected.
[0046]
Next, the crossover process and the mutation process as shown in FIG. 6 are performed on the new adjustment vector group Gv obtained in this way. Crossover is an operation of creating a new adjustment vector by replacing a part of the adjustment vector represented by a finite symbol with a part of another adjustment vector as shown in FIG. Further, the mutation is an operation of changing a part of the component of the adjustment vector selected from the adjustment vector set to another symbol with a certain low probability as shown in FIG. The crossover process corresponds to a search at a position far away from the current solution vector, and the mutation corresponds to a search in the vicinity of the current adjustment vector. Through these two processes, the genetic algorithm creates a new set of adjustment vectors. Various methods have been proposed for this crossover, mutation, etc., but in this embodiment, a one-point crossover or a two-point crossover that replaces two points as shown in FIG. 6 is used. Further, as a mutation, a mutation process is performed in which bit inversion is performed with a low probability that each bit constituting the adjustment vector is applied to the new adjustment vector group Gv obtained through the crossover process. At that time, we tried to maintain the diversity of the adjustment vectors by changing the probability of mutation in the half of the adjustment vector group and the other half.
[0047]
It is determined whether or not the number of iterations exceeds the allowable number of iterations as a convergence condition for the optimization processing of the MNN adjustment vector by these genetic algorithms. Iterate from local optimization by searching for a straight line in the direction. The adjustment process (coupling coefficient) constituting the optimum MNN is estimated by repeatedly executing the above processing steps until the convergence condition is satisfied. In this way, by preparing many candidates globally and repeatedly performing symbolic recombination operations such as crossover and mutation that are difficult to trap in the local optimal solution (local minimum), the conventional least squares method can be used as a problem. Even if there is a contradiction in the learning color chart, color correction can be performed with high accuracy.
[0048]
Further, by applying MNN to the color correction model, it is possible to optimize the color correction while balancing the three components. As described in the conventional example, in the case of the least square method, the color correction matrix is obtained such that the square error is obtained independently for the three components C, M, and Y, and the deviation for the color correction matrix component contributing to each is zero. In order to obtain the coefficient independently, when correcting a color slightly shifted from the sample, a large color shift is likely to occur. However, by using this method, an unlearned color is obtained by the generalization ability of MNN. Even if there is an input, color correction can be performed while maintaining the color balance with the surroundings. Using the MNN optimized by this genetic algorithm, the color correction table holding means is responsible for creating and holding a color correction table. Then, the corrected color data 15 is output by correcting the input data 1 using the color correction table held in 13. In this way, by making the color correction table, it is possible to reduce the calculation load when approximating the function with MNN, and to increase the color correction coefficient using the color correction coefficient obtained by the conventionally used least square method. A triangle surrounded by four color charts adjacent to each other in the color space as in the conventional method is obtained by replacing the three-dimensional lookup table obtained by converting the next matrix operation into a multidimensional table with the color correction table obtained in the present invention. It is also possible to apply the interpolation calculation within the cone as it is.
[0049]
Note that these processes are the same in software processing using a central processing unit (CPU) and a digital signal processor (DSP) used in a computer or the like according to the color image processing method according to the first embodiment of the present invention. Can be realized.
[0050]
(Second Embodiment)
Next, a color image processing apparatus according to the second embodiment of the present invention will be described.
[0051]
In FIG. 7, reference numeral 70 denotes nnn learning color chart data sets Pi = (C, M, Y) i and read color chart data sets Ti = (X, Y, Z) i according to a radial basis function network (RBF) model. Is a second initial setting means for setting an initial set Gv of adjustment vectors composed of adjustment parameters for approximating the mapping relationship of, and 71 is configured by separating elements in each adjustment vector v [k] Estimated output Qi = (C ', M', Y ') i when Di = (Dr, Dg, Db) i obtained from read color chart data set Ti = (X, Y, Z) i by RBF Is a second output estimating means for calculating. As shown in FIG. 8, the second initial setting means 70 selects color chart data representing the entire input color range and the area occupied by it based on the statistical distribution of the read color chart data set in the learning color chart data set. An initial representative color selecting means 80, an initial random number setting means 100 for setting a plurality of elements with random numbers within a certain range, a representative color obtained by the initial representative color selecting means, an area of each representative color, and an initial random number setting means. An initial adjustment vector generation unit 81 that generates an adjustment parameter having one fixed number element by combining a plurality of obtained elements, and the second output estimation unit 71 represents each vector in the adjustment vector group at present as a representative. The element separating means 82 for separating the color, the area occupied by the representative color, and the coupling coefficient connected to each representative color, and each representative color area arranged at the representative color position obtained by the element separating means. RBF type output estimation means for calculating estimated output color chart data for each read color chart data in the learning color chart database as a linear combination when the outputs from the plurality of basis functions are weighted by the coupling coefficient from each representative color 83.
[0052]
Further, as shown in FIG. 9, the initial representative learning color selection means in the color image processing apparatus according to the second embodiment is initialization means 90, division axis determination means 91, cluster division means 92, cluster representative determination means 93, convergence determination means. 94, a cluster division end determination unit 95, an initial representative color output unit 96, and an initial region output unit 97. The processing flow is as shown in FIG.
[0053]
The feature of the present invention having such a configuration is that the read color chart data Ti = (X, X, obtained by the data conversion means 5 instead of the hierarchical neural network model used in the first embodiment of the present invention. Radial basis functions approximating the mapping relationship obtained by linear combination of multiple radial basis functions located locally in the color space represented by color separation data Di = (Dr, Dg, Db) i of Y, Z) i This is the application of the network model (RBF), and from the locality of this radial basis function, faster learning is possible compared to a model that uses a sigmoid function as the unit output conversion function, such as MNN. ing. The conceptual diagram of the RBF is as shown in FIG. 12, and is composed of three layers: an input layer, an intermediate layer, and an output layer. Each unit in the input layer distributes the input Di to each unit in the intermediate layer, and each unit in the intermediate layer calculates an output from the allocated input using RBF. Each unit in the output layer calculates the weighted sum of the outputs of each unit in the intermediate layer and calculates Qi = (C ′, M ′, Y ′) i that is the output of the network. That is, in the RBF model, the following (Formula 6) is obtained.
[0054]
[Formula 6]

[0055]
Here, μk (D) represents the RBF function for the input D, and L represents the number of RBF units. Vwi = (w [1, i], w [2, i], w [3, i]) is a vector representation of the coupling coefficient from RBF unit i, and w [j, i] is RBF. The coupling coefficient from unit i to output unit j is shown. Also, vai = (a [i, 1], a [i, 2], a [i, 3]) is a vector representation of the center value in RBF unit i, and a [i, j] is the RBF unit Indicates the center value of the j component of D in i. bi indicates the width of the RBF in the RBF unit i. As described above, the locally distributed RBF is realized using the Gaussian function having the width bi from the center value vector vai. The RBF is not uniquely determined, and other functions are possible. The feature of this RBF is that an input vector D is set so as to output a larger output as it is closer to vai set as a center value vector.
[0056]
The RBF vai and bi in this RBF unit i and the coupling coefficient w [j, i] from the RBF unit i to the output unit j can be adjusted by the steepest descent method. In the present invention, a genetic algorithm is combined with the improvement of the learning efficiency in the same manner as in the first embodiment of the present invention, and a desired L based on the statistical distribution occupied in the space after the conversion of the read color chart data in advance. Dividing into clusters, the representative color vector of cluster i is the initial state of the central value vector vai of RBF unit i, and the value based on the deviation amount of D belonging to cluster i from the representative color vector of that cluster is the initial value of bi It was set. Select the initial representative color for processing to set the center value vector vai of the initial RBF unit i and the initial area bi by dividing the space of the color separation signal D obtained from the read color chart data into a plurality of clusters. Means 80 performs. The initial state of the coupling coefficient vector vwi from the i unit in the other intermediate layer to the output layer is set randomly from a predetermined region by a uniform random number, and the above-mentioned vai, bi, vwi are set as the initial adjustment vector generation means 81 As a result, the initial adjustment vector v [k] (k # = 1,..., N) is generated. This v [k] is the target of the recombination operation in the genetic algorithm, but the estimated output Qi = (C ', M', Y ') i for Di is calculated from each v [k], and the learning color chart data When performing a local search along the gradient direction so that the error err [k] with Pi = (C, M, Y) i decreases, v [k] is the center value vector vai of RBF unit i and its width It is necessary to decompose into bi and a coupling coefficient w [j, i] from the RBF unit i to the output unit j. This process is performed by the element separating unit 82, and the RBF type output estimating unit 83 obtains an estimated output for each Di according to (Equation 6). The following processing is performed in the same manner as in the first embodiment of the present invention.
[0057]
On the other hand, there are many methods for clustering the read color chart data set in the color space indicated by Di in the initial representative color selection means 80, but here, it is configured based on the vector quantization (VQ) method. Yes. The vector quantization method is a method of dividing a vector space having a plurality of elements into a plurality of clusters based on the distribution state of the sample population. It is configured based on the k-mean method in which cluster area frames are set as lines. Here, cluster division is performed in the Di space, but it is also possible to use a space composed of L (brightness), a *, b * (hue), which is a uniform color space, and read color chart data. It is also possible to divide in the space of tristimulus values XYZ.
[0058]
In 80, processing is executed according to the flow of FIG. First, it is assumed that the initialization unit 90 has all the color data Dk = (Drk, Dgk, Dbk) (k = 1,..., Nnn) in all target regions belong to one cluster. For the color vector vc1 = (cDr1, cDg1, cDb1), the center-of-gravity vector of all Dk is set. Here, nnn represents the number of colors in the entire target color area, Drk represents the kth Dr component, Dgk represents the kth Dg component, Dbk represents the kth Db component, and cDr1 represents the representative color vector vc1 , CDg1 represents a Dg component, and cDb1 represents a Db component. Next, the split axis determination unit 91 represents the representative color vector vcj representing the cluster j among the nn clusters at the present time and the nn # m color vectors uDm = (uDrm, uDgm, uDbm) ( m = 1, ..., nn # m) The absolute value (| uDrm-cDrj |, | uDgm-cDgj |, | uDbm-cDbj |) is calculated and the sum (tDr = Σ | uDrm−cDrj |, tDg = Σ | uDgm−cDgj |, tDb = Σ | uDbm−cDbj |) is calculated for each element. It is assumed that the current cluster can be divided in the direction of the axis with the largest value among tDr, tDg, and tDb. The cluster dividing unit 92 sets temporary representative color vectors dvcj and dvcj + 1 in two in the axial direction obtained in 91 with the current representative color vector vcj as the center. For example, when the Dr axis is selected at 91, dvc1 = (cDrj-gamma × tDr, cDgj, cDbj) and dvcj + 1 = (cDrj + gamma × tDr, cDgj, cDbj) using a small positive constant gamma. Is set at 92. Since two temporary representative color vectors dvcj and dvcj + 1 are generated from one representative color vector vcj, and the processing in 91 and 92 is performed for all nn clusters at the present time, the number of clusters to be generated Becomes 2nn. Note that this method is not unique, and other methods are possible. Next, in the cluster representative determining means 93, the Euclidean distance disk [k, i] (i = 1,..., 2nn) between the 2nn provisional representative color vectors dvci newly obtained in 92 and the input color vector Dk. ) Is calculated, and processing is performed so that Dk belongs to i = i # min where disk [k, i] is minimum with respect to i. Then, after each input color vector Dk can be allocated to a cluster, the center of gravity of the input color vector in cluster i is set as the representative color vector vci of cluster i. The convergence determination means 94 determines whether the representative color vector vci of the cluster has converged based on the Euclidean distance between the representative color vector vci of the cluster i obtained in 93 and the temporary representative color vector dvci obtained in 92. Judgment is made. If not converged, the process moves to the cluster dividing unit 92, and the temporary representative color vectors dvcj and dvcj + 1 are reset to two in the axial direction obtained in 91 with the current representative color vector vcj as the center. To do. Specifically, dvcj = (cDrj-2 × gamma × tDr, cDgj, cDbj) and dvcj + 1 = (cDrj + 2 × gamma × tDr, cDgj, cDbj) are set at 92, and 2nn obtained again at 93 The process returns to the process of distributing the input color vector Dk to 2nn clusters using the temporary representative color vectors dvci. If it is determined at 94, the cluster division end determination means 95 determines whether or not the number of clusters satisfies a predetermined cluster division number L. If it is satisfied, the initial representative color output means 96 determines. The finally obtained representative of cluster i is output as initial representative color data vector vai, and twice the deviation from the representative in cluster i is output as initial area bi by initial area output means 97. On the other hand, if the predetermined number of cluster divisions L is not satisfied, the process returns to 91 division axis determining means. In this configuration, the number of finally obtained clusters is always a multiple of 2. However, at the stage of creating two from one cluster in 91 and 92, the desired number of clusters is set. At this point, it is also possible to go through the processes 91 and 92 and move to 93 cluster representative determining means.
[0059]
As described above, the initial representative color selecting means 80 and the processing there use VQ to divide the read color chart data in the target color space into a plurality of clusters based on the distribution. However, this method is not unique, and instead of VQ, it is possible to simply divide the clusters so that the histograms in each cluster are the same from the maximum value and the minimum value in each color. A VQ method having a feature capable of clustering with high accuracy according to the statistical distribution is used. As other clustering, it is also possible to use a technique represented by a self-organizing neural network (for example, Kohonen's self-organizing network).
[0060]
Further, here, as the representative color vector representing each cluster, in 91 and 93, the barycentric vector of the color vector Dk belonging to each cluster is set, but by dividing the cluster by selecting the optimum color vector belonging to each cluster itself It is also possible to do. Further, when the color vector Dk is assigned to each cluster in 93, it is assumed that Dk belongs to the cluster i having the smallest Euclidean distance dist [k, i] between the representative color vector vci and the color vector Dk at the present time. In addition to the Euclidean distance, it is also possible to use the sum of absolute differences of the respective elements of the representative color vector vci and the color vector Dk.
[0061]
As described above, according to the form of the present embodiment, by combining the global optimization ability by the recombination operation of the genetic algorithm and the RBF model capable of learning faster than the MNN model,
The mapping relationship between the learning color chart data and the read color chart data can be approximated more efficiently than in the first embodiment of the present invention, which leads to the efficiency of color correction.
[0062]
Finally, as in the first embodiment of the present invention, by creating a color correction table based on the optimal adjustment vector, it is possible to reduce the calculation load when approximating the function and to use it well in the past. By replacing the three-dimensional lookup table obtained by converting the higher-order matrix operation using the color correction coefficient obtained by the least square method into a multidimensional table with the color correction table obtained by the present invention, It is also possible to directly apply the interpolation calculation in the triangular pyramid surrounded by the four color charts adjacent in the color space.
[0063]
Note that these processes are the same in software processing using a central processing unit (CPU) and a digital signal processor (DSP) used in a computer or the like in accordance with the color image processing method according to the second embodiment of the present invention. Can be realized.
[0064]
(Third embodiment)
Next, a color image processing apparatus according to the third embodiment of the present invention will be described. FIG. 13 is a block diagram of a color image processing apparatus according to the third embodiment of the present invention, and FIG. 14 is a configuration of third initial setting means and third output estimation means in the third embodiment of the present invention. FIG. 15 is a block diagram of the second initial representative color selection means in the third embodiment of the present invention.
[0065]
As is apparent from these drawings, the configuration is almost the same as that of the image processing apparatus according to the second embodiment of the present invention. The difference is that in the second embodiment, mapping between nnn learning color chart data sets Pi = (C, M, Y) i and read color chart data sets Ti = (X, Y, Z) i. In approximating the relationship, a generalized radial basis function network model (GRBF) as shown in FIG. 17 is applied. This model is also called a neuro-fuzzy model. In the RBF model represented in FIG. 12, the RBF width bi in the RBF unit i has only one value, whereas in the GRBF model in FIG. 17, the RBF width in the RBF unit i is not one value. This is a point based on a vector vbi = (b [i, 1], b [i, 2], b [i, 3]) having an RBF width for each color space component of D. Here, b [i, 1] corresponds to a width region for the Dr component of the GRBF unit i. In this GRBF model, Qi = (C ′, M ′, Y ′) i, which is the output of the network, is expressed by the following equation (7).
[0066]
[Expression 7]

[0067]
Here, L represents the number of RBF units. Vwi = (w [1, i], w [2, i], w [3, i]) is a vector representation of the coupling coefficient from RBF unit i, and w [j, i] is RBF. The coupling coefficient from unit i to output unit j is shown. Also, vai = (a [i, 1], a [i, 2], a [i, 3]) is a vector representation of the center value in RBF unit i, and a [i, j] is the RBF unit Indicates the center value of the j component of D in i. vbi = (b [i, 1], b [i, 2], b [i, 3]) is a vector notation of the width of RBF in RBF unit i, and b [i, 1] is Dr of GRBF unit i Indicates the width region for the component. Aik (D # k) indicates the basis function of the GRBF unit i having the center value a [i, k] and the width b [i, k] with respect to the input D # k. , Dg and Db are multiplied by Ai1 (Dr), Ai2 (Dg), and Ai3 (Db) to calculate the output μi (D) of the GRBF unit i.
[0068]
If the GRBF model expressed by the equation (7) is regarded as a fuzzy model, the i-th fuzzy rule corresponding to the GRBF unit i is “If Dr = a [i, 1] and Dg = a [i, 2]”. and Db = a [i, 3] THEN c = w [1, i] and m = w [2, i] and y = w [3, i] ", and the reliability of the rule i is It can be regarded as μi (D) in (Expression 7). This is why it is also called a neuro-fuzzy model. By adopting such modeling to calculate the estimated output, it is possible to more accurately approximate the mapping relationship as the learning target, and it is expected that the color correction accuracy of the input color data will be improved. The processing in FIG. 15 is almost the same as that of the second embodiment of the present invention. However, when clustering is completed, 96 outputs the initial representative color, and 150 initial component region output means include each cluster i. A value obtained from the amount of deviation from the representative color for each component in is output. This is the initial component region vbi = (b [i, 1], b [i, 2], b [i, 3]) of the GRBF unit i.
[0069]
By doing so, similarly to the color image processing apparatus according to the second embodiment of the present invention, the defects of the genetic algorithm are compensated for, and the color correction accuracy is improved and the estimation speed is shortened. These processes are the same in software processing using a central processing unit (CPU) and a digital signal processor (DSP) used in a computer or the like according to the color image processing method according to the third embodiment of the present invention. Can be realized.
[0070]
(Fourth embodiment)
Next, a color image processing apparatus according to the fourth embodiment of the present invention will be described. 18 shows a configuration diagram of a color image processing apparatus according to the fourth embodiment of the present invention, and FIG. 19 shows a configuration diagram of the fourth initial setting means 180 and the fourth output estimation means 181 among them. FIG. 20 shows a processing flow of the image processing apparatus according to the fourth embodiment of the present invention.
[0071]
As is apparent from these figures, this example is not an example in which the number of RBF units L is set in advance in the RBF model of the second embodiment of the present invention. It is characterized by estimating an RBF model that approximates the relationship. This guarantees that the RBF model can approximate an arbitrary mapping function with an arbitrary accuracy in the same way as the MNN model, but at that time, there is no restriction on the number of RBF units. For this reason, determining this value has become a major issue, and a method of estimating this value by a statistical method or a method of trial and error has been taken, but it is not very efficient. Therefore, in the present invention, as shown in FIG. 21, the genetically recombined chromosome is represented by the number of RBF units and the representative colors vai = (a [i, 1], a [i, 2], a [i , 3]), the coupling coefficient vector vwi = (w [1, i], w [2, i], w [3, i]) from the representative color region bi, i to the output unit as one set, RBF The structure was arranged in the order of unit numbers. By doing so, the fourth initial setting means 180 first selects the number L of RBF units randomly from a certain range, and the initial representative color selection means 80 performs the cluster division into L pieces. Then, the initial random number setting means 100 selects corresponding coupling coefficients, and these are combined to generate a chromosome structure as shown in FIG. Conversely, the fourth output estimating means 181 takes out the number of RBF units L [k] from the head element of the vector v [k] representing the chromosome, and based on this value, the center of each RBF unit in turn. A value vector vai [k], a width bi [k], and a coupling coefficient vector vwi [k] are extracted, an RBF model corresponding to this v [k] is generated, and an estimated output calculation is performed.
[0072]
Then, after undergoing processing of gradient direction detection, gradient direction adjustment, evaluation value derivation, and fitness calculation, genetic recombination operations are performed. In the present invention, crossover and mutation processes as shown in FIG. 22 are performed. . In this way, the element consisting of the center value vector, width, and coupling coefficient vector related to a certain RBF unit is set as one unit, and the chromosome length can be easily changed by arbitrarily rearranging at the boundary. It is not necessary to be aware of the number of RBF units L, and the number can be automatically adjusted. It is also important for high-speed and high-accuracy parameter adjustment of genetic algorithms to make it possible to inherit the next generation without breaking the effective gene cluster (called building blocks) in the highly evaluated chromosome. ing. However, as shown in FIG. 4, it is necessary to devise a method not to destroy the block only by arranging the real numbers in order. In the present invention, the information connected to each unit is regarded as one unit, the genetic rearrangement operation is performed centering on the rearrangement operation of the unit, and the adjustment within the unit is performed by adjustment in the gradient direction and replacement processing with a small number of times. Considering not to destroy the effective building blocks as much as possible.
[0073]
As described above, the second system and the feature of the present invention have the function of adaptively changing the number of basis functions locally arranged in the space occupied by the read color chart data set. There is no need to consider the number of RBF units in approximating the target mapping according to the approximation accuracy. In addition, by improving the genetic chromosome structure and recombination operations, the mapping relationship between the learning color chart data and the corresponding read color chart data can be efficiently and efficiently destroyed without destroying effective building blocks that contribute to high evaluation derivation. Can be realized.
[0074]
Further, these processes are the same in software processing using a central processing unit (CPU) and a digital signal processor (DSP) used in a computer or the like according to the color image processing method according to the fourth embodiment of the present invention. Can be realized.
[0075]
【The invention's effect】
As described above, the first color image processing method and the color image processing apparatus of the present invention apply the hierarchical neural network model to realize the mapping relationship between the learning color chart data and the corresponding read color chart data, By applying a genetic algorithm that performs vector setting by symbolic recombination processing for each vector in the adjustment parameter vector group prepared for setting adjustment parameters in the model, the color for the learning color chart This leads to an improvement in the correction accuracy and can realize a high-precision color correction even for an unlearned color chart.
[0076]
As described above, the second color image processing system and color image processing apparatus according to the present invention are arranged in the space occupied by the read color chart data set to realize the mapping relationship between the learned color chart data and the corresponding read color chart data. A function approximation is performed using a radial basis function network that approximates the mapping relation as a linear combination of a plurality of basis functions that are locally arranged in the model, and adjustment parameters in the model are set in a plurality of adjustment parameter vector populations. By applying a genetic algorithm that performs symbolic rearrangement processing on each candidate, it can be expected that adjustment parameters are set at a higher speed.
[0077]
As described above, the third color image processing method and color image processing apparatus according to the present invention occupies the space occupied by the read color chart data set to realize the mapping relationship between the learned color chart data and the corresponding read color chart data. Using the basis functions defined for each component to be constructed, component-specific fitness is derived, the rule suitability of the corresponding rule is calculated from each component-specific fitness, and the mapping relationship is obtained as a linear combination of each rule fitness. By performing function approximation using the approximating neuro-fuzzy model, it is possible to set adjustment parameters at a higher speed, leading to improvement in color correction accuracy for learning color charts and unlearned color charts.
[0078]
As described above, the fourth color image processing system and color image processing apparatus of the present invention can realize the mapping relationship between the learning color chart data and the corresponding read color chart data, A feature of the device is that it has a function to adaptively change the number of basis functions that are locally arranged in the space occupied by the read color chart data set. The mapping relationship between the learning color chart data and the corresponding read color chart data can be efficiently realized without considering the number.
[Brief description of the drawings]
FIG. 1 is a block diagram showing a configuration of a color image processing apparatus according to a first embodiment of the present invention.
FIG. 2 is a flowchart showing the processing flow of the color image processing system according to the first embodiment of the present invention.
FIG. 3 is a conceptual diagram schematically showing a hierarchical neural network model in the color image processing apparatus according to the first embodiment of the present invention.
FIG. 4 is a diagram schematically showing a chromosome structure used in a genetic algorithm in the color image processing apparatus according to the first embodiment of the present invention.
FIG. 5 is a schematic diagram showing a roulette selection method used for selective selection of the color image processing apparatus according to the first embodiment of the present invention;
FIG. 6 is a conceptual diagram of recombination operation processing in recombination operation means in the color image processing apparatus according to the first embodiment of the present invention;
FIG. 7 is a block diagram showing a configuration of a color image processing apparatus according to a second embodiment of the present invention.
FIG. 8 is a block diagram showing the configuration of second initial setting means and second output estimation means in the color image processing apparatus according to the second embodiment of the present invention;
FIG. 9 is a block diagram showing a configuration of initial representative color selection means in the color image processing apparatus according to the second embodiment of the present invention;
FIG. 10 is a flowchart showing a processing flow of a color image processing method according to the second embodiment of the present invention.
FIG. 11 is a flowchart showing a processing flow of initial representative color selection processing in the color image processing apparatus according to the second embodiment of the present invention;
FIG. 12 is a block diagram showing the configuration of an RBF model in the color image processing apparatus according to the second embodiment of the present invention.
FIG. 13 is a block diagram showing the configuration of a color image processing apparatus according to a third embodiment of the present invention.
FIG. 14 is a block diagram showing configurations of third initial setting means and third output estimation means in the color image processing apparatus according to the third embodiment of the present invention.
FIG. 15 is a block diagram showing the configuration of second initial representative color selection means in the color image processing apparatus according to the third embodiment of the present invention;
FIG. 16 is a flowchart showing a processing flow of a color image processing method according to the third embodiment of the present invention;
FIG. 17 is a schematic diagram illustrating a configuration of a GRBF model in a color image processing apparatus according to a third embodiment of the present invention.
FIG. 18 is a block diagram showing a configuration of a color image processing apparatus according to a fourth embodiment of the present invention.
FIG. 19 is a block diagram showing configurations of fourth initial setting means and fourth output estimation means in the color image processing apparatus according to the fourth embodiment of the present invention;
FIG. 20 is a flowchart showing an overall processing flow of a color image processing method according to a fourth embodiment of the present invention;
FIG. 21 is a diagram schematically showing a chromosome structure used in a genetic algorithm in the color image processing apparatus according to the fourth embodiment of the present invention.
FIG. 22 is a conceptual diagram of recombination operation processing in recombination operation means in the color image processing apparatus according to the fourth embodiment of the present invention;
FIG. 23 is a block diagram illustrating a configuration of an image processing apparatus in a conventional example.
FIG. 24 is a diagram illustrating an example of a learning color chart data set and a reading color chart data set
[Explanation of symbols]
1 Input color data
2 instruction signal
3 Learning color chart generation means
4 Learning color chart data set
5 Data conversion means
6 Initial setting means
7 Output estimation means
8 Gradient direction detection means
9 Gradient direction adjustment means
10 Evaluation value deriving means
11 Conformity calculation means
12 Recombination operation means
13 color correction table storage means
14 color correction processing means
15 Corrected color data
100 Initial random number setting means
101 MNN type output estimation means
70 Second initial setting means
71 Second output estimating means
0 Initial representative color selection means
81 Initial adjustment vector generating means
82 Element separation means
83 RBF type output estimation means
90 Initializing means
91 Dividing axis determining means
92 Cluster dividing means
93 Cluster representative decision means
94 Convergence judging means
95 Cluster division end judging means
96 Initial representative color output means
97 Initial region output means
130 Third initial setting means
131 Third output estimating means
140 Second initial representative color selection means
141 GRBF type output estimation means
150 Initial component region output means
180 Fourth initial setting means
181 Fourth output estimating means
182 Second recombination operation means
190 RBF unit number setting means
191 Second initial adjustment vector generating means
192 Second element separating means
230 Least squares estimation means
231 Color Correction Coefficient Database
232 color correction means

Claims (4)

Based on the instruction signal, a learning color chart data set composed of learning color chart data set to be evenly distributed in the entire output color range of the target output device is generated and output by the target output device Learning color chart generating means for generating a read color chart data set composed of read color chart data obtained by measuring the learning color chart data ;
The learning color patch data set, a learning color chart database constituted by the said read color form data set,
In order to correct the color of the read color chart data using a color correction table, data conversion means for converting the read color chart data into color separation signal data according to the conversion data format to the color correction table;
By selecting a predetermined number of adjustment parameters using a random number within a predetermined range, an adjustment vector composed of the predetermined number of adjustment parameters is set, and an initial candidate group for generating an initial candidate group of the adjustment vector Generating means;
Output estimating means for calculating estimated output color chart data for each read color chart data in the learning color chart database using each vector in the adjustment vector group at the present time;
Gradient direction detection means for deriving an error gradient direction between the estimated output color chart data and the learning color chart data held in the learning color chart data set for each read color chart data obtained by the output estimation means,
Gradient direction search means for performing a straight line search along the gradient direction of the error when applying each vector obtained by the gradient direction detection means,
The estimated output color chart data when each vector in the adjustment vector group obtained by the gradient direction search means is applied to the output estimation means again and the learning color chart data held in the learning color chart data set are used for each vector. An evaluation value deriving means for deriving an evaluation value;
Fitness calculation means for calculating the fitness of each candidate obtained by the evaluation value deriving means;
Recombination operation means for generating a new adjustment vector set by performing recombination operation of the current candidate based on the fitness obtained by the fitness calculation means;
Color correction table storage means for creating and storing a color correction table based on the adjustment vector at the time when the adjustment vector optimization is completed;
A color image processing apparatus comprising color correction processing means for correcting and outputting the color separation signal data using a color correction table in the color correction table storage means. The output estimation means regards each vector in the adjustment vector group at the present time as a coupling coefficient of the hierarchical neural network model and calculates estimated output color chart data for each read color chart data in the learning color chart database. The color image processing apparatus according to claim 1 , comprising: means. Based on the instruction signal, a learning color chart data set composed of learning color chart data set to be evenly distributed in the entire output color range of the target output device is generated and output by the target output device A learning color chart generation step for generating a read color chart data set composed of read color chart data obtained by measuring the learning color chart data ;
In order to correct the color of the read color chart data using a color correction table, a data conversion step of converting the read color chart data into color separation signal data according to a conversion data format to the color correction table;
By selecting a predetermined number of adjustment parameters using a random number within a predetermined range, an adjustment vector composed of the predetermined number of adjustment parameters is set, and an initial candidate group for generating an initial candidate group of the adjustment vector Generation step;
With each vector in the adjustment vector population at the present time, the learning color patch data sets, the estimated output color patch data for each read color chart data of learning color chart in the database composed of the said read color form data set An output estimation step to calculate;
A gradient direction detecting step for deriving an error gradient direction between the estimated output color chart data and the learning color chart data held in the learning color chart data set for each read color chart data obtained in the output estimation step;
A gradient direction search step for performing a straight line search along the gradient direction of the error when applying each vector obtained in the gradient direction detection step;
From the estimated output color chart data when each vector in the adjustment vector group obtained in the gradient direction search step is again applied to the output estimation step and the learning color chart data held in the learning color chart data set, An evaluation value deriving step for deriving an evaluation value;
A fitness calculation step of calculating the fitness of each candidate obtained in the evaluation value derivation step;
A recombination operation step of generating a new adjustment vector set by performing a recombination operation of the current candidate based on the fitness obtained in the fitness calculation step;
A color correction table storage step for creating and storing a color correction table based on the adjustment vector at the time when the adjustment vector optimization is completed;
A color correction processing step of performing color correction of the color separation signal data and outputting using the color correction table in the color correction table storing step;
A color image processing method comprising: The output estimation step regards each vector in the adjustment vector group at the present time as a coupling coefficient of the hierarchical neural network model, and calculates an estimated output color chart data for each read color chart data in the learning color chart database. The color image processing method according to claim 3 , further comprising an estimation step.

Images