JP7033056B2 - 色予測モデル構築方法、色予測方法、および色予測モデル構築プログラム - Google Patents

Description

本発明は、複数の色（典型的には、特色を含む複数の色）のインクの重ね刷りによって得られる色を予測する際に用いられるカラーチャート内のパッチの色を予測するための色予測モデルを構築する方法および当該色予測モデルを用いた色予測方法に関する。

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

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

後述する非特許文献１には、特色を含む複数の色のインクの重ね刷りによって得られる色（オーバープリント予測値）を比較的簡単に予測する手法（以下、「Ｄｅｓｈｐａｎｄｅらの手法」という。）が開示されている。Ｄｅｓｈｐａｎｄｅらの手法では、オーバープリント予測値は、三刺激値Ｘ，Ｙ，およびＺを用いて次式（１）～（３）のように表される（図２０参照）。
Ｘ＝ｊ_x×（Ｘ_b×Ｘ_f）＋ｋ_x ・・・（１）
Ｙ＝ｊ_y×（Ｙ_b×Ｙ_f）＋ｋ_y ・・・（２）
Ｚ＝ｊ_z×（Ｚ_b×Ｚ_f）＋ｋ_z ・・・（３）
ここで、Ｘ_b，Ｙ_b，およびＺ_bは背景色の三刺激値であり、Ｘ_f，Ｙ_f，およびＺ_fは前景色の三刺激値であり、ｊ_x，ｊ_y，およびｊ_zはスケーリング係数であり、ｋ_x，ｋ_y，およびｋ_zは定数である。以下、ｊ_x，ｊ_y，ｊ_z，ｋ_x，ｋ_y，およびｋ_zをまとめて「オーバープリント係数」という。

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

Ｄｅｓｈｐａｎｄｅらの手法では、例えば、模式的には図２１に示すようなカラーチャートが使用される。このカラーチャートは「ＣｘＦチャート」と呼ばれている。図２１に示す例では、ＣｘＦチャートは２２個のパッチによって構成されている。上段の１１個のパッチは、網点パーセントを１０％刻みにして対象の特色のインクを紙などの基材上に印刷することによって得られるパッチである。下段の１１個のパッチは、網点パーセントを１０％刻みにして対象の特色のインクを黒色（墨ベタ）上に印刷することによって得られるパッチである。このようなＣｘＦチャートのパッチの測色で得られる値（測色値）を用いて、オーバープリント予測値が算出される。

以下、図２２に示すフローチャートを参照しつつ、背景色が網点パーセントを４０％とする特色（便宜上「特色１」という。）であって前景色が網点パーセントを６０％とする別の特色（便宜上「特色２」という。）である場合のオーバープリント予測値の算出を例に挙げて、Ｄｅｓｈｐａｎｄｅらの手法について詳しく説明する。

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

次に、特色２のインクを用いて印刷されたＣｘＦチャート（便宜上「特色２チャート」という。）を使用して、特色２に関する上式（１）～（３）のオーバープリント係数ｊ_x，ｊ_y，ｊ_z，ｋ_x，ｋ_y，およびｋ_zが算出される（ステップＳ９１０）。これに関し、例えば、上式（１）に着目すると、Ｘ_b×Ｘ_fについての実用上の最大値および最小値は、それぞれ、基材上および黒色（墨ベタ）上に特色２のインクが塗られたことによって得られる値である。Ｙ_b×Ｙ_fおよびＺ_b×Ｚ_fについても同様である。そこで、オーバープリント係数を算出するために、上式（１）～（３）を表す座標系（図２３参照：但し、図２３には上式（１）を表す座標系のみを示している。）において、黒色上に網点パーセントを６０％とする特色２のインクが塗られた状態の刺激値を表す座標が第１校正点Ｐ９１とされ、基材上に網点パーセントを６０％とする特色２のインクが塗られた状態の刺激値を表す座標が第２校正点Ｐ９２とされる。

三刺激値のうちの例えばＸに着目すると、第１校正点Ｐ９１については、上式（１）に対して次のように値の代入が行われる。特色２チャートのパッチＰＡ９３の測色によって得られる値（黒色の刺激値）がＸ_bに代入され、特色２チャートのパッチＰＡ９２の測色によって得られる値（基材上に網点パーセントを６０％とする特色２のインクが塗られた状態の刺激値）がＸ_fに代入され、特色２チャートのパッチＰＡ９１の測色によって得られる値（黒色上に網点パーセントを６０％とする特色２のインクが塗られた状態の刺激値）がＸに代入される（図２１参照）。また、第２校正点Ｐ９２については、上式（１）に対して次のように値の代入が行われる。特色２チャートのパッチＰＡ９４の測色によって得られる値（基材の刺激値）がＸ_bに代入され、特色２チャートのパッチＰＡ９２の測色によって得られる値（基材上に網点パーセントを６０％とする特色２のインクが塗られた状態の刺激値）がＸ_fおよびＸに代入される（図２１参照）。

第１校正点Ｐ９１に関する方程式と第２校正点Ｐ９２に関する方程式との連立方程式を解くことによってオーバープリント係数ｊ_x，ｋ_xが算出される。すなわち、図２３で符号Ｌ９１を付した直線を表す式が得られる。オーバープリント係数ｊ_y，ｊ_z，ｋ_y，およびｋ_zについても、同様にして算出される。

なお、図２１に示すＣｘＦチャートでは１０％刻みでパッチが設けられているが、線形補間によって得られる測色値に基づいて、左右方向に隣接する２つのパッチ間の網点パーセントに対応するオーバープリント係数を求めることができる。

次に、特色１のインクを用いて印刷されたＣｘＦチャート（便宜上「特色１チャート」という。）を使用して、最終的なオーバープリント予測値を算出するための上式（１）～（３）中のＸ_b，Ｙ_b，およびＺ_bの値（背景色の三刺激値）が取得される（ステップＳ９２０）。具体的には、特色１チャートのパッチＰＡ９５（図２１参照）の測色によって、Ｘ_b，Ｙ_b，およびＺ_bの値が取得される。

次に、特色２チャートを使用して、最終的なオーバープリント予測値を算出するための上式（１）～（３）中のＸ_f，Ｙ_f，およびＺ_fの値（前景色の三刺激値）が取得される（ステップＳ９３０）。具体的には、特色２チャートのパッチＰＡ９２（図２１参照）の測色によって、Ｘ_f，Ｙ_f，およびＺ_fの値が取得される。

最後に、ステップＳ９１０～Ｓ９３０で得られた値を上式（１）～（３）に代入することによって、オーバープリント予測値としての三刺激値Ｘ，Ｙ，およびＺが算出される（ステップＳ９４０）。これは、例えば、図２３で符号Ｌ９１を付した直線において横軸が「ステップＳ９２０で取得されたＸ_b」と「ステップＳ９３０で取得されたＸ_f」との積であるときの縦軸の値をＸの値として算出することに相当する。

なお、上記では、特色２チャートのパッチＰＡ９１，ＰＡ９２，およびＰＡ９３をそれぞれ測色することによって、第１校正点Ｐ９１（図２３参照）に関するＸ，Ｘ_f，およびＸ_bの値を取得している。しかし、高精度のオーバープリント予測値が必要とされないのであれば、簡単のために第１校正点Ｐ９１を図２３のグラフの原点に位置するとみなすこともできる。この場合には、特色２チャートのパッチＰＡ９１およびＰＡ９３の測色が不要になる（第２校正点Ｐ９２のＸおよびＸ_fの値の取得のためにパッチＰＡ９２の測色は依然として必要である）。この場合、図２１に示すＣｘＦチャートのパッチＰＡ９１およびＰＡ９３等を含む下段のパッチ群を印刷しなくても、オーバープリント予測値としての三刺激値Ｘ，Ｙ，およびＺを算出することができる。このように、図２１に示す上段のパッチ群を有し下段のパッチ群を備えないＣｘＦチャートを本明細書では便宜上「簡易ＣｘＦチャート」という。

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

特開平６－２８１５０１号公報

K. Deshpande, P. Green、"Recommendations for predicting spot colour overprints"、[online]、［平成３０年６月７日検索］、インターネット＜URL: http://www.color.org/ICC_white_paper_43_Draft2kd.doc＞

上述したように、Ｄｅｓｈｐａｎｄｅらの手法によれば、例えば図２１に示したようなＣｘＦチャートを用いて色の予測が行われている。ところが、特色を用いた印刷が行われる場合であっても、通常、このようなＣｘＦチャートは事前には印刷されていない。このため、特色の数に等しい数のＣｘＦチャートを印刷して各パッチの測色を行う必要性が生じる。これにより、コストの増加や工数の増加が引き起こされる。

そこで、本発明は、複数の色のインクの重ね刷りによって得られる色を従来よりも低コストかつ少ない工数で予測できるよう、ＣｘＦチャートに含まれるべきパッチの色の予測を可能にすることを目的とする。

第１の発明は、基材上にインクを複数段階のインク濃度で塗ることによって得られる複数の第１タイプパッチを含むカラーチャート内のパッチの色を予測する色予測モデルを構築する方法であって、
前記カラーチャート内の所定のパッチである基準パッチの分光特性と前記カラーチャート内の色予測対象パッチの色値とを含む複数の教師データを取得する教師データ取得ステップと、
入力データを前記基準パッチの分光特性とし出力データを前記色予測対象パッチの色値とするニューラルネットワークで前記複数の教師データを用いた機械学習を行う学習ステップと
を含むことを特徴とする。

第２の発明は、第１の発明において、
前記基準パッチは、前記複数の第１タイプパッチのうちインク濃度が最大のパッチであることを特徴とする。

第３の発明は、第１の発明において、
前記基準パッチは、前記複数の第１タイプパッチのうちインク濃度が最大のパッチおよび前記複数の第１タイプパッチのうちインク濃度が最小のパッチであることを特徴とする。

第４の発明は、第１から第３までのいずれかの発明において、
前記色予測対象パッチは、Ｎ個のパッチであって、
前記Ｎ個のパッチと１対１で対応するようにＮ個の前記ニューラルネットワークが用意され、
前記学習ステップでは、ニューラルネットワーク毎に、対応するパッチの色値と前記基準パッチの分光特性とを用いて機械学習が行われることを特徴とする。

第５の発明は、第１から第３までのいずれかの発明において、
前記色予測対象パッチは、Ｎ個のパッチであって、
入力データを前記基準パッチの分光特性とし出力データを前記Ｎ個のパッチの色値とする１つだけの前記ニューラルネットワークが用意され、
前記学習ステップでは、前記１つだけのニューラルネットワークによって前記基準パッチの分光特性と前記Ｎ個のパッチの色値とを用いて機械学習が行われることを特徴とする。

第６の発明は、第１から第５までのいずれかの発明において、
前記カラーチャート内の各パッチの色は、Ｋ個の分光特性によって特定され、
前記ニューラルネットワークは、入力層と隠れ層と出力層とを含み、
前記入力層には、前記基準パッチとしての１つのパッチにつきＫ個のユニットが設けられ、
前記出力層には、前記色予測対象パッチとしての１つのパッチにつきＫ個のユニットが設けられていることを特徴とする。

第７の発明は、第６の発明において、
前記Ｋ個の分光特性は、４００ｎｍから７００ｎｍまでの波長範囲を適宜の大きさの単位波長範囲で除することによって得られる数の分光反射率であることを特徴とする。

第８の発明は、第１から第６までのいずれかの発明において、
前記分光特性は、分光反射率、分光吸収率、および分光吸収係数のいずれかであることを特徴とする。

第９の発明は、第１から第８までのいずれかの発明において、
前記色値は分光特性であることを特徴とする。

第１０の発明は、第９の発明において、
前記教師データ取得ステップは、
各教師データを生成するための前記カラーチャートの印刷を行うカラーチャート印刷ステップと、
前記カラーチャート印刷ステップで印刷されたカラーチャートに関して前記基準パッチの分光特性および前記色予測対象パッチの分光特性を測定する第１の分光特性測定ステップと
を含むことを特徴とする。

第１１の発明は、第１から第８までのいずれかの発明において、
前記色値は、階調レベルであることを特徴とする。

第１２の発明は、第１１の発明において、
前記教師データ取得ステップは、
各教師データを生成するための前記カラーチャートの印刷を行うカラーチャート印刷ステップと、
前記カラーチャート印刷ステップで印刷されたカラーチャートに関して前記基準パッチの分光特性および前記色予測対象パッチの分光特性を測定する第１の分光特性測定ステップと、
前記第１の分光特性測定ステップで測定された前記色予測対象パッチの分光特性を階調レベルに変換する色値変換ステップと
を含むことを特徴とする。

第１３の発明は、第１から第１２までのいずれかの発明において、
前記カラーチャートは、黒色インク上に前記インクを前記複数段階のインク濃度で塗ることによって得られる複数の第２タイプパッチをさらに含むことを特徴とする。

第１４の発明は、第１の発明において、
前記カラーチャートは、黒色インク上に前記インクを前記複数段階のインク濃度で塗ることによって得られる複数の第２タイプパッチをさらに含み、
前記基準パッチは、前記複数の第１タイプパッチのうちインク濃度が最大のパッチおよび前記複数の第２タイプパッチのうちインク濃度が最小のパッチであることを特徴とする。

第１５の発明は、色予測方法であって、
前記カラーチャート内のパッチの色を予測する対象のインクである色予測対象インクについての前記基準パッチの分光特性を測定する第２の分光特性測定ステップと、
第９または第１０の発明に係る色予測モデル構築方法によって構築された色予測モデルである学習済みのニューラルネットワークに入力データとして前記第２の分光特性測定ステップで測定された分光特性を与えることによって前記色予測対象インクについての前記色予測対象パッチの分光特性を予測する分光特性予測ステップと
を含むことを特徴とする。

第１６の発明は、色予測方法であって、
前記カラーチャート内のパッチの色を予測する対象のインクである色予測対象インクについての前記基準パッチの分光特性を測定する第２の分光特性測定ステップと、
第１１または第１２の発明に係る色予測モデル構築方法によって構築された色予測モデルである学習済みのニューラルネットワークに入力データとして前記第２の分光特性測定ステップで測定された分光特性を与えることによって前記色予測対象インクについての前記色予測対象パッチの階調レベルを予測する階調レベル予測ステップと、
前記階調レベル予測ステップで予測された階調レベルから所定の変換式によって分光特性を求める分光特性算出ステップと
を含むことを特徴とする。

第１７の発明は、基材上にインクを複数段階のインク濃度で塗ることによって得られる複数の第１タイプパッチを含むカラーチャート内のパッチの色を予測する色予測モデルを構築するためのプログラムであって、
コンピュータに、
前記カラーチャート内の所定のパッチである基準パッチの分光特性と前記カラーチャート内の色予測対象パッチの色値とを含む複数の教師データを読み込む教師データ読み込みステップと、
入力データを前記基準パッチの分光特性とし出力データを前記色予測対象パッチの色値とするニューラルネットワークで前記複数の教師データを用いた機械学習を行う学習ステップと
を実行させることを特徴とする。

上記第１の発明によれば、複数の色のインクの重ね刷りによって得られる色の予測に用いられるカラーチャートに関し、基準パッチの分光特性と色予測対象パッチの色値との関係の学習がニューラルネットワークによって行われる。これにより、カラーチャートに含まれるべきパッチの色を予測する色予測モデルが構築される。その色予測モデルを用いることにより、色予測対象インクについてのカラーチャートの印刷や測色を行うことなく、当該カラーチャートが印刷されたと仮定した場合の各パッチの分光特性が得られる。以上より、複数の色のインクの重ね刷りによって得られる色の予測を従来よりも低コストおよび少ない工数で行うことが可能となる。

上記第２の発明によれば、上記第１の発明と同様の効果が得られる。

上記第３の発明によれば、印刷に使用される基材の特性も考慮してニューラルネットワークでの学習が行われる。このため、学習済みのニューラルネットワークによって、該当の基材に印刷が行われた場合の分光特性の予測をより精度良く行うことが可能となる。

上記第４の発明によれば、ニューラルネットワークが１つだけ用意される構成に比べて、各色予測対象パッチの分光特性の予測精度が向上する。

上記第５の発明によれば、色予測対象パッチ毎にニューラルネットワークが用意される構成に比べて、全体の処理速度が向上する。

上記第６から上記第８の発明によれば、上記第１の発明と同様の効果が得られる。

上記第９または第１０の発明によれば、色予測対象インクについての色予測対象パッチの分光特性をニューラルネットワークを用いて直接的に求めることが可能となる。

上記第１１または第１２の発明によれば、ニューラルネットワークから出力される階調レベルに基づいて色予測対象インクについての色予測対象パッチの分光特性を求めることが可能となる。

上記第１３の発明によれば、上記第１の発明と同様の効果が得られる。

上記第１４の発明によれば、いわゆる「墨ベタ」のパッチの分光特性を考慮してニューラルネットワークでの学習が行われる。このため、学習済みのニューラルネットワークによって、特に黒色上に対象のインクが塗られた状態の分光特性の予測をより精度良く行うことが可能となる。

上記第１５または第１６の発明によれば、色予測モデルを用いることによって、色予測対象インクについては基準パッチの測色を行うだけで色予測対象パッチの分光特性を求めることが可能となる。

上記第１７の発明によれば、上記第１の発明と同様の効果が得られる。

ＣｘＦチャートに関して本明細書で用いる用語について説明するための図である。 本発明の第１の実施形態における印刷システムの全体構成図である。 上記第１の実施形態における印刷データ生成装置のハードウェア構成図である。 上記第１の実施形態において、色予測処理の概要について説明するための図である。 上記第１の実施形態におけるニューラルネットワークの構造の一例を示す図である。 上記第１の実施形態において、ニューラルネットワークを用いた学習時の処理について説明するための図である。 上記第１の実施形態において、ニューラルネットワークが色予測対象パッチ毎に用意されることを説明するための図である。 上記第１の実施形態において、色予測処理の手順を示すフローチャートである。 上記第１の実施形態において、教師データの取得手順を示すフローチャートである。 上記第１の実施形態において、教師データの取得の詳細について説明するためのブロック図である。 上記第１の実施形態に関し、第１タイプパッチについての実験結果を示すグラフである。 上記第１の実施形態に関し、第２タイプパッチについての実験結果を示すグラフである。 上記第１の実施形態の第１の変形例におけるニューラルネットワークの構造の一例を示す図である。 上記第１の実施形態の第４の変形例におけるニューラルネットワークの構造の一例を示す図である。 上記第１の実施形態の第６の変形例で使用されるＣｘＦチャートの一例を模式的に示す図である。 本発明の第２の実施形態において、トーンバリューについて説明するための図である。 上記第２の実施形態における色予測処理について説明するためのブロック図である。 上記第２の実施形態において、色予測処理の手順を示すフローチャートである。 上記第２の実施形態において、教師データの取得手順を示すフローチャートである。 従来例に関し、Ｄｅｓｈｐａｎｄｅらの手法について説明するための図である。 従来例に関し、ＣｘＦチャートの一例を模式的に示す図である。 従来例に関し、Ｄｅｓｈｐａｎｄｅらの手法について説明するためのフローチャートである。 従来例に関し、Ｄｅｓｈｐａｎｄｅらの手法について説明するための図である。

＜０．はじめに＞
実施形態について説明する前に、本発明の考え方について説明する。なお、以下においては、ＣｘＦチャートの上段のパッチ（図１で符号７１を付した段のパッチ）（対象のインクを基材上に印刷することによって得られるパッチ）を「第１タイプパッチ」といい、ＣｘＦチャートの下段のパッチ（図１で符号７２を付した段のパッチ）（対象のインクを黒色上に印刷することによって得られるパッチ）を「第２タイプパッチ」という。また、基材そのものの色を表しているパッチ（図１で符号ＰＡ１を付したパッチ）を「紙白パッチ」といい、基材上に対象のインクがベタ（網点パーセント１００％）で塗られた状態のパッチ（図１で符号ＰＡ２を付したパッチ）を「ベタパッチ」といい、基材上に黒色インクだけがベタで塗られた状態のパッチ（図１で符号ＰＡ３を付したパッチ）を「墨ベタパッチ」という。

上述したように、特色のインクを含む複数の色のインクの重ね刷りによって得られる色を予測するためには、ＣｘＦチャートの測色の結果（測色値）が必要となる。これに関し、ＣｘＦチャートを構成する２２個のパッチのうちベタパッチＰＡ２および紙白パッチＰＡ１については、測色値である分光反射率を比較的容易に取得することができる。なお、以下の実施形態では、分光反射率は、３８０～７３０ｎｍの波長範囲で１０ｎｍ刻みで得られる。但し、これには限定されない。例えば、分光反射率を４００～７００ｎｍの波長範囲で適宜の大きさの単位波長範囲刻み（例えば１０ｎｍ刻み）で得るようにしても良い。すなわち、波長範囲を単位波長範囲で除することによって得られる数（例えば３６個）の分光反射率によって１つの色が特定される。

ベタパッチＰＡ２の分光反射率は、例えば、色玉や印刷物に含まれる該当色の部分の測色を行うことによって得られる。また、ベタパッチＰＡ２の分光反射率については、該当色の色見本の測色で得られた分光反射率で代用することもできる。何故ならば、色見本は、該当色をベタ塗りしたときの目標とする色を表しているからである。

紙白パッチＰＡ１の分光反射率は、基材上の何も印刷されていない部分の測色を行うことによって得られる。また、印刷の際に基材として同じ用紙が使用されるのであれば、インクの色に関わらず、紙白パッチＰＡ１の分光反射率は一定である。従って、複数の色のインクについての処理が行われる場合であっても、同じ用紙が使用される限り、紙白パッチＰＡ１の分光反射率の測定は一度だけ行われれば良い。なお、複数のＣｘＦチャートの紙白パッチＰＡ１の分光反射率を測定して、それらの平均値を紙白パッチＰＡ１の分光反射率の代表値として用いても良い。

ＣｘＦチャートを構成する２２個のパッチのうちベタパッチＰＡ２と紙白パッチＰＡ１とを除く２０個のパッチについては、実際に基材上あるいは黒色上に印刷されたものを測色しなければ正確な分光反射率は得られない。しかしながら、色味が近い複数の特色に着目したとき、上記２０個のパッチに関して、複数の特色間で分光反射率は互いに近い値になると考えられる。印刷の際に基材として同じ用紙が使用されるのであれば、ベタパッチＰＡ２の分光反射率と上記２０個のパッチのそれぞれの分光反射率とは一定の関係があると考えられる。

以上のことを考慮して、第１の実施形態では、上記２０個のパッチを色予測対象パッチとし、ベタパッチＰＡ２の分光反射率と色予測対象パッチの分光反射率との関係を予めニューラルネットワークに学習させた上で、色予測対象インク（ＣｘＦチャート内のパッチの色を予測する対象のインク）についての色予測対象パッチの分光反射率を学習済みのニューラルネットワークを用いて予測する。なお、上述したように例えば３６個の分光反射率によって１つの色が特定されるので、以下、分光反射率の予測を行う一連の処理のことを「色予測処理」という。

また、第２の実施形態では、上記２０個のパッチを色予測対象パッチとし、ベタパッチＰＡ２の分光反射率と色予測対象パッチのトーンバリュー（階調レベル）との関係を予めニューラルネットワークに学習させた上で、色予測対象インクについての色予測対象パッチのトーンバリューを学習済みのニューラルネットワークを用いて予測する。そして、予測結果としてのトーンバリューを所定の変換式で分光反射率に変換する。

以下、添付図面を参照しつつ、本発明の実施形態について説明する。

＜１．第１の実施形態＞
＜１．１ 印刷システムの全体構成＞
図２は、本発明の第１の実施形態における印刷システムの全体構成図である。この印刷システムは、ＰＤＦファイルなどの入稿データに対して各種処理を施して印刷データを生成する印刷データ生成装置１００と、印刷データに基づいて印刷版を作製する製版装置２００と、その製版装置２００で作製された印刷版を使用して印刷を行う印刷装置３００と、印刷版を用いることなくデジタルデータである印刷データに基づいて印刷を行うインクジェット印刷機・コピー機等のデジタル印刷装置４００と、色の測定を行う測色機５００とによって構成されている。印刷データ生成装置１００と製版装置２００とデジタル印刷装置４００と測色機５００とは、通信回線６００によって互いに通信可能に接続されている。なお、本実施形態で使用される測色機５００は分光測色機である。

本実施形態では、印刷データ生成装置１００において、ＣｘＦチャートに含まれるべきパッチの色を予測するためのモデル（学習モデル）である色予測モデルの構築が行われる。この色予測モデルを用いることにより、ＣｘＦチャートの印刷が行われていない特色についても、ＣｘＦチャートが印刷されたと仮定した場合の各パッチの色値（分光反射率）を取得することができる。印刷データ生成装置１００では、このような色予測モデルの構築に必要となるＣｘＦチャートを作成するための印刷データの生成も行われる。また、印刷データ生成装置１００では、複数の色のインクの重ね刷りによって得られる色（典型的には、複数の特色のインクの重ね刷りが行われた部分あるいは特色のインクとプロセスカラーのインクとの重ね刷りが行われた部分の色）を予測するオーバープリント予測処理が行われる。オーバープリント予測処理では、必要に応じて、色予測モデルによる予測結果（分光反射率の予測値）が用いられる。さらに、印刷データ生成装置１００では、オーバープリント予測処理で得られたデータをデジタル印刷装置４００での印刷出力が可能な形式の印刷データに変換する処理も行われる。なお、オーバープリント予測処理の具体的な手法については、上述したＤｅｓｈｐａｎｄｅらの手法を採用しても良いし、それとは別の手法を採用しても良い。

＜１．２ 印刷データ生成装置の構成＞
図３は、本実施形態における印刷データ生成装置１００のハードウェア構成図である。この印刷データ生成装置１００は、パソコンによって実現されており、ＣＰＵ１１と、ＲＯＭ１２と、ＲＡＭ１３と、補助記憶装置１４と、キーボード等の入力操作部１５と、表示部１６と、光学ディスクドライブ１７と、ネットワークインタフェース部１８とを有している。通信回線６００経由で送られてくる入稿データは、ネットワークインタフェース部１８を介して印刷データ生成装置１００の内部へと入力される。印刷データ生成装置１００で生成された印刷データは、ネットワークインタフェース部１８を介して通信回線６００経由でデジタル印刷装置４００に送られる。

色予測モデルを構築するためのプログラム（以下、「色予測モデル構築プログラム」という。）１４１は補助記憶装置１４に格納されている。色予測モデル構築プログラム１４１は、ＣＤ－ＲＯＭやＤＶＤ－ＲＯＭ等のコンピュータ読み取り可能な記録媒体に格納されて提供される。すなわちユーザは、例えば、色予測モデル構築プログラム１４１の記録媒体としての光学ディスク（ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ等）１７０を購入して光学ディスクドライブ１７に装着し、その光学ディスク１７０から色予測モデル構築プログラム１４１を読み出して補助記憶装置１４にインストールする。また、これに代えて、通信回線６００を介して送られる色予測モデル構築プログラム１４１をネットワークインタフェース部１８で受信して、それを補助記憶装置１４にインストールするようにしてもよい。

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

＜１．３ 色予測処理＞
＜１．３．１ 概要＞
まず、図１および図４を参照しつつ、色予測処理の概要を説明する。上述したように、ＣｘＦチャートを構成する２２個のパッチのうちベタパッチＰＡ２および紙白パッチＰＡ１については、比較的容易に分光反射率を取得することができる。また、印刷の際に基材として同じ用紙が使用されるのであれば、インクの色に関わらず、紙白パッチＰＡ１の分光反射率は一定である。そこで、本実施形態においては、ベタパッチＰＡ２の分光反射率から色予測対象パッチ（ＣｘＦチャートを構成する２２個のパッチのうちベタパッチＰＡ２と紙白パッチＰＡ１とを除くパッチ）の分光反射率を予測する色予測モデルが構築される。そして、当該色予測モデルを用いて、色予測対象インクについての色予測対象パッチの分光反射率が予測される。なお、本実施形態におけるベタパッチＰＡ２のように色予測対象パッチの分光反射率の予測元となるパッチのことを「基準パッチ」という。

本実施形態においては、色予測モデルは機械学習を行うニューラルネットワーク７３によって実現される（図４参照）。色予測処理は、概略的には、学習段階の処理と予測（推論）段階の処理とに分けられる。学習段階では、ニューラルネットワーク７３に教師データが与えられ、当該教師データを用いた機械学習がニューラルネットワーク７３で行われる。ニューラルネットワーク７３には、教師データとして、ＣｘＦチャート内のパッチの測色によって得られる分光反射率が与えられる。なお、本実施形態においては、１つの教師データは、ベタパッチＰＡ２の測色によって得られる３６個の分光反射率と１つの色予測対象パッチの測色によって得られる３６個の分光反射率とによって構成される。予測段階では、学習済みのニューラルネットワーク７３に、色予測対象インクについてのベタパッチ（基準パッチ）ＰＡ２の分光反射率が与えられる。これにより、ニューラルネットワーク７３から色予測対象インクについての色予測対象パッチの分光反射率（予測値）が出力される。

＜１．３．２ 詳細＞
図５は、本実施形態で用いられるニューラルネットワーク７３の構造の一例を示す図である。このニューラルネットワーク７３は、入力層と隠れ層（中間層）と出力層とによって構成されている。入力層は、３６個の分光反射率７５（１）～７５（３６）を受け取る３６個のユニット（ニューロン）によって構成されている。隠れ層も３６個のユニットによって構成されている。但し、隠れ層のユニット数は３６には限定されない。また、図５に示す例では隠れ層の層数は１であるが、隠れ層の層数は２以上であっても良い。出力層は、３６個の分光反射率７６（１）～７６（３６）を出力する３６個のユニットによって構成されている。

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

このニューラルネットワーク７３を用いた学習時には、分光反射率７５（１）～７５（３６）が入力層に与えられる。これにより、ニューラルネットワーク７３内で順伝播の処理が行われ、出力層から出力される分光反射率７６（１）～７６（３６）と正解データである分光反射率７７（１）～７７（３６）との２乗誤差の総和が求められる（図６参照）。そして、誤差の逆伝播の処理で得られる結果に基づいて勾配降下法を用いることによって、ニューラルネットワーク７３のパラメータ（重み係数、バイアス）が更新される。以上のようにして学習が繰り返されることによって、上記パラメータが最適化される。なお、学習手法については、全ての教師データをまとめてニューラルネットワーク７３に与えるバッチ学習を採用しても良いし、教師データを複数のグループに分割してグループ毎に教師データをニューラルネットワーク７３に与えるミニバッチ学習を採用しても良いし、教師データを１つずつニューラルネットワーク７３に与えるオンライン学習を採用しても良い。

このニューラルネットワーク７３を用いた予測時（推論時）には、色予測対象インクについてのベタパッチＰＡ２の分光反射率７５（１）～７５（３６）が入力層に与えられる。そして、ニューラルネットワーク７３内で順伝播の処理が行われることによって出力層から出力される分光反射率７６（１）～７６（３６）が、色予測対象インクについての色予測対象パッチの分光反射率の予測値として扱われる。

ところで、図５に示したニューラルネットワーク７３は、色予測対象パッチ毎に用意される。本実施形態では、２０個のパッチが色予測対象パッチとされるので、図７に示すように２０個のニューラルネットワーク７３（１）～７３（２０）が用意される。そして、色予測対象パッチ毎に、対応するニューラルネットワーク７３を用いて学習および予測（推論）が行われる。

＜１．３．３ 処理手順＞
次に、図８および図９に示すフローチャートを参照しつつ、色予測処理の手順について説明する。図８に示すように、まず、色予測モデルとして構築されるべきニューラルネットワーク７３での学習に必要な教師データを取得する処理が行われる（ステップＳ１００）。ステップＳ１００では、分光反射率の予測が精度良く行われるよう、充分な数の教師データを取得することが好ましい。ステップＳ１００は、詳しくは、図９に示すように、ＣｘＦチャートを印刷するステップ（ステップＳ１０２）と分光反射率を測定するステップ（ステップＳ１０４）とからなる。ステップＳ１０２およびステップＳ１０４の処理については、図１０を参照しつつ、詳しく説明する。

ステップＳ１０２では、まず、印刷データ生成装置１００でＣｘＦチャート出力用の印刷データＤｃｈが作成され、当該印刷データＤｃｈが製版装置２００に送られる。製版装置２００では、印刷データＤｃｈに基づいて印刷版ＰＬが作製される。そして、その印刷版ＰＬを用いて、印刷装置３００で印刷が実行される。これにより、印刷装置３００からＣｘＦチャートＣＨが出力される。

ステップＳ１０４では、測色機５００によって、ステップＳ１０２で印刷されたＣｘＦチャートＣＨに含まれるパッチの測色が行われる。測色機５００による測色で得られた測色データＤｃｍは、印刷データ生成装置１００に送られる。上述したように、本実施形態で使用される測色機５００は分光測色機である。従って、測色で得られる測色データＤｃｍは、分光反射率のデータである。本実施形態においては、分光反射率のデータは、３８０～７３０ｎｍの波長範囲で１０ｎｍ刻みで得られる。従って、ＣｘＦチャートＣＨの任意の１つのパッチの測色を行うことによって、３６個の分光反射率のデータが得られる。

教師データの取得後、ニューラルネットワーク７３によって、ステップＳ１００で得られた教師データを用いた機械学習が行われる（ステップＳ１１０）。上述したように、本実施形態においては、この機械学習は、色予測対象パッチ毎に、対応するニューラルネットワーク７３を用いて行われる。ステップＳ１１０での機械学習によって、ニューラルネットワーク７３のパラメータ（重み係数、バイアス）が最適化される。その最適化されたパラメータを有するニューラルネットワーク７３が、色の予測に使用される色予測モデルとなる。以上のように、ステップＳ１１０では、ＣｘＦチャート内のパッチの色を予測する色予測モデルが構築される。

なお、ステップＳ１００およびステップＳ１１０の処理（図８で符号６１を付した部分の処理）については、１度だけ行われれば良く、１つの色予測対象インクの処理毎に行われる必要はない。これに対して、ステップＳ１２０およびステップＳ１３０の処理（図８で符号６２を付した部分の処理）は、１つの色予測対象インクの処理毎に行われる必要がある。

ステップＳ１２０では、測色機５００を用いて、色予測対象インクについてのベタパッチＰＡ２の分光反射率が測定される。上述したように、ベタパッチの分光反射率は、例えば、色玉や印刷物に含まれる該当色の部分の測色を行うことによって得られる。また、ベタパッチの分光反射率を該当色の色見本の分光反射率で代用することもできる。

次に、ステップＳ１１０で構築された色予測モデルとしてのニューラルネットワーク７３に入力データとしてステップＳ１２０で得られた分光反射率を与えることによって、色予測対象インクについての色予測対象パッチの分光反射率（予測値）が求められる（ステップＳ１３０）。このステップＳ１３０では、２０個の色予測対象パッチのそれぞれについて、３６個の分光反射率が求められる。ところで、ベタパッチＰＡ２の分光反射率はステップＳ１２０で得られている。また、紙白パッチＰＡ１の分光反射率については、同じ用紙が使用される限り、過去の測定値を用いることができる。以上より、実際には色予測対象インクについてのＣｘＦチャートが印刷されていなくても、当該ＣｘＦチャートが印刷されたと仮定した場合の全てのパッチの分光反射率が得られる。

なお、本実施形態においては、ステップＳ１００によって教師データ取得ステップが実現され、ステップＳ１１０によって学習ステップが実現され、ステップＳ１２０によって第２の分光特性測定ステップが実現され、ステップＳ１３０によって分光特性予測ステップが実現されている。また、ステップＳ１０２によってカラーチャート印刷ステップが実現され、ステップＳ１０４によって第１の分光特性測定ステップが実現されている。

＜１．４ 実験結果＞
上記ニューラルネットワーク７３を用いた分光反射率の予測の実験結果について説明する。図１１は、第１タイプパッチ７１についての実験結果を示すグラフである。図１２は、第２タイプパッチ７２についての実験結果を示すグラフである。図１１および図１２において、Ａ部には各波長についての反射率の実測値をパッチ毎の実線で表しており、Ｂ部には各波長についての反射率の予測値をパッチ毎の実線で表している。各グラフに関し、横軸は波長（単位：ｎｍ）であり、縦軸は反射率である。なお、図１１および図１２に関し、符号とＣｘＦチャートにおける特色の網点パーセントとの対応関係は「Ｍ（０）：０％、Ｍ（１）：１０％、Ｍ（２）：２０％、Ｍ（３）：３０％、Ｍ（４）：４０％、Ｍ（５）：５０％、Ｍ（６）：６０％、Ｍ（７）：７０％、Ｍ（８）：８０％、Ｍ（９）：９０％、Ｍ（１０）：１００％」となっている。

図１１から、第１タイプパッチ７１については中間調の予測精度がやや低いものの全体的には充分な精度で予測が行われていることが把握される。なお、中間調のパッチの分光反射率については、紙白パッチＰＡ１の分光反射率とベタパッチＰＡ２の分光反射率とに基づいて補間計算を行うことによって求めることもできる。

第２タイプパッチ７２については、図１２のＡ部に着目すると、約４８０ｎｍ以下の波長領域では特色の濃度が低いほど反射率が高いのに対して、約４８０ｎｍ以上の波長領域では特色の濃度が高いほど反射率が高い。本来的にはインクが多く重ねられるほど反射率は低くなるが、約４８０ｎｍ以上の波長領域ではインクが多く重ねられるほど反射率が高くなっている。これは、特色のインクの中に不透明成分が存在しており不透明部分での光の反射が生じているためと考えられる。図１２のＢ部に示すように、約４８０ｎｍの波長を境とするこのような反射率の逆転現象が予測値についても生じている。すなわち、ニューラルネットワーク７３において上記のような不透明成分の影響を考慮して分光反射率の予測が行われていることが把握される。

また、実験によれば、第２タイプパッチ７２に関して、実測値と予測値との色差（すなわち予測誤差）が特色の濃度に関わらず５前後の値であった。なお、色差は、次のようにして求められる。まず、実測値および予測値のそれぞれについて、分光反射率から所定の計算式によって三刺激値Ｘ，Ｙ，およびＺを求める。次に、実測値および予測値のそれぞれについて、三刺激値Ｘ，Ｙ，およびＺから所定の変換式によってＬａｂ値（Ｌ値、ａ値、およびｂ値）を求める。次に、Ｌ値、ａ値、およびｂ値のそれぞれについて、実測値と予測値との差を求める。それによって得られた３つの差の２乗和の平方根の値（正の値）が色差である。ここで、墨ベタパッチＰＡ３の分光反射率が得られると仮定して、全ての第２タイプパッチ７２の分光反射率を墨ベタパッチＰＡ３の分光反射率で代用することを考える。この場合、特色の濃度が高いパッチほど色差が大きくなる。第２タイプパッチ７２のうち特色の網点パーセントが１００％のパッチでは色差は約１３となった。本実施形態に係るニューラルネットワーク７３を用いて予測を行った場合には特色の濃度に関わらず色差は約５であったので、本実施形態の手法の優位性が理解される。

＜１．５ 効果＞
本実施形態によれば、複数の色のインクの重ね刷りによって得られる色の予測に用いられるＣｘＦチャート（図１参照）に関し、ベタパッチＰＡ２と紙白パッチＰＡ１とを除くパッチを色予測対象パッチとして、ベタパッチＰＡ２の分光反射率と色予測対象パッチの分光反射率との関係の学習がニューラルネットワーク７３によって行われる。これにより、ＣｘＦチャートに含まれるべきパッチの色を予測する色予測モデルが構築される。そして、その色予測モデルを用いて、色予測対象インクについての色予測対象パッチの分光反射率（予測値）が求められる。すなわち、色予測対象インクについてのＣｘＦチャートを印刷することなく、当該ＣｘＦチャートが印刷されたと仮定した場合の各パッチの分光反射率が得られる。従って、ＣｘＦチャートの印刷や測色が不要となる。以上より、複数の色のインクの重ね刷りによって得られる色の予測を従来よりも低コストおよび少ない工数で行うことが可能となる。

＜１．６．変形例＞
以下、上記第１の実施形態の変形例について説明する。

＜１．６．１ 第１の変形例＞
上記第１の実施形態においては、ベタパッチＰＡ２の分光反射率に基づいて色予測対象パッチの分光反射率が予測されていた。しかしながら、本発明はこれに限定されず、ベタパッチＰＡ２の分光反射率と紙白パッチＰＡ１の分光反射率とに基づいて色予測対象パッチの分光反射率が予測されるようにしても良い。この場合、ニューラルネットワーク７３の構造は、例えば図１３に示すような構造となる。図１３に示すように、入力層は、ベタパッチＰＡ２についての３６個の分光反射率７５（１）～７５（３６）および紙白パッチＰＡ１についての３６個の分光反射率７８（１）～７８（３６）を受け取る７２個のユニットによって構成される。隠れ層は、例えば３６個のユニットによって構成される。出力層は、上記第１の実施形態と同様、色予測対象パッチについての３６個の分光反射率７６（１）～７６（３６）を出力する３６個のユニットによって構成される。学習時および予測時には、ベタパッチＰＡ２の分光反射率７５（１）～７５（３６）に加えて紙白パッチＰＡ１の分光反射率７８（１）～７８（３６）が入力データとしてニューラルネットワーク７３に与えられる。

本変形例によれば、印刷に使用される基材（印刷用紙）の特性も考慮してニューラルネットワーク７３での学習が行われる。このため、該当の基材に印刷が行われた場合の分光反射率の予測が、より精度良く行われる。

＜１．６．２ 第２の変形例＞
また、ベタパッチＰＡ２の分光反射率と墨ベタパッチＰＡ３の分光反射率とに基づいて色予測対象パッチの分光反射率が予測されるようにしても良い。この場合、上記第１の変形例と同様の構造のニューラルネットワーク７３が用いられ、学習時および予測時には、ベタパッチＰＡ２についての３６個の分光反射率および墨ベタパッチＰＡ３についての３６個の分光反射率が入力データとしてニューラルネットワーク７３に与えられる

本変形例によれば、墨ベタパッチＰＡ３の分光反射率を考慮してニューラルネットワーク７３での学習が行われる。このため、特に第２タイプパッチ７２の分光反射率の予測が、より精度良く行われる。

＜１．６．３ 第３の変形例＞
上記第１の実施形態においては、ニューラルネットワーク７３には入力データとして分光反射率の値がそのまま与えられていた。しかしながら、本発明はこれには限定されず、分光反射率の各測定値に対して紙白パッチＰＡ１の分光反射率を１とする正規化を施し、正規化によって得られた値を入力データとしてニューラルネットワーク７３に与えるようにしても良い。

本変形例によれば、紙白パッチＰＡ１の分光反射率が基準となるように正規化が施されたデータがニューラルネットワーク７３に与えられるので、印刷に使用される基材（印刷用紙）の特性を考慮して学習が行われる。このため、上記第１の変形例と同様、該当の基材に印刷が行われた場合の分光反射率の予測が、より精度良く行われる。

＜１．６．４ 第４の変形例＞
上記第１の実施形態においては、色予測対象パッチの数に等しい数のニューラルネットワーク７３が用意され、色予測対象パッチ毎に、対応するニューラルネットワーク７３を用いて学習および予測（推論）が行われていた。しかしながら、本発明はこれに限定されず、１つのニューラルネットワーク７３で全ての色予測対象パッチの処理が行われるようにしても良い。

図１４は、本変形例におけるニューラルネットワーク７３の構造の一例を示す図である。なお、図１４では、２つの層間を結合する線の図示を省略している。入力層－隠れ層間の結合および隠れ層－出力層間の結合は、全結合である。入力層および隠れ層については、上記第１の実施形態と同様の構造を有している。出力層は、全ての色予測対象パッチについての３６個の分光反射率７６（１）～７６（３６）を出力するように構成されている。すなわち、出力層には、２０個の色予測対象パッチＰ（１）～Ｐ（２０）の各々につき３６個の分光反射率７６（１）～７６（３６）を出力する３６個のユニットが設けられている。

本変形例においては、上記第１の実施形態とは異なり、入力層－隠れ層間のネットワークが全ての色予測対象パッチで共通化される。このため、上記第１の実施形態に比べて全体の処理速度が向上する。

＜１．６．５ 第５の変形例＞
上記第１の実施形態においては、ベタパッチＰＡ２の分光反射率に基づいて色予測対象パッチの分光反射率が予測されていた。すなわち、ベタパッチＰＡ２を基準パッチとして分光反射率の予測が行われていた。しかしながら、本発明はこれに限定されず、中間調のパッチの分光反射率に基づいて他のパッチ（色予測対象パッチ）の分光反射率が予測されるようにしても良い。例えば、第１タイプパッチ７１のうちの特色の網点パーセントが５０％のパッチの分光反射率と他のパッチの分光反射率との関係をニューラルネットワーク７３に学習させておき、基材上に網点パーセントを５０％とする色予測対象インクが塗られた状態の分光反射率を学習済みのニューラルネットワーク７３に与えることによって当該色予測対象インクについての色予測対象パッチの分光反射率（予測値）を求めるようにすることもできる。このように、中間調のパッチを基準パッチとして分光反射率の予測が行われるようにしても良い。

＜１．６．６ 第６の変形例＞
上記第１の実施形態においては、第１タイプパッチ７１と第２タイプパッチ７２とからなるＣｘＦチャートが使用される例を挙げて説明したが、模式的には図１５に示すような３つの段からなるＣｘＦチャートが使用されることもある。図１５で符号８１を付した段のパッチは第１タイプパッチである。図１５で符号８２を付した段のパッチは第２タイプパッチである。図１５で符号８３を付した段のパッチは、網点パーセントを５０％とする黒色上に対象のインクを印刷することによって得られるパッチ（以下、「第３タイプパッチ」という。）である。

上記のような第３タイプパッチ８３の分光反射率を教師データに含めて予めニューラルネットワーク７３で学習を行うことができるのであれば、色予測対象インクについての第３タイプパッチ８３の分光反射率を学習済みのニューラルネットワーク７３で予測することも可能となる。

＜２．第２の実施形態＞
本発明の第２の実施形態について説明する。但し、上記第１の実施形態と異なる点を中心に説明する。

＜２．１ 概要＞
上記第１の実施形態においては、色予測対象インクについての色予測対象パッチの分光反射率を予測するために、ベタパッチＰＡ２（図１参照）の分光反射率と色予測対象パッチの分光反射率との関係の学習が予めニューラルネットワーク７３によって行われていた。これに対して、本実施形態においては、色予測対象インクについての色予測対象パッチの分光反射率を予測するために、ベタパッチＰＡ２の分光反射率と色予測対象パッチのトーンバリュー（階調レベル）との関係の学習が予めニューラルネットワーク７３によって行われる。すなわち、ニューラルネットワーク７３の出力層からはトーンバリューが出力される。分光反射率の予測を行う際には、色予測対象インクについてのベタパッチＰＡ２の分光反射率を学習済みのニューラルネットワーク７３に与えることによって、色予測対象パッチのトーンバリュー（予測値）が得られる。そして、所定の変換式に基づき、トーンバリューから分光反射率が算出される。

以下、本実施形態における色予測処理について説明する。なお、印刷システムの全体構成および印刷データ生成装置１００の構成については、上記第１の実施形態と同様である（図２および図３を参照）。

＜２．２ 色予測処理＞
上述したように、本実施形態においては、ニューラルネットワーク７３を用いてトーンバリューの予測が行われる。そこで、まず、図１６を参照しつつ、トーンバリューについて説明する。図１６に示すグラフは、横軸を波長とし、縦軸を反射率としている。符号８４を付した曲線は、基材そのものの色（紙白）についての各波長の反射率を表している。符号８５を付した曲線は、或るインクが基材上にベタ（網点パーセント１００％）で塗られた状態の各波長の反射率を表している。符号８６を付した曲線は、当該或るインクが基材上に或る網点パーセント（ここではＱ％とする）で塗られた状態の各波長の反射率を表している。このとき、基材上に網点パーセントをＱ％として当該或るインクが塗られた状態の波長ＷにおけるトーンバリューＴＶは、次式（４）で表される（図１６参照）。
ＴＶ＝Ｖ２／Ｖ１
＝（Ｖ３－Ｖ５）／（Ｖ３－Ｖ４） ・・・（４）

上式（４）より、次式（５）が成立する。すなわち、トーンバリューＴＶが得られていれば、次式（５）によって、基材上に網点パーセントをＱ％として上記或るインクが塗られた状態の波長Ｗにおける反射率Ｖ５を求めることができる。
Ｖ５＝Ｖ３－ＴＶ（Ｖ３－Ｖ４） ・・・（５）

本実施形態においては、ニューラルネットワーク７３を用いた予測時（推論時）には、図１７に示すように、色予測対象インクについての色予測対象パッチのトーンバリュー８７（１）～８７（３６）がニューラルネットワーク７３から出力される。図１７に示すように、このトーンバリュー８７（１）～８７（３６）を分光反射率７６（１）～７６（３６）に変換するための色値変換部８８が設けられている。色値変換部８８は、上式（５）によって、トーンバリュー８７（１）～８７（３６）を分光反射率７６（１）～７６（３６）に変換する。その際、上式（５）のＶ３には紙白パッチの分光反射率が代入され、上式（５）のＶ４にはベタパッチの分光反射率が代入される。

図１８および図１９に示すフローチャートを参照しつつ、本実施形態における色予測処理の手順について説明する。まず、ニューラルネットワーク７３での学習に必要な教師データを取得する処理が行われる（ステップＳ２００）。

図１９に示すように、ステップＳ２００は、ＣｘＦチャートを印刷するステップ（ステップＳ２０２）と、分光反射率を測定するステップ（ステップＳ２０４）と、分光反射率をトーンバリューに変換するステップ（ステップＳ２０６）とからなる。ステップＳ２０２では、上記第１の実施形態と同様にしてＣｘＦチャートが印刷される。ステップＳ２０４では、上記第１の実施形態と同様にして分光反射率の測定が行われる。ステップＳ２０６では、上式（４）を用いて、ステップＳ２０４で得られた分光反射率をトーンバリューに変換する処理が行われる。このような処理が行われる理由は、本実施形態においてはベタパッチＰＡ２の測色で得られる３６個の分光反射率と１つの色予測対象パッチの測色で得られる３６個の分光反射率に対応する３６個のトーンバリューとによって１つの教師データが構成されるからである。

教師データの取得後、ニューラルネットワーク７３によって、ステップＳ２００で得られた教師データを用いた機械学習が行われる（ステップＳ２１０）。これにより、ニューラルネットワーク７３のパラメータ（重み係数、バイアス）が最適化され、ＣｘＦチャート内のパッチの色を予測する色予測モデルが構築される。

ステップＳ２２０では、上記第１の実施形態と同様、測色機５００を用いて、色予測対象インクについてのベタパッチＰＡ２の分光反射率が測定される。そして、ステップＳ２１０で構築された色予測モデルとしてのニューラルネットワーク７３に入力データとしてステップＳ２２０で得られた分光反射率を与えることによって、色予測対象インクについての色予測対象パッチのトーンバリュー（予測値）が求められる（ステップＳ２３０）。このステップＳ２３０では、２０個の色予測対象パッチのそれぞれについて、３６個のトーンバリューが求められる。最後に、上式（５）に基づき、ステップＳ２３０で求められたトーンバリューから分光反射率が算出される（ステップＳ２４０）。

なお、本実施形態においては、ステップＳ２００によって教師データ取得ステップが実現され、ステップＳ２１０によって学習ステップが実現され、ステップＳ２２０によって第２の分光特性測定ステップが実現され、ステップＳ２３０によって階調レベル予測ステップが実現され、ステップＳ２４０によって分光特性算出ステップが実現されている。また、ステップＳ２０２によってカラーチャート印刷ステップが実現され、ステップＳ２０４によって第１の分光特性測定ステップが実現され、ステップＳ２０６によって色値変換ステップが実現されている。

＜２．３ 効果＞
上記第１の実施形態と同様、本実施形態によれば、複数の色のインクの重ね刷りによって得られる色の予測を従来よりも低コストおよび少ない工数で行うことが可能となる。

＜３．その他＞
本発明は、上記各実施形態（変形例を含む）に限定されるものではなく、本発明の趣旨を逸脱しない範囲で種々変形して実施することができる。

上記各実施形態では、カラーチャートのパッチ等を測色機５００で測色し、分光反射率を得た上で、色予測モデルが構築されている。しかし、分光反射率以外の測定値に基づいて色予測モデルを構築することもできる。例えば、分光吸収率（１から分光反射率を減ずることによって得られる値）や次式（６）から得られる分光吸収係数αに基づいても色予測モデルを構築することができる。なお、分光反射率、分光吸収率、および分光吸収係数等の測定値が「分光特性」に相当する。ある波長における紙白での反射率をＲ₀とし、該当パッチの反射率をＲとし、インクの厚みをｘとすると、多重反射を考慮しない場合には、分光吸収係数αは次式（６）で表される。
α＝－（１／（２ｘ））・ｌｎ（Ｒ／Ｒ₀） ・・・（６）

さらに、上記第１の実施形態（第６の変形例以外の変形例を含む）および上記第２の実施形態では図１に示すＣｘＦチャート（第１タイプパッチ７１および第２タイプパッチ７２からなるＣｘＦチャート）を用いて色予測モデルが構築され、上記第１の実施形態の第６の変形例では図１５に示すＣｘＦチャート（第１タイプパッチ８１、第２タイプパッチ８２、および第３タイプパッチ８３からなるＣｘＦチャート）を用いて色予測モデルが構築されている。しかし、第１タイプパッチのみからなる「簡易ＣｘＦチャート」を用いて色予測モデルを構築することもできる。

７３…ニューラルネットワーク
８８…色値変換部
１００…印刷データ生成装置
１４１…色予測モデル構築プログラム
２００…製版装置
３００…印刷装置
４００…デジタル印刷装置
５００…測色機
ＰＡ１…紙白パッチ
ＰＡ２…ベタパッチ
ＰＡ３…墨ベタパッチ

Claims (17)

1. 基材上にインクを複数段階のインク濃度で塗ることによって得られる複数の第１タイプパッチを含むカラーチャート内のパッチの色を予測する色予測モデルを構築する方法であって、
   前記カラーチャート内の所定のパッチである基準パッチの分光特性と前記カラーチャート内の色予測対象パッチの色値とを含む複数の教師データを取得する教師データ取得ステップと、
   入力データを前記基準パッチの分光特性とし出力データを前記色予測対象パッチの色値とするニューラルネットワークで前記複数の教師データを用いた機械学習を行う学習ステップと
   を含むことを特徴とする、色予測モデル構築方法。
2. 前記基準パッチは、前記複数の第１タイプパッチのうちインク濃度が最大のパッチであることを特徴とする、請求項１に記載の色予測モデル構築方法。
3. 前記基準パッチは、前記複数の第１タイプパッチのうちインク濃度が最大のパッチおよび前記複数の第１タイプパッチのうちインク濃度が最小のパッチであることを特徴とする、請求項１に記載の色予測モデル構築方法。
4. 前記色予測対象パッチは、Ｎ個のパッチであって、
   前記Ｎ個のパッチと１対１で対応するようにＮ個の前記ニューラルネットワークが用意され、
   前記学習ステップでは、ニューラルネットワーク毎に、対応するパッチの色値と前記基準パッチの分光特性とを用いて機械学習が行われることを特徴とする、請求項１から３までのいずれか１項に記載の色予測モデル構築方法。
5. 前記色予測対象パッチは、Ｎ個のパッチであって、
   入力データを前記基準パッチの分光特性とし出力データを前記Ｎ個のパッチの色値とする１つだけの前記ニューラルネットワークが用意され、
   前記学習ステップでは、前記１つだけのニューラルネットワークによって前記基準パッチの分光特性と前記Ｎ個のパッチの色値とを用いて機械学習が行われることを特徴とする、請求項１から３までのいずれか１項に記載の色予測モデル構築方法。
6. 前記カラーチャート内の各パッチの色は、Ｋ個の分光特性によって特定され、
   前記ニューラルネットワークは、入力層と隠れ層と出力層とを含み、
   前記入力層には、前記基準パッチとしての１つのパッチにつきＫ個のユニットが設けられ、
   前記出力層には、前記色予測対象パッチとしての１つのパッチにつきＫ個のユニットが設けられていることを特徴とする、請求項１から５までのいずれか１項に記載の色予測モデル構築方法。
7. 前記Ｋ個の分光特性は、４００ｎｍから７００ｎｍまでの波長範囲を適宜の大きさの単位波長範囲で除することによって得られる数の分光反射率であることを特徴とする、請求項６に記載の色予測モデル構築方法。
8. 前記分光特性は、分光反射率、分光吸収率、および分光吸収係数のいずれかであることを特徴とする、請求項１から６までのいずれか１項に記載の色予測モデル構築方法。
9. 前記色値は分光特性であることを特徴とする、請求項１から８までのいずれか１項に記載の色予測モデル構築方法。
10. 前記教師データ取得ステップは、
    各教師データを生成するための前記カラーチャートの印刷を行うカラーチャート印刷ステップと、
    前記カラーチャート印刷ステップで印刷されたカラーチャートに関して前記基準パッチの分光特性および前記色予測対象パッチの分光特性を測定する第１の分光特性測定ステップと
    を含むことを特徴とする、請求項９に記載の色予測モデル構築方法。
11. 前記色値は、階調レベルであることを特徴とする、請求項１から８までのいずれか１項に記載の色予測モデル構築方法。
12. 前記教師データ取得ステップは、
    各教師データを生成するための前記カラーチャートの印刷を行うカラーチャート印刷ステップと、
    前記カラーチャート印刷ステップで印刷されたカラーチャートに関して前記基準パッチの分光特性および前記色予測対象パッチの分光特性を測定する第１の分光特性測定ステップと、
    前記第１の分光特性測定ステップで測定された前記色予測対象パッチの分光特性を階調レベルに変換する色値変換ステップと
    を含むことを特徴とする、請求項１１に記載の色予測モデル構築方法。
13. 前記カラーチャートは、黒色インク上に前記インクを前記複数段階のインク濃度で塗ることによって得られる複数の第２タイプパッチをさらに含むことを特徴とする、請求項１から１２までのいずれか１項に記載の色予測モデル構築方法。
14. 前記カラーチャートは、黒色インク上に前記インクを前記複数段階のインク濃度で塗ることによって得られる複数の第２タイプパッチをさらに含み、
    前記基準パッチは、前記複数の第１タイプパッチのうちインク濃度が最大のパッチおよび前記複数の第２タイプパッチのうちインク濃度が最小のパッチであることを特徴とする、請求項１に記載の色予測モデル構築方法。
15. 前記カラーチャート内のパッチの色を予測する対象のインクである色予測対象インクについての前記基準パッチの分光特性を測定する第２の分光特性測定ステップと、
    請求項９または１０に記載の色予測モデル構築方法によって構築された色予測モデルである学習済みのニューラルネットワークに入力データとして前記第２の分光特性測定ステップで測定された分光特性を与えることによって前記色予測対象インクについての前記色予測対象パッチの分光特性を予測する分光特性予測ステップと
    を含むことを特徴とする、色予測方法。
16. 前記カラーチャート内のパッチの色を予測する対象のインクである色予測対象インクについての前記基準パッチの分光特性を測定する第２の分光特性測定ステップと、
    請求項１１または１２に記載の色予測モデル構築方法によって構築された色予測モデルである学習済みのニューラルネットワークに入力データとして前記第２の分光特性測定ステップで測定された分光特性を与えることによって前記色予測対象インクについての前記色予測対象パッチの階調レベルを予測する階調レベル予測ステップと、
    前記階調レベル予測ステップで予測された階調レベルから所定の変換式によって分光特性を求める分光特性算出ステップと
    を含むことを特徴とする、色予測方法。
17. 基材上にインクを複数段階のインク濃度で塗ることによって得られる複数の第１タイプパッチを含むカラーチャート内のパッチの色を予測する色予測モデルを構築するためのプログラムであって、
    コンピュータに、
    前記カラーチャート内の所定のパッチである基準パッチの分光特性と前記カラーチャート内の色予測対象パッチの色値とを含む複数の教師データを読み込む教師データ読み込みステップと、
    入力データを前記基準パッチの分光特性とし出力データを前記色予測対象パッチの色値とするニューラルネットワークで前記複数の教師データを用いた機械学習を行う学習ステップと
    を実行させるための色予測モデル構築プログラム。

Images