JPH0427832A - 色覚情報変換方法及び装置 - Google Patents
色覚情報変換方法及び装置Info
- Publication number
- JPH0427832A JPH0427832A JP2132347A JP13234790A JPH0427832A JP H0427832 A JPH0427832 A JP H0427832A JP 2132347 A JP2132347 A JP 2132347A JP 13234790 A JP13234790 A JP 13234790A JP H0427832 A JPH0427832 A JP H0427832A
- Authority
- JP
- Japan
- Prior art keywords
- color
- layer
- input
- neural network
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000004456 color vision Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000003595 spectral effect Effects 0.000 claims abstract description 49
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 70
- 238000006243 chemical reaction Methods 0.000 claims description 59
- 238000009826 distribution Methods 0.000 claims description 35
- 230000008878 coupling Effects 0.000 abstract description 4
- 238000010168 coupling process Methods 0.000 abstract description 4
- 238000005859 coupling reaction Methods 0.000 abstract description 4
- 230000001537 neural effect Effects 0.000 abstract description 4
- 230000035807 sensation Effects 0.000 abstract 2
- 239000003086 colorant Substances 0.000 description 22
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Color Image Communication Systems (AREA)
- Spectrometry And Color Measurement (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
［産業上の利用分野コ
本発明は、物理ωで与えられた情報を生体が感じる色の
心理量に変換する、或いはその逆の変換をする色覚情報
処理に関するものであって、色センサーとしての利用や
、印刷、建築や服飾その他、色に関係するあらゆる産業
分野の利用が可能である。
心理量に変換する、或いはその逆の変換をする色覚情報
処理に関するものであって、色センサーとしての利用や
、印刷、建築や服飾その他、色に関係するあらゆる産業
分野の利用が可能である。
［従来の技術］
印刷、建築や服飾、その他の分野で、物の色を正確に指
定したい場合には、色は記号や数字で表示される。例え
ば色情報を扱う装置では色を表わすのにスキャナやカメ
ラから入力した（赤（Ｒ）。
定したい場合には、色は記号や数字で表示される。例え
ば色情報を扱う装置では色を表わすのにスキャナやカメ
ラから入力した（赤（Ｒ）。
緑（Ｇ）、青（Ｂ））の３原色や、これらの線形結合で
表される３次元座標（ＸＹＺ系表示等）を用いており、
色修正や色変換などの操作もそれらの記号や数字で行っ
ていた。
表される３次元座標（ＸＹＺ系表示等）を用いており、
色修正や色変換などの操作もそれらの記号や数字で行っ
ていた。
一方、印刷、建築や服飾その他の分野で、物の色を正確
に指定したい場合に用いる表色系の１つとしてマンセル
表色系があり、これは人間の色覚に基づくものであり、
明度（Ｖ）、色相（Ｈ）、彩度（Ｃ）の三属性を尺度と
してすべての物体色を三次元空間に配列し記号と数値で
表示したものである（第６図参照）。
に指定したい場合に用いる表色系の１つとしてマンセル
表色系があり、これは人間の色覚に基づくものであり、
明度（Ｖ）、色相（Ｈ）、彩度（Ｃ）の三属性を尺度と
してすべての物体色を三次元空間に配列し記号と数値で
表示したものである（第６図参照）。
すなわち、無彩色の黒から白までの明度の変化を２座標
でＯから１０までの実数で表して、１目盛に対応する明
度の変化量がいたるところで人間の目に同じに感じられ
るようにし、有彩色についてはそれと同じ明るさと入閣
に感じられる無彩色の明度をその明度とする。等明度面
上では極座標（ｒ、θ）のθで色相を、ｒで彩度を表し
く第５図）、具体的には、すべての色相をＲ（赤）、Ｙ
Ｒ（賀春）、Ｙ（黄）、ＧＹ（黄緑）、Ｇ（緑）、ＢＧ
（青緑）、Ｂ（緑みの青）、ＰＢ（紫みの青）、Ｐ（青
みの紫）、ＲＰ（赤紫）の１０の順次隣接する色群に分
け、１周３６０°を１０等分してこれらの色群を環状に
配置し、かっ各色群内の色の色相をＯから１０までの実
数の目盛で表し、１つの色群の領域及び隣接する色群の
境界部において色相が連続的に変化してその１目盛に対
応する変化量がいたるところで人間の感覚で等しく感じ
られるようにすべての色相を配置するものであり、また
彩度は、無彩色を０とし最も彩やかなものを１６として
０から１６までの実数の目盛りで表わし、異なる色相間
においても１目盛に対応する彩度の変化量が人間の感覚
で等しく感じられるようにしたものである。
でＯから１０までの実数で表して、１目盛に対応する明
度の変化量がいたるところで人間の目に同じに感じられ
るようにし、有彩色についてはそれと同じ明るさと入閣
に感じられる無彩色の明度をその明度とする。等明度面
上では極座標（ｒ、θ）のθで色相を、ｒで彩度を表し
く第５図）、具体的には、すべての色相をＲ（赤）、Ｙ
Ｒ（賀春）、Ｙ（黄）、ＧＹ（黄緑）、Ｇ（緑）、ＢＧ
（青緑）、Ｂ（緑みの青）、ＰＢ（紫みの青）、Ｐ（青
みの紫）、ＲＰ（赤紫）の１０の順次隣接する色群に分
け、１周３６０°を１０等分してこれらの色群を環状に
配置し、かっ各色群内の色の色相をＯから１０までの実
数の目盛で表し、１つの色群の領域及び隣接する色群の
境界部において色相が連続的に変化してその１目盛に対
応する変化量がいたるところで人間の感覚で等しく感じ
られるようにすべての色相を配置するものであり、また
彩度は、無彩色を０とし最も彩やかなものを１６として
０から１６までの実数の目盛りで表わし、異なる色相間
においても１目盛に対応する彩度の変化量が人間の感覚
で等しく感じられるようにしたものである。
このように、この空間（マンセルの色空間）では同一属
性についての２点間の距離は当該属性に関する２点間の
知覚的差異に比例するようにされている。
性についての２点間の距離は当該属性に関する２点間の
知覚的差異に比例するようにされている。
マンセル表色系では１０ＲＰ７／８は、色相Ｈ＝１０Ｒ
Ｐ、ｌ［Ｖ＝７、彩度Ｃ＝８であることを表わし、この
例のように各座標が整数である色については、これを実
際に見ることができる形にした標準色票が発行されてお
り、これをもとに座標が整数でないものについても人間
の感覚で補間的にその色をイメージすることができるよ
うにされている。
Ｐ、ｌ［Ｖ＝７、彩度Ｃ＝８であることを表わし、この
例のように各座標が整数である色については、これを実
際に見ることができる形にした標準色票が発行されてお
り、これをもとに座標が整数でないものについても人間
の感覚で補間的にその色をイメージすることができるよ
うにされている。
そして重要なこととして、この０表系は前述の（Ｒ，Ｇ
、Ｂ）の線形結合では得らないことが知られている。
、Ｂ）の線形結合では得らないことが知られている。
以上のように、マンセル表色系は人間の色覚に合致した
色の表示方法であり、−設入にも仕組みが理解しやすく
使用しやすいという特長をもつ。
色の表示方法であり、−設入にも仕組みが理解しやすく
使用しやすいという特長をもつ。
しかし、色票はわかり易い反面、顔料の変質等により経
時的に変化するものであるから、色の不変な尺度とはな
り得ない。この問題は色を物理的特性で表わすことによ
り解決される。
時的に変化するものであるから、色の不変な尺度とはな
り得ない。この問題は色を物理的特性で表わすことによ
り解決される。
分光反射率、分光透過率等のスペクトル分布はその様な
物理的特性であって、色により固有である。すなわち物
体の表面または媒質に標準光を照射したとき、標準光を
構成する各波長の成分スペクトルについてそれらが、物
体の表面で反射しまたは媒質中を透過する割合は、その
物体の色により異なり、同一の色では不変である。この
各色に固有な波長λの関数は各々分光反射率関数、分光
透過率関数と称され、各波長値λにおけるそれら関数の
値を測定する分光測光装置は周知である。
物理的特性であって、色により固有である。すなわち物
体の表面または媒質に標準光を照射したとき、標準光を
構成する各波長の成分スペクトルについてそれらが、物
体の表面で反射しまたは媒質中を透過する割合は、その
物体の色により異なり、同一の色では不変である。この
各色に固有な波長λの関数は各々分光反射率関数、分光
透過率関数と称され、各波長値λにおけるそれら関数の
値を測定する分光測光装置は周知である。
しかしスペクトル強度分布は、物理的な、従って客観的
な、数値ではあっても、これからその色をイメージする
ことは一般人には困難である。
な、数値ではあっても、これからその色をイメージする
ことは一般人には困難である。
このためスペクトル強度分布を測定してそれをＸＹＺ系
表示する分光測色装置が公知である。
表示する分光測色装置が公知である。
［発明が解決しようとする課題］
しかしＸＹＺ系表示は三属性表示と同じく、色を３次元
空間に配置する方法ではあるが、その座標は前述の如く
スペクトル強度分布を基として３原色やそれらの線形結
合として数学的に処理された人工的な数値である。−万
人間の視覚神経系では多次元の物理情報から、より次元
の低い空間への非線形変換が行われそれに基づいて色知
覚がなされていることが知られており、ＸＹＺ系の色空
間の２点間の距離は人間の知覚的差異に比例し得ないか
ら、色票にない色を補間的にイメージすることは極めて
困難であり、従来のＲ，Ｇ、Ｂの線形結合を用いて行っ
た色の操作等は、人間の感覚との間に微妙なずれを生じ
る問題があった。
空間に配置する方法ではあるが、その座標は前述の如く
スペクトル強度分布を基として３原色やそれらの線形結
合として数学的に処理された人工的な数値である。−万
人間の視覚神経系では多次元の物理情報から、より次元
の低い空間への非線形変換が行われそれに基づいて色知
覚がなされていることが知られており、ＸＹＺ系の色空
間の２点間の距離は人間の知覚的差異に比例し得ないか
ら、色票にない色を補間的にイメージすることは極めて
困難であり、従来のＲ，Ｇ、Ｂの線形結合を用いて行っ
た色の操作等は、人間の感覚との間に微妙なずれを生じ
る問題があった。
この発明は上記の如き事情に鑑みてなされたものであっ
て、物理量、例えば任意の色を正確に表現できるが一般
人にはわかりにくいスペクトル強度を波長軸上でサンプ
リングした値の組をデータとして与えて、その物理量に
対応する色の心理量、今の例では、色の三属性である明
度・色相・彩度またはそれらに容易に変換可能な色覚に
基づいた色座標を知ることができ、従ってその色を一般
人が容易にイメージでき、色操作等の前記ズレを減少さ
せる人の色感覚にあった物理量と心理量との間の色覚情
報変換方法及び装置を提供することを目的としている。
て、物理量、例えば任意の色を正確に表現できるが一般
人にはわかりにくいスペクトル強度を波長軸上でサンプ
リングした値の組をデータとして与えて、その物理量に
対応する色の心理量、今の例では、色の三属性である明
度・色相・彩度またはそれらに容易に変換可能な色覚に
基づいた色座標を知ることができ、従ってその色を一般
人が容易にイメージでき、色操作等の前記ズレを減少さ
せる人の色感覚にあった物理量と心理量との間の色覚情
報変換方法及び装置を提供することを目的としている。
［課題を解決するための手段］
この目的に対応して、この発明の色覚情報変換方法は、
多次元物理情報と前記物理情報に応じた生体の色覚情報
との間の非線形変換をする色覚情報変換方法であって、
前記変換のために多層フィードフォワード結合型のニュ
ーラルネットを用いることを特徴とし、またこの発明の
色覚情報変換装置は、物理量を電気的な信号として入力
する入力部と、前記入力された信号を色の心理量の情報
へと変換する情報変換部と、前記変換された色覚情報を
出力する出力部とを備え、前記情報変換部は多層フィー
ドフォワード結合型のニューラルネットを有することを
特徴とし、またこの発明の他の色覚情報変換装置は、色
の心理量を電気的な信号として入力する入力部と、前記
入力された信号を物理量の情報へと変換する情報変換部
と、前記変換された物理−の情報を出力する出力部とを
備え、前記情報変換部は多層フィードフォワード結合型
のニューラルネットを有することを特徴としている。
多次元物理情報と前記物理情報に応じた生体の色覚情報
との間の非線形変換をする色覚情報変換方法であって、
前記変換のために多層フィードフォワード結合型のニュ
ーラルネットを用いることを特徴とし、またこの発明の
色覚情報変換装置は、物理量を電気的な信号として入力
する入力部と、前記入力された信号を色の心理量の情報
へと変換する情報変換部と、前記変換された色覚情報を
出力する出力部とを備え、前記情報変換部は多層フィー
ドフォワード結合型のニューラルネットを有することを
特徴とし、またこの発明の他の色覚情報変換装置は、色
の心理量を電気的な信号として入力する入力部と、前記
入力された信号を物理量の情報へと変換する情報変換部
と、前記変換された物理−の情報を出力する出力部とを
備え、前記情報変換部は多層フィードフォワード結合型
のニューラルネットを有することを特徴としている。
［作用］
まず物理量から心理量への変換の場合、入力部は光のス
ペクトル強度等の物理量を電気的な信号に変換する。
ペクトル強度等の物理量を電気的な信号に変換する。
次に、情報変換部は、多層フィードフォワード結合型の
ニューラルネットにより、入力された信号を色の心理量
に変換するのであるが、この変換機能はニューラルネッ
トの学習機能を用いて予め設定される。この変換機能の
設定の仕方は２通り考えられる。
ニューラルネットにより、入力された信号を色の心理量
に変換するのであるが、この変換機能はニューラルネッ
トの学習機能を用いて予め設定される。この変換機能の
設定の仕方は２通り考えられる。
例えば物理量としてスペクトル強度分布を与えて色の心
理量（例えば当該マンセル表色系での円筒座標と１：１
に対応する３次元直交座標）に変換したい場合、第１の
方法は、入力層と出力層と３層以上からなるかくれ層を
もち該かくれ層のうちの中間に位置する中間層は３個の
ユニットからなりかつ前記入力層と出力層とは３個より
多いユニットからなっているフィードフォワード結合型
のニューラルネットＡを用意し、入力層には入力パター
ンとして色の心理量が既知である光のスペクトル分布デ
ータを複数組毎えかつ出力層には教師信号として入力パ
ターンと同一のデータを与えてネットワークを学習させ
、学晋済みのニューラルネットＡの内の入力層から中間
層までを情報変換部のニューラルネットＢとして用いる
方法である。これはＡにより近似精度のもっともよい恒
等変換を行わせるものであり、恒等変換を学習したＡの
中間層の３つのユニットに色の心理［有］の情報が出力
されるものである。このような３つのユニットからなる
Ａの中間層をＢの出力層として用いるものである。
理量（例えば当該マンセル表色系での円筒座標と１：１
に対応する３次元直交座標）に変換したい場合、第１の
方法は、入力層と出力層と３層以上からなるかくれ層を
もち該かくれ層のうちの中間に位置する中間層は３個の
ユニットからなりかつ前記入力層と出力層とは３個より
多いユニットからなっているフィードフォワード結合型
のニューラルネットＡを用意し、入力層には入力パター
ンとして色の心理量が既知である光のスペクトル分布デ
ータを複数組毎えかつ出力層には教師信号として入力パ
ターンと同一のデータを与えてネットワークを学習させ
、学晋済みのニューラルネットＡの内の入力層から中間
層までを情報変換部のニューラルネットＢとして用いる
方法である。これはＡにより近似精度のもっともよい恒
等変換を行わせるものであり、恒等変換を学習したＡの
中間層の３つのユニットに色の心理［有］の情報が出力
されるものである。このような３つのユニットからなる
Ａの中間層をＢの出力層として用いるものである。
第２の方法は３層若しくは３層より多くの層を有し入力
層のユニット数が３より多く（例えば８１）、出力層の
ユニット数は３であるフィードフォワード結合型のニュ
ーラルネットＡを用意し、入力層には入力パターンとし
て物理量の情報、すなわち色の心理量が既知である光の
スペクトル分布データを複数組与え、かつ出力層には教
師信号としてこれらの光の前記既知の心理量を与えてネ
ットワーク学習させ、学習済みのニューラルネットＡを
そのまま情報変換部のニューラルネットＢとして用いる
方法である。
層のユニット数が３より多く（例えば８１）、出力層の
ユニット数は３であるフィードフォワード結合型のニュ
ーラルネットＡを用意し、入力層には入力パターンとし
て物理量の情報、すなわち色の心理量が既知である光の
スペクトル分布データを複数組与え、かつ出力層には教
師信号としてこれらの光の前記既知の心理量を与えてネ
ットワーク学習させ、学習済みのニューラルネットＡを
そのまま情報変換部のニューラルネットＢとして用いる
方法である。
上記２つの方法のいずれにおいても、Ｂの入力層に、変
換しようとする光のスペクトル分布データを入力したと
き、Ｂの出力層から当該色の心理量が出力される。
換しようとする光のスペクトル分布データを入力したと
き、Ｂの出力層から当該色の心理量が出力される。
以上は、光のスペクトル分布を当該色の心理量に変換す
る場合であるが、色の心理量をスペクトル分布に変換す
る場合は、上記学習済みニューラルネットＡのかくれ層
の中間層を入力層としてＡの出力層を出力層とするニュ
ーラルネットＣを変換部として用いる。または、３層若
しくは３層よりの多くの層を有し、入力層のユニット数
が３で、出力層のユニット数が３より多いニューラルネ
ットＣを用意し、入力層には心理量を与え、出力層には
スペクトル分布を教師データとして与えて学習させ、学
習済みのニューラルネットＣを変換部として用いる。い
ずれの場合も色の物理量と心理量との間の変換がなされ
る。
る場合であるが、色の心理量をスペクトル分布に変換す
る場合は、上記学習済みニューラルネットＡのかくれ層
の中間層を入力層としてＡの出力層を出力層とするニュ
ーラルネットＣを変換部として用いる。または、３層若
しくは３層よりの多くの層を有し、入力層のユニット数
が３で、出力層のユニット数が３より多いニューラルネ
ットＣを用意し、入力層には心理量を与え、出力層には
スペクトル分布を教師データとして与えて学習させ、学
習済みのニューラルネットＣを変換部として用いる。い
ずれの場合も色の物理量と心理量との間の変換がなされ
る。
［実施例］
以下、この発明の色覚情報変換方性及び装置の詳細を、
物理量として与えられる情報が光のスペクトル分布で、
これが変換される生体の色覚量が色の心理量（ここでは
当該マンセル表色系での円筒座標と１＝１に対応する３
次元直交座標）である場合を例として説明する。第２図
において１は色覚情報変換装置であり、色覚情報室換装
Ｗ１１は入力部２と変換部５、出力部６及び変換部ニュ
ーラルネットの学習のための学習部７からなる。学習部
７は修正部８との教師信号入力部１０からなる。
物理量として与えられる情報が光のスペクトル分布で、
これが変換される生体の色覚量が色の心理量（ここでは
当該マンセル表色系での円筒座標と１＝１に対応する３
次元直交座標）である場合を例として説明する。第２図
において１は色覚情報変換装置であり、色覚情報室換装
Ｗ１１は入力部２と変換部５、出力部６及び変換部ニュ
ーラルネットの学習のための学習部７からなる。学習部
７は修正部８との教師信号入力部１０からなる。
まず物理量を心理量に変換する場合について説明すると
、入力部２は、物理量の情報、この場合は光を分光分析
したスペクトル強度を周波数軸上でサンプリングした１
次元のデータＳ・（ｉ＝１゜２．３．・・・、ｍ）を作
るものであり、市販の分光側光器を用いることができる
。データ数ｍとしては、具体的には例えば３８０〜７８
０ ｎｌの範囲で５ｎ１１間隔に、３８０，３８５，３
９０．−・・７８０（ｎｍ）の８１箇所でサンプリング
したｍ＝８１とし、入力部２はこのデータＳ、を電気的
信号３に変換して出力する。
、入力部２は、物理量の情報、この場合は光を分光分析
したスペクトル強度を周波数軸上でサンプリングした１
次元のデータＳ・（ｉ＝１゜２．３．・・・、ｍ）を作
るものであり、市販の分光側光器を用いることができる
。データ数ｍとしては、具体的には例えば３８０〜７８
０ ｎｌの範囲で５ｎ１１間隔に、３８０，３８５，３
９０．−・・７８０（ｎｍ）の８１箇所でサンプリング
したｍ＝８１とし、入力部２はこのデータＳ、を電気的
信号３に変換して出力する。
変換部５は入力された信号３を色覚情報４、ここでは、
マンセル表色系での明度と色相と彩度の組に対応する円
筒座標の成分若しくは該円筒座標と１＝１に対応する３
次元直交座標の成分に変換するものであって、多層フィ
ードフォワード結合型のニューラルネット１１（Ｂ）を
もって構成されている。
マンセル表色系での明度と色相と彩度の組に対応する円
筒座標の成分若しくは該円筒座標と１＝１に対応する３
次元直交座標の成分に変換するものであって、多層フィ
ードフォワード結合型のニューラルネット１１（Ｂ）を
もって構成されている。
ニューラルネット１１は３層からなり、第１１ｉ（入力
層）はｍ個（例えば８１個）のユニットからなる。第２
層のユニット数はｎ個、第３層（出力層）のユニット数
は、色の三属性などの色覚の基本数と考えられる３とし
た。また常に１を出力するバイアスユニットを各層に加
えることもある。
層）はｍ個（例えば８１個）のユニットからなる。第２
層のユニット数はｎ個、第３層（出力層）のユニット数
は、色の三属性などの色覚の基本数と考えられる３とし
た。また常に１を出力するバイアスユニットを各層に加
えることもある。
ニューラルネット１１は入力層から中間層を経て出力層
へ進む単方向の次の処理を行う。
へ進む単方向の次の処理を行う。
入力層のユニットｉの出力値を
１ 、（ｉ＝１．２．３．・・・、ｍ）中間層のユニッ
トｊの出力値を Ｈｊ ＜ｊ＝１．２．３．・・・、ｎ）出力層のユニ
ットにの出力値を ○ｋ ＜ｋ＝１．２．３） 入力層のユニットｉから中間層のユニットｊへの結合係
数をＷ・・ 中間層のユニットｊから出力層のユニットにへの結合係
数をＷ、ｊ 中間層のユニットｊのオフセットをθ。
トｊの出力値を Ｈｊ ＜ｊ＝１．２．３．・・・、ｎ）出力層のユニ
ットにの出力値を ○ｋ ＜ｋ＝１．２．３） 入力層のユニットｉから中間層のユニットｊへの結合係
数をＷ・・ 中間層のユニットｊから出力層のユニットにへの結合係
数をＷ、ｊ 中間層のユニットｊのオフセットをθ。
出力層のユニットにのオフセットをθにとすると、
■
ｉ＝１
０ｋ＝ｆ（Σ Ｈｊ−Ｗｋｊ＋θｋ）
ｊ＝１
（２〉
ここで関数ｆはその出力が（０，１）の範囲内で単調非
減少の次のシグモイド関数が一般的に用いられる。
減少の次のシグモイド関数が一般的に用いられる。
ｆ （ｘ）＝１／（１＋ｅｘｐ（−Ｘ））出力層の値は
結合係数Ｗｊ１とＷｋｊ及びオフセット値θｊとθにな
どの変換係数によって規定されるが、これらの値はネッ
トワークの学習（例えば誤差逆伝播法など）により後述
の学習部７で形成される。誤差逆伝播法とは入力層、中
間層、出力層からなる階層型のニューラルネットに対し
て教師信号を与え、より望ましい出力値を得るため、出
力信号と教師信号の誤差を小さくするように結合係数、
オフセット値を出力層から中間層、入力層へと逆方向に
調節する方法である。
結合係数Ｗｊ１とＷｋｊ及びオフセット値θｊとθにな
どの変換係数によって規定されるが、これらの値はネッ
トワークの学習（例えば誤差逆伝播法など）により後述
の学習部７で形成される。誤差逆伝播法とは入力層、中
間層、出力層からなる階層型のニューラルネットに対し
て教師信号を与え、より望ましい出力値を得るため、出
力信号と教師信号の誤差を小さくするように結合係数、
オフセット値を出力層から中間層、入力層へと逆方向に
調節する方法である。
学習部７は前記学習を行わせるための多層ニューラルネ
ット１２で構成するが、その構成及び学習方法としては
２通り考えられる。
ット１２で構成するが、その構成及び学習方法としては
２通り考えられる。
第１は、第１図（ａ）に示すようにニューラルネット１
２（１２ａ）を５層で構成するものである。すなわち、
ニューラルネット１２ａは、入力層と出力層と３層から
なるかくれ層とをもち、該かくれ層のうち中間に位置す
る中間層（全体の第３層）は３個のユニットからなる。
２（１２ａ）を５層で構成するものである。すなわち、
ニューラルネット１２ａは、入力層と出力層と３層から
なるかくれ層とをもち、該かくれ層のうち中間に位置す
る中間層（全体の第３層）は３個のユニットからなる。
入力１（第１層）と出力層（第５ｍりは３個より多いユ
ニットからなり、例えば第１層はｍ（８１個）のユニッ
トからなり第５層はｍ個（８１個）のユニットからなる
。第２層と第４層は例えば共にｎ個（１０個）のユニッ
トからなっている。
ニットからなり、例えば第１層はｍ（８１個）のユニッ
トからなり第５層はｍ個（８１個）のユニットからなる
。第２層と第４層は例えば共にｎ個（１０個）のユニッ
トからなっている。
この場合の学習方法は、マンセル色票系からランダムに
選び出した複数の色票の各々についてスペクトル分布の
サンプリング波長値におけるスペクトル強度を、各々ユ
ニット（１）、 （２）、・・・（■）に電気的な信号
３とし入力パターンとして与えると共に同一パターンを
出力層（第５１りへ教師信号として与えて、ネットワー
クを学習させる。
選び出した複数の色票の各々についてスペクトル分布の
サンプリング波長値におけるスペクトル強度を、各々ユ
ニット（１）、 （２）、・・・（■）に電気的な信号
３とし入力パターンとして与えると共に同一パターンを
出力層（第５１りへ教師信号として与えて、ネットワー
クを学習させる。
前記複数の色票について上記の恒等変換を学習済みとな
った状態のニューラルネット１２ａは、８化により学習
した色票以外の色についても入力されたスペクトル分布
に対して良好な恒等変換の近似を行う。またこのときの
学習済みのニューラルネット１２ａの第３層の３つのユ
ニットにはマンセル表色系の直交座標表現が形成され、
すなわちマンセルの表色系における円筒座標と１＝１に
対応する３次元直交座標がこれら３つのユニットから出
力され、学習した色票以外の色についても正しい表現が
なされることがわかっている。
った状態のニューラルネット１２ａは、８化により学習
した色票以外の色についても入力されたスペクトル分布
に対して良好な恒等変換の近似を行う。またこのときの
学習済みのニューラルネット１２ａの第３層の３つのユ
ニットにはマンセル表色系の直交座標表現が形成され、
すなわちマンセルの表色系における円筒座標と１＝１に
対応する３次元直交座標がこれら３つのユニットから出
力され、学習した色票以外の色についても正しい表現が
なされることがわかっている。
これを裏付けるのは次の実談である。
すなわち、前記学習済みのニューラルネット１２ａの入
力層に１５６９色のマンセル色票の分光反射率データを
入力したときの中間層の３個のユニット５の出力値に注
目し、第７図に示すように、これらの出力値を当該色の
既知である明度値の等明度面上の既知である色相と彩度
の点の位置に、その出力値を４角で、負値の場合は黒４
角で、正値の場合は白４角で、かつ４角の面積の大きさ
をその絶対値に比例させて示したところ、３つのうちの
１つのユニット（１５ａとする）の出力値は、当該デー
タの色の既知の明度に対応して変化した。
力層に１５６９色のマンセル色票の分光反射率データを
入力したときの中間層の３個のユニット５の出力値に注
目し、第７図に示すように、これらの出力値を当該色の
既知である明度値の等明度面上の既知である色相と彩度
の点の位置に、その出力値を４角で、負値の場合は黒４
角で、正値の場合は白４角で、かつ４角の面積の大きさ
をその絶対値に比例させて示したところ、３つのうちの
１つのユニット（１５ａとする）の出力値は、当該デー
タの色の既知の明度に対応して変化した。
そこで、ユニット１５ａの出力値の集合と、それら出力
値に対応する当該色の既知の明度の集合とから、ユニッ
ト１５ａの任意の出力値Ｓを明度■に対応させる写像ｆ
を見出すことができる。
値に対応する当該色の既知の明度の集合とから、ユニッ
ト１５ａの任意の出力値Ｓを明度■に対応させる写像ｆ
を見出すことができる。
また残余の２つのユニット１５ｂ、１５ｃの出力値の組
を当該色の既知の明度■の等明度面α。
を当該色の既知の明度■の等明度面α。
上にプロットし、等色相線を放射状に、等彩度線を環状
に記入すると、第８図のようになり、これは平面α、上
の各色の配置がマンセル色空間での明度Ｖの等明度面上
での色の配置と対応していることを示す。但しマンセル
の色空間では彩度０の色はＺ軸上に並び等明度面上での
座標は（０，０＞であるのに対し、平面α、上では彩度
Ｏの色の座標は明度Ｖによって異なり、いずれも（０，
０）とは異なる座標となっている。
に記入すると、第８図のようになり、これは平面α、上
の各色の配置がマンセル色空間での明度Ｖの等明度面上
での色の配置と対応していることを示す。但しマンセル
の色空間では彩度０の色はＺ軸上に並び等明度面上での
座標は（０，０＞であるのに対し、平面α、上では彩度
Ｏの色の座標は明度Ｖによって異なり、いずれも（０，
０）とは異なる座標となっている。
しかし、ユニットｉ５ｂ、１５Ｃの出力値の組は、当該
色の明度の等明度面上の色相と彩度の組に対応すること
が明度２，３．４，５．６．７゜８．９についてわかっ
たので、これらの各明度の色については任意の色につい
てのユニット１５ｂ、１５ｃの出力値の組をその明度Ｖ
、（この例ではｖｒは上記２から９までの中の１つの値
）の等明度面上の色相と彩度の組に対応させる写像Ｑ
をｖｒ 見出すことができる。
色の明度の等明度面上の色相と彩度の組に対応すること
が明度２，３．４，５．６．７゜８．９についてわかっ
たので、これらの各明度の色については任意の色につい
てのユニット１５ｂ、１５ｃの出力値の組をその明度Ｖ
、（この例ではｖｒは上記２から９までの中の１つの値
）の等明度面上の色相と彩度の組に対応させる写像Ｑ
をｖｒ 見出すことができる。
またＶ、以外の任意の明度Ｖに対しても、集合（Ｖ、）
と集合（ｏ ｖｒ）との対応関係から、例えば補間的に
任意の明度■の色の入力データによるユニット１５ａ、
１５ｂの出力値の組を明度Ｖの等明度面上の色相と彩度
の組に対応させる写像ｇ９を見出すことができる。
と集合（ｏ ｖｒ）との対応関係から、例えば補間的に
任意の明度■の色の入力データによるユニット１５ａ、
１５ｂの出力値の組を明度Ｖの等明度面上の色相と彩度
の組に対応させる写像ｇ９を見出すことができる。
従って、前記学習したニューラルネット１２ａの入力層
に、明度、色相、彩度が未知である任意の色についての
前記複数（この例では前述の８１）の波長値における分
光反射率の値の組を与えて、このときの中間層〈第３層
）の３つのユニット１５ａ、１５ｂ、１５ｃの出力を取
出し、ユニット１５ａの出力値の写像ｆの像を明度■と
し、ユニット１５ｂ、１５ｃの出力の組の写像Ｑｖの像
を明度と彩度とすることができる。
に、明度、色相、彩度が未知である任意の色についての
前記複数（この例では前述の８１）の波長値における分
光反射率の値の組を与えて、このときの中間層〈第３層
）の３つのユニット１５ａ、１５ｂ、１５ｃの出力を取
出し、ユニット１５ａの出力値の写像ｆの像を明度■と
し、ユニット１５ｂ、１５ｃの出力の組の写像Ｑｖの像
を明度と彩度とすることができる。
すると、前記３つのユニット１５ａ、１５ｂ。
１５ｃの出力の組（ｓ、ｐ、 ｑ）は、マンセル表色系
の明度、色相、彩度の組（Ｖ、Ｈ，Ｃ）と１＝１に対応
する３次元座標であり、色の心理量を表わす一種の色座
標とみなすことができる。
の明度、色相、彩度の組（Ｖ、Ｈ，Ｃ）と１＝１に対応
する３次元座標であり、色の心理量を表わす一種の色座
標とみなすことができる。
従って、この学習済みの状態のニューラルネット１２ａ
の第１層から中間層（第３層）までの部分を変換部５の
ニューラルネット１１として用いることができる。
の第１層から中間層（第３層）までの部分を変換部５の
ニューラルネット１１として用いることができる。
出力部６は、変換部５から出力された感覚的な情報、こ
の例では色のマンセル表色系での明度と色相と彩度との
組に対応する円筒座標と１：１に対応する３次元直交座
標の成分をそのまま出力し、若しくはそれらに対応する
円筒座標に変換して出力し、若しくは明度、色相、彩度
に変換して出力する。このような変換を行うには、変換
部５により複数のマンセル色票のスペクトル分布を変換
した結果の集合と、当該マンセル色票の明度、色相、彩
度の組若しくは円筒座標の集合とから、任意の光のスペ
クトル分布をその色の明度、色相、彩度の組若しくは円
筒座標に変換する写像を見出して出力部６にこの変換機
能を設定しておけばよい。
の例では色のマンセル表色系での明度と色相と彩度との
組に対応する円筒座標と１：１に対応する３次元直交座
標の成分をそのまま出力し、若しくはそれらに対応する
円筒座標に変換して出力し、若しくは明度、色相、彩度
に変換して出力する。このような変換を行うには、変換
部５により複数のマンセル色票のスペクトル分布を変換
した結果の集合と、当該マンセル色票の明度、色相、彩
度の組若しくは円筒座標の集合とから、任意の光のスペ
クトル分布をその色の明度、色相、彩度の組若しくは円
筒座標に変換する写像を見出して出力部６にこの変換機
能を設定しておけばよい。
第２は、第３図に示すようにニューラルネット１２（１
２ｂ）を３層で構成するものであり、この場合、ニュー
ラルネット１１をそのままニューラルネット１２として
用いることができる。この場合の学習方法は、マンセル
色票からランダムに選び出した複数（例えば１２８０）
の色票の各々についてスペクトル分布のサンプリング波
長値におけるスペクトル強度を各々ユニット（１） 、
（２） 。
２ｂ）を３層で構成するものであり、この場合、ニュー
ラルネット１１をそのままニューラルネット１２として
用いることができる。この場合の学習方法は、マンセル
色票からランダムに選び出した複数（例えば１２８０）
の色票の各々についてスペクトル分布のサンプリング波
長値におけるスペクトル強度を各々ユニット（１） 、
（２） 。
・・・（１）に電気的な信号３として、入力パターンと
して与え、一方、出力層には各色票のマンセル表色系で
の円筒座標（ｚ、ｒ、θ）を直交座標（Ｘ。
して与え、一方、出力層には各色票のマンセル表色系で
の円筒座標（ｚ、ｒ、θ）を直交座標（Ｘ。
ｙ、ｚ）に直したものを教師信号として与える。
前記複数の色票について学習済みとなった状態のニュー
ラルネット１２ｂは、８化により、学門した色票以外の
色についても入力されたスペクトル分布に対して正しい
色座標を出力する。従ってニューラルネット１２ｂを変
換部５のニューラルネット１１として用いることができ
る。いずれの場合も出力部からは与えられた物理量に対
応する色覚量が出力される。
ラルネット１２ｂは、８化により、学門した色票以外の
色についても入力されたスペクトル分布に対して正しい
色座標を出力する。従ってニューラルネット１２ｂを変
換部５のニューラルネット１１として用いることができ
る。いずれの場合も出力部からは与えられた物理量に対
応する色覚量が出力される。
次に、心理−を物理量に変換する場合について説明する
。
。
学習済みのニューラルネット１２ａによって前述の恒等
変換を行っているときの第３層から第５層に着目すると
、第３層には色の心理量である色座標が入力され、第５
層からその色座標の色のスペクトル分布が出力される。
変換を行っているときの第３層から第５層に着目すると
、第３層には色の心理量である色座標が入力され、第５
層からその色座標の色のスペクトル分布が出力される。
そこでこの学習済みの状態のニューラルネット１２ａの
第３層を入力層とし第５１ｉを出力層とするニューラル
ネットＣを考える（第４図）と、これは心理量である色
座標（ｐ、ｐ、Ｑ）を物理量であるスペクトル分布に変
換する変換部５として用いることができる。
第３層を入力層とし第５１ｉを出力層とするニューラル
ネットＣを考える（第４図）と、これは心理量である色
座標（ｐ、ｐ、Ｑ）を物理量であるスペクトル分布に変
換する変換部５として用いることができる。
また、はじめから第１ＪＩに３個のユニット、第２１１
に１０個のユニット、第３層に８１のユニットをもつ３
１構造のニューラルネットを用意して、多数の色票の色
座標を入力パターン、その色のスペクトル分布を教師信
号としてネットワークに学習させ、ニューラルネットＣ
を構成してもよい。
に１０個のユニット、第３層に８１のユニットをもつ３
１構造のニューラルネットを用意して、多数の色票の色
座標を入力パターン、その色のスペクトル分布を教師信
号としてネットワークに学習させ、ニューラルネットＣ
を構成してもよい。
以上に説明した本発明の物理量と心理量のデータの変換
を、データ量という面から見ると、明度・色相・彩度ま
たはこれらを表わす色座標は３個の数値からなり、スペ
クトル分布はこれよりはるかに多い８１個の数値からな
る。従ってデータの保存や伝送には３個の数値からなる
心理量を用い、必要に応じて８１個の数値からなる物理
量で表わす、という応用も可能である。つまり、学習ぎ
せたニューラルネットの中間層の出力として、圧縮され
たデータを保存または伝送することもでき、例えば別の
場所にある、中間層及び出力層を有するニューラルネッ
トの中間層に入力することができる。
を、データ量という面から見ると、明度・色相・彩度ま
たはこれらを表わす色座標は３個の数値からなり、スペ
クトル分布はこれよりはるかに多い８１個の数値からな
る。従ってデータの保存や伝送には３個の数値からなる
心理量を用い、必要に応じて８１個の数値からなる物理
量で表わす、という応用も可能である。つまり、学習ぎ
せたニューラルネットの中間層の出力として、圧縮され
たデータを保存または伝送することもでき、例えば別の
場所にある、中間層及び出力層を有するニューラルネッ
トの中間層に入力することができる。
上記の各層の実質的なユニット数として例示した８１．
１０．３は、実験により８化能力のある有効な学習が可
能であることがわかったものである。
１０．３は、実験により８化能力のある有効な学習が可
能であることがわかったものである。
また、以上の実施例に用いた方法及び装置は、スペクト
ル分布をマンセル表色系の色の心理量へ変換するだけで
なく、そのほかの非線形な生理的な表色系の色覚情報量
への変換に応用することができる。
ル分布をマンセル表色系の色の心理量へ変換するだけで
なく、そのほかの非線形な生理的な表色系の色覚情報量
への変換に応用することができる。
更にまた、変換部のニューラルネットの各層を構成する
ユニット数を与えられる物理量とそれを変換すべき色覚
情報量とに応じて適宜選択することにより、種々の物理
量から色覚情報量への有効な色覚情報変換方法及び装置
を得ることができる。
ユニット数を与えられる物理量とそれを変換すべき色覚
情報量とに応じて適宜選択することにより、種々の物理
量から色覚情報量への有効な色覚情報変換方法及び装置
を得ることができる。
また学習済のニューラルネットを装置化することもでき
る。
る。
［発明の効果］
この発明の色覚情報変換方法及び装置は、色センサー等
として用い得る他、印刷その他の分野での色操作等にお
ける色と人間の感覚との微妙なズレの問題が解消される
。また色データ聞の圧縮をはかることもできる。また本
発明によりアイソメトリックな色覚情報伝達が可能にな
れば印刷その他の工業的な応用もできる。またその中枢
となる変換部がニューラルネットによって構成され、こ
れは市販のニューロフンピユータによって実現され得る
ので、特殊の装置を用いる必要がなく、他の情報処理に
も使え、汎用性が高い。
として用い得る他、印刷その他の分野での色操作等にお
ける色と人間の感覚との微妙なズレの問題が解消される
。また色データ聞の圧縮をはかることもできる。また本
発明によりアイソメトリックな色覚情報伝達が可能にな
れば印刷その他の工業的な応用もできる。またその中枢
となる変換部がニューラルネットによって構成され、こ
れは市販のニューロフンピユータによって実現され得る
ので、特殊の装置を用いる必要がなく、他の情報処理に
も使え、汎用性が高い。
第１図はこの発明の色覚情報変換方法及び装置の変換部
に用いるニューラルネットを示す構成説明図であって第
１図（ａ）はニューラルネットを学習させる方法を示し
、第１図（ｂ）は第１図（ａ）により学冒したニューラ
ルネットを用いた変換部構成を示し、第２図はこの発明
の色覚情報変換装置を示すブロック図、第３図は色覚情
報変換装置の学習部の他の実施例におけるニューラルネ
ットを示す構成説明図、第４図は色覚情報変換装置の学
習部の他の実施例におけるニューラルネットを示す構成
説明図、第５図はマンセル表色系における円筒座標と色
の心理量の関係を示す図、第６図はマンセル表色系にお
ける色の配置を表す色立体を示す図、第７図は学習部を
５層のニューラルネットで構成したとき第３層（かくれ
層の中間層）の３つのユニットの出力と明度の関係を示
す図、及び第８図は学習部を５層のニューラルネットで
構成したとき第３層の３つのユニットのうち明度を表わ
すユニットの残余の２つのユニットの出力値の組と色相
、彩度の関係を示す図である。
に用いるニューラルネットを示す構成説明図であって第
１図（ａ）はニューラルネットを学習させる方法を示し
、第１図（ｂ）は第１図（ａ）により学冒したニューラ
ルネットを用いた変換部構成を示し、第２図はこの発明
の色覚情報変換装置を示すブロック図、第３図は色覚情
報変換装置の学習部の他の実施例におけるニューラルネ
ットを示す構成説明図、第４図は色覚情報変換装置の学
習部の他の実施例におけるニューラルネットを示す構成
説明図、第５図はマンセル表色系における円筒座標と色
の心理量の関係を示す図、第６図はマンセル表色系にお
ける色の配置を表す色立体を示す図、第７図は学習部を
５層のニューラルネットで構成したとき第３層（かくれ
層の中間層）の３つのユニットの出力と明度の関係を示
す図、及び第８図は学習部を５層のニューラルネットで
構成したとき第３層の３つのユニットのうち明度を表わ
すユニットの残余の２つのユニットの出力値の組と色相
、彩度の関係を示す図である。
Claims (13)
- （１）多次元物理情報と前記物理情報に応じた生体の色
覚情報との間の非線形変換をする色覚情報変換方法であ
って、前記変換のために多層フィードフォワード結合型
のニューラルネットを用いることを特徴とする色覚情報
変換方法 - （２）前記物理情報を光のスペクトル強度を周波数軸上
でサンプリングした多次元スペクトル分布データとし、
前記色覚情報を前記色に対して生体が心理量として感じ
る知覚色とすることを特徴とする特許請求の範囲第１項
記載の色覚情報変換方法 - （３）前記色の心理量はマンセル表色系での明度と色相
と彩度との組合せ若しくはこれに対応する円筒座標の成
分若しくは該円筒座標値と１：１に対応する３次元直交
座標の成分であることを特徴とする特許請求の範囲第２
項記載の色覚情報変換方法 - （４）前記ニューラルネットとして入力層と出力層と３
層以上からなるかくれ層をもち該かくれ層のうちの中間
に位置する中間層は３個のユニットからなりかつ前記入
力層と出力層とは３個より多いユニットからなつている
ニューラルネットを用い、該ニューラルネットに前記色
の心理量が既知である複数の光のスペクトル分布を入力
パターンと教師信号として与えて、ネットワークの学習
を行い、該学習済みのニューラルネットの入力層に光の
スペクトル分布データを入力したときの前記かくれ層の
中間層の出力を当該色の心理量とすることを特徴とする
特許請求の範囲第１項、第２項及び第３項記載の色覚情
報変換方法 - （５）前記多層フィードフォワード結合型のニューラル
ネットは３層若しくは３層より多くの層を有し、入力層
のユニット数は３より多く、出力層のユニット数は３で
あり、該ニューラルネットに入力パターンとして前記色
の心理量が既知である複数の光のスペクトル分布データ
を与えかつ教師信号として当該光の前記既知である心理
量を与えてネットワークの学習を行い、該学習済みのニ
ューラルネットの入力層に光のスペクトル分布データを
入力したときの前記出力層の出力を当該色の心理量とす
ることを特徴とする特許請求の範囲第１項、第２項及び
第３項記載の色覚情報変換方法 - （６）前記ニューラルネットとして入力層と出力層と３
層以上からなるかくれ層をもち該かくれ層のうちの中間
に位置する中間層は３個のユニットからなりかつ前記入
力層と出力層とは３個より多いユニットからなっている
ニューラルネットを用い、該ニューラルネットに前記色
の心理量が既知である複数の光のスペクトル分布データ
を入力パターンと教師信号として与えて、ネットワーク
を学習させ、該学習済みのニューラルネットの前記かく
れ層の中間層に色の心理量データを入力したときの前記
出力層の出力を当該光のスペクトル分布とすることを特
徴とする特許請求の範囲第１項、第２項及び第３項記載
の色覚情報変換方法 - （７）前記多層フィードフォワード結合型のニューラル
ネットは３層若しくは３層より多くの層を有し、入力層
のユニット数は３であり、出力層のユニット数は３より
多く、該ニューラルネットに入力パターンとして前記光
のスペクトル分布が既知である色の心理量を与えかつ教
師信号として当該色の前記既知である心理量を与えてネ
ットワークを学習させ、該学習済みのニューラルネット
の入力層に色の心理量を入力したときの前記出力層の出
力を当該光のスペクトル分布とすることを特徴とする特
許請求の範囲第１項、第２項及び第３項記載の色覚情報
変換方法 - （８）物理量を電気的な信号として入力する入力部と、
前記入力された信号を色の心理量の情報へと変換する情
報変換部と、前記変換された色覚情報を出力する出力部
とを備え、前記情報変換部は多層フィードフォワート結
合型のニューラルネットを有することを特徴とする色覚
情報変換装置 - （９）色の心理量を電気的な信号として入力する入力部
と、前記入力された信号を物理量の情報へと変換する情
報変換部と、前記変換された物理量の情報を出力する出
力部とを備え、前記情報変換部は多層フィードフォワー
ド結合型のニューラルネットを有することを特徴とする
色覚情報変換装置 - （１０）光のスペクトル分布を電気的な信号として入力
する入力部と、前記入力された信号を前記光に対して生
体が感じる色の心理量に変換する情報変換部と、前記変
換された前記色の心理量を出力する出力部とを有し、前
記情報変換部は３層若しくは３層より多くの層からなる
多層フィードフォワード結合型のニューラルネットを有
し、該ニューラルネットの入力層のユニット数は３より
多く、出力層のユニット数は３であることを特徴とする
色覚情報変換装置 - （１１）光に対して生体が感じる色の心理量を電気的な
信号として入力する入力部と、前記入力された信号を前
記光のスペクトル分布に変換する情報変換部と、前記変
換された光のスペクトル分布を出力する出力部とを有し
、前記情報変換部は３層若しくは３層より多くの層から
なる多層フィードフォワード結合型のニューラルネット
を有し、該ニューラルネットの入力層のユニット数は３
であり、出力層のユニット数は３より多いことを特徴と
する色覚情報変換装置 - （１２）前記ニューラルネットは３層からなり前記入力
層のユニット数は８１、前記入力層と前記出力層の間の
層のユニット数は１０であることを特徴とする特許請求
の範囲第１０項記載の色覚情報変換装置 - （１３）前記ニューラルネットは３層からなり出力層の
ユニット数は８１、入力層と出力層の間のユニット数は
１０であることを特徴とする特許請求の範囲第１１項記
載の色覚情報変換装置
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2132347A JPH0786433B2 (ja) | 1990-05-22 | 1990-05-22 | 色覚情報変換方法及び装置 |
| US07/621,058 US5185850A (en) | 1990-05-22 | 1990-11-30 | Color transformation method and apparatus for transforming physical to psychological attribute using a neural network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2132347A JPH0786433B2 (ja) | 1990-05-22 | 1990-05-22 | 色覚情報変換方法及び装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0427832A true JPH0427832A (ja) | 1992-01-30 |
| JPH0786433B2 JPH0786433B2 (ja) | 1995-09-20 |
Family
ID=15079226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2132347A Expired - Fee Related JPH0786433B2 (ja) | 1990-05-22 | 1990-05-22 | 色覚情報変換方法及び装置 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US5185850A (ja) |
| JP (1) | JPH0786433B2 (ja) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5386496A (en) * | 1991-02-15 | 1995-01-31 | Toyo Ink Mfg. Co., Ltd. | Method and device for nonlinear transformation of colour information by neural network |
| JP2978615B2 (ja) * | 1991-11-21 | 1999-11-15 | 支朗 臼井 | カラーバランス調整装置及び方法 |
| SE470372B (sv) * | 1992-06-23 | 1994-01-31 | Ericsson Telefon Ab L M | Metod jämte anordning att uppskatta kvaliten vid ramfelsdetektering i mottagaren hos ett radiokommunikationssystem |
| US5446543A (en) * | 1992-07-24 | 1995-08-29 | Kabushiki Kaisha Toshiba | Method and apparatus for extracting a pattern of color from an object using a neural network |
| JP3159416B2 (ja) * | 1993-05-18 | 2001-04-23 | 富士写真フイルム株式会社 | 画像処理方法および装置 |
| US5559604A (en) * | 1993-09-27 | 1996-09-24 | Toyo Ink Manufacturing Co., Ltd. | Color matching apparatus for reproducing the same color under different illuminants |
| US5615320A (en) * | 1994-04-25 | 1997-03-25 | Canon Information Systems, Inc. | Computer-aided color selection and colorizing system using objective-based coloring criteria |
| JP3417051B2 (ja) * | 1994-05-20 | 2003-06-16 | 東洋インキ製造株式会社 | 光源に依存しない特徴パラメータ値を用いた色情報処理方法および装置 |
| JP2716370B2 (ja) * | 1994-08-04 | 1998-02-18 | 株式会社エヌイーシー情報システムズ | 配色支援方法およびその装置 |
| AUPN002394A0 (en) * | 1994-12-13 | 1995-01-12 | Arnott's Biscuits Limited | Data recognition system |
| US5548697A (en) * | 1994-12-30 | 1996-08-20 | Panasonic Technologies, Inc. | Non-linear color corrector having a neural network and using fuzzy membership values to correct color and a method thereof |
| JPH09163382A (ja) * | 1995-12-07 | 1997-06-20 | Toyo Ink Mfg Co Ltd | 色ずれ修正方法及び装置 |
| US7215343B2 (en) * | 2003-01-30 | 2007-05-08 | Eastman Kodak Company | Color correction using a device-dependent display profile |
| US20080221734A1 (en) * | 2005-01-24 | 2008-09-11 | National University Corporation Yokohama National University | Categorical Color Perception System |
| EP1987331A2 (en) * | 2006-02-16 | 2008-11-05 | Clean Earth Technologies, Llc | Method for spectral data classification and detection in diverse lighting conditions |
| US11030722B2 (en) * | 2017-10-04 | 2021-06-08 | Fotonation Limited | System and method for estimating optimal parameters |
| US20200202622A1 (en) * | 2018-12-19 | 2020-06-25 | Nvidia Corporation | Mesh reconstruction using data-driven priors |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6063429A (ja) * | 1983-09-16 | 1985-04-11 | Naigai Tokushu Senko Kk | 色材配合における色合せ処方修正方法 |
| JPS6070321A (ja) * | 1983-09-27 | 1985-04-22 | Matsushita Electric Ind Co Ltd | 色彩画像の色識別装置 |
| JPH01233579A (ja) * | 1988-03-15 | 1989-09-19 | Nippon Telegr & Teleph Corp <Ntt> | ニューラルネット型パターン識別装置 |
| JPH01243169A (ja) * | 1988-03-24 | 1989-09-27 | Fujitsu Ltd | パターン学習・生成方式 |
| JPH01320565A (ja) * | 1988-06-22 | 1989-12-26 | A T R Jido Honyaku Denwa Kenkyusho:Kk | ニューラルネットの学習効率化方法 |
| JPH0242328A (ja) * | 1988-08-03 | 1990-02-13 | Hitachi Ltd | 溶液の色調分析方法及び装置 |
| JPH0274828A (ja) * | 1988-07-26 | 1990-03-14 | Mettler Instr Ag | 電子秤 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4884130A (en) * | 1988-04-29 | 1989-11-28 | Minnesota Mining And Manufacturing Company | Method of describing a color in a triaxial planar vector color space |
| JP2575215B2 (ja) * | 1989-10-30 | 1997-01-22 | 富士写真フイルム株式会社 | カラー画像形成装置 |
| US5015856A (en) * | 1990-03-28 | 1991-05-14 | E. I. Du Pont De Nemours And Company | Automated process for permeability determinations of barrier resins |
-
1990
- 1990-05-22 JP JP2132347A patent/JPH0786433B2/ja not_active Expired - Fee Related
- 1990-11-30 US US07/621,058 patent/US5185850A/en not_active Expired - Lifetime
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6063429A (ja) * | 1983-09-16 | 1985-04-11 | Naigai Tokushu Senko Kk | 色材配合における色合せ処方修正方法 |
| JPS6070321A (ja) * | 1983-09-27 | 1985-04-22 | Matsushita Electric Ind Co Ltd | 色彩画像の色識別装置 |
| JPH01233579A (ja) * | 1988-03-15 | 1989-09-19 | Nippon Telegr & Teleph Corp <Ntt> | ニューラルネット型パターン識別装置 |
| JPH01243169A (ja) * | 1988-03-24 | 1989-09-27 | Fujitsu Ltd | パターン学習・生成方式 |
| JPH01320565A (ja) * | 1988-06-22 | 1989-12-26 | A T R Jido Honyaku Denwa Kenkyusho:Kk | ニューラルネットの学習効率化方法 |
| JPH0274828A (ja) * | 1988-07-26 | 1990-03-14 | Mettler Instr Ag | 電子秤 |
| JPH0242328A (ja) * | 1988-08-03 | 1990-02-13 | Hitachi Ltd | 溶液の色調分析方法及び装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0786433B2 (ja) | 1995-09-20 |
| US5185850A (en) | 1993-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH0427832A (ja) | 色覚情報変換方法及び装置 | |
| Lammens | A computational model of color perception and color naming | |
| Schanda | Colorimetry: understanding the CIE system | |
| Indow | Multidimensional studies of Munsell color solid. | |
| US4884130A (en) | Method of describing a color in a triaxial planar vector color space | |
| Marimont et al. | Linear models of surface and illuminant spectra | |
| US4169285A (en) | Method for producing color representations of quantifiable data by maximizing differential perception of colors | |
| JP3287177B2 (ja) | カラーイメージング方法および装置 | |
| US6744544B1 (en) | Method and apparatus for forming and correcting color image | |
| Cohen | Color and color mixture: Scalar and vector fundamentals | |
| Usui et al. | Reconstruction of Munsell color space by a five-layer neural network | |
| Dubois | The structure and properties of color spaces and the representation of color images | |
| JP3304740B2 (ja) | 色シミュレーション装置 | |
| Stone | Representing colors as three numbers [color graphics] | |
| Bittermann et al. | Visual perception with color for architectural aesthetics | |
| MacDonald | Color space transformation using neural networks | |
| Alsam et al. | Metamer sets without spectral calibration | |
| JP4248867B2 (ja) | 色覚変換処理装置 | |
| JP2834437B2 (ja) | 表色系変換方法 | |
| JPH0483471A (ja) | 色補正装置 | |
| Sokolowski | Colour Scanning Calibration–a Comparison of Different Methods | |
| McCann | What scene information is needed for models of colour appearance in the natural world? | |
| Zhao | Implementing an ICC printer profile visualization software | |
| ele Lammens | A computational model of color perception and color naming | |
| Lammens | A COMPUTATIONAL MODEL |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |