JPH0483471A - 色補正装置 - Google Patents

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。

Description

【発明の詳細な説明】 ［産業上の利用分野］ 本発明は、フルカラー画像を扱う画像処理装置に用いら
れる色補正装置に関する。

［従来の技術］ 一般に表色系としては、国際照明委員会（以後、ＣＩＥ
と称する）が定めたＣ　Ｉ　Ｅ−ＲＧＢ表色系及びその
数学的変換で表されるＸ７２表色系のような混色系とマ
ンセル（Ｍｕｎｓｅｌｌ　）表色系のような知覚表色系
とがある。

従来のフルカラー画像を扱う画像処理装置は、物理的な
量との相性の良さからＲＧＢ表色系に基づいているもの
が多い。

しかし、ＲＧＢ表色系を用いたフルカラー画像処理装置
の内部表現は、実際には画像入力装置の扱う赤（Ｒ）、
緑（Ｇ）、青（Ｂ）を基準にしており、ＣＩＥの表色系
との間にずれがある。

マンセル表色系は人間の感じる色を基準にしており優れ
た尺度ではあるが、ＲＧＢ表色系との相互変換が非線形
性であり困難なため、あまり利用されていない。

上記の表色系に基づく画像処理装置における従来の色補
正方法としては、以下の方法がある。

入力表色系装置及び出力装置の色特性の歪みを補正する
ために各装置の特性の逆関数を適当な高次関数で近似す
る方法、色座標空間上に幾つか取った代表点での補正量
をメモリに持ちそれらの間を内挿する方法、第１２図に
示すよ・うに入力装置と出力装置の特性の合成の逆関数
を二、−ラルネットワークで近似する方法。

上記のニューラルネッＩ・ワークを用いた従来の色補正
り法は、第１３図に示すように、内部表現の色を多数出
力Ｉ−て再び入力１．たときに得られる色のデータを、
元の内部データに戻す様にニューラルネットリークを学
習さ１ｉ−る。

［発明が解決１〜よう々する課題」 上述の高次関数による近似を用いた従来の色補正方法で
は、近似精度を上げるために計算量が多くなり、パラメ
ータの同定が困離であり動的に調整できないため経時変
化に対応できないとい・う問題点かある１） 上述の代表点を内挿する従来の色補正方法には、補間精
度を」二げるために記憶容量が多くなり、また連続的な
色変化をうまく再現できないという問題点がある。３ 上述のニー】−ラルネットワ・−りを用いて入力装置己
：Ｉｉｉ力装置との合成を学習する従来の色補正方法（
７は、幾つかの人力装置及び出力装置が付いている場合
にそわぞれの組合せ毎に色変換装置を切り替えねばなら
ず、また内部表現を正規化するこ点にならないので入力
装置及び出力装置の異なる画像処理装置間でのガータの
交換が色の歪み無しにはてきないという問題点がある。

本発明の目的は、」−述の問題点に鑑み、入力装置及び
出力装置に個別に適応１７て異なるシステム間でのデー
タ交換ができる色補正装置を提供することにある。

Ｕ課題を解決するための手段Ｊ 本発明の」二連ｊ２．た目的は、入力手段から出力され
た画像データを二、’１１．−ラルネットワークにより
画像処理手段の内部表現に変換する第１の色変換手段と
、内部表現を他のニューラルネットリークにより出力手
段への色データに変換する第２の色変換手段とを備えで
おり、第１の色変換手段・は、基準となる色票を入力し
５たときの画像データを入力して所定の方法で二」−ラ
ルネットワークの学習を行なうように構成されており、
第２の色変換手段は、出力手段から出力された色を入力
して他の所定の方法で他のｍ：、コーラルネットワーク
の学習を行な・）よ・うに構成されている色補正装置に
よって達成される。

［作用Ｊ 第１の色変換手段は、入力手段から出力された基準とな
る色票の画像データを入力して所定の方法により第１の
色変換手段のニコーラルネットワークの学習を行なって
画像処理手段の内部表現に変換し、第２の色変換手段は
、出力手段から出力された色を入力１−で他の所定の方
法により第２の色変換手段の７二、ニー・ラルネットワ
ークの学習を行な−）て：内部表現を出力手段への色デ
ータに変換する。

「実施例」 以下、本発明の色補正装置における一実施例を図面を参
照し、て詳述する。

第１図は本実施例の色補正装置を有する画像処理装置の
一構成例を示す。

第１図に示す色補正装置ｌｌは、第１の色変換手段と１
７での色変換部１２と第２の色変換手段としての色変換
部１３とによって構成されている。

色変換部１２は、二、−ラルネットワークにより構成さ
れており、入力手段と１７での画像入力部１４（！、−
画像処理手段吉Ｉ７ての画像処理部１５との間に配置さ
れているＬｙ：に画像入力部１４及び画像処理部１５に
それぞれ接続されており、画像入力部Ｉ４の色特性のば
らつき及び歪みを補正する。なお、本実施例ではエコ９
−ラルネツトワークとして多層パーセプｌ−ｏン型ニュ
ーラルネットワークを用いている（以後、ニコーラルネ
ットワークと称する）。

色変換部１３は、他のニューラルネットワークにより構
成されており、画像処理部１５と出力手段としての画像
出力部Ｉ６との間に配置されていると共に画像処理部１
５及び画像出力部１Ｇにそれぞれ接続されており、画像
出力部１６の色特性のばらつき及び歪みを補正する。

第２図は、第１図に示す色変換部１２．１３にそれぞれ
用いられるニューラルネットワークの一構成例を示す。

第２図に示すニューラルネットワークは、非線形の連続
関数により多変量の入力を多変量の出力に写像する機能
を有している。また、上記のニューラルネットワークは
、入力データと出力の教師データとの組を学習データと
して多数与えることにより、内部のパラメータ調節を行
って、学習データを内挿する連続関数を形成する機能を
もつ。

任意の連続関数を近似するためには層の数を３つ以上設
定すればよいので、第２図のニューラルネットワークは
３つの層を有しているが、層の数は４つ以上でもよい。

以下、第２図に示すニューラルネットワークを詳述する
。

入力層１７のニューロン１８の数をＩ、出力層１９のニ
ューロン２０の数をＫとして、ニューロンの数■。

Ｋを画像処理部１５、画像入力部１４及び画像出力部１
６（第１図参照）のそれぞれが扱うデータの次元数に等
しくなるように設定する。

一般的な色情報、即ち、赤（Ｒ）、緑（Ｇ）、青（Ｂ）
の３色で色を表すＲＧＢ表色系、または、赤（Ｒ）、緑
（Ｇ）、青（Ｂ）の３刺激値を座標変換したＸ７２表色
系を扱う場合には、ニューロンの数Ｉ、Ｋをそれぞれ３
に設定する。

また、中間層１９のニューロン２０の数Ｊは、数Ｊか多
いほど近似精度が良くなる。しかし実際には、数Ｊの増
加に伴なって計算量が増加するので、数Ｊの値を数１０
以内に設定するのがよい。

入力データをｓ、（ｉ□ｌ、２．３．　・、　ｌ）　、
入力層Ｉ７のニューロン（以下、ユニットと称する）１
８の活性度を示す活性度値をＸ、（１・０．１．２．３
．−、　Ｉ）　、中間層１９（７）　−Ｌ　ニット２０
ノ活性度値をｈ　　（ｋ＝０．１．２．３−ｊ）、出力
層２１ユニツト２２の活性度値をｙｋ（ｋ・１２．３．
−・・、Ｋ）　　とすると、第２図のニューラルネット
ワークは次式■、■、■、■及び■の演算を行う。

ｘ　　＝ｌ　　　　　　　　　　　　　　　・・・■Ｘ
・＝Ｓ、　　　　　　（ｋ＝１．２，３．・・・、１）
・・・■ｈ　　　＝１ ・・・■ ｈ、　　＝ｆ　　（Σ　ａ、、ｘ、） １　　　　　　　　　　　１＋ ０（ｊ・１．２．３．・・、Ｊ）　　・・・■ｙｋ＝ｆ
（Σｂ、ｈ、） １−０　　　　　（ｋ・Ｉ、　２．３．−・・、Ｋ）　
　・・・■ここで入力層１７のユニット１８を入力層ユ
ニット１１中間層１９のユニット２０を中間層ユニット
ｊ１出カ層２１のユニット２２を出力層ユニッ）ｋで表
すと、ａ、は入力層ユニットｉから中間層ユニットｊへ
の結合の強度、ｂｋｊは中間層ユニットｊがら出方層ユ
ニットにへの結合の強度をそれぞれ表す。

上記の式■、■の関数ｆとしては、次式■に示すシグモ
イド（＋ｉｇｍｏｉｄ　）関数を用いる。

ｆ　（ｘ）＝１／　［１＋ｅｘｐ　（−ｘ）］　山山上
上の式０〜式■に基づいて実現されるニュラルネットワ
ークの変換機能は、結合強度行列（ａｌ、）と（ｂ、）
によって規定される。この結合強度ａｊｉ、ｂ、ｊの値
は、誤差逆伝播法と呼ばれる学習方法によって算出され
る。

上記の誤差逆伝播法は、特定のデータを入力したときに
、入力されたデータに対する出力が望ましい結果になる
ように、教師データとして正しい結果をニューラルネッ
トワークに与え、出力の結果と教師データとの誤差を小
さくするように入力層ユニットと中間層ユニットとの間
の結合強度、中間層ユニットと出力層ユニットとの間の
結合強度を調節する方法である。

誤差逆伝播法のアルゴリズムの一例を以下に示す。

いま、教師データをｔ、（ｈ・１．２．３．・・、Ｋｌ
、出力層２１の誤差信号を６．　　（ｋ＝１．２，３、
−、Ｋ）、中間層１９の誤差信号をｄ、　　（ｋ＝１．
２．３．・・・、Ｊ）　　とすると、次式■、■のよう
に誤差信号を出力層２１から反対方向に伝播（逆伝播）
する。

ｅ、　＝（Ｙｋ−１，）　ｆ’　　（Σｂｋｊｈｊ）（
ｋ＝１．２．３．−・、Ｋ） ・・・■ ｄ、＝（Σｂ、ｅｋ）　ｔ’　　（Σａｊ１ｘ、）ｊ （ｊ・１．２．３．　・、　Ｉ）　　　　　・・・■ま
た結合強度ａ　＋’　ｉ　、ｂ　＞　ｊのｎ回めの変化
分Δａ１．（ｎ）、　　Δｂ　ｔ　ｊ（ｎ　）を次式■
、■により算出する。

Δｂ　ｋｊ（ｎ　） −ｙ７ｅ　　ｈ、＋αΔｂｋｊ（ｎ−１）（ｋ＝１．２
．３．・−、Ｋ）　　、　　（ｉ−０，Ｉ、２．・・・
、Ｊ）　　　・・・■Δａ、　（ｎ）＝ 一ηｄ−ｘ　　＋αΔａ、　（ｎ−１）（ｊ・１．２．
３．　＋、　Ｊ）　　、　　（ｉ・０．　Ｉ、　２．・
・・１１）　　　・・・０ここで学習係数η、αは学習
を速やかに行うためのパラメータであり、通常は１より
小さい正の値を学習係数η、αとして設定する。

各学習データに対して、式０〜式０を用いて計算するこ
とにより結合強度ａｊ１．ｂｋｊを少しずつ変更して出
力値を教師データに近づけてゆく。

上述のニューラルネットワークの学習機能を利用する方
法としては、学習データとして内部表現（ＲＧＢまたは
ＸＹＺ等）の既知な色票を用いる方法、マンセル（Ｍｕ
ｎｓｅｌｌ　）等の知覚表色系の色票を用いる方法があ
る。

以下、基準となる色票としてＲＧＢ色票を用いル場合の
上述のニューラルネットワークの学習方法を説明する。

（ａ）第１の学習方法 第３図はＲＧＢ色票による色変換部１２の学習方法を示
す。

以下、第４図のフローチャートを参照して第３図の学習
方法を説明する。

まず、ＲＧＢ色空間に均等に分布しており、赤（Ｒ）、
緑（Ｇ）、青（Ｂ）の値が既知である色票２３を多数用
意する（ステップＳＬ）。

次に、用意された色票２３を順次、画像入力部１４から
取り込み、色変換部１２に入力データとして与える（ス
テップＳ２）。

また、入力データに対応する赤（Ｒ）、緑（Ｇ）、青（
Ｂ）の値を教師データとして色変換部１２に与えて、内
部表現が教師データに近づくように色変換部１２を構成
しているニューラルネットワークの学習を行なう（ステ
ップＳ３）。

（ｂ）第２の学習方法 第５図はＲＧＢ色票による色変換部１３の学習方法を示
す。

以下、第６図のフローチャートを参照して第５図の学習
方法を説明する。

まず、学習を始める前に色変換部１３を色変換部１２の
後に配置する。

画像出力部１６のデータ空間を網羅しているデータを画
像出力部１６から出力しくステップＴｌ）、画像出力部
１６から出力されたデータを画像入力部１４に入力しく
ステップＴ２）、その後に色変換部１２で画像入力部１
４の補正を行ってデータを他の色変換部としての色変換
部１３に入力する（ステップＴ３）。

画像出力部１６に送ったデータを教師データとして色変
換部１３に与えて色変換部１３のニューラルネットワー
クの学習を行なう（ステップＴ４）。

なお、ここでは条件として、予め色変換部１２が既に学
習されているものとする。

上述した学習方法は、色変換部１３を画像入力部１４の
後に置いて学習するので、画像出力部１６と画像入力部
１４との合成した歪みを補正するための学習方法と同じ
方法であるが、画像入力部１４の歪みが色変換部１２に
よって既に補正されているので、色変換部１３は画像出
力部１６に対する色補正装置として機能する。

次に、基準となる色票としてマンセル色票を用いた場合
の上述のニューラルネットワークの学習方法を説明する
。

第７図はマンセル色票を学習に用いるための画像処理装
置の一構成例を示す。

上述の第３図の画像処理装置との違いは、内部表現から
マンセル表現への色変換部２３とマンセル表現から内部
表現への色変換部２４とが追加されたことであり、色変
換部２３．２４はそれぞれ画像処理部１５に接続されて
いる。

色変換部２３．２４も上述の色変換部１２．１３と同様
にニューラルネットワークにより構成されている。

一般にマンセル表色系は、明度（Ｖ）、色相（Ｈ）、彩
度（Ｃ）を円筒座標で表すが、本実施例ではニューラル
ネットワークで扱い易いように円筒座標を直交座標に変
換した表色系をマンセル表色系として用いる。

ＲＧＢ表色系とマンセル表色系との変換は線形変換では
得られないので、本実施例ではニューラルネットワーク
の連続写像の近似能力を使って変換を行う。

ＲＧＢ表色系の表現を入力とし、ＲＧＢ表色系の色と同
じ色に対するマンセル表色系の表現を教師データとして
、色変換部２３を構成しているニューラルネットワーク
の学習を予め行なっておく。

また、マンセル表色系の表現を入力とし、マンセル表色
系の色と同じ色に対するＲＧＢ表色系の表現を教師デー
タとして、色変換部２４を構成しているニューラルネッ
トワークの学習を予め行なっておく。

上記の色変換部２３．２４は、普遍的なＲＧＢ表色系と
マンセル表色系との関係を実現しているので、学習が終
了した時点で結合係数を固定して、その後は学習をしな
くて良いように構成されている。

以下、マンセル色票を用いた色変換部１２．１３の学習
方法を詳述する。

（Ｃ）第３の学習方法 第８図はマンセル色票を用いた色変換部１２の学習方法
を示す。

以下、第９図のフローチャートを参照して第８図の学習
方法を説明する。

マンセル色空間に均等に分布しており色座標の既知な色
票を多数用意する（ステップＵｌ）。

次に、用意された色票を画像入力部１４より色変換部１
２に入力する（ステップＵ２）。

色変換部１２に入力された色票に対応するマンセル色座
標を色変換部２４でＲＧＢ値に変換しくステップＵ３）
、変換されたＲＧＢ値を色変換部１２に教師データとし
て与えて色変換部１２を構成しているニューラルネット
ワークの学習を行なう（ステップＵ４）。

（ｄ）第４の学習方法 第１０図はマンセル色票を使った色変換部１３の学習方
法を示す。

以下、第１１図のフローチャートを参照して第１θ図の
学習方法を説明する。

なお、予め色変換部１２が既に学習されていることを条
件とする。

画像出力部１６から多数の色データ（元データ）を出力
しくステップｖ１）、出力された色データを画像入力部
１４に入力しくステップ■２）、入力された色データを
色変換部１２で補正して再生データを生成する（ステッ
プＶ３）。こうして多数の色の元データとその再生デー
タの組が生成される。

次に再生データを色変換部２３でマンセル表色系に変換
してマンセル色空間上で均等に分布するように選択する
（ステップＶ４）。選択された組の再生データを色変換
部１３の入力データとし、元データを教師データとして
色変換部１３を構成しているニューラルネットワークの
学習を行なう（ステップＶ５）。

内部表現としてマンセル表色系を用いる画像処理装置の
場合には、上述の第３の学習方法及び第４の学習方法を
必要とせず、第１の学習方法及び第２の学習方法におい
てマンセル色票を学習データとすることにより色変換部
の学習を行うことができる。また、対応する色票を用意
できれば、あらゆる表色系を内部表現とすることができ
る。

［発明の効果コ 入力手段から出力された画像データをニューラルネット
ワークにより画像処理手段の内部表現に変換する第１の
色変換手段と、内部表現を他のニューラルネットワーク
により出力手段への色データに変換する第２の色変換手
段とを備えており、入力手段、出力手段それぞれを独立
に補正することにより内部表現として入力、出力装置に
依存しないＣＩＥ表色系等を用いることが可能になるの
で、異なるシステム間でのデータの交換が可能となり、
また、内部表現と他の表色系との変換手段を備えること
により、その結果、人間の知覚的表色系を学習データに
採用することにより人間の感覚により近い評価基準で色
補正ができる。

【図面の簡単な説明】

第１図は本発明の色補正装置における一実施例を示す図
、第２図は第１図に示す色変換装置に用られているニュ
ーラルネットワークの一構成例を示す図、第３図は第１
図の色補正装置による学習方法の一例を示す図、第４図
は第３図の学習方法のフローチャート、第５図は第１図
の色補正装置による他の学習方法の一例を示す図、第６
図は第５図の学習方法のフローチャート、第７図は本発
明の色補正装置における他の実施例を示す図、第８図は
第７図の色補正装置による学習方法の一例を示す図、第
９図は第８図の学習方法のフローチャート、第１０図は
第７図の色補正装置による他の学習方法の一例を示す図
、第１１図は第１０図の学習方法のフローチャート、第
１２図は従来のニューラルネットワークによる色補正装
置を用いた画像処理装置の構成を示すブロック図、第１
３図は第１２図のニューラルネットワークによる色補正
装置の学習方法を示す図である。 １１・・・色補正装置、１２．１３．２３．２４・・・
色変換部、１４・・・画像入力部、１５・・・画像処理
部、１６・・・画像出力部、１７・・・入力層、１８．
２０．２２・・・ユニット、１９・・・中間層、２１・
・・出力層。 第３図 第４図

Claims (1)

【特許請求の範囲】
1. 　入力手段から出力された画像データをニューラルネッ
   トワークにより画像処理手段の内部表現に変換する第１
   の色変換手段と、前記内部表現を他のニューラルネット
   ワークにより出力手段への色データに変換する第２の色
   変換手段とを備えており、前記第１の色変換手段は、基
   準となる色票を入力したときの前記画像データを入力し
   て所定の方法で前記ニューラルネットワークの学習を行
   なうように構成されており、前記第２の色変換手段は、
   前記出力手段から出力された色を入力して他の所定の方
   法で前記他のニューラルネットワークの学習を行なうよ
   うに構成されていることを特徴とする色補正装置。