JPH0522586A - 色変換システム - Google Patents
色変換システムInfo
- Publication number
- JPH0522586A JPH0522586A JP3195024A JP19502491A JPH0522586A JP H0522586 A JPH0522586 A JP H0522586A JP 3195024 A JP3195024 A JP 3195024A JP 19502491 A JP19502491 A JP 19502491A JP H0522586 A JPH0522586 A JP H0522586A
- Authority
- JP
- Japan
- Prior art keywords
- conversion
- linear
- error
- color
- learning
- 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
- Color Image Communication Systems (AREA)
Abstract
(57)【要約】
【目的】 本発明は、異種の色空間を使う二種類の装置
があるとき、その一方から他方への色変換をするシステ
ムに係り、例えばＲＧＢ表色系の色をＣＭＹＫ表色系の
色に変換するシステムに関するものである。 【構成】 色変換システムにおける色変換関数の導出装
置において、最初に、線形変換、次に高次の項の関数補
正を学習するアルゴリズムにより段階的に行い、各段階
では、ある一種の変換関数のパラメータが学習され、第
一段階で得られた変換関数のパラメータは、それ以降変
化させず、第二段階で得られた変換関数のパラメータ
は、それより後の段では変化させない各工程を有する装
置からなる色変換システムである。
があるとき、その一方から他方への色変換をするシステ
ムに係り、例えばＲＧＢ表色系の色をＣＭＹＫ表色系の
色に変換するシステムに関するものである。 【構成】 色変換システムにおける色変換関数の導出装
置において、最初に、線形変換、次に高次の項の関数補
正を学習するアルゴリズムにより段階的に行い、各段階
では、ある一種の変換関数のパラメータが学習され、第
一段階で得られた変換関数のパラメータは、それ以降変
化させず、第二段階で得られた変換関数のパラメータ
は、それより後の段では変化させない各工程を有する装
置からなる色変換システムである。
Description
【０００１】
【産業上の利用分野】本発明は、異種の色空間を使う二
種類の装置があるとき、その一方から他方への色変換を
するシステムに係り、例えばＲＧＢ表色系の色をＣＭＹ
Ｋ表色系の色に変換するシステムに関するものである。
種類の装置があるとき、その一方から他方への色変換を
するシステムに係り、例えばＲＧＢ表色系の色をＣＭＹ
Ｋ表色系の色に変換するシステムに関するものである。
【０００２】
【従来の技術】従来、この種の色変換システムに用いら
れていた変換関数は、伊藤敬徳著「忠実な色再現のため
の色修正技術」（電子写真学会誌、vol.29,no.3, pp.29
9-305,1990）に示されているように、（Ａ）線形変換、
（Ｂ）線形変換に二次または三次の補正項を加えた非線
形変換、（Ｃ）誤差逆伝搬法（error backpropagationm
ethod、D.E.Rumelhart,G.E.Hinton and R.J.Williams
著“Learning internalrepresentation by error propa
gation.”Parallel Distributed Processing:Explorati
ons in the Microstructure of Cognition. vol.I, Cam
bridge,Massachusetts:The MIT Press, pp.318-362,198
6. 参照）を適用できるニューラル・ネットワーク・モ
デルによる変換に依って求められてきた。その導出法と
して、（Ａ）と（Ｂ）の場合には最小二乗誤差法（leas
t square error method ）、（Ｃ）の場合には、最小二
乗誤差法の非線形階層モデルへの拡張である誤差逆伝搬
法が用いられてきた。
れていた変換関数は、伊藤敬徳著「忠実な色再現のため
の色修正技術」（電子写真学会誌、vol.29,no.3, pp.29
9-305,1990）に示されているように、（Ａ）線形変換、
（Ｂ）線形変換に二次または三次の補正項を加えた非線
形変換、（Ｃ）誤差逆伝搬法（error backpropagationm
ethod、D.E.Rumelhart,G.E.Hinton and R.J.Williams
著“Learning internalrepresentation by error propa
gation.”Parallel Distributed Processing:Explorati
ons in the Microstructure of Cognition. vol.I, Cam
bridge,Massachusetts:The MIT Press, pp.318-362,198
6. 参照）を適用できるニューラル・ネットワーク・モ
デルによる変換に依って求められてきた。その導出法と
して、（Ａ）と（Ｂ）の場合には最小二乗誤差法（leas
t square error method ）、（Ｃ）の場合には、最小二
乗誤差法の非線形階層モデルへの拡張である誤差逆伝搬
法が用いられてきた。
【０００３】次に、ニューラル・ネットの応用について
説明する。ニューラル・ネットは、１９６０年代に盛ん
に研究され、特に誤差逆伝搬法と呼ばれる学習方法を
（非帰還型の）階層ネットワークに用いた手法は、様々
な方面での応用に有用であることが示された。この手法
の原理は、最小二乗誤差法における二乗誤差を最小化す
る勾配降下法と基本的には同じであるが、線形モデルで
はなく、シグモイド関数という非線形関数を含んだ階層
型の非線形モデルに適用できる点で異なる。入出力関係
は数１のようになる。
説明する。ニューラル・ネットは、１９６０年代に盛ん
に研究され、特に誤差逆伝搬法と呼ばれる学習方法を
（非帰還型の）階層ネットワークに用いた手法は、様々
な方面での応用に有用であることが示された。この手法
の原理は、最小二乗誤差法における二乗誤差を最小化す
る勾配降下法と基本的には同じであるが、線形モデルで
はなく、シグモイド関数という非線形関数を含んだ階層
型の非線形モデルに適用できる点で異なる。入出力関係
は数１のようになる。
【数１】
ベクトルａ，ｂは入出力であり、｛ｗ1,ij｝、
｛ｗ2,ij｝は各技に掛けられる重み係数である。○は和
の演算子で、□はシグモイド関数を示す。ａ0,ｘ2,0 は
バイアスを与えるためのノードで、常に１の値を持つ。
｛ｗ2,ij｝は各技に掛けられる重み係数である。○は和
の演算子で、□はシグモイド関数を示す。ａ0,ｘ2,0 は
バイアスを与えるためのノードで、常に１の値を持つ。
【０００４】ニューラル・ネットの誤差逆伝搬法による
学習則は、ｋ番目のデータが与えられたとき、添え字の
ｋを省略して表すと数２のようになる。ただし、ここで
ａ，ｂ，ｄは各々、入力、モデル出力、教師出力（望ま
しい出力）のベクトルを示している。
学習則は、ｋ番目のデータが与えられたとき、添え字の
ｋを省略して表すと数２のようになる。ただし、ここで
ａ，ｂ，ｄは各々、入力、モデル出力、教師出力（望ま
しい出力）のベクトルを示している。
【数２】
出力部での学習則は、出力誤差を基にした最小二乗法で
あり、中間層（隠れ層）の重みは係数ｗ1,ijを求めると
きに、その係数でつながっている上層のノード上の誤差
の偏微分の和を使っている。このように誤差、正確には
誤差の偏微分が出力層から層毎に入力層の方へ伝わって
いくことから、誤差逆伝搬法と名付けられている。
あり、中間層（隠れ層）の重みは係数ｗ1,ijを求めると
きに、その係数でつながっている上層のノード上の誤差
の偏微分の和を使っている。このように誤差、正確には
誤差の偏微分が出力層から層毎に入力層の方へ伝わって
いくことから、誤差逆伝搬法と名付けられている。
【０００５】
【発明が解決しようとする課題】本発明は、従来用いら
れていた三種類の該色変換関数及びその導出法の各々が
持つ欠点を削除し、利点を高める目的でなされたもので
ある。以下に、各々の場合の主な欠点と利点を述べる。
れていた三種類の該色変換関数及びその導出法の各々が
持つ欠点を削除し、利点を高める目的でなされたもので
ある。以下に、各々の場合の主な欠点と利点を述べる。
【０００６】線形変換の欠点は、実際の求められるべき
関数が線形でないために生じる変換誤差が大きいことで
あるが、利点はその変換式の導出及び変換計算が簡単で
あることである。更にこれに二次または三次の補正項を
加えると、計算が少し複雑になる欠点が生じるものの、
変換誤差は大幅に少なくなるという利点がある。所謂ニ
ューラル・ネットワークと呼ばれるモデルは、非線形問
題のモデル化に適しており、高次の非線形項を含んだ関
数も学習によって近似できるという利点がある。しか
し、学習にかかる計算時間及びモデル中のパラメータの
数の増大による変換計算時間の増大が欠点となってい
る。またその際、各パラメータの変化がシステム全体の
挙動に対してどのような影響を与えるかという情報を得
ることができにくいことも欠点として挙げられる。ま
た、パラメータの数が少なすぎると、良好な色変換関数
が得られなく、反対に多すぎると、過剰学習（overlear
ning）といって、与えられたデータにのみ誤差がすくな
くなる状態が生じ、汎化（generalization）、即ち、学
習に使われなかった新しいデータに対するシステムの適
応力が、不十分になる傾向がある。
関数が線形でないために生じる変換誤差が大きいことで
あるが、利点はその変換式の導出及び変換計算が簡単で
あることである。更にこれに二次または三次の補正項を
加えると、計算が少し複雑になる欠点が生じるものの、
変換誤差は大幅に少なくなるという利点がある。所謂ニ
ューラル・ネットワークと呼ばれるモデルは、非線形問
題のモデル化に適しており、高次の非線形項を含んだ関
数も学習によって近似できるという利点がある。しか
し、学習にかかる計算時間及びモデル中のパラメータの
数の増大による変換計算時間の増大が欠点となってい
る。またその際、各パラメータの変化がシステム全体の
挙動に対してどのような影響を与えるかという情報を得
ることができにくいことも欠点として挙げられる。ま
た、パラメータの数が少なすぎると、良好な色変換関数
が得られなく、反対に多すぎると、過剰学習（overlear
ning）といって、与えられたデータにのみ誤差がすくな
くなる状態が生じ、汎化（generalization）、即ち、学
習に使われなかった新しいデータに対するシステムの適
応力が、不十分になる傾向がある。
【０００７】
【課題を解決するための手段】本発明は上記問題点に鑑
み鋭意検討された結果、特許請求項第１項の発明によれ
ば、二種類の色空間の要素が、各々ベクトルで表される
とき、その一方の色空間のベクトルを他の一方の色空間
のベクトルに変換する色変換システムにおいて、与えら
れた双方の色空間のベクトル対データを基に、線形変換
による学習を行い線形の変換関数のパラメータを求める
線形変換部と、前記ベクトル対データを基に、線形変換
部で求められた線形項のパラメータを固定した状態で非
線形変換による学習を行い非線形の変換関数における非
線形項のパラメータを求める非線形変換部とを具備する
事を特徴とする色変換システムによって該問題点が解決
される。又、特許請求項第２項の発明によれば、上記第
１の発明の前記非線形変換部が、低次の非線形変換によ
る学習を行い低次項の変換関数のパラメータを求め、こ
のパラメータを固定した状態で高次の非線形変換による
学習を行い高次項のパラメータを求める事を特徴とする
色変換システムである。又、特許請求項第３項の発明に
よれば、上記第１又は第２の発明の前記線形変換部にお
ける学習のアルゴリズムと前記非線形変換部における学
習のアルゴリズムが最小二乗法である事を特徴とする色
変換システムである。更に特許請求項第４項の発明によ
れば、上記第２の発明の前記線形変換部における学習の
アルゴリズムと前記非線形変換部の低次の非線形変換に
おける学習のアルゴリズムが最小二乗法であり、非線形
変換部はニューラルネットワークを有し、非線形変換部
の高次の非線形変換における学習のアルゴリズムが前記
ニューラルネットワークを用いた誤差逆伝搬法であるこ
とを特徴とする色変換システムである。
み鋭意検討された結果、特許請求項第１項の発明によれ
ば、二種類の色空間の要素が、各々ベクトルで表される
とき、その一方の色空間のベクトルを他の一方の色空間
のベクトルに変換する色変換システムにおいて、与えら
れた双方の色空間のベクトル対データを基に、線形変換
による学習を行い線形の変換関数のパラメータを求める
線形変換部と、前記ベクトル対データを基に、線形変換
部で求められた線形項のパラメータを固定した状態で非
線形変換による学習を行い非線形の変換関数における非
線形項のパラメータを求める非線形変換部とを具備する
事を特徴とする色変換システムによって該問題点が解決
される。又、特許請求項第２項の発明によれば、上記第
１の発明の前記非線形変換部が、低次の非線形変換によ
る学習を行い低次項の変換関数のパラメータを求め、こ
のパラメータを固定した状態で高次の非線形変換による
学習を行い高次項のパラメータを求める事を特徴とする
色変換システムである。又、特許請求項第３項の発明に
よれば、上記第１又は第２の発明の前記線形変換部にお
ける学習のアルゴリズムと前記非線形変換部における学
習のアルゴリズムが最小二乗法である事を特徴とする色
変換システムである。更に特許請求項第４項の発明によ
れば、上記第２の発明の前記線形変換部における学習の
アルゴリズムと前記非線形変換部の低次の非線形変換に
おける学習のアルゴリズムが最小二乗法であり、非線形
変換部はニューラルネットワークを有し、非線形変換部
の高次の非線形変換における学習のアルゴリズムが前記
ニューラルネットワークを用いた誤差逆伝搬法であるこ
とを特徴とする色変換システムである。
【０００８】色変換システムにおいて、色変換関数を求
める際、それが線形モデルでどの程度近似できるかとい
うことは、計算負荷の軽減と汎化能力の向上の両面から
重要である。その上で非線形項を加えて補正を試みる
際、二次または三次の非線形項は、特にその相互作用の
解釈や説明がし易いことから意味があることである。例
えば、二次の項は、二つの色成分が相互に作用している
ことを示す上での良い指標となる。更にその上に立っ
て、高次の非線形項の近似を行うということが一般に望
ましい。本発明のシステムを適用すれば、先ず線形モデ
ルを学習し、次に二次または三次の非線形項を加え、更
に高次の非線形項を、例えばニューラル・ネットワーク
によって段階的に近似することによって、上記のような
望ましい変換関数の近似を得ることが可能になる。これ
によって、適度な計算負荷で、汎化能力があり、各段階
で得られた近似の性質の明らかな色変換システムを構築
できる。本発明で用いられている最小二乗誤差法による
学習アルゴリズムは、広く応用されているものである。
必要に応じて、中間層にある状態の数を増して、任意の
非線形変換を実現することが可能である。従って、この
手法により高次の非線形項の近似を行うことは、このア
ルゴリズムの実用性と汎用性との両面から、望ましいも
のである。
める際、それが線形モデルでどの程度近似できるかとい
うことは、計算負荷の軽減と汎化能力の向上の両面から
重要である。その上で非線形項を加えて補正を試みる
際、二次または三次の非線形項は、特にその相互作用の
解釈や説明がし易いことから意味があることである。例
えば、二次の項は、二つの色成分が相互に作用している
ことを示す上での良い指標となる。更にその上に立っ
て、高次の非線形項の近似を行うということが一般に望
ましい。本発明のシステムを適用すれば、先ず線形モデ
ルを学習し、次に二次または三次の非線形項を加え、更
に高次の非線形項を、例えばニューラル・ネットワーク
によって段階的に近似することによって、上記のような
望ましい変換関数の近似を得ることが可能になる。これ
によって、適度な計算負荷で、汎化能力があり、各段階
で得られた近似の性質の明らかな色変換システムを構築
できる。本発明で用いられている最小二乗誤差法による
学習アルゴリズムは、広く応用されているものである。
必要に応じて、中間層にある状態の数を増して、任意の
非線形変換を実現することが可能である。従って、この
手法により高次の非線形項の近似を行うことは、このア
ルゴリズムの実用性と汎用性との両面から、望ましいも
のである。
【０００９】
【作用】本発明では、異種の色空間を使う二種類の装置
間の色変換を行うに際し、該装置の対応する色ベクトル
のデータを使って、まず線形の変換関数を例えば最小二
乗誤差法により求め、それに付随するパラメータを固定
し、次に低次の非線形の変換関数を例えば最小二乗誤差
法により求め、それに付随するパラメータを固定し、更
に高次の非線形変換関数を求めるために例えば誤差逆伝
搬法を使ったニューラル・ネットにより求め、そのパラ
メータを固定する。この段階的なパラメータ学習により
形成されたシステムは、入力された色空間のベクトルを
変換し、もう一方の対応する色空間のベクトルを出力す
ることができる。
間の色変換を行うに際し、該装置の対応する色ベクトル
のデータを使って、まず線形の変換関数を例えば最小二
乗誤差法により求め、それに付随するパラメータを固定
し、次に低次の非線形の変換関数を例えば最小二乗誤差
法により求め、それに付随するパラメータを固定し、更
に高次の非線形変換関数を求めるために例えば誤差逆伝
搬法を使ったニューラル・ネットにより求め、そのパラ
メータを固定する。この段階的なパラメータ学習により
形成されたシステムは、入力された色空間のベクトルを
変換し、もう一方の対応する色空間のベクトルを出力す
ることができる。
【００１０】
【実施例】以下に本発明の実施態様を記載するが、本発
明はこれによって限定されない。本発明の色変換システ
ムの入力にＲＧＢ信号、出力にＣＭＹＫ信号を使った場
合の実施例を以下に示す。入力は赤と緑と青の三色から
なるＲＧＢ信号ベクトルｘである。本発明に記された色
変換システムにより、ＲＧＢ信号ベクトルｘをＣＭＹＫ
信号ベクトルｙに変換する変換関数を作用素Ｆで表す
と、ｙ＝Ｆｘとなる。これらの関係を図１に示す。ただ
し、ｘ＝［ｒ ｇ ｂ］′であり、′は転置を示す。作
用素Ｆは、線形変換Ｌ、二次または三次の変換Ｓ、及び
ニューラル・ネットワークによる変換Ｎの和で表され、
Ｆ＝Ｌ＋Ｓ＋Ｎとなる。またあるいは、ｙ＝ｙN ＋ｙS
＋ｙL ，ｙN ＝Ｎｘ，ｙS ＝Ｓｘ、ｙL ＝Ｌｘとなる。
この関係を図２に示す。作用素Ｌは行列Ｌによって表さ
れ、ｙL ＝Ｌｘであり、即ち、数３であらわされる。
明はこれによって限定されない。本発明の色変換システ
ムの入力にＲＧＢ信号、出力にＣＭＹＫ信号を使った場
合の実施例を以下に示す。入力は赤と緑と青の三色から
なるＲＧＢ信号ベクトルｘである。本発明に記された色
変換システムにより、ＲＧＢ信号ベクトルｘをＣＭＹＫ
信号ベクトルｙに変換する変換関数を作用素Ｆで表す
と、ｙ＝Ｆｘとなる。これらの関係を図１に示す。ただ
し、ｘ＝［ｒ ｇ ｂ］′であり、′は転置を示す。作
用素Ｆは、線形変換Ｌ、二次または三次の変換Ｓ、及び
ニューラル・ネットワークによる変換Ｎの和で表され、
Ｆ＝Ｌ＋Ｓ＋Ｎとなる。またあるいは、ｙ＝ｙN ＋ｙS
＋ｙL ，ｙN ＝Ｎｘ，ｙS ＝Ｓｘ、ｙL ＝Ｌｘとなる。
この関係を図２に示す。作用素Ｌは行列Ｌによって表さ
れ、ｙL ＝Ｌｘであり、即ち、数３であらわされる。
【数３】
ただし、ｙL ＝［ｃL ｍL ｙL ｋL ］′である。作用素
Ｓは行列Ｓにて表せば、ｙS ＝Ｓｘ2 となり、ここでｘ
2 ＝［ｒ2 ｇ2 ｂ2 rg rb gb rgb］′であり、即ち、数
４であらわされる。
Ｓは行列Ｓにて表せば、ｙS ＝Ｓｘ2 となり、ここでｘ
2 ＝［ｒ2 ｇ2 ｂ2 rg rb gb rgb］′であり、即ち、数
４であらわされる。
【数４】
作用素Ｎは、ｙN ＝ｓｇｍ（Ｗ2 ｈ1 ）、ｈ1 ＝ｓｇｍ
（Ｗ1 ｘ）で表される。ここで、ｓｇｍ（ａ）＝［ｓｇ
ｍ（ａ1 ） ｓｇｍ（ａ2 ）・・・］′，ｓｇｍ（ａ）
＝１／（１＋ｅ-n）となる。また、図３にその構造図の
例を示す。
（Ｗ1 ｘ）で表される。ここで、ｓｇｍ（ａ）＝［ｓｇ
ｍ（ａ1 ） ｓｇｍ（ａ2 ）・・・］′，ｓｇｍ（ａ）
＝１／（１＋ｅ-n）となる。また、図３にその構造図の
例を示す。
【００１１】学習アルゴリズムにより、行列Ｌ，Ｓ，Ｗ
2 ，Ｗ1 の要素であるパラメータを段階的に学習する。
入力データとそれに対応する出力データの順序対（ｕ
i ，ｖi ）が与えられているとする。誤差Ｅ＝Σi （ｖ
i −Ｆｕi ）′（ｖi −Ｆｕi）が最小になるように、
先ずＦ＝Ｌとして、Ｌを最小二乗誤差法により求める。
次に、Ｆ＝Ｌ＋Ｓとして、これを最小二乗誤差法によ
り、Ｅが最小になるようにＳを求める。更に、Ｆ＝Ｌ＋
Ｓ＋Ｎとして、Ｅが最小になるように誤差逆伝搬法でＷ
2 ，Ｗ1 を求める。以上の手順で、この色変換システム
に必要なすべてのパラメータが求められる。
2 ，Ｗ1 の要素であるパラメータを段階的に学習する。
入力データとそれに対応する出力データの順序対（ｕ
i ，ｖi ）が与えられているとする。誤差Ｅ＝Σi （ｖ
i −Ｆｕi ）′（ｖi −Ｆｕi）が最小になるように、
先ずＦ＝Ｌとして、Ｌを最小二乗誤差法により求める。
次に、Ｆ＝Ｌ＋Ｓとして、これを最小二乗誤差法によ
り、Ｅが最小になるようにＳを求める。更に、Ｆ＝Ｌ＋
Ｓ＋Ｎとして、Ｅが最小になるように誤差逆伝搬法でＷ
2 ，Ｗ1 を求める。以上の手順で、この色変換システム
に必要なすべてのパラメータが求められる。
【００１２】本実施例では、ＣＭＹＫが既知の印刷物を
測色して光学濃度に変換したものをＲＧＢ値として、Ｒ
ＧＢとＣＭＹＫの１２９６対よりなるデータを用いた。
そのうちの２１対のデータをランダムに選んで本システ
ムに学習させたときの学習過程を、出力誤差を指標とし
て図４に示す。縦軸には平均出力誤差、横軸には学習回
数が対数で示されている。ひとつの学習は、２１対の学
習用のデータを各一回ずつ本システムに与えた時点を示
す。図４に示された二本の曲線のうち、下の曲線は２１
対の学習データに対するもので、上の曲線は、同じパラ
メータを本システムが持つときに１２９６対の全データ
について出力誤差を調べたときのものである。これらの
曲線から、本システムが出力誤差を減少させるように働
いていること、そして既述の段階的な学習の効果が見ら
れる。段階が移るときの誤差上昇も過渡的であることが
わかる。
測色して光学濃度に変換したものをＲＧＢ値として、Ｒ
ＧＢとＣＭＹＫの１２９６対よりなるデータを用いた。
そのうちの２１対のデータをランダムに選んで本システ
ムに学習させたときの学習過程を、出力誤差を指標とし
て図４に示す。縦軸には平均出力誤差、横軸には学習回
数が対数で示されている。ひとつの学習は、２１対の学
習用のデータを各一回ずつ本システムに与えた時点を示
す。図４に示された二本の曲線のうち、下の曲線は２１
対の学習データに対するもので、上の曲線は、同じパラ
メータを本システムが持つときに１２９６対の全データ
について出力誤差を調べたときのものである。これらの
曲線から、本システムが出力誤差を減少させるように働
いていること、そして既述の段階的な学習の効果が見ら
れる。段階が移るときの誤差上昇も過渡的であることが
わかる。
【００１３】図５には、本発明の誤差逆伝搬法を用いた
ニューラル・ネットによる高次非線形変換装置を示す。
入力装置から入った学習させるための信号はＬによる線
形変換による最小二乗誤差法により誤差が最小になるよ
うにし、更に二次又は三次の変換Ｓによる最小二乗誤差
法により誤差が最小になるようにし、また更にそのデー
タを基に誤差逆伝搬法によりその誤差が最小になるよう
に順次段階的にその係数を求めていき、最終的に出力装
置からその変数に対応した値を出力することになる。
ニューラル・ネットによる高次非線形変換装置を示す。
入力装置から入った学習させるための信号はＬによる線
形変換による最小二乗誤差法により誤差が最小になるよ
うにし、更に二次又は三次の変換Ｓによる最小二乗誤差
法により誤差が最小になるようにし、また更にそのデー
タを基に誤差逆伝搬法によりその誤差が最小になるよう
に順次段階的にその係数を求めていき、最終的に出力装
置からその変数に対応した値を出力することになる。
【００１４】
【発明の効果】特許請求項第１項の発明は、数種類の変
換関数を学習アルゴリズムにより段階的に適用して求め
る装置により、次の効果が得られる。 （１）既存のシステムの変更をしないで、それが動いて
いる状態で、新しい付加関数を与えるシステムを適応さ
せる学習を進めることができる。 （２）システムの性能が漸進的に向上することが期待さ
れるので、必要に応じて新しい関数を付加していくこと
ができる。また、後から加えられた関数が不必要になっ
たら、それを除いても、その前の段階までの誤差のレベ
ルでのパフォーマンスが保証される。 （３）学習により変換関数を求めるので、色変換の入力
或は出力に例えば均等色空間の色ベクトルやマンセル色
標等の心理量等様々な量を用いることができる。特許請
求項第２項の発明によれば、 （１）色変換関数の線形近似パラメータ、低次の非線形
近似パラメータ、それ以上の高次項に関する近似のパラ
メータの各々を求めることができる。 （２）汎化能力の高い関数のクラスを早い段階に持って
くるようにし、より細かで複雑な関数を表現できるクラ
スを後の方の段階で使うようにして、少ないデータでも
出力を良く予想できる、汎化能力に優れたシステムをつ
くることができる。 特許請求項第３項の発明によれば、上記の効果が、最小
二乗誤差法という簡便な方法で得られる効果がある。特
許請求項第４項の発明によれば、第２項の発明の効果に
加えて、ニューラル・ネットワークの状態とパラメータ
の数を増減することにより、任意の高次非線形変換項を
近似することができる効果がある。
換関数を学習アルゴリズムにより段階的に適用して求め
る装置により、次の効果が得られる。 （１）既存のシステムの変更をしないで、それが動いて
いる状態で、新しい付加関数を与えるシステムを適応さ
せる学習を進めることができる。 （２）システムの性能が漸進的に向上することが期待さ
れるので、必要に応じて新しい関数を付加していくこと
ができる。また、後から加えられた関数が不必要になっ
たら、それを除いても、その前の段階までの誤差のレベ
ルでのパフォーマンスが保証される。 （３）学習により変換関数を求めるので、色変換の入力
或は出力に例えば均等色空間の色ベクトルやマンセル色
標等の心理量等様々な量を用いることができる。特許請
求項第２項の発明によれば、 （１）色変換関数の線形近似パラメータ、低次の非線形
近似パラメータ、それ以上の高次項に関する近似のパラ
メータの各々を求めることができる。 （２）汎化能力の高い関数のクラスを早い段階に持って
くるようにし、より細かで複雑な関数を表現できるクラ
スを後の方の段階で使うようにして、少ないデータでも
出力を良く予想できる、汎化能力に優れたシステムをつ
くることができる。 特許請求項第３項の発明によれば、上記の効果が、最小
二乗誤差法という簡便な方法で得られる効果がある。特
許請求項第４項の発明によれば、第２項の発明の効果に
加えて、ニューラル・ネットワークの状態とパラメータ
の数を増減することにより、任意の高次非線形変換項を
近似することができる効果がある。
【図１】色変換システムによるＲＧＢ信号よりＣＭＹＫ
信号への変換を示す説明図。
信号への変換を示す説明図。
【図２】色変換システムの各作用素Ｌ，Ｓ，Ｎを示す説
明図。
明図。
【図３】ニューラル・ネットワークの構造例を示す説明
図。
図。
【図４】本システムの学習過程を示すグラフ図。
【図５】誤差逆伝搬法を使ったニューラル・ネットによ
る高次非線形変換装置の説明図。
る高次非線形変換装置の説明図。
Claims (4)
- 【請求項１】 二種類の色空間の要素が、各々ベクトル
で表されるとき、その一方の色空間のベクトルを他の一
方の色空間のベクトルに変換する色変換システムにおい
て、与えられた双方の色空間のベクトル対データを基
に、線形変換による学習を行い線形の変換関数のパラメ
ータを求める線形変換部と、前記ベクトル対データを基
に、線形変換部で求められた線形項のパラメータを固定
した状態で非線形変換による学習を行い非線形の変換関
数における非線形項のパラメータを求める非線形変換部
とを具備する事を特徴とする色変換システム。 - 【請求項２】 前記非線形変換部は、低次の非線形変換
による学習を行い低次項の変換関数のパラメータを求
め、このパラメータを固定した状態で高次の非線形変換
による学習を行い高次項のパラメータを求める事を特徴
とする請求項１に記載の色変換システム。 - 【請求項３】 前記線形変換部における学習のアルゴリ
ズムと前記非線形変換部における学習のアルゴリズムが
最小二乗法である事を特徴とする請求項１又は請求項２
に記載の色変換システム。 - 【請求項４】 前記線形変換部における学習のアルゴリ
ズムと前記非線形変換部の低次の非線形変換における学
習のアルゴリズムが最小二乗法であり、非線形変換部は
ニューラルネットワークを有し、非線形変換部の高次の
非線形変換における学習のアルゴリズムが前記ニューラ
ルネットワークを用いた誤差逆伝搬法であることを特徴
とする請求項２に記載の色変換システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3195024A JPH0522586A (ja) | 1991-07-10 | 1991-07-10 | 色変換システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3195024A JPH0522586A (ja) | 1991-07-10 | 1991-07-10 | 色変換システム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0522586A true JPH0522586A (ja) | 1993-01-29 |
Family
ID=16334271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3195024A Pending JPH0522586A (ja) | 1991-07-10 | 1991-07-10 | 色変換システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0522586A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997001444A1 (fr) * | 1995-06-27 | 1997-01-16 | Datacard Corporation | Imprimante a transfert thermique de colorants, a ruban multistandard |
| CN109479151A (zh) * | 2016-05-16 | 2019-03-15 | 瑞典爱立信有限公司 | 采用颜色分量的像素处理 |
-
1991
- 1991-07-10 JP JP3195024A patent/JPH0522586A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997001444A1 (fr) * | 1995-06-27 | 1997-01-16 | Datacard Corporation | Imprimante a transfert thermique de colorants, a ruban multistandard |
| CN109479151A (zh) * | 2016-05-16 | 2019-03-15 | 瑞典爱立信有限公司 | 采用颜色分量的像素处理 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5376962A (en) | Neural network video image processor | |
| JP3488729B2 (ja) | カラー画像処理方法および装置 | |
| JPH04144361A (ja) | セットアップパラメータ決定特性を修正する方法及び自動セットアップ装置 | |
| CN110475043A (zh) | 一种CMYK到Lab颜色空间的转换方法 | |
| US5168352A (en) | Coloring device for performing adaptive coloring of a monochromatic image | |
| US5376963A (en) | Neural network video image processor | |
| JPH0522586A (ja) | 色変換システム | |
| JPH0451384A (ja) | ニューラルネットワークの構築方法 | |
| JPH07121498A (ja) | ニューラルネットワーク構築方法 | |
| JP3212101B2 (ja) | カラーマッチング方法およびその装置 | |
| JP3411847B2 (ja) | 入力機器用色再現方法及び装置、並びにこの方法のプログラムを記録した記録媒体 | |
| Cottet | Diffusion approximation on neural networks and applications for image processing | |
| CN109474258A (zh) | 基于核极化策略的随机傅立叶特征核lms的核参数优化方法 | |
| TWI730452B (zh) | 立體類神經網路系統 | |
| CN106940881A (zh) | 用于bayer格式的低照度图像增强的方法及装置 | |
| JPH0483471A (ja) | 色補正装置 | |
| JPH04261267A (ja) | 均等色空間による色情報の非線型変換の方法及び装置 | |
| KR100404857B1 (ko) | 유전알고리즘을이용한칼라영상입출력장치에서의색보정용색샘플결정방법 | |
| JPH0451386A (ja) | ニューラルネットワーク及びその構築方法 | |
| JPH1169182A (ja) | 色修正方法および色修正装置 | |
| JPH05276371A (ja) | カラー画像処理方法 | |
| JP2000341544A (ja) | 色再現方法、装置、及び、この方法を実行するプログラムを記録した記録媒体 | |
| JPH04142877A (ja) | カラー画像形成装置 | |
| JPH05292332A (ja) | 色データ補正処理方式 | |
| JPH11266371A (ja) | カラー画像処理装置 |