JPH05292332A

JPH05292332A - 色データ補正処理方式

Info

Publication number: JPH05292332A
Application number: JP4085175A
Authority: JP
Inventors: Atsuko Asakawa; 敦子浅川; Kazushige Saga; 一繁佐賀; Shigemi Osada; 茂美長田
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 1992-04-07
Filing date: 1992-04-07
Publication date: 1993-11-05

Abstract

(57)【要約】【目的】本発明は，色データ補正処理方式に関し，色
再現を正確に行うことを目的とする。【構成】プリンタ６の前段に，補正関数を学習させた
ニューラルネットワーク４を含む色データ補正処理部５
を設け，この補正関数として，色データ及びこの色デー
タの占める面積と出力したい所望の色データとの間の関
係をニューラルネットワーク４の結合の重みの形で学習
させる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は，色データ補正処理方式
に関し，特に，画像出力装置の色再現特性に応じた補正
関数を学習させた色補正用ニューラルネットワークを用
いた色データ補正処理方式に関する。

【０００２】事実を正確に伝える必要のある新聞などの
報道関係においては，色の正確さも必要とされる。しか
し，同一の対象物であっても複数の画像出力装置（プリ
ンタ）に出力した場合，装置によって色が異なったり，
出力画像の種類（印刷される画像の大きさの違い）によ
っては同一の色が微妙に異なって出力されることがあ
る。そのような場合に，色データを補正することによ
り，色を正確に再現することができる。

【０００３】

【従来の技術】色の表現法として，赤（Ｒ），緑
（Ｇ），青（Ｂ）を用いる加色表現と，シアン（Ｃ），
マゼンダ（Ｍ），イエロー（Ｙ）を用いる減色表現とが
ある。加色表現とは三色の光（ＲＧＢ）の重ね合わせに
よって色を表現する方法である。減色表現とは三色の色
材（ＣＭＹ）の反射光の重ね合わせによって色を表現す
る方法である。

【０００４】一般に，コンピュータディスプレイ上では
ＲＧＢの光の加色表現を行い，プリントアウトした結果
などの印刷物ではＣＭＹの反射光を用いた不透明な色材
の減色表現を行う。そこで，ディスプレイ上の画像をプ
リントアウトする場合，ＲＧＢ加色表現からＣＭＹ減色
表現への変換を行う必要がある。しかし，この変換方法
の違い等により，同じ色を出力しても，出力装置間で出
力された色の違いが発生する場合がある。

【０００５】そのため，図５に示す如く，その系（プリ
ンタ）の色の再現特性に合わせて補正関数をつくり色の
違いを補正していることが多い。図５において，原（入
力）画像１をＴＶカメラ（又はスキャナ）２で撮像して
ディスプレイ３上の画像とする。即ち，所定の（ＲＧＢ
からなる）色データを得る。これを補正関数８により補
正した上でプリンタ６から出力画像７として出力する。
この出力画像７を同一のＴＶカメラ２で撮像して同一の
ディスプレイ３上の画像とし色データを得る。この色デ
ータと先の色データとを比較して，プリンタ６からの出
力画像７を評価する。即ち，色データが近似している
程，出力画像７は原画像１に近いことになり，補正関数
８が優れていることになる。

【０００６】しかし，補正関数８はあらかじめ次数など
関数の形が定められているため，全ての場合において必
ずしも最適な補正関数を生成することができるとは限ら
ない。また，補正関数８の設定は人手によらなければな
らない。

【０００７】そこで図６に示す如く，ニューラルネット
ワーク９を用いて，この補正関数を生成させる。ニュー
ラルネットワーク９は学習により非線型な変換規則を獲
得することが可能であることから，図５のあらかじめ形
が定まっている補正関数８を生成する方法より，より適
した変換規則を得ることができる。

【０００８】図６の場合，プリンタ６における色変換規
則の特性を打ち消すように逆変換規則を作りそれを補正
関数とすれば，もともとの原画像１の色を出力すること
ができる。そのため，ニューラルネットワーク９の学習
データは，入力側教師データとしてプリントアウトした
結果の色のＲＧＢ値を，また出力側教師データとして原
画像の色のＲＧＢ値を用いる。また，この時，学習させ
る色として様々な色を含むようにさせる。この学習済の
ニューラルネットワーク９を用いれば，プリンタ６の色
の再現特性を打ち消すことができるため，より原画に近
い色を出力することができる。

【０００９】

【発明が解決しようとする課題】ところで，図６に示す
技術においては，プリンタ６の色補正のためにニューラ
ルネットワーク９を学習させるデータとして，同じ面積
を占める色のサンプルを多数用意し，それを使用してい
た。

【００１０】しかし，実際にプリンタ６から出力させた
場合，以下に述べるような問題があることが判った。即
ち，ある色を出力補正用のニューラルネットワーク９を
通して出力した場合，学習したサンプルと同じ大きさの
面積を占める色のデータを出力した時には，ほぼ正確に
再現する。ところが，同じ色で異なる大きさの面積を占
める色をプリントアウトした時には，学習済の同じ色の
サンプルの出力と異なる色を出力してしまう。

【００１１】例えば，図７（Ａ）に示す如く，学習デー
タとして大面積の薄緑色のサンプル（Ｒ，Ｇ，Ｂ）＝
（Ｒ１，Ｇ１，Ｂ１）を用いた場合，出力データは，大
面積のものは（Ｒ，Ｇ，Ｂ）＝（１４，２２，２９）と
なり，小面積のものは（Ｒ，Ｇ，Ｂ）＝（１２，１９，
２５）となった。また，図７（Ｂ）に示す如く，学習デ
ータとして大面積の深緑色のサンプル（Ｒ，Ｇ，Ｂ）＝
（Ｒ２，Ｇ２，Ｂ２）を用いた場合，出力データは，大
面積のものは（Ｒ，Ｇ，Ｂ）＝（１９，３１，３９）と
なり，小面積のものは（Ｒ，Ｇ，Ｂ）＝（１８，２８，
３６）となった。ここで，各数値は各信号の大きさを
“０”から“２５５”までの２５６階調で表したもので
ある。

【００１２】このように各信号の数値が異なる原因とし
て，以下に示すことが考えられる。使用したプリンタ６
は熱転写型プリンタであり，色の表現方法としてはＣＭ
Ｙそれぞれの色のドットの密度によって，明度，彩度，
色相を示している。そのため，領域の大きさが変わるこ
とによって，ＲＧＢのドット数の比が多少異なってしま
う。従って，同じ比率でＲＧＢのドットをプリントして
も，大きい面積でプリントアウトした時と小さい面積で
プリントアウトした時とでは，微妙に色が異なってしま
う可能性がある。なお，同様の理由により，図７（Ａ）
及び（Ｂ）の場合，大面積の（即ち学習データと同一面
積の）出力データが，原画像１を正確に再現していると
考えられる。

【００１３】上述した問題は，色補正を実用化する場合
に顕著になる。即ち，通常，自然界では，大きな面積が
ある一定の色のみで占められていることはほとんどな
く，小さな面積を様々な異なる色が占めている。よっ
て，プリンタ出力する画像データは図のように大きくか
つ一定（同一）の大きさの面積で出力する場合だけを補
正するのではなく，大きな領域と小さな領域を占める同
じ色が異なる色で出力されないようにする必要がある。

【００１４】本発明は，色再現を正確に行うことが可能
な色補正用ニューラルネットワークを用いた色データ補
正処理方式を提供することを目的とする。

【００１５】

【課題を解決するための手段】図１は本発明の原理構成
図であり，本発明による色データ補正処理方式について
示している。

【００１６】色データ補正処理部５は，色補正用ニュー
ラルネットワーク４を含み，入力画像１から得た色デー
タを補正する。色データ補正処理部５は入力画像１から
色データを得るための手段であるＴＶカメラ２（及びデ
ィスプレイ３）と，カラー画像を出力するための手段で
あるプリンタ６との間に設けられる。

【００１７】色補正用ニューラルネットワーク４は，色
データを補正するための補正関数を学習させられてい
る。即ち，補正関数として，プリンタ６から出力された
色データ及びこの色データの占める面積とプリンタ６か
ら出力したい所望の色データとの間の関係を，ニューラ
ルネットワーク４の結合の重みの形で，前記学習により
分散記憶させられている。

【００１８】そして，補正関数を学習済みのニューラル
ネットワーク４が，入力画像１から得た色データ及びこ
の色データを得た入力画像１の面積の入力に応じて，当
該入力された色データを補正関数により補正して出力す
る。

【００１９】

【作用】ニューラルネットワーク４は，プリンタ６から
出力された色データと出力したい色データ（原画像１の
色データ）との関係を，その色データを出力した時の面
積の違い（比率）まで含めて，補正関数として学習して
いる。即ち，色データの占める面積（プリンタ６から出
力した時の面積）に依存することなく，プリンタ６の色
変換規則の特性を打ち消すことができる逆変換規則を補
正関数としている。

【００２０】従って，学習したサンプルと異なる大きさ
を占める色データについても，その面積に依存すること
なく，ニューラルネットワーク４は正しく色補正を行っ
た色データを出力できる。この色データをプリンタ６の
入力として用いることにより，入力画像（原画像）の面
積とは無関係に，プリンタ６の色変換規則の特性を打ち
消した出力画像７即ち原画像１に忠実な画像をプリント
アウトできる。

【００２１】

【実施例】図１において，入力画像（原画像）１をＴＶ
カメラ２（又はスキャナ）で撮像してディスプレイ３上
の画像とする。即ち，所定の（ＲＧＢからなる）色デー
タを得る。これを色データ補正処理部５で補正した上で
プリンタ６へ入力しこれから出力画像７として出力す
る。なお，出力画像７を同一のＴＶカメラ２で撮像して
同一のディスプレイ３上の画像とし色データを得て，こ
の色データを学習データとして用いる。

【００２２】色データ補正処理部５は色補正用のニュー
ラルネットワーク４を備える。このニューラルネットワ
ーク４の結合の重み即ち補正関数は，出力時の面積まで
を考慮した所定の学習により決定される。

【００２３】学習モードにおいて，出力画像７から得た
色データ及びこの色データ（出力画像）の占める面積が
ニューラルネットワーク４への入力教師データとして用
いられる。また，入力画像１から得た色データがニュー
ラルネットワーク４への出力教師データとして用いられ
る。この出力教師データは，ＴＶカメラ２を通したもの
ではあるが，色変換規則の特性の大きいプリンタ６を通
っていないので，原画像（入力画像）１に忠実と考えて
よい。

【００２４】処理モードにおいて，入力画像１から得た
色データ及びこの色データ（入力画像）の占める面積が
ニューラルネットワーク４へ入力される。この入力に応
じて，ニューラルネットワーク４は，入力された色デー
タを学習した補正関数で補正して，色データとして出力
する。

【００２５】このニューラルネットワーク４の出力した
色データがプリンタ６の入力として用いられる。補正関
数はプリンタ６の色変換規則の特性を打ち消す逆変換規
則からなるので，プリンタ６からの出力画像７は，プリ
ンタ６での特性を打ち消して，入力画像１に忠実なもの
となる。また，補正関数は面積に依存しないので，入力
画像１の大きさに拘わりなく，入力画像１に忠実な出力
画像７が得られる。

【００２６】図２は実施例構成図であり，色データ補正
処理部５の構成を示す。色データ記憶部５１は，学習モ
ードにおける出力画像７から得た色データ，処理モード
における入力画像１から得た色データを格納する。ここ
で，色データは，色信号Ｒ，Ｇ，Ｂの各々についてその
大きさを“０”から“２５５”までの２５６偕調で表し
たものである。

【００２７】面積記憶部５２は，学習モードにおける出
力画像７の占める面積，処理モードにおける入力画像１
の占める面積を格納する。ニューラルネットワーク４の
結合の重みは，図示しない記憶部に格納される。

【００２８】これらの記憶部は例えばデータ処理システ
ムの磁気ディスク装置等の記憶媒体上に設けられる。ま
た，ニューラルネットワーク４は例えばコンピュータシ
ステムの如きデータ処理システムにより実行されるプロ
グラム又は専用ハードウェアとして実現される。

【００２９】本実施例のニューラルネットワーク４は，
４個の入力ユニット（ｈ−１ないしｈ−４），６個のヒ
ドン（中間）ユニット（ｉ−１ないしｉ−６），３個の
出力ユニット（ｊ−１ないしｊ−３）から成る３層の階
層ネットワークである。

【００３０】このようなニューラルネットワーク４とし
ては，例えば，本願出願人の出願による特願昭62−3334
85号（昭和６２年１２月２８日出願）「ロボット制御方
式」記載のニューラルネットワークを用いることができ
る。

【００３１】ニューラルネットワーク４は，ユニットと
呼ぶ一種のノード４１と重みを持つ内部結合とからなる
階層ネットワークにより構成され，学習則としては，基
本的には，コンピュータに適応機能を与えるデータ処理
方式として提唱されているバックプロパゲーション法と
いう処理方式（D. E. Rumelhart, G. E. Hinton, andR.
J. Williams, "Learning Internal Representations b
y Error Propagation,"PARALLEL DISTRIBUTED PROCESSI
NG, vol.1, pp.318 - 364, The MIT Press, 1986) に従
う。

【００３２】バックプロパゲーション法ではユニットと
呼ぶ一種のノード４１と重みを持つ内部結合とで階層ネ
ットワークを構成している。図３は，ユニット（図中
「０」で示す）の内部構成である基本ユニット４１−１
を示している。基本ユニット４１−１は，多入力−出力
系であり，複数の各々の入力に対し各々の内部結合の重
みを乗じてこれらの全乗算結果を和算する累算部４１−
２と，さらに，閾値処理を施して１つの出力を出す閾値
処理部４１−３とをもっている。即ちバックプロパゲー
ション法における基本ユニット４１−１でのデータ処理
は，入力と重みとの積和演算および閾値処理からなって
いる。ここで，バックプロパゲーション法では閾値の関
数として，式（２）で示されるシグモイド関数を用いて
いる。

【００３３】基本ユニットで行われる演算を数式で示す
と以下のようになる。

【００３４】

【数１】

【００３５】

【数２】

【００３６】但し，ｈ：ｈ層（入力層）のユニット番
号（この例では４まで），ｉ：ｉ層（中間層）のユニ
ット番号（この例では６まで），ｐ：入力パターン番
号（入力である色データ及び面積（の組）に付した番
号），θ_i：ｉ層のｉ番目のユニット閾値，Ｗ_ih：ｈ−
ｉ層間の内部結合の重み，ｘ_pi：ｈ層の各ユニットから
ｉ層のｉ番ユニットへの入力の積和，ｙ_ph：ｐパターン
入力に対するｈ層の出力，ｙ_pi：ｐパターン入力に対す
るｉ層の出力，である。なお，重みＷ_ijについても同様
に定まる。

【００３７】バックプロパゲーション法では，この積和
と閾値処理を基本とする基本ユニット４１−１を図２の
ような誤差フィードバックを持つ階層ネットワーク構造
として，重みと閾値とを誤差のフィードバックにより適
応的に自動調節するアルゴリズムを用い，所望のデータ
処理方法をニューラルネットワーク４に学習させること
により適応的なデータ処理を実行する。

【００３８】次に，ニューラルネットワーク４の学習に
ついて説明する。入力される色データはＲ，Ｇ，Ｂの３
つからなり，これに面積が加わるから，入力ユニットは
４個である。一方，これらの入力を補正して得られる色
データはＲ，Ｇ，Ｂの３つであるから，出力ユニットは
３個である。中間ユニットは，経験的に６個とした。

【００３９】入力される色データが対応すべき色データ
は一意に定まるので，ニューラルネットワーク４によ
り，学習が可能である。この学習は，階層ネットワーク
の内部結合の重みＷ_ih及びＷ_jiを入力される色データ及
び面積と原画像の色データとに従って学習的に決定する
ものである。すなわち，バックプロパゲーション法の学
習アルゴリズムを用いて重みＷ_ih及びＷ_jiの値を自動決
定する。

【００４０】この重みＷ_ih及びＷ_jiの値を決定するため
の学習手順は次のようである。即ち，まず内部結合の重
みの初期値を決める。この初期値は，１以下の乱数によ
り決める。これは，重みの値が全て同じか，あるいはユ
ニットに関して対称となると，バックプロパゲーション
法では重みの変化が生ぜず，学習が進行しなくなってし
まうためである。続いて，入力教師データ及びこれと対
をなす所望の出力教師データを順次取り込む。

【００４１】続いて，バックプロパゲーション法に関わ
る制御パラメータを入力する。ここではインクリメンタ
ルな繰り返し学習の一回当たりの重みの変化量の係数で
ある学習率と収束時の振動を抑えるための学習速度を制
御パラメータとしている。

【００４２】そして，バックプロパゲーション法のアル
ゴリズムに従って３つの出力層ユニットの各々の出力値
が所望の出力教師データと一致するようにインクリメン
タルに内部結合の重みＷ_ih，Ｗ_jiを学習する。最後に３
つの出力層ユニットの各々の出力値と所望の出力教師デ
ータとの誤差が，全ての入力教師データに関して所定の
値より少なくなったら，学習を終了する。

【００４３】上述の重みＷ_ihやＷ_jiは各ユニットｉ−１
ないしｉ−６やｊ−１ないしｊ−３に夫々対応する記憶
装置内に格納され，その内容が上述の学習の間フィード
バックによって修正される。そして最終的に学習結果と
しての重みＷ_ih，Ｗ_jiが定まる。

【００４４】なお，重みの更新のためのアルゴリズムを
簡単に説明すると，まずネットワーク４の出力と出力教
師データとの誤差の二乗和をネットワーク４の誤差とし
て求める。このネットワーク４の誤差を，重みＷ_ih，Ｗ
_jiで偏微分する。これにより，誤差と重みとの関係を知
り，公知の勾配法により，誤差を漸近的に“０”とす
る。

【００４５】次に，学習の具体的手順について説明す
る。 (1) 図１の原画像（入力画像）１として，図４（Ａ）に
示す如きカラーチャート１１を用意する。このカラーチ
ャート１１は，例えば，横を１ないし１０の１０区画，
縦をＡないしＫの１１区画に区切り，合計１１０区画の
各部の色を各々違えたものである。

【００４６】(2) 原画像１をＴＶカメラ２で撮影（この
時，併せてディスプレイ３上に表示をする）することに
より，カラーチャート１１の各々の色のＲＧＢの値（色
データ）を求める。これにより，１１０個の色データが
得られる。但し，これらは互いに異なる色についてのも
のである。これらは，プリンタ６（色変換）を経ていな
いので，原画像１に忠実であると考えてよい。従って，
面積は定まっているから，１１０個の出力教師データが
得られる。

【００４７】(3) 前記(2) で求めたＲＧＢからなる色デ
ータをプリンタ６に入力し，プリンタ６からカラーチャ
ートを出力させる。このプリンタ６の出力したカラーチ
ャートは，色補正を経ていないので，プリンタ６の色変
換規則の特性をそのまま反映したものとなる。

【００４８】(4) プリンタ６の出力したカラーチャート
を先のと同一のＴＶカメラ２で撮影し，当該カラーチャ
ートの各々の色のＲＧＢの値（色データ）を求める。 (5) 図４（Ｂ）に示す如く，原画像１であるカラーチャ
ート１１の各々の色の占める面積を変化させて，前記
(1) ないし(4) を繰り返す。図４（Ｂ）は，面積を変化
させたカラーチャート１２の一例を示し，面積を約２７
倍した例である。この工程により，例えば図４（Ａ）に
示すカラーチャート中の１１０色の各々について，種々
の面積のプリンタ６からの出力結果を得て，色データを
求める。

【００４９】(6) 前記(5) で求めた色データに当該色デ
ータの占める面積をパラメータとして付加して，入力教
師データを作る。従って，１１０色の各々について，面
積の種類の分だけの入力教師データが作成される。

【００５０】(7) 入力教師データ（Ｒ，Ｇ，Ｂ，面積）
をニューラルネットワーク４の所定の４つの入力ユニッ
トに入力し，出力教師データ（Ｒ，Ｇ，Ｂ）をニューラ
ルネットワーク４の所定の３つの出力ユニットからの出
力との誤差を求めるために入力し，学習させる。この学
習は全ての入力教師データについて，そのニューラルネ
ットワーク４からの出力と出力教師データとの誤差が所
定値以下になるまで行われる。そして，学習の結果，各
結合の重みＷ_ih，Ｗ_jiが補正関数として格納される。

【００５１】次に，色データ補正処理について説明す
る。 (1) 前述の学習をしたニューラルネットワーク４を含む
色データ補正処理部５を，図１に示す如く，プリンタ６
の前段に接続する。

【００５２】(2) プリントアウトしたい画像（入力画
像）１をＴＶカメラ２で撮影し，ディスプレイ３を介し
て，色データ補正処理部５へ入力する。この時，ＴＶカ
メラ２で撮影することにより，各色データのＲＧＢの値
が具体的数値（前述の如く，“０”から“２５５”まで
の２５６偕調の数値）として求まる。また，当該色デー
タの占める面積も色データ補正処理部５へ入力される。
この面積の算出及び入力は，例えば，ディスプレイ３の
接続されているデータ処理装置によって自動的に行われ
る。なお，操作員によって行うようにしてもよい。

【００５３】(3) 色データ補正処理部５は，ＲＧＢから
なる色データと面積とを各記憶部を介してニューラルネ
ットワーク４の所定の４つの入力ユニットに入力する。
この入力に応じて，ニューラルネットワーク４は，学習
した結合の重み（補正関数）を用いた演算を行い，３つ
の出力ユニットにＲＧＢからなる色データを出力する。
この色データは，補正関数がプリンタ６の色変換規則の
特性を打ち消す逆変換規則であることから，後段に接続
されるプリンタ６の特性を予め考慮した（歪んだ）色デ
ータとなる。

【００５４】(4) 色データ補正処理部５（ニューラルネ
ットワーク）の出力した色データをプリンタ６に入力
し，プリンタ６から画像を出力させる。プリンタ６の特
性はニューラルネットワーク４での補正により打ち消さ
れるので，プリンタ６の出力する出力画像７は入力画像
１に極めて近いものとなる。

【００５５】以上，本発明を実施例により説明したが，
本発明はこれに限定されるものではなく，その主旨に従
い種々の変形が可能である。例えば，ニューラルネット
ワーク４の構成は前述したものに限られない。

【００５６】前述の実施例においては，入力ユニットに
入力する色データとしてＲ，Ｇ，Ｂの３つの数値からな
るもの（これを一次色データという）を用いていたが，
これに代えてＲＧＢそれぞれの数値を掛け合わせたもの
を用いてもよい。即ち，ＴＶカメラ２により得たＲ，
Ｇ，Ｂの値をそのまま用いるのではなく，これらに所定
の処理をして得たデータ，例えばＲ×Ｒ，Ｇ×Ｇ，Ｂ×
Ｂ，Ｒ×Ｇ，…からなる色データ（これはＲＧＢのうち
の２つを掛け合わせてあるデータである）を入力ユニッ
トに入力してもよい。なお，掛け合わせる回数は２回だ
けとは限られない。この場合，入力ユニットの数は，
色データの数の増加に応じて増やされる。また，これに
応じて中間ユニットの数も増設される。なお，出力ユニ
ットの数は３個（Ｒ，Ｇ，Ｂ）である。

【００５７】また，前述の実施例においては，出力ユニ
ットから出力される色データはＲ，Ｇ，Ｂの３つの数値
からなるものであったが，Ｃ，Ｍ，Ｙの３つの数値から
なる色データを出力するようにしてもよい。Ｒ，Ｇ，Ｂ
からなる色データの場合にはニューラルネットワーク４
はプリンタ６の特性を打ち消す補正を行っているが，
Ｃ，Ｍ，Ｙからなる色データの場合にはニューラルネッ
トワーク４は当該補正の他にＲＧＢからＣＭＹへの色変
換をも併せて行うことになる。

【００５８】従って，Ｒ，Ｇ，Ｂからなる色データの場
合，プリンタ６に入力されたニューラルネットワーク４
の出力は，通常プリンタ６が備えている色変換機能によ
りＲＧＢからＣＭＹへ色変換される。一方，Ｃ，Ｍ，Ｙ
からなる色データの場合，プリンタ６に入力されたニュ
ーラルネットワーク４の出力は，色変換されることな
く，そのままプリントアウトのために用いられる。この
場合，プリンタ６の印刷特性等を打ち消して原画像に忠
実なプリントアウトの結果を得ることができる。

【００５９】更に，前述の実施例において，色データ補
正処理部５はディスプレイ３及びプリンタ６の双方から
独立して示したが，色データ補正処理部５（特にニュー
ラルネットワーク４）はディスプレイ３又はプリンタ６
のいずれかに内蔵される構成としてもよい。この場合，
ディスプレイ３及びプリンタ６の機種を問わず，これら
を直接接続するだけで原画像に忠実なプリンタ６の出力
を得ることができる。

【００６０】

【発明の効果】以上説明したように，本発明によれば，
プリンタの色再現特性に応じた補正関数を学習させた色
補正用ニューラルネットワークを用いた色データ補正処
理において，補正関数として色データ及びこの色データ
の占める面積と出力したい所望の色データとの間の関係
をニューラルネットワークの結合の重みの形で学習させ
ることにより，入力した色データの占める面積に依存す
ることなくプリンタの色変換規則の特性を打ち消すこと
ができるので，入力画像の面積とは無関係にプリンタか
ら原画像に忠実な画像をプリントアウトすることができ
る。

【図面の簡単な説明】

【図１】本発明の原理構成図である。

【図２】実施例構成図である。

【図３】基本ユニット構成図である。

【図４】カラーチャートを示す図である。

【図５】従来技術説明図である。

【図６】従来技術説明図である。

【図７】従来技術の問題点説明図である。

【符号の説明】

１入力（原）画像２ＴＶカメラ３ディスプレイ４ニューラルネットワーク５色データ補正処理部６プリンタ７出力画像８補正関数９ニューラルネットワーク

Claims

【特許請求の範囲】

【請求項１】色データを補正するための補正関数を学
習させた色補正用ニューラルネットワークを用いて，入
力画像から得た色データを補正する色データ補正処理方
式において，前記補正関数として，前記色データ及びこの色データの
占める面積と出力したい所望の色データとの間の関係
を，前記ニューラルネットワークの結合の重みの形で，
前記学習により分散記憶させ，前記学習済みのニューラルネットワークが，前記入力画
像から得た色データ及びこの色データを得た入力画像の
面積の入力に応じて，当該入力された色データを前記補
正関数により補正して出力することを特徴とする色デー
タ補正処理方式。