JPH099083A - カラー画像処理装置 - Google Patents
カラー画像処理装置Info
- Publication number
- JPH099083A JPH099083A JP7155029A JP15502995A JPH099083A JP H099083 A JPH099083 A JP H099083A JP 7155029 A JP7155029 A JP 7155029A JP 15502995 A JP15502995 A JP 15502995A JP H099083 A JPH099083 A JP H099083A
- Authority
- JP
- Japan
- Prior art keywords
- color
- data
- neural network
- image
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/46—Colour picture communication systems
- H04N1/56—Processing of colour picture signals
- H04N1/60—Colour correction or control
- H04N1/603—Colour correction or control controlled by characteristics of the picture signal generator or the picture reproducer
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
- Color Image Communication Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
(57)【要約】
【構成】 原画を読み取る入力装置１と、色修正用のニ
ューラルネットワークによって入力画像データの色修正
を行う色修正装置２と、色修正された画像データを出力
する出力装置３とを備える。上記ニューラルネットワー
クは、視覚特性に応じた学習用色データを教師データ、
上記学習用色データに基づいて出力される画像を読み取
った画像データを学習データとして学習する。 【効果】 ニューラルネットワークによる色修正を精度
良く、しかも視覚特性に応じた色修正を行うことがで
き、この結果、原画と複製画との色の差異を目立たなく
することができる。
ューラルネットワークによって入力画像データの色修正
を行う色修正装置２と、色修正された画像データを出力
する出力装置３とを備える。上記ニューラルネットワー
クは、視覚特性に応じた学習用色データを教師データ、
上記学習用色データに基づいて出力される画像を読み取
った画像データを学習データとして学習する。 【効果】 ニューラルネットワークによる色修正を精度
良く、しかも視覚特性に応じた色修正を行うことがで
き、この結果、原画と複製画との色の差異を目立たなく
することができる。
Description
【０００１】
【産業上の利用分野】本発明は、色修正機能を有するカ
ラー複写機やカラープリンタ等のカラー画像処理装置に
関するものである。
ラー複写機やカラープリンタ等のカラー画像処理装置に
関するものである。
【０００２】
【従来の技術】従来より、カラー原画をカラースキャナ
等の読取り手段により読み取り、カラー原画の複製画を
カラープリンタ等の出力手段によって出力する画像入出
力装置として、カラー複写機やカラープリンタ等のカラ
ー画像処理装置がある。
等の読取り手段により読み取り、カラー原画の複製画を
カラープリンタ等の出力手段によって出力する画像入出
力装置として、カラー複写機やカラープリンタ等のカラ
ー画像処理装置がある。
【０００３】ところが、カラー画像処理装置では、入力
画像データを、そのままカラープリンタ等の出力手段に
与えても、殆どの場合、原画の色と異なる色を呈した複
製画となって出力される。
画像データを、そのままカラープリンタ等の出力手段に
与えても、殆どの場合、原画の色と異なる色を呈した複
製画となって出力される。
【０００４】そこで、ニューラルネットワークを用い
て、複製画の色を原画の色に近づくように入力画像デー
タを色修正する方法がある。例えば特開平２−２４１２
７１号公報に開示されている「色修正装置」では、色修
正を行う前に、限定された個数の色見本と前記色見本の
色分解信号と前記色見本の色修正後の色分解信号とを同
時に与えることで、ニューラルネットワークが色修正パ
ラメータを適応的に学習最適化させて、色修正を精度良
く行っている。
て、複製画の色を原画の色に近づくように入力画像デー
タを色修正する方法がある。例えば特開平２−２４１２
７１号公報に開示されている「色修正装置」では、色修
正を行う前に、限定された個数の色見本と前記色見本の
色分解信号と前記色見本の色修正後の色分解信号とを同
時に与えることで、ニューラルネットワークが色修正パ
ラメータを適応的に学習最適化させて、色修正を精度良
く行っている。
【０００５】また、特開平５−１５３３８１号公報に開
示されている「カラー画像処理装置」では、ニューラル
ネットワーク回路によって、原画像からの反射光または
透過光の色分解信号を、学習して最適な濃度信号に変換
することで、色修正を精度良く行っている。
示されている「カラー画像処理装置」では、ニューラル
ネットワーク回路によって、原画像からの反射光または
透過光の色分解信号を、学習して最適な濃度信号に変換
することで、色修正を精度良く行っている。
【０００６】一般に、ニューラルネットワークによって
色修正を行うには、カラースキャナ等の読取り手段によ
るカラー原画の光学走査によって得られる、Ｒ（赤）、
Ｇ（緑）、Ｂ（青）の色分解信号（以下、ＲＧＢ信号と
称する）を、最終的にカラープリンタ等の出力手段に与
えるＣ（シアン）、Ｍ（マゼンタ）、Ｙ（イエロー）の
濃度信号（以下、ＣＭＹ信号と称する）に変換する必要
がある。
色修正を行うには、カラースキャナ等の読取り手段によ
るカラー原画の光学走査によって得られる、Ｒ（赤）、
Ｇ（緑）、Ｂ（青）の色分解信号（以下、ＲＧＢ信号と
称する）を、最終的にカラープリンタ等の出力手段に与
えるＣ（シアン）、Ｍ（マゼンタ）、Ｙ（イエロー）の
濃度信号（以下、ＣＭＹ信号と称する）に変換する必要
がある。
【０００７】したがって、あるＲＧＢ値と、そのＲＧＢ
値の入力に対して色修正されたＣＭＹ値との組合せが必
要となる。このＲＧＢ値とＣＭＹ値との組合せは、色空
間全域で求められる。例えば、ＣＭＹ各９ステップずつ
の７２９色の色サンプルを出力し、この色サンプルによ
る画像をカラースキャナ等の読み取り手段によって光学
走査することで、色空間全域のＲＧＢ値−ＣＭＹ値の組
合せが得られる。
値の入力に対して色修正されたＣＭＹ値との組合せが必
要となる。このＲＧＢ値とＣＭＹ値との組合せは、色空
間全域で求められる。例えば、ＣＭＹ各９ステップずつ
の７２９色の色サンプルを出力し、この色サンプルによ
る画像をカラースキャナ等の読み取り手段によって光学
走査することで、色空間全域のＲＧＢ値−ＣＭＹ値の組
合せが得られる。
【０００８】この色空間全域のＲＧＢ値−ＣＭＹ値の組
合せを学習データによってニューラルネットワークが学
習すること、即ち教師データＣＭＹ値との誤差が最小と
なるように学習することで、複製画の色を原画像の色に
近づくように色修正を行うことができる。
合せを学習データによってニューラルネットワークが学
習すること、即ち教師データＣＭＹ値との誤差が最小と
なるように学習することで、複製画の色を原画像の色に
近づくように色修正を行うことができる。
【０００９】
【発明が解決しようとする課題】ところが、人間の視覚
は、色の鮮やかさに影響され易い、即ち肌色や空色等の
彩度の比較的低い色には非常に敏感であり、また、黄色
等の彩度の高い色にはそれほど敏感ではないという特性
を有している。このため、修正されたＣＭＹ値の誤差が
数値上で小さくても、色の種類によっては色修正を行っ
てもそれほど効果が見られない場合がある。
は、色の鮮やかさに影響され易い、即ち肌色や空色等の
彩度の比較的低い色には非常に敏感であり、また、黄色
等の彩度の高い色にはそれほど敏感ではないという特性
を有している。このため、修正されたＣＭＹ値の誤差が
数値上で小さくても、色の種類によっては色修正を行っ
てもそれほど効果が見られない場合がある。
【００１０】したがって、上記従来のニューラルネット
ワークの色修正のように、空間全域で均一となるように
色修正を行う場合には、教師データＣＭＹ値との誤差が
小さく、しかも数値上で均一となるように色修正して
も、肌色や空色等の彩度の低い色、即ち人間の目に敏感
に感じ取れるような特殊な色では、原画と複製画との色
の差異が目立ってしまうという問題が生じる。
ワークの色修正のように、空間全域で均一となるように
色修正を行う場合には、教師データＣＭＹ値との誤差が
小さく、しかも数値上で均一となるように色修正して
も、肌色や空色等の彩度の低い色、即ち人間の目に敏感
に感じ取れるような特殊な色では、原画と複製画との色
の差異が目立ってしまうという問題が生じる。
【００１１】本発明は、上記の問題点に鑑みなされたも
のであって、その目的は、視覚特性に応じて原画像の入
力画像データを変換して出力画像データとすることで、
原画と複製画との色の差異が目立たないカラー画像処理
装置を提供することにある。
のであって、その目的は、視覚特性に応じて原画像の入
力画像データを変換して出力画像データとすることで、
原画と複製画との色の差異が目立たないカラー画像処理
装置を提供することにある。
【００１２】
【課題を解決するための手段】請求項１のカラー画像処
理装置は、原画像を読み取る読取り手段と、色修正用の
ニューラルネットワークによって入力画像データの色修
正を行う色修正手段と、色修正された画像データを出力
する出力手段とを備え、上記色修正用のニューラルネッ
トワークは、基準色サンプルから得られる基本色データ
に対して、視覚特性に敏感な色の色データを加える操
作、あるいは視覚特性に鈍感な色の色データを削除する
操作のうち、少なくとも一方の操作によって得られる学
習用色データを教師データ、上記学習用色データに基づ
いて出力される画像を読み取った画像データを学習デー
タとして学習することを特徴としている。
理装置は、原画像を読み取る読取り手段と、色修正用の
ニューラルネットワークによって入力画像データの色修
正を行う色修正手段と、色修正された画像データを出力
する出力手段とを備え、上記色修正用のニューラルネッ
トワークは、基準色サンプルから得られる基本色データ
に対して、視覚特性に敏感な色の色データを加える操
作、あるいは視覚特性に鈍感な色の色データを削除する
操作のうち、少なくとも一方の操作によって得られる学
習用色データを教師データ、上記学習用色データに基づ
いて出力される画像を読み取った画像データを学習デー
タとして学習することを特徴としている。
【００１３】請求項２のカラー画像処理装置は、請求項
１記載のカラー画像処理装置において、色修正手段は、
入力画像データの色特性に応じた複数の色修正用のニュ
ーラルネットワークを備えると共に、入力画像データ
を、その色特性に応じた色修正用のニューラルネットワ
ークによって色修正することを特徴としている。
１記載のカラー画像処理装置において、色修正手段は、
入力画像データの色特性に応じた複数の色修正用のニュ
ーラルネットワークを備えると共に、入力画像データ
を、その色特性に応じた色修正用のニューラルネットワ
ークによって色修正することを特徴としている。
【００１４】請求項３のカラー画像処理装置は、請求項
１または２記載のカラー画像処理装置において、色修正
手段は、色修正された画像データを教師データとすると
共に、上記色修正された画像データから出力される複製
画像を読み取った入力画像データを学習データとして学
習する色修正用のニューラルネットワークを備えること
を特徴としている。
１または２記載のカラー画像処理装置において、色修正
手段は、色修正された画像データを教師データとすると
共に、上記色修正された画像データから出力される複製
画像を読み取った入力画像データを学習データとして学
習する色修正用のニューラルネットワークを備えること
を特徴としている。
【００１５】
【作用】請求項１の構成によれば、色修正用のニューラ
ルネットワークが、基準色サンプルから得られる基本色
データに対して、肌色や空色等の視覚特性に敏感な色の
色データを加える操作、あるいは黄色等の視覚特性に鈍
感な色の色データを削除する操作のうち、少なくとも一
方の操作によって得られる学習用色データを教師デー
タ、上記学習用色データに基づいて出力される画像を読
み取った画像データを学習データとして学習するように
なっているので、視覚特性に近くなるような色修正用の
ニューラルネットワークを構築することができる。
ルネットワークが、基準色サンプルから得られる基本色
データに対して、肌色や空色等の視覚特性に敏感な色の
色データを加える操作、あるいは黄色等の視覚特性に鈍
感な色の色データを削除する操作のうち、少なくとも一
方の操作によって得られる学習用色データを教師デー
タ、上記学習用色データに基づいて出力される画像を読
み取った画像データを学習データとして学習するように
なっているので、視覚特性に近くなるような色修正用の
ニューラルネットワークを構築することができる。
【００１６】これにより、色修正用のニューラルネット
ワークは、視覚特性に応じて色修正を行うことができる
ので複製画に対して、視覚により近い色修正を行うこと
ができ、この結果、原画と複製画との色の差異が目立た
ないカラー画像処理装置を提供することができる。
ワークは、視覚特性に応じて色修正を行うことができる
ので複製画に対して、視覚により近い色修正を行うこと
ができ、この結果、原画と複製画との色の差異が目立た
ないカラー画像処理装置を提供することができる。
【００１７】請求項２の構成によれば、色修正手段は、
例えば色修正用のニューラルネットワークとして、人物
画の色修正に適したニューラルネットワークや風景画の
色修正に適したニューラルネットワーク等の特定の画像
の色修正に適した種々のニューラルネットワークを備
え、入力画像データの色特性に応じて上記種々のニュー
ラルネットワークを切り替えることで、入力画像データ
の色特性に応じた出力画像データに色修正することがで
きる。これによって、さらに、色修正を精度良く行うこ
とができ、この結果、原画と複製画との色の差異を目立
たなくすることができる。
例えば色修正用のニューラルネットワークとして、人物
画の色修正に適したニューラルネットワークや風景画の
色修正に適したニューラルネットワーク等の特定の画像
の色修正に適した種々のニューラルネットワークを備
え、入力画像データの色特性に応じて上記種々のニュー
ラルネットワークを切り替えることで、入力画像データ
の色特性に応じた出力画像データに色修正することがで
きる。これによって、さらに、色修正を精度良く行うこ
とができ、この結果、原画と複製画との色の差異を目立
たなくすることができる。
【００１８】請求項３の構成によれば、色修正手段は、
色修正された画像データを教師データとすると共に、上
記色修正された画像データから出力される複製画像を読
み取った入力画像データを学習データとして学習する色
修正用のニューラルネットワークを備えることで、使用
者自身が、ニューラルネットワークの結合荷重を、入力
する画像に応じて色修正の誤差が小さくなるように適宜
変更することができる。これにより、使用者の好みや使
用状況に応じて色修正を行うことができる。
色修正された画像データを教師データとすると共に、上
記色修正された画像データから出力される複製画像を読
み取った入力画像データを学習データとして学習する色
修正用のニューラルネットワークを備えることで、使用
者自身が、ニューラルネットワークの結合荷重を、入力
する画像に応じて色修正の誤差が小さくなるように適宜
変更することができる。これにより、使用者の好みや使
用状況に応じて色修正を行うことができる。
【００１９】
〔実施例１〕本発明の一実施例について図１ないし図３
に基づいて説明すれば、以下の通りである。
に基づいて説明すれば、以下の通りである。
【００２０】本実施例に係るカラー画像処理装置は、図
１に示すように、原画の画像情報を入力する入力装置１
と、入力された画像情報の色データを修正する色修正装
置２と、色修正された色データを含む画像情報を出力し
て複製画を得る出力装置３とを備えている。
１に示すように、原画の画像情報を入力する入力装置１
と、入力された画像情報の色データを修正する色修正装
置２と、色修正された色データを含む画像情報を出力し
て複製画を得る出力装置３とを備えている。
【００２１】入力装置１は、読取り手段としてカラース
キャナを備え、カラーの原画を光走査してＲ（赤）、Ｇ
（緑）、Ｂ（青）の色分解信号（以下、ＲＧＢ信号と称
する）を得るようになっている。上記カラースキャナ
は、光走査した原画からＲＧＢ各２５６段階に色分解す
ることができるものとする。
キャナを備え、カラーの原画を光走査してＲ（赤）、Ｇ
（緑）、Ｂ（青）の色分解信号（以下、ＲＧＢ信号と称
する）を得るようになっている。上記カラースキャナ
は、光走査した原画からＲＧＢ各２５６段階に色分解す
ることができるものとする。
【００２２】出力装置３は、出力手段としてカラープリ
ンタを備え、Ｃ（シアン）、Ｍ（マゼンタ）、Ｙ（イエ
ロー）の濃度信号（以下、ＣＭＹ信号と称する）に基づ
いて、画像を得るようになっている。即ち、原画の複製
画を得るようになっている。上記カラープリンタは、Ｃ
ＭＹの３色インクを使用して各２５６段階の濃度でプリ
ントアウトできるものとする。
ンタを備え、Ｃ（シアン）、Ｍ（マゼンタ）、Ｙ（イエ
ロー）の濃度信号（以下、ＣＭＹ信号と称する）に基づ
いて、画像を得るようになっている。即ち、原画の複製
画を得るようになっている。上記カラープリンタは、Ｃ
ＭＹの３色インクを使用して各２５６段階の濃度でプリ
ントアウトできるものとする。
【００２３】色修正装置２は、後述の色修正用のニュー
ラルネットワークを搭載し、この色修正用のニューラル
ネットワークによって、入力装置１に入力される原画と
出力装置３から出力される複製画との色が近くなるよう
に、原画のＲＧＢ信号に対して、色修正して複製画のＣ
ＭＹ信号に変換するようになっている。
ラルネットワークを搭載し、この色修正用のニューラル
ネットワークによって、入力装置１に入力される原画と
出力装置３から出力される複製画との色が近くなるよう
に、原画のＲＧＢ信号に対して、色修正して複製画のＣ
ＭＹ信号に変換するようになっている。
【００２４】また、色修正装置２には、記憶手段として
記憶部４が接続され、記憶部４は、上記色修正用のニュ
ーラルネットワークで使用される基本色サンプルデー
タ、学習用の教師データ等の各種色データを記憶するよ
うになっている。
記憶部４が接続され、記憶部４は、上記色修正用のニュ
ーラルネットワークで使用される基本色サンプルデー
タ、学習用の教師データ等の各種色データを記憶するよ
うになっている。
【００２５】また、色修正装置２では、ニューラルネッ
トワークによって原画と複製画とを一致させるため、Ｒ
ＧＢ信号からＣＭＹ信号へ変換（計算）するときには、
教師データに対してできるだけ誤差を小さくしなければ
ならない。このため、全ての色について計算誤差を小さ
くするように、計算用の色サンプル、即ち基本色の色サ
ンプルを選択する必要がある。本実施例では、基本色の
色サンプルが、ＣＭＹ空間全域で等間隔に選択されるよ
うに、例えばＣＭＹ各３２ステップ９段階の全ての組合
せ７２９通りの色サンプルを選択する。尚、この基本色
サンプルは、記憶部４に記憶される。
トワークによって原画と複製画とを一致させるため、Ｒ
ＧＢ信号からＣＭＹ信号へ変換（計算）するときには、
教師データに対してできるだけ誤差を小さくしなければ
ならない。このため、全ての色について計算誤差を小さ
くするように、計算用の色サンプル、即ち基本色の色サ
ンプルを選択する必要がある。本実施例では、基本色の
色サンプルが、ＣＭＹ空間全域で等間隔に選択されるよ
うに、例えばＣＭＹ各３２ステップ９段階の全ての組合
せ７２９通りの色サンプルを選択する。尚、この基本色
サンプルは、記憶部４に記憶される。
【００２６】上記の基本色サンプルデータを教師データ
としてニューラルネットワークが学習することによっ
て、色空間全域のＲＧＢ値とＣＭＹ値との全ての組合せ
で誤差を均一に小さくすることができる。
としてニューラルネットワークが学習することによっ
て、色空間全域のＲＧＢ値とＣＭＹ値との全ての組合せ
で誤差を均一に小さくすることができる。
【００２７】ところで、人間の視覚は、色の鮮やかさに
影響され易い、即ち肌色や空色等の彩度の比較的低い色
には非常に敏感であり、また、黄色等の彩度の高い色に
はそれほど敏感ではないという特性を有している。この
ため、ＲＧＢ値とＣＭＹ値との誤差が数値上で小さくて
も、色の種類によっては色修正を行ってもそれほど効果
が見られない場合がある。
影響され易い、即ち肌色や空色等の彩度の比較的低い色
には非常に敏感であり、また、黄色等の彩度の高い色に
はそれほど敏感ではないという特性を有している。この
ため、ＲＧＢ値とＣＭＹ値との誤差が数値上で小さくて
も、色の種類によっては色修正を行ってもそれほど効果
が見られない場合がある。
【００２８】そこで、本実施例では、上記基本色サンプ
ルデータに対して、選択的に所望する色データの追加あ
るいは削除することにより、視覚特性に応じた色修正が
可能な学習色サンプルを作成し、この学習色サンプルを
教師データとして色修正用のニューラルネットワークを
構築する。
ルデータに対して、選択的に所望する色データの追加あ
るいは削除することにより、視覚特性に応じた色修正が
可能な学習色サンプルを作成し、この学習色サンプルを
教師データとして色修正用のニューラルネットワークを
構築する。
【００２９】上記色修正用のニューラルネットワークの
構築について、図２に示すフローチャートを参照しなが
ら以下に説明する。
構築について、図２に示すフローチャートを参照しなが
ら以下に説明する。
【００３０】始めに、記憶部４に予め記憶された基本色
サンプルデータを抽出する（Ｓ１）。
サンプルデータを抽出する（Ｓ１）。
【００３１】次いで、抽出した基本色サンプルデータに
対して、肌色や空色等の彩度の低い、所謂視覚特性に敏
感な色の色データを追加するか否かを選定する（Ｓ
２）。
対して、肌色や空色等の彩度の低い、所謂視覚特性に敏
感な色の色データを追加するか否かを選定する（Ｓ
２）。
【００３２】Ｓ２で色データを追加するのであれば、肌
色等の色サンプルを目標色データとして追加する（Ｓ
３）。ここで、例えば肌色をさらに精度良く変換したけ
れば、追加する肌色サンプルを数色〜数十色追加すれば
良い。尚、肌色サンプルの追加は、例えば肌色等のサン
プルをスキャナで読取り、そのＲＧＢ値とＣＭＹ値との
組合せを、基本色サンプルデータに追加する。また、Ｓ
２で色データを追加しないのであれば、Ｓ４に移行す
る。
色等の色サンプルを目標色データとして追加する（Ｓ
３）。ここで、例えば肌色をさらに精度良く変換したけ
れば、追加する肌色サンプルを数色〜数十色追加すれば
良い。尚、肌色サンプルの追加は、例えば肌色等のサン
プルをスキャナで読取り、そのＲＧＢ値とＣＭＹ値との
組合せを、基本色サンプルデータに追加する。また、Ｓ
２で色データを追加しないのであれば、Ｓ４に移行す
る。
【００３３】Ｓ４では、抽出した基本色サンプルデータ
に対して、黄色等の彩度の高い、所謂視覚特性に鈍感な
色の色データを削除するか否かを選定する。ここで、色
データを削除するのであれば、黄色等の彩度の高い色の
色サンプルを不要色データとして削除する（Ｓ５）。
尚、黄色サンプルの削除は、例えば基本色サンプルデー
タのＲＧＢ値とＣＭＹ値との組合せから、不要な色のＲ
ＧＢ値とＣＭＹ値との組合せを削除する。また、Ｓ４で
色データを削除しないのであれば、Ｓ６に移行する。こ
こで、Ｓ１〜Ｓ５にて得られた色サンプルデータをニュ
ーラルネットワークの学習時の教師データとする。
に対して、黄色等の彩度の高い、所謂視覚特性に鈍感な
色の色データを削除するか否かを選定する。ここで、色
データを削除するのであれば、黄色等の彩度の高い色の
色サンプルを不要色データとして削除する（Ｓ５）。
尚、黄色サンプルの削除は、例えば基本色サンプルデー
タのＲＧＢ値とＣＭＹ値との組合せから、不要な色のＲ
ＧＢ値とＣＭＹ値との組合せを削除する。また、Ｓ４で
色データを削除しないのであれば、Ｓ６に移行する。こ
こで、Ｓ１〜Ｓ５にて得られた色サンプルデータをニュ
ーラルネットワークの学習時の教師データとする。
【００３４】Ｓ６では、Ｓ１〜Ｓ５を経て得られた色サ
ンプルデータを出力装置３に与え、学習用の色サンプル
としてプリントアウトする。
ンプルデータを出力装置３に与え、学習用の色サンプル
としてプリントアウトする。
【００３５】次いで、プリントアウトされた学習用色サ
ンプルの画像を、入力装置１のカラースキャナにて読み
取り（スキャニング）、ＲＧＢ信号に色分解する（Ｓ
７）。このときのＲＧＢ信号をニューラルネットワーク
の学習（入力）データとし、また、上記Ｓ１〜Ｓ５で得
られたデータを教師データとて、ニューラルネットワー
クの学習が行われる（Ｓ８）。このようにして、色修正
用のニューラルネットワークが構築される。
ンプルの画像を、入力装置１のカラースキャナにて読み
取り（スキャニング）、ＲＧＢ信号に色分解する（Ｓ
７）。このときのＲＧＢ信号をニューラルネットワーク
の学習（入力）データとし、また、上記Ｓ１〜Ｓ５で得
られたデータを教師データとて、ニューラルネットワー
クの学習が行われる（Ｓ８）。このようにして、色修正
用のニューラルネットワークが構築される。
【００３６】上記手順により構築された色修正用のニュ
ーラルネットワークは、図３に示すように、ＲＧＢ値を
入力する入力層１１と、ＣＭＹ値を出力する出力層１３
と、入力層１１と出力層１３との間に配置された中間層
１２とで構成され、それぞれの層は結合荷重１４にて接
続されている。即ち、入力層１１に学習（入力）データ
ＲＧＢを与えた時、出力層１３に教師データＣＭＹにで
きるだけ近い値が出力されるように、結合荷重１４を変
化させることによって学習させる。したがって、学習
（入力）データＲＧＢを与えたときの出力値が、教師デ
ータＣＭＹとの平均誤差が最小となるような最適化され
たニューラルネットワークとなる。
ーラルネットワークは、図３に示すように、ＲＧＢ値を
入力する入力層１１と、ＣＭＹ値を出力する出力層１３
と、入力層１１と出力層１３との間に配置された中間層
１２とで構成され、それぞれの層は結合荷重１４にて接
続されている。即ち、入力層１１に学習（入力）データ
ＲＧＢを与えた時、出力層１３に教師データＣＭＹにで
きるだけ近い値が出力されるように、結合荷重１４を変
化させることによって学習させる。したがって、学習
（入力）データＲＧＢを与えたときの出力値が、教師デ
ータＣＭＹとの平均誤差が最小となるような最適化され
たニューラルネットワークとなる。
【００３７】以上のように、本カラー画像処理装置で
は、色修正装置２に搭載された、視覚特性に応じた学習
用色サンプルを教師データとして学習したニューラルネ
ットワークによって、入力装置１のカラースキャナで入
力された原画のＲＧＢの色分解信号を、出力装置３のカ
ラープリンタ用の濃度信号ＣＭＹに変換することができ
る。
は、色修正装置２に搭載された、視覚特性に応じた学習
用色サンプルを教師データとして学習したニューラルネ
ットワークによって、入力装置１のカラースキャナで入
力された原画のＲＧＢの色分解信号を、出力装置３のカ
ラープリンタ用の濃度信号ＣＭＹに変換することができ
る。
【００３８】これによって、ニューラルネットワークを
用いて視覚特性に応じた色修正を行うことができるの
で、色修正の精度を向上させると共に、原画像と複製画
像との色の差異を目立たなくすることができる。
用いて視覚特性に応じた色修正を行うことができるの
で、色修正の精度を向上させると共に、原画像と複製画
像との色の差異を目立たなくすることができる。
【００３９】上記のように色修正用のニューラルネット
ワークの教師データとしての学習用色サンプルは、基準
色サンプルから得られる基本色データに対して、視覚特
性に敏感な色の色データを加える操作、あるいは視覚特
性に鈍感な色の色データを削除する操作のうち、少なく
とも一方の操作によって得られた色サンプルからなって
いるので、本ニューラルネットワークでは、視覚特性に
より近い学習用色サンプルが選択されることになる。
ワークの教師データとしての学習用色サンプルは、基準
色サンプルから得られる基本色データに対して、視覚特
性に敏感な色の色データを加える操作、あるいは視覚特
性に鈍感な色の色データを削除する操作のうち、少なく
とも一方の操作によって得られた色サンプルからなって
いるので、本ニューラルネットワークでは、視覚特性に
より近い学習用色サンプルが選択されることになる。
【００４０】即ち、上記学習色サンプルは、例えば基本
色サンプルに加える色データとして、肌色や空色等の彩
度の低い、所謂視覚特性に敏感な色の色データとし、ま
た、基本色サンプルから削除する色データとして、黄色
等の彩度の高い、所謂視覚特性に鈍感な色の色データと
することで、視覚特性に応じた色サンプルとすることが
できる。
色サンプルに加える色データとして、肌色や空色等の彩
度の低い、所謂視覚特性に敏感な色の色データとし、ま
た、基本色サンプルから削除する色データとして、黄色
等の彩度の高い、所謂視覚特性に鈍感な色の色データと
することで、視覚特性に応じた色サンプルとすることが
できる。
【００４１】これにより、ニューラルネットワークを用
いて視覚特性に応じた色修正を行うことができるので、
色修正の精度を向上させると共に、原画像と複製画像と
の色の差異を目立たなくすることができる。
いて視覚特性に応じた色修正を行うことができるので、
色修正の精度を向上させると共に、原画像と複製画像と
の色の差異を目立たなくすることができる。
【００４２】尚、本実施例では、ＣＭＹの３色プリンタ
を使用しているので、図３に示すニューラルネットワー
クの出力層１３のユニットの数が３つであるが、例えば
ＣＭＹＫの４色プリンタを使用した場合、出力層１３の
ユニット数が４つとなり、さらに他の層におけるユニッ
ト数も変化したニューラルネットワークを用いても同様
の効果を得ることができる。
を使用しているので、図３に示すニューラルネットワー
クの出力層１３のユニットの数が３つであるが、例えば
ＣＭＹＫの４色プリンタを使用した場合、出力層１３の
ユニット数が４つとなり、さらに他の層におけるユニッ
ト数も変化したニューラルネットワークを用いても同様
の効果を得ることができる。
【００４３】〔実施例２〕本発明の他の実施例について
図４および図５に基づいて説明すれば、以下の通りであ
る。尚、説明の便宜上、前記実施例１と同一の機能を有
する部材には、同一の番号を付記し、その説明を省略す
る。以下の各実施例においても同様とする。
図４および図５に基づいて説明すれば、以下の通りであ
る。尚、説明の便宜上、前記実施例１と同一の機能を有
する部材には、同一の番号を付記し、その説明を省略す
る。以下の各実施例においても同様とする。
【００４４】前記実施例１では、色修正装置２によって
色修正精度を向上させることができるものの、色修正用
のニューラルネットワークが一つの色特性についてのみ
構築されているので、色特性の異なる画像では複製画に
誤差が生じてしまう。これは、例えば人物画と風景画と
では、人物画では彩度の低い肌色が多く、風景画では彩
度の低い空色が多くないっているので、同じ彩度の低い
色でも、その特性は異なり、ニューラルネットワークが
一つだけでは、対応できる色特性の画像が限定され、う
まく修正できないという問題が生じる。そこで、本実施
例に係るカラー画像処理装置は、前記実施例１の図１に
示す色修正装置２に代えて、図４に示すように、色修正
装置２２を備えている。
色修正精度を向上させることができるものの、色修正用
のニューラルネットワークが一つの色特性についてのみ
構築されているので、色特性の異なる画像では複製画に
誤差が生じてしまう。これは、例えば人物画と風景画と
では、人物画では彩度の低い肌色が多く、風景画では彩
度の低い空色が多くないっているので、同じ彩度の低い
色でも、その特性は異なり、ニューラルネットワークが
一つだけでは、対応できる色特性の画像が限定され、う
まく修正できないという問題が生じる。そこで、本実施
例に係るカラー画像処理装置は、前記実施例１の図１に
示す色修正装置２に代えて、図４に示すように、色修正
装置２２を備えている。
【００４５】上記色修正装置２２には、人物画や風景画
等の種々の入力画像データの色特性に応じた複数の色修
正用のニューラルネットワーク、即ちデフォルト用のニ
ューラルネットワーク（１）、人物画用のニューラルネ
ットワーク（２）、風景画用のニューラルネットワーク
（３）、…ネットワーク（ｎ）等が搭載されている。
等の種々の入力画像データの色特性に応じた複数の色修
正用のニューラルネットワーク、即ちデフォルト用のニ
ューラルネットワーク（１）、人物画用のニューラルネ
ットワーク（２）、風景画用のニューラルネットワーク
（３）、…ネットワーク（ｎ）等が搭載されている。
【００４６】色修正装置２２の各ニューラルネットワー
クによって色修正された濃度信号は、出力装置３に入力
される。
クによって色修正された濃度信号は、出力装置３に入力
される。
【００４７】また、入力装置１と色修正装置２２との間
には、入力装置１からの入力画像データの種類に応じて
選択的に切り替えて出力する画像選択装置２１が設けら
れている。
には、入力装置１からの入力画像データの種類に応じて
選択的に切り替えて出力する画像選択装置２１が設けら
れている。
【００４８】画像選択装置２１は、入力されたＲＧＢ信
号の特性、即ち画像によって異なる色特性によって画像
の種類、即ち人物画、風景画等の種類を自動判別して、
色修正装置２２に出力するようになっている。尚、使用
者が操作パネル等から人為的に設定して画像判別して出
力するようにしてもよい。
号の特性、即ち画像によって異なる色特性によって画像
の種類、即ち人物画、風景画等の種類を自動判別して、
色修正装置２２に出力するようになっている。尚、使用
者が操作パネル等から人為的に設定して画像判別して出
力するようにしてもよい。
【００４９】ここで、上記色修正用のニューラルネット
ワークの構築について、図５のフローチャートを参照し
ながら以下に説明する。さらに、複数のニューラルネッ
トワークのうち、ここでは人物画の色修正用のニューラ
ルネットワークの構築について説明する。
ワークの構築について、図５のフローチャートを参照し
ながら以下に説明する。さらに、複数のニューラルネッ
トワークのうち、ここでは人物画の色修正用のニューラ
ルネットワークの構築について説明する。
【００５０】始めに、記憶部４に予め記憶された基本色
サンプルデータを抽出する（Ｓ１１）。
サンプルデータを抽出する（Ｓ１１）。
【００５１】次いで、抽出した基本色サンプルデータに
対して、代表的な肌色のサンプルを数十色分加える（Ｓ
１２）。このとき、加えた肌色データが、基本色サンプ
ルデータに重複されているか、あるいは近い色サンプル
（これらを重複データとする）が存在するか否かを判断
する（Ｓ１３）。
対して、代表的な肌色のサンプルを数十色分加える（Ｓ
１２）。このとき、加えた肌色データが、基本色サンプ
ルデータに重複されているか、あるいは近い色サンプル
（これらを重複データとする）が存在するか否かを判断
する（Ｓ１３）。
【００５２】Ｓ１３で、重複データが存在すれば、加え
る肌色データから重複データを削除し（Ｓ１４）、重複
データが存在しなければ、Ｓ１５に移行する。尚、重複
データの削除は、前記実施例におけるＳ５と同様の操作
が行われる。ここで、Ｓ１１〜Ｓ１４にて得られた色サ
ンプルデータをニューラルネットワークの学習時の教師
データとする。
る肌色データから重複データを削除し（Ｓ１４）、重複
データが存在しなければ、Ｓ１５に移行する。尚、重複
データの削除は、前記実施例におけるＳ５と同様の操作
が行われる。ここで、Ｓ１１〜Ｓ１４にて得られた色サ
ンプルデータをニューラルネットワークの学習時の教師
データとする。
【００５３】Ｓ１５では、Ｓ１〜Ｓ５を経て得られた色
サンプルデータを出力装置３に与え、学習用の色サンプ
ルとしてプリントアウトする。
サンプルデータを出力装置３に与え、学習用の色サンプ
ルとしてプリントアウトする。
【００５４】次いで、プリントアウトされた学習用サン
プルの画像を、入力装置１のカラースキャナにて読み取
り、ＲＧＢ信号に色分解する（Ｓ１６）。このときのＲ
ＧＢ信号をニューラルネットワークの学習（入力）デー
タとし、また、Ｓ１１〜Ｓ１４にて得られた色サンプル
データを教師データとして、ニューラルネットワークの
学習が行われる（Ｓ１７）。このようにして、人物画の
色修正用のニューラルネットワークが構築される。
プルの画像を、入力装置１のカラースキャナにて読み取
り、ＲＧＢ信号に色分解する（Ｓ１６）。このときのＲ
ＧＢ信号をニューラルネットワークの学習（入力）デー
タとし、また、Ｓ１１〜Ｓ１４にて得られた色サンプル
データを教師データとして、ニューラルネットワークの
学習が行われる（Ｓ１７）。このようにして、人物画の
色修正用のニューラルネットワークが構築される。
【００５５】尚、人物画以外の風景画等の他の画像用の
色修正用のニューラルネットワークも、上記Ｓ１１〜Ｓ
１７の操作と同様にして構築することができる。
色修正用のニューラルネットワークも、上記Ｓ１１〜Ｓ
１７の操作と同様にして構築することができる。
【００５６】上記人物画の色修正用のニューラルネット
ワークは、前記実施例１の図３に示す構成と同様に、入
力層１１に学習（入力）データＲＧＢを与えた時、出力
層１３に教師データＣＭＹにできるだけ近い値が出力さ
れるように、結合荷重１４を変化させるように学習す
る。
ワークは、前記実施例１の図３に示す構成と同様に、入
力層１１に学習（入力）データＲＧＢを与えた時、出力
層１３に教師データＣＭＹにできるだけ近い値が出力さ
れるように、結合荷重１４を変化させるように学習す
る。
【００５７】以上のように、本カラー画像処理装置によ
れば、色修正装置２２は、例えば色修正用のニューラル
ネットワークとして、人物画の色修正に適したニューラ
ルネットワークや風景画の色修正に適したニューラルネ
ットワーク等の特定の画像の色修正に適した種々のニュ
ーラルネットワークを備え、入力画像データに特性に応
じて上記種々のニューラルネットワークを切り替えるこ
とで、入力画像データの色特性に応じた出力画像データ
に色修正することができる。
れば、色修正装置２２は、例えば色修正用のニューラル
ネットワークとして、人物画の色修正に適したニューラ
ルネットワークや風景画の色修正に適したニューラルネ
ットワーク等の特定の画像の色修正に適した種々のニュ
ーラルネットワークを備え、入力画像データに特性に応
じて上記種々のニューラルネットワークを切り替えるこ
とで、入力画像データの色特性に応じた出力画像データ
に色修正することができる。
【００５８】これによって、種々の色特性に対応したニ
ューラルネットワークを用いて、色修正を行うことがで
きるので、さらに色修正の精度を向上させると共に、原
画像と複製画像との色の差異を目立たなくすることがで
きる。
ューラルネットワークを用いて、色修正を行うことがで
きるので、さらに色修正の精度を向上させると共に、原
画像と複製画像との色の差異を目立たなくすることがで
きる。
【００５９】〔実施例３〕本発明のさらに他の実施例に
ついて図６に基づいて説明すれば、以下の通りである。
ついて図６に基づいて説明すれば、以下の通りである。
【００６０】本実施例では、さらに使用者の好みに応じ
た色修正を行うようになっている。即ち本実施例に係る
カラー画像処理装置は、前記実施例２の図４に示す色修
正装置２２に代えて、図６に示すように、色修正装置３
２を備えている。
た色修正を行うようになっている。即ち本実施例に係る
カラー画像処理装置は、前記実施例２の図４に示す色修
正装置２２に代えて、図６に示すように、色修正装置３
２を備えている。
【００６１】色修正装置３２には、色修正装置２２の各
ニューラルネットワークに加えて、さらに、ユーザー用
ニューラルネットワークが搭載されると共に、このユー
ザー用ニューラルネットワークに学習データおよび教師
データを供給する学習装置３３が接続されている。
ニューラルネットワークに加えて、さらに、ユーザー用
ニューラルネットワークが搭載されると共に、このユー
ザー用ニューラルネットワークに学習データおよび教師
データを供給する学習装置３３が接続されている。
【００６２】学習装置３３は、色修正装置３２から出力
された濃度データと、この濃度データにより出力装置３
から出力さえら複製画を入力装置１にて読み取った入力
画像データとから上記ユーザー用ニューラルネットワー
クに供給するための学習データおよび教師データを作成
するようになっている。
された濃度データと、この濃度データにより出力装置３
から出力さえら複製画を入力装置１にて読み取った入力
画像データとから上記ユーザー用ニューラルネットワー
クに供給するための学習データおよび教師データを作成
するようになっている。
【００６３】上記ユーザー用ニューラルネットワーク
は、前記実施例１と同様にして構築されたニューラルネ
ットワークの結合荷重を有し、全空間で良好に色修正す
ることができるものとする。上記の結合荷重は、上記学
習装置３３からの学習データによって変化させるように
なっている。
は、前記実施例１と同様にして構築されたニューラルネ
ットワークの結合荷重を有し、全空間で良好に色修正す
ることができるものとする。上記の結合荷重は、上記学
習装置３３からの学習データによって変化させるように
なっている。
【００６４】したがって、ユーザー用ニューラルネット
ワークは、使用者の好みや使用状況等に応じて色修正を
行うことができるようにっている。
ワークは、使用者の好みや使用状況等に応じて色修正を
行うことができるようにっている。
【００６５】上記ユーザー用ニューラルネットワークの
構築について、以下に説明する。使用者（ユーザー）
が、図６に示すカラー画像処理装置にて色修正を行った
とき、出力した複製画が好ましいものでないと判断した
場合、得られた複製画を再び入力装置１にて光走査して
読み取る。このとき、この複製画を出力する際に使用さ
れた濃度値の代表値と、上記入力装置１にて読み取った
複製画の色分解値とを学習装置３３に入力する。
構築について、以下に説明する。使用者（ユーザー）
が、図６に示すカラー画像処理装置にて色修正を行った
とき、出力した複製画が好ましいものでないと判断した
場合、得られた複製画を再び入力装置１にて光走査して
読み取る。このとき、この複製画を出力する際に使用さ
れた濃度値の代表値と、上記入力装置１にて読み取った
複製画の色分解値とを学習装置３３に入力する。
【００６６】学習装置３３では、初期状態から保持して
いる学習データに、光走査して得られた色分解信号の代
表値を加えて新学習データを作成する共に、初期状態か
ら保持している教師データに、複製画を出力する際に使
用された濃度値の代表値を加えて新教師データを作成す
る。
いる学習データに、光走査して得られた色分解信号の代
表値を加えて新学習データを作成する共に、初期状態か
ら保持している教師データに、複製画を出力する際に使
用された濃度値の代表値を加えて新教師データを作成す
る。
【００６７】上記学習装置３３で作成された新たな学習
データおよび教師データが色修正装置３２に入力されて
学習することで、ユーザー用ニューラルネットワークが
構築される。
データおよび教師データが色修正装置３２に入力されて
学習することで、ユーザー用ニューラルネットワークが
構築される。
【００６８】上記のようにして構築されたユーザー用ニ
ューラルネットワークを用いて、次回からの色修正が行
われる。
ューラルネットワークを用いて、次回からの色修正が行
われる。
【００６９】以上のように、本カラー画像処理装置によ
れば、色修正装置３２は、色修正された画像データと、
この画像データから出力される複製画を読み取った入力
画像データとから得られる学習用色サンプルを教師デー
タとして学習するユーザー用の色修正用のニューラルネ
ットワークを備えることで、使用者自身が、ニューラル
ネットワークの結合荷重を、入力する画像に応じて色修
正の誤差が小さくなるように適宜変更することができ
る。これにより、使用者の好みや使用状況に応じて色修
正を行うことができる。
れば、色修正装置３２は、色修正された画像データと、
この画像データから出力される複製画を読み取った入力
画像データとから得られる学習用色サンプルを教師デー
タとして学習するユーザー用の色修正用のニューラルネ
ットワークを備えることで、使用者自身が、ニューラル
ネットワークの結合荷重を、入力する画像に応じて色修
正の誤差が小さくなるように適宜変更することができ
る。これにより、使用者の好みや使用状況に応じて色修
正を行うことができる。
【００７０】
【発明の効果】請求項１の発明のカラー画像処理装置
は、以上のように、原画像を読み取る読取り手段と、色
修正用のニューラルネットワークによって入力画像デー
タの色修正を行う色修正手段と、色修正された画像デー
タを出力する出力手段とを備え、上記色修正用のニュー
ラルネットワークは、基準色サンプルから得られる基本
色データに対して、視覚特性に敏感な色の色データを加
える操作、あるいは視覚特性に鈍感な色の色データを削
除する操作のうち、少なくとも一方の操作によって得ら
れる学習用色データを教師データ、上記学習用色データ
に基づいて出力される画像を読み取った画像データを学
習データとして学習する構成である。
は、以上のように、原画像を読み取る読取り手段と、色
修正用のニューラルネットワークによって入力画像デー
タの色修正を行う色修正手段と、色修正された画像デー
タを出力する出力手段とを備え、上記色修正用のニュー
ラルネットワークは、基準色サンプルから得られる基本
色データに対して、視覚特性に敏感な色の色データを加
える操作、あるいは視覚特性に鈍感な色の色データを削
除する操作のうち、少なくとも一方の操作によって得ら
れる学習用色データを教師データ、上記学習用色データ
に基づいて出力される画像を読み取った画像データを学
習データとして学習する構成である。
【００７１】これにより、色修正用のニューラルネット
ワークは、視覚特性に応じて構築されるので、ニューラ
ルネットワークは、複製画を、視覚特性に応じて色修正
することができる。
ワークは、視覚特性に応じて構築されるので、ニューラ
ルネットワークは、複製画を、視覚特性に応じて色修正
することができる。
【００７２】したがって、上記のように構築されたニュ
ーラルネットワークによれば、色修正を精度良く行うこ
とができるので、視覚特性に近くなるように色修正さ
れ、この結果、原画と複製画との色の差異を目立たなく
することができるという効果を奏する。
ーラルネットワークによれば、色修正を精度良く行うこ
とができるので、視覚特性に近くなるように色修正さ
れ、この結果、原画と複製画との色の差異を目立たなく
することができるという効果を奏する。
【００７３】請求項２の発明のカラー画像処理装置は、
以上のように、色修正手段は、入力画像データの色特性
に応じた複数の色修正用のニューラルネットワークを備
えると共に、入力画像データの色特性に応じてニューラ
ルネットワークを切り替えて色修正する構成である。
以上のように、色修正手段は、入力画像データの色特性
に応じた複数の色修正用のニューラルネットワークを備
えると共に、入力画像データの色特性に応じてニューラ
ルネットワークを切り替えて色修正する構成である。
【００７４】これにより、人物画や風景画等の入力画像
データの色特性に応じた出力画像データに色修正するこ
とができるという効果を奏する。
データの色特性に応じた出力画像データに色修正するこ
とができるという効果を奏する。
【００７５】請求項３の発明のカラー画像処理装置は、
以上のように、色修正手段は、色修正された画像データ
を教師データとすると共に、上記色修正された画像デー
タから出力される複製画像を読み取った入力画像データ
を学習データとして学習する色修正用のニューラルネッ
トワークを備える構成である。
以上のように、色修正手段は、色修正された画像データ
を教師データとすると共に、上記色修正された画像デー
タから出力される複製画像を読み取った入力画像データ
を学習データとして学習する色修正用のニューラルネッ
トワークを備える構成である。
【００７６】これにより、使用者自身が、ニューラルネ
ットワークの結合荷重を、入力する画像に応じて色修正
の誤差が小さくなるように適宜変更することができる。
ットワークの結合荷重を、入力する画像に応じて色修正
の誤差が小さくなるように適宜変更することができる。
【００７７】したがって、使用者の好みや使用状況に応
じて色修正を行うことができるという効果を奏する。
じて色修正を行うことができるという効果を奏する。
【図１】本発明の一実施例のカラー画像処理装置を示す
概略構成ブロック図である。
概略構成ブロック図である。
【図２】図１に示すカラー画像処理装置に備えられた色
修正装置に搭載されたニューラルネットワークの構築手
順を示すフローチャートである。
修正装置に搭載されたニューラルネットワークの構築手
順を示すフローチャートである。
【図３】図２に示すニューラルネットワークの概略構成
図である。
図である。
【図４】本発明の他の実施例のカラー画像処理装置を示
す概略構成ブロック図である。
す概略構成ブロック図である。
【図５】図４に示すカラー画像処理装置に備えられた色
修正装置に搭載されたニューラルネットワークの構築手
順を示すフローチャートである。
修正装置に搭載されたニューラルネットワークの構築手
順を示すフローチャートである。
【図６】本発明のさらに他の実施例のカラー画像処理装
置を示す概略構成ブロック図である。
置を示す概略構成ブロック図である。
１ 入力装置（読取り手段） ２ 色修正装置（色修正手段） ３ 出力装置（出力手段） ２２ 色修正装置（色修正手段） ３２ 色修正装置（色修正手段）
Claims (3)
- 【請求項１】原画像を読み取る読取り手段と、色修正用
のニューラルネットワークによって入力画像データの色
修正を行う色修正手段と、色修正された画像データを出
力する出力手段とを備え、 上記色修正用のニューラルネットワークは、基準色サン
プルから得られる基本色データに対して、視覚特性に敏
感な色の色データを加える操作、あるいは視覚特性に鈍
感な色の色データを削除する操作のうち、少なくとも一
方の操作によって得られる学習用色データを教師デー
タ、上記学習用色データに基づいて出力される画像を読
み取った画像データを学習データとして学習することを
特徴とするカラー画像処理装置。 - 【請求項２】上記色修正手段は、入力画像データの色特
性に応じた複数の色修正用のニューラルネットワークを
備えると共に、入力画像データを、その色特性に応じた
色修正用のニューラルネットワークによって色修正する
ことを特徴とする請求項１記載のカラー画像処理装置。 - 【請求項３】上記色修正手段は、色修正された画像デー
タを教師データとすると共に、上記色修正された画像デ
ータから出力される複製画像を読み取った入力画像デー
タを学習データとして学習する色修正用のニューラルネ
ットワークを備えることを特徴とする請求項１または２
記載のカラー画像処理装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP07155029A JP3115508B2 (ja) | 1995-06-21 | 1995-06-21 | カラー画像処理装置 |
| US08/652,790 US5774230A (en) | 1995-06-21 | 1996-05-23 | Color image processing apparatus for color-correcting input image data using neural network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP07155029A JP3115508B2 (ja) | 1995-06-21 | 1995-06-21 | カラー画像処理装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH099083A true JPH099083A (ja) | 1997-01-10 |
| JP3115508B2 JP3115508B2 (ja) | 2000-12-11 |
Family
ID=15597121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP07155029A Expired - Fee Related JP3115508B2 (ja) | 1995-06-21 | 1995-06-21 | カラー画像処理装置 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US5774230A (ja) |
| JP (1) | JP3115508B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002077659A (ja) * | 2000-09-05 | 2002-03-15 | Konica Corp | 好みの色変換を実現する方法及び好みの色変換を実現する装置 |
Families Citing this family (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6130756A (en) * | 1998-03-12 | 2000-10-10 | Eastman Kodak Co | Method for characterizing a response function of an output |
| US6043894A (en) | 1998-07-10 | 2000-03-28 | Gretamacbeth Llc | Method for maintaining uniformity among color measuring instruments |
| US7339595B2 (en) | 1998-10-19 | 2008-03-04 | Lightsurf Technologies, Inc. | Method and system for improved internet color |
| US7177466B1 (en) * | 1998-11-13 | 2007-02-13 | Lightsurf Technologies, Inc. | System and method for providing high fidelity color images |
| US20020126135A1 (en) * | 1998-10-19 | 2002-09-12 | Keith Ball | Image sharing for instant messaging |
| US6963668B2 (en) * | 1998-11-13 | 2005-11-08 | Lightsurf Technologies, Inc. | Method and system for fast image correction |
| JP2000175035A (ja) | 1998-12-07 | 2000-06-23 | Toshiba Corp | 画像処理装置および画像処理システム |
| DE10022009C2 (de) * | 1999-11-26 | 2002-12-05 | Inb Vision Ag | Verfahren und Einrichtung zur Bestimmung und mindestens teilweisen Korrektur der Fehler eines Bildwiedergabesystems |
| EP1158749A3 (en) * | 2000-04-07 | 2001-12-05 | E-Color, Inc. | A method and apparatus for distributing color corrected images across a network using distributed caching |
| NZ504536A (en) * | 2000-05-12 | 2001-11-30 | Agres Ltd | Remote analysis and calibration of near infra-red spectrophotometer data |
| US6714924B1 (en) | 2001-02-07 | 2004-03-30 | Basf Corporation | Computer-implemented neural network color matching formulation system |
| US6804390B2 (en) | 2001-02-07 | 2004-10-12 | Basf Corporation | Computer-implemented neural network color matching formulation applications |
| US6892194B2 (en) * | 2001-06-05 | 2005-05-10 | Basf Corporation | System and method for organizing color values using an artificial intelligence based cluster model |
| US20020184168A1 (en) * | 2001-06-05 | 2002-12-05 | Mcclanahan Craig J. | System and method for determining acceptability of proposed color solution using an artificial intelligence based tolerance model |
| US6973211B2 (en) * | 2001-06-05 | 2005-12-06 | Basf Corporation | Color management and solution distribution system and method |
| US6993512B2 (en) | 2001-06-05 | 2006-01-31 | Basf Corporation | System and method for converting a color formula using an artificial intelligence based conversion model |
| US6999615B2 (en) * | 2001-06-05 | 2006-02-14 | Basf Corporation | Color management and solution distribution system and method |
| US7268918B2 (en) | 2001-08-16 | 2007-09-11 | Sun Chemical Corporation | System and method for controlling metamerism |
| US7034960B2 (en) * | 2001-08-16 | 2006-04-25 | Sun Chemical Corporation | System and method for managing electronic transmission of color data |
| US7417764B2 (en) * | 2001-08-16 | 2008-08-26 | Sun Chemical Corporation | System and method for disseminating color ink and colorant formulas |
| US20080221734A1 (en) * | 2005-01-24 | 2008-09-11 | National University Corporation Yokohama National University | Categorical Color Perception System |
| US8208170B2 (en) * | 2008-10-10 | 2012-06-26 | Xerox Corporation | System and method for printing target colors with process colors utilizing parallel feedforward neural networks |
| IL254078A0 (en) | 2017-08-21 | 2017-09-28 | Advanced Vision Tech A V T Ltd | Method and system for creating images for testing |
| US10607326B2 (en) | 2017-10-05 | 2020-03-31 | Uurmi Systems Pvt Ltd | Automated system and method of retaining images based on a user's feedback on image quality |
| US10311570B1 (en) * | 2018-12-07 | 2019-06-04 | Sonavista, Inc. | Medical image based distortion correction mechanism |
| JP7254621B2 (ja) * | 2019-05-21 | 2023-04-10 | キヤノン株式会社 | 画像処理装置、学習装置、画像処理方法、学習方法、及びプログラム |
| US11335048B1 (en) * | 2020-11-19 | 2022-05-17 | Sony Group Corporation | Neural network-based image colorization on image/video editing applications |
| JP2022095024A (ja) * | 2020-12-16 | 2022-06-28 | キヤノン株式会社 | 学習データ生成装置、学習データ生成方法及びコンピュータプログラム |
| CN113411466B (zh) * | 2021-05-08 | 2022-09-20 | 华南理工大学 | 基于彩色印刷生产系统的多色彩色差智能校正方法及系统 |
| WO2024000473A1 (zh) * | 2022-06-30 | 2024-01-04 | 京东方科技集团股份有限公司 | 色彩校正模型的生成方法、校正方法及装置、介质、设备 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0695723B2 (ja) * | 1989-03-15 | 1994-11-24 | 松下電器産業株式会社 | 色修正装置 |
| 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 |
| JP2521843B2 (ja) * | 1990-10-04 | 1996-08-07 | 大日本スクリーン製造株式会社 | セットアップパラメ―タ決定特性を修正する方法及び自動セットアップ装置 |
| JPH05153381A (ja) * | 1991-11-27 | 1993-06-18 | Canon Inc | カラー画像処理装置 |
| JP3488729B2 (ja) * | 1993-09-10 | 2004-01-19 | 富士ゼロックス株式会社 | カラー画像処理方法および装置 |
| US5546195A (en) * | 1994-08-11 | 1996-08-13 | Toyo Ink Manufacturing Co., Ltd. | Apparatus for reproducing color images |
-
1995
- 1995-06-21 JP JP07155029A patent/JP3115508B2/ja not_active Expired - Fee Related
-
1996
- 1996-05-23 US US08/652,790 patent/US5774230A/en not_active Expired - Lifetime
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002077659A (ja) * | 2000-09-05 | 2002-03-15 | Konica Corp | 好みの色変換を実現する方法及び好みの色変換を実現する装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3115508B2 (ja) | 2000-12-11 |
| US5774230A (en) | 1998-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3115508B2 (ja) | カラー画像処理装置 | |
| US5305119A (en) | Color printer calibration architecture | |
| EP1092323B1 (en) | Methods and apparatus for color device characterization | |
| JP3488729B2 (ja) | カラー画像処理方法および装置 | |
| US5710872A (en) | Color image recording device, system, and method | |
| JP2678007B2 (ja) | 色情報補正装置 | |
| JP4373312B2 (ja) | カラー画像をモノクロ画像に再生する画像形成方法及び画像形成システム | |
| JPH10136216A (ja) | カラー画像処理装置 | |
| US5909506A (en) | Method of correcting colors and color image processing apparatus | |
| JPH10271344A (ja) | カラー画像処理装置 | |
| US5982925A (en) | Method of and apparatus for reproducing color for output device | |
| JPH06326861A (ja) | 色変換パラメータ設定方法 | |
| JP3093220B2 (ja) | カラー画像処理方法 | |
| JPH09130622A (ja) | 画像処理装置 | |
| JP2721173B2 (ja) | 色情報の墨分抽出方法 | |
| JPH08163387A (ja) | カラー画像記録装置およびカラー画像記録システム | |
| US5383055A (en) | Image forming apparatus including means for setting image forming condition in accordance with a judgement result | |
| JPH09130624A (ja) | 画像形成装置 | |
| JP3243397B2 (ja) | カラー画像処理装置 | |
| JPH09154026A (ja) | カラー画像処理装置 | |
| JPH11136527A (ja) | 画像処理装置と画像データの処理方法 | |
| JPH10224648A (ja) | 画像処理装置及び方法 | |
| JPH01103445A (ja) | カラー画像形成装置 | |
| JP3009442B2 (ja) | カラー複写装置およびカラー画像処理方法 | |
| JPH09214793A (ja) | カラー画像形成装置における下色除去率調整方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080929 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080929 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090929 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090929 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100929 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110929 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120929 Year of fee payment: 12 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130929 Year of fee payment: 13 |
|
| LAPS | Cancellation because of no payment of annual fees |