JPH1169177A - 色変換装置 - Google Patents

Abstract

(57)【要約】 【課題】 既にある学習データに新たな学習データを追
加することなく、ニューラルネットワークの変換精度を
向上する。 【解決手段】 学習色情報記憶部３から出力されたＮ個
の学習用色情報がニューラルネットワークユニット２に
より変換されてＮ個の出力色情報として演算ユニット５
に出力される。また、学習用色情報がニューラルネット
ワークユニット２により変換されたときに出力として期
待されるＮ個の期待値色情報が、学習色情報記憶部３か
ら演算ユニット５に出力される。さらに、Ｎ個の出力色
情報と期待値色情報に対応する重み係数が、重み係数記
憶部４から演算ユニット５に出力される。演算ユニット
５は、入力された出力色情報と、期待値色情報と、重み
係数とから色差を算出する。この色差を誤差評価に用い
て、学習制御ユニット６が学習を行い、変換精度を向上
させる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、ニューラルネット
ワークを用いて、ある色空間に属する色信号を他の色空
間に属する色信号に変換する色変換装置に関する。

【０００２】

【従来の技術】カラー複写機やカラープリンタ等の画像
処理装置においては、入力された色信号と出力装置に出
力する色信号との色空間が異なるため、入力された色信
号を出力装置に合わせた色空間の色信号に変換する必要
がある。例えば、カラー複写機の場合、原画像が画像入
力部でＣＣＤイメージセンサによりＲＧＢ信号に変換さ
れるが、画像出力部では、ＣＭＹＫ（シアン、マゼン
タ、イエロー、黒）信号を基に画像が形成される。この
ため、カラー複写機の内部では、ＲＧＢ信号からＣＭＹ
Ｋ信号への色変換処理、またはＲＧＢ信号から第３の色
空間を介したＣＭＹＫ信号への色変換処理が必要とな
る。原画像の色彩を正確に再現するためには、これらの
色変換処理を精度よく行うことが重要である。

【０００３】そこで、特開平８−２０４９７３号公報に
開示されているように、ニューラルネットワークを用い
て色変換処理を行うカラー画像処理装置が開発されてい
る。この画像処理装置は、入力色信号をデバイスに依存
しない色空間の信号（例えば、ＣＩＥ Ｌ^*ａ^*ｂ^*信
号）に変換するためにニューラルネットワークを用いる
ことによって、精度のよい色変換処理を実現している。

【０００４】ニューラルネットワークは、生体の神経網
をモデルとしたものであり、複数の神経細胞（ニューロ
ン）を接続したネットワークを構成して、ある特定の機
能を実現するものである。ニューロン単体は、多入力１
出力の素子である。ニューロンでは、入力された複数の
信号が、それぞれ固有の重み値と積算された後、全てが
加算される。加算された信号は、シグモイド関数などの
単調増加な非線形関数により変換されて出力される。ニ
ューラルネットワークに入力された信号は、ニューラル
ネットワーク内部の複数のニューロンにより上述の積和
演算と非線形変換を繰り返されて出力される。従って、
ニューラルネットワークの機能は、ニューロンの数とネ
ットワークの構成およびニューロンの重み値とによって
決定されることになる。

【０００５】上述したように、ニューロンの重み値がニ
ューラルネットワークの機能を決定する要素となるた
め、ニューラルネットワークには、学習という重み値を
決定する方法が様々なアルゴリズムにより提案されてい
る。図１０および図１１はその学習アルゴリズムの一例
を示すフローチャートである。この学習アルゴリズムで
は、ニューラルネットワークへの入力色信号とその期待
値である教師信号との組である学習データをあらかじめ
用意しておき、入力色信号をニューラルネットワークに
入力したときの出力信号と教師信号との誤差を最小にす
るようにニューロンの重み値を決定する。

【０００６】図１０に示すように、初期設定としてステ
ップＳ１００１で学習回数を示す変数Ｍを０に、ステッ
プＳ１００２でニューラルネットワーク内で用いられる
１つの重み値を示す変数ｉを０に設定する。そして、ス
テップＳ１００３で入力色信号とその期待値である教師
信号との組である学習データを入力し、ニューラルネッ
トワークからの出力信号と教師信号との誤差ΔＥ₀を算
出し、ステップＳ１００４で重み値ＷｉをＷ₀として保
存する。次に、ステップＳ１００５で重み値Ｗｉにδを
加算して、ステップＳ１００６でニューラルネットワー
クに学習データを入力し、出力信号と教師信号との誤差
ΔＥ₁を算出する。ステップＳ１００７では、重み値Ｗ
ｉからδを減算して、ステップＳ１００８でステップＳ
１００６と同様に誤差ΔＥ₂を算出する。そして、ステ
ップＳ１００９でΔＥ₀，ΔＥ₁，ΔＥ₂から値が最小の
ものを選択し、その誤差をΔＥとするとともに、そのと
きの重み値を新たな重み値Ｗｉとする。

【０００７】この後、図１１に示すように、ステップＳ
１０１０で全ての重み値にステップＳ１００３〜ステッ
プＳ１００９までの処理が行われたか否かを判定し、未
処理の重み値が残っている場合には、ステップＳ１０１
１で変数ｉに１を加えてステップＳ１００４に戻る。そ
して、全ての重み値について上記の処理が行われると、
ステップＳ１０１２で誤差ΔＥが目標値より大きいか否
かを判定し、目標値より大きければステップＳ１０１３
で学習回数を判定する。そして、ステップＳ１０１３で
判定された学習回数が、あらかじめ決められた学習回数
以内であれば、ステップＳ１０１４で学習回数Ｍに１を
加算し、また、変数ｉを０にリセットしステップＳ１０
０４に戻り、学習を続ける。なお、ステップＳ１０１２
で誤差ΔＥが目標値以下であれば、学習を終了する。ま
た、ステップＳ１０１３で決められた学習回数を越えた
場合にも、無限に学習を続けることを回避するため、学
習未了のまま処理を終了する。

【０００８】さて、上述した特開平８−２０４９７３号
公報に開示されている画像処理装置では、ＲＧＢ信号ま
たはＣＭＹＫ信号である入力色信号と、その期待値であ
るＬ^*ａ^*ｂ^*教師信号とを一つの組としてＮ組の学習デ
ータを用意して学習を行っている。学習では、Ｎ組の学
習データそれぞれについてニューラルネットワークで変
換を行い、その出力信号と教師信号との距離である色差
ｅを算出し、Ｎ組の学習データ全体の色差Ｅに基づいて
学習の誤差評価を行っている。なお、色差ｅは、数１に
より算出され、Ｎ組の学習データ全体の色差Ｅは、数２
により算出される。

【０００９】

【数１】

【００１０】

【数２】 数１および数２において、Ｌ^*，ａ^*，ｂ^*は教師信号、
Ｌ^*’，ａ^*’，ｂ^*’はニューラルネットワークによる
出力信号である。

【００１１】

【発明が解決しようとする課題】ところで、ニューラル
ネットワークの色変換の精度は、学習データとしてどの
ような色信号をどれだけ用意して行うかにより異なって
くる。一般には色空間全体が精度よく変換できるような
学習データを選択する。しかし、ある特定の学習データ
に対して色差ｅが大きく、その他の学習データの色差ｅ
が小さい場合には、重み値を変更して特定の学習データ
の色差ｅが小さくなっても、その他の学習データの色差
ｅが大きくなるため、学習データ全体の色差Ｅが小さく
ならない。このため、変換精度の悪い学習データを残し
た状態で学習を終了してしまうことがある。この状態で
色差ｅの大きい色信号を多く含む原画像を変換すると、
原画像に忠実な出力画像を得ることができない。

【００１２】このような場合には、学習データに色差ｅ
の大きい色信号の数を追加してからニューラルネットワ
ークの学習を再度行うことによって、色差ｅを改善する
ことができる。これは、変換が精度よく行われない色信
号を増やすことにより学習データ全体の色差Ｅが大きく
なるが、学習は全体の色差Ｅを小さくするように重み値
を変更するため、結果として問題となる色信号の色差ｅ
を減少することができるからである。

【００１３】また、特定の色信号の色差ｅを小さくする
ために、学習データに対象となる色信号を追加する方法
がある。例えば、特開平９−９０８３号公報には、視覚
特性に敏感な色信号を学習データに追加することによっ
て、より視覚特性に忠実な出力画像を得ることのできる
画像処理装置が開示されている。

【００１４】しかし、上述したように特開平８−２０４
９７３号公報や特開平９−９０８３号公報に開示されて
いる画像処理装置において、色差ｅを改善するために
は、学習データとして新たな色信号を追加しなければな
らない。新たな色信号を追加するためには、追加する色
信号による出力画像の測色を行って、色信号を変換した
ときの正確な期待値である教師信号を得る必要がある。
測色を行うには専用の測定器が用いられるため、複雑な
操作が必要となるとともにコストが増加するという問題
がある。

【００１５】本発明は、上記の事情を考慮してなされた
ものであり、既にある学習データに新たな学習データを
追加することなく、ニューラルネットワークの変換精度
を向上させる学習機能を有する色変換装置を提供するこ
とを目的とする。

【００１６】

【課題を解決するための手段】上記課題を解決するた
め、本発明に係る色変換装置は、第１の色空間に属する
入力色情報を、ニューラルネットワークを用いることに
より第２の色空間に属する色信号に変換して出力色情報
として出力する色変換手段と、第１の色空間に属する１
つ以上の学習用色情報データ、および上記学習用色情報
データに対応し上記第２の色空間に属する期待値色情報
データを記憶する学習色情報記憶手段と、上記学習用情
報データを上記色変換手段に入力したときに得られる上
記出力色情報と、これに対応する上記期待値色情報デー
タとを比較し、その色差を検出する色差検出手段と、上
記色差検出手段が検出した色差が少なくなるように、上
記ニューラルネットワークの各ニューロンの係数を調整
する学習制御手段と、上記学習用色情報データと上記期
待値色情報データの組に対応して設けられる係数であっ
て、上記色差検出手段における比較に際し、上記期待値
色情報データと上記出力色情報との間の重みとなる重み
係数を記憶する書き換え可能な重み係数記憶手段と、を
具備することを特徴とする。

【００１７】この発明によれば、色差検出手段が、学習
色情報記憶手段に記憶されている期待値色情報データ
と、色変換手段に学習色情報データが入力されたときに
出力する出力色情報とを比較し、その色差を検出する。
色差検出手段における比較に際し、重み係数記憶手段に
記憶されている重み係数によって期待値色情報データと
出力色情報データとの間の重み付けを行うことができ
る。このため、ある特定の色信号に対して変換精度を向
上させる場合、その色信号に対応する重み係数を他の重
み係数よりも大きくしておくことにより色差検出手段の
検出する色差の値を大きくすることができる。このよう
に色差の値を大きくすることにより学習制御手段は、そ
の色差を小さくするようにニューラルネットワークの各
ニューロンの係数を調整する。このことにより、結果と
して、出力色情報と期待値色情報との色差は減少するこ
とになる。従って、学習色情報記憶手段に記憶されてい
る学習用色情報データと期待値色情報データとを追加す
ることなく、ニューラルネットワーク色変換手段の変換
精度を向上させることができる。

【００１８】

【発明の実施の形態】以下、図面を参照して本発明の実
施形態について説明する。 Ａ．第１実施形態 （１） 色変換装置の構成 まず、図１は本発明の第１実施形態に係る色変換装置の
構成を示すブロック図である。同図において、１は色変
換装置を示す。以下においては、一例として、この色変
換装置１に入力する信号がＲＧＢ信号であり、Ｌ^*ａ^*ｂ
^*信号を出力する場合について説明する。なお、入力信
号はＲＧＢ信号に限らずＣＭＹＫ信号などの信号でもよ
く、また、出力される信号も、Ｌ^*ａ^*ｂ^*信号に限ら
ず、デバイスに依存しない色空間の信号（例えば、Ｌ^*
ｕ^*ｙ^*信号）であればよい。

【００１９】図１に示すように、色変換装置１は、ニュ
ーラルネットワークユニット（ニューラルネットワーク
色変換手段）２と、学習色情報記憶部（学習色情報記憶
納手段）３と、重み係数記憶部（重み係数記憶手段）４
と、演算ユニット（色差検出手段）５と、学習制御ユニ
ット（学習制御手段）６とから構成されている。学習色
情報記憶部３の出力ポートとニューラルネットワークユ
ニット２の入力ポートとがマルチプレクサ７を介して信
号線によって接続されている。マルチプレクサ７は、通
常時に外部からニューラルネットワークユニット２に入
力される色信号と、学習時に学習色情報記憶部３からニ
ューラルネットワークユニット２に入力される色信号と
を切り換える。また、ニューラルネットワークユニット
２の出力ポートと、学習色情報記憶部３の出力ポート
と、重み係数記憶部４の出力ポートとが、それぞれ演算
ユニット５の入力ポートと信号線によって接続されてい
る。学習制御ユニット６は、ニューラルネットワークユ
ニット２、学習色情報記憶部３、重み係数記憶部４およ
び演算ユニット５のそれぞれと信号線により接続されて
いる。

【００２０】次に、ニューラルネットワークユニット２
の詳細を図２を用いて説明する。同図に示すように、ニ
ューラルネットワークユニット２は、入力層２１１、第
１中間層２１２、第２中間層２１３、出力層２１４にお
いて、それぞれ３細胞、５細胞、５細胞、３細胞の構成
となっている。出力層２１４からの出力値は量子化機構
２１５ａ〜２１５ｃにより量子化され、ニューラルネッ
トワークユニット２の最終的な出力信号となる。

【００２１】なお、入力層２１１から出力層２１４まで
のニューラルネットワークに関して、中間層の数と細胞
の数はいくつであってもかまわないし、接続形態も、本
実施形態では入力層→第１中間層→第２中間層→出力層
を通過する形であるが、飛び越しを行う接続形態でもよ
い。

【００２２】次に、ニューラルネットワークユニット２
中の中間層以降の細胞の機能について図３を用いて説明
する。図３に示す入力Ｕｉ（ｉ＝１〜ｎ）は、前層の各
細胞からの出力値であり、しきい値Θ₀と重み値Ｗｉ
（ｉ＝１〜ｎ）は、予め定められている定数である。こ
れらは、乗算部２２ａ〜２２ｎと加算部２３によって、
数３に示される信号Ｕｐとなる。

【００２３】

【数３】

【００２４】そして、信号Ｕｐは、非線形演算部２１に
より信号Ｕｏｕｔに変換される。ここで、非線形演算部
２１で行われる演算は、数４に示すとおりである。

【００２５】

【数４】

【００２６】非線形演算部２１においては、シグモイド
関数を用いることもできる。以上が細胞各々が持つ機能
であり、複数の細胞が結合することにより、ニューラル
ネットワークユニット２を形成している。通常の色変換
時には、外部から色変換装置１に入力された色信号は、
ニューラルネットワークユニット２により変換されて外
部に出力される。

【００２７】次に、色変換装置１の変換精度を向上させ
る学習処理を行うための学習色情報記憶部３、重み係数
記憶部４および演算ユニット５について詳細に説明す
る。これらの構成要素は、学習制御ユニット６によって
制御される。

【００２８】図４に示すように、学習色情報記憶部３
は、学習用色情報記憶部３ａと期待値色情報記憶部３ｂ
とから構成されている。学習色情報記憶部３には、ＲＡ
Ｍ（ランダムアクセスメモリ）が用いられることによ
り、色情報の読み書きが可能となっており、必要に応じ
てデータを入れ替えることができる。学習用色情報記憶
部３ａは、Ｌ^*ａ^*ｂ^*信号の値が既知であるＮ個のＲＧ
Ｂ信号（以下、学習色情報とする。）を記憶する部分で
ある。学習時には、学習制御ユニット６により学習用色
情報記憶部３ａに予め入力さている学習用色情報が１〜
Ｎまで順番にニューラルネットワークユニット２にクロ
ック信号に同期して出力される。そして、ニューラルネ
ットワークユニット２によりＬ^*ａ^*ｂ^*信号（以下、出
力色情報とする。）に変換された後、演算ユニット５に
出力される。

【００２９】一方、期待値色情報記憶部３ｂは、上記の
Ｎ個の学習用色情報がニューラルネットワークユニット
２により変換されたときに出力として期待されるＮ個の
信号（以下、期待値色情報とする。）、すなわち上記の
既知であるＬ^*ａ^*ｂ^*信号の値を記憶する部分である。
学習時には、学習制御ユニット６により期待値色情報記
憶部３ｂに予め入力されている期待値色情報が１〜Ｎま
で順番に演算ユニット５にクロック信号に同期して出力
される。

【００３０】図５に示すように、重み係数記憶部４は、
学習用色情報と期待値色情報の組に対応する重み係数を
記憶する部分であり、重み係数の変更を可能にするため
にＲＡＭが用いられる。重み係数とは、後述する演算ユ
ニット５で色差を算出したときに、Ｎ組の学習用色情報
と期待値色情報の色差、すなわち全体の色差に対する一
組の学習用色情報と期待値色情報の色差の重みを決定す
る係数である。また、図中重み係数は、説明簡略化のた
めに全て１．０になっているが、任意の数値に設定する
ことができる。学習時には、学習制御ユニット６により
重み係数記憶部４に入力されている重み係数が１〜Ｎま
で順番に演算ユニット５にクロック信号に同期して出力
される。

【００３１】演算ユニット５では、１〜Ｎまで順番に入
力される期待値色情報、重み係数および出力色情報に基
づいて数５に示す計算をクロック信号に同期して実行
し、Ｎ個の色差ｅを算出する。

【００３２】

【数５】

【００３３】数５において、Ｖは重み係数、Ｌ^*ａ^*ｂ^*
は期待値色情報、Ｌ^*’ａ^*’ｂ^*’は出力色情報であ
る。

【００３４】このように演算ユニット５により算出され
たＮ個の色差ｅは学習制御ユニット６に出力される。学
習制御ユニット６は、Ｎ個の色差ｅを加算し、ニューラ
ルネットワークユニット２の重み値Ｗｉの最適化処理を
行う際の誤差評価に用いる。重み値Ｗｉの最適化処理に
は、様々なものが用いられるが、一般に、神経回路網理
論で知られるバックプロパケーション法などが用いられ
る。バックプロパケーション法とは、予め、入力に対す
る所望の出力である期待値色情報と、実際の出力である
学習出力信号との差を関数変換したものをエネルギーと
し、所定の出力セットにおいてエネルギーが減少または
０、もしくは飽和するまで、重み値の変更を行う方法で
ある。このエネルギーは各重み値の関数となっており、
その変換過程の各工程は、連続な関数、乗算および加算
により構成されるため、各重み値を変数としてエネルギ
ー関数を微分することができる。従って、この微分関数
を用いて、各重み値をエネルギーが減少するように変更
していくことにより、エネルギー関数を減少させること
ができる。なお、本実施形態では、誤差評価の対象とな
るエネルギー関数として数５により算出された色差ｅの
Ｎ組分の総和が用いられる。

【００３５】（２） 色変換装置の動作 次に、色変換装置１の学習時の動作について説明する。
色変換装置１は学習時には、学習制御ユニット６によっ
て制御される。図６は学習制御ユニット６の学習時の処
理手順を示すフローチャートである。まず、初期設定と
してステップＳ６０１で学習回数を示す変数Ｍを０に、
ステップＳ６０２で誤差評価に用いられる色差Ｅを０に
設定する。次に、ステップＳ６０３で学習色情報記憶部
３から学習用色情報をニューラルネットワークユニット
２に、期待値色情報を演算ユニット５にそれぞれ出力さ
せる。そして、学習用色情報は、ニューラルネットワー
クユニット２により変換されて出力色情報として演算ユ
ニット５に出力される。また、重み係数記憶部４から重
み係数が演算ユニット５に出力される。

【００３６】ステップＳ６０４では、入力される期待値
色情報と出力色情報と重み係数とを一組とする学習デー
タを用いて数５に示す計算を演算ユニット５に実行させ
て色差ｅを算出する。ステップＳ６０５では、ステップ
Ｓ６０４で算出された色差ｅを全体の色差Ｅに加算す
る。

【００３７】そして、ステップＳ６０６で全ての組の学
習データについてステップＳ６０３からステップＳ６０
５までの処理が行われたか否かを判定する。処理が行わ
れていない学習データが残っている場合には、ステップ
Ｓ６０３に戻る。全ての学習データについて処理が行わ
れている場合には、ステップＳ６０７で学習データ全体
の色差Ｅが適切な値であるか否かを判定する。色差Ｅが
適切な値でない場合には、ステップＳ６０８で学習回数
を示す変数Ｍに１を加算し、ステップＳ６０９で学習回
数Ｍが予め決められた学習回数より大きいか否かを判定
する。学習回数がきめられた回数より小さい場合には、
ステップＳ６１０でニューラルネットワークユニット２
内の重み値Ｗｉを変更し、ステップＳ６０２に戻る。な
お、ステップＳ６０７で色差Ｅが適切な値である場合に
は、学習ができたものとして処理を終了する。また、ス
テップＳ６０９で決められた回数より学習回数が大きい
場合にも、無限に学習を続けることを回避するために学
習を終了する。

【００３８】本実施形態では、ある特定の色信号につい
て精度よく変換がなされないときには、その色信号に対
応する重み係数を他の色信号に比べて大きな値に変更す
ることにより変換精度を向上することができる。例え
ば、学習色情報記憶部３に記憶されている１番目の学習
データについて精度よく変換がなされない（色差ｅが大
きい）場合には、重み係数記憶部４に記憶されている１
番目の重み係数を他の重み係数よりも大きな値に設定す
る。図７に示すように、１番目の重み係数を１００に設
定した場合、演算ユニット５により算出される色差ｅの
値が１００倍になる。このことにより、誤差評価の対象
となる学習データ全体の色差Ｅに対する１番目の学習デ
ータによる色差ｅの占める割合が１００倍になるため、
特定の色信号に対して９９個の学習データを新たに追加
して学習を行ったときと同じ評価結果が得られる。この
とき、全体の色差Ｅは大きくなるが、学習はこの色差Ｅ
を小さくするようにニューラルネットワークユニット２
内の重み値を変更するため、結果として１番目の学習デ
ータによる実際の色差（重み係数を１としたときの色差
ｅ）は減少することになる。なお、重み係数は、演算ユ
ニット５により算出された色差ｅが、予め、設定された
値より大きい場合に学習制御ユニット（重み係数調整手
段）６が自動的に変更するようにしてもよいし、使用者
が任意に変更するようにしてもよい。

【００３９】また、学習色情報記憶部３中に変換精度を
向上させたい色信号と同じ色信号がない場合にも、学習
用色情報または期待値色情報と色空間上の距離がその色
信号と近いものを一つ以上選択し、それらの重み係数を
増加させることによって変換精度を向上させることがで
きる。

【００４０】なお、上記の色変換装置１を画像処理装置
に設けてもよく、図８にその一例を示す。この画像処理
装置では、画像入力装置８１が原稿を読み取り、ＲＧＢ
各８ビットの色信号を発生する。このＲＧＢ信号が色変
換装置１によりデバイスに依存しない中間色信号Ｌ^*ａ^*
ｂ^*（各８ビット）に変換される。そして、３次元ＬＵ
Ｔ（Ｌｏｏｋ Ｕｐ Ｔａｂｌｅ）色変換装置８２によ
りＣＭＹＫ信号各８ビットに変換され、画像出力装置８
３に供給される。上述の信号は８ビットに量子化されて
いるが、これは何ビットであってもよく、入力される信
号もＲＧＢ信号に限らずＣＭＹＫなど他の信号でもよ
い。

【００４１】図８に示す画像処理装置は、変換精度の高
い色変換装置１により入力色信号をデバイスに依存しな
い色信号に変換し、さらに３次元ＬＵＴ変換装置を用
い、出力装置に適合した信号を出力するようにしたの
で、入出力デバイスの非線形特性に対処することがで
き、高い精度の色変換が可能である。

【００４２】また、図６に示す学習制御ユニット６の処
理手順をコンピュータに実行させるプログラムを記憶媒
体に記憶させることもできる。ここで「記憶媒体」と
は、コンピュータのハードウェア資源に備えられている
読取装置に対して、プログラムの記述内容に基づいて、
磁気、光、電気等のエネルギーの変化状態を引き起こし
て、それに対応する信号の形式で、読取装置にプログラ
ムの記述内容を伝達できるものである。例えば、磁気デ
ィスク、光ディスク、ＣＤ−ＲＯＭ、コンピュータに内
蔵されるメモリなどがある。

【００４３】Ｂ．第２実施形態 次に、図９は本発明の第２実施形態に係る色変換装置の
構成を示すブロック図である。この色変換装置は、単独
のユニットとされているが第１実施形態と同様に画像処
理装置に設けてもよい。なお、第１実施形態と共通する
構成要素には、同一の符号を付けてその説明を省略す
る。この色変換装置では、学習用色情報を学習用色情報
記憶部（学習色情報記憶手段）９１に、期待値色情報を
期待値色情報記憶部（学習色情報記憶手段）９２に記憶
するようになっている。このように、学習用色情報と期
待値色情報とを別々のデバイスに記憶させることによっ
て、学習用色情報記憶部９１をＲＯＭ（リードオンリメ
モリ）とし、期待値色情報記憶部９２をＲＡＭとしてい
る。

【００４４】第２実施形態に係る色変換装置では、学習
用色情報記憶部９１がＲＯＭであるため、そこに記憶さ
れている学習用色情報が固定情報となっており、新たな
色信号を追加することはできないが、変換精度の悪い色
信号に対応する重み係数を他の重み係数より大きくする
ことによって、第１実施形態の色変換装置と同様に変換
精度を向上させることができる。なお、期待値色情報記
憶部９２をＲＡＭとしているのは、学習用色情報が固定
情報であっても、期待値色情報は画像出力装置に合わせ
て変更する必要があるためである。

【００４５】本発明の実施形態は以上のとおりである。
なお、本願発明は、上記実施形態において説明された事
項から判るように、請求項１に記載した態様に限らず以
下のような態様がある。色差検出手段により検出された
色差に基づいて、上記学習用色情報データと上記期待値
色情報データの組に対応する上記重み係数を大きくする
重み係数調整手段をさらに具備する（請求項２）。この
ような構成にすれば、例えば、変換精度の悪い色につい
ては、色差が大きくなり、これに対応する重み係数はそ
の色差の値に応じて他の重み係数よりも大きく設定され
る。このため、多数回学習するのと同じ効果が得ら
れ、、ニューラルネットワークの色変換精度を向上させ
ることができる。

【００４６】また、請求項１または請求項２に記載の色
変換装置は、入力色情報に対して種々の処理を行った後
に出力するカラー画像処理装置に搭載して利用すること
ができる。例えば、カラー複写機、カラープリンタ等に
搭載して利用することができる。

【００４７】また、本発明は方法としても実施すること
ができる。すなわち、第１の色空間に属する入力色情報
を、ニューラルネットワークを用いることにより第２の
色空間に属する色信号に変換して出力色情報として出力
する第１の過程と、第１の色空間に属する１つ以上の学
習用色情報データ、および上記学習用色情報データに対
応し上記第２の色空間に属する期待値色情報データを記
憶する第２の過程と、上記学習用色情報データを上記ニ
ューラルネットワーク色変換手段に入力したときに得ら
れる上記出力色情報と、これに対応する上記期待値色情
報データとを比較し、その色差を検出する第３の過程
と、上記色差検出手段が検出した色差が少なくなるよう
に、上記ニューラルネットワークの各ニューロンの係数
を調整する第４の過程と、上記学習用色情報データと上
記期待値色情報データの組に対応して設けられる係数で
あって、上記色差検出手段における比較に際し、上記期
待値色情報データと上記出力色情報との間の重みとなる
重み係数を書き換え可能に記憶する第５の過程と、上記
第５の過程によって上記重み係数が書き換えられた後
に、上記第４の過程によるニューロン係数の調整を行う
第６の過程とを具備する色変換方法として実施すること
ができ、請求項１の発明と同様の効果を得ることができ
る。

【００４８】また、本発明は、コンピュータで実行可能
なプログラムとして記述することができ、このプログラ
ムを媒体に記録して利用することができる。すなわち、
第１の色空間に属する入力色情報を、ニューラルネット
ワークを用いることにより第２の色空間に属する色信号
に変換して出力色情報として出力する第１の処理と、第
１の色空間に属する１つ以上の学習用色情報データ、お
よび上記学習用色情報データに対応し上記第２の色空間
に属する期待値色情報データを記憶する第２の処理と、
上記学習用色情報データを上記ニューラルネットワーク
色変換手段に入力したときに得られる上記出力色情報
と、これに対応する上記期待値色情報データとを比較
し、その色差を検出する第３の処理と、上記色差検出手
段が検出した色差が少なくなるように、上記ニューラル
ネットワークの各ニューロンの係数を調整する第４の処
理と、上記学習用色情報データと上記期待値色情報デー
タの組に対応して設けられる係数であって、上記色差検
出手段における比較に際し、上記期待値色情報データと
上記出力色情報との間の重みとなる重み係数を書き換え
可能に記憶する第５の処理と、上記第５の処理によって
上記重み係数が書き換えられた後に、上記第４の処理に
よるニューロン係数の調整をコンピュータに行わせる第
６の処理とを含むプログラムを記憶した記憶媒体、とし
て利用することができる。

【００４９】

【発明の効果】以上説明したように、本発明によれば、
重み係数を大きく設定することによって、新たな学習用
色情報および期待値色情報を追加することなく、変換精
度を向上させることができる。従って、学習データを追
加することによる操作の複雑化やコストの増加などの問
題を伴わずに色変換精度の向上が可能となる。

【図面の簡単な説明】

【図１】 本発明の第１実施形態に係る色変換装置の構
成を示すブロック図である。

【図２】 上記色変換装置におけるニューラルネットワ
ークユニットの構成を示すブロック図である。

【図３】 上記ニューラルネットワークユニットの細胞
の構成例を示す図である。

【図４】 上記色変換装置における学習色情報記憶部の
内容の一例を示す図である。

【図５】 上記色変換装置における重み係数記憶部の内
容を一例を示す図である。

【図６】 上記色変換装置の学習時の処理手順を示すフ
ローチャートである。

【図７】 上記重み係数記憶部の内容の変更例を示す図
である。

【図８】 上記色変換装置を備える画像処理装置の構成
を示すブロック図である。

【図９】 本発明の第２実施形態に係る色変換装置の構
成を示すブロック図である。

【図１０】 従来のニューラルネットワークにおける学
習処理の一例を示すフローチャートである。

【図１１】 従来のニューラルネットワークにおける学
習処理の一例を示すフローチャートである。

【符号の説明】

１…色変換装置、２…ニューラルネットワークユニット
（ニューラルネットワーク色変換手段）、３…学習色情
報記憶部（学習色情報記憶手段）、４…重み係数記憶部
（重み係数記憶手段）、５…演算ユニット（色差検出手
段）、６…学習制御ユニット（学習制御手段、重み係数
調整手段）、９１…学習用色情報記憶部（学習色情報記
憶手段）、９２…期待値色情報記憶部（学習色情報記憶
手段）

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁶ 識別記号 ＦＩ Ｈ０４Ｎ 1/46 Ｚ

Claims (2)

【特許請求の範囲】
1. 【請求項１】 第１の色空間に属する入力色情報を、ニ
   ューラルネットワークを用いることにより第２の色空間
   に属する色信号に変換して出力色情報として出力する色
   変換手段と、 第１の色空間に属する１つ以上の学習用色情報データ、
   および上記学習用色情報データに対応し上記第２の色空
   間に属する期待値色情報データを記憶する学習色情報記
   憶手段と、 上記学習用色情報データを上記ニューラルネットワーク
   色変換手段に入力したときに得られる上記出力色情報
   と、これに対応する上記期待値色情報データとを比較
   し、その色差を検出する色差検出手段と、 上記色差検出手段が検出した色差が少なくなるように、
   上記ニューラルネットワークの各ニューロンの係数を調
   整する学習制御手段と、 上記学習用色情報データと上記期待値色情報データの組
   に対応して設けられる係数であって、上記色差検出手段
   における比較に際し、上記期待値色情報データと上記出
   力色情報との間の重みとなる重み係数を記憶する書き換
   え可能な重み係数記憶手段と、 を具備することを特徴とする色変換装置。
2. 【請求項２】 上記色差検出手段により検出された色差
   に基づいて、上記学習用色情報データと上記期待値色情
   報データの組に対応する上記重み係数を大きくする重み
   係数調整手段をさらに具備することを特徴とする請求項
   １に記載の色変換装置。