JPH04142877A - カラー画像形成装置 - 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、カラー画像を光電的に読み取り、得られる色
分解信号をプリンタに与える制御信号に変換する色補正
系に、バックプロパゲーション法を用いて学習を行なう
ニューラルネットワークを用いたカラー画像形成装置に
関する。

［従来技術］ 従来、光電的に読み取ったカラー画像をカラープリンタ
によってハードコピーを得るためには、インクの分光反
射特性が不十分なため色補正系が不可欠である。色補正
の手法としては、カラーマスキング法が広く用いられて
いる。カラーマスキング法のためのマトリックスを決定
するには画像電子学会誌第１４巻第５号第２９８頁から
第３０７頁に記載されるように、まず均等に分布したプ
リンタ制御信号を作成して印刷結果を得、その印刷結果
を光電的に読み取り色分解信号を得る。これらプリンタ
制御信号と色分解信号の対の非線形の対応関係を最小自
乗法によって求め、マトリックスを決定する。

ニューラルネットワークは画像電子学会誌予稿８９−０
５−０４第１９頁から第２４頁に記載されるように、色
補正の手法としてカラーマスキング法と置き換えが可能
であり、カラーマスキング法におけるマトリックス決定
のためのプリンタ制御伯号と色分解信号を、バックプロ
パゲーション法における入力信号と教師信号に用いるこ
とかできる。

バックプロパゲーション法はｒＰＤＰモデル」Ｄ、　　
Ｅ、ラメルハート他著、−け利俊−監訳、産業図；！Ｆ
　１９８９年、第８章に示されている。以下にその手法
を述べる。

ニューラルネットワークを構成するノ、１本部品をユニ
ットあるいはニューロンと呼ぶ。第４図に示すようにニ
ューロンには細長い突起があり、これが何本かに分岐し
て先端はシナプスという他のニューロンへの連結器とな
っている。

ニューロンｉの興奮出力Ｐ、は Ｐ、＝　　ｆ（Ｅ、）　　　　　　　・・・　（１）た
だし、 ｆ　（Ｅ　、） ・　・　・　（２） １＋ｅｘｐ（−Ｅｌ） ニΣＷ 、Ｐ 、ニューロンｊからニューロン１へ のシナプス荷重 Ｏ○　　＜　　Ｗ、、　　　＜　　ＯＯである。

シナプス荷重ＷｌＩはその値が負のときは抑制性の連結
を、正のときは興奮性の連結を意味する。

この方式では、ニューロンを階層的に接続して構成した
ネットワークを扱う。

Ｌ層からなるネットワークを考える。第１層を入力層と
呼び、第り層（Ｌは最大層）を出力層、第２層から第１
７−１層までは中間層と呼ぶ。

ニューロンの興奮出力が次のニューロンへの人力となっ
て次々に刺激の伝播を起こすことをネットワークの発火
と呼ぶ。発火は、入力層のニューロンに外部から刺激を
与えることによって始まる。

刺激が出力層のニューロンへ到達して、出力層ニューロ
ンの興奮出力が決定されると１回の発火が終了する。

ニューロンの興奮出力Ｐは入力刺激とシナプス荷重の関
数である。ネットワーク学習の目的は、入力刺激と理想
興奮出力の組が与えられたときに、出力層ニューロンの
興奮出力Ｐを理想値に近づけるようにシナプス荷重を変
更することである。学習時には、出力層ニューロンの出
力と理想的興奮出力との誤差を刺激伝達経路の逆向きに
伝播させて中間層ニューロンの興奮出力誤差を求め、こ
れら誤差を減少させるようにシナプス荷重を更新する。

理想興奮出力を教師信冒と呼ぶ。

学習データは人力層ニューロンの入力信号と教師信号の
対から成る。学習時にはデータを多量に繰り返し与える
。ます、学習データを一つ用意し、人力層ニューロンに
人力刺激を与えて発火を開始する。発火が終了したら以
下の式に従ってシナプス荷重を更新する。

Ｗ　＋　＋　（ｔ　＋１　）　−Ｗ　＋　＋　（ｔ　）
十ηδ１＋Ｐ、・・・　（４）η 変動率 δ はニューロンｉの興奮出力の誤差を表し、出力層ニュー
ロンでは δ１＝ （Ｔ Ｐ ｆ′ （Ｅ、） 中間層のニューロンでは δ１＝Σ　Ｗｋｌ　　δｋ　　ｆ’　　（Ｅｌ）である
。

ただし、 ：ニューロンｉの理想興奮出力（教師信号）ｄｆ（Ｅ） ｆ。

（Ｅ） Ｅ 以上が学習の１サイクルであり、これを繰り返し実行す
ることによって学習を進める。

学習の終了条件としては、 １、シナプス荷重の変化量があるしきい値を下回ったと
き。

２、正解率があるしきい値を上回ったとき。

３、予め設定した回数の学習サイクルを終えたとき。

などがある。

［発明が解決しようとする課題］ しかしながら、用意された多量の学習データの全てに対
してバックプロパゲーション法による学習を行なうと、
入力データから得られる興奮出力（出力信号）と教師信
号との誤差は個々の学習データ毎にばらつきがでる。カ
ラー画像形成装置における色補正系として見ると誤差の
大きい学習データイ〈］近の入力信号を受けたときには
色の再現性が低下することになる。

本発明は、上述した問題点を解決するためになされたも
のであり、バックプロパゲーション法による学習を行な
う際に学習データ全体としての誤差を縮め、特定の色付
近の再現性の低下を改善することを目的としている。

［課題を解決するための手段］ この目的を達成するために、本発明は、原稿を光電的に
読み取る色分解系と、ニューラルネットワークによる色
補正系と、プリンタ制御信号からカラーハードコピーを
出力する記録系と、バックプロパゲーション法によって
ニューラルネットワークの学習を行なう学習系とを有す
るカラー画像形成装置において、バックプロパゲーショ
ン法による学習を行う際に、予め設定された条件毎に学
習の達成度を基準として学習データの構成を変更させる
。

［作用］ 上記の構成を有する本発明は、学習系によって生成され
たプリンタ制御信号を記録系に与えてカラーハードコピ
ーを出力し、その出力を色分解系によって光電的に読み
取る。学習系は記録系に勾えたプリンタ制御信号を教師
信号とし、前記色分解系から出力される色分解信号を入
力信号として、その入力信号と前記教師信号を学習デー
タとしてバックプロパゲーション法による学習を行なう
が、学習の継続中に予め設定した条件毎に学習の達成度
を基準として学習データの構成を変更する。

［実施例］ 以下、本発明を具体化した実施例を図面を参照して説明
する。

第１図には、例えばディジタルカラー複写機等のカラー
画像形成装置におけるニューラルネットワークを用いた
色補正系が示される。−例としてＲＧＢ３値の色分解信
号が入力される３個のユニットにて構成した入力層（１
１）と、入力層（１１）の各ユニットに結合された３個
以上のユニットを有する中間層（１２）と、中間層（１
２）の各ユニットに結合され例えばＣＭＹ３値のプリン
タ制御信号を出力する出力層（１３）とからなる３層の
ニューラルネットワークにて構成される。

カラー画像形成装置の全体の構成は第２図に示すように
色補正系（１０）と、学習系（２０）と、色分解系（３
０）と、記録系（４０）とからなる。

学習系（２０）は、色補正系（１０）におけるニューラ
ルネットワークに対してバックプロパゲーション法に従
って学習処理を行なうもので、「教師信号」となるプリ
ンタ制御信号を生成して記録系（４０）に与え、記録系
（４０）によって印字されたカラーハードコピーを色分
解系（３０）から読み取り「入力信号」とする。

例えば記録系（４０）がシアン・マゼンタ・イエロー３
色のインクを使用し、各色に対して２５６レベルが表現
可能であるとすると全部の色数は約１６７０万色となる
が、学習系（２ｏ）は表現可能なレベルからシアン・マ
ゼンタ・イエローを均等な間隔でサンプリングし、複数
の１教師信号」と「入力信号」の対からなる学習データ
セットを作成する。例えば各色から１２個サンプリング
するとＣＭＹＳ値が１２の３乗個即ち２７４４個の「教
師信号」として得られ、色分解系から読み取った同数の
「入力信号」のＲＧＢａ値との対が得られる。

学習系（２０）は学習データセット内の「教師信号」と
「入力信号」との対１個づつを取り出し、「人力信号」
即ち色分解系から読み取ったＲＧＢ値を色補正系（１０
）の入力層に与える。そして、このＲＧＢＳ値に従って
ニューラルネットワークが旧算した出力信号としてのＣ
ＭＹａ値を出力する。このＣＭＹａ値と「教師信号」の
ＣＭＹＳ値とを比較してバックプロパゲーション法を適
用する。

学習のカウントは例えば」二記の例では、２７４４個の
対からなる学習データセット−通りに対してバックプロ
パゲーション法の適用を終わって１回とする。学習の繰
り返しにおいて、適当な条件例えば学習１００回毎に学
習データの再構築を行なう。

学習データの再構築のフローチャートを第３図に示す。

基準値計算（Ｓｌ）では、「入力信号」に対して補正系
（１０）が生成する出ツノ信号と「教師信号」との誤差
へＥを全学習データに対して計算し、平均値を求め基準
値Ｍとする。

△Ｅ− （ｃ。

Ｃ，）２＋（Ｍ。

Ｍ、）２＋（Ｙ。

Ｙｌ）２ ｃ。

Ｉ Ｍ。

Ｙ。

ニューラルネットワークによる 出力層の各ニューロンの出力値 教師信号（記録系に与えたプリ ンタ制御信号） Σ ΔＥ ・（９） ｎ　学習データセット内のデータ数 データ抽出（Ｓ２）では、基準値計算（Ｓｌ）で求めた
各学習データ一対毎の誤差へＥと基準値Ｍを比較し、基
準値以」二の誤差を持つ学習データ対を抽出する。学習
データ再構築（Ｓ３）では、既に存在する学習データセ
ットに対して、データ抽出（Ｓ２）によって選択された
学習データを旬加する。（Ｓ３）によって再構築された
学習データセットは同じ学習データを２個以上含むが、
この学習データセットを用いて学習を継続することによ
って基準値以上の学習データに対してはより多くバック
プロパゲーション法が適用され、全体の精度向上に貢献
する。

また、学習データの再構築の第２の実施例として、第３
図の基準値計算（Ｓｌ）において計算される誤差へＥの
値によって学習データを昇順にソートを行い、」二値か
ら適当な順位の誤差の値を基準値とし、（Ｓ２）では（
Ｓｌ）において求めた基準値以上の学習データを抽出し
、（Ｓ３）では既存の学習データセットを破棄して（Ｓ
２）で抽出した学習データを新たな学習データセットと
する。この第２の実施例では（Ｓｌ）で計算した基準値
未満の学習データが減らされることになり、学習時間の
短縮においても効果がある。

学習の終了後はカラー原稿を色分解系で読み取り、これ
を入力信号として色補正系のニューラルネットワークが
出力信号を出力し、この出力信号がプリンタ制御信号と
して記録系に与えられることにより、カラー原稿に忠実
な色再現性のよりカラーハードコピーが得られる。

本実施例では経年変化などによる色分解系や記録系の特
性変化が起きた場合、学習をやり直すことで、常に精度
の良いカラーハ−ドコピーを得ることが可能である。

［発明の効果コ 以上詳述したことから明らかなように、本発明によれば
、バックプロパゲーション法による学習を行なう際に予
め設定された条件毎に学習の達成度を基準にして学習デ
ータの構成を変更させるようにしたので、学習の際に生
成される出力信号と教師信号との誤差を少なくすること
が可能となり、特定の色付近における色再現性の低下を
防ぐことができる優れた効果がある。

【図面の簡単な説明】

第１図から第４図までは本発明を具体化した一実施例を
示すもので、第１図はニューラルネ・ソトワークによる
色補正系の構成図、第２図はカラー画像形成装置の構成
を示すブロック図、第３図は学習データの再構築を行な
う手順を示すフローチャート、第４図はニューロンの模
式図である。 図中において、１０は色補正系、１１はニューラルネッ
トワークの入力層、１２はニューラルネットワークの中
間層、１３はニューラルネットワークの出力層、２０は
学習系、３０は色分解系、４０は記録系。

Claims (1)

1. 【特許請求の範囲】 １、原画像を光電的に読み取る色分解系と、ニューラル
   ネットワークによる色補正系と、プリンタ制御信号から
   カラーハードコピーを生成する記録系と、バックプロパ
   ゲーション法によってニューラルネットワークの学習を
   行なう学習系と、を有するカラー画像形成装置において
   、 バックプロパゲーション法による学習を行なう際に、予
   め設定された条件毎に学習の達成度を基準として学習デ
   ータの構成を変更させることを特徴とするカラー画像形
   成装置。