JPH06217143A - γ補正曲線選択装置およびγ補正曲線生成装置 - Google Patents

Abstract

(57)【要約】 【目的】 本発明は、画像処理装置において最適なγ補
正曲線を生成あるいは選択することができて画質調整時
間を短縮できるようにすることを目的とする。 【構成】 本発明は、処理対象原画の画像の画素ごとの
濃度値と，画像を入力する所定の装置における画像処理
手段の出力値とのγ特性、または画像を出力する所定の
装置における画像処理手段の書き込み値と出力画像濃度
とのγ特性を補正するための画像処理装置において、入
力されたγ特性からγ補正曲線を生成するγ補正曲線生
成手段１と、このγ補正曲線生成手段からのγ補正曲線
により複数のγ補正曲線から最適なγ補正曲線を選択す
るγ補正曲線選択手段２とを有する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明はデジタルモノクロ複写
機、デジタルカラー複写機、カラーファクシミリ、スキ
ャナ、プリンタ等の画像処理装置に使用されるγ補正曲
線選択装置およびγ補正曲線生成装置に関する。

【０００２】

【従来の技術】従来、モノクロ複写機においては、画像
処理系により図４０に示すような処理を行っている。す
なわち、原稿がセットされてＣＣＤセンサによりその原
稿が読み取られると、ＣＣＤセンサからの画像信号をＡ
／Ｄ変換器によるＡ／Ｄ変換、シェーディング補正、γ
補正、濃度変換、出力γ特性補正、２値化または多値化
を行ってプリンタ書き込み値とし、この書き込み値をプ
リンタへ転送している。また、図４２に示すように出力
γ特性補正の後にディザ処理を行う場合もある。

【０００３】このようなデジタルモノクロ複写機や単色
プリンタ等の単色の画像処理装置では、以下のような問
題点が生じていた。 （１）イメージスキャナのγ特性が素子により異なり、
γ特性が完全に線形でない（カラーイメージスキャナ設
計技術、トリケップス、ＷＨＩＴＥ ＳＥＲＩＥＳ Ｎ
ｏ１３０ ｐｐ１２３−１２６参照）。 （２）出力γ特性は書き込みピッチとドット系の関係に
より線形ではない（カラーイメージスキャナ設計技術、
トリケップス、ＷＨＩＴＥ ＳＥＲＩＥＳ Ｎｏ１３０
ｐｐ１５７−１５８参照）。 （３）γ補正は補正値を外部から与えていた（カラーイ
メージスキャナ設計技術、トリケップス、ＷＨＩＴＥ
ＳＥＲＩＥＳ Ｎｏ１３０ ｐｐ１２３−１２６参
照）。

【０００４】デジタルモノクロ複写機やモノクロのプリ
ンタ等の画像処理装置におけるγ補正の実現は図２に示
すようなルックアップテーブル（Ｌook Ｕp Ｔable:以
下ＬＵＴと略称する）９１によってなされる。デジタル
モノクロ複写機におけるスキャナ等の画像入力装置のγ
補正をするときには、入力信号がスキャナ等の画像入力
装置からの出力である読み取り信号であり、出力信号が
入力信号に対するγ補正値である。

【０００５】デジタルモノクロ複写機のプリンタ部やプ
リンタ等の画像出力装置のγ補正をするときには、入力
信号がプリンタ等の画像出力装置への書き込み値であ
り、出力信号が入力信号のγ補正値である。図９はこの
入力信号と出力信号の関係（γ特性曲線）の例を示す。
ＬＵＴ９１は、ＲＯＭに複数のγ特性曲線を格納したも
のであり、図２に示すようにテーブル選択信号によりγ
補正曲線が選択されて入力信号と出力信号との関係がそ
のγ補正曲線により決まることになる。γ補正は画像入
力装置のγ特性または画像出力装置のγ特性により決定
され、例えばスキャナのγ特性により図４に示すように
決定されて単色プリンタのγ特性により図６に示すよう
に決定される。

【０００６】又、デジタルカラー複写機においては、画
像処理系により図４１に示すような処理を行っている。
すなわち、原稿がセットされてこの原稿が色分解フィル
タにより３色に分解されてＣＣＤセンサ部で読み込まれ
ると、その読み取りデータをＡ／Ｄ変換、シェーディン
グ補正、γ補正・濃度変換、色変換・色補正、下地除去
（以下ＵＣＲ処理と称する）、出力γ補正、２値化また
は多値化処理を行ってＹ（イエロー），Ｍ（マゼン
タ），Ｃ（シアン），Ｋ（黒）のトナー４色のプリンタ
書き込み値とし、その後にプリンタへ転送する。

【０００７】

【発明が解決しようとする課題】上記デジタルモノクロ
複写機や単色プリンタ等の単色の画像処理装置では、様
々なγ特性を持つ画像入出力装置に対応するためにγ補
正テーブルを作成すると、ＬＵＴ９１が大きくなり、最
適なγ補正テーブルを決定するのが困難であり、画質調
整に時間を要する。また、プリンタが２値以上の出力を
行う多値プリンタである場合には、劣化やトナー濃度の
変化などにより多値プリンタの特性が変化してしまう
と、多値プリンタのγ特性が変化してしまうので、γ補
正テーブルを再設定しなければならない。さらに、多値
プリンタの出力濃度が同様であっても、ディザ処理を画
像領域に応じて切り替えて行うと、γ特性が変化してし
まうので、γ補正テーブルを再設定しなければならな
い。

【０００８】また、上記デジタル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は以下のような問題
点が生じていた。 （１）色分解フィルタの特性、各色トナーの透過率・分
光反射率が理想的でない（電子写真技術の基礎と応用、
ｐｐ５６５−５７６参照）。 （２）トナーの重ね合わせが理想的でない（電子写真技
術の基礎と応用、ｐｐ５６５−５７６参照）。

【０００９】そして、色分解フィルタの特性が理想的で
なく、例えば図３５に示すような理想的な色分解フィル
タの透過率特性に対して現実の色分解フィルタの透過率
特性が図３６に示すようになり、このため、色の濁りが
発生して色再現性が悪化する。また、図３７に示すよう
な理想的な各色トナーの分光反射率特性に対して現実の
各色トナーの分光反射率特性が図３８に示すようにな
り、また、各色トナーの透過率特性も理想的でなく、こ
れは色濁りの原因となっている。

【００１０】さらに、図３９に示すように各色トナーの
重ね合わせが理想的でないため、マスキング法による色
変換、色補正を行なっている。単色のγ補正単独では図
４のスキャナのγ補正を行った後に、図６に示すように
プリンタのγ補正を行うことにより出力画像濃度が線形
になる。ＵＣＲでは３色トナーからグレー成分を取り除
いて黒トナーと置き換えるため、出力γ補正部では３色
トナーが等量の時にグレーを再現できるように補正しな
ければならない。各色トナーの重ね合わせ後の濃度特性
は各色トナーの量に対して非線形であるため、ＬＵＴ中
の最適なγ補正曲線を選択するのは難しい。

【００１１】この発明は、上記欠点を改善し、画像処理
装置において最適なγ補正曲線を生成あるいは選択する
ことができて画質調整時間を短縮できるγ補正曲線選択
装置およびγ補正曲線生成装置を提供することを目的と
する。

【００１２】

【課題を解決するための手段】上記目的を達成するた
め、請求項１記載の発明は、処理対象原画の画像の画素
ごとの濃度値と，画像を入力する所定の装置における画
像処理手段の出力値とのγ特性、または画像を出力する
所定の装置における画像処理手段の書き込み値と出力画
像濃度とのγ特性を補正するための画像処理装置におい
て、入力されたγ特性からγ補正曲線を生成するγ補正
曲線生成手段と、このγ補正曲線生成手段からのγ補正
曲線により複数のγ補正曲線から最適なγ補正曲線を選
択するγ補正曲線選択手段とを有するものである。

【００１３】請求項２記載の発明は、処理対象原画の画
像の画素ごとの濃度値と，画像を入力する所定の装置に
おける画像処理手段の出力値とのγ特性、または画像を
出力する所定の装置における画像処理手段の書き込み値
と出力画像濃度とのγ特性を補正するための画像処理装
置において、入力されたγ特性からγ補正曲線を生成す
るγ補正曲線生成手段と、このγ補正曲線生成手段から
のγ補正曲線が入力されてγ補正曲線の選択値を出力す
るように予め学習されたニューラルネットワークを有し
このニューラルネットワークにより複数のγ補正曲線か
ら最適なγ補正曲線を選択するγ補正曲線選択手段とを
備えたものである。

【００１４】請求項３記載の発明は、処理対象原画の画
像の画素ごとの濃度値と，画像を入力する所定の装置に
おける画像処理手段の出力値とのγ特性、または画像を
出力する所定の装置における画像処理手段の書き込み値
と出力画像濃度とのγ特性を補正するための画像処理装
置において、γ特性曲線を生成するγ特性曲線生成手段
と、このγ特性曲線生成手段の出力から最適なγ補正曲
線を生成するγ補正曲線生成手段とを有するものであ
る。

【００１５】請求項４記載の発明は、処理対象原画の画
像の画素ごとの濃度値と，画像を入力する所定の装置に
おける画像処理手段の出力値とのγ特性、または画像を
出力する所定の装置における画像処理手段の書き込み値
と出力画像濃度とのγ特性を補正するための画像処理装
置において、γ特性曲線を予め学習したニューラルネッ
トワークからなるγ特性曲線生成手段と、このγ特性曲
線生成手段の出力から最適なγ補正曲線を生成するγ補
正曲線生成手段とを有するものである。

【００１６】請求項５記載の発明は、画像処理系の一部
として入力画像濃度とスキャナ出力値の関係を補正する
スキャナγ補正手段を有する画像処理装置において、ス
キャナγ特性測定時に温度を検知する温度センサと、こ
の温度センサの出力信号に応じてスキャナγ特性値を出
力するスキャナγ特性曲線生成手段と、このスキャナγ
特性曲線生成手段の出力から最適なγ補正曲線を生成す
るγ補正曲線生成手段とを有するものである。

【００１７】請求項６記載の発明は、請求項５記載のγ
補正曲線生成装置において、前記スキャナγ特性曲線生
成手段が、前記温度センサの出力信号とスキャナγ特性
の関係を予め学習させたニューラルネットワークからな
るものである。

【００１８】請求項７記載の発明は、原稿を色分解して
読み取る色分解手段と、カラー原稿を作成するためのカ
ラープリント手段と、このカラープリント手段のγ補正
を行なうγ補正手段とを有するカラー画像処理装置であ
って、前記カラープリント手段から任意の色のカラー原
稿を生成させるカラーパッチ生成手段と、前記色分解手
段から色分解信号が入力され前記カラープリント手段か
ら出力されたカラー原稿に対する各色成分ごとの濃度値
を出力するように予め学習されたニューラルネットワー
クからなる色濃度推定手段と、前記色分解手段からの色
分解信号から前記カラー原稿が無彩色であるか否かを推
定する無彩色推定手段と、前記色分解手段からの色分解
信号からカラー原稿に対する各色成分ごとの濃度値を推
定する色濃度推定手段と、この色濃度推定手段及び前記
無彩色推定手段の出力によりγ補正曲線を生成するγ補
正曲線生成手段とを有するものである。

【００１９】請求項８記載の発明は、カラー画像を所定
の色分解装置を用いて画素ごとに色分解した色成分ごと
の濃度値を所定のカラー画像処理装置における色成分ご
との画像処理手段への値に変換するための色成分ごとの
γ補正曲線を生成するγ補正曲線生成装置であって、前
記所定のカラー画像処理装置が無彩色を出力する時の色
成分ごとの濃度値を推定する無彩色濃度推定手段と、前
記所定のカラー画像処理装置における色成分ごとの画像
処理手段のγ特性値を推定するγ特性推定手段と、この
γ特性推定手段からのγ特性値及び前記無彩色推定手段
の色成分ごとの濃度値からγ補正曲線を生成するγ補正
曲線生成手段とを有するものである。

【００２０】請求項９記載の発明は、請求項８記載のγ
補正曲線生成装置において、前記無彩色濃度推定手段
が、前記所定のカラー画像処理装置が無彩色を出力する
時の各色成分ごとの濃度値を推定するように予め学習さ
れたニューラルネットワークからなるものである。

【００２１】請求項１０記載の発明は、カラー画像を所
定の色分解装置を用いて画素ごとに色分解した色成分ご
との濃度値を所定のカラー画像処理装置における色成分
ごとの画像処理手段への値に変換するための色成分ごと
のγ補正曲線を生成するγ補正曲線生成装置であって、
前記所定のカラー画像処理装置が無彩色を出力する時の
色成分ごとの濃度値を無彩色の明度から推定する無彩色
濃度推定手段と、前記所定のカラー画像処理装置におけ
る色成分ごとの画像処理手段のγ特性を推定するγ特性
推定手段と、このγ特性推定手段からのγ特性より前記
無彩色推定手段の明度が線形になるように色成分ごとに
γ補正曲線を生成するγ補正曲線生成手段を有するもの
である。

【００２２】請求項１１記載の発明は、請求項１０記載
のγ補正曲線生成装置において、前記無彩色濃度推定手
段が、前記所定のカラー画像処理装置が無彩色を出力す
る時の明度が入力され無彩色出力時の色成分ごとの濃度
値を出力するように予め学習したニューラルネットワー
クからなるものである。

【００２３】請求項１２記載の発明は、原稿を色分解し
て読み取る色分解手段と、カラー原稿を作成するための
カラープリント手段と、このカラープリント手段のγ補
正を行なうγ補正手段とを有するカラー画像処理装置で
あって、このカラー画像処理装置が無彩色を出力する時
の各色成分ごとの濃度値を前記色分解手段からの色分解
信号より推定する無彩色濃度推定手段と、前記カラー画
像処理装置における色成分ごとの画像処理手段のγ特性
を推定するγ特性推定手段と、このγ特性推定手段から
のγ特性より前記無彩色濃度推定手段の無彩色濃度推定
値が線形になるように色成分ごとにγ補正曲線を生成す
るγ補正曲線生成手段とを有するものである。

【００２４】請求項１３記載の発明は、請求項１２記載
のγ補正曲線生成装置において、前記無彩色濃度推定手
段が、前記所定のカラー画像処理装置が無彩色を出力す
る時の各色成分ごとの濃度値を前記色分解手段からの色
分解信号から推定するニューラルネットワークからなる
ものである。

【００２５】請求項１４記載の発明は、ディザ処理手段
と、このディザ処理手段の出力信号が入力され少なくと
も２値以上の出力が可能な多値出力装置とを有する装置
における画像処理手段の前記ディザ処理手段に入力する
書き込み値と前記多値出力装置の出力画像との第１γ特
性を補正する画像処理装置において、前記多値出力装置
の入力信号と出力画像との第２γ特性から前記第１γ特
性を生成するγ特性曲線生成手段と、このγ特性曲線生
成手段の出力から最適なγ補正曲線を生成するγ補正曲
線生成部とを有するものである。

【００２６】請求項１５記載の発明は、少なくとも２種
類以上のディザ処理手段と、この２種類以上のディザ処
理手段を切り替えるディザ処理選択手段と、このディザ
処理選択手段の出力信号が入力される２値以上の出力が
可能な多値出力装置とを有する装置における画像処理部
の前記ディザ処理手段に入力する書き込み値と前記多値
出力装置の出力画像との第１γ特性を補正する画像処理
装置において、前記多値出力装置の入力信号と出力画像
との第２γ特性から前記第１γ特性を２種類以上生成す
るγ特性曲線生成手段と、前記ディザ処理選択手段の選
択信号に応じて前記γ特性曲線生成手段からの２種類以
上の第１γ特性を選択するγ特性選択手段と、このγ特
性選択手段からのγ特性よりγ補正曲線を生成するγ補
正曲線生成手段とを備えたものである。

【００２７】請求項１６記載の発明は、少なくとも２種
類以上のディザ処理手段と、この２種類以上のディザ処
理手段を切り替えるディザ処理選択手段と、このディザ
処理選択手段の出力信号が入力される２値以上の出力が
可能な多値出力装置とを有する装置における画像処理部
の前記ディザ処理手段に入力する書き込み値と前記多値
出力装置の出力画像との第１γ特性を補正する画像処理
装置において、前記ディザ処理選択手段の選択信号に応
じて前記多値出力装置の入力信号と出力画像との第２γ
特性から前記第１γ特性を生成するγ特性生成曲線生成
手段と、このγ特性生成曲線生成手段からのγ特性より
γ補正曲線を生成するγ補正曲線生成手段とを備えたも
のである。

【００２８】請求項１７記載の発明は、請求項１４また
は１５記載のγ補正曲線生成装置において、前記γ特性
曲線生成手段が、関数近似法によりγ特性曲線を近似す
る手段からなるものである。

【００２９】請求項１８記載の発明は、請求項１４また
は１５記載のγ補正曲線生成装置において、前記γ特性
曲線生成手段が、予めγ特性曲線を学習したニューラル
ネットワークからなるものである。

【００３０】

【作用】請求項１記載の発明では、γ補正曲線生成手段
が入力されたγ特性からγ補正曲線を生成し、γ補正曲
線選択手段がγ補正曲線生成手段からのγ補正曲線によ
り複数のγ補正曲線から最適なγ補正曲線を選択する。

【００３１】請求項２記載の発明では、γ補正曲線生成
手段が入力されたγ特性からγ補正曲線を生成し、ニュ
ーラルネットワークはγ補正曲線生成手段からのγ補正
曲線が入力されて複数のγ補正曲線から最適なγ補正曲
線を選択する。

【００３２】請求項３記載の発明では、γ特性曲線生成
手段がγ特性曲線を生成し、γ補正曲線生成手段がγ特
性曲線生成手段の出力から最適なγ補正曲線を生成す
る。

【００３３】請求項４記載の発明では、ニューラルネッ
トワークがγ特性曲線を生成し、γ補正曲線生成手段が
ニューラルネットワークの出力から最適なγ補正曲線を
生成する。

【００３４】請求項５記載の発明では、温度センサがス
キャナγ特性測定時に温度を検知し、スキャナγ特性曲
線生成手段が温度センサの出力信号に応じてスキャナγ
特性値を出力する。そして、γ補正曲線生成手段がスキ
ャナγ特性曲線生成手段の出力から最適なγ補正曲線を
生成する。

【００３５】請求項６記載の発明では、請求項５記載の
γ補正曲線生成装置において、ニューラルネットワーク
からなるスキャナγ特性曲線生成手段が温度センサの出
力信号に応じてスキャナγ特性値を出力する。

【００３６】請求項７記載の発明では、カラーパッチ生
成手段がカラープリント手段から任意の色のカラー原稿
を生成させ、ニューラルネットワークからなる色濃度推
定手段は色分解手段から色分解信号が入力されてカラー
プリント手段から出力されたカラー原稿に対する各色成
分ごとの濃度値を出力する。無彩色推定手段は色分解手
段からの色分解信号からカラー原稿が無彩色であるか否
かを推定し、色濃度推定手段が色分解手段からの色分解
信号からカラー原稿に対する各色成分ごとの濃度値を推
定する。そして、γ補正曲線生成手段が色濃度推定手段
及び無彩色推定手段の出力によりγ補正曲線を生成す
る。

【００３７】請求項８記載の発明では、無彩色濃度推定
手段は所定のカラー画像処理装置が無彩色を出力する時
の色成分ごとの濃度値を推定し、γ特性推定手段が所定
のカラー画像処理装置における色成分ごとの画像処理手
段のγ特性値を推定する。そして、γ補正曲線生成手段
がγ特性推定手段からのγ特性値及び無彩色推定手段の
色成分ごとの濃度値からγ補正曲線を生成する。

【００３８】請求項９記載の発明では、請求項８記載の
γ補正曲線生成装置において、ニューラルネットワーク
からなる無彩色濃度推定手段が所定のカラー画像処理装
置が無彩色を出力する時の各色成分ごとの濃度値を推定
する。

【００３９】請求項１０記載の発明では、無彩色濃度推
定手段が所定のカラー画像処理装置が無彩色を出力する
時の色成分ごとの濃度値を無彩色の明度から推定し、γ
特性推定手段が所定のカラー画像処理装置における色成
分ごとの画像処理手段のγ特性を推定する。そして、γ
補正曲線生成手段がγ特性推定手段からのγ特性より無
彩色推定手段の明度が線形になるように色成分ごとにγ
補正曲線を生成する。

【００４０】請求項１１記載の発明では、請求項１０記
載のγ補正曲線生成装置において、ニューラルネットワ
ークからなる無彩色濃度推定手段は、所定のカラー画像
処理装置が無彩色を出力する時の明度が入力され、無彩
色出力時の色成分ごとの濃度値を出力する。

【００４１】請求項１２記載の発明では、無彩色濃度推
定手段はカラー画像処理装置が無彩色を出力する時の各
色成分ごとの濃度値を色分解手段からの色分解信号より
推定し、γ特性推定手段がカラー画像処理装置における
色成分ごとの画像処理手段のγ特性を推定する。そし
て、γ補正曲線生成手段がγ特性推定手段からのγ特性
より無彩色濃度推定手段の無彩色濃度推定値が線形にな
るように色成分ごとにγ補正曲線を生成する。

【００４２】請求項１３記載の発明では、請求項１２記
載のγ補正曲線生成装置において、ニューラルネットワ
ークからなる無彩色濃度推定手段は所定のカラー画像処
理装置が無彩色を出力する時の各色成分ごとの濃度値を
色分解手段からの色分解信号から推定する。

【００４３】請求項１４記載の発明では、γ特性曲線生
成手段が多値出力装置の入力信号と出力画像との第２γ
特性から第１γ特性を生成し、γ補正曲線生成部がγ特
性曲線生成手段の出力から最適なγ補正曲線を生成す
る。

【００４４】請求項１５記載の発明では、γ特性曲線生
成手段が多値出力装置の入力信号と出力画像との第２γ
特性から第１γ特性を２種類以上生成し、γ特性選択手
段がディザ処理選択手段の選択信号に応じてγ特性曲線
生成手段からの２種類以上の第１γ特性を選択する。そ
して、γ補正曲線生成手段がγ特性選択手段からのγ特
性よりγ補正曲線を生成する。

【００４５】請求項１６記載の発明では、γ特性生成曲
線生成手段がディザ処理選択手段の選択信号に応じて多
値出力装置の入力信号と出力画像との第２γ特性から第
１γ特性を生成し、γ補正曲線生成手段がγ特性生成曲
線生成手段からのγ特性よりγ補正曲線を生成する。

【００４６】請求項１７記載の発明では、請求項１４ま
たは１５記載のγ補正曲線生成装置において、γ特性曲
線生成手段が関数近似法によりγ特性曲線を近似する。

【００４７】請求項１８記載の発明では、請求項１４ま
たは１５記載のγ補正曲線生成装置において、ニューラ
ルネットワークからなるγ特性曲線生成手段が第２γ特
性から第１γ特性を生成する。

【００４８】

【実施例】図１は本発明の第１実施例を示す。この第１
実施例は、請求項１記載の発明の実施例であり、スキャ
ナのγ補正曲線を選択するγ補正曲線選択装置の一例で
ある。このγ補正曲線選択装置は、スキャナのγ特性値
（出力値）ID(1)〜ID(N)に基づいてスキャナのγ補正係
数id(1)〜id(N)を出力するスキャナ用γ補正曲線生成部
１と、このγ補正曲線生成部１からのγ補正係数id(1)
〜id(N)に基づいて複数のγ補正曲線のうちのスキャナ
に最適なγ補正曲線を選択してγ補正曲線選択値を出力
するγ補正曲線選択部２とを有している。

【００４９】スキャナ用γ補正曲線生成部１はスキャナ
にて基準原稿により予め測定したスキャナの出力値（ス
キャナのγ特性値）ID(1)〜ID(N)が入力されてこれに基
づいてスキャナの最適なγ補正曲線を作成する。γ補正
曲線選択部２はγ補正曲線生成部１からγ補正係数id
(1)〜id(N)が入力されてこれに基づいて複数のγ補正曲
線のうちのスキャナに最適なγ補正曲線を選択してγ補
正曲線選択値を出力する。スキャナ用γ補正曲線生成部
１では図４に示すようなスキャナのγ補正曲線を生成す
ることになる。

【００５０】この第１実施例では、スキャナ用γ補正曲
線生成部１がスキャナのγ特性値（出力値）ID(1)〜ID
(N)に基づいてスキャナのγ補正係数id(1)〜id(N)を出
力し、γ補正曲線選択部２がγ補正曲線生成部１からの
γ補正係数id(1)〜id(N)に基づいて複数のγ補正曲線の
うちのスキャナに最適なγ補正曲線を選択してγ補正曲
線選択値を出力するので、スキャナに最適なγ補正曲線
を選択できてスキャナを用いた複写機などの画像処理装
置の画質調整時間を短縮することができる。

【００５１】図５は本発明の第２実施例を示す。この第
２実施例は、請求項１記載の発明の実施例であり、プリ
ンタのγ補正曲線を選択するγ補正曲線選択装置の一例
である。このγ補正曲線選択装置は、プリンタのγ特性
値ID(1)〜ID(N)に基づいてプリンタのγ補正係数id(1)
〜id(N)を出力するプリンタ用γ補正曲線生成部３と、
このγ補正曲線生成部３からのγ補正係数id(1)〜id(N)
に基づいて複数のγ補正曲線から最適なγ補正曲線を選
択してγ補正曲線選択値を出力するγ補正曲線選択部４
とを有している。

【００５２】プリンタ用γ補正曲線生成部３はプリンタ
にて予め測定した１〜Ｎ値のプリンタ書き込み値に対す
る出力画像濃度、すなわち、プリンタのγ特性値ID(1)
〜ID(N)が入力されてこれに基づいて最適なγ補正曲線
を生成し、γ補正曲線選択部４はγ補正曲線生成部３か
らγ補正係数id(1)〜id(N)が入力されてこれに基づいて
複数のγ補正曲線から最適なγ補正曲線を選択してγ補
正曲線選択値を出力する。このプリンタ用γ補正曲線生
成部３は図６に示すようなプリンタのγ補正曲線を生成
することになる。

【００５３】この第２実施例では、プリンタ用γ補正曲
線生成部３がプリンタのγ特性値ID(1)〜ID(N)に基づい
てプリンタのγ補正係数id(1)〜id(N)を出力し、γ補正
曲線選択部４がγ補正曲線生成部３からのγ補正係数id
(1)〜id(N)に基づいて複数のγ補正曲線から最適なγ補
正曲線を選択してγ補正曲線選択値を出力するので、プ
リンタに最適なγ補正曲線を選択できてプリンタや複写
機などの画像処理装置の画質調整時間を短縮することが
できる。

【００５４】なお、カラースキャナまたカラー複写機の
スキャナ部やカラープリンタまたはカラー複写機のプリ
ンタ部では、各色信号ごとに、上記第１実施例、第２実
施例と同様にγ補正曲線生成部１，３でγ補正曲線を生
成してその出力からγ補正曲線選択部２，４で複数のγ
補正曲線から最適なγ補正曲線を選択してγ補正曲線選
択値を出力するようにすればよい。

【００５５】図７は上記γ補正曲線選択部２，４の構成
例を示す。

【００５６】このγ補正曲線選択部は、γ補正値id(1)
〜id(N)およびγ補正値選択信号が入力されるγ補正値
選択回路５と、γ補正選択信号およびγ補正曲線選択値
が入力されるγ補正曲線生成回路６と、γ補正値選択回
路５の出力ａおよびγ補正曲線生成回路６の出力ｂとの
差分を検出する差分検出回路７と、この差分検出回路７
からの誤差を積和する誤差積和部８と、γ補正曲線選択
値と誤差積和部８の出力からγ補正曲線選択値を出力す
る最小誤差記憶部９とにより構成されている。

【００５７】γ補正値選択回路５はγ補正曲線生成部
１、３からのγ補正値id(1)〜id(N)をγ補正値選択信号
によって選択してγ補正値ａとして出力し、γ補正曲線
生成回路６は複数のγ補正曲線からγ補正曲線選択値に
よって１つのγ補正曲線を選択してそのγ補正曲線の各
γ補正値をγ補正値選択信号で選択してγ補正値ｂとし
て出力する。

【００５８】差分検出回路７はγ補正値選択回路５から
のγ補正値ａとγ補正曲線生成回路６からのγ補正値ｂ
の差の絶対値を求めて出力する。誤差積和部８は差分検
出回路７の出力をγ補正値の数ｎだけ、即ち、γ補正値
選択信号によるγ補正値選択数だけ積和を行う。最小値
誤差記憶部９はγ補正値選択値により各γ補正曲線ごと
に誤差積和部８の最小値をとり、その最小値をとったと
きのγ補正曲線選択値を記憶する。したがって、γ補正
曲線生成回路６に保持されている複数のγ補正曲線が順
次に全て選択されてこれとγ補正曲線生成部１，３から
のγ補正曲線との誤差が求められ、スキャナまたはプリ
ンタに最適なγ補正曲線が選択されてそのγ補正曲線選
択値が最小誤差記憶部９に記憶される。

【００５９】次に、請求項２記載の発明の実施例につい
て説明する。上記第１実施例及び第２実施例では、γ補
正曲線選択部２，４にてγ補正曲線を選択するときに内
部に保持した多くのγ補正曲線とγ補正曲線生成部１，
３からのγ補正曲線との誤差を算出するため、計算時間
を要する。本発明の第３実施例は、この点を改良するた
めに全てのγ補正曲線との誤差をとらずに最適なγ補正
曲線を選択するようにしたものである。

【００６０】この第３実施例では、上記第１実施例また
は第２実施例において、γ補正曲線選択部２，４には図
８に示すようなニューラルネットワークが使用される。
このニューラルネットワークは、入力層１０ａ、中間層
１０ｂ及び出力層１０ｃを有していて、図９に示すよう
な複数のγ補正曲線の各γ補正値が選択的に入力層１０
ａに入力されてスキャナまたはプリンタに最適なγ補正
曲線の選択値を出力層１０ｃから出力するように予め学
習したものであり、γ補正曲線のγ補正値が入力層１０
ａに入力されてこれに基づいて最適なγ補正曲線を選択
することにより複数のγ補正曲線のうちスキャナまたは
プリンタに最適なγ補正曲線を選択してそのγ補正曲線
の選択値を出力層１０ｃから出力する。このニューラル
ネットワークの学習アルゴリズムとしては、入力パター
ンと出力パターンの写像を学習できる方式、例えば誤差
逆伝播法が使用される。

【００６１】この第３実施例では、上記実施例におい
て、γ補正曲線選択部にニューラルネットワークを使用
したので、最適なγ補正曲線を選択できてプリンタや複
写機などの画像処理装置の画質調整時間を短縮すること
ができ、かつ、γ補正曲線の選択に要する時間を短縮す
ることができる。

【００６２】次に、請求項３記載の発明の実施例につい
て説明する。上記第１乃至第３実施例では予めあらゆる
γ特性を求めておく必要がある。そこで、図４に示すよ
うなスキャナのγ特性や図６に示すようなプリンタのγ
特性を保持しておけば、個々のγ特性を求める必要がな
くなる。図１０は本発明の第４実施例を示す。この第４
実施例では、複数のγ特性を保持したγ特性生成部１１
がスキャナγ特性曲線のスキャナ特性値ID(1)〜ID(N)を
生成し、このスキャナ特性値ID(1)〜ID(N)によりスキャ
ナ用γ補正曲線生成部１２がγ補正曲線のスキャナγ補
正係数id(1)〜id(N)を生成する。この第４実施例では、
最適なγ補正曲線を生成できてプリンタや複写機などの
画像処理装置の画質調整時間を短縮することができ、か
つ、濃度を線形にすることができる。

【００６３】また、図１１は本発明の第５実施例を示
す。この第５実施例では、複数のプリンタγ特性を保持
したγ特性生成部１４がプリンタγ特性曲線のγ特性値
ID(1)〜ID(N)を生成し、このγ特性値ID(1)〜ID(N)によ
りプリンタ用γ補正曲線生成部１５がγ補正曲線を生成
する。この第５実施例では、最適なγ補正曲線を生成で
きてプリンタや複写機などの画像処理装置の画質調整時
間を短縮することができ、かつ、濃度を線形にすること
ができる。

【００６４】第４実施例及び第５実施例におけるγ特性
生成部１１，１４は図１２に示すようなＬＵＴ１６が使
用される。このＬＵＴ１６は、個々のγ特性をテーブル
化してＲＯＭに格納したものであり、テーブル選択信号
によりγ特性を選択して入力信号と出力信号との関係が
そのγ特性となる。カラースキャナまたはカラー複写機
のスキャナ部や、カラープリンタまたはカラー複写機の
プリンタ部では、各色信号ごとに第４実施例、第５実施
例と同様にγ特性生成部でγ特性値を生成し、このγ特
性値によりプリンタ用γ補正曲線生成部でγ補正曲線を
生成するようにすればよい。

【００６５】次に、請求項４記載の発明の実施例につい
て説明する。

【００６６】上記第４実施例及び第５実施例ではγ特性
生成部でγ特性を保持しているため、γ特性曲線を生成
することが可能であった。しかし、画像処理装置内に多
くのγ特性を保持するためには膨大な量のメモリが必要
になる。本発明の第６実施例は、この点を改良するため
に上記第４実施例、第５実施例において、γ特性生成部
１１，１４を図１３に示すようなニューラルネットワー
クで構成したものである。このニューラルネットワーク
は、入力層１７ａ、中間層１７ｂ及び出力層１７ｃを有
していてγ特性曲線選択値と複数のγ特性曲線の各γ特
性値（スキャナの出力値またはプリンタ書き込み値に対
応したγ特性値）(1)〜(N)との関係を予め学習したもの
であり、γ特性曲線選択値が入力層１７ａに入力されて
出力層１７ｃからスキャナの出力値またはプリンタの書
き込み値に対応したγ特性値(1)〜(N)を出力する。この
第６実施例では、最適なγ補正曲線を生成できてプリン
タや複写機などの画像処理装置の画質調整時間を短縮す
ることができ、かつ、濃度を線形にすることができると
ともに、必要なメモリ容量を低減できる。

【００６７】図１４は本発明の第７実施例のニューラル
ネットワークを示す。この第７実施例は、上記第４実施
例、第５実施例において、γ特性生成部１１，１４を図
１４に示すようなニューラルネットワークで構成したも
のである。このニューラルネットワークは、入力層１８
ａ、中間層１８ｂ及び出力層１８ｃを有していてスキャ
ナまたはプリンタのγ特性曲線選択値及びγ特性値（ス
キャナまたはプリンタの濃度値）と複数のγ特性曲線の
各γ特性値（スキャナ出力値またはプリンタ書き込み
値）(1)〜(N)との関係を予め学習したものであり、γ特
性曲線選択値及びγ特性値が入力層１８ａに入力されて
出力層１８ｃからγ特性値(1)〜(N)を出力する。この第
７実施例では、第６実施例と同様に最適なγ補正曲線を
生成できてプリンタや複写機などの画像処理装置の画質
調整時間を短縮することができ、かつ、濃度を線形にす
ることができる。

【００６８】図１５は本発明の第８実施例のニューラル
ネットワークを示す。この第８実施例は、上記第４実施
例、第５実施例において、γ特性生成部１１，１４を図
１５に示すようなニューラルネットワークで構成したも
のである。このニューラルネットワークは、入力層１９
ａ、中間層１９ｂ及び出力層１９ｃを有していてスキャ
ナまたはプリンタのγ特性曲線選択値及び出力値（スキ
ャナ出力値またはプリンタの書き込み値）１〜Ｎと複数
のγ特性曲線の各γ特性値（スキャナまたはプリンタの
濃度値）との関係を予め学習したものであり、γ特性曲
線選択値及びγ特性値が入力層１９ａに入力されて出力
層１９ｃからγ特性値を出力する。このニューラルネッ
トワークの学習アルゴリズムとしては、入力パターンと
出力パターンの写像を学習できる方式、例えば誤差逆伝
播法が使用される。

【００６９】この第８実施例では、第６実施例と同様に
最適なγ補正曲線を生成できてプリンタや複写機などの
画像処理装置の画質調整時間を短縮することができ、か
つ、濃度を線形にすることができる。

【００７０】次に、請求項５記載の発明の実施例につい
て説明する。図１６は本発明の第９実施例を示す。この
第９実施例はスキャナや複写機のスキャナ部のγ補正曲
線を生成するγ補正曲線生成装置であり、このγ補正曲
線生成装置は、スキャナγ特性測定時に温度を測定する
ための温度センサ２１と、温度センサ２１の測定温度に
応じてスキャナγ特性値ID(1)〜ID(N)を出力するγ特性
生成部２２と、このγ特性曲線生成部２２の出力ID(1)
〜ID(N)から最適なγ補正曲線id(1)〜id(N)を生成する
スキャナ用γ補正曲線生成部２３とを有する。

【００７１】上記第４〜８実施例ではγ特性選択値を入
力すればγ特性値が得られたが、スキャナのγ特性が温
度により異なるので、温度が変化するたびにγ特性選択
値を変更しなければならない。第９実施例はこの点を改
良するためにγ特性曲線を温度センサ２１からの温度に
応じてγ特性選択値を変えるようにしている。

【００７２】図１７は上記γ特性生成部２２の構成を示
す。γ特性生成部２２はγ特性選択値生成回路２５とγ
特性生成部２６を有し、これらはそれぞれＲＯＭによる
ＬＵＴで構成されている。γ特性選択値生成回路２５は
アドレスとデータとの関係として図１８に示すような温
度センサ２１の測定温度とγ特性選択値との関係が記憶
されている。このγ特性選択値生成回路２５は温度セン
サ２１の測定温度が入力されてこれによりアドレスが決
定され、データとしてその測定温度に応じたγ特性選択
値を出力する。γ特性生成部２６は、図９のような複数
のγ特性が記憶されており、γ特性曲線生成部２２から
のγ特性選択値に応じたγ特性値ID(1)〜ID(N)を生成す
る。この第９実施例では、温度に応じてγ補正曲線を生
成するので、最適なγ補正曲線を生成できてプリンタや
複写機などの画像処理装置の画質調整時間を短縮するこ
とができる。

【００７３】次に、請求項６記載の発明の実施例につい
て説明する。上記第９実施例では、温度センサ２１から
の温度に応じてγ特性選択値を変えるために、対象とす
る範囲の温度についてのγ特性を実験により求めなけれ
ばならなかった。本発明の第１０実施例は、この点を改
良するために温度とγ特性の関係を予め学習させたニュ
ーラルネットワークにより、実験では求めなかった温度
におけるγ特性を計算させるようにしたものである。

【００７４】図１９は第１０実施例のニューラルネット
ワークを示す。この第１０実施例では、上記第９実施例
において、γ特性選択値生成回路２５として図１９に示
すようなニューラルネットワークを用いたものである。
このニューラルネットワークは、入力層２７ａ、中間層
２７ｂ及び出力層２７ｃを有し、温度センサ２１の出力
が入力層２７ａに入力されて出力層２７ｃからγ特性生
成部２６へγ特性選択値を出力する。このニューラルネ
ットワークはγ特性選択値と温度センサ２１で測定した
スキャナγ特性測定時の温度が入力されてスキャナ出力
値に対応したγ特性値を出力とするようにスキャナγ特
性の学習を行ったものである。このニューラルネットワ
ークの学習アルゴリズムとしては、入力パターンと出力
パターンの写像を学習できる方式、例えば誤差逆伝播法
が使用される。

【００７５】この第１０実施例では、第９実施例におい
てγ特性選択値生成回路をニューラルネットワークで構
成したので、最適なγ補正曲線を生成できてプリンタや
複写機などの画像処理装置の画質調整時間を短縮するこ
とができ、かつ、濃度を線形にできる。

【００７６】次に、請求項７記載の発明の実施例につい
て説明する。上記第４〜８実施例では黒（モノクロ）の
濃度値を図６に示すようにγ補正することで濃度をリニ
アにすることができた。これを３色または４色のトナー
による出力を行うカラープリンタやカラー複写機に適用
すれば、色成分ごとの濃度値をリニアにγ補正すること
ができるが、無彩色を再現するには不十分である。本発
明の第１１実施例は、この点を改良するために無彩色を
再現する時の各色成分の濃度値の組み合わせと、その時
の等価中性濃度（以下、ＥＮＤと称する）と、その時の
γ特性からγ補正を行うようにしたものである。

【００７７】図２０は第１１実施例の構成を示す。この
第１１実施例はカラー複写機の一部を利用する。カラー
複写機の色分解部３１、シェーディング補正部３２、ス
キャナγ補正回路３３、色変換・色補正回路３４、ＹＭ
ＣＫの各γ補正回路３５〜３８、Ｙ，Ｍ，Ｃ，Ｋの各プ
リンタ出力部３９〜４２を有する。第１１実施例は、任
意の色を生成するカラーパッチ生成回路４５と、色濃度
推定部４６と、色分解部３１の出力である色分解信号か
ら原稿が無彩色であるか否かを判別する無彩色判別部４
７と、γ補正曲線生成部４８とを有する。

【００７８】カラー複写機においては、通常は、原稿が
スキャナの色分解部３１で読み取られて３色に分解さ
れ、この色分解部３１からのｒ（赤），ｇ（緑），ｂ
（青）の色信号がシェーディング補正部３２でシェーデ
ィング補正がなされてスキャナγ補正回路３３で図３に
示すようなスキャナのγ特性とγ補正曲線との関係に基
づいてスキャナγ補正がなされる。スキャナγ補正回路
３３の出力信号は、色変換・色補正回路３４で色変換・
色補正が行われてγ補正回路３５〜３８でγ補正が行わ
れ、プリンタ出力部３９〜４２により各色成分が重ね合
わされて出力される。

【００７９】この第１１実施例では、カラーパッチ生成
回路４５により任意の色信号を生成してカラープリンタ
部３９〜４２に与えることによりカラープリンタ部３９
〜４２でカラーパッチを生成させる。このカラーパッチ
は、図２１に示すように色成分ごとのパッチ（Ｙ，Ｍ，
Ｃ，Ｋ）と各色成分を重ね合わせたパッチ（４Ｃ）から
なり、スキャナの色分解部３１で読み取られて３色に分
解される。この色分解部３１からのｒ，ｇ，ｂの色信号
は、シェーディング補正部３２でシェーディング補正さ
れてスキャナγ補正回路３３でスキャナγ補正がなされ
た後に色濃度推定部４６に入力されて各色の濃度が推定
されるとともに、無彩色推定部４７に入力されてカラー
パッチが無彩色か否かが推定される。この無彩色推定部
４７では次の（１）式でスキャナγ補正回路３３からの
ｒ，ｇ，ｂの各信号Ｒ，Ｇ，Ｂがほぼ同じ値の時に無彩
色と推定する。

【００８０】｜Ｒ−Ｇ｜＜ＴＨかつ｜Ｇ−Ｂ｜＜ＴＨか
つ｜Ｒ−Ｂ｜＜ＴＨ・・・（１） 各色成分を重ね合わせたカラーパッチが無彩色の時は色
成分ごとの濃度値とＥＮＤをニューラルネットワークか
らなる色濃度推定部４６で求め、また、色濃度推定部４
６の出力及び無彩色推定部４７の出力によりγ補正曲線
生成部４８で図２２に示すように色成分ごとのγ補正曲
線を求める。色濃度推定部４６は図２３（ａ）〜（ｄ）
に示すようなＹ濃度推定用ニューラルネットワーク、Ｍ
濃度推定用ニューラルネットワーク、Ｃ濃度推定用ニュ
ーラルネットワーク及びＫ濃度推定用ニューラルネット
ワークからなり、これらのニューラルネットワークは
ｒ，ｇ，ｂの色成分ごとの信号とその濃度の関係を予め
学習しておく。なお、ニューラルネットワークの学習ア
ルゴリズムとしては、入力パターンと出力パターンの写
像を学習できる方式、例えば誤差逆伝播法が使用され
る。

【００８１】図２３（ａ）に示すようなＹ濃度推定用ニ
ューラルネットワークは、入力層４６１ａ、中間層４６
１ｂ及び出力層４６１ｃを有し、スキャナγ補正回路３
３からのｒ，ｇ，ｂの各信号が入力層４６１ａに入力さ
れて出力層４６１ｃからＹ濃度値IDYを出力する。図２
３（ｂ）に示すようなＭ濃度推定用ニューラルネットワ
ークは、入力層４６２ａ、中間層４６２ｂ及び出力層４
６２ｃを有し、スキャナγ補正回路３３からのｒ，ｇ，
ｂの各信号が入力層４６２ａに入力されて出力層４６２
ｃからＭ濃度値IDMを出力する。

【００８２】図２３（ｃ）に示すようなＣ濃度推定用ニ
ューラルネットワークは、入力層４６３ａ、中間層４６
３ｂ及び出力層４６３ｃを有し、スキャナγ補正回路３
３からのｒ，ｇ，ｂの各信号が入力層４６３ａに入力さ
れて出力層４６３ｃからＭ濃度値IDCを出力する。図２
３（ｄ）に示すようなＫ濃度推定用ニューラルネットワ
ークは、入力層４６４ａ、中間層４６４ｂ及び出力層４
６４ｃを有し、スキャナγ補正回路３３からのｒ，ｇ，
ｂの各信号が入力層４６４ａに入力されて出力層４６４
ｃからＫ濃度値IDKを出力する。γ特性は１〜Ｎ値まで
の色ごとのカラーパッチに対するｒ,ｇ,ｂの信号を色濃
度推定部４６で各色濃度値に変換することで得られる。
γ補正曲線生成部４８では色濃度推定部４６の出力及び
無彩色推定部４７の出力によりＥＮＤ値に対応した各色
成分ごとの濃度と各色成分ごとのγ特性から図２２に基
づいてγ補正曲線を生成する。

【００８３】この第１１実施例では、カラーパッチ生成
回路４５で生成したカラーパッチを色分解部３１で読み
取り、無彩色出力時の色成分ごとの濃度値、ＥＮＤ色成
分ごとのγ特性からγ補正曲線を生成するので、最適な
γ補正曲線を生成できてカラー複写機からなる画像処理
装置の画質調整時間を短縮することができ、かつ、濃度
を線形にできる。

【００８４】次に、請求項８記載の発明の実施例につい
て説明する。上記第１１実施例ではカラーパッチ生成回
路４５により多数のカラーパッチを生成して色分解部３
１で読み取る必要があった。本発明の第１２実施例は、
この点を改良するために予め無彩色を再現したときの各
色成分の濃度値の組み合わせとＥＮＤを求めておくよう
にしたものである。

【００８５】図２４は第１２実施例の構成を示す。この
第１２実施例は、ＥＮＤ信号生成回路５１と、無彩色濃
度推定部５２と、ＹＭＣの各γ特性推定部５３，５４，
５５と、γ補正曲線生成部５６とを有する。無彩色濃度
推定部５２は図２５及び図２６に示すようなＥＮＤと
Ｙ，Ｍ，Ｃの各色成分ごとの濃度値との関係を記憶した
Ｙ濃度テーブル５２Ｙ，Ｍ濃度テーブル５２Ｍ及びＣ濃
度テーブル５２Ｃから、ＥＮＤ信号生成回路５１の出力
に基づいて各成分ごとの色濃度値を出力する。

【００８６】Ｙ濃度テーブル５２Ｙ，Ｍ濃度テーブル５
２Ｍ及びＣ濃度テーブル５２Ｃは各々ＲＯＭで構成さ
れ、この各ＲＯＭの同一アドレスにはＥＮＤに対応した
図２５に示すような各色成分の濃度値が書き込まれてい
る。ＥＮＤ信号生成回路５１はＥＮＤ信号に対応した図
２６に示すようなアドレスを生成する。γ特性推定部５
３，５４，５５は、図１４に示すニューラル・ネットワ
ークを用いたγ特性生成回路が使用される。このニュー
ラル・ネットワークは、γ特性曲線選択値及び無彩色濃
度推定部５２の出力IDY,IDM,IDCと複数のγ特性曲線の
各色濃度のプリンタ書き込み値との関係を予め学習した
ものであり、γ特性曲線選択値及び無彩色濃度推定部５
２の出力IDY,IDM,IDCが入力されてこれに対応したγ特
性曲線の各色濃度のプリンタ書き込み値を出力する。γ
補正曲線生成部５６はγ特性推定部５３，５４，５５か
らの各色濃度のプリンタ書き込み値から図２２に示すよ
うにγ補正曲線を生成することによりＥＮＤを線形にす
る。この第１２実施例では、無彩色出力時の色成分ごと
の濃度値、ＥＮＤ色成分ごとのγ特性からγ補正曲線を
生成するので、最適なγ補正曲線を生成できてカラー複
写機からなる画像処理装置の画質調整時間を短縮するこ
とができ、かつ、濃度を線形にできる。

【００８７】次に、請求項９記載の発明の実施例につい
て説明する。上記第１２実施例ではＥＮＤと色濃度の関
係を図２５に示すようにテーブル化して保持するが、全
てのＥＮＤと各濃度値の関係を保持することはできな
い。本発明の第１３実施例は、この点を改良するために
各テーブル間のデータを計算して補間するようにしたも
のである。この第１３実施例では、上記第１２実施例に
おいて、無彩色濃度推定部５２が図２７に示すようなニ
ューラル・ネットワークで構成される。このニューラル
ネットワークは、入力層５２ａ、中間層５２ｂ及び出力
層５２ｃを有し、無彩色を出力する時の各色成分ごとの
濃度値をＥＮＤから推定するように予め学習されたもの
である。

【００８８】このニューラルネットワークの学習アルゴ
リズムとしては、入力パターンと出力パターンの写像を
学習できる方式、例えば誤差逆伝播法が使用される。Ｅ
ＮＤ信号生成回路５１はＥＮＤ信号を生成し、無彩色濃
度推定部５２を構成するニューラルネットワークはＥＮ
Ｄ信号生成回路５１からのＥＮＤ信号が入力されて無彩
色出力時の各色成分ごとの濃度値IDY,IDM,IDCをγ特性
推定部５３，５４，５５に出力する。この第１３実施例
では、ニューラルネットワークからなる無彩色濃度推定
部５２で無彩色出力時の色成分ごとのγ特性からγ補正
曲線を生成するので、最適なγ補正曲線を生成できてカ
ラー複写機からなる画像処理装置の画質調整時間を短縮
することができ、かつ、濃度を線形にできる。

【００８９】次に、請求項１０記載の発明の実施例につ
いて説明する。上記第４〜８実施例では黒（モノクロ）
の濃度値を図６に示すようにγ補正することで濃度をリ
ニアにすることができたが、これらの実施例と同様に３
色また４色のトナーによりカラー出力を行うカラープリ
ンタやカラー複写機で色成分ごとにγ補正曲線を生成す
れば、色成分ごとの濃度値をリニアにγ補正することが
できるが、無彩色を再現するには不十分である。本発明
の第１４実施例は、この点を改良するために、無彩色を
再現する時の明度Ｌ*と、そのときの色成分の各濃度値
との組み合わせからγ補正を行うようにしたものであ
る。

【００９０】図２８は第１４実施例を示す。この第１４
実施例は、Ｌ*信号生成回路６１と、無彩色濃度推定部
６２と、ＹＭＣの各γ特性推定部６３，６４，６５と、
γ補正曲線生成部６６とを有する。無彩色濃度推定部６
２は図２９に示すような無彩色再現時の明度と色成分ご
との濃度値との関係を保持しており、Ｌ*信号生成回路
６１から明度が入力されると、無彩色再現時の色成分ご
との濃度値を出力する。

【００９１】無彩色濃度推定部６２としては図２６に示
すようなＲＯＭによるＬＵＴが使用される。これらの各
ＲＯＭの同一アドレスには明度Ｌ*に対応した図２９に
示すような各色成分の濃度値が書き込まれている。Ｌ*
信号生成回路６１ではＬ*に対応した図２６に示すよう
なアドレスを生成する。γ特性推定部６３，６４，６５
は図１４に示すようなニューラル・ネットワークからな
るγ特性生成部が使用され、無彩色濃度推定部６２の出
力及びγ特性曲線選択値から各色濃度のプリンタ書き込
み値を出力する。γ補正曲線生成部６６はγ特性推定部
６３，６４，６５からの各色濃度のプリンタ書き込み値
から図３０に示すようにγ補正曲線を生成することによ
り、明度を線形にする。この第１４実施例では、無彩色
再現時の色成分ごとの濃度値と明度との関係と、色成分
ごとのγ特性からγ補正を行うので、最適なγ補正曲線
を生成できて画像処理装置の画質調整時間を短縮するこ
とができ、かつ、明度を線形にできる。

【００９２】次に、請求項１１記載の発明の実施例につ
いて説明する。

【００９３】上記第１４実施例では明度と各色濃度の関
係を図２９に示すようにテーブル化して保持しているた
めに全ての明度と各色濃度の関係を保持することになっ
て現実的でない。本発明の第１５実施例は、この点を改
良するために各テーブル間のデータをニューラル・ネッ
トワークで計算して補間するようにしたものである。図
３１は第１５実施例の構成を示す。この第１５実施例は
無彩色Ｌ*ａ*ｂ*信号生成回路７１と、無彩色濃度推定
部７２と、ＹＭＣの各γ特性推定部７３，７４，７５
と、γ補正曲線生成部７６とを有する。無彩色濃度推定
部７２は図３２に示すようなニューラル・ネットワーク
で構成される。このニューラル・ネットワークは、入力
層７２ａ、中間層７２ｂ及び出力層７２ｃを有し、Ｙ，
Ｍ，Ｃの濃度値がIDY，IDM，IDCのときの色がＬ*，ａ
*，ｂ*であるとき、無彩色Ｌ*ａ*ｂ*信号生成回路７１
からＬ*，ａ*，ｂ*が入力されてIDY，IDM，IDCを出力す
るように予め学習させたものである。このニューラル・
ネットワークの学習アルゴリズムとしては、入力パター
ンと出力パターンの写像を学習できる方式、例えば誤差
逆伝播法が使用できる。

【００９４】無彩色Ｌ*ａ*ｂ*信号生成回路７１におい
て、ａ*＝ｂ*＝０でＬ*を変化させれば、無彩色再現時
の各色濃度値がニューラル・ネットワークからなる無彩
色濃度推定部７２で算出される。γ特性推定部７３，７
４，７５は図１４に示すようなニューラル・ネットワー
クを用いたγ特性生成回路が使用され、無彩色濃度推定
部７２からの色成分ごとの濃度値IDY，IDM，IDC及びγ
特性曲線選択値から色成分ごとのプリンタ書き込み値を
出力する。γ補正曲線生成部７６はγ特性推定部７３，
７４，７５からの各色濃度のプリンタ書き込み値から図
２９に示すようにγ補正曲線を生成することにより、明
度を線形にする。

【００９５】この第１５実施例では、ニューラルネット
ワークからなる無彩色濃度推定部７２で無彩色出力時の
色成分ごとの濃度値と明度との関係、色成分ごとのγ特
性からγ補正曲線を生成するので、最適なγ補正曲線を
生成できて画像処理装置の画質調整時間を短縮すること
ができ、かつ、明度を線形にできる。

【００９６】次に、請求項１２記載の発明の実施例につ
いて説明する。上記第１１実施例では無彩色のパッチを
生成するためにカラーパッチ信号を出力するカラーパッ
チ生成回路４５、それを読み取る色分解部３１、無彩色
推定部４７が必要であり、パッチを生成して読み取る必
要があった。本発明の第１６実施例は、この点を改良す
るためには疑似的に色分解信号を生成して無彩色再現時
の各色成分の濃度値を組み合わせを推定し、γ補正曲線
を生成するようにしたものである。

【００９７】図３３は第１６実施例の構成を示す。この
第１６実施例は、無彩色ＲＧＢ信号生成回路８１と、無
彩色濃度推定部８２と、ＥＮＤ信号生成回路８３と、Ｙ
ＭＣの各γ特性推定部８４，８５，８６と、γ補正曲線
生成部８７とを有する。無彩色濃度推定部８２は次の式
で色分解信号Ｒ，Ｂ，ＧからＹ，Ｍ，Ｃの濃度値IDY，I
DM，IDCを推定する。

【００９８】

【数１】

【００９９】Ｒ,Ｇ,Ｂは各色成分の濃度値IDY，IDM，ID
Cを重ね合わせた時の色分解信号であり、ａijは最小二
乗法により決定される。無彩色ＲＧＢ信号生成回路８１
において、Ｒ＝Ｇ＝ＢでＲ，Ｇ，Ｂを生成すれば、この
Ｒ，Ｇ，Ｂから無彩色濃度推定部８２が無彩色再現時の
各色濃度を再現する。ＥＮＤ信号生成回路８３は無彩色
ＲＧＢ信号生成回路８１からのＲ，Ｇ，ＢによりＲ＝Ｇ
＝Ｂの時のＥＮＤ信号を生成する。

【０１００】γ特性推定部８４，８５，８６は図１４に
示すようなニューラル・ネットワークを用いたγ特性生
成回路が使用され、無彩色濃度推定部８２の出力及びγ
特性曲線選択値から色成分ごとのプリンタ書き込み値を
出力する。γ補正曲線生成部８７はγ特性推定部８４，
８５，８６からの各色濃度のプリンタ書き込み値とＥＮ
Ｄから図２２に示すようにγ補正曲線を生成することに
より、ＥＮＤを線形にする。この第１６実施例では、無
彩色出力時の色成分ごとの濃度値と色分解信号との関
係、色成分ごとのγ特性からγ補正曲線を生成するの
で、最適なγ補正曲線を生成できて画像処理装置の画質
調整時間を短縮することができ、かつ、明度を線形にで
きる。

【０１０１】次に、請求項１３記載の発明の実施例につ
いて説明する。上記第１６実施例ではＲＧＢ色分解信号
から各色の濃度値を最小二乗法により求めることができ
たが、近似誤差が大きくなる。本発明の第１７実施例
は、この点を改良するために各色ごとの濃度値をニュー
ラルネットワークで計算して補間するようにしたもので
ある。この第１７実施例では、上記第１６実施例におい
て、無彩色濃度推定部８２が図３４に示すようなニュー
ラルネットワークで構成される。このニューラルネット
ワークは、入力層８２ａ、中間層８２ｂ及び出力層８２
ｃを有し、無彩色ＲＧＢ信号生成回路８１からのＲ，
Ｇ，Ｂを入力としてIDY，IDM，IDCを出力するように予
め学習しておいたものである。このニューラル・ネット
ワークの学習アルゴリズムとしては、入力パターンと出
力パターンの写像を学習できる方式、例えば誤差逆伝播
法が使用される。

【０１０２】無彩色ＲＧＢ信号生成回路８１において、
Ｒ＝Ｇ＝ＢでＲＧＢ信号を生成すれば、無彩色濃度推定
部８２を構成するニューラルネットワークが無彩色ＲＧ
Ｂ信号生成回路８１からのＲ，Ｇ，Ｂから無彩色再現時
の各色濃度を算出する。この第１７実施例では、ニュー
ラルネットワークからなる無彩色濃度推定部で無彩色出
力時の色成分ごとの濃度値と色分解信号との関係、色成
分ごとのγ特性からγ補正曲線を生成するので、最適な
γ補正曲線を生成できて画像処理装置の画質調整時間を
短縮することができ、かつ、明度を線形にできる。

【０１０３】次に、請求項１４記載の発明の実施例につ
いて説明する。図４２は本発明の第１８実施例を示す。
この第１８実施例は、プリンタγ補正部１０１、ディザ
処理手段１０２及び多値出力装置１０３を有する画像処
理装置に設けられたもので、γ特性曲線生成手段１０４
及びγ補正曲線生成手段１０５により構成される。ディ
ザ処理手段１０２は入力信号ｂをＮ（Ｎ＞２）値に変換
する。このディザ処理手段１０２の変換方法は、多値デ
ィザ法による階調再現が可能であり、例えば組織的ディ
ザ法が使用される。多値出力装置１０３はＮ値レベルの
変調が可能なプリント装置であり、ディザ処理手段１０
４の出力信号ｃによりプリントを行う。

【０１０４】γ特性曲線生成手段１０４は多値出力装置
１０３の入力信号ｃと、多値出力装置１０３で出力され
たプリントサンプル１０６のベタ画像濃度値ｄからプリ
ンタγ特性（ディザ処理手段１０２の入力信号ｂとプリ
ントサンプル１０６の画像濃度値ｄとの関係）ｅを生成
する。このγ特性曲線生成手段１０４は図４３に示すよ
うなＲＯＭによるＬＵＴで構成され、このＬＵＴ１０４
は多値出力装置１０３の出力γ特性（多値出力装置１０
３の入力信号ｃとベタ画像濃度値ｄとの関係）が変化し
てもプリンタγ特性ｅを求めることができるように、予
め実験で多値出力装置１０３の出力γ特性とプリンタγ
特性ｅを求めておいてＬＵＴにしたものである。

【０１０５】γ補正曲線生成手段１０５はγ特性曲線生
成手段１０４により求めたプリンタγ特性ｅから最適な
γ補正曲線を生成し、例えば図６に示すようなγ補正曲
線を生成する。プリンタγ補正部１０１はγ補正曲線生
成手段１０５の出力信号ｆであるγ補正値により入力信
号ａのγ補正を行うことで入力信号ａと出力画像濃度値
ｄとの関係をリニアにする。この第１８実施例では、Ｌ
ＵＴからなるγ特性曲線生成手段１０４によりプリンタ
γ特性ｅを求めるので、γ補正曲線生成手段１０５で最
適なγ補正曲線を生成でき、画像処理装置の画質調整時
間を短縮することができる。

【０１０６】次に、請求項１５記載の発明の実施例につ
いて説明する。第１８実施例ではディザ処理手段１０２
を変更したときにはプリンタγ特性ｅが変化してしまう
ので、γ補正曲線生成手段１０５でγ補正曲線を生成で
きないという問題がある。本発明の第１９実施例は、こ
の問題を解決するためにディザ手段に応じてγ特性曲線
を生成するようにしたものである。

【０１０７】図４４は第１９実施例の構成を示す。原稿
読み取り装置１１１は原稿を読み取り、例えばＣＣＤ
（電荷結合素子）により原稿を余読み取って電気信号に
変換する。領域分離部１１２は読み取り装置１１１の出
力信号ａから原稿の領域が写真部であるか網点部である
かを判定する。この領域分離部１１２は例えば電子情報
通信学会誌ＩＥ９０−３２により知られている像行き分
離処理が使用される。ディザ処理手段１１３，１１４は
入力信号ｂをＮ（Ｎ＞２）に変換する。このディザ処理
手段１１３，１１４の変換方法は多値ディザ法による階
調再現が可能であり、例えばディザパターンは網点領域
にはドット集中型、写真領域にはドット分散型が使用さ
れる。

【０１０８】ディザ処理選択手段１１５は領域分離手段
１１２の出力信号に応じてディザ処理手段１１３，１１
４の出力信号のいずれか一方を選択する。多値出力装置
１１６はＮ値レベルの変調が可能なプリント装置であ
り、ディザ処理選択手段１１５の出力信号ｃによりプリ
ントを行う。γ特性曲線生成部１１７，１１８は多値出
力装置１１６の入力信号ｃと、多値出力装置１１６で出
力されたプリントサンプル１１９のベタ画像濃度値ｄか
らプリンタγ特性（ディザ処理手段１１３の入力信号ｂ
とプリントサンプル１１９の画像濃度値ｄとの関係ｅ
１、ディザ処理手段１１４の入力信号ｂとプリントサン
プル１１９の画像濃度値ｄとの関係ｅ２）を生成する。
このγ特性曲線生成手段１０４は第１８実施例と同様に
図４３に示すようなＲＯＭによるＬＵＴで構成され、こ
のＬＵＴ１１７，１１８は多値出力装置１１６の出力γ
特性（多値出力装置１１６の入力信号ｃとベタ画像濃度
値ｄとの関係）が変化してもプリンタγ特性ｅ１，ｅ２
を求めることができるように、予め実験で多値出力装置
１１６の出力γ特性とプリンタγ特性ｅ１，ｅ２を求め
ておいてＬＵＴにしたものである。

【０１０９】γ補正曲線生成選択手段１２０は領域分離
手段１１２の出力信号ｇに応じてγ特性曲線生成部１１
７，１１８の出力信号のいずれか一方を選択する。γ補
正曲線生成手段１２１はγ補正曲線生成選択手段１２０
により求めたプリンタγ特性から最適なγ補正曲線を生
成し、例えば図６に示すようなγ補正曲線を生成する。
プリンタγ補正部１２２はγ補正曲線生成手段１２１の
出力信号ｆであるγ補正値により入力信号ａのγ補正を
行うことで入力信号ａと出力画像濃度値ｄとの関係をリ
ニアにする。この第１９実施例では、ＬＵＴからなるγ
特性曲線生成部１１７，１１８によりプリンタγ特性ｅ
１，ｅ２を求めてγ補正曲線生成選択手段１２０により
領域分離手段１１２の出力信号ｇに応じて選択するの
で、γ補正曲線生成手段１２１で最適なγ補正曲線を生
成でき、画像処理装置の画質調整時間を短縮することが
できる。

【０１１０】次に、請求項１６記載の発明の実施例につ
いて説明する。上記第１８実施例ではディザ処理手段１
０２を変更したときにはプリンタγ特性ｅが変化してし
まうので、γ補正曲線生成手段１０５でγ補正曲線を生
成できないという問題がある。そこで、本発明の第２０
実施例は、この問題を解決するためにディザ手段に応じ
てγ特性曲線を生成するようにしたものである。

【０１１１】図４５は第２０実施例の構成を示す。この
第２０実施例では、上記第１９実施例において、γ特性
曲線生成手段１２３は多値出力装置１１６の入力信号ｃ
と、多値出力装置１１６で出力されたプリントサンプル
１１９のベタ画像濃度値ｄからプリンタγ特性１（ディ
ザ処理手段１１３の入力信号ｂとプリントサンプル１１
９の画像濃度値ｄとの関係）、プリンタγ特性２（ディ
ザ処理手段１１４の入力信号ｂとプリントサンプル１１
９の画像濃度値ｄとの関係）のいずれか一方を領域分離
手段１１２の出力信号ｇに応じて生成してγ補正曲線生
成手段１２１へ出力する。このγ特性曲線生成手段１２
３は、図４６に示すようなＲＯＭによるＬＵＴで構成さ
れ、このＬＵＴ１２３は多値出力装置１１６の出力γ特
性（多値出力装置１１６の入力信号ｃとベタ画像濃度値
ｄとの関係）やディザ処理手段が変化してもプリンタγ
特性１，２を求めることができるように、予め実験で多
値出力装置１１６の出力γ特性とプリンタγ特性１，２
を求めておいてＬＵＴにしたものである。

【０１１２】この第２０実施例では、ＬＵＴからなるγ
特性曲線生成部１２３によりプリンタγ特性１，２を領
域分離手段１１２の出力信号ｇに応じて生成するので、
γ補正曲線生成手段１２１で最適なγ補正曲線を生成で
き、画像処理装置の画質調整時間を短縮することができ
る。

【０１１３】次に、請求項１７記載の発明の実施例につ
いて説明する。上記第１８実施例及び第１９実施例では
ＬＵＴからなるγ特性曲線生成手段１０４、γ特性曲線
生成部１１７，１１８を用いたので、実験量が膨大にな
り、大容量のＲＯＭが必要になるという問題がある。本
発明の第２１実施例及び第２２実施例は、この問題を解
決するために関数近似によりγ特性曲線を生成するよう
にしたものである。この第２１実施例及び第２２実施例
では、上記第１８実施例、第１９実施例において、γ特
性曲線生成手段１０４、γ特性曲線生成部１１７，１１
８が次の式からγ特性曲線を生成するようにした構成さ
れる。

【０１１４】

【数２】

【０１１５】ここに、ｘはディザ処理手段１０２、１１
３，１１４の入力信号ｂ、ｙは多値出力装置１０３、１
１６の入力信号ｃ、ｚは多値出力装置１０３、１１６で
出力されたプリントサンプル１０６、１１９のベタ画像
濃度値ｄ、Ｐgはγ特性値(ディザ処理手段１０２、１１
３，１１４の入力信号ｂとプリントサンプル１０６、１
１９の画像濃度値ｄとの関係)である。Ａは最小二乗法
により決定することができる。この第２１実施例では上
記第１８実施例及び第１９実施例での実験量を削減でき
る。

【０１１６】第２１実施例では、上記第１８実施例にお
いて、γ特性曲線生成手段１０４が上記式からγ特性曲
線を生成する場合には、γ特性曲線生成手段１０４は、
ディザ処理手段１０２の入力信号ｂと、多値出力装置１
０３の入力信号ｃと、多値出力装置１０３で出力された
プリントサンプル１０６、１１９のベタ画像濃度値ｄと
が入力されてγ特性値を出力するように最小二乗法によ
りＡを決定するように構成される。

【０１１７】また、第２２実施例では、上記第１９実施
例において、γ特性曲線生成手段１１７，１１８が上記
式からγ特性曲線を生成する場合には、γ特性曲線生成
手段１１７は次の式からγ特性曲線を生成するようにし
た構成される。

【０１１８】

【数３】

【０１１９】ここに、ｘはディザ処理手段１１３の入力
信号ｂ、ｙは多値出力装置１１６の入力信号ｃ、ｚは多
値出力装置１１６で出力されたプリントサンプル１１９
のベタ画像濃度値ｄ、Ｐgはγ特性値(ディザ処理手段１
１３の入力信号ｂとプリントサンプル１１９の画像濃度
値ｄとの関係)である。Ａ１は最小二乗法により決定す
ることができる。

【０１２０】γ特性曲線生成手段１１８は次の式からγ
特性曲線を生成するようにした構成される。

【０１２１】

【数４】

【０１２２】ここに、ｘはディザ処理手段１１４の入力
信号ｂ、ｙは多値出力装置１１６の入力信号ｃ、ｚは多
値出力装置１１６で出力されたプリントサンプル１１９
のベタ画像濃度値ｄ、Ｐgはγ特性値(ディザ処理手段１
１４の入力信号ｂとプリントサンプル１１９の画像濃度
値ｄとの関係)である。Ａ２は最小二乗法により決定す
ることができる。この第２１実施例及び第２２実施例で
は、関数近似からなるγ特性曲線生成手段によりプリン
タγ特性を求めるので、γ補正曲線生成手段１２１で最
適なγ補正曲線を生成でき、画像処理装置の画質調整時
間を短縮することができるとともに実験量を削減でき
る。

【０１２３】次に、請求項１８記載の発明の実施例につ
いて説明する。上記第１８実施例及び第１９実施例では
ＬＵＴからなるγ特性曲線生成手段１０４、γ特性曲線
生成部１１７，１１８を用いたので、実験量が膨大にな
り、大容量のＲＯＭが必要になるという問題がある。本
発明の第２３実施例及び第２４実施例は、この問題を解
決するためにニューラルネットワークによりγ特性曲線
を生成するようにしたものである。

【０１２４】この第２３実施例では、上記第１８実施例
において、γ特性曲線生成手段１０４が図４７に示すよ
うに入力層１０４ａ、中間層１０４ｂ及び出力層１０４
ｃを有するニューラルネットワークにより構成され、こ
のニューラルネットワークはディザ処理手段１０２の入
力信号ｂと、多値出力装置１０３の入力信号ｃと、多値
出力装置１０３で出力されたプリントサンプル１０６の
ベタ画像濃度値ｄとが入力層１０４ａ入力されてγ特性
値（ディザ処理手段１０２の入力信号ｂとプリントサン
プル１０６の画像濃度値ｄとの関係）を出力層１０４ｃ
から出力するように学習したものである。このニューラ
ルネットワークの学習アルゴリズムとしては入力パター
ンと出力パターンの写像を学習する方式、例えば誤差逆
搬送法が使用される。

【０１２５】また、第２４実施例では、上記第１９実施
例において、γ特性曲線生成手段１１７，１１８がニュ
ーラルネットワークにより構成される。γ特性曲線生成
手段１１７を構成するニューラルネットワークはディザ
処理手段１１３の入力信号ｂと、多値出力装置１１６の
入力信号ｃと、多値出力装置１１６で出力されたプリン
トサンプル１１９のベタ画像濃度値ｄとが入力されてγ
特性値（ディザ処理手段１１３の入力信号ｂとプリント
サンプル１１９の画像濃度値ｄとの関係）を出力するよ
うに学習したものである。

【０１２６】また、γ特性曲線生成手段１１８を構成す
るニューラルネットワークはディザ処理手段１１４の入
力信号ｂと、多値出力装置１１６の入力信号ｃと、多値
出力装置１１６で出力されたプリントサンプル１１９の
ベタ画像濃度値ｄとが入力されてγ特性値（ディザ処理
手段１１４の入力信号ｂとプリントサンプル１１９の画
像濃度値ｄとの関係）を出力するように学習したもので
ある。これらのニューラルネットワークの学習アルゴリ
ズムとしては入力パターンと出力パターンの写像を学習
する方式、例えば誤差逆搬送法が使用される。

【０１２７】図４８は本発明の第２５実施例におけるγ
特性曲線生成手段を構成するニューラルネットワークを
示す。この第２５実施例では、上記第２０実施例におい
て、γ特性曲線生成手段１２３が図４８に示すようなニ
ューラルネットワークにより構成される。このニューラ
ルネットワークは、入力層１２３ａ，中間層１２３ｂお
よび出力層１２３ｃを有していてディザ処理手段１１
３，１１４の入力信号ｂと、多値出力装置１１６の入力
信号ｃと、多値出力装置１１６で出力されたプリントサ
ンプル１１９のベタ画像濃度値ｄと、領域分離手段１１
２からの入力信号（ディザ選択信号）ｇが入力され、デ
ィザ選択信号ｇによりディザ処理手段１１３が選択され
たときにはγ特性値１（ディザ処理手段１１３の入力信
号ｂとプリントサンプル１１９の画像濃度値ｄとの関
係）を出力し、ディザ選択信号ｇによりディザ処理手段
１１４が選択されたときにはγ特性値２（ディザ処理手
段１１４の入力信号ｂとプリントサンプル１１９の画像
濃度値ｄとの関係）を出力するように学習したものであ
る。これらのニューラルネットワークの学習アルゴリズ
ムとしては入力パターンと出力パターンの写像を学習す
る方式、例えば誤差逆搬送法が使用される。

【０１２８】上記第２３実施例乃至第２５実施例では、
ニューラルネットワークからなるγ特性曲線生成手段に
よりプリンタγ特性を求めるので、γ補正曲線生成手段
１２１で最適なγ補正曲線を生成でき、画像処理装置の
画質調整時間を短縮することができるとともに実験量を
削減できる。

【０１２９】

【発明の効果】以上のように、請求項１記載の発明によ
れば、処理対象原画の画像の画素ごとの濃度値と，画像
を入力する所定の装置における画像処理手段の出力値と
のγ特性、または画像を出力する所定の装置における画
像処理手段の書き込み値と出力画像濃度とのγ特性を補
正するための画像処理装置において、入力されたγ特性
からγ補正曲線を生成するγ補正曲線生成手段と、この
γ補正曲線生成手段からのγ補正曲線により複数のγ補
正曲線から最適なγ補正曲線を選択するγ補正曲線選択
手段とを有するので、最適なγ補正曲線を生成できて画
像処理装置の画質調整時間を短縮することができる。

【０１３０】請求項２記載の発明によれば、処理対象原
画の画像の画素ごとの濃度値と，画像を入力する所定の
装置における画像処理手段の出力値とのγ特性、または
画像を出力する所定の装置における画像処理手段の書き
込み値と出力画像濃度とのγ特性を補正するための画像
処理装置において、入力されたγ特性からγ補正曲線を
生成するγ補正曲線生成手段と、このγ補正曲線生成手
段からのγ補正曲線が入力されてγ補正曲線の選択値を
出力するように予め学習されたニューラルネットワーク
を有しこのニューラルネットワークにより複数のγ補正
曲線から最適なγ補正曲線を選択するγ補正曲線選択手
段とを備えたので、最適なγ補正曲線を生成できて画像
処理装置の画質調整時間を短縮することができる。

【０１３１】請求項３記載の発明によれば、処理対象原
画の画像の画素ごとの濃度値と，画像を入力する所定の
装置における画像処理手段の出力値とのγ特性、または
画像を出力する所定の装置における画像処理手段の書き
込み値と出力画像濃度とのγ特性を補正するための画像
処理装置において、γ特性曲線を生成するγ特性曲線生
成手段と、このγ特性曲線生成手段の出力から最適なγ
補正曲線を生成するγ補正曲線生成手段とを有するの
で、最適なγ補正曲線を生成できて画像処理装置の画質
調整時間を短縮することができ、かつ、濃度を線形にで
きる。

【０１３２】請求項４記載の発明によれば、処理対象原
画の画像の画素ごとの濃度値と，画像を入力する所定の
装置における画像処理手段の出力値とのγ特性、または
画像を出力する所定の装置における画像処理手段の書き
込み値と出力画像濃度とのγ特性を補正するための画像
処理装置において、γ特性曲線を予め学習したニューラ
ルネットワークからなるγ特性曲線生成手段と、このγ
特性曲線生成手段の出力から最適なγ補正曲線を生成す
るγ補正曲線生成手段とを有するので、最適なγ補正曲
線を生成できて画像処理装置の画質調整時間を短縮する
ことができ、かつ、濃度を線形にできる。

【０１３３】請求項５記載の発明によれば、画像処理系
の一部として入力画像濃度とスキャナ出力値の関係を補
正するスキャナγ補正手段を有する画像処理装置におい
て、スキャナγ特性測定時に温度を検知する温度センサ
と、この温度センサの出力信号に応じてスキャナγ特性
値を出力するスキャナγ特性曲線生成手段と、このスキ
ャナγ特性曲線生成手段の出力から最適なγ補正曲線を
生成するγ補正曲線生成手段とを有するので、最適なγ
補正曲線を生成できて画像処理装置の画質調整時間を短
縮することができ、かつ、濃度を線形にできる。

【０１３４】請求項６記載の発明によれば、請求項５記
載のγ補正曲線生成装置において、前記スキャナγ特性
曲線生成手段が、前記温度センサの出力信号とスキャナ
γ特性の関係を予め学習させたニューラルネットワーク
からなるので、最適なγ補正曲線を生成できて画像処理
装置の画質調整時間を短縮することができ、かつ、濃度
を線形にできる。

【０１３５】請求項７記載の発明によれば、原稿を色分
解して読み取る色分解手段と、カラー原稿を作成するた
めのカラープリント手段と、このカラープリント手段の
γ補正を行なうγ補正手段とを有するカラー画像処理装
置であって、前記カラープリント手段から任意の色のカ
ラー原稿を生成させるカラーパッチ生成手段と、前記色
分解手段から色分解信号が入力され前記カラープリント
手段から出力されたカラー原稿に対する各色成分ごとの
濃度値を出力するように予め学習されたニューラルネッ
トワークからなる色濃度推定手段と、前記色分解手段か
らの色分解信号から前記カラー原稿が無彩色であるか否
かを推定する無彩色推定手段と、前記色分解手段からの
色分解信号からカラー原稿に対する各色成分ごとの濃度
値を推定する色濃度推定手段と、この色濃度推定手段及
び前記無彩色推定手段の出力によりγ補正曲線を生成す
るγ補正曲線生成手段とを有するので、最適なγ補正曲
線を生成できて画像処理装置の画質調整時間を短縮する
ことができ、かつ、濃度を線形にできる。

【０１３６】請求項８記載の発明によれば、カラー画像
を所定の色分解装置を用いて画素ごとに色分解した色成
分ごとの濃度値を所定のカラー画像処理装置における色
成分ごとの画像処理手段への値に変換するための色成分
ごとのγ補正曲線を生成するγ補正曲線生成装置であっ
て、前記所定のカラー画像処理装置が無彩色を出力する
時の色成分ごとの濃度値を推定する無彩色濃度推定手段
と、前記所定のカラー画像処理装置における色成分ごと
の画像処理手段のγ特性値を推定するγ特性推定手段
と、このγ特性推定手段からのγ特性値及び前記無彩色
推定手段の色成分ごとの濃度値からγ補正曲線を生成す
るγ補正曲線生成手段とを有するので、最適なγ補正曲
線を生成できて画像処理装置の画質調整時間を短縮する
ことができ、かつ、濃度を線形にできる。

【０１３７】請求項９記載の発明によれば、請求項８記
載のγ補正曲線生成装置において、前記無彩色濃度推定
手段が、前記所定のカラー画像処理装置が無彩色を出力
する時の各色成分ごとの濃度値を推定するように予め学
習されたニューラルネットワークからなるので、最適な
γ補正曲線を生成できて画像処理装置の画質調整時間を
短縮することができ、かつ、濃度を線形にできる。

【０１３８】請求項１０記載の発明によれば、カラー画
像を所定の色分解装置を用いて画素ごとに色分解した色
成分ごとの濃度値を所定のカラー画像処理装置における
色成分ごとの画像処理手段への値に変換するための色成
分ごとのγ補正曲線を生成するγ補正曲線生成装置であ
って、前記所定のカラー画像処理装置が無彩色を出力す
る時の色成分ごとの濃度値を無彩色の明度から推定する
無彩色濃度推定手段と、前記所定のカラー画像処理装置
における色成分ごとの画像処理手段のγ特性を推定する
γ特性推定手段と、このγ特性推定手段からのγ特性よ
り前記無彩色推定手段の明度が線形になるように色成分
ごとにγ補正曲線を生成するγ補正曲線生成手段を有す
るので、最適なγ補正曲線を生成できて画像処理装置の
画質調整時間を短縮することができ、かつ、明度を線形
にできる。

【０１３９】請求項１１記載の発明によれば、請求項１
０記載のγ補正曲線生成装置において、前記無彩色濃度
推定手段が、前記所定のカラー画像処理装置が無彩色を
出力する時の明度が入力され無彩色出力時の色成分ごと
の濃度値を出力するように予め学習したニューラルネッ
トワークからなるので、最適なγ補正曲線を生成できて
画像処理装置の画質調整時間を短縮することができ、か
つ、明度を線形にできる。

【０１４０】請求項１２記載の発明によれば、原稿を色
分解して読み取る色分解手段と、カラー原稿を作成する
ためのカラープリント手段と、このカラープリント手段
のγ補正を行なうγ補正手段とを有するカラー画像処理
装置であって、このカラー画像処理装置が無彩色を出力
する時の各色成分ごとの濃度値を前記色分解手段からの
色分解信号より推定する無彩色濃度推定手段と、前記カ
ラー画像処理装置における色成分ごとの画像処理手段の
γ特性を推定するγ特性推定手段と、このγ特性推定手
段からのγ特性より前記無彩色濃度推定手段の無彩色濃
度推定値が線形になるように色成分ごとにγ補正曲線を
生成するγ補正曲線生成手段とを有するので、最適なγ
補正曲線を生成できて画像処理装置の画質調整時間を短
縮することができ、かつ、明度を線形にできる。

【０１４１】請求項１３記載の発明によれば、請求項１
２記載のγ補正曲線生成装置において、前記無彩色濃度
推定手段が、前記所定のカラー画像処理装置が無彩色を
出力する時の各色成分ごとの濃度値を前記色分解手段か
らの色分解信号から推定するニューラルネットワークか
らなるので、最適なγ補正曲線を生成できて画像処理装
置の画質調整時間を短縮することができ、かつ、明度を
線形にできる。

【０１４２】請求項１４記載の発明によれば、ディザ処
理手段と、このディザ処理手段の出力信号が入力され少
なくとも２値以上の出力が可能な多値出力装置とを有す
る装置における画像処理手段の前記ディザ処理手段に入
力する書き込み値と前記多値出力装置の出力画像との第
１γ特性を補正する画像処理装置において、前記多値出
力装置の入力信号と出力画像との第２γ特性から前記第
１γ特性を生成するγ特性曲線生成手段と、このγ特性
曲線生成手段の出力から最適なγ補正曲線を生成するγ
補正曲線生成部とを有するので、最適なγ補正曲線を生
成できて画像処理装置の画質調整時間を短縮することが
できる。

【０１４３】請求項１５記載の発明によれば、少なくと
も２種類以上のディザ処理手段と、この２種類以上のデ
ィザ処理手段を切り替えるディザ処理選択手段と、この
ディザ処理選択手段の出力信号が入力される２値以上の
出力が可能な多値出力装置とを有する装置における画像
処理部の前記ディザ処理手段に入力する書き込み値と前
記多値出力装置の出力画像との第１γ特性を補正する画
像処理装置において、前記多値出力装置の入力信号と出
力画像との第２γ特性から前記第１γ特性を２種類以上
生成するγ特性曲線生成手段と、前記ディザ処理選択手
段の選択信号に応じて前記γ特性曲線生成手段からの２
種類以上の第１γ特性を選択するγ特性選択手段と、こ
のγ特性選択手段からのγ特性よりγ補正曲線を生成す
るγ補正曲線生成手段とを備えたので、最適なγ補正曲
線を生成できて画像処理装置の画質調整時間を短縮する
ことができる。

【０１４４】請求項１６記載の発明によれば、少なくと
も２種類以上のディザ処理手段と、この２種類以上のデ
ィザ処理手段を切り替えるディザ処理選択手段と、この
ディザ処理選択手段の出力信号が入力される２値以上の
出力が可能な多値出力装置とを有する装置における画像
処理部の前記ディザ処理手段に入力する書き込み値と前
記多値出力装置の出力画像との第１γ特性を補正する画
像処理装置において、前記ディザ処理選択手段の選択信
号に応じて前記多値出力装置の入力信号と出力画像との
第２γ特性から前記第１γ特性を生成するγ特性生成曲
線生成手段と、このγ特性生成曲線生成手段からのγ特
性よりγ補正曲線を生成するγ補正曲線生成手段とを備
えたので、最適なγ補正曲線を生成できて画像処理装置
の画質調整時間を短縮することができる。

【０１４５】請求項１７記載の発明によれば、請求項１
４または１５記載のγ補正曲線生成装置において、前記
γ特性曲線生成手段が、関数近似法によりγ特性曲線を
近似する手段からなるので、最適なγ補正曲線を生成で
きて画像処理装置の画質調整時間を短縮することができ
る。

【０１４６】請求項１８記載の発明によれば、請求項１
４または１５記載のγ補正曲線生成装置において、前記
γ特性曲線生成手段が、予めγ特性曲線を学習したニュ
ーラルネットワークからなるので、最適なγ補正曲線を
生成できて画像処理装置の画質調整時間を短縮すること
ができる。

【図面の簡単な説明】

【図１】本発明の第１実施例を示すブロック図である。

【図２】同第１実施例で用いたＬＵＴを示すブロック図
である。

【図３】スキャナγ特性とγ補正曲線との関係の例を示
す特性曲線図である。

【図４】スキャナγ特性とγ補正曲線の関係の他の例を
示す図である。

【図５】本発明の第２実施例を示すブロック図である。

【図６】単色のプリンタγ特性とγ補正曲線の関係を示
す図である。

【図７】上記第２実施例におけるγ補正曲線選択部の構
成を示すブロック図である。

【図８】本発明の第３実施例におけるγ補正曲線選択用
ニューラル・ネットワークの構成を示す図である。

【図９】γ補正曲線の例を示す図である。

【図１０】本発明の第４実施例を示すブロック図であ
る。

【図１１】本発明の第５実施例を示すブロック図であ
る。

【図１２】同第５実施例におけるγ特性生成部の構成を
示すブロック図である。

【図１３】本発明の第６実施例におけるγ補正曲線生成
用ニューラル・ネットワークの構成を示す図である。

【図１４】本発明の第７実施例におけるγ補正曲線選択
用ニューラル・ネットワークの構成を示す図である。

【図１５】本発明の第８実施例におけるγ補正曲線選択
用ニューラル・ネットワークの構成を示す図である。

【図１６】本発明の第９実施例を示すブロック図であ
る。

【図１７】同第９実施例によるγ特性生成部の構成を示
すブロック図である。

【図１８】同第９実施例におけるγ特性選択値回路の変
換テーブルを示す図である。

【図１９】本発明の第１０実施例におけるγ特性生成用
ニューラル・ネットワークの構成を示す図である。

【図２０】本発明の第１１実施例によるγ補正曲線生成
部の構成を示すブロック図である。

【図２１】同第１１実施例のカラーパッチの構成を示す
図である。

【図２２】プリンタγ特性とγ補正曲線の関係を示す特
性曲線図である。

【図２３】同第１１実施例における各色成分の濃度推定
用ニューラル・ネットワークの構成を示す図である。

【図２４】本発明の第１２実施例によるγ補正曲線生成
部の構成を示すブロック図である。

【図２５】同第１２実施例における無彩色濃度推定部の
ＥＮＤとＹＭＣ濃度との関係を示す図である。

【図２６】同無彩色濃度推定部の構成を示すブロック図
である。

【図２７】本発明の第１３実施例における無彩色濃度推
定用ニューラル・ネットワークの構成を示す図である。

【図２８】本発明の第１４実施例におけるγ補正曲線生
成部の構成を示すブロック図である。

【図２９】同第１４実施例における無彩色濃度推定部の
Ｌ*とＹ,Ｍ,Ｃ濃度の関係を示す図である。

【図３０】プリンタγ特性とγ補正曲線の関係を示す図
である。

【図３１】本発明の第１５実施例におけるγ補正曲線生
成部の構成を示すブロック図である。

【図３２】同第１５実施例におけるニューラル・ネット
ワークによる無彩色濃度推定部の構成を示す図である。

【図３３】本発明の第１６実施例におけるγ補正曲線生
成部の構成を示すブロック図である。

【図３４】本発明の第１７実施例におけるニューラル・
ネットワークによる無彩色濃度推定部の構成を示す図で
ある。

【図３５】理想的色分解フィルタの透過率特性を示す特
性図である。

【図３６】現実の色分解フィルタの透過率特性を示す特
性図である。

【図３７】理想的なトナーの分光反射率特性を示す特性
図である。

【図３８】現実のカラートナーの分光反射率特性を示す
特性図である。

【図３９】トナーの混色モデルを示す図である。

【図４０】デジタルモノクロ複写機の処理フローを示す
フローチャートである。

【図４１】デジタルカラー複写機の処理フローを示すフ
ローチャートである。

【図４２】本発明の第１８実施例を示すブロック図であ
る。

【図４３】同第１８実施例におけるＬＵＴを示すブロッ
ク図である。

【図４４】本発明の第１９実施例を示すブロック図であ
る。

【図４５】本発明の第２０実施例を示すブロック図であ
る。

【図４６】同第２０実施例におけるＬＵＴを示すブロッ
ク図である。

【図４７】本発明の第２３実施例におけるγ特性曲線生
成用ニューラルネットワークを示す図である。

【図４８】本発明の第２５実施例におけるγ特性曲線生
成用ニューラルネットワークを示す図である。

【符号の説明】

１ スキャナ用γ補正曲線生成部 ２，４ γ補正曲線選択部 ３ プリンタ用γ補正曲線生成部 １１，１４ γ特性生成部 １２，２３ スキャナ用γ補正曲線生成部 １５ プリンタ用γ補正曲線生成部 ２１ 温度センサ ２２ γ特性生成部 ４５ カラーパッチ生成回路 ４６ 色濃度推定部 ４７ 無彩色推定部 ４８ γ補正曲線生成部 ５１，８３ ＥＮＤ信号生成回路 ５２，６２，７２，８２ 無彩色濃度推定部 ５３〜５５，６３〜６５，７３〜７５，８４〜８６
γ特性推定部 ５６，６６，７６，８７ γ補正曲線生成部 ６１ Ｌ*信号生成回路 ７１ 無彩色Ｌ*ａ*ｂ*信号生成回路 ８１ 無彩色ＲＧＢ信号生成回路 １０４，１２３ γ特性曲線生成手段 １０５，１２１ γ補正曲線生成手段 １１２ 領域分離部 １１３，１１４ ディザ処理手段 １１５ ディザ処理選択手段 １１７，１１８ γ特性曲線生成部 １２０ γ補正曲線生成選択手段

Claims (18)

【特許請求の範囲】
1. 【請求項１】処理対象原画の画像の画素ごとの濃度値
   と，画像を入力する所定の装置における画像処理手段の
   出力値とのγ特性、または画像を出力する所定の装置に
   おける画像処理手段の書き込み値と出力画像濃度とのγ
   特性を補正するための画像処理装置において、入力され
   たγ特性からγ補正曲線を生成するγ補正曲線生成手段
   と、このγ補正曲線生成手段からのγ補正曲線により複
   数のγ補正曲線から最適なγ補正曲線を選択するγ補正
   曲線選択手段とを有することを特徴とするγ補正曲線選
   択装置。
2. 【請求項２】処理対象原画の画像の画素ごとの濃度値
   と，画像を入力する所定の装置における画像処理手段の
   出力値とのγ特性、または画像を出力する所定の装置に
   おける画像処理手段の書き込み値と出力画像濃度とのγ
   特性を補正するための画像処理装置において、入力され
   たγ特性からγ補正曲線を生成するγ補正曲線生成手段
   と、このγ補正曲線生成手段からのγ補正曲線が入力さ
   れてγ補正曲線の選択値を出力するように予め学習され
   たニューラルネットワークを有しこのニューラルネット
   ワークにより複数のγ補正曲線から最適なγ補正曲線を
   選択するγ補正曲線選択手段とを備えたことを特徴とす
   るγ補正曲線選択装置。
3. 【請求項３】処理対象原画の画像の画素ごとの濃度値
   と，画像を入力する所定の装置における画像処理手段の
   出力値とのγ特性、または画像を出力する所定の装置に
   おける画像処理手段の書き込み値と出力画像濃度とのγ
   特性を補正するための画像処理装置において、γ特性曲
   線を生成するγ特性曲線生成手段と、このγ特性曲線生
   成手段の出力から最適なγ補正曲線を生成するγ補正曲
   線生成手段とを有することを特徴とするγ補正曲線生成
   装置。
4. 【請求項４】処理対象原画の画像の画素ごとの濃度値
   と，画像を入力する所定の装置における画像処理手段の
   出力値とのγ特性、または画像を出力する所定の装置に
   おける画像処理手段の書き込み値と出力画像濃度とのγ
   特性を補正するための画像処理装置において、γ特性曲
   線を予め学習したニューラルネットワークからなるγ特
   性曲線生成手段と、このγ特性曲線生成手段の出力から
   最適なγ補正曲線を生成するγ補正曲線生成手段とを有
   することを特徴とするγ補正曲線生成装置。
5. 【請求項５】画像処理系の一部として入力画像濃度とス
   キャナ出力値の関係を補正するスキャナγ補正手段を有
   する画像処理装置において、スキャナγ特性測定時に温
   度を検知する温度センサと、この温度センサの出力信号
   に応じてスキャナγ特性値を出力するスキャナγ特性曲
   線生成手段と、このスキャナγ特性曲線生成手段の出力
   から最適なγ補正曲線を生成するγ補正曲線生成手段と
   を有することを特徴とするγ補正曲線生成装置。
6. 【請求項６】請求項５記載のγ補正曲線生成装置におい
   て、前記スキャナγ特性曲線生成手段が、前記温度セン
   サの出力信号とスキャナγ特性の関係を予め学習させた
   ニューラルネットワークからなることを特徴とするγ補
   正曲線生成装置。
7. 【請求項７】原稿を色分解して読み取る色分解手段と、
   カラー原稿を作成するためのカラープリント手段と、こ
   のカラープリント手段のγ補正を行なうγ補正手段とを
   有するカラー画像処理装置であって、前記カラープリン
   ト手段から任意の色のカラー原稿を生成させるカラーパ
   ッチ生成手段と、前記色分解手段から色分解信号が入力
   され前記カラープリント手段から出力されたカラー原稿
   に対する各色成分ごとの濃度値を出力するように予め学
   習されたニューラルネットワークからなる色濃度推定手
   段と、前記色分解手段からの色分解信号から前記カラー
   原稿が無彩色であるか否かを推定する無彩色推定手段
   と、前記色分解手段からの色分解信号からカラー原稿に
   対する各色成分ごとの濃度値を推定する色濃度推定手段
   と、この色濃度推定手段及び前記無彩色推定手段の出力
   によりγ補正曲線を生成するγ補正曲線生成手段とを有
   することを特徴とするγ補正曲線生成装置。
8. 【請求項８】カラー画像を所定の色分解装置を用いて画
   素ごとに色分解した色成分ごとの濃度値を所定のカラー
   画像処理装置における色成分ごとの画像処理手段への値
   に変換するための色成分ごとのγ補正曲線を生成するγ
   補正曲線生成装置であって、前記所定のカラー画像処理
   装置が無彩色を出力する時の色成分ごとの濃度値を推定
   する無彩色濃度推定手段と、前記所定のカラー画像処理
   装置における色成分ごとの画像処理手段のγ特性値を推
   定するγ特性推定手段と、このγ特性推定手段からのγ
   特性値及び前記無彩色推定手段の色成分ごとの濃度値か
   らγ補正曲線を生成するγ補正曲線生成手段とを有する
   ことを特徴とするγ補正曲線生成装置。
9. 【請求項９】請求項８記載のγ補正曲線生成装置におい
   て、前記無彩色濃度推定手段が、前記所定のカラー画像
   処理装置が無彩色を出力する時の各色成分ごとの濃度値
   を推定するように予め学習されたニューラルネットワー
   クからなることを特徴とするγ補正曲線生成装置。
10. 【請求項１０】カラー画像を所定の色分解装置を用いて
    画素ごとに色分解した色成分ごとの濃度値を所定のカラ
    ー画像処理装置における色成分ごとの画像処理手段への
    値に変換するための色成分ごとのγ補正曲線を生成する
    γ補正曲線生成装置であって、前記所定のカラー画像処
    理装置が無彩色を出力する時の色成分ごとの濃度値を無
    彩色の明度から推定する無彩色濃度推定手段と、前記所
    定のカラー画像処理装置における色成分ごとの画像処理
    手段のγ特性を推定するγ特性推定手段と、このγ特性
    推定手段からのγ特性より前記無彩色推定手段の明度が
    線形になるように色成分ごとにγ補正曲線を生成するγ
    補正曲線生成手段を有することを特徴とするγ補正曲線
    生成装置。
11. 【請求項１１】請求項１０記載のγ補正曲線生成装置に
    おいて、前記無彩色濃度推定手段が、前記所定のカラー
    画像処理装置が無彩色を出力する時の明度が入力され無
    彩色出力時の色成分ごとの濃度値を出力するように予め
    学習したニューラルネットワークからなることをことを
    特徴とするγ補正曲線生成装置。
12. 【請求項１２】原稿を色分解して読み取る色分解手段
    と、カラー原稿を作成するためのカラープリント手段
    と、このカラープリント手段のγ補正を行なうγ補正手
    段とを有するカラー画像処理装置であって、このカラー
    画像処理装置が無彩色を出力する時の各色成分ごとの濃
    度値を前記色分解手段からの色分解信号より推定する無
    彩色濃度推定手段と、前記カラー画像処理装置における
    色成分ごとの画像処理手段のγ特性を推定するγ特性推
    定手段と、このγ特性推定手段からのγ特性より前記無
    彩色濃度推定手段の無彩色濃度推定値が線形になるよう
    に色成分ごとにγ補正曲線を生成するγ補正曲線生成手
    段とを有することを特徴とするγ補正曲線生成装置。
13. 【請求項１３】請求項１２記載のγ補正曲線生成装置に
    おいて、前記無彩色濃度推定手段が、前記所定のカラー
    画像処理装置が無彩色を出力する時の各色成分ごとの濃
    度値を前記色分解手段からの色分解信号から推定するニ
    ューラルネットワークからなることを特徴とするγ補正
    曲線生成装置。
14. 【請求項１４】ディザ処理手段と、このディザ処理手段
    の出力信号が入力され少なくとも２値以上の出力が可能
    な多値出力装置とを有する装置における画像処理手段の
    前記ディザ処理手段に入力する書き込み値と前記多値出
    力装置の出力画像との第１γ特性を補正する画像処理装
    置において、前記多値出力装置の入力信号と出力画像と
    の第２γ特性から前記第１γ特性を生成するγ特性曲線
    生成手段と、このγ特性曲線生成手段の出力から最適な
    γ補正曲線を生成するγ補正曲線生成部とを有すること
    を特徴とするγ補正曲線生成装置。
15. 【請求項１５】少なくとも２種類以上のディザ処理手段
    と、この２種類以上のディザ処理手段を切り替えるディ
    ザ処理選択手段と、このディザ処理選択手段の出力信号
    が入力される２値以上の出力が可能な多値出力装置とを
    有する装置における画像処理部の前記ディザ処理手段に
    入力する書き込み値と前記多値出力装置の出力画像との
    第１γ特性を補正する画像処理装置において、前記多値
    出力装置の入力信号と出力画像との第２γ特性から前記
    第１γ特性を２種類以上生成するγ特性曲線生成手段
    と、前記ディザ処理選択手段の選択信号に応じて前記γ
    特性曲線生成手段からの２種類以上の第１γ特性を選択
    するγ特性選択手段と、このγ特性選択手段からのγ特
    性よりγ補正曲線を生成するγ補正曲線生成手段とを備
    えたことを特徴とするγ補正曲線生成装置。
16. 【請求項１６】少なくとも２種類以上のディザ処理手段
    と、この２種類以上のディザ処理手段を切り替えるディ
    ザ処理選択手段と、このディザ処理選択手段の出力信号
    が入力される２値以上の出力が可能な多値出力装置とを
    有する装置における画像処理部の前記ディザ処理手段に
    入力する書き込み値と前記多値出力装置の出力画像との
    第１γ特性を補正する画像処理装置において、前記ディ
    ザ処理選択手段の選択信号に応じて前記多値出力装置の
    入力信号と出力画像との第２γ特性から前記第１γ特性
    を生成するγ特性生成曲線生成手段と、このγ特性生成
    曲線生成手段からのγ特性よりγ補正曲線を生成するγ
    補正曲線生成手段とを備えたことを特徴とするγ補正曲
    線生成装置。
17. 【請求項１７】請求項１４または１５記載のγ補正曲線
    生成装置において、前記γ特性曲線生成手段が、関数近
    似法によりγ特性曲線を近似する手段からなることを特
    徴とするγ補正曲線生成装置。
18. 【請求項１８】請求項１４または１５記載のγ補正曲線
    生成装置において、前記γ特性曲線生成手段が、予めγ
    特性曲線を学習したニューラルネットワークからなるこ
    とを特徴とするγ補正曲線生成装置。