JP4633979B2

JP4633979B2 - 画像の測色を決定する方法および色画像プロセッサ

Info

Publication number: JP4633979B2
Application number: JP2001269603A
Authority: JP
Inventors: バララジャ
Original assignee: Xerox Corp
Current assignee: Xerox Corp
Priority date: 2000-09-07
Filing date: 2001-09-06
Publication date: 2011-02-16
Anticipated expiration: 2021-09-06
Also published as: EP1187067A3; EP1187067A2; US6819792B1; JP2002183730A

Description

【０００１】
【発明の属する技術分野】
本発明は、画像をレンダリングする技術に関する。本発明は、画像の測色あるいは制作装置が未知であるような場合に適用される。
【０００２】
【従来の技術および発明が解決しようとする課題】
最近の電子画像ファイルは、識別情報を含んでいる。識別情報は、通常、画像ファイルのヘッダー部分と呼ばれる場所に記憶されている。ヘッダーは、画像が作り出された手段を識別することができる。例えば、ヘッダーは、製造者およびモデル番号から制作装置をリストにすることも制作中に使われた構成設定を記述することもできる。さらに、ヘッダーは、制作装置が機能する色空間あるいは色範囲を記述することができる。ヘッダー情報は、ファイル内の画像データを適切に解釈し、適切なレンダリングを自動的に確保するために画像処理機器によって使うことができる。ヘッダー情報は、第１の画像処理システムあるいは装置で適切にレンダリングするために作成されあるいは調節される画像が第２の画像処理システムあるいは装置上にレンダリングされるとき、非常に重要なものとなる。ヘッダー情報は、第２の画像処理システムが第１の画像処理システムあるいは制作装置を知らないか制作装置から接続を解除されているようなときに、非常に重要なものである。例えば、画像がインターネットのようなコンピュータネットワークあるいは電子掲示板に匿名で掲示されたり、検索されたりしたとき、ヘッダー情報は、特に、重要なものとなる。最近の画像処理機器は、第１の色空間あるいは色範囲において第１の装置上でレンダリングを行うために作り出される画像を正確にかつ自動的に変換するためにこのヘッダー情報に依存しており、従って、画像は、第２の色空間内で適切にレンダリングできることになる。例えば、制作装置あるいは測色ヘッダー情報は、画像を例えばＣＩＥＬＡＢ色空間のような独立した色空間に適切に変換するために必要とされる。
【０００３】
不運なことに、すべての画像ファイルが、識別ヘッダー部分を含んでいるわけではない。完全な、あるいは、正しい識別情報を提供しない制作装置によって作り出されたこれらの画像ファイルは、本明細書においてはレガシー画像と呼ばれる。これらのレガシー画像が処理されているとき、画像処理機器は、画像を適切に識別してレンダリングするためにオペレータ介入を要請しなければならない。しばしば、オペレータは、データのための可能なソースのリストに掲載されている。例えば、Ｃ、Ｍ、Ｙ、Ｋが色の分離（シアン、マゼンタ、イエロー、黒）を示しているとき、未知の原稿のＣＭＹＫ画像を処理しているときに、使用者は、ＳｐｅｃｉｆｉｃａｔｉｏｎＷｅｂＯｆｆｓｅｔＰｒｉｎｔｉｎｇ（ＳＷＯＰ）ｄｅｖｉｃｅ、ＪａｐａｎＣｏｌｏｒｄｅｖｉｃｅ、Ｅｕｒｏｓｃ−ａｌｅｄｅｖｉｃｅ他のようなオフセット印刷標準に含まれているリストから画像が作成された、あるいは、作成できるであろう装置を選択することを求められる。他の例として、走査されたＲＧＢファイルを処理している間に、スキャナ、走査媒体（例えば、写真的な、製版的な）、および、トーンスケール（Ｙ）補正を選択することができる。
【０００４】
このような画像ソース識別技術には、問題がある。一つの問題は、しばしば、オペレータが、ファイルがどこからきたのかを知らないことである。これらの場合に、オペレータは、リストされたどの装置が画像の作成に使われたのかを推測しなければならない。現状では、画像の制作装置を推測した後、使用者は、テスト印刷を行って彼の推測を確認しなければならない。テスト印刷の検討が終了すると、使用者は、彼の推測が間違っていたかどうかを判断し、別の推測を行って、他のテスト印刷を作成する。色印刷は、比較的速度の遅い処理であるかもしれない。例えば、色印刷は、白黒のレーザ印刷よりも低速である。さらに、少なくともいくつかの場合において、可能な画像制作装置のリストは、非常に長いものである。従って、制作装置あるいは測色を推定し、テスト印刷を作成する処理は、費用がかかり、時間を必要とし、いらいらさせ、くどい処理である。
【０００５】
最近、ソフトプルーフを用いてレガシー画像ファイルの制作装置あるいは測色を識別する方法が、提案されている。ここで使われるように、ソフトプルーフは、コンピュータＣＲＴのようなディスプレイ装置上での使用できる制作装置の特性のエミュレーションを含んでいる。画像プロセッサの使用者あるいはオペレータは、例えば、既知の制作装置のリストから使用できる制作装置を入力し、あるいは選択する。次いで、画像プロセッサは、選択された制作装置が実際の制作装置であるという仮定に基づいて画像ファイル情報を解釈し、ディスプレイする。選択された制作装置の特性は、ディスプレイ装置上にエミュレーションされる。画像は、このエミュレーションを介してレンダリングされる。使用者は、ディスプレイされた画像を検討することによって選択された制作装置が実際の制作装置であるかのように評価を行うことができる。選択が不適切であるときは、新たな選択が行われ、処理が繰り返される。
【０００６】
ソフトプルーフ方法は、それぞれの制作装置推定あるいは選択後に実際に画像をレンダリングしたり、印刷したりすることを必要としない。従って、このソフトプルーフ方法は、大きな時間の節約ができる。しかしながら、未経験の使用者は、いまだ、正しいあるいは使用できる制作装置あるいは測色法記述を発見する前に多数の使用できる制作装置を選択し、評価することを強いられる。例えば、使用できる制作装置のリストは、無数の選択項目を含んでいる。使用できる制作装置の完全なリストは、入手可能なすべてのスキャナ、ワードプロセッサ、デスクトップ・パブリッシャー、電子的なプレ印刷ツール、画像プロセッサデジタルフロントエンド（ＤＦＥ）、コンピュータディスプレイ、表計算エディタ、スライドプレゼンテーションエディタ、ペインティングプログラム、デジタルカメラ、および、画像エディタを含んでいる。
【０００７】
従って、レガシー画像測色識別を推測する作業を減らしたり、不必要にしたりするための自動化された方法が、必要である。この方法は、画像の測色を識別して適切な画像の変換と処理技術がレガシー画像に適用できる必要がある。
【０００８】
本明細書において、用語「測色（ｃｏｌｏｒｉｍｅｔｒｙ）」は、画像データとあいまいに定義された色空間（ＣＩＥＬＡＢ、ＣＩＥＸＹＺなどのような）との間の関係を明確にすることができる情報を意味するものとする。例えば、ＣＭＹＫファイルがＳＷＯＰ印刷のために準備されたものであることの識別は、産業標準色表がＳＷＯＰＣＭＹＫとＣＩＥＬＡＢ間を変換するように存在するので、ファイルの測色の識別をすることに等しい。
【０００９】
【課題を解決するための手段】
この目的のために、本発明は、画像ファイルの測色を決定する方法を含んでいる。この方法は、画像の少なくとも一部分を有する画素における可逆である色材の組み合わせ間の関係に基づいて少なくとも色材関連量を計算するステップを含んでいる。この可逆である色材の組み合わせ間の関係は、一つの色材あるいは色材の組が色材における他の組のある部分を置換したり、交換したりするために使用できるようなときに、生じる。さらに、この方法は、色材関連量と複数の画像分類のそれぞれに関連する所定の量との間の類似性に少なくとも部分的に基づいて画像と複数の画像分類の一つとを関連付けるステップを含んでいる。
【００１０】
本発明のいくつかの実施例は、さらに、画像の少なくとも一部分の飽和に基づいて飽和量を計算し、および、画像の少なくとも一部分の輝度に基づいて輝度量を計算するステップを含んでいる。
【００１１】
いくつかの実施例は、関連付けするステップにおいて飽和量および輝度量の少なくとも一方を用いる。
【００１２】
本発明の実施例は、ＣＭＹＫ画像の測色法を決定する方法を含んでいる。この方法は、複数の画像分類のそれぞれを描く測色量の組を予め定め、画像を描く測色量の組を計算し、および、予め定められた測色量の組と計算された測色量の組との間の関係に基づいて画像と複数の画像分類の一つとを関連付けるステップを含んでいる。
【００１３】
測色量の組を予め定めるステップは、さらに、像飽和と輝度飽和に基づいて第１の量を予め定め、および、下色除去および灰色置換パラメータの少なくともいずれかに基づいて第２の量を予め定めるようにしたステップを含む。
【００１４】
画像の測色を自動的に検出する色画像プロセッサが、複数の画像分類に対して像分類測色量を予め定めるように作動するトレーニング画像アナライザと、画像を描いている測色量を計算するように作動する測色ディテクタと、計算された測色量と所定の画像分類測色量との比較に基づいて画像を複数の画像分類の一つに関連付けるように作動する測色分類アソシエータとを有する。
【００１５】
【発明の実施の形態】
レンダリングの異なる装置は、色範囲が異なる。図１において、例えば、ハイエンド・ゼログラフィックプリンタは、第１の色範囲１４０を有している。第２の装置、例えば、ＳｔａｎｄａｒｄＷｅｂＯｆｆｓｅｔＰｒｉｎｔｉｎｇ（ＳＷＯＰ）装置は、第２の色範囲１５０を有している。範囲は、ＣＩＥＬＡＢ色空間に示されている。第１の色範囲１４０は、通常、第２の色範囲１５０よりも大きい。例えば、第１の色範囲は、色空間のダーク１５４と高い彩度１５８の領域にさらに延びている。従って、第２の装置上でレンダリングされるために準備された画像は、同一の画像が第１の装置上でレンダリングされるために準備されたときよりも範囲境界１６０における画素の比率をより多く含んでいる。換言すると、第２の装置上でレンダリングされるために準備された画像は、ある色材の最大量を必要とする比較的高い画素の比率を含むことになる。
【００１６】
本発明は、画像の測色あるいは制作装置を検出あるいは識別するための差別化特性あるいは表示特性の利点を有することができる。
【００１７】
図２において、様々な装置でレンダリングするために準備された画像の差別化特性が、トレーニング処理２００において識別される。トレーニング処理２００の第１の部分２１０において、第１の既知の測色分類に属するトレーニング画像（図示せず）は、トレーニング画像分析ステップ２２０において分析され、画像の関心ある部分が識別される。画像のこの関心ある部分は、例えば、差別化特性を持っていると分かっている色を求めている画像の部分を含んでいる。量計算ステップ２３０において、複数の差別化量が計算される。これらの量は、トレーニング画像の特性を記述している。これら差別化量は、次いで、測色関連付けステップ２４０においてトレーニング画像の測色法分類に関連付けられて記憶あるいは記録される。このトレーニング処理の第１の処理２１０は、統計学的に十分な数のトレーニング画像が分析されるまで、繰り返される。その他の画像は、関心のあるその他の測色分類における統計学的に十分な数と同様に、第１の既知の測色分類に属する画像のサンプルをさらに含んでいる。
【００１８】
トレーニング処理の第２の処理２５０は、概略の統計学的計算ステップ２６０を有している。概略の統計学的な処理は、例えば、平均値と標準偏差を含む。概略の統計学的な処理は、各々の測色分類について計算される。例えば、複数のトレーニング画像が第１の既知の測色分類に関連付けられ、および、複数の差別化量が複数の像の各々について計算されたとき、平均値と標準偏差は、各々の差別化量に対して計算される。概略の統計学的な処理は、次いで、概略の統計学的な処理ステップ２７０において第１の既知の測色分類に関連付けられる。概略の統計学的な処理ステップ２７０において、概略の統計学的な処理は、各々の既知の測色分類に関連付けられることが好ましい。以下に述べられるように、概略の統計学的な処理は、以降の処理において互いに測色分類を記述し、区別するために使われる。
【００１９】
図３において示されるように、トレーニング処理２００が完了すると、再び、測色検出処理３００が未知の測色の画像ファイル上で実行されることができる。上述したように、本明細書は、レガシー画像として未知の測色の画像ファイルを述べている。このレガシー画像は、レガシー画像分析ステップ３１０において分析されるとともに画像の関心ある分析されるべき部分を分析される。量計算ステップ３２０において、複数の差別化量が、計算される。この量は、レガシー画像の特性を示している。計算された複数の量は、次いで、レガシー画像に関連付けられて記憶あるいは記録される。レガシー画像測色関連付けステップ３３０において、複数の差別化量が、図２に関連して述べられた既知の測色分類における概略の統計学的処理と比較される。分類アルゴリズムが、適当な測色分類とレガシー画像とを関連付けるために用いられる。
【００２０】
図２および図３に関連して述べられた量計算ステップ２３０、３２０は、必然的に類似したものになる。図４において、量計算処理４００は、第１の量計算ステップ４１０を含んでいる。第１の量は、飽和に基づいて計算される。例えば、関心のある画像がＣＭＹＫ画像であるとき、第１の飽和量Ｓは、以下の式に基づいて計算される。（注：以下の式のすべてにおいて、Ｃ、Ｍ、ＹおよびＫは、正規化されており、０〜１の間の数値を有すると仮定している。）
【００２１】

【００２２】
Ｒ、ＧおよびＢは、中間項であると考えられる。これらは、式の見かけを簡単にするために使われている。Ｒ、ＧおよびＢの式中の（１−Ｋ）項は、ＣＭＹＫ画素のＫ色材部分からの明暗情報をＲ、ＧおよびＢ項に収めている。式（１）における分子は、色がいかに鮮明であるかの尺度である。中性色（白から黒にまたがる灰色）は、分子において比較的小さな値を発生させる。鮮やかな色で、色範囲境界付近のものは分子において比較的大きな値を発生させる。式（１）における分母は、Ｓがすべての色範囲面においてその最大値を１に近づけることを保証する。狭い色範囲を持つ装置上のレンダリングのために設けられた画像は、色範囲境界付近で比較的多数の画素を有している。従って、狭い色範囲を持つ装置上のレンダリングのために設けられた画像は、Ｓが大きい多数の画素を有している。
【００２３】
第２の量Ｙは、第２の量計算ステップ４２０において計算される。第２の量Ｙは、輝度に基づいており、従って、例えば、以下の式から計算される。
Ｙ＝０．２５Ｒ＋０．５Ｇ＋０．２５Ｂ（２）
Ｙは、画素の明るさの尺度である。非常に大きな重みが、Ｇ項に与えられ、これは、Ｇが人間の可視域がもっとも敏感な可視光スペクトルの部分にスペクトル内容を持っているためである。例えば、ＳＷＯＰ装置を使うときのように比較的狭い色範囲を持つ装置上でレンダリングのための画像を準備するとき、Ｓ値は大きめな値にずらされ、Ｙ値は小さめな値にずらされる。従って、これらの二つの傾向が互いに増幅しあった効果として組み合わせられたＳ′が得られた。組み合わせられた量の計算ステップにおいて、Ｓ′が計算され、例えば、以下のような式を使うことができる。
Ｓ′＝Ｓ／（Ｙ＋ｅ）（３）
分母におけるｅ項は、小さなオフセットである。これは、Ｙが非常に小さいとき、Ｓ′が非常に大きくなることを防止している。
【００２４】
通常、Ｓ′およびその構成量は、画像におけるすべての画素ごとに計算される。しかしながら、ある場合において、例えば、測色分類の少数間の識別のみが必要なとき、計算の数を減らすことができる。例えば、ＳＷＯＰＣＭＹＫ画像と、ハイエンド・ゼログラフィックＣＭＹＫ画像との間の識別のみが必要であるときは、Ｓ′は、Ｓがある閾値を超えている画素についてのみ計算すればよい。現在のところ、０．２の閾値が、計算負荷を小さくするのに有効であるということが実験的に分かっている。さらに、０．２の閾値の設定は、測色検出精度に悪い影響を与えることはない。
【００２５】
組み合わせられた量計算ステップは、全体として画像を説明しているＳ′値を選択することによって結論付けられる。例えば、画像におけるすべての計算されたＳ′値の第９９百分位数からＳ′値を用いることは、全体として画像の良い記述子となることが実験的に分かっている。第９９百分位数Ｓ′は、第１の差別化パラメータω₁として表現される。
【００２６】
第４の量は、第４の量計算ステップ４４０において計算される。第４の量は、可逆である色材の組み合わせ間の関係に基づいている。可逆である色材の組み合わせは、一つあるいは複数の色材が他の複数の色材におけるある部分と交換あるいは置換して使われるときに生じる。例えば、画像を準備しているとき、Ｋあるいは黒の色材レベルが、通常、下色除去灰色交換処理において調節される。これらの処理において、画素内のＫ色材レベルあるいは量は、その他の色材のレベルに基づいて制御される。例えば、Ｃ、ＭおよびＹの等しい量が、画素から除去でき、対応する量のＫと交換される。従って、この場合、ＣＭＹの組み合わせは、Ｋに関して可逆であると言われる。同じ概念が、その他の色空間にも同様にして適用される。例えば、ハイファイ色空間は、可逆である色材を含んでいる。ハイファイ色において、例えば、５個の分離、Ｃ、Ｍ、Ｙ、Ｋおよび緑（Ｇ）がある。緑の色材は、ある量のシアンとイエロー色材と置換されるように使われる。これは、シアンとイエロー色材の混合が緑と知覚されることによる。従って、この色空間の場合、緑は、シアンとイエローに関して可逆である。様々な装置上でレンダリングを行うために使われる色々な画像準備処理は、画素内での可逆である色材のレベルを調節するために様々な方法を使う傾向を有している。使われる方法は、目的とするレンダリング装置の能力および／あるいは限界を吸収するか対応するように選択される。色材がその他の色材と置換されるかどうかは、このような置換が可能であるときは、問題の色材が、可逆であると考えられるかによる。これらの様々な方法の効果は、指紋（識別特徴）として機能し、目的とするレンダリング装置を識別するための手助けとなり、従って、画像の測色の識別を可能にする。ＣＭＹＫ画像における可逆である色材の組み合わせ関係の尺度となる方法は、これらのいわゆる指紋を明らかにするために使用できる。
【００２７】
例えば、図５において、可逆である色材の組み合わせ関係に基づいて第４の量５００を計算する処理は、可逆色材折り返しステップ５１０を含んでいる。この可逆色材折り返しステップ５１０において、例えば、Ｋ色材の可視効果は、新たなＣ′、Ｍ′およびＹ′色材レベルに戻されるかあるいは折り返される。Ｋの効果を折り返す方法は、変換された色材値を発生する以下の式を用いるべきである。
Ｃ′＝Ｃ（１−Ｋ）＋Ｋ
Ｍ′＝Ｍ（１−Ｋ）＋Ｋ
Ｙ′＝Ｙ（１−Ｋ）＋Ｋ（４）
【００２８】
このようにして行われる画素の変換は、画素内のＫのレベルと画素内のその他の色材におけるレベル間のモノトーン関係を確立する。表示的な色材関係あるいは目的とするレンダリング装置の「指紋」は、Ｋと新たなパラメータとの間の関係を調査することから見出されることが分かったので、Ｘ＝ｍｉｎ（Ｃ′、Ｍ′、Ｙ′）によってＸを定める。この調査は、ほぼ中性色である画素に限定されることが好ましい。上述されたような様々な画像準備処理の色々な効果は、ほぼ中性色画素においてより一層明らかになる。従って、ほぼ中性色の画素は、画像の関心ある部分を構成する。ほぼ中性色の画素は、閾値を下回る（式（１）からの）Ｓ値を備えたそれらの画素である。例えば、有益な結果が、そのオリジナルなＳ値が０．２以下であるような画素における可逆である色材の組み合わせによって得られている。従って、関係データ収集ステップ５２０において、Ｋの値は、Ｘの値に関連付けられるとともにその後の処理のために記録される。
【００２９】
曲線適合ステップ５３０において、記録されたデータ（Ｋ対Ｘ）は、例えば、最小二乗回帰手法を用いて例えば以下の式により適合される。
Ｋ_FIT＝[Ｘ−Ｘ₀]^Y Ｘ＞０（５）
Ｋ_FIT＝０Ｘ≦Ｘ₀
記録されたデータが式（５）に適合されるとき、曲線適合パラメータＸ₀とＹは、レンダリングする画像を準備するために用いられる下色除去（ＵＣＲ）あるいは灰色交換（ＧＣＲ）方法を示している。第４の量利用ステップ５４０において、曲線適合パラメータの少なくとも一つが、第４の差別化量に使われる。例えば、Ｘ₀＝０およびＹ＝１の値は、１００％Ｋ置換方法が画像準備に使われたことを示している。１００％Ｋ置換方法は、しばしば、インクジェットプリンタ上でレンダリングされる画像を準備するために使われる。
【００３０】
図６は、曲線適合処理といくつかの通常の画像準備方法に対して期待される曲線との間を示すものである。グラフ上の点６１０は、ＳＷＯＰ装置上でレンダリングするために準備された画像から記録された実際のＸ対Ｋデータを示すものである。点６１０を通過している実線曲線６２０は、点６１０によって表現されたデータに適合する式（５）の形式における最適適合曲線である。第１の破線曲線６３０は、ゼログラフィック装置によるレンダリングのために準備される画像からなる画素の色材関係が検討されるときに期待される適合曲線を示している。第２の破線曲線あるいは直線６４０は、インクジェット装置によるレンダリングのために準備される画像が分析されるときに期待される適合曲線を示している。Ｘ₀、オフセット６５０は、与えられた曲線については、Ｋが小さな閾値、例えば、０を超えるときのＸの値である。
【００３１】
Ｘ₀は、ＣＭＹＫ測色分類のための効率的な識別点であることが実験的に分かっている。例えば、Ｘ₀は、第１の破線曲線６３０あるいはゼログラフィック装置に対する点６６０に近い値を有すると期待され、従って、Ｘ₀は、インクジェット装置の第２の破線曲線６４０に対する点６７０に近い値を有すると期待される。Ｙパラメータは、あまり有効ではない。しかしながら、ほとんどの実験は、ＳＷＯＰＣＭＹＫ画像と、ゼロックスドキュカラー４０（ＤＣ４０）ゼログラフィックプリンタのために準備されたＣＭＹＫ画像とのみを含んでいる。その他の曲線および曲線適合パラメータ（例えば、Ｙ）は、その他のＣＭＹＫソースを検出するのに有効であろう。例えば、Ｙは、インクジェットプリンタ上でレンダリングするために準備された画像を検出するのに有効である。これを説明するために、第２の差別化パラメータω₂＝０を選択する。上述したように、図６の実験は、非常に異なるオフセットＸ₀値６７０、６６０、６５０が、インクジェット、ゼログラフィおよびＳＷＯＰ装置上でレンダリングするために準備された画像の分析から期待されることを示している。
【００３２】
もちろん、測色検出精度の必要なレベルを達成するのと同じに多数の量の計算と決定が必要である。図４に関連して記述される処理は、あくまでも説明のためのものである。いくつかの実施例はより少ない量を使い、いくつかの実施例はより多くの量を使う。例えば、増加する処理速度および／あるいは低減される実施コストという点において、いくつかの実施例は、唯一の量を使うのみである。例えば、いくつかの実施例は、可逆である色材の組み合わせ間の関係に基づいた量にのみ依存することができる。それらの実施例において、量計算処理は、例えば、第４の量計算ステップ４４０のような単一のステップを含むのみである。その他の実施例は、より高いレベルの精度を必要とし、従って、それ以上の量を含んでいる。
【００３３】
量計算処理は、例えば、トレーニング処理２００のようなトレーニング処理中に実行されるので、量計算処理は、概略の統計学的計算ステップ２６０のような概略の統計学的計算ステップによってフォローされる。例えば、図７において、概略の統計学的計算処理７００は、ω_n平均値計算値ステップ７１０を含んでいる。平均値計算ステップ７１０において、平均値ω_n値は、特定の測色法分類におけるトレーニング画像に関連付けられたω_n′について計算される。使われる概略の統計学的な計算は、特定の測色分類におけるトレーニング画像に関連付けられたω_n′について標準偏差を計算するためにも適切である。標準偏差は、ω_n標準偏差計算ステップ７２０において計算される。ω_nは、概略の統計学的な計算が、適切である、例えば、ω₁およびω₂であるような所定の実施例において使われるすべての差別化パラメータに及ぶものである。
【００３４】
説明のために、標準の画像（８画像（ＩＳＯ−ＳＣＩＤ）のＳｔａｎｄａｒｄＣｏｌｏｒＩｍａｇｅＤａｔａセット）と６画像（ＧＡＴＦ）の標準のＧｒａｐｈｉｃＡｒｔｓＴｅｃｈｎｉｃａｌＦｏｕｎｄａｔｉｏｎセットが、測色検出のための方法をテストするための実験のトレーニングに使われた。ファイルの第１のセットが、ＳＷＯＰ装置によるレンダリングのために準備され、ファイルの第２のセットが、ハイエンド・ゼログラフィック画像プロセッサ（ＤＣ４０）によるレンダリングのために準備された。各々の測色法分類についてのω₁を述べている概略の統計学的な計算が、以下の表１にリストされている。ＳＷＯＰ測色分類は平均ω₁５２．９および標準偏差３６で特徴付けられている。ＤＣ４０測色分類は、平均値ω₁の９．５並びに標準偏差２．２に特徴付けられている。
【００３５】
【表１】

【００３６】
表２は、上述された標準画像の２セットに対して計算されたω₂をまとめたものである（標準のＩＳＯ−ＳＣＩＤセット（８画像）と標準のＧＡＴＦセット（６画像））。画像がＳＷＯＰＣＭＹＫ装置上でレンダリングされるために準備されたとき、ω₂の平均値は、０．４７であり、標準偏差は、０．１５であった。同じ画像がＤＣ４０ＣＭＹＫ装置上でレンダリングされるために準備されたとき、ω₂の平均値は、０．１６であり、標準偏差は、０．０７であった。
【００３７】
【表２】

【００３８】
２つの測色差別化パラメータあるいは特徴（ω₁、ω₂）が、ＣＭＹＫ画像から抽出できることを示した。その他の実施例が、その他のあるいは追加の差別化パラメータを使うであろうことが予測される。例えば、その他の実施例は、式（５）によって定義されたような差別化パラメータとしてＹを使うことができる。さらにその他の実施例が、追加の差別化パラメータを使うことができる。
【００３９】
多くの差別化パラメータが使われるが、それは、例えば、測色関連付けステップ３３０における未知の測色（レガシー画像）の画像に対する分類アルゴリズムの関数である。分類アルゴリズムは、レガシー画像の差別化パラメータを検討し、それらを既知の測色分類の概略の統計学的計算と比較する。最も簡単な場合、レガシー画像は、既知の測色分類の一つに直接関連付けられる。関連付けのために選択された測色分類は、レガシー画像の差別化パラメータにもっとも密接した概略の統計学的計算を備えたものとなる。その他の場合、レガシー画像は、二つ以上の既知の測色分類間で混合である測色と考えることができる。さらにその他の場合、画像は、いかなる既知の分類ともそれらの組み合わせとも上手く適合することはできない。例えば、色掃引およびテストパッチ画像は、分類を拒否する。これらのような画像は、純度の高い色相を有している。純度の高い色相は、レンダリングされるレンダリング装置の種類には関係なく色範囲の境界に位置している。これらのような分類できない画像は、例えば、「測色フリー」画像と呼ぶことができ、それ以上の処理がそれゆえに進行される。
【００４０】
多数の分類アルゴリズムが、文献に記述されている。例えば、広い範囲にわたるリニヤな分類手段が使用できる。さらに、ニューラル・ネット型の分類手段が使用できる。ベイズの二次分類アルゴリズムは、画像差別化パラメータと測色分類における概略の統計学的計算を知るために比較してレガシー画像の測色を検出することが好ましい。ベイズの二次分類アルゴリズムは、その相対的な簡便さと精度とが好ましい。
【００４１】
ベイズの分類手段は、統計学的な確率に基づいている。レガシー画像の差別化パラメータが各々の既知の測色分類に関連付けられた値の範囲に入る確率は、各々の既知の測色分類の概略の統計学的な計算に基づいて計算される。レガシー画像の差別化パラメータ値を含む最高の確率を持つ測色分類は、レガシー画像に関連付けられる。あるいは、二つ以上の測色分類がレガシー画像の差別化パラメータを等しく含む傾向にあるときは、レガシー画像は、二つ以上の測色分類の混合である測色を有するものと指定される。レガシー画像差別化パラメータが既知の測色分類において見出される確率が低いときは、画像は、測色フリーと指定される。
【００４２】
図８において、ベイズの二次分類手段は、レガシー画像の差別化パラメータが各々の既知の測色分類に関連付けられる値の範囲に入る確率を決定する。ベイズの二次分類アルゴリズムは、特徴空間８４０のそれぞれの中である点８１０、領域８２０、８３０であるような差別化パラメータと概略の統計学的な計算を処理する。概略の統計学的計算は、領域あるいは雲（ｃｌｏｕｄｓ）が値の範囲を示しているので、それらで示される。概略の統計学的計算は、例えば、平均値と標準偏差の組からなる。この標準偏差は、同じ測色分類の像に対して差別化パラメータを見出せそうな平均値の周囲の範囲あるいは領域を示すものである。通常、値が平均値から離れると、分類の範囲内に入る可能性が少なくなる。どれだけ可能性が少なくなるかは、標準偏差あるいは領域あるいは雲の幅と形に依存する。ここで詳細に記述される実施例において、特徴空間は、二つの次元ω₁と、ω₂とを備えている。しかしながら、一つのあるいは三つ以上の次元の特徴空間が、予測される。画像において特定の測色分類である確率は、レガシー画像の差別化パラメータによって定められる点８１０と、既知の測色分類の概略の統計学的計算によって定められる領域あるいは雲８２０、８３０との間の統計学的な距離の種類を測定することから計算される。この距離は、マハナロビス（Ｍａｈａｎａｌｏｂｉｓ）距離と呼ばれる。このマハナロビス距離は、以下の式によって定義される。
Ｄ_i＝［Ｗ-Ｍ_i］Σ_i ^-1［Ｗ-Ｍ_i］^T （６）
ここで、例えば、Ｗ＝[ω₁．．．ω_n]は、特徴ベクトルと呼ばれる。この特徴ベクトルは、特徴空間８４０の原点８５０からレガシー画像における差別化特性によって定義される点８１０まで延びていると考えられる。
【００４３】
Ｍ_iは、平均値ベクトルであって、既知の測色分類の各々における差別化量の各々の平均値８５４、８５８を含んでいる。記述された実施例において、二つの既知の測色分類Ｃ₁とＣ₂が存在する。例えば、ＳＷＯＰＣＭＹＫ装置測色が、Ｃ₁を意味し、ＤＣ４０ＣＭＹＫ測色が、Ｃ₂を意味している。Ｍ_iは、Ｃ₁とＣ₂における差別化量の各々の平均値を含んでいる（ｉ＝１、２）。
【００４４】
Σ_iは、共分散マトリックスである。共分散マトリックスは、例えば、Ｃ₁とＣ₂である測色分類の各々における領域あるいは雲の大きさと形の尺度を含んでいる。共分散マトリックスにおける値は、各々の測色分類における差別化マトリックスの各々の標準偏差に関係する。
【００４５】
マハナロビス距離Ｄ_iは、正規化されたユークリッド距離である。ここで使われるように、マハナロビス距離は、レガシー画像の差別化パラメータによって定められる点８１０と各々の測色分類の平均値位置８５４、８５８Ｍ_iとの間の距離の尺度である。正規化は、各々の測色分類の共分散Σ_iを考慮している。ベイズの二次分類手段は、次いで、小さな距離、入力画像にもっとも類似した分類として量Ｄ_iを測色分類として取り出す。すなわち、
Ｄ₁＜Ｄ₂のとき、Ｃ₁を取り出し、
それ以外のときは、Ｃ₂を取り出す（７）
【００４６】
二つ以上の測色分類があるときは、レガシー画像に割り当てられる測色分類Ｃ_iは、最小のＤ_i、すなわち、ｍｉｎ（Ｄ₁、Ｄ₂、Ｄ₃、．．．、Ｄ_n）に関連付けられるものとなる。複数の測色分類がＷからほぼ同じ最小マハナロビス距離、例えば、Ｄ₁≒Ｄ₃にあるときは、レガシー画像の測色は、もっとも近い測色分類（Ｄ₁とＤ₃と）のグループの混合として定めることができる。Ｗ（Ｄ₁、Ｄ₂、．．．、Ｄ_n＞＞閾値）に適切に接近している測色分類が存在しないときは、レガシー画像は、引き続く処理のために「測色フリー」と指定される。
【００４７】
図９において、特徴空間９００は、様々な測色分類を表現している確率の雲を含んでいる。ＳＷＯＰ画像分類９１０は、比較的大きな値のω₁と、比較的小さな値のω₂とに特徴がある。ハイエンド・ゼログラフィ測色分類９２０は、いくらか小さな値のω₁と、いくらか大きな値のω₂とに特徴がある。この特徴空間において、ＳＷＯＰ画像分類９１０の特徴とハイエンド・ゼログラフィ測色分類９２０の特徴間には有意な重複が存在している。従って、いくつかの実施例は、追加の差別化パラメータを使って、像分類の精度を改善することができる。サーマル・インクジェット／コーティング紙測色分類９３０は、ハイエンド・ゼログラフィ測色分類９２０のω₁に類似した値に特徴付けられると推測できる。しかしながら、サーマル・インクジェット／コーティング紙測色分類９３０は、また、比較的大きな値のω₂に特徴があるとも推測される。サーマル・インクジェット／普通紙測色分類９４０は、サーマル・インクジェット／コーティング紙測色分類９３０の値ω₂に類似した値に特徴付けられると推測できる。しかしながら、普通紙を使うことによって与えられるレンダリング限界のために、サーマル・インクジェット／普通紙測色分類９４０は、サーマル・インクジェット／コーティング紙測色分類９３０のω₁よりもいくらか大きな値に特徴付けられると推測される。その上、この特徴空間において、これらの二つのサーマル・インクジェット装置によってレンダリングのために準備される画像に対するω₁とω₂とには有意な重複が存在していると推測される。
【００４８】
ＳＷＯＰ画像と、ハイエンド・ゼログラフィ画像とについての選択された差別化パラメータ（ω₁およびω₂）における重複にもかかわらず、一連のテストが、説明された方法の性能の評価のために前もって準備された。６個のＧＡＴＦ画像と、８個のＩＳＯ−ＳＣＩＤ画像からなる２組の画像が準備された。画像のすべては、ＣＭＹＫフォーマットを有していた。各々の組の画像は、ＳＷＯＰ装置と、ＤＣ４０装置の両方によってレンダリングされるために準備され、従って、ＧＡＴＦの組には１２個の画像が、ＳＣＩＤの組には１６個の画像が形成された。各々のテストにおいて、１グループの画像が、トレーニングのために使われ、第２のグループの画像が、別のテストの組に使われた。別のテストの組に使われた画像の各々は、式（６）と（７）との使用を含む上述の方法により処理された。その結果、テスト画像は、ＳＷＯＰあるいはＤＣ４０測色分類のいずれかに属するものとして分類された。表３は、トレーニングおよびテスト画像のすべての可能な組み合わせに対する方法の精度を要約したものである。表３に挿入されているのは、テストされた画像の総数の中からの誤分類の数である。
【００４９】
【表３】

【００５０】
この方法は、明らかに、テスト画像の測色の識別に非常によい働きをした。１画像が誤分類されたとき、画像の特性は、二つのマハナロビス距離（Ｄ₁およびＤ₂）が非常に類似していることにある。二つの分類の混合として画像の測色を分類することをテストプロトコルが可能にしたとき、誤分類された画像は、代わりに、混合として分類されることになろう。これは、引き続く処理として、混合としての画像が受け入れ可能な方法において画像をレンダリングすることによって許容できるものとなろう。
【００５１】
それにもかかわらず、例えば、式（７）に対して調節を行って分類精度を改善することができると推測できる。式(７)の簡単な展開の一つは、
Ｄ₁＜αＤ₂＋βのとき、Ｃ₁を取り出し、
それ以外のときは、Ｃ₂を取り出す（８）
とすることである。ここで、αとβは、トレーニングとテストの組の範囲内で誤分類を最小にするために選ばれている。もちろん、二つ以上の既知の測色分類が使われるときは、さらに洗練された調節が必要である。
【００５２】
レガシー画像あるいはテスト画像の分類への割り当てにおける信頼性を記述したいときは、以下のような式を使うことができる。
【００５３】
【数１】

【００５４】
ここで、ｎは、既知の測色分類の数とし、および、Ｄ_tは、式（９）の分子における潜在的な特異点を考慮した小さな距離における閾値である。二つの既知の測色分類のみのとき式（９）は、以下のように簡略化される。

【００５５】
式（９）あるいは（１０）は、例えば、レガシー画像あるいはテスト画像が混合として分類されたとき、使用できる。式（９）あるいは（１０）は、二つ以上の測色分類を適切に混合するとき有用である。
【００５６】
図１０において、本発明による方法を実施するための色画像プロセッサ１０００は、トレーニング画像アナライザ１０１０、測色ディテクタ１０２０、測色分類アソシエータ１０３０、および、情報記憶装置１０４０を備えている。
【００５７】
トレーニング画像アナライザ１０１０は、トレーニング画像を分析する。トレーニング画像は、既知の測色の装置上でレンダリングを行うために準備された画像ファイルである。トレーニング画像分類装置は、複数のトレーニング画像に対する差別化パラメータを測定する。トレーニング画像アナライザは、トレーニング画像の差別化パラメータとそのトレーニング画像の測色分類とを関連付ける。トレーニング画像の十分に大きな組が所定の測色分類について分析されると、トレーニング画像アナライザは、所定の測色分類に対する概略の統計学的計算を行い、所定の測色分類に関連する概略の統計学的な計算を記録する。この記録は、情報記憶装置１０４０に対して行われる。
【００５８】
測色ディテクタ１０２０は、未知の測色における個々の画像に対して差別化パラメータを測定する。いくつかの実施例において、トレーニング画像アナライザ１０１０は、測色ディテクタ１０２０を使って同様にトレーニング画像差別化パラメータ測定を行う。いずれの場合においても、測色ディテクタ１０２０が未知の測色画像に対して差別化パラメータを測定するときは、それらの差別化パラメータを分類アソシエータ１０３０に送る。
【００５９】
分類アソシエータ１０３０は、情報記憶装置に記憶されている測色分類概略統計学的計算を検索して概略統計学的計算と未知の測色画像に対する差別化パラメータとを比較する。比較に基づいて、分類アソシエータ１０３０は、適当な測色分類を画像に割り当て、画像の測色が既知の測色分類の混合であることを報告し、画像の測色がいかなる既知の測色にも類似していないことを報告し、あるいは、分類アソシエータ１０３０は、レガシー画像が既知の測色のいずれかに等しい測色を有していることの信頼のレベルあるいは確率を報告する。
【００６０】
トレーニング画像アナライザ１０１０、測色ディテクタ１０２０、および、分類アソシエータ１０３０は、通常、ソフトウェアモジュールの組として展開される。モジュールは、情報記憶装置１０４０にアクセスし、情報を交換する。情報記憶装置１０４０は、コンピュータであるかマイクロプロセッサメモリであることが好ましい。しかしながら、その他のタイプの記憶装置を使っても良い。例えば、コンピュータハードドライブあるいはコンピュータネットワークが、情報記憶装置として使用できる。
【００６１】
さらに、トレーニング画像アナライザ１０１０、測色ディテクタ１０２０、および、分類アソシエータ１０３０は、通常、コンピュータメモリあるいはマイクロプロセッサメモリ内に記憶され、マイクロプロセッサあるいはＣＰＵにより実行される。しかしながら、トレーニング画像アナライザ１０１０、測色ディテクタ１０２０、および、分類アソシエータ１０３０の機能は、様々な方法、いろいろな装置により実行することができ、コンピュータネットワークを介して相互に接続されている市販されているプロセッサや種々のコンポーネントに限定される必要はない。
【図面の簡単な説明】
【図１】二つの装置における色範囲間の関係を示す図である。
【図２】既知の測色法分類の特性を記述している量の組を予め定めるためのトレーニング処理の概略を示すフロー図である。
【図３】画像の測色法分類を検出するための処理の概略を示すフロー図である。
【図４】画像の測色法を示す量の組を計算する処理の概略を示すフロー図である。
【図５】可逆である色材の組み合わせ間の関係に基づいて量を計算する処理の概略を示すフロー図である。
【図６】種々の測色法分類のための色材間の測定された関係と予測された関係とを示すグラフである。
【図７】図２における量を予め定めるための概略の統計学的計算の処理の概略を示すフロー図である。
【図８】二つの測色法分類を示す未知の測色法および領域の画像を記述している量を差別化することによって定められる点を含む構成空間を示す。
【図９】構成空間内の測色法分類の予測される相対的な位置をさらに示している図８に説明されたものに類似している構成空間を示す。
【図１０】本発明による処理を実行するように作動する色画像プロセッサの一部分のブロック図である。
【符号の説明】
１０００色画像プロセッサ
１０１０トレーニング画像アナライザ
１０２０測色ディテクタ
１０３０測色分類アソシエータ
１０４０情報記憶装置

Claims

制作装置および測色情報に関連した画像ファイルが完全なあるいは正しい識別情報を提供しない場合に該画像ファイルに含まれる画像の測色を決定する方法であって、
（ａ）前記画像の少なくとも一部分を有する画素における、可逆である色材の組み合わせ間の関係にもとづいて、少なくとも色材関連量を取得し、
（ｂ）前記色材関連量にもとづいて取得される差別化パラメータと複数の画像分類の各々に関連する所定の差別化パラメータとが類似している場合、前記画像と前記複数の画像分類の一つとを関連付け、
（ａ）は、
（ａ１）ＣＭＹＫ画像内の画素からＫ色材レベルをＣ’Ｍ’Ｙ’Ｋで表現される変換された画素により画像を形成する対応するＣＭＹＫ色材レベルに戻し、
（ａ２）Ｃ’、Ｍ’、Ｙ’およびＫで指定された色材のレベル間の関係に関するデータを収集し、
（ａ３）曲線適合アルゴリズムを用いて収集した前記データを曲線に適合させ、
（ａ４）前記色材関連量として曲線適合パラメータを使用する、
方法。
複数の画像測色分類の各々に対する量の組をあらかじめ定めるためにベイズの二次分類アルゴリズムを使用し、
（ｂ）が、前記差別化パラメータとあらかじめ定められた前記量の組によって定められた複数の領域の各々との間のマハナロビス距離を計算する、
請求項１に記載の画像の測色を決定する方法。