日本感性工学会論文誌

Size: px

Start display at page:

Download "日本感性工学会論文誌"

かずしふくだ
5 years ago
Views:

1 Vol.9 No. pp.-8 原著論文個人特性を考慮した GA による色彩イメージ分類とその分析佐藤敬子* 満倉靖恵** * 立命館大学 ** 東京農工大学 Classiﬁcation and Analysis of Color Impression Using Genetic Algorithms Considering Individual Characteristics Keiko SATO* and Yasue MITSUKURA** * Ritsumeikan University, 6- Kitamachi, To-jiin, Kita-ku, Kyoto 6-877, Japan ** Tokyo University of Agriculture and Technology, --6 Naka-cho, Koganei, Tokyo 8-888, Japan Abstract : It has often been pointed out that each color has a particular impression and that there are certain similarities and individual differences in the relationships between a color and its impression. We now present a few examples of individual studies that have focused on color impression. In this paper, in order to examine the individual characteristics of color impressions, we propose a method that combines GA, PCA, and CA. GA is used to select suitable parameters from color attributes -namely, RGB, HSI, and L*a*b*. PCA is used to extract characteristics data from the selected parameters. Furthermore, CA is used to classify the data set into groups. In order to demonstrate the effectiveness of this proposed method, computer simulations are performed and the results are analyzed using data gathered from 6 individuals. As a result, characteristics data that were obtained by using GA differed for each subjects. Moreover, classiﬁcation accuracy, which is the ratio classiﬁed same impression data into same groups, was more than 8% for all subjects. It is considered that the proposed method could be one of the effective methods for analyzing individual characteristics of color impression. Keywords : Color Impression, Individual Characteristics, Genetic Algorithms, Multivariate Analysis 構成法などのアンケート調査と因子分析によって色彩とイ. はじめにメージ語の関係を定量化した結果イメージスケール等を応用して構築されているしかしながらこれ色は私たちに様々なイメージや連想を与えるだけでなくらの手法から得られる結果はいわゆる平均値処理に基づいて感情的な働きかけをも行う例えば黄色には明るい軽おり一般性を重視しているつまり個々の感性嗜好にい暖かいといったイメージ黒色には暗い重い沿った配色提案を行うことが困難であるという問題点も持っ冷たいなどのイメージがあるように色彩とイメージのているこれらの問題に対処するために近年では対話型遺関係においては個々の色がそれぞれ異なるイメージと結び伝的アルゴリズム Interactive Genetic Algorithm IGA ついているそしてこの色彩とイメージの関係には共通等の学習方法を利用して配色デザインに被験者自身の主性と個人差が共存していることが知られているこの観好みを反映させる研究も行われているこの手法ような色彩の感情効果に関する研究は古くから行われておは個人にあった配色事例を提案できる一方で被験者自身がりこれまで様々な視点からの研究が多数行われてきたが選択を行うことによって配色の評価を行うため被験者の負特に Osgood らが Semantic Differential 法以後 SD 法と略担が増大するという欠点もある前述のように色彩と感情記するを提案してからは色彩の感情効果についての関係において具体的にどの色がどんな感情と結びついての多次元的解析がこの SD 法を用いて頻繁に行われたいるかについては個人差はあるもののある程度の普遍性 SD 法を使用することによりどのような尺度を用いがあるとされている例えば Birren や木村 6 のて色彩の感情効果を捉えるかという尺度の検討や単色の感文献を見ても表に示しているように色相彩度明度情効果と色の感情効果また色彩と形材質が共存するとといった色の属性から感情の性質を分類しているしかしなきにどのような効果が生ずるかといった検討などがなされがらこれらの結果はあくまでも一般的なものであるためた近年の感性工学の分野における色彩と感情を扱った研究個人によっては当てはまらない場合もあるそしてこの個例においても SD 法を用いたものが数多く見られる人特性に着目しイメージごとに詳細な分析を行っている研 6 その一方で色彩とイメージの関係を扱ったシステム究例は少ないのが現状である個人ごとに詳細な分析を行うとしてカラーコーディネートシステム等の開発に関する研究ことによって個々がイメージを判断する際に注目する色彩が盛んに行われている 7- 製品の色彩デザインをサポーパラメータは何かどのような色属性をイメージの判断基準トするこのシステムはほとんどが前述の SD 法や心理尺度にしているのかそしてその判断基準は個人によって異なる Received 87 Accepted 9.8.

2 表色と感情の関係属性色の例暖色赤感情の性質激情怒り歓喜活力的興奮 Vol.9 No. 立な少数個の総合的指標として集約することができる本論文では個々が色のイメージを判断する際に着目する色属性についてそこに個人差が存在するかについての分析中性色色相喜びはしゃぎ活発さ元気を行うことを目的とするまた本論文では色配色を対象黄快活明朗愉快活動的元気にして分析を行う色配色は左右の色の関係性が得やすく緑安らぎ寛ぎ平静若々しさ配色の基本で非常に重要な部分であるそして色配色に紫厳粛優えん婉神秘不安やさしさついて分析することで複数の配色にも応用できると考えて黄赤寒色青緑青彩度明度明中暗高中低青紫安息涼しさ憂鬱落着き淋しさ悲哀深遠沈静神秘崇高孤独白純粋清々しさ灰落着き抑鬱黒陰鬱不安厳めしい朱熱烈激しさ情熱ピンク愛らしさやさしさ茶落着きいる色配色のデータに対して GA PCA CA を組み合わせた分析手法を用いることによってイメージの分析を試みるそして分析結果から配色パターンのイメージのグループ化を行うことによって提案手法の有効性の検証を行う次節以降ではまず色のイメージ調査に使用する実験プログラムの概要とその調査方法について述べるそして次に使用する表色系について説明するさらに提案する分析手法について述べ提案手法を個人のデータに適用させた分析結果について記述しさらに考察を行う最後に本論文をまとめるのかを明確にすることができると考えられる本論文ではこれらの現状を踏まえて次の点に着目し. 色彩印象調査た分析を行うまず第に専用の実験プログラムを用いた色彩印象調査法である色彩イメージの調査を行うためには本論文では被験者の労力を考慮したアンケート調査を実大量のデータを獲得する必要がありその際の実験者と被験施するためアンケート専用の実験プログラムを用いる将者の労力は多大なものとなる本論文ではイメージの調査来的に個人によって異なる色彩への印象を考慮した配色提における労力低減のためにイメージ調査用の実験プログラム案システム具体的には被験者が簡単な評価を行うだけでを作成しこれを用いることによって被験者からイメージの個人が求めるイメージに合う配色やデザインなどをコンデータを収集することにした第に数種類の色属性の使用ピュータが提案するようなシステムの構築を考えた場合パである色を表現する体系つまり表色系 Color speciﬁcation system には様々なものがありその用途によって使い分けられている本論文では色データから得られる RGB データに加えて CIE-XYZ 表色系をより知覚的にした CIEL*a*b* 表色系そしてマンセル表色系などの顕色系で使われる HSI 表色系を使用して分析を行う第に遺伝的アルゴリズム Genetic Algorithms 以後 GA と略記するの導入ソコン上で簡単な配色に関するアンケートを行うことが前提である人間が色のイメージ判断を行う際どの属性に注目するかには個人差があると考えている本論文では GA を用いてその個人差を特定することができないかと考えた GA を用いた特徴選択法はこれまでにも提案されておりその有用性も報告されている 7 8 GA を用いた属性選択となる本論文ではパソコン上で動作する実験プログラムを使用してデータの収集を行う本節ではその色彩印象調査の方法について述べる. 使用するイメージ語と配色データ色彩の印象評価アンケートには個のイメージ語を使用する表に使用するイメージ語の一覧を示すまたアンケートに使用する色配色は参考文献の配色データより上述の個のイメージからつのイメージにつきそれぞれパターンずつ選出し合計 69 パターンの配色を用いる本論文では被験者名につき 69 個の色配色にによる結果被験者がどの色属性に注目してイメージ判断をついてそのイメージを選択してもらうその後の分析には行っているのかという情報を得ることができると考えられ 69 個の色配色のデータを使用する色配色のデータを RGB 空間上にマッピングしたものを図に示する最後に多変量解析手法の導入である本論文では主成分以後 PCA と略記する分析 Principal Component Analysis と k-means 法によるクラスター分析 Cluster Analysis 以後 CA と略記するを用いる GA による属性選択のみでは被験者が注目している属性について判断できるもののその後のイメージのグループ分類が困難であると考えられるそこで GA によって選択された属性変数を PCA により圧縮して主成分得点を算出するこの主成分得点を用いて CA によりイメージのグループ分類を試みる PCA を用いることによりできるだけ情報の損失なしに変数を互いに独. 被験者と実験環境歳から歳までの被験者 6 名男性名女性名表使用するイメージ語ロマンチックエレガントナチュラルプリティクリアカジュアルフレッシュスポーティダイナミックアバンギャルゴージャスセクシーエスニックワイルドモダンノーブルシッククールフォーマルダンディクラシック地味な悲観的な

3 個人特性を考慮した GA による色彩イメージ分類とその分析 White Cyan Yellow ある色データから得られる RGB 値はそれ自体が絶対的な色彩を表すわけでないため異なる表色系への変換が必要となる本論文では CIE が均等知覚色空間の標準化のために Green 推奨した表色系である CIE-L*a*b* 表色系と顕色系である HSI 表色系を分析に使用する Magenta Blue Red Black 図使用する配色パターン RGB 空間上に対して調査を実施した 6名は視力が両目で.以上あり. CIE-L*a*b* 表色系 CIE-L*a*b* 表色系は刺激値である X Y Z で均等色空間を近似することを目的に設計され L*a*b* の直交座標系で定義されている図に CIE-L*a*b* 表色系の概念図を示す a* 軸と b* 軸は直交し交点は無彩色を示している以下に RGB 色データから CIE-L*a*b* 表色系への変換式を示すまず CIE-XYZ 表色系に変換してから CIEL*a*b* 表色系へ変換するので式によりかつ標準色覚検査表第部検診用 9 により一般色覚者と確認されている実験には雑音のしない実験室を使用した実施した部屋の北側には窓があったがカーテンを引いて影響を少なくした実験プログラムは 9 型液晶ディスプレイを用いて提示したディスプレイ付近の照度はおおむねとなる次に算出された X Y Z を用い 6 式によっ 7 から 7lx 程度でありまた照明等の映りこみは見られなかった被験者とディスプレイの距離はから cm であて CIE-L*a*b* 表色系への変換を行うり被験者はマウスを用いて実験プログラムを操作した 6. 実験プログラム実験プログラムはアンケート開始とともに色配色のデーここで X = 98. Y = Z = 8. とするタを順に提示する色配色の刺激サイズは cm cm の単色が横に色並んだもので枠はない背景色はグレー R G B マンセル N9 近似色を使用している被験者は上述の形容詞で表現される個のイメージ語の中から提示された配色から受ける印象をつ選択するこの試行を被験者の自由な速度で行ってもらった実験前に被験者に対してあまり考え込まずに直感でイメージを選択するよう教示した実験にかかる平均時間は分程度. HSI 表色系 RGB 色データでは人間の感覚に合った色彩に関する処理を行うことは難しいそこで本論文では人間が直感的に分かりやすくまたマンセル表色系に近い色相 H Hue 彩度 S Saturation 明度 I Intensity の属性を用いる RGB 色データから HSI 表色系への変換は図に示す双 6 角錐モデルを用いて行うであり長くても分以内には終了した実験環境と画面上に提示される色配色の刺激サイズを図に示す. 使用する表色系. 色属性選択法本論文では GA により色属性を特定し PCA によってその中から特徴ベクトルを抽出し CA によってイメージの分色を表示する体系は表色系と呼ばれるが表色系には実験に基づいて色を心理物理量として定量的に扱う混色系と人間が知覚した色を記号や色票などで定性的に扱う顕色系が L* Yellow Green cm b* 9型液晶モニタ aa* cm cm 図実験環境と配色の刺激サイズ Blue Red 8cm 図 CIE-L*a*b* 表色系

4 I Vol.9 No. Color feature (RGB, HSI, Lab ) White Gene c Algorithm Principal Component Analysis Cyan Green Yellow Cluster Analysis Red Blue Mazenta 図提案手法の構造 Ini aliza on Black H Principal Component Analysis S Cluster Analysis 図 HSI 表色系双 6 角錐カラーモデル Fitness 類を行う分析手法を提案する図に提案分析手法の構造を図 6 に GA による色属性特定方法の流れを示す GA に Fitness <.99 おいては図 6 に示すようにまず初期化 Initialization として決められた数の個体が生成される各個体の染色体は図 7 に示されているようにの値記号列となっており Genera on < End 各遺伝子は表に示すように使用する各表色系の色属性にそれぞれ割り当てられている遺伝子の値がであれば対応 Selec on する表色系の色属性がその後の分析に使用されであれば使用されない次に GA によって選択された色属性のみを用 Crossover いて変数の圧縮特徴ベクトルの抽出を行う本論文では寄 Muta on 与率を考慮し値の高い主成分から順に採用した主成分得点 Principal component score を CA に使用する最後に図 6 GA による色属性特定の流れ CA によって配色パターンのグループ分類を行うグループ数はとし CA の分類手法は最も一般的な k-means 法を採用するなお GA における個体の適応度はこの CA によ 9 るグループ分類結果の分類率を主として決定される以上の操作を現世代すべての個体に対して行う最後に現世代すべての個体の適応度から選択交叉突然変異を経て次世 Le Color 代の個体を生成するこれらの操作を終了条件が満たされるの最も高い個体が示す染色体を最適解とするケート調査によって同じイメージと判断された配色パターンが別々のグループに分類されていないかを調べ別のグループに分類されている場合は誤分類として分類率 Recog の計算を行う分類率は全データ Number of data = 69 中正確に分類されたデータ Number of correct data の割合となる 7 式は適応度の計算式である Diﬀerence 図 7 染色体の構造まで行い終了条件が満たされた世代の個体の中で適応度. 適応度の計算方法 PCA によって算出された主成分得点を用いて使用したデータに対して k-means 法によりつのグループに分類を行うつの初期点はランダムに設定される分類後アン Right Color 表遺伝子に対応する色属性 Left Color Right Color R-Value R-Value 9 Difference of R-Value G-Value G-Value Difference of G-Value B-Value B-Value Difference of B-Value H-Value H-Value Difference of H-Value S-Value S-Value Difference of S-Value 6 I-Value I-Value Difference of I-Value 7 L * -Value 6 L * -Value Difference of L * -Value 8 a * -Value 7 a * -Value 6 Difference of a * -Value 9 b * -Value 8 b * -Value 7 Difference of b * -Value Difference

5 個人特性を考慮した GA による色彩イメージ分類とその分析. 実験 7 ここでとする. ; Number of s Number of principal component, ( =.8, =.) Number of correct data Number of data ( =69) 遺伝子のの数使用する主成分数重み正しく分類されたデータ数データ数本節では節で記述した実験プログラムを用いて色配色についてのイメージ調査を行い収集された被験者 6 名分のデータに対し提案手法を適用することよって本手法の有効性を検証する本論文では個人差があるかどうかの検討を行うため個人別に分析を行うまず GA の設定パラメータを表に示す遺伝子のビット長 The length of chromo- some は図 7 と表に示すように各遺伝子が表色系の各色属性に対応しており全部で 7 である本論文ではその中 CA によるイメージの分類率のみで適応度を設定した場から選択された遺伝子がに対応する色属性を用いて PCA 合より多くの変数色属性を用いた方がより良い分類率を行い % 以上の寄与率を満たす主成分を採用するそを得ることができると考えられるこの場合最も必要な色のため CA に使用される変数は可変であるまた交叉率属性の選択ができない恐れがあるそこで分類率を重視しについては設定値によって被験者のそれぞれの結果に多少つつも GA によって選択された変数によって算出された主のばらつきがあったため.6 から.8 まで. 刻みで回成分数が少ないほど適応度が高くなるように式を設定したのシミュレーションを行い最も適応度が高かった結果を採これによりより少ない主成分で良い分類率が得られた個体用したなおその他のパラメータ個体数世代数突然に対して高い適応度を与えることができ CA の分類率が同変異率は予備実験の結果をもとに設定したじとなった場合に主成分数が多い方の個体を淘汰するペナまず図 8 に GA によって選択された色属性を被験者ごルティとなる α β は CA によるイメージの分類率と主成分とに示す塗りつぶされた部分が選択された色属性であり数のどちらを重視するかを決定づける重みである設定値選択された色属性は被験者ごとに異なっていることが分かは予備のシミュレーションを行った結果をもとにそれぞる例えば被験者の結果を見てみると左右の RGB 値れ.8. としているや左右の差から選択されている一方で被験者については左右の差の部分からはあまり選択されていないさらに. 選択交叉突然変異本論文では選択方法として適応度比例戦略ルーレットモデルを用いるこれは個体ごとに適応度 Fitness を求めこれに比例した確率で親を選択する方法であるまた本論文ではエリート保存戦略 Elite preservation を併用するこれは現世代すべての個体に対して最も適応度の表 GA のパラメータ The number of generation The number of individuals The length of chromosome 7 Crossover rate.6.8 Mutation rate. 高い個体をつ選択しエリート個体として次世代に残しておく手法であるなお初期の遺伝子第世代はランダムに生成する交叉 Crossover はつの親の染色体をあ表分類率る部分で分断し入れ替えて子供の遺伝子として構成することである本論文での交叉方法は点交叉を採用するまた突然変異 Mutation は適当な位置のビットを反転することによって実現される Subject Classiﬁcation accuracy Subject 8% Subject 8% Subject 8% Subject 87% Subject 8% Subject 6 8% Le Right Diﬀerence R G B H S I L* a* b* R G B H S I L* a* b* R G B H S I L* a* b* Subject Subject Subject Subject Subject Subject 6 図 8 GA によって選択された色属性

6 Vol.9 No. 表に CA による分類率の結果を示すこれを見ると全てい位置に分布していることから暗くて右の色の赤色成分がの被験者において 8% 以上の分類率が得られていること強いグループといえるそして Group D は第主成分も第から本手法の有効性がある程度得られたと考えられる次に選択された色属性エリート個体を用いた主成分主成分も比較的低い位置に分布していることから暗くて緑色成分の強いグループと位置付けることができる分析結果の分析を行う全ての被験者において寄与率次に被験者女性代の因子負荷量を図に示す % 以上を満たす主成分の数はであった本論文では紙面の都合上被験者名分被験者の結果のみ記すまず被験者女性代についての結果について説明する数直線上に第第主成分の因子負荷量をプロットしたものを図 9 に示す第主成分の因子負荷量を見ると左右の色の L* 値と B 値そして右の色の R 値の係数が正の高い値を示しているこのことから第主成分は主被験者において寄与率 % 以上を満たす主成分数はであったまず第主成分の因子負荷量を見てみると左右の B 値右の色相そして左の G 値の係数が正の高い値を示しておりさらに右の b* 値黄青成分とその差分がやや高い負の値を示しているこの結果から第主成分は主に左右の色の青色成分左の緑色成分などが特徴を持っているといえる次に第主成分の因子負荷量を見るとに色の明るさと青色成分が重要な特徴を示していると考えら右の a* 値の係数が正の高い値を示し B 値と明度の差の係れる次に第主成分の因子負荷量を見ると右の色の a* 数が負の高い値となっているつまり右の a* 値赤緑値の係数が正のやや高い値を示していることから第主成成分と明るさの差が特徴を表しているといえるさらに分は右の a* 値赤緑成分が特徴を持っているといえる第主成分の因子負荷量では L* 値の差の係数が正の高いさらに図に被験者の CA による分類結果を示すこれ値を示していることから明るさの差が重要な特徴を持ってを見てみると Group A のデータは第主成分のかなり高いると考えられる図に分類結果を示すこれを見るとい部分に分布していることから右の色の赤色成分が高いグ Group A は第主成分が高く第主成分が低いところにループといえる Group B は第主成分が高いことから明位置していることから青色成分と緑色成分が強くそしてるく青色成分の強いグループと考えることができるまた Group C のデータは第主成分が低く第主成分がやや高 Right b* Right L* Le B -.. Le B Right B Le L* Right R -. Le G Diﬀerence b* Right H Right B.. st factor loading. Diﬀerence B Diﬀerence I Right a* st factor loading -. Right a* nd factor loading. Diﬀerence L* nd factor loading -. 図 9 因子負荷量 Subject rd factor loading 図因子負荷量 Subject rd component nd componennt st component nd component - Group A -- スポーティ Group B -- ロマンチックエレガントナチュラルプリティクリアフレッシュクラシック Group C -- アバンギャルドセクシーエスニックワイルド地味な Group D -- モダンシッククールダンディ図 6 分類結果 Subject st component Group A -- ロマンチックエレガントナチュラルクリアカジュアル地味な Group B -- プリティフレッシュスポーティ Group C -- ダイナミックエスニックワイルド Group D -- ゴージャスセクシーモダンシッククールフォーマルクラシック図分類結果 Subject

7 個人特性を考慮した GA による色彩イメージ分類とその分析左右の明るさに差がないグループといえる Group B は全期値の設定をランダムに設定していることがこの結果に影響体的に第主成分が低いところに分布しており右の緑色成を与えたとも考えられるためこのパラメータの設定方法分が強いグループといえる Group C は第主成分が低くさらに分類方法については今後検討が必要である分類結第主成分はやや高いことから左右の青色成分が低く右果としては Group A のデータは少ないが第主成分が特の赤色成分が強いグループと考えられるさらに Group D に高い値を示している Group B は第主成分が高くまたは最も第主成分が高く左右の明度差が大きいグループと比較的第主成分も高いため右の色が明るく左右の明るさに差がある配色のグループと判断できる Group C のデー位置づけることができる最後に被験者男性代の分析結果について記すタは第主成分の低い位置に分布しているものが多く右の被験者において寄与率 % 以上を満たす主成分数はで色が暗いグループといえるさらに Group D は第主成あった被験者の因子負荷量を図に示す第主成分の分は正の部分に第主成分は負の部分に分布していること因子負荷量は右の L* 値明度 RGB 値全ての係数が正のから特に右の色が明るいが左右どちらも明るい色を持つ高い値を示している総合すると第主成分は右の色の明グループといえるるさが重要な特徴を持っていると考えることができる次すべての被験者の因子負荷量の結果を見たところ第主に第主成分の因子負荷量を見ると G 値 L* 値と明度成分では主に右側の色の明るさを示す係数が高くなっていの差分と右の b* 値黄青成分の係数が高くなっているる被験者と右側の色の色合いを示す成分の係数が高い被験このことから第主成分は左右の明るさの差が特に重要者のグループが見られたさらに第主成分では色合な意味を持っていると解釈できる図に被験者の分類いを示す係数が高いグループと左右の色の明るさの差を示結果を示すここで被験者の結果と比較してみるとす係数が高い被験者とのグループに分けられた GA と PCA Group C に多くのデータが分類されており分類が偏っていによって選択抽出された色属性は特に色のイメージを決るこれは被験者が多くの配色パターンについて定する際に重要となる特徴が表れている部分であるつま Group C に含まれるイメージと判断したため特に地味なりこれら特徴には個人差がありまた特徴の組み合わせというイメージに判断された配色が多かったという原因がも個人特性を表していると考えられる一つとして考えられるしかしながら k-means 法による初 6. おわりに Right R Right I Right L* Right G Right B..... st factor loading 本論文では色配色に対する印象に着目し色彩イメージを判断する際に要因となる色属性は個人によって異なるということを検証するとともに個人ごとに配色パターンのイメージ分類を試みた具体的には被験者の労力を考慮した Diﬀerence G Diﬀerence I Right b* Diﬀerence L* アンケート調査数種類の色属性の使用そして GA と多変量解析手法を導入して新しい分析方法の提案を行なったそ..... nd factor loading 図して数種類の色属性の中から GA によって個人ごとにイメージを判断する要因と考えられる成分の特定を行ったさらに GA によって特定された色属性を用いて PCA により因子負荷量 Subject 特徴データを抽出しさらに CA によりアンケート調査に 7 よって得られた配色パターンをつのイメージに分類した nd component 6 その結果 GA によって特定された色属性は個人ごとによって違いが見られたまた CA による分類結果もすべての被験者で 8% 以上と良好な結果を得ることができ提案手法の有効性を確認することができたその後さらに PCA の st component る主成分軸の解釈及び CA の分類結果から個人が着目していると考えられる色属性とイメージグループとの関連性を得 - ることができた被験者によっては分類に偏りが見られた - ため分類手法の更なる改良が必要であると考えられるが -6 今後この関係性をより詳細に分析することによって色彩 -7 Group A -- ワイルド Group B -- プリティカジュアルフレッシュ Group C -- ロマンチックナチュラルダイナミックセクシーエスニックシッククール地味な悲観的な Group D -- クリア図結果について被験者ごとに分析を行った因子負荷量によ分類結果 Subject とイメージとの関係に存在する個人差がどのようなものか分かるだけでなくカラーコーディネートシステム等への応用の一環として個人の感性嗜好に沿った配色提案が可能となると考えられる 7

参考文献 Vol.9 No. Graw-Hill Books Co., New York, 9. 6 木村俊夫応用視感覚論日本応用心理学会編心理学講日本色彩学会編新編色彩科学ハンドブック東京大学出版会 998 C.E. Osgood, G.J. Suci, P.H. Tennenbaum: The measure- ment of meaning, University of Illinois Press, 967.

-9 99 Tadasu Oyama, Ichiro Soma, Tadashi Tomiie & Hideaki 8 伊藤征嗣満倉靖恵福見稔赤松則男実数値 GA を用 Chijiiwa: A Factor Analytical Study of Affective Respons- いたデータマイニングによるニューロ降雨予測システムの es to Colors, Acta

8 参考文献 Vol.9 No. Graw-Hill Books Co., New York, 9. 6 木村俊夫応用視感覚論日本応用心理学会編心理学講日本色彩学会編新編色彩科学ハンドブック東京大学出版会 998 C.E. Osgood, G.J. Suci, P.H. Tennenbaum: The measure- ment of meaning, University of Illinois Press, 967. 座第巻 9 7 福見稔大松繁遺伝的アルゴリズムによる硬貨認識用ニューラルネットワークの設計電気学会論文誌 D Vol. No. pp Tadasu Oyama, Ichiro Soma, Tadashi Tomiie & Hideaki 8 伊藤征嗣満倉靖恵福見稔赤松則男実数値 GA を用 Chijiiwa: A Factor Analytical Study of Affective Respons- いたデータマイニングによるニューロ降雨予測システムの es to Colors, Acta Chromatica, pp.6-7, 96. 設計電気学会論文誌 C Vol. No. pp.87-8 中川正宣富家直柳瀬徹夫色彩感情空間の構成日本色彩学会誌 Vol.8 No. pp 坂田哲夫堤陽子鶴鉄雄芳西崇大本晴夫デザイン用語を用いた配色の印象日本色彩学会誌 Vol.7 No. pp 伊藤久美子大山正異色相間の二色配色の感情効果日本色彩学会誌 Vol.9 No. pp.9-7 柳生智彦久森芳彦八木康史谷内田正彦配色支援システムにおける好みの獲得と迷いの解消電子情報通信学会論文誌 Vol.J79-A No. pp 深見嘉一郎田辺詔子市川一夫編 SPP 標準色覚検査表第部検診用医学書院 99 奥富正敏編ディジタル画像処理 CG-ARTS 協会 6 高木幹雄下田陽久画像解析ハンドブック東京大学出版会 99 北野宏明編遺伝的アルゴリズム産業図書 99 平野廣美応用事例でわかる遺伝的アルゴリズムプログラミングパーソナルメディア 99 8 市野順子田野俊一デザイン描画を支援するユーザインタフェース電子情報通信学会論文誌 Vol.J8-D-ll No. pp 佐藤敬子正会員 9 鈴木健嗣橋本周司ニューラルネットワークを用いた感年月岡山大学教育学部総合教育課程情性情報の数量化電子情報通信学会論文誌 Vol.J8-D- 報教育コース卒業 7 年月同大大学院修 ll No. pp 士課程了 8 年月東京農工大学生物シス徳丸正孝山下一美ファジー推論を用いた配色のイメージ判定システムの構築電子情報通信学会論文誌 Vol. J8-D-ll No. pp 徳丸正孝村中徳明今西茂配色イメージ判定におけるテム応用科学府生物システム応用科学専攻博士後期課程中途退学同年立命館大学文学部人文学科心理学専攻助手現在に至る主に感性工学の研究に従事電気学会会員個人差を考慮したシステム構築の試み電子情報通信学会論文誌 Vol.J8-D-ll No. pp 南雲治嘉カラーイメージチャートグラフィック社 999 満倉靖恵非会員 999 年月徳島大学工学部知能情報工学科助手年 9 月徳島大学大学院工学研究科博小林重順カラーイメージスケール講談社 999 士後期課程短縮修了博士工学年鈴木香奈長嶋孝好対話型遺伝的アルゴリズムを用いた月岡山大学教育学部技術科教育講師 6 配色支援システムの開発鈴鹿技術大学紀要 Vol.9 年月東京農工大学大学院准教授現在に至 pp Fabor Birren: Color Psychology and Color Therapy, Mc- 8 る画像処理脳波解析信号処理分野の研究に従事電気学会計測自動制御学会信号処理学会会員

技術開発懇談会-感性工学.ppt

技術開発懇談会-感性工学.ppt ! - 1955GNP - 1956!!!! !. - 1989, 1986 (1992)! - 4060 (1988 - - /!! ! 199810 2011913!!! 平成２４年１月２３日技術開発懇談会 in 魚沼感性工学によるデザイン因果の順推論感性評価感性デザイン因果の逆推論物理形状モノイメージ言葉物理形状をどのように表現するかイメージをどのように表現するか物理形状とイメージの関係づけと変換はどうするか