CN101023332B - 使油漆匹配的方法 - Google Patents

Abstract

本发明涉及根据油漆组件的浓度来调配修补漆而使修补漆与基材上的待修补油漆膜的纹理(以及任选颜色)性质参数匹配的方法，其特征在于每个油漆组件具有特定的纹理(以及任选颜色)数据并且将使用油漆组件的纹理(以及任选颜色)数据计算的纹理(以及任选颜色)模型用于计算具有匹配纹理(以及任选颜色)性质的修补漆。

Description

使油漆匹配的方法

本发明涉及一种使修补漆与基材上待修补的油漆膜的纹理性质以及任选颜色相匹配的方法。

修补油漆过的表面要求修补漆在视觉上与原始施用的油漆膜匹配。为此，对原始油漆膜的颜色进行测量，然后确定具有在预设定的公差内的基本相同颜色的油漆组合物。这可以通过在数据库中搜寻合适的油漆组合物而实现或者可基于油漆组分的比色数据来计算合适的油漆组合物。

为了易于调配任何颜色的匹配油漆，通常使用调色剂。调色剂是基础色料的组合物，其包含所有组成完整油漆的成分。可以将这些调色剂混合以得到颜色与原始涂敷基材的油漆颜色匹配的油漆，然后将其施用并且干燥为油漆膜。基于各个调色剂的比色数据，可以通过计算并考虑所用调色剂的浓度来预测混合物的比色特征。或者可以根据其它类型的组件(modules)，例如颜料浓缩物、基料组件、随角异色组件、包含侧视色控制剂(flop-controller)的组分等来调配油漆组合物。

除颜色之外，油漆膜还有许多其它的视觉性质。尤其在使用随角异色颜料如铝片颜料或珠光颜料时，油漆膜的外观不是均匀的颜色，而是显示出纹理。这可以包括粗糙度、闪光、微光、混浊、花纹斑、斑点、闪烁或发光现象。下文中，将纹理定义为油漆膜平面中取决于小的材料组成部分的尺寸和构造的可见表面结构。在本文中，纹理不包括油漆膜的粗糙不平，而是仅包括油漆膜平面中可见的不规则。小于人眼分辩率的结构对“颜色”有贡献，而较大的结构通常对“纹理”有贡献。

本身不可以直接观察到的颗粒可能对油漆膜的总的视觉外观有贡献。乱取向物(Des-orienters)是所述颗粒的实例。随角异色颜料通常为在固化膜中趋于水平取向的小片。为了防止这种取向并得到小片取向的多种变化，使用了称为乱取向物的球形颗粒。在金属油漆中使用乱取向物导致更多的发光。

迄今为止，待修补油漆膜的纹理通过眼睛来鉴定，例如通过与样品扇(sample fan)上的样品进行对比来鉴定。该方法的结果极大地取决于从事者的能力且通常不令人满意。

在操作中，希望对有纹理的油漆进行匹配的颜色专家首先选择一种或多种随角异色组件或调色剂以得到匹配的纹理效果。同时或者然后，选择着色剂组件或调色剂以配色。将结果与原始油漆进行对比，并且若需要校正则进行反复调节。选择正确的随角异色组件是困难的并且需要反复实验或准确地对待匹配油漆中的随角异色颜料进行电脑分析。

EP-A 637 731公开了一种复制油漆膜纹理性质的方法。该复制的油漆根据油漆组件的浓度进行调配。由数据库或具有给定纹理性质的配制剂中选择配制剂。若这没有产生令人满意的匹配，则可以通过在两个接近的匹配物之间插入而进行校正。

WO 01/25737公开了使用数字成像装置如CCD相机来确定纹理而使颜色匹配与纹理匹配结合的方法。匹配的油漆通过在与纹理数据链接的色料配制剂的数据库中搜寻而确定。

US 2001/0036309公开了一种测量微光的方法并且将该方法用于修补漆与原始油漆如汽车原始油漆的匹配。该方法包括测量颜色以及微光、特定纹理类型。从油漆配方的数据库中选择具有匹配微光的色料配方。因此，得到的微光纹理具有可接受的匹配。然而，不必很均匀地匹配颜色。因此，需要反复调节该色料配方直到颜色匹配可接受。在该现有技术体系中，虽然这些配方仍是可行的作为开始的配制剂的候选，但是不考虑这种在起始时就不具有正确纹理的色料配方。此外，该现有技术方法不保证纹理在色料配方的调节期间保存完好。

本发明的目的是改进修补漆与原始施用于基材上的油漆的匹配以更快速可靠的方式得到更准确的结果，优选不需要建立具有特定纹理数据的全部配制剂的数据库。

本发明的目的通过一种根据油漆组件的浓度来调配修补漆而使修补漆与基材上待修补油漆膜的纹理性质匹配的方法而实现，其特征在于各油漆组件与特定的纹理数据相关并且将使用所述油漆组件的纹理数据计算的纹理模型用于计算具有匹配纹理性质的修补漆。

这些纹理数据例如可包括调色剂中随角异色颜料的粒度分布以及随角异色颜料与存在于调色剂中的其它调色剂颜料之间的定义为明度差的光学对比。

令人惊讶地发现匹配的纹理可以通过将选自有限范围的显示出特定预设定纹理参数的调色剂混合而得到，并且可使用电脑计算匹配的纹理调色剂混合物。

优选油漆也与原始油漆的颜色性质匹配。令人意外地发现通过使颜色和纹理同时匹配，甚至在颜色匹配本身有点差时也改进了总的视觉匹配。

本发明的另一个实施方案包括使用色料配制剂数据库，从中选择最好的匹配物，然后通过使用计算纹理模型来调整调色剂浓度而将其进一步优化以得到更接近的纹理匹配或者结合的颜色匹配和纹理匹配。该调整可以是小调整或者可能需要除去一种或多种调色剂或将一种或多种新的调色剂加入所选的配制剂中。

本发明也涉及一种修补基材上油漆膜的方法以及一种使用具有特定纹理数据的油漆组件、将该组件按照计算混合并将所得油漆施加于待修补基材上而使修补漆与基材上待修补油漆膜的纹理性质匹配的方法，其中所述油漆组件用于计算与所需纹理性质匹配的油漆组件的组合物。该实施方案能够自动选择随角异色调色剂，这在迄今为止是不可能的。因此，不需要颜色专家的天生的不准确的视觉评估。

纹理可以借助数字成像装置如CCD相机进行成像。然后，可使用图像分析软件将图像译为一种或多种纹理参数。合适的图像处理软件例如为可从Media Cybernetics市购的Optimas或Image ProPlus、可从MitaniCorporation市购的MacScope或可从MathWorks Inc市购的Matlab。

纹理的测量

为了从数字图像中取得纹理参数，收集一系列代表性的汽车颜色并使用覆盖整个纹理参数范围的参比刻度对其进行视觉鉴定。从该系列汽车颜色的图像中得到与视觉评估密切相关的取得纹理参数值的算法。

纹理参数“粗糙度”描述样品在视觉上的表面粗糙度：当涂层显示出明显的暗和亮区域图案时具有粗糙度。不仅暗与亮区域的比例，而且区域的尺寸也是重要的，其中所述暗与亮区域的比例在黑白图像中可以以灰度值标准偏差表示。例如，图1中的图具有相同的灰度值标准偏差，但是图案明显不同。

可使用以下算法取得粗糙度：

照一个像素为N×N的CCD图像。在几个刻度X确定灰度值标准偏差GVSTD：在X＝1的最小刻度下计算每个像素的灰度值标准偏差；在第二最小刻度下对2×2像素的平方(X＝4)的平均灰度值计算灰度值标准偏差；在第三最小刻度下使用4×4像素的平方，因此X＝16；重复计算至N×N像素的最大刻度(X＝N²)。

可以用下式将该灰度值标准偏差GVSTD描述为刻度X的函数：

$\left(1\right),\mathrm{GVSTD}=A+\frac{B}{X^C}$

由于GVSTD和X是已知的，参数A、B和C可以通过拟合计算。

所述A、B和C参数可通过下式与视觉上的粗糙度值VC相关：

(2)VC＝α₁+α₂ ^*A+α₃ ^*B+α₄ ^*C

已经提前通过与一系列代表性的汽车颜色组对比预设定了α₁、α₂、α₃和α₄的值。这些参比色通过眼睛鉴定并根据参比刻度给予值。鉴定由许多人进行并将每组的给予值平均。对于每一个参比色，测量的VC应与根据用于视觉鉴定的参比刻度得到的值相等。通过将该系列代表性的汽车颜色中所有使用的组的观察值和测量值之间的差最小化而找到参数α₁、α₂、α₃和α₄。为找到对于该系列代表性汽车颜色的所有组的α₁、α₂、α₃和α₄参数的相等值，计算每组的参比刻度值与视觉粗糙度值VC之间差的平方值。然后将所有这些平方值的总和∑_所有组(视觉鉴定_组i-VC_组i)²最小化得到α₁、α₂、α₃和α₄的值。由于这些参数是已知的，可以确定任何汽车油漆膜的粗糙度。

上述通过使用理论模型(2)而使粗糙度与视觉评估相关的方法通常可用于任何特殊模型在任何观察和照明条件下的任何纹理参数。该特殊模型可以包括任何物理参数(如粒度、小片的组成等)、颜色参数(如CIE Lab参数等)或图像参数(如灰度值标准偏差等)。

测量纹理，尤其测量所谓的微光的另一方式是用数字成像装置和图像分析软件，其公开于此外引入作为参考的US 2001/0036309中。

参数“闪光”为另一个纹理参数，其描述在方向性照明条件下所感觉的随角异色涂层表面上的明亮的小光点，当你改变视角时它会开或关。闪光最好在直接的日光下观察，即在无云的天空下从小于1米处观察。甚至在相同的观察条件下，某些随角异色涂层显示出许多明亮的闪光，而其它随角异色涂层显示出少的闪光或者甚至根本没有闪光。已设计了观察者可以对随角异色涂层进行视觉检查并且将闪光状况用数字表示的闪光刻度。某些随角异色涂层具有小的闪光值，其它则具有大的闪光值。以此方式，涂层的纹理状况“闪光”可以定量方式观察。

纹理参数“闪光”可以通过对闪光强度和闪光尺寸加以区别而更具体地描述。闪光强度是明亮的小光点的光强或光强分布。闪光尺寸是光点的面积或面积分布。

第二种对闪光进一步加以区别的方式通过它们的颜色或颜色分布进行。

闪光仅在给定范围的照明方向、观察方向和样品取向的相互取向下是可见的。因此，第三种表征闪光的方式为在给定的一定观察角和样品取向下确定闪光为人眼可见的照明角范围(或其分布)。类似地，可使用在给定的固定照明角和样品取向下闪光为人眼可见的观察角范围(或其分布)，或者可使用在给定的固定观察角和固定照明角下的闪光为人眼可见的样品取向范围(或其分布)。

颜色的测量

通常将纹理匹配与颜色匹配结合。为了使颜色匹配，必需首先测量颜色。颜色可以借助测色计如分光光度计或三色刺激计测量。测得的信号可用于确定具有匹配颜色的油漆配方。美国专利申请US 2001/0036309描述了一种借助多角分光光度计测量颜色并使用测得的数据在数据库中搜寻色料配方的方法。美国专利US 4,813,000公开了借助三色刺激颜色分析器测量选择的颜色并使用测得的色度数据在数据库中搜寻色料配方。WO01/25737公开了如何用数字成像装置如扫描仪或数码相机来测量颜色。

在测量纹理性质以及任选颜色之后，计算匹配的油漆配方。为此预测油漆配方的纹理以及任选颜色。

根据油漆组件的浓度预测纹理

将合适的修补漆作为选自一系列组件的多种油漆组件的混合物(如调色剂)进行调配。已预设定了组件的纹理参数。基于这些参数可以计算具有所需纹理参数的混合物。以此方式可以计算纹理与原始油漆膜的纹理非常匹配的修补漆配制剂。

该色料配方的纹理可以视觉纹理性质如粗糙度、闪烁、闪光或微光表示，也可以物理纹理性质如粒度、粒度分布、颗粒形状、颗粒颜色和颗粒数表示，其中颗粒例如为随角异色颜料或几个不可能在视觉上或在图像中直接辨别的随角异色颗粒，例如乱取向物。

含有V个调色剂的单一色料配方的纹理参数T可以写作下式，其中每个调色剂具有纹理性质cⁱ：

(3)T_i＝(c¹，c²，....，c^v)

T_i优选视觉性质如粗糙度，但也可以是物理纹理性质。例如，可以将V个调色剂的配制剂的粗糙度模型写作Kubelka-Munk k值和s值及调色剂浓度c的函数，其在光学几何结构g和波长λ下测量：

(4)T_粗糙度＝(k¹ _λg，k² _λg，....，k^v _λg，s¹ _λg，s² _λg，....，s^v _λg，c¹，c²，....，c^v)在该实例中，粗糙度模型使用与颜色模型相同的参数(K和S值)。这对于纹理模型而言不总是必要的：更一般的实例表明T_i可能取决于调色剂的特定纹理性质：

(5)T_粗糙度＝(A¹，A²，....，A^v，B¹，B²，....，B^v，c¹，c²，....，c^v)其中A^j例如为特定调色剂的颗粒面积或面积分布，B^j为特定调色剂的颗粒形状(例如长轴长度或圆形度)。T_i可以为视觉性质如粗糙度T_粗糙度，但也可以例如为色料配方的总颗粒面积或面积分布或者为色料配方的总颗粒形状。

标准油漆如用于待修补汽车的油漆的纹理可以数字纹理参数T_i ^ST表示。当要对该标准油漆的纹理进行匹配时，可以使用例如为最小二乘法的计算方法通过用非线性优化算法如Marquardt-Levenberg算法(如Numerical Recipes in Pascal，W.H.Press、B.P.Flannery、S.A.Teukolsky、W.T.Vetterling，Cambridge University Press，1989中所述)通过改变调色剂浓度而使下式最小化：

$\left(6\right),X^2=\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{\{T_i(c^1,c^2,...,c^v)-T_i^{\mathrm{ST}}\}}^2.$

这意味着对于单一的油漆配方，调色剂的浓度以使色料配方和特定目标色料之间的理论纹理差最小化的方式变化(即使方程式(6)中的X²最小化)。

粗焅度

下面为用于预测油漆膜粗糙度的计算模型的实例，其基于用于调配油漆的油漆组件的预设定粗糙度数据。可定义以下作为多个预测值x(每个具有加权因子β)总和的一般方程式以预测计算的色料配方的粗糙度：

(7)F＝∑β_i*x_i

可能的预测值x例如为用于色料配制剂中的调色剂的浓度。表1中给出了色料配方的实例：

表1

调色剂	浓度
		Q065(不含颜料的基料组件)	0.23
Q110(含固体颜料的调色剂)	0.17
		Q160(含固体颜料的调色剂)	0.20
Q811E(含金属颜料的调色剂)	0.30
		Q811U(含金属颜料的调色剂)	0.05
Q951F(含珠光颜料的调色剂)	0.05

三个可能的预测值x为：

CONCS＝固体颜料浓度：0.17+0.20

CONCM＝金属颜料浓度：0.30+0.05

CONCP＝珠光颜料浓度：0.05

在这种情况下，该预测值与调色剂类型(固体颜料、金属颜料、珠光颜料等)相关。或者可以使用与各调色剂相关的预测值，但是这通常导致非常多的预测值。另一个选择是使用与如下颜料浓度相关的预测值：具有低散射系数的固体颜料(CONCSL)、具有高散射系数的固体颜料(CONCSH)、细金属颜料(CONCMF)、中等金属颜料(CONCMM)、粗金属颜料(CONCMC)、具有低散射系数的珠光颜料(CONCPL)、具有高散射系数的珠光颜料(CONCPH)、乱取向物(CONCQ)等。

已发现散射是良好的粗糙度指标。为避免过多的预测值，可以取着色剂浓度乘以着色剂在25°、45°和110°下在16个波长上的平均散射系数之和。对于金属颜料而言，这在该情况下对应于25°：

(8a)SUMMS1＝0.30*平均S₂₅Q811E+0.05*平均S₂₅Q811U并且对于其它角度：

SUMMS2＝0.30*平均S₄₅Q811E+0.05*平均S₄₅Q811U

SUMMS3＝0.30*平均S₁₁₀Q811E+0.05*平均S₁₁₀Q811U其中“平均S₂₅Q811E”为调色剂Q811E在25°下在16个波长上的散射系数的平均值并且“平均S₂₅Q811U”为调色剂Q811U在25°下在16个波长上的散射系数的平均值，以示于表1的它们的各自浓度加权。

同样可用于吸收系数。对于金属颜料而言，这在该情况下对应于25°：

(8b)SUMMK1＝0.30*平均K₂₅Q811E+0.05*平均K₂₅Q811U将所述预测值SUMMS1、SUMMS2、SUMMS3、SUMMK1、SUMMK2和SUMMK3用于方程式(7)中。

另外或作为替代，可将三个角度下的色料的L、a、b、孟塞尔色度值和孟塞尔色相值用作预测值。其它可以考虑的预测值为S与K的比例和K与S的比例，将波长区域分为两个部分(SUMMS1A和SUMMS1B)或四个部分(SUMMS1A、SUMMS1B、SUMMS1C和SUMMS1D)来代替在整个范围内进行平均以及定义一个对比预测值([常数-{S/K}_固体]/{S/K}_固体)。可能的组合数好像是无数的，然而，许多高度相关。

通常定义6个粗糙度的类别或类型。由于使用这些类型，用逻辑回归来代替线性模型以预测粗糙度，后者建议一种连续的刻度。可将该函数写作下式：

$\left(9\right),\ln (\frac{p(y\≤y_i)}{1-p(y\≤y_i)}={\mathrm{\α}}_i+F,i=1..5$

其中α为两个类型之间的范围。

在某一粗糙度值的可能性可以如下计算：

P(粗糙度值＝1)＝p(y≤Y₁)

P(粗糙度值＝2)＝p(y≤y₂)-p(y≤y₁)

P(粗糙度值＝3)＝p(y≤y₃)-p(y≤y₂)

P(粗糙度值＝4)＝p(y≤y₄)-p(y≤y₃)

P(粗糙度值＝5)＝p(y≤y₅)-p(y≤y₄)

P(粗糙度值＝6)＝1-p(y≤y₅)

图2显示可能性分布的实例。作为粗糙度值，或者取中值、众数(mode)或者取i＝1-6的∑i*P(i)。

通过与一系列代表性的汽车颜色组进行对比来预设定α值和β值。这些参比色通过眼睛鉴定并根据参比刻度给予值。这由许多人进行并且将每组给予值平均。对于每一个参比色，预测的粗糙度值应与根据用于视觉鉴定的参比刻度得到的值相等。通过将该系列代表性的汽车颜色中所有使用的组的观察值和测量值之间的差最小化而找到该参数。由于这些参数是已知的，可以预测任何汽车油漆膜的粗糙度。

闪光

为了预测随角异色涂层的闪光数，设计了仅基于用于油漆中的各种调色剂浓度的闪光模型。该模型可在试图与原始颜色如待修补汽车的原始颜色匹配时使用。此时该模型可以确保原始汽车颜色的闪光状况也匹配。

为了进行这些预测，该闪光模型需要多个输入参数：

-照明角和观察角。这指光源(如太阳)在涂层上照射的角度和观察者观察的角度。而且光源照射的距离和观察者与涂层之间的距离相关。也需要光源的强度。最后需要由涂层观察的检查者/观察者的眼睛与光源的角度范围。

-随角异色调色剂内片状颗粒的尺寸和厚度及数量。

-每种调色剂的小片在涂层中的取向。-非随角异色调色剂的吸收值和散射值(K和S)及非随角异色调色剂的折光指数。这些用于计算涂层如何吸收光。

首先计算背景(即围绕闪光的涂层)的颜色和强度。这很重要，因为人眼可在暗环境下对微小光源如闪光的检测比在亮环境下好。背景颜色的计算基于非随角异色调色剂的吸收值和散射值(K和S)，并假设所有落在随角异色涂层上的光或者被涂层中一定深度下的小片吸收或者反射。考虑所有在涂层中几个深度下的小片的各种贡献。

在计算背景颜色和强度之后，相对于该计算的背景计算多强的闪光可为人眼所见。该计算如Hardy的文章，J.Opt.Soc.Am.，57(1967)，44-47中所述进行。然后，计算一平方厘米的涂层表面中多少小片具有正确的取向和在涂层中的深度，从而由它们反射的光强到足以相对于该背景是可见的。该数目称为N并且通过将四项相乘得到。第一项考虑闪光在较暗背景下可更易于辨认的事实并涉及固体颜料的光吸收。第二项考虑对视角/照明角的依赖性。第三项考虑小片在涂层中的浓度，并且第四项计算具有正确取向的以使它们可作为闪光被看见的小片的分数。

目前使用基于心理学的韦伯定律(Weber law)，即人类感觉通常基于刺激的对数，N的对数与视觉上观察的闪光刻度数相关。韦伯定律描述于M.W.Levine，Fundamentals of Sensation and Perception，第3版，OxfordUniversity Press，New York，2000中。目前使用基于心理学的韦伯定律(Weber law)，即人类感觉通常基于刺激的对数，N的对数与视觉上观察的闪光刻度数相关。

根据油漆组件的浓度来匹配颜色

色料配方可以多种方式确定，即借助搜寻程序、计算或两种的结合来确定。例如，可使用包含链接有比色数据的色料配方的数据库。使用测量所选择色料计算的比色数据，可以找到最接近的匹配色料配方。或者，可以使用链接有光谱数据的色料配方的数据库。可使用已知的计算方法计算色料配方的比色数据并将它们进行对比。而且，可以使用在其中储存了颜料的吸收数据和反射数据，即所谓的K和S数据的数据库。使用结合色料浓度的K数据和S数据可计算比色数据与测量所选择色料的比色数据最匹配的色料配方。所述方法已详细地描述于D.B.Judd等的Colour inBusiness，Science and Industry之中。可以结合上述搜寻方法和计算方法。

颜色可以通过油漆膜的反射表示为可见光波长的函数。或者，颜色可以依据由Commission International d’Eclairage(国际照明委员会)定义的所谓的CIE Lab系统或类似系统如CIE Luv、CIE XYZ系统或孟塞尔系统表示。在包含随角异色颜料的油漆膜中，测得的反射R取决于由观察角和照明角定义的光学几何结构。由v个调色剂组成的色料配制剂在波长λ和光学几何结构g下的理论反射R_gλ可以写作每个调色剂的比色参数c的函数：

(10)R_gλ＝(c1，c²，...c^v)

或者可以类似方式表示油漆配方的L值、a值、b值。

该色料配方含有V个调色剂、g个测量几何结构以及每个几何结构下的λ波长。在不含随角异色颜料的固体色料的情况下，通常g＝1，并且在波长范围为400-700nm时λ＝16且波长间隔为20nm。对于包含随角异色颜料的油漆g通常约为3。

依据Kubelka Munk模型(遮盖方案)通过下式定义反射R^KM：

$\left(11\right),\frac{\underset{i=1}{\overset{V}{\mathrm{\Σ}}}{c}_i\·K_{\mathrm{g\λ}}^i}{\underset{i=1}{\overset{V}{\mathrm{\Σ}}}{c}_i\·S_{\mathrm{g\λ}}^i}=\frac{{(1-R_{\mathrm{g\λ}}^{\mathrm{KM}})}^2}{2R_{\mathrm{g\λ}}^{\mathrm{KM}}}$

其中Kⁱ _gλ为调色剂i在波长λ和光学几何结构g下的吸收因子，Sⁱ _gλ为调色剂i在波长λ和光学几何结构g下的散射因子。因此得到与方程式(4)类似的公式：

(12)R_gλ(K_gλ ¹，K_gλ ²，...，K_gλ ^V，S_gλ ¹，S_gλ ²，...，S_gλ ^V，c¹，c²，...，c^v)

为了与以反射值R^ST _gλ表示的标准颜色(如待修补汽车的颜色)匹配，可以例如使用最小二乘法通过用非线性优化算法如Marquardt-Levenberg算法将下式最小化：

$\left(13\right),X^2=\underset{g=1}{\overset{G}{\mathrm{\Σ}}}\underset{\mathrm{\λ}=1}{\overset{^}{\mathrm{\Σ}}}{\{R_{\mathrm{g\λ}}(c^1,c^2,...,c^v)-R_{\mathrm{g\λ}}^{\mathrm{ST}}\}}^2.$

这意味着对于单一色料配方，调色剂的浓度以使色料配方和特定目标色料之间的理论颜色差最小化的方式变化(即使方程式(13)中的X²最小化)。在一个色料配方中V个不同调色剂的浓度cⁱ通过在如下方程式中使用每个调色剂的固定的K值和S值拟合cⁱ参数来估算：

(14)R_gλ(拟合参数：c¹，c²，...c^V；固定：K_gλ ¹，K_gλ ²，...，K_gλ ^V，S_gλ ¹，S_gλ ²，...，S_gλ ^V)。

这种表示色料配制剂的方式也并入了色料配方中不含调色剂的情况或将调色剂加入色料配方的情况：这可通过将所含调色剂的浓度设为零或分别除去参数而实现。

颜色匹配与纹理匹配的结合

处理纹理参数的优选方式为将油漆同时基于颜色和纹理进行匹配。为此，必需定义颜色与纹理结合的模型“RT”。这例如可通过结合方程式6和13而实现，即将它们相加并将加权因子α定义为0-1：

$\left(15\right){,X}^2=(1-\mathrm{\α})\·\underset{g=1}{\overset{G}{\mathrm{\Σ}}}\underset{\mathrm{\λ}=1}{\overset{^}{\mathrm{\Σ}}}{\{R_{\mathrm{g\λ}}(c^1,c^2,...,c^v)-R_{\mathrm{g\λ}}^{\mathrm{ST}}\}}^2+\mathrm{\α}\·\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{\{T_i(c^1,c^2,...c^v)-{T_i}^{\mathrm{ST}}\}}^2$

通过使用非线性优化算法如Marquardt-Levenberg算法而使方程式(15)最小化。拟合参数是调色剂的浓度并且固定参数是得自颜色模型的K值和S值及得自纹理模型的纹理参数。

可使用加权因子α来设置颜色和纹理之间的优先顺序。若颜色匹配比纹理匹配更优先，则α小于0.5，而若纹理匹配更优先，则α大于0.5。α值越高，纹理的作用越重要。对于所有色料配方可将因子α保持为常数，但是对于各个单独的色料配方因子α也可以变化。

另一种处理纹理的方式为在或多或少的标准色料的调配中将纹理用作约束物。这意味着代替方程式(15)而解方程式(13)，但是在估算中调色剂的浓度不可以使纹理参数差T_i(c¹，c²，...，c^v)-T_i ^ST超过预设定的上限和下限的方式变化。

图3显示了如何使用方程式(15)将X²分为颜色部分和纹理部分的示意性实例：

(16)X²＝(1-α).X² _颜色+α.X² _纹理

图3用图表示了对于特定色料配方而言方程式16的作用。当所述配方仅在颜色上匹配时(α＝0)，则在该特别情况下X² _颜色(深蓝色线)低于颜色接受阈值(粉色线)，该颜色接受阈值指一般颜色专家在视觉上可接受的颜色。然而，X² _纹理(黄色线)是相当大的并且在该特别情况下大于纹理阈值(青色线)，该纹理阈值指对于一般颜色专家在视觉上是不可接受的纹理。另一方面，当匹配仅基于纹理时(α＝1)，则颜色是不可接受的而纹理是可接受的。为了得到令人满意的匹配，X² _颜色和X² _纹理均需低于相应的阈值。在该特别的实例中这在0.2≤α≤0.6时得以实现。应强调的是这仅是一个实例。总存在或者颜色和/或纹理将或不可能低于其视觉阈值的色料配方。这例如是没有正确选择调色剂时的情况。

处理加权因子α有不同的方式。一种方式为将α设为一个通常能实现最好的颜色匹配与纹理匹配结合的固定值。更优选的方式为对于各个单独的色料配方特别确定一个最佳α值。

本发明通过以下实施例进一步说明。

实施例

用ColourChecker在三个角度(25°、45°和110°)下测量深灰色随角异色涂层(“标准”)。表2显示了测量结果。

表2.“标准”

作为纹理性质，测量了粗糙度且将其标记为0.91。

试图仅对颜色进行匹配(“颜色”)以及对颜色和纹理进行匹配(“颜色纹理”)。对于两个计算使用了相同系列的着色剂。将配制剂喷雾并测量样品。配制剂在表3中给出，颜色测量结果在表4和表5中给出。“颜色”的粗糙度值为2.24，并且“颜色纹理”的粗糙度值为1.23，与标准的粗糙度的差在表6中给出。

表3.“颜色”和“颜色纹理”的配制剂

表4.“颜色”

表5.“颜色纹理”

表6.“颜色”和“颜色纹理”的Δ粗糙度(标准的Δ粗糙度≤0.8)

通过使用加权平均的ΔEcmc(WADE)将“颜色”评价为0.46并且“颜色纹理”评价为0.68。该实施例显示纹理匹配的附加值(“颜色纹理”的纹理与“标准”的纹理匹配)在颜色上比“颜色”略微更差，但是满足WADE＜1的要求。

Claims (5)

1.根据油漆组件的浓度来调配修补漆而使修补漆与基材上待修补油漆膜的颜色性质和纹理性质匹配的方法，其中纹理性质定义为油漆膜平面中取决于小的组成部分的尺寸和构造的可见表面结构，其特征在于每个油漆组件具有特定的纹理数据和颜色数据并且将使用该油漆组件的纹理数据和颜色数据计算的纹理和颜色模型用于计算具有匹配纹理和颜色性质的修补漆，并且其中使用了用加权因子使颜色差异配方与纹理差异配方结合的颜色和纹理差异配方，其中对于各个单独的色料配方特别确定一个最佳加权因子值。

2.根据权利要求1的方法，其特征在于将分光光度计用于测量原始油漆的颜色。

3.根据前述权利要求中任一项的方法，其特征在于将数字成像装置用于原始油漆膜纹理的成像并且使用图像分析软件分析成像的纹理以及计算纹理参数。

4.根据权利要求1的方法，其特征在于计算了需要与特定纹理匹配的给定系列随角异色组件的浓度，然后将所述随角异色组件的混合物与选自颜料浓缩物、基料组件和包含侧视色控制剂的组分的其它组件混合。

5.根据权利要求4的方法，其特征在于对基材上待修补油漆膜选择所述随角异色组件而不需要对基材上待修补油漆膜进行视觉评估。

Images