CN104951792A - 用于分类扇形色卡颜色的系统和方法 - Google Patents
用于分类扇形色卡颜色的系统和方法 Download PDFInfo
- Publication number
- CN104951792A CN104951792A CN201510145987.0A CN201510145987A CN104951792A CN 104951792 A CN104951792 A CN 104951792A CN 201510145987 A CN201510145987 A CN 201510145987A CN 104951792 A CN104951792 A CN 104951792A
- Authority
- CN
- China
- Prior art keywords
- color
- cluster
- data
- fan
- processor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000003086 colorant Substances 0.000 title abstract description 27
- 238000005286 illumination Methods 0.000 claims abstract description 9
- 241000532370 Atla Species 0.000 claims description 105
- 230000000694 effects Effects 0.000 claims description 29
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 230000007935 neutral effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 abstract description 6
- 239000003973 paint Substances 0.000 description 19
- 230000006870 function Effects 0.000 description 16
- 239000000203 mixture Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 11
- 230000011514 reflex Effects 0.000 description 11
- 238000009826 distribution Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 239000000049 pigment Substances 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004737 colorimetric analysis Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000000491 multivariate analysis Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 229910052709 silver Inorganic materials 0.000 description 3
- 239000004332 silver Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000002966 varnish Substances 0.000 description 2
- 239000002671 adjuvant Substances 0.000 description 1
- 239000004411 aluminium Substances 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000007767 bonding agent Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000002798 spectrophotometry method Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
- G01J3/463—Colour matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
- G01J3/52—Measurement of colour; Colour measuring devices, e.g. colorimeters using colour charts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectrometry And Color Measurement (AREA)
- Image Processing (AREA)
Abstract
提供了一种用于将多种颜色按色度分类到扇形色卡中的系统和方法。该方法包括对于待分类到扇形色卡中的一组颜色,接收至少一个照明和查看几何条件下的颜色识别符数据和颜色测量数据,并在处理器中将颜色聚类。然后基于通过聚类确定的颜色的相似性,将颜色分配到扇形色卡。
Description
技术领域
本文描述的主题的实施方案通常涉及颜色分类(color sorting),更特别地涉及用于分类色块(color chip)以制备经颜色分类的扇形色卡(fandeck)的系统和方法。
背景技术
颜色的直观化和选择在许多应用中具有重要的作用。例如,油漆供应商必须为所有当前和近代型车辆提供成千上万种颜色以覆盖全球OEM制造商的颜色范围。将这么多数量的不同颜色作为工厂打包产品提供给油漆制造商增加了复杂性并提高了存货成本。因此,油漆制造商提供了一般由50-100种成分(例如单色颜料、粘合剂、溶剂、添加剂)构成的具有与车辆颜色范围相配的混合物配方的混合机系统。混合机可以存在于修理厂(汽车车身修理厂)或油漆经销商处并且使用户通过配制一般由4-10种成分组成的适合的量的颜色配方获得所需的颜色。颜色混合物配方保存在数据库中,并通过下载或直接连接到互联网数据库经由计算机软件分配给用户。
在车辆制造中通过色差使最佳混合配方的识别复杂化。例如,特定的颜色可能显示在三个车辆型号上,用不同的施用设备在两个装配车间中制成,使用来自两个OEM油漆供应商的油漆,并且超过5年型的有效期限。这些变化的来源导致在具有该标称颜色的车辆总数上具有显著的色差。修理油漆供应商提供与颜色总数的子集相配的颜色配方替代品使得对需要修理的任何车辆都可得到接近的匹配。供替代的颜色配方的每一个都能够由扇形色卡中的色块(color chip)表现,这样能使用户通过对车辆进行视觉比较就能选出最相配的配方。
因此完整的混合机系统包括油漆成分、用于车辆颜色和颜色替代品的油漆混合物配方数据库、与配方数据库互联网连接经由计算机软件的颜色配方的分配、和使用制造商代码识别待修理的车辆颜色的工具、便携式分光光度计或扇形色卡。尽管工具用于识别颜色配方,用户一般将会在花费时间和材料分配修理油漆前验证选择。验证步骤是通过将表现油漆混合物配方的扇形色卡的色块与车辆视觉比较而进行。
存在几种方法用于识别为了修理的正确的混合物配方。制造商颜色代码信息是在车辆的标签上,允许通过参考该制造商颜色代码配方检索。可替代性地,可以使用便携式分光光度计测量车辆的颜色。然后软件提供在配方数据库中最接近的相配的配方。可替代性地,油漆供应商提供颜色样品(色块)的集合,其使用户通过与车辆视觉比较而选择最相配的颜色。颜色集合一般是以扇形色卡的形式,其通常包括一堆套在环上的易于查看的色块,其为了容易查看使多个色块呈扇形。集合将具有很多扇形色卡以覆盖成千上万种比较流行的制造商颜色,其具有每个扇形色卡包含大约100种颜色。
扇形色卡可以由制造商和制造商颜色代码编组或与制造商无关由颜色编组。后者称作按色度分类扇形色卡并提供更多的配方替代品和完整的视觉颜色检索。因此,包含各种明暗度的例如金属红的扇形色卡给予用户许多更多的选择。然而,在通过视觉分类时将成千上万种颜色编组到许多扇形色卡中是困难的。在一个具体实施例中,扇形色卡包括1562种单色、5641种效果色和111种由制造商设置的三涂色(tri-coat colors),总共包括7344种颜色。这些颜色是多变的,且可以通过变色(color travel)和光亮(sparkle)表征。尽管这些颜色可以通过颜色相似性分组,但不存在简单的方法确定在给定的扇形色卡内的色块的顺序。由于单个色卡的尺寸限制进一步使其复杂化;即,色卡的实际尺寸仅可以容纳80个色块(chip)。因此,这些成千上万个色块必须被编组到扇形色卡中,每个包含不多于约80个色块,并且其中相邻的颜色出现在同一色卡中并在每个色卡中占据相邻的位置。
因此,将会需要提供用于编组按色度分类扇形色卡的系统和方法。也将会需要提供用于编组按色度分类扇形色卡的系统和方法,其中(1)邻近的色块(color chip)出现在同一扇形色卡中,(2)邻近的色块彼此相邻出现在同一扇形色卡中;和(3)每个扇形关于其它扇形色卡适当地排序。
更近一步,会需要提供用于编组按色度分类扇形色卡的系统和方法,其为选择包含接近车辆颜色的恰当的扇形色卡供给简单的和直观的导航。
发明内容
发明内容的提供用于以简化形式介绍概念的选择,在下面的详细描述中将对其进一步描述。发明内容并不旨在识别所要求保护的主题的主要特征或基本特征,其也不旨在用作确定所要求保护的主题的范围的辅助。
提供用于将多种颜色按色度分类到扇形色卡中的方法。方法包括接收在至少一个照明和查看几何条件(illumination and viewing geometry)下的颜色识别符数据和颜色测量数据用于待分类到扇形色卡中的多种颜色并且在处理器中对颜色进行聚类。然后基于通过聚类确定的颜色的相似性,将颜色分配到扇形色卡。
还提供用于将颜色按色度分类到扇形色卡中的系统,其中每个扇形色卡由多个色块组成。系统包括色块配方数据的第一源、颜色数据的第二源和耦接到第一源和第二源的处理器,并且处理器经配置成(a)对颜色的子集中的颜色进行聚类;和(b)在聚类里将颜色排序。
进一步地,根据以下步骤制备按色度分类扇形色卡:接收至少一个照明和查看几何条件下的颜色识别符数据和颜色测量数据,对于待分类到扇形色卡中的一组颜色确定每种颜色落入纯色、效果色或三涂色子集的哪个中,在处理器中将颜色聚类到每个子集中,在处理器中确定子集是彩色的还是中性色的,如果是彩色的通过色调排序以及如果是中性色的通过亮度排序,选择单一的聚类,并用处理器在单一的聚类里将颜色排序。
此外,从以下详细描述和所附权利要求书,并结合附图和前面的背景技术,系统和方法的其它所需的特征和特点将变得显而易见。
附图说明
在下文将结合以下附图描述主题的实施方式,其中相同的数字表示相同的元件,且:
图1是示出用于编组按色度分类扇形色卡的方法的流程图,基于示例性的实施方案,使得邻近的色块在同一扇形色卡中恰当地排序,邻近的色块在同一扇形色卡中彼此相邻出现,并且每个扇形色卡关于其它扇形色卡适当地排序;
图2是示出用于执行结合图1显示和描述的过程的系统的框图;
图3是描述根据第一实施例将在三涂彩色聚类中的17种颜色重新聚类到5个不同的子聚类中的系统树图;
图4是与图3中所示的实施例相关的3D散布图;
图5是通过对三涂彩色聚类按次序排序和分组子聚类选定的数据维度的矩阵图;
图6是描述根据另一实施例将红色效果聚类重新聚类得到3个子聚类的系统树图;
图7是图6中所示的实施例的3D散布图;以及
图8是通过对红色效果聚类按次序排序和分组子聚类选定的数据维度的矩阵图。
具体实施方式
以下详细描述在本质上仅是示例性的,并不旨在限制主题的实施方案或这些实施方案的应用或用途。如本文所用的,词语“示例性”意味着“用作实施例、例子或示例”。本文描述为示例性的任何实施都不必然被解释为与其它实施相比是优选的或有利的。此外,并不存在用任何存在于前面的技术领域、背景技术、发明内容或后面的详细描述中明示或隐含的理论限制的意图。
本文的技巧和技术可以在功能和/或逻辑块组件的方面并参照可以由各种计算组件或设备执行的操作、处理任务和功能的符号表示进行描述。应当认识到在附图中所示的各种块组件可以被通过配置成执行指定的功能的任意数量的硬件、软件和/或固件组件所实现。例如,系统或组件的实施方案可以采用各种集成电路组件,例如存储元件、数字信号处理元件、逻辑元件、查阅表等,其可以在一个或多个微处理器或其他控制设备的控制下执行各种各样的功能。
以下描述可以涉及“耦接”在一起的元件或结点或特征。除非另有明文规定,如本文所用的,“耦接”意味着一个元件/结点/特征与另一元件/结点/特征直接或间接连接(或直接或间接通信),且不必是机械地。因此,尽管附图可以描绘元件的一个示例性的排布,但在所描绘的主题的实施方案中可以存在另外的中间元件、设备、特征或组件。另外,仅为了参考的目的,在后面的描述中还可以使用某些术语,因此其并不旨于限制。
以下详细描述在本质上仅是示例性的,并不旨在限制主题的实施方案或这种实施方案的应用和用途。本文描述为示例性的任何实施不必然被解释为与其它实施相比是优选的或有利的。此外,并不存在被任何存在于前面的技术领域、背景技术、发明内容或后面的详细描述中明示或隐含的理论限制的意图。
本文中的技巧和技术可以在功能和/或逻辑块组件的方面并参照可以由各种计算组件或设备执行的操作、处理任务和功能的符号表示进行描述。这种操作、任务和功能有时被称作是计算机执行的、计算机化的、软件实施的或计算机实施的。在实践中,一个或多个处理器设备能够通过操纵表示在系统存储器中的存储单元处的数据位的电信号以及其它处理信号执行该所述的操作、任务和功能。数据位保存在其中的存储单元是具有对应于数据位的特定的电的、磁的、光的或有机性质的物理单元。应当认识到在附图中所示的各种块组件可以通过任何被配置成执行指定的功能的任意数量的硬件、软件和/或固件组件所实现。例如,系统或组件的实施方案可以采用各种集成电路组件,例如存储元件、数字信号处理元件、逻辑元件、查阅表等,其可以在一个或多个微处理器或其它控制设备的控制下执行多个功能。
为简洁起见,本文可能不会详细描述与某些系统和子系统(以及其单个的操作组件)的图形和图像处理、触屏显示和其它功能方面相关的常规技巧。此外,本文包含的各种附图中所示的连接线旨于表示示例性的功能关系和/或在各种元件之间的物理耦接。应当注意在主题的实施方案中可能存在很多可替代性的或另外的功能关系或物理耦接。
如以前暗示的,油漆供应商保存有颜色配方数据库,包括制造商、混合机系统、油漆配方、颜色标准和扇形色卡色块识别符、对于标准油漆量(一般为1加仑或1升)的配方成分和数额,和性质数据。性质数据包括湿油漆的测量或计算性质(例如密度、挥发性有机物含量)或干油漆样品或色块的测量或计算性质(颜色、光泽度)。对于按色度分类最重要的性质是颜色类型(例如纯色、效果色、三涂色)、颜色和光亮数据。
效果色包含大的平薄片颜料(一般是铝或珠光薄片颜料),其在来自薄片的高反射率的颜色(变色)和光亮或反光中给予方向的变化。三涂色通常是具有透明的含薄片的中涂层和清漆面层的纯色底漆层并且具有独特的变色外观。
颜色数据是通过使用具有至少一个照明和查看几何条件(例如相对于垂直于样品表面的方向在45度照明并在0度查看)的颜色分光光度计测定油漆样品或色块得到的。包含金属颜料或其它薄片颜料的颜色伴随着照明和查看的方向具有颜色变化。该颜色变化或变色是由在多个照明和查看几何条件的颜色测定表征的,并该测量几何条件是由测量几何条件的逆定向反射角(即查看方向和镜面反射方向之间的角度)描述的(参见美国试验和材料协会(American Society for Testing and Materials)(ASTM),用于具体说明多角度分光光度计的几何条件的标准实践(Standard Practice forSpecifying the Geometry of Multiangle Spectrophotometers),技术报告ASTME2194.01(2011))。例如,由毕克-加特内公司(Byk-Gardner GMBH)制造的Acquire Plus EFXTM提供在15度、45度和110度逆定向反射角的颜色测量以表征颜色的变色。颜色测量在每个测量几何条件是作为光谱反射测量进行的,并且使用CIE比色法(国际照明委员会(CIE),比色法,第三版,CIE 015:2004,CIE中心局,维也纳,2004(Commission InternationaleDe L’(CIE),Colorimetry,3rd ed.,CIE 015:2004,CIE CentralBureau,Vienna,2004))计算对于日光光源D65和1964标准观测仪的XYZ三色值,然而,其它光源和观测仪是可能的。在逆定向反射方向15度、45度和110度对于总共9个颜色数据维度将三色值转换为CIELAB(CIE 1976L*a*b*颜色空间),其是在颜色配方数据库中提供的数据)。因为纯色随着方向变化几乎不显示变色,所以使用在逆定向反射角45度的L*a*b*值限定纯色。对于效果色和三涂色,使用在逆定向反射角15度、45度和110度的L*a*b*值限定颜色。在优选的实施方案中使用CIELAB L*a*b*值以提供均匀的颜色空间,其中在任意维度的相等差异会产生近似相等的视觉量级(visual magnitude)。然而,应当注意的是源自CIE XYZ三色测量或任意其它数值表色系(color specification system)的任何颜色坐标能够用于颜色描述和按色度分类。
该Byk Acquire Plus EFXTM还提供了在逆定向反射角15度和45度(Sg15、Sg45)的光亮等级(Sparkle Grade)的测量,这些角度对应于在那些方向中的光亮外观的感知强度。这些光亮数据值同样包括在该颜色配方数据库中。纯色是由一组3个颜色维度(即L*45、a*45和b*45)限定的,并且效果色和三涂色是由11个颜色维度和光亮维度(即L*15、a*15、b*45、L*45、a*45、b*45、L*110、a*110、b*110、Sg15、Sg45)限定的。然而,应当注意的是颜色和外观数据组能够延伸到不同的或另外的方向、其它颜色坐标系统或其它外观测量值。
通常,开发扇形色卡用于指定的混合机系统。从颜色配方数据库中提取表示待包括在扇形色卡中的颜色配方和色块的数据。每个观察包括制造商、油漆配方、色块、颜色类型识别符以及颜色和光亮测量。此外,确定用于在按色度分类方法过程中使用的在逆定向反射角15度、45度、110度的CIELAB色度(C*)和色调角(h)。在优选的实施方案中,将这种色块数据对于纯色、效果色和三涂色分成不同的子集;然而各种其它数据的细分是可能的。
图1是示出用于编组按色度分类扇形色卡的方法的流程图100,根据示例性的实施方案,使得邻近的色块在同一扇形色卡中适当地排序,邻近的色块在同一扇形色卡中彼此相邻出现,并且每个扇形色卡关于其它扇形色卡适当地排序。在步骤102中,从颜色配方数据库中选出待包括在一个或多个扇形色卡中的颜色,并且从数据库中检索与每个颜色相关的颜色数据(即色块识别符数据、颜色数据和光亮数据,如上所述)(步骤104)。在步骤106中,关于选定的颜色是否属于纯色、效果色还是三涂色子集做出确定。然后检索对于在步骤106中确定的子集的色块识别符数据(chipidentification data)、颜色数据和光亮数据(步骤108)。应当理解的是尽管在实施方案中已经选择了色卡识别符数据、颜色数据和光亮数据,但也可使用其它和/或另外的参数。
在步骤110中,使用颜色数据和光亮数据作为多元数据空间,以便使用聚类分析(或简单聚类)限定颜色观测数据;即将一组对象以这种方式分组,这种方式是在同一组(即聚类)中的对象比其它组(聚类)中的那些(在某些方面或另一个方面)彼此更相似。聚类是在包括机械学习、模式识别、图像分析、信息检索和生物信息学的很多领域中用于统计数据分析的常用技术(参见Alvin C.Rencher,William F.Christensen,多元分析方法(Methods of Multivariate Analysis),第3版(3rd ed.),约翰·威利父子出版公司(John Wiley and Sons),霍博肯(Hoboken),新泽西(NJ),2012)。
聚类分析不包括一个指定的算法,但其使用各种算法达到,这些算法在什么构成聚类的它们的概念和如何有效地找到它们中有显著地区别。聚类的通俗概念包括在聚类成员、数据空间的密集区和区间或特定的统计分布之间的较小距离的组。因此聚类能够被认为是多目标优化问题。恰当的聚类算法和参数设定(包括诸如使用的距离函数、密度阈值或预期聚类的数量的值)取决于数据组和结果的预期用途。聚类分析不是自动任务,而是涉及试验和失败的知识发现或交互的多目标优化的迭代过程。时常必须修改数据预处理和模型参数直至结果达到所需的性质。
存在许多聚类算法,其共同具有一组数据对象,并且存在不同的聚类模型,并且对于这些聚类模型的每一个又具有不同的算法。如由不同算法所发现的一样,聚类的概念在它的性质中显著地变化。典型的聚类模型包括连通性模型(例如其中分级聚类基于距离连通性建造模型);形心模型(例如k均值(K-means)算法,其中每个聚类由单一均值向量表示);分布模型,其中使用诸如多元正态分布的统计分布将聚类模型化;和其它的模型。
“聚类”基本上是一组这样的聚类,通常包含在数据组中的所有对象。此外,其可以详细说明聚类彼此的关系;例如嵌入在彼此中的聚类的层级。聚类能够大致区分为,例如硬聚类,其中每个对象或者属于聚类或者不属于;软或模糊聚类,其中每个对象在某个程度上属于每个聚类;严格分区,其中每个对象精确地属于一个聚集;具有离群值的严格分区聚类,其中对象也能够不属于聚类并且被认为是离群值;重叠聚类;分级聚类,其中属于子聚类的对象也属于母聚类;子空间聚类,其中聚类预期不重叠;以及其他聚类。
聚类算法能够基于它们的聚类模型分类,并且可能有超过100种已公布的聚类算法。对于特定的问题需要根据实验选择最恰当的聚类算法,除非存在数学的原因,与另一种模型相比优选一种聚类模型。
基于连通性的聚类,也已知为分级聚类,是基于比远离的对象与邻近的对象更相关的对象的核心思想。这些算法基于它们的距离连接“对象”连接以形成“聚类”。聚类很大程度上能够由连接聚类的部分所需的最大距离来描述。在不同的距离处,不同的聚类将形成,其能够使用系统树图表示。这些算法不提供数据组的单一分区,而是替代地提供与彼此在某些距离处结合的聚类的广泛层级。在系统树图中,y轴标记了在其处聚类结合的距离,而对象沿x轴放置使得聚类不会混合。
基于连通性的聚类是整类由计算的距离方式而差异的方法。与基于连通性的聚类相关的方法通常将不产生数据组的唯一分区,而是产生层级,用户仍需要从其中选择恰当的聚类。
分级聚类通过计算所有在点之间的距离开始。距离能够使用欧几里德距离、城市街区距离(city block)、欧几里德距离平方或其它距离矩阵。将最接近的点或聚类按顺序组合,从聚类中的所有点到在一个聚类中的所有点。即如果存在100个点,将存在具有99、98、97、……、3、2、1聚类组的顺序水平。在每个步骤使用连接规则决定哪个点或聚类“最接近”于之前的点或聚类。用户复查结果并选择多少数量的聚类将点最佳地分隔进有用的组中。对于扇形色卡问题,主要的设计参数是在扇形色卡内颜色的最大数量和最小数量。例如,色块的厚度和扇形色卡的环或柱的尺寸可能会加上限于每个扇形色卡(fan deck)的色块(chip)的数量上。具有大于色卡(deck)最大值的颜色数的聚类能够形成新的数据组,能够将其再次聚类以形成数量少于色卡最大值的更小的聚类。能够将具有非常少的数的聚类附加到邻近的聚类。
在基于形心的聚类中,聚类由中心向量表示,其可以不必是数据组的成员。在将聚类的数量固定到k时,k-均值聚类提供正式的限定作为优化寻找k聚类中心并将对象分配给最近的聚类中心使得从聚类中心的距离平方最小化。
常用的方法是仅搜索近似解。一种公知的近似方法是劳合社的算法(Lloyd’s algorithm),实际上时常称作“k-均值算法”。然而其仅寻找局部最优值,以及通常用不同的随机初值运行很多次。
在使用k-均值聚类时,用户选择所需聚类的数量(k)。如前面一样,在聚类之前能够选择或衡量数据维度。在初始化步骤中,用户通过随机或其它过程将观测数据分配给该k个聚类。算法将点迭代地分配给与聚类形心具有最近距离的聚类,然后更新聚类形心并重复直至在聚类之间没有更多观察数值改变。该聚类是非分级的,因为观测数据能够添加到聚类中,而且在随后的迭代中移动到不同的聚类。在聚类内的数不存有控制。因此,如果聚类的数超过了最大值,那么将聚类取做子集,并且重复聚类以形成更小的聚类。
使用分级聚类算法或k-均值聚类算法基于它们的多元颜色点的相似性,将观测数值分配给聚类。在数据点之间的距离将取决于数据维度的标度和选择。考虑到维度可能相关和/或具有不同的量级,用户可以选择使用所有维度或子集。因为维度具有近似相等的视觉量级,所以均匀的颜色空间坐标的使用可能是有利的。可替代性地,用户可以将维度标准化或采用一些其它维度标度。(对于更详细的聚类描述,感兴趣的读者参考Alvin C.Rencher,William F.Christensen,多元分析方法(Methods of MultivariateAnalysis),第三版(3rd ed.),John Wiley and Sons,Hoboken,NJ,2012.)。
在本案中,方法100的步骤110的结果是基于颜色/光亮相似性,将颜色分配到色卡聚类中,并且所有色卡聚类具有在扇形色卡容量最大值内的数。
在步骤112中将分配给聚类的每个颜色分配到中性色组(neutralgroup)和彩色组(chromatic group)中。能够存在大约100个聚类。中性色包括白色、黑色、灰色、金属银色、金属灰色、金属黑色和其它具有低色度的颜色。彩色包括红色、黄色、绿色、蓝色和在较高色度的中间色调。中性色组和彩色组提供直观的分离成彩色较少和较多的组,这有助于导航到色卡的组(group of decks)中。然而,组的选择是任意的,并且其它色卡的组是可能的。基于聚类的平均色度与色度公差的比较,将色卡聚类分配给组。例如,如果聚类的平均色度大于10,那么将聚类分配到彩色组。如果小于10,将其分配到中性色组。
在步骤114中,将彩色色卡聚类通过色调按相继的次序放置用于放置在拥有色卡的箱体或其它设备中。此处的目的是为所需的色卡聚类提供简单的和直观的导航。顺序规则的选择是任意的。对于中性色色卡聚类,基于聚类亮度均值的顺序可意味着可以选择从浅到深;例如对于纯色是从白到黑,并且对于效果色是从金属银色到金属黑色。对于彩色色卡聚类,可以选择基于色调角从蓝红色到红色、黄色、绿色、蓝色和紫色的顺序。这样提供了基于色调环的自然的连续,即视觉直观编组。以此类推,通过亮度将中性色色卡聚类按相继的次序放置在拥有色卡的箱体或其它设备中(步骤116)。
在步骤118中选择单一群组。检索对于在选定的聚类中的色块的聚类识别符数据、颜色数据和光亮数据(步骤120),并且将聚类内的颜色排序(步骤122)。对于在步骤116中排序的所有聚类重复该过程;即通过亮度排序中性色。即,步骤124、126和128实际上分别与步骤118、120和122相等,用于通过色调排序颜色。
将色卡聚类内的观测数值排序以保持相似的颜色作为近邻。因为观测数值在3-11个维度上变化,所以通常没有单一的尺寸对观测数值排序并将近邻保持在顺序中相邻的位置。观测数值的分布(多元数据云)可以是紧凑的或细长的,可以具有单一的或多个相邻的组,并且可以具有分离的离散值观测数据。分布可作为单一的或者多个超球体或者超长方形形状。将如上所述,分级聚类或k-均值聚类与多元图形可视化结合使用以选择在色卡内聚类的数量,其将观测数值分组到有用的邻近的聚类。这些邻近的聚类通过任意的顺序规则排序。例如,彩色色卡的邻近的聚类可以通过色调角排序。
如上所述,在每个邻近的聚类内的观测数据必须排序。如果邻近的聚类具有超长方形形状,那么沿超长方形的最长方向存在一个维度,尽管该维度通常不是原色或光亮维度其中之一。变化的主要方向能够通过对多元观察数据应用主成分分析(PCA)以将数据变换为具有连续越来越小的方差的新正交维度(参见Rencher等)而找到。
PCA是使用正交变换的统计学过程,以将一组可能相关变量的观侧数值转换为一组线性无关变量(称作主成分)的值。主成分的数量少于或等于原始变量的数量。这种变换是以这种方式限定的,这种方式是第一主成分具有最大可能方差(possible variance)(即解释为在数据中尽可能多的方差),并且每个随后的成分依次在其与前面的成分正交(即不相关)的限制下具有最高的可能方差。
PCA是最简单的真实的基于特征向量的多元分析。时常,它的操作能够被认为以最佳解释在数据中的方差的方式揭示数据的内部结构。如果将多元数据组在高维数数据空间(每个变量1轴)中可视化为一组坐标,那么在从其(在某种程度上)最具信息的视角来看,PCA能够为用户提供该对象的较低维数的图片、投影或“影像”。这是通过仅使用很少的第一主成分进行的,使得变换的数据的维数降低。
PCA在数学上限定为正交线性变换,其将数据变换到新的坐标系使得最大方差通过数据的一些投影位于第一坐标(称作第一主成分)上,第二大方差位于第二坐标上,等等。
在本案中,第一向量维度包含数据的所有线性顺序的最大值方差。每个观测数值在第一维度上都具有投影分数。分数的等级次序提供观测数值沿主向量的顺序。在最坏情况中,所有变换的维度具有相等的方差,数据云是超球形,并且不存在主线性方向和顺序。更通常地,邻近的聚类将具有一些可用于排序的主变化方向。
图2是适用于执行上面结合图1描述的过程的系统200的框图。待包括在一个或多个扇形色卡中的颜色选自颜色配方数据库202,并且将其提供给子集检测器204,在此处检索色块识别符数据(chip identificationdata)、颜色数据和光亮数据。处理器206从检测器204接收第一输入值,并且从用户输入设备208(例如键盘、光标控制设备等)接收来自用户210的第二输入值。处理器206为输出设备提供输出值,输出设备可以包括一个或多个打印机212、一个或多个显示系统214等。处理器206包括处理模块216和存储模块218。处理模块包括上面提到的类型的聚类软件220和PCA软件222。
处理器206可以用通用处理器、相联存储器、数字信号处理器和专用集成电路、现场可编程门阵列、任意适合的可编程逻辑设备、离散门或晶体管逻辑、离散硬件部件或设计成履行本文所述功能的任何组合来实施或实现。处理器设备可以作为微处理器、控制器、微控制器或状态机实现。此外,处理器设备可以作为计算设备的组合(例如数字信号处理器和微处理器的组合、多个微处理器、与数字信号处理器核心相结合的一个或多个微处理器,或任意其它这种配置)实施。在所描述的实施方案中,处理器206包括存储器218,其由例如随机存取存储器(RAM)224和只读存储器(ROM)226组成。控制处理器206的程序指令可以存储在RAM 224和ROM 226中的其中一个或两个中。例如,操作系统软件可以存储在ROM226中,而各种操作模式软件程序和各种操作参数可以存储在RAM 224中。执行示例性的实施方案的软件可以存储在ROM 226和RAM 224中的其中一个或两个中。然而,为简洁起见,上述聚类软件220和PCA软件222分别显示。
存储器218可以作为RAM、ROM、闪存、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中已知的任意其它形式的存储介质。就这一点而言,存储器218可以耦接使得处理器206能够从该存储器218中读取信息并写入信息。可替代性地,处理器206和存储器218可以存在于ASIC中。在实践中,系统200的功能或逻辑模块/部件可以使用保存在存储器218中的程序代码实现。例如,存储器218能够用于存储用以支持显示系统200的操作的数据。
使用显示元件214以图形格式和文本格式显示各种图像和数据,并且响应于由用户210向用户输入设备208提供的用户输入指令,向用户210提供视觉反馈。将认识到的是显示元件214可以是适用于以由用户210可见的格式呈现图像和/或文本数据的大量的已知的显示器中的任意一种。这种显示器的非限制实施例包括各种阴极射线管(CRT)显示器和各种平板显示器,诸如各种类型的LCD(液晶显示器)、OLED(有机发光二极管)和TFT(薄膜晶体管)显示器。显示元件214可以另外基于板安装显示(panelmounted display)、平视显示器投影(HUD projection)或任意已知技术。在示例性的实施方案中,显示元件214包括平板显示器,并且显示元件214适当地配置成接收来自处理器206的图像呈现显示指令。
用户输入装置208与处理器体系结构206可操作地通信,并且配置成接收来自用户210的输入值,以及响应于用户输入值,向处理器体系结构206提供命令信号。用户输入208可以是各种已知的用户界面设备中的任一种或组合,设备包括但不限于光标控制装置(CCD),诸如鼠标、追踪球、操纵杆、一个或多个按钮、开关或旋钮。在优选的实施方案中,用户输入208包括CCD和键盘。除了别的以外,用户210操纵用户输入设备208以移动光标符号,其可以在显示元件214上在各种时间呈现或激活打印机212,并且,除了别的以外,用户210可以操纵键盘以输入文本数据并打印。
如前所述,根据示例性的实施方案,图2是用于编组按色度分类扇形色卡的系统的框图,使得邻近的色块在同一扇形色卡中适当地排序,邻近的色块在同一扇形色卡中彼此相邻出现,而且每个扇形色卡关于其它扇形色卡适当地排序。从颜色配方数据库202中选出待包括在一个或多个扇形色卡中的颜色(纯色和/或效果色和/或三涂色),并且检索与每个颜色相关的颜色数(据即色块识别符数据、颜色数据和光亮数据,如上所述)并且将其提供给子集检测器204,其确定选定的颜色是否属于纯色、效果色还是三涂色子集。然后将用于识别的子集的色块识别符数据、颜色数据和光亮数据提供到处理器206。再次提醒读者尽管在实施方案中已经提供色块识别符数据、颜色数据和光亮数据,但可以使用其它和/或另外的参数。在处理器206中使用上述一种或多种技术经由聚类软件220进行上述聚类分析。这样导致将颜色基于颜色/光亮相似性分配到色卡聚类中,并且所有色卡聚类具有在色卡容量最大值内的数。
然后软件将每种颜色分配到中性色组或彩色组。中性色组和彩色组提供直观的分离成为彩色较少和较多的组,这有助于导航到色卡的组中。然而,组的选择是任意的,而且其它色卡是可能的。然后处理器通过色调按相继的次序放置彩色色卡聚类。此处的目的是对所需的色卡聚类提供简单和直观的导航。对于中性色色卡聚类,可以选择基于聚类的亮度(即从浅到深)的顺序;例如对于纯色是从白到黑,对于效果色是从金属银色到金属黑色。对于彩色色卡聚类,可以选择基于色调角从蓝红色到红色、黄色、绿色、蓝色和紫色的顺序。
在选择了单一的聚类之后,从存储器218中检索在选定的聚类中对于色块的聚类识别符数据、颜色数据和光亮数据,并且将聚类内的颜色排序。对所有聚类重复该过程。
必须将在每个邻近聚类内的观测数据排序。如果邻近的聚类具有超长方形形状,那么存在沿超长方形的最长方向的维度,尽管该维度通常不是原色(original color)或光亮维度之一。如上所述,变化的主要方向能够通过使用PSA软件222找到。
在示例性的实施方案中,使用从主颜色(master color)配方数据库中检索到的对于6192种色块的颜色配方和色块数据研究按色度分类扇形色卡(图1中的步骤102),并且其包括色块识别符、颜色配方识别符、车辆制造商颜色识别符、涂料类型(底漆/清漆或三涂系统)、颜色类型(纯色、金属色、珠光色)、对于纯色在45度逆定向反射角以及对于效果和三涂色在15度、45度和110度逆定向反射角的CIELAB L*a*b*数据值和对于效果和三涂色在15度和45度逆定向反射角的光亮等级数据(步骤104)。计算对于15度、45度和110度逆定向反射角的CIELAB色度(C*)和色调角(h)数据。使用涂料类型和颜色类型限定1274种纯色、4832种效果色和86种三涂色的数据子集(步骤106)。
在色卡中对于色块最大值的目标设定为80。这是模糊的最大值,因为扇形色卡能够拥有超过80个色块;然而需要一些空间用于未来的色块的可能的添加。选择数据子集(步骤108)并将其在多个试验中聚类以在聚类中的色块数和在聚类间的分隔之间找到最佳的折中方案。使用利用欧几里德距离和沃德连接(Ward’s linkage)算法但利用数据值的不同选择的分级聚类进行聚类以包括在聚类中(步骤110)。
纯色聚类使用L*45、a*45、b*45数据值。选择具有26个聚类的结果,聚类是每个聚类从14种到117种颜色变化。聚类的六个(三个红色和三个白色)具有超过80个的数,并且范围从89个到117个。将这三个红色聚类结合并再次聚类,导致具有数为27到67的六个聚类。类似地,将三个白色聚类结合并再次聚类,导致具有数为9到80的六个聚类。结合的结果为具有最大值为每个聚类80种颜色的32个纯色聚类。
选择使用L*45、a*45、b*45数据值的效果色聚类,以及具有70个每个聚类从16种到170种颜色变化的聚类的结果。对每个聚类的色块最大值折中以避免具有过多的色卡。在效果色色卡中允许高达85个色块,并且存在具有超过85种颜色的18个聚类。将较大的聚类再次聚类,但使用L*15/2、a*15/2、b*15/2、L*45、a*45、b*45、L*110、a*110、b*110、Sg15和Sg45数据值。将该组维度提高以辅助将邻近的颜色分隔到聚类中。然而,L*15、a*15、b*15具有比其它维度更大的幅度和方差,并且会倾向于支配点间的欧几里德距离。将这些维度除以2作为简单平均以降低其对聚类结果的影响。在大部分情况中,将较大的聚类重新聚类到两个具有数少于85的聚类中。在少数情况中,存在更多的聚类,并且对于这些中的一些,迫使小的聚类加入最接近的较大的聚类。总计存在具有每个聚类最大值为85种颜色的91个效果色聚类。
选择使用L*15、a*15、b*15、L*45、a*45、b*45数据值的三涂色聚类,并且具有数为4、5、8、29和40的5个聚类的结果。三个最小的聚类是彩色的,并且两个最大的是白色。将这三个最小的聚类结合以产生三个具有17种到40种颜色的三涂色聚类。
将纯色(26)和效果色(91)子集中的聚类分成彩色组和中性色组(步骤112)。因为仅有三个聚类,所以不需要对三涂色子集进行再分。如果用于聚类的平均C*45小于或等于10,那么将纯色分配到中性色组,否则分配到彩色组。如果用于聚类的平均C*15小于或等于10,那么将效果色分配到中性色组,否则分配到彩色组。通过平均L*45对中性色聚类排序用于纯色和效果色子集(步骤116)。通过查看平均L*45乘以平均h45的散布图将彩色聚类排序。大多数彩色聚类遵循通过色调角的排序,但在不同亮度水平之间存在一些跳跃。彩色次序以色调角从低到高交互选择,但具有一些调整以保持聚类具有类似的邻近的亮度(步骤114)。
从纯色、效果色或三涂色子集选择单一的聚类(步骤118、124),检索单一的聚类数据(步骤120、126),并且将聚类内的颜色排序(步骤122、128)。排序过程取决于在单一的聚类内数据值的分布。在颜色排序中的第一交互步骤是使用数据可视化和聚类以确定在“单一的聚类”内是否存在多个邻近的颜色的子聚类。例如,对在三涂色彩色聚类中的17种颜色的再次聚类显示5个不同的子聚类302、304、306、308和310,如L*15、a*15、b*15的系统树图300(图3)和3D散布图400(图4)中所示。子聚类广泛地被分隔,以及可视化暗示对于颜色变化的主方向和对于排序子聚类,色调角是好的选择。图5是具有子聚类分组的由h15排序的L*15、a*15、b*15、C*15和h15的矩阵图500。在这种情况中,由h15排序将邻近的子聚类一起引入聚类顺序内。
在第二实施例中,选择红色效果色聚类5用于排序。在L*15/2、a*15/2、b*15/2、L*45、a*45、b*45、L*110、a*110、b*110、Sg15和Sg45的再次聚类导致3个子聚类602、604和606,如L*15、a*15、b*15的系统树图600(图6)和3D散布图700(图7)中所示。子聚类在选定的维度中未完全分隔,并且子聚类“数据云”在一些方向上表现为细长状。在每个子聚类上使用L*15/2、a*15/2、b*15/2、L*45、a*45、b*45、L*110、a*110、b*110、Sg15和Sg45的协方差矩阵运行PCA分析,并且将第一主成分向量(PC1)取作子聚类的颜色和光亮变化的主方向。
表I显示就原始维度的变换来说的特征值(方差的度量)、在第一成分中的方差比例(在0到1范围内)和第一向量。每个数据点在主成分向量上具有分数值。使用数据分数值的等级用作在子聚类内的数据点的次序,并且其表暗示沿主成分向量的数据点的位置的次序。将在子聚类内的次序与子聚类的次序相结合以确定聚类的总次序。换言之,在保持邻近相邻中,子聚类是最重要的,以及在子聚类内的次序是第二位的。
表I
子聚类 | 1 | 2 | 3 |
特征值1 | 35.72 | 111.16 | 29.07 |
比例1 | 0.52 | 0.62 | 0.41 |
变量 | PC1 | PC1 | PC1 |
L15/2 | -0.15 | 0.33 | -0.08 |
a15/2 | -0.01 | -0.43 | 0.40 |
b15/2 | 0.62 | 0.01 | 0.18 |
L45 | 0.04 | 0.50 | -0.19 |
a45 | 0.08 | -0.33 | 0.47 |
b45 | 0.53 | 0.21 | 0.27 |
L110 | 0.26 | 0.38 | 0.16 |
a110 | 0.15 | -0.16 | 0.49 |
b110 | 0.42 | 0.38 | 0.45 |
Spk g15 | -0.17 | -0.01 | 0.11 |
Spk g45 | -0.11 | 0.02 | -0.01 |
图8是对于效果色聚类5通过排序选定的数据维度的矩阵图800。排序将邻近的数据通过子聚类和通过主成分分数的等级次序带到一起,使得近邻倾向于在一些数据维度上是接近的。例如,子聚类1的次序强有力地受到b15的影响,子聚类2强有利地受到L15和a15降低的影响,并且子聚类3较弱地受到a15升高的影响,这与表I中的向量成分是一致的。子聚类3具有最小优势次序,与如表I中所示的第一主成分的较低比例是一致的。
总的来讲,当第一比例较高时,这暗示数据值位于第一向量方向(例如子聚类2,比例为0.62)附近,数据值的主成分次序将进行较好,以及当数据值仅具有弱的第一比例(例如子聚类3,比例为0.41)时,次序将进行较差。
色卡聚类排序方法能够总结为以下顺序:1)选择待包括在分析中的数据维度并确定是否维度大小的重新调节将有助于平衡其对结果的影响;2)使用聚类以识别邻近的数据点的子聚类;3)使用数据图以使数据分布可视化并且确定子聚类的分隔和形状;4)如果观测主维度,那么选择一个原始数据维度用于排序颜色;5)否则,在每个子聚类上进行主成分分析并且使用在第一主成分上的分数的等级次序(升高或降低)作为在子聚类内的次序;和6)将子聚类的次序和在子聚类内的次序结合以便排序在色卡内的颜色。
因此,已经提供用于编组按色度分类扇形色卡的系统和方法。也已经提供用于编组按色度分类扇形色卡的系统和方法使得(1)邻近的色块是在同一扇形色卡中;(2)邻近的色块在同一扇形色卡中彼此相邻出现;和(3)每个扇形色卡关于其它扇形色卡适当地排序。
在全功能计算机系统的上下文中,以上描述了前述的示例性的实施方案;然而,本领域那些技术人员将认识到本发明的机理能够被分配为程序产品,并且此外,将认识到本发明的教导适用于程序产品,无论采用特定类型的计算机可读介质(例如软盘、硬盘、存储卡、光盘等)以执行分配。
尽管在前述的详细描述中已经存在至少一种示例性的实施方案,应当认识到存在很多种变化。还应当认识到一种或多种示例性的实施方案仅是实施例,并且不旨在以任何方式限制本发明的范围、适用性或配置。而前述的详细描述将为本领域技术人员提供实施本发明的示例性的实施方案的方便的路线图。应被理解的是可以在示例性的实施方案中描述的元件的功能和布置进行各种改变,而不脱离后附权利要求中提出的发明的范围。
Claims (20)
1.一种用于将颜色按色度分类到扇形色卡中的方法,所述方法包括:
对于待分类到扇形色卡中的一组颜色,接收至少一个照明和查看几何条件下的颜色识别符数据和颜色测量数据;
在处理器中将所述颜色聚类;和
基于如通过所述聚类确定的所述颜色的相似性,将所述颜色分配到所述扇形色卡。
2.根据权利要求1所述的方法,所述方法进一步包括:
接收与所述颜色相关的光亮数据;和
在所述聚类的步骤过程中使用所述光亮数据。
3.根据权利要求1所述的方法,其中所述接收颜色识别符数据和颜色测量数据的步骤包括接收颜色数据和光亮数据以及色块识别符数据。
4.根据权利要求3所述的方法,所述方法进一步包括在所述处理器中确定颜色落入颜色的纯色、效果色和三涂色子集的其中一个内。
5.根据权利要求4所述的方法,所述方法进一步包括向所述处理器提供子集识别符数据、颜色数据和光亮数据。
6.根据权利要求5所述的方法,所述方法进一步包括在所述处理器中对所述子集中的颜色进行聚类。
7.根据权利要求6所述的方法,所述方法进一步包括在所述处理器中确定是否将聚类分配到彩色组和中性色组的其中一个内。
8.根据权利要求7所述的方法,所述方法进一步包括在所述组是中性色组时通过亮度将所述聚类排序。
9.根据权利要求8所述的方法,所述方法进一步包括在所述组是彩色组时通过色调将所述聚类排序。
10.根据权利要求9所述的方法,所述方法进一步包括选择单一的聚类。
11.根据权利要求10所述的方法,所述方法进一步包括检索聚类识别符数据、颜色数据和光亮数据。
12.根据权利要求11所述的方法,所述方法进一步包括排序单一的聚类内的颜色。
13.根据权利要求11所述的方法,所述方法进一步包括将单一的聚类重新聚类以形成子聚类。
14.根据权利要求13所述的方法,所述方法进一步包括在所述处理器中使用主成分分析来排序子聚类内的颜色。
15.根据权利要求13所述的方法,所述方法进一步包括通过其主颜色方向来排序颜色。
16.根据权利要求12所述的方法,所述方法进一步包括将具有排序过的颜色的色块并入扇形色卡中。
17.一种用于将颜色按色度分类到扇形色卡中的系统,每个扇形色卡由多个色块组成,所述系统包括:
颜色识别符数据的第一源;
颜色数据的第二源;和
与所述第一源和第二源耦接的处理器,并且所述处理器配置成(a)对颜色的子集中的颜色进行聚类;和(b)在聚类中将颜色排序。
18.根据权利要求17所述的系统,其中所述处理器进一步配置成通过色调或亮度排序所述聚类。
19.根据权利要求18所述的系统,其中所述处理器进一步配置成选择单一的聚类并且检索与所述单一的聚类相关的识别符数据、颜色数据和光亮数据。
20.一种按色度分类的扇形色卡,其根据以下步骤制成:
对于待分类到所述扇形色卡中的一组颜色,接收至少一个照明和查看几何条件下的颜色识别符数据和颜色测量数据;
确定每个颜色落入纯色、效果色或三涂色子集的哪个中;
在处理器中将所述颜色聚类到每个子集中;
在所述处理器中确定所述子集是彩色的还是中性色的;
在所述处理器中将聚类排序,如果是彩色的,则通过色调排序,如果是中性色的,则通过亮度排序;
选择单一的聚类;和
使用所述处理器将所述单一的聚类内的颜色排序。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/228,490 US20150276485A1 (en) | 2014-03-28 | 2014-03-28 | System and method for sorting fan deck colors |
US14/228,490 | 2014-03-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104951792A true CN104951792A (zh) | 2015-09-30 |
Family
ID=54066904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510145987.0A Pending CN104951792A (zh) | 2014-03-28 | 2015-03-30 | 用于分类扇形色卡颜色的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20150276485A1 (zh) |
CN (1) | CN104951792A (zh) |
DE (1) | DE102015003947A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106994437A (zh) * | 2017-05-19 | 2017-08-01 | 武汉康慧然信息技术咨询有限公司 | 基于图像识别技术的汽车油漆修复方法及设备 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9607403B2 (en) * | 2014-10-28 | 2017-03-28 | Ppg Industries Ohio, Inc. | Pigment identification of complex coating mixtures with sparkle color |
EP3500830B1 (en) * | 2016-09-02 | 2023-08-02 | X-Rite Switzerland GmbH | Apparatus and method for effect pigment identification |
JP7363589B2 (ja) * | 2020-03-04 | 2023-10-18 | トヨタ自動車株式会社 | 塗装品質予測装置および学習済みモデルの生成方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070292608A1 (en) * | 2006-06-16 | 2007-12-20 | Allan Blase Joseph Rodrigues | Color chips prepared by color clustering used for matching refinish paints |
CN102509318A (zh) * | 2011-09-20 | 2012-06-20 | 哈尔滨工业大学 | 人体数字舌图像专用颜色校正色卡及其制作方法 |
CN103340598A (zh) * | 2013-05-16 | 2013-10-09 | 李少文 | 用于人体的色卡及其制作方法、使用方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7126705B1 (en) * | 1999-08-27 | 2006-10-24 | E. I. Du Pont De Nemours And Company | Method and apparatus for remote printing |
US6952265B2 (en) * | 2003-06-12 | 2005-10-04 | E. I. Du Pont De Nemours And Company | Method of characterization of surface coating containing metallic flakes and device used therein |
US7672028B2 (en) * | 2005-09-29 | 2010-03-02 | Hewlett-Packard Development Company, L.P. | Color target layout |
JP4827697B2 (ja) * | 2006-11-15 | 2011-11-30 | 関西ペイント株式会社 | 塗色の質感マップ、その作成方法、作成プログラム及び作成システム |
-
2014
- 2014-03-28 US US14/228,490 patent/US20150276485A1/en not_active Abandoned
-
2015
- 2015-03-26 DE DE102015003947.4A patent/DE102015003947A1/de not_active Withdrawn
- 2015-03-30 CN CN201510145987.0A patent/CN104951792A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070292608A1 (en) * | 2006-06-16 | 2007-12-20 | Allan Blase Joseph Rodrigues | Color chips prepared by color clustering used for matching refinish paints |
CN102509318A (zh) * | 2011-09-20 | 2012-06-20 | 哈尔滨工业大学 | 人体数字舌图像专用颜色校正色卡及其制作方法 |
CN103340598A (zh) * | 2013-05-16 | 2013-10-09 | 李少文 | 用于人体的色卡及其制作方法、使用方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106994437A (zh) * | 2017-05-19 | 2017-08-01 | 武汉康慧然信息技术咨询有限公司 | 基于图像识别技术的汽车油漆修复方法及设备 |
CN106994437B (zh) * | 2017-05-19 | 2020-08-04 | 安徽鹰龙工业设计有限公司 | 基于图像识别技术的汽车油漆修复方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
DE102015003947A1 (de) | 2015-10-01 |
US20150276485A1 (en) | 2015-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101535787B (zh) | 涂料颜色的质感图的生成方法和生成系统 | |
US11568570B2 (en) | Systems and methods for matching color and appearance of target coatings | |
CN101730835B (zh) | 涂料颜色数据库的创建方法、使用数据库的检索方法、及其系统、程序和记录介质 | |
CN100498788C (zh) | 有效颜料识别方法、识别系统、识别程序及其记录介质 | |
JP5063076B2 (ja) | 光輝性顔料の同定方法、同定システム、同定プログラム及びその記録媒体 | |
CN104951792A (zh) | 用于分类扇形色卡颜色的系统和方法 | |
CN113128548A (zh) | 用于匹配目标涂层的颜色和外观的系统和方法 | |
CN108700466B (zh) | 用于最佳匹配选择的颜色和纹理匹配评级 | |
US20230349765A1 (en) | Apparatus and Method for Effect Pigment Identification | |
CN113128546A (zh) | 用于匹配目标涂层的颜色和外观的系统和方法 | |
US10830644B2 (en) | Method for determination of a matching colour variant | |
CN104137049B (zh) | 用于显示和产生一个或多个色彩的方法和系统 | |
CN113128547A (zh) | 用于匹配目标涂层的颜色和外观的系统和方法 | |
US10152494B2 (en) | Process for matching paint | |
US20230046485A1 (en) | Method and apparatus for evaluating the composition of pigment in a coating based on an image | |
WO1992018846A1 (en) | Method and apparatus for data point analysis | |
Baklanova et al. | Cluster analysis methods for recognition of mineral rocks in the mining industry | |
CN103115682A (zh) | 自动识别色彩的装置 | |
US20240135588A1 (en) | Systems, methods, and interfaces for comparing complex coating mixtures with sparkle color | |
CN105006005A (zh) | 颜色识别中的基于均分面模型的评估方法 | |
EP4302270A1 (en) | Systems, methods, and interfaces for comparing complex coating mixtures with sparkle color | |
CN117677971A (zh) | 用于确定测试涂层的校准状态的系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150930 |