CN113128548A - 用于匹配目标涂层的颜色和外观的系统和方法 - Google Patents

Abstract

本发明涉及用于匹配目标涂层的颜色和外观的系统和方法。系统和方法包括接收与目标涂层相关联的目标图像数据。使用颜色模型和局部颜色模型来预测目标涂层与样本涂层之间的色差。颜色模型和局部颜色模型包括特征提取分析处理，该特征提取分析处理通过分析目标涂层内的目标像素特征差异来确定图像特征。对色差执行优化例程，以确定用于喷涂基板的汽车涂料组分。

Description

用于匹配目标涂层的颜色和外观的系统和方法

相关申请的交叉引用

本申请要求于2019年12月31日提交的美国临时专利申请第62/955,739号的优先权，该美国临时专利申请的全部内容通过引用并入本文中。

技术领域

技术领域涉及涂层技术，并且更具体地，涉及用于匹配目标涂层的颜色和外观的系统和方法。

背景技术

具有期望颜色和外观的涂层的视觉化和选择在许多应用中起重要作用。例如，涂料供应商必须提供数千种涂料，以覆盖用于所有当前和最新型号车辆的全球OEM制造商的涂料范围。作为工厂包装产品来提供这种大量的不同涂料增加了涂料制造的复杂性并且增加了库存成本。因此，涂料供应商提供通常包括50至100种组分(例如，单一颜料色彩、粘合剂、溶剂、添加剂)以及与车辆的涂层的范围匹配的组分的涂料配方的混合机系统。混合机可以驻留在修理厂(即，车体修理店)或涂料经销商处，并且允许用户通过以对应于涂料配方的量分配组分来获得具有期望颜色和外观的涂层。涂料配方通常保存在数据库中，并通过下载或直接连接至因特网数据库经由计算机软件分发给客户。每种涂料配方通常涉及一个或更多个替选涂料配方，以考虑由于车辆生产的变化而导致的涂层变化。

识别与目标涂层最相似的涂料配方由于这种变化而变得复杂。例如，特定涂层可能出现在三种车辆型号上，这三种车辆型号是使用来自两个OEM涂料供应商的涂料在具有不同施加装备的两个装配厂中生产并且超过五年车型年份的寿命的。这些变化源导致具有该特定涂层的车辆群体中的显著涂层变化。由涂料供应商提供的替选涂料配方与颜色群体的子集匹配，使得对于需要修复的任何车辆而言均可以获得紧密匹配。每个替选涂料配方都可以由条形色卡中的色卡来表示，这使得用户能够通过与车辆的视觉比较来选择最佳匹配配方。

识别与用于修复的目标涂层最相似的涂料配方通常通过使用分光光度计或条形色卡(fandeck)来完成。分光光度计测量要修复的目标涂层的一个或更多个颜色和外观属性。然后将该颜色和外观数据与来自包含在数据库中的可能的候选配方的对应数据进行比较。然后选择其颜色和外观属性与要修复的目标涂层的颜色和外观属性最佳匹配的候选配方作为与目标涂层最相似的涂料配方。然而，分光光度计昂贵且在经济市场中不容易获得。

替选地，条形色卡包括在条形色卡内的页面或片上的多个样本涂层。然后将条形色卡的样本涂层与正在修复的目标涂层在视觉上进行比较。然后选择与要修复的目标涂层的颜色和外观属性最佳匹配的样本涂层相关联的配方作为与目标涂层最相似的涂料配方。然而，由于需要大量的样本涂层来考虑当今道路上的车辆上的所有涂层，因此条形色卡使用较为麻烦并且难以维护。

因此，期望提供用于匹配目标涂层的颜色和外观的系统和方法。另外，根据随后的发明内容和具体实施方式以及所附权利要求书并结合附图和本背景技术，其他期望的特征和特性将变得明显。

发明内容

本文中公开了用于匹配目标涂层的颜色和外观的系统的各种非限制性实施方式以及用于匹配目标涂层的颜色和外观的方法的各种非限制性实施方式。在一个非限制性实施方式中，系统包括但不限于用于存储指令的存储装置以及一个或更多个数据处理器。一个或更多个数据处理器被配置成执行指令以接收目标涂层的目标图像。数据处理器还被配置成应用特征提取分析处理以确定目标图像特征，并且利用目标图像特征来确定计算的匹配样本图像。特征提取分析处理包括分析目标图像内的多个目标像素。

系统和方法还可以包括接收与目标涂层相关联的目标图像数据。使用颜色模型和局部颜色模型来预测目标涂层与样本涂层之间的色差。颜色模型和局部颜色模型包括特征提取分析处理，该特征提取分析处理通过分析目标涂层内的目标像素特征差异来确定图像特征。对色差执行优化例程，以确定用于喷涂基板的汽车涂料组分。

一种用于涉及汽车涂料的颜色匹配的系统和方法还可以包括用于存储指令的存储装置。一个或更多个数据处理器被配置成执行指令以接收目标涂层的目标图像，其中，目标图像包括目标图像数据。应用颜色模型和局部颜色模型来预测目标涂层与样本涂层之间的色差。至颜色模型和局部颜色模型的输入包括目标涂层与样本涂层之间的实际色差。颜色模型和局部颜色模型包括特征提取分析处理，该特征提取分析处理通过分析目标涂层内的目标像素特征差异来确定图像特征。使用松弛的约束处理来优化所预测的色差。经优化的色差确定用于喷涂基板的汽车涂料组分。

附图说明

所公开主题的其他优点将是容易领会的，因为通过参考结合附图考虑时的以下具体实施方式其他优点将变得更好被理解，在附图中：

图1是示出用于匹配目标涂层的颜色和外观的系统的非限制性实施方式的立体图；

图2是示出图1的系统的非限制性实施方式的框图；

图3A是示出图1的目标涂层的非限制性实施方式的图像；

图3B是示出图3A的目标涂层的非限制性实施方式的RGB值的图形表示；

图4A是示出图1的系统的第一样本图像的非限制性实施方式的图像；

图4B是示出图4A的第一样本图像的非限制性实施方式的RGB值的图形表示；

图5A是示出图1的系统的第二样本图像的非限制性实施方式的图像；

图5B是示出图5A的第二样本图像的非限制性实施方式的RGB值的图形表示；

图6是示出图1的系统的电子成像装置的非限制性实施方式的立体图；

图7是示出图1的系统的电子成像装置的非限制性实施方式的另一立体图；

图8是示出图1的系统的非限制性实施方式的流程图；

图9是示出图8的方法的非限制性实施方式的流程图；

图10是示出图8的方法的另一非限制性实施方式的流程图。

图11是示出基板和涂层的截面部分的形成的示意图；

图12和图13是示出捕获涂层的图像的示意图；

图14和图15是示出系统和方法的实施方式的流程图；

图16是示出用于确定目标和/或样本特征的技术的一个可能部分的假想图；以及

图17至图19是示出方法的实施方式的流程图。

图20是示出将修复涂料施加至基板的示意图。

图21至23描绘了用于分析目标涂层的一个或更多个特征的颜色匹配分析系统。

图24描绘了应用于目标涂层特征分布和统计数据的机器学习模型。

图25描绘了将颜色分析专家规则应用于输出片预测概率的颜色分析专家系统。

图26描绘了用于协助着色器理解和校正空间颜色的差异的系统。

图27描绘了用于确定着色器何时实现可接受的匹配的处理流程。

图28描绘了用于分析目标涂层以进行纹理匹配的系统。

图29描绘了在其中用户可以与颜色和外观匹配分析系统进行交互的服务器环境。

具体实施方式

以下详细描述包括示例并且不旨在限制本发明或者本发明的应用及使用。此外，不意在受前面的背景技术或以下详细描述中所提出的任何理论限制。应当理解，在整个附图中，相应的附图标记指示相同的或相应的部件和特征。

通过阅读以下详细描述，本领域的普通技术人员将更容易理解本公开内容所认定的特征和优点。应当领会的是，为了清楚起见上文和下文在不同实施方式的上下文下描述的某些特征也可以在单个实施方式中组合提供。反之，为了简洁起见在单个实施方式的上下文下描述的各种特征也可以分别提供或以任何子组合的形式提供。另外，除非上下文另有明确说明，否则单数形式的提及也可以包括复数(例如，“一”和“一个”可以指一个或者一个或更多个)。

除非另有明确指示，否则如同在规定范围内的最小值和最大值均以单词“大约”来表示，在本公开内容中指定的各种范围内数值的使用被规定为近似值。以这种方式，可以使用所陈述范围之上和之下的微小变化来获得与所述范围内的值基本上相同的结果。而且，这些范围的公开旨在作为包括最小值与最大值之间的每个值的连续范围。

在本文中，可以从功能和/或逻辑块部件的角度并参考可以由各种计算部件或装置执行的操作、处理任务以及功能的符号表示来描述工艺和技术。应当领会的是，可以通过被配置成执行指定功能的任何数量的硬件、软件和/或固件部件来实现图中所示的各种块部件。例如，系统或部件的实施方式可以采用可以在一个或更多个微处理器或其他控制装置的控制下执行各种功能的各种集成电路部件，例如，存储元件、数字信号处理元件、逻辑元件、查找表等。

以下描述可能涉及“耦接”在一起的元件或节点或特征。如本文所使用，除非另有明确说明，否则“耦接”意指一个元件/节点/特征直接或间接地接合至另一元件/节点/特征(或者直接或间接地与另一元件/节点/特征通信)，并且不必是机械地接合。因此，尽管附图可能描绘了元件的布置的一个示例，但是在所描述主题的实施方式中可以存在附加的中介元件、装置、特征或部件。另外，特定术语也可以仅出于参考的目的在以下描述中使用，并且因此不旨在是限制性的。

在本文中，可以从功能和/或逻辑块部件的角度并且参考可以由各种计算部件或装置执行的操作、处理任务和功能的符号表示来描述工艺和技术。这样的操作、任务和功能有时被称为计算机执行的、计算机化的、软件实现的或者计算机实现的。实际上，一个或更多个处理器装置可以通过操纵表示系统存储器中存储位置处的数据位的电信号以及其他信号处理来执行所描述的操作、任务和功能。数据位被保持的存储位置是具有与这些数据位对应的特定电、磁、光或有机特性的物理位置。应当领会的是，可以通过被配置成执行指定功能的任何数量的硬件、软件和/或固件部件来实现图中所示的各种块部件。例如，系统或部件的实施方式可以采用可以在一个或更多个微处理器或其他控制装置的控制下执行各种功能的各种集成电路部件，例如，存储元件、数字信号处理元件、逻辑元件、查找表等。

为了简洁起见，本文中可能不会详细描述与某些系统和子系统(及其独立的操作部件)的图形和图像处理、触摸屏显示以及其他功能方面有关的常规技术。另外，在本文包含的各个附图中所示出的连接线旨在表示各个元件之间的功能关系和/或物理耦接的示例。应当注意，在本主题的实施方式中可以存在许多替选的或附加的功能关系或物理连接。

如本文中所使用的，术语“模块”是指单独的或以任何组合的任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器装置，包括但不限于：专用集成电路(ASIC)、电子电路、(共享的、专用的或组的)处理器以及执行一个或更多个软件或固件程序的存储器、组合的逻辑电路和/或提供描述的功能的其他适当部件。

如本文所使用的，术语“颜料”或“多种颜料”是指产生一种或多种颜色的一种或多种着色剂。颜料可以来自天然来源或合成来源并由有机成分或无机成分制成。颜料也可以包括具有特定或混合形状和尺寸的金属颗粒或金属片。颜料通常不溶于涂料组合物中。

术语“效果颜料”或“多种效果颜料”是指在涂层中产生特殊效果的颜料。效果颜料的示例包括但不限于光散射颜料、光干涉颜料和光反射颜料。金属片例如铝片以及珠光颜料例如基于云母的颜料是效果颜料的示例。

术语“外观”可以包括：(1)观察或识别涂层的视觉体验的方面；以及(2)将涂层的光谱和几何形状方面与其照射和观察环境结合的感知。一般地，外观包括特别是从不同的观察角和/或在不同的照射条件下观察时涂层的纹理、粒度、闪光或其他视觉效果。外观特性或外观数据可以包括但不限于：关于纹理、金属效果、珠光效果、光泽度、图像清晰度、片外观和大小(例如，纹理、粒度、闪光、发光和闪烁以及由片赋予的特别是由诸如铝片的金属片产生的涂层中的深度感知增强)的描述或测量数据。外观特性可以通过视觉检查或通过使用外观测量装置获得。

涂料的术语“颜色数据”或“颜色特性”可以包括测量的颜色数据，该测量的颜色数据包括：光谱反射率值，C、U、Z值，L*、a*、b*值，L*、a*、b*值，L、C、h值或其组合。颜色数据还可以包括车辆的颜色代码、颜色名称或描述或者其组合。颜色数据甚至还可以包括涂层的颜色、色度、色调、亮度或暗度的视觉方面。颜色数据可以通过视觉检查或者通过使用诸如色度计、分光光度计或测角分光光度计的颜色测量装置来获得。特别地，分光光度计通过确定由涂层反射的光的波长来获得颜色数据。颜色数据还可以包括：描述性数据，如颜色的名称、车辆的颜色代码；包含一种或更多种颜色的描述性数据的二进制、纹理或加密的数据文件；测量数据文件，如由颜色测量装置生成的测量数据文件；或者由计算装置或颜色测量装置生成的导出/导入数据文件。颜色数据也可以由外观测量装置或颜色外观双测量装置生成。

术语“涂料”或“涂料组合物”可以包括本领域技术人员已知的任何涂料组合物，并且可以包括：双组分涂料组合物，也称为“2K涂料组合物”；单组分或1K涂料组合物；具有可交联组分和交联组分的涂料组合物；可辐射固化的涂料组合物，如UV可固化涂料组合物或E-束可固化涂料组合物；单固化涂料组合物；双固化涂料组合物；漆涂料组合物；水性涂料(waterborne coating)组合物或水性涂料(aqueous coating)组合物；溶剂型涂料组合物；或本领域技术人员已知的任何其他涂料组合物。可以通过掺入期望的颜料或效果颜料将涂料组合物配制为底漆、底涂料或有色涂料组合物。涂料组合物也可以被配制为透明涂料组合物。

术语“车辆”、“汽车”、“机动车”或“机动车辆”可以包括诸如轿车、公共汽车、卡车、半挂卡车、轻运货车、SUV(运动型多用途车)的机动车；拖拉机；摩托车；拖车；ATV(全地形车辆)；诸如推土机、移动吊车和挖土机的重型机器；飞机；船；舰；以及其他运输方式。

用于涂料组合物的术语“配方”、“匹配配方”或“匹配方案”是指信息或说明的集合，基于此，可以制备涂料组合物。在一个示例中，匹配配方包括涂料组合物的颜料、效果颜料以及其他组分的名称和量的列表。在另一个示例中，匹配配方包括关于如何混合涂料组合物的多种组分的说明。

在本文中参照图1提供了用于匹配目标涂层12的颜色和外观的处理器实现的系统10。目标涂层12可以在基板14上。基板14可以是车辆或车辆的一部分。基板14也可以是包括目标涂层12的任何涂覆制品。目标涂层12可以包括有色涂层、透明涂层或有色涂层和透明涂层的组合。有色涂层可以由有色涂料组合物形成。透明涂层可以由透明涂料组合物形成。目标涂层12可以由一种或更多种溶剂型涂料组合物、一种或更多种水性涂料组合物、一种或更多种双组分涂料组合物或者一种或更多种单组分涂料组合物形成。目标涂层12还可以由每种均具有可交联组分和交联组分的一种或更多种涂料组合物、一种或更多种可辐射固化的涂料组合物或者一种或更多种漆涂料组合物形成。

参照图2并继续参照图1，系统10包括被配置成生成目标涂层12的目标图像数据18的电子成像装置16。电子成像装置16可以是能够在包括可见波长或不可见波长的宽范围的电磁波长下捕获图像的装置。电子成像装置16还可以被定义为移动装置。移动装置的示例包括但不限于：移动电话(例如，智能电话)、移动计算机(例如，平板计算机或膝上型计算机)、可穿戴装置(例如，智能手表或耳机)或被配置成接收目标图像数据18的本领域中已知的任何其他类型的装置。在一个实施方式中，移动装置是智能电话或平板计算机。

在实施方式中，电子成像装置16包括摄像机20(参见图7)。摄像机20可以被配置成获取目标图像数据18。摄像机20可以被配置成捕获具有可见波长的图像。目标图像数据18可以源自于目标涂层12的目标图像58，例如静止图像或视频。在某些实施方式中，目标图像数据18源自于静止图像。在图1所示的实施方式中，电子成像装置16被示出为设置在目标涂层12附近并与目标涂层12间隔开。然而，应当理解，实施方式的电子成像装置16是便携式的，使得电子成像装置16可以被移动到另一涂层(未示出)。在其他实施方式(未示出)中，电子成像装置16可以固定在一个位置处。在另一些其他实施方式(未示出)中，电子成像装置16可以附接至机器人臂以自动移动。在另外的实施方式(未示出)中，电子成像装置16可以被配置成同时测量多个表面的特性。

系统10还包括用于存储用于执行目标涂层12的颜色和外观的匹配的指令的存储装置22。存储装置22可以存储能够由一个或更多个数据处理器24执行的指令。存储在存储装置22中的指令可以包括一个或更多个单独的程序，每个程序包括用于实现逻辑功能的可执行指令的有序列表。当系统10工作时，一个或更多个数据处理器24被配置成：执行存储在存储装置22内的指令，以将数据传送至存储装置22以及从存储装置22传送数据，以及按照指令一般地控制系统10的操作。在某些实施方式中，存储装置22与如下设备相关联(或者可替选地包括在如下设备内)：电子成像装置16、与系统10相关联的服务器、与系统10相关联的云计算环境或其组合。

如上面介绍的，系统10还包括被配置成执行指令的一个或更多个数据处理器24。一个或更多个数据处理器24被配置成与电子成像装置16通信地耦接。一个或更多个数据处理器24可以是与电子成像装置16相关联的若干处理器中的任何定制的或市售的处理器、中央处理单元(CPU)、辅助处理器、基于半导体的微处理器(以微芯片或芯片组的形式)或用于执行指令的一般任何装置。一个或更多个数据处理器24可以通过有线连接、无线连接和/或装置或其组合与系统10的任何部件通信地耦接。合适的有线连接的示例包括但不限于：硬件耦接、分离器、连接器、线缆或电线。合适的无线连接和装置的示例包括但不限于：Wi-Fi装置、蓝牙装置、广域网(WAN)无线装置、Wi-Max装置、局域网(LAN)装置、3G宽带装置、红外通信装置、光数据传输装置、无线电发送器及可选的接收器、无线电话、无线电话适配卡或者可以以包括射频、微波频率、可见波长或不可见波长的宽范围的电磁波长传输信号的任何其他装置。

参照图3A和图3B，一个或更多个数据处理器24被配置成执行指令以由一个或更多个数据处理器24接收目标涂层12的目标图像数据18。如上所述，目标图像数据18由电子成像装置16生成。目标图像数据18可以定义表示目标涂层12的RGB值、L*a*b*值或其组合。在某些实施方式中，目标图像数据18定义表示目标涂层12的RGB值。一个或更多个数据处理器24还可以被配置成执行指令以将目标图像数据18的RGB值转换为表示目标涂层12的L*a*b*值。

目标图像数据18包括目标图像特征26。目标图像特征26可以包括目标涂层12的颜色和外观特性、目标图像数据18的表示或其组合。在某些实施方式中，目标图像特征26可以包括基于图像熵的表示。

一个或更多个数据处理器24被配置成执行指令以由一个或更多个数据处理器24检索从目标图像数据18提取目标图像特征26的一个或更多个特征提取分析处理28’。在实施方式中，一个或更多个特征提取分析处理28’被配置成：识别基于图像熵的表示，以从目标图像数据18中提取目标图像特征26。为此，一个或更多个数据处理器24可以被配置成执行指令以识别基于图像熵的表示，以从目标图像数据18中提取目标图像特征26。

识别基于图像熵的表示可以包括：确定目标图像数据18的颜色图像熵曲线。可以基于每个a*b*平面、每个L*a*平面、每个L*b*平面或其组合的香农熵利用颜色熵曲线在三维L*a*b*空间中表示目标图像数据18。颜色熵曲线的确定可以包括：将目标图像数据18的三维L*a*b*空间划分为多个立方子空间；对具有相似特性的立方空间进行制表，以得出每个特性的总立方空间计数；生成三维L*a*b*空间的每个维度的空图像熵阵列；以及利用与每个维度对应的总立方空间计数来填充空图像熵阵列。

识别基于图像熵的表示还可以包括：确定目标图像数据18的色差图像熵曲线。可以利用关于替选的三维L*a*b*空间分析的三维L*a*b*空间在三维L*a*b*空间中表示目标图像数据18。色差熵曲线的确定可以包括：计算三维L*a*b*空间与替选的三维L*a*b*空间之间的dL*图像熵、dC*图像熵和dh*图像熵。

识别基于图像熵的表示还可以包括：确定来自目标图像数据18的三维L*a*b*空间的L*平面的黑白强度图像熵。识别基于图像熵的表示还可以包括：确定目标图像数据18的平均L*a*b*值。识别基于图像熵的表示还可以包括：确定最密集的立方子空间的中心的L*a*b*值。

一个或更多个数据处理器24还被配置成执行以上描述的指令以将目标图像数据18应用于一个或更多个特征提取分析处理28’。一个或更多个数据处理器24还被配置成执行以上描述的指令以利用一个或更多个特征提取分析处理28’从目标图像数据18中提取目标图像特征26。

在实施方式中，系统10被配置成：通过识别目标图像特征26的基于图像熵的表示从目标图像数据18中提取目标图像特征26。识别基于图像熵的表示可以包括：确定目标图像数据18的颜色图像熵曲线；确定目标图像数据18的颜色图像熵曲线；确定来自目标图像数据18的三维L*a*b*空间的L*平面的黑白强度图像熵；确定目标图像数据18的平均L*a*b*值；确定最密集的立方子空间的中心的L*a*b*值；或其组合。

参照图4A和图5A并继续参照图2，在实施方式中，系统10还包括样本数据库30。样本数据库30可以例如在基于服务器的环境或者云计算环境中与电子成像装置16相关联或者与电子成像装置16分离。应当理解，一个或更多个数据处理器24被配置成与样本数据库30通信地耦接。样本数据库30可以包括多个样本图像32，例如图4A所示的第一样本图像34和图5A所示的第二样本图像36。在实施方式中，多个样本图像32中的每个样本图像是包括样本涂层的面板的图像。可以对定义涂料配方集合的各种样本涂层进行成像，以生成多个样本图像32。可以利用一个或更多个不同的电子成像装置16对样本图像32进行成像，以考虑每个电子成像装置16的成像能力和性能的变化。多个样本图像32可以为任何格式，如RAW、JPEG、TIFF、BMP、GIF、PNG等。

一个或更多个数据处理器24可以被配置成执行指令以由一个或更多个数据处理器24接收样本图像32的样本图像数据38。样本图像数据38可以由电子成像装置16生成。样本图像数据38可以定义表示样本图像32的RGB值、L*a*b*值或其组合。在某些实施方式中，样本图像数据38定义表示样本图像32的RGB值，例如图4B所示的第一样本图像34的RGB值和图5B所示的第二样本图像36的RGB值。一个或更多个数据处理器24还可以被配置成执行指令以将样本图像数据38的RGB值转换为表示样本图像32的L*a*b*值。系统10可以被配置成将针对各种电子成像装置16的多个样本图像32的样本图像数据38标准化，从而提高系统10的性能。

样本图像数据38可以包括样本图像特征40。样本图像特征40可以包括样本图像32的颜色和外观特性、样本图像数据38的表示或其组合。在某些实施方式中，样本图像特征40可以包括基于图像熵的表示。

一个或更多个数据处理器24被配置成执行指令以由一个或更多个数据处理器24检索从样本图像数据38中提取样本图像特征40的一个或更多个特征提取分析处理28”。在实施方式中，一个或更多个特征提取分析处理28”被配置成：识别基于图像熵的表示，以从样本图像数据38中提取样本图像特征40。为此，一个或更多个数据处理器24可以被配置成执行指令以识别基于图像熵的表示，以从样本图像数据38中提取样本图像特征40。应当理解，用于提取样本图像特征40的一个或更多个特征提取分析处理28”可以与用于提取目标图像特征26的一个或更多个特征提取分析处理28’相同或不同。

在实施方式中，系统10被配置成：通过识别样本图像特征40的基于图像熵的表示来从样本图像数据38中提取样本图像特征40。识别基于图像熵的表示可以包括：确定样本图像数据38的颜色图像熵曲线；确定样本图像数据38的颜色图像熵曲线；确定来自样本图像数据38的三维L*a*b*空间的L*平面的黑白强度图像熵；确定样本图像数据38的平均L*a*b*值；确定最密集的立方子空间的中心的L*a*b*值；或其组合。

一个或更多个数据处理器24被配置成执行指令以由一个或更多个数据处理器检索机器学习模型42，机器学习模型42利用目标图像特征26从多个样本图像32中识别计算的匹配样本图像44。机器学习模型42可以采用监督式训练、无监督式训练或其组合。在实施方式中，机器学习模型42采用监督式训练。适当的机器学习模型的示例包括但不限于：线性回归、决策树、k-均值聚类、主成分分析(PCA)、随机决策森林、神经网络或本领域已知的任何其他类型的机器学习算法。在实施方式中，机器学习模型基于随机决策森林算法。

机器学习模型42包括用于从多个样本图像32中识别计算的匹配样本图像44的表示多个样本图像32的预先指定的匹配准则46。在实施方式中，预先指定的匹配准则46被布置在一个或更多个决策树中。一个或更多个数据处理器24被配置成：将目标图像特征26应用于机器学习模型42。在实施方式中，预先指定的匹配准则46被包括在一个或更多个决策树中，其中，决策树包括根节点、贯穿不同层级的中间节点和端节点。可以通过到一个或更多个端节点的节点来处理目标图像特征26，其中，每个端节点表示多个样本图像32之一。

一个或更多个数据处理器24还被配置成：基于基本上满足一个或更多个预先指定的匹配准则46来识别计算的匹配样本图像44。在实施方式中，短语“基本上满足”意指通过具有匹配目标涂层12的最大概率从多个样本图像32中识别计算的匹配样本图像44。在实施方式中，机器学习模型42是基于包括多个决策树的随机决策森林算法，其中，每个决策树的通过对目标图像特征26的处理的结果被用于确定每个样本图像32匹配目标涂层12的概率。具有匹配目标涂层12的最大概率的样本图像32可以被定义为计算的匹配样本图像44。

在实施方式中，一个或更多个数据处理器24被配置成执行指令以基于样本图像特征40生成机器学习模型42的预先指定的匹配准则46。在某些实施方式中，基于从多个样本图像32中提取的样本图像特征40来生成预先指定的匹配准则46。一个或更多个数据处理器24可以被配置成执行指令以通过基于样本图像特征40生成预先指定的匹配准则46来基于多个样本图像32训练机器学习模型42。可以基于包括在样本数据库30中的多个样本图像32以规则的间隔(例如，每月)来训练机器学习模型42。如上所述，可以利用通过识别基于图像熵的表示而从包括L*a*b*值的样本图像数据38中提取的样本图像特征40，将定义表示样本图像32的RGB值的样本图像数据38转换为L*a*b*值。

利用计算的匹配样本图像44来匹配目标涂层12的颜色和外观。计算的匹配样本图像44可以对应于可能匹配目标涂层12的颜色和外观的涂料配方。系统10可以包括与计算的匹配样本图像44有关的一个或更多个替选匹配样本图像48。一个或更多个替选匹配样本图像48可以基于涂料配方、观察到的相似性、计算的相似性或其组合而与计算的匹配样本图像44相关。在某些实施方式中，一个或更多个替选匹配样本图像48基于涂料配方而与计算的匹配样本图像44相关。在实施方式中，计算的匹配样本图像44对应于主要涂料配方，并且一个或更多个替选匹配样本图像48对应于与主要涂料配方有关的替选涂料配方。系统10可以包括视觉匹配样本图像50，该视觉匹配样本图像50能够由用户基于该用户观察到的与目标涂层12的相似性从计算的匹配样本图像44和一个或更多个替选匹配样本图像48中选择。

参照图6和图7，在实施方式中，电子成像装置16还包括被配置成显示计算的匹配样本图像44的显示器52。在某些实施方式中，显示器52还被配置成：与计算的匹配样本图像44相邻地显示目标涂层12的目标图像58。在实施方式中，显示器52还被配置成：显示与计算的匹配样本图像44有关的一个或更多个替选匹配样本图像48。在包括摄像机20的电子成像装置16的实施方式中，显示器52可以位于摄像机20的对面。

在实施方式中，系统10还包括用户输入模块54，该用户输入模块54被配置成：由用户基于该用户观察到的与目标涂层12的相似性从计算的匹配样本图像44和一个或更多个替选匹配样本图像48中选择视觉匹配样本图像50。在包括显示器52的电子成像装置16的实施方式中，用户可以通过在显示器52上的触摸输入来选择视觉匹配样本图像50。

在实施方式中，系统10还包括被配置成照亮目标涂层12的光源56。在包括摄像机20的电子成像装置16的实施方式中，电子成像装置16可以包括光源56，并且光源56可以定位成邻近摄像机20。

在实施方式中，系统10还包括用于将要被成像的目标涂层12与外部光、阴影及反射隔离开的暗箱(未示出)。暗箱可以被配置成：容纳电子成像装置16并允许目标涂层12暴露于摄像机20和光源56。暗箱可以包括光散射器(未示出)，该光散射器被配置成与光源56协作以充分地散射从光源56生成的光。

本文中还参照图8并继续参照图1至图7提供了用于匹配目标涂层12的颜色和外观的方法1100。该方法1100包括以下的步骤1102：由一个或更多个数据处理器接收目标涂层12的目标图像数据18。目标图像数据18由电子成像装置16生成并包括目标图像特征26。方法1100还包括以下的步骤1104：由一个或更多个处理器检索从目标图像数据18中提取目标图像特征26的一个或更多个特征提取分析处理28’。方法1100还包括以下的步骤1106：将目标图像特征26应用于一个或更多个特征提取分析处理28’。方法1100还包括以下的步骤1108：利用一个或更多个特征提取分析处理28’从目标图像数据18中提取目标图像特征26。

方法1100还包括以下的步骤1110：由一个或更多个数据处理器检索机器学习模型42，机器学习模型42利用目标图像特征26从多个样本图像32中识别计算的匹配样本图像44。机器学习模型42包括用于从多个样本图像32中识别计算的匹配样本图像44的表示多个样本图像32的预先指定的匹配准则46。方法1100还包括以下的步骤1112：将目标图像特征26应用于机器学习模型42。方法1100还包括以下的步骤1114：基于基本上满足一个或更多个预先指定的匹配准则46来识别计算的匹配样本图像44。

在实施方式中，方法1100还包括以下的步骤1116：在显示器52上显示计算的匹配样本图像44、与计算的匹配样本图像44有关的一个或更多个替选匹配样本图像48、以及与计算的匹配样本图像44和一个或更多个替选匹配样本图像48相邻的目标涂层12的目标图像58。在实施方式中，方法1100还包括以下的步骤1118：由用户基于观察到的与目标图像数据18的相似性从计算的匹配样本图像44和一个或更多个替选匹配样本图像48中选择视觉匹配样本图像50。

参照图9并继续参照图1至图8，在实施方式中，方法1100还包括以下的步骤1120：基于多个样本图像32来生成机器学习模型42。生成机器学习模型42的步骤1120可以包括以下的步骤1122：从样本数据库30中检索多个样本图像32。生成机器学习模型42的步骤1120还可以包括以下的步骤1124：基于一个或更多个特征提取分析处理28’从多个样本图像32中提取样本图像特征40。生成机器学习模型42的步骤1120还可以包括以下的步骤1126：基于样本图像特征40来生成预先指定的匹配准则46。

参照图10并继续参照图1至图9，在实施方式中，方法1100还包括以下的步骤1128：形成与计算的匹配样本图像44对应的涂料组合物。方法1100还可以包括以下的步骤1130：将涂料组合物施加至基板14。

本文中公开的方法1100和系统10可以用于包括目标涂层12的任何涂覆制品或基板14。这种涂覆制品的一些示例可以包括但不限于：家用电器，例如冰箱、洗衣机、洗碗机、微波炉、烹饪和烘烤炉；电子设备，例如电视机、计算机、电子游戏机、音频和视频装备；娱乐装备，例如自行车、滑雪装备、全地形车辆；以及家庭或办公室家具，例如桌子、文件柜；水上船只或船舶，例如小船、游艇或私人水运工具(PWC)；飞机；建筑物；结构，例如桥梁；工业装备，例如起重机、重型卡车或推土机；或者装饰性制品。

对基于效果颜料的涂层的颜色匹配特别具有挑战性。效果涂层包括金属涂层和珠光涂层，但也可包括其他效果例如磷光、荧光等。如图11所示并继续参照图1至图10，金属涂层和珠光涂层包括效果添加剂74。包括如图所示的目标涂层12和/或样本涂层60的涂层可以包括覆盖在基板14上的若干个层。上述目标涂层12可以包括与图11所示的样本涂层60相同的层，因此对样本涂层60的层的描述也适用于上述目标涂层12。如本文所用，术语“覆盖在……上”意指使得中间层可以位于上覆部件(在此示例中为样本涂层60)与下覆部件(在此示例中为基板14)之间的“之上(over)”，或者意指使得上覆部件物理地接触下覆部件的“上(on)”。此外，术语“覆盖在……上”意指穿过上覆部件的垂直线也穿过下覆部件，使得上覆部件的至少一部分在下覆部件的至少一部分的正上方。应当理解，可以移动基板14，使得相对的“上”和“下”位置改变。空间相对术语例如“顶部”、“底部”、“之上”和“之下”是在图11的截面的取向的上下文中产生的。应当理解，空间相对术语指的是图11中的取向，因此如果基板14以另一种方式取向，则空间相对术语将仍然指的是图11中描绘的取向。因此，即使基板14被扭曲、翻转或者以不同于图中描绘的其他方式取向，术语“之上”和“之下”也保持相同。

图11示出了覆盖在基板14上的底漆62和覆盖在底漆62上的底涂层64。在本说明书中底漆62和基板14不被认为是样本涂层60的一部分。可选的效果涂层66覆盖在底涂层64上，并且透明涂层68覆盖在可选的效果涂层66上。样本涂料配方70包括多种组分72，其中用于底涂层64的组分72可以与用于可选的效果涂层66和/或透明涂层68的组分72不相同。底涂层64和效果涂层66中的一者或两者包括作为组分72之一的效果添加剂74。利用效果添加剂74来产生样本涂层60的特殊效果，例如产生金属效果或珠光效果。样本涂料配方70包括用于底涂层64的底涂料配方65、用于可选的效果涂层66的可选的效果涂料配方67和用于透明涂层68的透明涂料配方69。在一些实施方式中，样本涂料配方70也可以包括用于其他可选层的配方。

在样本涂层60(或任何其他涂层)包括可见的反射片的情况下，产生金属效果。反射片用作效果添加剂74。在实施方式中，涂料中的金属颗粒吸收并反射比基础涂料颜色更多颜色的入射光，在给定区域之上向涂层给出变化的外观。一些涂层将呈现为底涂层的颜色，而其他部分将反射光并呈现为闪光或闪烁。金属色是呈现为抛光金属颜色的颜色。通常与金属相关联的视觉是不同于简单纯色的金属光泽。金属色包括由于材料的亮度而产生的发光效果，并且该亮度随着相对于光源的表面角度的变化而变化。一种用于产生金属效果颜色的技术是将铝片(其为效果添加剂74的示例)添加至颜料涂层。铝片取决于对片的处理而产生在大小、亮度以及有时在颜色上变化的闪光。较大的片产生较粗糙的闪光，而较小的片产生较细致的闪光。可以使用不同类型的片，例如平坦且相对圆形的“银元”片，如银元币。其他类型的片可以具有锯齿状边缘，如玉米片。在一些实施方式中，片也可以是有色的，因此片产生有色闪光。

将铝片添加至底涂层64产生金属效果，但是如果将相同类型和相同量的片添加至覆盖在底涂层64上的半透明效果涂层66，则涂层具有“较深的”不同外观。在另一实施方式中，底涂层64可以包括一种类型和量的效果添加剂74，而效果涂层66可以包括不同类型和/或量的效果添加剂74以产生另外的外观。因此，许多变量会影响金属色的外观，例如片的类型、片的大小、包括片的涂层、基色等。因此，由于可能的各种因素和外观，难以匹配金属效果。

珠光涂层包括选择性地反射、吸收和/或透射可见光的效果添加剂74，其可以产生基于片的结构和形态而变化的有色外观。这使涂层具有随视角和/或照明角度变化的闪光和深色。珠光涂层中的效果添加剂74可以是陶瓷晶体，并且这些效果添加剂74可以被添加至底涂层64、效果涂层66或上述两者。此外，珠光效果添加剂74可以是具有不同大小、折射率、形状等的变化的等级的，并且不同等级可以单独或组合使用。也可以将珠光效果添加剂74与金属效果添加剂74以多种组合进行组合，并且涂层的外观将随着效果添加剂的浓度、类型、位置等的改变而变化。效果添加剂74中的所有不同的可能变化可以应用于单一颜色，因此仅匹配颜色的技术在对基于效果颜料的涂层的外观进行再现时将是无效的。

如上所述，基于效果颜料的涂层具有变化的外观，因此如图3A、图4A和图5A中的图示所见，图像内的不同像素将具有不同的颜色、亮度、色调、色度或其他外观特征。因此，将图像分解成像素然后逐个像素地分析图像以确定两个或更多个像素之间的像素差异的颜色匹配协议可以有助于匹配基于效果颜料的涂层的总体外观。可以基于图像内的像素之间的差异，利用数学模型诸如上述机器学习模型来确定图像的特征。这样，如上所述，可以利用数学模型逐个像素地分析目标图像58以产生目标图像特征26，并且这可以与其他目标图像特征26诸如颜色(其可以通过将目标图像58作为整体来确定而不是逐个像素地确定)或其他目标图像特征组合。再次如上所述，可以将得到的一个或更多个目标图像特征26与已经产生类似的样本图像特征40的样本数据库30进行比较，以找到最佳匹配。逐个像素评估可以产生针对效果颜料的匹配，这在基于将目标图像58作为整体的评估的情况下是不可能的。

参考图12所示的实施方式并继续参照图1至图11。如上所述，成像装置16捕获目标涂层12的目标图像58。在目标图像58的捕获期间，成像装置16被设置在相对于目标涂层12的表面的成像角度76处，并且照明源78被设置在照明角度80处。目标图像58被划分成多个目标像素82，其中，多个目标像素82变化使得至少一个目标像素82在外观上不同于另一个目标像素82。

以类似的方式，参考图13所示的实施方式并继续参照图1至图12，再次如上所述，成像装置16捕获样本涂层60的样本图像32。用于捕获样本图像32的成像装置16可以与用于捕获目标图像58的成像装置16相同，但是也可以利用不同的成像装置16。照明源78也用于捕获样本图像32，其中，类似于图12中针对目标图像58所述的，成像装置被设置在相对于样本涂层60的表面的成像角度76处，而照明源78设置在照明角度80处。样本图像32被划分成多个样本像素84，其中一个样本像素84具有与另一个样本像素84不同的外观。在实施方式中，样本涂层60包括效果添加剂74，该效果添加剂74在样本图像32的图示中用小点示出，并且该效果添加剂74产生在样本图像32内的样本像素84的外观上的变化。图12和图13中的目标涂层12和样本涂层60分别可以包括底涂层64、可选的效果涂层66以及透明涂层68，但是存在的涂层中的变化也是可能的。

如图14中的实施方式所示并继续参照图1至图13，产生用于将目标图像58与样本涂料配方70匹配的样本数据库30。产生样本数据库30包括产生样本涂料配方70，其中，样本涂料配方70包括效果添加剂74。样本涂料配方70可以包括底涂层64和透明涂层68，或者底涂层64、效果涂层66和透明涂层68，但其他实施方式也是可能的。例如，底涂层64、可选的效果涂层66和透明涂层68中的任一个可以包括多个层，并且也可以存在其他涂层。

一旦产生了样本涂料配方70，则利用样本涂料配方70产生样本涂层60。这通常通过例如经由喷涂、用刷子施加、浸涂、数字印刷或任何其他涂层技术将来自样本涂料配方70的材料施加至基板14上来进行。在实施方式中，通过喷涂形成样本涂层60，其中喷涂利用针对样本涂料配方70中涂料等级的推荐喷涂条件。喷涂条件可以包括溶剂类型、溶剂量、喷枪压力、所用喷枪的喷嘴的类型和/或大小、喷枪和基板14之间的距离等。使用汽车车身修理厂或可能需要匹配目标涂层12的其他情况通常使用的相同技术来生产样本涂层60与用另一种技术施加样本涂层60的情况下相比可以提供对可以预期的成品的更准确表示。样本涂料配方70包括一种或更多种效果添加剂74，所以样本涂层60具有变化的外观，其中样本涂层60的一部分呈现为不同于另一部分。例如，闪光呈现为与哑光颜色不同。

然后，利用成像装置16，例如通过对样本涂层60进行拍摄来产生样本图像32。该样本图像32包括多个样本图像数据38，例如RGB值、L*a*b*值等。样本图像32可以是一个或更多个静止图像或移动图像。在实施方式中，样本图像32包括以已知和指定的照明、成像角度、成像装置16与样本涂层60之间的距离以及照明角度捕获的多个静止图像。样本图像32也可以针对样本涂层60的基本上平坦的部分，但是在一些实施方式中，样本图像还可以包括具有已知曲率的样本涂层60的一个或更多个图像。

特征提取分析处理28”可以应用于样本图像数据38以产生样本图像特征40。然后样本图像特征40和样本涂料配方70关联在一起并保存在样本数据库30中。样本数据库30可以包括与一个样本涂料配方70关联的多个样本图像特征40，并且一个或更多个样本图像32也可以与样本涂料配方70关联。样本数据库30保存在一个或更多个存储装置22中，一个或更多个存储装置22可以与上述用于匹配目标涂层12的存储装置22相同或不同。如上所述，保存样本数据库30的存储装置22可以与数据处理器24相关联以执行用于保存数据和从样本数据库30中检索数据的指令。可以针对多种样本涂料配方70重复图14中所示的处理，因此将多个样本涂料配方70保存在样本数据库30中。样本涂料配方70还可以被配置成与由车辆制造商提供的原始装备涂层几乎匹配，以使车辆涂层与样本涂料配方70匹配。可以利用一个或更多个样本图像32作为计算的匹配样本图像44，或者可以利用不同的参数集以从样本涂层60捕获计算的匹配样本图像44。

可以产生多个样本涂料配方70，所述多个样本涂料配方70产生几乎相同的样本图像32，其中样本涂料配方70彼此不同并且包括不同等级的涂料。一些车辆修理厂倾向于利用一个等级的涂料，并且涂料的等级可以从一个车辆修理厂到下一个车辆修理厂而变化。因为车辆修理厂具有利用特定等级的涂料的技能和熟悉度，因此包括利用与车辆修理厂熟悉的涂料等级相同等级的涂料的匹配样本涂料配方70的样本数据库30可以改善结果。以这种方式，通常使用不同等级的涂料的不同车辆修理厂(或样本数据库30的其他用户)可以利用相同的样本数据库30。

在图15的实施方式中并继续参照图1至图14更详细地示出了以上针对图14描述的特征提取分析处理28”。样本图像32被划分成多个样本像素84。每个样本像素84具有样本像素图像数据，并且样本像素图像数据被用于确定样本像素84的样本像素特征86。因为样本像素84可以具有不同于整体样本图像32的外观，因此样本像素特征86可以不同于总体样本特征40。样本像素特征86可以是对该样本像素84的RGB值或者该样本像素84的L*a*b*值或者该样本像素84的其他外观属性的确定。在实施方式中，针对样本图像32的所有样本像素84确定样本像素特征86，但是在替选实施方式中，可以仅针对样本图像32的样本像素84的子集确定样本像素特征86。在所有实施方式中，针对多个样本像素84确定样本像素特征86，其中样本像素特征86针对样本像素84中的至少一些而变化。然后，针对样本像素84确定样本像素特征差异88。然后，根据样本像素特征差异88确定样本图像特征40。

在图16中并继续参照图1至图15示出了利用三维坐标系90的实施方式。三维坐标系90可以表示RGB颜色系统，其中，三维坐标系90的一个轴是R值，另一个轴是G值以及第三个轴是B值。替选地，三维坐标系90可以表示L*a*b*颜色系统，其中，一个轴为L*值，另一个轴为a*值以及第三个轴为b*值。在替选实施方式中，三维坐标系90可以表示其他轴，并且在一些实施方式中，可以不利用三维坐标系90。然后，可以在三维坐标系90中绘制样本像素特征86，并且可以记录落入三维坐标系90的每个块内的样本像素84的数量。在图16的假想图示中，最接近0-0-0坐标的第一块具有计数1，在第一块正上方的块具有计数2，并且在具有计数2的块正上方的块具有计数5。可以利用替选技术来确定样本像素特征差异88，并且可以利用多种技术来以多种方式确定一个样本图像32的多个样本像素特征差异88。

然后，如图15所示并继续参照图1至图14和图16，可以根据样本像素特征差异88来确定样本图像特征40。因为样本图像特征40是基于样本图像32内的不同空间中的颜色或外观变化，因此根据多个样本像素特征差异88来确定样本图像特征40在本文中被称为空间微颜色分析。可以存在针对一个单个样本图像32确定的多个样本图像特征40，并且那些样本图像特征40中的一些可以基于空间微颜色分析，而其他可以不基于空间微颜色分析。然而，在本说明书中，样本图像特征40中的至少之一是基于空间微颜色分析。这样，样本数据库30包括基于空间微颜色分析的至少一个样本图像特征40。图15的顶部处的样本图像数据38块和图15的底部处的样本图像特征40块示出在图14中的同样标记的块之间利用的步骤的实施方式。计算的匹配样本图像44也可以保存在样本数据库30中，其中计算的匹配样本图像44可以用于如上所述地显示给用户。然后，用户可以基于视觉分析确定计算的匹配样本图像44是否是目标涂层12的可接受匹配。可以在使得计算的匹配样本图像44对于视觉分析是可接受的情况下利用成像装置16捕获计算的匹配样本图像44。

参考图17所示的实施方式并继续参照图1至图16。图17示出了用于对目标图像58利用空间微颜色分析的实施方式，如图2中的特征提取分析处理28’块所例示的。因此，图17的顶部处的目标图像数据18块和从图16的底部起第三个的目标图像特征26块是根据图2中的相同命名的块取得的。图17还示出了用于将目标图像特征26与样本图像特征40进行比较的数学模型100是除机器学习模型42之外的模型的实施方式。然而，应当理解，在一些实施方式中仍然可以利用机器学习模型42。如上所述，图2和图17中所示的样本图像特征40是从样本数据库30得到的。

如图12和图17所示，目标图像58被划分成多个目标像素82。每个目标像素82包括目标像素图像数据，其中目标像素图像数据是目标图像数据18的至少一部分。如以上针对样本像素特征86所描述的，根据目标像素82确定目标像素特征102，其中，目标像素82中的每个目标像素具有目标图像数据18中的至少一些目标图像数据，并且所述目标图像数据18中的至少一些目标图像数据针对不同目标像素82而变化。再次如以上针对样本像素特征86所描述的，然后，根据目标像素特征102确定目标像素特征差异104，并且然后，根据目标像素特征差异104确定目标图像特征26。这样，因为目标像素82中的至少一些具有不同的目标图像数据18，所以目标图像特征26中的至少之一由空间微颜色分析确定。单个目标图像58的目标图像特征26可以包括由空间微颜色分析确定的一个或更多个目标图像特征26，并且还可以包括不基于空间微颜色分析的一个或更多个目标图像特征26。然后，如上所述，利用预先指定的匹配准则46来确定计算的匹配样本图像44。

可以利用多种空间微颜色分析数学技术来确定目标图像特征26和/或样本图像特征40，并且在一些实施方式中可以利用相同的技术以促进匹配。下面列出了空间微颜色分析数学技术的部分列表，其中，通用术语像素意指目标像素82或样本像素84，而图像意指目标图像58或样本图像32。空间微颜色分析数学技术的示例包括但不限于：确定图像的各个像素的L*a*b*颜色坐标；确定根据图像的全图像的各个像素的平均L*a*b*颜色坐标；确定图像的黑白图像的闪光区域；确定图像的黑白图像的闪光强度；确定图像的黑白图像的闪光等级；确定图像的闪光颜色；确定图像的闪光聚类；确定图像内的闪光色差；确定图像的闪光持续性，其中闪光持续性是作为在图像的捕获期间的一个或更多个照明变化的函数的闪光的度量；确定在图像的捕获期间的一个或更多个照明变化的情况下的像素级别的颜色恒定性；确定像素级别的图像的小波系数；确定目标像素级别的目标图像的傅立叶系数；确定图像内的局部区域的平均颜色，其中，局部区域可以是一个或更多个像素，但是其中局部区域小于图像的总区域；确定图像的离散的L*a*b*范围内的像素计数，其中，L*a*b*范围可以是固定的，或者可以被数据驱动使得该范围变化；确定图像的像素级别的立方仓的最大填充坐标，其中，立方仓是基于使用L*a*b*或RGB值的3维坐标映射；确定图像的整体图像颜色熵；确定作为图像的第3维的函数的L*a*b*平面中的一个或更多个平面的图像熵；确定作为图像的第3维的函数的RGB平面中的一个或更多个平面的图像熵；确定图像的局部像素变化度量；确定图像的粒度；确定图像的高方差矢量，其中，使用主成分分析来建立高方差矢量；以及确定图像的高峰度矢量，其中，使用独立成分分析来建立高峰度矢量。

确定目标/样本图像的各个像素的L*a*b*颜色坐标包括将图像分解成像素，然后确定多个(或者在一些实施方式中为全部)像素的L*a*b*颜色坐标。确定根据图像的全图像的各个像素的平均L*a*b*颜色坐标意指针对图像内的每个像素取L*a*b*样本的均值。确定图像的黑白图像的闪光区域意指获取或获得黑白图像，然后确定包括闪光的像素数量和给定区域内的总像素数量。给定区域可以是整个图像，或者是图像的子集。然后，通过将给定区域中包括闪光的像素的数量除以该给定区域中的总像素数量来确定闪光区域。确定图像的黑白图像的闪光强度意指确定在给定区域内包括闪光的像素的平均亮度。

确定黑白图像的闪光等级意指确定根据闪光区域和闪光强度得到的描述闪光现象的视觉感知的值。确定图像的闪光颜色意指确定闪光的位置，然后确定该闪光的颜色。确定图像的闪光聚类意指使用聚类或分布拟合算法来确定存在于图像中的闪光的各种颜色。如上所述，确定图像内的闪光色差意指确定图像中闪光的颜色，然后确定闪光中该颜色的变化或差异。确定图像的闪光持续性意指确定当在图像的捕获期间照明改变并且成像角度76和照明角度80保持相同时，闪光是否保持在给定像素内(以及闪光是否具有亮度的改变)。确定像素级别的颜色恒定性意指确定当在图像的捕获期间照明改变并且成像角度76和照明角度80保持相同时，给定像素内像素的颜色是否保持相同。需要至少两个不同的图像来确定闪光持续性和颜色恒定性。

确定像素级别的图像的傅立叶系数意指在使用傅立叶变换将图像分解为不同频率的正弦分量之后确定与该图像相关联的系数，其中所述系数描述图像中存在的频率。这可以针对图像的给定区域内的给定数量的像素来确定。确定像素级别的图像的小波系数意指在使用离散或连续小波变换将图像分解成与小波的移位和缩放版本相关联的分量之后确定与图像相关联的系数，其中所述系数描述与小波的相关移位和缩放版本相关联的图像内容。小波是在极值处趋于零并且局部区域包含振荡的函数。这可以针对图像的给定区域内的给定数量的像素来确定。确定图像内的局部区域的平均颜色意指确定小于图像的总区域的样本区域内的一个或更多个像素的平均颜色。确定图像的离散L*a*b*范围内的像素计数意指确定使用L*a*b*值作为轴的三维坐标系90的给定区域内的像素计数，与图16的图示类似。三维坐标系90内的给定区域的大小可以是固定的，或者该大小也可以根据所生成的计数值而不同。确定图像的像素级别的立方仓的最大填充坐标——其中，立方仓是基于使用L*a*b*或RGB值作为轴的三维坐标系90——意指如图16所示确定具有最高像素计数的块。可以使用设置值、百分比值或其他度量来确定将块指定为被“最大”填充的值。

确定图像的总体图像颜色熵意指基于像素内的变化来确定图像的总体颜色熵。颜色熵可以是香农熵或其他类型的熵计算。确定作为图像的第3维的函数的L*a*b*平面或RGB平面中的一个或更多个平面的图像熵，意指选择如图16所示的三维坐标系90内的平面，然后基于沿该平面的值来确定熵。如上所述，熵可以是香农熵或其他类型的熵计算。确定图像的局部像素变化度量意指选择基本上任何像素特征，然后确定该像素特征在图像内的变化。确定图像的粒度意指基于阴影或暗示粒度的其他特征来确定图像粒度的印象。确定图像的高方差矢量意指基于坐标原点处的矢量原点来确定矢量，其中，使用主成分分析来建立高方差矢量。高方差矢量可以被认为是目标图像特征26或样本图像特征40，或者来自图像的像素数据可以被投影到矢量上以得到新的目标图像特征26或样本图像特征40。确定图像的高峰度矢量还是意指基于坐标原点处的矢量原点来确定矢量，其中使用独立成分分析来建立高峰度矢量。高峰度矢量可以被认为是目标图像特征26或样本图像特征40，或者来自图像的像素数据可以被投影到矢量上以得到新的目标图像特征26或样本图像特征40。

如图18中所示并继续参照图1至图17，在另一个实施方式中提供了匹配目标涂层12的方法。该方法包括获得1200目标涂层12的目标图像58，其中，目标涂层12是包括效果添加剂74的基于效果颜料的涂层。该方法还包括对目标图像58应用1210特征提取分析处理28’，其中，特征提取分析处理28’包括：将目标图像58划分1220成包括目标像素图像数据的多个目标像素82；确定1230多个目标像素82的各个目标像素的目标像素特征102；确定1240各个目标像素82之间的目标像素特征差异104；根据目标像素特征差异104确定1250目标图像特征26；以及基于基本上满足一个或更多个预先指定的匹配准则，利用目标图像特征26来计算1260计算的匹配样本图像44。

如图19中所示并继续参照图1至图18，还提供了产生样本数据库30的方法。该方法包括根据包括效果添加剂74的样本涂料配方70来制备1300样本涂层60，使得样本涂层60的外观从一个位置到另一个位置而变化。该方法还包括对样本涂层成像1310以产生包括样本图像数据的样本图像32，其中样本图像32被划分成多个样本像素84，每个样本像素包括样本像素图像数据。下一步骤是从样本图像数据中检索1320一个或更多个样本图像特征40，其中，样本图像特征40中的至少之一包括空间微颜色分析，该空间微颜色分析包括由样本像素84中的至少两个样本像素之间的样本像素特征差异88确定的值。另一个步骤是将样本涂料配方70和一个或更多个样本图像特征40保存1330在样本数据库30中，其中，样本涂料配方70与一个或更多个样本图像特征40关联。

参照图20。一旦获得了计算的匹配样本图像44，它就可以被操作者认可。此时，可以使用与计算的匹配样本图像44对应的样本涂料配方70来制备修复涂料110。在示例性实施方式中，样本涂料配方70包括效果添加剂74和一个或更多个其他组分72。可以使用多种技术中的一种或更多种技术将修复涂料110施加至基板14诸如需要修复的车辆。在示例性实施方式中，如所示出的，利用数字印刷机112和数字印刷技术将修复涂料110施加至基板12，但是在替选实施方式中，可以通过包括但不限于喷涂、用刷子施加和/或浸涂的其他技术将修复涂料110施加至基板12。

图21以1400描绘了一种用于分析涂刷的汽车部件或整个车辆的一个或更多个特征的方法。分析类型的示例包括：确定在涂刷对象上使用的颜料片的类型，并且将分析用于匹配目的。颜料片选择处理可以是例如针对效果颜料的涂料匹配配方开发工作流程的自动化部分。这与先前的方法形成对比，先前的方法使用手动处理来识别用于匹配目的的可能效果颜料。

涂刷对象的图像数据1404被提供给分析处理。具有固有或补充照明1402的电子成像装置可以生成涂刷对象的目标涂层的图像数据1404，以供在一个分析计算机程序或多个分析计算机程序中使用。图像数据1404在1406处被放置到诸如L*、a*、b*的特定颜色空间中，使得可以提取预先指定的特征。提取的特征可以包括匹配处理所需要的任何颜色或外观特征。

特征提取处理1408将图像数据解析为子图像1410的区域。子图像内特征的存在(或不存在)程度用于在1412处生成跨子图像1410的特征的分布1414。此外，在1412处生成统计度量以更完整地描述图像数据1404内特征的分布1414。例如，用于描述特征分布1414的统计度量可以包括标准偏差、均值、偏度度量、峰度度量等。注意，金属涂料中的空间局部化颜色现象不能单独通过反射来捕获。

计算机实现的一个非瞬态存储介质1416或多个非瞬态存储介质1416存储表征提取的特征的分布和统计数据。机器学习模型1418被应用于所存储的数据，以预测在目标涂层中存在的一个片或多个片的类型。机器学习模型1418可以采用监督式训练、无监督式训练或其组合。适当的机器学习模型的示例包括但不限于：线性回归、决策树、k-均值聚类、主成分分析(PCA)、随机决策森林、神经网络或本领域已知的任何其他类型的机器学习算法。在实施方式中，机器学习模型基于多层人工神经网络。

一个或更多个机器学习模型1418预测在目标涂层中存在的片类型。预测输出1420可以表示在目标涂层中存在的最可能类型的片与最不可能类型的片的比例。配制处理可以使用自动确定的片类型作为用于与目标涂层匹配的涂料配方的一部分。

图22以1500描绘了图21中的处理的示例配置。参照图22，照明源1402可以是用于在包括可见波长或不可见波长的宽范围的电磁波长下捕获图像的电子成像装置。电子成像装置可以包括一个或更多个不同类型的摄像机1502，例如作为移动装置的一部分的摄像机。移动装置的示例包括但不限于：移动电话(例如，智能电话)、移动计算机(例如，平板电脑或膝上型计算机)、可穿戴装置(例如，智能手表或耳机)或本领域中已知的被配置成接收目标图像数据的任何其他类型的装置。涂覆目标的照明可以以不同的角度，以捕获不同的片大小和几何形状。

在捕获图像数据1402之后，系统可以使用多个矩阵(例如，三个矩阵等)来表示颜色空间。例如，可以以以下方式来配置用于存储三个矩阵1504的数据结构。在实施方式中，三个单独的数据结构可以存储L*值矩阵、a*值矩阵和b*值矩阵中的每一个。这些值针对整个捕获图像或部分捕获图像中的每个像素。存储在矩阵中的值是从RGB颜色空间转换到L*、a*、b*颜色空间。RGB颜色空间是装置相关的(例如，对于每个摄像机是不同的)。转换为L*、a*、b*颜色空间使得后续计算与装置无关。

基于存储在数据结构中的与颜色有关的数据，特征提取处理1408选择要分析哪些特征以用于确定目标涂层的一种片类型或多种片类型。例如，特征提取处理可以在1506处提取子图像1410的特征，例如平均L*、a*、b*颜色坐标、闪光强度、片大小等。

图23以1600描绘了用于进一步处理包含在子图像1410中的数据的示例配置。可以在1602处分析子图像1410，以确定跨子图像的一个或更多个特征的分布1604。例如，系统可以确定在子图像内有多少像素包括与片相关联的闪光以及这样的像素的总数。系统可以进一步分析与片相关联的“大小”特征，以确定跨子图像1410的片大小的分布1604。

图24以1700描绘了在1702处被应用于存储在一个颜色数据存储介质1416或多个颜色数据存储介质1416中的特征分布和统计数据以生成预测概率1704的机器学习模型的示例配置。示例配置使用人工神经网络1706基于输入特征分布和统计数据来预测片类型。

人工神经网络1706可以由输入层1708、一个或更多个隐藏层1710和输出层1712构成。输入层1708可以设置有一个或更多个输入节点，以接收与来自目标涂层的图像有关的特征分布和统计信息。人工神经网络1706内的一个或更多个隐藏层1710帮助识别输入数据内的相互关系。因为相互关系本质上可以是非线性的，因此人工神经网络1706可以更好地识别来自一个颜色数据存储介质1416或多个颜色数据存储介质1416的数据集内的图案或期望的对象(例如，片或与片相关联的像素)。人工神经网络1706的节点可以使用许多不同类型的激活函数，例如，S型(sigmoid)激活函数、逻辑激活函数等。

人工神经网络1706的输出层1712在1714处提供指示存在特定片的概率的预测。预测输出可以表示在目标涂层中存在的最可能类型的片与最不可能类型的片的比例。预测也可以被提供为前n组片结果。

在一个实施方式中，在一个或更多个处理器上执行的人工神经网络是卷积神经网络，该卷积神经网络针对标记的图像数据集进行训练以学习图像内的每种类型的对象的特征。标记的图像数据集包括识别标记子图像和每个对象的类别的信息。在训练期间，人工神经模型可以基于特征来预测类别。由于训练输入图像与类别之间的相互关系是预定义的，因此训练模块可以调整模型的预测，以匹配输入图像与特征之间的预定义关联。一旦模型已被训练，则机器学习分类器可以基于数据来预测片类别。

应当理解，可以使用其他机器学习模型，例如，随机森林模型、决策树模型。在本文中公开的系统内使用的机器学习模型包括针对实际应用期间生成的数据(例如，由喷射应用产生的与颜色有关的数据等)进行训练的经验机器学习模型。

还应当理解，可以进一步分析来自模型的输出预测概率。图25以1800提供了如下示例，其中颜色分析专家系统1804将其颜色分析规则1808应用于输出预测概率1704，以确定一个或更多个输出候选片是否或多或少地可能存在于目标涂层的子图像中。例如，颜色分析专家系统1804可以确定对于涂层通常不存在两个片，并且在1806处调整概率预测以反映该实际的细节水平。

图26以1900描绘了通过分析和校正多角度空间平均颜色的差异来帮助着色器理解和校正空间颜色的差异的系统。这对于诸如供着色器使用的基于图像的颜色配方检索系统的工具是有益的。

图26的系统接收包含目标图像数据的目标涂层的目标图像。颜色模型1902和局部颜色模型1906有助于至少部分地基于由颜色模型1902生成的平均L*、a*、b*1904以及从局部颜色模型1906生成的颜色群体1908来预测目标涂层与样本涂层之间的色差1914。

如由颜色模型1902提供该信息，局部颜色模型1906根据不是“平均”数据的图像数据预测空间颜色特征(例如，颜色熵特征等)。为了生成颜色群体1908，如在1910处所示出的那样将颜色空间划分成原色区域、二次色区域和三次色区域。作为非限制性示例，可以基于图像中的每个像素所属的颜色系来对图像中的每个像素进行分类。另一种非限制性方法包括对颜色的分布进行建模并且确定颜色属于哪个组。这样的方法提供了颜色群体的总体表征分类。在实施方式中，局部颜色模型通过例如形成相似颜色特征数据的组或聚类来生成颜色群体。在实施方式中，k-均值聚类方法可以形成原L*、a*、b*值的聚类、二次L*、a*、b*值的聚类和三次L*、a*、b*值的聚类。在该示例中，k-均值聚类方法中的“k”将为3，使得形成三个聚类。

由优化例程1912使用来自颜色模型1902和局部颜色模型1906的输出来生成预测的色差1914(例如，ΔE)。优化例程1912可以包括例如数值算法，以生成优化相对于标准的预测色差的配方。在实施方式中，数值算法测试不同的配方并且确定哪个配方的相对于标准的预测色差最小。非限制性示例包括基于涂料配方、颜色现象的模型以及与标准相关联的颜色度量来生成色差度量的函数。选择使函数最小化的配方。以这种方式，可以将涉及配方和各种局部化颜色特征的经验模型用于颜色匹配。

可以使用针对函数的不同的优化例程，例如，非线性程序数值方法、线性程序数值方法等。在该优化例程中，可以使函数最小化，以识别最小的相对于标准的预测色差。函数可以生成例如对颜色模型1902和局部颜色模型1906相对于标准的平均ΔE的预测。

在实施方式中，使用松弛约束处理来优化预测色差1914。松弛约束处理可以包括：优化服从其系数被允许松弛的约束的色差的目标函数。在色差优化例程内使用惩罚函数以提供约束松弛。经优化的色差确定用于在1918处喷涂基板的汽车涂料组分。可以喷涂具有可接受的ΔE的模型预测1916，使得可以获得实际的ΔE 1920。然后将喷涂的样本1922与标准1924进行比较，以确定是否已经获得可接受的匹配(例如，样本与标准之间的ΔE在预先指定的阈值内等)。如果匹配是不可接受的，则该处理可以迭代，直到实现可接受的匹配，如图27所示。

图27以2000描绘了用于确定着色器何时达到可接受的匹配的处理流程。着色器在2002处执行初始喷涂，以尝试与目标涂层匹配。颜色空间数据通过颜色测量装置(例如分光光度计等)来获得。

初始喷涂与目标涂层之间的色差2004作为输入在2006处被提供给具有偏差的颜色模型以及在2008处被提供给具有预测偏差的局部颜色模型。可以基于在所选择的配方用于喷涂样本之后获得的预测ΔE与实际ΔE之间的差来确定预测偏差。该偏差用于在第一次迭代之后校正预测。

可以在2010处以许多不同方式优化这两种颜色模型。在实施方式中，可以使用松弛约束方法来执行优化。优化引起新的预测色差2012。着色器在涂料配方软件中使用预测色差2012来生成要在2014处进行喷涂的新配方。如果如在2018处确定的那样来自附加喷涂的色差2016是可接受的，则着色处理在2020处完成。如果如在2018处确定的那样色差是不可接受的，则执行附加的喷涂和分析迭代，直到获得如在2018处确定的可接受的色差。

图28以2100描绘了被扩展以分析目标涂层以用于纹理匹配的的系统。纹理匹配可以包括描述局部颜色现象的任何特征。应当注意，这不包括由喷涂涂料导致的橘皮皱(orange peel)。

在另一个实施方式中，纹理匹配在技术上是困难的，因为纹理可能在给定区域上变化，例如不仅关于粒度而变化，而且还关于光泽度、微辉度、浑浊度、斑点、散斑、闪光或闪烁而变化。根据该材料的小组成构件的大小和纹理，要匹配的纹理可以描述为涂料膜平面中的视觉表面结构。纹理不包括涂料膜粗糙度例如橘皮皱，但包括涂料膜平面中的视觉不规则性。比人眼可以看见的结构小的结构促成颜色，而较大的结构促成纹理。

系统在1920处检查目标涂层的颜色群体、纹理特征以及跨目标的Δ“E”(色差)，以确定跨目标涂层的粒度分布。在1918处提取纹理特征，以用于匹配要被匹配的基板上的涂料膜(在1916处被喷涂)的纹理特性。

应当理解，纹理机器学习模型可以计算具有匹配的纹理特性的涂料配方。机器学习模型可以例如通过检查图像数据中的暗区和亮区来检查要匹配的涂料的颗粒大小分布。可以将诸如卷积神经网络的机器学习模型应用于纹理数据集，以基于ΔE测量结果来预测配方，同时不偏离可接受的颜色匹配。

在实施方式中，卷积神经网络可以被配置成使得其卷积运算符从输入图像提取纹理特征。通过监督式训练来建立配置，使得该配置保留图像中的像素之间的空间关系。更具体地，卷积神经网络学习最佳滤波器值，其中滤波器的数量被设置成提取期望数量的纹理特征。例如，如果纹理匹配处理需要更多的纹理特征，则滤波器的数量将相应地增加。

图29以2200描绘了在其中用户2202可以与颜色和外观匹配分析系统2204交互的服务器环境。用户2202可以通过许多方式例如通过一个或更多个网络2206与系统2202交互。通过网络2206可访问的服务器2208可以托管系统2204。一个或更多个数据存储装置2210可以存储要由系统2204分析的颜色分析数据2212以及由系统生成的任何中间或最终数据。

图29中的系统可以是基于网络的集成报告和分析工具，其向用户提供用于执行颜色和外观匹配分析的灵活性和功能。应当理解，系统还可以被设置在独立计算机上以供用户访问。

虽然在前面的详细描述中已经呈现了至少一个实施方式，但是应当认识到，存在大量的变型。还应当认识到，一个或多个实施方式仅是示例，并且绝不旨在限制范围、应用性或配置。而是，前面的详细描述将为本领域普通技术人员提供用于实现实施方式的便利指南，应当理解，在不脱离如所附权利要求及其法定等同方案中阐述的范围的情况下，可以对实施方式中描述的元件的功能和布置进行各种改变。

Claims (20)

1.一种用于涉及汽车涂料的颜色匹配的系统，所述系统包括：

存储装置，其用于存储指令；

一个或更多个数据处理器，其被配置成执行指令以：

接收所述目标涂层的目标图像，其中，所述目标图像包括目标图像数据；

应用颜色模型和局部颜色模型来预测所述目标涂层与样本涂层之间的色差，

其中，至所述颜色模型和所述局部颜色模型的输入包括所述目标涂层与所述样本涂层之间的实际色差；

其中，所述颜色模型和所述局部颜色模型包括特征提取分析处理，所述特征提取分析处理通过分析所述目标涂层内的目标像素特征差异来确定图像特征，以及

使用松弛的约束处理来优化所预测的色差；

其中，经优化的色差确定用于喷涂基板的汽车涂料组分。

2.根据权利要求1所述的系统，其中，所述颜色模型和所述局部颜色模型使用所述目标图像的各个目标像素的L*a*b*颜色坐标中的一个或更多个来确定所述色差。

3.根据权利要求1所述的系统，其中，所述一个或更多个数据处理器被配置成执行指令以检索数学模型，所述数学模型用于确定所述目标涂层与样本涂层之间的所述色差。

4.根据权利要求3所述的系统，其中，所述数学模型是机器学习模型。

5.根据权利要求1所述的系统，其中，所预测的色差用于确定涂料配方。

6.根据权利要求5所述的系统，其中，所述一个或更多个数据处理器被配置成确定与计算的匹配样本图像对应的多个涂料配方。

7.根据权利要求6所述的系统，其中，所述多个涂料配方包括不同等级的涂料。

8.根据权利要求1所述的系统，其中，所述一个或更多个数据处理器被配置成接收所述目标涂层的所述目标图像数据，其中，所述目标图像数据与相对于成像装置具有不同的光角度的所述目标涂层的多个图像相关联。

9.根据权利要求1所述的系统，其中，所述一个或更多个数据处理器被配置成接收所述目标涂层的所述目标图像数据，其中，所述目标图像数据与具有不同的放大率的所述目标涂层的多个图像相关联。

10.根据权利要求1所述的系统，其中，所述目标涂层是金属涂层、珠光涂层或其组合。

11.一种匹配目标涂层的方法，包括：

通过一个或更多个数据处理器接收所述目标涂层的目标图像，其中，所述目标图像包括目标图像数据；

通过所述一个或更多个数据处理器应用颜色模型和局部颜色模型来预测所述目标涂层与样本涂层之间的色差，

其中，至所述颜色模型和所述局部颜色模型的输入包括所述目标涂层与所述样本涂层之间的实际色差；

其中，所述颜色模型和所述局部颜色模型包括特征提取分析处理，所述特征提取分析处理通过分析所述目标涂层内的目标像素特征差异来确定图像特征，以及

通过所述一个或更多个数据处理器使用松弛的约束处理来优化所预测的色差；

其中，经优化的色差确定用于喷涂基板的汽车涂料组分。

12.根据权利要求11所述的方法，其中，所述颜色模型和所述局部颜色模型使用所述目标图像的各个目标像素的L*a*b*颜色坐标中的一个或更多个来确定所述色差。

13.根据权利要求11所述的方法，其中，所述一个或更多个数据处理器被配置成执行指令以检索数学模型，所述数学模型用于确定所述目标涂层与样本涂层之间的所述色差。

14.根据权利要求13所述的方法，其中，所述数学模型是机器学习模型。

15.根据权利要求11所述的方法，其中，所预测的色差用于确定涂料配方。

16.根据权利要求15所述的方法，其中，所述一个或更多个数据处理器被配置成确定与计算的匹配样本图像对应的多个涂料配方。

17.根据权利要求16所述的方法，其中，所述多个涂料配方包括不同等级的涂料。

18.根据权利要求11所述的方法，其中，所述一个或更多个数据处理器被配置成接收所述目标涂层的所述目标图像数据，其中，所述目标图像数据与相对于成像装置具有不同的光角度的所述目标涂层的多个图像相关联。

19.根据权利要求11所述的方法，其中，所述一个或更多个数据处理器被配置成接收所述目标涂层的所述目标图像数据，其中，所述目标图像数据与具有不同的放大率的所述目标涂层的多个图像相关联。

20.根据权利要求11所述的方法，其中，所述目标涂层是金属涂层、珠光涂层或其组合。

Images