DE102015003947A1

DE102015003947A1 - System und Verfahren zum Sortieren von Farbfächerfarben

Info

Publication number: DE102015003947A1
Application number: DE102015003947.4A
Authority: DE
Inventors: c/o The Corporation Trust Comp Alman David H.
Original assignee: Coatings Foreign IP Co LLC
Current assignee: Coatings Foreign IP Co LLC
Priority date: 2014-03-28
Filing date: 2015-03-26
Publication date: 2015-10-01
Also published as: US20150276485A1; CN104951792A

Abstract

Ein System und Verfahren zum chromatischen Sortieren einer Vielzahl von Farben in Farbfächer wird bereitgestellt. Das Verfahren umfasst Aufnehmen von Farb-Kennungs-Daten und Farb-Messdaten bei mindestens einer Beleuchtungs- und Betrachtungs-Geometrie für die Vielzahl von Farben, die in die Farbfächer sortiert werden sollen und Clustering der Farben in einem Prozessor. Die Farben werden dann den Farbfächern, basierend auf der Ähnlichkeit der Farben, wie durch das Clustering bestimmt, zugeordnet.

Description

TECHNISCHES GEBIET
Die Ausführungsformen des hierin beschriebenen Gegenstands betreffen das Sortieren von Farben im Allgemeinen und insbesondere ein System und Verfahren zum Sortieren von Farb-Karten, um Farb-sortierte Farbfächer zu erzeugen.
HINTERGRUND
Die Visualisierung und Auswahl von Farben spielt bei vielen Anwendungen eine wichtige Rolle. Zum Beispiel müssen Anstrichstoff-Zulieferer Tausende von Farben bereitstellen, um den Bereich von weltweiten OEM-Hersteller-Farben für alle aktuellen und vergangenen Kraftfahrzeugmodelle abzudecken. Das Bereitstellen dieser Vielzahl von verschiedenen Farben als Werk-Packungs-Produkte erhöht die Komplexität für Anstrichstoff-Hersteller und steigert die Bestandskosten. Folglich stellen Anstrichstoff-Zulieferer ein Misch-Maschinen-System, bestehend aus typischerweise 50 bis 100 Bestandteilen (z. B. einzelne Pigment-Töne, Bindemittel, Lösungsmittel, Additive) mit Mischungsformulierungen, die den Bereich an Kraftfahrzeug-Farben treffen, bereit. Die Misch-Maschine kann bei einer Reparatureinrichtung (Karosseriewerkstatt) oder einem Anstrichstoff-Zwischenhändler untergebracht sein und ermöglicht einem Anwender, durch Dosierung der passenden Mengen einer Farb-Formulierung, bestehend aus typischerweise 4 bis 10 Bestandteilen, die gewünschte Farbe zu erhalten. Die Farb-Mischungsformulierungen werden in einer Datenbank geführt und werden über Computersoftware durch Download oder direkten Zugang zu Internet-Datenbanken an Verbraucher verteilt.
Die Identifizierung der besten Misch-Formulierung wird durch Farb-Variation in der Kraftfahrzeug-Herstellung verkompliziert. Zum Beispiel könnte eine bestimmte Farbe auf drei Kraftfahrzeug-Modellen erscheinen, hergestellt in zwei Montagewerken mit verschiedenen Auftragungs-Vorrichtungen, unter Verwendung von Anstrichstoff von zwei OEM-Anstrichstoff-Zulieferern und über eine Lebenszeit von fünf Modell-Jahren. Diese Quellen einer Variation ergeben erhebliche Farb-Variationen über den Kraftfahrzeug-Bestand hinsichtlich der Soll-Farbe. Die Reparatur-Anstrichstoff-Zulieferer stellen Farb-Formulierungs-Alternativen bereit, die auf Teilmengen der Farbpopulation abgestimmt sind, so dass eine enge Abstimmung für jedes Kraftfahrzeug, das Reparatur benötigt, verfügbar ist. Jede der alternativen Farb-Formulierungen kann durch eine Farb-Karte in dem Farbfächer wiedergegeben werden, was den Anwender in die Lage versetzt, die am besten abgestimmte Formulierung durch visuellen Vergleich mit dem Kraftfahrzeug auszuwählen.
So umfasst das vollständige Misch-Maschinen-System Anstrichstoff-Bestandteile, eine Datenbank von Anstrichstoff-Mischungsformulierungen für Kraftfahrzeug-Farben und Farb-Alternativen, Verteilung von Farb-Formulierungen über Computersoftware mit Internet-Zugang zu der Formulierungs-Datenbank und Mittel zum Identifizieren der zu reparierenden Kraftfahrzeug-Farbe unter Verwendung von Hersteller-Codes, transportierbarem Spektrophotometer oder Farbfächern. Ungeachtet der zum Identifizieren der Farb-Formulierung verwendeten Mittel wird der Anwender typischerweise die Auswahl verifizieren, bevor er Zeit und Materialien aufwendet, um den Reparatur-Anstrichstoff zu dosieren. Der Verifizierungs-Schritt erfolgt durch visuelles Vergleichen der Farbfächer-Karten, die die Anstrichstoff-Misch-Formulierung für das Kraftfahrzeug repräsentieren.
Es gibt verschiedene Verfahren zum Identifizieren der korrekten Misch-Formulierung für eine Reparatur. Die Farb-Code-Information des Herstellers befindet sich auf einem Schild auf dem Kraftfahrzeug, das die Wiederauffindung der Formulierung mit Bezug auf den Hersteller-Farbcode erlaubt. Alternativ kann ein transportierbares Spektrophotometer verwendet werden, um die Farbe des Kraftfahrzeugs zu messen. Eine Software wird dann die am besten passende Formulierung in einer Formulierungs-Datenbank liefern. Alternativ stellen Anstrichstoff-Zulieferer Sammlungen von Farbmustern (Farb-Karten) bereit, die dem Verbraucher erlauben, die am besten passende Farbe durch visuellen Vergleich mit dem Kraftfahrzeug auszuwählen. Die Farbsammlung liegt typischerweise in Form von Farbfächern vor, die gewöhnlich einen leicht zu betrachtenden Stapel von Farb-Karten auf Ringen umfassen, die es erlauben, die Vielzahl von Karten zum besseren Betrachten aufzufächern. Die Sammlung weist viele Farbfächer auf, um Tausende der gängigeren Hersteller-Farben abzudecken, wobei jeder Farbfächer Farben in der Größenordnung von 100 enthält.
Die Farbfächer können hinsichtlich Hersteller und Hersteller-Farbcode oder hinsichtlich der Farbe, ungeachtet des Herstellers, geordnet werden. Letztere werden als chromatisch sortierte Farbfächer bezeichnet und stellen weitere Formulierungs-Alternativen und eine vollständige visuelle Farb-Abfrage bereit. Somit gibt ein Farbfächer, der die verschiedenen Schattierungen von zum Beispiel Metallic-Rot enthält, dem Anwender viele weitere Auswahlmöglichkeiten. Jedoch ist das Ordnen von Tausenden von Farben in vielen Farbfächern schwierig, wenn dies durch visuelles Sortieren erfolgt. In einem speziellen Beispiel umfasste ein Farbfächer 1562 einfarbige, 5641 Effekt- und 111 Tri-Coat-Farben, angeordnet durch den Hersteller und summierte sich auf 7344 Farben. Diese Farben sind multi-variat und können sich durch Color-Travel und Sparkle auszeichnen. Obwohl diese Farben hinsichtlich Farb-Ähnlichkeit gruppiert werden können, gibt es keinen einfachen Weg, um die Reihenfolge der Karten innerhalb eines gegebenen Farbfächers zu bestimmen. Dies wird weiterhin durch die Größen-Begrenzungen der jeweiligen Stapel verkompliziert; d. h. die physikalischen Abmessungen eines Stapels erlauben nur 80 Farb-Karten unterzubringen. Somit müssen diese Tausende von Karten in Farbfächern geordnet werden, von denen jeder nicht mehr als etwa 80 Karten enthält und wobei benachbarte Farben in dem gleichen Stapel erscheinen und in jedem Stapel benachbarte Positionen einnehmen.
Somit würde es erwünscht sein, ein System und Verfahren zum Ordnen chromatisch sortierter Farbfächer bereitzustellen. Es würde ebenfalls erwünscht sein, ein System und Verfahren zum Ordnen eines chromatisch sortierten Farbfächers bereitzustellen, wobei (1) Farb-Karten-Nachbarn in dem gleichen Farbfächer erscheinen, (2) Farb-Karten-Nachbarn nahe zueinander in dem gleichen Farbfächer erscheinen und (3) jeder Farbfächer hinsichtlich zu anderen Farbfächern passend sequenziert ist.
Außerdem würde es erwünscht sein, ein System und Verfahren zum Ordnen chromatisch sortierter Farbfächer bereitzustellen, das eine leichte und intuitive Navigation zur Auswahl eines geeigneten Farbfächers, der Farben nahe einer Kraftfahrzeug-Farbe enthält, bietet.
KURZDARSTELLUNG
Diese Kurzdarstellung wird bereitgestellt, um eine Auswahl von Konzepten in einer vereinfachten Form vorzustellen, die nachstehend in der Beschreibung im Einzelnen weiter beschrieben werden. Diese Kurzdarstellung ist weder zum Identifizieren von Schlüsselmerkmalen oder wesentlichen Merkmalen des beanspruchten Gegenstands vorgesehen, noch ist sie vorgesehen, als eine Hilfe beim Bestimmen des Umfangs des beanspruchten Gegenstands verwendet zu werden.
Ein Verfahren wird zum chromatischen Sortieren einer Vielzahl von Farben in Farbfächern bereitgestellt. Das Verfahren umfasst Aufnehmen von Farb-Kennungs-Daten und Farb-Messdaten bei mindestens einer Beleuchtungs- und Betrachtungs-Geometrie für die Vielzahl von Farben, die zu Farbfächern sortiert werden sollen und Clustering der Farben in einen Prozessor. Die Farben werden dann den Farbfächern, basierend auf der Ähnlichkeit der Farben, wie durch das Clustering bestimmt, zugeordnet.
Ein System zum chromatischen Sortieren von Farben in einen Farbfächer wird auch bereitgestellt, wobei jeder Farbfächer eine Vielzahl von Farb-Karten umfasst. Das System umfasst eine erste Quelle von Karten-Formulierungsdaten, eine zweite Quelle von Farb-Daten und einen Prozessor, gekoppelt an die erste und die zweite Quelle und konfiguriert zum (a) Clustern von Farben innerhalb einer Teilmenge von Farben; und (b) Ordnen der Farben innerhalb eines Clusters.
Weiterhin wird ein chromatisch sortierter Farbfächer gemäß den Schritten von Aufnehmen von Farb-Kennungs-Daten und Farb-Messdaten, bei mindestens einer Beleuchtungs- und Betrachtungs-Geometrie, für eine Reihe von Farben, die in die Farbfächer sortiert werden sollen, zum Bestimmen, in welche von einer einfarbigen, Effekt- oder Tri-Coat-Teilmenge jede Farbe hineinfällt, Clustering der Farben in jeder Teilmenge in einem Prozessor, Bestimmen, wenn die Teilmenge chromatisch oder neutral ist, in dem Prozessor, Ordnen des Clusters hinsichtlich Farbton, wenn chromatisch und hinsichtlich Helligkeit, wenn neutral, Auswählen eines einzelnen Clusters und Sequenzieren der Farben innerhalb des einzelnen Clusters mit dem Prozessor hergestellt.
Weiterhin werden andere erwünschte Merkmale und Eigenschaften des Systems und Verfahren aus der nachstehenden genaueren Beschreibung und den beigefügten Ansprüchen in Verbindung mit den beigefügten Zeichnungen und dem vorangehenden Hintergrund deutlich.
KURZBESCHREIBUNG DER ZEICHNUNGEN
Ausführungsformen des Gegenstands werden hierin anschließend in Verbindung mit den nachstehenden Figuren beschrieben, wobei gleiche Zahlen gleiche Elemente bedeuten, und:
1 ein Ablaufschaubild darstellt, das ein Verfahren zum Ordnen eines chromatisch sortierten Farbfächers erläutert, so dass Farb-Karten-Nachbarn in dem gleichen Farbfächer passend sequenziert werden, Farb-Karten-Nachbarn nahe zueinander in dem gleichen Farbfächer erscheinen und jeder Farbfächer hinsichtlich anderer Farbfächer passend sequenziert wird, gemäß einer beispielhaften Ausführungsform;
2 ein Blockdiagramm ist, das ein System zum Ausführen des gezeigten Verfahrens erläutert und in Verbindung mit 1 beschrieben wird;
3 ein Dendrogramm darstellt, das das Re-Clustering von 17 Farben in einem chromatischen Tri-Coat-Cluster in fünf verschiedene Sub-Cluster gemäß einem ersten Beispiel beschreibt;
4 ein 3D-Streudiagramm darstellt, zugehörig zu dem in 3 gezeigten Beispiel;
5 einen Matrix-Plot von ausgewählten Daten-Maßen durch Sequenz-Anordnung und Sub-Cluster-Gruppierung für einen chromatischen Tri-Coat-Cluster darstellt;
6 ein Dendrogramm darstellt, das das Re-Clustering von einem Rot-Effekt-Cluster, das zu 3 Sub-Clustern gemäß einem weiteren Beispiel führt, beschreibt;
7 ein 3D-Streudiagramm von dem in 6 gezeigten Beispiel darstellt; und
8 ein Matrix-Plot von ausgewählten Daten-Maßen durch Sequenz-Anordnung und Sub-Cluster-Gruppierung für einen Rot-Effekt-Cluster darstellt.
BESCHREIBUNG IM EINZELNEN
Die nachstehende Beschreibung im Einzelnen ist in ihrer Beschaffenheit nur erläuternd und es ist nicht vorgesehen, die Ausführungsformen des Gegenstands oder der Anmeldung und Verwendungen solcher Ausführungsformen zu begrenzen. Wenn hierin verwendet, bedeutet das Wort ”beispielhaft” ”als ein Beispiel dienend, Beispiel oder Erläuterung.” Eine hierin als beispielhaft beschriebene Umsetzung ist nicht notwendigerweise als bevorzugt oder vorteilhaft gegenüber anderen Umsetzungen aufzufassen. Weiterhin besteht keine Absicht, dass man an irgendeine formulierte oder implizierte Theorie, die auf dem vorangehenden technischen Gebiet, Hintergrund, der Kurzbeschreibung oder der nachstehenden Beschreibung im Einzelnen dargestellt wird, gebunden ist.
Techniken und Technologien können hierin im Sinne von funktionellen und/oder logischen Block-Komponenten und mit Bezug auf symbolische Wiedergaben von Vorgängen, Verarbeitungsaufgaben und Funktionen beschrieben werden, die durch verschiedene Rechen-Komponenten oder Vorrichtungen ausgeführt werden. Es wird Wert darauf gelegt, dass die verschiedenen in den Figuren gezeigten Block-Komponenten durch eine beliebige Anzahl an Hardware-, Software- und/oder Firmware-Komponenten, konfiguriert zum Ausführen der ausgewiesenen Funktionen, realisiert werden. Zum Beispiel kann eine Ausführungsform von einem System oder einer Komponente verschiedene integrierte Schaltkreis-Komponenten, z. B. Speicherelemente, digitale Signal-Verarbeitungselemente, Logik-Elemente, Look-up-Tables oder dergleichen einsetzen, die eine Vielzahl von Funktionen unter Steuerung von einem oder mehreren Mikroprozessoren oder anderen Steuerungs-Vorrichtungen ausführen können.
Die nachstehende Beschreibung kann sich auf Elemente oder Knoten oder Merkmale, die miteinander ”gekoppelt” sind, beziehen. Wenn hierin verwendet, sofern nicht ausdrücklich anders ausgewiesen, bedeutet ”gekoppelt”, dass ein Element/Knoten/Merkmal direkt oder indirekt an ein anderes Element/Knoten/Merkmal gebunden ist (oder direkt oder indirekt damit kommuniziert), und das nicht unbedingt mechanisch. Somit können, obwohl die Zeichnungen eine beispielhafte Anordnung von Elementen angeben können, zusätzlich eingreifende Elemente, Bauelemente bzw. Vorrichtungen, Merkmale oder Komponenten in einer Ausführungsform des dargestellten Gegenstands vorliegen. Außerdem kann auch eine bestimmte Terminologie in der nachstehenden Beschreibung nur zum Zweck der Bezugnahme eingesetzt werden und ist somit nicht zur Begrenzung vorgesehen.
Die nachstehende Beschreibung im Einzelnen ist in der Beschaffenheit nur erläuternd und ist nicht vorgesehen, die Ausführungsformen des Gegenstands oder die Anwendung und Verwendungen von solchen Ausführungsformen zu begrenzen. Irgendeine hierin als beispielhaft beschriebene Implementierung ist nicht notwendigerweise als bevorzugt oder vorteilhaft gegenüber anderen Implementierungen aufzufassen. Weiterhin ist es nicht vorgesehen, dass man an irgendeine formulierte oder implizierte Theorie, vorgelegt auf dem vorangehenden technischen Gebiet, Hintergrund, Kurzbeschreibung oder der nachstehenden Beschreibung im Einzelnen, gebunden ist.
Techniken und Technologien können hierin im Sinne von funktionellen und/oder logischen Block-Komponenten und mit Bezug auf symbolische Wiedergaben von Vorgängen, Verarbeitungsaufgaben und Funktionen, die durch verschiedene Rechen-Komponenten oder Vorrichtungen ausgeführt werden können, beschrieben werden. Solche Vorgänge, Aufgaben und Funktionen werden manchmal als Computer-ausgeführt, Computer-gesteuert, Software-implementiert oder Computer-implementiert bezeichnet. In der Praxis können ein oder mehrere Prozessor-Bauelemente die beschriebenen Vorgänge, Aufgaben und Funktionen durch Beeinflussen elektrischer Signale, die Datenbits an Speicherorten in dem Systemspeicher wiedergeben, sowie anderes Verarbeiten von Signalen ausgeführt werden. Die Speicherorte, an denen Datenbits gehalten werden, sind physikalische Orte, die besondere elektrische, magnetische, optische oder organische Eigenschaften, entsprechend den Datenbits aufweisen. Es wird Wert darauf gelegt, dass die verschiedenen in den Figuren gezeigten Block-Komponenten durch beliebige Anzahl von Hardware-, Software- und/oder Firmware-Komponenten, konfiguriert zum Ausführen der angegebenen Funktionen, realisiert werden können. Zum Beispiel kann eine Ausführungsform von einem System oder einer Komponente verschiedene integrierte Schaltkreis-Komponenten, z. B. Speicherelemente, digitale Signal-Verarbeitungs-Elemente, Logik-Elemente, Look-up-Tables oder dergleichen, die eine Vielzahl von Funktionen unter Steuerung von einem oder mehreren Mikroprozessoren oder anderen Steuerungs-Bauelementen bzw. Steuerung-Vorrichtungen ausführen können, anwenden.
Der Kürze halber können herkömmliche Techniken bezüglich Graphik- und Bild-Verarbeitung, Touchscreen-Anzeige und anderen funktionellen Aspekten von bestimmten Systemen und Untersystemen (und den jeweiligen Betriebs-Komponenten davon) hierin im Einzelnen nicht beschrieben werden. Weiterhin ist vorgesehen, dass die in den verschiedenen hierin enthaltenen Figuren gezeigten Verbindungslinien, beispielhafte funktionelle Beziehungen und/oder physikalische Kopplungen zwischen den verschiedenen Elementen wiedergeben. Es sollte angemerkt werden, dass viele alternative oder zusätzliche funktionelle Beziehungen oder physikalische Verbindungen in einer Ausführungsform des Gegenstands wiedergegeben werden können.
Wie bereits vorgeschlagen, halten Anstrichstoff-Zulieferer eine Farb-Formulierungs-Datenbank, die Daten von Herstellern, Misch-Maschinen-Systemen, Anstrichstoff-Formulierung, Farbstandard und Farbfächer-Karten-Kennungen, Formulierungs-Bestandteilen und Mengen für ein Standard-Anstrichstoff-Volumen (typischerweise 1 Gallon oder 1 Liter), und Eigenschaften einschließen. Daten von Eigenschaften schließen gemessene oder berechnete Eigenschaften von dem feuchten bzw. nassen Anstrichstoff (z. B. Dichte, Gehalt an flüchtigem organischem Stoff) oder der trockenen Anstrichstoffprobe oder Karte (Farbe, Glanz) ein. Die wichtigsten Eigenschaften für chromatisches Sortieren sind Farbtyp (z. B. einfarbig, Effekt, Tri-Coat), Farbe und Sparkle-Daten.
Effekt-Farben enthalten große, flache Plättchenpigmente (typischerweise Aluminium- oder Perlglanzflockenpigmente), die eine Richtungsvariation in der Farbe (Color-Travel) und Sparkle oder Schimmer von hohem Reflexionsvermögen aus den Flocken heraus verleihen. Tri-Coats sind gewöhnlich eine einfarbige Grundlack-Schicht mit einer transparenten Flocken-enthaltenden Mid-Coat-Schicht und einer Klarlack-Deckschicht und haben ein einzigartiges Color-Travel-Erscheinungsbild.
Farb-Daten werden durch Messen der Anstrichstoffprobe oder -Karte unter Verwendung eines Farb-Spektrophotometers mit mindestens einer Beleuchtungs- und Betrachtungs-Geometrie, z. B. Beleuchtung bei 45 Grad und unter Betrachten bei 0 Grad, bezogen auf eine Richtung rechtwinklig zu der Probenoberfläche, erhalten. Farben, die metallische oder andere Flockenpigmente enthalten, weisen Farb-Variation in Abhängigkeit von Richtungen der Beleuchtung und Betrachtung auf. Diese Farb-Variation oder Color-Travel wird durch Farb-Messungen bei mehrfachen Beleuchtungs- und Betrachtungs-Geometrien charakterisiert und die Messungsgeometrien werden durch den Aspekular-Winkel bzw. Differenzwinkel der Messungsgeometrie beschrieben, d. h. der Winkel zwischen den Betrachtungs- und Spiegelreflexions-Richtungen (siehe American Society for Testing and Materials (ASTM), Standard Practice for Specifying the Geometriy of Multiangle Spektrophotometers, Technical Report ASTM E2194.01 (2011)). Zum Beispiel stellt das Acquire Plus EFX^TM, hergestellt von Byk-Gardner GMBH, Farb-Messungen bei 15, 45 und 110 Aspekular-Winkeln bzw. Differenzwinkeln bereit, um Color-Travel von Farben zu charakterisieren. Farb-Messungen werden als Spektral-Reflexionsvermögen-Messungen bei jeder Messungsgeometrie ausgeführt und CIE-Kolorimetrie (Commission Internationale De L'Éclairage (CIE), Colorimetry, 3. Ausg., CIE 015: 2004, CIE Central Bureau, Wien, 2004) wird verwendet, um XYZ-Tristimulus-Werte für den Tageslicht-Leuchtkörper D65 und den 1964-Standard-Beobachter zu berechnen; jedoch sind andere Leuchtkörper und Beobachter möglich. Die Tristimulus-Werte werden zu CIELAB (CIE 1976 L* a* b* Farbraum) bei den aspekularen Richtungen 15, 45 und 110 für insgesamt 9 Farb-Daten-Dimensionen transformiert, welches die Daten sind, die in der Farb-Formulierungs-Datenbank bereitgestellt werden. Da einfarbige Farben geringe Color-Travel-Variation mit der Richtung zeigen, werden L* a* b*-Werte bei einem Aspekular-Winkel bzw. Differenzwinkel 45 verwendet, um einfarbige Farben zu definieren. Für Effekt- und Tri-Coat-Farben werden L* a* b* bei Aspekular-Winkeln bzw. Differenzwinkeln 15, 45 und 110 verwendet, um eine Farbe zu definieren. CIELAB L* a* b*-Werte werden in einer bevorzugten Ausführungsform verwendet, um einen gleichförmigen Farbraum bereitzustellen, in welchem gleiche Unterschiede bei beliebiger Dimension ungefähr gleiche visuelle Stärke erzeugen. Es sollte jedoch angemerkt werden, dass beliebige Farb-Koordinaten, abgeleitet von CIE XYZ-Tristimulus-Messungen oder einem beliebigen anderen Zahlen-Farb-Beschreibungssystem zur Farb-Beschreibung und zum chromatischen Sortieren verwendet werden könnten.
Das Byk Acquire plus EFX^TM stellt ebenfalls Messungen des Sparkle-Grads bei Aspekular-Winkeln bzw. Differenzwinkeln 15 und 45 (Sg15, Sg45) bereit, die der wahrgenommenen Stärke des Sparkle-Erscheinungsbilds in jenen Richtungen entspricht. Diese Sparkle-Daten-Werte sind gleichfalls in der Farb-Formulierungs-Datenbank enthalten. Einfarbige Farben sind durch eine Reihe von 3 Farbdimensionen (d. h. L*45, a*45 und b*45) definiert und Effekt- oder Tri-Coat-Farben sind durch 11 Farb- und Sparkle-Dimensionen (d. h. L*15, a*15, b*15, L*45, a*45, b*45, L*110, a*110, b*110, Sg15, Sg45) definiert. Es ist jedoch anzumerken, dass der Farb- und Erscheinungsbild-Datensatz auf verschiedene oder zusätzliche Richtungen, andere Farb-Koordinatensysteme oder andere Erscheinungsbild-Messungen ausgedehnt werden könnte.
Typischerweise wird ein Farbfächer für ein spezielles Misch-Maschinen-System entwickelt. Daten, die die in die Farbfächer einzuschließenden Farb-Formulierungen und Farb-Karten wiedergeben, werden aus der Farb-Formulierungs-Datenbank herausgezogen. Jede Beobachtung schließt Hersteller, Anstrichstoff-Formulierung, Farb-Karte, Farbtyp-Kennungen und Farb- und Sparkle-Messungen ein. Zusätzlich werden CIELAB-Chroma (C*) und Farbton-Winkel (h) bei Aspekular-Winkeln bzw. Differenzwinkeln 15, 45, 110 zur Verwendung während des chromatischen Sortier-Verfahrens bestimmt. In einer bevorzugten Ausführungsform werden diese Kartendaten in verschiedene Teilmengen für einfarbige, Effekt- und Tri-Coat-Farben aufgeteilt; jedoch sind verschiedene andere Unterteilungen der Daten möglich.
1 ist ein Fließschema 100, das ein Verfahren zum Ordnen eines chromatisch sortierten Farbfächers erläutert, so dass Farb-Karten-Nachbarn in dem gleichen Farbfächer passend sequenziert sind, Farb-Karten-Nachbarn nahe zueinander in dem gleichen Farbfächer erscheinen und jeder Farbfächer hinsichtlich der anderen Farbfächer passend sequenziert wird, gemäß einer beispielhaften Ausführungsform. In Schritt 102 werden die Farben, die in einen oder mehrere Farbfächer eingeschlossen sein sollen, aus einer Farb-Formulierungs-Datenbank ausgewählt, und die mit jeder Farbe (d. h. Karten-Identifizierungs-Daten, Farb-Daten und Sparkle-Daten, wie vorstehend beschrieben) verbundenen Farb-Daten werden aus der Datenbank abgerufen (SCHRITT 104). In Schritt 106 erfolgt eine Bestimmung, ob eine ausgewählte Farbe zu einer einfarbigen, einer Effekt- oder einer Tri-Coat-Teilmenge gehört. Karten-Identifizierungs-Daten, Farb-Daten und Sparkle-Daten für die in Schritt 106 bestimmte Teilmenge werden dann abgerufen (SCHRITT 108). Es sollte verständlich sein, dass obwohl Karten-Identifizierungs-Daten, Farb-Daten und Sparkle-Daten in einer Ausführungsform ausgewählt wurden, andere und/oder zusätzliche Parameter verwendet werden können.
In Schritt 110 werden die Farb- und Sparkle-Daten als ein multi-variater Datenraum verwendet, um Farbbeobachtungen unter Verwendung von Cluster-Analyse (oder einfach Clustering) zu definieren; d. h. Gruppieren einer Reihe von Objekten in einer derartigen Weise, dass die Objekte in der gleichen Gruppe (d. h. einem Cluster) ähnlicher sind (in einer oder anderen Weise) zu jeder anderen als zu jenen in anderen Gruppen (Clustern). Clustering ist auf vielen Gebieten eine übliche Technik für statistische Daten-Analyse, einschließlich Maschinen-Lernen, Muster-Erkennung, Bild-Analyse, Informations-Abruf und Bioinformatik (siehe Alvin C. Rencher, William F. Christensen, Methods of Multivariate Analysis, 3. Ausgabe, John Wiley and Sons, Hoboken, NJ, 2012).
Cluster-Analyse umfasst keinen speziellen Algorithmus, sondern wird unter Verwendung verschiedener Algorithmen erreicht, die sich erheblich in deren Vorstellung davon, was ein Cluster ausmacht und wie sie effizient zu finden sind, unterscheiden. Bekannte Vorstellungen von Clustern schließen Gruppen mit kleinen Abständen zwischen Cluster-Elementen, Dichtebereichen des Datenraums und Intervallen oder besonderen statistischen Verteilungen ein. Clustering kann deshalb als ein multi-kriterielles Optimierungsproblem angesehen werden. Die geeigneten Clustering-Algorithmus- und Parameter-Einstellungen (einschließlich Werte, wie die Abstandsfunktion zur Verwendung, ein Dichte-Schwellenwert oder die Anzahl von erwarteten Clustern) hängen von dem Datensatz und der vorgesehenen Verwendung der Ergebnisse ab. Die Cluster-Analyse ist keine automatische Aufgabe, sondern ein iteratives Verfahren der Wissensfindung oder eine interaktive multi-kriterielle Optimierung, das Versuch und Fehler einbezieht. Es ist häufig notwendig, die Daten-Vorverarbeitung und Modellparameter zu modifizieren, bis das Ergebnis die gewünschten Eigenschaften erreicht.
Es gibt viele Clustering-Algorithmen, die gemeinsam eine Gruppe von Daten-Objekten aufweisen und es gibt verschiedene Cluster-Modelle und für jedes von diesen Cluster-Modellen wiederum verschiedene Algorithmen. Die Vorstellung von einem Cluster, wie durch verschiedene Algorithmen gefunden, variiert erheblich in ihren Eigenschaften. Typische Cluster-Modelle schließen Konnektivitäts-Modelle (z. B. wobei hierarchisches Clustering Modelle erstellt werden, die auf Abstands-Konnektivität basieren); Schwerpunktmodelle (z. B. der k-means-Algorithmus, wobei jeder Cluster durch einen einzigen Durchschnittsvektor wiedergegeben wird); Verteilungsmodelle, wobei Cluster unter Verwendung statistischer Verteilungen modelliert werden, wie multi-variate normale Verteilungen; und andere, ein.
Ein ”Clustering” ist im Wesentlichen eine Reihe von solchen Clustern, die gewöhnlich alle Objekte in dem Datensatz enthalten. Zusätzlich kann es die Beziehung der Cluster zueinander angeben; z. B. eine Hierarchie von Clustern, die in jedes andere eingebettet sind. Clustering kann grob unterschieden werden als zum Beispiel hartes Clustering, wobei jedes Objekt entweder zu einem Cluster gehört oder nicht; weiches oder undeutliches bzw. Fuzzi-Clustering, wobei jedes Objekt zu jedem Cluster zu einem bestimmten Grad gehört; strenge Aufteilung, wobei jedes Objekt zu exakt einem Cluster gehört; strenges Aufteilungs-Clustering mit Sonderfällen bzw. Ausreißern, wobei Objekte auch zu keinem Cluster gehören können und als Sonderfälle betrachtet werden; überlappen des Clustering; hierarchisches Clustering, wobei Objekte, die zu einem Kind-Cluster gehören, auch zu dem Eltern-Cluster gehören; Subspace-Clustering, wobei von Clustern nicht erwartet wird, dass sie überlappen; und andere.
Clustering-Algorithmen können kategorisiert werden, basierend auf deren Cluster-Modell, und es gibt möglicherweise über 100 veröffentlichte Clustering-Algorithmen. Der geeignetste Clustering-Algorithmus für ein besonderes Problem muss häufig experimentell ausgewählt werden, sofern es keinen mathematischen Grund gibt, ein Cluster-Modell gegenüber einem anderen zu bevorzugen.
Konnektivität, basierend auf Clustering, auch bekannt als hierarchisches Clustering, basiert auf der Kern-Idee von Objekten, die ähnlicher zu Objekten in der Nähe sind als zu Objekten weiter weg. Diese Algorithmen verbinden ”Objekte”, um ”Cluster”, basierend auf deren Abstand, zu bilden. Ein Cluster kann weitestgehend durch den maximalen Abstand beschrieben werden, der benötigt wird, um Teile des Clusters zu verbinden. Bei verschiedenen Abständen, werden sich verschiedene Cluster bilden, welche unter Verwendung eines Dendrogramms wiedergegeben werden können. Diese Algorithmen stellen keine einzelne Aufteilung des Datensatzes bereit, sondern stellen stattdessen eine umfassende Hierarchie von Clustern bereit, die miteinander bei bestimmten Abständen verschmelzen. In einem Dendrogramm markiert die y-Achse den Abstand, bei dem der Cluster verschmilzt, während die Objekte entlang der x-Achse derart angeordnet sind, dass der Cluster sich nicht vermischt.
Auf Konnektivität basierendes Clustering ist eine ganze Familie von Verfahren, die sich dadurch unterscheiden, wie die Abstände berechnet werden. Die mit Konnektivität basierendem Clustering verbundenen Verfahren werden typischerweise keine einzigartige Aufteilung des Datensatzes erzeugen, sondern eine Hierarchie, aus welcher ein Anwender noch geeignete Cluster auswählen muss.
Hierarchisches Clustering beginnt durch Berechnen von allen Zwischen-Punkt-Abständen. Abstände können Euklidisch, Cityblock, Euklidisch quadriert oder einen anderen metrischen Abstand anwenden. Die nächsten Punkte oder Cluster, die in Reihe von allen Punkten kombiniert werden, sind Cluster zu allen Punkten in einem Cluster. Das heißt, wenn es 100 Punkte gibt, wird es dort Sequenz-Niveaus mit 99, 98, 97, ... 3, 2, 1 Cluster-Gruppen geben. Eine Verknüpfungsregel wird verwendet, um zu entscheiden, welcher Punkt oder Cluster der ”nächste” zu einem vorangehenden Punkt oder Cluster bei jedem Schritt ist. Der Anwender überprüft die Ergebnisse und wählt aus, welche Zahl von Clustern am besten Punkte in verwendbare Gruppen trennt. Für das Farbfächerproblem sind Schlüsseldesignparameter die maximale und minimale Anzahl von Farben innerhalb eines Farbfächers. Zum Beispiel können die Dicke der Farb-Karten und die Größe des Farbfächerrings oder -Ständers eine obere Grenze für die Anzahl von Karten pro Farbfächer auferlegen. Cluster mit einer Farb-Zählung größer als das Stapelmaximum können einen neuen Datensatz bilden, der erneut geclustert werden kann, um kleinere Cluster mit Zählungen geringer als das Stapelmaximum zu bilden. Cluster mit sehr kleinen Zählungen können zu benachbarten Clustern hinzugefügt werden.
Beim Schwerpunkt-basierten Clustering werden Cluster durch einen mittigen bzw. zentralen Vektor wiedergegeben, der nicht notwendigerweise ein Mitglied des Datensatzes sein muss. Wenn die Anzahl von Clustern auf k festgelegt ist, ergibt k-means-Clustering eine formale Definition als eine Optimierung zum Auffinden der k-Cluster-Zentren und Zuordnen der Objekte zu dem nächsten Cluster-Zentrum, so dass die quadratischen Abstände von den Cluster-Zentren minimiert werden.
Ein üblicher Ansatz besteht darin, nur nach angenäherten Lösungen zu suchen. Ein gut bekanntes Näherungs-Verfahren ist der Lloyd-Algorithmus, häufig eigentlich als der ”k-means-Algorithmus” bezeichnet. Er findet jedoch nur ein örtliches Optimum und läuft üblicherweise viele Male mit verschiedenen statistischen Initialisierungen.
Wenn k-means-Clustering eingesetzt wird, wählt der Anwender die Anzahl von gewünschten Clustern (k) aus. Wie vorstehend können die Daten-Maße vor dem Clustering ausgewählt oder skaliert werden. In einem Initialisierungs-Schritt weist der Anwender den k-Clustern durch ein statistisches oder anderes Verfahren Beobachtungen zu. Der Algorithmus weist dem Cluster Punkte mit dem nächsten Abstand zu einem Cluster-Schwerpunkt iterativ zu, aktualisiert dann die Cluster-Schwerpunkte und wiederholt, bis sich keine weiteren Beobachtungen zwischen den Clustern ändern. Dieses Clustering ist dahingehend nicht-hierarchisch, dass eine Beobachtung zu einem Cluster hinzugefügt werden kann und sich bei einer späteren Iteration zu einem anderen Cluster bewegt. Es gibt keine Kontrolle über die Zählung innerhalb eines Clusters. Wenn somit eine Cluster-Zählung das Maximum übersteigt, dann wird der Cluster als eine Teilmenge genommen und Clustering wird wiederholt, um kleinere Cluster zu bilden.
Hierarchische oder k-means-Clustering-Algorithmen werden verwendet, um Beobachtungen Clustern zuzuweisen, basierend auf der Ähnlichkeit ihrer multi-variaten Farbpunkte. Abstände zwischen Datenpunkten werden von dem Skalieren und der Auswahl der Daten-Dimensionen abhängen. Ein Anwender kann wählen, alle Dimensionen oder Teilmengen anzuwenden, unter Beachten der Dimensionen, die korreliert sein können und/oder verschiedene Größenordnungen aufweisen. Die Verwendung von gleichförmigen Farbraum-Koordinaten kann vorteilhaft sein, da die Dimensionen ungefähr gleiche visuelle Größen aufweisen. Alternativ könnte ein Anwender die Dimensionen standardisieren oder eine andere Dimensions-Skalierung verwenden. (Für eine genauere Beschreibung von Clustering wird der interessierte Leser auf Alvin C. Rencher, William F. Christensen, Methods of Multivariate Analysis, 3. Ausg., John Wiley and Sons, Hoboken, NJ, 2012 verwiesen).
In dem vorliegenden Fall ist das Ergebnis von Schritt 110 des Verfahrens 100 die Zuweisung von Farben zu Stapel-Clustern, basierend auf Farb-/Sparkle-Ähnlichkeit, und alle Stapel-Cluster haben Zählungen innerhalb des Maximums der Kapazität des Farbfächers.
Jede einem Cluster zugeordnete Farbe wird neutralen oder chromatischen Gruppen in Schritt 112 zugeordnet. Dies kann in der Größenordnung von einhundert Clustern liegen. Neutrale Farben schließen weiß, schwarz, grau, Silber metallic, grau metallic, schwarz metallic und andere Farben mit niedriger Chroma ein. Chromatische Farben schließen rot, gelb, grün, blau und Zwischen-Farbtöne bei höherer Chroma ein. Neutrale und chromatische Gruppen liefern eine intuitive Segregation zu weniger und mehr bunten Gruppen, was beim Navigieren zu der Gruppe von Stapeln hilfreich ist. Jedoch ist die Auswahl von Gruppen willkürlich und andere Gruppen von Stapeln sind möglich. Die Stapel-Cluster werden der Gruppe, basierend auf einem Vergleich der mittleren Chroma des Clusters einer Chroma-Toleranz, zugeordnet. Wenn zum Beispiel die mittlere Chroma von einem Cluster größer als zehn ist, wird der Cluster der chromatischen Gruppe zugeordnet. Wenn weniger als zehn, wird er der neutralen Gruppe zugeordnet.
In Schritt 114 werden die chromatischen Stapel-Cluster in einer fortlaufenden Anordnung hinsichtlich des Farbtons zum Unterbringen in einem Gehäuse oder einer anderen Vorrichtung, die die Stapel aufbewahren, angeordnet. Das Ziel hierbei ist es, eine leichte und intuitive Navigation für die gewünschten Stapel-Cluster bereitzustellen. Die Auswahl einer Sequenzregel ist willkürlich. Für neutrale Stapel-Cluster kann eine Sequenz, basierend auf der Helligkeit der Cluster-Mittel von hell-zu-dunkel, ausgewählt werden z. B. weiß-zu-schwarz für einfarbige Farben und Silber-zu-schwarz metallic für Effekt-Farben. Für chromatische Stapel-Cluster kann eine Sequenz, basierend auf dem Farbton-Winkel, der von bläulich rot zu rot, gelb, grün, blau und magenta verläuft, ausgewählt werden. Dies stellt eine natürliche Abfolge, basierend auf dem Farbtonkreis; d. h. eine visuell intuitive Ordnung, bereit. In einer ähnlichen Weise werden die neutralen Stapel-Cluster in fortlaufender Folge hinsichtlich Helligkeit zum Unterbringen in einem Gehäuse oder einer anderen Vorrichtung, die die Stapel aufbewahren, angeordnet (SCHRITT 116).
Ein einzelner Cluster wird in Schritt 118 ausgewählt. Die Cluster-Identifizierungs-, Farb- und Sparkle-Daten für die Karten in dem ausgewählten Cluster werden abgerufen (SCHRITT 120), und die Farben in dem Cluster werden sequenziert (SCHRITT 122). Dieses Verfahren wird für alle in Schritt 116 sequenzierten Cluster wiederholt; d. h. Sequenzieren von neutralen Farben hinsichtlich Helligkeit. Das heißt, SCHRITTE 124, 126 und 128 sind im Wesentlichen äquivalent zu SCHRITTEN 118, 120 bzw. 122 zum Sequenzieren von Farben hinsichtlich des Farbtons.
Die Beobachtungen innerhalb eines Stapel-Clusters werden sequenziert, um ähnliche Farben als nahe Nachbarn zu behalten. Da die Beobachtungen über 3 bis 11 Dimensionen variieren, wird es im Allgemeinen keine einzelne Dimension geben, die die Beobachtungen sequenziert und Nachbarn in benachbarten Positionen in der Sequenz hält. Die Verteilungen von Beobachtungen (eine multi-variate Datenwolke) können kompakt oder länglich sein, können einzelne oder mehrfache Nachbar-Gruppen aufweisen und können Ausreißer bzw. Sonderfall-Beobachtungen aufweisen. Die Verteilungen können als einzelne oder multiple Hyper-Kugel- oder längliche Formen bzw. hyper-oblong Formen angesehen werden. Hierarchisches oder k-means-Clustering, wie vorstehend beschrieben, wird in Verbindung mit multi-variater graphischer Visualisierung verwendet, um die Anzahl von Clustern im Stapel auszuwählen, die Beobachtungen zu verwendbaren Nachbarclustern gruppiert. Diese Nachbarcluster werden durch eine frei wählbare Sequenzregel sequenziert. Zum Beispiel könnten die Nachbarcluster von einem chromatischen Stapel hinsichtlich des Farbton-Winkels geordnet werden.
Wie vorstehend ausgewiesen, müssen die Beobachtungen in jedem Nachbarcluster sequenziert werden. Wenn der Nachbarcluster eine längliche Form bzw. hyper-oblong Form aufweist, gibt es eine Dimension entlang der längsten Richtung des Hyper-Rechtecks, obwohl diese Dimension in Allgemeinen keine von den Original-Farbe- oder Sparkle-Dimensionen sein werden. Die Haupt-Richtung einer Variation kann durch Anwenden von Haupt-Komponenten-Analyse (PCA) auf die multi-variaten Beobachtungs-Daten gefunden werden, um die Daten zu neuen orthogonalen Dimensionen mit sukzessiv kleineren Varianzen zu transformieren (siehe Rencher et al.).
PCA ist ein statistisches Verfahren, das orthogonale Transformation anwendet, um eine Reihe von Beobachtungen von möglicherweise korrelierten Variablen zu einer Reihe von Werten von linear unkorrelierten Variablen, Haupt-Komponenten genannt, umzuwandeln. Die Anzahl der Haupt-Komponenten ist weniger als oder gleich der Anzahl an ursprünglichen Variablen. Diese Transformation wird in einer derartigen Weise definiert, dass die erste Haupt-Komponente die größte mögliche Varianz aufweist (das heißt, sie steuert möglichst viel von der Variabilität in den Daten bei), und jede nachfolgende Komponente weist wiederum die höchste Varianz auf, die unter der Bedingung, dass sie orthogonal zu (d. h. unkorreliert mit) den vorangehenden Komponenten ist, möglich ist.
PCA ist die einfachste der wahren Eigenvektorbasierten multi-variaten Analysen. Häufig kann ihr Einsatz als Aufdeckung der inneren Struktur der Daten in einer Weise angenommen werden, die die Varianz in den Daten am besten erklärt. Wenn ein multi-variater Datensatz als ein Satz von Koordinaten in einem hoch-dimensionalen Datenraum (1 Achse pro Variable) visualisiert wird, kann PCA den Anwender mit einem gering-dimensionalen Bild, einer Projektion oder ”Schatten” von diesem Objekt, wenn von seinem (in gewissem Sinne) informativsten Standpunkt betrachtet, versorgen. Dies erfolgt unter Verwendung nur der ersten wenigen Haupt-Komponenten, so dass die Dimensionalität der transformierten Daten vermindert ist.
PCA wird mathematisch als eine orthogonale lineare Transformation definiert, die die Daten zu einem neuen Koordinatensystem transformiert, so dass die größte Varianz durch eine gewisse Projektion der Daten auf der ersten Koordinate zu liegen kommt (die erste Haupt-Komponente genannt), die zweite größte Varianz auf der zweiten Koordinate und so weiter.
In dem vorliegenden Fall enthält die erste Vektordimension die maximale Varianz von allen linearen Sequenzen der Daten. Jede Beobachtung hat einen Projektionsscore auf der ersten Dimension. Die Rangzahl-Anordnung der Scores stellt die Sequenz der Beobachtungen entlang des Hauptvektors bereit. Im ungünstigsten Fall haben alle von den transformierten Dimensionen gleiche Varianz, die Datenwolke ist eine Hyper-Kugel und es gibt keine hauptsächliche lineare Richtung und Sequenz. Weiter wird im Allgemeinen der Nachbarcluster eine Hauptrichtung der Variation aufweisen, die zum Sequenzieren nützlich ist.
2 ist ein Blockdiagramm von einem System 200, das zum Ausführen des vorstehend beschriebenen Verfahrens in Verbindung mit 1 geeignet ist. Die Farben, die in einem oder mehreren Farbfächern eingeschlossen sind, werden aus einer Farb-Formulierungs-Datenbank 202 ausgewählt und dem Teilmengendetektor 204 zugeführt, wo die Karte-Identifizierungs-Daten, Farb-Daten und Sparkle-Daten abgerufen werden. Ein Prozessor 206 empfängt eine erste Eingabe vom Detektor 204 und eine zweite Eingabe von einer Anwender-Eingabe-Vorrichtung 208 (z. B. eine Tastatur, Cursorsteuerungs-Vorrichtung usw.) vom Anwender 210. Prozessor 206 stellt Ausgaben für Ausgabe-Vorrichtung bereit, die einen oder mehrere Drucker 212, ein oder mehrere Anzeigesysteme 214 und dergleichen umfassen können. Prozessor 206 schließt ein Verarbeitungsmodul 216 und ein Speichermodul 218 ein. Ein Verarbeitungsmodul schließt Clustering-Software 220 und PCA-Software 222 des vorstehend erwähnten Typs ein.
Prozessor 206 kann mit einem Allzweck-Prozessor, einem Assoziativspeicher bzw. inhaltsadressierbaren Speicher, einem Digitalsignal-Prozessor, einer ASIC-Schaltung bzw. anwenderspezifischen integrierten Schaltung, einem programmierbaren Gatterfeld, jedem geeigneten programmierbaren Logik-Bauelement, diskreter Gatter- oder Transistorenlogik, diskreten Hardware-Komponenten oder beliebiger Kombination, die zum Ausführen der hierin beschriebenen Funktionen ausgelegt sind, implementiert oder realisiert werden. Ein Prozessor-Bauelement kann als ein Mikroprozessor, ein Controller, ein Mikrocontroller oder eine Zustandsmaschine realisiert werden. Darüber hinaus kann ein Prozessor-Bauelement als eine Kombination von Rechner-Bauelementen, z. B. eine Kombination von einem Digitalsignal-Prozessor und einem Mikroprozessor, einer Vielzahl von Mikroprozessoren, einem oder mehreren Mikroprozessoren in Verbindung mit einem Digitalsignal-Prozessorkern oder beliebiger anderer solcher Konfiguration implementiert sein. In der angeführten Ausführungsform schließt der Prozessor 206 einen Speicher 218 ein, der zum Beispiel RAM (random access memory) 224 und ROM (read-only memory) 226 umfasst. Die Programm-Anweisungen, die den Prozessor 206 steuern, können in einem oder beiden des RAM 224 und des ROM 226 gespeichert werden. Zum Beispiel kann die Betriebssystemsoftware in dem ROM 226 gespeichert werden, wohingegen verschiedene Betriebsmodussoftware-Routinen und verschiedene Betriebsparameter in dem RAM 224 gespeichert werden können. Die Software, die die beispielhafte Ausführungsform ausführt, kann in entweder dem ROM 226 oder dem RAM 224 gespeichert werden. Der Klarheit halber werden jedoch vorstehend beschriebene Cluster-Software 220 und PCA-Software 222 getrennt dargestellt.
Der Speicher 218 kann als RAM, ROM, Flash-Speicher, EPROM-Speicher, EEPROM-Speicher, Register, eine Festplatte, eine auswechselbare Platte, eine CD-ROM oder jede andere Form von auf dem Fachgebiet bekanntem Speichermedium realisiert werden. In dieser Hinsicht kann der Speicher 218 derart gekoppelt sein, dass der Prozessor 206 Information auslesen und Information auf den Speicher 218 schreiben kann. In der Alternative können der Prozessor 206 und der Speicher 218 in einem ASIC untergebracht sein. In der Praxis könnte ein funktionelles oder Logik-Modul/Komponente des Systems 200 unter Verwendung von Programmcode realisiert werden, der in dem Speicher 218 gehalten wird. Zum Beispiel kann der Speicher 218 verwendet werden, um zum Aufrechterhalten des Betriebs des Anzeigesystems 200 genutzte Daten zu speichern.
Das Anzeige-Element 214 wird verwendet, um verschiedene Bilder und Daten in sowohl einem graphischen als auch einem Textformat anzuzeigen und der Anwender 210 in Reaktion auf die durch den Anwender 210 der Anwender-Eingabe-Vorrichtung 208 eingegebenen Anwender-Eingabe-Kommandos visuelle Rückmeldung zu verschaffen. Es wird Wert darauf gelegt, dass das Anzeige-Element 214 eine beliebige von zahlreichen bekannten Anzeigen, die zum Erzeugen von Bild- und/oder Text-Daten in einem durch den Anwender 210 anschaubaren Format geeignet sind, sein kann. Nicht-begrenzende Beispiele von solchen Anzeigen schließen verschiedene Kathodenstrahlröhren(CRT)-Anzeige und verschiedene Flachbildschirm-Anzeigen, wie verschiedene Typen von LCD-(Flüssig-Kristall-Anzeige), OLED- und TFT-(Dünnfilmtransistor)-Anzeigen ein. Das Anzeige-Element 214 kann zusätzlich auf einer Tafel befestigten Anzeige, einer HUD-Projektion oder jeder beliebigen bekannten Technologie basieren. In einer beispielhaften Ausführungsform schließt das Anzeige-Element 214 eine Bildschirm-Anzeige ein und das Anzeige-Element 214 wird zum Empfang von Bild erzeugenden Anzeige-Kommandos von dem Prozessor 206 geeigneterweise konfiguriert.
Die Anwender-Eingabe-Vorrichtung 208 steht in betriebsfähiger Kommunikation mit der Prozessor-Architektur 206 und ist zum Empfang der Eingabe von einem Anwender 210 konfiguriert und liefert in Reaktion auf die Anwender-Eingabe dem Prozessor-Aufbau 206 Kommandosignale. Die Anwender-Eingabe 208 kann eine beliebige sein oder eine Kombination von verschiedenen bekannten Anwender-Interface-Vorrichtungen, einschließlich einer Cursorsteuerungs-Vorrichtung (CCD), wie eine Maus, ein Trackball oder Joystick, ein oder mehrere Knöpfe, Schalter oder Drehköpfe, jedoch nicht darauf begrenzt, sein. In einer bevorzugten Ausführungsform schließt die Anwender-Eingabe 208 die CCD und eine Tastatur ein. Der Anwender 210 betätigt die Anwender-Eingabe 208 unter anderem zum Bewegen von Cursorsymbolen, die zu verschiedenen Zeiten auf dem Anzeige-Element 214 oder aktiviertem Drucker 212 ausgeführt werden könnten, und der Anwender 210 kann die Tastatur unter anderem zur Eingabe von Text-Daten und Ausdruck betätigen.
Wie vorstehend ausgewiesen, ist 2 ein Blockdiagramm von einem System zum Ordnen eines chromatisch sortierten Farbfächers, so dass Farb-Karten-Nachbarn in dem gleichen Farbfächer passend sequenziert werden, wobei Farb-Karten-Nachbarn in dem gleichen Farbfächer nahe zueinander erscheinen, und jeder Farbfächer im Hinblick auf andere Farbfächer gemäß einer beispielhaften Ausführungsform passend sequenziert werden. Die Farben, die in einem oder mehreren Farbfächern eingeschlossen sein sollen, werden aus einer Farb-Formulierungs-Datenbank 202 ausgewählt (einfarbige und/oder Effekt- und/oder Tri-Coat-Farben) und die zu jeder Farbe gehörenden Farb-Daten (d. h. Karten-Identifizierungs-Daten, Farb-Daten und Sparkle-Daten, wie vorstehend beschrieben) werden abgerufen und dem Teilmengendetektor 204 zur Verfügung gestellt, der bestimmt, wenn eine ausgewählte Farbe zu einer einfarbigen, einer Effekt- oder einer Tri-Coat-Teilmenge gehört. Karten-Identifizierungs-Daten, Farb-Daten und Sparkle-Daten für die identifizierte Teilmenge werden dann zu Prozessor 206 geliefert. Der Leser wird erneut erinnert, dass obwohl Karten-Identifizierungs-Daten, Farb-Daten und Sparkle-Daten in einer Ausführungsform bereitgestellt wurden, andere und/oder zusätzliche Parameter verwendet werden können. Die vorstehend beschriebene Cluster-Analyse wird über die Cluster-Software 220 in Prozessor 206 unter Verwendung einer oder mehrerer der vorstehend beschriebenen Techniken ausgeführt. Diese Ergebnisse der Zuordnung von Farben zu Stapel-Clustern, die auf Farb-/Sparkle-Ähnlichkeit basieren, und alle Stapel-Cluster haben Zählungen innerhalb der maximalen Kapazität des Farbfächers.
Die Software ordnet dann jede Farbe neutralen oder chromatischen Gruppen zu. Neutrale und chromatische Gruppen stellen eine intuitive Segregation in weniger und mehr bunten Gruppen bereit, die beim Navigieren zu der Gruppe von Stapeln hilfreich sind. Jedoch ist die Auswahl von Gruppen willkürlich und andere Gruppen von Stapeln sind möglich. Der Prozessor ordnet dann die chromatischen Stapel-Cluster in fortlaufender Folge hinsichtlich des Farbtons. Das Ziel hierbei ist es, leichte und intuitive Navigation für die gewünschten Stapel-Cluster bereitzustellen. Für neutrale Stapel-Cluster kann eine Sequenz, basierend auf der Helligkeit des Clusters (d. h. hell zu dunkel), ausgewählt werden; z. B. weiß-zu-schwarz für einfarbige Farben und Silber-zu-schwarz metallic für Effekt-Farben. Für chromatische Stapel-Cluster kann eine Sequenz, basierend auf Farbton-Winkel, der von bläulich-rot bis rot, gelb, grün, blau und magenta verläuft, ausgewählt werden.
Nachdem ein einzelner Cluster ausgewählt ist, werden die Cluster-Identifizierungs-, Farb- und Sparkle-Daten für die Karten in dem ausgewählten Cluster aus dem Speicher 218 abgerufen und die Farben in dem Cluster werden geordnet. Dieses Verfahren wird für alle Cluster wiederholt.
Die Beobachtungen in jedem Nachbarcluster müssen sequenziert werden. Wenn der Nachbarcluster eine längliche Form bzw. hyper-obloide Form aufweist, gibt es eine Dimension entlang der längsten Richtung des Hyper-Rechtecks, obwohl diese Dimension im Allgemeinen keine von den ursprünglichen Farb- oder Sparkle-Dimensionen sein wird. Die Haupt-Richtung der Variation kann durch Nutzung der wie vorstehend beschriebenen PCA-Software 222 gefunden werden.
In einer beispielhaften Ausführungsform wurde ein chromatisch sortierter Farbfächer unter Verwendung von Farb-Formulierungs- und Farb-Karten-Daten für 6192 Farb-Karten, abgerufen von einer Master-Farb-Formulierungs-Datenbank (SCHRITT 102 in 1) und umfassend Farb-Karten-Identifizierung, Farb-Formulierungs-Identifizierung, Kraftfahrzeug-Hersteller-Farb-Identifizierung, Beschichtungstyp (Grundlack/Klarlack- oder Tri-Coatsystem), Farbtyp (einfarbig, metallic, Pearlglanz), CIELAB L* a* b* Datenwerte bei einem 45° Aspekular-Winkel bzw. Differenzwinkel für einfarbige Farben, bei 15, 45 und 110° Aspekular-Winkeln bzw. Differenzwinkeln für Effekt- und Tri-Coat-Farb- und Sparkle-Grad-Datenwerte bei 15 und 45° Aspekular-Winkeln bzw. Differenzwinkeln für Effekt- und Tri-Coat-Farben (SCHRITT 104), untersucht. CIELAB-Chroma(C*)- und Farbton-Winkel(h)-Daten wurden für 15, 45 und 110° Aspekular-Winkel bzw. Differenzwinkel berechnet. Beschichtungstyp und Farbtyp wurden verwendet, um Daten-Teilmengen (SCHRITT 106) von 1274 einfarbige, 4832 Effekt- und 86 Tri-Coat-Farben zu definieren.
Ein Ziel für maximale Farb-Karten in einem Stapel wurde bei 80 eingestellt. Dies ist ein weiches Maximum, in dem die Farbfächer mehr als 80 Karten bewahren können; es wird jedoch etwas Raum für mögliche Hinzufügungen von zukünftigen Farb-Karten gewünscht. Eine Daten-Teilmenge wurde ausgewählt (SCHRITT 108) und in mehrfachen Versuchen geclustert, um den besten Kompromiss zwischen Karten-Zählung in Clustern und Trennung zwischen Clustern herauszufinden. Clustering erfolgte unter Verwendung von hierarchischem Clustering mit Euklidischem Abstand und Ward-Bindungs-Algorithmen, jedoch mit variierender Auswahl von Datenwerten, um in dem Clustering enthalten zu sein (SCHRITT 110).
Clustering von einfarbigen Farben verwendete L*45, a*45, b*45 Datenwerte. Ein Ergebnis mit 26 Clustern unter Variieren von 14 bis 117 Farben pro Cluster wurde ausgewählt. Sechs der Cluster (drei rote und drei weiße) hatten Zählungen über 80 und im Bereich von 89 bis 117. Die drei roten Cluster wurden vereinigt und erneut geclustert unter Erzeugung von sechs Clustern mit Zählungen von 27 bis 67. In ähnlicher Weise wurden drei weiße Cluster vereinigt und erneut geclustert unter Erzeugung von sechs Clustern mit Zählungen von 9 bis 80. Die vereinigten Ergebnisse waren 32 einfarbige Farb-Cluster mit einem Maximum von 80 Farben pro Cluster.
Effekt-Farben-Clustering verwendete L*45, a*45, b*45 Datenwerte und ein Ergebnis mit 70 Clustern, schwankend von 16 bis 170 Farben pro Cluster, wurde ausgewählt. Ein Kompromiss für ein Maximum von Karten pro Cluster wurde ausgemacht, um zu viele Stapel zu vermeiden. Bis zu 85 Karten waren in den Effekt-Stapeln erlaubt und es gab 18 Cluster mit mehr als 85 Farben. Die größeren Cluster wurden erneut geclustert, jedoch unter Verwendung von L*15/2, a*15/2, b*15/2, L*45, a*45, b*45, L*110, a*110, b*110, Sg15 und Sg45 Datenwerten. Die Reihe von Dimensionen wurde erhöht, um beim Trennen von Nachbar-Farben in Cluster zu unterstützen. Jedoch haben L*15, a*15, b*15 größere Spannen und Varianzen als die anderen Dimensionen und würden in der Regel die Euklidischen Abstände zwischen Punkten dominieren. Diese Dimensionen wurden als ein einfaches Mittel durch 2 geteilt, um deren Einfluss auf die Clustering-Ergebnisse zu vermindern. In den meisten Fällen wurden die größeren Cluster erneut in zwei Cluster mit Zählungen von weniger als 85 geclustert. In einigen Fällen gab es mehr Cluster und für einige von diesen wurde ein kleines Cluster gezwungen, sich mit dem nächsten größeren Cluster zu verbinden. Insgesamt gab es 91 Effekt-Cluster mit einem Maximum von 85 Farben pro Cluster.
Tri-Coat-Farb-Clustering verwendete L*15, a*15, b*15, L*45, a*45, b*45 Datenwerte und ein Ergebnis mit fünf Clustern mit Zählungen von 4, 5, 8, 29 und 40 wurde ausgewählt. Die drei kleinsten Cluster waren chromatisch und die zwei größten waren weiß. Die drei kleinsten Cluster wurden vereinigt, um drei Tri-Coat-Cluster mit 17 bis 40 Farben zu ergeben.
Die Cluster in einfarbigen(26)- und Effekt(91)-Teilmengen wurden in chromatische und neutrale Gruppen aufgeteilt (SCHRITT 112). Bei nur drei Clustern gab es keinen Bedarf, die Tri-Coat-Teilmenge zu unterteilen. Einfarbige Farben wurden der neutralen Gruppe zugeordnet, wenn der Mittelwert C*45 für den Cluster weniger als oder gleich 10 war, ansonsten der chromatischen Gruppe. Effekt-Farben wurden der neutralen Gruppe zugeordnet, wenn der Mittelwert C*15 für den Cluster weniger als oder gleich 10 war, ansonsten der chromatischen Gruppe. Neutrale Cluster wurden durch Mitteln L*45 für sowohl einfarbige als auch Effekt-Teilmengen geordnet (SCHRITT 116). Chromatische Cluster wurden unter Betrachten eines Streudiagramms von mittleren L*45 gegen mittleres h45 geordnet. Die chromatischsten Cluster folgen einer Sequenz hinsichtlich Farbton-Winkel, jedoch mit einigen Sprüngen zwischen verschiedenen Helligkeitsniveaus. Die chromatische Reihenfolge wurde interaktiv ausgewählt von geringem zu hohem Farbton-Winkel, jedoch mit einigen Einstellungen, um die Cluster mit ähnlicher Helligkeit nahe zu halten (SCHRITT 114).
Ein einzelner Cluster wurde aus den einfarbigen, Effekt- oder Tri-Coat-Teilmengen ausgewählt (SCHRITTE 118, 124), die einzelnen Cluster-Daten wurden abgerufen (SCHRITTE 120, 126) und die Farben wurden in dem Cluster angeordnet (SCHRITTE 122, 128). Der Ordnungsprozess hängt von der Verteilung von Datenwerten innerhalb des einzelnen Clusters ab. Der erste interaktive Schritt beim Ordnen in Farben war, Daten-Visualisierung und Clustering anzuwenden, um zu bestimmen, ob es mehrfache Sub-Cluster von Farb-Nachbarn in dem ”einzelnen Cluster” gab. Zum Beispiel zeigt erneutes Clustering von 17 Farben in einem chromatischen Tri-Coat-Cluster fünf verschiedene Sub-Cluster 302, 304, 306, 308 und 310, wie in dem Dendrogramm 300 (3) und 3D Streudiagramm 400 (4) von L*15, a*15, b*15 gezeigt. Die Sub-Cluster sind weit verteilt und Visualisierung zeigt an, dass der Farbton-Winkel eine gute Wahl für die primäre Richtung von Farb-Variation und zum Ordnen der Sub-Cluster ist. 5 ist ein Matrix-Plot 500 von L*15, a*15, b*15, C*15 und h15, geordnet durch h15 mit Sub-Cluster-Gruppieren. In diesem Fall brachte das Ordnen hinsichtlich h15 die Sub-Cluster-Nachbarn in der inneren Cluster-Sequenz zusammen.
In einem zweiten Beispiel wurde roter Effekt-Cluster 5 zum Ordnen ausgewählt. Erneutes Clustering auf L*15/2, a*15/2, b*15/2, L*45, a*45, b*45, L*110, a*110, b*110, Sg15 und Sg45 führte zu 3 Sub-Clustern 602, 604 und 606, wie in Dendrogramm 600 (6) und 3D Streudiagramm 700 (7) von L*15, a*15, b*15 gezeigt. Die Sub-Cluster trennen sich nicht vollständig hinsichtlich der ausgewählten Dimensionen und die Sub-Cluster-”Daten-Wolken” erscheinen in einigen Richtungen verlängert. Die PCA-Analyse wurde an jedem Sub-Cluster unter Verwendung der Co-Varianzmatrix von L*15/2, a*15/2, b*15/2, L*45, a*45, b*45, L*110, a*110, b*110, Sg15 und Sg45 ausgeführt und der erste Haupt-Komponentenvektor (PC1) wurde als die primäre Richtung von Farb- und Sparkle-Variation von dem Sub-Cluster genommen.

Tabelle I zeigt den Eigenwert (ein Maß der Varianz), das Verhältnis von Varianz in der ersten Komponente (Bereich 0 bis 1) und dem ersten Vektor bezüglich der Transformation von den ursprünglichen Dimensionen. Jeder Datenpunkt hat Score-Werte auf dem Haupt-Komponentenvektor. Die Rangzahl der Daten-Score-Werte wurde als die Anordnung von Datenpunkten innerhalb eines Sub-Clusters verwendet und zeigt die Anordnung von Positionen der Datenpunkte entlang des Haupt-Komponentenvektors an. Die Ordnungen innerhalb des Sub-Clusters wurden mit der Ordnung der Sub-Cluster vereinigt, um die Gesamt-Anordnung des Clusters zu bestimmen. In anderen Worten, die Sub-Cluster sind am wichtigsten beim Halten der Nachbarn in der Nähe und die Ordnungen innerhalb der Sub-Cluster sind sekundär.

Sub-Cluster	1	2	3
Eigenwert 1	35,72	111,16	29,07
Verhältnis 1	0,52	0,62	0,41
Variable	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

TABELLE I

8 ist ein Matrix-Plot 800 von ausgewählten Daten-Maßen hinsichtlich der Ordnung für Effekt-Cluster 5. Das Ordnen bringt die Daten der Nachbarn durch Sub-Clustern und durch Rangzahl-Ordnung von Haupt-Komponenten-Scores zusammen, so dass die Nachbarn in der Regel nahe bei einigen Daten-Maßen sind. Zum Beispiel ist die Sub-Cluster 1-Ordnung stark beeinflusst durch b15, Sub-Cluster 2 war stark beeinflusst durch L15 und a15 absteigend, und Sub-Cluster 3 ist schwach beeinflusst durch a15 aufsteigend in Übereinstimmung mit den Vektor-Komponenten in TABELLE I. Sub-Cluster 3 hat die geringste dominante Anordnung in Übereinstimmung mit dem geringeren Verhältnis in der ersten Haupt-Komponente, wie in TABELLE I gezeigt.
Im Allgemeinen wird Haupt-Komponenten-Ordnen der Datenwerte besser ausgeführt, wenn das erste Verhältnis hoch ist, was anzeigt, die Datenwerte liegen nahe der einen ersten Vektor-Richtung (z. B. Sub-Cluster 2, 0,62 Verhältnis) und werden schlecht verlaufen, wenn die Datenwerte nur ein schwaches erstes Verhältnis aufweisen (z. B. Sub-Cluster 3, 0,41 Verhältnis).
Der Stapel-Cluster-Ordnungsprozess kann mit den nachstehenden Schritten zusammengefasst werden: 1) Auswählen der in die Analyse einzuschließenden Daten-Dimensionen und Bestimmen, ob erneutes Skalieren von Dimensionen beim Ausgleichen von deren Einfluss auf Ergebnisse hilfreich sein wird; 2) Verwendung von Clustering zum Identifizieren von Sub-Clustern von benachbarten Datenpunkten; 3) Verwenden von Datengraphiken, um die Daten-Verteilungen zu visualisieren und Bestimmen der Trennung und Formen von Sub-Clustern; 4) Auswählen einer der ursprünglichen Daten-Dimensionen zum Ordnen von Farben, wenn eine dominante Dimension beobachtet wird; 5) anderweitiges Ausführen der Haupt-Komponenten-Analyse auf jedem Sub-Cluster und Anwendung der Rangzahl-Anordnung (aufsteigend oder absteigend) von den Scores auf der ersten Haupt-Komponente als die Ordnung in dem Sub-Cluster; und 6) Vereinigen der Sub-Cluster-Ordnung und inneren Sub-Cluster-Ordnung, um Farben innerhalb des Stapels zu sequenzieren.
Somit wurde ein System und Verfahren zum Ordnen von chromatisch sortierten Farbfächern bereitgestellt. Es wurde auch ein System und Verfahren zum Ordnen eines chromatisch sortierten Farbfächers bereitgestellt, so dass (1) Farb-Karten-Nachbarn in dem gleichen Farbfächer sind, (2) Farb-Karten-Nachbarn nahe zueinander in dem gleichen Farbfächer erscheinen und (3) jeder Farbfächer passend hinsichtlich zu anderen Farbfächern sequenziert ist.
Die vorangehende beispielhafte Ausführungsform wurde vorstehend im Zusammenhang eines vollständig funktionierenden Computersystems beschrieben; jedoch wird der Fachmann erkennen, dass die Mechanismen der vorliegenden Erfindung in der Lage ist, als ein Programmprodukt verteilt zu werden und weiterhin, dass die Lehren der vorliegenden Erfindung für das Programmprodukt gelten, ungeachtet des besonderen Typs von Computer-lesbaren Medien (z. B. Floppy-Disk, Festplatte, Memory-Card, CD usw.), die angewendet werden, um seine Verteilung auszuführen.
Während mindestens eine beispielhafte Ausführungsform in der vorangehenden Beschreibung im Einzelnen wiedergegeben wird, wird Wert darauf gelegt, dass eine enorme Anzahl von Variationen existiert. Es wird ebenfalls Wert darauf gelegt, dass die beispielhafte Ausführungsform oder beispielhaften Ausführungsformen nur Beispiele sind, und nicht vorgesehen sind, den Umfang, die Anwendbarkeit oder die Konfiguration der Erfindung in irgendeiner Weise zu begrenzen. Stattdessen wird die vorangehende Beschreibung im Einzelnen dem Fachmann einen passenden Fahrplan zum Implementieren einer beispielhaften Ausführungsform der Erfindung bereitstellen. Es ist verständlich, dass verschiedene Änderungen in der Funktion und Anordnung von in einer beispielhaften Ausführungsform beschriebenen Elementen ausgeführt werden können, ohne vom Umfang der Erfindung, wie in den beigefügten Ansprüchen angeführt, abzuweichen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Nicht-Patentliteratur

ASTM E2194.01 (2011) [0031]
Commission Internationale De L'Éclairage (CIE), Colorimetry, 3. Ausg., CIE 015: 2004, CIE Central Bureau, Wien, 2004 [0031]
Alvin C. Rencher, William F. Christensen, Methods of Multivariate Analysis, 3. Ausgabe, John Wiley and Sons, Hoboken, NJ, 2012 [0035]
Alvin C. Rencher, William F. Christensen, Methods of Multivariate Analysis, 3. Ausg., John Wiley and Sons, Hoboken, NJ, 2012 verwiesen [0046]
Rencher et al. [0052]

Claims

Verfahren zum chromatischen Sortieren von Farben zu Farbfächern, wobei das Verfahren umfasst: Aufnehmen von Farb-Kennungs-Daten und Farb-Messdaten bei mindestens einer Beleuchtungs- und Betrachtungs-Geometrie für eine Reihe von Farben, die in die Farbfächer sortiert werden sollen; Clustering der Farben in einem Prozessor; und Zuordnen der Farben zu den Farbfächern, basierend auf der Ähnlichkeit der Farben, wie durch das Clustering bestimmt.
Verfahren nach Anspruch 1, weiterhin umfassend: Aufnehmen der zu den Farben gehörenden Sparkle-Daten; und Verwerten der Sparkle-Daten während des Schritts des Clustering.
Verfahren nach Anspruch 1, wobei der Schritt des Aufnehmens von Farb-Kennungs-Daten und Farb-Messdaten das Aufnehmen der Farb- und Sparkle-Daten und Karten-Identifizierungs-Daten umfasst.
Verfahren nach Anspruch 3, weiterhin umfassend Bestimmen in dem Prozessor, dass eine Farbe in eine von einer einfarbigen, einer Effekt- und einer Tri-Coat-Teilmenge von Farben fällt.
Verfahren nach Anspruch 4, weiterhin umfassend Bereitstellen von Teilmengen-Identifizierungs-, Farb- und Sparkle-Daten für den Prozessor.
Verfahren nach Anspruch 5, weiterhin umfassend Clustering der Farben innerhalb der Teilmenge in dem Prozessor.
Verfahren nach Anspruch 6, weiterhin umfassend Bestimmen in dem Prozessor, ob die Cluster einer von einer chromatischen Gruppe und einer neutralen Gruppe zugeordnet werden.
Verfahren nach Anspruch 7, weiterhin umfassend Sequenzieren der Cluster hinsichtlich der Helligkeit, wenn die Gruppe neutral ist.
Verfahren nach Anspruch 8, weiterhin umfassend Sequenzieren der Cluster hinsichtlich des Farbtons, wenn die Gruppe chromatisch ist.
Verfahren nach Anspruch 9, weiterhin umfassend Auswählen eines einzelnen Clusters.
Verfahren nach Anspruch 10, weiterhin umfassend Abrufen der Cluster-Identifizierungs-, Farb- und Sparkle-Daten.
Verfahren nach Anspruch 11, weiterhin umfassend Sequenzieren der Farben innerhalb des einzelnen Clusters.
Verfahren nach Anspruch 11, weiterhin umfassend erneuten Clustering des einzelnen Clusters, um Sub-Cluster zu bilden.
Verfahren nach Anspruch 13, weiterhin umfassend Sequenzieren der Farben innerhalb der Sub-Cluster in dem Prozessor unter Verwendung von Haupt-Komponenten-Analyse.
Verfahren nach Anspruch 13, weiterhin umfassend Sequenzieren der Farben hinsichtlich ihrer primären Farb-Richtung.
Verfahren nach Anspruch 12, weiterhin umfassend Einbau von Karten mit den sequenzierten Farben in einen Farbfächer.
System zum chromatischen Sortieren von Farben zu einem Farbfächer, wobei jeder Farbfächer eine Vielzahl von Farb-Karten enthält, wobei das System umfasst: eine erste Quelle von Farb-Kennungs-Daten; eine zweite Quelle von Farb-Daten; und einen Prozessor, gekoppelt an die ersten und zweiten Quellen und konfiguriert zum (a) Clustern von Farben innerhalb einer Teilmenge von Farben; und (b) Ordnen der Farben innerhalb eines Clusters.
System nach Anspruch 17, wobei der Prozessor weiterhin zum Ordnen der Cluster hinsichtlich Farbton oder Helligkeit konfiguriert ist.
System nach Anspruch 18, wobei der Prozessor weiterhin zum Auswählen eines einzelnen Clusters und Abrufen der Identifizierungs-, Farb- und Sparkle-Daten, die mit dem einzelnen Cluster verbunden sind, konfiguriert ist.
Chromatisch sortierter Farbfächer, hergestellt gemäß den nachstehenden Schritten: Aufnehmen von Farb-Kennungs-Daten und Farb-Messdaten, bei mindestens einer Beleuchtungs- und Betrachtungs-Geometrie, für eine Reihe von Farben, die in die Farbfächer sortiert werden sollen; Bestimmen, in welche von einer einfarbigen, Effekt- oder Tri-Coat-Teilmenge jede Farbe fällt; Clustering der Farben innerhalb jeder Teilmenge in einem Prozessor; Bestimmen in dem Prozessor, ob Teilmenge chromatisch oder neutral ist; Ordnen des Clusters in dem Prozessor hinsichtlich des Farbtons, wenn chromatisch und hinsichtlich der Helligkeit, wenn neutral; Auswählen eines einzelnen Clusters, und Sequenzieren der Farben innerhalb des einzelnen Clusters mit dem Prozessor.