关于例如交通工具的工业产品，颜色在可销售方面是重要的。一般地说，在开发和设计例如交通工具的工业产品的过程中，根据产品的功能和概念设计颜色。
当通过应用涂料完成染色时，将通过应用获得的颜色称为“涂料颜色”。通常，当设计颜色时，产品的颜色设计师(在下文中称为“用户”)告诉涂料制造商对于涂料颜色希望的质感，要求涂料制造商相应地开发涂料颜色。涂料颜色的“质感”表示当注视涂料颜色时观察者收到的印象以及涂料颜色给出的印象。涂料制造商的工程师鉴于用户希望的质感设计涂料颜色。用户评价涂料制造商设计的涂料颜色，可以请求修改涂料颜色，使得涂料颜色匹配所希望的质感；然后涂料制造商的工程师根据请求重新设计涂料颜色。在用户和涂料制造商的工程师之间重复这种循环，以完成用户希望的涂料颜色。
在上面描述的涂料颜色设计周期的第一阶段，涂料制造商的工程师理解用户对于涂料颜色希望的质感，然后在已经设计的多种涂料颜色(在下文中称为“现有颜色”)之中检索匹配用户希望的质感的涂料颜色，然后将通过检索获得的涂料颜色提供给用户评价。此时，如果涂料制造商提供给用户的涂料颜色与用户希望的质感有很大的不同，涂料颜色的设计过程必须从上述的循环的第一阶段重新开始，导致了对于设计涂料颜色需要的大量的工业步骤。
通常，当设计涂料颜色时，通过表达质感的术语(例如，半透明外观、深度外观和三维外观等(在下文中，将这些词称为“印象术语”))将用户希望的质感传送给涂料制造商的工程师。但是，因为一个人从这些印象术语中收到的印象依赖于个人而变化，通常没有将用户希望的质感准确地传送给涂料制造商的工程师。
已经有人尝试量化由印象术语表达的质感。例如，下面的专利文献1根据使用特定功能从涂料颜色的色度值中获得的评价值，公开了量化金属涂料颜色的质感(例如，金属外观、清晰度外观等)的方法。
专利文献1：日本未审查的专利公开号2003-279413
专利文献2：日本未审查的专利公开号H11-211569
非专利文献1：Touru HIRAYAMA，Shin YAMANAGA，ShinichiGAMOU，“Visual Evaluation and Digital Image Analysis ofMicro-brilliance(微亮的视觉评价和数字图像分析)(II)”，Researchon Coatings，Kansai Paint Co.，Ltd.，No.138，2002年7月
非专利文献2：Eiji NOMURA，Touru HIRAYAMA，“VisualEvaluation and Digital Image Analysis of Micro-brilliance(微亮的视觉评价和数字图像分析)”，Research on Coatings，Kansai Paint Co.，Ltd.，No.132，1999年4月

本发明将解决的问题
但是，专利文献1中描述的方法存在问题。即，尽管方法量化了金属涂料颜色的特定质感，使得可以将所量化的值用于比较，将受到量化的质感局限于金属涂料颜色的那些质感，例如，金属外观、清晰度外观等等。
此外，专利文献1中描述的方法还存在另一个问题。即，仅当用于多重的线性回归分析的色度值(解释变量)和质感(反应变量)具有线性关系时，可以使用方法。当色度值和质感具有非线性关系和/或当色度值中的每一个彼此关联时，不能准确地量化质感。
实现本发明以解决上述的问题。目标是要提供创建数据库的方法(数据库用于确定具有希望的质感的涂料颜色或属于希望的颜色类别的涂料颜色)、使用数据库的检索方法和用于创建数据库的方法和使用数据库的检索方法的系统、程序和记录介质。
解决问题的方法
为了解决前述的问题，根据本发明的用于创建涂料颜色数据库的第一方法包括：第一步骤，在将多种涂料颜色的每个光谱反射率数据和表达粒子感的每个微亮数据与用于指定每种涂料颜色的代码关联之后，将所述光谱反射率数据和所述微亮数据存储在记录单元中；第二步骤，在将从所述多种涂料颜色中选择的样本涂料颜色的每个质感评价值与所述代码关联之后，将所述质感评价值存储在所述记录单元中；第三步骤，使用所述光谱反射率数据和所述微亮数据计算表达质感的所述涂料颜色的特征量，在将所述每个特征量与所述代码关联之后，将所述特征量存储在所述记录单元中；第四步骤，使用所述样本涂料颜色的所述特征量和所述质感评价值作为训练数据，执行训练神经网络的过程，神经网络具有对应于所述特征量的输入单元和对应于所述质感特征值的输出单元；第五步骤，在所述训练过程之后，将除了所述样本涂料颜色以外的所述涂料颜色的特征量输入到所述神经网络之中，并且在将所述每个输出数据与所述代码关联之后，将输出数据存储在所述记录单元中。
除了所述第一方法的所述特征以外，进一步安排根据本发明的用于创建涂料颜色数据库的第二方法，以便所述第一步骤包括使用成像装置获得每种涂料颜色的图像数据并从所述图像数据中计算微亮数据的步骤，
所述微亮数据是HG、HB、HBL和SB，
所述HG具有条件，使得：
在IPSL≥0.32的情况下：HG＝500×IPSL-142.5，
在0.32＞IPSL≥0.15的情况下：HG＝102.9×IPSL-15.4，
在0.15＞IPSL的情况下：HG＝0，
所述HB具有条件，使得：HB＝(BV-50)/2，
所述HBL是从在GL＝14的条件下得到的所述图像数据中获得的HB，所述SB是从在GL＝125的条件下得到的所述图像数据中获得的HG，
其中，GL表示图像数据的平均灰度，V和A分别表示由阈值“GL+32”二值化后的阈值以上的总亮度体积和总亮度面积，L表示由阈值“GL+24”二值化后的平均粒子直径，PHav和PSav分别表示亮度图像的平均峰高和平均峰值边缘，亮度图像满足：PHav＝3V/A、PSav＝L/PHav，BV表示BV＝PHav+350PSav，
IPSL满足：
$\mathrm{IPSL}={\int }_0^N{\int }_0^{2\pi }P(v,\theta )\mathrm{dvd\theta }/P\left(\mathrm{0,0}\right)$
其中，v表示空间频率，θ表示角度，P(v，θ)表示从所述图像数据得到的功率谱，0到N是所述粒子感的空间频率区域。
除了所述第一方法的所述特征以外，进一步安排根据本发明的用于创建涂料颜色数据库的第三方法，以便所述特征量包括：特征量L*15、特征量a*15和特征量b*15(它们是从L*a*b*色空间中15°观察角下的光谱反射率计算得到的L*值、a*值和b*值)，特征量L*45、特征量a*45和特征量b*45(它们是从L*a*b*色空间中45°观察角下的光谱反射率计算得到的L*值、a*值和b*值)，特征量L*75、特征量a*75和特征量b*75(它们是从L*a*b*色空间中75°观察角下的光谱反射率计算得到的L*值、a*值、b*值)；特征量FF(15，25)、特征量FF(25，45)、特征量FF(45，75)、特征量FF(75，110)和特征量FF(15，45)，它们分别是根据2×(Y15-Y25)/(Y15+Y25)、2×(Y25-Y45)/(Y25+Y45)、2×(Y45-Y75)/(Y45+Y75)、2×(Y75-Y110)/(Y75+Y110)和2×(Y15-Y45)/(Y15+Y45)得到的，其中，Y15表示在从XYZ色空间中15°观察角下的光谱反射率计算得到的Y值，Y25表示在从XYZ色空间中25°观察角下的光谱反射率计算得到的Y值，Y45表示在从XYZ色空间中45°观察角下的光谱反射率计算得到的Y值，Y75表示在从XYZ色空间中75°观察角下的光谱反射率计算得到的Y值，Y110表示在从XYZ色空间中110°观察角下的光谱反射率计算得到的Y值；特征量c*15(是从L*C*h*色空间中15°观察角下的光谱反射率计算得到的c*值)、特征量c*45(是从L*C*h*色空间中45°观察角下的光谱反射率计算得到的c*值)和特征量c*75(是从L*C*h*色空间中75°观察角下的光谱反射率计算得到的c*值)；根据2×(c*15-c*25)/(c*15+c*25)得到的特征量cFF(15，25)、根据2×(c*25-c*45)/(c*25+c*45)得到的特征量cFF(25，45)、根据2×(c*45-c*75)/(c*45+c*75)得到的特征量cFF(45，75)、根据2×(c*75-c*110)/(c*75+c*110)得到的特征量cFF(75，110)和根据2×(c*15-c*45)/(c*15+c*45)得到的特征量cFF(15，45)，其中，c*25表示从L*C*h*色空间中25°观察角下的光谱反射率计算得到的c*值，c*110表示从L*C*h*色空间中110°观察角下的光谱反射率计算得到的c*值；特征量HG、HB、HBL和SB是所述微亮数据。
根据本发明的创建涂料颜色数据库的第四方法包括：第一步骤，在将多种涂料颜色的每个光谱反射率数据与用于指定每种涂料颜色的代码关联以后，将所述光谱反射率数据存储在记录单元中；第二步骤，在将从所述多种涂料颜色中选择的样本涂料颜色的每种颜色类别评价值与所述代码关联之后，将所述颜色类别评价值存储在所述记录单元中；第三步骤，使用所述光谱反射率数据计算表达颜色类别的所述涂料颜色的特征量，在将所述每个特征量与所述代码关联之后，将所述特征量存储在所述记录单元中；第四步骤，使用所述样本涂料颜色的所述特征量和所述颜色类别评价值作为训练数据，执行训练神经网络的过程，神经网络具有对应于所述特征量的输入单元和对应于所述颜色类别评价值的输出单元；第五步骤，在所述训练过程之后，将除了所述样本涂料颜色以外的所述涂料颜色的特征量输入到所述神经网络内，并且在将所述每个输出数据与所述代码关联之后，将输出数据存储在所述记录单元中。
除了所述第四方法的所述特征外，进一步安排根据本发明的创建涂料颜色数据库的第五方法，以便所述特征量包括：特征量L*15、特征量a*15和特征量b*15(它们是从L*a*b*色空间中15°观察角下的光谱反射率计算得到的L*值、a*值和b*值)，特征量L*45、特征量a*45和特征量b*45(它们是从L*a*b*色空间中45°观察角下的光谱反射率计算得到的L*值、a*值和b*值)，特征量L*110、特征量a*110和特征量b*110(它们是从L*a*b*色空间中110°观察角下的光谱反射率计算得到的L*值、a*值和b*值)；特征量c*15(是从L*C*h*色空间中15°观察角下的光谱反射率计算得到的c*值)、特征量c*45(是从L*C*h*色空间中45°观察角下的光谱反射率计算得到的c*值)和特征量c*110(是从L*C*h*色空间中110°观察角下的光谱反射率计算得到的c*值)；特征量sin(h15)、特征量cos(h15)、特征量sin(h45)、特征量cos(h45)、特征量sin(h110)和特征量cos(h110)(其中，h15表示15°观察角下的色相角，h45表示45°观察角下的色相角，h110表示110°观察角下的色相角，h15、h45和h110是根据h＝tan-1(b*/a*)从所述a*15、b*15、a*45、b*45、a*110和b*110得到的)；以及根据2×(Y15-Y45)/(Y15+Y45)得到的特征量FF(15，45)，其中，Y15表示在从XYZ色空间中15°观察角下的光谱反射率计算得到的Y值，Y45表示在从XYZ色空间中45°观察角下的光谱反射率计算得到的Y值。
根据本发明的检索涂料颜色的第一方法是在由用于创建涂料颜色数据库的所述第一方法创建的涂料颜色数据库中检索涂料颜色的方法，包括：第一步骤，接收质感和表示所述质感的存在的程度的评价值作为检索条件；第二步骤，从所述数据库中获取对应于所述质感的评价值，并且判断所述评价值是否是表示所述质感的存在的值；第三步骤，当在所述第二步骤中确定所述评价值是表示所述质感存在的值时，给出相应的涂料颜色代码作为检索结果。
根据本发明的检索涂料颜色的第二方法是在由用于创建涂料颜色数据库的所述第四方法创建的涂料颜色数据库中检索涂料颜色的方法，包括：第一步骤，接收颜色类别和表示归属于所述颜色类别的程度的评价值作为检索条件；第二步骤，从所述数据库中获取对应于所述颜色类别的评价值，并且判断所述评价值是否是表示归属于所述颜色类别的值；第三步骤，当在所述第二步骤中确定所述评价值是表示归属于所述颜色类别的值时，给出相应的涂料颜色代码作为检索结果。
创建涂料颜色数据库的第一系统包括：具有记录单元的运算单元、分光光度计和成像装置，其中：所述运算单元使用所述分光光度计为多种涂料颜色中的每种涂料颜色测量光谱反射率数据；所述运算单元使用所述成像装置获得所述涂料颜色的图像数据，并且从所述图像数据中计算表达所述涂料颜色的粒子感的微亮数据；所述运算单元在将每个光谱反射率数据和每个微亮数据与用于指定每种涂料颜色的代码关联之后，将所述涂料颜色的所述光谱反射率数据和所述微亮数据存储在所述记录单元中；所述运算单元在将从所述涂料颜色中选择的样本涂料颜色的每个质感评价值与所述代码关联之后，将所述质感评价值存储在所述记录单元中；所述运算单元使用所述光谱反射率数据和所述微亮数据计算表达质感的所述涂料颜色的特征量，并且在将所述每个特征量与所述代码关联之后，将所述特征量存储在所述记录单元中；所述运算单元使用所述样本涂料颜色的所述特征量和所述质感评价值作为训练数据，执行训练神经网络的过程，神经网络具有对应于所述特征量的输入单元和对应于所述质感评价值的输出单元；所述运算单元在所述训练过程之后将除了所述样本涂料颜色的所述涂料颜色的特征量输入到所述神经网络之内，并且在将所述每个输出数据与所述代码关联之后，将输出数据存储在所述记录单元中。
创建涂料颜色数据库的第二系统包括：具有记录单元的运算单元和分光光度计，其中：所述运算单元使用所述分光光度计为多种涂料颜色中的每种涂料颜色测量光谱反射率数据；所述运算单元在将所述涂料颜色的每个光谱反射率数据与用于指定每种涂料颜色的代码关联之后，将所述光谱反射率数据存储在所述记录单元中；所述运算单元在将所述从所述涂料颜色中选择的样本涂料颜色的每个颜色类别评价值与所述代码关联之后，将所述颜色类别评价值存储在所述记录单元中；所述运算单元使用所述光谱反射率数据计算表达颜色类别的所述涂料颜色的特征量，并且在将所述每个特征量与所述代码关联之后，将所述特征量存储在所述记录单元中；所述运算单元使用所述样本涂料颜色的所述特征量和所述颜色类别评价值作为训练数据，执行训练神经网络的过程，神经网络具有对应于所述特征量的输入单元和对应于所述颜色类别评价值的输出单元；所述运算单元在所述训练过程之后，将除了所述样本涂料颜色以外的所述涂料颜色的特征量输入到所述神经网络之内，并且在将所述每个输出数据与所述代码关联之后，将输出数据存储在所述记录单元中。
根据本发明的检索涂料颜色的第一系统是在由用于创建涂料颜色数据库的所述第一方法创建的涂料颜色数据库中检索涂料颜色的系统，包括：具有存储所述数据库的记录单元的运算单元，其中：所述运算单元接收质感和表示所述质感存在的程度的评价值作为检索条件；所述运算单元从所述数据库中获取对应于所述质感的评价值，并且判断所述评价值是否是表示所述质感存在的值；当在所述第二步骤中确定所述评价值是表示所述质感存在的值时，所述运算单元给出相应的涂料颜色代码作为检索结果。
根据本发明的检索涂料颜色的第二系统是在由用于创建涂料颜色数据库的第四方法创建的涂料颜色数据库中检索涂料颜色的系统，包括：具有存储所述数据库的记录单元的运算单元，其中：所述运算单元接收颜色类别和表示归属于所述颜色类别的程度的评价值作为检索条件，所述运算单元从所述数据库中获取对应于所述颜色类别的评价值，并且判断是否所述评价值是表示归属于所述颜色类别的值；当在所述第二步骤中确定所述评价值是表示归属于所述颜色类别的值时，所述运算单元给出相应的涂料颜色代码作为检索结果。
创建涂料颜色数据库的第一程序使计算机实现以下功能：第一功能，在将所述多种涂料颜色的每个光谱反射率数据和表达粒子感的每个微亮数据与用于指定每种涂料颜色的代码关联之后，将所述光谱反射率数据和所述微亮数据存储在记录单元中；第二功能，在将从所述多种涂料颜色中选择的样本涂料颜色的每个质感评价值与所述代码关联之后，将所述质感评价值存储在所述记录单元中；第三功能，使用所述光谱反射率数据和所述微亮数据计算表达质感的所述涂料颜色的特征量，并且在将所述每个特征量与所述代码关联之后，将所述特征量存储在所述记录单元中；第四功能，使用所述样本涂料颜色的所述特征量和所述质感评价值作为训练数据，执行训练神经网络的过程，神经网络具有对应于所述特征量的输入单元和对应于所述质感评价值的输出单元；和第五功能，在所述训练过程之后，将除了所述样本涂料颜色以外的所述涂料颜色的特征量输入到所述神经网络之内，并且在将所述每个输出数据与所述代码关联之后，将输出数据存储在所述记录单元中。
创建涂料颜色数据库的第二程序使计算机实现以下功能：第一功能，在将多种涂料颜色的每个光谱反射率数据与用于指定每种涂料颜色的代码关联之后，将所述光谱反射率数据存储在记录单元中；第二步骤，在将从所述多种涂料颜色中选择的样本涂料颜色的每个颜色类别评价值与所述代码关联之后，将所述颜色类别评价值存储在所述记录单元中；第三功能，使用所述光谱反射率数据计算表达颜色类别的所述涂料颜色的特征量，在将所述每个特征量与所述代码关联之后，将所述特征量存储在所述记录单元中；和第四功能，使用所述样本涂料颜色的所述特征量和所述颜色类别评价值作为训练数据，执行训练神经网络的过程，神经网络具有对应于所述特征量的输入单元和对应于所述颜色类别评价值的输出单元；和第五功能，在所述训练过程之后，将除了所述样本涂料颜色之外的所述涂料颜色的特征量输入到所述神经网络内，在将所述每个输出数据与所述代码关联之后，将输出数据存储在所述记录单元中。
根据本发明的检索涂料颜色的第一程序是通过使计算机实现以下功能，在由创建涂料颜色数据库的所述第一方法创建的涂料颜色数据库中检索涂料颜色的程序：第一功能，接收质感和表示所述质感存在程度的评价值作为检索条件；第二功能，从所述数据库中获取对应于所述质感的评价值，并且判断所述评价值是否是表示所述质感存在的值；第三功能，当在所述第二步骤中确定所述评价值是表示所述质感存在的值时，给出相应的涂料颜色代码作为检索结果。
根据本发明的检索涂料颜色的第二程序是通过使计算机实现以下功能，在由用于创建涂料颜色数据库的所述第四方法创建的涂料颜色数据库中检索涂料颜色的程序：第一功能，接收颜色类别和表示归属于所述颜色类别的程度的评价值作为检索条件；第二功能，从所述数据库中获取对应于所述颜色类别的评价值，并且判断所述评价值是否是表示归属于所述颜色类别的值；第三功能，当在所述第二步骤中确定所述评价值是表示归属于所述颜色类别的值时，给出相应的涂料颜色代码作为检索结果。
根据本发明的计算机可读记录介质存储创建涂料颜色数据库的所述第一程序、创建涂料颜色数据库的所述第二程序、检索涂料颜色的所述第一程序或检索涂料颜色的所述第二程序。
本发明的效果
根据本发明，使用从特定色度值获得的特征量量化涂料颜色的质感或者所述涂料颜色所属的颜色类别，从而能够创建数据库，在数据库中，所述涂料颜色的所述质感或所述颜色类别与对每种涂料颜色特定的代码(在下文中称为“涂料颜色代码”)相关联。
此外，通过指定所述颜色类别和/或当设计所述涂料颜色时从用户传达的所述质感作为检索条件，可以在所述数据库中检索匹配希望的质感的涂料颜色或者属于希望的颜色类别的涂料颜色。
关于外观依赖于观察角变化的金属涂料颜色，关键的是，应当采用以何种观察角观察的何种数据将匹配个人的颜色识别的颜色归类。在这一点上，根据本发明，通过指定所述颜色类别和当设计所述涂料颜色时从用户传达的所述质感作为检索条件，可以在特定颜色类别中检索匹配希望的质感的金属的涂料颜色。
此外，可以高度准确地将一组现有颜色缩减到匹配希望的质感的涂料颜色或属于希望的颜色类别的涂料颜色，从而减少了设计所述涂料颜色所需的工业步骤的数目。
附图说明
图1是示出了根据本发明的第一实施方式用于创建和检索质感数据库的系统的示意性结构的框图。
图2是示出了根据本发明的所述第一实施方式创建所述质感数据库的方法的流程图。
图3是示出了根据本发明的第一实施方式用于创建所述质感数据库的神经网络的结构的实施例的图。
图4是示出了图1中所示的系统执行的检索质感数据库的方法的流程图。
图5是示出了所述系统的输入屏幕的实施例的图。
图6是示出了所述系统的输出屏幕的实施例的图。
图7是示出了根据本发明的第二实施例创建颜色类别数据库的方法的流程图。
参考标记
1 运算单元
2 分光光度计
3 显示装置
4 成像装置
5 涂覆膜
11 CPU
12 存储器
13 记录单元
14 总线
15 操作单元
16 接口单元
51 条目域
52 涂料颜色代码
53 计算机图形图像
实现发明的最佳方式
参照附图下面详细地描述本发明的一个实施方式。
在本说明书中，“高亮”表示从镜面反射方向在角度变化下(垂直于涂覆膜的表面的平面内的角)观察涂料颜色的情况，即，当关于薄膜的表面以45°(垂直于涂覆膜的表面的平面内的角)的光照射涂有涂料颜色的薄膜(在下文中称为“涂覆膜”)时，从镜面反射方向在10°到25°的角度下；“阴影”表示从镜面反射方向75°到110°角度下观察涂料颜色的情况；“正面”表示在高亮角度和阴影角度之间的角度下观察涂料颜色的情况。此外，微亮外观表示在涂覆膜中由有光泽的颜料表达的质感，质感在微观观察中是可察觉的。
本发明的第一个实施方式创建了关于涂料颜色的质感的数据库(在下文中，称为“质感数据库”)，并且从所创建的质感数据库中检索匹配希望的质感的涂料颜色。
图1是示出了创建质感数据库的系统的示意性结构的框图，用质感数据库检索希望的颜色。所述系统包括：运算单元1、分光光度计2、显示装置3和成像装置4。
运算单元1包括：CPU 11，配置为控制系统的成分单元和执行下面描述的数据处理；存储器12；记录单元13，用于存储下面描述的质感数据库；总线14，用于在成分单元之间执行数据传输；操作单元15，用于接收外部操作；接口单元16(在下文中称为“I/F单元”)，用于在操作单元15和外部装置之间执行数据输入/输出。运算单元1使得分光光度计2测量涂覆膜5的光谱反射率，使得成像装置4取得涂覆膜5的图像，通过I/F单元16获得光谱反射率数据和图像数据。例如，图像显示装置3是能够显示全彩色的显示器。通过I/F单元16，运算单元1使得图像显示装置3以预定的格式显示希望的涂料颜色的检索结果，或者显示在过程的每一个阶段获得的不同种类的信息项。例如，成像装置4是CCD照相机。
下面示意地描述本发明的第一个实施方式。首先，使用分光光度计2为每种现有颜色测量涂覆膜5的多个光谱反射率，并且使用成像装置4获得涂覆膜5的图像数据，多种类型的信息项(例如，多个观察角下测量的光谱反射率、微亮外观、配方、涂层配方的材料、测试面板的应用方法、计算机图形图像、涂覆膜性能、成本等等(在下文中称为“涂料颜色相关的信息”))与每个涂料颜色代码关联。事先将所关联的数据集存储在记录单元13内。然后，对于每种样本涂料颜色，由印象术语(由有经验的设计师确定)表示的质感的评价值与每种涂料颜色代码关联。将所关联的数据存储在记录单元13内。然后，根据光谱反射率数据和微亮外观数据为每种现有颜色计算特征量。此后，使用样本涂料颜色的特征量作为输入单元并使用样本涂料颜色的印象术语作为输出单元建立神经网络；神经网络经受了训练过程的训练，由此确定连接的权重(突触权重数据)。使用所确定的神经网络，得到现有颜色的质感评价值，当所获得的质感评价值作为质感数据库存储在记录单元13内时，所获得的质感评价值与涂料颜色代码关联，当从操作单元15输入用于指定由印象术语表示的质感存在的值作为检索条件时，执行检索以在质感数据库中发现匹配检索条件的涂料颜色；检索结果(即，相应的涂料颜色代码和涂料颜色相关的信息)在显示装置3内显示。
下面首先解释创建质感数据库的方法，其次，解释使用所创建的质感数据库的涂料颜色检索方法。图2是示出了根据本发明的第一实施方式创建质感数据库的方法的流程图。
除非另外指定，运算单元1执行下面的步骤。运算单元1执行的过程是CPU 11执行的过程。CPU 11临时地将所有必须的数据项(设置值、正处理的数据等)存储在存储器12内，存储器12充当工作空间。CPU 11也将数据项以下面的处理方式存储在记录单元13内。CPU11进一步将存储在存储器12内的或存储在记录单元13内的数据作为图像或文本显示在显示装置3上。每种现有颜色的涂料颜色相关的信息与相应的涂料颜色代码相关联，并事先存储在记录单元13内。将这些现有颜色的颜色样本卡用作涂覆膜5。
在步骤S11中，每种现有颜色的光谱反射率数据和微亮外观数据与相应的涂料颜色代码相关联，并存储在记录单元中。首先，在45°照射角下(垂直于涂覆膜表面的平面内的角)用光照射涂覆膜5的表面。然后，使用分光光度计2在五个观察角(也可以称为“光接收角”)15°、25°、45°、75°和110°下作为镜面反射光方向的五种角度变化(垂直于涂覆膜表面的平面内的角)测量光谱反射率。由例如多角度分光光度计MA68II(X-Rite公司)实现分光光度计2。通过I/F单元16将所测量的光谱反射率数据发送给运算单元1，所测量的光谱反射率数据与表示测量处的角度变化的信息和相应的涂料颜色代码关联。将所关联的数据存储在记录单元13内。
然后，使用成像装置4获得涂覆膜5的图像数据。根据所获得的图像数据，计算表示为HG、HB、HBL和SB的微亮外观。计算得到的微亮外观数据(HG、HB、HBL和SB)与涂料颜色代码关联，并且将所关联的数据存储在记录单元13内。由于HG、HB、HBL和SB是公开地已知的，在非专利文献1、非专利文献2等中公开了HG、HB、HBL和SB的定义、测量方法和计算方法，下面仅简单地解释HG、HB、HBL和SB，且忽略详细说明。
在表示微亮外观的数据项中，HG(高亮颗粒度)表达粒子感，HB(高亮亮度)表示闪亮的外观。根据下面的公式得到HG和HB。
在IPSL≥0.32的情况下：HG＝500×IPSL-142.5，
在0.32＞IPSL≥0.15的情况下：HG＝102.9×IPSL-15.4，
在0.15＞IPSL的情况下：HG＝0，
HB＝(BV-50)/2。
这里，根据下面的公式得到IPSL(低频功率谱的积分)和BV(亮度值)。
$\mathrm{IPSL}={\int }_0^N{\int }_0^{2\pi }P(v,\theta )\mathrm{dvd\theta }/P\left(\mathrm{0,0}\right)$
BV＝PHav+350PSav
在这些公式中，P(v，θ)表示通过将所获得的图像数据产生的二维亮度分布数据经过二维傅里叶变换得到的功率谱，v表示空间频率，θ表示角度。0到N表示粒子感的空间频率区域。PHav和PSav分别表示亮度图像平均峰高和平均峰值边缘，其中，PHav＝3V/A，PSav＝L/PHav。这里，V和A分别表示大于由阈值＝“图像数据的平均灰度级(在下文中表示为“GL”)+32”二值化后的阈值的总亮度体积和总亮度面积。L表示由阈值“GL+24”二值化后的平均粒子直径。
在表示微亮外观的数据项中，使用上述的用于获得HB的公式，从在低照明曝光条件下(即，GL＝14)得到的图像数据中得到HBL(低照明下的高亮亮度)。SB(阴影亮度)是在GL＝125条件下得到的HG。
在步骤S12中，从将用于后面描述的神经网络训练的现有涂料颜色组中选择样本涂料颜色。在本发明的第一实施方式中，通过例如表1中示出的10种印象术语表示涂料颜色的质感。
表1
  印象术语   定义   深度外观   高度有色的，但是在高亮侧亮度不高；不模糊，并且在阴影侧是黑色质感  (当高亮侧和阴影侧之间的对比太强时得到降低)   三维外观   从高亮侧到阴影侧区域中的类层压的颗粒质感   色度感   有颜色的、鲜艳的质感   半透明外观   高度光亮的质感，并且在高亮侧发白光
  印象术语   定义   颜色微差   在高亮侧和阴影侧之间具有不同颜色相位的质感(当颜色相位清晰地可识  别时得到降低)   纯色   在阴影侧几乎没有颜色改变的质感(排除没有颜色改变的质感)   色带   朝着阴影侧方向的颜色识别质感   光滑外观   在亮度上适度改变且具有类薄膜涂层的外观的稠密质感   金属外观   在高亮侧高度光亮的、没有颗粒的但是稠密的质感。高亮侧和阴影侧之间  亮度上的差别   清澈的感觉   没有具有低色度感的金属质感。高亮侧和阴影侧之间的亮度上的差别
优选的是，当避免对于特定质感的偏见时，选择具有由表1中示出的印象术语表示的质感的样本涂料颜色。
在步骤S13中，评价所选择的样本涂料颜色的质感，所获得的评价值与涂料颜色代码关联，将所关联的数据存储在记录单元中。首先，在显示装置3内显示在记录单元13内存储的每种样本涂料颜色的计算机图形图像，多个有经验的设计师为表1中示出的印象术语表示的质感中的每一个质感评价样本涂料颜色的质感。此后通过操作单元15输入评价结果。通过重复这个过程，创建了表2中示出的质感评价表，质感标价表是以电子数据等诸如此类的形式给出的。质感评价表为每种样本涂料颜色示出了由印象术语(10种)表示的多个质感评价值。作为质感评价值，当颜色具有该质感时设置“1”，当颜色不具有该质感时设置“0”。例如，对于表2中的样本涂料颜色01，将样本涂料颜色评价为仅有纯色感和色带，因此在相应的单元格内设置值“1”，而在剩下的单元格内设置“0”。在质感评价页内记录的质感评价值与涂料颜色代码关联，并存储在记录单元13内。
表2
  深度  外观   三维  外观   色度感   半透明  外观   颜色  微差   纯色   色带   光滑  外观   清澈的  感觉   金属  外观   样本01   0   0   0   0   0   1   1   0   0   0   样本02   0   0   1   0   1   0   0   0   1   1   样本03   0   0   0   1   0   0   0   0   0   1   样本04   0   0   0   0   0   0   0   0   0   1
  深度  外观   三维  外观   色度感   半透明  外观   颜色  微差   纯色   色带   光滑  外观   清澈的  感觉   金属  外观   样本05   0   1   0   0   1   0   0   0   0   1   样本06   0   1   0   0   0   0   0   0   0   1   样本07   0   0   0   1   0   0   0   0   0   1   样本08   0   0   0   0   0   0   0   0   1   1   样本09   1   1   0   0   1   0   0   0   0   0   样本10   0   1   0   0   0   0   0   0   1   1   样本11   0   1   0   0   1   0   0   1   0   0   样本12   0   1   0   0   1   0   0   0   0   1   样本13   0   0   0   0   0   0   1   0   0   0   -   -   -   -   -   -   -   -   -   -   -   样本200   0   0   0   0   1   1   0   0   0   0
在步骤14中，使用光谱反射率数据，对于每种现有颜色计算表达下述质感的特征量(26种)。将计算结果与涂料颜色代码关联并存储在记录单元13内。
首先，根据15°角下的光谱反射率，计算特征量L*15、特征量a*15和特征量b*15，特征量L*15、特征量a*15和特征量b*15是在L*a*b*色空间中15°观察角下的L*值(亮度)、a*值和b*值(在下文中分别是“L*15”、“a*15”和“b*15”)。类似地，根据45°角下的光谱反射率，计算特征量L*45、特征量a*45和特征量b*45。此外，根据75°角下的光谱反射率，计算特征量L*75、特征量a*75和特征量b*75。
然后，根据15°角下的光谱反射率，计算XYZ色空间中的Y值(亮度)(在下文中称为Y15)。类似地，分别根据25°、45°、75°和110°角下的光谱反射率计算Y25、Y45、Y75、Y110。然后，根据2×(Y15-Y25)/(Y15+Y25)计算特征量FF(15，25)。类似地，分别根据2×(Y25-Y45)/(Y25+Y45)、2×(Y45-Y75)/(Y45+Y75)、2×(Y75-Y110)/(Y75+Y110)和2×(Y15-Y45)/(Y15+Y45)计算特征量FF(25，45)、特征量FF(45，75)、特征量FF(75，110)和特征量FF(15，45)。
然后，根据15°角下的光谱反射率，计算特征量c*15，c*15是L*C*h*色空间中的c*值(色度感)(在下文中称为c*15)。类似地，分别根据45°角和75°角下的光谱反射率计算特征量c*45和c*75。类似地，分别根据25°角和110°角下的光谱反射率计算特征量c*25和c*110。然后，根据2×(c*15-c*25)/(c*15+c*25)计算特征量cFF(15，25)。类似地，分别根据2×(c*25-c*45)/(c*25+c*45)、2×(c*45-c*75)/(c*45+c*75)、2×(c*75-c*110)/(c*75+c*110)和2×(c*15-c*45)/(c*15+c*45)计算特征量cFF(25，45)、特征量cFF(45，75)、特征量cFF(75，110)和特征量cFF(15，45)。
此外，在记录单元13中与涂料颜色代码关联的HG、HB、HBL和SB值也用作特征量。如此获得的这26种特征量与涂料颜色代码关联，并存储在记录单元13内。
在步骤S15中，建立神经网络，使用样本涂料颜色的特征量作为训练数据，执行训练神经网络的过程。图3是说明了神经网络的结构样本的图。第一实施方式使用误差反向传播算法作为神经网络的算法，误差反向传播算法是监督训练方法之一。由于误差反向传播算法是公开地已知的，因此忽略误差反向传播算法的解释。如在图3中示出的，建立具有由30个单元组成的中间层的神经网络。在神经网络中，输入层的每个单元对应于表达质感的特征量(26种)(它们在步骤S14中定义)中的一种特征量，而输出层的每个单元对应于印象术语(10种)中的一种印象术语。于是，在设置了训练速率(范围从0到1的实数值)和容许误差(范围从0到1的实数值)之后，执行训练神经网络的过程，训练速率是表示训练速度的参数，容许误差是训练中输出值的容许误差。结果，从光谱反射率测量值得到的表达质感的特征量(26种)与由有经验的设计师确定的质感评价值关联。将用于重建所确定的神经网络的信息(即，关于对应于输入层和输出层单元的特征量和印象术语的信息)和神经网络的建立信息(例如，通过训练确定的神经网络的突触权重数据等等)存储在记录单元13内。
在步骤S16中，在训练过程之后使用神经网络，对于每种现有颜色得到质感评价值，并且将所获得的质感评价值与每个涂料颜色代码关联并存储在记录单元13内，由此完成质感数据库。更具体地，使用用于建立在步骤S15中确定的神经网络的信息，建立神经网络，将在步骤S14中得到的每种现有颜色的特征量(26种)输入到输入层的每个单元中，并且将从输出层单元中获得的值(范围从0到1的实数值)作为相应的质感评价值与涂料颜色代码关联，并将从输出层单元中获得的值存储在相应的记录单元13内，由此完成质感数据库。
下面描述从所创建的质感数据库中检索具有希望的质感的涂料颜色的方法。图4是示出了由图1中示出的系统执行的质感数据库检索方法的流程图。图5是说明系统的输入屏幕的一个实例的图。图6是说明系统的输出屏幕的一个实例的图。
在步骤S21中，接收对希望的质感的请求作为检索条件。如图5中示出的，当通过操作单元15在对应于质感的条目域51中设置值“1”(即，颜色具有质感)时，将质感设置为检索条件。为了将缺乏质感设置为检索条件，执行检索的用户在对应于质感的条目域51中设置值“0”(即，颜色没有质感)。不将具有空白条目域51的质感用作检索条件。例如，如在图5的输入实例中示出的，当检索具有颜色微差外观和密实度的涂料颜色时，如果对应于质感“颜色微差外观”的参数是“颜色微差”，对应于质感“纯色感”的参数是“纯色”，检索条件是“颜色微差＝1和纯色感＝1”。
在步骤22中，在质感数据库中执行检索，以得到匹配检索条件的涂料颜色。在步骤S16中由神经网络得到的质感评价值(作为数据库存储在记录单元13内)是范围从0到1的实数值。当质感评价值是除了0或1以外的数时，如下执行关于相应的涂料颜色是否具有所希望的质感的判断。例如，设置预定的阈值(范围从0到1的实数值)，当存储在质感数据库中的质感评价值等于或大于阈值时，确定涂料颜色“具有质感(相应的参数＝1)”，并且当存储在质感数据库中的质感评价值小于阈值时，确定涂料颜色“没有质感(相应的参数＝0)”。例如，可以将阈值设置为0.5。
更具体地，在步骤22中，在存储在质感数据库中的质感的评价值(10种)中，比较质感评价值(实数值)和预定阈值之间的相对大小，质感评价值由检索条件“具有质感(相应的参数＝1)”指定，由此判断上述的涂料颜色匹配检索条件或者不匹配检索条件。在现有颜色的多个涂料颜色代码中，作为检索结果给出匹配条件的涂料颜色的涂料颜色代码。例如，如图5的输入实例中示出的，当检索具有颜色微差外观和纯色感的涂料颜色时，因为检索条件是“颜色微差＝1和纯色感＝1”，在存储质感数据库中的质感评价值之中得到涂料颜色的涂料颜色代码，涂料颜色对于“颜色微差外观”具有等于或大于阈值0.5的质感评价值，对于“纯色感”具有等于或大于阈值0.5的质感评价值，给出涂料颜色代码作为检索结果。
下面描述通过指定缺少某一质感检索涂料颜色的方法。例如，当检索具有纯色感但没有色度感外观的涂料颜色时，用户可以在“纯色”栏中输入“1”，在“色度感”栏中输入“0”。结果，如果对应于质感“色度感”的参数是“色度”，检索条件是“纯色＝1和色度＝0”。当阈值是0.5时，在质感数据库中存储的质感评价值之中找到涂料颜色的涂料颜色代码，涂料颜色对于“纯色”具有等于或大于阈值0.5的质感评价值，对于“色度感”具有小于阈值0.5的质感评价值，并且给出涂料颜色代码作为检索结果。
在步骤S23中，将涂料颜色代码和涂料颜色相关的信息作为检索结果显示在显示装置内。如图6中示出的，显示装置3显示匹配检索条件的涂料颜色的信息项，即，存储在质感数据库中的涂料颜色相关的信息，例如，涂料颜色代码52、涂料颜色的计算机图形图像53等等。关于由检索条件指定的质感，可以以存储在质感数据库中的评价值的顺序，以分类的形式显示涂料颜色作为检索结果。
然后，下面描述本发明的第二实施方式。本发明的第二实施方式创建关于涂料颜色的颜色类别的数据库(在下文中称为“颜色类别数据库”)，并且从所创建的颜色类别数据库中执行检索匹配希望的颜色类别的涂料颜色。在系统中创建根据本发明的第二实施方式的颜色类别数据库，系统具有与图1中示出的第一实施方式中相同的结构；因此，忽略系统的解释。
图7是示出了根据本发明的第二实施方式的创建颜色类别数据库的方法的流程图。
在步骤S31中，每种现有颜色的光谱反射率数据与相应的涂料颜色代码关联，并存储在记录单元中。如在步骤S11中，在三种观察角15°、45°和110°下使用分光光度计2测量光谱反射率。所测量的光谱反射率数据与相应的涂料颜色代码关联。所关联的数据存储在记录单元13内。
在步骤S32中，从将用于后面描述的神经网络训练的现有颜色组中选择样本涂料颜色。在本发明的第二实施方式中，将涂料颜色分类成多个类别。例如，给出每种涂料颜色由10种术语(在下文中称为“颜色类别术语”)表达的属性，即，白色、银色、黑色、红色、米色、黄色、绿色、蓝绿色、蓝色和紫色。这些颜色类别术语对应于第一实施方式中的印象术语。优选选择看上去属于由颜色类别术语表达的颜色类别的样本涂料颜色，同时避免对于特定颜色类别的偏见。
在步骤S33中，评价所选择的样本涂料颜色的颜色类别，获得的评价值与涂料颜色代码关联，并将所关联的数据存储在记录单元中。如在步骤S13中，多个有经验的设计师对于由颜色类别术语表达的颜色类别中的每一个颜色类别，评价样本涂料颜色的颜色类别。此后，通过操作单元15输入评价结果。通过重复这个过程，创建表3中示出的颜色类别评价表，颜色类别评价表具有电子数据等诸如此类的形式。颜色类别评价表对于每种样本涂料颜色示出了由颜色类别术语(10种)表达的颜色类别的多个评价值。作为颜色类别的评价值，当颜色看上去属于颜色类别时，设置“1”，当颜色看上去不属于颜色类别时，设置“0”。记录在颜色类别评价表中的颜色类别评价值与涂料颜色代码关联，并存储在记录单元13内。在第二实施方式中，为每种样本涂料颜色仅确定一个颜色类别。
表3
  白色   银色   黑色   红色   米色   黄色   绿色   蓝绿色   蓝色   紫色   样本01   0   0   0   0   0   1   0   0   0   0   样本02   0   0   1   0   0   0   0   0   0   0   样本03   1   0   0   0   0   0   0   0   0   0   样本04   0   0   0   0   0   0   0   0   0   1   样本05   0   1   0   0   0   0   0   0   0   0   样本06   0   1   0   0   0   0   0   0   0   0   样本07   0   0   0   1   0   0   0   0   0   0   样本08   0   0   0   0   0   0   0   0   1   0   样本09   1   0   0   0   0   0   0   0   0   0   样本10   0   0   0   0   0   0   0   0   1   0   样本11   0   0   0   0   0   0   0   1   0   0   样本12   0   1   0   0   0   0   0   0   0   0   样本13   0   0   0   0   0   0   1   0   0   0   -   -   -   -   -   -   -   -   -   -   -   样本756   0   0   0   0   1   0   0   0   0   0
在步骤S34中，使用光谱反射率数据，对于每种现有颜色计算表达下面颜色类别的特征量(19种)。计算结果与涂料颜色代码关联并且存储在记录单元13内。
如在步骤S14中，首先，根据15°角下的光谱反射率，计算特征量L*15、特征量a*15和特征量b*15，特征量L*15、特征量a*15和特征量b*15是L*a*b*色空间中15°观察角下的L*值、a*值和b*值。类似地，根据45°角下的光谱反射率，计算特征量L*45、特征量a*45和特征量b*45。此外，根据110°角下的光谱反射率，计算特征量L*110、特征量a*110和特征量b*110。
然后，根据15°角下的光谱反射率，计算特征量c*15(它是L*C*H*色空间中的c*值)，并且根据h＝tan-1(b*/a*)计算15°角下的色相角h(在下文中称为“h15”)，由此得到特征量sin(h15)和特征量cos(h15)。类似地，根据45°角下的光谱反射率，计算特征量c*45，计算色相角h45，由此得到特征量sin(h45)和特征量cos(h45)。此外，根据110°角下的光谱反射率，计算特征量c*110，计算色相角h110，由此得到特征量sin(h110)和特征量cos(h110)。
然后，根据15°角下的光谱反射率，计算Y15，Y15是XYZ色空间中的Y值。类似地，根据45°角下的光谱反射率计算Y45，根据2×(Y15-Y45)/(Y15+Y45)计算特征量FF(15，45)。如此获得的这19种特征量与涂料颜色代码关联，并存储在记录单元13内。
在步骤S35中，建立神经网络，并且使用样本涂料颜色的特征量作为训练数据，执行训练神经网络的过程。如在步骤S15中，建立神经网络，神经网络具有由30个单元组成的中间层。在神经网络中，输入层的每个单元对应于表达颜色类别的特征量(19种)中的一种特征量，表达颜色类别的特征量在步骤S34中定义，而输出层的每个单元对应于颜色类别术语(10种)中的一种。于是，在将训练速率设置为0.5和将容许误差设置为0.2之后，执行训练神经网络的过程。将用于重建所确定的神经网络的信息(即，关于对应于输入层和输出层单元的特征量和颜色类别术语的信息)和神经网络的建立信息(例如，通过训练确定的神经网络的突触权重数据等等)存储在记录单元13中。
在步骤S36中，在训练过程之后使用神经网络，对于每种现有颜色得到颜色类别评价值，并且所获得的颜色类别评价值与涂料颜色代码关联，并存储在记录单元13内，由此完成颜色类别数据库的建立。更具体地，如在步骤S16中，使用用于建立在步骤S35中确定的神经网络的信息建立神经网络，将在步骤S34中得到的每种现有颜色的特征量(19种)输入到输入层的每个单元中，并且从输出层的单元中获得的值(范围从0到1的实数值)作为相应的颜色类别评价值与涂料颜色代码关联，并存储在记录单元13中，由此完成颜色类别数据库。
下面描述从所创建的颜色类别数据库中检索属于所希望的颜色类别的涂料颜色的方法。
如在步骤S21中一样，在步骤S41中，将对希望的颜色类别的请求接收为检索条件。例如，当检索属于基于绿色的颜色类别的涂料颜色时，如果对应于颜色类别“绿色”的参数是“绿色”，检索条件为“绿色＝1”。
在步骤S42中，在颜色类别数据库中执行检索，以得到匹配检索条件的涂料颜色。如在步骤S22中一样，当颜色类别的评价值是除了0或1以外的数时，如下执行关于相应的涂料颜色是否属于所希望的类别的判断。例如，确定由涂料颜色代码表达的涂料颜色“属于(1)”在涂料颜色代码的多种颜色类别之中的最大的颜色类别评价值的颜色类别，并且“不属于(0)”剩下的颜色类别。
更具体地，在步骤S42中，在存储在颜色类别数据库中的颜色类别评价值(10种)中，判断由“属于颜色类别(参数＝1)”的检索条件指定的特定的颜色类别评价值(实数值)是否是相同涂料颜色代码的所有颜色类别评价值中最大的值，由此判断上述的涂料颜色匹配检索条件或者不匹配检索条件。在现有颜色的多个涂料颜色代码中，将匹配检索条件的涂料颜色的涂料颜色代码作为检索结果给出。例如，当检索属于基于绿色的颜色类别的涂料颜色时，因为检索条件“绿色＝1”，在存储在颜色类别数据库中的颜色类别评价值之中执行检索，以便得到涂料颜色代码，在涂料颜色代码中，对应于参数“绿色”的颜色类别“绿色”的评价值是相同的涂料颜色代码的所有的颜色类别评价值之中最大的值。将匹配检索条件的涂料颜色的涂料颜色代码作为检索结果给出。
如在步骤S23中一样，在步骤S43中，将涂料颜色代码和与涂料颜色相关的信息作为检索结果显示在显示装置中。
虽然用特定实施方式解释了本发明，但是本发明不限制于上面描述的特定实施方式。
虽然在上面的实施方式中单独创建了质感数据库和颜色类别数据库，但是也可以创建由质感数据库和颜色类别数据库组成的统一的数据库，并用统一的数据库检索匹配所希望的质感和/或颜色类别的涂料颜色。更具体地，依照在第一实施方式和第二实施方式中描述的步骤S11到步骤S16的过程和步骤S31到S36的过程，可以执行检索，以便通过将质感评价值和颜色类别评价值与现有颜色的每种颜色的涂料颜色代码相关联，创建数据库，并且依照在第一实施方式和第二实施方式中描述的步骤S21到步骤S23的过程和步骤S41到步骤S43的过程，根据指定了所希望的质感和/或颜色类别的检索条件，从所创建的数据库中得到匹配检索条件的涂料颜色。通过使用检索条件，这种方法能够容易地检索涂料颜色，例如，“基于绿色的、具有纯色感但不具有色度感外观的涂料颜色”，检索条件指定了在涂料颜色设计时由用户请求的所希望的质感和颜色类别。可选地，不是单独地创建一个用于创建质感数据库的神经网络和另一个用于创建颜色类别数据库的神经网络，并且不是对于这些神经网络执行各自的训练过程，而是可以对于单一的神经网络而非这些网络执行训练过程。
在样本涂料颜色的选择中，不是一直要求考虑到消除对于特定质感的偏见。只要所述过程选择了至少一个具有表1中示出的印象术语中的一个印象术语的质感的样本涂料颜色，则可以从现有颜色中任意地选择其余的样本涂料颜色。类似地，当创建颜色类别数据库时，只要选择了至少一个看上去属于由颜色类别术语表达的颜色类别的样本涂料颜色，则可以从现有颜色中任意地选择其余的样本涂料颜色。
虽然在上述的实施方式中有经验的设计师执行了样本涂料颜色的质感和颜色类别的评价，由其他评价人可以执行评价，其他评价人具有稳定的评价标准且能够根据特定的评价标准评价涂料颜色的质感和颜色类别。例如，工业产品的颜色设计师或者涂料公司的工程师可以执行评价。
虽然在上述的实施方式中，由多个有经验的设计师执行质感和颜色类别的评价，但是单个的评价人可以执行评价。在这种情况中，优选的是，通过例如多次执行质感颜色类别的评价，消除学习效果的影响。
虽然，在上述实施方式中，当涂料颜色看起来具有质感时，将质感评价值设置为“1”，当涂料颜色看起来不具有质感时，设置为“0”，即，将质感评价值表达为质感的存在/缺乏(两种度量)，可以将质感评价值表达为三到五种度量。同样在这种情况中，将用于指定质感存在/缺乏的质感评价值在条目域51中设置为检索条件，比较由多个度量表达的、设置为检索条件的质感评价值和存储在质感数据库中的质感评价值之间的相对幅度，由此判断涂料颜色匹配检索条件或者不匹配检索条件。
虽然在上述的实施方式中，将从光谱反射率得到的特征量(上述的26种用于质感的特征量，和上述19种用于颜色类别的特征量)用作表达涂料颜色的质感或颜色类别的特征量，同样可以使用可见光区域中的三色刺激值XYZ(CIE1964色空间)或者光谱反射率作为特征量。
虽然在上述的实施方式中，通过设置阈值到预定的固定值(0.5)并比较存储在数据库中的质感评价值和阈值之间的相对大小，确定质感的存在/缺乏，也可以使用容许误差作为阈值，并且当存储在数据库中的质感评价值大于阈值时确定涂料颜色“具有质感(1)”。例如，如果“深度外观”的评价值是0.5且容许误差(即，阈值)是0.1时，确定涂料颜色具有质感“深度外观”。这使得系统能准确地得到具有目标质感的所有的涂料颜色。
此外，也可以使用(1.0-容许误差)作为阈值，并且当存储在数据库中的质感评价值大于阈值时，确定涂料颜色“具有质感(1)”。例如，如果“深度外观”的评价值是0.5并且容许误差是0.1时，确定涂料颜色不具有质感“深度外观”。在检索具有目标质感的涂料颜色期间，这使得系统能消除噪声(错误的检索结果)。
此外，如在下面公式中示出的，可以计算存储在数据库中的评价值和在检索条件中包含的值之间的差别(匹配度)，并以匹配度的大小的次序，以分类的形式显示所计算得到的结果。
质感的匹配度＝∑i(1.0-y1(i))+∑j(y2(j))
在公式中，i和j是针对没有重叠的单独的质感给出的数字。更具体地，y1(i)是质感(i)的评价值，质感(i)存储在数据库中并由检索条件“颜色具有质感”指定，y2(j)是质感(j)的评价值，质感(j)存储在数据库中并由检索条件“颜色不具有质感”指定。∑i和∑j分别是得到i的和与j的和的运算符。
虽然在上述第二实施方式中，仅为每种样本涂料颜色确定了一个颜色类别，但是系统可以为一种涂料颜色分配多个类别。例如，涂料颜色具有多色效果，多色效果依赖于观察角在色相上(例如，从蓝到绿)变化，可以确定涂料颜色既属于蓝色类别又属于绿色类别。类似地，可以确定给定的涂料颜色既属于米色类别又属于黄色类别。
虽然在上述的实施方式中，通过将神经网络的输出值(范围从0到1的实数值)照原样子存储在数据库中，并且通过执行质感的检索或者通过执行颜色类别的检索，以确定涂料颜色的质感的存在或者涂料颜色所属的颜色类别，其中质感的检索是通过比较质感评价值和预定的阈值之间的相对大小，颜色类别的检索是通过判断特定的评价值是否是在同一涂料颜色代码的颜色类别的所有评价值中最大的值，但是本发明并不局限于这种方法。例如，当存储质感的预计的评价值或者颜色类别的预计的评价值时，可以确定目标颜色的质感的存在或者目标颜色所属的颜色类别，将所确定的结果在数据库中存储为值1或者0。在这种情况中，确定的步骤不是必需的，确定的步骤在检索期间确定目标颜色的质感的存在或者目标颜色所属的颜色类别。这增加了检索速度。
如果用户作为检索条件指定的质感或者颜色类别与作为检索结果显示的计算机显示图像质感或者颜色类别大大不同，则用户可以确定所显示图像的质感评价值或者颜色类别的评价值，并且以如上面描述的过程类似的方式，可以执行重新训练神经网络的过程。该重新训练提供更适当的突触权重数据，由此增加了检索准确性。
实施例1
在下文中，参照实施例更详细地描述本发明。在实施例1和实施例2中，如下面描述事先建立两个过程。第一，所有现有颜色的光谱反射率(受光角：15度、25度、45度、75度和110度)和微亮外观数据(HG、HB、HBL和SB)与涂料颜色代码关联，并且事先存储在记录单元中。第二，特征量计算机程序，特征量计算机程序计算26种将用于创建质感数据库的特征量和19种将用于创建颜色类别数据库的特征量；将神经网络的训练程序事先存储在记录单元中。在实施例1中，将如表1中示出的术语用作印象术语。
(1-1)涂料颜色样本的选择
首先，根据专利文献2(日本未审查专利公开序号H11-211569)中教导的方法，根据高亮侧和阴影侧测量的光谱反射率数据，对于现有颜色中的每一种颜色确定代表性的角度D。然后，使用多角度分光光度计MA68II(X-Rite公司的产品)来测量(代表性的角度D下)通过应用现有颜色中的每种颜色产生的涂覆膜的光谱反射率。然后，根据所测量的光谱反射率，计算L*a*b*色空间的中a*值和b*值，并由此根据h＝tan-1(b*/a*)计算色相角h。
然后，根据所计算的色相角h(度)，将所有现有颜色分类成4组：即，红色组(0≤h＜45，315≤h＜360)、黄色组(45≤h＜135)、绿色组(135≤h＜225)和蓝色组(225≤h＜315)。
此后，对于分类成4组的现有颜色，产生了红色组、黄色组、绿色组和蓝色组的总计4种质感图。质感图是通过在二维平面上排列多种涂料颜色产生的图，二维平面使用表示涂料颜色的颜色和质感的两个参数的坐标轴，以便容易地分类涂料颜色的质感。两个参数是第一主成分和第二主成分，通过以下方式确定第一主成分和第二主成分：根据多个光谱反射率确定至少三个特征量，多个光谱反射率是对于每种涂料颜色在多个受光角下测量的；使包括至少三个特征量的数据组经过主成分分析。两个参数(第一主成分和第二主成分)具体是表示每种涂料颜色的阴影外观的参数和表示每种涂料颜色的外观重量的参数。
然后，沿着垂直轴的方向和水平轴的方向以相等的间隔划分每个所产生的质感图。从作为划分结果获得的每一个区域中，将一种涂料颜色选择作为涂料颜色样本。例如，可以通过以下方式选择涂料颜色样本：在显示装置上显示质感图；选择(通过操作单元)在质感图中的所划分的区域中的每个区域内示出的涂料颜色。以上面描述的方式选择200个涂料颜色样本。
(1-2)涂料颜色样本的质感评价
对于被选择作为涂料颜色样本的所有200种涂料颜色，将涂料颜色样本的计算机图形图像显示在显示装置上，用显示装置，具有10年或10年以上设计涂料颜色经验的有经验的设计师评价用表1中示出的印象术语表达的10种质感，由此来创建表2中示出的质感评价表。通过操作单元输入由此获得的质感评价值，以便保存在记录单元13内。
(1-3)神经网络的建立和再训练
作为训练数据，利用从所选择的200种涂料颜色样本中任意地选择的135种涂料颜色的特征量和质感评价值。首先，根据事先在记录单元中存储的光谱反射率数据和微亮外观数据，运算单元使用事先存储在记录单元中的特征量计算程序计算表示质感的26种特征量。随后，建立了神经网络；所计算的26种特征量与输入层的每个单元关联，并且所获得的10种质感评价值与输出层的每个单元关联。然后以0.1的容许偏差将训练速率设置为0.5，并且执行神经网络的再训练。
为了在训练之后验证神经网络的准确性，在训练之后使用这个神经网络，评价65种涂料颜色的质感评价值，65种涂料颜色是在所选择的200种涂料颜色样本之中未用于训练的涂料颜色。关于此操作，将阈值设置为0.5，并且将神经网络中的输出数据二值化，然后将神经网络中的输出数据与在评价表中声明的相应的涂料颜色的质感评价值比较；由此，执行验证，以判断是否准确地预测了还未用于训练的65种涂料颜色的质感。表4示出了结果。
表4
  深度  外观   三维  外观   色度感   半透明  外观   颜色  微差感   纯色感   色带感   光骨  外观   清晰  感觉   金属  外观   FAR(％)   0   27   20   0   16   18   10   30   0   0   FRR(％)   0   3   9   5   17   2   20   9   2   20   准确率(％)   100   86   89   95   83   95   82   88   98   83
本发明中使用的术语“FAR”(错误接受率)表示不管涂料颜色是否具有质感，被错误地预测为不具有质感的涂料颜色的百分比(漏失率)；术语“FRR”(错误拒绝率)表示不管涂料颜色是否不具有质感，被错误地预测为具有质感的涂料颜色的百分比(噪声率)；术语“准确率”表示质感被正确地预测的涂料颜色的百分比。如表4中所示，训练之后的神经网络以大约80％或者更高的准确度准确地预测涂料颜色的质感。因此，适当地确定了神经网络。
(1-4)质感数据库的创建
使用所确定的神经网络，确定大约20,000种现有颜色的质感评价值。所确定的值与每种涂料颜色的涂料颜色代码关联，以便存储；由此创建质感数据库。
(1-5)检索具有质感的涂料颜色
输入用印象术语表达的希望的质感的请求，并在数据库中检索具有相应的质感的涂料颜色。特定地，检索“具有深度外观”的涂料颜色，并且将获取的2,456种涂料颜色的计算机图形图像显示在显示装置上。然后，有经验的设计师(也评价涂料颜色样本的质感)评价所显示的涂料颜色的质感，确定已经获取了“具有深度外观”的涂料颜色。
此外，将两种或多种质感组合来检索相应的涂料颜色。特定地，检索“纯色、非有色的且非光亮的”的涂料颜色，并且将获取的1,240种涂料颜色的计算机图形图像显示在显示装置上。然后，有经验的设计师(也评价涂料颜色样本的质感)评价所显示的涂料颜色的质感，并且确定已经获取了“纯色的、没有颜色的且没有光亮的”涂料颜色。
实施例2
在实施例2中，将使涂料颜色容易地成像的术语用做印象术语。(2-1)涂料颜色样本的选择
作为涂料颜色样本。从12,000种现有颜色中任意地选择100种涂料颜色。
(2-2)涂料颜色样本的质感评价
对于被选择作为涂料颜色样本的所有100种涂料颜色，将涂料颜色样本的计算机图形图像显示在显示装置上，用显示装置，有经验的设计师评价用两个印象术语“如葡萄酒的红色”和“如冰的蓝色”表达的两种质感，由此创建质感评价表。在100种涂料颜色样本之中，将6种颜色评价为具有用术语“如葡萄酒的红色”表达的质感，并且将9种颜色评价为具有用术语“如冰的蓝色”表达的质感。通过操作单元输入由此获得的质感评价值，以便存储在记录单元13内。
(2-3)神经网络的建立和再训练
建立神经网络，并且以与实施例1(1-3)中一样的方式执行神经网络的训练。作为训练数据，利用了从所选择的100种涂料颜色样本中任意地选择的65种涂料颜色的特征量和质感评价值。所选择的65种涂料颜色样本包括4种涂料颜色样本和5种涂料颜色样本，将4种涂料颜色样本评价为具有用术语“如葡萄酒的红色”表达的质感，并且将5种涂料颜色样本评价为具有用术语“如冰的蓝色”表达的质感。
将训练之后的神经网络用来为35种涂料颜色确定质感评价值，35种涂料颜色是在所选择的100种涂料颜色样本中还未用于训练的涂料颜色，由此验证了训练之后的神经网络的准确度。以与实施例1(1-3)中一样的方式建立验证。参考所确定的质感评价值，准确地预测还未用于训练的35种涂料颜色样本的质感。因此，适当地确定了神经网络。
(2-4)质感数据库的创建
以与实施例1(1-3)中同样的方式创建质感数据库。
(2-5)检索具有质感的涂料颜色
输入用印象术语表达的希望的质感的请求，并且在数据库中检索具有相应的质感的涂料颜色。特定地，分别地检索具有“如葡萄酒的红色”外观的涂料颜色和具有“如冰的蓝色”外观的涂料颜色。
首先，检索具有“如葡萄酒的红色”外观的涂料颜色，并且将获取的66种涂料颜色的计算机图形图像显示在显示装置上。然后，有经验的设计师(也评价涂料颜色样本的质感)评价所显示的涂料颜色的质感。结果，获取的66种涂料颜色中的54种涂料颜色是具有“如葡萄酒的红色”外观的涂料颜色(准确率：81.8％)。随后，检索具有“如冰的蓝色”外观的涂料颜色，类似地，关于“如葡萄酒的红色”质感，有经验的设计师评价获取的87种涂料颜色的计算机图形图像。结果，获取的87种涂料颜色中的73种涂料颜色是具有“如冰的蓝色”外观的涂料颜色(准确率：83.9％)。因此，以大约80％或者更高的准确率从数据库中获取具有希望的质感的涂料颜色。
工业实用性
根据本发明的创建用于检索涂料颜色的数据库的方法、使用数据库的检索方法和用于创建数据库的方法和使用数据库的检索方法的系统、程序和记录介质使得能够创建数据库，在数据库中，涂料颜色的质感或者颜色类别与代码关联，每个代码对每种涂料颜色是特定的。此外，使用数据库可以将一组现有颜色以高准确度缩减成匹配希望质感的涂料颜色或者属于希望的颜色类别的涂料颜色。