跨材质颜色匹配方法、装置、电子设备及可读介质与流程

本申请涉及车辆内外饰设计，尤其涉及一种跨材质颜色匹配方法、装置、电子设备及可读介质。

背景技术：

1、在汽车内外饰及消费电子产品的外观设计中，不同材质（如，皮革、塑料、喷漆件、织物以及复合材料等）往往需要呈现相同的颜色效果，以实现视觉上的统一。然而，由于不同材质的表面光学特性（如光泽度、反射方式、纹理深度等）存在显著差异，即使采用相同的颜色配方，不同材质在人眼观察下仍会产生明显的视觉偏差。目前通用的颜色匹配方法主要依赖人工主观判断，通过反复试错来调整颜色配方，这种方式不仅效率低下、开发周期长，而且匹配结果的一致性和可复现性难以保证。

2、针对上述依赖人工进行跨材质的视觉匹配导致匹配效果差的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本申请提供了一种跨材质颜色匹配方法、装置、电子设备及可读介质，以解决上述依赖人工进行跨材质的视觉匹配导致匹配效果差的技术问题。

2、根据本申请实施例的一个方面，本申请提供了一种跨材质颜色匹配方法，包括：获取源材质的第一参数集，并获取目标材质的表面纹理参数与第二参数集，其中，第一参数集和第二参数集各自包括对应材质的视觉参数以及材质标识；根据目标材质的材质标识，从多个候选神经网络中调用与目标材质对应的目标神经网络；将第一参数集、第二参数集以及表面纹理参数，输入至目标神经网络中，其中，目标神经网络被预先训练为在保持目标材质的表面纹理参数不变的约束下，输出使目标材质在视觉上匹配源材质的视觉参数调整量；按照目标神经网络输出的视觉参数调整量调整目标材质的视觉参数。

3、可选地，获取源材质的第一参数集，并获取目标材质的表面纹理参数与第二参数集，包括：将源材质的明度、红绿色度、黄蓝色度、光泽度以及反射方式作为源材质的第一视觉参数，以及将目标材质的明度、红绿色度、黄蓝色度、光泽度以及反射方式作为目标材质的第二视觉参数；获取源材质的第一材质标识与目标材质的第二材质标识；将第一视觉参数与第一材质标识整合为第一参数集，并将第二视觉参数与第二材质标识整合为第二参数集，以及将目标材质的纹理类型与皮纹深度确定为表面纹理参数。

4、可选地，在将第一参数集、第二参数集以及表面纹理参数，输入至目标神经网络中之后，所述方法还包括：将第一参数集、第二参数集以及表面纹理参数组合为输入向量，并通过目标神经网络的输入层接收输入向量；通过目标神经网络的至少一个隐藏层对输入向量进行非线性变换，以提取源材质的第一视觉参数与目标材质的第二视觉参数之间的特征关联；基于目标神经网络的输出层，根据特征关联生成视觉参数调整量，其中，视觉参数调整量包括明度调整量、红绿色度调整量、黄蓝色度调整量以及光泽度调整量。

5、可选地，所述方法还包括按照以下方式获取目标神经网络的训练数据：分别采集源材质和目标材质的基础参数数据，形成原始样本集；对原始样本集进行清洗，以剔除异常样本，得到清洗后样本集；对清洗后样本集中的连续型参数进行标准化处理，并对类别型参数进行编码转换，得到处理后样本集，其中，连续型参数包括明度、红绿色度、黄蓝色度、光泽度以及皮纹深度，类别型参数包括纹理类型、反射方式以及材质标识；通过数据增强对处理后样本集进行扩充，得到扩充后样本集；将扩充后样本集划分为训练样本集、验证样本集和测试样本集。

6、可选地，所述方法还包括按照以下方式训练得到目标神经网络：将训练样本集中的配对样本输入至待训练的初始神经网络，其中，配对样本包括源材质的基础参数数据、目标材质的基础参数数据以及目标材质的表面纹理参数；通过优化算法调整初始神经网络的模型参数，以使初始神经网络的输出值与配对样本中预先标注的真实调整量之间的差异最小化；采用损失函数评估初始神经网络的输出值与真实调整量之间的偏差值，其中，损失函数包括颜色差异损失项和光泽差异损失项；在偏差值小于预设阈值，或者训练迭代次数达到最大迭代次数的情况下，停止训练，并将经过训练的初始神经网络确定为目标神经网络。

7、可选地，在按照目标神经网络输出的视觉参数调整量调整目标材质的视觉参数之后，所述方法还包括：整合第一参数集、第二参数集、表面纹理参数以及视觉参数调整量，形成历史匹配记录；获取针对视觉参数调整量的反馈信息；将历史匹配记录和反馈信息作为新增训练样本，优化目标神经网络。

8、可选地，按照目标神经网络输出的视觉参数调整量调整目标材质的视觉参数，包括：从视觉参数调整量中提取颜色调整量以及光泽度调整量，其中，颜色调整量包括明度调整量、红绿色度调整量以及黄蓝色度调整量；先按照光泽度调整量调整目标材质的光泽度，再按照颜色调整量调整目标材质的颜色。

9、根据本申请实施例的另一方面，本申请提供了一种跨材质颜色匹配装置，包括：获取模块，用于获取源材质的第一参数集，并获取目标材质的表面纹理参数与第二参数集，其中，第一参数集和第二参数集各自包括对应材质的视觉参数以及材质标识；调用模块，用于根据目标材质的材质标识，从多个候选神经网络中调用与目标材质对应的目标神经网络；输入模块，用于将第一参数集、第二参数集以及表面纹理参数，输入至目标神经网络中，其中，目标神经网络被预先训练为在保持目标材质的表面纹理参数不变的约束下，输出使目标材质在视觉上匹配源材质的视觉参数调整量；调整模块，用于按照目标神经网络输出的视觉参数调整量调整目标材质的视觉参数。

10、根据本申请实施例的另一方面，本申请提供了一种电子设备，包括存储器、处理器、通信接口及通信总线，存储器中存储有可在处理器上运行的计算机程序，存储器、处理器通过通信总线和通信接口进行通信，处理器执行计算机程序时实现上述方法的步骤。

11、根据本申请实施例的另一方面，本申请还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述的方法。

12、本申请实施例提供的上述技术方案与相关技术相比具有如下优点：

13、本申请提供一种跨材质颜色匹配方法，包括：获取源材质的第一参数集，并获取目标材质的表面纹理参数与第二参数集，其中，第一参数集和第二参数集各自包括对应材质的视觉参数以及材质标识；根据目标材质的材质标识，从多个候选神经网络中调用与目标材质对应的目标神经网络；将第一参数集、第二参数集以及表面纹理参数，输入至目标神经网络中，其中，目标神经网络被预先训练为在保持目标材质的表面纹理参数不变的约束下，输出使目标材质在视觉上匹配源材质的视觉参数调整量；按照目标神经网络输出的视觉参数调整量调整目标材质的视觉参数。通过将目标材质的表面纹理参数作为固定约束，并根据材质标识调用对应的预先训练好的神经网络，利用该神经网络在保持固定约束下输出视觉参数调整量，解决了依赖人工进行跨材质的视觉匹配导致匹配效果差的问题。

1.一种跨材质颜色匹配方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述获取源材质的第一参数集，并获取目标材质的表面纹理参数与第二参数集，包括：

3.根据权利要求2所述的方法，其特征在于，在将所述第一参数集、所述第二参数集以及所述表面纹理参数，输入至所述目标神经网络中之后，所述方法还包括：

4.根据权利要求1所述的方法，其特征在于，所述方法还包括按照以下方式获取所述目标神经网络的训练数据：

5.根据权利要求4所述的方法，其特征在于，所述方法还包括按照以下方式训练得到所述目标神经网络：

6.根据权利要求1所述的方法，其特征在于，在按照所述目标神经网络输出的所述视觉参数调整量调整所述目标材质的视觉参数之后，所述方法还包括：

7.根据权利要求1所述的方法，其特征在于，所述按照所述目标神经网络输出的所述视觉参数调整量调整所述目标材质的视觉参数，包括：

8.一种跨材质颜色匹配装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器、通信接口及通信总线，所述存储器中存储有可在所述处理器上运行的计算机程序，所述存储器、所述处理器通过所述通信总线和所述通信接口进行通信，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述方法的步骤。

10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1至7任一所述方法。