确定表面涂层的纹理参数的方法与流程

包含所谓的效应颜料的漆涂饰广泛存在于汽车工业中。金属效应颜料和干涉颜料是效应颜料的实例。它们赋予漆额外的性质，例如亮度和色调的角度依赖性变化。这意味着所述漆的亮度或色调根据漆的观察角度而变化。效应颜料导致视觉上可察觉的颗粒性或颗粒度(也称为粗度)和闪光效应[“Coloristik für Lackanwendungen(Farbe und Lack Edition)”，Tasso 等，合订版-2012年3月14日]。这些效应也称为视觉纹理。

目前有两种技术用于表征效应漆。

第一种技术使用光源来照明特定漆表面并测量不同角度的光谱反射。可由获得的结果和光源的辐射函数计算色度值，例如CIEL*a*b*[ASTM E2194“Standard Test Method for Multiangle Color Measurement of Metal Flake Pigmented Materials”，ASTM E2539“Standard Test Method for Multiangle Color Measurement of Interference Pigments”]。

在第二种技术的情况下，在限定的光照条件下和限定的角度下拍摄漆表面。然后可由图像计算描述视觉纹理的纹理参数。如Byk-Gardner公司[“Beurteilung von Effektlackierungen,Den Gesamtfarbeindruck objektiv messen”(效应涂饰的评价—整体颜色印象的客观测量)，Byk-Gardner GmbH，JOT 1.2009，第49卷第1期，第50-52页]所介绍的那样，纹理参数的实例为纹理值G漫射或Gdiff(颗粒度或粗度)、Si(闪光强度)和Sa(闪光面积)。Byk-Gardner的纹理值由灰阶图像确定。还可针对彩色图像的不同颜色通道(例如，针对红色通道、绿色通道和蓝色通道)单独确定纹理值。

在颜色配方计算中，尝试通过计算所需的着色剂浓度而借助可用着色剂的混合物再现颜色原样。颜色配方计算中必要的先决条件是预测相应颜色配方的光谱反射。就本公开内容而言，颜色或漆配方是指具有限定的各着色剂浓度的不同着色剂和/或颜色组分的特定组合物。这意味着颜色或漆配方定义了一种事项列表—也就是说包含其各组分(即其各颜色组分)的漆的定量组成。

一种常用的方法是基于物理模型(例如Kubelka-Munk方程)计算反射光谱。在该方法中，基于已知的着色剂汇编的实际应用，借助物理模型为每种着色剂确定光学常数。这些光学常数是依赖于模型的，并且表征了所讨论的着色剂。光学常数的实例是Kubelka-Munk方程的参数K和S，其描述了吸收(参数K)和散射(参数S)。在确定要使用的所有着色剂的光学常数时，可使用物理模型来计算任何所需颜色配方的光谱反射。

例如，为了混合漆(例如车辆的着色漆)，通常使用颜色配方，所述颜色配方指明了各颜色组分彼此的混合比例，以便生成具有所需颜色效应的漆。例如，为了复制效应漆，例如金属漆，不仅要求光谱反射性质，而且还要求客观纹理参数如颗粒度或粗度作为相应初始色调的光学性质的描述。

为了基于公式数据预测该类效应漆的视觉纹理参数，如上所述，传统上使用基于回归的方法。在该类方法中，对漆配方计算特征参数如漆中存在的颜料类型的浓度(例如金属效应颜料和干涉颜料的颜料浓度)，由物理模型预测的光谱反射或由物理模型的各光学常数导出的变量。这些参数的线性组合然后形成用于预测视觉纹理参数的统计模型。如Kirchner，Ravi的“Predicting and measurement the perceived texture of car paintts”，Proceedings of the 3rd international conference on Appearance“Predicting Perceptions”，Edinburgh，2012年4月17-19日所述，通过回归分析确定线性组合的系数。

预测效应涂饰的视觉纹理参数的另一种方式是使用人工神经网络。

就此而言使用的一个神经网络是基于被称为反向传播的学习过程。神经网络的神经元分层排列。这些包括具有输入神经元的层(输入层)、具有输出神经元的层(输出层)以及一个或多个内层。输出神经元是待预测的漆配方的视觉纹理参数，换言之，是上述参数Si、Sa和Gdiff。

为了预测效应漆配方的光谱反射，如已经提到的那样，使用物理模型。

在第一种已知的解决方案中，用于神经网络的输入参数或输入神经元是在所考虑的特定漆配方中使用的着色剂或颜色组分的浓度，以及由物理模型预测的反射光谱。

然而，使用待使用的着色剂的浓度作为输入参数具有许多缺点：

●漆系列中着色剂的数量非常高，因此神经网络输入层中的神经元数量非常大。精确预测纹理参数需要大量的训练数据。

●在漆系列发生任何变化的情况下，神经网络必须重新定义、重新训练和重新测试。这意味着相当大的管理工作和费用。

●在漆系列中添加其他着色剂的工作和成本很高：在新着色剂的情况下，必须生产大量的混合物作为训练神经网络的基础。

由美国专利US6,714,924B1已知一种用于颜色匹配的方法和装置，其中使用了神经网络。此处，颜色标准的颜色由色值表示，其中所用神经网络的输入信号与漆基底有关。此外，在神经网络的输入层的输入节点和神经网络的输出层的输出节点之间提供加权联系。此处，初始加权联系确定了输入层的漆基底对各输出颜色组分的相应贡献。

由US2009/0157212A1已知一种用于确定包含效应颜料的漆配方的方法和系统。所述系统包括粗糙度测量仪，所述仪器必须放置在涂漆表面(例如车辆的涂漆表面)附近，其中技术人员将显示图像与涂漆表面进行比较以确定效应颜料的粗糙度。

针对该背景提出了一种确定或预测具有已知漆配方的漆的视觉纹理参数的方法，其中基于已用于或待用于漆配方中的多种颜色组分借助人工神经网络来确定或预测漆的视觉纹理参数，其中借助已知漆配方的物理模型来确定描述至少一种光学性质的至少一个特征变量的值，将其赋予给该已知漆配方，并且作为用于确定或预测视觉纹理参数的输入信号传输到人工神经网络，其中确定并赋予给该已知漆配方的值描述了漆配方的多种颜色组分中的至少一些的至少一种光学性质，其中使用各自具有已知漆配方的颜色原样(Farbvorlagen)来训练神经网络，测量每个颜色原样的各视觉纹理参数，并将赋予其至少一个特征变量的值，所述特征变量针对相应各漆配方确定或计算并且描述了各漆配方的至少一种光学性质。

在本说明书的上下文中，短语“作为至少一个输入信号传输到神经网络”的“至少一个[…]特征变量的值”旨在表示不仅特征变量本身的值，而且表示基于特征变量的该值确定的变量可用作输入信号且提供给神经网络。

“已知的漆配方”意指其中包含和使用具有颜色组分的已知浓度的颜色配方。

在下文中，术语“特征变量的值”和“特征变量”是彼此同义地使用的。这意味着在下文中，“所述至少一个特征变量的值”和“所述至少一个特征变量”应同义地理解。“视觉纹理参数的值”和“视觉纹理参数”也是如此。

本发明的实施方案由说明书和从属权利要求知悉。

所提出的方法特别用于借助于基于称为反向传播的学习过程的神经网络来确定具有已知漆配方的漆的视觉纹理参数。此处，反向传播应理解为具有错误反馈的监督学习过程的通用术语。存在各种反向传播算法：例如Quickprop、弹性传播(RPROP)。该过程使用包括至少三层的神经网络：具有输入神经元的第一层、具有输出神经元的第n层和n-2个内层，其中n是大于2的自然数。在该网络中，输出神经元用于预测各漆或相应漆配方的视觉纹理参数。

在本说明书的上下文中，术语“输入信号”、“输入分量”、“输入变量”和“输入神经元”是同义使用的。

特别地，规定借助本发明提供的神经网络，基于至少一个特征变量使用至少一个特征变量的值或至少一个特征变量来确定漆的各纹理参数，其中所述特征变量由所述漆配方或所述漆的多种颜色组分中的至少一些的至少一个光学常数导出或确定。

在可能的实施方案中，所述至少一个特征变量的值由漆配方的所有颜色组分的至少一个相应光学常数计算。这意味着所述至少一个光学常数在每种情况下借助漆配方的所有颜色组分的物理模型来计算，并且漆配方的所述至少一个特征变量的值基于漆配方的所有颜色组分的各光学常数确定或计算。

本发明上下文中，视觉纹理参数意指参数，特别是与漆的闪光效果、颗粒度或粗糙度有关的数据，例如Si、Sa或Gdiff。如开头已述的那样，Si(“闪光强度”)和Sa(“闪光面积”)是由Byk-Gardner引入的用于描述漆的闪光效果的参数。所述参数由直接对准照明下记录的图像系列确定。Gdiff(“颗粒度漫射”)是Byk-Gardner引入的用于描述颗粒度的参数。所述参数由漫射照明下记录的图像确定。各漆表面的各图像使用合适的照相机记录，所述照相机配置为在所定义的照明下记录图像。照相机通常各自为光谱仪的一部分。

在本公开内容的上下文中，光学性质意指漆的性质或用于描述漆的性质的值，其影响照射在漆上或相应漆表面上的光——因此例如影响该光被吸收或反射的程度，以及如果被反射，则如何被反射。

本发明上下文中提出的神经网络是指用于确定和/或预测漆(更特别地为效应漆)的漆配方的视觉纹理参数的人工神经网络，其中所述神经网络是基于反向传播的。在该系统中，所评估的神经网络的输入变量或信号是借助物理和/或数学模型由各漆配方确定的中间变量。特别地，这些包括赋予给各漆配方的光学常数，以及在另一实施方案中还包括由这些常数计算的反射参数。由于本发明提供的神经网络与漆的各颜色组分没有直接联系，因此本发明提供的神经网络就其定义而言比现有技术中用于该目的的神经网络更简单。现有技术中用于神经网络的训练数据是基于配方数据的，即基于约80-250种颜色组分中的每一种的不同浓度，而本发明所用的训练数据是基于不同的已知漆配方的光学性质或数据的。因此，不再区分特定的颜色组分及其各自的浓度，而是区分它们所产生的不同光学行为。由于这些光学行为可由比不同颜色组分的数量更少的特征变量来描述，因此神经网络更简单，因此需要更少的训练数据。此外，所述系统对颜色组分的变化具有更大的容忍度或者较不敏感，即，在遗漏、改变或增加一种或多种可用颜色组分的情况下，不需要重新配置神经网络(改变输入信号的层次)并重新训练。

在本发明上下文中提出的颜色组分应理解为意指漆或相应漆配方的基础组分，例如颜料或用于产生闪光效果的一定量的薄片。术语“颜色组分”和“着色剂”是同义使用的。

在本发明上下文中提出的输入信号意指至少一个值，所述值用作借助于本发明提供的神经网络来确定漆配方的各纹理参数的基础。

为了训练本发明提供的神经网络，全部所需要的是关于光学性质的信息，所述光学性质在每种情况下为具有已知漆配方的彩色原件的各颜色组分的各特征变量提供了基础；对于这些彩色原件中的每一个，测量其各自的纹理参数并赋予对该特定彩色原件确定的各特征变量或特征变量的各值。然后，在知晓所考虑的漆配方的至少一个特征变量或至少一个特征变量的值的情况下，可借助神经网络来预测或确定漆配方的视觉纹理参数。如果其他漆配方的视觉纹理参数是已知的，则神经网络的功能也可重复验证并在必要时进行调整，以尽可能精确地实现视觉纹理参数的预测。

所提出的方法特别适于计算给定漆配方的纹理参数，所述参数然后又可在漆配方(更特别地为效应漆)的已有配方算法中用作质量信息。

在所提出的方法的一个可能的实施方案中，规定借助物理模型的计算漆的光谱反射作为输入信号包括。可考虑吸收和/或散射，当确定输入信号时任选地分成前向散射和后向散射。还可设想的是考虑在已知漆配方中使用的薄片的平均变量以及表面结构性质(其区分了扁平效应颜料(例如“银元”)和粗效应颜料(例如“玉米片”))和描述效应颜料相对于特定漆表面的平均取向的变量。当确定输入信号时，同样可考虑通常为0-1的漆的透射系数。

通过使用由漆配方和漆配方的各颜色组分的光学性质(即例如光学常数)确定的中间变量或特征变量作为本发明所设想的用于确定各漆配方的视觉纹理参数的神经网络的输入信号，本发明提供的神经网络可非常泛泛地定义和/或训练。这意味着，与固定数量的颜色组分的神经网络的特定训练且由此产生特定神经网络的非常刚性和特定的实施方案相反，可基于各漆配方的光学性质进行泛化训练。基于光学性质的泛化训练的效果是产生非常通用的神经网络，其不是专门适应于固定数量和选择的颜色组分，而是可在没有额外训练的情况下使用(甚至在变换、遗漏或替换各颜色组分的情况下)，以便预测给定漆配方的各纹理参数。

通过使用基于本发明设想的神经网络的光学性质确定的输入信号，与基于相应已知的漆配方的各颜色组分的浓度训练神经网络的成本和复杂性相比，训练神经网络时所花费的努力和开支显著减少。然而，取决于各颜色组分的特性和数量，在基于各颜色组分的浓度进行训练的情况下需要考虑多个参数，而在使用基于光学性质确定的输入信号的情况下仅需要相对少量的参数，并且输入层(即，本发明提供的神经网络的第一层)中的神经元的数量相应地低。

所提出的方法的另一个可能的实施方案中，在漆的各颜色组分改变、替换或移除的情况下，即使没有对神经网络的重新训练，视觉纹理参数也借助所述至少一个特征变量或所述至少一个特征变量的相应值确定。

特别规定，本发明所设想的特征变量以如下方式选择：使得本发明提供的神经网络对漆或者漆配方的各颜色组分的数量或实施方案的变化的容忍度极高。为此规定对形成所述至少一个特征变量的基础的特征变量或光学性质进行选择，以使得其尽可能抽象地——即，不与各漆配方的各颜色组分的浓度直接关联——然而适合描述颜色组分对视觉纹理参数的影响。这种特征变量的一种可能性是基于特定漆配方的光学常数选择特征变量，例如通过漆配方的各颜色组分的浓度平均加权——根据Kubelka-Munk理论，各颜色组分的吸收分量K和的散射分量S的平均加权。其他特征变量从由上述物理模型预测的漆配方反射光谱导出，例如L*a*b*色空间中的坐标。

本发明所设想的特征变量用作控制要素以在本发明提供的神经网络中产生相对于神经网络的输入信号变化的容忍度。如果特征变量选择得非常窄，即以专门适于各颜色组分的方式选择，则相应的神经网络在各漆的颜色组分发生变化的情况下将计算错误或无效的纹理参数，除非修改后的颜色组分已经是神经网络的一组训练数据的一部分。相反，如果选择的特征变量是抽象的，即具有尽可能普遍的有效性，则即使在非神经网络的该组训练数据的一部分的颜色组分发生变化时，相应的神经网络也确定可靠的纹理参数。

在所提出的方法的另一个可能的实施方案中，规定所述至少一个特征参数借助数学和/或物理模型基于由至少一个传感器测量的漆配方的多种颜色组分的至少一种颜色组分的参数确定。

本发明提供的特征变量当然也可基于借助中间步骤的测量(例如使用分光光度计测量)来确定(例如计算)，然后将该特征变量用作本发明提供的神经网络的输入信号。在这种情况下，特征变量本身可用作输入信号，或者可用于确定输入信号，例如借助物理和/或数学模型计算。

在所提出的方法的另一个可能的实施方案中，规定将一组参数选择为特征变量，所述特征变量描述了漆或漆配方的多种颜色组分中的至少一些的至少一种光学性质。

可设想的是，本发明所设想的特征变量包括多个参数，即一组参数。因此，例如可联合使用各颜色组分的光学常数和反射光谱来形成本发明所设想的特征变量。

在所提出的方法的另一个可能的实施方案中，规定由所述至少一个特征变量所描述的所述至少一种光学性质选自如下光学性质列表：漆或漆配方的光谱反射，漆的多种颜色组分中的至少一种颜色组分的光学常数，借助物理模型预测的漆的至少一种颜色组分的反射光谱，根据Kubelka-Munk理论的吸收分量K，根据Kubelka-Munk理论的散射分量S，以及由漆的多种颜色组分的各光学常数计算的至少一个光学特征变量。光学常数例如为吸收系数、透射系数和/或散射系数。

一般而言，用于描述漆的多种颜色组分的至少一种颜色组分的光学性质的所有技术上合适的细节均适于确定本发明所设想的特征变量的值。特别设想的是，为了确定由多种颜色组分的颜色组分的各光学常数计算的光学性质变量，使用漆的颜色组分的各吸收和散射系数的加权平均，或者选择漆本身的颜色组分的各吸收系数和散射系数的加权平均值作为特征变量。

在所提出的方法的另一个可能的实施方案中，作为描述光学性质的特征变量，规定选择色空间坐标，所述色空间坐标由借助物理模型预测的漆的至少一种颜色组分的反射光谱导出。

色空间坐标适于预测各颜色组分对各漆的反射光谱的影响。因此，当确定各漆的纹理参数时，也可使用色空间坐标的细节。作为导出的色空间坐标以及相应地作为本发明提供的神经网络的输入变量，由颜色组分的反射值(通常由漆配方的所有颜色组分的各反射值)计算的值可选自以下的值列表或其组合：L*a*b*色空间中的色空间坐标，红-绿-蓝(RGB)色空间中的色空间坐标，更特别地，标准红-绿-蓝(sRGB)色空间中的色空间坐标。此外，额外或者替代地，可使用漆配方的颜色组分的平均反射值(R平均值)和/或漆配方的随角异色指数(其指示亮度谱和/或颜色谱或其中的相应变化)作为神经网络的输入变量。

此外，作为通过物理模型计算的描述至少一种光学性质的漆配方(即，漆配方的至少一种颜色组分，通常是所有组分)的至少一个特征变量的值以及相应地作为本发明提供的神经网络的输入变量，可从以下值列表或其组合中基于光学常数选择值：透射系数、前向散射、后向散射、根据Kubelka和Munk的平均吸收和/或平均散射，以及相对于虚拟漆表面存在的任何薄片和/或光泽颜料的取向或排列。

可设想的是，为神经网络提供多个不同的输入变量。

在所提出的方法的另一个可能的实施方案中，规定借助于使用神经网络对多种强制(mandated)的漆配方预测的纹理参数来确定漆的漆配方，其中所决定的漆配方的纹理参数显示出与强制的目标漆的纹理参数的最小可能偏差。

借助本发明所设想的方法，可预测多种强制的漆配方的纹理参数，而不必根据各漆配方生产特定的漆。可基于多种漆配方的纹理参数从多种漆配方中选择一种纹理参数显示出与强制的目标漆的纹理参数的最小可能偏差的漆配方。这意味着使用本发明的方法，可预测多种漆配方的纹理参数，而不需要根据多种漆配方的各漆配方在费力的测试系列中混合各漆，然后施加到金属测试板上并进行光学测量。相反，使用通过本发明方法确定的纹理参数，可在完全虚拟的过程中出于例如仿真(换言之模拟相应的漆)的目的，从多个强制的漆配方出发确定特定的漆配方，所述漆配方的纹理参数显示出与目标漆的纹理参数的最小可能偏差。

为了基于强制的漆配方预测漆的纹理参数并且实际上不根据漆配方生产漆，首先使用物理模型、漆配方所含的各颜色组分的各光学常数和/或由颜色数据计算的变量，且由这些变量确定和/或计算漆配方的至少一个特征变量。输入漆配方的至少一个特征变量的计算中的因子不仅包括颜色组分的各光学常数，而且通常还包括由漆配方强制的各颜色组分的各浓度，正如例如根据Kubelka-Munk模型使用各颜色组分的上述吸附分量和散射分数的平均值的情况下那样，其中所述平均值用漆配方的各颜色组分的各浓度加权。

所提出的方法可特别地用于通过基于其各自的母体漆配方在不同漆之间进行纯虚拟对比来模拟漆，而不需要根据各漆配方将这些漆混合并施加到样品板上。

本发明进一步涉及一种计算机程序产品，其具有计算机可读介质和存储在计算机可读介质上的具有程序代码装置的计算机程序，所述程序代码装置设置成当在运算单元上运行计算机程序时执行上文所述的本发明方法的所有计算机执行步骤。

所提出的计算机程序产品特别用于执行所提出的方法，并且该计算机程序可存储在例如计算机可读数据载体上。

本发明的其他优点和实施方案由说明书和附图知悉。

应理解的是，上文所述的特征和下文将要阐述的特征不仅可以以所指出的特定组合的形式使用，而且可以以其他组合的形式或独立地使用，而不偏离本发明的范围。

在附图中参照工作实施例示意性地阐述了本发明，并且将在下文参照附图进行全面描述。

图1示出了本发明方法的一个实施方案的示意图。

图2示出了本发明方法的另一个可能的实施方案的序列的示意图。

从漆的颜色或漆配方1出发，使用物理模型3来确定特征变量5的值，特征变量5描述了漆或漆的多种颜色组分或漆的多种颜色组分中的至少一些的特征光学性质，例如Kubelka-Munk散射分量S 5_1和/或吸收分量K 5_2。

基于特征变量5的值，为本发明所提供的神经网络7生成一个或多个输入信号。神经网络将视觉纹理参数9(例如由纹理参数Gdiff表示的颗粒度9_1和/或例如由纹理参数Si表示的闪光效果9_2)赋予给一个或多个输入信号，并因此赋予给漆配方1。由神经网络7执行的该赋值在图1中由交织线表示。因此，借助神经网络7，可由漆配方1出发确定相应的纹理参数9或其各自的值。

由于纹理参数9是基于特征物理性质，尤其是光学性质确定或预测的，因此不需要用漆配方1的颜色组分的各浓度来精确地训练神经网络7。相反，为了确定纹理参数，已知颜色或漆配方1的多个颜色组分的特征性质的知识就足够了。这意味着神经网络7对漆配方1的颜色组分的变化是鲁棒的，并且仅需要与各特征物理颜色组分的信息——任选新添加的颜色组分——来确定相应的纹理参数9。

图2示出了用于实施所提出的方法的一个实施方案的流程图。从漆配方11出发，在操作步骤13中，借助各颜色组分(例如颜料)或者所谓的薄片(即漆配方11的金属闪光组分)的物理或光学性质的物理模型，确定各颜色组分的光学性质的特征变量或特征变量的值，并且基于此确定描述整个漆配方11的至少一种光学性质的至少一个特征变量或其值。在这种情况下的物理模型可例如基于Kubelka和Munk模型形成，如方程(1)在示例性基础上所指示的那样。为了计算描述漆配方11的光学性质的所述至少一个特征变量，确定漆配方的各颜色组分的光学性质，并且在预测整个漆配方的光学性质时将其考虑为例如由漆配方强制的各颜色组分的浓度的函数。

在方程(1)中，“K”表示吸收分量或吸收系数，“S”表示漆配方的散射分量或散射系数，“c₁”、“c₂”...、“c_s”为漆配方的各颜料的浓度，“k₁”、“k₂”...、“k_s”为各颜料的吸收系数，“s₁”、“s₂”...、“s_s”为各颜料的散射系数。

借助基于漆配方的各颜色组分的物理性质的物理模型，可确定一个或多个特征变量，所述特征变量描述了光学性质，例如基于各漆配方形成的漆的光谱反射，或各漆配方的颜色组分的一个或多个相应的光学常数，或各漆配方的至少一个或所有颜色组分的反射光谱，或根据Kubelka-Munk的漆的吸收分量K，或根据Kubelka-Munk的漆的散射分量S。

将在操作步骤13中确定的漆配方的特征变量或其值作为输入信号或输入变量提供给呈神经网络形式的机器学习者，即神经网络。

借助已基于各特征变量的多个已知的纹理参数赋值进行训练的神经网络，在计算步骤15中根据训练期间确定的方案将纹理参数赋予给输入特征变量或各特征变量的输入值。借助神经网络赋予给特征变量或特征变量的输入值的纹理参数在输出步骤17中输出或存储在存储器中。这意味着借助本发明的方法，可确定或预测漆配方的纹理参数，而无需借助测量仪器确定与漆配方对应的漆的光学参数。

由于纹理参数是基于描述漆配方的光学性质的特征变量来确定的，因此纹理参数的确定(即将纹理参数赋值给特征变量或特征变量的各值)不依赖于根据漆配方混合漆所需的漆配方11的特定单独成分，例如颜色组分(例如颜料)的浓度细节。基于由漆配方11的各颜色组分及其浓度确定纹理参数的这种解耦，本发明的方法可借助相同的神经网络来执行，即不需要重新训练神经网络，即使当漆配方的颜色组分和/或其浓度被修改时也是如此。

作为输入变量传递给神经网络的特征变量或其值描述了漆的光学性质，并且借助各漆配方的物理模型确定为中间变量，例如赋予给各漆配方的光学常数和/或由其计算的反射参数和/或吸收和/或散射分量。根据基于光学性质的特征变量，传递给神经网络的输入值(即特征变量的各值)的数量相对于基于所用的所有颜色组分赋予漆配方的各纹理参数以作为输入变量的神经网络的数量可显著减少，因此相应的神经网络比用颜色组分或颜色组分的浓度作为输入值形成的神经网络更简单，因此更有效率，即更快和更鲁棒，因此能够容忍例如漆配方的变化。

借助计算步骤15之前的操作步骤13，将计算步骤15与漆配方11的各成分解耦。由于该解耦，漆配方11的变化不会由于缺少例如一种颜料而导致神经网络的任何变化。如果例如不存在原先强制的颜色配方的颜色组分，或者如果该组分被不同的颜色组分代替，则在计算或确定各颜色组分的光学性质以及基于它们的修改漆配方的所述至少一个特征变量值时，应早在操作步骤13中就考虑这一点。即使在这种情况下特征变量的值发生变化，用作神经网络的输入变量的特征变量的类型或特性也不会发生变化——例如，无论其是吸收分量还是散射分量。因此，不需要重新设置神经网络，并且唯一可能变化的是相应输入变量的值。在计算步骤15中，尽管修改了漆配方11，然而这导致了相应正确的纹理参数赋值，例如“闪光强度”、“闪光面积”或颗粒度分布，即“颗粒度漫射”。