智能对准系统和用于彩色感测装置的方法与流程

本公开一般地涉及彩色测量和校准。更特别地，本公开涉及一种用于彩色感测装置的计算机实现的智能对准方法，所述彩色感测装置初始地获得由该彩色感测装置测量到的原始感测值，以及涉及一种被配置为实现所述计算机实现的智能对准方法的计算机系统。

背景技术：

设计师、画家、承包商、摄影师以及一般而言对寻找准确的彩色信息感兴趣的任何人可能发现彩色测量工具的当前范围是受限制的、笨重的或者在便利性上欠缺。关于彩色测量工具的一个关注是如何有效地针对一致性和准确性来校准彩色读数。在一些系统中，可以在制造时进行初始校准。然而，这样的系统在装置被初始校准之后不能验证一致性或准确性。

用于测量光（彩色）的主要工具是色度计和光谱仪。色度计包括各种各样的类型，包括但未必限制于基于rgb传感器的色度计、基于三色传感器的色度计和基于多滤波器的色度计。

当测量彩色时，对于所有这些系统而言的目标是从所感测的一组值转换成标准cie彩色空间值（例如，xyz、lab、xyy），并且然后可以在此之后应用进一步的彩色应用（例如颜料匹配、rbg彩色编码等）。

光谱仪通过如下来测量彩色：将所测量的光波分成波长区段，并且然后使用标准观察者曲线在这些区段上进行积分以从波长变换成标准cie彩色空间。

色度计经由光滤波器和/或光源的组合来着手解决相同的问题。在使用rgb滤波器（该rgb滤波器跨粗略地表示红色、绿色和蓝色的光谱频率来感测光）的色度计的情况下，色度计照亮对象并且然后从rgb滤波器读取回感测值。由rbg传感器提供的值直到在被转换到标准彩色空间之前并不是非常有用。

基于三色传感器的色度计以类似的方式工作，但是由滤波器覆盖的波长意味着紧密地遵循标准观察者曲线的那些波长。甚至在来自模拟标准观察者曲线的三色传感器的输出的情况下，也仍然需要一定程度的校准/转换以准确地表示彩色值（并且还计及装置到装置的差异）。对于光谱仪而言也是这种情况。

当比较这些类型的传感器对彩色进行测量的方式上的差异（或者一般而言比较在两种彩色上的差异）时，最典型地使用已知为δe的彩色差异标准。这是彩色空间“距离”的特殊形式，所述彩色空间“距离”已经被cie开发以模拟人眼感知彩色差异的方式。用于从感测值进行转换并且使传感器读数与标准彩色值之间的δe最小化的处理是仪器校准和设置变得重要之处，而且将严重影响彩色测量工具的准确性。

关于色度计的一个已知的问题是它们由于在光谱中的更少得多的可独立测量的参数而缺乏分光光度计的特异性（即，rgb光度计可能只测量r、g和b，然而分光光度计可以记录在可见光谱上的高分辨率反射率曲线）。诸如光学器件、激励源和探测器响应的固有设计差异使得色度计产生与分光光度计并且与其它色度计不同的结果。

由于前面提到的特异性（以及更大的感知准确性），经常将分光光度计测量用作为基准标准。感兴趣的是，在任何两个分光光度计之间确实地存在变化，并且常见的实践是对分光光度计进行校准以匹配给定的基准分光光度计的读数。该装置的经校准的准确性然后将基于所述装置对于基准装置的顺应性。

更一般地，所有彩色测量装置都是基于它们对某一基准装置的顺应性来评判的。因此，在彩色感测装置的开发中的挑战是找到一种允许装置与所给定的基准装置对准的方法。

技术实现要素：

虽然彩色测量准确性取决于在给定的彩色感测装置与基准装置之间的对准，但是对该问题的解决方案如在此所呈现的那样允许彩色测量装置对于任何基准彩色测量装置的对准。在一个特定的实施例中，在该方法的测试和开发中使用的基准装置可以是高端台式分光光度计。然而，将示出的是所公开的方法不依赖于任何特定的基准装置。

与本公开相一致的示例性实施例可以包括用于彩色感测装置的计算机实现的智能对准方法，所述彩色感测装置初始地获得由该彩色感测装置测量的原始感测值。原始感测值可以被转换成三色值。彩色感测装置可以是使用已知的彩色集校准的。从彩色感测装置接收到的原始读数可以被映射为已知的三色值，并且所映射的值可以被转换到标准基准光源彩色空间。

其它的示例性实施例可以包括客户端—服务器系统，在所述客户端—服务器系统中，彩色感测装置和一个或多个服务器可以共同执行根据本公开的操作。

对于本领域技术人员来说在当结合随附附图考虑时阅读以下公开的时候，本公开的许多其它目的、特征和优点将是容易地显见的。

附图说明

图1是表示实现彩色感测装置的示例性彩色感测系统的图。

图2是表示根据本公开的示例性实施例的基于云的彩色感测系统的图。

图3是表示在根据本公开的示例性实施例的彩色感测系统的组件之间的关系的图。

图4是表示根据本公开的用于在彩色感测系统中实现先验估计的示例性方法的流程图。

图5是表示根据本公开的用于在彩色感测系统中实现绝对调整的示例性方法的流程图。

图6是表示根据本公开的用于在彩色感测系统中实现k最近邻（knn）算法的示例性方法的流程图。

图7是表示根据本公开的用于在彩色感测系统中实现人工神经网络（ann）算法的示例性方法的流程图。

图8是表示根据本公开的用于在彩色感测系统中实现二次调整的示例性方法的流程图。

图9是表示根据本公开的用于实现与在彩色感测系统中相关联的云服务的示例性方法的流程图。

图10是表示根据本公开的用于实现与在彩色感测系统中相关联的云服务的替换的示例性方法的流程图。

图11是表示根据本公开的用于彩色感测系统的示例性校准方法的流程图。

具体实施方式

一般地参照图1—图11，现在可以更详细地描述计算机实现的智能对准系统并且针对于根据本公开的并且针对于初始地获得由根据本公开的彩色感测装置测量的原始感测值的该彩色感测装置。其中各个图可以描述与其它实施例共享各种共同的元件和特征的实施例，类似的元件和特征被给予相同的参照标号并且下面可以省略其冗余的描述。

如图1中表示的示例性彩色感测系统10可以包括但不限于彩色感测装置12和计算机程序产品20，该彩色感测装置12由基础模块14和至少一个彩色感测模块16的组合形成。程序产品（即程序指令）一般可以驻留在用户计算装置（例如，典型地是移动计算装置，诸如智能电话或平板计算机，但是也包括台式计算机等）的远离前面提到的模块或者另外地由移动计算装置可访问并且从移动计算装置可执行的计算机可读介质上。如下面进一步描述的那样，程序产品可以是在整体上从主机服务器（未示出）可下载到用户计算装置的，或者在各种各样的实施例中可以是分布式程序产品，包括从用户计算装置18可执行的一个或多个程序模块和从主机服务器经由通信网络26可执行的一个或多个程序模块。用户计算装置18可以包括可配置以执行程序模块的处理器24，并且可以进一步包括存储器22。

如在此关于在两方或更多方之间的数据通信或者另外地在与两方或更多方关联的通信网络接口之间的数据通信所使用的术语“通信网络”可以指示如下的中的任何一个或如下中的任何两个或更多个的组合：电信网络（无论是有线的、无线的还是蜂窝的等）、诸如因特网的全局网络、局域网、网络链路、因特网服务提供商（isp））以及中间通信接口。

本公开的彩色感测装置12可以是由彩色感测模块16单独地或者由基础模块14和彩色感测模块16的经由彩色感测模块16到基础模块14的直接耦合的组合来限定的。在实施例中，基础模块使得能够关于用户计算装置18进行去往以及来自彩色感测模块的远程通信。基础模块可以进一步限定用于多个感测模块中的任何一个或多个的基础的处理单元、通信接口和/或电源，所述多个感测模块可以在任何给定的时间可拆卸地耦合到基础模块。

在一个实施例中，彩色感测模块16可以是从由variable有限责任公司提供的传感器模块系列中选择的chroma^tm传感器模块，用于与基础模块（或者主机模块）一起使用，该基础模块可以是也如由variable有限责任公司提供的node^tm装置。

在实施例中，彩色感测模块16进一步包括加密认证（cryptoauthentication）芯片或者如在本领域已知的等同物，该加密认证芯片或者如在本领域已知的等同物使得能够关于基础模块14或任何其它专有系统如想要的那样来约束彩色感测模块16的使用。该芯片还可以进一步使得能够针对每个彩色感测装置12存储独特的校准信息。

替换地或者与加密认证芯片结合，符合本公开的实施例可以如在图2图示那样以各种各样的方式利用通信地连接到网络26的云客户端210和/或云服务220以便在本公开的精神和范围之内访问、存储和/或传输数据。例如，在一个实施例中，彩色感测装置12可以作为云客户端210起作用并且可以将数据提交到云服务220用于处理。替换地，云服务220可以存储与云客户端210关联的参数或者可以执行涉及与云客户端210关联的参数的处理，其中，该参数被传输到云客户端210以用于在彩色校准和/或处理中使用。像这样，云客户端210和云服务220这两者都可以在各种各样的实施例中取决于特定的实现来执行客户端或者服务器的角色。

如先前注意到那样，在一个实施例中基础模块14可以是如由variable有限责任公司提供的node单元。在该实施例中的基础模块14是具有微处理器和通信外围设备的中间硬件组件，该微处理器和通信外围设备处理与用户装置18（诸如智能电话等）的蓝牙通信。包括例如chroma的不同的感测模块可以被连接到基础模块14并且可以是在结构上彼此可互换的，同时保持不同的感测功能。

在一个实施例中，彩色感测装置12可以包括彩色感测模块16和具有相关联的运动感测功能的基础模块14。本公开的彩色感测方法可以相应地只有当基础模块验证彩色感测装置是静止时才被使能并且由此确保更准确的彩色测量。

在一个实施例中，彩色感测装置12可以包括彩色感测模块16和空气温度感测模块（未示出），这两者都可互换地可连接到在基础模块14上的多个连接端口中的任一个，其中彩色感测系统可以具有增强的彩色测量方法，该增强的彩色测量方法进一步基于所感测的周围温度。在特定的实施例中，温度感测模块是如由variable有限责任公司提供的clima装置，该clima装置进一步对感测大气气压压强、周围光、湿度等有效——针对它们中的每个的代表性输出可以补充彩色测量或者被另外地显示在用户装置上。

本公开的彩色感测系统10的计算机程序产品可以包括计算机指令，所述计算机指令驻留在计算装置（诸如例如智能电话或平板计算机）中的非暂态计算机可读介质上。替换地，计算机程序产品可以驻留在诸如服务器系统的非暂态计算机可读介质中，该服务器系统远离计算装置但是通信地链接到该计算装置以使得计算机程序产品的执行指引根据本公开的彩色感测、存储和比较方法的执行，彩色感测、存储和比较方法的至少部分包括：用于在计算装置的显示器上生成用户界面以及接收关于例如各种各样的显示参数的用户输入的步骤。

在示例性实施例中，计算机程序产品可以是或者包括如由variable有限责任公司提供的chroma智能手机应用，该chroma智能手机应用使得能够进行许多独特的特征，包括基础模块（即node）连接性、彩色感测、彩色显示、彩色比较、彩色信息存储、历史记录查找以及在下面的部分中列出的其它特征。

图3图示了根据本公开的示例性实施例的组件之间的关系。在一个实施例中，匹配表310可以与一个或多个批处理320相关联。匹配表310可以包括数据对应信息，诸如在彩色空间或基准数据之间的转换或映射信息。每个批处理320可以包括至少一个具有单独的传感器校准的彩色感测装置12，并且在一个实施例中可以被配置为根据相关联的δe值来对多个彩色感测装置12进行分组。如在本领域所理解的那样，δe值是如下彩色差异标准，该彩色差异标准传统地提及当由人眼观看时与所感知的彩色差异有关的彩色空间“距离”。

在一个实施例中，每个批处理320可以与绝对调整330相关联。绝对调整330可以被用于通过在各装置之间建立关系来使彩色感测装置12与特定的基准装置350对准。该关系可以被建模为数学函数，其中输入是要被对准的装置的未经调整的彩色读数，并且输出是与存储在匹配表360中的数据对应的基准装置350的彩色读数。该数学函数可以对应于等式1。

scanref=f(scandevice)（等式1）。

由于该函数的潜在的复杂性，通过纯粹的数学技法找出该函数可能是困难的。在一个实施例中，该困难可以通过如下来克服：将问题重新构造为对其而言可以使用函数近似算法的监督学习问题。

如在本领域中所理解的那样，监督学习是机器学习的一个分支，其中学习算法被提供一组输入和对应的正确输出。算法然后可以“学习”这些输入与输出之间的关系并且产生如下的模型：该模型可以被用于基于其已经被训练以进行学习的数据来预测未来的未知数据。因此，在此提出的策略在各种各样的实施例中可能牵涉针对于专门规定的彩色集来获得未经调整的彩色数据和基准装置数据。该数据然后可以被用于创建对在等式1中表示的函数进行近似的模型。在绝对调整之后的被变换的彩色读数可以被提及为经调整的彩色读数。

通过图3图示的系统可以包括二次调整（secondaryadjustment）340。在一个实施例中，二次调整340可以包括测量表面调整。

对彩色的准确的测量要求彩色感测装置12利用已知的光源照亮测量表面并且捕获该光的反射离开该表面的部分。该光的反射可能不仅仅基于彩色而变化，而且还基于基底的表面纹理和透光性而变化。很有可能的是想要的基准装置350可能与未经对准的彩色感测装置12不同地捕获来自粗糙的表面纹理的光。

对于精细地纹理化的表面而言这些效果可能是最小的，但是一些材料（诸如砖或地毯）可能是如此多孔以至于所述材料将极大地影响对反射的光的响应。为了针对给定的表面纹理准确地与基准装置对准，可以在绝对调整330之后串联地使用二次调整340。这允许绝对调整330作出对于在可见色域上将彩色感测装置12与基准装置350对准来说所需要的修改，并且允许二次调整340处理可能由于表面纹理而发生的任何种类的偏移。

除了针对表面纹理的二次调整340之外，还可能的是在一个示例性实施例中规避任何真实的对准，并且针对给定的彩色集建立的未经调整的彩色读数的数据库。这然后可以被用于简单地使未知的扫描与在数据库中的最接近的已知彩色“匹配”。

在一个实施例中，二次调整340可以包括人工神经网络（ann）处理。例如可以在按每一材料具有少于200个训练示例的不同的材料类型的小的集合上实现ann处理，并且在这样的实现中已经证明极大地改善在学习装置与基准装置350之间的对准。执行二次调整340的上面描述的方法可以是针对多个的任何材料/表面类型而开发的，对于每种材料/表面类型而言只使用少量训练样本。

在一个示例性实施例中，由于所实现的通用的彩色感测芯片的线性，装置校准可以被先验地执行以便使用最小二乘投影（等式2）将原始感测值转换成ciexyz（例如三色）值。

ax=b（等式2）

可以通过扫描大致地代表标准彩色色域的已知的小的彩色集（例如20-30个）来校准彩色装置。

经扫描的原始读数可以被映射到已知的三色值以便针对彩色装置创建至三色映射的标准感测。然后可以使用从彩色装置的光源的经测量的反射率曲线到d50/d65的色彩适配——例如通过使用bradford方法——来将这些映射的值转换成标准基准光源彩色空间（例如d50或d65）。在该示例性实施例中，在标准彩色空间中的经校准的装置读数可以被提及为未经调整的彩色读数。

通过经由批处理减少装置到装置的变化可以增加进一步的生产精度。批处理可以使用代表性的“批处理彩色集”，所述代表性的“批处理彩色集”大于或等于在初始的先验校准彩色集中的色彩的数目并且也表示全彩色色域。可以跨批处理彩色集基于针对每种彩色的最大的所允许装置到装置δe来将装置分组在一起。在此情况下，彩色感测装置12的批处理320可以是利用已知的单元到单元一致性来创建的。一旦彩色感测装置12被批处理成已知的最大δe，就可以使用多个方法中的任何一个来扫描来自所述批处理的代表性的（多个）彩色感测装置12，以便例如借助于上面描述的绝对调整330来针对批处理320中的所有彩色感测装置12使准确性最大化。

符合本公开的实施例可以包括指定的彩色集，该指定的彩色集使用数目减少的彩色均匀地覆盖可见彩色色域。例如，在一个实施例中，可以使用variable7300训练彩色集，该variable7300训练彩色集只实现7383种彩色。该彩色集在可见光谱上的均匀性在建立监督学习训练数据集合方面增加了所指定的彩色集的有效性。所指定的彩色集可以以四种一般的形式来实现：理论模型、理论模型的印刷表示、以及印刷模型的如由基准装置350测量的数字表示、和印刷模型的如由彩色感测装置12测量的数字表示。为了建立监督学习训练集，如由彩色感测装置12测量的指定的彩色集（例如variable7300）可以被与如由想要的基准装置350测量的同一指定的彩色集配对。

在图4图示了先验估计的示例性实施例。在步骤s401，从彩色感测装置12接收的原始感测值可以被转换成三色值，诸如ciexyz值等。在步骤s402，可以使用已知的彩色集来校准彩色感测装置12。已知的彩色集可以包括彩色色域的彩色的子集中的任何的子集。在一个实施例中，已知的彩色集可以包括variable7300彩色集或者variable7300彩色集的至少一部分。步骤s403将原始读数映射成已知的三色值。最后，在步骤s404，所映射的值被转换成标准基准光源彩色空间。标准光源彩色空间可以包括例如d50和/或d65光源彩色空间等。

图5提供了根据上面描述的绝对调整330的绝对调整处理的示例性实现。处理在步骤s501开始，在步骤s501，跨批处理彩色集地基于针对每种彩色的最大的容许δe来对装置进行分组。在步骤s502，学习输入与输出之间的关系以便产生用于未来的未知数据的模型。在步骤s503接收未经调整的彩色读数作为输入，并且在步骤s504根据所产生的模型来生成经调整的彩色读数。

在一个实施例中，原始扫描和基准扫描的整个监督训练集可以被存储在数据库中。当未经调整的彩色读数需要被对准时，可以使用机器学习技术（例如可以使用k最近邻、人工神经网络、或者其它的机器学习技术）。在一个实施例中，k最近邻（knn）算法可以针对对于未经调整的彩色读数的k个最接近的扫描通过数据库进行搜索。knn算法然后可以返回k个对应的基准扫描的加权的平均。knn算法的结果对于在指定的彩色集中或者在指定的彩色集附近的色彩而言是极其准确的。然而，当预测不是在指定的彩色集中的彩色附近的彩色时，该方法失去准确性。

在图6图示了符合上面注明的knn算法实现的示例性处理。在图6的步骤s601，存储原始扫描数据和基准扫描数据。在步骤s602，执行knn算法以针对对于未经调整的彩色读数的k个最接近的扫描进行搜索。最后，在步骤s603，返回与未经调整的彩色读数关联的k个基准扫描的加权的平均。

在另一实施例中，可以扫描指定的彩色空间（例如variable7300）的子集以创建监督学习训练集。该监督学习训练集可以被用于训练人工神经网络（ann）。ann是一种机器学习方法，其能够估计在训练集中出现的非常复杂的函数。在一个实施例中可以通过使用标准梯度下降反向传播算法来训练ann。

该方法的结果并不像针对在指定的彩色集上或附近的彩色的查找表那样准确，但是对于所有其它彩色而言可以极大地改善准确性。在实践中已经被示出的是用于训练ann的训练集可以被减小十倍而没有在性能上的重大劣化。当与knn方法比较时，ann被证明为更好地做到提供彩色感测装置12的误差的连续表示的工作。还有利的是，对于该方法而言所需要的基准扫描的数目是knn方法的十分之一，这可以极大地减少生产成本。

通过图7图示了上面描述的ann算法的示例性实现，该实现在步骤s701通过训练ann开始。在步骤s702，接收未经调整的彩色读数。在步骤s703，通过ann算法基于与所处理的训练数据关联的ann连续表示来返回彩色。

图8提供了根据本公开的一个实施例的二次调整340的示例性实现。图8的步骤s801提供了根据不同的材料类型和/或表面来开发二次ann。在步骤s802，对先前根据绝对调整330处理的彩色数据进行操作。在步骤s803提供已经被基于材料和/或表面类型调整了的彩色。

基于云的系统可以允许将上面注明的技术分发到大量的装置。如在图3中可以看到的那样，云服务可以可缩放地封装所有的校准、批处理、调整方法和高等数学并且允许对准方法由彩色感测装置12的终端用户访问。另外，其可以准许实现可以利用未经调整的彩色读数或利用完全对准的读数来执行的相对简单的彩色“匹配”服务。

如果给定的彩色感测装置12具有高的精度但是缺少与其基准装置的对准，则可以通过简单地获得想要的对象/彩色的未经调整的cie标准彩色读数库来创建匹配服务以进行匹配。当要求对于真实世界扫描来说最接近的匹配（最小的δe可以被用于表示如由人眼看到的彩色相似性）时，系统必须只把其未经调整的扫描与想要的原始读数库进行比较并且返回最接近的匹配的认定。用于该方法的数据是通过图3的匹配表310表示的。

上面描述的方法可以对于几乎任何类型的彩色/表面纹理组合而言是有效的，但是具有两个潜在的弱点。首先，其缺失给出被准确地对准于基准装置350的读数的能力。对于彩色感测装置12而言容易认识到它之前已经“看到”了相似的彩色并且对用户给出关于该相似的彩色的信息，但是彩色感测装置12并不知道基准装置350将如何测量该彩色。最后，因为这在绝对调整330之前发生，所以其要求针对装置的每个批处理320创建库（参见图3）。从生产的角度来看这可能是非常昂贵的。

对于这两个问题的（通过ann的准确性改善而使得是可能的）一个解决方案是在绝对调整330方法和二次调整340方法之后建立基准库。一旦已经应用了特定批处理的绝对调整330和二次调整340，所有彩色感测装置12就彼此对准并且与基准装置350对准。从这点上说，可能看到的是彩色感测装置12将能够提供基准对准的读数，并且单个基准库将针对彩色感测装置12的每个批处理320起作用。值得注意的是，如上面描述那样，基准装置350并不限制于特定的装置。相反，根据本公开任何装置可以被限定为基准装置350。

一旦已经获得了对于针对单个彩色感测装置12建立对准模型来说所需要的全部数据，该数据就必须能够由彩色感测装置12本身访问。所述数据可以被存储在彩色感测装置12上的直接存储器中。然而，一个关注可能是：是否可能创建新的对准方法，其引起彩色感测装置12变得过时。更新各单独的装置以在新的对准方法的情况下起作用将是极其低效的。

如上面提到那样，对此的一个解决方案是实现如下的实施例：该实施例被配置为在可以由彩色感测装置12例如经由连接了因特网的客户端装置访问的云数据库中存储、保持和更新该数据。根据该示例性实施例的数据库可以以两种主要的方式来利用，每种方式自然要求一定程度的因特网连接性以访问云数据库。当前，蓝牙无线电技术可以准许装置与一个或多个连接了因特网的客户端装置进行交互，该一个或多个连接了因特网的客户端装置可以被配置为充当云客户端210。替换地，彩色感测装置12可以包括准许彩色感测装置12充当其自己的云客户端210的机载因特网连接性。替换地或者与这些示例性实施例结合地，彩色感测装置12可以包括准许彩色感测装置连接到作为云客户端210或云服务220起作用的外部装置的机载因特网连接性。

云客户端210可以以多种方式与云服务220进行交互。在一个实施例中，云客户端210可以连接到云服务220。彩色感测装置12可以被连接到将充当云客户端210的因特网使能的装置。彩色感测装置12可以将其独特的id经由云客户端210中继到云服务220。云服务220可以利用独有于彩色感测装置12的对准数据来进行响应。该信息可以被存储在因特网使能的装置处，在该因特网使能的装置中软件应用可以执行处理以利用对准数据并且处理基准对准的彩色测量。替换地，该信息可以被传输到彩色感测装置12，所述彩色感测装置12可以执行处理以利用对准数据和基准对准的彩色测量。

在一个实施例中，前面提到的与云服务220进行交互并且将数据存储在客户端因特网使能的装置上的软件应用可以被封装成软件应用编程接口（api），并且可以被使得对于由应用和软件开发者使用而言是可用的。如果开发了新的对准方法或者更多的基准库被添加到云数据库，则云服务220可以准许无缝地更新存储在客户端应用中的信息，并且api可以依靠因特网连接性或者在存在因特网连接性时自动地检测和/或请求更新。这允许装置在其使用寿命内变得“更聪明”而不需要调用或者麻烦的装置固件更新。

在另一实施例中，云服务220可以执行所有的对准操作或者对准操作的一部分。与依赖于云客户端210来执行对准计算不同，其可以简单地将原始传感器读数和独特的装置id中继到云服务220并且允许任何的或全部的调整在云中远程地执行。虽然这要求因特网连接性以接收经调整的扫描，但是对于很多原因（例如连接性、可分布性等）而言该实施例可能是想要的。

在一个实施例中，它们的彩色感测装置12的各种各样的功能可能（例如为了安全目的）被约束。在一个设置中，许多原始传感器读数可以是在单一的时间记录的，然后可能立即接收到它们被通过许多对准方法调整的请求，可以根据任何未来的对准方法来执行对准方法。允许由云服务220执行所有的计算可能要求因特网连接性，但是还从终端用户的角度添加许多自主性。

图9提供了根据本公开的基于云的系统的示例性实现。在步骤s901，例如通过彩色感测装置12将传感器id提供给（多个）客户端装置。如上面描述那样，客户端装置可以包括连接了因特网的装置或彩色感测装置12等，或者可以是与彩色感测装置12通信的分离的装置。在步骤s902，客户端装置可以例如从云服务220请求校准数据。在步骤903，响应数据和/或匹配数据可以被返回到客户端装置。在步骤s904，客户端装置可以执行对应于响应数据和/或匹配数据的调整操作。

图10提供了根据本公开的基于云的系统的另一示例性实现。与由图9图示的处理相反，在由图10图示的处理中，可以由云服务220来执行所有对准。在步骤s1001，彩色感测装置12将原始传感器读数和传感器id发送到客户端装置。客户端装置将原始传感器数据和传感器id连同调整类型一起发送到云服务220。在步骤s1003，云服务可以执行对应于原始传感器读数、传感器id和/或调整类型的操作。在步骤s1004，经对准的彩色数据和/或匹配数据可以被返回到客户端装置。

如先前描述那样，根据本公开的示例性彩色感测方法可以包括使用先验估计的针对传感器校准的算法。由于在本公开的各种示例性实施例中使用的彩色感测芯片（例如chroma彩色感测模块）的线性，如在图11中表示的先验传感器校准算法1100的一个示例性实施例使得传感器能够以0.6%的平均准确度来检测彩色的三色坐标。

根据方法1100的一个示例，已知的macbethcielab值可以被转换成ciexyz三色（xyz）值，所述ciexyz三色（xyz）值在该阶段可以基于d50光（步骤1101）。通过使用变换方法——例如如在本领域中已知的bradford变换——将这些值转换成基准光（例如通过转换成d65基准光），从而执行这些值的色彩适配（步骤1102）。本公开的彩色感测模块然后从彩色再现图（例如macbeth色卡（colorchecker））或者被用作为校准目标的其它彩色再现图生成原始红色、绿色和蓝色传感器测量（步骤1103）。

主机系统可以生成对cie三色（xyz）矩阵的传感器（步骤1104），所述cie三色（xyz）矩阵可以被用于把来自彩色传感器的未来的输出值先验地转换成cie三色值。为了该目的，所生成的三色矩阵可以被存储到存储器，诸如例如在彩色感测模块中的加密认证芯片（步骤1105）。在替换的实施例中，所生成的三色矩阵可以是使用云服务220存储的，如先前描述那样并且如在图2图示那样。

在生成三色矩阵之后，在图11图示的处理可以根据在此描述和图示的（例如通过图4到图10）的处理继续。

在各种实施例中，用户可以进一步选择多个照明条件中的一个或多个，其中第一和至少第二彩色是根据所选择的照明条件显示的、或者只有第一彩色可以是根据多个所选择的照明条件显示的等。

贯穿说明书和权利要求书，除非上下文另外指明，否则以下术语至少采用明确地关联于此的含义。下面所标识的含义未必对术语进行限制，而是仅仅为术语提供说明性的示例。“一”、“一个”和“该”的含义可以包括复数引用，并且“在...中”的含义可以包括“在...中”和“在...上”。如在此所使用的短语“在一个实施例中”未必提及同一实施例，虽然它可以提及同一实施例。

取决于实施例，某些动作、事件或者在此所描述的算法的任何一个的功能可以是以不同的顺序执行的，可以被添加、合并或者被一起省去（例如，不是所有被描述的动作或事件对于算法的实践而言是必要的）。此外，在某些实施例中，动作或事件可以被同时执行，例如通过多线程处理、中断处理或者多个处理器或处理器核或者在其它并行架构上执行，而不是按顺序地执行。

与在此公开的实施例有关地描述的各种说明性的逻辑块、模块和算法步骤可以被实现为电子硬件、计算机软件或者两者的组合。为了清楚地说明硬件和软件的这种可互换性，各种说明性的组件、块、模块和步骤已经在上面就它们的功能而被一般地描述。这样的功能是被实现为硬件还是软件取决于强加在整体系统上的特定应用和设计约束。所描述的功能可以是针对每个特定的应用以变动的方式实现的，但是这样的实现决定不应当被解释为引起从本公开的范围的脱离。在各种实施例中，软件可以由处理器执行以引起处理器执行操作。这些操作可以对应于在各图中图示的并且在此所描述的算法和/或流程图。

与在此所公开的实施例有关地描述的各种说明性的逻辑块和模块可以是通过被设计为执行在此所描述的功能的机器——诸如一般目的的处理器、数字信号处理器（dsp）、应用专用集成电路（asic）、现场可编程门阵列（fpga）或者其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件或者它们的任何组合——来实现或执行的。一般目的的处理器可以是微处理器，但是在替换例中，处理器可以是控制器、微控制器或者状态机或者所述控制器、微控制器或者状态机的组合等。处理器还可以被实现为计算装置的组合，例如，dsp和微处理器的组合、多个微处理器、与dsp核结合的一个或多个微处理器、或者任何其它这样的配置。

与在此公开的实施例有关地描述的方法、处理或算法的步骤可以被直接地体现在硬件中、体现在由处理器执行的软件模块中或者体现在两者的组合中。软件模块可以驻留在如下之中：ram存储器、闪速存储器、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移除盘、cd-rom或者本领域中已知的任何其它形式的计算机可读介质。示例性的计算机可读介质可以被耦合到处理器以使得处理器可以从存储器/存储介质中读取信息并且可以将信息写入到存储器/存储介质。在替换例中，介质可以集成到处理器。处理器和介质可以驻留在asic中。asic可以驻留在用户终端中。在替换例中，处理器和介质可以作为分立的组件驻留在用户终端中。

除非另外特别地声明，或者在如所使用的上下文内另外地理解，否则在此所使用的条件语句，除了其它以外还有诸如“能够”、“可能”、“可以”和“例如”等一般地意图传达某些实施例包括某些特征、元件和/或状态而其它实施例不包括该某些特征、元件和/或状态。因此，这样的条件语句并非一般地意图暗示：特征、元件和/或状态是对于一个或多个实施例而言以任何方式被要求的；或者暗示一个或多个实施例必然地包括用于决定——在具有或没有编写者输入或提示的情况下——这些特征、元件和/或状态是否被包括在任何特定的实施例中或者要在任何特定的实施例中被执行的逻辑。

已经为了说明和描述的目的而提供了先前的详细描述。因此，虽然已经描述了在此阐述的各种示例性实施例，但是除了如在下面的权利要求书中阐述的之外并非意图这样的提及被解释为对本发明的范围的限制。