近年来,由于独特的外貌特性,金属漆已经被广泛用于汽车制造等行业。这种特殊颜料在不同的照明与观察几何条件下会展现不同的颜色效果。工业界常用的便携式多角度测色仪只包含少数特定的照明与观察几何条件,如何通过这些条件下的测量值表征其他条件下的颜色变化成为一个重要的研究方向。同时,由于人眼对金属漆纹理判断的低效和不确定性,基于数码相机的金属漆纹理表征对工业应用显得尤为迫切和必要。本文通过视觉实验获取了金属漆样本的视觉纹理,基于数码相机捕获图像而构建了两个不同的纹理预测模型,并采用视觉数据和预测纹理的相关性来分析模型精度。同时,利用金属漆颜色变化与金属薄片数量随倾斜角度高斯分布的关系构建了多角度颜色预测模型,并通过计算模型预测颜色和实测颜色之间的色差验证了模型的性能。为了使模型预测纹理与人眼感知相匹配,本研究首先采用灰阶法获取了 12位观察者对128块金属漆样本的纹理评价数据,利用STRESS和CV值验证了数据的有效性。然后,对Nikon D3X相机拍摄的金属漆样本纹理图像进行暗场校正、空间均匀性校正和色度特征化处理,并用于构建纹理预测模型。本文采用多项式构建色度特征化矩阵,分析了多项式中不同RGB组合形式对色度特征化精度的影响,还比较了利用35个金属漆样本训练和利用ColorCheckerDigitalSG色卡训练的色度特征化精度,并最终选择基于35个金属漆样本训练得到的色度特征化矩阵用于纹理图像RGB信号到CIE三刺激值之间的转换。此外,样本图像的纹理特征提取分别采用了拉普拉斯金字塔和灰度差分算法。将拉普拉斯金字塔中的分解图像转换到频谱,构建了傅里叶能量与视觉纹理之间的多项式模型;通过灰度差分算法得到了熵、平均值以及对比度等纹理特征,并最终构建了熵值和视觉纹理之间的模型。根据模型预测纹理和视觉纹理之间的相关系数,基于拉普拉斯金字塔和基于灰度差分法的纹理预测模型均有较好的预测精度。在多角度颜色预测模型构建过程中,使用X-Rite MA98多角度测色仪获取了 85块金属漆样本在19个照明与观察几何条件下的光谱数据和CIE三刺激值数据。利用金属薄片分布的合理假设,结合光在金属漆表面折射时的能量损失,构建了基于光谱反射因数的金属漆多角度颜色预测模型,并利用光谱与CIE三刺激值的转换关系衍生出基于三刺激值的多角度颜色预测模型。CIEDE2000和CAM02-SCD色差公式的计算结果表明,不同照明体对模型预测精度的影响较小,而且相同照明体下两个模型之间的预测颜色差异也并不明显。此外,两个模型可以分别利用4、5和6个常用照明与观察几何条件下的测量值预测其他条件下的颜色。分析发现,4和5个照明与观察几何条件的特定组合能够达到6个照明与观察几何条件的预测精度,说明了模型的灵活性和良好的预测性能。最后,在对本文所作研究工作进行总结的基础上,就其存在的问题及后续进一步研究的方向做出了展望。