在三维模型贴图绘制和PBR材质制作流程里，材质编辑不一致是一个非常常见的痛点：同一个部件本该是同一种金属质感，结果不同区域反射率对不上；接缝两侧颜色跳变；用笔刷反复涂抹后整体色调越来越花。造成这些问题的根源通常在于编辑操作是以像素或笔刷轨迹为单位的，缺乏对"区域"这一语义层级的抽象。材质聚类与区域编辑正是针对这个根因的解决方案：先通过聚类算法把模型表面或纹理图集划分成材质语义一致的簇，再把编辑操作约束在簇内部或以簇为单位传播，从而保证同簇材质的一致性。下面我们从特征表示、聚类算法、区域编辑流程三个层面详细展开。
为什么逐像素编辑会导致材质不一致
传统的贴图绘制方式，无论是直接在UV空间用笔刷画，还是在三维视口上投射绘制，本质上都是对纹理图像素做局部修改。这种方式的问题在于：材质的语义边界（哪里是金属、哪里是橡胶、哪里是涂装）和像素空间并不对齐。创作者凭手感画出来的边界天然带有噪声，同一个语义区域被多次涂抹后，各处像素的统计特性就会逐渐漂移。
举个例子，给一个机械模型的外壳喷涂军绿色涂装。如果逐笔刷绘制，第一笔和第十笔的颜色可能只差几个色阶，肉眼在局部看不出来，但当渲染场景的光照变亮时，这些细微差异会被高光放大，呈现明显的斑块感。这就是典型的"编辑不一致"，它不是某个单次操作出错，而是无数次局部操作的误差累积。
从信号处理的角度看，逐像素编辑相当于在没有先验约束的情况下对信号做随机扰动，误差会随编辑次数线性累积。而聚类编辑相当于先对信号做分割，把编辑约束在一个统计特性稳定的子空间内，误差被限制在簇边界，不会向内部扩散。这就是为什么工业级贴图软件都在向"基于遮罩的分层编辑"演进，而聚类的本质就是自动生成高质量遮罩。
材质特征提取与聚类算法选择
聚类的第一步是定义"什么算同一材质"。常用的特征有三类：纯颜色特征（RGB或LAB色空间的像素值）、纹理特征（Gabor滤波器响应、LBP局部二值模式、小波系数）以及几何特征（法线、曲率、空间坐标）。实践中把它们组合成特征向量效果最好，因为颜色相近的两种材质可能纹理完全不同，例如黑色塑料和黑色橡胶。
算法选择上，K-Means适合颜色聚类这种特征空间呈近似凸分布的场景，计算快且实现简单；DBSCAN适合材质块边界不规则、存在孤立噪点的场景，能自动剔除噪声像素；Graph Cut或SLIC超像素则更适合需要边界紧贴几何边缘的场景。下面给出一个用LAB颜色加Gabor纹理特征做K-Means聚类的Python示例，输入是一张反照率贴图：
import numpy as np
import cv2
from sklearn.cluster import KMeans
def extract_features(albedo_img):
# 颜色特征：转到LAB空间，感知上更均匀
lab = cv2.cvtColor(albedo_img, cv2.COLOR_BGR2LAB).astype(np.float32)
# 纹理特征：多方向多尺度Gabor滤波响应
gabor_feats = []
for theta in [0, np.pi/4, np.pi/2]:
for freq in [0.1, 0.3]:
kernel = cv2.getGaborKernel((21, 21), 4.0, theta, freq, 0.5, 0)
resp = cv2.filter2D(albedo_img, cv2.CV_32F, kernel)
gabor_feats.append(np.abs(resp).mean(axis=2))
gabor = np.stack(gabor_feats, axis=-1)
# 颜色权重高于纹理权重，按需调整
feats = np.concatenate([lab, gabor * 0.5], axis=-1)
return feats.reshape(-1, feats.shape[-1])
def cluster_materials(albedo_img, n_clusters=5):
feats = extract_features(albedo_img)
km = KMeans(n_clusters=n_clusters, n_init=10, random_state=0)
labels = km.fit_predict(feats)
return labels.reshape(albedo_img.shape[:2])
albedo = cv2.imread('albedo.png')
labels = cluster_materials(albedo, n_clusters=5)
cv2.imwrite('material_clusters.png', (labels * 50).astype(np.uint8))这段代码的关键点有两个：一是把颜色转到LAB空间再做聚类，因为LAB的欧氏距离更接近人眼对色差的感知，聚出来的簇在视觉上更一致；二是Gabor特征乘了0.5的权重系数，纹理特征只用来区分"颜色接近但材质不同"的情况，权重过大会导致同色区域被纹理噪声切碎。另外，K值的选取可以用肘部法或者轮廓系数扫描，经验上贴图聚类K取材质种类数的1.5到2倍，再合并过小的簇，效果比较稳定。
如果聚类结果出现椒盐噪点（簇内部散布着零星异类像素），可以在聚类后做一步形态学后处理：先对标签图做开运算去掉孤立点，再做多数投票滤波，用邻域内出现最多的标签替换中心像素。这一步成本很低，但能显著改善后续区域编辑的边界质量。
基于聚类结果的区域编辑与传播
有了聚类标签图，编辑方式就从"逐像素刷"升级为"以簇为单位调"。最基本的操作是簇内统一调色：对目标簇做颜色迁移，把该簇所有像素的均值和方差对齐到参考材质。假设创作者选定一个簇，希望它匹配某个目标色，可以用线性变换实现：
def recolor_cluster(albedo, labels, target_cluster, target_bgr):
mask = (labels == target_cluster)
region = albedo[mask].astype(np.float32)
src_mean = region.mean(axis=0)
src_std = region.std(axis=0) + 1e-6
tgt = np.array(target_bgr, dtype=np.float32)
# 保持簇内原有明暗变化，只改变整体色调与对比度
adjusted = (region - src_mean) / src_std * 40.0 + tgt
adjusted = np.clip(adjusted, 0, 255)
result = albedo.copy()
result[mask] = adjusted.astype(np.uint8)
return result
result = recolor_cluster(albedo, labels, target_cluster=2,
target_bgr=(80, 110, 70)) # 军绿色这种标准化变换的好处是簇内原有的明暗层次（划痕、污渍、AO）全部保留，只整体平移色调，不会出现"刷平了"的塑料感。如果需要更精细的控制，可以把簇当作遮罩交给任意调色工具，比如在遮罩约束下做直方图匹配或HSL偏移。
更进一步的是编辑传播。创作者往往希望"在这个簇上调好一小块，效果自动应用到全簇"，甚至应用到特征相似的其它簇。实现思路是选取一个种子区域，计算其颜色统计模型（比如高斯混合模型），然后在全簇范围内把偏离该模型过远的像素拉回来。这相当于对簇做了一次统计意义上的再一致性化，编辑不再是孤立操作而是可传播的约束。需要注意传播强度要留衰减，距离种子区域越远修正越弱，否则会把本该存在的自然变化（如AO阴影）也抹掉。
接缝处理与边界平滑的实战要点
区域编辑最大的坑在簇边界。如果直接沿聚类标签硬切，编辑后的贴图在簇交界处会出现生硬的色阶跳变，比逐像素编辑的瑕疵更刺眼。解决方法是引入软边界：对标签图做小半径高斯模糊得到簇的置信度图，编辑强度按置信度渐变，边界处两个簇的编辑效果自然过渡。模糊半径通常取2到4像素，太大会导致相邻材质互相污染，太小则过渡不平滑。
另一个常见问题是UV接缝。聚类是在UV空间做的，但UV展开的接缝两侧本是同一块表面，聚类时可能被分到不同的簇。解决办法是把几何信息纳入特征：利用三维顶点坐标或曲率作为附加特征维度，让空间上相邻的面片更容易聚到一起；或者在聚类后做一次基于网格连接关系的标签合并，遍历网格边，把跨越UV接缝但几何相邻、特征相近的簇合并。Substance Painter等软件的填充图层配合智能遮罩，本质上就是在做类似的事情，只是把流程封装到了笔刷系统里。
最后建议把聚类结果缓存为一张单独的标签贴图，而不是每次编辑都重新聚类。材质划分在整个编辑过程中基本不变，缓存标签图既保证多次编辑的一致性，也把聚类成本摊销到零。编辑器层面再提供"手动改标签"的画笔，允许创作者修正个别误分类像素，人机结合的方案在实际项目里远比全自动稳定。
总结一下，材质聚类与区域编辑的核心思想是把编辑操作的粒度从像素提升到语义区域：特征提取定义了什么算同一材质，聚类算法完成自动划分，软边界和统计传播保证了编辑结果的自然与一致。这套方法不仅适用于贴图调色，同样可以迁移到粗糙度、金属度等PBR通道的编辑上，是提升材质制作效率和质量的通用思路。