
GaiaField 便攜式成像光譜系統(tǒng)案例分享:高光譜在文物保護(hù)方面的應(yīng)用(下)
補(bǔ)雅晶等人提出了一種基于可見(jiàn)光譜特征提取的敦煌壁畫(huà)顏料無(wú)損識(shí)別方法,通過(guò)分析不同顏料的光譜反射特性,提取光譜曲線的二階導(dǎo)數(shù)負(fù)數(shù)部分表征峰值區(qū)域幾何輪廓信息,并采用中值金字塔降采樣進(jìn)一步突出重要光譜特征。研究建立了含48種顏料的光譜數(shù)據(jù)庫(kù),通過(guò)計(jì)算歐氏距離自動(dòng)識(shí)別顏料。以敦煌壁畫(huà)為例,成功識(shí)別了不同窟室的藍(lán)色、綠色和紅色顏料。該方法快速無(wú)損,為壁畫(huà)數(shù)字存檔與修復(fù)提供科學(xué)依據(jù),展現(xiàn)出實(shí)用性與**性,為文物顏料非接觸式分析開(kāi)辟了新路徑。
圖10.(a)249窟斗形頂正披阿修羅藍(lán)色顏料識(shí)別結(jié)果;(b)220窟南壁綠色顏料識(shí)別結(jié)果;(c)310窟北壁紅色顏料識(shí)別結(jié)果
文物污漬檢測(cè)及修復(fù)方面。古畫(huà)和谷物在長(zhǎng)期的保存過(guò)程中,由于自然環(huán)境和人為保存不當(dāng)?shù)纫蛩氐挠绊懀:忻棺?、水漬、煙熏、蠅糞、油斑等污漬,影響其欣賞或收藏價(jià)值。因此,針對(duì)污漬的檢測(cè)與虛擬修復(fù)技術(shù)逐漸成為文物保護(hù)領(lǐng)域的重要研究方向。
周新光等人研究了高光譜圖像系統(tǒng)在提取傳統(tǒng)書(shū)畫(huà)作品中模糊印章信息方面的應(yīng)用。文章采用350-1000 nm高光譜成像技術(shù),通過(guò)*小噪聲分離方法處理數(shù)據(jù),顯著提升印章辨識(shí)度(圖11)。該技術(shù)還能揭示修復(fù)痕跡,為印章真實(shí)性及文物藝術(shù)價(jià)值研究提供科學(xué)依據(jù),解決了模糊不清印章的辨識(shí)難題。
圖11.560~850nm下MNF處理結(jié)果(上方為處理前高光譜圖像合成圖,下方為處理后高光譜圖像合成圖)
王珺等人研究了基于高光譜成像技術(shù)和深度學(xué)習(xí)模型對(duì)青銅器銹蝕類別進(jìn)行智能標(biāo)識(shí)的方法,為青銅器的保護(hù)和修復(fù)提供了科學(xué)依據(jù)。針對(duì)青銅器銹蝕識(shí)別難題,提出基于分組LSTM與CNN的MGLC網(wǎng)絡(luò)方法,結(jié)合光譜與空間特征提升識(shí)別精度。實(shí)驗(yàn)顯示,MGLC在分類精度、區(qū)域性和分界清晰度上優(yōu)于傳統(tǒng)方法,能精準(zhǔn)識(shí)別六類銹蝕分布(圖12),并生成銹蝕分布圖,為文物保護(hù)、修復(fù)提供科學(xué)參考。
圖12.不同算法在青銅器數(shù)據(jù)集有標(biāo)簽面的全圖分類結(jié)果
周平平等人在研究中提出了一種基于高光譜影像分類線性回歸的古畫(huà)污漬虛擬修復(fù)方法,針對(duì)清代絹本古畫(huà)上存在的油漬污染區(qū)域,通過(guò)高光譜成像技術(shù)結(jié)合支持向量機(jī)(SVM)分類和人工神經(jīng)網(wǎng)絡(luò)(ANN),對(duì)污漬區(qū)域內(nèi)隱含信息進(jìn)行提取。研究通過(guò)分析影像中油漬影響小的波段,建立分類線性回歸模型校正污染波段,恢復(fù)油漬覆蓋區(qū)的原始顏料和色彩。修復(fù)后影像(圖13)顯現(xiàn)出污漬下的顏料信息,葉脈紋絡(luò)清晰可見(jiàn)。實(shí)驗(yàn)證明,該方法能有效提取隱藏信息,恢復(fù)古畫(huà)原貌,提升藝術(shù)表現(xiàn)力與鑒賞價(jià)值。
圖13.古畫(huà)虛擬修復(fù)實(shí)驗(yàn)結(jié)果
孫美君等人基于近紅外高光譜技術(shù),提出了一種用于敦煌莫高窟壁畫(huà)起甲病害風(fēng)險(xiǎn)評(píng)估的方法。研究利用高光譜成像系統(tǒng)建立壁畫(huà)病害光譜數(shù)據(jù)庫(kù),采用PLSR、PCA+SVM、PCA+ANN模型評(píng)估起甲病害風(fēng)險(xiǎn)。PLSR模型表現(xiàn)*佳,生成逐像素風(fēng)險(xiǎn)分布圖。結(jié)果顯示,模型準(zhǔn)確評(píng)估了壁畫(huà)脫落情況,驗(yàn)證了高光譜技術(shù)在壁畫(huà)病害評(píng)估中的有效性,有助于病害探測(cè)與保護(hù)。
圖14.壁畫(huà)起甲風(fēng)險(xiǎn)評(píng)估圖。**列為壁畫(huà)的彩色*像,**列為原始圖像的高光譜圖像示意圖,第三列為PLSR模型預(yù)測(cè)得到的風(fēng)險(xiǎn)評(píng)估圖
Hou等人提出了一種利用高光譜成像技術(shù)從壁畫(huà)煙塵中提取隱藏信息的有效方法,以提高古代壁畫(huà)圖案的視覺(jué)價(jià)值。首先,采用*小噪聲分?jǐn)?shù)變換去除壁畫(huà)背景中的煙塵特征;其次,利用光譜特征分析和圖像減法對(duì)壁畫(huà)進(jìn)行特征增強(qiáng);*后進(jìn)行密度切片,提取煙塵下的圖案(圖15)。該方法對(duì)隱藏信息的提取準(zhǔn)確率達(dá)到了88.97%。
圖15.利用密度分割法提取隱藏信息:區(qū)域1的彩色*像(a)由原始高光譜圖像合成,DN值轉(zhuǎn)換起始值為0,圖案以白色突出顯示(b),并通過(guò)密度分割法在閾值7.95下提取出圖案(c);區(qū)域2的彩色*像(d)同樣經(jīng)過(guò)DN值轉(zhuǎn)換,起始值設(shè)為0,圖案以白色顯示(e),隨后在閾值6.55下通過(guò)密度分割法提取出圖案(f)。
總結(jié)與展望
高光譜成像技術(shù)作為一種新興的無(wú)損檢測(cè)手段,憑借同時(shí)獲取高光譜數(shù)據(jù)與空間圖像的獨(dú)*優(yōu)勢(shì),在文物保護(hù)與修復(fù)領(lǐng)域展現(xiàn)出巨大的應(yīng)用潛力。當(dāng)前,該技術(shù)已被應(yīng)用于書(shū)畫(huà)顏料成分鑒定、隱藏信息提取、病害分析及修復(fù)效果評(píng)估等方面,能夠有效揭示文物的材質(zhì)特征、制作工藝及歷史信息,為文物科技工作提供了一種高效、精準(zhǔn)的技術(shù)途徑,也進(jìn)一步推動(dòng)文物科技工作的**與發(fā)展。
高光譜成像技術(shù)在文物保護(hù)領(lǐng)域的發(fā)展有望與深度學(xué)習(xí)和人工智能算法相結(jié)合,提高高光譜數(shù)據(jù)的自動(dòng)化分析能力,實(shí)現(xiàn)文物病害的快速識(shí)別與精準(zhǔn)分類。同時(shí),開(kāi)發(fā)更加輕便、實(shí)用的高光譜設(shè)備,拓展其在野外考古與現(xiàn)場(chǎng)保護(hù)中的應(yīng)用,將成為重要的發(fā)展方向。此外,結(jié)合其他檢測(cè)技術(shù)(如X射線熒光、紅外成像等),建立多技術(shù)聯(lián)合分析平臺(tái),將**提升文物研究與修復(fù)工作的精度與效率。隨著技術(shù)的持續(xù)**與優(yōu)化,高光譜成像技術(shù)必將在文物保護(hù)與修復(fù)領(lǐng)域發(fā)揮更加關(guān)鍵的作用,為文化遺產(chǎn)的傳承與保護(hù)提供堅(jiān)實(shí)的科技支撐。
參考文獻(xiàn)
補(bǔ)雅晶, 萬(wàn)曉霞, 李俊鋒, 梁金星, & 李禪. (2017). 基于可見(jiàn)光譜特征提取的敦煌壁畫(huà)顏料識(shí)別方法研究. 文物保護(hù)與考古科學(xué), 29(3), 45–51.
丁新峰. (2015). 基于高光譜成像技術(shù)的文物顏料研究 [碩士, 北京建筑大學(xué)].
鞏夢(mèng)婷, 張秋佳, 杜少飛, & 詹寧思. (2021). 高光譜成像技術(shù)對(duì)宜賓市博物院藏族譜印記的分析. 文物保護(hù)與考古科學(xué), 33(5), 78–84.
郭新蕾, 張立福, 吳太夏, 張紅明, & 羅旭東. (2017). 成像光譜技術(shù)的古畫(huà)隱藏信息提取. 中國(guó)圖象圖形學(xué)報(bào), 22(10), 1428–1435.
孫美君, 柴勃隆, 張冬, 王征, & 孫濟(jì)洲. (2016). 基于近紅外高光譜技術(shù)的敦煌莫高窟壁畫(huà)起甲病害風(fēng)險(xiǎn)評(píng)估方法. 文物保護(hù)與考古科學(xué), 28(4), 1–8.
王珺, 孫進(jìn)越, 俞凱, 劉成, 吳晨, 陳有路, & 胡琦瑤. (2021). 基于分組LSTM與CNN的青銅器銹蝕類別智能標(biāo)識(shí)方法. 西北大學(xué)學(xué)報(bào)(自然科學(xué)版), 51(5), 778–786.
周平平, 侯妙樂(lè), 趙學(xué)勝, 呂書(shū)強(qiáng), 胡云崗, 張學(xué)東, & 趙恒謙. (2017). 基于高光譜影像分類線性回歸的古畫(huà)污漬虛擬恢復(fù). 地理信息世界, 24(3), 113–118.
周新光, 沈驊, & 吳來(lái)明. (2020). 高光譜圖像系統(tǒng)應(yīng)用于模糊印章的提取研究. 文物保護(hù)與考古科學(xué), 32(1), 56–60.
Han, D., Ma, L., Ma, S., & Zhang, J. (2020). The digital restoration of painted patterns on the No. 2 Qin bronze chariot based on hyperspectral imaging. Archaeometry, 62(1), 200–212.
Hou, M., Cao, N., Tan, L., Lyu, S., Zhou, P., & Xu, C. (2019). Extraction of Hidden Information under Sootiness on Murals Based on Hyperspectral Image Enhancement. Applied Sciences, 9(17), 3591.
Hou, M., Zhou, P., Lv, S., Hu, Y., Zhao, X., Wu, W., He, H., Li, S., & Tan, L. (2018). Virtual restoration of stains on ancient paintings with maximum noise fraction transformation based on the hyperspectral imaging. Journal of Cultural Heritage, 34, 136–144.
Li, G. H., Chen, Y., Sun, X. J., Duan, P. Q., Lei, Y., & Zhang, L. F. (2020). An automatic hyperspectral scanning system for the technical investigations of Chinese scroll paintings. Microchemical Journal, 155, 104699.
Pan, N., Hou, M., Lv, S., Hu, Y., Zhao, X., Ma, Q., Li, S., & Shaker, A. (2017). Extracting faded mural patterns based on the combination of spatial-spectral feature of hyperspectral image. Journal of Cultural Heritage, 27, 80–87.