CN108267426B - 基于多光谱成像的绘画颜料识别系统及方法 - Google Patents
基于多光谱成像的绘画颜料识别系统及方法 Download PDFInfo
- Publication number
- CN108267426B CN108267426B CN201810119458.7A CN201810119458A CN108267426B CN 108267426 B CN108267426 B CN 108267426B CN 201810119458 A CN201810119458 A CN 201810119458A CN 108267426 B CN108267426 B CN 108267426B
- Authority
- CN
- China
- Prior art keywords
- image
- camera
- spectral
- pigment
- multispectral
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000049 pigment Substances 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000000701 chemical imaging Methods 0.000 title claims abstract description 19
- 230000003595 spectral effect Effects 0.000 claims abstract description 113
- 230000003287 optical effect Effects 0.000 claims abstract description 44
- 238000010422 painting Methods 0.000 claims abstract description 33
- 238000005286 illumination Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 24
- 238000002310 reflectometry Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 10
- 230000035945 sensitivity Effects 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 239000000654 additive Substances 0.000 claims description 7
- 230000000996 additive effect Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 238000002834 transmittance Methods 0.000 claims description 7
- 238000003705 background correction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000000149 penetrating effect Effects 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000003973 paint Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 18
- 239000000126 substance Substances 0.000 abstract description 7
- 230000003993 interaction Effects 0.000 abstract description 5
- 230000004044 response Effects 0.000 description 12
- 238000003384 imaging method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000001237 Raman spectrum Methods 0.000 description 1
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明涉及一种基于多光谱成像的绘画颜料识别系统及方法，该系统包括照明光源、带通滤光片组和相机，所述带通滤光片组由多个对应不同谱段的光学滤光片组成，所述相机与图像处理单元相连；照明光源用于向待测绘画发出照明光线，待测绘画反射的光线穿透光学滤光片后进入相机。本发明解决了现有的基于化学分析或基于光与物质交互作用等绘画颜料识别方法中存在的介入式、有损伤、效率低等技术问题。本发明识别系统及方法具有空间分辨率高、精度高、非接触、无损伤等优点。
Description
技术领域
本发明涉及一种基于多光谱成像的绘画颜料识别系统及方法。
背景技术
目前传统绘画颜料的识别方法主要分为三类：第一类是采用化学分析的方法，这种方法分析准确度高，但需要从绘画本体上进行取样，且分析结果仅对样本有效，无法推及采样位置以外区域；第二类是包括X射线衍射、激光拉曼光谱分析基于光或射线与物质交互作用的分析方法，这类方法具有较好的分析结果，但是由于分析过程往往涉及在分子原子层面对颜料的激发，会导致颜料分子结构的变化，从而成为一种具有损伤性的分析方法，由于绘画类文物艺术品的特殊性，该类方法在实际应用中难以得到广泛推广。同时，这种方法也仅能对微小区域进行分析，难以满足绘画整幅面分析的要求。第三类是基于颜料光谱反射率的分析方法，通常采用的仪器为光纤光谱仪。此种方法通过获取被研究区域颜料的光谱反射率来识别其类型，但该方法每次仅能获取微小区域的颜料光谱信息，难以推广到更大范围，在实际应用中难以有效发挥作用。
发明内容
本发明目的是提供一种基于多光谱成像的绘画颜料识别系统及方法，解决了现有的基于化学分析或基于光与物质交互作用等绘画颜料识别方法中存在的介入式、有损伤、效率低等技术问题。
本发明的技术解决方案是：一种基于多光谱成像的绘画颜料识别系统，其特殊之处在于：包括照明光源、带通滤光片组和相机，所述带通滤光片组由多个对应不同谱段的光学滤光片组成，所述相机与图像处理单元相连；照明光源用于向待测绘画发出照明光线，待测绘画反射的光线穿透光学滤光片后进入相机。
进一步地，上述带通滤光片组中各个光学滤光片的光谱透射率曲线的并集覆盖可见光至近红外波段，各个光学滤光片的光谱透射峰值相互间隔分布。
进一步地，上述相机为单色CMOS工业线扫相机，相机的图像传感器具有一行8192个像元，像元的光谱敏感曲线覆盖范围为400-900nm。
进一步地，上述相机通过CameraLink接口与图像处理单元相连。
进一步地，上述照明光源为冷光光源。
本发明还提供一种基于多光谱成像的绘画颜料识别方法，其特殊之处在于，包括以下步骤：
1)图像获取；
1.1)照明光源向待测绘画表面发出照明光线；
1.2)将带通滤光片组中的一个光学滤光片放置在相机镜头前，待测绘画反射的光线穿透光学滤光片后进入相机镜头；
1.3)相机采集图像后传输至图像处理单元；
1.4)用带通滤光片组中的另一个光学滤光片替换前一光学滤光片后放置在相机镜头前，相机再次采集图像并传输至图像处理单元；
1.5)重复执行步骤1.4)直至完成带通滤光片组中全部光学滤光片对应谱段的图像采集，获得待测绘画的多光谱图像；
2)图像处理；
2.2)光谱反射率重建：
求解多光谱图像中图像像素值与颜料光谱反射率的关系式p＝CLr+e，得到待测绘画的多光谱图像中目标像素位置的光谱反射率曲线；
其中，p是M*1的多光谱图像像素值向量，C是M*N的相机光谱敏感度矩阵，L是N*N的光源光谱辐射对角矩阵，r是N*1的光谱反射率向量，e是M*1的加性噪声向量，M是图像通道数，N是光谱维数；
3)数据分析；
将步骤2)得到的目标像素位置的光谱反射率曲线与颜料数据库进行比对得到目标像素位置的颜料类型及特点。
进一步地，步骤2.2)中求解多光谱图像中图像像素值与颜料光谱反射率的关系式的方法包括以下步骤：
2.2.1)建立绘画颜料样本库以及绘画颜料样本库的光谱反射率特性数据库，并以所述光谱反射率特性数据库作为学习样本；
2.2.2)忽略加性噪声向量e，并将多光谱图像中图像像素值与颜料光谱反射率的关系式p＝CLr+e简化为p＝Hr；其中，H为代表相机及光源光谱特性的M*N矩阵；
2.2.3)求算W＝RP+；其中，W是对矩阵H的估计，R是学习样本的光谱反射率矩阵，P是多光谱图像像素值矩阵，P+是P的伪逆矩阵；
2.2.4)将步骤2.2.3)得到的矩阵W作用于多光谱图像像素值向量p，由r*＝Wp求得目标像素位置的光谱反射率r*。
进一步地，步骤2)还包括在步骤2.2)之前执行的步骤2.1)图像预处理：对目标像素位置(x,y)处的像素值进行Shading校正。
进一步地，步骤2.1)中进行Shading校正的方法是：采集目标像素位置(x,y)处的校正前像素值pT(x,y)，然后计算校正后像素值p′T(x,y)：
其中，SL为校正水平，pw(x,y)为参考白板在(x,y)位置处的像素值。
进一步地，步骤2)中还包括与步骤2.2)并列执行的步骤2.3)彩色图像重建：
2.3.1)计算对应于颜料光谱反射率rλ的色彩三激励值X、Y、Z：
其中，Wx,λ、Wy,λ、Wz,λ是分别对应于色彩三激励值X、Y、Z的色匹配函数；
2.3.2)将色彩三激励值转换为sRGB空间的三激励值：
其中，
2.3.3)计算RGB彩色分量的传递函数：
根据计算得到的传递函数完成待测绘画的彩色图像重建。
本发明的有益效果在于：
1、高空间分辨率：本发明可以实现的最高空间成像分辨率范围为1200DPI，即可以采样到约20微米长度的细节信息，可以满足各种绘画完整幅面表面信息的高空间分辨率成像，高分辨率图像所包含的绘画表面信息的细节丰富程度远超人眼之所及，为有效区分画面不同区域或绘画特征的颜料提供了有力保障；
2、非接触无损伤：本发明为一种光学式信息采集和分析方法，多光谱图像的数据采集过程类似于拍摄照片，仪器设备和绘画之间不会接触，并且自主研发的冷光源在保证多光谱图像采集时照明有效性的同时，不会因为光源的高亮度或高发热量而对绘画造成损伤，因此，本方法属于一种非接触、无损伤的分析方法；
3、高准确度：本发明的颜料识别的物理原理是基于颜料的光谱反射率曲线，由于不同原料在分子原子层面具有不同的组成成分及结构，不同颜料具有不同的光谱反射率曲线，且光谱反射率曲线具有唯一性，与颜料成分存在一对一关系。在建立颜料样本及其光谱反射率的基础上，通过获取颜料光谱反射率然后将之与颜料光谱库进行比对，从而实现颜料识别的目的。这其中的关键是要准确获得颜料光谱反射率特性，本方法所获取到的光谱反射率准确度达99％以上；
4、全幅面：本发明中的颜料识别是基于图像像素的，对于图像中任意选定的一个像素点，都可以识别出该像素位置处颜料的类型。选择感兴趣像素点即可获取颜料的类型，具有快速、高效、直观的特点。
附图说明
图1为本发明基于多光谱成像的绘画颜料识别系统的系统组成示意图。
图2为本发明中带通滤光片组的光谱透射特性曲线。
图3为本发明基于多光谱成像的绘画颜料识别方法的流程示意图。
其中，附图标记为：1-照明光源，2-待测绘画，3-带通滤光片组，4-光学滤光片，5-相机，6-图像处理单元。
具体实施方式
本发明为一种基于多光谱成像技术的传统绘画颜料识别系统及识别方法，该系统具体包括基于相机和图像处理单元的图像采集处理系统以及以带通滤光片组构成的分光系统，图像处理单元上搭载有颜料光谱反射率重建算法、绘画颜料样本数据库及其光谱反射率特性数据库。
参见图1，本发明绘画颜料识别系统较佳实施例的组成部分包括照明光源1、带通滤光片组3和相机5，带通滤光片组3由多个对应不同谱段的光学滤光片4组成，相机5与图像处理单元6相连。待测绘画2平放于稿台之上，相机5通过一定的机械结构设计悬于待测绘画2之上，相机与待测绘画的距离取决于期望的成像分辨率，相机的光轴垂直于待测绘画所在的平面。
照明光源1用于向待测绘画2发出照明光线，待测绘画2反射的光线穿透光学滤光片4后进入相机5。
相机5可以选用单色CMOS工业线扫相机，其图像传感器具有一行8192个像元，像元数足以保证高空间分辨率图像的获取。像元的光谱敏感曲线覆盖范围为400nm-900nm，包含整个可见光区域和部分近红外区域。相机同时具有高动态范围和高数据率，确保了成像系统能够以较高的速度获取绘画的光谱图像。高敏感度也使得该相机有能力辨别极其细微的光谱反射率曲线差别。相机以CameraLink接口被连接到同样具有CameraLink接口的配置在上位机上的图像采集卡上，相机的工作过程即通过图像采集卡来进行控制。
除了性能优越的工业相机，本发明还设计了与之匹配的由镜头等光学元件构成的光学系统，可以达到满足绘画表面细节分析的图像空间分辨率，且图像具有极高的几何精度。
带通滤光片组3中的光学滤光片的尺寸大于相机镜头的直径，能够被直接安置于相机镜头之前并完全遮盖整个镜头。参见图2，带通滤光片组3中各个光学滤光片4的光谱透射率曲线的并集覆盖可见光至近红外波段，各个光学滤光片的光谱透射峰值具有合理的间隔分布，且相邻光谱透射率曲线具有最小的重合。
基于单色CMOS工业线扫相机的图像采集电路在机械扫描传动与步进电机运动控制、光学镜头、照明光源等的配合下，将待测绘画的画面内容转换为数字图像。多光谱图像的获取通过切换一组光学滤光片而实现，每次使用一个光学滤光片采集一个通道的图像，通过逐次切换光学滤光片的方式获取完整的多光谱图像。在事先建立的绘画颜料光谱反射率曲线数据库的基础上，利用光谱反射率重建算法将多光谱图像中每个像素位置处的多光谱图像转换为该处颜料的光谱反射率曲线，进而通过与绘画颜料光谱反射率曲线数据库的比对来实现颜料的识别。
如图3所示，本发明基于多光谱成像的绘画颜料识别方法主要分为三个步骤：图像获取、图像处理和数据分析。图像获取即采集待测绘画的高分辨率多光谱图像；图像处理可以包括两个步骤，首先为预处理，其次为并行进行的两项操作，分别为光谱反射率重建和彩色图像重建。数据分析阶段即为操作者通过对重建后彩色图像的观察以及通过与计算机交互选择感兴趣的像素点从而获知所选像素位置颜料类型及特点。颜料类型及特点的分析是通过其光谱反射率曲线与颜料数据库进行比对实现的。
下面结合具体实施步骤本发明绘画颜料识别方法做详细说明。
1)图像获取；
1.1)照明光源向待测绘画表面发出照明光线；
1.2)将带通滤光片组中的一个光学滤光片放置在相机镜头前，待测绘画反射的光线穿透光学滤光片后进入相机镜头；
1.3)相机采集图像后传输至图像处理单元；
1.4)用带通滤光片组中的另一个光学滤光片替换前一光学滤光片后放置在相机镜头前，相机再次采集图像并传输至图像处理单元；
1.5)重复执行步骤1.4)直至完成带通滤光片组中全部光学滤光片对应谱段的图像采集，获得待测绘画的多光谱图像；
2)图像处理；
2.2)光谱反射率重建：
求解多光谱图像中图像像素值与颜料光谱反射率的关系式p＝CLr+e，得到待测绘画的多光谱图像中目标像素位置的光谱反射率曲线；
其中，p是M*1的多光谱图像像素值向量，C是M*N的相机光谱敏感度矩阵，L是N*N的光源光谱辐射对角矩阵，r是N*1的光谱反射率向量，e是M*1的加性噪声向量，M是图像通道数，N是光谱维数；
3)数据分析；
将步骤2)得到的目标像素位置的光谱反射率曲线与颜料数据库进行比对得到目标像素位置的颜料类型及特点。
针对步骤2)光谱反射率重建，假设多光谱具有M个通道，多光谱图像中图像像素值与颜料光谱反射率的关系可由下式进行描述
p＝∫C(λ)L(λ)r(λ)+e
其中，p是M*1的多光谱图像像素值向量(即图像传感器响应向量)，C(λ)是M*1的相机光谱敏感度向量，L(λ)是光源光谱辐射向量，r(λ)是颜料光谱反射率曲线，e是M*1的加性噪声向量。
出于数学上的简洁性考虑，上式可以用更简便的矩阵及向量来表达：
p＝CLr+e
其中，C是M*N的相机光谱敏感度矩阵，L是N*N的光源光谱辐射对角矩阵，r是N*1的光谱反射率向量。
该公式显示图像传感器的响应与颜料光谱反射率之间存在线性关系，因而，由光谱反射率到图像传感器响应的传递函数可由矩阵来表达。传感器响应、相机光谱响应曲线、光源光谱功率分布及研究对象的光谱反射率之间的向量关系可以通过直接或间接的途径来求解。直接方法通常需要关于相机敏感度曲线及光源光谱功率分布等先验知识。尽管这一方法的准确度不容置疑，但在实践中的可行度却很低。相机的光谱响应曲线和光源的光谱功率分布往往不可知，即使可从厂商获得，由于光源等的性能随着时间和使用环境在变化，其数据的准确度也难以长时间保持。另一种无需先验知识的求解方法是利用学习样本。学习样本可以被用于估计估计相机、光源、镜头等的光谱特性，而无需这些参数的系统变化问题。只要学习样本选择恰当，则估计的准确度可得到保证。本发明通过自主建设绘画传统颜料样本库及其光谱反射率特性数据库，将其作为学习样本来求解多光谱图像形成过程中的转换矩阵。
多光谱图像中图像像素值与颜料光谱反射率的关系式p＝CLr+e可以简化为p＝Hr，其中，H为代表相机及光源光谱特性的M*N矩阵，误差e被忽略不计。
在没有先验知识的情况下，关系式p＝Hr可以通过伪逆来求解。伪逆模型可以看作是利用回归分析对维纳估计的修改。其中，用R表示学习样本的光谱反射率矩阵，P表示多光谱图像像素值矩阵，W是对矩阵H的估计。使得‖R-WP‖最小化的W可表示为：
W＝RP+＝RPt(PPt)-1
其中，P+代表P的伪逆矩阵。通过将W作用于多光谱图像某位置的像素值向量p，其光谱反射率r*可表达为：
r*＝Wp
基于以上利用学习样本的求解过程，本实施例步骤2.2)中求解多光谱图像中图像像素值与颜料光谱反射率的关系式的方法包括以下步骤：
2.2.1)建立绘画颜料样本库以及绘画颜料样本库的光谱反射率特性数据库，并以所述光谱反射率特性数据库作为学习样本；
2.2.2)忽略加性噪声向量e，并将多光谱图像中图像像素值与颜料光谱反射率的关系式p＝CLr+e简化为p＝Hr；其中，H为代表相机及光源光谱特性的M*N矩阵；
2.2.3)求算W＝RP+；其中，W是对矩阵H的估计，R是学习样本的光谱反射率矩阵，P是多光谱图像像素值矩阵，P+是P的伪逆矩阵；
2.2.4)将步骤2.2.3)得到的矩阵W作用于多光谱图像像素值向量p，由r*＝Wp求得目标像素位置的光谱反射率r*。
由于光学分布的不均匀光学器件制造工艺水平的限制，成像过程中到达图像传感器表面的光通常存在不均匀现象。理想情况下，假设对面积大于相机视场的一块白色标准样本进行图像采集，那么从传感器第一个像元至最后一个像元应具有相同的响应，而在实际中，通常是处于传感器中间位置的像元的响应高于两侧的像元响应，且两侧像元响应都随着与中间像元距离的增加呈递减趋势，最终造成所生成的图像中间亮而两侧逐渐变暗的现象。这一图像中光源分布不均的现象被称为Shading。为了消除图像中存在的光源分布不均匀性的问题，本实施例的步骤2)还包括在步骤2.2)之前执行的步骤2.1)图像预处理：对目标像素位置(x,y)处的像素值进行Shading校正。
图像中像素位置(x,y)处的像素值与照明亮度的关系可以通过下式进行描述：
p(x,y)＝IL(x,y)*c(x,y)
p(x,y):图像像素值
IL(x,y):光源亮度值
(x,y)：像素位置
OD(x,y):光学密度
由上述讨论可知，在光源等条件固定不变的条件下，图像传感器中每个像元位置处的像素值与理想像素值之间存在一个系数差异，可以通过获得此系数来实现图像亮度不一致性的消除。校正后的图像像素值和校正前的图像像素值之间的关系可由下式进行描述：
p′T(x,y)＝σS*pT(x,y)
其中，SL为校正水平，pw(x,y)为参考白板在(x,y)位置处的像素值，pT(x,y)为目标像素位置(x,y)处的校正前像素值，p′T(x,y)为目标像素位置(x,y)处的校正后像素值，σS为Shading校正系数。
基于以上分析，步骤2.1)中进行Shading校正的方法具体是：采集目标像素位置(x,y)处的校正前像素值pT(x,y)，然后计算校正后像素值p′T(x,y)：
其中，SL为校正水平，pw(x,y)为参考白板在(x,y)位置处的像素值。
如果不考虑光源条件和观察者，物质引起色彩的本质属性是光谱反射率。获得材料的光谱反射率，即获得了该材料色彩的根本物理属性，这就消除了传统RGB相机在获取色彩时的同色异谱现象。本实施例步骤2)中还包括与步骤2.2)并列执行的步骤2.3)彩色图像重建：
2.3.1)计算对应于颜料光谱反射率rλ的色彩三激励值X、Y、Z：
其中，Wx,λ、Wy,λ、Wz,λ是分别对应于色彩三激励值X、Y、Z的色匹配函数；
2.3.2)将色彩三激励值转换为sRGB空间的三激励值：
其中，
当白色参考XYZ三激励值中的Y分量设置为1，并且将RGB值中超出[0,1]范围的值进行裁剪。
2.3.3)计算RGB彩色分量的传递函数：
根据计算得到的传递函数完成待测绘画的彩色图像重建。
本发明所设计的光谱反射率重建算法，具有计算复杂度低、内存成本与时间成本小等特点。传统维纳滤波等方法往往要求成像系统中相机的光谱响应曲线、镜头的光谱透射曲线甚至光源的光谱功率分布需要是已知的或单独被求解出的，才能从中估计出光谱滤光片或其他分光器件的光谱特性。而本发明中的算法无需单独估计出相机、镜头、光源等成像系统部件的光谱特性，而将整个成像系统的光谱特性作为一个整体进行处理，而最终对于颜料光谱反射率曲线的估计则通过已经被作为整体计算出的成像系统光谱响应特性与颜料光谱特性数据库的结合来实现。这种方式既避免了传统方法中较为严格和苛刻的先验已知条件，又有效避免了通过分步求解过程中的误差累计，能够得到高准确度的颜料光谱反射率曲线，从而提高系统颜料识别的可靠度和准确度。
Claims (8)
1.一种基于多光谱成像的绘画颜料识别方法，基于一种多光谱成像的绘画颜料识别系统，包括照明光源、带通滤光片组和相机，所述带通滤光片组由多个对应不同谱段的光学滤光片组成，所述相机与图像处理单元相连；照明光源用于向待测绘画发出照明光线，待测绘画反射的光线穿透光学滤光片后进入相机；
其特征在于，该方法包括以下步骤：
1)图像获取；
1.1)照明光源向待测绘画表面发出照明光线；
1.2)将带通滤光片组中的一个光学滤光片放置在相机镜头前，待测绘画反射的光线穿透光学滤光片后进入相机镜头；
1.3)相机采集图像后传输至图像处理单元；
1.4)用带通滤光片组中的另一个光学滤光片替换前一光学滤光片后放置在相机镜头前，相机再次采集图像并传输至图像处理单元；
1.5)重复执行步骤1.4)直至完成带通滤光片组中全部光学滤光片对应谱段的图像采集，获得待测绘画的多光谱图像；
2)图像处理；
2.2)光谱反射率重建：
求解多光谱图像中图像像素值与颜料光谱反射率的关系式p＝CLr+e，得到待测绘画的多光谱图像中目标像素位置的光谱反射率曲线；
其中，p是M*1的多光谱图像像素值向量，C是M*N的相机光谱敏感度矩阵，L是N*N的光源光谱辐射对角矩阵，r是N*1的光谱反射率向量，e是M*1的加性噪声向量，M是图像通道数，N是光谱维数；
2.2.1)建立绘画颜料样本库以及绘画颜料样本库的光谱反射率特性数据库，并以所述光谱反射率特性数据库作为学习样本；
2.2.2)忽略加性噪声向量e，并将多光谱图像中图像像素值与颜料光谱反射率的关系式p＝CLr+e简化为p＝Hr；其中，H为代表相机及光源光谱特性的M*N矩阵；
2.2.3)求算W＝RP+；其中，W是对矩阵H的估计，R是学习样本的光谱反射率矩阵，P是多光谱图像像素值矩阵，P+是P的伪逆矩阵；
2.2.4)将步骤2.2.3)得到的矩阵W作用于多光谱图像像素值向量p，由r*＝Wp求得目标像素位置的光谱反射率r*；
3)数据分析；
将步骤2)得到的目标像素位置的光谱反射率曲线与颜料数据库进行比对得到目标像素位置的颜料类型及特点。
2.根据权利要求1所述的基于多光谱成像的绘画颜料识别方法，其特征在于，步骤2)还包括在步骤2.2)之前执行的步骤2.1)图像预处理：对目标像素位置(x,y)处的像素值进行Shading校正。
3.根据权利要求2所述的基于多光谱成像的绘画颜料识别方法，其特征在于，步骤2.1)中进行Shading校正的方法是：采集目标像素位置(x,y)处的校正前像素值pT(x,y)，然后计算校正后像素值p′T(x,y)：
其中，SL为校正水平，pw(x,y)为参考白板在(x,y)位置处的像素值。
4.根据权利要求1-3中任一所述的基于多光谱成像的绘画颜料识别方法，其特征在于，步骤2)中还包括与步骤2.2)并列执行的步骤2.3)彩色图像重建：
2.3.1)计算对应于颜料光谱反射率rλ的色彩三激励值X、Y、Z：
其中，Wx,λ、Wy,λ、Wz,λ是分别对应于色彩三激励值X、Y、Z的色匹配函数；
2.3.2)将色彩三激励值转换为sRGB空间的三激励值：
其中，
2.3.3)计算RGB彩色分量的传递函数：
根据计算得到的传递函数完成待测绘画的彩色图像重建。
5.根据权利要求1所述的基于多光谱成像的绘画颜料识别方法，其特征在于：所述带通滤光片组中各个光学滤光片的光谱透射率曲线的并集覆盖可见光至近红外波段，各个光学滤光片的光谱透射峰值相互间隔分布。
6.根据权利要求1或5所述的基于多光谱成像的绘画颜料识别方法，其特征在于：所述相机为单色CMOS工业线扫相机，相机的图像传感器具有一行8192个像元，像元的光谱敏感曲线覆盖范围为400-900nm。
7.根据权利要求6所述的基于多光谱成像的绘画颜料识别方法，其特征在于：所述相机通过CameraLink接口与图像处理单元相连。
8.根据权利要求1或5所述的基于多光谱成像的绘画颜料识别方法，其特征在于：所述照明光源为冷光光源。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810119458.7A CN108267426B (zh) | 2018-02-06 | 2018-02-06 | 基于多光谱成像的绘画颜料识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810119458.7A CN108267426B (zh) | 2018-02-06 | 2018-02-06 | 基于多光谱成像的绘画颜料识别系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108267426A CN108267426A (zh) | 2018-07-10 |
| CN108267426B true CN108267426B (zh) | 2023-09-01 |
Family
ID=62773722
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810119458.7A Active CN108267426B (zh) | 2018-02-06 | 2018-02-06 | 基于多光谱成像的绘画颜料识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108267426B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109596543B (zh) * | 2018-11-25 | 2021-09-10 | 西安建筑科技大学 | 粒子群优化多核支持向量回归的光谱反射率重建方法 |
| CN109708756B (zh) * | 2018-12-11 | 2022-02-08 | 南京邮电大学 | 基于衍射效应的成像光谱仪及高空间分辨率光谱成像方法 |
| CN113942338A (zh) * | 2021-09-09 | 2022-01-18 | 淄博师范高等专科学校 | 一种基于大数据的美术颜料调色搭配系统及其工具箱 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102305769A (zh) * | 2011-06-09 | 2012-01-04 | 天津大学 | 应用于中国古画修复的多光谱抠图方法 |
| CN103149164A (zh) * | 2013-03-04 | 2013-06-12 | 暨南大学 | 基于光谱成像技术的国画真伪鉴别方法与装置 |
| CN107643267A (zh) * | 2017-09-01 | 2018-01-30 | 武汉大学 | 一种基于可见光谱成像的古代壁画颜料无损全面识别方法 |
-
2018
- 2018-02-06 CN CN201810119458.7A patent/CN108267426B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102305769A (zh) * | 2011-06-09 | 2012-01-04 | 天津大学 | 应用于中国古画修复的多光谱抠图方法 |
| CN103149164A (zh) * | 2013-03-04 | 2013-06-12 | 暨南大学 | 基于光谱成像技术的国画真伪鉴别方法与装置 |
| CN107643267A (zh) * | 2017-09-01 | 2018-01-30 | 武汉大学 | 一种基于可见光谱成像的古代壁画颜料无损全面识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邵琢瑕等."多光谱成像技术辅助书画配色与修复".《半导体光电》.2017,第38卷(第3期),第425-429页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108267426A (zh) | 2018-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Foster et al. | Hyperspectral imaging in color vision research: tutorial | |
| DE102013114631B4 (de) | Kalibrierung der Objektivschattierung für Kameras | |
| Kim et al. | 3D imaging spectroscopy for measuring hyperspectral patterns on solid objects | |
| Burton et al. | Color and spatial structure in natural scenes | |
| CN108020519B (zh) | 一种基于颜色恒常性的虚拟多光源光谱重建方法 | |
| CN111256826B (zh) | 显示屏色度测量方法、装置及终端设备 | |
| CN108267426B (zh) | 基于多光谱成像的绘画颜料识别系统及方法 | |
| US7554586B1 (en) | System and method for scene image acquisition and spectral estimation using a wide-band multi-channel image capture | |
| Colantonio et al. | Hypercolorimetric multispectral imaging system for cultural heritage diagnostics: an innovative study for copper painting examination | |
| Liang et al. | Research on filter selection method for broadband spectral imaging system based on ancient murals | |
| Webb et al. | Spectral and 3D cultural heritage documentation using a modified camera | |
| JP2021113744A (ja) | 撮像システム | |
| Wang et al. | A novel low rank smooth flat-field correction algorithm for hyperspectral microscopy imaging | |
| CN113281310B (zh) | 一种光学介质材料的透光率和均匀度检测方法 | |
| Raza et al. | Accuracy of hyperspectral imaging systems for color and lighting research | |
| El-Rifai et al. | Enhanced spectral reflectance reconstruction using pseudo-inverse estimation method | |
| CN109389646A (zh) | 一种利用多光谱图像进行彩色相机辐射定标的方法 | |
| Zhu et al. | Color calibration for colorized vision system with digital sensor and LED array illuminator | |
| Chane et al. | Implementation of a neural network for multispectral luminescence imaging of lake pigment paints | |
| Shrestha et al. | Assessment of two fast multispectral systems for imaging of a cultural heritage artifact-a Russian icon | |
| Quintana et al. | Blur-specific no-reference image quality assesment for microscopic hyperspectral image focus quantification | |
| Grillini et al. | Linear, Subtractive and Logarithmic Optical Mixing Models in Oil Painting. | |
| Kim et al. | Radiometric characterization of spectral imaging for textual pigment identification | |
| CN207894825U (zh) | 基于多光谱成像的绘画颜料识别系统 | |
| Shrestha | Multispectral imaging: Fast acquisition, capability extension, and quality evaluation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |