CN108416357A - 一种彩绘类文物隐含信息的提取方法 - Google Patents

一种彩绘类文物隐含信息的提取方法 Download PDF

Info

Publication number
CN108416357A
CN108416357A CN201810171760.7A CN201810171760A CN108416357A CN 108416357 A CN108416357 A CN 108416357A CN 201810171760 A CN201810171760 A CN 201810171760A CN 108416357 A CN108416357 A CN 108416357A
Authority
CN
China
Prior art keywords
image data
implicit information
data
image
carries out
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.)
Pending
Application number
CN201810171760.7A
Other languages
English (en)
Inventor
侯妙乐
吕书强
周平平
谭丽
谷明岩
杨雪韵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Civil Engineering and Architecture
Original Assignee
Beijing University of Civil Engineering and Architecture
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Civil Engineering and Architecture filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN201810171760.7A priority Critical patent/CN108416357A/zh
Publication of CN108416357A publication Critical patent/CN108416357A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种彩绘类文物隐含信息的提取方法，首先利用高光谱成像仪采集待处理彩绘类文物的高光谱原始影像数据；对采集的高光谱原始影像数据进行辐射校正预处理；对预处理后的影像数据进行主成分分析处理，然后进行特征波段提取，若发现隐含信息则记录波段序号；对预处理后的影像数据进行最小噪声分离处理，然后进行特征波段提取，若发现隐含信息则记录波段序号；对预处理后的影像数据进行波段运算处理，若发现隐含信息则记录波段序号；进行图像融合，若发现隐含信息，则记录图像融合算法类型。该方法利用高光谱成像技术充分挖掘古字画、壁画信息，尤其在隐含信息挖掘方面具有独特优势。

Description

一种彩绘类文物隐含信息的提取方法
技术领域
本发明涉及文物信息研究技术领域，尤其涉及一种彩绘类文物隐含信息的提取方法。
背景技术
壁画和古字画是历史长河中艺术的结晶，也是人类历史上最早的绘画形式之一，它反映了古代人类社会生活、宗教信仰和艺术审美等历史文化的重要物质载体。同时也代表了人类初期的艺术形式，具有深厚的历史意义和和艺术价值。然而随着时间的推移，这些壁画、古字画会受到自然环境(潮湿、高温、光照、灰尘、烟熏等)或人为保护措施不当、经过后人的修复涂改等因素的影响，出现不同程度的颜色淡化脱落、遭受烟熏污染，以及被恶意涂鸦等破画；或者作者自行修改等原因，使得这些壁画和古字画存在一些人肉眼看不见或者分辨不清的隐含信息，发掘和研究这些信息有助于了解彩绘文物所在时代的社会情况和历史发展轨迹，也有助于研究其所处时代的绘画技法，并且这些信息对于文物保护与修复具有重要意义。
画作的隐含信息多种多样，大致可以分为被覆盖的修补信息、画作的底稿信息、笔者的画法技法信息、病害信息和画作的颜料信息这五种，现有技术对古字画和壁画的隐含信息提取主要有传统方法和现代技术方法两类：传统方法主要依靠文物鉴定或修复人员的经验，依据古字画的材质、作者画风、年代等信息进行甄别，采用目视对比判别或取样的方式进行隐含信息的提取，该方法由于其效率低、受人为主观因素影响大和对文物产生不可逆转的损害等特点已然不再适用于彩绘类文物的信息发掘；随着科技的不断发展，考古及文化遗产保护也逐渐引入现代科学技术，但现代科学技术都存在一定的缺陷，例如激光拉曼光谱法的激光束能量较高，若长时间照射则会对书画造成损伤；红外光谱法主要用于定性分析，其定量分析能力相对薄弱；多光谱成像技术主要是利用少数几个波段来获取图像，其波段间隔较长且谱带较宽，故成像过程中会遗漏一些细节从而不能满足精细表达字画的信息要求。
发明内容
本发明的目的是提供一种彩绘类文物隐含信息的提取方法，该方法利用高光谱成像技术充分挖掘古字画、壁画信息，尤其在隐含信息挖掘方面具有独特优势，从而有助于了解彩绘文物所在时代的社会情况和历史发展轨迹，也有助于研究其所处时代的绘画技法。
本发明的目的是通过以下技术方案实现的：
一种彩绘类文物隐含信息的提取方法，所述方法包括：
步骤1、首先利用高光谱成像仪采集待处理彩绘类文物的高光谱原始影像数据；
步骤2、对采集的高光谱原始影像数据进行辐射校正预处理；
步骤3、对预处理后的影像数据进行主成分分析处理，然后进行特征波段提取，若发现隐含信息则记录波段序号，并进行步骤6的操作；
步骤4、对预处理后的影像数据进行最小噪声分离处理，然后进行特征波段提取，若发现隐含信息则记录波段序号，并进行步骤6的操作；
步骤5、对预处理后的影像数据进行波段运算处理，若发现隐含信息则记录波段序号，并进行步骤6的操作；
步骤6、进行图像融合，若发现隐含信息，则记录图像融合算法类型；
步骤7、确定待处理彩绘类文物的高光谱原始影像数据中所有隐含信息的类型。
在步骤2中，进行辐射校正预处理的过程具体为：
通过采集高光谱成像仪的暗电流数据与标准白板数据，利用如下的校正公式进行校正处理：
Ref＝(data-dark)/(white-dark)
其中，Ref为校正后反射率；data为实验采集数据反射率；white为白板反射率；dark为暗电流反射率。
在步骤3中，对预处理后的影像数据进行主成分分析处理的过程具体为：
首先获得预处理后的影像数据的协方差矩阵；
然后由特征方程求出协方差矩阵的各特征值；
将各特征值按大小顺序排列，求出对相应特征值的特征向量；
由相应特征向量组成正交变换矩阵，将正交变换矩阵应用于预处理后的影像数据的矩阵进行线性变换，得到新的变换后的图像矩阵，该新的变换后的图像矩阵的行向量即是变换后的各个主成分，在第一主成分中包含原始影像数据中的最大信息量，以此类推。
在步骤4中，对预处理后的影像数据进行最小噪声分离处理的过程具体为：
对预处理后的影像数据进行最小噪声分离变换，查看变换后各波段的特征值曲线，根据特征值曲线确定阈值以及输出波段数；
在最小噪声分离变换后的输出波段中，结合目视识别，选择特征值大且图像清晰的波段；
对低维降噪后的图像进行增强处理，突出显示提取的壁画信息；
将最小噪声分离变换后的影像与原始影像进行对比分析，提取影像中的信息。
在步骤5中，对预处理后的影像数据进行波段运算处理的过程具体为：
首先提取最小噪声分离处理处理后的影像数据中目标区域的感兴趣区，并分别计算其平均光谱曲线；
然后在该目标区域内选取一定数量的采样点，将波谱曲线进行叠加对比来确定是否含有隐含信息；
其中，在处理过程中，进一步根据平均光谱曲线的走势，找寻分离两种特征的最佳波段范围，寻找最佳的波段运算，并通过波段运算进行特征提取；
其中，在处理过程中，进一步对影像数据做反变换，用亮度最大值对影像数据做减法，使增强目标亮度变大，并对处理亮度范围后的波段运算结果做二值化处理。
在步骤6中，进行图像融合的过程具体为：
将含有待处理彩绘类文物特征的最小噪声分离处理后的数据或波段运算处理后所获得的特征提取影像数据，与待处理彩绘类文物的真彩色影像进行融合，提取出所需要的隐含信息。
由上述本发明提供的技术方案可以看出，上述方法利用高光谱成像技术充分挖掘古字画、壁画信息，尤其在隐含信息挖掘方面具有独特优势，从而有助于了解彩绘文物所在时代的社会情况和历史发展轨迹，也有助于研究其所处时代的绘画技法，并且这些信息对于文物保护与修复具有重要意义，为字画的真伪鉴定和修复工作提供重要的科学依据。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的彩绘类文物隐含信息的提取方法流程示意图；
图2为本发明实施例所举出的实际画作的印章信息增强效果图；
图3为本发明所举实例中MNF变换后各波段的特征值示意图；
图4为本发明实施例所举出的原始图像修复的示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面将结合附图对本发明实施例作进一步地详细描述，如图1所示为本发明实施例提供的彩绘类文物隐含信息的提取方法流程示意图，所述方法包括：
步骤1、首先利用高光谱成像仪采集待处理彩绘类文物的高光谱原始影像数据；
这里，所采用的高光谱成像仪是一种近距离高光谱成像设备。
步骤2、对采集的高光谱原始影像数据进行辐射校正预处理；
该步骤中，进行辐射校正预处理的过程具体为：
通过采集高光谱成像仪的暗电流数据与标准白板数据，利用如下的校正公式进行校正处理：
Ref＝(data-dark)/(white-dark)
其中，Ref为校正后反射率；data为实验采集数据反射率；white为白板反射率；dark为暗电流反射率。
这里，白板数据即在正常数据采集模式下采集的标准白板图像数据，暗电流数据是指曝光时间与影像采集时间一致时无光照信号条件下采集的数据，所以在进行暗电流数据采集时，为了避免有光线进入镜头，在关闭卤素灯光源的同时用镜头盖将高光谱相机的镜头盖住后再进行采集。
步骤3、对预处理后的影像数据进行主成分分析处理，然后进行特征波段提取，若发现隐含信息则记录波段序号，并进行步骤6的操作；
该步骤中，主成分分析(PCA)又称K-L变换，是在均方误差最小的情况下的最佳正交线性变换，是建立在统计特征上的线性变换。本实施例中对预处理后的影像数据进行主成分分析处理的过程具体为：
首先获得预处理后的影像数据的协方差矩阵；
然后由特征方程求出协方差矩阵的各特征值；
将各特征值按大小顺序排列，求出对相应特征值的特征向量；
由相应特征向量组成正交变换矩阵，将正交变换矩阵应用于预处理后的影像数据的矩阵进行线性变换，得到新的变换后的图像矩阵，该新的变换后的图像矩阵的行向量即是变换后的各个主成分，在第一主成分中包含原始影像数据中的最大信息量，以此类推。
步骤4、对预处理后的影像数据进行最小噪声分离处理，然后进行特征波段提取，若发现隐含信息则记录波段序号，并进行步骤6的操作；
在该步骤中，最小噪声分离变换(MNF)是对主成分变换(PCA)的一种改进方法。最小噪声分离变换(MNF)不但能判定图像数据内在的维数(波段数)，剔除数据中的噪声，而且能减少在进行之后处理中的运算需求量，本实施例对影像数据进行最小噪声分离处理的过程具体为：
对预处理后的影像数据进行最小噪声分离变换(MNF)，查看变换后各波段的特征值曲线，根据特征值曲线确定阈值以及输出波段数；
在最小噪声分离变换后的输出波段中，结合目视识别，选择特征值大且图像清晰的波段；
对低维降噪后的图像进行增强处理，突出显示提取的壁画信息；
再将最小噪声分离变换后的影像与原始影像进行对比分析，提取影像中的信息，然后就可以对提取的结果从信息量和准确度方面进行评价。
举例来说，这里假设X＝[x1,x2,…,xp]T,是P×N维矩阵。假设X＝S+N，式中S和N指Z中的信号和噪声，S＝[s1,s2,…,sp]T,N＝[n1,n2,…,np]T,假定E(X)＝0,协方差矩阵D(X)＝∑。S和N互不相关，则有X，S，N的协方差矩阵
D(X)＝ΣS+ΣN (3-1)
其中，ΣS和ΣN分别为S和N的协方差矩阵。观测数据中信号与噪声的相对强弱程度由信噪比来表示，是一种对观测数据质量进行衡量的量化指标。噪声比例由该波段的噪声方差和该波段总方差的比来表示，表达式如下：
MNF变换是一种线性变换，则有Zi噪声比例在所有正交与Zj(j＝1,2,…,i-1)的成分中最大，这里将ai标准化
由此，MNF变换表示为
Z＝ATX (3-3)
式中，线性变换系数矩阵A＝[a1,a2,…,ap]为矩阵Σ-1ΣN的特征向量矩阵，则有
式中，对角线矩阵∧为特征值矩阵。第i个元素为特征值λi对应成分的噪声比例
求解向量ai的问题变成求解广义特征矩阵和特征向量的问题，det(ΣN-λ∑)＝0。
因此可知，变量Zi的SNR为
例如，如图2所示为本发明实施例所举出的实际画作的印章信息增强效果图，图中有两处印章，左上角文字下方印章完全看不清，通过人眼已近无法识别出印章的内容，右下角的印章相比下较为清晰，可以清楚的看到印章的轮廓和内容，分别用图像增强的方法对这两处印章做处理，为印章的恢复提供一定参考。
首先对校正后的高光谱影像数据进行最小噪声分离(MNF)变换，把影像数据中的有效信息和噪声分离，形成新的数据波段，以有效信息为主的波段和以噪声为主的波段，波段顺序按照信噪比从大到小的排列。原始数据的有效信息主要分布在前面特征值较大的波段，而后面的特征值较小的波段主要是以噪声为主，如图3所示为本发明所举实例中MNF变换后各波段的特征值示意图，从数据可以看出随着波段数目的增加特征值逐渐减小，原始数据的有效信息主要分布在前面特征值较大的波段，后面的波段特征值较小主要是以噪声为主，根据以上信息设定阈值为10，选择MNF变换后的维数为10，即只需输出前10个MNF波段。通过目视选择，发现两处印章MNF第7波段的图像最为清楚，可以清晰的区别出印章和纸张。
步骤5、对预处理后的影像数据进行波段运算处理，若发现隐含信息则记录波段序号，并进行步骤6的操作；
在步骤5中，对预处理后的影像数据进行波段运算处理的过程具体为：
首先提取预处理后的影像数据中目标区域的感兴趣区(ROI)，并分别计算其平均光谱曲线；
然后在该目标区域内选取一定数量的采样点，将波谱曲线进行叠加对比来确定是否含有隐含信息；
另外，在处理过程中，还可以进一步根据平均光谱曲线的走势，找寻分离两种特征的最佳波段范围，寻找最佳的波段运算，并通过波段运算进行特征提取；
同时，在处理过程中由于波段运算后增强目标可能为暗色，这就需要做密度分割，具体是对影像数据做反变换，用亮度最大值对影像数据做减法，使增强目标亮度变大，并对处理亮度范围后的波段运算结果做二值化处理。
步骤6、进行图像融合，若发现隐含信息，则记录图像融合算法类型。
上述步骤3、4和5为并列进程，在经过步骤3、4和5的处理后均跳转到步骤6进行后继出。
在该步骤中，图像融合可将在空间信息上互补的多源数据按一定的规则进行运算处理，获得比任一单一数据更精确、更丰富的信息。本发明实施例对影像数据进行图像融合处理的过程具体为：
将含有待处理彩绘类文物特征的主成分分析处理后的数据或最小噪声分离处理后的数据或波段运算处理后所获得的特征提取影像数据，与待处理彩绘类文物的真彩色影像进行融合，提取出所需要的隐含信息，上述过程也获得了良好的视觉表达。
举例来说，如图4所示为本发明实施例所举出的原始图像修复的示意图，图中为一幅未妥善保护而被后人涂鸦破坏了的罗汉像，该处壁画在耳、鼻、嘴三处分别有明显的描画痕迹，且遮挡了原有罗汉的脸部线条，这对后续的壁画修复造成了一定困扰。
这里，可以将通过最小噪声分离正变换对高光谱影像数据进行特征波段选择，经MNF逆变换，对其结果进行图像融合处理，重现被遮挡的原有壁画信息，并标识出涂鸦区域。
经过MNF变换处理后，分别选用了HSV、Color Normalized、和Gram-SchmidtSpectral Sharpening三种融合方法，对此壁画进行信息增强。对于低分辨率影像选择噪声较小信息丰富的MNF逆变换真彩色影像(Inverse_2)，高分辨率影像选择目标特征明显的MNF逆变换影像Inverse_1的近红外波段(820nm)。
HSV影像融合
低分辨率影像选择Inverse_2的真彩色波段(R-334；G-192；B-45)；高分辨率影像选择Inverse_1的612波段(近红外820nm)。
GS影像融合
运用了Inverse_2的两种不同波段组合与特征影像Inverse_1进行了融合。
①以Inverse_2R：612B：334G：192波段组合作为低分辨数据，Inverse_1波段612作为高分辨率数据
②以Inverse_2R：334B：192G：45波段组合作为低分辨数据，Inverse_1波段612作为高分辨率数据
CN影像融合
低分辨率影像选择Inverse_2的真彩色波段(R-334；G-192；B-45)；高分辨率影像选择Inverse_1的612波段(近红外820nm)。
由于在原有壁画上覆盖后人恶意破坏的涂鸦痕迹，仅凭肉眼是不可能看到覆盖于涂鸦痕迹下的真实的壁画情况的。通过高光谱影像数据降维，选取特征波段，图像融合后的影像已经可以清晰看出耳廓、鼻梁、嘴唇处的真实壁画轮廓。其中HSV与GS融合均可以完整显示被涂鸦痕迹遮挡下的原始壁画轮廓；CN融合能够标注涂鸦痕迹的部分，与正射影像下肉眼可见的涂鸦位置一致，这些都可能对未来壁画的精细修复提供一定的便利。
步骤7、确定待处理彩绘类文物的高光谱原始影像数据中所有隐含信息的类型。
值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
综上所述，本发明实施例所述方法能够充分挖掘古字画、壁画信息，尤其在隐含信息挖掘方面体现出高光谱成像技术的独特优势，而且还可以有效的将发掘出来的隐含信息增强，使得隐藏起来的信息显化，从而有助于了解彩绘文物所在时代的社会情况和历史发展轨迹，也有助于研究其所处时代的绘画技法；并且这些信息对于文物保护与修复具有重要意义，能够为字画的真伪鉴定和修复工作提供重要的科学依据。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种彩绘类文物隐含信息的提取方法，其特征在于，所述方法包括：
步骤1、首先利用高光谱成像仪采集待处理彩绘类文物的高光谱原始影像数据；
步骤2、对采集的高光谱原始影像数据进行辐射校正预处理；
步骤3、对预处理后的影像数据进行主成分分析处理，然后进行特征波段提取，若发现隐含信息则记录波段序号，并进行步骤6的操作；
步骤4、对预处理后的影像数据进行最小噪声分离处理，然后进行特征波段提取，若发现隐含信息则记录波段序号，并进行步骤6的操作；
步骤5、对预处理后的影像数据进行波段运算处理，若发现隐含信息则记录波段序号，并进行步骤6的操作；
步骤6、进行图像融合，若发现隐含信息，则记录图像融合算法类型；
步骤7、确定待处理彩绘类文物的高光谱原始影像数据中所有隐含信息的类型。
2.根据权利要求1所述彩绘类文物隐含信息的提取方法，其特征在于，在步骤2中，进行辐射校正预处理的过程具体为：
通过采集高光谱成像仪的暗电流数据与标准白板数据，利用如下的校正公式进行校正处理：
Ref＝(data-dark)/(white-dark)
其中，Ref为校正后反射率；data为实验采集数据反射率；white为白板反射率；dark为暗电流反射率。
3.根据权利要求1所述彩绘类文物隐含信息的提取方法，其特征在于，在步骤3中，对预处理后的影像数据进行主成分分析处理的过程具体为：
首先获得预处理后的影像数据的协方差矩阵；
然后由特征方程求出协方差矩阵的各特征值；
将各特征值按大小顺序排列，求出对相应特征值的特征向量；
由相应特征向量组成正交变换矩阵，将正交变换矩阵应用于预处理后的影像数据的矩阵进行线性变换，得到新的变换后的图像矩阵，该新的变换后的图像矩阵的行向量即是变换后的各个主成分，在第一主成分中包含原始影像数据中的最大信息量，以此类推。
4.根据权利要求1所述彩绘类文物隐含信息的提取方法，其特征在于，在步骤4中，对预处理后的影像数据进行最小噪声分离处理的过程具体为：
对预处理后的影像数据进行最小噪声分离变换，查看变换后各波段的特征值曲线，根据特征值曲线确定阈值以及输出波段数；
在最小噪声分离变换后的输出波段中，结合目视识别，选择特征值大且图像清晰的波段；
对低维降噪后的图像进行增强处理，突出显示提取的壁画信息；
将最小噪声分离变换后的影像与原始影像进行对比分析，提取影像中的信息。
5.根据权利要求1所述彩绘类文物隐含信息的提取方法，其特征在于，在步骤5中，对预处理后的影像数据进行波段运算处理的过程具体为：
首先提取预处理后的影像数据中目标区域的感兴趣区ROI，并分别计算其平均光谱曲线；
然后在该目标区域内选取一定数量的采样点，将波谱曲线进行叠加对比来确定是否含有隐含信息；
其中，在处理过程中，进一步根据平均光谱曲线的走势，找寻分离两种特征的最佳波段范围，寻找最佳的波段运算，并通过波段运算进行特征提取；
其中，在处理过程中，进一步对影像数据做反变换，用亮度最大值对影像数据做减法，使增强目标亮度变大，并对处理亮度范围后的波段运算结果做二值化处理。
6.根据权利要求1所述彩绘类文物隐含信息的提取方法，其特征在于，在步骤6中，进行图像融合的过程具体为：
将含有待处理彩绘类文物特征的主成分分析处理后的数据或最小噪声分离处理后的数据或波段运算处理后所获得的特征提取影像数据，与待处理彩绘类文物的真彩色影像进行融合，提取出所需要的隐含信息。
CN201810171760.7A 2018-03-01 2018-03-01 一种彩绘类文物隐含信息的提取方法 Pending CN108416357A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810171760.7A CN108416357A (zh) 2018-03-01 2018-03-01 一种彩绘类文物隐含信息的提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810171760.7A CN108416357A (zh) 2018-03-01 2018-03-01 一种彩绘类文物隐含信息的提取方法

Publications (1)

Publication Number Publication Date
CN108416357A true CN108416357A (zh) 2018-08-17

Family

ID=63129846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810171760.7A Pending CN108416357A (zh) 2018-03-01 2018-03-01 一种彩绘类文物隐含信息的提取方法

Country Status (1)

Country Link
CN (1) CN108416357A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291675A (zh) * 2020-02-04 2020-06-16 北京科技大学 一种基于深度学习的高光谱古绘画检测识别方法
CN111595781A (zh) * 2020-05-15 2020-08-28 北京建筑大学 一种曲面拟合的地面高光谱影像反射率校正方法
CN112113918A (zh) * 2020-09-18 2020-12-22 河海大学 文物红色系颜料的高光谱识别模型构建方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106338487A (zh) * 2016-09-29 2017-01-18 北京建筑大学 一种字画鉴别方法和装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106338487A (zh) * 2016-09-29 2017-01-18 北京建筑大学 一种字画鉴别方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
侯妙乐 等: "《高光谱成像技术在彩绘文物分析中的研究综述》", 《光谱学与光谱分析》 *
史宁昌 等: "《高光谱成像技术在故宫书画文物保护中的应用》", 《文物保护与考古科学》 *
武望婷 等: "《高光谱技术在书画检测中的应用研究—以王震《三秋图》为例》", 《地理信息世界》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291675A (zh) * 2020-02-04 2020-06-16 北京科技大学 一种基于深度学习的高光谱古绘画检测识别方法
CN111291675B (zh) * 2020-02-04 2024-01-26 北京科技大学 一种基于深度学习的高光谱古绘画检测识别方法
CN111595781A (zh) * 2020-05-15 2020-08-28 北京建筑大学 一种曲面拟合的地面高光谱影像反射率校正方法
CN112113918A (zh) * 2020-09-18 2020-12-22 河海大学 文物红色系颜料的高光谱识别模型构建方法及系统
CN112113918B (zh) * 2020-09-18 2021-11-02 河海大学 文物红色系颜料的高光谱识别模型构建方法及系统

Similar Documents

Publication Publication Date Title
Adeyanju et al. Machine learning methods for sign language recognition: A critical review and analysis
US11615559B2 (en) Methods and systems for human imperceptible computerized color transfer
Trier et al. Tree species classification in Norway from airborne hyperspectral and airborne laser scanning data
Abdelmounaime et al. New Brodatz‐Based Image Databases for Grayscale Color and Multiband Texture Analysis
CN108416357A (zh) 一种彩绘类文物隐含信息的提取方法
CN110472495B (zh) 一种基于图形推理全局特征的深度学习人脸识别方法
CN108038504A (zh) 一种解析房产证照片内容的方法
Ju et al. Classification of jujube defects in small data sets based on transfer learning
Li et al. A novel hyperspectral imaging and modeling method for the component identification of woven fabrics
Hollaus et al. CNN based binarization of multispectral document images
CN109902581A (zh) 一种基于多步加权的单样本部分遮挡人脸识别方法
Khan et al. Comparitive study of tree counting algorithms in dense and sparse vegetative regions
CN116051983A (zh) 一种面向多业务系统融合的多光谱遥感影像水体提取方法
CN118230166A (zh) 基于改进Mask2YOLO网络的玉米冠层器官识别方法及冠层表型检测方法
Sharan et al. Classification of Medicinal Leaf by Using Canny Edge Detection and SVM Classifier
Makarov et al. Neural network classification of coffee varieties on hyperspectral images
Fahmy et al. Toward an automated dental identification system
CN116665051B (zh) 基于rgb图像重建高光谱图像的垃圾中金属再筛选方法
Hollaus et al. MultiSpectral image binarization using GMMs
Galli et al. Deep inside the color: How optical microscopy contributes to the elemental characterization of a painting
CN116883851A (zh) 一种基于高光谱图像比对的字画艺术品鉴定方法
Huang et al. Visible-light and near-infrared face recognition at a distance
Munivel et al. MLIBT: A multi-level improvised binarization technique for Tamizhi inscriptions
Gao et al. On Designing a SwinIris Transformer Based Iris Recognition System
Nair BJ et al. Automated Enhancement of Faded Palm Leaf Manuscripts to Restore Text Legibility

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180817

RJ01 Rejection of invention patent application after publication