CN108428237B - 基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法 - Google Patents
基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法 Download PDFInfo
- Publication number
- CN108428237B CN108428237B CN201810121326.8A CN201810121326A CN108428237B CN 108428237 B CN108428237 B CN 108428237B CN 201810121326 A CN201810121326 A CN 201810121326A CN 108428237 B CN108428237 B CN 108428237B
- Authority
- CN
- China
- Prior art keywords
- image
- hyperspectral
- cultural relic
- matrix
- line
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 123
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000000926 separation method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 239000000284 extract Substances 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 19
- 238000000701 chemical imaging Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法，通过高光谱相机采集第一高光谱彩绘文物图像，预处理之后获得第二高光谱彩绘文物图像，通过最小噪声分离来分离信号的噪声，反变换后获得第三高光谱彩绘文物图像，通过稀疏非负矩阵欠近似得到最优成分线稿图像，通过图层叠加对最优成分的线稿图像进行增强、Camera raw滤镜去噪后得到最终的高光谱彩绘文物线稿图像。该方法能够在保证线稿信息完整的前提下减少噪声的影响，与现有方法相比能够提取更为完整干净的彩绘文物线稿图像。
Description
技术领域
本发明涉及高光谱彩绘文物图像处理，具体涉及一种基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法。
背景技术
文物作为历史的物质遗存，是源远流长的中国历史的重要见证，是光辉灿烂的中国文化的重要载体，保护文物就是通过延长文物本体的寿命从而尽可能长的保护其上承载的重要信息，然而人工对文物进行保护和修复的工作十分繁复，不仅要求有非常专业的知识储备还需要大量的人力和物力支持，随着信息技术、数字化技术的迅猛发展，用信息技术来进行文物保护和修复的需求也日益迫切。
高光谱技术将成像技术和光谱技术相结合，通过高光谱传感器探测物体反射的电磁波而获得被测目标的空间特征和光谱特征，与其他应用与文物保护的技术相比较，高光谱技术具有以下几个显著的优势：(1)高光谱技术是一种非接触的保护技术，用其进行彩绘文物图像采集的时候，不会对文物图像造成二次损坏；(2)高光谱技术有着近似连续的被测物体的光谱信息，有助于分析彩绘文物图像所使用的颜料信息，并与其实测值相匹配；(3)高光谱技术能够探测具有诊断性光谱吸收特征的物质，能够准确的区分具有不同光谱特征的物质，将极大提高对有尘土或污染物覆盖区域的彩绘文物识别和探测的能力；(4)高光谱技术能够通过光谱信息来挖掘可见光下隐藏的文物信息，这对文物承载的文化信息的研究具有重大意义。
现有技术针对高光谱彩绘文物图像的线条进行提取时，需要兼顾去除噪声和保证线条的完整性，目前提取高光谱彩绘文物线条的方法虽然有着比较完整的线条信息，但是相应的也会存在很多的噪声，因为噪声的光谱曲线与石墨的光谱曲线比较接近，很难在保留线条的同时将噪声去除。
发明内容
本发明的目的在于提供一种基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法，用以解决现有技术中对高光谱彩绘文物线条提取时存在的噪声干扰大的问题。
为了实现上述任务，本发明采用以下技术方案：
一种基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法，包括以下步骤：
步骤1，采集第一高光谱彩绘文物图像；
步骤2，对所述的第一高光谱彩绘文物图像进行预处理，包括镜像处理、黑白帧校准以及预去噪，获得第二高光谱彩绘文物图像；
步骤3，对所述的第二高光谱彩绘文物图像去噪，获得第三高光谱彩绘文物图像；
步骤4，对所述的第三高光谱彩绘文物图像进行降维，获得最优成分线稿图像；
步骤5，对所述的最优成分线稿图像进行高斯模糊，获得混合色图像；对所述的最优成分线稿图像进行反相处理，获得基色图像；
步骤6，对比所述的混合色图像与所述基色图像，获得第一彩绘文物线稿图；
步骤7，对所述的第一彩绘文物线稿图采用Camera raw滤镜进行去噪，获得第二彩绘文物线稿图。
进一步地，所述的步骤2中通过删除第二高光谱彩绘文物图像中的前后各20波段的光谱信息进行预去噪。
进一步地，对所述的第二高光谱彩绘文物图像进行噪声估计，将噪声与信号分离，将所述的噪声进行去除，获得第三高光谱彩绘文物图像。
进一步地，采用最小噪声分离变换对所述的第二高光谱彩绘文物图像进行噪声估计，将噪声与信号分离，将所述的噪声进行去除，获得第三高光谱彩绘文物图像。
进一步地，所述的步骤3中，通过设定特征值阈值的方法，将所述的噪声进行去除，获得第三高光谱彩绘文物图像。
进一步地，所述的步骤4中，采用稀疏非负矩阵欠近似对所述的第三高光谱彩绘文物图像进行多次分解降维，选择第一次分解降维后的丰富度图像作为所述的最优成分线稿图。
进一步地，所述的步骤6，对比所述的混合色图像与所述基色图像，获得第一彩绘文物线稿图，包括以下步骤：
A、将所述的混合色图像像素值转换至[0,1]，获得混合色图像矩阵ISC，将所述的基色图像的像素值转换至[0,1]，获得基色图像矩阵IBC；
B、利用式(1)计算所述基色图像矩阵和反相后的所述混合色图像矩阵的比值，获得所述基色图像与所述混合色图像对比度的差异矩阵ID：
C、根据所述的差异图，生成判别矩阵Mmask；
D、利用式(2)将所述的差异矩阵ID结合所述的判别矩阵，获得彩绘文物线稿灰度矩阵IL：
IL＝ID×(1-Mmask)+Mmask (2)
E、将所述彩绘文物线稿灰度矩阵IL转换至[0,255]，获得所述的第一彩绘文物线稿图。
进一步地，将所述的差异矩阵进行二值化，获得所述的判别矩阵。
进一步地，所述的步骤7中，对所述的第一彩绘文物线稿图采用Camera raw滤镜时，设置所述滤镜的锐化半径、细节、明亮度、明亮度细节进行去噪，获得第二彩绘文物线稿图。
本发明与现有技术相比具有以下技术特点:
1、本发明提供的高光谱彩绘文物线稿提取方法不需要光谱库，通过稀疏的非负矩阵欠近似提取出来的第一个丰富度图像，作为提取线稿的最优成分进行线条提取，不需要预先知道线稿的光谱曲线就可以提取彩绘文物图像的线稿信息，相比现有方法来说更具有普适性。
2、本发明提供的高光谱彩绘文物线稿提取方法采用了图层叠加的思想，对提取出的最优成分进行高斯模糊生成混合色图像，对最优成分做反相处理生成基色图像，通过混合色图像和基色图像各通道颜色值进行对比，减少二者的对比度使基色图像变亮来反映混合色，从而提出高光谱彩绘文物的线稿图像，在保证图像线条完整性的同时，最大程度的去除噪声的干扰，并能够有效地改善与线条同样材料的色块问题，减少色块对文物线稿提取的影响。
3、本发明提供的高光谱彩绘文物线稿提取方法是一个完整的高光谱彩绘文物线稿提取方法，没有选取感兴趣区域或者纯净像元等的人为干预，保证了方法的客观性和可行性。
附图说明
图1为本发明提供的基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法的流程图；
图2为本发明的一个实施例中采集的第一高光谱彩绘文物图像；
图3为本发明的一个实施例中经过稀疏非负矩阵欠近似降维后的第一丰富度图像；
图4为本发明的一个实施例中经过稀疏非负矩阵欠近似降维后的第二丰富度图像；
图5为本发明的一个实施例中经过稀疏非负矩阵欠近似降维后的第三丰富度图像；
图6为本发明的一个实施例中经过稀疏非负矩阵欠近似降维后的第四丰富度图像；
图7为本发明的一个实施例中经过高斯模糊后获得的混合色图像；
图8为本发明的一个实施例中经过反相后获得的基色图像；
图9为本发明的一个实施例中的第一彩绘文物线稿图；
图10为本发明的一个实施例中的第二彩绘文物线稿图。
具体实施方式
高光谱成像技术：高光谱成像技术是基于非常多窄波段的影像数据技术，它将成像技术与光谱技术相结合，探测目标的二维几何空间及一维光谱信息，获取高光谱分辨率的连续、窄波段的图像数据。
高光谱彩绘文物图像：高光谱彩绘文物图像是在光谱维度上进行了细致的分割，不仅仅是传统所谓的黑、白或者R、G、B的区别，而是在光谱维度上也有N个通道，因此，通过高光谱设备获取到的是一个数据立方，不仅有图像的信息，并且在光谱维度上进行展开，结果不仅可以获得图像上每个点的光谱数据，还可以获得任一个谱段的影像信息。
最小噪声分离变换(MNF)：用于判定图像数据内在的维数(即波段数)，分离数据中的噪声，减少随后处理中的计算需求量。
遵从上述技术方案，如图1至图10所示，本发明公开了一种基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法，如图1所示，包括以下步骤：
步骤1，采集第一高光谱彩绘文物图像；
采集高光谱彩绘文物图像可以由高光谱成像系统采集，其中高光谱成像系统由面阵相机、分光设备、光源、传输机构以及计算机软硬件等构成，光源为整个成像系统提供照明，分光设备通过光学元件把宽波长的混合光分散为不同频率的单波长光，并把分散光投射到面阵相机上；光源产生的光与彩绘文物图像作用后成为物理或化学信息的载体，通过分光元件投射到面阵相机上，获得了高光谱彩绘文物图像。
可选地，通过高光谱传感器探测彩绘文物反射的电磁波，采集所述彩绘文物的空间和频谱数据，获得第一高光谱彩绘文物图像。
在本实施例中，采用高光谱传感器采集永泰公主墓造景图像，获得第一高光谱彩绘文物图像如图2所示。
步骤2，对所述的高光谱彩绘文物图像进行预处理，包括镜像处理、黑白帧校准以及预去噪，获得第二高光谱彩绘文物图像；
可选地，预去噪具体是指删除第二高光谱彩绘文物图像中的前后各20波段的光谱信息。
由于高光谱相机成像是镜像的，因此首先需要对采集的第一高光谱彩绘文物图像进行镜像处理。
其次，再对高光谱相机采集的原始DN值数据R0进行黑白帧校准得到反射率数据R，具体地，使用高光谱相机拍摄白板获取白帧数据W，盖上镜头关闭光源拍摄黑帧数据D，采用式(1)进行黑白帧校准：
最后，删除第一高光谱彩绘文物图像前后各20个波段的光谱信息，以减少原始文物图像的噪声，获得第二高光谱彩绘文物图像，如图3所示。
步骤3，对所述的第二高光谱彩绘文物图像去噪，获得第三高光谱彩绘文物图像；
对第二高光谱彩绘文物图像去噪时，可以选择小波去噪、小波基去噪、多小波去噪、曲波去噪、基于噪声估计等方法，作为一种优选的实施方式，选择基于噪声估计的方法对第二高光谱彩绘文物图像进行去噪，该种方法通过将信号与噪声进行分离，能够了解图像中的成分，在去噪的同时能够更好地保留边缘细节的信息。
可选地，对所述的第二高光谱彩绘文物图像进行噪声估计，将噪声与信号分离，将所述的噪声进行去除，获得第三高光谱彩绘文物图像；
由于第二高光谱彩绘文物图像中含有噪声干扰，因此可以利用噪声估计的方法，将噪声与信号进行分离，其中噪声估计的方法是对图像进行最小噪声变换。
可选地，采用最小噪声分离变换对所述的第二高光谱彩绘文物图像进行噪声估计，将噪声与信号分离，将所述的噪声进行去除，获得第三高光谱彩绘文物图像。
用最小噪声分离变换的方法对噪声估计后，使得第二高光谱彩绘文物图像中的噪声与信号实现了分离，并且获得了各个成分的特征值，其中噪声与信号分别对应不同的特征值，通过对特征值的筛选就可以将噪声与信号分离。
可选地，通过设定特征值阈值的方法，将所述的噪声进行去除，获得第三高光谱彩绘文物图像。
具体地，通过设置成分特征值的阈值，将特征值大于阈值的成分进行保留，特征值小于阈值的成分进行删除，将经过筛选后的成分再采用反向最小噪声分离变换进行重建，获得第三高光谱彩绘文物图像。
作为一种优选的实施方式，将特征值阈值设置为2，也就是说将特征值大于2的成分进行保留，将特征值小于2的成分进行删除，使得重建后的图像能够保留更多的图像信号信息，而滤除掉更多的噪声信息。
在本实施例中，对如图1所示的第一高光谱彩绘文物图像进行最小噪声分离变换，获得各个成分特征值见表1，共分离出了136个成分，表1中仅显示了部分结果。
表1最小噪声变换特征值成分表
| 最小噪声变换 | 特征值 | 百分比％ |
| 1 | 152.7796 | 39.75 |
| 2 | 73.2126 | 58.79 |
| 3 | 12.7784 | 62.12 |
| 4 | 5.2854 | 63.49 |
| 5 | 4.0836 | 64.56 |
| 6 | 2.5427 | 65.22 |
| …… | …… | …… |
| 100 | 0.9994 | 90.72 |
| 101 | 0.9990 | 90.98 |
| 102 | 0.9985 | 91.24 |
| …… | …… | …… |
| 135 | 0.9818 | 99.74 |
| 136 | 0.9806 | 100.00 |
将特征值阈值设定为2，因此将表中特征值小于2对应的成分进行删除，保留特征值大于2的成分后再采用最小噪声分离变换进行重建，获得第三高光谱彩绘文物图像。
步骤4，对所述的第三高光谱彩绘文物图像进行降维，获得最优成分线稿图像；
由于高光谱彩绘文物图像是一个三维的矩阵，包括高光谱彩绘文物图像的行数、列数以及波段个数，也就是说高光谱彩绘文物图像相当于多张不同波段下的图像集，因此在对高光谱彩绘文物图像一般维数较高，因此可以通过降维的方式将图像中的有用信息集合在一张图像上，也就是说，将原本高维的高光谱彩绘文物图像降维成具有最多细节信息的一维图像。
为了减少计算量，加快线稿提取速度，将原本高维的第三高光谱彩绘文物图像进行降维处理，使得在后续的计算时，仅需进行较少维数的处理，提高了线稿图像提取的效率。
可选地，所述的步骤4中，采用稀疏非负矩阵欠近似对所述的第三高光谱彩绘文物图像进行多次分解降维，选择第一次分解降维后的丰富度图像作为所述的最优成分线稿图。
高光谱彩绘文物图像X∈Rh×l×band，其中h为高光谱彩绘文物图像的行数，l为高光谱彩绘文物图像的列数，band为高光谱彩绘文物图像的波段个数，将X表示成一个二维矩阵
其中n＝h×l表示把每一个波段的图像都拉成n维向量，m＝band表示高光谱彩绘文物图像的波段个数，Mij表示第i个像元的第j个波段信息。采用稀疏非负矩阵欠近似的方法就是将M分解成
和
的r秩的线性组合，其中U称为丰富度矩阵，V称为基矩阵。
在采用稀疏非负矩阵欠近似对第三高光谱彩绘文物图像进行分解时，相当于将第三高光谱彩绘文物图像对应的矩阵
进行分解，将其从原本的图像矩阵分解为两个矩阵，一个是丰富度矩阵
一个是基矩阵
通过设定原本图像矩阵分解的秩r确定了丰富度矩阵以及基矩阵的维数，其中，丰富度矩阵有n×r维，r＝1时丰富度矩阵包含的信息最多，r＝2的丰富度矩阵相当于是对r＝1的丰富度矩阵求原本图像矩阵非负余项的结果，也就是说r＝2的丰富度矩阵相对于r＝1的丰富度矩阵包含的信息减少了，依次顺延，则第r个丰富度矩阵中包含的信息最少。
因此对于一个高光谱彩绘文物图像来说，采用稀疏非负矩阵欠近似对高光谱彩绘文物图像进行降维，包括以下步骤：
A、将高光谱彩绘文物图像转换为矩阵形式，获得高光谱彩绘文物图像矩阵
B、设定高光谱彩绘文物图像矩阵分解秩数r；
C、将所述的高光谱彩绘文物图像矩阵分解为丰富度矩阵
以及基矩阵
D、将所述的高光谱彩绘文物图像矩阵
与丰富度矩阵
以及基矩阵
的乘积相减，获得高光谱彩绘文物图像非负余项矩阵R＝M-U·V；
E、对所述的高光谱彩绘文物图像非负余项矩阵R＝M-U·V重复步骤C-D，直至完成r次分解，分别获得r个丰富度矩阵；
F、将所述的r个丰富度矩阵表现形式转换为r个丰富度图像表现形式。
将第三高光谱彩绘文物图像矩阵
减去第一丰富度矩阵
与第一基矩阵
的乘积，获得第三高光谱的第一非负余项矩阵R＝M-U·V；
再将该第一非负余项矩阵进行分解，即r＝2时获得第二丰富度矩阵
与第二基矩阵
重复得到r＝3时的第三丰富度矩阵
与第三基矩阵
r＝4时的第四丰富度矩阵
与第四基矩阵
再将第一丰富度矩阵、第二丰富度矩阵、第三丰富度矩阵以及第四丰富度矩阵的表现形式转换为图像的表现形式，获得4张丰富度图像，如图3-6所示。
其中图3为r＝1的第一丰富度图像，图4为r＝2的第二丰富度图像，图5为r＝3的第三丰富度图像，图6为r＝4的第四丰富度图像，比较四幅图像可以看出，第一丰富度图像中包含的线条信息最完整，选择第一丰富度图像作为最优成分线稿图。
步骤5，对所述的最优成分线稿图像进行高斯模糊，获得混合色图像；对所述的最优成分线稿图像进行反相处理，获得基色图像；
在本实施例中，对最优成分线稿图分别进行两次处理，第一次是对最优成分线稿图进行高斯模糊，其中作为一种优选的实施方式，采用高斯模糊处理时高斯模糊半径为5，生成混合色图像，如图7所示；第二次对最优成分线稿图作反相处理，即对最优成分线稿图中的所有像素点的灰度值求取其对于255的补集，也就是说，对最优成分线稿图中每一个像素点的颜色转换成各自的补色，生成基色图像，如图8所示。
步骤6，对比所述的混合色图像与所述基色图像，获得第一彩绘文物线稿图；
通过混合色图像和基色图像的灰度值进行对比，保留对比度差异较大的线稿，消除对比度差异较小的背景杂色的干扰，保证获取的第一彩绘文物线稿图尽可能的减少噪声干扰。
可选地，对比所述的混合色图像与所述基色图像，获得第一彩绘文物线稿图，包括以下步骤：
A、将所述的混合色图像像素值转换至[0,1]，获得混合色图像矩阵ISC，将所述的基色图像的像素值转换至[0,1]，获得基色图像矩阵IBC；
将混合色图像像素值由[0，255]转换至[0,1]，获得混合色图像矩阵ISC；将所述的基色图像的像素值由[0，255]转换至[0,1]，获得基色图像矩阵IBC；
B、利用式(2)计算所述基色图像矩阵和反相后的所述混合色图像矩阵的比值，获得所述基色图像与所述混合色图像对比度的差异矩阵ID：
其中，分母加上了0.001为了防止分母等于0，分式无意义。
在本实施例中，对如图7的混合色图像与图8的基色图像求取差异矩阵后，获得了一个605*548的差异矩阵ID：
C、根据所述的差异矩阵，生成判别矩阵Mmask；
可选地，将所述的差异矩阵进行二值化，获得所述的判别矩阵。
所述的判别矩阵是指根据所述的差异矩阵中的每一个值，若该值大于1，则对应所述判别矩阵中的值为1；若该值小于1，则对应所述判别矩阵中的值为0，也就是说，对差异矩阵中数值进行二值化，大于1置为1，小于1置为0，获得所述的判别矩阵。
在本实施例中，由605*548的差异矩阵进行二值化后，获得了一个605*548的判别矩阵Mmask：
D、利用式(3)将所述的差异矩阵ID结合所述的判别矩阵，获得彩绘文物线稿灰度矩阵IL：
IL＝ID×(1-Mmask)+Mmask (3)
在本实施例中，根据式(3)带入差异矩阵以及判别矩阵，获得彩绘文物线稿灰度矩阵IL：
E、将所述彩绘文物线稿灰度矩阵IL转换至[0,255]，获得所述的第一彩绘文物线稿图。
在本实施例中，将彩绘文物线稿灰度图的像素值由[0,1]转换至[0,255]，获得正常RGB色彩的第一彩绘文物线稿图，如图9所示，通过通过图层叠加对最优成分的线稿图像进行增强，有效地再增强线稿信息的同时减弱了背景的噪声。
步骤7，对所述的第一彩绘文物线稿图采用Camera raw滤镜进行去噪，获得第二彩绘文物线稿图。
由于彩绘文物数据的噪声较大，而且噪声的灰度值和线稿的灰度值基本一致，普通的去噪方法无法在保留线稿的同时去除噪声，因此本方案中采用Camera raw滤镜进行去噪，获得第二彩绘文物线稿图。
对所述的第一彩绘文物线稿图采用Camera raw滤镜，设置所述滤镜的锐化半径、细节、明亮度、明亮度细节进行去噪，获得第二彩绘文物线稿图。
在本实施例中，采用了Photoshop中Camera raw滤镜降噪点调亮以后再减少噪点细节，从而消除噪点，锐化半径设为1，细节设为25，在减少杂色中将明亮度设为100，用于减少明亮度杂色，明亮度细节设为0，其中值越小图像细节保留的就越少，去噪后得到第二彩绘文物的线稿图，如图10所示。
本方案采用了基于稀疏的非负矩阵欠近似的方法对高光谱彩绘文物图像进行线稿的提取，通过图层叠加对最优成分的线稿图像进行增强，有效地再增强线稿信息的同时减弱了背景的噪声，与现有的方法的相比提取了更完整更干净的彩绘文物线稿图像。
Claims (7)
1.一种基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法，其特征在于，包括以下步骤：
步骤1，采集第一高光谱彩绘文物图像；
步骤2，对所述的第一高光谱彩绘文物图像进行预处理，包括镜像处理、黑白帧校准以及预去噪，获得第二高光谱彩绘文物图像；
步骤3，对所述的第二高光谱彩绘文物图像去噪，获得第三高光谱彩绘文物图像；
步骤4，对所述的第三高光谱彩绘文物图像进行降维，获得最优成分线稿图像；其中，采用稀疏非负矩阵欠近似对所述的第三高光谱彩绘文物图像进行多次分解降维，选择第一次分解降维后的丰富度图像作为所述的最优成分线稿图；
步骤5，对所述的最优成分线稿图像进行高斯模糊，获得混合色图像；对所述的最优成分线稿图像进行反相处理，获得基色图像；
步骤6，对比所述的混合色图像与所述基色图像，获得第一彩绘文物线稿图；包括以下步骤：
A、将所述的混合色图像像素值转换至[0,1]，获得混合色图像矩阵ISC，将所述的基色图像的像素值转换至[0,1]，获得基色图像矩阵IBC；
B、利用式(1)计算所述基色图像矩阵和反相后的所述混合色图像矩阵的比值，获得所述基色图像与所述混合色图像对比度的差异矩阵ID：
C、根据所述的差异矩阵，生成判别矩阵Mmask；
D、利用式(2)将所述的差异矩阵ID结合所述的判别矩阵，获得彩绘文物线稿灰度矩阵IL：
IL＝ID×(1-Mmask)+Mmask (2)
E、将所述彩绘文物线稿灰度矩阵IL转换至[0,255]，获得所述的第一彩绘文物线稿图；
步骤7，对所述的第一彩绘文物线稿图采用Camera raw滤镜进行去噪，获得第二彩绘文物线稿图。
2.如权利要求1所述的基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法，其特征在于，所述的步骤2中通过删除第二高光谱彩绘文物图像中的前后各20波段的光谱信息进行预去噪。
3.如权利要求1所述的基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法，其特征在于，对所述的第二高光谱彩绘文物图像进行噪声估计，将噪声与信号分离，将所述的噪声进行去除，获得第三高光谱彩绘文物图像。
4.如权利要求3所述的基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法，其特征在于，采用最小噪声分离变换对所述的第二高光谱彩绘文物图像进行噪声估计，将噪声与信号分离，将所述的噪声进行去除，获得第三高光谱彩绘文物图像。
5.如权利要求4所述的基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法，其特征在于，所述的步骤3中，通过设定特征值阈值的方法，将所述的噪声进行去除，获得第三高光谱彩绘文物图像。
6.如权利要求1所述的基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法，其特征在于，将所述的差异矩阵进行二值化，获得所述的判别矩阵。
7.如权利要求1所述的基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法，其特征在于，所述的步骤7中，对所述的第一彩绘文物线稿图采用Camera raw滤镜时，设置所述滤镜的锐化半径、细节、明亮度、明亮度细节进行去噪，获得第二彩绘文物线稿图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810121326.8A CN108428237B (zh) | 2018-02-07 | 2018-02-07 | 基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810121326.8A CN108428237B (zh) | 2018-02-07 | 2018-02-07 | 基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108428237A CN108428237A (zh) | 2018-08-21 |
| CN108428237B true CN108428237B (zh) | 2022-12-09 |
Family
ID=63156758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810121326.8A Active CN108428237B (zh) | 2018-02-07 | 2018-02-07 | 基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108428237B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109285167B (zh) * | 2018-09-20 | 2021-09-17 | 西北大学 | 一种基于深度学习的提取彩绘陶器图案方法 |
| CN109738413B (zh) * | 2019-01-08 | 2020-06-02 | 江南大学 | 基于稀疏非负最小二乘的混合物拉曼光谱定性分析方法 |
| CN110942435B (zh) * | 2019-11-27 | 2023-05-30 | 讯飞智元信息科技有限公司 | 一种文档图像处理的方法和装置 |
| CN115409914B (zh) * | 2022-11-02 | 2023-01-06 | 天津恒达文博科技股份有限公司 | 文物线描图的生成方法、装置、存储介质及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5032903A (en) * | 1988-10-20 | 1991-07-16 | Fuji Xerox Co., Ltd. | Edge processing system for color image processing system |
| JP2000149010A (ja) * | 1998-11-09 | 2000-05-30 | Riso Kagaku Corp | 画像処理装置 |
| CN104050653A (zh) * | 2014-07-07 | 2014-09-17 | 西安电子科技大学 | 基于非负结构稀疏的高光谱图像超分辨率算法 |
| EP2853883A1 (en) * | 2013-09-16 | 2015-04-01 | UmBio AB | Genetic algorithm for grouping objects on the basis of their hyperspectral images |
| CN104751181A (zh) * | 2015-04-02 | 2015-07-01 | 山东大学 | 一种基于相对丰度的高光谱图像解混方法 |
| CN104867124A (zh) * | 2015-06-02 | 2015-08-26 | 西安电子科技大学 | 基于对偶稀疏非负矩阵分解的多光谱与全色图像融合方法 |
| CN104978573A (zh) * | 2015-07-06 | 2015-10-14 | 河海大学 | 一种应用于高光谱图像处理的非负矩阵分解方法 |
| CN106529563A (zh) * | 2016-09-19 | 2017-03-22 | 西安电子科技大学 | 基于双图稀疏非负矩阵分解的高光谱波段选择方法 |
-
2018
- 2018-02-07 CN CN201810121326.8A patent/CN108428237B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5032903A (en) * | 1988-10-20 | 1991-07-16 | Fuji Xerox Co., Ltd. | Edge processing system for color image processing system |
| JP2000149010A (ja) * | 1998-11-09 | 2000-05-30 | Riso Kagaku Corp | 画像処理装置 |
| EP2853883A1 (en) * | 2013-09-16 | 2015-04-01 | UmBio AB | Genetic algorithm for grouping objects on the basis of their hyperspectral images |
| CN104050653A (zh) * | 2014-07-07 | 2014-09-17 | 西安电子科技大学 | 基于非负结构稀疏的高光谱图像超分辨率算法 |
| CN104751181A (zh) * | 2015-04-02 | 2015-07-01 | 山东大学 | 一种基于相对丰度的高光谱图像解混方法 |
| CN104867124A (zh) * | 2015-06-02 | 2015-08-26 | 西安电子科技大学 | 基于对偶稀疏非负矩阵分解的多光谱与全色图像融合方法 |
| CN104978573A (zh) * | 2015-07-06 | 2015-10-14 | 河海大学 | 一种应用于高光谱图像处理的非负矩阵分解方法 |
| CN106529563A (zh) * | 2016-09-19 | 2017-03-22 | 西安电子科技大学 | 基于双图稀疏非负矩阵分解的高光谱波段选择方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108428237A (zh) | 2018-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108428237B (zh) | 基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法 | |
| Abdelmounaime et al. | New Brodatz-based image databases for grayscale color and multiband texture analysis | |
| Bourennane et al. | Improvement of classification for hyperspectral images based on tensor modeling | |
| Hedjam et al. | Historical document image restoration using multispectral imaging system | |
| CN108133481A (zh) | 一种针对荧光免疫层析试条成像系统的图像处理算法 | |
| Traganos et al. | Cubesat-derived detection of seagrasses using planet imagery following unmixing-based denoising: Is small the next big? | |
| CN112634159A (zh) | 基于盲噪声估计的高光谱图像去噪方法 | |
| Mol et al. | The digital reconstruction of degraded ancient temple murals using dynamic mask generation and an extended exemplar-based region-filling algorithm | |
| CN113421198B (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 | |
| Fazlali et al. | Aerial image dehazing using a deep convolutional autoencoder | |
| Khoje et al. | Comparative performance evaluation of fast discrete curvelet transform and colour texture moments as texture features for fruit skin damage detection | |
| Li et al. | Improved image enhancement method for flotation froth image based on parameter extraction | |
| Dixit et al. | Copy-move image forgery detection using frequency-based techniques: a review | |
| Wang et al. | Textural filtering for SAR image processing | |
| Yin et al. | Automatic endmember bundle unmixing methodology for lunar regional area mineral mapping | |
| CN105809187A (zh) | 基于图像识别的多厂家局放数据结果诊断分析方法 | |
| Barmpoutis et al. | Detection of various characteristics on wooden surfaces, using scanner and image processing techniques | |
| Hafiz et al. | Estimation of Coral Rubble Quantity using Edge Detection and Morphological-Based Methods | |
| Shanthini et al. | Hyperspectral fruit image restoration using non-convex optimization | |
| McAndrew | An In troduction to Digital Image Processing with Ma tlab | |
| Hnatushenko et al. | HOMOMORPHIC FILTERING IN DIGITAL MULTICHANNEL IMAGE PROCESSING | |
| Pyka | Detection of orthoimage mosaicking seamlines by means of wavelet transform | |
| Sharma | DSP in image processing | |
| Oguzhanoglu et al. | Comparison of Satellite Image Denoising Techniques in Spatial and Frequency Domains | |
| CN114359103B (zh) | 高光谱图像去雾方法、装置、计算机产品及存储介质 |
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 |