CN111861970B - 古文物修复处理方法、装置、计算机设备及存储介质 - Google Patents
古文物修复处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111861970B CN111861970B CN201910330497.6A CN201910330497A CN111861970B CN 111861970 B CN111861970 B CN 111861970B CN 201910330497 A CN201910330497 A CN 201910330497A CN 111861970 B CN111861970 B CN 111861970B
- Authority
- CN
- China
- Prior art keywords
- repaired
- information
- ancient
- region
- area
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000003672 processing method Methods 0.000 title description 7
- 238000001228 spectrum Methods 0.000 claims abstract description 130
- 239000000126 substance Substances 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 46
- 239000013076 target substance Substances 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 29
- 239000000463 material Substances 0.000 claims description 28
- 230000003595 spectral effect Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 230000003287 optical effect Effects 0.000 claims description 14
- 230000008439 repair process Effects 0.000 claims description 11
- 238000010521 absorption reaction Methods 0.000 claims description 10
- 230000008033 biological extinction Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007499 fusion processing Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 239000000523 sample Substances 0.000 description 61
- 238000010422 painting Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000005684 electric field Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 239000013077 target material Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000001237 Raman spectrum Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001443 photoexcitation Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请提供古文物修复处理方法、装置、计算机设备及存储介质,将待修复古文物与已构建的古文物样本数据库进行匹配,得到待修复古文物中的待修复区域,以及待修复区域的物质信息和待修复区域的光谱信息,通过待修复区域的物质信息以及待修复区域的光谱信息,得到待修复区域的数字图像信息,将数字图像信息转换为待修复区域的待修复真实物质信息,获取待修复古文物的太赫兹指纹谱数据,根据待修复真实物质信息和太赫兹指纹谱数据得到待修复的目标物质信息,计算机设备能够采用太赫兹光谱技术对不同类型的待修复古文物的内部结构进行物质分析和鉴别,从而使操作员能够根据检测结果对不同类型的待修复古文物进行准确修复,提高了古文物修复的准确率。
Description
技术领域
本申请涉及古文物修复技术领域,特别是涉及一种古文物修复处理方法、装置、计算机设备及存储介质。
背景技术
在中国历史文化发展的过程中,留下了很多古文物艺术品。由于时间和环境的关系,很多古文物艺术品都遭到了损坏,降低了古文物的艺术表现力,因此,古文物修复技术对历史文化的研究及传播具有非常重要的意义和作用。
传统的古文物无损检测,通常需要采用X射线、超声波、红外、拉曼光谱等技术,基于图像处理的方法对古文物进行修复。但是,传统技术是以人的视觉观感为修复标准,所修复的颜色穿凿痕迹较重,很难与原始古文物风格浑然一体,从而降低了古文物修复的准确率。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高古文物修复准确率的古文物修复处理方法、装置、计算机设备及存储介质。
本申请实施例提供一种古文物修复处理方法,所述方法包括:
将待修复古文物与已构建的古文物样本数据库进行匹配,得到所述待修复古文物中的待修复区域,以及所述待修复区域的物质信息和所述待修复区域的光谱信息;
通过所述待修复区域的物质信息以及所述待修复区域的光谱信息,得到所述待修复区域的数字图像信息;
将所述待修复区域的数字图像信息转换为所述待修复区域的待修复真实物质信息;
获取所述待修复古文物的太赫兹指纹谱数据;
根据所述待修复真实物质信息和所述太赫兹指纹谱数据,得到待修复的目标物质信息。
在其中一个实施例中,所述古文物样本数据库包括所述古文物样本的指纹谱特征库以及所述古文物样本的光谱数据库;
所述将待修复古文物与已构建的古文物样本数据库进行匹配,得到所述待修复古文物中的待修复区域,以及所述待修复区域的物质信息和所述待修复区域的光谱信息,包括:
将所述待修复古文物与已构建的所述古文物样本数据库进行匹配,得到待修复古文物中的所述待修复区域;
将所述待修复古文物与所述古文物样本指纹谱特征库进行匹配,得到所述待修复区域的物质信息;
获取所述待修复古文物的光谱信息;
将所述待修复古文物的光谱信息与所述古文物样本光谱数据库进行匹配,得到所述待修复区域的光谱信息。
在其中一个实施例中,所述通过所述待修复区域的物质信息以及所述待修复区域的光谱信息,得到所述待修复区域的数字图像信息,包括:
通过数据图像修复系统,对所述待修复区域的物质信息以及所述待修复区域的光谱信息进行融合处理,得到所述待修复区域的数字图像信息。
在其中一个实施例中,所述获取所述待修复古文物的太赫兹指纹谱数据,包括:
获取所述待修复古文物的光学系数;
根据所述光学系数获取所述待修复古文物的太赫兹指纹谱数据。
在其中一个实施例中,所述光学系数包括折射率、消光系数以及吸收系数中的至少一种。
在其中一个实施例中,在根据所述待修复真实物质信息和所述太赫兹指纹谱数据,得到待修复的目标物质信息之前,所述方法还包括:根据所述古文物样本数据库训练分类器模型;
所述根据所述待修复真实物质信息和所述太赫兹指纹谱数据,得到待修复的目标物质信息,包括:
通过所述分类器模型对所述太赫兹指纹谱数据进行分类处理,得到分类物质信息;
将所述分类物质信息与所述待修复真实物质信息进行匹配,得到待修复的所述目标物质信息。
在其中一个实施例中,所述根据所述古文物样本数据库训练分类器模型,包括:利用已构建的所述古文物样本数据库采用深度学习算法训练分类器模型。
本申请实施例提供一种古文物修复处理装置,所述装置包括:
匹配模块,用于将待修复古文物与已构建的古文物样本数据库进行匹配,得到所述待修复古文物中的待修复区域,以及所述待修复区域的物质信息和所述待修复区域的光谱信息;
获取数字图像信息模块,用于通过所述待修复区域的物质信息以及所述待修复区域的光谱信息,得到所述待修复区域的数字图像信息;
转换模块,用于将所述待修复区域的数字图像信息转换为所述待修复区域的待修复真实物质信息;
获取指纹谱数据模块,用于获取所述待修复古文物的太赫兹指纹谱数据;
获取目标物质信息模块,用于根据所述待修复真实物质信息和所述太赫兹指纹谱数据,得到待修复的目标物质信息。
本申请实施例提供一种计算机设备,包括存储器、处理器,所述存储器上存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
将待修复古文物与已构建的古文物样本数据库进行匹配,得到所述待修复古文物中的待修复区域,以及所述待修复区域的物质信息和所述待修复区域的光谱信息;
通过所述待修复区域的物质信息以及所述待修复区域的光谱信息,得到所述待修复区域的数字图像信息;
将所述待修复区域的数字图像信息转换为所述待修复区域的待修复真实物质信息;
获取所述待修复古文物的太赫兹指纹谱数据;
根据所述待修复真实物质信息和所述太赫兹指纹谱数据,得到待修复的目标物质信息。
本申请实施例提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
将待修复古文物与已构建的古文物样本数据库进行匹配,得到所述待修复古文物中的待修复区域,以及所述待修复区域的物质信息和所述待修复区域的光谱信息;
通过所述待修复区域的物质信息以及所述待修复区域的光谱信息,得到所述待修复区域的数字图像信息;
将所述待修复区域的数字图像信息转换为所述待修复区域的待修复真实物质信息;
获取所述待修复古文物的太赫兹指纹谱数据;
根据所述待修复真实物质信息和所述太赫兹指纹谱数据,得到待修复的目标物质信息。
本实施例提供的古文物修复处理方法、装置、计算机设备及存储介质,计算机设备能够采用太赫兹光谱技术对不同类型的待修复古文物的内部结构进行物质分析和鉴别,从而使操作员能够根据检测结果对不同类型的待修复古文物进行准确修复,提高了古文物修复的准确率。
附图说明
图1为一实施例提供的古文物修复处理方法的流程示意图;
图2为另一实施例提供的古文物修复处理方法的流程示意图;
图3为另一实施例提供的古文物修复处理方法的具体流程示意图;
图4为一实施例提供的古文物修复处理装置的结构示意图;
图5为一个实施例提供的计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本实施例提供的古文物修复处理方法,可以适用于计算机设备中。该设备可以为智能手机、平板电脑、笔记本电脑、台式电脑或个人数字助理等具有数据处理功能兼图像处理功能的电子设备,本实施例对计算机设备的具体形式不做限定。
需要说明的是,本申请实施例提供的古文物修复处理方法,其执行主体可以是古文物修复处理装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为图片处理设备的部分或者全部。下述方法实施例的执行主体以计算机设备为例来进行说明。
为了使本申请的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本申请实施例中的技术方案的进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定发明。
图1为一实施例提供的古文物修复处理方法的流程示意图。本实施例涉及的是如何获取待修复的目标物质信息的过程。如图1所示,该方法包括:
S101、将待修复古文物与已构建的古文物样本数据库进行匹配,得到所述待修复古文物中的待修复区域,以及所述待修复区域的物质信息和所述待修复区域的光谱信息。
可选的,所述古文物样本数据库包括所述古文物样本的指纹谱特征库以及所述古文物样本的光谱数据库。
具体的,上述古文物可以为古画、陶瓷器、玉石器、雕塑、金属制品、泥土、木制品等。其中,已构建的古文物样本可以包括特殊场所内的无损古文物和有损古文物,当前待修复的古文物(即有损古文物)以及未损坏前的对应古文物,其中,特殊场所可以为博物馆。
在本实施例中,执行实物修复工作的操作员可以先收集不同类型的古文物样本库,再采用主动式太赫兹设备采集不同类型古文物样本的指纹谱特征以及光谱数据,并且主动式太赫兹设备可以通过无线连接将采集到的数据传输至计算机设备。其中,古文物样本的指纹谱特征可以为古文物内部结构的特征信息,即指纹谱特征可以包括物质的光学系数,古文物样本的光谱数据可以为通过主动式太赫兹设备采集的古文物样本的三维图像信息。
进一步的,计算机设备可以在已构建的古文物样本数据库中,查找待修复古文物的相关信息,并进行匹配得到待修复古文物中的待修复区域,以及待修复区域的物质信息和待修复区域的光谱信息。其中,待修复区域的物质信息可以包括待修复古文物中待修复区域缺失的具体物质材料,以及该物质材料的具体年代信息等。可选的,该待修复区域的物质信息也可以称为指纹谱特征信息。需要说明的是,待修复古文物的待修复区域可以由操作员大致辨别出来。
S102、通过所述待修复区域的物质信息以及所述待修复区域的光谱信息,得到所述待修复区域的数字图像信息。
可选的,上述S102中通过所述待修复区域的物质信息以及所述待修复区域的光谱信息,得到所述待修复区域的数字图像信息的步骤包括:通过数据图像修复系统,对所述待修复区域的物质信息以及所述待修复区域的光谱信息进行融合处理,得到所述待修复区域的数字图像信息。
具体的,计算机设备通过数据图像修复系统,对待修复区域的物质信息以及待修复区域的光谱信息进行融合处理,从而得到待修复区域的数字图像信息。其中,数据图像修复系统可以为封装有实现数字图像修复功能的软件程序的电路板,该数据图像修复系统可以基于深度神经网络算法实现数字图像修复功能。其中,融合处理也就是还原处理。
需要说明的是,计算机设备通过数据图像修复系统可以多次反复,对待修复区域的物质信息以及待修复区域的光谱信息进行融合处理,得到待修复区域的最佳数字图像信息。其中,操作员可以根据计算机设备显示的待修复区域的数字图像信息与已构建的古文物样本数据库中的信息进行比对,确定待修复区域的最佳数字图像信息。
S103、将所述待修复区域的数字图像信息转换为所述待修复区域的待修复真实物质信息。
需要说明的是,计算机设备可以将恢复的待修复区域的数字图像信息,转换为待修复区域缺失的真实物质信息。其中,待修复真实物质信息可以与上述获取的待修复区域的物质信息相同,也可以不相同,但是,该步骤中获取的待修复真实物质信息与待修复古文物中缺失的物质相比,获得的待修复真实物质信息会更加准确,以提高修复的准确率。
S104、获取所述待修复古文物的太赫兹指纹谱数据。
具体的,通过主动式太赫兹设备可以对待修复古文物进行扫描,从而获取待修复古文物的太赫兹指纹谱数据。在本实施例中,主动式太赫兹设备可以对待修复古文物中待修复区域周围进行扫描,得到待修复区域周围的太赫兹指纹谱数据。
可选的,如图2所示,上述S104中获取所述待修复古文物的太赫兹指纹谱数据的步骤包括:
S1041、获取所述待修复古文物的光学系数。
可选的,所述光学系数包括折射率、消光系数以及吸收系数中的至少一种。
具体的,通过以下方式可以得到古文物样本的光学系数:
a、通过主动式太赫兹设备可以先获取古文物样本周围太赫兹电场的幅值和相位信息,并通过该幅值和相位信息计算得到古文物样本的折射率n(ω)、吸收系数α(ω)以及消光系数k(ω)等信息;
若主动式太赫兹设备照射古文物样本后,得到的太赫兹波电场信号可以表示为:
其中,Esample(ω)表示样本太赫兹波电场信号,Eref(ω)表示参考太赫兹波电场信号,T(ω)表示透射系数,P(ω,l)为载荷矩阵,E(ω)为残差向量,ω表示惯性权重,l表示待修复样本材料的估计厚度,H(ω)表示计算模型、标准化脉冲与待修复样本材料之间的相互作用。
若主动式太赫兹设备没有照射古文物样本,只是透射通过空气后,得到的太赫兹波电场信号可以表示为:
Eref(ω)=η(ω)·T13(ω)·Pair(ω,l)·E(ω);
其中,η(ω)为光激励介电系数。
定义:透射系数T(ω)可以为Esample(ω)与Eref(ω)的比值,即
其中,表示介质1的折射率,/>表示介质2的折射率,nair表示介质空气的折射率,当k=1,FP(ω)=1时,空气的折射率为1,此时,透射系数可以简化为:
将T(ω)转化为模和辅角的形式可以表示为:
H(ω)=ρ(ω)ejφ(ω);
其中,ρ(ω)表示幅值比,d表示样本厚度。
若k<n时,则
其中,nb表示介质b的折射率。
从而得知,古文物样本的折射率n(ω)、消光系数k(ω)以及吸收系数α(ω)分别为:
其中,d表示样本物质的厚度,v为频率,c为光速,ω为角频率,为Es(ω)和Er(ω)间的相位变化,Er(ω)为反射光束,Es(ω)为入射光束,ρ(ω)为样本物质与参考光谱的幅值比;
可选的,不同类型的古文物样本对应的折射率、消光系数以及吸收系数均可以不相同。
b、将步骤a中计算得到的不同类型的古文物样本的折射率、消光系数以及吸收系数均作为对应古文物样本的特征数据,统计到对应古文物样本的指纹谱特征库中。
S1042、根据所述光学系数获取所述待修复古文物的太赫兹指纹谱数据。
具体的,计算机设备可以统计获取的待修复古文物的折射率、消光系数以及吸收系数,以得到待修复古文物的太赫兹指纹谱数据,也就是,待修复古文物的太赫兹指纹谱数据包含的信息为待修复古文物的折射率、消光系数以及吸收系数。
S105、根据所述待修复真实物质信息和所述太赫兹指纹谱数据,得到待修复的目标物质信息。
具体的,计算机设备对获取的真实待修复真实物质信息以及待修复古文物的太赫兹指纹谱数据进行综合分析,得到待修复的目标物质信息。其中,待修复的目标物质信息可以为待修复古文物中待修复区域需要修复的物质信息。
需要说明的是,计算机设备得到待修复的目标物质信息后,操作员可以根据该目标物质信息对待修复古文物的待修复区域进行手动修复。
本实施例提供的一种古文物修复处理方法,该方法能够采用太赫兹光谱技术对不同类型的待修复古文物的内部结构进行物质分析,采用数据图像修复的方式对古文物进行反复修复,以得到最佳的待修复物质信息,从而避免直接对古文物修复时由于失误,会对古文物修复带来不可逆的影响;另外,计算机设备对数据图像信息进一步分析以及鉴别得到的目标物质信息,操作员再根据检测结果对古文物进行准确修复,从而提高了古文物修复的准确率。
图3为另一实施例提供的一种古文物修复处理方法的流程示意图,如图3所示,上述S101中将待修复古文物与已构建的古文物样本数据库进行匹配,得到所述待修复古文物中的待修复区域,以及所述待修复区域的物质信息和所述待修复区域的光谱信息的步骤,包括:
S1011、将所述待修复古文物与已构建的所述古文物样本数据库进行匹配,得到待修复古文物中的所述待修复区域。
具体的,计算机设备可以在已构建的古文物样本数据库中,查找与待修复古文物相同的古文物样本,再将两者进行匹配,以得到待修复古文物中的待修复区域。
S1012、将所述待修复古文物与所述古文物样本指纹谱特征库进行匹配,得到所述待修复区域的物质信息。
具体的,计算机设备可以在古文物样本指纹谱特征库中查找与待修复古文物相同的古文物样本,再将待修复古文物与找到的古文物样本的指纹谱特征进行匹配,以得到待修复区域的物质信息。其中,该待修复区域的物质信息可以理解为待修复区域的指纹谱特征。
例如,一幅待修复古画缺失了一部分,在古文物样本指纹谱特征库中存储有待修复古画对应的原始古画的指纹谱特征(即完好无损的古画的指纹谱特征),计算机设备可以在古文物样本指纹谱特征库中,查找待修复古画对应的原始古画,再将该原始古画与待修复古画的指纹谱特征进行匹配,以得到缺失部分的指纹谱特征。
S1013、获取所述待修复古文物的光谱信息。
具体的,采用多光谱成像系统可以采集图像表面的多通道信息,获取光谱信息的具体方式可以包括:
a、采用3色电荷耦合器件(Charge Coupled Device,CCD)数码相机和M个干涉滤光片组成一个多光谱成像系统,假定多光谱获取系统的光电转化函数是线性的,则第j通道的数字响应输出g可以表示为:
其中,Fk(λ)是CCD第K波段的光谱灵敏度函数,Es(λ)是光源的相对功率分布,φm(λ)是第m滤光片的光谱透射比,R(λ)是物体的光谱反射比,ξk是相机噪声。
同时,相机模型的总通道数表示为J=K*M。
b、计算时,通常把λmin~λmax均匀分割成N个波长间隔,每个波长中心间隔用下标n(n=1,2,…,N)表示,如果忽略噪声,则
例如,取380~780nm可见光范围内光谱,以5nm为间隔采样光谱反射比,此时,物体表面的光谱反射比由N=81维向量组成,公式(2)可以改写成矩阵形式,即
g=QR。 (3)
其中,g代表J通道的数字响应输出,转换助阵Q通过Fk(λ)、Es(λ)和φm(λ)计算获取,即Q=∫Fk(λ)Es(λ)φm(λ)dλR(λ),R代表物体的光谱反射比,根据公式(3)得到的光谱反射比表示为:
R=Q+g, (4)
可选的,可以采用间接的方法来对物体的光谱反射比进行估计,采用光谱反射比已知的标准色卡训练样本,通过多光谱成型模块,得到相应的数字响应。
另外,根据公式(4),利用最小二乘法原则可以估计出转换矩阵Q+,即Q+=Rg+=(RgT)(ggT)-1,进而获取多光谱目标信息(即光谱信息)。
S1014、将所述待修复古文物的光谱信息与所述古文物样本光谱数据库进行匹配,得到所述待修复区域的光谱信息。
具体的,计算机设备可以在古文物样本光谱数据库中,查找与待修复古文物相同的古文物样本,再将待修复古文物的光谱信息与找到的古文物样本的光谱数据进行匹配,以得到待修复区域的光谱信息。
本实施例提供的古文物修复处理方法,该方法将待修复古文物与已构建的古文物样本数据库进行匹配,得到待修复古文物中的待修复区域,将待修复古文物与古文物样本指纹谱特征库进行匹配,得到待修复区域的物质信息,将待修复古文物与古文物样本光谱数据库进行匹配,得到待修复区域的光谱信息,进而可以根据得到的待修复区域的物质信息以及光谱信息进行反复分析得到数字图像信息,再对数字图像信息进行后续处理得到待修复的目标物质信息,从而减少了操作员进行人为干预的过程,避免操作员对待修复的物质信息进行主观判断,以克服在主观判断时的一些失误,对修复结果带来不可逆的影响。
在其中一个实施例中,上述S105中在根据所述待修复真实物质信息和所述太赫兹指纹谱数据,得到待修复的目标物质信息的步骤之前,所述方法还包括:根据所述古文物样本数据库训练分类器模型。
可选的,所述根据所述古文物样本数据库训练分类器模型的步骤,包括:利用已构建的所述古文物样本数据库采用深度学习算法训练分类器模型。上述S105中根据所述待修复真实物质信息和所述太赫兹指纹谱数据,得到待修复的目标物质信息的步骤,包括:通过所述分类器模型对所述太赫兹指纹谱数据进行分类处理,得到分类物质信息;将所述分类物质信息与所述待修复真实物质信息进行匹配,得到待修复的所述目标物质信息。
具体的,计算机设备可以在训练分类器模型之前,先对已构建的古文物样本数据库进行预处理,去除数据库中的无关信息以及噪声信息,得到有效的数据库,以减少计算工作量。其中,预处理操作可以包括去噪、平滑、数据归一化处理等。另外,训练分类器模型过程中可以对0.3~10太赫兹波段的频域谱和吸收谱数据进行研究处理。
需要说明的是,计算机设备可以采用深度神经网络优化训练参数,该深度神经网络可以为AlexNet网络模型。同时,计算机设备可以采用深度学习算法对优化后的训练参数进行训练生成模型,并判断训练生成的模型是否满足收敛条件,若不满足收敛条件,则继续开始执行优化训练参数的步骤,若满足收敛条件,测试该训练模型,判断该模型是否满足判断标准,若满足判断标准,则认为该训练模型为最优的分类器模型,若不满足判断标准,则继续开始执行优化训练参数的步骤。
还需要说明的是,在训练模型之前,用户可以设置预设的收敛条件,该收敛条件可以为用于该训练模型进行分类处理的预达到的准确率,在本实施例中,该准确率可以为95%以上。另外,上述判断标准可以为当前得到的训练模型是否为在训练该模型之前,用户预设的目标模型。
上述优化训练参数的过程可以通过以下步骤实现:
a、对古文物样本数据库中的数据xij进行标准化处理,即标准化处理的定义式为:
其中,表示xij的样本均值,sj表示xij的样本标准差,标准化处理后的矩阵表示为X;
b、计算标准化处理后的矩阵X的协方差V,其中,协方差V是X的相关系数矩阵;
c、计算协方差V的前m个特征值(即λ1,λ2,...,λm-1,λm,并且λ1≥λ2≥...≥λm-1≥λm),以及前m个特征值对应的特征向量a1,a2,...,am-1,am;
d、计算第h主成分其中,/>是ah第j个分量,并且主成分Fh为原变量x1,x2,...,xp的线性组合,组合系数为/>
可选的,主成分Fh可以为优化的训练参数。
在本实施例中,基于深度学习算法,通过训练得到的最优分类器模型,对获取的待修复古文物的太赫兹指纹谱数据进行分类识别处理,得到分类后的多组物质信息。计算机设备可以将分类得到的多组物质信息与上述获得的待修复物质信息进行匹配,进而确定待修复区域的具体物质信息,即待修复的目标物质信息。
进一步,操作员可以根据获取的待修复的目标物质信息对待修复实物区域进行修复。
本实施例提供的古文物修复处理方法,该方法根据古文物样本数据库训练最优的分类器模型,通过该分类器模型可以对待修复区域的物质进行正确鉴别,进而能够提高古文物修复的准确率。
应该理解的是,虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
关于古文物修复处理装置的具体限定可以参见上文中对于古文物修复处理方法的限定,在此不再赘述。上述计算机设备的古文物修复处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图4为一实施例提供的古文物修复处理装置结构示意图。如图4所示,该装置可以包括:匹配模块11、获取数字图像信息模块12、转换模块13、获取指纹谱数据模块14以及获取目标物质信息模块15。
具体的,所述匹配模块11,用于将待修复古文物与已构建的古文物样本数据库进行匹配,得到所述待修复古文物中的待修复区域,以及所述待修复区域的物质信息和所述待修复区域的光谱信息;
所述获取数字图像信息模块12,用于通过所述待修复区域的物质信息以及所述待修复区域的光谱信息,得到所述待修复区域的数字图像信息;
所述转换模块13,用于将所述待修复区域的数字图像信息转换为所述待修复区域的待修复真实物质信息;
所述获取指纹谱数据模块14,用于获取所述待修复古文物的太赫兹指纹谱数据;
所述获取目标物质信息模块15,用于根据所述待修复真实物质信息和所述太赫兹指纹谱数据,得到待修复的目标物质信息。
本实施例提供的古文物修复处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,所述所述古文物样本数据库包括所述古文物样本的指纹谱特征库以及所述古文物样本的光谱数据库;所述匹配模块11包括:第一匹配单元121、第二匹配单元122、第一获取单元123以及第三匹配单元124。
具体的,所述第一匹配单元121,用于将所述待修复古文物与已构建的所述古文物样本数据库进行匹配,得到待修复古文物中的所述待修复区域;
上述第二匹配单元122,用于将所述待修复古文物与所述古文物样本指纹谱特征库进行匹配,得到所述待修复区域的物质信息;
所述第一获取单元123,用于获取所述待修复古文物的光谱信息;
所述第三匹配单元124,用于将所述待修复古文物的光谱信息与所述古文物样本光谱数据库进行匹配,得到所述待修复区域的光谱信息。
本实施例提供的古文物修复处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,所述获取数字图像信息模块12具体用于通过数据图像修复系统,对所述待修复区域的物质信息以及所述待修复区域的光谱信息进行融合处理,得到所述待修复区域的数字图像信息。
本实施例提供的古文物修复处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,所述获取指纹谱数据模块14包括:计算单元141和第二获取单元142。
具体的,所述计算单元141,用于获取所述待修复古文物的光学系数;
所述第二获取单元142,用于根据所述光学系数获取所述待修复古文物的太赫兹指纹谱数据。
可选的,所述光学系数包括折射率、消光系数以及吸收系数中的至少一种。
本实施例提供的古文物修复处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,所述古文物修复处理装置还包括:训练模块16;
所述训练模块16,用于根据所述古文物样本数据库训练分类器模型。
本实施例提供的古文物修复处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,所述获取目标物质信息模块15包括:分类单元151以及第四匹配单元152。
具体的,所述分类单元151,用于通过所述分类器模型对所述太赫兹指纹谱数据进行分类处理,得到分类物质信息;
所述第四匹配单元152,用于将所述分类物质信息与所述待修复真实物质信息进行匹配,得到待修复的所述目标物质信息。
本实施例提供的古文物修复处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,所述训练模块16具体用于利用已构建的所述古文物样本数据库采用深度学习算法训练分类器模型。
本实施例提供的古文物修复处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,提供了一种计算机设备,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种古文物修复处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
将待修复古文物与已构建的古文物样本数据库进行匹配,得到所述待修复古文物中的待修复区域,以及所述待修复区域的物质信息和所述待修复区域的光谱信息;
通过所述待修复区域的物质信息以及所述待修复区域的光谱信息,得到所述待修复区域的数字图像信息;
将所述待修复区域的数字图像信息转换为所述待修复区域的待修复真实物质信息;
获取所述待修复古文物的太赫兹指纹谱数据;
根据所述待修复真实物质信息和所述太赫兹指纹谱数据,得到待修复的目标物质信息。
在一个实施例中,提供了一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
将待修复古文物与已构建的古文物样本数据库进行匹配,得到所述待修复古文物中的待修复区域,以及所述待修复区域的物质信息和所述待修复区域的光谱信息;
通过所述待修复区域的物质信息以及所述待修复区域的光谱信息,得到所述待修复区域的数字图像信息;
将所述待修复区域的数字图像信息转换为所述待修复区域的待修复真实物质信息;
获取所述待修复古文物的太赫兹指纹谱数据;
根据所述待修复真实物质信息和所述太赫兹指纹谱数据,得到待修复的目标物质信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种古文物修复处理方法,其特征在于,所述方法包括:
将待修复古文物与已构建的古文物样本数据库进行匹配,得到所述待修复古文物中的待修复区域,以及所述待修复区域的物质信息和所述待修复区域的光谱信息;
通过所述待修复区域的物质信息以及所述待修复区域的光谱信息,得到所述待修复区域的数字图像信息;所述待修复区域的物质信息包括所述待修复区域的指纹谱特征;
将所述待修复区域的数字图像信息转换为所述待修复区域的待修复真实物质信息;
获取所述待修复古文物的太赫兹指纹谱数据,并根据所述待修复真实物质信息和所述太赫兹指纹谱数据,得到待修复的目标物质信息。
2.根据权利要求1所述的方法,其特征在于,所述古文物样本数据库包括所述古文物样本的指纹谱特征库以及所述古文物样本的光谱数据库;
所述将待修复古文物与已构建的古文物样本数据库进行匹配,得到所述待修复古文物中的待修复区域,以及所述待修复区域的物质信息和所述待修复区域的光谱信息,包括:
将所述待修复古文物与已构建的所述古文物样本数据库进行匹配,得到待修复古文物中的所述待修复区域;
将所述待修复古文物与所述古文物样本指纹谱特征库进行匹配,得到所述待修复区域的物质信息;
获取所述待修复古文物的光谱信息;
将所述待修复古文物的光谱信息与所述古文物样本光谱数据库进行匹配,得到所述待修复区域的光谱信息。
3.根据权利要求1所述的方法,其特征在于,所述通过所述待修复区域的物质信息以及所述待修复区域的光谱信息,得到所述待修复区域的数字图像信息,包括:
通过数据图像修复系统,对所述待修复区域的物质信息以及所述待修复区域的光谱信息进行融合处理,得到所述待修复区域的数字图像信息。
4.根据权利要求1所述的方法,其特征在于,所述获取所述待修复古文物的太赫兹指纹谱数据,包括:
获取所述待修复古文物的光学系数;
根据所述光学系数获取所述待修复古文物的太赫兹指纹谱数据。
5.根据权利要求4所述的方法,其特征在于,所述光学系数包括折射率、消光系数以及吸收系数中的至少一种。
6.根据权利要求1所述的方法,其特征在于,在根据所述待修复真实物质信息和所述太赫兹指纹谱数据,得到待修复的目标物质信息之前,所述方法还包括:根据所述古文物样本数据库训练分类器模型;
所述根据所述待修复真实物质信息和所述太赫兹指纹谱数据,得到待修复的目标物质信息,包括:
通过所述分类器模型对所述太赫兹指纹谱数据进行分类处理,得到分类物质信息;
将所述分类物质信息与所述待修复真实物质信息进行匹配,得到待修复的所述目标物质信息。
7.根据权利要求6所述的方法,其特征在于,所述根据所述古文物样本数据库训练分类器模型,包括:利用已构建的所述古文物样本数据库采用深度学习算法训练分类器模型。
8.一种古文物修复处理装置,其特征在于,所述装置包括:
匹配模块,用于将待修复古文物与已构建的古文物样本数据库进行匹配,得到所述待修复古文物中的待修复区域,以及所述待修复区域的物质信息和所述待修复区域的光谱信息;
获取数字图像信息模块,用于通过所述待修复区域的物质信息以及所述待修复区域的光谱信息,得到所述待修复区域的数字图像信息;所述待修复区域的物质信息包括所述待修复区域的指纹谱特征;
转换模块,用于将所述待修复区域的数字图像信息转换为所述待修复区域的待修复真实物质信息;
获取指纹谱数据模块,用于获取所述待修复古文物的太赫兹指纹谱数据;
获取目标物质信息模块,用于根据所述待修复真实物质信息和所述太赫兹指纹谱数据,得到待修复的目标物质信息。
9.一种计算机设备,包括存储器、处理器,所述存储器上存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910330497.6A CN111861970B (zh) | 2019-04-23 | 2019-04-23 | 古文物修复处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910330497.6A CN111861970B (zh) | 2019-04-23 | 2019-04-23 | 古文物修复处理方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861970A CN111861970A (zh) | 2020-10-30 |
CN111861970B true CN111861970B (zh) | 2023-11-10 |
Family
ID=72951990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910330497.6A Active CN111861970B (zh) | 2019-04-23 | 2019-04-23 | 古文物修复处理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861970B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785633A (zh) * | 2020-12-30 | 2021-05-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 文物修复策略的获取方法、装置、电子设备及存储介质 |
CN115340408A (zh) * | 2022-09-05 | 2022-11-15 | 宁波职业技术学院 | 古瓷器冲线无伤修复方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002216102A (ja) * | 2001-01-22 | 2002-08-02 | Univ Waseda | 仏像の仮想修復システム |
CN104844271A (zh) * | 2015-04-16 | 2015-08-19 | 秦始皇帝陵博物院 | 一种用于可移动陶质彩绘文物保护修复的方法 |
CN107507143A (zh) * | 2017-08-14 | 2017-12-22 | 努比亚技术有限公司 | 一种图像还原方法及终端 |
CN108665416A (zh) * | 2017-03-29 | 2018-10-16 | 清华大学 | 破损壁画修复方法及系统 |
CN109001834A (zh) * | 2018-06-22 | 2018-12-14 | 天和防务技术(北京)有限公司 | 一种基于主动式太赫兹安检方法 |
CN109544578A (zh) * | 2018-11-30 | 2019-03-29 | 扬州大学 | 基于最大相似度匹配的三维碎块的重组复原方法 |
CN111247420A (zh) * | 2017-08-25 | 2020-06-05 | 新加坡国立大学 | 先进的太赫兹系统及方法 |
-
2019
- 2019-04-23 CN CN201910330497.6A patent/CN111861970B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002216102A (ja) * | 2001-01-22 | 2002-08-02 | Univ Waseda | 仏像の仮想修復システム |
CN104844271A (zh) * | 2015-04-16 | 2015-08-19 | 秦始皇帝陵博物院 | 一种用于可移动陶质彩绘文物保护修复的方法 |
CN108665416A (zh) * | 2017-03-29 | 2018-10-16 | 清华大学 | 破损壁画修复方法及系统 |
CN107507143A (zh) * | 2017-08-14 | 2017-12-22 | 努比亚技术有限公司 | 一种图像还原方法及终端 |
CN111247420A (zh) * | 2017-08-25 | 2020-06-05 | 新加坡国立大学 | 先进的太赫兹系统及方法 |
CN109001834A (zh) * | 2018-06-22 | 2018-12-14 | 天和防务技术(北京)有限公司 | 一种基于主动式太赫兹安检方法 |
CN109544578A (zh) * | 2018-11-30 | 2019-03-29 | 扬州大学 | 基于最大相似度匹配的三维碎块的重组复原方法 |
Non-Patent Citations (1)
Title |
---|
故宫文物医院――改革开放四十年献礼;宋纪蓉;;故宫博物院院刊(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111861970A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Global mapping of stratigraphy of an old-master painting using sparsity-based terahertz reflectometry | |
US9256963B2 (en) | Skin diagnostic and image processing systems, apparatus and articles | |
Hosseini et al. | Encoding visual sensitivity by maxpol convolution filters for image sharpness assessment | |
AU2014251373B2 (en) | Skin diagnostic and image processing methods | |
EP2965053A1 (en) | Systems and methods for boosting coal quality measurement statement of related cases | |
Rojas-Moraleda et al. | A frame-based ANN for classification of hyperspectral images: assessment of mechanical damage in mushrooms | |
Deng et al. | Moisture content prediction in tealeaf with near infrared hyperspectral imaging | |
Wu et al. | Classification of defects with ensemble methods in the automated visual inspection of sewer pipes | |
CN111861970B (zh) | 古文物修复处理方法、装置、计算机设备及存储介质 | |
Ferrari et al. | Handling large datasets of hyperspectral images: Reducing data size without loss of useful information | |
Gowen et al. | Time series hyperspectral chemical imaging data: challenges, solutions and applications | |
Cornelis et al. | Digital painting analysis, at the cross section of engineering, mathematics and culture | |
US10573002B2 (en) | Image processing method and apparatus for normalisation and artefact correction | |
CN114399685A (zh) | 一种森林病虫害的遥感监测评估方法及装置 | |
CN116596982A (zh) | 一种基于短波高光谱相机的垃圾热值预测系统及方法 | |
CN113167722A (zh) | 信息处理装置、信息处理方法和程序 | |
Hiremath et al. | Multiresolution LDBP descriptors for texture classification using anisotropic diffusion with an application to wood texture analysis | |
Jie et al. | Defect detection in composite products based on sparse moving window principal component thermography | |
Madooei et al. | Detecting specular highlights in dermatological images | |
Blažek et al. | Improvement of the visibility of concealed features in artwork NIR reflectograms by information separation | |
WO2015185883A1 (en) | Synthetic latent fingerprint images | |
Singh et al. | Vision-based system for automated image dataset labelling and dimension measurements on shop floor | |
JP2013509630A (ja) | ハイパースペクトル画像の隆起パターンを調整する装置と方法。 | |
Volkova | Detector quasi-periodic texture segmentation method for dermatological images processing | |
CN108135346B (zh) | 皮肤评价装置、皮肤评价方法及记录介质 |
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 |