WO2010133204A1 - Vorrichtung und verfahren zur identifizierung des urhebers eines kunstwerkes - Google Patents

Vorrichtung und verfahren zur identifizierung des urhebers eines kunstwerkes Download PDF

Info

Publication number
WO2010133204A1
WO2010133204A1 PCT/DE2010/000534 DE2010000534W WO2010133204A1 WO 2010133204 A1 WO2010133204 A1 WO 2010133204A1 DE 2010000534 W DE2010000534 W DE 2010000534W WO 2010133204 A1 WO2010133204 A1 WO 2010133204A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
characteristic features
characteristic
features
database
Prior art date
Application number
PCT/DE2010/000534
Other languages
English (en)
French (fr)
Inventor
Werner Scholzen
Original Assignee
Werner Scholzen
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 Werner Scholzen filed Critical Werner Scholzen
Priority to JP2012511143A priority Critical patent/JP2012527665A/ja
Priority to BRPI1010963A priority patent/BRPI1010963A2/pt
Priority to CN2010800222026A priority patent/CN102439605A/zh
Priority to MX2011012339A priority patent/MX2011012339A/es
Priority to UAA201115060A priority patent/UA108987C2/en
Priority to US13/321,007 priority patent/US8930302B2/en
Priority to DE112010002056T priority patent/DE112010002056A5/de
Priority to RU2011149157/08A priority patent/RU2541917C2/ru
Priority to CA2761382A priority patent/CA2761382C/en
Priority to EP10728585A priority patent/EP2433245A1/de
Publication of WO2010133204A1 publication Critical patent/WO2010133204A1/de

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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition

Definitions

  • the present invention relates to apparatus and methods for detecting the origin and authorship of images.
  • Rembrandt is such a significant example.
  • a high technical standard based investigation apparatus which is used for checking the works of art.
  • UV-lighted materials fluoresce in different colors and thus provide information about the material underlying the work of art. From this conclusions about the respective artist can be deduced.
  • Further methods for the determination of forgeries are the thermoluminescence analysis, elaborate chemical analyzes or the examination of the works of art under a microscope. However, these methods are very complex and must, moreover, be carried out in suitable locations, usually laboratories, that is to say places which are not caused by the radiation to cause any damage to the health of the personnel, or climatically controlled premises which condition the image Take care.
  • art experts can often determine the originator of a work of art, especially a picture, with their trained eye alone. They have acquired the ability to associate an artist as the author with a particular image in the course of their training and working activities.
  • the brushstroke is generally the stroke in painting. He can express the importance of each area of the image for each artist. For example, in an image, the lines on the face can be made finer than the style of the lines that the artist used in his clothes. Hietan one can recognize that the artist has placed particular value on the design of the facial expression or the face itself. Det brushwork is thus the personal signature of an artist.
  • a work of art especially an image, can be identified with the help of this personal signature of the artist, ie the author, and then assigned to the correct author. This is currently only possible with the help of a visual inspection of the image by an art expert.
  • the art expert must study the image carefully and carefully examine. Such a process is time consuming and usually very expensive, as the art experts are highly skilled experts.
  • expert knowledge is retrieved by the art expert via a database. It depends only on the access speed to this database and the algorithm used to search in the database, as well as the size of the records to be examined and of course the amount of relevant records in the database, how quickly a result can be presented here. Determination of characteristic features in the data record in the context of this application is to be understood as recognition of characteristic features in the data record (and then, of course, finally in the image to be examined) or as identification of characteristic features in the data record.
  • the transfer of the image or parts of the image into at least one data set by means of a digitizing means in most cases means scanning the image with a scanner. But it is also possible to use a corresponding digital camera. This has the advantage that the digitization with the help of the camera can be made while traveling. This provides a simple and quick way to gain digitized data while ensuring great mobility, especially without transporting the artwork, ie directly at the exhibition site.
  • a scanner also constitutes such a data acquisition device which scans or measures an object, in particular an image, in a systematic and regular manner. In this case, a large number of individual measurements are used to generate an overall image of the object to be scanned or of parts thereof. For 3D artwork, a 3D scanner can be used.
  • the analysis to be carried out according to the inventive method the data sets obtained by scanning, and the determination of the characteristic features, which naturally exist in their digital form in the data record, are carried out with the help of the templates of the characteristic features stored in the database. These patterns are compared with the image to be examined, whether these patterns are found, either in identical form or with a great similarity in the image to be examined.
  • characteristic features in particular points or lines or dot or line groups or patterns, in the image to be inspected requires the ability to recognize regularities, repetitions, similarities or laws in a set of data, recognizing similarities has the greatest chance of success.
  • Such a capability can be provided by the methods of pattern recognition.
  • Other characteristic features can be edges, color edges, the course of colors, ie the color gradient and the brushstroke itself.
  • the scanned and inspected image is subjected to image analysis, which is described below including its preparatory steps. This analysis greatly facilitates the subsequent comparison with the patterns available in the database.
  • the image to be inspected is subjected to a preparation step.
  • the image is normalized so that it can later be compared with the patterns to be compared. If necessary, interfering impurities can also be suppressed by the use of filters. It is also possible to convert the colors of the image to shades of gray, if this is helpful in the following steps. Hietnach the image can be divided into segments, so homogeneous areas, ie areas with, for example, the same texture or the same color, can be combined to save space.
  • the feature extraction is performed.
  • the methods for obtaining characteristics are mostly methods that are obtained at best by intuition or based on many years of experience of a specialist.
  • Important features can be processed into feature vectors.
  • Features in the images may be straight lines, circular arcs, circles, ellipses or other geometrically writable groups. From several of these features or even from a feature alone, the characteristic feature, which can be assigned to the author exist.
  • the extracted features and patterns are classified in a further step, so subjected to a classification process.
  • the classification method also called the classifier, divides the extracted features and patterns into classes.
  • Classification procedures are already known in the art. There, manual, automatic, numerical and non-numerical statistical and distribution-free or even dimensioned and learning methods are known. There are also other methods known, so that the list given above is not intended to be limiting.
  • the classification can be made, for example, with the aid of a Bayes classifier. This classifier assigns each feature exactly to the class to which it is most likely to belong.
  • the features thus identified and analyzed are compared with the characteristic features present in the database. If one or even more matches are achieved here, then in addition to the name of the author, an assigned data record with further information about the author of the picture can also be output.
  • this is characterized in that the resolution of the digitizing means, preferably a scanner, can be freely adjusted.
  • the Hough method is also used to analyze and determine the characteristic features in the image to be tested or in parts of the image to be tested.
  • the Hough method is a method which is based on the transformation of the same name, namely the Hough transformation. This is suitable for detecting straight lines, ellipses and other geometric objects. From these objects, the characteristic features that are to be found or composed are composed.
  • the Hough method is still a very robust method with which the structures of lines can still be identified in a noisy picture, ie a picture in which the geometric objects can not be clearly identified. So not only complete lines, but also line segments or other segments and parts of the geometric objects can be determined.
  • this is characterized in that the method in a further step determines reference features of the characteristic features or of parts of the characteristic features contained in the dataset, the reference features of the characteristic features either already in the database are stored or while running Procedure are generated.
  • the reference feature to a characteristic feature in the sense of this application is generated by a change in the characteristic feature of just this. For the human eye, only slight differences between the reference feature and the characteristic feature can be seen.
  • the characteristic features or parts of the characteristic features are simply enlarged or reduced, and it may well be the case that more than one characteristic feature or part thereof is processed. It is even possible, on the one hand, to enlarge one part of the characteristic feature, but on the other to reduce the size of another part.
  • the reference features are generated by stretching or compressing the respective characteristic feature or at least part of the characteristic feature.
  • the characteristic feature is more distorted.
  • such a manipulation can certainly lead to a positive result, if the characteristic feature had forced a compression or extension in the creation of the work due to the present image geometry of this image to be tested.
  • these manipulations of Characteristic features or parts of these that one part can be compressed, another part but stretched.
  • At least one reference feature is generated by changing a line curvature.
  • the reference feature is generated by changing an angle between at least two lines of the respective characteristic feature.
  • the present inventive method can also be applied only to parts of images, so image sections. In this case, only parts of these images that need to be checked are digitized. This may be the case when a particular "characteristic feature” catches the eye, but the viewer is not sure whether this particular "characteristic feature” is an original or a forgery to deceive the viewer.
  • Such a method can, for example, run on a device which has at least one digitizing means, preferably a scanner, a normalization module, a segmentation module, a classifier module and a database module. Furthermore, at least one storage medium and at least one data processing unit for such a device are conceivable.
  • FIG. 1 schematic sequence of the method
  • Fig. 3 is a schematic representation of a color edge
  • FIG. 4 schematic representation of a color gradient Fig. 5 Black / white copy of an original with five marked image areas
  • 5a to 5e show the marked image areas of FIG. 5
  • FIGS. 6a to 6e show the marked image areas of FIG. 6
  • Fig. 1 shows the schematic sequence of the method according to the invention, as well as the use of some of the necessary modules.
  • a digitizing means in this case a high-resolution scanner.
  • the scanned image is probably a miniature artwork by the very important artist XY, who painted this image on the back of an antique matchbox.
  • the work has suffered considerably and the fact that the matchbox was previously used as intended was not conducive to the quality of the back. For this reason we worked with a very high resolution.
  • the individual, barely recognizable to the naked eye image objects were digitized so that as little details are lost.
  • the high resolution is also used to better detect and suppress possible ambiguities, such as contamination of the pad, in the subsequent process.
  • the high resolution generates a large amount of data, the small size of the image compensates for this disadvantage.
  • today's technology is quite capable of efficiently storing and managing very large amounts of data.
  • the image is normalized with the aid of a normalization module 2. This serves for better comparability of the respective found characteristic features with the patterns present in the database 5. Since the patterns present in the database 5 are also normalized, so at least the size ratios of the individual characteristic features are similar. An artist will always carry out his characterizing movements, which manifest in the brushstroke, in roughly the same manner, so that in most cases the structure and magnitude of the result of these movements will be similar.
  • the image is divided into segments in the following step. This is useful in the present case, since the image consists mainly of four features, namely stroke, circle, heart and sun.
  • segmentation module 3 The module which performs these steps is called segmentation module 3.
  • the stroke is assigned to the class of ⁇ strokes ⁇ , the circle of the class of ⁇ circles ⁇ .
  • the heart and the sun may not be stored as classes in the database and thus can not be found.
  • the characteristics are assigned to a wrong class.
  • the heart can be assigned to the class of ⁇ triangles ⁇ or the class of ⁇ deformed triangles ⁇ .
  • the object heart is a characteristic feature of the artist to be found, it is also deposited in its entirety as a class of ⁇ hearts ⁇ in the database and then, in all likelihood, in the same, albeit false class, namely the class ⁇ deformed triangles ⁇ .
  • the characteristic features present in the database were also classified by the classifier 4, so that in the case of identity or great similarity the classifier 4 as a rule carries out the same classification. If only parts of the object heart are to be identified as a feature, then these are classified into the respective classes.
  • a heart can be subdivided into two ellipsoidal segments with an adjoining straight line. As can be easily seen, the sun can be divided into a circle and a number of triangles adjoining it.
  • the database 5 with the present patterns of the characteristic features may be any commercially available database. Only the connection to the respective modules, which provide the features to be compared, is important.
  • the database 5 present in this example includes, among other things, the following four characteristic features, namely stroke, star, double arrow, and heart.
  • the heart from the database is almost identical to the present heart, which can be found in the image to be examined.
  • the sun of the image to be examined also shows great agreement with the sun, which was found in the database.
  • the object sun (not shown here) is further broken down into its details in an intermediate step and then compared with the characteristic features of the database 5.
  • the sun's association of the database with the sun can be verified on the image under test.
  • the database 5 There is no equivalent in the database 5 for the object circle. Since all found characteristic features of the database 5 indicate the same originator, the result was unique in this present example case. It was indeed the artist X Y.
  • the result output 6 is supplemented by further, also in the database 5 information on the respective artist, so that the request not only determines the artist, but also more information about the artist's work and effect and outputs via an output module, such as a screen or printed on paper outputs.
  • a hook can consist of two touching straight lines.
  • a straight line can be given mathematically by its perpendicular distance r to the origin of the coordinates as well as by the angle ⁇ between the corresponding connecting path and a coordinate axis.
  • the division of the image into pixels now represents a suitable coordinate system for this purpose, the coordinate jump should lie in the lower left corner, the horizontal with the values x (i) and the vertical with the values y (i) is called (with i as a passing natural number).
  • the section shown in Figure 2 has 13 pixels in the horizontal direction, thus i runs from 1 to 13, that is, x (1), x (2), ..., x (13). In the vertical, 12 pixels are visible, so i runs from 1 to 12, so y (l), y (2), ..., y (12).
  • the easy for the human eye identifiable straight line passes over the pixels with the value pairs (x (2), y (10) ⁇ , ⁇ x (3), y (9) ⁇ , ⁇ x (4), y (8) ⁇ , (x (5) , y (7) ⁇ , (x (6), y (6) ⁇ , ⁇ x (7), y (5) ⁇ , ⁇ x (8), y (4) ⁇ , ⁇ x (9), y (3) ⁇ , then the line turns in a different direction In the clipping additional pixels are colored, thus marked with an X.
  • This line can also be represented by a series of value pairs (r, ⁇ ) For all value combinations (r, ⁇ ), whether the pixels lying there all correspond to one color or not.If this color is different from the color of the environment of these pixels, the line is visible and represents a straight line in the image for the viewer. All other geometrical shapes obey other mathematical formulas, but can still be found and determined using the same method adjacent pixels are also recognized as a straight line or part of a straight line. For two directly adjoining and touching straight lines can be recognized by a viewer as a wider straight line. The more of these straight lines lie next to each other without a gap, the thicker the line is perceived as a line in the picture by the viewer.
  • Fig. 3 shows a schematic representation of a color edge, wherein the shades of white and black each fill a range.
  • the black-colored color range starts at the value xl and ends at x2, the color edge.
  • the white colored area begins at x2 and ends at x3.
  • the value curve is also shown schematically in the RGB space, whereby only the R value (marked in bold in the value triple (R 3 B 5 G)) is plotted against the length of the color areas, which are marked as x values.
  • the white area is assigned the RGB code (255,255,255) and the black area is the RGB code (0,0,0).
  • the curve is relatively simple.
  • the black color range has the RGB value (0,0,0) over its entire length, here in this range the curve runs constantly and steadily. At the color edge at the length value x2, there is a point of discontinuity. Throughout the white area, the curve has the RGB value (255,255,255), so it's constant and steady again.
  • Such a curve can be stored as a characteristic feature, thus stored as a record in the database and stored.
  • fault tolerances can be included as additional information in the data set, so that smaller deviations of the features in the image to be tested are recognized by the characteristic features stored in the database.
  • Fig. 4 shows a schematic representation of a color gradient. The color gradient is shown here from left to right, from white to black. He goes through the grays continuously.
  • the value curve in the RGB space is also shown schematically, whereby only the R value (marked in bold in the value triple (R, G, B)) is plotted against the length x. Again, the RGB value goes through the values from (0,0,0) to (255,255,255).
  • the curve in this case is a straight line with a linear slope, according to the formula:
  • R a * x, where a is the slope of the curve.
  • Such a curve can also be stored as a characteristic feature, and thus as a record in the database and stored.
  • error tolerances can also be included as additional information in the data record in this case, so that smaller deviations of the features in the image to be checked from the characteristic features stored in the database are detected.
  • FIGS. 5 and 6 show a selection of a plurality of sections from three images, wherein the difference between original and presumed imitation is to be made clear by means of an exemplary explanation.
  • Fig. 5a is a picture section (marking: 2009 0317-3-001) in the lower right quadrant of the picture, which in the colors orange, white, gray, HIa, black and ocher, as well as individual intermediate stages of these shades, a stylized tube shows.
  • the color transition from the dark area to the bright area ending at the black horizontal line is particularly characteristic of the artist's technique and thus represents a characteristic feature that is incorporated into the database.
  • the color gradient seen from top to bottom, changes from a dark hue (black) continuously into a light hue (yellow-white). Designing a color gradient just as carefully requires not only a special craft and artistic talent, but also a sophisticated technique.
  • Such a continuous transition can be accurately represented, for example, by an equally continuous function in the RGB color space and is thus easy to digitize.
  • Fig. 5b shows a completely black image section, which is also located in the lower right quadrant, but to the left of the first image section and towards the center.
  • the brushstroke which is so characteristic of the artist, becomes visible, which is reflected here in the uniform color density and color. This too can be mathematically described by a function.
  • Fig. 5c of this image section again illustrates an example of how the artist designed a gradient.
  • the image section is located in the lower left quadrant of the image and shows the shadow play on the surface of a pipe. Again, this is true for IU
  • the fourth image section is located in the left upper quadrant of the image and shows the artistic treatment of the color edges that separate different color areas.
  • the respective color areas are subdivided by a color edge which discretely changes to the hue of the respective color area.
  • the color areas themselves have the same color throughout, as can already be seen in FIG. 5b.
  • the RGB value of the first color range and the RGB value of the second color range are approximately constant within their color ranges. At the color edge, however, the RGB bet changes abruptly, the mathematical function described here has a discontinuity at this point.
  • Fig. 5e The fifth picture detail from the upper right quadrant of the picture again shows the shading on a tube and clearly shows the way in which the artist creates a shadow with the aid of a gradient from the light into the dark.
  • Fig. 6 now shows a copy of a presumed imitation of a work by the artist JG Müller, which is to be checked for authenticity.
  • JG Müller For this purpose, for example, also scanned five image areas and then compared using the inventive method with the deposited in the database characteristics of the artist. It is natural It is also quite possible to automate this process by treating the image either as a whole or subdividing it into arbitrarily selected segments using a program. These segments are then individually examined for possible characteristic features using the invention.
  • Fig. 6a shows the first marked image area (2009 03 17 -2-001) of the alleged imitation.
  • the viewer perceives a color edge in the image area, which separates a yellow color area from a yellow-green color area. It turns out, however, that the color edge does not separate the two color ranges from each other, as the artist J. G. Müller realized in his pictures.
  • the edge itself has a darker hue than the subsequent color range, wherein the subsequent green color strip in itself also has no uniform color.
  • a comparison with the data records stored in the database does not give a positive agreement with the data records available there.
  • the color edge as the characteristic feature, separates two color areas which have the same color tone throughout. This can not be described by a function having the selection criteria described above.
  • Fig. 6b shows the shadow of a tube. This section is very similar to Figure 5c, but the shades do not change slowly, but their transitions are more abrupt. This can then by no means be described as an approximately linear curve in the RGB color space. Thus, no characteristic feature can be found in the database which can be assigned to this image detail.
  • Fig. 6c and Fig. 6d shows the representation of color edges. If one compares this presentation shown here with the representation in the image detail Fig. 5a, it is easy to see that, even in this case, the feature of color edge matching does not correspond to the feature stored in the database.
  • Fig. 6e shows the representation of a color gradient. Again, the above applies.
  • Figures 7 and 7a show a copy of a work by the artist Max Clarenbach, born in 1880 in Neuss and died in 1952 in Wittlaer. Max Clarenbach was a German painter and co-founder of the Sonderbund in Dusseldorf. His nuance-rich style of painting was determined mainly by the Impressionists.
  • This copy and the accompanying detail is a landscape image showing a snowy landscape along a river. This picture clearly illustrates how an artist can be identified by his brushwork and brushstroke. Here you can clearly see the constantly repeating semi-circular, sweeping brushwork, which probably runs from left to right and therefore ends with a color patch on the left side.
  • FIG. 8 shows a presumed imitation of the painting style of the artist M. Clarenbach. Looking more closely at the sky here, one sees beyond any doubt that the creator of this painting has guided the brush differently, not always from left to right, but also from top to bottom. Also, the individual brushstrokes do not have the characteristic arcs and the color cast produced thereby.
  • FIG. 9 again shows a possible comparison between the possible characteristic features color edge, color gradient and brush stroke.

Abstract

Verfahren zur Bestimmung des Urhebers eines Bildes, wobei das Verfahren mindestens die folgenden Schritte aufweist: - Überführung des zu prüfenden Bildes oder Teilen des zu prüfenden Bildes mit Hilfe eines Digitalisierungsmittels, insbesondere eines Scanners, in mindestens einen Datensatz, - Analyse des/der Datensatzes/sätze und Bestimmung von charakteristischen Merkmalen oder Teilen von charakteristischen Merkmalen, insbesondere Punkte oder Linien oder Punkt- oder Liniengruppen oder Mustern, die digitalisiert in dem Datensatz enthalten sind, wobei die zu bestimmenden charakteristischen Merkmale in einer Datenbank hinterlegt sind, - und wobei die Datenbank zu jedem dieser hinterlegten charakteristischen Merkmale einen zusätzlichen zugeordneten Datensatz aufweist.

Description

VORRICHTUNG UND VERFAHREN ZUR IDENTIFIZIERUNG DES URHEBERS EINES KUNSTWERKES
Die vorliegende Erfindung betrifft Vorrichtungen und Verfahren zum Nachweis der Herkunft und der Urheberschaft von Bildern.
In der Kunstwelt ist die Herkunft eines Kunstwerkes, also die Zuordnung des jeweiligen Werkes zu einem Künstler, von einer ernorm wichtigen Bedeutung, sowohl zur Feststellung der eigentlichen Urheberschaft und zur Beurteilung des Wertes eines Werkes, als auch aus kunsthistorischer Sicht. Der Künstler besitzt als Urheber des Kunstwerkes sehr weitgehende Rechte an diesem Kunstwerk, die ihm auch nach dem Verkauf des Kunstwerkes nicht verloren gehen. Des weiteren sind auch die Kunstgeschichtler an der wahren Herkunft eines Kunstwerkes interessiert, da in vielen Fällen, insbesondere bei älteren Werken, der Künstler dieser Werke nicht zweifelsfrei bestimmt werden kann. Dies kann entweder an einer fehlenden oder gefälschten Signatur liegen oder daran, daß bedeutende Meister eine Menge an gelehrigen Schülern besaßen, die sie mit der Ausarbeitung von Teilen oder auch ganzen Kunstwerken beauftragten, welche dann aber trotzdem von den Künstlern signiert wurden. Rembrandt stellt solch ein bedeutendes Beispiel dar. In diesen Fällen wird sogar ein auf hohem technischen Standart basierender Untersuchungsapparat eingesetzt, der zur Überprüfung der Kunstwerke herangezogen wird. So ist das Röntgen von Bildern keine Seltenheit und es wird auch oftmals Infrarotstrahlung zur Erkennung von Wasserzeichen der Papiermühlen angewandt. Mit UV-Licht beschienene Materialien fluoreszieren in verschiedenen Farben und geben somit Aufschluss über das dem Kunstwerk zugrunde liegende Material. Hieraus lassen sich auch Rückschlüsse über den jeweiligen Künstler ableiten. Weitere Methoden zur Bestimmung von Fälschungen sind die Thermoluminiszenzanalyse, aufwendige chemische Analysen oder das Prüfen der Kunstwerke unter einem Mikroskop. Doch diese Methoden sind seht aufwendig und müssen zudem an geeigneten Örtlichkeiten, meist Laboratorien, durchgeführt werden, also Örtlichkeiten, die so beschaffen sind, daß durch die Strahlung keine gesundheitlichen Schäden an dem Personal hervorrufen werden, oder klimatisch geregelte Räumlichkeiten, die dem Zustand des Bildes Sorge tragen.
Andererseits können Kunstexperten oftmals allein mit ihrem geschulten Auge den Urheber eines Kunstwerkes, insbesondere eines Bildes, bestimmen. Die Fähigkeit der Zuordnung eines Künstlers als Urheber zu einem bestimmten Bild haben sie sich im Laufe ihrer Ausbildungs- und Arbeitstätigkeit angeeignet. So sind Farbauftrag, Linienführung und Pinselduktus einige Merkmale, welche den Künstler charakterisieren und eine Identifikation seiner Werke erleichtern. Als Pinselduktus bezeichnet man im Allgemeinen die Strichführung in der Malerei. Er kann die Wichtigkeit der einzelnen Bereiche des Bildes für den jeweiligen Künstler ausdrücken. So kann bei einem Bild beispielsweise die Linienführung im Gesicht feiner ausgestaltet sein, als der Duktus der Linienführung, den der Künstlet bei det Kleidung aufwendete. Hietan kann man erkennen, daß der Künstler eben besonderen Wert auf die Gestaltung des Gesichtsausdruckes oder das Gesicht selbst gelegt hat. Det Pinselduktus ist somit die persönliche Handschrift eines Künstlers. Er kann unter anderen Merkmalen auch die Pinselführung, die Linienführung, die Leichtigkeit und die Festigkeit des Pinseldruckes umfassen. Ein Kunstwerk, insbesondere ein Bild, ist mit Hilfe dieser persönlichen Handschrift des Künstlers, also des Urhebers, zu identifizieren und sodann dem richtigen Urheber zuzuordnen. Dies ist zur Zeit nur mit Hilfe von einer Inaugenscheinnahme des Bildes durch einen Kunstsachverständigen möglich. Hierbei muss der Kunstsachverständige das Bild genauestens studieren und sorgfältig prüfen. Ein solcher Vorgang ist zeitaufwendig und meist sehr teuer, da die Kunstsachverständigen hochqualifizierte Experten sind.
Daher ist es Aufgabe der vorliegenden Erfindung eine Vorrichtung und ein Verfahren bereitzustellen, welche einem vorgegebenen Bild aus einer Menge von ebenfalls vorgegeben Künstlern, denjenigen Künstler zuordnet, der das Bild geschaffen hat.
Diese Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren zur Bestimmung des Urhebers eines Bildes, wobei das Verfahren mindestens die folgenden Schritte aufweist:
Überführung des zu prüfenden Bildes oder von Teilen des zu prüfenden Bildes mit Hilfe eines Digitalisierungsmittels, insbesondere eines Scanners, in mindestens einen Datensatz, Analyse des/der Datensatzes/sätze und Bestimmung von charakteristischen Merkmalen oder Teilen von charakteristischen Merkmalen, insbesondere Punkte oder Linien oder Punkt- oder Liniengruppen oder Mustern, die digitalisiert in dem Datensatz enthalten sind, wobei die zu bestimmenden charakteristischen Merkmale in einer Datenbank hinterlegt sind,
und wobei die Datenbank zu jedem dieser hinterlegten charakteristischen Merkmale einen zusätzlichen zugeordneten Datensatz aufweist.
Bei diesem erfindungsgemäßen Verfahren wird Fachwissen vom Kunstsachverständigen über eine Datenbank abgerufen. Es liegt nur an der jeweiligen Zugriffsgeschwindigkeit auf diese Datenbank und den zur Suche in der Datenbank verwendeten Algorithmus, sowie der Größe der zu untersuchenden Datensätze und natürlich der Menge der relevanten Datensätze in der Datenbank, wie schnell hier ein Ergebnis präsentiert werden kann. Bestimmung von charakteristischen Merkmalen in dem Datensatz im Sinne dieser Anmeldung ist als Erkennen charakteristischer Merkmale in dem Datensatz (und dann natürlich im Endeffekt in dem zu prüfenden Bild) oder als Identifizieren (Auffinden) charakteristischer Merkmale in dem Datensatz zu verstehen.
Die Überführung des Bildes oder von Teilen des Bildes in mindestens einen Datensatz mit Hilfe eines Digitalisierungsmittels bedeutet in den meisten Fällen das Einscannen des Bildes mit einem Scanner. Es ist aber auch möglich, eine entsprechende Digitalkamera einzusetzen. Dies hat den Vorteil, daß die Digitalisierung mit Hilfe der Kamera auch unterwegs vorgenommen werden kann. Dies stellt einen einfachen und sogleich schnellen Weg dar, unter Gewährleistung großer Mobilität, die digitalisierten Daten zu erlangen, vor allem ohne Transport des Kunstwerkes, also direkt am Ausstellungsort. Ein Scanner stellt ebenso ein solches Datenerfassungsgerät dar, welches ein Objekt, insbesondere ein Bild, auf systematische und regelmäßige Weise abtastet oder vermisst. Man erzeugt hierbei mit einer Vielzahl von Einzelmessungen ein Gesamtbild des zu scannenden Objektes oder von Teilen hiervon. Bei dreidimensionalen Kunstwerken kann ein 3D-Scanner seine Anwendung finden. Mit den sogenannten Cruse-Scannern, in welchen mit Synchronlicht die Bildvorlage beleuchtet wird, und wobei das dann reflektierte Licht über eine linse gebündelt wird, kann sogar die absolute Farbtreue und Genauigkeit des eingescannten Bildes mit der Bildvorlage gewährleistet werden. Bei einfachen Zeichnungen kann dies sogar ein handelsüblicher Scanner sein, der vorteilhafterweise eine sehr gute Aufnahmequalität (der Ausdruck „sehr gute Aufnahmequalität" ändert sich itn Laufe der Zeit, da die aktuelle neue Generation von Scannern eine immer bessere Aufnahme- bzw. Auflösung haben kann) aufweist. Die durch das Scannen erzeugten Datensätze können je nach der eingestellten Auflösung auch bei kleinen Scanvorlagen eine große Speicherkapazität verlangen. Aber diese Vorgabe, nämlich das Bereitstellen großer Speichermedien, ist bei den heutigen Möglichkeiten zur Speicherung durchaus kostengünstig zu realisieren.
Die nun gemäß des erfinderischen Verfahrens vorzunehmende Analyse, der durch das Scannen erhaltenen Datensätze, und die Bestimmung der charakteristischen Merkmale, die natürlich in ihrer digitalen Form in dem Datensatz vorliegen, erfolgt mit Hilfe der in der Datenbank hinterlegten Mustervorlagen der charakteristischen Merkmale. Diese Mustervorlagen werden mit dem zu prüfenden Bild verglichen, ob diese Mustervorlagen, entweder in identischer Form oder mit einer großen Ähnlichkeit in dem zu prüfenden Bild zu finden sind.
Die Bestimmung oder das Erkennen dieser charakteristischen Merkmale, insbesondere Punkte oder Linien oder Punkt- oder Liniengruppen oder Mustern, in dem zu prüfenden Bild, verlangt die Fähigkeit in einer Menge von Daten Regelmäßigkeiten, Wiederholungen, Ähnlichkeiten oder Gesetzmäßigkeiten zu erkennen, wobei die Erkennung von Ähnlichkeiten die größten Erfolgsaussichten aufweist. Eine solche Fähigkeit kann mit Ffirfe der Methoden der Mustererkennung bereitgestellt werden. Weitere charakteristische Merkmale können Kanten, Farbkanten, der Verlauf von Farben, also der Farbverlauf und der Pinselstrich selbst sein.
Grundsätzlich wird das eingescannte und zu prüfende Bild einer Bildanalyse unterzogen, die nachfolgend inklusive ihrer vorbereitenden Schritte beschrieben ist. Diese Analyse erleichtert den darauf folgenden Vergleich mit den in der Datenbank vorliegenden Mustern sehr.
Nach der Digitalisierung wird das zu prüfende Bild einem Vorbereitungsschritt unterzogen. In diesem Schritt wird unter anderem das Bild normiert, damit es später mit den zu vergleichenden Mustern abgeglichen werden kann. Wenn es notwendig ist, können auch durch die Anwendung von Filtern störende Unreinheiten unterdrückt werden. Es auch möglich die Farben des Bildes in Grautöne zu konvertieren, falls dies bei den nachfolgenden Schritten hilfreich sein sollte. Hietnach kann das Bild in Segmente unterteilt werden, so können homogene Bereiche, also Bereiche mit beispielsweise gleicher Textur oder gleicher Farbe, speicherplatzsparend zusammengefasst werden.
Danach wird die Merkmalsextraktion vorgenommen. Grundsätzlich sind die Verfahren zur Merkmalsgewinnung meistens Verfahren, die bestenfalls durch Intuition gewonnen werden oder die auf der langjährigen Erfahrung eines Fachmanns beruhen. Wichtige Merkmale können zu Merkmalsvektoren verarbeitet werden. Merkmale in den Bildern können Geraden, Kreisbögen, Kreise, Ellipsen oder andere geometrisch beschreibbare Gruppen sein. Aus mehreren dieser Merkmale oder auch aus einem Merkmal allein kann das charakteristische Merkmal, welches dem Urheber zugeordnet werden kann, bestehen.
Die so extrahierten Merkmale und Muster werden in einem weiteren Schritt klassifiziert, also einem Klassifikationsverfahren unterzogen. Das Klassifikationsverfahren oder auch der Klassifikator genannt, teilt die extrahierten Merkmale und Muster in Klassen ein. Klassifikationsverfahren sind schon kn Stand der Technik bekannt. Dort sind manuelle, automatische, numerische und nicht-numerische statistische und verteilungsfreie oder auch dimensionierte und lernende Verfahren bekannt. Es sind auch noch weitere Verfahren bekannt, so daß die oben angegebene Liste nicht einschränkend zu verstehen ist. Hier kann die Klassifikation beispielsweise mit Hilfe eines Bayes-Klassifikators vorgenommen werden. Dieser Klassifikator ordnet jedes Merkmal genau der Klasse zu, zu der es mit der größten Wahrscheinlichkeit gehört.
Auf der Grundlage dieser Klassifikation kann nun die eigentliche Bildanalyse stattfinden, in der nun die Bilderkennung oder die Bildinterpretation stattfindet. Hier ist in einem ersten Schritt nur das, was relevant ist, zu sehen, in einem zweiten Schritt wird dann zusätzlich die Beziehung der Merkmale untereinander gewichtet.
Die so erkannten und analysierten Merkmale werden mit den charakteristischen Merkmalen, die in der Datenbank vorliegen, verglichen. Werden hier eine oder gar mehrere Übereinstimmungen erzielt, so kann zusätzlich zu den Namen des Urhebers noch ein zugeordneter Datensatz mit der weiteren Informationen über den Urheber des Bildes herausgegeben werden. In einet anderen Ausführungsform der Erfindung ist diese dadurch gekennzeichnet, daß die Auflösung des Digitalisierungsmittels, vorzugsweise eines Scanners, frei eingestellt werden kann. Durch diese Möglichkeit kann sowohl dem jeweiligen Kunstwerk, als auch der endgültig zu bearbeitenden Datenmenge, die durch den Digitalisierungsvorgang entstanden ist, Rechnung getragen werden.
Bevorzugt ein Künstler bei der Schaffung seiner Werke eine filigrane Technik, welche sich durch dünne und womöglich noch eine sehr leichte Linienführung auszeichnet, so ist es notwendig zur Durchführung der Bildanalyse einen hohen Auflösungsmodus zu wählen, damit auch noch feinste und kleinste Details digitalisiert und anschließend untersucht werden können. In anderen Fällen, beispielsweise einem Werk, welches z. Bsp. aus einer Anzahl von wenigen einfarbigen Quadraten auf einer großflächigen Leinwand besteht, ist zwar die Aussagekraft des Kunstwerkes sehr hoch, die durch die Digitalisierung des Werkes erhaltene Information ist aber überschaubar und kann mit nur einer geringen Datenmenge vollständig erfasst werden.
In einer anderen bevorzugten Ausführungsform der Erfindung wird zur Analyse und Bestimmung der charakteristischen Merkmale in dem zu prüfenden Bild oder in Teilen des zu prüfenden Bildes auch das Hough- Verfahren verwendet. Bei dem Hough- Verfahren handelt es sich um ein Verfahren, welches auf der gleichnamigen Transformation, nämlich der Hough- Transformation beruht. Diese ist zur Erkennung von Geraden, Ellipsen und anderen geometrischen Objekten geeignet. Aus diesen Objekten bestehen oder setzen sich die aufzufindenden charakteristischen Merkmale zusammen. Bei dem Hough- Verfahren handelt es sich zudem noch um ein sehr robustes Verfahren, mit dem in einem verrauschten Bild, also einem Bild, in dem die geometrischen Objekte nicht klar und deutlich zu erkennen sind, immer noch die Strukturen von Linien identifiziert werden können. So können nicht nur vollständige Linien, sondern auch Liniensegmente oder andere Segmente und Teile der geometrischen Objekte bestimmt werden.
In einer weiteren ganz besonderes bevorzugten Ausführungsform der Erfindung ist diese dadurch gekennzeichnet, daß das Verfahren in einem weiteren Schritt Referenzmerkmale der charakteristischen Merkmale oder von Teilen der charakteristischen Merkmale, die in dem Datensatz enthalten sind, bestimmt, wobei die Referenzmerkmale der charakteristischen Merkmale entweder schon in der Datenbank hinterlegt sind oder während des laufenden Verfahrens erzeugt werden. Das Referenzmerkmal zu einem charakteristischen Merkmal im Sinne dieser Anmeldung wird durch eine Veränderung des charakteristischen Merkmales aus eben diesem erzeugt. Für das menschliche Auge sind nur geringfügige Abweichungen zwischen dem Referenzmerkmal und dem charakteristischen Merkmal zu erkennen. Durch die Bestimmung der Referenzmerkmale in dem zu prüfenden Bild lassen sich nun auch kleinere und geringfügige Abweichungen in den charakteristischen Merkmalen, die immer vorkommen können, erkennen und hierdurch entstehende Fehler bei der Zuordnung des Werkes zu dem Urheber vermeiden. Ein Künstler weist natürlich seine ihn charakterisierende persönliche Handschrift auf, er zeichnet oder malt bestimmte Formen immer ähnlich oder sogar bestenfalls fast identisch. Aber es Hegen immer Abweichungen in den gezeichneten oder gemalten Formen vor. Diese Abweichungen gilt es zu erkennen und gegebenenfalls, auch als charakteristische Merkmale in dem zu prüfenden Bild zu bestimmen. Die Erzeugung der Referenzmerkmale werden mit Hilfe eines Bildbearbeitungsmoduls erzeugt. Solche Bildbearbeitungsmodule sind im Stand der Technik bekannt. Es werden also beispielsweise und nicht einschränkend zu verstehen, einzelne Linien, Kurven, Geraden, Winkel oder auch sogar ganze geometrisch zusammenhängende Figuren manipuliert, wobei die charakteristischen Merkmale oder Teile der charakteristischen Merkmale den Ausgangspunkt für diese Manipulationen bilden.
In einem ganz einfachen Fall werden die charakteristischen Merkmale oder Teile der charakteristischen Merkmale einfach nur vergrößert oder verkleinert, wobei es durchaus der Fall sein kann, daß mehr als ein charakteristisches Merkmal oder ein Teil hiervon bearbeitet werden. Es ist sogar möglich, einerseits einen Teil des charakteristischen Merkmales zu vergrößern, andererseits einen anderen Teil aber zu verkleinern.
In einer weiteren bevorzugten Ausführungsform der vorliegenden Erfindung werden die Referenzmerkmale durch Strecken oder Stauchen des jeweiligen charakteristischen Merkmals oder mindestens eines Teiles des charakteristischen Merkmales erzeugt. Bei dieser Ausführungsform wird das charakteristische Merkmal, im Gegensatz zu der oben genannten letzten Ausführungsform der Erfindung, stärker verfremdet. Eine solche Manipulation kann aber durchaus zu einem positiven Ergebnis führen, falls das charakteristische Merkmal aufgrund der vorliegenden Bildgeometrie dieses zu prüfenden Bildes eine Stauchung oder Streckung bei der Erstellung des Werkes erzwungen hatte. Weiterhin gilt bei diesen Manipulationen der charakteristischen Merkmale oder Teilen dieser, daß ein Teil gestaucht, ein anderer Teil aber gestreckt werden kann.
In einer weiteren bevorzugten Ausfuhrungsform der vorliegenden Erfindung wird mindestens ein Referenzmerkmal durch Änderung einer Linienkrümmung erzeugt.
In einer anderen Ausfuhrungsform wird das Referenzmerkmal durch Änderung eines Winkels zwischen mindestens zwei Linien des jeweiligen charakteristischen Merkmals erzeugt.
Alle diese Manipulationen, die vorgenommen werden, dürfen nicht den eigentlichen Charakter der charakteristischen Merkmale so verändern, daß diese ihrem eigentlichen Zweck, nämlich die Zuordnung eines Urhebers zu einem Kunstwerk, nicht mehr dienen können. Allerdings sind zu den aufgezählten Änderungen der charakteristischen Merkmale noch weitere andere Manipulationen denkbar, um mögliche Referenzmerkmale zu erzeugen.
Es steht weiterhin außer Frage, daß das vorliegende erfindungsgemäße Verfahren auch nur auf Teilen von Bildern, also Bildausschnitten angewandt werden kann. In diesem Fall werden eben nur Teile (Ausschnitte) dieser Bilder, die es zu überprüfen gilt, digitalisiert. Dies kann genau dann der Fall sein, wenn ein spezielles „charakteristisches Merkmal" zwar ins Auge sticht, der Betrachter aber doch nicht sicher ist, ob es sich bis diesem speziellen „charakteristischen Merkmal" um ein Original oder eine Fälschung zur Täuschung des Betrachters handelt.
Ein solches Verfahren kann beispielsweise auf einer Vorrichtung ablaufen, die mindestens ein Digitalisierungsmittel, vorzugsweise einen Scanner, ein Normierungsmodul, ein Segmentiermodul, ein Klassifikatormodul und ein Datenbankmodul aufweist. Weiterhin sind mindestens ein Speichermedium und mindestens eine Datenverarbeitungseinheit für eine solche Vorrichtung denkbar.
Fig. 1 schematischer Ablauf des Verfahrens
Fig. 2 eine beispielhafte Erläuterung des Hough- Verfahrens anhand einer geraden Linie (Gerade)
Fig. 3 schematische Darstellung einer Farbkante
Fig. 4 schematische Darstellung eines Farbverlaufes Fig. 5 Schwarz /Weiß-Kopie eines Originals mit fünf gekennzeichneten Bildbereichen
Fig. 5a bis Fig. 5e die gekennzeichneten Bildbereiche der Figur 5
Fig. 6 Schwarz/Weiß-Kopie einer mutmaßlichen Nachahmung mit fünf gekennzeichneten Bildbereichen
Fig. 6a bis Fig. 6e die gekennzeichneten Bildbereiche der Figur 6
Fig. 7 Kopie eines Werkes des Künstlers Max Clarenbach
Fig. 7a Ausschnitt aus der Fig. 7
Fig. 8 Kopie einer mutmaßlichen Nachahmung des Künstlers M. Clarenbach
Fig. 9 schematisierte Darstellung von Farbkante, Farbverlauf und Pinselstrich
Fig. 1 zeigt den schematischen Ablauf des erfindungsgemäßen Verfahrens, sowie den Einsatz einiger der hierfür notwendigen Module. In einem ersten Schritt wird das zu prüfenden Bild mit Hilfe eines Digitalisierungsmittels 1, in diesem Fall ein hochauflösender Scanner, digitalisiert. Bei dem eingescannten Bild handelt es sich wahrscheinlich um ein Miniaturkunstwerk des sehr bedeutenden Künstlers X Y, der dieses Bild auf die Rückseite einer antiken Streichholzschachtel gemalt hat. Im Laufe der Zeit hat das Werk erheblich gelitten und auch der Umstand, daß die Streichholzschachtel vorher ihrer Bestimmung gemäß benutzt wurde, war der Qualität der Rückseite nicht zuträglich. Aus diesem Grund wurde mit einer sehr hohen Auflösung gearbeitet. Hierdurch wurden die einzelnen, mit bloßen Auge kaum zu erkennenden Bildobjekte so digitalisiert, daß möglichst wenig Einzelheiten verloren gehen. Die hohe Auflösung wird ebenfalls verwendet, um mögliche Unklarheiten, welche zum Beispiel durch die Verschmutzung der Unterlage vorhanden sind, besser im nachfolgenden Verfahren erkennen und unterdrücken zu können. Durch die hohe Auflösung wird zwar eine große Datenmenge erzeugt, aber die nur geringe Größe des Bildes gleicht diesen Nachteil wieder aus. Zudem ist die heutige Technik durchaus in der Lage, sehr große Datenmengen effizient zu speichern und zu verwalten. Nachfolgend wird das Bild mit Hilfe eines Normierungsmoduls 2 normiert. Dies dient der besseren Vergleichbarkeit der jeweiligen aufgefundenen charakteristischen Merkmale mit den in der Datenbank 5 vorliegenden Mustern. Da die in der Datenbank 5 vorliegenden Muster ebenfalls normiert sind, sind so zumindest die Größenverhältnisse der einzelnen charakteristischen Merkmale ähnlich. Ein Künstler wird seine ihn charakterisierenden Bewegungen, die sich im Pinselduktus manifestieren, auch immer in der ungefähr gleichen Alt und Weise ausfuhren, so daß in den meisten Fällen die Struktur und Größe des Ergebnisses dieser Bewegungen ähnlich sein wird.
In diesem Beispiel wird das Bild im folgenden Schritt in Segmente unterteilt. Dies bietet sich in dem hier vorliegenden Fall an, da das Bild hauptsächlich aus vier Merkmalen, nämlich Strich, Kreis, Herz und Sonne besteht. Durch eine geschickte Wahl der Segmentierung, die aber nicht zwingend so ausgeführt werden muss, findet sich in jedem Bildsegment genau ein Merkmal wieder. Das Modul, welches diese Schritte durchführt, heißt Segmentiermodul 3.
Die aufgefundenen Merkmale werden nun durch ein Klassifizierungsverfahren, welches in dem dazu geeigneten KlassiEkatormodul 4 ausgeführt wird, in die Klassen eingeteilt, in welche sie mit der größten Wahrscheinlichkeit gehören. So wird der Strich der Klasse der {Striche} zugeordnet, der Kreis der Klasse der {Kreise}. Das Herz und die Sonne allerdings können möglicherweise nicht als Klassen in der Datenbank hinterlegt sein und sind folglich nicht auffindbar. Hier besteht nun ein Risiko, daß die Merkmale einer falschen Klasse zugeordnet werden. So kann das Herz der Klasse der {Dreiecke} oder der Klasse der {verformten Dreiecke} zugeordnet werden. Handelt es sich aber bei dem Objekt Herz um ein charakteristisches Merkmal des aufzufindenden Künstlers, so ist es auch in seiner Gesamtheit als Klasse der {Herzen} in der Datenbank hinterlegt und dann mir großer Wahrscheinlichkeit auch in derselben, wenn auch falschen Klasse, nämlich der Klasse der {verformten Dreiecke}. Denn grundsätzlich wurden auch die in der Datenbank vorliegenden charakteristischen Merkmale durch den Klassifikator 4 in die Klassen eingeordnet, so daß bei Identität oder großer Ähnlichkeit der Klassifikator 4 in der Regel die gleiche Klassifikation vornimmt. Sind nur Teile des Objektes Herz als Merkmal zu identifizieren, so werden diese dann in die jeweiligen Klassen eingeordnet. Ein Herz kann in zwei Ellipsoidsegmente mit anliegender Gerade unterteilt werden. Die Sonne kann, wie leicht ersichtlich ist, in einen Kreis und eine Anzahl daran anliegender Dreiecke unterteilt werden. Diese Unterteilungen werden in die jeweiligen Klassen eingeteilt. Sind nun die Dreiecke in ein gewissen charakteristischen Weise gezeichnet, so Hegt ein Muster hiervon in der Datenbank vor und wird dann unweigerlich aufgefunden werden. Die Datenbank 5 mit den vorliegenden Mustern der charakteristischen Merkmale kann jede handelsübliche Datenbank sein. Wichtig ist nur die Anbindung an die jeweiligen Module, die die zu vergleichenden Merkmale bereitstellen. Die in diesem Beispiel vorliegende Datenbank 5 beinhaltet unter anderem die folgenden vier charakteristischen Merkmale, nämlich Strich, Stern, Doppelpfeil und Herz. Das Herz aus der Datenbank ist nahezu identisch mit dem vorliegenden Herzen, welches in dem zu prüfenden Bild aufzufinden ist. Auch die Sonne des zu prüfenden Bildes weist große Übereinstimmung mit der Sonne auf, die in der Datenbank aufgefunden wurde. Da in diesem Fall aber keine Identität vorliegt, wird in einem Zwischenschritt das Objekt Sonne (hier nicht dargestellt) weiter in seine Einzelheiten zerlegt und diese dann mit den charakteristischen Merkmalen der Datenbank 5 verglichen. So kann die Zuordnung der Sonne der Datenbank mit der Sonne auf dem zu prüfenden Bild verifiziert werden. Für das Objekt Kreis ist keine Entsprechung in der Datenbank 5 finden. Da alle aufgefundenen charakteristischen Merkmale der Datenbank 5 den gleichen Urheber angeben, war in diesem vorliegenden Beispielfall das Ergebnis eindeutig. Es handelte sich tatsächlich um den Künstler X Y. Die Ergebnisausgabe 6 wird durch weitere, ebenfalls in der Datenbank 5 vorliegende Informationen zu dem jeweiligen Künstler ergänzt, so daß die Anfrage nicht nur den Künstler ermittelt, sondern auch weitere Informationen über Werk und Wirkung des Künstlers bereithält und über ein Ausgabemodul, so etwa einen Bildschirm oder auf Papier ausgedruckt, ausgibt.
Fig. 2 zeigt eine beispielhafte Erläuterung des Hough- Verfahrens anhand einer geraden Linie (Gerade). Die leeren Kästchen (Pixel) sind in einer Farbe gehalten, beispielsweise weiß, die mit dem X gekennzeichneten Kästchen (Pixel) sind in einer anderen Farbe, beispielsweise schwarz gehalten. Das menschliche Auge erkennt nun leicht einen Haken in dem vorliegenden Ausschnitt, und dies obwohl die Pixel nicht alle in der selben Größe vorliegen. Ein Haken kann aus zwei sich berührenden Geraden bestehen. Eine Gerade kann mathematisch durch ihren senkrechten Abstand r zum Koordinatenursprung sowie durch den Winkel φ zwischen der entsprechenden Verbindungsstrecke und einer Koordinatenachse angegeben werden. Die Aufteilung des Bildes in Pixel stellt nun ein für diese Zwecke geeignetes Koordinatensystem dar, wobei der Koordinatemirsprung in der unteren linken Ecke liegen soll, die Horizontale mit den Werten x(i) und die Senkrechte mit den Werten y(i) bezeichnet wird (mit i als durchlaufende natürliche Zahl). Der in der Figur 2 gezeigte Ausschnitt hat 13 Pixel in der horizontalen Richtung, somit läuft i von 1 bis 13, also x(l), x(2), ..., x(13). In der Senkrechten sind 12 Pixel zu sehen, somit läuft i von 1 bis 12, also y(l), y(2), ..., y(12). Die für das menschliche Auge leicht erkennbare Gerade läuft über die Pixel mit den Wertepaaren (x(2),y(10)}, {x(3),y(9)}, {x(4),y(8)}, (x(5),y(7)}, (x(6),y(6)}, {x(7),y(5)}, {x(8),y(4)}, {x(9),y(3)}, danach biegt die Gerade in eine andere Richtung um. Im Ausschnitt sind zusätzlich weitere Pixel eingefärbt, also mit einem X gekennzeichnet. Diese Gerade kann auch durch eine Reihe der Wertepaare (r,φ) dargestellt werden. Man prüft nun einfach für alle Wertekombinationen (r,φ), ob die dort liegenden Bildpunkte alle einer Farbe entsprechen oder nicht. Ist diese Farbe unterschiedlich zu der Farbe der Umgebung dieser Bildpunkte, so ist die Gerade sichtbar und stellt für den Betrachter eine Gerade in dem Bild dar. Auf diese Weise können alle in dem Bild befindlichen Geraden aufgefunden werden. Andere geometrische Formen gehorchen anderen mathematischen Formeln, können aber trotzdem mit dem gleichen Verfahren aufgefunden und somit bestimmt werden. Ist die Gerade nicht nur auf eine Pixelbreite beschränkt, so werden die anliegenden Pixel ebenfalls als Gerade oder Teil einer Geraden erkannt. Denn zwei direkt nebeneinander Hegende und sich berührende Geraden sind von einem Betrachter als eine breitere Gerade zu erkennen. Je mehr dieser Geraden ohne einen Zwischenraum nebeneinander liegen, umso dicker wird die Gerade als Strich auf dem Bild von dem Betrachter wahrgenommen.
Fig. 3 zeigt eine schematische Darstellung einer Farbkante, wobei die Farbtöne Weiß und Schwarz jeweils einen Bereich ausfüllen. Der schwarzgefärbte Farbbereich beginnt bei dem Wert xl und endet bei x2, der Farbkante. Der weißgefärbte Farbbereich beginnt bei x2 und endet bei x3. Darunter ist ebenfalls schematisch der Werteverlauf im RGB-Raum dargestellt, wobei nur der R-Wert (im Wertetripel (R3B5G) fett markiert) gegen die Länge der Farbbereiche, diese sind als x- Werte gekennzeichnet, aufgetragen ist. Im RGB-Raum wird dem weißen Bereich der RGB-Code (255,255,255) und dem schwarzen Bereich der RGB-Code (0,0,0) zugeordnet. Der Kurvenverlauf ist relativ einfach. Der schwarze Farbbereich hat über seine gesamte Länge den RGB-Wert (0,0,0), hier in diesem Bereich verläuft die Kurve konstant und stetig. An der Farbkante bei dem Längenwert x2, liegt eine Unstetigkeitsstelle vor. Im gesamten weißen Bereich hat die Kurve den RGB-Wert (255,255,255), sie ist also wieder konstant und stetig. Eine solcher Kurvenverlauf kann als charakteristisches Merkmal, somit als Datensatz in der Datenbank abgelegt und gespeichert werden. Selbstverständlich können Fehlertoleranzen als Zusatzinformation in den Datensatz mit aufgenommen werden, so dass kleinere Abweichungen der Merkmale im zu prüfenden Bild von den in der Datenbank hinterlegten charakteristischen Merkmale erkannt werden. Fig. 4 zeigt eine schematische Darstellung eines Farbverlaufes. Der Farbverlauf ist hier, von links nach rechts gesehen, von Weiß nach Schwarz hin dargestellt. Er durchläuft kontinuierlich die Grautöne. Darunter ist ebenfalls schematisch der Werteverlauf im RGB-Raum dargestellt, wobei nur der R-Wert (im Wertetripel (R,G,B) fett markiert) gegen die Länge x aufgetragen ist. Auch hier durchläuft der RGB-Wert die Werte von (0,0,0) bis (255,255,255). Der Kurvenverlauf in diesem Fall ist eine Gerade mit einer linearen Steigung, gemäß der Formel:
R = a*x, wobei a die Steigung der Kurve bedeutet.
Eine solcher Kurvenverlauf kann ebenfalls als charakteristisches Merkmal, und somit als Datensatz in der Datenbank abgelegt und gespeichert werden. Selbstverständlich können auch in diesem Fall Fehlertoleranzen als Zusatzinformation in den Datensatz mit aufgenommen werden, so dass kleinere Abweichungen der Merkmale im zu prüfenden Bild von den in der Datenbank hinterlegten charakteristischen Merkmale erkannt werden.
Fig. 5 und Fig. 6 zeigen eine Auswahl von mehreren Ausschnitten aus drei Bildern, wobei mit Flilfe einer beispielhaften Erläuterung der Unterschied von Original und mutmaßlicher Nachahmung deutlich gemacht werden soll.
Das Originalbild Stahlrohr von Joh. Georg Müller aus dem Jahr 1963 und eine mutmaßliche Nachahmungen, die sich mit dem gleichen Thema befassen, sollen an einem praktischen Beispiel das erfϊndungsgemäße Verfahren erläutern. Hierzu wurde das Original (gekennzeichnet mit der Ziffer 2009 03 17 -3) und bestimmte für den Künstler charakteristische Stellen des Originals digitalisiert. In der Gesamtansicht sind die fünf charakteristischen Bereiche durch quadratische weiße Umrandungen gekennzeichnet. Zusätzlich sind sie jeweils mit einer Zifferfolge benannt worden, um mögliche Verwechslungen auszuschließen. Die Zifferfolgen lauten:
• 2009 03 17 -3-001,
• 2009 03 17 -3-002,
• 2009 03 17 -3-003,
• 2009 03 17 -3-004 und
• 2009 03 17 -3-005.
Ebenso ist mit den beiden mutmaßlichen Nachahmungen verfahren worden. Bei dem Bild mit der Kennzeichnung 2009 03 17 -2 sowie bei dem Bild mit der Kennzeichnung 2009 03 17 -3-1 sind also auch jeweils fünf Bildbereiche durch quadratische Umrandungen herausgehoben worden. Diese Bildbereiche sind allerdings so ausgewählt worden, dass sie mit den charakteristischen Stellen des Originalbildes zu vergleichen sind. Die hierzu angebrachten Kennzeichnungen lauten nun:
• 2009 03 17 -2-001,
• 2009 03 17 -2-002,
• 2009 03 17 -2-003,
• 2009 03 17 -2-004 und
• 2009 03 17 -2-005
In der Figur 5, dem Originalbild sind die folgenden fünf Bildausschnitte durch die weiße Umrandung gekennzeichnet worden:
1. Fig. 5a ist ein Bildausschnitt (Kennzeichnung: 2009 0317-3-001) im unteren rechten Quadranten des Bildes, welcher in den Farbtönen orange, weiß, grau, HIa, schwarz und ocker, sowie einzelnen Zwischenstufen dieser Farbtöne, ein stilisiertes Rohr zeigt. In diesem Bildausschnitt ist der Farbverlauf von dem dunklen Bereich hin zum hellen Bereich, der an der schwarzen horizontal verlaufenden Linie endet, besonders charakteristisch für die Technik des Künstlers und stellt somit ein charakteristisches Merkmal dar, welches in die Datenbank aufgenommen wird. Der Farbverlauf, von oben nach unten gesehen, geht von einem dunklen Farbton (schwarz) kontinuierlich in einen hellen Farbton (gelbweiss) über. Einen Farbverlauf genauso sorgfältig auszugestalten, verlangt nicht nur eine besondere handwerkliche und künstlerische Begabung, sondern auch eine ausgefeilte Technik. Ein solcher kontinuierlicher Übergang kann beispielsweise durch eine ebenfalls kontinuierlich verlaufende Funktion im RGB-Farbraum genau dargestellt werden und ist somit leicht zu digitalisieren.
2. Fig. 5b zeigt einen gänzlich schwarzen Bildausschnitt, der sich ebenfalls in dem unteren rechten Quadranten, allerdings links von dem ersten Bildausschnitt und zur Mitte hin verschoben, befindet. Hier wird der für den Künstler so charakteristische Pinselstrich sichtbar, der sich hier in der einheitlichen Farbdichte und wiederspiegelt. Auch dies ist durch eine Funktion mathematisch zu beschreiben.
3. Fig. 5c dieser Bildausschnitt stellt wiederum ein Beispiel dar, wie der Künstler einen Farbverlauf ausgestaltet. Der Bildausschnitt liegt in dem linken unteren Quadranten des Bildes und zeigt das Schattenspiel auf der Oberfläche eines Rohres. Auch hier gilt das für I U
den in Fig. 5a dargestellten Bildbereich, nämlich dass eine Beschreibung des Farbverlaufes mathematisch mit Hilfe einer Funktion, leicht möglich ist. Diese Funktion stellt in den dreidimensionalen RGB-Raum eine annähernd lineare Kurve dar, da sich die jeweiligen RGB-Werte stetig und kontinuierlich verändern.
4. Fig. 5d der vierte Bildausschnitt befindet sich in dem Unken oberen Quadranten des Bildes und zeigt die künstlerische Behandlung der Farbkanten, die unterschiedliche Farbbereiche trennen. Die jeweiligen Farbbereiche werden durch eine Farbkante unterteilt, die diskret in den Farbton des jeweiligen Farbbereiches wechselt. Die Farbbereiche selber weisen durchgängig den gleichen Farbton auf, wie dies auch schon in der Fig. 5b zu sehen ist. Diese Merkmale, also gleichfarbige Bildbereiche getrennt durch Farbkanten, deren Farbton dem jeweilig folgenden Bildbereich entspricht, ist ein weiteres charakteristisches Merkmal der Malkunst des Künstlers.
Der RGB-Wert des ersten Farbbereiches und der RGB-Wert des zweiten Farbbereiches sind innerhalb ihrer Farbbereiche annähernd jeweils konstant. An der Farbkante ändert sich der RGB-Wett allerdings sprunghaft, die hietzu beschreibende mathematische Funktion weist an dieser Stelle eine Unstetigkeit auf.
5. Fig 5e der fünfte Bildausschnitt aus dem oberen rechten Quadranten des Bildes stellt wiederum die Schattierung auf einer Röhre dar und zeigt deutlich die Art wie der Künstler einen Schattenwurf mit Hilfe von einem Farbverlauf vom Hellen in das Dunkle bewerkstelligt.
Diese fünf Bildausschnitte sind hier Teil der in Datenbank hinterlegten Datensätzen, die einige charakteristische Merkmale des Künstler J. G. Müller, nämlich die Ausgestaltung einer Farbkante, die Ausgestaltung des Farblaufes und den Pinselstrich, der innerhalb eines Farbbereiches für einen durchgängig gleichmäßigen Farbton sorgt, beinhalten. Es werden also in diesen Beispiel die fünf oben genannten Bildausschnitte als Beispiel für die charakteristische Merkmale in der Datenbank hinterlegt.
Fig. 6 zeigt nun eine Kopie einer mutmaßlichen Nachahmung eines Werkes des Künstler J. G. Müller, welche auf ihre Echtheit überprüft werden soll. Hierzu werden beispielsweise ebenfalls fünf Bildbereiche eingescannt und dann mit Hilfe des erfinderischen Verfahrens mit den in der Datenbank hinterlegten charakteristischen Merkmalen des Künstlers verglichen. Es ist natürlich auch durchaus möglich diesen Arbeitsvorgang gleichfalls zu automatisieren, in dem man das Bild entweder als Ganzes behandelt oder mit Hilfe eines Programms in willkürlich gewählte Segmente unterteilt. Diese Segmente werden dann mit Hilfe der Erfindung jeweils einzeln auf mögliche charakteristische Merkmale hin untersucht.
Die Fig. 6a zeigt den ersten gekennzeichneten Bildbereich (2009 03 17 —2-001) der mutmaßlichen Nachahmung. Bei der Betrachtung des Gesamtbildes wird im Bildbereich von dem Betrachter eine Farbkante wahrgenommen, die einen gelben Farbbereich von einem gelbgrünen Farbbereich trennt. Es zeigt sich allerdings, dass die Farbkante die beiden Farbbereiche nicht so voneinander trennt, wie es der Künstler J. G. Müller in seinen Bildern realisiert hat. So hat die Kante selber einem dunkleren Farbton als der nachfolgende Farbbereich, wobei der nachfolgende grüne Farbstreifen in sich selbst auch keine gleichmäßige Färbung aufweist. Ein Vergleich mit den in der Datenbank hinterlegten Datensätzen ergibt keine positive Übereinstimmung mit den dort vorliegenden Datensätzen. Die da in diesem Fall die Farbkante, als das charakteristische Merkmal, zwei Farbbereiche trennt, die durchgängig den gleichen Farbton aufweisen. Dies lässt sich nicht durch eine Funktion beschreiben, die die oben beschriebenen Auswahlkriterien aufweist.
Die Fig. 6b zeigt den Schattenwurf eines Rohres. Dieser Ausschnitt ähnelt sehr der Figur 5c, allerdings ändern sich die Farbtöne nicht langsam, sondern ihre Übergänge sind abrupter. Dies lässt sich dann keineswegs als annähernd lineare Kurve in dem RGB-Farbraum beschreiben. Somit kann kein charakteristisches Merkmal in der Datenbank aufgefunden werden, welches diesem Bildausschnitt zugeordnet werden kann.
Fig. 6c und Fig. 6d zeigt die Darstellung von Farbkanten. Vergleicht man diese hier gezeigt Präsentation mit der Darstellung im Bildausschnitt Fig. 5a so ist leicht zu erkennen, dass auch in diesem Fall das Merkmal der Farbkantengebung nicht mit dem in der Datenbank hinterlegten Merkmal übereinstimmt.
Fig. 6e zeigt die Darstellung eines Farbverlaufes. Auch hier gilt das schon oben gesagte.
Die oben gezeigten Bildausschnitte und der Vergleich des Original mit der mutmaßlichen Nachahmung zeigt nun eindringlich wie mit Hilfe des erfindungsgemäßen Verfahrens der Urheber eines Bildes bestimmt oder bestritten werden kann. Fig. 7 und 7a zeigen die Kopie eines Werkes des Künstlers Max Clarenbach, geboren im Jahr 1880 in Neuss und gestorben im Jahr 1952 in Wittlaer. Max Clarenbach war ein deutscher Maler und Mitbegründer des Sonderbundes in Düsseldorf. Seine nuancenreichen Malweise wurde vor allem durch die Impressionisten bestimmt. Bei dieser Kopie und dem dazugehörigen Ausschnitt handelt es sich um ein Landschaftsbild, welches eine an einem Fluß gelegene Schneelandschaft zeigt. Dieses Bild verdeutlicht eindringlich wie ein Künstler an seiner Pinselführung und seinem Pinselduktus identifiziert werden kann. Hier sieht man deutlich die sich dauernd wiederholende halbkreisförmige, schwungvolle Pinselführung, welche wahrscheinlich von links nach rechts verläuft und aus diesem Grund mit einem Farbaufwurf auf der linken Seite endet.
Die Fig. 8 zeigt eine mutmaßliche Nachahmung der Malweise des Künstlers M. Clarenbach. Betrachtet man hier den Himmel genauer, so sieht man zweifelsfrei, dass der Schaffende dieses Bildes den Pinsel anders, nämlich nicht immer von links nach rechts, sondern auch von oben nach unten geführt hat. Auch weisen die einzelnen Pinselstriche nicht die charakteristischen Bögen und den dadurch erzeugten Farbaufwurf auf.
Die Fig. 9 zeigt nochmals einen möglichen Vergleich zwischen den möglichen charakteristischen Merkmalen Farbkante, Farbverlauf und Pinselstrich.

Claims

Patentansprüche
1. Verfahren zur Bestimmung des Urhebers eines Bildes, wobei das Verfahren mindestens die folgenden Schritte aufweist:
Überführung des zu prüfenden Bildes oder von Teilen des zu prüfenden Bildes mit Hilfe eines DigitaBsierungsmittels, insbesondere eines Scanners, in mindestens einen Datensatz,
Analyse des/der Datensatzes/sätze und Bestimmung von charakteristischen Merkmalen oder Teilen von charakteristischen Merkmalen, insbesondere Punkte oder Linien oder Punkt- oder Liniengruppen oder Mustern, die digitalisiert in dem Datensatz enthalten sind, wobei die zu bestimmenden charakteristischen Merkmale in einer Datenbank hinterlegt sind,
und wobei die Datenbank zu jedem dieser hinterlegten charakteristischen Merkmale einen zusätzlichen zugeordneten Datensatz aufweist.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Auflösung des Digitalisierungsmittels frei einstellbar ist.
3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß zur Analyse und Bestimmung der charakteristischen Merkmale in dem zu prüfenden Bild oder in den Teilen des zu prüfenden Bildes das Hough- Verfahren verwendet wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß das Verfahren in einem weiteren Schritt Referenzmerkmale mindestens eines der charakteristischen Merkmale oder von Teilen der charakteristischen Merkmale, die in dem Datensatz enthalten sind, bestimmt, wobei die Referenzmerkmale der charakteristischen Merkmale entweder schon in der Datenbank hinterlegt sind, oder während des laufenden Verfahrens erzeugt werden.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die Referenzmerkmale durch Manipulationen mindestens eines der charakteristischen Merkmale oder eines Teiles der charakteristischen Merkmale erzeugt werden.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß mindestens ein Referenzmerkmal aus den charakteristischen Merkmalen durch Vergrößern oder Verkleinern des jeweiligen charakteristischen Merkmals oder mindestens eines Teiles des charakteristischen Merkmales erzeugt wird.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß mindestens ein Referenzmerkmal aus den charakteristischen Merkmalen durch Strecken oder Stauchen des jeweiligen charakteristischen Merkmals oder mindestens eines Teiles des charakteristischen Merkmales erzeugt wird.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß mindestens ein Referenzmerkmal aus den charakteristischen Merkmalen durch Änderung einer Krümmung einer Linie des jeweiligen charakteristischen Merkmals oder mindestens eines Teiles einer Linie des charakteristischen Merkmales erzeugt wird.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß mindestens ein Referenzmerkmal aus den charakteristischen Merkmalen durch Änderung eines Winkels zwischen mindestens zwei Linien des jeweiligen charakteristischen Merkmals erzeugt wird.
10. Vorrichtung zur Bestimmung des Urhebers eines Bildes, welches nach einem der Ansprüche 1 bis 9 arbeitet, dadurch gekennzeichnet, daß diese Vorrichtung mindestens ein Digitalisierungsmittel (1), vorzugsweise einen Scanner, ein Normierungsmodul (2), ein Segmentiermodul (3), ein Klassifikatormodul (4) und ein Datenbankmodul (5) aufweist.
11. Computersystem mit mindestens einer Datenverarbeitungseinheit, mindestens einetn Speicher, mindestens einem Digitalisierungsmittel (1), vorzugsweise einem Scanner, mindestens einem Normierungsmodul (2), mindestens ein Segmentiermodul (3), mindestens einem Klassifikatormodul (4) und ein Datenbankmodul (5), dadurch gekennzeichnet, daß die Datenverarbeitungseinheit programmtechnisch so eingerichtet ist, daß sie nach dem Verfahren nach einem der Ansprüche 1 bis 9 arbeitet.
12. Computerprogramm, das Instruktionen aufweist, die zur Durchfuhrung des Verfahrens nach einem der Ansprüche 1 bis 9 eingerichtet sind.
13. Computerprogrammprodukt, welches ein computerlesbares Medium mit Computerprogramm- Code-Mitteln aufweist, bei dem jeweils nach Laden des Computerprogramms ein Computer durch das Programm zur Durchführung des Verfahren nach einem der Ansprüche 1 bis 9 veranlaßt wird.
14. Computerprogrammprodukt, welches ein Computerprogramm auf einem elektronischen Trägersignal aufweist, bei dem jeweils nach Laden des Computerprogramms ein Computer durch das Programm zur Durchführung des Verfahrens nach einem der Ansprüche 1 bis 9 veranlaßt wird.
PCT/DE2010/000534 2009-05-20 2010-05-17 Vorrichtung und verfahren zur identifizierung des urhebers eines kunstwerkes WO2010133204A1 (de)

Priority Applications (10)

Application Number Priority Date Filing Date Title
JP2012511143A JP2012527665A (ja) 2009-05-20 2010-05-17 芸術作品の原作者を識別するための装置および方法
BRPI1010963A BRPI1010963A2 (pt) 2009-05-20 2010-05-17 dispositivo e processo para identificação do autor de uma obra de arte
CN2010800222026A CN102439605A (zh) 2009-05-20 2010-05-17 确定艺术品作者的方法和装置
MX2011012339A MX2011012339A (es) 2009-05-20 2010-05-17 Aparato y metodo para identificar al creador de una obra de arte.
UAA201115060A UA108987C2 (en) 2009-05-20 2010-05-17 APPARATUS AND METHOD FOR IDENTIFICATION OF THE ARTWORK AUTHOR
US13/321,007 US8930302B2 (en) 2009-05-20 2010-05-17 Apparatus and method for identifying the creator of a work of art
DE112010002056T DE112010002056A5 (de) 2009-05-20 2010-05-17 Vorrichtung und Verfahren zur Identifizierung des Urhebers eines Kunstwerks
RU2011149157/08A RU2541917C2 (ru) 2009-05-20 2010-05-17 Устройство и способ для идентификации автора произведения искусства
CA2761382A CA2761382C (en) 2009-05-20 2010-05-17 Apparatus and method for identifying the creator of a work of art
EP10728585A EP2433245A1 (de) 2009-05-20 2010-05-17 Vorrichtung und verfahren zur identifizierung des urhebers eines kunstwerkes

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
DE102009022147.6 2009-05-20
DE102009022147 2009-05-20
DE102009023756A DE102009023756B4 (de) 2009-05-20 2009-06-04 Verfahren zum Herkunftsnachweis und zur Urheberschaft von Bildern
DE102009041757A DE102009041757A1 (de) 2009-05-20 2009-06-04 Vorrichtung und Verfahren zum Herkunftsnachweis und Urheberschaft von Bildern
DE102009041757.5 2009-06-04
DE102009023756.9 2009-06-04

Publications (1)

Publication Number Publication Date
WO2010133204A1 true WO2010133204A1 (de) 2010-11-25

Family

ID=43049405

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2010/000534 WO2010133204A1 (de) 2009-05-20 2010-05-17 Vorrichtung und verfahren zur identifizierung des urhebers eines kunstwerkes

Country Status (10)

Country Link
US (1) US8930302B2 (de)
EP (1) EP2433245A1 (de)
JP (1) JP2012527665A (de)
KR (1) KR20120024799A (de)
CN (1) CN102439605A (de)
BR (1) BRPI1010963A2 (de)
CA (1) CA2761382C (de)
DE (3) DE102009041757A1 (de)
RU (1) RU2541917C2 (de)
WO (1) WO2010133204A1 (de)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3252670A1 (de) * 2016-05-30 2017-12-06 Roland Sellger Verfahren zur bestimmung der urheberschaft von gemälden
CN106251340A (zh) * 2016-07-24 2016-12-21 朱建宗 一种用特征图形数据计算比对微观图像的方法
DE102016115837A1 (de) 2016-08-25 2018-03-01 Werner Scholzen Verfahren für die Urheberschaftsbewertung eines Gemäldes sowie eine entsprechende Verwendung
KR101905416B1 (ko) * 2017-03-07 2018-10-08 변진영 예술작품 위변조 방지를 위한 전자지문 관리 시스템 및 방법과, 예술작품의 위변조 판별 방법 및 이를 위한 컴퓨터 프로그램
EP3625712A4 (de) * 2017-05-16 2020-09-09 Artentika (Pty) Ltd Verarbeitung digitaler datendetails zur analyse von kulturellen artefakten
CN108052913A (zh) * 2017-12-20 2018-05-18 浙江煮艺文化科技有限公司 一种艺术品图像识别与比对方法
US11087164B2 (en) 2018-04-27 2021-08-10 Artrendex Inc. Method for identifying works of art at the stroke level
US20240037914A1 (en) * 2020-12-03 2024-02-01 Kansas State University Research Foundation Machine learning method and computing device for art authentication
US11948386B1 (en) 2023-07-06 2024-04-02 SpaceFarm LLC Artwork authenticity systems and methods

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6017218A (en) * 1996-12-12 2000-01-25 Bright; Thomas J. Brush mark analysis method for painting authentication

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004506969A (ja) * 2000-06-16 2004-03-04 朝日画廊株式会社 作品識別システム及びサイン管理システム
US8144921B2 (en) * 2007-07-11 2012-03-27 Ricoh Co., Ltd. Information retrieval using invisible junctions and geometric constraints
US8086038B2 (en) * 2007-07-11 2011-12-27 Ricoh Co., Ltd. Invisible junction features for patch recognition
US8184155B2 (en) * 2007-07-11 2012-05-22 Ricoh Co. Ltd. Recognition and tracking using invisible junctions
US7201323B2 (en) * 2004-12-10 2007-04-10 Mitek Systems, Inc. System and method for check fraud detection using signature validation
RU51429U1 (ru) * 2005-08-03 2006-02-10 Наталья Кирилловна Кастальская-Бороздина Устройство для исследования произведений живописи на предмет их подлинности и сохранности
CN100371945C (zh) * 2006-09-14 2008-02-27 浙江大学 一种计算机辅助书法作品真伪鉴别方法
RU2333613C1 (ru) * 2007-02-08 2008-09-10 Наталья Кирилловна Кастальская-Бороздина Способ идентификации произведений живописи на предмет их авторства
JP2007328767A (ja) * 2007-03-22 2007-12-20 Shinichi Koyano 鑑定くん

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6017218A (en) * 1996-12-12 2000-01-25 Bright; Thomas J. Brush mark analysis method for painting authentication

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
"First International Workshop on Image Processing for Artist Idetification", 14 May 2007 (2007-05-14), XP002601839, Retrieved from the Internet <URL:http://www.digitalpaintinganalysis.org/literature/descrip_1_07.pdf> [retrieved on 20100918] *
BEREZHNOY I E ET AL: "Authentic: Computerized Brushstroke Analysis", IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO, 2005. ICME 2005. AMSTERDAM, THE NETHERLANDS, 06-08 JULY 2005, IEEE, PISCATAWAY, NJ, USA LNKD- DOI:10.1109/ICME.2005.1521739, 6 July 2005 (2005-07-06), pages 1586 - 1588, XP010843976, ISBN: 978-0-7803-9331-8 *
DUDA R ET AL: "Pattern Classification, chapter 9: Algorithm-Independent Machine Learning", 1 January 2001, PATTERN CLASSIFICATION, NEW YORK, JOHN WILEY & SONS, US, PAGE(S) 453 - 515, ISBN: 978-0-471-05669-0, XP002472161 *
JOHNSON C R ET AL: "Image processing for artist identification", IEEE SIGNAL PROCESSING MAGAZINE, IEEE SERVICE CENTER, PISCATAWAY, NJ, US LNKD- DOI:10.1109/MSP.2008.923513, vol. 25, no. 4, 1 July 2008 (2008-07-01), pages 37 - 48, XP011228189, ISSN: 1053-5888 *
LYU, S. AND ROCKMORE, D. AND FARID, H.: "A digital technique for art authentication", 7 December 2004 (2004-12-07), XP002601838, Retrieved from the Internet <URL:http://www.pnas.org/content/101/49/17006.abstract> [retrieved on 20100918] *
MELZER T ET AL: "Stroke detection of brush strokes in portrait miniatures using a semi-parametric and a model based approach", PATTERN RECOGNITION, 1998. PROCEEDINGS. FOURTEENTH INTERNATIONAL CONFE RENCE ON BRISBANE, QLD., AUSTRALIA 16-20 AUG. 1998, LOS ALAMITOS, CA, USA,IEEE COMPUT. SOC, US LNKD- DOI:10.1109/ICPR.1998.711184, vol. 1, 16 August 1998 (1998-08-16), pages 474 - 476, XP010297588, ISBN: 978-0-8186-8512-5 *
SABLATNIG R ET AL: "Hierarchical classification of paintings using face- and brush stroke models", PATTERN RECOGNITION, 1998. PROCEEDINGS. FOURTEENTH INTERNATIONAL CONFE RENCE ON BRISBANE, QLD., AUSTRALIA 16-20 AUG. 1998, LOS ALAMITOS, CA, USA,IEEE COMPUT. SOC, US LNKD- DOI:10.1109/ICPR.1998.711107, vol. 1, 16 August 1998 (1998-08-16), pages 172 - 174, XP010297463, ISBN: 978-0-8186-8512-5 *
See also references of EP2433245A1 *

Also Published As

Publication number Publication date
BRPI1010963A2 (pt) 2019-04-02
JP2012527665A (ja) 2012-11-08
RU2541917C2 (ru) 2015-02-20
CN102439605A (zh) 2012-05-02
DE102009023756B4 (de) 2012-05-31
CA2761382C (en) 2016-01-12
DE102009041757A1 (de) 2010-12-09
DE102009023756A1 (de) 2011-01-05
CA2761382A1 (en) 2010-11-25
US20120072454A1 (en) 2012-03-22
RU2011149157A (ru) 2013-06-27
DE112010002056A5 (de) 2012-05-31
KR20120024799A (ko) 2012-03-14
EP2433245A1 (de) 2012-03-28
US8930302B2 (en) 2015-01-06

Similar Documents

Publication Publication Date Title
DE102009023756B4 (de) Verfahren zum Herkunftsnachweis und zur Urheberschaft von Bildern
DE102007019057A1 (de) Vorrichtung und Verfahren zum Bestimmen eines Kanten-Histogramms, Vorrichtung und Verfahren zum Ablegen eines Bildes in einer Bilddatenbank, Vorrichtung und Verfahren zum Auffinden von zwei ähnlichen Bildern und Computerprogramm
DE60303138T2 (de) Vergleichen von mustern
DE102008013789A1 (de) Vorrichtung, Verfahren und Programm zum Eliminieren von Zeichenstörungen
DE112019005143T5 (de) System zur co-registrierung medizinischer bilder unter verwendung eines klassifikators
DE102005024949A1 (de) Verfahren zur Darstellung von Strukturen innerhalb von Volumendatensätzen
DE102005025220B4 (de) Gerät, Verfahren und Programm zum Beseitigen von Poren
DE102005049017B4 (de) Verfahren zur Segmentierung in einem n-dimensionalen Merkmalsraum und Verfahren zur Klassifikation auf Grundlage von geometrischen Eigenschaften segmentierter Objekte in einem n-dimensionalen Datenraum
EP3123393A1 (de) Verfahren zur optischen erkennung von zeichen
DE10250781B4 (de) Verfahren und Vorrichtung zur automatischen Segmentierung eines Vordergrundobjektes in einem Bild
DE112019004112T5 (de) System und verfahren zur analyse mikroskopischer bilddaten und zur erzeugung eines annotierten datensatzes zum training der klassifikatoren
DE102008012152A1 (de) Verfahren und Vorrichtung zur Charakterisierung der Formation von Papier
DE19834718C2 (de) Digitale Bildverarbeitung für ein Qualitätskontrollsystem
DE112020006088T5 (de) Computerimplementiertes verfahren zum umwandeln eines eingangsbildes in ein ausgangsbild basierend auf einem referenzbild
EP1789909B1 (de) Verfahren zur zuordnung eines digitalen bildes in eine klasse eines klassifizierungssystems
DE19517178C1 (de) Hintergrundbereinigung bei elektronisch abgetasteten Bildern
EP3252670A1 (de) Verfahren zur bestimmung der urheberschaft von gemälden
EP1139285A1 (de) Verfahren und Vorrichtung zur Prüfung bzw. Untersuchung von Gegenständen
DE112019006288T5 (de) Informationsverarbeitungsvorrichtung, programm undinformationsverarbeitungsverfahren
EP2383681A1 (de) Bildverarbeitungsverfahren zum Klassifizieren eines Objekts
DE69824546T2 (de) Ermittlung von Kartekoordinaten
DE102013105147B4 (de) Verfahren und System zum Erzeugen eines synthetischen perfekten Musterbildes in einem System für maschinelles Sehen zum Überprüfen eines erfassten Laufzeitbildes eines Objekts mit einem mehrschichtigen gedruckten Muster
DE102004018171B4 (de) Verfahren zur Akquisition von Formen aus Bildern luftgetragener Keime und/oder Pollen und zum fallbasierten Erkennen dieser Objekte in digitalen Bildern, Computer-Programm-Produkt und digitales Speichermedium zur Ausführung dieses Verfahrens
WO2022106443A1 (de) Vorrichtung zum erzeugen einer digitalen kennung von einem mindestens ein druckbild aufweisenden exemplar eines druckerzeugnisses, smartphone oder tablet mit dieser vorrichtung und verfahren zur verwendung dieser vorrichtung
DE102022116407A1 (de) System zur Unterstützung eines Nutzers bei der bildbasierten Erkennung einer Gewebeentartung

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 201080022202.6

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10728585

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2761382

Country of ref document: CA

WWE Wipo information: entry into national phase

Ref document number: 2012511143

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 13321007

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: MX/A/2011/012339

Country of ref document: MX

WWE Wipo information: entry into national phase

Ref document number: 9110/DELNP/2011

Country of ref document: IN

WWE Wipo information: entry into national phase

Ref document number: 2010728585

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 20117030394

Country of ref document: KR

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2011149157

Country of ref document: RU

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: A20111776

Country of ref document: BY

WWE Wipo information: entry into national phase

Ref document number: 112010002056

Country of ref document: DE

Ref document number: 1120100020566

Country of ref document: DE

REG Reference to national code

Ref country code: DE

Ref legal event code: R225

Ref document number: 112010002056

Country of ref document: DE

Effective date: 20120531

REG Reference to national code

Ref country code: BR

Ref legal event code: B01A

Ref document number: PI1010963

Country of ref document: BR

ENP Entry into the national phase

Ref document number: PI1010963

Country of ref document: BR

Kind code of ref document: A2

Effective date: 20111121