【摘要】：彩繪文物的線稿能夠清楚地反映彩繪內(nèi)容、圖案結(jié)構(gòu)以及作者繪畫方法與風(fēng)格,使得對(duì)彩繪文物的保護(hù)不僅停留在文物本體的保護(hù),更能對(duì)彩繪文物進(jìn)行生動(dòng)地傳承。近年來(lái),高光譜技術(shù)以其無(wú)損且“空譜合一”的特性,用于彩繪文物線稿提取,取得了一定的研究成果,但是現(xiàn)有方法人工干預(yù)較多,閾值較難確定;并且由于彩繪文物噪聲比較大,線稿提取的完整性與準(zhǔn)確性有待進(jìn)一步提高。本文從非負(fù)矩陣欠近似以及深度學(xué)習(xí)圖像去噪兩方面進(jìn)行了深入研究,提出了一種新的彩繪文物線稿提取方法。主要研究?jī)?nèi)容如下:(1)提出基于L_(1 2)范數(shù)的稀疏非負(fù)矩陣欠近似算法。非負(fù)矩陣欠近似能夠?qū)⑾裨墓庾V曲線表示成端元光譜曲線線性組合的形式,有助于將不同特征分離。而稀疏約束能夠使不同顏料端元進(jìn)一步分離,本文采用L_(1 2)范數(shù)作為稀疏約束改進(jìn)非負(fù)矩陣欠近似算法,得到更好的特征分離效果,獲得線稿信息豐富的成分,并將其作為最優(yōu)成分。(2)提出一種新的基于最優(yōu)成分的線稿提取方法。目前的線稿提取算法僅通過(guò)光譜信息對(duì)線稿進(jìn)行提取,本文充分利用提取的最優(yōu)成分圖像的空間信息對(duì)線稿進(jìn)行提取。實(shí)驗(yàn)結(jié)果表明,該方法較現(xiàn)有方法線稿提取效果更好,同時(shí)該方法能夠自動(dòng)提取圖像的線稿信息,不需要人工干預(yù),對(duì)線稿的材料成分也沒(méi)有限制。(3)提出基于深度殘差網(wǎng)絡(luò)的彩繪文物線稿圖像去噪算法。本文對(duì)DnCNN(Feed-forward Denoising Convolution Neural Networks)圖像去噪網(wǎng)絡(luò)進(jìn)行了改進(jìn),通過(guò)引入殘差網(wǎng)絡(luò),使之能夠訓(xùn)練更深的網(wǎng)絡(luò),以更好地學(xué)習(xí)噪聲特點(diǎn);再針對(duì)彩繪文物去噪訓(xùn)練樣本不足的問(wèn)題,采用遷移學(xué)習(xí)預(yù)訓(xùn)練保證網(wǎng)絡(luò)去噪效果。實(shí)驗(yàn)結(jié)果表明,提出算法能夠有效地去除線稿圖像中的噪聲干擾,有助于提取更干凈的線稿。
【學(xué)位授予單位】：西北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：K87;TP391.41;TP183
【圖文】：

始圖像 特征圖 原始圖像 特征卷積核滑動(dòng)1 0 00 1 01 0 01 1 11 0 051 1 1 0 00 1 0 1 01 0 1 0 01 1 1 1 10 1 1 0 05 34 44 3*1*1*1*1 *1 *1*0 *0 *1*1 *0*1圖 7 卷積計(jì)算示意圖積計(jì)算是線性計(jì)算，得到的特征也是線性特征，為了更好的提取圖像中卷積神經(jīng)網(wǎng)絡(luò)中引入了激活函數(shù)，激活函數(shù)就是一種非線性函數(shù)，通常或全連接層后用來(lái)增強(qiáng)神經(jīng)網(wǎng)絡(luò)的建模能力,使得神經(jīng)網(wǎng)絡(luò)模型可以逼近數(shù)模型。常見(jiàn)的激活函數(shù)有 Sigmoid 函數(shù)、Tanh 函數(shù)以及 ReLU 函數(shù),函 8所示。

盡可能的將線稿信息提取出來(lái)，再使用掩膜去除背景區(qū)域。3 彩繪文物最優(yōu)主成分提取結(jié)果稀疏非負(fù)矩陣欠近似的結(jié)果如圖 14所示，自左向右依次為豐富度矩陣圖像1U4U 可視化結(jié)果， 是與黑色、紅色以及綠色顏料圖像互補(bǔ)的區(qū)域，即從原始除黑色、紅色和綠色顏料分量的背景圖像。 為黑色顏料所對(duì)應(yīng)的像素區(qū)域色顏料所對(duì)應(yīng)的像素區(qū)域， 為綠色顏料所對(duì)應(yīng)的像素區(qū)域。本文根據(jù)顏料像元的顏色信息，在不同顏料相對(duì)應(yīng)的像素點(diǎn)添加了顏色信息覺(jué)效果，以便更好地進(jìn)行觀察。豐富度矩陣可視化結(jié)果下方為與之相對(duì)應(yīng)的譜曲線1V 、2V、3V、4V，橫坐標(biāo)代表不同的波長(zhǎng)范圍，縱坐標(biāo)代表材料的反觀察發(fā)現(xiàn)這三種不同顏料的光譜曲線有比較明顯的區(qū)別，對(duì)不同波長(zhǎng)的敏感的區(qū)別，進(jìn)一步驗(yàn)證了選取非負(fù)矩陣欠近似算法的有效性及可行性。

西北大學(xué)碩士學(xué)位論文34如圖16所示，圖16（a）為高斯模糊的結(jié)果圖，圖16（b）為反相的結(jié)果圖，圖16（c）為線稿提取結(jié)果，16（d）為專家標(biāo)定的線稿標(biāo)簽圖像�？梢钥闯霰疚姆椒ɑ旧贤耆崛×司�稿圖像，證明基于最優(yōu)成分提取線稿的方法可以有效地利用空間信息提取線稿信息。根據(jù)結(jié)果計(jì)算圖像的峰值信噪比為28.4222，結(jié)構(gòu)相似性為0.9047。觀察發(fā)現(xiàn)提取的線稿圖像中仍然存在大量的噪聲，這是因?yàn)檎鎸?shí)的彩繪文物由于人為或自然因素會(huì)遭受很多損害

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 馬文武;侯妙樂(lè);胡云崗;;基于地面高光譜遙感的石碑特征信息提取[J];北京建筑大學(xué)學(xué)報(bào);2015年02期

2 侯妙樂(lè);雷勇;蘆鑫;張學(xué)東;韓曉夢(mèng);;基于高光譜數(shù)據(jù)的壁畫底稿信息提取[J];測(cè)繪科學(xué);2014年10期

本文編號(hào)：2756893