顏料層脫落區(qū)域的提取是壁畫現(xiàn)狀調(diào)查的重要環(huán)節(jié),由于其光譜特征與壁畫白色圖案較為相似,僅利用光譜特征提取的精度較低。因此,提出了一種兼顧光譜特征和Hu矩形狀特征的顏料層脫落區(qū)域提取方法。首先,利用壁畫高光譜圖像的光譜信息,經(jīng)光譜降維,采用支持向量機監(jiān)督分類法提取顏料層脫落區(qū)域與白色圖案。然后,對顏料層脫落區(qū)域與白色圖案分類結(jié)果分別進行連通,將連通后的圖斑視為最小識別對象,利用Hu矩計算每一個對象的形狀特征,采用支持向量機二分類再次區(qū)分對象圖斑,實現(xiàn)顏料層脫落區(qū)域的半自動提取。最后,以青海省瞿曇寺壁畫高光譜圖像進行了提取。結(jié)果表明,該方法能提高顏料層脫落區(qū)域的提取精度,為壁畫的現(xiàn)狀調(diào)查提供支撐。 

【文章來源】：圖學學報. 2020,41(06)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

不同顏色圖案樣本Fig.2Samplesindifferentcolorareas

諢?煌??嫣卣鞣治?瞿曇寺回廊壁畫繪制于明代，描繪了釋迦牟尼從降生到圓寂的全過程，其色彩豐富，包括綠色、藍色、紅色、白色和黑色等圖案[13]。為了研究不同顏色區(qū)域和顏料層脫落區(qū)域的差異，提高病害提取的精度，對不同顏色區(qū)域和顏料層脫落區(qū)域的光譜特征進行分析。首先采用最小噪聲分離(minimumnoisefraction,MNF)正逆變換，降低高光譜反射率圖像中的噪聲。然后，在圖2的高光譜圖像中對不同顏色圖案進行取樣，每類顏色圖案分別取多個塊狀區(qū)域，對其分別進行平均得到對應顏色圖案的光譜曲線，如圖3所示。圖2不同顏色圖案樣本Fig.2Samplesindifferentcolorareas圖3不同類別樣本平均反射光譜曲線Fig.3Averagereflectivespectraofdifferentsamples

00H型高光譜成像儀進行數(shù)據(jù)采集，主要參數(shù)見表1。表1VNIR400H高光譜成像儀參數(shù)Table1ParametersofhyperspectralcameraVNIR400H參數(shù)參數(shù)光譜范圍(nm)400~1000光譜波段數(shù)1040視場角(°)30采樣間隔(nm)0.6光譜分辨率(nm)2.8像元尺寸(μm)7.4×7.4成像畫幅1392×1000動態(tài)范圍(bit)14傳感器SONYCMOS/IMX036重量(kg)1.95鏡頭焦距(mm)23數(shù)據(jù)于2018年8月28日下午采集，現(xiàn)場采用鹵素燈作為光源。成像儀距壁畫109cm，光圈4.0，曝光時間80ms。研究區(qū)域壁畫正射影像如圖1所示。選擇圖中紅色矩形所標識高光譜圖像進行顏料層脫落病害提齲圖1瞿曇寺西回廊部分壁畫正射影像Fig.1OrthophotoofpartmuralsinthewestcorridorofQutanTemple1.2.2預處理高光譜成像儀獲取目標物的輻射亮度，其中包括目標物本身的輻射信息和噪聲，由于地面高光譜成像儀在測量時距離目標物距離較近，大氣對輻射亮度影響較小，因此在高光譜數(shù)據(jù)輻射校正時只需對原始數(shù)據(jù)進行反射率重建[14]，即DateDarkrefWhiteDark(1)其中，ref為重建后的高光譜反射率圖像；Date為高光譜原始圖像數(shù)據(jù)，即輻射亮度；White為同等條件下的標準反射板圖像數(shù)據(jù)；Dark為暗電流噪聲數(shù)據(jù)，本文使用反射率為99%的標準反射板，采集環(huán)境與真實數(shù)據(jù)采集環(huán)境相同。在獲取暗電流數(shù)據(jù)時，關閉人工光源，蓋上鏡頭蓋。觀察高光譜反射率圖像發(fā)現(xiàn)，處于波長兩端的波段數(shù)據(jù)噪聲較大，為降低噪聲對數(shù)據(jù)的影響，對高光譜反射率圖像進行了波段選擇，人工選擇了第51-990波段作為研究數(shù)據(jù)。2研究方法2.1壁畫不同畫面特征分析瞿曇寺回廊壁畫繪制于明代，描繪了

【參考文獻】：
期刊論文
[1]瞿曇寺明清建筑實物及壁畫中的建筑彩畫[J]. 王曉珍.  美術. 2019(11)
[2]基于高光譜影像的瞿曇寺壁畫顏料層脫落病害評估[J]. 劉曉琴,侯妙樂,董友強,汪萬福,呂書強.  地理信息世界. 2019(05)
[3]基于雙特征匹配層融合的步態(tài)識別方法[J]. 李洪安,杜卓明,李占利,惠巧娟,白佳豪.  圖學學報. 2019(03)
[4]基于多源遙感影像的森林資源分類及精度評價[J]. 徐輝,潘萍,楊武,歐陽勛志,寧金魁,邵錦鋒,李琦.  江西農(nóng)業(yè)大學學報. 2019(04)
[5]改進的區(qū)域生長算法在寺觀壁畫脫落病害標定中的應用[J]. 曹建芳,李艷飛,崔紅艷,張琦.  新疆大學學報(自然科學版). 2018(04)
[6]基于區(qū)域生長法和BP神經(jīng)網(wǎng)絡的紅外圖像識別[J]. 陳躍偉,彭道剛,夏飛,錢玉良.  激光與紅外. 2018(03)
[7]基于Hu矩與改進PNN的飛機姿態(tài)識別算法[J]. 成杰,李新德.  航空兵器. 2017(01)
[8]基于近紅外高光譜技術的敦煌莫高窟壁畫起甲病害風險評估方法[J]. 孫美君,柴勃隆,張冬,王征,孫濟洲.  文物保護與考古科學. 2016(04)
[9]高光譜圖像處理與信息提取前沿[J]. 張兵.  遙感學報. 2016(05)
[10]唐墓室壁畫泥斑病害自動標定及虛擬修復[J]. 李彩艷,王慧琴,吳萌,潘思丞.  計算機工程與應用. 2016(15)

博士論文
[1]古代壁畫圖像保護與智能修復技術研究[D]. 劉建明.浙江大學 2010



本文編號：3070101