毕业生简介
刘依依
北京建筑大学2020届测绘工程硕士研究生
指导老师：吕书强副教授、薛艳丽研究员
引文格式：刘依依. 彩绘文物表面颜料光谱分段识别与填图方法研究[D].北京建筑大学,2020.
论文发表情况：
1.Lyu, S., Liu, Y., Hou, M. et al. Quantitative analysis of mixed pigments for Chinese paintings using the improved method of ratio spectra derivative spectrophotometry based on mode. Herit Sci 8, 31 (2020).
2. Lyu, S., Liu, Y., Hou, M., Gao, Z., Yang, X., and Gu, M.: Designing and construction of the spectral library for typical pigments used in Chinese paintings, Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., XLII-2/W15, 703–709,
3. Liu, Y., Lyu, S., Hou, M. et al. The comparison between NMF and ICA in pigment mixture identification of ancient Chinese paintings. Isprs-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences,2018,XLII-3.
4. Liu, Y., Lyu, S., Hou, M. et al. A novel spectral matching approach for pigment: spectral subsection identification considering ion absorption characteristics.（在投）
获奖及专利软著：
1.2018年测绘科技进步一等奖
2.2019年“鲁班杯”大学生课外学术科技作品竞赛特等奖
3.一种顾及吸收特征的光谱分段矿物颜料识别方法
4.彩绘文物表面矿物颜料识别系统
学术交流及项目参与：
1.国际建筑摄影测量委员会，CIPA2019
2.国际摄影测量与遥感学会，ISPRS2018
3.第四届全国成像光谱技术与应用研讨会
4.国际前沿遥感大会，ICARS2018
5.高光谱图像分析技术在文物保护行业中的应用学术研讨会
6.2019年首都博物馆基于高光谱系统的馆藏书画信息提取项目
7.2018年青海瞿昙寺壁画瞿昙寺壁画数字化保护项目
8.2018年重庆钓鱼城悬空卧佛高光谱数据获取与分析项目
9.2018年高光谱成像技术在彩绘类文物数字化保护中的应用研究项目
10.2018年山西闻喜酒务头墓地M1高光谱数据获取与分析项目
成果展示
1
研究背景与现状
彩绘文物是人类宝贵的文化遗产，受到环境变化和人类活动的影响，彩绘文物表面会出现褪色或颜色缺失的情况，需要尽快对其进行数字化留存和色彩修复。对修复区域使用的颜料种类进行确定是色彩还原的关键步骤。因此，亟需利用现代科技手段判断彩绘文物表面颜料类型，留存颜料信息，为修复工作者提供科学依据，提高修复效率。为了避免对文物造成二次损害，选择无损的高光谱技术对彩绘文物全表面颜料信息进行获取和分析，建立了针对中国绘画的典型颜料光谱库，有利于文化遗产的数字化存档和永续留存。
彩绘文物表面复合颜料识别难、色彩恢复缺乏科学性等问题，构建了典型绘画颜料光谱库，实现颜料信息的数字化存档，作为颜料识别的基础。提出了顾及离子吸收特征的光谱分段识别方法，实现了对混合颜料主要成分的有效识别。将丰富的空间信息和连续的光谱信息相结合，实现了中国绘画全表面颜料类别确定和空间分布可视化，优化了彩绘文物表面颜料分析流程。对于彩绘文物表面颜料识别和保护具有深远意义，进一步推动彩绘文物的保护和发展。总体流程如图1所示。
图1 研究总体流程图
2
技术路线与研究思路
2.1 文物表面颜料识别与填图
可见光-近红外成像光谱仪（400-1000 nm）可以获取绘画表面丰富的空间信息和光谱信息，利用其光谱数据进行聚类，然后利用光谱辐射仪（350-2500 nm）获取聚类后同质颜料区域的反射光谱。将其与颜料标准光谱库进行匹配识别颜料种类。总体技术路线如图2所示。
图2 总体技术路线
首先，利用成像光谱仪获取绘画的影像数据，基于高光谱影像的特征值估计同质区域的个数。其次使用非监督分类方法找到图像上具有相同光谱值的区域。然后利用光谱辐射仪在同质区域中选择感兴趣点进行光谱获取，将未知光谱与光谱库中的标准光谱进行匹配。最后将颜料识别结果填图到分类图像上，实现颜料种类以及空间分布的可视化。
2.2 典型绘画颜料光谱库构建
基于实验室样本数据和真实文物表面采集到的光谱数据，构建了一个专门针对中国绘画的典型绘画颜料光谱库，包含了大多数中国绘画常用颜料的反射光谱，主要包括矿物颜料、植物颜料、以及合成颜料。其贡献不仅在于建立了用于识别颜料类型的标准光谱库，同时还实现了对现存彩绘文物表面颜料信息的数字化存档，对于永久保存文物信息具有重要意义。
（1）颜料选择
标准光谱对于颜料匹配的结果影响较大。因此，选择合适的颜料进行光谱库的样本制作至关重要。目前市场上有许多现代颜料，虽然具有与传统颜料相同的名称，但可能含有一些现代化学添加剂，这使得其与古代使用的颜料完全不同。经过仔细的市场调研和比较选择了已有生产的共27大类（33小类）颜料，用来制作光谱库的颜料样本。其中，包括18种矿物颜料，和9种植物及合成颜料。
（2）样本设计
为了研究在多种存在形式下，中国传统绘画常用颜料的光谱差异，分别设计了以下几种样本：粉末或块状颜料样本、纸本颜料样本、以及模拟壁画颜料样本。将粉末或块状颜料直接放置于细胞板中，将颜料绘制于宣纸上，模拟国画表面颜料的存在形式，如图3。
图3部分粉末、纸本颜料样本
（3）光谱库设计
从用户需求角度出发，典型绘画颜料光谱库主要设计了四个主菜单，分别是“首页”、“光谱库”、“统计”、和“关于我们”，可以提供光谱数据的添加、修改、浏览、以及下载等功能。面对大量需要数字化保护的文物，我们利用高光谱仪器获取其表面的光谱数据，并通过后台的数据库录入光谱数据以及相应的字段信息，从而添加到光谱库中，建立并不断完善文物的数字化档案。用户可以在线浏览文物和实验室颜料样本的光谱数据，并下载使用，作为不同研究的数据参考和光谱识别的基础。该光谱库的功能结构图如图4所示。
图4 典型绘画颜料光谱库功能结构图
2.3 顾及离子吸收特征的光谱分段识别
对于绘画表面的混合颜料区域，大多数光谱识别方法一次只能识别一种颜料。尽管也有很多方法可以通过先光谱解混，再匹配分量，一次识别单点上的多种颜料，但此类方法通常比较复杂且需要更多的先验知识。为此，提出了顾及离子吸收特征的光谱分段识别方法，根据颜料主要离子和官能团的吸收位置，在整条光谱中提取出几个特征子区间，分段进行识别，有利于准确定位典型离子的关键吸收特征。除此之外，对各区间结果进行权重分配，根据计算得到的加权指数值，在对每个感兴趣区域给出了一种确定的识别结果外，还通过阈值的筛选，提供了第二种或第三种可能存在的颜料类型，相比于先解混光谱再进行匹配的方法，所提出的方法操作起来更简便。
顾及离子吸收特征的光谱分段识别方法，根据未知光谱在特征子区间内吸收特征的特点，选择光谱吸收指数（Spectral Absorption Index，SAI）或光谱角度制图（Spectral Angle Mapper，SAM）方法，与对应区间的标准光谱进行相似度计算，再根据结果排名分配权重，计算得出各结果的加权指数，进而表示每种颜料在混合物中的存在情况，具体流程如图5所示。
图5 光谱分段识别方法整体流程
2.3.1 具体算法设计
使用Python编程语言对所提出的顾及离子吸收特征的光谱分段识别方法进行算法设计。基于典型颜料所含离子、官能团吸收位置的总结，对整条光谱的波长350-2500 nm中划分出五个检测范围，以此作为提取未知光谱特征子区间的依据。其中，主要用到的是SAI自动提取算法和SAM算法。
Situation 1：特征子区间内存在单一吸收特征。
可以从未知光谱中提取出特征子区间，且子区间内只存在唯一的明显吸收位置。此时，将该子区间内的未知光谱作为输入，分别计算未知光谱和光谱库中的标准光谱在相应区间的光谱吸收指数SAI，将与未知光谱的SAI值相差最小的结果及对应的颜料名称按照升序排列并输出。
Situation 2：整条未知光谱无特征子区间。
未知光谱在所划分出的检测范围内不存在明显吸收特征，即不存在特征子区间。此时，将整条光谱的全波段作为输入，与光谱库中所有标准光谱的全波段进行光谱角余弦值的计算，输出各颜料名称及其对应余弦值降序排列的结果。
Situation 3：特征子区间内存在多个吸收特征。
可以从未知光谱中提取出特征子区间，且子区间内出现多个吸收特征。此时，将该子区间内的未知光谱作为输入，逐一与光谱库中所有相应区间的标准光谱计算光谱夹角的余弦值，输出降序排列结果。
2.4 颜料识别与填图实验
提出了一种颜料识别与填图“四步走”的流程，以一幅国画和壁画数据为研究对象进行实验，充分结合高光谱成像技术和点状光谱分析技术的优势，通过端元估计、图像聚类、光谱识别、以及颜料填图四个步骤，实现绘画全表面颜料种类的确定以及空间分布的可视化。
（1）端元估计
使用虚拟维度的方法，基于图像中的特征值进行端元数目的估计。对采集的第五景国画数据进行虚拟维度计算，结果如图6所示。根据显示的结果，可以看到当折线在纵坐标趋近于0时，对应的特征值个数为4或5个之间。
图6 第5景国画虚拟维度结果
（2）图像聚类
根据对影像所含端元数目的估计结果，设定初始分类数目，使用无监督的K-means和ISODATA分类算法，得到国画表面颜料的空间分布情况。分类结果如图7所示。
图7 国画非监督聚类结果
（3）光谱识别
利用所提出的光谱分段识别方法，以及ENVI软件中自带的光谱匹配功能，分别对国画的感兴趣点进行识别，将两种方法得到的结果与已知的颜料真值进行比对，分析所提出方法的性能。
由于网格生成的随机性，在逐行进行光谱采集的过程中，如果交点处的颜料较少或混合太复杂，则可以将其丢弃，或在交点附近寻找更合适的点。具体选点如图8所示。
图8 国画表面感兴趣点分布
（4）颜料填图
结合高光谱影像的空间信息与点状光谱识别得到的颜料种类信息，对国画颜料进行标记填图，有助于直观地了解绘画表面颜料的空间分布情况。如图9所示，展示了国画上三个典型感兴趣区域的空间分布，）中描述出不同颜色对应的颜料组成。其中，用红色填图的区域对应国画上由三种红色颜料混合绘制成的深粉色花朵部分；用粉色填图的区域表示由大红调和白色颜料绘制而成的浅粉色花朵部分；而用绿色填图的区域表示由石绿混合墨绘制而成的叶子部分，通过这种方式实现对混合颜料的同质区域分布和组成进行视觉解译。
图9 国画第5景颜料填图结果
3
论文意义
本研究从彩绘文物保护与留存的实际需求出发，针对字画、壁画等彩绘文物留存现状堪忧、表面颜料识别难、色彩恢复缺乏科学性等问题，基于中国绘画典型颜料建立了光谱库，为颜料类型识别提供基础，并实现了颜料信息的数字化存档；根据离子、官能团吸收特征提出了一种光谱分段识别方法，实现了混合区域颜料主要成分的有效识别；结合高光谱成像和点状光谱分析技术优势，提出了颜料识别与填图“四步走”流程，以国画和壁画数据为研究对象，实现了绘画全表面颜料类别确定和空间分布的可视化。
扫描二维码 关注我们
遗产数字化与虚拟修复团队公众号
微信号 : relics-conservations