基于非负矩阵欠近似与深度残差网络的高光谱彩绘文物线稿提取方法

发布时间：2020-07-15 19:08

【摘要】：彩绘文物的线稿能够清楚地反映彩绘内容、图案结构以及作者绘画方法与风格,使得对彩绘文物的保护不仅停留在文物本体的保护,更能对彩绘文物进行生动地传承。近年来,高光谱技术以其无损且“空谱合一”的特性,用于彩绘文物线稿提取,取得了一定的研究成果,但是现有方法人工干预较多,阈值较难确定;并且由于彩绘文物噪声比较大,线稿提取的完整性与准确性有待进一步提高。本文从非负矩阵欠近似以及深度学习图像去噪两方面进行了深入研究,提出了一种新的彩绘文物线稿提取方法。主要研究内容如下:(1)提出基于L_(1 2)范数的稀疏非负矩阵欠近似算法。非负矩阵欠近似能够将像元的光谱曲线表示成端元光谱曲线线性组合的形式,有助于将不同特征分离。而稀疏约束能够使不同颜料端元进一步分离,本文采用L_(1 2)范数作为稀疏约束改进非负矩阵欠近似算法,得到更好的特征分离效果,获得线稿信息丰富的成分,并将其作为最优成分。(2)提出一种新的基于最优成分的线稿提取方法。目前的线稿提取算法仅通过光谱信息对线稿进行提取,本文充分利用提取的最优成分图像的空间信息对线稿进行提取。实验结果表明,该方法较现有方法线稿提取效果更好,同时该方法能够自动提取图像的线稿信息,不需要人工干预,对线稿的材料成分也没有限制。(3)提出基于深度残差网络的彩绘文物线稿图像去噪算法。本文对DnCNN(Feed-forward Denoising Convolution Neural Networks)图像去噪网络进行了改进,通过引入残差网络,使之能够训练更深的网络,以更好地学习噪声特点;再针对彩绘文物去噪训练样本不足的问题,采用迁移学习预训练保证网络去噪效果。实验结果表明,提出算法能够有效地去除线稿图像中的噪声干扰,有助于提取更干净的线稿。
【学位授予单位】：西北大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：K87;TP391.41;TP183
【图文】：

激活函数,函数,增强神经网络,卷积计算

始图像特征图原始图像特征卷积核滑动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图 7 卷积计算示意图积计算是线性计算，得到的特征也是线性特征，为了更好的提取图像中卷积神经网络中引入了激活函数，激活函数就是一种非线性函数，通常或全连接层后用来增强神经网络的建模能力,使得神经网络模型可以逼近数模型。常见的激活函数有 Sigmoid 函数、Tanh 函数以及 ReLU 函数,函 8所示。

结果可视化

尽可能的将线稿信息提取出来，再使用掩膜去除背景区域。3 彩绘文物最优主成分提取结果稀疏非负矩阵欠近似的结果如图 14所示，自左向右依次为丰富度矩阵图像1U4U 可视化结果，是与黑色、红色以及绿色颜料图像互补的区域，即从原始除黑色、红色和绿色颜料分量的背景图像。为黑色颜料所对应的像素区域色颜料所对应的像素区域，为绿色颜料所对应的像素区域。本文根据颜料像元的颜色信息，在不同颜料相对应的像素点添加了颜色信息觉效果，以便更好地进行观察。丰富度矩阵可视化结果下方为与之相对应的谱曲线1V 、2V、3V、4V，横坐标代表不同的波长范围，纵坐标代表材料的反观察发现这三种不同颜料的光谱曲线有比较明显的区别，对不同波长的敏感的区别，进一步验证了选取非负矩阵欠近似算法的有效性及可行性。

文物图,稿图

西北大学硕士学位论文34如图16所示，图16（a）为高斯模糊的结果图，图16（b）为反相的结果图，图16（c）为线稿提取结果，16（d）为专家标定的线稿标签图像。可以看出本文方法基本上完全提取了线稿图像，证明基于最优成分提取线稿的方法可以有效地利用空间信息提取线稿信息。根据结果计算图像的峰值信噪比为28.4222，结构相似性为0.9047。观察发现提取的线稿图像中仍然存在大量的噪声，这是因为真实的彩绘文物由于人为或自然因素会遭受很多损害

【参考文献】