文摘

考虑模糊问题的修复和低像素相似性匹配现有墓壁画的修复,我们提出一个新颖的墓壁画修复算法基于序贯相似性检测。首先,我们确定墓壁画的梯度值通过日志的二阶高斯拉普拉斯算子边缘检测,然后减少墓壁画的边缘的噪声处理墓壁画边缘光滑。此外,我们设置了数学模型获得墓壁画的边缘特征。计算平均灰度的前景和背景在一个特定的阈值,我们使用最大组内的方差方法,它考虑的影响小裂缝边缘的古墓壁画和分离裂缝通过连通域标记算法和打开和关闭操作完成边缘阈值分割。此外,我们使用优先级计算函数来确定损坏的墓壁画面积,计算边缘的梯度因子信息,获得不同角度的信息熵确定墓壁画图像修复的优先级,检测墓壁画修复像素的相似性序列相似性的帮助下,并完成墓壁画修复。实验结果表明,我们的模型可以有效地修复壁画墓的边缘,可以达到一个高像素的相似性匹配的程度。

1。介绍

古老的壁画,作为中国最重要的文化资产之一,提供丰富的历史、文化和美学信息。他们作为中国5000年文明的一个重要载体(1]。发现壁画包含一些疾病,如骨折、衰落,铠装和其他疾病由于自然风化和人为破坏。数字图像修复技术来帮助就业的历史壁画的保护可以最小化的困难保护古代壁画和人为因素造成的退化。文物保护涉及预防和救援措施。国家经济快速发展是伴随着大量的城市设施。因为有价值的文化文物经常发现,中国的主要文化保护方法是“拯救保护”(2]。防止进一步恶化的文化宝藏不满足现场的要求保护,挖掘和搬迁保护是必需的。墓壁画是其中最著名的例子。由于坟墓崩溃的影响,水的侵蚀,和坟墓强盗伤害,揭露和搬迁壁画保存到其他位置是更好的保护方法。环境总体上是稳定的壁画从坟墓中删除之前,但是在这幅画被移除,存储环境改变大幅窗帘室相比,导致一系列的壁画中的病态问题[3]。

变形、位移、变形、断裂、裂纹、装甲起重、脱落、空鼓、烧碱、发霉等问题发生在墓壁画的保存现在位于陕西历史博物馆。古墓壁画的数量是巨大的,对恢复的需求高,工作是复杂的,和实际的修复是艰苦的,导致很长一段时间大部分壁画的开挖和会见之间大多数游客(4]。因此,如何提高墓壁画的修复影响已成为一个重要的研究主题在这个学科,有很多工作和一些不错的效果。

基于元代的绘画在Hansenzhai坟墓,西安,江泽民et al。5)提出了一个数字修复方法。他们检查损伤和类型的绘画在元代的坟墓Hansenzhai从图像信息损失的程度的角度和之间的联系信息和已知信息的损失。他们还提出了一个壁画数字修复技术,它结合了人工和自动修复,以及壁画数字自动修复算法基于图像块和稀疏表示模型。最后,一段sanletu Hansenzhai走廊的西墙上选为一个数码修复的例子。不同规模鉴别器接受不同领域指导发电机通过创建一个全球图像视图细节。WGAN的概念(瓦瑟斯坦GAN)是用来模拟样本数据分布使用EM距离解决梯度消失或梯度爆炸GAN培训。算法的网络模型训练和评估CelebA, ImageNet,并将图像数据集。研究结果表明,与之前的模型相比,该算法提高图像恢复精度,生产更现实的修正图像,并适合多个图像修复。然而,在墓壁画修复的过程中,算法不评估实际环境恢复图像的影响,也有一定的局限性。

道等。6)提出了一种基于边缘的图像恢复算法的特性和像素结构相似。一种自适应修复模板基于信息熵将填补裂缝和坏像素Criminisi算法。最后,果蝇介绍了优化算法来减少图像修复时间。实验结果表明,本文算法可以达到满意的修复效果和修复效率对于不同的图像,但在处理像素算法略有不足,需要进一步加强。实验结果表明,该算法可以达到满意的修复效果和修复效率不同的图像。然而,在处理像素算法略有不足,需要进一步改进。

在本文中,我们提出一个基于序贯相似性检测的墓壁画修复算法应对上述问题。通过确定的梯度值墓壁画通过二阶高斯拉普拉斯算子在LOG边缘检测,我们减少了噪音墓壁画的边缘的平滑和增强边缘的坟墓壁画。同时,我们建立了数学模型,墓壁画的特点获得墓壁画的边缘特征。最大的组内的方差法计算前景和背景的平均灰度的影响在一个特定的阈值,认为小裂缝边缘的坟墓壁画。裂缝由连通域标记算法和打开和关闭操作完成墓壁画的边缘阈值分割。优先级计算函数是用来确定损坏的墓壁画面积,计算边缘的梯度因子信息,获得不同角度的信息熵,确定墓壁画图像修复的优先级,检测墓壁画修复像素的相似性序列相似性的帮助下,并完成墓壁画修复。实验结果验证了该方法的有效性。

2。边缘特征提取和研究Prethreshold墓壁画的分割

2.1。提取墓壁画边缘特征

这幅画的主要结构概述了古墓壁画的边缘,和删除边缘有助于显示主画面的安排。因为壁画墓是葬礼的对象,他们的优势快速构建时和一个大的格式。因为他们中的大多数旅行通过起草行,绘画区是受限制的。主画面干净的形状有很多铁。二维信息处理技术的优势提前检索方法可以识别它的轮廓边界,有助于快速理解绘画水平安排。艺术的边缘可以描述整个目标项目,让观众很快找到目标。边缘保护的详细图像数据,确定对象的主要特征是至关重要的。边缘检索定位信息集群的信息素的灰度值梯度突然发生了变化;沿着边缘方向的灰度值变化平稳、有力地垂直于边缘方向,根据特性。

在信息集群,边缘检索定位信息素用锋利的灰度值梯度。沿着边缘方向,轻声的灰度值不同的灰度值信息素垂直于边缘方向突然改变,直到边缘信息,根据特性。由于噪声和其他原因,首先生成边信息经常过于重视公关或有悖于导致。有一个次要的连接要求。不同的关联域产生不同的连接结果,单一的二进制边缘信息信息素宽度可能最终被检索。边缘信息素连接由两个步骤组成:至关重要的标签和连接。给出的信息素与社区不同的标签,标签(7]。边缘信息素属于同一边缘部分灰度值和方向时,履行必要的相似性要求。

修复壁画图像,我们可以利用梯度算子的边缘信息素 在哪里米代表了灰度而N表示灰色秩序跳的方向发展。我们利用LOG边缘检测提取墓壁画的边缘更加精确。开始,二阶高斯拉普拉斯算子是受雇于LOG边缘检测,以减少噪音墓壁画边缘的平滑度和处理墓壁画的边缘8),如下: 在参数σ描述了坟墓的边缘的平滑。进一步,我们用卷积 与墓壁画形象 得到最终的边缘的平滑效果墓壁画图像如下:

同样的,我们可以获得拉普拉斯计算 作为

墓壁画的边缘特征提取的平滑的边缘墓壁画。数学模型设置墓壁画的特点如下: 在哪里代表了法向量代表了梯度向量。

古墓壁画可以计算的最大特征 在哪里 代表了古墓壁画的边缘特征信息x和y分和代表了角落里的壁画墓的信息。

我们可以减少噪音在坟墓的边缘画,实现平滑的边缘的墓壁画墓壁画的计算梯度值和利用二阶高斯拉普拉斯算子在LOG边缘检测9在古墓壁画的边缘特征提取。它还创建了一个数学模型,墓壁画功能获得墓壁画边缘特征。

2.2。古墓壁画的边缘阈值分割

根据前面提到的墓壁画的边缘特征,阈值和分段墓壁画的边缘需要增加修理坟墓绘画的影响。因为古墓壁画上的肮脏的淤泥的边界,是不可能区分前景和背景。通用阈值分割技术不能实现,尽管直方图均衡化改进了破解信息。在一个指定的阈值,方差最大的组内的技术决定了平均灰度的前景和背景。当方差是最大的,前景和背景之间的差异被认为是最伟大的。 在哪里图像的平均灰度, , 代表的比例图像前景和背景点,分别 代表的平均灰度前景和背景,和前景和背景之间的差异。

因为墓画包括污渍和无数小裂缝边缘,这些裂缝中发挥重要作用在壁画墓边变更。因此,阈值分割之前,它仍然是重要的评价的影响小骨折。古墓壁画的裂缝信息的形式大量不连续的部分,难以分离的坑(10];因此,封闭保持连续性。骨折然后分开使用相关域标签方法和打开和关闭程序 在哪里 一个像素值,更新后的值 是壁画墓的结果裂缝。

最大的组内的方差技术是用于计算的平均灰度前景和背景在一个特定的阈值下墓壁画边缘阈值分割。完成边缘阈值分割的墓画,有关域标签算法和用于打开和关闭操作单独的裂缝,考虑边缘的微小骨折的效果墓壁画(11]。

2.3。优先级计算墓壁画图像恢复

壁画墓的上方边缘阈值分割后,图像恢复优先级需要减少损害无序墓壁画在恢复过程中。墓壁画图像1Ω是破碎的像素区域,是一个断块(大小9×9),然后呢代表中央像素的法向量受损块;其垂直方向的最小的方向灰度值(等于照明方向行)。优先级计算函数被定义为 在哪里是信心项是数据项。 在哪里 代表了项目价值的信心问像素在受损的块 。

在此基础上,我们的模型添加了梯度因子反映出边缘信息和信息熵。措施的复杂性块固定代表图像的梯度信息。最后的坟墓壁画图像可以计算的优先级 在哪里是像素的梯度模量和像素点的导数是什么在x,y的方向。

受损区域是由优先级计算函数在墓壁画图像修复优先级计算。我们可以估计墓壁画图像修复优先级的信息熵的计算不同角度用边缘的梯度因子信息。

3所示。实现基于序贯相似性检测恢复墓壁画

波形匹配延拓的序贯相似性识别技术是一种常见的方法抑制端点效应。背后的概念方法,信号的变化趋势反映不仅在端点也在信号,特别是信号,并有很强的规律性。独特的手术过程分为两个部分:(1)发现子波部分的信号,是最符合端点的转变趋势。(2)延续,最佳匹配小波转换的端点(12]。

由于其强大的端点效应抑制性能,该方法被经常使用,尤其是在信号的端点效应处理与健壮的规律性。方法的关键和核心的搜索技术是最佳匹配的小波。为了解决这个问题,本研究提出了一种EMD端点效应抑制技术基于自适应序贯相似性检测。序列分析是一种数学统计学家的观点。序贯抽样系统和统计推断这个方案是其主要的研究方向。

主要的思想是,在采样过程中,所需数量的样品不是预先决定的,而是选择一小部分,是否继续抽样工作结果的基础上确定这个小样本的一部分,有效地减少样品的数量。因为它的廉价的处理和精度高的好处,序贯相似性检测方法(13]被频繁应用于图像匹配和其他领域。阈值的选择和调整它的技术是最重要的两个变量决定它的成功。因此,墓壁画修复使用序贯相似性检测的方法。

首先,壁画完成时,原来的像素X。原像素点了必须有一个最大值点和一个低点,以更好地描述的转变趋势的原始像素修复壁画的结论。和生产样品原始壁画像素点K被存储为采样点,纵向坐标米和米: 在哪里Y代表原始壁画墓的原始像素点,形成几个匹配点与原像素点的原始壁画墓定义为

同样,阈值最初的墓壁画图像可以作为计算

原始点和对应的区别来匹配计算从第一个墓室壁画图像像素点作为

根据确定像素匹配错误的墓室壁画形象,序贯相似性检测算法先后选择像素在图像匹配 在哪里代表了实际价值墓室的壁画图像均值为零,代表了概率密度函数代表的平均零值恢复室壁画墓(14]。

4所示。实验结果

4.1。实验设置

为了验证这种修复算法的有效性,进行了实验分析。在实验中,一些壁画在王子的马球画张淮河和李Xianmu作为研究对象。在实验中,样品的图片墓壁画有2米高,5米长。总数的墓壁画图像收集的高清设备大约10 g,切成几个小的图像。每个图像的数据量超过1克。获得的样本图像之一是作为一个典型的研究对象来验证修复算法的有效性。实验样本图像如图1。

4.2。实验指标设计

来验证我们的修复算法的有效性,我们进行实验与各种设置。我们用各种参数进行测试的验证该方法的有效性。一些王子的马球画张画的淮河和李Xianmu被用作测试学习项目。墓壁画有2米高,5米长在示例图像。整个墓画的照片收集的高清设备大约10 g,然后分裂成许多较小的图像。每个图片都有一个几乎1 GB的数据容量。照片生成的例子之一是作为具体的研究对象,证明修复方法的效果。图1描述了实验样品图片(15]。

精度、召回和F1分是三个指标用于评估分类器的预测的准确性。这些指标定义如下:

4.3。实验结果分析

为了验证该算法的有效性,它是与多尺度相比一代对抗网络图像修复算法和基于边缘的图像恢复算法的特性,和像素结构相似性用于恢复样本墓壁画形象。修复后的演示效果如图2。

从我们获得的结果之间的性能差距提出样本墓壁画的修复图像的方法,多尺度一代对策网络图像修复算法和基于边缘的图像恢复算法的特性可以通过检查修复结果图2。壁画墓的例子的照片的背景有一些微小的裂缝,和艺术品的颜色已经显著恶化。图像的背景效果平滑,墓壁画图像的边缘和颜色可能正确固定使用这种方法。基于边缘的图像修复算法的特性和像素结构相似性,以及多尺度网络生成对策图像恢复方法,可以消除噪声墓壁画的墙。墓壁画图片两恢复恢复的算法,另一方面,都没有人的脸颊在图2 (c)。

这种方法,以及多尺度生殖对策网络图像修复算法和基于边缘的图像恢复算法的特性和像素结构相似,用于匹配像素相似性在示例墓壁画图像为了进一步验证这种恢复算法的有效性。代表方法的效果提高匹配度增加。图3描述了实验的结果。

实验结果图3表明有一些差异匹配像素相似度的准确性在示例墓壁画图像使用本文中的方法时,多尺度一代对策网络图像修复算法和基于边缘的图像修复算法的特性和像素结构相似。匹配像素相似度的准确性在示例墓壁画图像由这个方法总是大于80%,最高的是95%左右,并通过多尺度一代面对网络图像修复算法和基于边缘的图像恢复算法的特性和像素结构匹配像素相似度的准确性在示例墓壁画。然而,它总是低于该方法。

训练模型做出预测的结果总结了验证设置表1和2。我们可以看到,该技术适用于tomb-containing和non-tomb-containing图片。有趣的是,尽管使用增强的数据集训练支持向量机,他们的表现在识别图像包含的坟墓没有可比的建议方法。这是意想不到的,因为坟墓形式大多是基本的人类的视线,因此非线性分类应该功能好。这样做的原因是因为SVM模型可能包含大量的假阳性(对象不是坟墓被确认为这样的)。这是因为其他照片只是循环形式可能会被误认为是坟墓的SVM模型。过滤器采用的数量在我们的架构使我们注意到更高的微妙的模式训练数据集,允许我们确定一个墓除了简单地循环形式。图4总结了两个表并添加/总杆与加权平均每组的平均水平。总的来说,这些发现表明,提出的模型优于竞争对手。最后,回忆和F1得分的比较数据5和6,分别。

5。结论

我们提出一个墓壁画修复技术基于序贯相似性检测研究中。通过使用二阶高斯拉普拉斯算子在LOG边缘检测确定墓壁画的梯度值,我们可以减少噪音墓壁画边缘的平滑度和提高墓壁画的边缘。然后,墓画的边缘特性,我们创建了一个数学模型,墓壁画的特点。在指定的阈值,方差最大的组内的技术决定了前景和背景的平均灰度。骨折分离使用相关域标签方法和打开和关闭操作完成边缘阈值分割的墓画,考虑到墓壁画边缘的微小裂缝的影响。确定损坏的墓壁画面积,计算边缘的梯度因子信息,获得不同角度的熵,并确定壁画墓,优先采用计算函数。该方法可以恢复墓壁画,增加它的效力,根据测试结果。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。