|
|
|
发布时间: 2017-10-16 |
医学图像处理 |
|
|
|
郭新蕾1, 张立福1, 吴太夏1, 张红明1, 罗旭东2 |
收稿日期: 2017-03-15; 修回日期: 2017-07-05
基金项目: 北京市科技委员会项目（Z151100003615004）
第一作者简介:
郭新蕾(1991-), 女, 中国科学院遥感与数字地球研究所地图学与地理信息系统专业硕士研究生, 主要研究方向为高光谱在文物信息提取方面的研究。E-mail:guoxinlei7@163.com.
中图法分类号: TP751.1
文献标识码: A
文章编号: 1006-8961(2017)10-1428-08
|
摘要
目的 古画隐藏信息是包含在画作中的一种微弱信息，对于文物鉴定与修复具有非常重要的意义，如何快速无损准确提取古画中微弱的隐藏信息是目前研究和应用的一大技术难题，本文利用高光谱成像技术快速无损提取古画隐藏信息。方法 对古画进行高光谱扫描成像，得到短波红外波段（1 000~2 500 nm）的高光谱立方体数据，联合多种光谱匹配技术分析古画中人物头冠颜料种类；利用主成分分析技术，提取古画头冠周围涂抹痕迹。结果 通过多种光谱匹配算法对颜料进行分析，确定了颜料种类，并对匹配算法进行了对比，结果表明在颜料混合的情况下，光谱匹配算法仍能够有效的识别出混合颜料的端元种类，光谱信息散度与光谱角的匹配算法SID_SA匹配精度可以达到0.096，相比其他匹配算法，效果最好；利用主成分分析技术分层剥离主要背景信息后，头冠周围位于画作底层的涂抹信息得到了加强，可以有效地区分背景颜料信息与涂抹信息，提取隐藏信息。结论 高光谱分析技术对古画隐藏信息的提取有很好地识别效果，能够准确提取绘画颜料种类，发现绘画过程中的涂抹等痕迹，特别适用于混合颜料的种类识别与画作底层信息提取，发掘画作隐藏信息，为文物保护修复与鉴定提供支持。
关键词
成像光谱仪; 短波红外; 光谱分析; 古代画作; 隐藏信息
Guo Xinlei1, Zhang Lifu1, Wu Taixia1, Zhang Hongming1, Luo Xudong2 Abstract
Objective The hidden information of ancient painting is a kind of weak information contained in the culture relics, such as the smearing information, hidden text information, and post-repair information.It may reflect the process of painting, and then we can explore the deep information of the ancient paintings, which is very helpful for the restoration and identification of cultural relics.The hidden information can also provide a new way for us to know more about the culture relics.Traditional identification work for ancient paintings mainly rely on experienced cultural relics identification personnel.Based on their experience, they usually make a judgment to the ancient painting according to the material, creative style, age, and other information to identify.It is with high requirement for staff technical requirements in traditional cultural relics identification methods.Beyond that, this method is inefficient and prone to errors.Thus, quick and effective extraction of the weak hidden information in ancient paintings in a non-destructive method is a desirable technique problem for research and application.Hyperspectral imaging technology takes full advantage of its spectral characteristics, so its extraction accuracy is higher than other imaging method.This paper aims to study how to use hyperspectral imaging technology quickly and intuitively extract the hidden information of ancient paintings. Method For the difficulty of ancient paintings' hidden information extraction, only a few scientific instruments are available for the extraction of ancient painting information.We use the hyperspectral imaging spectrometer to scan the painting to obtain the short-wave infrared hyperspectral data(1 000~2 500 nm).Then, spectral correlation coefficient matching algorithm(SCM), spectral information divergence(SID), and matching algorithm based on spectral information divergence and spectral angle mixing method(SID_SA) is used according to the spectral angle matching algorithm(SAM) to analyze the crown's pigment.The modified information of the crowns are extracted by principal component analysis. Result To determine the composition of the brown pigment in the crowns, the spectrum of the brown pigment was analyzed by a variety of spectral matching algorithms with the established standard spectrum of the ancient pigments.The brown pigment contains the ocher component and the distributions of the carbon black pigment and the ocher pigment vary with the different proportions of the position.The reason for this may be related to the deployment of the pigment when it has been painting, so the proportion of the pigment in the different painting areas is different, resulting in different crowns for spectral mixing phenomenon.The pigments are analyzed by a variety of spectral matching algorithms to determine the types of the pigments.The matching algorithms are compared, then we find the mixed pigments.After the main pigment information is peeled off, the modified information is enhanced to extract effectively.Results show that according to the spectral feature of the pigments, spectral matching algorithms can effectively identify the end element of the mixed pigment in the case of pigments mixing.Compared with other algorithms, the matching algorithm of spectral information divergence and the matching accuracy of the spectral information divergence and the spectral angle SID_SA can reach 0.096, compared with other matching algorithms; thus, its effect is the best.After the main background information is separated by the principal component analysis technique, the smearing information around the crowns, which are located at the bottom of the painting, can be enhanced.This method can effectively distinguish the background pigments information and smear information, and extract the hidden information. Conclusion Hyperspectral analysis technology can get a good recognition result on the extraction of hidden information of ancient paintings, and can accurately extract the types of paint pigments and find the traces of painting.It is especially suitable for the identification of mixed pigments and the underlying information of paintings.Certain pigment colors and hidden information can be enhanced for effective extraction using hyperspectral imaging processing techniques.The shortwave infrared imaging spectrometer may play an important role in the production of digital archives and in the analysis and restoration of cultural relics, thus promoting the development of digital work associated with cultural relics.This method can provide support for the restoration and identification of heritage conservation.
Key words
imaging spectrometer; short-wave infrared; spectral analysis; ancient painting; hidden information
0 引言
古画的隐藏信息是指画作中的一种微弱信息，例如作画时的涂抹信息、隐藏的文字信息、后期修复信息等[1-2]。隐藏信息有可能反应文物制作时的过程信息，可以为人们探求古画深层信息提供线索和帮助，也为文物鉴定工作提供一种新的方式。传统鉴定工作主要依靠有经验的文物鉴定人员依据文物材质、创作风格、年代等信息进行甄别[3]，采用目视对比判别的方式进行鉴定。传统文物鉴定方式对工作人员技术要求非常高，效率低，且容易出现误差。如何有效快速地利用隐藏信息为古画修复保护提供信息支持，是研究的重点。
但是画作中的隐藏信息非常微弱，很难观察到，难以被利用。目前利用成像的方式提取隐藏信息的研究非常少，主要是因为，提取古画隐藏信息具有以下难点：
1) 隐藏信息弱，难以被成像方式记录下来。古画中包含的主要信息一般来说十分丰富，而隐藏信息被主要信息掩盖，对一些成像方式响应十分的微弱，难以以数据的形式记录下来。
2) 即使以成像的方式被记录下来，隐藏信息的提取也十分困难。在影像上，隐藏信息属于弱信息，一般的信息提取方式效率比较低，受影像背景信息影响大。
高光谱成像遥感是近年来广泛应用于信息提取分类的一项前沿技术，与传统的遥感数据相比，它将成像技术与光谱技术结合在一起，在对目标的空间特征成像的同时，对每个空间像元形成几十乃至几百个窄波段以进行连续的光谱覆盖，这样形成的遥感数据可以用“图像立方体”来形象的描述，当光谱曲线的主要特征不能将目标与其他地物区分的时候，可以利用目标光谱中微弱的的特征进行区分，有效地识别目标[4-7]。对于多光谱遥感中的“同谱异物”现象，可以有效区分不同地物光谱。特别是针对弱信息，充分利用其光谱特征，提取精度较其他成像方式高[8-10]。
针对古画隐藏信息的实用价值与提取难点，目前尚没有完整的针对古画隐藏信息的提取方法研究，通过分析发现，主要原因包括：隐藏信息十分微弱以及缺少针对性的信息采集仪器。所以，利用高光谱成像方式进行隐藏信息的提取将是一种十分有效的方式。本文主要利用自主开发集成的短波红外成像光谱系统，对古画进行扫描，获得高光谱分辨率的数据，联合光谱角匹配算法(SAM)、光谱相关系数匹配算法(SCM)、光谱信息散度(SID)以及基于光谱信息散度与光谱角混合法的匹配算法(SID_SA)对比分析画作颜料成分，在影像中分析提取颜料混合的隐藏信息；以文物中人物头冠为例，对画作颜料进行分层剥离，提取画作中的涂改痕迹。研究表明，利用高光谱成像技术与光谱分析技术，可以对古画隐藏信息进行有效提取，为文物鉴定与修复提供很大的帮助。
1 数据获取
1.1 短波红外地面成像光谱系统
用于数据采集的仪器(如图 1所示)是中国科学院遥感与数字地球研究所自主研制的短波红外地面成像光谱系统(HS-SR)。图 2为系统原理图，系统包括扫描镜、红外成像镜头、光谱分光器件、碲镉汞红外探测器。数据采集时摆扫镜通过步进电机带动，通过镜面的来回摆扫实现对视场内样品的光谱成像；红外成像镜头为短波红外范围物镜，与分光器、探测器的光谱范围相匹配；分光器件为芬兰Specim公司的短波红外PGP分光器，光谱范围1 000 2 500 nm，狭缝宽度为30 μm，相应的光谱分辨率为8 12 nm；由于短波红外成像对温度变化非常敏感，所以面阵探测器采用了四级半导体制冷方式对探测器光敏面进行制冷，可以达到比环境温度低约80°的低温。PGP分光器件外侧固定有一个坚固铁环，其上侧与摄影云台相连，用以固定光谱仪系统整体。该系统获取的短波红外高光谱数据具有“图谱合一”特性，通过地面测量，既可获取测量对象的高分辨率图像又能获得图像上每个像元的光谱曲线，既提高了野外地面光谱测量的工作效率，又为目标的结构光谱分析、光谱分解和纯像元提取工作提供丰富的信息数据。
1.2 古画《崇庆皇太后八旬万寿图》介绍
本研究所用古书画样本为故宫收藏的故6541号文物《崇庆皇太后八旬万寿图》(见图 3)，经故宫博物院林姝分析论证，作者为姚文瀚。该图绢本设色，纵长219 cm、横长285 cm。图画内容大致可分为上下两段。上段部分包括大殿内寿者及祝寿的人群，经考证分别为崇庆皇太后和乾隆帝。崇庆皇太后身穿清代朝服、头戴凤冠、耳饰金龙衔珠珥，端坐于粉红地云鹤纹屏风前的宝座上。紧靠宴桌的右侧设有方凳，乾隆帝侧坐其上。东西各设有竖排座位，绘有穿戴朝服的妃嫔与皇子公主等人，背景为一个硕大的山水画插屏。下段绘殿外月台上场景。正中有一红漆描金龙长案，放置着各类碟碗酒具之类。月台上有几个身穿朝服的小孩子在玩耍，形态各异。在月台左右最外侧各站立一名三眼花翎侍卫[11]。
画作中人物众多，画法采用中西结合，宫殿、树木、山石等场景为中国画法，而人物特别是面部，则带有西洋特点。涉及多种颜料，色彩鲜明，具有较大研究价值。但是画作年代悠久，已出现多处破损，对画作的研究十分急切，确保在不增加画作损坏情况下提取画作的隐藏信息。
2 隐藏信息提取方法
2.1 光谱匹配算法
1) 光谱角匹配算法(SAM)是根据目标光谱和测试光谱之间的夹角数值大小判断两条光谱曲线的相似性。如果两个光谱间的夹角数值越小，则它们的匹配程度越高[12]。即
| $\theta ({\mathit{\boldsymbol{s}}_i},{\mathit{\boldsymbol{s}}_j}) = {\rm{co}}{{\rm{s}}^{ - 1}}\frac{{\sum {{\mathit{\boldsymbol{s}}_i}{\mathit{\boldsymbol{s}}_j}} }}{{\sqrt {\sum {{{({\mathit{\boldsymbol{s}}_i})}^2}} \sum {{{({\mathit{\boldsymbol{s}}_j})}^2}} } }}$ | (1) |
式中，
2) 光谱相关系数匹配算法(SCM)是通过比较目标光谱与测试光谱之间相似性进行匹配的算法[13]。即
| $\begin{array}{l} \quad \quad \quad S({\mathit{\boldsymbol{s}}_i},{\mathit{\boldsymbol{s}}_j}) = \\ \frac{{\sum\limits_{l = 1}^L {({\mathit{\boldsymbol{s}}_{il}} - {{\mathit{\boldsymbol{\bar s}}}_i})({\mathit{\boldsymbol{s}}_{jl}} - {{\mathit{\boldsymbol{\bar s}}}_j})} }}{{{{\left[ {\sum\limits_{l = 1}^L {{{({\mathit{\boldsymbol{s}}_{il}} - {{\mathit{\boldsymbol{\bar s}}}_i})}^2}} } \right]}^{\frac{1}{2}}}{{\left[ {\sum\limits_{l = 1}^L {{{\left( {{\mathit{\boldsymbol{s}}_{jl}} - {{\mathit{\boldsymbol{\bar s}}}_j}} \right)}^2}} } \right]}^{\frac{1}{2}}}}} \end{array}$ | (2) |
式中，
该方法可以将亮度和光谱形状同时考虑，得到的数值越大，说明两条光谱匹配度越高。
3) 光谱信息散度(SID)是一种基于信息论衡量两条光谱之间差异的波谱分类方法[14]，即
| $B({{\mathit{\boldsymbol{s}}}_{i}},{{\mathit{\boldsymbol{s}}}_{j}})=D({{\mathit{\boldsymbol{s}}}_{i}}\|{{\mathit{\boldsymbol{s}}}_{j}})+D({{\mathit{\boldsymbol{s}}}_{j}}\|{{\mathit{\boldsymbol{s}}}_{i}})$ | (3) |
| $\begin{align} & D({{\mathit{\boldsymbol{s}}}_{j}}\|{{\mathit{\boldsymbol{s}}}_{i}})=\sum\limits_{l=1}^{L}{{{\mathit{\boldsymbol{q}}}_{l}}{{D}_{l}}({{\mathit{\boldsymbol{s}}}_{j}}\|{{\mathit{\boldsymbol{s}}}_{i}})}= \\ & \quad \quad \sum\limits_{l=1}^{L}{\left[ {{\mathit{\boldsymbol{q}}}_{l}}{{I}_{l}}({{\mathit{\boldsymbol{s}}}_{i}})-{{I}_{l}}({{\mathit{\boldsymbol{s}}}_{j}}) \right]} \\ \end{align}$ | (4) |
| $\begin{align} & D({{\mathit{\boldsymbol{s}}}_{i}}\|{{\mathit{\boldsymbol{s}}}_{j}})=\sum\limits_{l=1}^{L}{{{\mathit{\boldsymbol{p}}}_{l}}{{D}_{l}}({{\mathit{\boldsymbol{s}}}_{i}}\|{{\mathit{\boldsymbol{s}}}_{j}})}= \\ & \quad \quad \sum\limits_{l=1}^{L}{{{\mathit{\boldsymbol{p}}}_{l}}\left[ {{I}_{l}}({{\mathit{\boldsymbol{s}}}_{j}})-{{I}_{l}}(\mathit{\boldsymbol{s}}{{~}_{i}}) \right]} \\ \end{align}$ | (5) |
式中，
4) 光谱信息散度与光谱角的匹配算法(SID_SA)，可以将光谱角算法不能从物理角度反映能量值的差异的缺点改进，同时考虑光谱概率分布和光谱夹角，判断两条光谱的相似性[15-16]。即
| ${{B}_{SA\left( {{\mathit{\boldsymbol{s}}}_{i}},{{\mathit{\boldsymbol{s}}}_{j}} \right)~}}=B({{\mathit{\boldsymbol{s}}}_{i}},{{\mathit{\boldsymbol{s}}}_{j}})\times \rm{sin}\left( \theta (\mathit{\boldsymbol{s}}{{~}_{i}},{{\mathit{\boldsymbol{s}}}_{j}}) \right)$ | (6) |
2.2 主成分分析法
由于高光谱图像的不同波段之间往往存在着很高的相关性，因而从提取有用信息的角度考虑，有相当大一部分数据是多余和重复的。主成分分析的目的就是把原来多波段图像中的有用信息集中到数目尽可能少的新的主成分图像中，保证互不相关，也就是说各个主成分包含的信息内容是不重叠的，从而大大减少总的数据量，并使图像信息得到增强。
主成分变换，又称作离散(Karhunen-Loeve)变换，是对某一高光谱图像
3 实验与分析
利用短波红外成像光谱仪对《崇庆皇太后八旬万寿图》进行高光谱扫描成像，由于画作幅宽较大，一共扫描21次完成数据采集。根据目标区域，对影像进行预处理，并利用多种光谱匹配算法对颜料进行提取，利用主成分分析方法，提取画作人物头冠部分的隐藏涂抹信息，具体流程图如图 4所示。
3.1 图像预处理
画作绘制内容为崇庆皇太后八旬寿辰，文武百官齐贺寿的场面，凡有品级者均着朝服。对其中主要人物的头冠进行颜料成分分析，首先对高光谱影像进行预处理。由于画作面积较大，选取中间部分区域进行研究提取。为了减小多幅影像拼接造成的几何与辐射误差积累，对短波红外成像光谱系统采集到的高光谱影像数据进行两两拼接；对影像进行辐射定标，得到目标区域的反射率光谱图像，图 5为其中两幅拼接后的立方体数据影像；对成像光谱图像进行噪声去除，由于部分波段影像条纹噪声非常严重，为了提高信噪比，选取1 000 2 500 nm范围内256个波段的前240个波段。
3.2 颜料隐藏信息提取
取崇庆皇太后、乾隆帝与东西间的妃嫔的头冠为研究目标，如图 6所示红框选中部分，从目视识别角度分析，头冠主要呈现为黑色、棕色，部分为金饰。
对头冠部分颜料进行识别提取，经查验，古代颜料中黑色颜料为碳黑。根据经验分析，棕色颜料包含赭石颜料，但是并不确定比例与其他成分。为了确定棕色颜料成分，将棕色颜料的光谱曲线与建立的故宫标准颜料光谱库进行比对分析，如图 7所示为碳黑与赭石的标准光谱曲线图。提取高光谱影像图中棕色颜料的光谱曲线图，利用多种光谱角匹配测度进行比对，得到的匹配精度如表 1所示，证明棕色颜料中包含赭石成分。
表 1
光谱算法匹配精度
Table 1
Precision of Spectral matching algorithms
| 匹配算法 | 赭石 |
| SAM | 0.279 |
| SCM | 0.714 |
| SID | 0.186 |
| SID_SA | 0.096 |
从光谱算法匹配结果可以得出以下结论：
1) 因为测量时采集的光谱受光照条件影响以及相邻像元的影响，与标准光谱存在一定的差异。但是不影响光谱的主要特征，利用这些主要特征进行匹配，可以识别出颜料的种类。
2) 通过对比4种算法的匹配度可以发现，SAM与SCM受影响最大，得到的匹配度较低，SID从信息熵出发，匹配精度较为提高，SID_SA同时考虑光谱夹角与信息熵，得到的精度最为精确。
为了确定赭石颜料在头冠处的分布范围，以赭石颜料、碳黑颜料以及在影像图中提取的感兴趣区内其他颜料光谱曲线为参考光谱，进行颜料分类，得到图 6颜料分布图。从分类图中发现，黑色头冠不止包含有碳黑，也包含赭石颜料，且为主要颜料成分。除此之外，根据碳黑与赭石颜料的分布情况来看，不同头冠两种颜料混合的情况也不同。造成这种结果的原因可能与当时绘画时颜料的调配有关系，不同绘画部位的颜料的调配比例存在着差异，导致不同头冠处颜料的光谱发生混合现象。
3.3 涂抹信息提取
从古画的照片中可以发现，位于东间的妃嫔头冠处普遍存在类似涂改的痕迹，但是颜色很浅，有的部分甚至难以识别。根据故宫修复人员确定，该部分痕迹很有可能是在作画的时候涂改底稿画不彻底造成的。由于涂改信息属于隐藏信息，信息强度很弱，需要将主要颜料信息分离，增强弱信息[18-20]。
利用主成分分析正变换，将图像主要信息集中在第1主成分，剔除主要背景信息，将第2主成分到第10主成分进行主成分逆变换，涂改痕迹得到有效提取，且提取部分的光谱信息与头冠黑色部分一致，这也证明黑色颜料为碳黑。
以图 8中人物头冠为例，图中所标识的1、2分别为涂抹信息。图 8(a)为原始图像，图 8(b)为经过主成分变换后第1主成分，其包含图像98 %的信息，其中涂抹痕迹十分不明显，主要包含图像的背景信息；图 8(c)为第2主成分，其中头冠部分已经显现出明显的一圈涂抹痕迹；图 8(d)图为剔除第1主成分，经主成分逆变换得到的结果图，可以看到，涂抹痕迹得到了明显加深，隐藏信息得到了有效提取。
4 结论
古画隐藏信息是文物修复中的重要信息，通过对古画扫描成像，提取不同颜料的光谱曲线，发现古画颜料混合现象，确定了颜料的种类与分布情况；对于涂抹痕迹，通过降维操作去除大量的背景信息，增强弱信息。结果表明高光谱成像技术对于隐藏信息的提取具有很大的应用意义，有助于在无损的情况下，对文物提供一种鉴定的途径。
鉴于文物颜料的多样性，绘画过程中涉及多种颜料，颜料混合势必对影像中光谱信息造成影响。通过合理的光谱匹配测度，确定混合颜料的种类，并将影像中像元光谱进行分解，就可以得到绘画时不同颜料的混合比例情况，下一步将针对精细还原画作颜料信息进行研究讨论。
参考文献
-
[1] Wu F Q, Yang W N, Li D. Research on art painting pigment composition recognition based on spectra feature fitting[J]. Chinese Journal of Light Scattering, 2014, 26(1): 88–92. [武锋强, 杨武年, 李丹. 基于光谱特征拟合的艺术画颜料成分识别研究[J]. 光散射学报, 2014, 26(1): 88–92. ] [DOI:10.3969/j.issn.1004-5929.2014.01.018]
-
[2] Sun M J, Zhang D, Wang Z, et al. What's wrong with the murals at the Mogao Grottoes:a near-infrared hyperspectral imaging method[J]. Nature Scientific Reports, 2015, 5: #14371. [DOI:10.1038/srep14371]
-
[3] Tang Y F. Discussion on the method and technique of modern cultural relics identification[J]. Identification and Appreciation to Cultural Relics, 2015(11): 88–89. [唐迎菲. 现代文物鉴定方法与技术刍议[J]. 文物鉴定与鉴赏, 2015(11): 88–89. ] [DOI:10.3969/j.issn.1674-8697.2015.11.019]
-
[4] Ye F, Wang M Z, Jin L. Design of mineral mapping module of hyper-spectral remote sensing image[J]. Journal of Chongqing University of Arts and Sciences, 2013, 32(3): 24–26. [叶凡, 王茂芝, 金璐. 高光谱遥感图像矿物填图模块设计[J]. 重庆文理学院学报, 2013, 32(3): 24–26. ]
-
[5] Delaney J K, Ricciardi P, Glinsman L D, et al. Use of imaging spectroscopy, fiber optic reflectance spectroscopy, and X-ray fluorescence to map and identify pigments in illuminated manuscripts[J]. Studies in Conservation, 2014, 59(2): 91–101. [DOI:10.1179/2047058412Y.0000000078]
-
[6] Zhang Y F, Wu D W, Zhang G Z, et al. Study on band sequence structure analysis of hyperspectral data[J]. Remote Sensing for Land & Resources, 2010, 22(1): 30–38. [张远飞, 吴德文, 张艮中, 等. 高光谱数据的波段序结构分析与应用研究[J]. 国土资源遥感, 2010, 22(1): 30–38. ] [DOI:10.6046/gtzyyg.2010.01.05]
-
[7] Fischer C, Kakoulli I. Multispectral and hyperspectral imaging technologies in conservation:current research and potential applications[J]. Studies in Conservation, 2006, 51(S1): 3–16. [DOI:10.1179/sic.2006.51.Supplement-1.3]
-
[8] Zhang S P.Based on the multispectral imaging of research on method of the color rejuvenation of Chinese paintings[D].Tianjin:Tianjin University, 2010. [张胜平. 基于多光谱图像的古画颜色修复方法研究[D]. 天津: 天津大学, 2010.] http://cdmd.cnki.com.cn/Article/CDMD-10056-1011278419.htm
-
[9] Cheng J H, Sun D W. Rapid and non-invasive detection of fish microbial spoilage by visible and near infrared hyperspectral imaging and multivariate analysis[J]. LWT-Food Science and Technology, 2015, 62(2): 1060–1068. [DOI:10.1016/j.lwt.2015.01.021]
-
[10] Liang H D. Advances in multispectral and hyperspectral imaging for archaeology and art conservation[J]. Applied Physics A, 2012, 106(2): 309–323. [DOI:10.1007/s00339-011-6689-1]
-
[11] Lin S. The new discoveries of "The painting of empress dowager Chongqing's 80th birthday celebration" painted by Yao Wenhan[J]. Palace Museum Journal, 2015(4): 54–66. [林姝. 崇庆皇太后画像的新发现——姚文瀚画《崇庆皇太后八旬万寿图》[J]. 故宫博物院院刊, 2015(4): 54–66. ]
-
[12] Li Q B, Niu C Y. Feature-enhanced spectral similarity measure for the analysis of hyperspectral imagery[J]. Journal of Applied Remote Sensing, 2015, 9(1): #096008. [DOI:10.1117/1.JRS.9.096008]
-
[13] Wei X P, Yu X C, Fu Q Y, et al. Spectral matching classification approach and experiment combined with spectral angle cosine and spectral correlation coefficient[J]. Geography and Geo-Information Science, 2016, 32(3): 29–33. [魏祥坡, 余旭初, 付琼莹, 等. 光谱角余弦与相关系数测度组合的光谱匹配分类方法与实验[J]. 地理与地理信息科学, 2016, 32(3): 29–33. ] [DOI:10.3969/j.issn.1672-0504.2016.03.006]
-
[14] Xu Z, Zhao H J. Advanced spectral unmixing algorithm based on spectral information divergence[J]. Journal of Beijing University of Aeronautics and Astronautics, 2009, 35(9): 1091–1094. [徐州, 赵慧洁. 基于光谱信息散度的光谱解混算法[J]. 北京航空航天大学学报, 2009, 35(9): 1091–1094. ]
-
[15] Liu W J, Yang X H, Qu H C, et al. Hyperspectral unmixing algorithm based on spectral information divergence and spectral angle mapping[J]. Journal of Computer Applications, 2015, 35(3): 844–848. [刘万军, 杨秀红, 曲海成, 等. 基于光谱信息散度与光谱角匹配的高光谱解混算法[J]. 计算机应用, 2015, 35(3): 844–848. ] [DOI:10.11772/j.issn.1001-9081.2015.03.844]
-
[16] Ma D, Liu J, Huang J Y, et al. Spectral similarity assessment based on a spectrum reflectance-absorption index and simplified curve patterns for hyperspectral remote sensing[J]. Sensors, 2016, 16(2): 152. [DOI:10.3390/s16020152]
-
[17] Ding X F.Ancient Chinese painting pigments research based on hyper-spectral imaging technology[D].Beijing:Beijing University of Architechture, 2015. [丁新峰. 基于高光谱成像技术的文物颜料研究[D]. 北京: 北京建筑大学, 2015.] http://cdmd.cnki.com.cn/Article/CDMD-10016-1015351035.htm
-
[18] Zhang Y F, Wu D W, Yuan J M, et al. The model and application of multi-level detaching technique of remote sensing alteration information[J]. Remote Sensing for Land & Resources, 2011, 23(4): 6–13. [张远飞, 吴德文, 袁继明, 等. 遥感蚀变信息多层次分离技术模型与应用研究[J]. 国土资源遥感, 2011, 23(4): 6–13. ] [DOI:10.6046/gtzyyg.2011.04.02]
-
[19] Li M M, Xing L X, Pan J, et al. Research of combinatory analysis method in altered information extraction[J]. Remote Sensing Tecchnology and Application, 2011, 26(3): 303–308. [李淼淼, 邢立新, 潘军, 等. 组合分析蚀变信息提取方法研究[J]. 遥感技术与应用, 2011, 26(3): 303–308. ] [DOI:10.11873/j.issn.1004-0323.2011.3.303]
-
[20] Balas C, Papadakis V, Papadakis N, et al. A novel hyper-spectral imaging apparatus for the non-destructive analysis of objects of artistic and historic value[J]. Journal of Cultural Heritage, 2003, Suppl 1(4): 330–337. [DOI:10.1016/S1296-2074(02)01216-5]
