сгенерировать QR код
Открытый доступ
Только для подписчиков
Выявление утрат красочного слоя на древних фресках с помощью дерева решений с индексом износа
Аннотация
Для точного определения областей утрат красочного слоя древних фресок использована гиперспектральная технология. Сначала проанализированы спектральные характеристики области с особым вниманием к красочному слою. Затем для извлечения данных об утрате красочного слоя построено дерево решений с индексом износа. Для этого скомбинированы данные порога отражения в ближней ИК-области и разницы между отражающей способностью при 440 и 490 нм, что делает метод эффективным для получения полной информации об области утраты красочного слоя. Данный подход позволяет получать лучшие визуальные результаты по сравнению с другими традиционными методами извлечения данных. Четкость, отклик, F-критерий и общая точность составили 0.7244, 0.7581, 0.7409 и 0.9680 соответственно. Метод также обладает высокой пороговой стабильностью, что дает возможность получать хорошие результаты при изучении других фресок.
Об авторах
K. Qiao
Пекинский университет гражданского строительства и архитектуры; Пекинская ключевая лаборатория по реконструкции архитектурного наследия и мониторингу здоровья
Китай
Китай
Пекин
M. Hou
Пекинский университет гражданского строительства и архитектуры; Пекинская ключевая лаборатория по реконструкции архитектурного наследия и мониторингу здоровья
Китай
Китай
Пекин
S. Lyu
Пекинский университет гражданского строительства и архитектуры; Пекинская ключевая лаборатория по реконструкции архитектурного наследия и мониторингу здоровья
Китай
Китай
Пекин
L. Li
Академия Юньган
Китай
Китай
Шаньси
Список литературы
1. X. Deng, Y. Yu, Heritage Sci., 10 (2022), doi: 10.1186/s40494-022-00799-y.
2. H. Wang, Q. Li, Q. Zou, J. Comp. Cult. Heritage, 12, 1–21 (2019), doi: 10.1145/3280790.
3. Academy, D. Vol. GB/T 30237-2013 20 (General Administration of Quality Supervision, Inspection and Quarantine of the Peopl’s Republic of China; Standardization Administration of the People’s Republic of China, 2013).
4. A. R. Mahajan, G. H. Raisoni, Int. J. Recent Trends in Engineering (2009).
5. Liu Dongpo, Jin Haibin, Zheng Youming, Lu Heng, Sci. Conserv. Archaeology, 33, 1–8 (2021), doi: 10.16334/j.cnki.cn31-1652/k.20210102013.
6. B. Cornelis, et al., Signal Proc., 93, 605–619 (2013), doi: 10.1016/j.sigpro.2012.07.022.
7. T. Yang, S. Wang, H. Pen, Z.-X. Wang, J. Tianjin University of Science and Technology, 53, 932 (2020), doi: 10.11784/tdxbz201907054.
8. V. R. Mol, P. U. Maheswari, Heritage Sci., 9, 1–18 (2021), doi: 10.1186/s40494-021-00604-2.
9. S. Jaidilert, G. Farooque, IEEE 3rd Int. Conf. on Image, Vision and Computing (ICIVC), 143–148 (2018), doi: 10.1109/ICIVC.2018.8492735(2018).
10. J. Cao, Y. Li, H. Cui, Q. Zhang, Heritage Sci., 6, 1–12 (2018), doi: 10.1186/s40494-018-0235-9.
11. A. Pizurica, et al., IEEE Signal Proc. Magazine 32, 112–122 (2015), doi: 10.1109/MSP.2015.2411753.
12. P. Li, M. Sun, Z. Wang, B. Chai, Sci. Rep., 8 (2018), doi: 10.1038/s41598-018-34317-7.
13. Cao Peng-Hui, Lyu Shu-Qiang, Wang Wan-Fu, Gao Zhen-Hua, Hou Miao-Le, J. Graphics, 41, 930–938 (2020), doi: 10.11996/JG.j.2095-302X.2020060930.
14. Zhang Hao-yuan, Xu Dan, Luo Hai-ni, Yang Bing, J. Graphics, 42, 590–598 (2021), doi: 10.11996/JG.j.2095-302X.2021040590.
15. Zhang Ziying, Shui Wuyang, Zhou Mingquan, Xu Bokai, Zhou Hua, Appl. Res. Comp., 38, N 8 (2021), doi: 10.19734/j.issn.1001-3695.2020.09.0395.
16. D. Kwon, J. Yu, The Int. Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences (2019), doi: 10.5194/isprs-archives-XLII-2-W15-639-2019.
17. M. Mishra, T. Barman, G. V. Ramana, J. Civil Struct. Health Monitoring (2022), doi: 10.1007/s13349-022-00643-8.
18. Q. Yuan, X. He, X. Han, H. Guo, Heritage Sci., 11, 1–11 (2023), doi: 10.1186/s40494-023-00895-7.
19. Y. Y. Zhao Huirong, Chen An, Ni Xueying, Wang Xinchao, J. Computer-Aided Design & Computer Graphics, 1–14 (2024), doi: 10.3724/SP.J.1089.202*.2023-00430.
20. R. Huang, W. Feng, M. Fan, Q. Guo, J.-Z. Sun, J. Ambient Intelligence and Humanized Computing, 1–8 (2020), doi: 10.1007/s12652-017-0656-4.
21. R. A. Sizyakin, et al., IEEE Access, 8, 74535–74552 (2020), doi: 10.1109/ACCESS.2020.2988856.
22. K. Yu, et al., Heritage Sci., 12 (2024), doi: 10.1186/s40494-024-01316-z.
23. V. Katyal, Aviral, ArXiv abs/1206.5157 (2012), doi: 10.48550/arXiv.1206.5157.
24. G. Hassan, et al., Proc. Comp. Science, 65, 612–622 (2015), doi: 10.1016/j.procs.2015.09.005.
25. N. Strisciuglio, G. Azzopardi, N. Petkov, ArXiv abs/1707.07747 (2017), doi: 10.1007/978-3-319-64689-3_9.
26. N. Kheradmandi, V. Mehranfar, Construction and Building Materials (2022), doi: 10.1016/j.conbuildmat.2021.126162.
27. R. Ali, J. H. Chuah, M. S. A. Talip, N. B. Mokhtar, M. A. Shoaib, Automation in Construction (2022), doi: 10.1016/j.autcon.2021.103989.
28. M. Hou, et al., J. Cultural Heritage, 34, 136–144 (2018), doi: 10.1016/j.culher.2018.04.004.
29. R. N. Clark, T. L. Roush, J. Geophys. Res., 89, 6329–6340 (1984), doi: 10.1029/JB089iB07p06329.
30. C. Peng, et al., Construction and Building Materials (2020), doi: 10.1016/j.conbuildmat.2020.120080.
31. J. Yang, X. Wang, J. Wang, C. Ye, J. Xiong, J. Appl. Rem. Sens., 042605 (2021), doi: 10.1117/1.JRS.15.042605.
32. J. Davis, M. H. Goadrich, Proc. 23rd Int. Conf. Machine Learning (2006), doi: 10.1145/1143844.1143874.
Рецензия
Для цитирования:
Qiao K., Hou M., Lyu S., Li L. Выявление утрат красочного слоя на древних фресках с помощью дерева решений с индексом износа. Журнал прикладной спектроскопии. 2025;92(4):552.
For citation:
Qiao K., Hou M., Lyu S., Li L. Deterioration Extraction for Ancient Murals Via a Decision Tree with a Deterioration Index. Zhurnal Prikladnoii Spektroskopii. 2025;92(4):552.
Просмотров:
70
Послать статью по эл. почте 