高光譜和拉曼光譜的比較
——以亞美尼亞手稿為例

亞美尼亞手稿因其獨特的藝術性享譽于世，對其裝飾顏料的研究能夠幫助制定保護修復方案、研究顏料制作歷史、貿易路線和文化交流等等。拉曼光譜是常用的顏料分析手段，但其光斑較小，不適用于大面積顏料區域的分析。高光譜是一種反射光譜，能夠快速掃描大面積區域，對于大面積顏料的識別有潛在的優勢。

分析儀器：

高光譜：VNIR1003B-10147型高光譜，光譜采集范圍380～1 000 nm，光譜分辨率0.64 nm。采用線掃描，每行1 600像素。光源為由Techniquip 21DC控制的鹵素燈。

拉曼光譜：自行研發的專門用于文物顏料分析的拉曼光譜儀，可以原位分析較大尺寸的手稿。激光光源632.8 nm，光譜范圍91～2 577 cm-1，光斑大小約30 μm。

樣品與分析流程：

牛津大學博德萊恩圖書館藏的六份亞美尼亞手稿。

以拉曼光譜的顏料分析結果為基礎，比較5個不同高光譜數據庫和使用SAM(光譜角分類)、SFF(光譜特征擬合)以及BE(二進制編碼)3種不同算法的高光譜顏料分析結果。

數據庫：

數據庫1的數據采集于繪制在與18世紀藝術家所使用的相似紙張、并且可能用于亞美尼亞手稿上的40種Kremer顏料；數據庫2的數據采集于手稿樣品之一MS Arm g4上的18種顏料；數據庫3的為數據庫1、2的合集；數據庫4的數據來自于網上公開發表的反射光譜數據共55種；數據庫5的數據選自于數據庫4中可能用于亞美尼亞手稿上的顏料11種。

結果與討論：

使用剪裁波長范圍可將高光譜識別的精度提高38%～54%。在剪裁波長情況下，結果最優的算法是BE法(67%的成功率)。如果使用默認波長設置，SAM是最差的算法(9%成功)。總體來說，成功率最好的是使用數據庫2、剪裁波長范圍和BE算法(93%成功率)，最低的是使用數據庫1、SAM算法和默認波長范圍(9%)。在大多數情況下，SFF算法的成功率高于SAM算法，并且在默認波長設置下的成功率基本也是最高的。

高光譜在顏料分析中有很大的應用潛力，數據庫是影響匹配率的重要因素之一，使用與文物更相似、更集中的顏料所組成的數據庫能提高匹配結果。建議將高光譜與其他分析技術如拉曼光譜、XRF等結合使用。此外，高光譜的SFF算法值得更多關注，盡管目前SAM是使用較多的算法。