高光譜成像技術在壁畫保護研究中的應用

摘 要：通過“大同市關帝廟壁畫數字化保護項目”工作的開展，結合現代先進的信息獲取技術、多媒體技術、互聯網技術等采集壁畫高保真信息，為建立壁畫數字化檔案和數字資源及今后壁畫的持續保護提供科學可量化的參考依據。其中數字化技術中的高光譜成像技術已成為當今文化遺產保護領域的研究熱點，其優點有非接觸、光譜分辨率高、波段寬度窄、波段數量多等。通過對高光譜成像技術應用的研究，可以更加全面、精準、多手段地對壁畫的顏料層進行分析研究，對文物的保護和利用有著積極的意義。

關鍵詞：關帝廟；壁畫；顏料層；高光譜

DOI：10.20005/j.cnki.issn.1674-8697.2023.21.004

壁畫是我國傳統文化最為重要的藝術表現形式之一，由于存世時間久遠、自然環境因素及人為因素等多方面的影響，許多壁畫出現不同程度的損壞，留存現狀堪憂。這些病害不僅削弱了壁畫的信息表達，影響其美觀，而且對歷史文化的保存和藝術的傳承有不利的影響。由于壁畫的不可再生性，所以如何利用現代科學技術對病害信息進行無損的數字化提取與記錄，為后續的文物修復提供科學的依據，已成為文物保護工作亟須解決的問題。利用新方法快速、準確、科學地提取和分析壁畫病害的現狀，對輔助壁畫保護和修復工作具有重要意義，已成為考古領域、計算機領域、遙感領域及其他相關應用學科的一個研究熱點。利用計算機進行病害的修復，有利于研究保護壁畫、指導科學修復、制定合理的保護方案，對壁畫進行更加科學保護，延長壁畫壽命。本文針對“大同關帝廟壁畫數字化保護項目”中的高光譜成像技術應用對壁畫的保護進行分析、研究。

1 研究背景

關帝廟位于大同市鼓樓東街，因專祀關羽而得名。2013年3月，關帝廟被公布為第七批國家重點文物保護單位。依歷史記載和現存建筑特征相印證，關帝廟大殿應為元代神祠建筑，其內有大量珍貴壁畫，大殿東壁從左到右依次包括《單刀赴會》《華容釋曹》《桃園結義》《府庫封金》《臥牛山》《灞橋餞別》。壁畫整體保存較為完整。通過調查可知關帝廟壁畫歷經兩次較大的保護修復，未能充分利用現代科學技術留存壁畫修復前后詳盡的數字化檔案，建立多種壁畫展示方案，這和基礎建設、數字化技術、整體規劃以及目前國內外的技術水平發展有直接關系。因此，開展針對性的研究、建立壁畫數字化建檔等工作迫在眉睫。通過對高光譜成像技術的應用，對壁畫顏料和重繪壁畫進行分析研究，不僅可以為關帝廟壁畫的保護提供更科學嚴謹的數據支撐，亦可針對該項技術對文物保護中的應用創造新的思路。本次研究應用采集數據為《華容釋曹》《單刀赴會》共28景高光譜影像進行高光譜研究。本文以《華容釋曹》為例進行說明。

2 工作原理及數據采集

成像光譜數據用于探究壁畫不同顏料需要不同反射率范圍內的成像特性，成像光譜數據包括圖像和光譜兩方面信息。利用光譜信息提取出純凈的端元，與光譜數據庫進行匹配，根據結果推測出樣本的物質種類。同時，成像數據可以作為對點狀數據分析的驗證，在點狀數據分析的基礎上，利用光譜運算提取不同顏料的圖案。儀器使用Themis Vision Systems公司的VNIR/400H高光譜成像儀，可覆蓋400～1000nm波長的光譜范圍，采用鹵素燈光源，距離壁畫1m，采集了關帝廟正殿內部壁畫高光譜數據28景，其空間分辨率為1392×1000，采樣間隔0.6nm，光譜分辨率為2.8nm，包含了可見光與近紅外波段，一共有1040個波段。將采集的高光譜影像經過輻射校正，在ENVI軟件中進行光譜分析、顏料分析。ASD點狀光譜數據采用美國ASD（Analytical Spectral Device）公司生產的一款便攜式地物波譜儀，光譜范圍350～2500nm，采集《單刀赴會》《華容釋曹》光譜數據700多條，進行光譜研究。受光照強度和環境光色等因素的影響，通過比色卡進行顏色校正能很好地緩解。本次選取北京建筑大學常用于文物數字采集的Adobe Lightroom Classic CC軟件對采集的RAW格式原始數字影像進行色卡校正，文物數字采集色卡型號為愛色麗x-rite的色卡護照二代（Colorchecker passport MSCCPP-B）。

數據的獲取在室內進行，環境較暗，可使用儀器自帶密封性良好的探頭，裝好光纖后直接扣在樣本表面，將其內部鹵素光源用作照明。數據的采集以及處理的步驟如下：①連接儀器；②進行標準反射板校正（防止發生光照變化，白板校正30min/次）；③每個點位數據采集分別向四個方向進行，減少采集中產生的誤差；④利用ViewSpecPro軟件對測量的數據進行數據平均和斷點校正，將所得結果作為該點位的標準光譜曲線。

2.1 點狀光譜數據

對《華榮釋曹》表面顏料進行了點狀光譜數據采集，共獲取350條光譜數據，整理后的采集記錄點位分布如圖1所示。

2.2 便攜式X熒光儀數據

對《華榮釋曹》表面顏料進行了XRF數據采集，共獲取70條數據，整理后的采集記錄點位分布如圖2所示。

2.3 顏料分析

顏料識別在無接觸文物保護手段中的地位日漸重要，不僅可以鑒別顏料，而且可以利用圖像光譜曲線結合已建立的繪畫顏料光譜庫中的顏料進行計算匹配，結合XRF熒光等技術以得分最高的光譜作為最終顏料識別的結果。

經過謹慎率較高的植物性與翔實的比較及調查，選擇“天雅”“金源陽光”“姜思序堂”三種顏料品牌數據庫中常用的60種顏料進行樣品制作，發現壁畫顏料中的絕大多數為礦物顏料，少部分使用植物顏料和化學合成顏料。首先將粉末狀顏料加膠后，繪制于宣紙載體上的顏料紙本樣本，然后利用ASD地物波譜儀在暗室環境內進行光譜采集，完成一系列光譜預處理工作后構建顏料光譜庫用于顏料的識別（表1）。壁畫表面顏料種類的識別，主要采用的方法為光譜角結合歐氏距離的光譜匹配法。光譜角（SAD）結合歐氏距離（ED）的光譜匹配法利用ED-SAD綜合測度作為評價標準（式1），光譜庫顏料與待識別光譜的匹配按照其結果進行排序，值越小，匹配度越高。

3 結果分析

使用光譜角（SAD）結合歐氏距離（ED）的光譜匹配法對《華榮釋曹》壁畫表面的感興趣點進行顏料識別。為了得到更加清晰和直觀的結果，將從感興趣的不同區域獲取的顏料光譜匹配的結果以及使用便攜式X熒光儀檢測得的相對應區域的主要元素進行對比（表2）。其中，表中第五列的顏料為各區域的顏料識別結果，第七列的元素為各區域的檢測能量較高的元素。由于采點較多，只展示部分常見顏料分析結果。

3.1 以紅色顏料為例

紅色顏料在壁畫中主要分布于旗子、馬身上的裝飾以及人物頭盔的裝飾部分（圖3）。根據顏料識別的結果，其顏料疑似為朱砂（Cinnabar，HgS），是中國古代畫家最為常用的紅色礦物顏料之一，其顯色元素為Hg、S。根據XRF結果表明，紅色區域檢測的主要元素為Hg、Pb、Fe、Ca、Ba和Cu元素（圖4）。點位18、43、64和65的光譜曲線（圖5）在560nm處反射率開始逐漸上升，在660nm處反射率逐漸上升緩慢，形成“S”形陡坡。

將測量光譜與朱砂標準光譜進行對比，光譜曲線的形狀比較吻合（圖6）。將測量光譜曲線進行包絡線去除（圖7），測量光譜在400～600nm波段范圍內的光譜特征與朱砂標準光譜比較吻合。

3.2 豐度反演

顏料豐度圖，通過對文物表面的顏料進行分析，以確定顏料種類及相對比例。豐度信息可以顯示文物表面的礦物顏料空間分布，還能顯示人眼看不到的個別顏料信息，從而為文物的保護與修復提供科學的、量化的參考依據。首先采用自動目標生成過程（ATGP，Automatic Target Generation Process）端元提取算法提取出高光譜影像中的純凈顏料端元，算法運用先驗知識，也可以隨機地選擇一個初始特征，后采用正交子空間投影算法逐步選擇在正交子空間中投影最大的像元作為新的端元，直到所有的像元在正交子空間中的投影低于預先設定的閾值時結束。在提取出每種顏色區域的端元后，利用完全約束最小二乘法（FCLS，Fully Constrained Least Square）反演每種顏料的豐度。以紅色顏料為例（圖8、圖9）。

3.3 壁畫信息增強

高光譜成像技術獲取的數據不僅具有研究目標的二維空間信息，還包括一維的光譜信息，即連續光譜曲線，有助于信息增強。在現場采集的過程中，為了獲得更好的視覺感受，本項目對輪廓信息和畫面信息進行增強。輪廓線增強，在《華容釋曹》采集的影像中，我們共采集了12景高光譜影像，將十二幅影像根據正射影像圖進行幾何校正，經過曲面校正及圖像去噪的預處理后，將12景高光譜影像經過抽稀、配準后拼接成整幅的高光譜影像。并采用不同的方法進行輪廓線增強和畫面增強，輸出圖片，得到了輪廓信息圖像，為文物保護的進一步研究提供參考。

3.3.1 顏色空間轉換結合Canny邊緣檢測算法

分別對12幅高光譜影像假彩色合成后的圖片做HSV顏色空間轉換，分離顏色信息（色度）、圖像強度和亮度水平（Luma）信息。將HSV融合后的影像轉換為灰度影像，Canny算子求邊緣點具體算法步驟如下：①用高斯濾波器平滑圖像；②用一階偏導有限差分計算梯度幅值和方向；③對梯度幅值進行非極大值抑制；④用雙閾值算法檢測和連接邊緣。計算Canny邊緣檢測的梯度模圖和二值化圖，得到壁畫的輪廓信息。

3.3.2 改進引導濾波算法結合圖像差值運算

借助引導圖像的梯度信息來判斷圖像邊緣位置，并結合指數函數框架設計權值來控制不同圖像區域內的平滑倍數，將梯度信息與傳統引導濾波算法進行融合，從而能夠自適應地區分和強調邊緣，避免邊緣附近由于過度模糊所引入的光暈現象。對經過濾波后的圖像與原始圖像進行差值運算，達到畫面增強的目的。

3.3.3 最小噪聲分離變換（Minimum Noise Fraction Rotation，MNF Rotation）工具

該工具用于判定圖像數據內在的維數（即波段數），分離數據中的噪聲，減少隨后處理中的計算需求量。MNF本質上是兩次層疊的主成分變換。第一次變換（基于估計的噪聲協方差矩陣）用于分離和重新調節數據中的噪聲，這步操作使變換后的噪聲數據只有最小的方差且沒有波段間的相關。第二步是對噪聲白化數據（noise-whitened）的標準主成分變換。對12幅高光譜影像拼接后的高光譜影像通過最小噪聲分離變換獲取前十主成分影像，選取梯度信息最大的影像（輪廓線增強結果如圖10～圖15所示）。

由于留存年代久遠，《華容釋曹》部分褪色，為了更好地突出其中特征，增加畫作可讀性，對其進行了畫面增強處理。本次主要通過合成假彩色影像與圖像反相處理兩種方法對畫面進行增強。首先對原始高光譜影像通過輻射校正與數據降噪進行預處理，畫面增強效果如圖16～圖21所示。可以看出，畫面增強后的《華容釋曹》影像可明顯區分位于畫面中間的旗子、紅鬃馬、頭盔上與背景的橙紅色，位于畫面中間的山石、草地的綠色，突出了壁畫的輪廓信息。此外，在假彩色影像中可明顯區分出位于壁畫左側的第一個人和第三個人的帽子的深藍色，為其保護修復與研究提供了科學依據。

3.4 殘缺區域虛擬修復

經現場觀察發現，《華容釋曹》壁畫中存在部分修復痕跡，針對這一現象采用高光譜技術對壁畫進行數字化保存，最大限度地彌補壁畫因顏料褪色或劃痕而帶來的缺憾。同時借助虛擬修復、圖像處理等技術使壁畫的數字化圖像復原以及虛擬展示等成為可能，極大地提高和改善了文物保護研究的效率與效果。壁畫的虛擬修復是通過在數字影像中選擇修復區域進行裁剪，進而應用修復算法完成虛擬修復的。本次主要是采用三重態域網絡虛擬修復，網絡采用兩個VAE（自動編碼機）：第一個VAE用于將合成的（模糊、磨損）的數據進行編碼到隱空間；第二個VAE用于將對應的干凈的數據進行編碼，然后在隱空間學習從污損的數據到干凈數據的映射。通過學習控制圖片清晰、磨損的一個特征表示，通過控制這個特征，可以達到修復破損圖片的目的（圖22～圖24）。

4 結語

壁畫作為文化遺產最重要的組成部分，是人類文明寶貴、不可再生的財富，也是時代的印證，反映了各個歷史時期的經濟文化發展狀況和意識形態，是歷史研究的重要依據。在壁畫的保護和修復過程中，傳統的調查方法如人工取樣、目視判別等，效率較低，主觀性較強且易造成二次損傷。因此，將現代科技和傳統方法相結合應用于壁畫數字化保護與修復成了當前研究的熱點。高光譜成像技術的應用，有效地克服了傳統畫作調查的缺點，為文物的保護工作提供了新的視點。其可以快速無損地獲取不同類型彩色文物表面詳盡的光譜信息，深入直觀地分析文物表面的顏料成分、損傷特征、繪畫技巧以及畫面內容等，對文物的保護、修復與研究具有重要的科學意義和應用價值。