唐墓室壁画泥斑病害自动标定及虚拟修复

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (15): 233-236.

唐墓室壁画泥斑病害自动标定及虚拟修复

李彩艳，王慧琴，吴萌，潘思丞

西安建筑科技大学信息与控制工程学院，西安 710055

出版日期:2016-08-01 发布日期:2016-08-12

Automatic recognition and virtual restoration of mud spot disease of Tang dynasty tomb murals image

LI Caiyan, WANG Huiqin, WU Meng, PAN Sicheng

School of Information and Control Engineering, Xi’an University of Architecture and Technology, Xi’an 710055, China

Online:2016-08-01 Published:2016-08-12

摘要/Abstract

摘要： 针对唐墓室壁画泥斑病害问题，提出了泥斑病害自动标定算法。用空间自相关函数分析泥斑病害纹理特征，在YCbCr模型下，分析泥斑病害亮度，色度特征；对图像分块处理，分析其每个图像块的纹理、亮度和色度特征，通过阈值分割得到泥斑的纹理、亮度和色度掩码。为了精确标定又提出将泥斑的纹理、亮度和色度掩码进行与或运算，得到泥斑区域掩码，将泥斑区域掩码与原图进行加运算，实现壁画泥斑病害精确标定。通过壁画虚拟修复实验表明这种标定算法不仅标定准确而且提高了壁画虚拟修复效率。

关键词: 泥斑, 纹理特征, 掩码, 自动标定

Abstract: In order to recognize mud spot disease in ancient murals, an algorithm is designed. First, it analyzes textural features of mud spot disease and draws a conclusion based on self-correlation function. Then it analyzes the brightness and colourity based on YcbCr model. Second, it analyzes the whole murals image based on textural features and synthesizes textural features, brightness, colourity each part and obtains textural mask, brightness mask and colourity mask. ?Then it operates them through and-or computing. It gets the mud spot mask. Finally it realizes the automatic segmentation and extraction of the mud spot disease through mud spot mask is?added to the original. It is an effective algorithm in inpainting.

Key words: mud spot disease, textural features, mask, automatic recognition

李彩艳，王慧琴，吴萌，潘思丞. 唐墓室壁画泥斑病害自动标定及虚拟修复[J]. 计算机工程与应用, 2016, 52(15): 233-236.

LI Caiyan, WANG Huiqin, WU Meng, PAN Sicheng. Automatic recognition and virtual restoration of mud spot disease of Tang dynasty tomb murals image[J]. Computer Engineering and Applications, 2016, 52(15): 233-236.

[1]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[2]	安卫超，阎婷，张楠，张杉，相洁，曹锐，王彬. 病理图像纹理分析在胃癌MSI预测中的应用研究[J]. 计算机工程与应用, 2021, 57(24): 205-211.
[3]	翁玉尚，肖金球，夏禹. 改进Mask R-CNN算法的带钢表面缺陷检测[J]. 计算机工程与应用, 2021, 57(19): 235-242.
[4]	陈熙，道尔吉，李运兰，韦立，夏道勋，熊祥光. 多方向局部相位量化模式及纹理分类[J]. 计算机工程与应用, 2020, 56(13): 216-222.
[5]	丁华，王晓东，章联军，陈晓爱，赖佩霞. 基于SLIC融合纹理和直方图的图像显著性检测[J]. 计算机工程与应用, 2019, 55(3): 159-166.
[6]	李新超1，2，钟卫东1，2，张帅伟1，2，马双棚1，2. 一种基于门限实现的SM4算法S盒实现方案[J]. 计算机工程与应用, 2018, 54(17): 83-88.
[7]	王偲晗1，万幼川1，王明威1，高雄2. 改进蚁群算法及其在高光谱影像分类中的研究[J]. 计算机工程与应用, 2018, 54(1): 196-203.
[8]	白晓静1，卢钢2，闫勇1，2. 基于多尺度颜色小波纹理特征的火焰图像分割[J]. 计算机工程与应用, 2017, 53(9): 213-219.
[9]	段苛苛，邰滢滢. 基于二值掩码图像的粒子滤波目标跟踪快速算法[J]. 计算机工程与应用, 2017, 53(22): 16-20.
[10]	布阿加姑丽·米吉提1，库尔班·吾布力1，努尔毕亚·亚地卡尔1，吐尔根·依不拉因1，阿力木江·艾沙2. 纹理特征加权融合的中亚多文种文档图像文种识别[J]. 计算机工程与应用, 2017, 53(20): 187-194.
[11]	陈熙1，2，张戈1. 基于非高斯二维Gabor滤波器的生物特征提取算法[J]. 计算机工程与应用, 2017, 53(18): 170-175.
[12]	张卫国，李景妹. 改进的基于纹理特征的图像配准算法[J]. 计算机工程与应用, 2016, 52(6): 214-218.
[13]	丁祖萍，刘坤，王成. 一种基于颜色和纹理的显著性目标检测算法[J]. 计算机工程与应用, 2016, 52(19): 192-195.
[14]	刘万军，张洪伟. 改进颜色和小波变换纹理的图像检索方法研究[J]. 计算机工程与应用, 2016, 52(17): 181-186.
[15]	倪波1，刘志远1，2，余钢1. 结合高斯过程和形变模型的超声图像分割方法[J]. 计算机工程与应用, 2016, 52(12): 210-215.