基于高光譜成像的紙質(zhì)文物“狐斑”檢測方法研究

戴若辰， 唐 歡， 湯 斌*， 趙明富， 代理勇， 趙 雅， 龍鄒榮， 鐘年丙

1. 重慶理工大學， 重慶市光纖傳感與光電檢測重點實驗室， 重慶 400054

2. 重慶中國三峽博物館， 館藏文物有害生物控制研究國家文物局重點科研基地， 重慶 400015

3. 重慶第二師范學院， 重慶 400065

引 言

造紙術的出現(xiàn)使中華民族能夠利用紙張保存政治、 文化、 軍事等信息， 寶貴的紙質(zhì)文物蘊含了中國近2000年歷史的智慧結(jié)晶。 但在紙質(zhì)文物保存過程中， 若保存方法不當， 極易遭受“狐斑”影響。 狐斑通常表現(xiàn)為黃色、 褐色或鐵銹色斑點， 因其狐貍般狡黠的生長特性與毛皮的顏色， 故稱之為狐斑(foxing)[1]。 狐斑不僅掩蓋字跡， 影響閱讀， 而且影響范圍會不斷擴大， 甚至滲透到深層的書頁中。 由于目前針對文物表面狐斑清洗的技術方法十分有限， 因此， 狐斑一旦形成， 很難去除， 將給文物帶來不可逆轉(zhuǎn)的損壞。 狐斑的成因還未形成統(tǒng)一的結(jié)論， 主要有生物論與無機論兩種理論。 生物論認為主要是霉菌等真菌造成紙張上產(chǎn)生狐斑， 霉菌以紙張中纖維素為營養(yǎng)源， 通過分泌纖維素酶， 降解與吸收紙張中的纖維素， 導致紙張機械強度下降。 同時在霉菌代謝過程中， 產(chǎn)生的草酸、 檸檬酸等有機酸使紙質(zhì)材料內(nèi)部酸性增加， 分泌的色素在紙質(zhì)文物表面形成狐斑。 無機論認為狐斑是金屬離子如銅、 鐵等在紙張表面沉積的結(jié)果。 狐斑的形成可能涉及復雜的生物、 化學反應， 既有可能與一種或幾種真菌生長有關， 也存在無機物沉積共同作用的可能性[2-4]。 除了成因尚未明確之外， 狐斑在有機質(zhì)文物， 特別是紙質(zhì)文物表面的侵襲、 擴散、 發(fā)展規(guī)律更是少有研究。 對于狐斑的傳統(tǒng)檢測， 完全依靠人工目視觀察， 不僅在狐斑病害發(fā)生的識別上具有滯后性， 同時也存在檢測人員判別的主觀性， 對于書畫藏品被墨色、 顏料及印章等覆蓋的區(qū)域更是難以通過肉眼進行識別， 因此， 基于文物的預防性保護理念， 亟待開發(fā)對于狐斑高效、 精確識別的無損檢測技術， 以此為后續(xù)的防治提供基礎。

高光譜成像技術結(jié)合了光譜與圖像分析的優(yōu)點， 具有無損、 快速、 高效等特點， 在不損壞樣品的情況下， 快速完成光譜數(shù)據(jù)采集， 單次采集即可獲得樣本光譜、 形狀、 顏色和成分等不同方面特征， 在檢測紙質(zhì)文物特征研究中具有巨大的優(yōu)勢和潛力， 目前已在紙質(zhì)文物檢測方面有初步應用。 如： 首都博物館的武望婷等[5]利用高光譜相機采集清代張士保作品《論道圖》的影像, 經(jīng)過最小噪聲分離變換、 主成分變換、 掩膜等處理對畫作的墨線進行了提取, 實現(xiàn)了圖像增強效果, 并且發(fā)現(xiàn)了兩處人眼無法識別的隱含信息； 上海博物館的周新光等[6]為了提高印章的可辨識度, 嘗試解決印章與畫意重合的問題； 武鋒強等[7]利用高光譜成像技術對古畫顏料成分進行分析， 通過最小噪聲分離、 純凈像元提取、 光譜特征擬合， 與標準波譜庫匹配， 正確識別出彩繪藝術畫顏料成分。

針對上述現(xiàn)狀， 本研究擬通過建立光譜分析方法獲得非接觸式紙質(zhì)文物高光譜狐斑檢測系統(tǒng)， 為狐斑病害風險防控提供有效數(shù)據(jù)支撐， 同時， 拓展光譜檢測技術在文物保護領域中的應用。

1 實驗部分

1.1 紙質(zhì)文物狐斑檢測系統(tǒng)

狐斑檢測系統(tǒng)核心高光譜相機(Gaiatracer-V10, 測量范圍360～970 nm)(Zolix Ltd., Beijing, China)， 如圖1所示，系統(tǒng)主要由鹵素線型光源(光源光譜范圍350～2 500 nm， 功率300 W)、 一維掃描樣品臺(長寬為300 mm×300 mm， 移動行程300 mm)、 高光譜相機、 成像鏡頭(視場角±7)及含采集控制軟件的PC組成， 適用于實驗室環(huán)境下物體鑒別分析。 經(jīng)多次試驗， 設置參數(shù)積分時間25ms， 采集到的圖像清晰無失真。

圖1 紙質(zhì)文物狐斑檢測系統(tǒng)

1.2 樣本

紙質(zhì)文物模擬實驗樣本由重慶中國三峽博物館提供， 樣本有輕度狐斑， 狐斑為分散的棕黃色點狀， 樣本局部狐斑發(fā)生情況較為嚴重， 大面積連接成片如圖2(a)所示。 圖2(b)與圖2(c)分別是利用超景深顯微系統(tǒng)(VHX-7000， 放大倍率×1 000)(Keyence Ltd., Osaka, Japan)拍攝被狐斑侵襲的部分與無狐斑侵染的部分； 兩部分均無明顯霉菌孢子存在。

圖2 (a)狐斑樣品局部； (b)， (c)超景深顯微圖片

1.3 圖像處理方法

最小噪聲分離變換[8](Minimum Noise Fraction Rotation， MNF Rotation)可用于判斷圖像數(shù)據(jù)維數(shù)， 即波段數(shù)， 分離數(shù)據(jù)中的噪聲， 減少處理中的計算量。 MNF本質(zhì)即是兩次疊加的主成分分析[9](principal component analysis， PCA)。 第一次PCA用于分離數(shù)據(jù)中的噪聲， 變換后噪聲數(shù)據(jù)只與最小方差有關。 第二次PCA是對噪聲白化數(shù)據(jù)的標準主成分變換。

1.4 特征波段提取

高光譜數(shù)據(jù)由256個光譜通道數(shù)據(jù)組成， 分辨率達到2.38 nm， 由于360～450 nm波段的數(shù)據(jù)充滿噪聲信息， 不可用于特征判斷， 于是刪除前38個波段數(shù)據(jù)。 光譜數(shù)據(jù)通常表現(xiàn)出高度相關性與大量冗雜信息。 特征波段提取方法從原有光譜數(shù)據(jù)中提取與樣品狐斑有關的光譜， 利用PCA減少輸入數(shù)據(jù)維數(shù)[10]， 減少信息的共線性和數(shù)據(jù)冗余， 并對所選特征波段建立的模型進行分析比較， 選擇出最優(yōu)的特征波段提取方法。

1.5 數(shù)據(jù)建模

隨機劃分樣本集為訓練集與測試集后， 應用KNN算法[11]和BP神經(jīng)網(wǎng)絡[12]， 建立模擬紙質(zhì)文物上狐斑的判別模型； 然后將建立的判別模型對測試集樣本進行鑒別， 并根據(jù)鑒別準確率對模型性能進行評價比較， 最終選出更優(yōu)的數(shù)據(jù)建模方法。

2 結(jié)果與討論

2.1 模擬紙質(zhì)文物高光譜圖像的光譜分析

圖3所示為墨跡和健康的紙質(zhì)區(qū)域、 被狐斑感染區(qū)域的平均光譜信息， 由圖可知， 健康區(qū)域和感染區(qū)域的平均反射率差異明顯。 紙質(zhì)文物模擬樣品光譜在全波長范圍內(nèi)變化較為規(guī)律， 且在450～600 nm波長范圍內(nèi)， 模擬樣品表面狐斑與背景中的紙張部分、 墨跡部分的差異較大。 由此可見， 基于光譜特性進行紙質(zhì)文物的狐斑檢測分析具有可行性。

圖3 紙質(zhì)文物反射光譜與平均反射光譜

紙質(zhì)文物模擬樣本在464和767 nm波段下的光譜圖像如圖4所示。 在圖4(a)464 nm波段下， 樣本表面狐斑與紙張背景差異較大， 而在圖4(b)767 nm波段下， 表面狐斑已經(jīng)“埋沒”在紙張背景中。 這種情況與不同部分的光譜曲線的差異是一致的， 但僅憑特殊波段圖像不足以提取出紙質(zhì)文物表面狐斑的特征， 需要進一步進行處理。

圖4 紙質(zhì)文物特征波段圖像

2.2 基于原始高光譜圖像的波段運算

波段運算[13]增強可增強目標與背景波譜特征間的微小差別， 壓制圖像中光照差異的影響， 突出目標的反射輻射特征， 突出目標與背景間的波譜差異。 為進一步區(qū)分出健康區(qū)域與被感染區(qū)域， 對特征波段圖像進行波段運算， 如圖5所示。 雖然印章部分與被感染區(qū)域有重疊， 但被感染區(qū)域與健康區(qū)域的分布區(qū)分比較明顯， 特別是圖5(c)與圖5(d)， 狐斑部分呈現(xiàn)白色， 較為突出， 易于判別。 大多數(shù)被感染區(qū)域經(jīng)波段運算后可以被較好地區(qū)分開， 波段運算方法紙質(zhì)文物狐斑識別， 有利于實施有效的紙質(zhì)文物狐斑診斷監(jiān)測和科學防治。

圖5 紙質(zhì)文物特征波段運算結(jié)果

2.3 基于原始高光譜圖像的最小噪聲分離變換

圖6為霉變樣本高光譜圖像(360～970 nm)進行最小噪聲分離(MNF)變換后的圖像。 選擇MNF變換后的第一、 第二和第七個分量組成RGB彩色圖像， 比起人眼觀測的圖像， 被狐斑感染區(qū)域顏色呈現(xiàn)出明顯的藍色， 能直觀地分辨出狐斑的大小及分布情況， 且染病越嚴重呈現(xiàn)出的顏色越深。 作為背景的紙張部分、 墨跡部分、 印章部分分別呈現(xiàn)出紅色、 黑色、 綠色， 呈現(xiàn)出不同的顏色相比波段運算的結(jié)果， 消除了印章部分的干擾， 對于狐斑的判定更加有利。

圖6 模擬樣本經(jīng)MNF變換后圖像

2.4 紙質(zhì)文物模擬樣本狐斑的判別分析

用狐斑樣本的180條高光譜數(shù)據(jù)(450～970 nm)建立狐斑判別模型， 隨機地分為120條數(shù)據(jù)為訓練集， 60條數(shù)據(jù)為測試集。 樣本包含紙張部分、 墨跡部分與被感染部分共3種類型， 采用K-近鄰法(KNN)和BP神經(jīng)網(wǎng)絡兩種分類方式建立狐斑判別模型。 將經(jīng)過預處理以及特征波長提取分析的120條高光譜數(shù)據(jù)作為KNN與BP神經(jīng)網(wǎng)絡模型的輸入構(gòu)建狐斑判別模型， 然后利用測試集的60條樣本數(shù)據(jù)對模型進行驗證。

結(jié)果如表1所示， KNN模型被感染部分測試集判別率為79.1%、 對紙張部分判別率為57.1%， 對墨跡部分判別率為60%； BP神經(jīng)網(wǎng)絡被感染部分測試集判別率為83.8%、 對紙張部分判別率為63.6%， 對墨跡部分判別率為83.3%。 BP神經(jīng)網(wǎng)絡判別結(jié)果相比KNN模型而言， 對染病部分判別正確率更高， 分類效果更好。 總體上， 高光譜圖像對狐斑部分判別率更高， 可用于健康樣本與狐斑發(fā)生樣本的識別， 但由于紙張本身存在差異， 對紙張的區(qū)分結(jié)果欠佳。

表1 不同部分KNN與BP神經(jīng)網(wǎng)絡判別分析結(jié)果

3 結(jié) 論

基于高光譜成像研究了受狐斑侵染的紙質(zhì)文物模擬樣本的光譜圖像特征， 研究發(fā)現(xiàn)狐斑與背景的光譜具有顯著差異。 對模擬樣本不同波段的高光譜圖像進行波段運算， 發(fā)現(xiàn)波段運算后結(jié)果能夠提取被狐斑感染區(qū)域的特征。 對高光譜圖像進行最小噪聲分離法變換后， 被感染區(qū)域區(qū)分更加顯著。 基于K-近鄰法和BP神經(jīng)網(wǎng)絡的判別模型結(jié)果顯示， 高光譜圖像對狐斑判別率較高(>79%)， 可用于紙質(zhì)文物狐斑的判定。 研究結(jié)果表明， 高光譜成像可用于紙質(zhì)文物狐斑的無損檢測， 特別是在印章、 墨跡、 顏料等覆蓋后、 肉眼難以識別的隱藏的狐斑。 本研究可為狐斑的產(chǎn)生及蔓延發(fā)展預測、 揭示其分布發(fā)展規(guī)律提供全新的技術手段。 后續(xù)研究可從光譜圖像預處理、 有效波段篩選、 建模方法優(yōu)化等方面開展更深入的實驗， 以提高檢測精度。