基于結(jié)構(gòu)線擬合的殘損絲織品文物虛擬修復(fù)

孫曉婉, 賈 靜, 徐平華，b，c, 曹竟文, 李 碧

(浙江理工大學(xué) a.服裝學(xué)院; b.浙江省服裝工程技術(shù)研究中心; c.絲綢文化傳承與產(chǎn)品設(shè)計(jì)數(shù)字化技術(shù)文化和旅游部重點(diǎn)實(shí)驗(yàn)室;d.藝術(shù)與設(shè)計(jì)學(xué)院,杭州 310018)

絲織文物因長(zhǎng)期埋藏于地下,受溫濕度變化及微生物的影響,材質(zhì)發(fā)生腐爛,表面圖案出現(xiàn)褪色、老化、臟污等現(xiàn)象[1],導(dǎo)致絲織文物殘缺不全。傳統(tǒng)的絲織文物修復(fù)采用基布補(bǔ)全、以繡補(bǔ)織等工藝技術(shù)[2]對(duì)文物本體進(jìn)行修復(fù)。采用虛擬修復(fù)技術(shù)還原文物圖文信息,一方面有助于文物的展示和文化傳播,另一方面可為人工本體修復(fù)提供內(nèi)容參考。

文物虛擬修復(fù)主要依據(jù)參考資料或文物周邊信息進(jìn)行色彩和紋理修復(fù),最大限度恢復(fù)圖像原有視覺(jué)效果[3]。當(dāng)前,文物虛擬修復(fù)技術(shù)已取得了一定進(jìn)展。Wang等[4-5]采用稀疏修復(fù)和特征加權(quán)模型對(duì)壁畫(huà)殘損區(qū)域進(jìn)行修復(fù);朱耀麟等[6]、蔣超等[7]基于Criminisi算法進(jìn)行改進(jìn)實(shí)現(xiàn)了對(duì)殘損織物圖像的修復(fù),但對(duì)于不規(guī)則獨(dú)立紋樣修復(fù)效果不佳。根據(jù)不同的圖像先驗(yàn)?zāi)Ｐ?圖像修復(fù)方法可以分為三類:1) 基于擴(kuò)散的方法[8-9]建立參數(shù)模型,通過(guò)平滑先驗(yàn)傳播圖像的結(jié)構(gòu)成分,該方法適用于修復(fù)直線、曲線和小孔,但不利于修補(bǔ)大面積的紋理;2) 基于范例的算法[10]合成匹配補(bǔ)丁,根據(jù)自相似先驗(yàn)重建未知區(qū)域,當(dāng)缺失的區(qū)域紋理均勻且規(guī)則時(shí),該方法可以產(chǎn)生視覺(jué)上可信的結(jié)果;3) 基于深度學(xué)習(xí)的方法[11-15]依賴于大樣本信息作為參考資料,依靠卷積網(wǎng)絡(luò)對(duì)圖像特征進(jìn)行學(xué)習(xí)和信息生成,解決了底層特征與高層語(yǔ)義之間的鴻溝,但該方法需要大量的樣本和更多的時(shí)間來(lái)訓(xùn)練網(wǎng)絡(luò)。在文物修復(fù)方面,由于參考信息量較少,缺損區(qū)域通常處于未知狀態(tài),本質(zhì)上是一種可多方案推薦的盲修復(fù)問(wèn)題。要解決紋理不均勻且結(jié)構(gòu)復(fù)雜的圖像修復(fù)問(wèn)題,在實(shí)現(xiàn)方法上仍需對(duì)周邊信息加以利用,因此本文提出了一種基于交互曲線擬合的結(jié)構(gòu)塊迭代修復(fù)算法,結(jié)合Criminisi改進(jìn)算法[16-18]思路,對(duì)無(wú)參考信息下的絲織文物圖像進(jìn)行虛擬修復(fù)。

1 殘損絲織文物虛擬修復(fù)思路

1.1 修復(fù)整體思路

絲織文物表面色彩、紋樣蘊(yùn)含語(yǔ)義,承載著特定時(shí)期的政治、文化、宗教及民俗內(nèi)涵[19]。對(duì)于缺損嚴(yán)重的絲織品,人工本體修復(fù)一般采用基布打底,對(duì)其表面圖案通常借助文獻(xiàn)資料或?qū)＜医?jīng)驗(yàn)進(jìn)行修復(fù)。相較于規(guī)則紋樣,非規(guī)則紋樣判斷比較困難。

無(wú)參考圖像、文字描述下的文物信息,需要反復(fù)比對(duì)修復(fù)方案,此時(shí)需要借助于人工修復(fù)經(jīng)驗(yàn),以計(jì)算機(jī)輔助的方式,實(shí)現(xiàn)修復(fù)。為此,本文從文物圖像周邊信息出發(fā),尋找圖案結(jié)構(gòu)主體,在初始骨架重構(gòu)階段采用交互方式進(jìn)行引導(dǎo),利用迭代方式對(duì)周邊信息塊進(jìn)行比對(duì)分析,逐步填充缺損區(qū)域,虛擬修復(fù)思路,如圖1所示。

圖1 殘損絲織文物圖像修復(fù)流程Fig.1 Image inpainting pipeline of defected silk relics

1.2 基本步驟

算法流程主要包括圖像預(yù)處理、紋樣結(jié)構(gòu)線擬合、缺損區(qū)域修復(fù)及修復(fù)質(zhì)量評(píng)價(jià)四個(gè)模塊。

圖像預(yù)處理階段,主要解決圖像的模糊、噪聲等問(wèn)題。本文以新疆地區(qū)出土的敦煌鳳凰紋絲織帶為例,經(jīng)博物館工作人員消毒、清晰和平整化處理后,對(duì)其進(jìn)行圖像采集。由于采集后的圖像存在一定的噪聲和模糊現(xiàn)象。實(shí)驗(yàn)采用SRGAN算法訓(xùn)練模型[20]將退化后的圖像進(jìn)行超分辨率重建,保留了相對(duì)清晰的細(xì)節(jié),用于后期圖案修復(fù)。預(yù)處理后圖案局部效果如圖2所示,實(shí)現(xiàn)了圖像的降噪和畫(huà)質(zhì)增強(qiáng)。

圖2 圖像預(yù)處理Fig.2 Image preprocessing

預(yù)處理后的圖像,通過(guò)交互的方式,由文物修復(fù)人員在圖像處理軟件中(CorelDRAW)手動(dòng)圈出待修復(fù)區(qū)域進(jìn)行標(biāo)識(shí)并填充為明顯的綠色(R、G、B色值分別為0、255、0)掩膜。其目的是主動(dòng)劃分待修復(fù)區(qū)域和完好區(qū)域界限;對(duì)于真實(shí)殘損情形,掩膜后確定的位置可以利于算法精準(zhǔn)修復(fù),降低時(shí)間損耗,提升修復(fù)效率。

模塊2紋樣結(jié)構(gòu)線擬合是對(duì)圖案骨架區(qū)域內(nèi)容修復(fù)的有效引導(dǎo);模塊3缺損修復(fù)模塊則是在結(jié)構(gòu)線基礎(chǔ)上,對(duì)周邊信息進(jìn)行匹配和優(yōu)化,迭代實(shí)現(xiàn)內(nèi)容填充。圖像修復(fù)質(zhì)量評(píng)價(jià)模塊是對(duì)修復(fù)后的圖像與完好原圖進(jìn)行相似度比較,以便評(píng)估修復(fù)算法的有效性。

2 結(jié)構(gòu)線形態(tài)擬合

2.1 結(jié)構(gòu)線關(guān)鍵點(diǎn)提取

一幅彩色圖像可表示為一個(gè)m×n×3的三維矩陣,其中m、n分別表示圖像的寬度和高度,單位為像素。單像素點(diǎn)三通道值分別為紅、綠、藍(lán)顏色值。實(shí)驗(yàn)中,采用交互方式選取待擬合結(jié)構(gòu)線兩端的像素點(diǎn)。選點(diǎn)操作應(yīng)當(dāng)遵循全局一致性原則,盡可能滿足與結(jié)構(gòu)線顏色接近的像素點(diǎn)。圖3顯示了關(guān)鍵點(diǎn)選擇的方式,符號(hào)①～⑥表示待修復(fù)區(qū)域與圖像源信息交界部分。圖3中①、②塊為待選像素區(qū)域,在其中各選一個(gè)紋樣邊界參考像素,像素選擇的容差一般設(shè)置為±2 pixel位移,像素點(diǎn)的選取,應(yīng)當(dāng)與周邊具有明顯的色度差異。類似地,對(duì)配對(duì)區(qū)域③、④,以及⑤、⑥區(qū)域進(jìn)行像素點(diǎn)選取操作。圖3中,紅色標(biāo)示區(qū)域?yàn)榭蛇x像素點(diǎn),藍(lán)色區(qū)域?yàn)榇龜M合結(jié)構(gòu)線上的像素點(diǎn)。

圖3 關(guān)鍵坐標(biāo)點(diǎn)選取示意Fig.3 Selection of key pixel points

2.2 反距離加權(quán)法插值

為使修復(fù)后的紋樣盡量還原原本形態(tài),擬合出的結(jié)構(gòu)線各描述點(diǎn)需要填充相似色。實(shí)驗(yàn)采用反距離加權(quán)法插值,提取兩端像素點(diǎn)的R、G、B色值,根據(jù)要擬合結(jié)構(gòu)線上各個(gè)描述點(diǎn)至線的端點(diǎn)之間的距離計(jì)算權(quán)重,以距離越遠(yuǎn)的點(diǎn)貢獻(xiàn)越小為原理進(jìn)行加權(quán)。

設(shè)擬合結(jié)構(gòu)線起始像素點(diǎn)為M,坐標(biāo)為(x1,y1),終止像素點(diǎn)為N,坐標(biāo)為(x2,y2),相應(yīng)的插值公式為:

(1)

(2)

(3)

式中:R為所求的像素點(diǎn)紅色分量,R1和R2分別為點(diǎn)M和N的紅色分量;w1和w2為權(quán)重系數(shù),(xc,yc)為要擬合的曲線上各個(gè)描述點(diǎn)的坐標(biāo)。

類似地,求出像素點(diǎn)綠色分量和藍(lán)色分量。將顏色三通道設(shè)為該像素點(diǎn)的顏色值。

2.3 結(jié)構(gòu)線擬合

對(duì)于紋樣殘缺部分,可以根據(jù)紋樣結(jié)構(gòu)線的連通趨勢(shì)將殘損盲區(qū)紋樣結(jié)構(gòu)線擬合出來(lái),從而將紋樣殘損盲區(qū)劃分成若干待修復(fù)區(qū)域,提高修復(fù)紋理結(jié)果的精確度。本文采用Bezier曲線[21]自動(dòng)擬合絲織文物殘缺紋樣中斷的輪廓線。

設(shè)S(t)為曲線上的坐標(biāo),對(duì)給定的一組控制點(diǎn)P0,P1,…,Pn,則Bezier曲線的公式為:

(4)

式中:S(t)為曲線上的坐標(biāo);t為自變量,取值范圍為[0,1];n為Bezier曲線階數(shù)。

采用Bezier曲線擬合紋樣輪廓的直線部分,取n=1,選取兩個(gè)控制點(diǎn),即為待擬合線段的起始點(diǎn)P0和端點(diǎn)P1,則兩端點(diǎn)之間的連續(xù)點(diǎn)描述的一條線段即擬合出的所需結(jié)構(gòu)線。

對(duì)于結(jié)構(gòu)線的曲線部分,本文采用二次Bezier曲線,取n=2,設(shè)定控制點(diǎn)P0,P1,P2,則曲線的參數(shù)表示為:

S(t)=(1-t)2P0+2t(1-t)P1+t2P2,t∈[0,1]

(5)

式中:S(t)是當(dāng)t從0到1變化時(shí)由點(diǎn)P0至點(diǎn)P1的連續(xù)點(diǎn)和點(diǎn)P1至點(diǎn)P2的連續(xù)點(diǎn)所描述的曲線。

由于控制點(diǎn)P1的選取決定擬合曲線的精度,本文在算法設(shè)計(jì)中給出兩種曲線擬合方案:

1) 自動(dòng)確定控制點(diǎn)P1,根據(jù)曲線兩端點(diǎn)的切線斜率自適應(yīng)確定控制點(diǎn),公式如下:

(6)

式中:(x0,y0)和(xb,yb)為殘損區(qū)域邊界處曲線坐標(biāo)。

用式(6)計(jì)算出曲線端點(diǎn)處切線的斜率,過(guò)曲線端點(diǎn)作切線,兩條切線交點(diǎn)即為控制點(diǎn)。

2) 由專家選取控制點(diǎn)P1,由專家選取需擬合的結(jié)構(gòu)線曲線部分可見(jiàn)的端點(diǎn)P0(x0,y0)、P2(x2,y2)和控制點(diǎn)P1(x1,y1),則S(t)所連成的曲線即擬合出的所需結(jié)構(gòu)線曲線部分,如圖4所示。

圖4 結(jié)構(gòu)線擬合Fig.4 Structure line fitting

3 圖案缺損區(qū)域修復(fù)

紋樣內(nèi)容修復(fù)很大程度上依賴于殘損區(qū)域以外的圖像信息,待修復(fù)信息主要分為結(jié)構(gòu)部分和內(nèi)容部分,采用樣本合成的先驗(yàn)?zāi)Ｐ涂梢酝瑫r(shí)填充樣本中損害區(qū)域的結(jié)構(gòu)和紋理,在視覺(jué)上呈現(xiàn)出完整性。

3.1 樣本塊填充修復(fù)

樣本合成是運(yùn)用了紋理合成技術(shù),合成紋理依據(jù)缺損邊緣的等照度信息,在算法運(yùn)行的過(guò)程中,邊緣信息向內(nèi)演化,提供填充過(guò)程中使用的樣本。修復(fù)過(guò)程如圖5所示。

圖5 樣本合成填充修復(fù)過(guò)程Fig.5 Process of exemplar-based inpainting

樣本合成填充修復(fù)過(guò)程中,標(biāo)記待修復(fù)區(qū)域在圖像預(yù)處理階段通過(guò)對(duì)圖像主觀掩膜操作完成。優(yōu)先權(quán)的計(jì)算對(duì)于填充前緣上最先填充的樣本順序具有重要影響,如圖5(d)所示。

P(p)=C(p)×D(p)

(7)

C(p)與p點(diǎn)周邊的可參考像素點(diǎn)的數(shù)目成正相關(guān),計(jì)算公式為:

(8)

D(p)與p點(diǎn)周邊結(jié)構(gòu)信息的強(qiáng)弱成正相關(guān),計(jì)算方法為:

(9)

計(jì)算出δΩ上所有點(diǎn)為中心的小塊的優(yōu)先級(jí)后,確定其中P(p)最大的小塊按照上述方法篩選出優(yōu)先級(jí)最高的小塊的中心點(diǎn)(對(duì)應(yīng)為圖中點(diǎn)p)。然后利用SSD匹配準(zhǔn)則根據(jù)待修復(fù)小塊Ψp′中所含的有效點(diǎn)的信息,在源區(qū)域Φ中搜尋與Ψp′最相似的匹配塊Ψq′來(lái)填補(bǔ)Ψp′中缺失點(diǎn)的信息。

(10)

(11)

式中:I和I′分別表示小塊Ψp′和Ψq的像素點(diǎn)。

至此形成一個(gè)修復(fù)周期,之后將通過(guò)更新已修復(fù)像素點(diǎn)的置信度C(p)算法為:

C(p)=C(p′)?q∈Ψp∩Ω

(12)

重復(fù)迭代直至目標(biāo)區(qū)域Ω填充完成。

但由圖5(f)可以看出,塊填充修復(fù)區(qū)域結(jié)構(gòu)線與原圖結(jié)構(gòu)線并不能完全吻合,這主要是因?yàn)閳D像源信息區(qū)域不能搜索到與待修復(fù)小塊一致的匹配塊,從而產(chǎn)生修復(fù)效果偏差。

3.2 結(jié)構(gòu)線引導(dǎo)下的填充修復(fù)

首先通過(guò)結(jié)合紋樣結(jié)構(gòu)線擬合來(lái)構(gòu)造缺失的結(jié)構(gòu)信息,在進(jìn)行紋理合成修復(fù)之前,采用Log邊緣檢測(cè)算子,檢測(cè)待修復(fù)區(qū)域的邊緣,改變了原修復(fù)圖像缺損部分的邊界δΩ。將整個(gè)缺損區(qū)域Ω分為若干個(gè)待修復(fù)的小區(qū)域Ωi,引入邊界函數(shù)B(p)改進(jìn)填充前緣的優(yōu)先級(jí)P(p)[22],提高了后面修復(fù)的小塊p的置信度C(p),增加了修復(fù)信息的可信度。

改進(jìn)優(yōu)先權(quán)函數(shù)為:

P′(p)=C(p)+D(p)+B(p)

(13)

(14)

(15)

由式(13)可知,距離待修復(fù)區(qū)域邊緣δΩ越近的像素點(diǎn)B(p)值越大,算法可沿所擬合的結(jié)構(gòu)線向內(nèi)填充修復(fù),從而避免修復(fù)后圖像結(jié)構(gòu)錯(cuò)亂。

首先采用曲線擬合連接破壞的紋樣細(xì)部輪廓,再利用改進(jìn)優(yōu)先權(quán)函數(shù)選擇目標(biāo)小塊進(jìn)行修復(fù)。最后利用SSD匹配準(zhǔn)則尋找與待填充區(qū)域紋理相似的小塊填充修復(fù),不斷迭代,直至待填充區(qū)域面積為零,如圖6所示。在結(jié)構(gòu)線擬合的輔助下進(jìn)行樣本填充類修復(fù),可以有效地避免填充修復(fù)過(guò)程中結(jié)構(gòu)線錯(cuò)亂的問(wèn)題。

圖6 結(jié)構(gòu)線引導(dǎo)下的填充修復(fù)Fig.6 Inpainting guided by the structure line

4 結(jié)果討論與分析

4.1 模擬殘損修復(fù)

為了比對(duì)驗(yàn)證修復(fù)效果,實(shí)驗(yàn)以敦煌鳳凰紋絲織帶圖像為參照進(jìn)行模擬修復(fù),如圖7所示。隨著迭代過(guò)程的推進(jìn),本文算法很好地實(shí)現(xiàn)了掩膜區(qū)域紋樣結(jié)構(gòu)修復(fù),同時(shí)又實(shí)現(xiàn)了結(jié)構(gòu)引導(dǎo)的紋理塊修復(fù)。

圖7 修復(fù)過(guò)程部分示意Fig.7 Partial illustration of repair process

由于模擬實(shí)驗(yàn)中殘損面積較大,而紋樣細(xì)節(jié)部分的信息被掩蓋,無(wú)法擬合出合適的結(jié)構(gòu)線。因此,在修復(fù)絲織文物圖像時(shí),首先應(yīng)對(duì)大面積區(qū)域進(jìn)行修復(fù),為圖像細(xì)節(jié)部分提供更多圖像信息。其次,修復(fù)完成后應(yīng)檢查圖像細(xì)節(jié)部分,對(duì)于一次修復(fù)不能完成的部分,根據(jù)上一次修復(fù)結(jié)果提供的圖像源信息對(duì)此部分進(jìn)行再次修復(fù),二次修復(fù)效果如圖8所示。

圖8 局部二次修復(fù)效果Fig.8 Local secondary repair effect

任意選取三幅文物圖像,分別是敦煌鳳凰紋絲織帶圖局部、清朝盤(pán)匏圖局部、宋代黃色纏枝牡丹山茶花綾圖,然后運(yùn)用不同的算法進(jìn)行修復(fù),結(jié)果如圖9所示。

從圖9可以看出,文獻(xiàn)[16]和文獻(xiàn)[17]算法對(duì)三幅圖像的白色線框和藍(lán)色線框區(qū)域的修復(fù)均有錯(cuò)配和結(jié)構(gòu)斷聯(lián)現(xiàn)象,主要是因?yàn)闅垞p文物圖像中的圖案均為獨(dú)立圖案,在塊匹配時(shí)無(wú)法與殘損區(qū)域的結(jié)構(gòu)線契合。圖9中的黃色線框區(qū)域無(wú)結(jié)構(gòu)線,文獻(xiàn)[16]文獻(xiàn)[17]算法均可正確填充紋理塊,而圖9中黃色線框區(qū)域內(nèi)一片葉子的修復(fù)無(wú)任何參考信息,圖像自動(dòng)修復(fù)固然失效。因此本文算法在專家指導(dǎo)下以人機(jī)交互的方式進(jìn)行結(jié)構(gòu)線擬合是必要的,文物圖像中紋樣結(jié)構(gòu)上基本保持了原圖的路徑趨勢(shì),能夠完好地對(duì)內(nèi)容進(jìn)行修復(fù),差異在于所擬合的結(jié)構(gòu)線的顏色的飽和度略低,其原因是優(yōu)先權(quán)模塊選取依賴周邊塊信息,顏色的過(guò)渡呈現(xiàn)非自然狀態(tài)。

進(jìn)一步地,為了量化修復(fù)質(zhì)量,實(shí)驗(yàn)部分采用結(jié)構(gòu)相似性(Structural similarity,SSIM)和峰值信噪比(Peak signal to noise ratio,RSNR)[5]對(duì)修復(fù)質(zhì)量進(jìn)行評(píng)價(jià),結(jié)果如表1所示。SSIM值越接近1,圖像相似度越高。PSNR值一般取值范圍為20～40,值越大,兩張圖片差距越小。

圖9 模擬殘損修復(fù)效果對(duì)比Fig.9 Comparison of the simulated damage repair effects

表1 不同修復(fù)算法修復(fù)圖像的SSIM和PSNR值Tab.1 SSIM and PSNR values for the repaired images with different algorithms

表2記錄了修復(fù)圖像的時(shí)長(zhǎng),文獻(xiàn)[16]和文獻(xiàn)[17]算法在時(shí)間的損耗上是客觀的,本文算法修復(fù)耗時(shí)較長(zhǎng),主要是因?yàn)樵诮Y(jié)構(gòu)線的擬合部分需要專家操作,時(shí)長(zhǎng)是可控的。但是,不論是從視覺(jué)上還是比較SSIM和PSNR值,本文算法在效果修復(fù)上都優(yōu)于文獻(xiàn)[16]和文獻(xiàn)[17]算法。

表2 不同修復(fù)算法下修復(fù)圖像的耗時(shí)Tab.2 Time of the repaired images with different algorithms

4.2 真實(shí)殘損修復(fù)

部分絲綢文物發(fā)生形變,表面圖案復(fù)雜且不規(guī)整,修復(fù)極具挑戰(zhàn)性。為了驗(yàn)證本文算法的優(yōu)勢(shì),選取了三幅結(jié)構(gòu)復(fù)雜的典型破損絲綢文物圖像,在專家指導(dǎo)下進(jìn)行真實(shí)破損織物文物圖像虛擬修復(fù),將本文算法修復(fù)結(jié)果與文獻(xiàn)[16]和文獻(xiàn)[17]進(jìn)行比較,如圖10所示。圖10中,三幅圖像分別表示唐朝殘損“團(tuán)窠聯(lián)珠對(duì)獅紋錦”圖像、元代殘損“舞人紋錦”圖像及北朝殘損“羅地纏枝蓮花紋貼繡片”圖像。

文獻(xiàn)[16]算法對(duì)圖10三幅圖像的修復(fù)結(jié)果中均出錯(cuò),是因?yàn)樗惴ㄒ云骄叶戎禐楹饬繕?biāo)準(zhǔn)全局搜索最佳匹配塊填充待修復(fù)塊,無(wú)法滿足復(fù)雜圖像中結(jié)構(gòu)線的修復(fù)。文獻(xiàn)[17]算法對(duì)圖10三幅圖像的修復(fù)結(jié)果中均出現(xiàn)了結(jié)構(gòu)線的錯(cuò)誤延伸,究其原因,算法對(duì)待修復(fù)塊的優(yōu)先級(jí)判斷錯(cuò)誤。而本文算法實(shí)現(xiàn)了結(jié)構(gòu)線引導(dǎo)紋理塊填充,解決了織物表面紋樣結(jié)構(gòu)線斷聯(lián)和紋理填充錯(cuò)誤問(wèn)題。

圖10 真實(shí)殘損修復(fù)效果對(duì)比Fig.10 Actual repair effect comparison

5 結(jié) 論

本文提出了基于結(jié)構(gòu)線擬合的絲綢圖像虛擬修復(fù)算法,利用紋樣結(jié)構(gòu)殘留信息,重建缺失的結(jié)構(gòu)線,對(duì)缺損盲區(qū)進(jìn)行引導(dǎo)修復(fù),引入邊界函數(shù)改進(jìn)優(yōu)先權(quán),優(yōu)化了小塊的修復(fù)次序,解決了修復(fù)后圖像結(jié)構(gòu)斷聯(lián)問(wèn)題。修復(fù)后圖像取得的SSIM均值為0.98、PSNR均值為36.76,保證了修復(fù)結(jié)果與原圖高度相似,同時(shí)滿足了視覺(jué)上圖像結(jié)構(gòu)連續(xù)性和內(nèi)容一致性。

虛擬修復(fù)作為本體修復(fù)的補(bǔ)充,一方面輔助文物本體修復(fù),可為文物本體修復(fù)提供效果參考;另一方面為在線博物館虛擬展示提供了技術(shù)支撐。由于參考信息僅依賴文物自身及周邊紋理和色彩,使得一定程度上難以完全修復(fù)至原始效果。針對(duì)此類參考樣本稀少、處于盲修復(fù)狀態(tài)下的自動(dòng)修復(fù)問(wèn)題,當(dāng)面對(duì)復(fù)雜形態(tài)的紋樣修復(fù)時(shí),目前尚難依據(jù)周邊信息進(jìn)行生成。今后需重點(diǎn)對(duì)修復(fù)參數(shù)交互調(diào)整進(jìn)行研究,以適應(yīng)多方案推薦的復(fù)原需求。

《絲綢》官網(wǎng)下載

中國(guó)知網(wǎng)下載