Алгоритм измерения текстурных характеристик по комбинации спектров Фурье изображений в направленном свете

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Предлагается новый алгоритм измерения текстурных характеристик объектов на изображениях. Новизна алгоритма заключается в использовании пар изображений, зафиксированных в направленном свете, и комбинировании их образов в частотной области. Применение разработанного алгоритма продемонстрировано при решении задачи подсчета нитей тканых основ произведений живописи по изображениям. Вычислительный эксперимент показал, что ошибка измерения плотности холста не превышает 0.4 нити на сантиметр. Проведено сравнение точности измерения плотности холста различными методами. Предлагаемый алгоритм позволяет измерить характеристики холстов картин с фактурой, искаженной сильным загрязнением, просачиванием грунта или обработкой реставрационными материалами, и превосходит по точности применявшиеся ранее алгоритмы. С использованием нового алгоритма выполнено измерение плотности холстов семи картин из собрания Государственного исторического музея. Разработанный алгоритм может применяться для решения широкого круга практических задач, включая обработку и анализ аэрофотоснимков.

Полный текст

Доступ закрыт

Об авторах

А. В. Березин

Государственный исторический музей

Автор, ответственный за переписку.
Email: berezin_aleks@mail.ru
Россия, Москва

Е. Ю. Иванова

Российская академия живописи, ваяния и зодчества Ильи Глазунова

Email: ivanova-e-yu@yandex.ru
Россия, Москва

Д. М. Мурашов

Федеральный исследовательский центр "Информатика и управление" Российской Академии Наук

Email: d_murashov@mail.ru
Россия, Москва

Список литературы

  1. Mishra D., Palkar B. Image Fusion Techniques: A Review // International J. Computer Applications. 2015. V. 130. № 9. P. 7–13. https://doi.org/10.5120/ijca2015907084
  2. Ramarao G., Bindu C.H., Murthi T.S.N., Kumar D.R.S., Kumar S.S. A Critical Review of Image Fusion Methods // MSEA. 2021. V. 70. № 2. P. 320–335.
  3. Klein A.G., Johnson D.H., Sethares W.A., Lee H., Johnson C.R., Hendriks E. Algorithms for Old Master Painting Canvas Thread Counting from X-rays // 42nd Asilomar Conf. on Signals, Systems and Computers. Pacific Grove, 2008. P. 1229–1233.
  4. Johnson D.H., Johnson C.R., Klein A.G., Sethares W.A., Lee H., Hendriks E. A Thread Counting Algorithm for Art Forensics // 13th IEEE Digital Signal Processing Workshop and 5th IEEE Signal Processing Education Workshop. IEEE, 2009. P. 679–684.
  5. Мазина А.Я. Исследование холстов русских художников XIX-XX веков // XII Научн. конф. “Экспертиза и атрибуция произведений изобразительного и декоративно-прикладного искусства“. М.: Магнум Арс, 2009. С. 131–135.
  6. Johnson D.H., Johnson C.R.Jr., Erdmann R.G. Weave Analysis of Paintings on Canvas from Radiographs // Signal Processing. 2013. V. 93. № 3. P. 527–540.
  7. Van der Maaten L., Erdmann R.G. Automatic Thread-level Canvas Analysis: A Machine-learning Approach to Analyzing the Canvas of Paintings // IEEE Signal Processing Magazine. 2015. V. 32. № 4. P. 38–45.
  8. Pan R., Gao W., Li Z., Gou J., Zhang J., Zhu D. Measuring Thread Densities of Woven Fabric Using the Fourier Transform // Fibres & Textiles in Eastern Europe. 2015. V. 23. P. 35–40.
  9. Aldemir E., Ozdemir H., Sari Z. An Improved Gray Line Profile Method to Inspect the Warp–weft Density of Fabrics // J. Textile Institute. 2019. V. 110. № 1. P. 105–116.
  10. Murashov D.M., Berezin A.V., Ivanova E.Yu.. Measuring Parameters of Canvas Texture from Images of Paintings Obtained in Raking Light // J. Physics: Conference Series by IOP Publishing. 2019. V. 1368. 032024. P. 1–11. https://doi.org/10.1088/1742-6596/1368/3/032024
  11. Иванова, Е.Ю., Березин А.В., Мурашов Д.М. Особенности процесса создания произведений Ф.С. Рокотова, выявленные с помощью современных методов технико-технологических исследований (на примере произведений из собрания ГИМ) // Ф.С. Рокотов. Собрание Исторического музея. Исследования и реставрация. М.: ГИМ, 2020. C. 134–148.
  12. Murashov D.M., Berezin A.V., Ivanova E.Y. Algorithms Based on Maximization of the Mutual Information for Measuring Parameters of Canvas Texture from Images // ICPR 2020 Workshops / Ed. A. Del Bimbo. Lecture Notes in Computer Science. Springer Nature Switzerland AG, 2021. V. 12665. P. 77–89. https://doi.org/10.1007/978-3-030-68821-9_7
  13. Руднева Л.Ю. Коллекция портретов Ф.С. Рокотова в собрании Государственного исторического музея. Каталог произведений // Ф.С. Рокотов. Собрание Исторического музея. Исследования и реставрация. М.: ГИМ, 2020. C. 4–77.
  14. Yang H., Lu J., Brown W.P., Daubechies I., Ying L. Quantitative Canvas Weave Analysis Using 2-D Synchrosqueezed Transforms: Application of Time-frequency Analysis to Art Investigation // IEEE Signal Processing Magazine. 2015. V. 32. № 4. P. 55–63.
  15. Soille P. Morphological Image Analysis: Principles and Applications. Berlin: Springer Science & Business Media, 2013. 392 p.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Иллюстрация модели холста: а ‒ изображение, построенное по модели (1.1) при ; б – спектр Фурье изображения а; в ‒ графическая интерпретация результата преобразования Радона спектра Фурье.

Скачать (230KB)
Метаданные
3. Рис. 2. Пример изображения холста картины.

Скачать (164KB)
Метаданные
4. Рис. 3. Изображение холста, обработанного реставрационным составом.

Скачать (219KB)
Метаданные
5. Рис. 4. Изображения образца холста при освещении, направленном: сверху вниз (а); снизу вверх (б).

Скачать (912KB)
Метаданные
6. Рис. 5. Фрагмент изображения холста после предварительной обработки.

Скачать (35KB)
Метаданные
7. Рис. 6. Комбинированный спектр Фурье изображений образца холста и результат преобразования спектра: а ‒ спектр Фурье изображения образца; б – графическая интерпретация результата преобразования Радона изображения спектра Фурье, показанного на изображении а.

Скачать (155KB)
Метаданные

© Российская академия наук, 2025