|
我国历史源远流长，文物遗存丰富，其中古陶瓷类文物种类繁多，工艺精湛，文化内涵丰富，具有极高的科技研究价值。随着我国人民物质生活的不断提高，愈来愈多的人对古遗物产生了兴趣，文物古玩艺术品的收藏活动愈益普及，其中古陶瓷器占有相当的比重。而景德镇作为中国古代制瓷规模最大，延续烧造时间最长、生产瓷器最美、遗存古陶瓷最多的古镇之一，在巨大的利益驱动下， 景德镇瓷器市场造假和走私的现象非常严重，一些不法者在疯狂盗掘、走私古陶瓷的同时，还大量仿制历代名瓷、烧制伪赝品，不仅冲击了市场，给许多机构和个人造成了巨大的经济损失，更重要的是使得我国许多珍贵文物流失海外，因此如何建立和完善一套科学的鉴定手段成为社会关注的热点。  图 1 不同类型的直方图 Fig 1 Different types of histogram 以前，人们是运用传统鉴定方法对中国古陶瓷进行断源断代，即利用感官手段如眼观、手摸、耳听等方式， 通过陶瓷器的纹饰、器型、釉色、胎体、款识等的不同特征进行真伪鉴别、同时判断其年代及产地。但传统古陶瓷鉴定需要依赖的是鉴定者日积月累，长期摸索的研究总结，采用诸如类推法、考证法、逻辑推理法等手段找出待鉴定器与标准器之间的差异，由此来推断出待鉴定器的年代以及真伪。因此，经不同鉴定者的鉴定，即使是同一件古陶瓷，有时也会出现一定的差异性 , 严重的甚至导致截然相反的结论。鉴于传统陶瓷鉴定方法的这一局限性，同时对陶瓷器形、纹饰等的叙述均无具体量化标准，建立科学的古陶瓷鉴定量化体系已迫在眉睫。 针对大量的古陶瓷信息，数字化古陶瓷图像具有诸多优点，其中之一就是能快速找到某一件古陶瓷的器型结构数据，利用器型结构数据初步对古陶瓷进行遴选， 使古陶瓷鉴定工作简单便捷，减轻古陶瓷鉴定的工作量， 让鉴定者在鉴定前期能够准确了解古陶瓷的信息，为后续工作提供帮助。在对古陶瓷进行数字化过程当中，最为关键的步骤就是提取古陶瓷器型的边缘轮廓，因为在人类视觉系统中，给人冲击最大的就是图像的边界，而边界往往仅为一条粗略的轮廓线 [1]。  图 2 T=0.5137 二值化 Fig 2 T =0.5137 binary chart 本文以宋元时期景德镇湖田窑撇口碗样品为研究对象，对其进行器型图像采集，利用 MATLAB 数字图像处理，提取出宋元撇口碗边缘轮廓，进而获取潜在的边缘特征值，与前辈 [2] 总结的经验结论进行比对，结果显示本文方法可以对宋元撇口碗进行初步筛选，与人工目测的结果基本一致，提高了鉴定准确率及效率。 1、 古陶瓷数字化处理过程在获取古陶瓷器物图像的过程中，由于相机像素、噪声等因素的影响，同时经过传输和转换等，往往使其与原始器物之间产生某些差异，这种差异可称为变劣或退化。古陶瓷图像的退化一般包括对比度差，古陶瓷边缘轮廓模糊、噪声较大等，这些变劣给图像的进一步处理造成了困难和不便。因此，前期对古陶瓷图像进行恰当的预处理，即通过图像增强、二值滤波、直方图滤波等方法，改善图像的对比度，提高图像成分的清晰度， 将一幅带有较多影响的原始图像转变为一幅特征信号强， 存在少量或基本上不存在噪声的黑白相间的二值器型图像。古陶瓷图像预处理后使图像更有利于计算机的处理， 从而提高古陶瓷器物的识别率，为后期的特征提取和特征匹配，提供可靠、准确地特征信息。  图 3 图像数字化流程 Fig 3 Flowchart of image digitization 1/1 图像增强 图像增强是根据某种特定的要求来突出图像中的一些信息，此过程中要求减弱或消除那些不需要出现的信息，其目的主要是给特定的项目，提供更多更准确的信息， 有利于后续工作的开展。图像增强主流手段大致上有两种，分别是频域和空域的滤波增强。  图 4 图像预处理全过程 Fig 4 Image pretreatment process 卷积定理是频域滤波增强的基础，它是在频域的域空间对图像进行滤波处理，因此需要先将空间域的图像变换到频率域中，傅里叶变换可以对这一过程进行实现 [3]。而空域滤波则是直接对图像中的像素进行处理，即按照特定的数学变换公式将每个像元值转换为另一新元值， 其中需要增强的细节不同选取的变换公式也不同。实际操作过程中，诸如对比度的增强、改善图像的灰度层等等都属于空域滤波处理。空域滤波器的作用主要在于平滑和锐化，平滑旨在于减弱或消除混杂在图像中的影响因子，提高图像的质量，强化图像的特征。而锐化的目的是增强边缘，并对边缘进行识别和处理。  图 5 边缘检测算子模板 Fig 5 Edge detection operators 通常，在图像预处理中灰度直方图最常用，图像中灰度值出现的频率可以通过灰度直方图进行统计，通过改变灰度直方图对图像进行明暗状况以及对比度等特征的改变，提高图像中目标对象有效信息的准确提取。图 1 给出了一青花缠枝莲撇口碗数字图像经过不同处理后的直方图分布情况，通过修改直方图的方法就可以来调整图像的灰度分布情况  图 6 不同算子对边缘轮廓的检测 Fig 6 Different operators on edge profile detection 1/2 二值化 目标对象、背景以及噪声都在一幅图像当中，要想更准确更有效的从图像中提取到目标对象的信息，并进行识别和分析图像中的目标，最常用的方法就是对其设定一个特殊值，用这个特殊值将图像的信息数据分成大于特殊值像素群和小于特殊值像素群的两个部分，即对图像进行二值化处理。这个特殊值的选取是二值化最关键的步骤 , 无特殊要求的情况下可取中间值，因为在图像不复杂的情况下使用 , 选用中间值占用资源最小 , 亦或先统计出图像的直方图 , 然后在直方图中找到两个峰值之间的极小值 , 以此作为二值化的初始特殊值 , 进行局部调整。图 2 给出了经过选取特殊值 T=0.5137，进行调整后的二值化古陶瓷器型图像，图示大致能将撇口碗与目标背景予以区别，为后续数字化提取特征打下基础。古陶瓷器物轮廓特征 [4] 能很好地反映器物形状的信息，在图像的视觉特征研究领域，轮廓特征更接近人的视觉特点，而器物的边缘轮廓带给人们更多的视觉冲击 [5]。古陶瓷器型图像处理过程框图如图 3 所示。以青花缠枝莲撇口碗为例，图 4 给出了对古陶瓷图像预处理过程中图像的变化，可以看出，原图经过一系列的处理，最后得到的图像目标信息更清晰准确，对特征值测量更为有利，同时将其形式转变的更为紧凑，减少资源浪费，使后续进行的图像识别和数据分析理解成为可能。  图 7 边缘轮廓原始数据点及拟合曲线 Fig 7 Edge profile raw data pointand fitting curve 1/3边缘检测 边缘是一幅图像中局部变化强度最显著的区域。因此，它主要存在于目标与目标、目标与背景、区域与区域之间，是图形检测、目标识别和区域划分等图像分析的重要基础，是图像处理中重要环节之一。一般两个相邻区域之间具有不同灰度值，并表现出灰度不连续的形式，即存在边缘界线。边缘检测技术就是利用界线灰度跳跃最明显最剧烈的特点，对图像的每个像素点进行数学方式的处理如一阶微分或更高阶微分，来确定边缘界线范围，因此在实际操作过程中，先进行古陶瓷目标对象与背景的区分，找出灰度变化明显的界线区域，提取出界线像素点，然后利用连接规则将界线像素点进行连接，同时检测对象并寻找遗漏的界线点进行补充，去除背景与噪声造成的虚假界线像素点 [6]。 边缘轮廓检测的基本算法很多，有梯度算子、方向算子等等。而梯度算子中的索贝尔算子、罗伯特算子、普罗维特算子、高斯偏导滤波器以及坎尼算子等，要根据实际试验情况和具体要求进行合适的选择，确保后续图像目标信息准确有效的提取 [7]。 2.1Sobel 边缘算子 索贝尔（sobel）边缘算子有两个方向上的卷积，即垂直方向和水平方向，卷积核模板如图 5 所示。图像中的像素点都利用这两个核进行卷积，水平卷积核对图像水平方向上的边缘界线响应最大，而垂直卷积核对垂直边缘界线响应最大。两个卷积处理后的最大值即作为该像素的输出值。运算结果则为该图像的边缘幅度图像。  Sobel 算子很容易在空间上进行实现，Sobel 边缘检测器不仅能得到较好的边缘检测效果，而且受到噪声的影响也较小，当使用到更大的区域时，抗噪性能也保持良好， 但此算子的计算量较大，耗时较长，边缘界线的像素值结果大于 2，不利于获取准确的目标分析数据。 2.2Robert 边缘算子 罗伯特（robert）边缘检测算子是一种利用局部差 分方法寻找边缘的算子，它的两个 2×2 模板如图 5 所示， 实际应用中，目标图像中的每一像素都用这两个模板进行卷积处理，为避免出现负值，在检测过程中需取绝对值进行运算。Robert 算子在检测水平和垂直边缘时的效果要好于斜向边缘，定位精度较准确，但对噪声比较敏感， 影响检测效果。  2.3Prewitt 边缘算子 普罗维特（Prewitt）边缘检测算子的两个卷积模板 如图 5 所示，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，过滤部分伪边缘，对噪声具莲撇口碗为例，图 4 给出了对古陶瓷图像预处理过程中图像的变化，可以看出，原图经过一系列的处理，最后得到的图像目标信息更清晰准确，对特征值测量更为有利，同时将其形式转变的更为紧凑，减少资源浪费，使后续进行的图像识别和数据分析理解成为可能。 3边缘检测 边缘是一幅图像中局部变化强度最显著的区域。因此，它主要存在于目标与目标、目标与背景、区域与区域之间，是图形检测、目标识别和区域划分等图像分析的重要基础，是图像处理中重要环节之一。一般两个相邻区域之间具有不同灰度值，并表现出灰度不连续的形式，即存在边缘界线。边缘检测技术就是利用界线灰度跳跃最明显最剧烈的特点，对图像的每个像素点进行数学方式的处理如一阶微分或更高阶微分，来确定边缘界线范围，因此在实际操作过程中，先进行古陶瓷目标对象与背景的区分，找出灰度变化明显的界线区域，提取出界线像素点，然后利用连接规则将界线像素点进行连接，同时检测对象并寻找遗漏的界线点进行补充，去除背景与噪声造成的虚假界线像素点 [6]。 边缘轮廓检测的基本算法很多，有梯度算子、方向算子等等。而梯度算子中的索贝尔算子、罗伯特算子、普罗维特算子、高斯偏导滤波器以及坎尼算子等，要根据实际试验情况和具体要求进行合适的选择，确保后续图像目标信息准确有效的提取 [7]。  图 9 碗轮廓拟合曲线 Fig 9 Bowl contour fitting curve 3.1Sobel 边缘算子 索贝尔（sobel）边缘算子有两个方向上的卷积，即垂直方向和水平方向，卷积核模板如图 5 所示。图像中的像素点都利用这两个核进行卷积，水平卷积核对图像水平方向上的边缘界线响应最大，而垂直卷积核对垂直边缘界线响应最大。两个卷积处理后的最大值即作为该像素的输出值。运算结果则为该图像的边缘幅度图像。 Sobel 算子很容易在空间上进行实现，Sobel 边缘检测器不仅能得到较好的边缘检测效果，而且受到噪声的影响也较小，当使用到更大的区域时，抗噪性能也保持良好， 但此算子的计算量较大，耗时较长，边缘界线的像素值结果大于 2，不利于获取准确的目标分析数据。 3.2Robert 边缘算子 罗伯特（robert）边缘检测算子是一种利用局部差 分方法寻找边缘的算子，它的两个 2×2 模板如图 5 所示， 实际应用中，目标图像中的每一像素都用这两个模板进行卷积处理，为避免出现负值，在检测过程中需取绝对值进行运算。Robert 算子在检测水平和垂直边缘时的效果要好于斜向边缘，定位精度较准确，但对噪声比较敏感， 影响检测效果。  图 10 撇口碗按比例拟合曲线 Fig 10 bowl in proportion to the fitted curve 3.3Prewitt 边缘算子 普罗维特（Prewitt）边缘检测算子的两个卷积模板 如图 5 所示，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，过滤部分伪边缘，对噪声具莲撇口碗为例，图 4 给出了对古陶瓷图像预处理过程中图像的变化，可以看出，原图经过一系列的处理，最后得到的图像目标信息更清晰准确，对特征值测量更为有利，同时将其形式转变的更为紧凑，减少资源浪费，使后续进行的图像识别和数据分析理解成为可能。 4边缘检测 边缘是一幅图像中局部变化强度最显著的区域。因此，它主要存在于目标与目标、目标与背景、区域与区域之间，是图形检测、目标识别和区域划分等图像分析的重要基础，是图像处理中重要环节之一。一般两个相邻区域之间具有不同灰度值，并表现出灰度不连续的形式，即存在边缘界线。边缘检测技术就是利用界线灰度跳跃最明显最剧烈的特点，对图像的每个像素点进行数学方式的处理如一阶微分或更高阶微分，来确定边缘界线范围，因此在实际操作过程中，先进行古陶瓷目标对象与背景的区分，找出灰度变化明显的界线区域，提取出界线像素点，然后利用连接规则将界线像素点进行连接，同时检测对象并寻找遗漏的界线点进行补充，去除背景与噪声造成的虚假界线像素点 [6]。 边缘轮廓检测的基本算法很多，有梯度算子、方向算子等等。而梯度算子中的索贝尔算子、罗伯特算子、普罗维特算子、高斯偏导滤波器以及坎尼算子等，要根据实际试验情况和具体要求进行合适的选择，确保后续图像目标信息准确有效的提取 [7]。 图 11 曲率变化 Fig 11 Curvature 4.1Sobel 边缘算子 索贝尔（sobel）边缘算子有两个方向上的卷积，即垂直方向和水平方向，卷积核模板如图 5 所示。图像中的像素点都利用这两个核进行卷积，水平卷积核对图像水平方向上的边缘界线响应最大，而垂直卷积核对垂直边缘界线响应最大。两个卷积处理后的最大值即作为该像素的输出值。运算结果则为该图像的边缘幅度图像。 Sobel 算子很容易在空间上进行实现，Sobel 边缘检测器不仅能得到较好的边缘检测效果，而且受到噪声的影响也较小，当使用到更大的区域时，抗噪性能也保持良好， 但此算子的计算量较大，耗时较长，边缘界线的像素值结果大于 2，不利于获取准确的目标分析数据。 4.2Robert 边缘算子 罗伯特（robert）边缘检测算子是一种利用局部差 分方法寻找边缘的算子，它的两个 2×2 模板如图 5 所示， 实际应用中，目标图像中的每一像素都用这两个模板进行卷积处理，为避免出现负值，在检测过程中需取绝对值进行运算。Robert 算子在检测水平和垂直边缘时的效果要好于斜向边缘，定位精度较准确，但对噪声比较敏感， 影响检测效果。 4.3Prewitt 边缘算子 普罗维特（Prewitt）边缘检测算子的两个卷积模板 如图 5 所示，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，过滤部分伪边缘，对噪声具5 、曲线拟合 在许多应用领域中，人们经常需要从一系列已知离散点上的数据集 [(x1,y1),(x2,y2),...(xn,yn)] 得到一个解析函数 y=f（x）。得到的解析函数 f(x) 应当在原离散点 xi 上尽可能接近给定的yi 的值，这一过程称为曲线拟合。常用的曲线拟合方法是最小二乘法，拟合结果可使误差的平方和最小，即找出使为最小的 f(x)。 轮廓的曲线拟合，可以得到其曲线方程及曲线走向， 图 7 为不同阶次对古陶瓷器型边缘轮廓的拟合曲线。在调用命令程序时，必须给出自变量数据组和期望的最佳拟合数据的多项式的阶次。选择不同的阶数，会得到不同的拟合效果，如何选择最佳阶数，需要在系统辨识方面有更多的知识或自行调试 [10]。最简单的方法是比较拟合后多项式的系数，因不同阶次拟合的古陶瓷边缘轮廓曲线时，拟合出的多项式会呈现不同阶次的变化，从表 1 多项式系数可以分析出，此撇口碗从 4 阶拟合开始，所有高于 4 阶的多 项式系数均趋近于零，可见此时最佳拟合阶次可以定在 4阶，低于 4 阶会产生拟 合不足即“欠拟合”现象，从而在预报时会造成偏差，而高于 4 阶会变得过度复杂 [11]。针对古陶瓷图像轮廓曲线的拟合，一定要做到具体问题具体分析，要选择合适的拟合方式及拟合阶次，保证拥有最佳的拟合多项式以及拟合曲线的光滑。 |
|
|
