GaiaField 便携式成像光谱系统案例分享：高光谱在文物保护方面的应用（下）
补雅晶等人提出了一种基于可见光谱特征提取的敦煌壁画颜料无损识别方法，通过分析不同颜料的光谱反射特性，提取光谱曲线的二阶导数负数部分表征峰值区域几何轮廓信息，并采用中值金字塔降采样进一步突出重要光谱特征。研究建立了含48种颜料的光谱数据库，通过计算欧氏距离自动识别颜料。以敦煌壁画为例，成功识别了不同窟室的蓝色、绿色和红色颜料。该方法快速无损，为壁画数字存档与修复提供科学依据，展现出实用性与**性，为文物颜料非接触式分析开辟了新路径。
图10.（a）249窟斗形顶正披阿修罗蓝色颜料识别结果；（b）220窟南壁绿色颜料识别结果；（c）310窟北壁红色颜料识别结果
文物污渍检测及修复方面。古画和谷物在长期的保存过程中，由于自然环境和人为保存不当等因素的影响，常含有霉变、水渍、烟熏、蝇粪、油斑等污渍，影响其欣赏或收藏价值。因此，针对污渍的检测与虚拟修复技术逐渐成为文物保护领域的重要研究方向。
周新光等人研究了高光谱图像系统在提取传统书画作品中模糊印章信息方面的应用。文章采用350-1000 nm高光谱成像技术，通过*小噪声分离方法处理数据，显著提升印章辨识度（图11）。该技术还能揭示修复痕迹，为印章真实性及文物艺术价值研究提供科学依据，解决了模糊不清印章的辨识难题。
图11.560～850nm下MNF处理结果（上方为处理前高光谱图像合成图，下方为处理后高光谱图像合成图）
王珺等人研究了基于高光谱成像技术和深度学习模型对青铜器锈蚀类别进行智能标识的方法，为青铜器的保护和修复提供了科学依据。针对青铜器锈蚀识别难题，提出基于分组LSTM与CNN的MGLC网络方法，结合光谱与空间特征提升识别精度。实验显示，MGLC在分类精度、区域性和分界清晰度上优于传统方法，能精准识别六类锈蚀分布（图12），并生成锈蚀分布图，为文物保护、修复提供科学参考。
图12.不同算法在青铜器数据集有标签面的全图分类结果
周平平等人在研究中提出了一种基于高光谱影像分类线性回归的古画污渍虚拟修复方法，针对清代绢本古画上存在的油渍污染区域，通过高光谱成像技术结合支持向量机（SVM）分类和人工神经网络（ANN），对污渍区域内隐含信息进行提取。研究通过分析影像中油渍影响小的波段，建立分类线性回归模型校正污染波段，恢复油渍覆盖区的原始颜料和色彩。修复后影像（图13）显现出污渍下的颜料信息，叶脉纹络清晰可见。实验证明，该方法能有效提取隐藏信息，恢复古画原貌，提升艺术表现力与鉴赏价值。
图13.古画虚拟修复实验结果
孙美君等人基于近红外高光谱技术，提出了一种用于敦煌莫高窟壁画起甲病害风险评估的方法。研究利用高光谱成像系统建立壁画病害光谱数据库，采用PLSR、PCA+SVM、PCA+ANN模型评估起甲病害风险。PLSR模型表现*佳，生成逐像素风险分布图。结果显示，模型准确评估了壁画脱落情况，验证了高光谱技术在壁画病害评估中的有效性，有助于病害探测与保护。
图14.壁画起甲风险评估图。**列为壁画的彩色*像，**列为原始图像的高光谱图像示意图，第三列为PLSR模型预测得到的风险评估图
Hou等人提出了一种利用高光谱成像技术从壁画烟尘中提取隐藏信息的有效方法，以提高古代壁画图案的视觉价值。首先，采用*小噪声分数变换去除壁画背景中的烟尘特征；其次，利用光谱特征分析和图像减法对壁画进行特征增强；*后进行密度切片，提取烟尘下的图案（图15）。该方法对隐藏信息的提取准确率达到了88.97%。
图15.利用密度分割法提取隐藏信息：区域1的彩色*像（a）由原始高光谱图像合成，DN值转换起始值为0，图案以白色突出显示（b），并通过密度分割法在阈值7.95下提取出图案（c）；区域2的彩色*像（d）同样经过DN值转换，起始值设为0，图案以白色显示（e），随后在阈值6.55下通过密度分割法提取出图案（f）。
总结与展望
高光谱成像技术作为一种新兴的无损检测手段，凭借同时获取高光谱数据与空间图像的独*优势，在文物保护与修复领域展现出巨大的应用潜力。当前，该技术已被应用于书画颜料成分鉴定、隐藏信息提取、病害分析及修复效果评估等方面，能够有效揭示文物的材质特征、制作工艺及历史信息，为文物科技工作提供了一种高效、精准的技术途径，也进一步推动文物科技工作的**与发展。
高光谱成像技术在文物保护领域的发展有望与深度学习和人工智能算法相结合，提高高光谱数据的自动化分析能力，实现文物病害的快速识别与精准分类。同时，开发更加轻便、实用的高光谱设备，拓展其在野外考古与现场保护中的应用，将成为重要的发展方向。此外，结合其他检测技术（如X射线荧光、红外成像等），建立多技术联合分析平台，将**提升文物研究与修复工作的精度与效率。随着技术的持续**与优化，高光谱成像技术必将在文物保护与修复领域发挥更加关键的作用，为文化遗产的传承与保护提供坚实的科技支撑。
参考文献
补雅晶, 万晓霞, 李俊锋, 梁金星, & 李禅. (2017). 基于可见光谱特征提取的敦煌壁画颜料识别方法研究. 文物保护与考古科学, 29(3), 45–51.
丁新峰. (2015). 基于高光谱成像技术的文物颜料研究 [硕士, 北京建筑大学].
巩梦婷, 张秋佳, 杜少飞, & 詹宁思. (2021). 高光谱成像技术对宜宾市博物院藏族谱印记的分析. 文物保护与考古科学, 33(5), 78–84.
郭新蕾, 张立福, 吴太夏, 张红明, & 罗旭东. (2017). 成像光谱技术的古画隐藏信息提取. 中国图象图形学报, 22(10), 1428–1435.
孙美君, 柴勃隆, 张冬, 王征, & 孙济洲. (2016). 基于近红外高光谱技术的敦煌莫高窟壁画起甲病害风险评估方法. 文物保护与考古科学, 28(4), 1–8.
王珺, 孙进越, 俞凯, 刘成, 吴晨, 陈有路, & 胡琦瑶. (2021). 基于分组LSTM与CNN的青铜器锈蚀类别智能标识方法. 西北大学学报(自然科学版), 51(5), 778–786.
周平平, 侯妙乐, 赵学胜, 吕书强, 胡云岗, 张学东, & 赵恒谦. (2017). 基于高光谱影像分类线性回归的古画污渍虚拟恢复. 地理信息世界, 24(3), 113–118.
周新光, 沈骅, & 吴来明. (2020). 高光谱图像系统应用于模糊印章的提取研究. 文物保护与考古科学, 32(1), 56–60.
Han, D., Ma, L., Ma, S., & Zhang, J. (2020). The digital restoration of painted patterns on the No. 2 Qin bronze chariot based on hyperspectral imaging. Archaeometry, 62(1), 200–212.
Hou, M., Cao, N., Tan, L., Lyu, S., Zhou, P., & Xu, C. (2019). Extraction of Hidden Information under Sootiness on Murals Based on Hyperspectral Image Enhancement. Applied Sciences, 9(17), 3591.
Hou, M., Zhou, P., Lv, S., Hu, Y., Zhao, X., Wu, W., He, H., Li, S., & Tan, L. (2018). Virtual restoration of stains on ancient paintings with maximum noise fraction transformation based on the hyperspectral imaging. Journal of Cultural Heritage, 34, 136–144.
Li, G. H., Chen, Y., Sun, X. J., Duan, P. Q., Lei, Y., & Zhang, L. F. (2020). An automatic hyperspectral scanning system for the technical investigations of Chinese scroll paintings. Microchemical Journal, 155, 104699.
Pan, N., Hou, M., Lv, S., Hu, Y., Zhao, X., Ma, Q., Li, S., & Shaker, A. (2017). Extracting faded mural patterns based on the combination of spatial-spectral feature of hyperspectral image. Journal of Cultural Heritage, 27, 80–87.
