针对传统光谱匹配法在进行古代壁画颜料识别时存在的获取每个点反射率的过程复杂、计算具有一定误差等会影响识别精度的问题,将壁画颜料识别问题转换成多光谱图像分类问题,利用在图像分类领域有较强优势的卷积神经网络算法对多光谱图像进行处理,设计了一种新的卷积神经网络模型,并提出了光谱特征重组的数据预处理方式,通过加入两次dropout防止训练过程出现过拟合问题,进而实现了对古壁画颜料的分类。实验结果表明,该方法与统计流形支持向量机分类方法,以及未加入dropout的卷积神经网络分类方法相比,在分类效果和分类精度上具有明显的优势。

该研究目的为提出一种面向我国各类文物体系的典型色彩光谱样本集构建方法。 以具有1700多年历史的世界级佛教艺术文化遗产敦煌莫高窟壁画彩绘为典型研究对象, 以保证文物色彩传递过程中的色彩恒常性为主要创新, 最终从视觉感知角度提出基于色彩恒常性的敦煌典型色彩光谱样本集构建方法。 在具体实施过程中, 在敦煌研究院美术所及保护所工作人员的配合与指导下, 结合现有敦煌学研究成果, 研究选取了48类敦煌典型颜料并设计制备了240个代表性色彩样本。 利用分光光度计获取其在360～750 nm范围内反射光谱信息, 通过聚类分析法对原始色彩光谱样本集进行分类, 以6类典型光源场景条件下色彩易变性指数（color inconstancy index）的综合量值为依据, 结合Wilcoxon符号秩检验, 确定分类数量及各子类的代表性样本, 初步构建光谱样本集。 随后, 从色域完整性角度对初步建立的样本集进行补充, 最终构建由100个样本组成的全色域光谱数据集。 分析结果显示, 该样本集在99%置信条件下的色彩易变性指数可低至3.28, 且均匀分布于敦煌色彩体系的整个色域, 因而可以为敦煌色彩再现过程中合理的选用具有高恒常性水平的色彩提供数据参考及方法依据。