補雅晶等人提出了一種基于可見光譜特征提取的敦煌壁畫顏料無損識別方法，通過分析不同顏料的光譜反射特性，提取光譜曲線的二階導數負數部分表征峰值區域幾何輪廓信息，并采用中值金字塔降采樣進一步突出重要光譜特征。研究建立了含48種顏料的光譜數據庫，通過計算歐氏距離自動識別顏料。以敦煌壁畫為例，成功識別了不同窟室的藍色、綠色和紅色顏料。該方法快速無損，為壁畫數字存檔與修復提供科學依據，展現出實用性與**性，為文物顏料非接觸式分析開辟了新路徑。

圖10.（a）249窟斗形頂正披阿修羅藍色顏料識別結果；（b）220窟南壁綠色顏料識別結果；（c）310窟北壁紅色顏料識別結果

文物污漬檢測及修復方面。古畫和谷物在長期的保存過程中，由于自然環境和人為保存不當等因素的影響，常含有霉變、水漬、煙熏、蠅糞、油斑等污漬，影響其欣賞或收藏價值。因此，針對污漬的檢測與虛擬修復技術逐漸成為文物保護領域的重要研究方向。

周新光等人研究了高光譜圖像系統在提取傳統書畫作品中模糊印章信息方面的應用。文章采用350-1000 nm高光譜成像技術，通過*小噪聲分離方法處理數據，顯著提升印章辨識度（圖11）。該技術還能揭示修復痕跡，為印章真實性及文物藝術價值研究提供科學依據，解決了模糊不清印章的辨識難題。

圖11.560～850nm下MNF處理結果（上方為處理前高光譜圖像合成圖，下方為處理后高光譜圖像合成圖）

王珺等人研究了基于高光譜成像技術和深度學習模型對青銅器銹蝕類別進行智能標識的方法，為青銅器的保護和修復提供了科學依據。針對青銅器銹蝕識別難題，提出基于分組LSTM與CNN的MGLC網絡方法，結合光譜與空間特征提升識別精度。實驗顯示，MGLC在分類精度、區域性和分界清晰度上優于傳統方法，能精準識別六類銹蝕分布（圖12），并生成銹蝕分布圖，為文物保護、修復提供科學參考。

圖12.不同算法在青銅器數據集有標簽面的全圖分類結果

周平平等人在研究中提出了一種基于高光譜影像分類線性回歸的古畫污漬虛擬修復方法，針對清代絹本古畫上存在的油漬污染區域，通過高光譜成像技術結合支持向量機（SVM）分類和人工神經網絡（ANN），對污漬區域內隱含信息進行提取。研究通過分析影像中油漬影響小的波段，建立分類線性回歸模型校正污染波段，恢復油漬覆蓋區的原始顏料和色彩。修復后影像（圖13）顯現出污漬下的顏料信息，葉脈紋絡清晰可見。實驗證明，該方法能有效提取隱藏信息，恢復古畫原貌，提升藝術表現力與鑒賞價值。

圖13.古畫虛擬修復實驗結果

孫美君等人基于近紅外高光譜技術，提出了一種用于敦煌莫高窟壁畫起甲病害風險評估的方法。研究利用高光譜成像系統建立壁畫病害光譜數據庫，采用PLSR、PCA+SVM、PCA+ANN模型評估起甲病害風險。PLSR模型表現*佳，生成逐像素風險分布圖。結果顯示，模型準確評估了壁畫脫落情況，驗證了高光譜技術在壁畫病害評估中的有效性，有助于病害探測與保護。

圖14.壁畫起甲風險評估圖。**列為壁畫的彩色*像，**列為原始圖像的高光譜圖像示意圖，第三列為PLSR模型預測得到的風險評估圖

Hou等人提出了一種利用高光譜成像技術從壁畫煙塵中提取隱藏信息的有效方法，以提高古代壁畫圖案的視覺價值。首先，采用*小噪聲分數變換去除壁畫背景中的煙塵特征；其次，利用光譜特征分析和圖像減法對壁畫進行特征增強；*后進行密度切片，提取煙塵下的圖案（圖15）。該方法對隱藏信息的提取準確率達到了88.97%。

圖15.利用密度分割法提取隱藏信息：區域1的彩色*像（a）由原始高光譜圖像合成，DN值轉換起始值為0，圖案以白色突出顯示（b），并通過密度分割法在閾值7.95下提取出圖案（c）；區域2的彩色*像（d）同樣經過DN值轉換，起始值設為0，圖案以白色顯示（e），隨后在閾值6.55下通過密度分割法提取出圖案（f）。

總結與展望

高光譜成像技術作為一種新興的無損檢測手段，憑借同時獲取高光譜數據與空間圖像的獨*優勢，在文物保護與修復領域展現出巨大的應用潛力。當前，該技術已被應用于書畫顏料成分鑒定、隱藏信息提取、病害分析及修復效果評估等方面，能夠有效揭示文物的材質特征、制作工藝及歷史信息，為文物科技工作提供了一種高效、精準的技術途徑，也進一步推動文物科技工作的**與發展。

高光譜成像技術在文物保護領域的發展有望與深度學習和人工智能算法相結合，提高高光譜數據的自動化分析能力，實現文物病害的快速識別與精準分類。同時，開發更加輕便、實用的高光譜設備，拓展其在野外考古與現場保護中的應用，將成為重要的發展方向。此外，結合其他檢測技術（如X射線熒光、紅外成像等），建立多技術聯合分析平臺，將**提升文物研究與修復工作的精度與效率。隨著技術的持續**與優化，高光譜成像技術必將在文物保護與修復領域發揮更加關鍵的作用，為文化遺產的傳承與保護提供堅實的科技支撐。

參考文獻

補雅晶, 萬曉霞, 李俊鋒, 梁金星, & 李禪. (2017). 基于可見光譜特征提取的敦煌壁畫顏料識別方法研究. 文物保護與考古科學, 29(3), 45–51.

丁新峰. (2015). 基于高光譜成像技術的文物顏料研究 [碩士, 北京建筑大學].

鞏夢婷, 張秋佳, 杜少飛, & 詹寧思. (2021). 高光譜成像技術對宜賓市博物院藏族譜印記的分析. 文物保護與考古科學, 33(5), 78–84.

郭新蕾, 張立福, 吳太夏, 張紅明, & 羅旭東. (2017). 成像光譜技術的古畫隱藏信息提取. 中國圖象圖形學報, 22(10), 1428–1435.

孫美君, 柴勃隆, 張冬, 王征, & 孫濟洲. (2016). 基于近紅外高光譜技術的敦煌莫高窟壁畫起甲病害風險評估方法. 文物保護與考古科學, 28(4), 1–8.

王珺, 孫進越, 俞凱, 劉成, 吳晨, 陳有路, & 胡琦瑤. (2021). 基于分組LSTM與CNN的青銅器銹蝕類別智能標識方法. 西北大學學報(自然科學版), 51(5), 778–786.

周平平, 侯妙樂, 趙學勝, 呂書強, 胡云崗, 張學東, & 趙恒謙. (2017). 基于高光譜影像分類線性回歸的古畫污漬虛擬恢復. 地理信息世界, 24(3), 113–118.

周新光, 沈驊, & 吳來明. (2020). 高光譜圖像系統應用于模糊印章的提取研究. 文物保護與考古科學, 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.