An algorithm for measuring texture characteristics by combining Fourier spectra of images obtained in raking light

Мұқаба

Дәйексөз келтіру

Толық мәтін

Ашық рұқсат Ашық рұқсат
Рұқсат жабық Рұқсат берілді
Рұқсат жабық Тек жазылушылар үшін

Аннотация

The article proposes a new algorithm for measuring the texture characteristics of objects in images. The novelty of the algorithm lies in using pairs of images obtained in raking light and combining their Fourier spectra. The application of the developed algorithm is demonstrated in solving the problem of counting the threads of woven bases of paintings from images. A computational experiment showed that the error in measuring the canvas density does not exceed 0.4 threads per centimeter. The accuracy of measuring the canvas density using different methods was compared. The proposed algorithm measures the characteristics of painting canvases with a texture distorted by pollution, ground penetration, or treatment with restoration materials, and is superior in accuracy to previously used algorithms. Using a new algorithm, the density of the canvases of seven paintings from the collection of the State Historical Museum was measured.

Авторлар туралы

A. Berezin

State Historical Museum

Email: berezin_aleks@mail.ru
Moscow, Russia

E. Ivanova

The Ilya Glazunov Russian Academy of Painting, Sculpture and Architecture

Email: ivanova-e-u@yandex.ru
Moscow, Russia

D. Murashov

Хат алмасуға жауапты Автор.
Email: d_murashov@mail.ru

Әдебиет тізімі

  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.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу

© Russian Academy of Sciences, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».