基于ERS超像素引导的颜料识别与卷积自编码器在壁画高光谱影像中的解混

这些古老色彩为何仍然重要

古代壁画不仅是装饰；其色彩记录了贸易路线、宗教思想以及已失传的工艺技术。然而，许多墙画过于脆弱，不宜取样，且经受数百年光照、潮湿和盐分侵蚀，原始色调已被改变。本研究提出了一种无需接触表面即可“读取”中国一处著名佛教洞窟壁画中颜料的新方法，结合了先进的成像技术与人工智能，以揭示艺术家实际使用的材料及其随时间的变化。

用多只“眼睛”看一面墙

研究者没有采用普通相机拍摄壁画，而是使用高光谱成像，捕捉从可见光到短波红外数百个窄波段。墙面上每一个微小区域都产生一个与特定材料相连的详细色彩指纹。他们聚焦于克孜尔石窟171号洞的一段色彩丰富的壁画，该处属于丝绸之路上的早期佛教遗址，壁画使用了矿物和有机颜料，并已受到风蚀、水害和盐害。为校准他们的判读，团队还在试板上制备了传统颜料样品，在实验室测量其光谱，并用X射线荧光和拉曼光谱等技术检测成分。这构建了一个包含26种传统颜料的参考库，可用于与壁画信号比较。

把画面分成智能小块

一个主要挑战在于每个像素常常包含颜料混合，且老化会模糊常见的光谱线索。作者没有逐像素处理，而是采用称为超像素分割的方法。首先，他们应用主成分分析简化高光谱数据。然后使用熵率超像素分割（Entropy Rate Superpixel Segmentation）将壁画切成若干内部光谱一致且沿绘制边界的区域。对每个区域，他们平均其光谱并进行称为连续谱移除（continuum removal）的数学处理，以突出与特定颜料相关的细微吸收凹陷。随后，他们用相似性检验将这些增强后的区域光谱与颜料库进行比较。通过结合颜料出现的频率、覆盖面积以及光谱匹配度，他们能够稳健地识别出主要存在的颜料。

教神经网络解混色彩

识别存在哪些颜料只是问题的一半；修复人员还需要知道每种颜料在墙面上各点的相对含量。为此，团队采用了一种无监督的卷积自编码器，这是一类学习压缩并重建光谱图像的神经网络。在他们的设计中，压缩表示直接编码了若干基础光谱或“端元”（endmembers）在壁画上的比例分布。为引导这种学习，他们首先使用一种几何算法N‑FINDR在数据中找出一组代表性光谱极端，并将其用作伪端元。网络在重建图像的同时被约束接近这些参考光谱并保持颜料指纹的详细形状，帮助其区分非常相近的红色及其他同色系材料。

墙面揭示的色彩信息

采用这一组合策略，作者在171号洞中识别出六种主要颜料：蓝色矿物天青石（lapis lazuli），铜绿类的阿塔卡马铜绿（atacamite），以及三种红色——铅丹（minium）、氧化铁红和虫胶红（lac），还有白色矿物石膏。颜料丰度图显示了这些材料的层次与混合方式：石膏既作为白色涂层出现，也作为下层基底；天青石和阿塔卡马铜绿在蓝色和绿色区域成簇分布；三种红色彼此重叠，但仍可通过其细微的光谱特征予以区分。该方法甚至帮助标出铅基红铅（minium）被氧化成不同化合物并变暗的区域，指示出需由修复人员持续监测的进行性劣化。

从隐蔽指纹到实用保护

对非专业读者来说，关键成果在于作者提出了一种方法，能够将复杂且不可见的光谱信息转化为清晰的颜料分布图，且无需对壁画取样。通过先将相似区域分组再进行识别，并用具有物理意义的颜料指纹约束神经网络，该工作流程即便在颜色混合或退化的情况下，仍能生成可靠且空间一致的颜料图谱。这为修复人员提供了一个强有力的无接触工具，用以记录材料、检测褪色与变化，并规划有针对性的干预措施，帮助保护如克孜尔石窟等古老遗址所承载的色彩故事，留给后代。}

引用: Chen, W., Zhang, X., Pan, X. et al. ERS superpixel guided pigment identification and convolutional autoencoder unmixing in mural painting hyperspectral images. npj Herit. Sci. 14, 177 (2026). https://doi.org/10.1038/s40494-026-02450-6

关键词: 高光谱成像, 壁画修复保护, 颜料绘制图谱, 深度学习, 文化遗产