Virtual cleaning of sooty mural hyperspectral images using the LIME model and improved dark channel prior
Notice bibliographique
Résumé
Murals, as important carriers of cultural heritage and historical records, showcase artistic, aesthetic, social, and political significance. In ancient times, religious activities such as burning incense and candles in temples led to many murals being polluted by soot, causing them to darken, lose details, and, in severe cases, completely blacken. As a result, the development of efficient virtual cleaning methods has become a key strategy for addressing this issue. In this study, we use synthetic true colour and false colour images in different bands of the hyperspectral spectrum, and use a guided filter fusion technique to fuse these two images into a new image of the sooty mural. Through analyzing the histograms and colour distribution scatterplots of the synthetic sooty mural images, we observed significant similarities to low-luminance images. To enhance the synthesized murals, we applied the LIME model. In addition, comparisons of the histograms and colour distribution scatterplots of the enhanced sooty mural images with those of haze images revealed notable similarities. Therefore, we applied the dark channel prior algorithm to remove soot from the mural images. Considering that soot particles are larger than haze particles, we introduced guided filtering to refine the transmission map and created a nonlinear transformation function to enhance its details. In terms of both visual perception and quantitative analysis, the proposed method significantly outperforms previous methods in the virtual cleaning of sooty murals. This technology can not only restore the colours and details of murals but also provide new clues for subsequent mural studies, allowing people to once again appreciate the true beauty of the murals.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».