壁画是文化遗产中不可或缺的组成部分,它们生动地见证了过去社会的艺术成就、宗教信仰和日常生活。这些宏伟的艺术品已经存活了几个世纪,是人类创造力和文化延续性的物质见证[1]。然而,壁画的保存面临着多种威胁。其中,烟尘会导致表面严重变暗并掩盖原始的彩色涂层,这是最具有挑战性的退化形式之一[2,3]。
烟尘污染通常源于长时间暴露于宗教和仪式活动中产生的燃烧产物,包括燃烧香烛、油灯和蜡烛[4,5]。碳质颗粒在壁画表面的积累会导致原始绘画逐渐变暗并变得模糊,严重影响其美观性和可读性[6]。除了视觉上的遮蔽外,烟尘还可能通过捕获水分或催化有害化学反应来加速颜料层和基底的物理和化学退化[2,7]。因此,开发有效的保护和修复策略取决于在非侵入性条件下可靠地识别烟尘层下的原始颜料。
在严重烟尘覆盖的表面上识别颜料本质上是具有挑战性的,因为传统上指导保护人员的视觉线索几乎消失了。烟尘带来的暗淡均匀外观有效地消除了颜料颜色信息,使得传统的视觉检查无法用于颜料特征分析。尽管实验室技术如微采样结合扫描电子显微镜-能量色散谱(SEM-EDS)、拉曼光谱和傅里叶变换红外光谱(FTIR)可以提供明确的识别结果[8,9],但这些方法需要物理移除材料。对于具有高度重要性的文化遗产,除非在特殊情况下,否则通常不允许进行这样的采样。因此,迫切需要一种非侵入性的分析工作流程,能够穿透烟尘污染层以恢复关于被遮蔽颜料的成分信息。
在过去二十年里,一系列非接触式光谱技术被开发并应用于艺术材料的研究。可见光-短波红外(VIS–SWIR)高光谱成像已成为颜料识别的关键工具,它利用了许多历史颜料在400–2500纳米范围内的诊断性反射特征[[10], [11], [12], [13]]。然而,当颜料被烟尘覆盖时,反射信号会显著减弱。碳质颗粒会散射和吸收光线,从而掩盖底层颜料的光谱特征,极大地限制了基于反射的识别方法的有效性[14]。X射线荧光(XRF)光谱技术通过检测特征性的X射线发射线提供了元素组成信息。由于其非破坏性、快速采集和多元素检测能力,便携式XRF仪器已成为文化遗产科学中的标准工具。与基于反射的方法相比,XRF测量受薄表面沉积物的影响较小,因为入射和荧光X射线可以部分穿透表层,从而获得可能包含底层颜料成分的元素信号[15]。XRF已广泛应用于各种壁画中的颜料识别研究[16,17]。然而,仅凭元素信息往往不足以进行明确识别,特别是在地层复杂或不同颜料具有相似元素组成的情况下。
然而,单独使用这些技术都无法完全解决烟尘下颜料识别的问题。单一模态方法的局限性推动了多模态数据融合策略的发展,这些策略结合了不同分析方法的互补信息。在文化遗产科学领域,最近的一些研究明确实施了化学计量数据融合框架,将反射或高光谱数据与XRF(在某些情况下还包括FTIR)相结合,以改进颜料分类和映射,显示出相对于单一模态方法的明显优势[[18], [19], [20]]。高光谱数据提供了定义颜料颜色和矿物的电子和振动信息,而XRF提供了相对不受表面污染影响的诊断性元素特征。通过适当的数据融合,这两种模态可以构建更完整和稳健的颜料身份表示,这对于处理如烟尘污染的壁画等具有挑战性的场景特别有前景。
同时,高维光谱数据的增加促进了机器学习在自动化颜料识别中的应用。虽然传统的化学计量方法如主成分分析(PCA)和偏最小二乘法(PLS-DA)仍被广泛使用,但更灵活的监督学习算法,包括支持向量机(SVM)、随机森林(RF)和神经网络(NN),越来越多地被用于建模光谱特征与材料类别之间的复杂非线性关系[[21], [22], [23]]。这些应用中的一个核心挑战是特征选择:融合的VIS–SWIR和XRF数据集通常包含数千个高度相关的光谱通道,其中许多对于分类任务来说是冗余的或无信息的。直接在这些高维数据上进行训练不仅可能导致过拟合和泛化性能不佳,还会影响模型的物理可解释性。因此,提取一个紧凑、具有区分性且具有物理意义的光谱变量子集对于构建稳健的模型至关重要[24,25]。
尽管将多模态光谱与机器学习结合具有巨大的潜力,但关于烟尘污染壁画中颜料识别的系统研究仍然有限。现有工作主要集中在非烟尘覆盖表面的颜料识别上;然而,烟尘所带来的特定分析难题,即在诊断性反射特征严重减弱的情况下需要准确的、非侵入性的识别方法,尚未得到充分探索。此外,针对融合数据集设计特征选择和验证策略以提取具有物理可解释性的光谱特征的研究,以及严格评估模型在独立样本上的泛化能力的研究也较为缺乏。
为了解决这些差距,本研究建立并验证了一种全面的分析工作流程,用于烟尘污染壁画中的颜料识别,该流程基于VIS–SWIR高光谱和XRF数据的融合,并结合了特征选择和机器学习。我们准备了一组涵盖历史壁画中常见的八种代表性矿物颜料的受控参考样本,并通过分阶段加速烟尘暴露建立了污染程度的梯度。所有样本都采集了VIS–SWIR反射光谱和XRF元素光谱,并设计了一种定制的预处理和融合流程,以应对烟尘引起的非线性光衰减,并将两种模态的互补信息整合到一个统一的特征空间中。随后,使用选定的光谱特征训练了多种分类器模型,并通过交叉验证、排列测试和保留测试集严格评估了模型性能。最后,将表现最好的模型应用于未包含在训练集中的独立制备的模拟样本,以评估其泛化能力和稳健性。