考古碎片分类及重建算法研究：沙特国王大学学报

沙特国王大学学报考古碎片的分类与重建算法纳达河Rasheeda，Md Jan Nordinba巴比伦大学，Hillah 51001，伊拉克b马来西亚雪兰莪州马来西亚国民大学（UKM），邮编阿提奇莱因福奥文章历史记录：2018年5月11日收到2018年9月20日修订2018年9月22日接受在线发售2018年保留字：神经网络人工智能计算机图形学考古重建A B S T R A C T考古遗址中发现的古陶器往往处于破碎状态，特别是那些未知生物的碎片和不规则碎片，可能需要多年的艰苦工作，特别是在某些碎片丢失的情况因此，这个问题被分为两个主要任务，其中第一个是考古碎片的分类到类似的群体（CAF）和第二个是每个群体的重建到原来的考古对象（RAO）。为了解决这个问题，已经提出了一种方法，该方法利用碎片表面的颜色和纹理属性。此外，考古碎片的三维几何重建是模式识别中的一个重要问题因此，本研究利用类神经网路实作了重建真实资料集的演算法这项工作的挑战是在没有关于应该开始装配的部件的先前知识的情况下重建对象;这极大地有助于避免由于缺失工件片段而产生的间隙的存在。该研究利用碎片的几何特征作为重要特征，通过使用神经网络模型对碎片进行分类来重建对象。©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍自动重建古代人工制品碎片是考古学的一大兴趣。它被认为是重要的，因为它有助于考古学家获得关于过去文化和文明的推论Hristov和Agre（2013）。尽管已经提出了各种算法来重建考古陶器碎片，但很少有研究将考古遗址中发现的碎片分类为类似的Makridis和Daras（2012）。为了突出作者在过去几十年中根据提取的特征对考古碎片进行分类所采用的最重要的方法，以前的研究大多依赖于颜色特征Kampel和Sablatnig（2000），纹理特征Ying和Gang（2000），*通讯作者。电 子 邮 件 地 址 ： nadaar@siswa.ukm.edu.my （ 不 适 用 ） Rasheed ） ，jan@ftsm.ukm.my（M.J.Nordin）。沙特国王大学负责同行审查（ 2010 ） 、 颜 色 和 纹 理 特 征 Smith 等 人 （ 2010 ） 、 Zhou 等 人（2010）、（2011），颜色和边缘Makridis和Daras（2012），最后是轮廓，边缘，颜色和纹理Piccoli et al. （2013年）。其中一个主要挑战是从Guoguang et al.（2016 a）发掘现场发现的大量碎片中重建考古物品，并确定它们之间的正确匹配Guoguanget al.（2018 a）。有时，考古工作者在试图将物体碎片匹配在一起时会遇到困难，特别是在碎片中存在明显间隙的情况下。因此，许多研究提出了方法，以达到重建考古3D物体并将其恢复到原始形式的合适解决方案，如Belenguer和Vidal（2012）。因此，这项工作的主要目标如下：a) 为了提出一种用于根据全局和局部特征（特别是颜色和纹理特征）对片段进行分类的新算法，这可以通过所提出的方法来执行，该方法包括图像的颜色点的交叉，并且使用局部二进制模式（LBP）特征，该局部二进制模式（LBP）特征已被证明与颜色特征更灵活，但需要更复杂的计算。https://doi.org/10.1016/j.jksuci.2018.09.0191319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com884N.A. Rasheed，M.J.Nordin/ Journal of King Saud Universityb) 设计一个强大的原型重建三维物体，尽管存在的差距，通过利用几何特征（特别是斜率的边缘片段）;以及找到合适的位置进行匹配。2. 文献综述寻找物体相似性的可能解决方案的想法早在1970年就开始了，当时Smith和Kristof（1970）有兴趣用计算机辅助重新组装埃及神庙许多研究都集中在考古学的问题上，寻找一个基于二维图像和三维模型的解决方案，而一些研究者感兴趣的是提出的方法，将碎片分类成组和重建的考古对象。Smith等人（2010）专注于基于颜色和纹理属性的二维碎片分类。而其他作者处理的基础上的表面纹理属性Ying和Gang（2010）的问题。另一类研究（Makridis和Daras，2012年）依赖于通过使用陶器的前后特征来提高分类精度并基于颜色信息和局部纹理提取特征Leitao和Stolfi（2005）的研究重点是重建陶瓷碎片的轮廓信息。Oxholm和Nishino（2011）通过边界轮廓的光度特性重新组装几何未知的随后，大多数以前的工作集中在寻找相邻片段之间的成对匹配，通过使用颜色表面，这是传统的功能之一，这就是为什么作者Toler-Franklin等人的工作。（2010）与其他依赖于基于颜色、形状和法线图从碎片中提取的多特征的方法非常不同。Kimia和Aras（2010年）提出了另一项工作，其中包括一个框架或实用系统，考古学家可以使用该框架或实用系统来组装2D容器碎片考古学，并可以应用于3D碎片。Karasik和Smilansky（2011）利用形态学特征提出了一种基于陶瓷计算机形态学分类的方法Oxholm和Nishino（2013）在三维模型的情况下，已经做了大量的工作，自动重建碎片物体的问题。 作者Lu et al. （2007）提供了一种依靠碎片的边界曲线和与考古学家的互动来重建碎片的方法。通过Cohen等人（2010年）的合作项目，基于专家对考古学家的反馈和船只表面标记之间的结合，形成了一个通用模型。这个模型已经通过使用从独立国家历史公园的国家宪法中心网站Guoguang等人（2016 b）提出了一种基于区分特征描述符对考古碎片进行分类和重组的方法，而Angelo等人（2018）则专注于通过提取3D几何和形态特征来分析陶器碎片。于是精度和耐久性就出现了在连续破片的尺寸分析工作中的某些公认特性.3. 材料和方法本文提出了一个建议的框架来解决考古碎片的分类和重建所提出的方法包括两个阶段，每个阶段执行一个特定的工作，如图所示。凌 晨 1图1b中的系统框架由两部分组成，古代碎片分类（CAF）和古代物体重建（RAO）。每个框架由一组过程组成，如以下步骤所示：(a) 从网站获取标准图像(b) 对象分割。(c) 根据碎片表面的颜色和纹理以及球体和区域特征进行特征提取。(d) 将片段分类成组;如果它不是集合的一部分，则必须将其返回到数据集以重新输入，以便它适合与其他部分分组然而，在所有部件形成组的情况下，它们被移动到下一阶段，即将组重建为单个对象。第二阶段涉及(a) 获取三维模型并进行预处理，消除扫描对象产生的噪声，提取各部分轮廓并划分子集后计算几何特征。(b) 通过使用神经网络识别将匹配一对片段的部分。(c) 通过提出的新方法对候选3D片段进行对齐和匹配。如果对象不完整，则应将其带回数据集。否则，程序完成，并且完全获得了对象3.1. 将片段分类到组中将片段分类成组的框架由一组如图所示的过程组成。 1 b，可以概括为以下步骤：a) 图像采集。b) 对象分割。c) 根据碎片表面的颜色和纹理进行特征提取，并将碎片分类成组;如果碎片不属于该组，则应将其带回数据集重新输入，直到适合与其他碎片分组。d) 当所有的片段已经形成一个组时，下一阶段开始，即。将一组物体重新组合成一个物体。系统运行后，六个片段文件的映像将直接加载到内存中。这些图像是用尼康相机拍摄的，如图所示。凌晨2为 了 获 得 没 有 背 景 的 片 段 ， 我 们 依 赖 于 与 Rasheed 和 Nados（2018）中使用的算法类似的算法，其内容如图2 b所示，当算法开始工作时，结果将如图2所示。 2杯为了获得每个片段的特征，这项工作依赖于颜色，通过计算每对片段的颜色交集。因此，为了提取RGB颜色，我们依赖于类似于Rasheed和Nordin（2015）中使用的数学方法，并且包括每个图像与其他图像之间的RGB矩阵的交集。算法如下Rasheed andNordin（2015）：N.A. Rasheed，M.J.Nordin/ Journal of King Saud University885一BFig. 1. 表示a）系统的接口。（二）制度框架。886N.A. Rasheed，M.J.Nordin/ Journal of King Saud University一BC图二. a）将图像上传到内存。b）图像分割图（Rasheed和Nados 2018）。c）表示图像分割的结果。N.A. Rasheed，M.J.Nordin/ Journal of King Saud University887联系我们..ΣΣ..电话：021-8888888红色;绿色;蓝色e2ijij ij ij步骤1：确定每个像素中三种颜色的值步骤2：对于每个图像，所有表面点都存储在一个数组中，该数组是以并行方式排列的一组值。C¼8P红色ij;绿色ij;蓝色ij其中i = 1…n，j = 1... m和（n，m）是图像矩阵的维数。步骤3：A是一个集合，每个元素由第一个图像的三个值[红，绿，蓝]类似地，B是一个集合，每个元素表示关于第二图像的三个变量。A¼。8P1。Redij;Greenij;Blueij其中P1和P2分别表示集合A（第一图像）和集合B（第二图像）步骤4：获得集合S，其表示来自两个图像之间的颜色的相交的结果是一个 B步骤5：对另外两个图像重复此过程，直到我们获得所有图像之间的所有交点，每个集合的每个元素都是表示三种颜色值的向量。如图3a所示，这展示了在应用分类过程之前的分类结果。该曲线图示出了实现最高颜色值的第一图像分别与第三和第五图像相交（8110，8411），因此这三个图像将是第一组。此外，第二图像分别与第四图像和第六图像实现最高交集（2724，1783）;这些图像也将表示第二组。许多研究人员认为物体或区域的纹理是用于识别Haralick等人（1973）的重要特征。因此，这项工作利用本地二进制模式（LBP）Ojala等人（1996）。这种方法是由Ojala等人在1996年提出的，将图像的纹理描述为一个向量，该向量将其上的像素标记为描述图像小尺度外观的直方图，从而将其用于进一步的图像分析Pietikäinen等人（2011）。因此，第一个片段的结果如图所示，图3b和c。分类操作分为两个步骤：第一步使用所提出的算法Rasheed和Nordin（2015）根据颜色对片段进行分类，基于存在如图1B所示的两个片段。 四、步骤1：R= [第一图像的颜色特征，第六张图片）。步骤2：对第一图像A的颜色特征进行升序排序。步骤3：将图像A的第一列特征中的最大值与图像B的相交值进行比较。如果B的值是组的最高值，则将A与B一起保存。如果B>A，将B的最大值与达到最高相交C的图像的最大值进行比较：如果C的最大值;不将A与B分组else;将A与B分组并保存结果。步骤3.1：移动到第二高值，表示与另一个图像的交点。步骤3.2：重复此过程。步骤3.3：返回到第一步，直到第一个一B常规LBPhsitogram从2563000025000200001500010000500001C图三. a）六个彩色图像之间的交集。b c）第一片段的LBP直方图。见图4。 一个破碎物体的两部分。列完成。步骤4：重复该过程，直到所有列代表其余的图像是完整的.第二步使用欧几里德距离基于纹理对碎片进行分类。因此，当颜色和纹理的分类结果相同时，最终结果将是明显的。在那里-从1到255的20001500100050001163146617691106121136151166181196211226241888N.A. Rasheed，M.J.Nordin/ Journal of King Saud University×-GROPE 3D模型ACN奎西蒂奥特征提取用神经网络识别N校准匹配因此，结果应该被保存用于下一步3.2. 将每个组重建为3D对象使用三维测量来解决考古文物的重建问题已经成为广泛传播的Guoguang et al.（2018 b）。有时，考古工作者在试图将每组陶瓷以高精度重新组装成物体时会遇到困难，特别是如果物体中存在明显的间隙，或者甚至当物体的碎片如此之多时。本部分的主旨是提出一个系统，用于重建古代三维物体的原始形式。这项工作的挑战是组装对象，而无需事先了解编译中必须开始的部分，这有助于避免在丢失部分时出现间隙。艺术品为了重建陶器碎片，这项工作提出了一种方法，包括四个主要阶段，如图所示。 五、3.2.1. 获取3D模型为了重建真实的数据集，本工作通过三维激光扫描仪PrimesenseCarmine获得物体的1.09 3D扫描仪数据集由两个血管组成，每个血管由3个片段组成，如图所示。早上6在将碎片分类成组完成之后，通过加载3D模型开始重建每个组的算法在内存中的碎片文件。将选出一组在代表一条血管的重建窗口3.2.2. 特征提取被认为比2D更好，3D特征被用于识别，但它可能更昂贵。不言而喻，当考古学家试图重新组装碎片时，组装将通过碎片的边缘，这意味着提取几何特征。之后，他们将检查碎片表面的纹理和颜色。因而为了为了提取特征，本文利用碎片的边缘作为一个重要的特征来重建物体，所以下面的算法给出了这个过程和结果，如图1所示。 6 b：第1步：找到网格中的所有边，注意内部边重复。步骤2：确定边的唯一性步骤3：确定每个唯一边的计数。步骤4：提取只出现一次的边缘。第五步：绘制边缘。本文的目的是找到匹配两个片段的正确位置，并继续匹配其余部分，如图6c所示。它示出了子轮廓A和B的斜率的开始处的相似性，并且继续子轮廓的其余部分。为了定位正确的位置，我们决定将碎片的轮廓尽可能地分成四个大小相等的部分，并将每个部分作为一个单独的对象处理，因此对于这个碎片，每个部分由75，75，75和72个点组成，如图所示。 6 d.图五. 所提出的方法来重建3D对象的图。然后将每个部分划分为子轮廓，每个子轮廓由五个点组成，因此当前片段具有59个子轮廓，其余两个点被忽略。考虑每个子轮廓的斜率的测量是区分两个不同片段的一对不同部分应该匹配的地方的主要特征。因此，所应用的是在Maidment和Tarboton（2011）中发现的每个部件上的3D斜率的算法，并且结果如图1所示。早上7在这项工作中提取的其他特征是基于每个点（x，y，z）的所有坐标来计算x，y，z轴上每个子轮廓的最小点，并且类似地计算四个部分的子轮廓的点之间的最大值、平均值和方差值。结果示于图7（b、c、d和e）中。因此，对于每个子轮廓，我们将具有13个特征，这些特征可能用于输入匹配的一对片段如图所示的其他两件。 8 a，很明显，片段（B）由55个子轮廓组成，其中忽略了3个点，而片段（C）由59个子轮廓组成，其中忽略了4个点。因此，在提取特征向量之后，矩阵（13 114）将准备好作为网络的输入。请注意，在训练神经网络之前，必须对输入进行归一化。下一步，已经应用了一个过程来根据相似性来检测子轮廓对子轮廓之间的接合点。这项工作使用了反向传播算法，这是一个强大的映射网络，已被广泛应用于各种各样的问题Duda et al.（2001）。因此，神经网络的结构由三层组成;第一层由13个输入节点组成;第二层-即隐藏层-由通过经验找到的30个节点组成;最后，目标输出层由8个单元组成，因为这一层为片段的每个部分（B和C）分配了一个节点，所以测试数据将在（1，1）Beale et al.（2015）的范围内。为了提高网络的有效性，使其更适合，学习率（0.05）与动量项（0.9）被使用。在训练神经网络之后，值得一提的是，它在我们假设的1000个epoch的335次迭代中完成。如图 为了识别片段（A）的未知部分以将其与其他片段的相应部分进行匹配，我们将图7（b，c，d和e）中单独提到的每个部分的特征用于网络的输入层，并通过前馈阶段对其进行测试。在测试片段（A）的每个部分之后，结果如图9（a、b、c和d）所示。随后，在计算实际输出之后，如果所计算的输出节点之间的最大值接近于1，则片段的部分是获胜者因此，可以看出，片段A的第一部分可以匹配第二片段的第六部分的对应部分，因为红线在八个节点中达到最高值;因此组装从第三个子轮廓开始并继续到该部分的末端。这里，采用的是八个节点中的最大值，因为我们已经将1分配给当前部分，否则为零。在识别出可能代表空间中同一点的片段A和B的边缘之间的子轮廓对之后，立即开始对齐和匹配。这通常是通过将每个点与另一个云的最近邻居进行匹配来完成的在这种情况下，必须计算两个碎片之间图10a示出了其示例。因此，本研究提出了一种算法，用于匹配两个边缘的不同部分的碎片。假设我们有两个片段（A）和（B），片段（A）应该是固定的，片段（B）N.A. Rasheed，M.J.Nordin/ Journal of King Saud University889一b c d见图6。 插图a）两组3D碎片。b）三个碎片的边界。（3）识别匹配的位置。d）将轮廓划分为四个相等的尺寸。B CD e见图7。对于每个子轮廓a）斜率b）最小值c）最大值d）平均值e）方差值。一890N.A. Rasheed，M.J.Nordin/ Journal of King Saud Universityp/464y75;NX.H¼p-中心;Aa B图8.第八条。（1）两个片段分成四个部分。b）代表破裂的血管。应该遵循。因此，为了将片段（A）数据集中在零点，必须执行以下步骤：步骤1：找到碎片A的中心：2x3z其中片段（A）的xyz中心A¼1Xpi;N其中U是m×n且列正交（其列是AAT的特征向量）;V是n×n且正交;D是n×n对角（非负实值称为奇异值）。如果H是m×n，且m大于n，则SVD只计算U的前n列，而S是n×n。R¼V ×UT;V是最大方差第四步：沿着x轴向上滑动数据，使所有的点x≥0.T¼-R×中心A;N我在将片段（a）固定到原点之后，步骤2：累加矩阵（H）NIA1/1第三步：使用奇异值分解（SVD）找到最大方差的方向，并旋转数据使其成为x轴，如下所示1/2U;S;V] 1/4svdH;0V;旋转（矩阵R）应该被发现除了在-将（T）连接到片段（b）。对于许多作者Sui和Willis（2008）来说，使用3D对齐方法进行实验似乎是一项艰巨的任务，因为必须根据x、y和z轴确定应旋转碎片表面（b）的角度。因此，为了实现最佳拟合对准，应用Dot Pro-ductNitecki（2012）来找到a BC d见图9。对片段A的测试：a）第1部分b）第2部分c）第3部分d）第4部分。N.A. Rasheed，M.J.Nordin/ Journal of King Saud University891日本语简体中文.Σ一B见图10。 a）两个片段应该旋转和变换。b）片段b旋转到片段a。片段（b）必须旋转。在这种情况下，返回的角度是以度为单位的角度元素的反余弦（cos-1）。因此，物体可以绕x、y和z轴旋转（2008年）--Rz½½cosh-sinh0;sinhcosh0;0 01]为了提供旋转对象的解决方案，提出等式（2）。C¼PB ×Rz;102mm其中C是新的3D点云，PB是最旧的3D点云，Rz是旋转矩阵。如图10b所示，最佳旋转是围绕z轴，因此本研究依赖于这种类型。另一个问题是在两个对象的坐标之间添加差距离，其中一个片段应提交给转换算法，以便使其接近另一个片段并实现最佳拟合比对。因此，为了提供如等式（3）中的R和T的解，假设b是以下片段的3D点云数据：C¼PB ×R zT;3其中，T=（x+tx）、（y+ty）、（z+tz）和t表示两个对象之间的差异距离;R和T旋转和变换已经应用于3D点云（b），以尽可能最好地将其与3D点云（a）对准。最后，为了获得最佳匹配，在片段（b）的边缘上的每个点的坐标与对应片段的所有点坐标之间应用欧几里得距离公式，然后选择最短距离。给定两个点（a）和（b），欧氏距离为：d b;Amin d b; a i;521：n其中，b，a，i指示表示已经被分类为（A）和（B）的两个子轮廓的点的值;n是矢量大小。最后一步是将数据沿z轴向上滑动，积极点。该算法已在几种碎片模型上进行了测试，即使在碎片丢失的情况下，它也在将物体重建为原始形式方面取得了高度精确的结果。4. 将该方法与其他方法进行4.1. 将片段分类到组中为了评估所提出的框架CAF在陶瓷碎片数据库上的性能，已经使用从网站（陶瓷碎片数据库，2010）Makridis和Daras（2012）获得的数据集进行了几个实验。总共有80个Smith等人使用的伪影碎片。（2010 ），应用了尺度不变特征变换（SIFT）和全变几何（TVG）方法，其依赖于颜色和纹理特征来对陶瓷碎片进行分类。如表1所示，它们通过使用SIFT实现了76%，通过使用TVG实现了75%，而CAF系统使用RGB颜色和LBP的交叉方法实现了96.1%这意味着当应用相同的测试数据集时，所提出的方法的成功率高于以前的研究因此，颜色相交技术在识别颜色对称的碎片中发挥了重要作用。此外，所提出的分类过程提供了高度准确的结果。4.2. 将每个组重建为3D对象为了评估拟议框架的性能-da;bqaxbx2ay-by2给定一个点b和一组点A，欧氏距离为：ð4Þ作品RAO，作者威利斯和库珀（2006年）提出了一种方法，能够重建文物组成的四个片段七回纳巴泰饮用器皿威利斯和库珀892N.A. Rasheed，M.J.Nordin/ Journal of King Saud University（2008年）。这件文物可以追溯到大约公元前400年，从佩特拉，乔丹·苏和威利斯（2008年）挖掘出来。他们的方法包括根据其碎片的测量，如2D轮廓曲线和3D线（对称轴），估计锅的整体形状，如图所示。 十一岁而在应用所提出的方法之后，结果是重新组装整个7个碎片以恢复到原始形状，尽管丢失了导致出现大间隙的几个碎片。因此，图12a代表了重建纳巴泰饮用容器所 这是一个困难的任务，因为缺乏对Naba-taean饮酒杯形状的先验知识，也许容器底部遭受困难的环境条件，这导致杯底压碎，上部破碎，如图所示。 12 B.该算法已经在几个标准片段数据集上进行了测试，结果显示100%的精度，因为它成功地重建了所有片段，甚至在缺失片段的情况因此，这项工作的挑战是在没有关于应该开始装配的部件的先前知识的情况下重建对象;这极大地有助于避免由于缺失工件片段而产生的间隙的存在。该研究利用碎片的几何特征作为重要特征，通过使用神经网络模型对其碎片进行分类来重建对象。5. 结论为了解决断裂物体的修复问题，人们进行了太多的尝试，而不是通过数字系统进行人工组装。这里有三个要点可以总结这项工作的优点：首先，是取代手动分类的碎片，并自动化的任务分类的碎片成组，提出的方法，依赖于颜色和纹理特征。第二，尽管存在间隙，但要准确地将物体重建成其原始形式，并避免对古代碎片的边缘造成进一步第三，使用依赖于几何特征的系统来找到不规则碎片的匹配，这反过来将有助于减少该任务所需的人力资源。根据陶瓷碎片表面的颜色和纹理信息，对陶瓷碎片进行分类，因此，该方法的挑战是避免由于一些缺失片段而出现的间隙，这项工作已经发现斜率特征适合于确定匹配片段对的最佳位置因此，在评估第一种方法表1Smith et al.（2010）和所提出的方法对碎片进行分类的比较结果组件SIFTTVG该方法A类9百分之七十八百分之六十七百分百B类9百分之六十七百分之五十六百分之八十九C类9百分之七十八百分之七十八百分百D类16百分之六十九百分之六十九百分之九十四E类2百分之五十百分之五十百分百F类10百分之六十百分之七十百分之九十G类7百分之七十一百分之七十一百分百H级18百分百百分百百分百所有组80百分之七十六百分之七十五百分之九十六点一N.A. Rasheed，M.J.Nordin/ Journal of King Saud University893图十一岁估计纳巴泰饮用容器的整体形状再组装两件再组装三件再组装四件重新组装五件重新组装六件重新组装七件一B见图12。a）代表了重建纳巴泰饮用容器的所有步骤。b）利用所提出的方法重建了纳巴泰饮用容器。对于准确性，对于将碎片分类为相似组，其达到96.1%的值。此外，利用神经网络算法计算子轮廓的几何特征，特别是斜率，重建原始三维物体，也取得了很好的精度。在那里它能够以高效率组装片段。值得一提的是，大多数挑战是创建算法提供了一种解决方案，通过它们的边缘对齐对象并重建对象，而无需关于应该开始组装的部件的先前知识。为了进一步改进，开发和修改了鲁棒的CRAF方案，我们应该依靠的角度作为附加功能。确认研究人员 希望感谢马来 西亚高等教育 部和马来西亚 国民大学（UKM）通过研究资助FRGS/1/2014/ICT 07/ UKM/02/2和DIP-2016-018支持这项工作。894N.A. Rasheed，M.J.Nordin/ Journal of King Saud University引用安杰洛湖Di，Stefano，P. Di，C.C.，2018.陶器碎片的自动分析方法。测量128，138-148。爱思唯尔比厄，M.H.，Hagan，M.T.，Demuth，H.B.，2015.多层神经网络架构。在：神经网络学习用户指南，Matlab R2015a。Mathworks，pp. 2比9Belenguer，C.S.，维达尔，E.V.，2012.基于投影GPU深度图的考古碎片表征与三维重建。在：IEEE第18届VSMM国际会议，pp。 275-282.2010 年 陶 瓷 碎 片 数 据 库 。 mst.cs.drexel.edu/datasets/Main/ACVA201 ， 经 DrexelComputer Science和NEC Labs许可Cohen，F.，张志，Jeppson，P.，2010.使用表面标记的凸包虚拟重建考古船只。在：IEEE计算机协会计算机视觉和模式识别研讨会（CVPRW），pp。 55比61Duda，R.O.，哈特体育斯托克，D.G.，第6章一夜情在：模式分类。Wiley- Intersciencepublication，pp. 10-74Guoguang，D.，Mingquan，Z.，Congli，Y.，Juan，Z.，中科，W，Wuyang，S.，2016年a。考古碎片的自动定位算法。 在：第15届ACM SIGGRAPH会议上虚拟现实连续体及其在工业中的应用-第1卷（VRCAI '16）。ACM，New York，NY，USA，pp. 431- 439Guoguang，D.，Mingquan，Z.，Congli，Y.，中科，W，Wuyang，S.，2016年b。考古学碎片的分类和重组。 在：会议记录的VR文化和遗产。ACM，New York，NY，USA，pp. 67比70Guoguang，D.，Mingquan，Z.，Congli，Y.，中科，W，Wuyang，S.，2018年a.基于模板的部分匹配在兵马俑碎片分类中的应用。Multimedia Tools Appl.77（15），19171-21919.Guoguang，D.，Congli，Y.，Mingquan，Z.，中科，W，福清县，2018年b月。使用测地圆盘谱的刚性3D形状的部分整体匹配。MultimediaTools Appl.77（15），18881-18901。Haralick，R.M.，Shanmugan，K.，丁斯坦岛，1973.用于图像分类的纹理特征。IEEE传输系统，曼·赛伯恩3，610-621。Hristov，V.，Agre，G.，2013.一个软件系统的考古文物分类表示的二维计划。保加利亚科学院Sci. 赛博恩INF. Technol. 13，82-96.Kampel，M.，萨布拉特尼格河两千考古碎片的颜色分类在：IEEE第15届模式识别国际会议，pp。七七一七七四Karasik，A.，Smilansky，U.，2011.陶瓷的计算机形态分类。考古学家J. Sci. 38，2644-2657。Kimia，B.，Aras，H.，2010. HINDSITE：一个用于片段组装的用户交互式框架。在：IEEE计算机协会计算机视觉和模式识别研讨会会议，pp。62比69Leitao，H.，Stolfi，J.，2005.测量断裂线的信息量。Int. J. Comput. Vision 65（3），163-174. SpringerScience.吕，Y.，加德纳，H.，Jin，H.，Liu，N.，（1996年），美国，霍金斯河，法灵顿岛，2007.在协作环境中交互式重建考古碎片。在：IEEE第9届澳大利亚模式识别学会数字图像计算技术和应用两年一次的会议，页。 23比29梅德门特，D.R.，Tarboton，D.，2011.见：坡度计算，水资源类GIS。德克萨斯大学奥斯汀分校 一比九Makridis，M.，Daras，P.，2012.考古陶片的自动分类。 ACM J. Comput. 文化遗产5（4），1-21。Nitecki，Z.H.，2012.在：坐标和矢量，微积分在3D几何，矢量。和多元微积分TuftsUniversity，pp. 102- 114Ojala，T.，Pietikainen，M.，哈伍德，D.，1996.纹理度量与基于特征分布分类的比较研究。模式识别。29（1），51-59。Oxholm，G.，西野，K.A.，2013.灵活的方法来重组未知几何形状的薄工件。J. CulturalHeritage 14（1），51-61. Science Direct界面。Oxholm，G.，Nishino，K.，2011年。重组未知几何形状的薄工件在：第12届虚拟现实，考古学和文化遗产国际研讨会，页。 49比56皮科利角，Aparajeya，P.，Papadopoulos，G.Th，Bintliff，J.，Leymarie，F.F.，Bes，P.，恩登，M.，Poblome，J.，Daras，P.，2013.陶片的自动分类：两种互补的方法。在：计算机应用和定量方法在考古会议，珀斯，西澳大利亚州，页。 1-16号。Pietikäinen，M.，Hadid，A.，赵，G.，Ahonen，T.，2011.静态图像的局部二值模式。在：第2章计算机视觉使用本地二进制模式，计算成像和视觉40。Springer，VerlagLondon，pp. 13- 47Rasheed，N.A.，Nados，W.L.，2018.从二维图像背景中分割目标。 J. Univ. 巴比伦，纯苹果。Sci. 26（5），204-215。Rasheed，N.A.，Nordin，M.J.，2015.基于RGB颜色和纹理特征的文物碎片分类。 J.Theor. Appl. INF. Technol. 76（3），358-365。史密斯，P.，Bespalov，D.，Shokoufandeh，A.，Jeppson，P.，2010.使用纹理和颜色描 述 符 对 考 古 陶 瓷 碎 片 进 行 分 类 。 在 ： IEEE ， 计 算 机 视 觉 和 模 式 识 别 研 讨 会（CVPRW）的社会会议。 49比54史密斯，W. S.，Kristof，E.，1970年计算机帮助学者重建一座埃及神庙。Natl. Geogr.Mag.138（5），634-655。Sui，Y.，Willis，A.R.，2008.利用马尔可夫随机场和代数几何提取三维对称性。 第四届三维数据处理、可视化和传输国际研讨会（3DPVT），亚特兰大。Ga，pp. 1-8号。Toler-Franklin，C.，布朗，B.，Weyrich，T.，Funkhouser，T.，Rusinkiewicz，S.，2010.壁画碎片的多特征匹配。收录于：Proceedings of ACM SIGGRAPH。亚洲TOG Homepage，29（6），p. 一百八十五Willis，A.，库珀，D.B.，2006.根据碎片的噪声测量估计先验未知的3d轴对称表面。在：IEEE第三届国际3D数据处理，可视化和传输研讨会，pp。 334- 341Willis，A.R.，库珀，D.B.，2008年古代文物的计算机重建IEEE签名过程Mag.25（4），65-83.英湖，加-地刚，W.，2010.基于核模糊聚类的古陶瓷残片分类。在：IEEE信息管理与工程会议论文集，pp。 348- 350Zhou，P.，中国科学院院士，Wang，K.，Shui，W.，2011年。 古瓷片的颜色特征分类。在：图像和图形（ICIG），IEEE第六届国际会议图像和图形，页。 566- 569