CN107563427A - 用于油画的著作权鉴定的方法以及相应的使用 - Google Patents
用于油画的著作权鉴定的方法以及相应的使用 Download PDFInfo
- Publication number
- CN107563427A CN107563427A CN201710741916.6A CN201710741916A CN107563427A CN 107563427 A CN107563427 A CN 107563427A CN 201710741916 A CN201710741916 A CN 201710741916A CN 107563427 A CN107563427 A CN 107563427A
- Authority
- CN
- China
- Prior art keywords
- grouped data
- painting
- digital image
- oil painting
- original
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010428 oil painting Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000010422 painting Methods 0.000 claims abstract description 55
- 238000005242 forging Methods 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 9
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B44—DECORATIVE ARTS
- B44F—SPECIAL DESIGNS OR PICTURES
- B44F11/00—Designs imitating artistic work
- B44F11/02—Imitation of pictures, e.g. oil paintings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Storage Device Security (AREA)
- Processing Or Creating Images (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明涉及一种用于油画的著作权鉴定的方法,所述方法具有下述步骤:a)提供(10)由某位艺术家的多幅原画组成的集合,并且分别产生(20)由多幅原画组成的集合中的每幅原画的至少一个数字映象;b)在使用WND‑CHARM定理的情况下为所述集合中的每幅原画的数字映象中的每一个采集(30)分类数据,其中,所述分类数据是用于该艺术家的原画的分类数据的基准数据记录;c)提供(40)另一幅油画,并且产生(50)所述另一幅油画的至少一个数字映象;d)在使用所述WND‑CHARM定理的情况下为所述另一幅油画的数字映象采集(60)另外的分类数据;并且e)将所述另外的分类数据与用于原画的分类数据的基准数据记录进行比较(70),其中,在所述另外的分类数据与所述基准数据记录之间达到或者超过最小匹配程度时,作出是原画的结论,否则,作出是赝品的结论。
Description
技术领域
本发明涉及一种用于油画的著作权鉴定的发明的方法以及相应的使用。
背景技术
DE 10 2009 023 756 B4描述了一种用于证明图片出处和著作权的方法,所述方法具有下述步骤:
a)借助于数字化设备、尤其是扫描仪将待检测的图片或者待检测的图片的一部分转换成至少一条数据记录;
b)分析所述数据记录并且确定以数字化形式包含在所述数据记录中的属性特征或者属性特征的一部分,尤其是点、线、点组、线组或者图案,其中,待确定的属性特征被存储在数据库中;
c)其中,通过所述数据记录与数据库中的属性特征的比较来确定在所述数据记录中的属性特征,并且其中,所述属性特征借助于所述属性特征的储存在数据库中的图案模板被正确地配属;
d)确定包含在所述数据记录中的属性特征或者属性特征的一部分中的至少一个的基准特征,其中,所述属性特征的基准特征要么已经被存储在所述数据库中,要么在正在实施的方法中产生;并且
e)其中,所述数据库具有被配属于这些被存储的属性特征中的每个的附加数据记录。
优选地,在此使用霍夫(Hough)方法分析和确定在待检测的图片中或者在待检测的图片的一部分中的属性特征。然而,该霍夫方法的使用表明,所述使用无法提供可靠的结果,并且从而不能够以足够可靠性可靠地说明油画的真实性。
发明内容
本发明的任务在于,这样进一步改进开头部分所述类型的方法,使得所述方法能够可靠地鉴定油画的著作权,并且因此能够可靠地确定油画的真实性。
这个任务通过具有权利要求1的特征的方法得到解决。并列的权利要求10涉及一种相应的使用。
据此描述了一种用于油画的著作权鉴定的方法,所述方法具有下述步骤:
a)提供由某位艺术家的多幅原画组成的集合,并且分别产生由多幅原画组成的集合中的每幅原画的至少一个数字映象;
b)在使用WND-CHARM方法的情况下为该集合中的每幅原画的数字映象中的每一个采集分类数据,其中,所述分类数据是用于该艺术家的原画的分类数据的基准数据记录;
c)提供另一幅油画,并且产生该另一幅油画的至少一个数字映象;
d)在使用该WND-CHARM方法的情况下为该另一幅油画的数字映象采集另外的分类数据;并且
e)将所述另外的分类数据与用于原画的分类数据的基准数据记录进行比较,其中,在所述另外的分类数据与所述基准数据记录之间达到或者超过最小一致性时,作出是原画的结论,否则,作出是赝品的结论。
本发明所基于的原理是,在使用该WND-CHARM方法的情况下根据由多幅原画组成的集合采集分类数据,并且接下来同样在使用该WND-CHARM方法的情况下为待查验的油画采集相应的分类数据。在该待查验的油画的分类数据与在所述基准数据记录中的分类数据具有一定的最小一致性时,所述在所述基准数据记录中的分类数据能够由使用者自由地选择,作出是原画的结论。研究表明,由某位艺术家的10到15幅原画组成的集合已经能够足够产生用于该艺术家的原画的分类数据的基准数据记录,所述基准数据记录能够可靠地确定待查验的油画的真实性。
在发表在《模式识别快报(Pattern Recognition Letters)》2008年29卷第1684至1693页的公开文献《WND-CHARM:使用复合图像变换的多用途图像分类(WND-CHARM:Multi-purpose image classification using compound image transforms)》中详细地描述了所述WND-CHARM方法。在上述公开文献中详细地描述了在实现该WND-CHARM方法的框架中根据本发明被执行的分析方法,在此不再复述。仅仅示范性地提及。这些分析方法能够是例如基于对比的方法、如在使用普利维特(Prewitt)或者索贝尔(Sobel)算子的情况下的边缘检测,在使用OTSU掩模的情况下的基于对象的分析方法以及统计学方法,所述统计学方法包括直方图、平均值、方差的分析或者最小值/最大值分析。此外,还能够基于共现矩阵根据哈拉里克(Haralick)方法分析纹理或者分析所谓的塔穆拉(Tamura)纹理。此外,还能够借助于费希尔分数判别(Fischer-Score-Bewertung)执行被采集的特征的表现力的傅里叶(Fourier)变换、切比雪夫(Chebyshev)变换或者拉东(Radon)变换和/或鉴定。上述提到的方法的全部和超出这之外的分析方法都是该WND-CHARM方法的组成部分,并且在该WND-CHARM方法内是相互关联的。
所述费希尔分数方法(Fisher-Score-Verfahren)来源于数理统计,并且用于评估由多个参数组成的数据组中的参数的最佳质量。这使得对利用上述分析方法确定的各个特征的加权成为可能,由此实现结果的优化。因此,例如对于每个特征(即例如求得的塔穆拉纹理、哈拉里克纹理、多尺度直方图等等)而言能够获得加权,所述加权说明各个特征具有何种相关性。借助于该WND-CHARM方法的相关性检验的其它细节能够从上述专业文章中得出。
该方法的可靠性的进一步提高能够通过下述方式实现,即这个方法此外还具有下述步骤:
aa)提供由该艺术家的多幅伪造的油画组成的集合,并且分别产生由多幅伪造的油画组成的集合中的每幅伪造的油画的至少一个数字映象;
bb)在使用该WND-CHARM方法的情况下为由伪造的油画组成的集合中的每幅伪造的油画的数字映象中的每一个采集分类数据,其中,所述分类数据是用于该艺术家的伪造的油画的分类数据的基准数据记录;并且
ee)将所述另外的分类数据与用于伪造的油画的分类数据的基准数据记录进行比较,其中,当所述另外的分类数据与所述用于伪造的油画的分类数据的基准数据记录之间的一致性大于所述另外的分类数据与用于原画的分类数据的基准数据记录之间的一致性时,作出是原画的结论,否则,作出是赝品的结论。
事实证明,完整油画的比较小的部分图片块就已经适合于能够可靠地作出油画的真实性的结论。因此,能够设置,在分别采集所述原画、所述另外的油画或者所述伪造的油画的数字映象的分类数据之前将各个数字映象分解成部分图片块,并且分别执行所述部分图片块中的至少一个的分类数据的采集。
各个数字映象能够根据由相邻的部分图片块组成的第一网栅被分解,此外还能够根据由相邻的部分图片块组成的第二网栅被分解,其中,所述第一和所述第二网栅沿着两个相互垂直的轴线中的至少一个在该数字映象的图片平面中相互被移动一段偏移量,并且其中,既为根据所述第一网栅被分解的部分图片块或者这些部分图片块的分量也为根据所述第二网栅被分解的部分图片块或者这些部分图片块的分量执行分类数据的采集。
在分别为所述原画、所述另外的油画或者所述伪造的油画的各个数字映象采集分类数据之前,颜色值直方图均衡化或者灰度值直方图均衡化能够被运用到各个映象上。在此,整个可用的颜色值区域被充分利用,并且借助于输入数据的扩展现有的被利用的颜色值区域几乎均匀地分布到整个可用的颜色值区域上。
一方面为了简化该方法,另一方面为了提高准确性,能够设置,不为各个数字映象的或者各个部分图像块的均质的成分、尤其是单色的和/或无细节的成分采集分类数据。
在此,该数字映象的均质的成分能够根据颜色值直方图或者灰度值直方图通过下述方式被采集:确定在所述直方图中具有一定的最小频率的颜色值或者灰度值的最大成分,其中,当在该成分的直方图中具有最小频率的颜色值或者灰度值的数量比最大数量小时,作出是均质的成分的结论。
此外,在所述采集之前,还能够将柔焦透镜、尤其是高斯滤波器运用到各个数字映象或者各个数字映象的部分图片块上,以便减小在各幅油画上的杂质和/或划痕的影响。
由多幅伪造的油画或者原画组成的集合的数字映象和同样地该另一幅待查验的油画的映象能够以摄影的方式被产生,其中,每个映象作为由大量图片像素组成的图片文件被提供。
根据另一个方面,本发明涉及一种在用于上述类型的油画的著作权鉴定的方法中该WND-CHARM方法的使用。
附图说明
根据下面的附图阐述本发明的其它细节。在此:
图1示出用于执行根据本发明的一种实施方式的、用于油画的著作权鉴定的方法的示意性流程图;
图2示出根据第一和第二网栅被分解的示例性的数字映象;
图3图示地示意性地示出直方图均衡化的执行;
图4图示地示出均质的映象组成部分的过滤;和
图5图示地示出根据被选择的过滤公差被过滤的均质的图片组成部分的成分。
具体实施方式
在图1中,为了说明根据一种构造方式的根据本发明的方法,示出了流程示意图。据此,在步骤10中提供由某位艺术家的多幅原画组成的集合。所述集合能够按照另外的区分特征被划分,例如,该集合的某些油画能够被归类到某一时代。这能够有助于提高数据质量,因为接下来待查验的油画,按照它所来源的时代,只根据从属于所涉及到的时代的原画的分类数据被比较。
在步骤20中,分别产生该集合的每幅原画的至少一个数字映象,其中,这优选以摄影的方式进行,从而使得产生的映象由多个图片像素组成。为此,能够使用摄影设备,所述设备具有常用的数字图像传感器,例如CCD传感器或者CMOS传感器。
在步骤30中,在使用该WND-CHARM方法的情况下为该集合的每幅原画的数字映象中的每一个采集分类数据,并且所述分类数据形成用于所涉及到的艺术家的原画的分类数据的基准数据记录。在发表在《模式识别快报(Pattern Recognition Letters)》2008年29卷第1684至1693页的专业文章《WND-CHARM:使用复合图像变换的多用途图像分类(WND-CHARM:Multi-purpose image classification using compound image transforms)》中全面地描述了根据所述WND-CHARM方法被使用的分析方法。
在步骤40中,提供另一幅、待查验真实性的油画,其中,在步骤50中产生这个油画的至少一个数字映象,用于查验该油画。这也能够再次以摄影的方式以上述方式产生。在步骤60中,在使用该WND-CHARM方法的情况下为该另一幅油画的数字映象采集分类数据。
为了进一步改进查验结果,在步骤80中提供由该艺术家的多幅伪造的油画组成的集合。该艺术家的伪造的油画的特征在于,它们假装是出自在步骤10中被提供的原画的艺术家之手,然而这不是真的,所述伪造的油画实际上是由另一位艺术家所创作的。然而,对于本发明尤其不是强制性地必需的是,所述伪造的油画实际上是该艺术家的现存的原画的仿制品。同样不是必需的是,所述伪造的油画至少部分地是包含在所述原画的集合中的油画。同样地对于本发明不是必需的是,待查验的、另一幅油画是包含在由原画和伪造的油画组成的集合中的至少一个中的油画。按照所述WND-CHARM方法,本发明仅仅基于根据某位艺术家的原画和必要时根据被认为是该艺术家的、伪造的油画采集分类数据,以便将这些分类数据作为必要时在一次性采集之后被保存在数据库中的比较分类数据与著作权未知的另一幅油画的数字映象的相应的分类数据进行比较,从而使得能够根据该另一幅油画的分类数据与所述原画的分类数据和必要时所述伪造的油画的分类数据的一致度作出该另一幅油画的真实性的结论。
使用者决定他将被比较的分类数据的一致度的按百分比计算的阈值设在何处,以便想要作出原作或者赝品的结论。然而事实证明,通过该CHARM方法的使用,即使在“好的赝品”的情况下,利用根据本发明的方法仍然还是趋向于能够检测到该另一幅油画的被采集的分类数据与所述原画的分类数据的小的一致性或者该另一幅油画的分类数据与所述伪造的油画的分类数据的增加的一致性,并且因此在20幅油画的样本中在所述案例的100%中能够根据被比较的分类数据的一致度正确地确定真实性或者缺乏真实性。即使在“好的赝品”的情况下,在所述“好的赝品”中该另一幅油画即赝品的分类数据与所述原画的集合的分类数据具有一定的一致度,符趋向于仍然还是能够检测到所述原画的被比较的分类数据之间的主要偏差或者与所述伪造的油画的分类数据的主要一致性,并且从而在结果中作出正确的鉴定。
在步骤70和110中,将另外的分类数据与用于原画的或者用于伪造的油画的分类数据的基准数据记录进行比较。在将所述另外的分类数据与用于原画的分类数据的基准数据记录进行比较时,在所述另外的分类数据与所述基准数据记录之间达到或者超过最小一致性时作出是该艺术家的原画的结论,否则作出是赝品的结论。在将所述另外的分类数据与用于伪造的油画的分类数据的基准数据记录进行比较110时,当所述另外的分类数据与用于伪造的油画的分类数据的基准数据记录之间的一致性大于所述另外的分类数据与用于原画的分类数据的基准数据记录之间的一致性时,作出是赝品的结论,并且其中,否则作出是原画的结论。按照所述CHARM方法,不同的、根据所述分类数据被查验一致性的单个特征能够被不同地加权,从而使得在例如1000个被查验的单个特征中根据少量的、例如50个明确的和相应地加权更多的单个特征中的偏差就能够作出是赝品的结论。
事实证明,两种比较70、110本身一直在真实性确定方面得出相同的结果,从而使得根据本发明的方法能够具有***固有的自我确认。如果步骤70的结果与步骤110的结果相反,也就是说,其中一个步骤能够作出该待查验的油画是原画的结论,而另一个步骤则作出是伪造的油画的结论,则根据这个机制能够验证,更可靠的真实性确定是不可能的。
对待查验的油画,不管是由多幅原画组成的集合中的原画还是伪造的油画的集合的伪造的油画,和同样地对另一幅、待查验真实性的油画都能够进行不同的预处理步骤。这些预处理步骤应该尤其被放在步骤30、60、100之前,也就是说在采集相应的分类数据之前,并且目的在于例如简化所述处理过程和/或提高在分类数据采集中的收益、也就是说提高数据质量。
能够设置,在步骤120中将原画、伪造的油画或者待查验真实性的油画的各个数字映象分解为部分图片块,其中,接下来为所述部分图片块中的至少一个分别执行分类数据的采集30、60、100。根据所选择的部分图片块的信息密度的不同,所述部分图片块中的一个的分析已经能够足够检查所述真实性和以足够的可靠性执行,也就是说尤其足够产生足够的分类信息量,所述分类信息量允许对该真实性进行可靠地判断。
在将该映象分解为部分图片块时,各个数字映象能够根据由相邻的部分图片块组成的第一网栅200被分解,此外还能够根据由相邻的部分图片块组成的第二网栅300被分解,其中,所述第一和所述第二网栅200、300沿着两个相互垂直的轴线中的至少一个在该数字映象的图片平面中相互被移动一段偏移量。这在图2中被详细地示出。然后,既为根据所述第一网栅200被分解的部分图片块也为根据所述第二网栅300被分解的部分图片块执行分类数据的采集30、60、100。为了更好地概览,在图2中只局部地示出所述第二网栅300。借助于所描述的网栅移动能够避免例如在结构或者纹理识别中信息通过下述方式丢失:所述纹理或者结构在该网栅的分离线上被分开,并且从而在采集分类信息时被断章取义地抽出并且可能被忽视。
如图3所示,在采集30、60、100分类数据之前,将颜色值直方图均衡化或者灰度值直方图均衡化运用到各个数字映象上,在所述直方图均衡化中,被各个映象利用的色谱或者灰度值谱被变换到整个可用的色彩空间或者灰度值空间上,其中,所述直方图均衡化要么被运用到整个映象上,要么被运用到部分图片块上。
参照图4描述了用于预处理所述数字映象的另一种措施。尤其是,为了简化该过程和同时为了改进分类数据质量,能够在该数字影像的参照图2所描述的网栅化之后设置,不为各个数字映象的或者各个部分图像块的均质的成分、尤其是单色的和/或无细节的成分采集分类数据。这是基于下述假设:均质的成分要么不具有能够被分析的分类数据,要么这些分类数据由于所涉及到的图片成分的均质性在真实性确定方面不具有说服力。为了过滤出均质的成分能够设置,所述数字映象根据颜色值直方图或者灰度值直方图在步骤140中通过下述方式被采集:确定在所述直方图中具有一定的最小频率的颜色值或者灰度值的最大数量。在此,当在该成分的直方图中具有最小频率的颜色值或者灰度值的数量比所述最大数量小时,作出是均质的成分的结论。
作为预处理的另一种措施,在所述采集30、60、100之前能够在步骤150中将柔焦透镜和尤其是高斯滤波器运用到各个数字映象或者被处理的部分图片块上,以便减小在各幅油画上的杂质和/或划痕的影响。
概观图4和5能够看出,被过滤出的均质的图片成分或者被过滤出的部分图片块的成分随着公差阈值增加或者减小。所述公差阈值越高,被过滤出的图片组成部分就越多。在此,提出下述假设:尤其异质的图片组成部分特别适合于所描述的用于确定真实性的方法。因此,在近似单色的油画中能够是必需的是,保持所述公差阈值较低并且尤其执行参照图3被描述的直方图扩展,以便更好地突出存在在所述油画中的结构。
在上述说明书中、附图中以及在权利要求中公开的特征既能够单独地也能够以彼此的任意的组合地对于本发明而言是重要的。
Claims (10)
1.用于油画的著作权鉴定的方法,所述方法具有下述步骤:
a)提供(10)由某位艺术家的多幅原画组成的集合,并且分别产生(20)由多幅原画组成的集合中的每幅原画的至少一个数字映象;
b)在使用WND-CHARM方法的情况下为所述集合中的每幅原画的数字映象中的每一个采集(30)分类数据,其中,所述分类数据是用于该艺术家的原画的分类数据的基准数据记录;
c)提供(40)另一幅油画,并且产生(50)所述另一幅油画的至少一个数字映象;
d)在使用所述WND-CHARM方法的情况下为所述另一幅油画的数字映象采集(60)另外的分类数据;并且
e)将所述另外的分类数据与用于原画的分类数据的基准数据记录进行比较(70),其中,在所述另外的分类数据与所述基准数据记录之间达到或者超过最小一致性时,作出是原画的结论,否则,作出是赝品的结论。
2.根据权利要求1所述的方法,所述方法此外还具有下述步骤:
aa)提供(80)由所述艺术家的多幅伪造的油画组成的集合,并且分别产生(90)由多幅伪造的油画组成的集合中的每幅伪造的油画的至少一个数字映象;
bb)在使用所述WND-CHARM方法的情况下为伪造的油画的集合的每幅伪造的油画的数字映象中的每一个采集(100)分类数据,其中,所述分类数据是用于所述艺术家的伪造的油画的分类数据的基准数据记录;并且
ee)将所述另外的分类数据与用于伪造的油画的分类数据的基准数据记录进行比较(110),其中,当所述另外的分类数据与所述用于伪造的油画的分类数据的基准数据记录之间的一致性大于所述另外的分类数据与用于原画的分类数据的基准数据记录之间的一致性时,作出是原画的结论,否则,作出是赝品的结论。
3.根据权利要求1或者2所述的方法,在所述方法中,在分别采集(30、60、100)分类数据之前将各个数字映象分解(120)成部分图片块,并且分别为所述部分图片块中的至少一个执行分类数据的采集(30、60、100)。
4.根据权利要求3所述的方法,在所述方法中,各个数字映象根据由相邻的部分图片块组成的第一网栅(200)被分解(120),此外还根据由相邻的部分图片块组成的第二网栅(300)被分解(120),其中,所述第一和所述第二网栅(200、300)沿着两个相互垂直的轴线中的至少一个在所述数字映象的图片平面中相互被移动一段偏移量,并且其中,既为根据所述第一网栅(200)被分解(120)的部分图片块也为根据所述第二网栅(300)被分解(120)的部分图片块执行分类数据的采集(30、60、100)。
5.根据上述权利要求中任一项所述的方法,在所述方法中,在分别采集(30、60、100)分类数据之前,颜色值直方图均衡化或者灰度值直方图均衡化被运用(130)到各个数字映象上,其中,所述直方图均衡化要么被运用到整个映象上,要么被运用到部分图片块上。
6.根据上述权利要求中任一项所述的方法,在所述方法中,不为各个数字映象的或者各个部分图像块的均质的成分、尤其是单色的和/或无细节的成分采集分类数据。
7.根据权利要求6所述的方法,在所述方法中,所述数字映象的均质的成分根据颜色值直方图或者灰度值直方图通过下述方式被采集(140):确定在所述直方图中具有一定的最小频率的颜色值或者灰度值的最大数量,其中,当在该成分的直方图中具有最小频率的颜色值或者灰度值的数量比所述最大数量小时,作出是均质的成分的结论。
8.根据上述权利要求中任一项所述的方法,在所述方法中,在所述采集(30、60、100)之前将柔焦透镜、尤其是高斯滤波器运用(150)到各个数字映象上,以便减小在各幅油画上的杂质和/或划痕的影响。
9.根据上述权利要求中任一项所述的方法,在所述方法中,由多幅伪造的油画或者原画组成的集合的数字映象和所述另一幅油画的映象以摄影的方式被产生(20、50、90),其中,每个映象作为由大量图片像素组成的图片文件被提供。
10.所述WND-CHARM方法在根据上述权利要求中任一项所述的用于油画的著作权鉴定的方法中的使用。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102016115837.2A DE102016115837A1 (de) | 2016-08-25 | 2016-08-25 | Verfahren für die Urheberschaftsbewertung eines Gemäldes sowie eine entsprechende Verwendung |
DE1020161158372 | 2016-08-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107563427A true CN107563427A (zh) | 2018-01-09 |
Family
ID=59655845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710741916.6A Pending CN107563427A (zh) | 2016-08-25 | 2017-08-25 | 用于油画的著作权鉴定的方法以及相应的使用 |
Country Status (12)
Country | Link |
---|---|
US (1) | US10546213B2 (zh) |
EP (1) | EP3287951B1 (zh) |
JP (1) | JP2018032400A (zh) |
KR (1) | KR20180023847A (zh) |
CN (1) | CN107563427A (zh) |
BR (1) | BR102017016827A8 (zh) |
CA (1) | CA2975054A1 (zh) |
DE (1) | DE102016115837A1 (zh) |
ES (1) | ES2863300T3 (zh) |
MX (1) | MX2017009709A (zh) |
RU (1) | RU2745098C2 (zh) |
ZA (1) | ZA201705185B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018213856A2 (en) * | 2017-05-16 | 2018-11-22 | Artentika (Pty) Ltd | Digital data minutiae processing for the analysis of cultural artefacts |
KR102102403B1 (ko) * | 2018-06-19 | 2020-04-21 | 한밭대학교 산학협력단 | 위조 영상 인쇄물 감식을 통한 코드인증방법과 그 응용 시스템 |
CN112100684B (zh) * | 2020-03-27 | 2021-05-07 | 蝶链科技(深圳)有限公司 | 用于置信度分析的区块链操作***及方法 |
WO2022120008A1 (en) * | 2020-12-03 | 2022-06-09 | Kansas State University Research Foundation | A machine learning method and computing device for art authentication |
US20230126839A1 (en) * | 2021-10-25 | 2023-04-27 | Paypal, Inc. | Detection of duplicated data for non-fungible tokens |
US11948386B1 (en) | 2023-07-06 | 2024-04-02 | SpaceFarm LLC | Artwork authenticity systems and methods |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003323622A (ja) * | 2002-02-27 | 2003-11-14 | Nec Corp | 画像認識システム及びその認識方法並びにプログラム |
US20110096955A1 (en) * | 2008-03-20 | 2011-04-28 | Universite De Geneve | Secure item identification and authentication system and method based on unclonable features |
CN102439605A (zh) * | 2009-05-20 | 2012-05-02 | 维纳·肖尔岑 | 确定艺术品作者的方法和装置 |
CN103116755A (zh) * | 2013-01-27 | 2013-05-22 | 深圳市书圣艺术品防伪鉴定有限公司 | 书画真伪度自动检测***及其方法 |
CN103336942A (zh) * | 2013-04-28 | 2013-10-02 | 中山大学 | 一种基于Radon BEMD变换的国画鉴定方法 |
JP2014016676A (ja) * | 2012-07-05 | 2014-01-30 | Casio Comput Co Ltd | 画像領域分割装置、方法、およびプログラム |
CN104217221A (zh) * | 2014-08-27 | 2014-12-17 | 重庆大学 | 基于纹理特征的书画作品检测方法 |
CN107909102A (zh) * | 2017-11-10 | 2018-04-13 | 天津大学 | 一种组织病理图像的分类方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1290622A2 (en) * | 2000-06-16 | 2003-03-12 | Asahi Garou Kabushikigaisha | Work identification system and signature management system |
US7379594B2 (en) | 2004-01-28 | 2008-05-27 | Sharp Laboratories Of America, Inc. | Methods and systems for automatic detection of continuous-tone regions in document images |
EP2555160B1 (de) | 2011-08-05 | 2013-10-09 | Sick Ag | Erzeugung eines in interessante und uninteressante Bereiche vorsegmentierten Bildes |
US8837820B2 (en) * | 2012-05-25 | 2014-09-16 | Xerox Corporation | Image selection based on photographic style |
US9202129B2 (en) | 2013-03-12 | 2015-12-01 | Qualcomm Incorporated | Reducing object detection time by utilizing space localization of features |
EP2921989A1 (en) * | 2014-03-17 | 2015-09-23 | Université de Genève | Method for object recognition and/or verification on portable devices |
-
2016
- 2016-08-25 DE DE102016115837.2A patent/DE102016115837A1/de not_active Withdrawn
-
2017
- 2017-07-17 ES ES17181704T patent/ES2863300T3/es active Active
- 2017-07-17 EP EP17181704.2A patent/EP3287951B1/de active Active
- 2017-07-26 MX MX2017009709A patent/MX2017009709A/es unknown
- 2017-08-01 CA CA2975054A patent/CA2975054A1/en not_active Abandoned
- 2017-08-01 ZA ZA2017/05185A patent/ZA201705185B/en unknown
- 2017-08-04 BR BR102017016827A patent/BR102017016827A8/pt not_active IP Right Cessation
- 2017-08-09 US US15/672,464 patent/US10546213B2/en not_active Expired - Fee Related
- 2017-08-21 JP JP2017158671A patent/JP2018032400A/ja not_active Ceased
- 2017-08-24 KR KR1020170107128A patent/KR20180023847A/ko active IP Right Grant
- 2017-08-24 RU RU2017129926A patent/RU2745098C2/ru active
- 2017-08-25 CN CN201710741916.6A patent/CN107563427A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003323622A (ja) * | 2002-02-27 | 2003-11-14 | Nec Corp | 画像認識システム及びその認識方法並びにプログラム |
US20110096955A1 (en) * | 2008-03-20 | 2011-04-28 | Universite De Geneve | Secure item identification and authentication system and method based on unclonable features |
CN102439605A (zh) * | 2009-05-20 | 2012-05-02 | 维纳·肖尔岑 | 确定艺术品作者的方法和装置 |
JP2014016676A (ja) * | 2012-07-05 | 2014-01-30 | Casio Comput Co Ltd | 画像領域分割装置、方法、およびプログラム |
CN103116755A (zh) * | 2013-01-27 | 2013-05-22 | 深圳市书圣艺术品防伪鉴定有限公司 | 书画真伪度自动检测***及其方法 |
CN103336942A (zh) * | 2013-04-28 | 2013-10-02 | 中山大学 | 一种基于Radon BEMD变换的国画鉴定方法 |
CN104217221A (zh) * | 2014-08-27 | 2014-12-17 | 重庆大学 | 基于纹理特征的书画作品检测方法 |
CN107909102A (zh) * | 2017-11-10 | 2018-04-13 | 天津大学 | 一种组织病理图像的分类方法 |
Non-Patent Citations (4)
Title |
---|
C. RICHARD JOHNSON 等: "Image Processing for Artist Identification", 《IEEE SIGNAL PROCESSING MAGAZINE》 * |
LIOR SHAMIR 等: "Computer Analysis of Art", 《ACM JOURNAL ON COMPUTING AND CULTURAL HERITAGE》 * |
NIKITA ORLOV 等: "WND-CHARM: Multi-purpose image classification using compound image transforms", 《PATTERN RECOGNITION LETTERS》 * |
王倩: "基于图像识别的油画真伪鉴别方法研究", 《中国优秀硕士学位论文全文数据库 哲学与人文科学辑》 * |
Also Published As
Publication number | Publication date |
---|---|
MX2017009709A (es) | 2018-09-10 |
DE102016115837A1 (de) | 2018-03-01 |
RU2017129926A3 (zh) | 2020-10-02 |
US20180060692A1 (en) | 2018-03-01 |
CA2975054A1 (en) | 2018-02-25 |
US10546213B2 (en) | 2020-01-28 |
RU2017129926A (ru) | 2019-02-25 |
EP3287951B1 (de) | 2021-01-20 |
BR102017016827A2 (pt) | 2018-10-30 |
JP2018032400A (ja) | 2018-03-01 |
ES2863300T3 (es) | 2021-10-11 |
EP3287951A1 (de) | 2018-02-28 |
ZA201705185B (en) | 2019-07-31 |
RU2745098C2 (ru) | 2021-03-19 |
KR20180023847A (ko) | 2018-03-07 |
BR102017016827A8 (pt) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563427A (zh) | 用于油画的著作权鉴定的方法以及相应的使用 | |
US8068132B2 (en) | Method for identifying Guignardia citricarpa | |
AU2018292176A1 (en) | Detection of manipulated images | |
Jambhekar | Red blood cells classification using image processing | |
WO2018132480A1 (en) | System, method for training and applying defect classifiers in wafers having deeply stacked layers | |
US20040141641A1 (en) | Seed image analyzer | |
CA2435290A1 (en) | Computer-aided image analysis | |
CN103971106B (zh) | 多视角人脸图像性别识别方法及装置 | |
CN111582359B (zh) | 一种图像识别方法、装置、电子设备及介质 | |
CN103279744B (zh) | 基于多尺度三模式纹理特征的仿造指纹检测方法和*** | |
Rahman et al. | Automatic detection of white blood cells from microscopic images for malignancy classification of acute lymphoblastic leukemia | |
Seibold et al. | Focused LRP: Explainable AI for face morphing attack detection | |
CN116167964A (zh) | 基于肿瘤高光谱图像的肿瘤分类方法及*** | |
WO2004046994A1 (en) | Histological assessment of nuclear pleomorphism | |
Thamaraimanalan et al. | Multi biometric authentication using SVM and ANN classifiers | |
CN107735838A (zh) | 在多种设置下用于医学样品的异常检测 | |
CN114332058A (zh) | 基于神经网络的血清质量识别方法、装置、设备及介质 | |
CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
CN103268494A (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
Hollaus et al. | MultiSpectral image binarization using GMMs | |
Wijerathna et al. | Rice category identification using heuristic feature guided machine vision approach | |
Saraswat et al. | Malarial parasites detection in RBC using image processing | |
Gavrilovic et al. | Quantification of colocalization and cross‐talk based on spectral angles | |
Yuliastuti et al. | Compact computer vision system for tropical wood species recognition based on pores and concentric curve | |
Sukhia et al. | Overlapping white blood cells detection based on watershed transform and circle fitting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180109 |