Устройство и способ для идентификации автора произведения искусства

Изобретения относятся к способу, устройству и системе для определения автора картины. Техническим результатом является повышение надежности и гибкости определения автора картины. Способ определения автора картины включает преобразование исследуемого полотна или его фрагментов с помощью устройства для оцифровки по меньшей мере в один набор данных; анализ набора/наборов данных и определение характеризующих признаков или деталей характеризующих признаков с использованием метода Хафа, причем определяемые характеризующие признаки хранятся в одном наборе данных; определение опорных признаков по меньшей мере одного характеризующего признака или деталей характеризующих признаков, содержащихся в наборе данных, причем опорные признаки характеризующих признаков либо уже заложены в базу данных, либо их создают в ходе текущего процесса, при этом база данных содержит дополнительную связанную запись для каждого из этих хранящихся характеризующих признаков; признаки, которые были распознаны таким образом и проанализированы, сравнивают с характеризующими признаками, хранящимися в базе данных, и при обнаружении одного или нескольких совпадений выводят фамилию автора и/или связанный набор данных с информацией об авторе. 3 н. и 6 з.п. ф-лы, 20 ил.

 

Область техники

Предлагаемое изобретение относится к устройству и способу для доказательства происхождения и авторства картин.

Уровень техники

В мире искусства очень большое значение придается происхождению произведения искусства, то есть отношению соответствующего произведения к художнику. Это необходимо для определения авторства и стоимости произведения, а также для целей искусствоведения. Художник, как автор произведения искусства, обладает очень широкими правами на это произведение искусства, которые сохраняются за ним даже после продажи этого произведения. Кроме того, истинное происхождение произведения искусства интересно искусствоведам, так как во многих случаях, в частности в отношении старых произведений искусства, не удается однозначно определить автора. Причина может заключаться в отсутствующей или фальсифицированной подписи, а также в том, что великие мастера имели множество способных учеников, которым поручалась проработка фрагментов или даже полного произведения искусства, которое затем подписывалось мастером. Характерным примером такого сотрудничества является Рембрандт. В таких случаях для исследования произведений искусства привлекают даже высокотехнологичную аппаратуру. Например, нередки случаи рентгеновского исследования картин, кроме того, для распознавания водяных знаков бумажных фабрик часто используется инфракрасное облучение. Материалы, облучаемые ультрафиолетом, флуоресцируют различными цветами, что позволяет судить о материале, лежащем в основе произведения искусства. В результате можно сделать вывод об авторстве соответствующего художника. Кроме того, для распознавания подделок применяется термолюминесцентный анализ, дорогостоящие химические исследования или исследование произведения искусства под микроскопом.

Эти методы связаны с очень высокими расходами и должны выполняться в подходящих местах, чаще всего лабораториях. Эти места должны быть оборудованы с учетом требований к защите персонала от действия излучения и с учетом требований к климатическим условиям хранения картин.

С другой стороны, опытный эксперт часто может на глаз определить автора произведения искусства, в частности картины. Способность к определению художника как автора определенной картины приобретается экспертом в ходе обучения и профессиональной деятельности. При этом некоторыми признаками, которые характеризуют художника и облегчают идентификацию его произведений, являются цветовой слой, манера письма и мазок. Под мазком понимается, по существу, ведение кисточки в живописи. Мазок может подчеркивать важность отдельных участков картины для соответствующего художника. Так, например, на портрете линии лица могут быть тоньше мазков, которые художник использовал для написания одежды. Это может свидетельствовать о том, что художник придавал особое значение выражению лица или самому лицу. Таким образом, мазок является индивидуальным почерком художника. Мазок может описываться, в том числе, манерой работы кистью, манерой письма, легкостью и стабильностью прижатия кисти. Произведение искусства, в частности картина, может быть идентифицировано с помощью этого индивидуального почерка художника, то есть автора. Соответственно, оно может быть приписано истинному автору. В настоящее время это может быть сделано только путем осмотра полотна экспертом-искусствоведом. При этом эксперт должен тщательно изучить и исследовать полотно. Этот процесс занимает очень много времени и стоит очень дорого, так как эксперты-искусствоведы являются высококвалифицированными специалистами.

Раскрытие изобретения

Таким образом, задачей предлагаемого изобретения является разработка устройства и способа, который позволит приписать заданную картину авторству того художника (из множества заданных художников), который в действительности создал ее.

Согласно изобретению, эта задача решается способом определения автора картины, который включает, по меньшей мере, следующие этапы:

- преобразование исследуемого полотна или фрагментов исследуемого полотна с помощью устройства для оцифровки, в частности сканера, по меньшей мере, в один набор данных;

- анализ набора/наборов данных и определение характеризующих (т.е. типичных, характерных) признаков или деталей характеризующих признаков, в частности точек, линий, групп точек или линий, или узоров, которые содержатся в наборе данных в цифровом виде, причем определяемые характеризующие признаки хранятся в одном наборе данных;

- причем база данных содержит дополнительную связанную запись для каждого из этих хранящихся характеризующих признаков.

Способ, описываемый изобретением, не требует от эксперта-искусствоведа специальных знаний по базам данных. Скорость получения результата зависит от скорости доступа к базе данных, алгоритма, используемого для поиска по базе данных, величины исследуемых наборов данных и, разумеется, количества связанных записей в базе данных. Определение характеризующих признаков в наборе данных в смысле настоящей заявки следует понимать как распознавание характеризующих признаков в наборе данных (и, разумеется, в конечном счете на исследуемом полотне) или как идентификацию (нахождение) характеризующих признаков в наборе данных.

Преобразование картины или фрагментов картины, по меньшей мере, в один набор данных с помощью устройства для оцифровки в большинстве случаев означает сканирование картины с помощью сканера. Также возможно использование соответствующей цифровой камеры. Это выгодно тем, что оцифровка с помощью камеры может выполняться попутно. Это простой и быстрый способ получения оцифрованных данных при сохранении высокой мобильности, причем произведения искусства не требуется перевозить. То есть оцифровка возможна непосредственно на месте выставления произведений искусства. Таким образом, сканер представляет собой систему регистрации данных, которая систематично и регулярно считывает или снимает объект, в частности картину. При этом путем нескольких отдельных съемок получают общее изображение сканируемого объекта или его фрагментов. Для съемки трехмерных произведений искусства может применяться объемный сканер. Сканеры фирмы Cruse, в которых сканируемое изображение освещается синхронизированным светом, причем отраженный свет фокусируется линзой, позволяют добиться абсолютно правильной цветопередачи и точного совпадения отсканированного изображения с оригиналом. Для простых рисунков может использоваться даже обычный сканер, который выгодным образом отличается очень высоким качеством съемки (смысл выражения «очень высокое качество съемки» меняется с течением времени, так как каждое новое поколение сканеров может иметь улучшенные характеристики съемки или улучшенное разрешение). Наборы данных, полученные при сканировании, могут занимать очень много места даже при сканировании небольших оригиналов (в зависимости от установленного разрешения). Однако это условие, а именно наличие накопителя большого объема, может быть реализовано на современном уровне техники с небольшими затратами.

Анализ полученных путем сканирования наборов данных, который должен выполняться в соответствии со способом, описываемым изобретением, и определение характеризующих признаков, которые имеются в наборе данных в цифровой форме, осуществляется с помощью образцов характеризующих признаков, хранящихся в базе данных. Эти образцы сравниваются с исследуемым изображением, при этом в исследуемом изображении ведется поиск признаков, полностью или большей частью совпадающих с образцами.

Определение или распознавание этих характеризующих признаков, в частности точек, линий, групп точек или линий, или узоров, в исследуемом изображении предполагает наличие возможности распознавания среди множества данных закономерностей, повторений или подобия, причем распознавание подобия имеет наибольшие шансы на успех. Такая возможность может быть предоставлена методами распознавания образов. Кроме того, характеризующими признаками могут быть кромки, границы цветов, наложение цветов, то есть манера наложения красочного слоя, и собственно мазок.

По существу, отсканированное и подлежащее исследованию изображение анализируется способом, который вместе со своими подготовительными этапами описывается ниже. Такой анализ облегчает последующее сравнение с образцами, хранящимися в базе данных.

После оцифровки выполняется этап подготовки исследуемого изображения. На этом этапе, в том числе, выполняется стандартизация изображения, которая позволит впоследствии сравнивать его с образцами. При необходимости, можно с помощью фильтров устранить мешающие погрешности. Также можно преобразовать цвета изображения в оттенки серого, если это будет полезно на последующих этапах.

После этого изображение может быть разделено на сегменты, благодаря чему однородные области (области с приблизительно одинаковой текстурой или одинаковой цветностью) могут быть объединены, вследствие чего уменьшится загрузка памяти.

После этого выполняется экстракция признаков. По существу, способы экстракции признаков в большинстве случаев представляют собой способы, которые в наиболее благоприятном случае основываются на интуиции или многолетнем опыте специалиста. Важные признаки могут быть преобразованы в векторы признаков. Признаками изображений могут быть прямые линии, кривые линии, окружности, эллипсы и прочие группы, которые могут быть геометрически описаны. Характеризующий признак, который может быть соотнесен с автором, может состоять из нескольких таких признаков или только из одного такого признака.

На следующем этапе выполняется классификация извлеченных признаков и образцов при помощи способа классификации. Способ классификации или классификатор подразделяет извлеченные признаки и образцы на классы. Способы классификации уже известны на уровне техники. Известны ручные, автоматические, числовые и нечисловые статистические и не распределяющие, а также параметризуемые и обучающие способы. Также известны и другие способы, то есть приведенный выше список не имеет ограничительного характера. Классификация может быть выполнена, например, с помощью классификатора Байеса. Этот классификатор соотносит каждый признак в точности с тем классом, к которому он принадлежит с наибольшей вероятностью.

На основании этой классификации может выполняться собственно анализ образов, в ходе которого производится распознавание или интерпретация изображения. На первом этапе рассматриваются только важные признаки, на втором этапе оценивается соотношение признаков.

Признаки, которые были распознаны таким образом и проанализированы, сравниваются с характеризующими признаками, хранящимися в базе данных. Если будет обнаружено одно или несколько совпадений, то помимо фамилии автора может быть выведен связанный набор данных с информацией об авторе полотна.

Другой вариант исполнения изобретения отличается тем, что разрешение устройства для оцифровки, предпочтительно сканера, может свободно регулироваться. Эта возможность позволяет учитывать как соответствующее произведение искусства, так и обрабатываемый в итоге набор данных, полученный в ходе процесса оцифровки.

Художники предпочитают использовать при создании своих произведений филигранную технику, которая отличается очень тонкими и очень легкими (там, где это возможно) линиями. Таким образом, для выполнения анализа образа необходимо выбирать режим высокого разрешения, который позволяет переводить в цифровой вид и впоследствии анализировать даже самые тонкие и мелкие детали. В других случаях, например, в произведении, которое состоит, например, из некоторого количества различных однотонных квадратов на полотне большой площади, выразительность произведения искусства очень высока, но информация, полученная при оцифровке произведения, является обзорной и может быть описана небольшим объемом данных.

В другом предпочтительном варианте исполнения изобретения для анализа и определения характеризующих признаков в исследуемом изображении или в его фрагментах используется метод Хафа (Hough method). Под методом Хафа подразумевается способ, который основывается на одноименной трансформации, а именно трансформации Хафа (Hough transform). Эта трансформация пригодна для распознавания прямых линий, эллипсов и прочих геометрических объектов. Из таких объектов состоят или складываются искомые характеризующие признаки. Кроме того, метод Хафа является очень надежным методом, который позволяет идентифицировать структуры линий даже в зашумленном изображении, то есть в изображении, на котором геометрические объекты не могут быть распознаны отчетливо и однозначно. Таким образом, можно определить не только полные линии, но и сегменты линий и прочие сегменты и детали геометрических объектов.

Следующий, совершенно отдельный, предпочтительный вариант исполнения изобретения отличается наличием дополнительного этапа способа, на котором определяются опорные признаки характеризующих признаков или деталей характеризующих признаков, содержащихся в наборе данных, причем опорные признаки характеризующих признаков либо уже заложены в базе данных, либо создаются в ходе текущего процесса. Опорный признак характеризующего признака в смысле настоящей заявки выделяется из него путем изменения характеризующего признака. Человеческий глаз может распознать лишь незначительные различия между опорным признаком и характеризующим признаком. Определение опорных признаков в исследуемом изображении позволяет распознавать даже мелкие и незначительные отклонения характеризующих признаков, которые могут иметь место в любом случае, и предотвратить обусловленные ими ошибки в определении авторства произведения. Разумеется, художник имеет свой характерный индивидуальный почерк, он рисует или пишет определенные формы всегда похожим образом или даже, в наиболее благоприятном случае, почти одинаково. Однако в нарисованных или написанных формах всегда имеют место отклонения. Эти отклонения необходимо распознавать и, при необходимости, определять как характеризующие признаки в исследуемом изображении. Опорные признаки создаются с помощью модуля обработки образов. Такие модули обработки образов известны из уровня техники. Под обработкой образов понимается (в качестве примера, не имеющего ограничительного характера) манипулирование отдельными линиями, кривыми, прямыми, углами или даже полными геометрически связанными фигурами, причем исходной точкой таких манипуляций являются характеризующие признаки или детали характеризующих признаков.

В совсем простом случае характеризующие признаки или детали характеризующих признаков просто увеличиваются или уменьшаются, причем вполне возможна ситуация, в которой будет обрабатываться более одного характеризующего признака или более одной детали такого признака. Возможен даже вариант, в котором одна деталь характеризующего признака будет увеличиваться, а другая - уменьшаться.

В следующем предпочтительном варианте исполнения предлагаемого изобретения опорные признаки образуются растяжением или сжатием соответствующего характеризующего признака или, по меньшей мере, одной деталью характеризующего признака. В этом варианте исполнения характеризующий признак, в отличие от вышеупомянутого последнего варианта исполнения изобретения, сильнее отдален. Тем не менее, такая манипуляция вполне может привести к положительному результату, если характеризующий признак вследствие имеющейся геометрии исследуемого изображения был вынужденно сжат или растянут при создании произведения. Кроме того, при таких манипуляциях с характеризующими признаками или их деталями возможна ситуация, в которой одна деталь будет сжата, а другая, наоборот, растянута.

В следующем предпочтительном варианте исполнения предлагаемого изобретения, по меньшей мере, один опорный признак получен путем изменения кривизны линии.

В другом варианте исполнения опорный признак получен путем изменения угла, по меньшей мере, между двумя линиями соответствующего характеризующего признака.

Все эти предпринимаемые манипуляции не должны изменять характер характеризующего признака настолько, чтобы он более не мог служить своим целям, а именно определению авторства произведения искусства. Разумеется, помимо перечисленных изменений характеризующих признаков возможны и другие манипуляции, имеющие целью создание возможных опорных признаков.

Кроме того, не вызывает сомнений, что предлагаемый способ согласно изобретению может применяться и к фрагментам картин, то есть частям полотна. В этом случае оцифровываются только те фрагменты (части) полотна, которые необходимо проанализировать. Это может иметь место в том случае, если эксперт видит специальный «характеризующий признак», но он не уверен в том, идет ли речь об оригинале или о подделке с целью введения наблюдателя в заблуждение.

Такой способ может осуществляться, например, с помощью устройства, которое включает, по меньшей мере, одно устройство для оцифровки, предпочтительно сканер, модуль стандартизации, модуль сегментации, модуль классификатора и модуль базы данных. Кроме того, такое устройство может содержать, по меньшей мере, один накопитель и, по меньшей мере, один блок обработки данных.

Краткий перечень фигур чертежей

Фигура 1: схематичный алгоритм способа.

Фигура 2: пояснения к методу Хафа на примере прямой линии.

Фигура 3: схематичное изображение границы цветов.

Фигура 4: схематичное изображение характеристики изменения окраски.

Фигура 5: черно-белая копия оригинала с пятью обозначенными областями изображения.

Фигуры 5а-е: обозначенные области изображения (см. фиг.5).

Фигура 6: черно-белая копия предполагаемой подделки с пятью обозначенными областями изображения.

Фигуры 6а-е: обозначенные области изображения (см. фиг.6).

Фигура 7: копия произведения художника Макса Кларенбаха (Мах Clarenbach).

Фигура 7а: фрагмент фигуры 7.

Фигура 8: копия предполагаемой подделки произведения художника Макса Кларенбаха.

Фигура 9: схематичное представление границы цветов, наложения цветов и мазка.

Осуществление изобретения

На фиг.1 представлен схематичный алгоритм способа, описываемого изобретением, а также применение некоторых из необходимых для этого модулей. На первом этапе исследуемое полотно оцифровывается с помощью устройства 1 для оцифровки, в данном случае сканера высокого разрешения. В качестве примера отсканирована миниатюра очень известного художника XY, который написал ее на обратной стороне античной спичечной коробки. С течением времени произведение сильно пострадало. Кроме того, то обстоятельство, что спичечная коробка до этого использовалась по прямому назначению, не пошло на пользу качеству обратной стороны коробки. Поэтому сканирование выполнялось с очень высоким разрешением. В результате отдельные объекты изображения, с трудом различаемые невооруженным глазом, были оцифрованы таким образом, чтобы сохранить как можно больше подробностей. Высокое разрешение используется также для того, чтобы облегчить распознавание и устранение возможных неясностей, вызванных, например, загрязнением основы, при последующем выполнении способа. При сканировании с высоким разрешением получается большой объем данных, однако малая величина картины компенсирует этот недостаток. Кроме того, современная техника позволяет эффективно хранить и обрабатывать очень большие объемы данных. Затем изображение стандартизуется с помощью модуля 2 стандартизации. Эта операция служит для облегчения сравнения соответствующих найденных характеризующих признаков с образцами, хранящимися в базе 5 данных. Поскольку образцы, хранящиеся в базе 5 данных, также стандартизованы, то, по меньшей мере, пропорции отдельных характеризующих признаков похожи друг на друга. Художник всегда выполняет характерные для него движения, выражающиеся в мазке (движении кисти), приблизительно одинаковым образом, так что в большинстве случаев структура и величина результатов этих движений будут схожи.

В предлагаемом варианте изображение на следующем этапе делится на сегменты. В предлагаемом варианте эта операция напрашивается, так как изображение состоит, по существу, из четырех признаков, а именно черты, окружности, сердца и солнца. Благодаря осознанному выбору сегментов, который, впрочем, не является единственно правильным, в каждом сегменте воспроизводится один признак. Модуль, осуществляющий этот этап, называется модулем 3 сегментации.

Затем найденные признаки с помощью способа классификации, осуществляемого подходящим модулем 4 классификатора, распределяются по классам, к которым они относятся с наибольшей вероятностью. Так, черта назначается классу {черта}, окружность - классу {окружность}. Сердце и солнце, разумеется, могут храниться в базе данных не в виде классов и потому могут быть не найдены. Здесь существует риск назначения признаков не тому классу. Так, сердце может быть отнесено к классу {треугольник} или {деформированный треугольник}. Если объект «сердце» является характеризующим признаком искомого художника, то он может, в целом, храниться в базе данных в виде класса {сердце} и, с большой долей вероятности, относиться к тому же, хотя и неправильному классу, в частности классу {деформированный треугольник}. По существу, характеризующие признаки, хранящиеся в базе данных, также были распределены классификатором 4 по классам. В результате классификатор 4 в случае идентичности или высокой степени подобия, как правило, выполняет такую же классификацию. Если в качестве признака можно идентифицировать лишь фрагменты объекта «сердце», то они соотносятся с соответствующими классами. Сердце может быть разделено на два эллипсовидных сегмента с прилегающей прямой линией. Солнце может быть разделено, как легко заметить, на окружность и некоторое количество прилегающих треугольников. Такие отдельные детали распределяются по соответствующим классам. Если треугольники написаны в известной характерной манере, то их образец, имеющийся в базе данных, будет обязательно найден.

База 5 данных с образцами характеризующих признаков может представлять собой любую из используемых на уровне техники баз данных. Значение имеет только соединение с соответствующими модулями, которые предоставляют признаки для сравнения. В предлагаемом варианте база 5 данных содержит, в том числе, четыре характеризующих признака, а именно черту, звезду, двойную стрелку и сердце. Сердце, хранящееся в базе данных, практически идентично предлагаемому объекту «сердце», обнаруженному в исследуемом изображении. Объект «солнце», имеющийся на исследуемом изображении, также в значительной степени совпадает с солнцем, найденным в базе данных. Однако, поскольку в этом случае полная идентичность отсутствует, на промежуточном этапе выполняется дальнейшая раскладка объекта «солнце» (не показанного на фигуре) на составляющие части, которые впоследствии сравниваются с характеризующими признаками, хранящимися в базе 5 данных. Таким образом, может быть проверено соотнесение солнца из базы данных с солнцем на исследуемом изображении. Для объекта «окружность» в базе 5 данных соответствия не найдено. Так как все найденные характеризующие признаки в базе 5 данных принадлежат одному и тому же автору, то результат в предлагаемом случае был однозначен. Речь действительно идет о художнике XY. Вывод 6 результата дополняется информацией о соответствующем художнике, которая также хранится в базе 5 данных. Таким образом, запрос не только определяет художника, но и подготавливает дополнительную информацию о произведении и творчестве художника и выдает ее через модуль вывода, например дисплей или принтер.

На фиг.2 представлены примерные пояснения к методу Хафа в применении к прямой линии. Пустые клетки (пиксели) выдержаны в одном цвете, например белом, клетки (пиксели), обозначенные X, выдержаны в другом цвете, например черном. Человеческий глаз легко распознает галочки на предлагаемом фрагменте, несмотря на то, что не все пиксели имеют одинаковые размеры. Галочка может состоять из двух соприкасающихся прямых. Прямая линия может быть математически задана удалением r по вертикали от начала координат и углом φ между соответствующим соединительным участком и осью координат. Деление изображения на пиксели предоставляет систему координат, подходящую для этих целей, причем начало координат должно располагаться в левом нижнем углу, горизонтальная ось обозначена значениями x(i), а вертикальная ось - значениями у(i), где i - сквозное натуральное число. Фрагмент, представленный на фигуре 2, содержит 13 пикселей по горизонтали, то есть i возрастает от 1 до 13, то есть х(1), х(2)…х(13). По вертикали имеется 12 пикселей, то есть i возрастает от 1 до 12, то есть у(1), у(2)…у(12). Прямая линия, ясно распознаваемая человеческим глазом, проходит через пиксели, обозначаемые парами {х(2), у(10)}, {х(3), у(9)}, {х(4), у(8)}, {х(5), у(7)}, {х(6), у(6)}, {х(7), у(5)}, {х(8), у(4)}, {х(9), у(3)}, после чего отклоняется в другом направлении. На фрагменте дополнительно окрашены другие пиксели, обозначенные знаком X. Эта прямая линия может быть представлена рядом пар (r, φ) значений. Выполняется простая проверка всех комбинаций (r, φ) значений на предмет того, соответствуют ли находящиеся там точки изображения одному цвету или нет. Если этот цвет отличается от цвета вокруг этих точек изображения, то прямая линия видна, и наблюдатель видит на изображении прямую линию. Таким образом, можно распознать все прямые линии на изображении. Другие геометрические формы описываются другими математическими формулами, однако могут быть обнаружены и, тем самым, определены при помощи такого же способа. Если прямая линия не ограничивается шириной одного пикселя, то прилегающие пиксели также рассматриваются как прямая линия или часть прямой линии. Ведь две пролегающие непосредственно друг рядом с другом и соприкасающиеся прямые линии расцениваются наблюдателем как более широкая прямая линия. Чем больше прямых расположено друг рядом с другом без промежутков, тем толще наблюдатель воспринимает прямую линию (черту) на изображении.

На фиг.3 схематично показана граница цветов, причем оттенки цвета «белый» и «черный» заполняют по одной области. Область, окрашенная в черный цвет, начинается от значения х1 и заканчивается на значении х2, на границе цветов. Область, окрашенная в белый цвет, начинается от значения х2 и заканчивается на значении х3. Кроме того, схематично показана характеристика значений в диапазоне основных цветов (RGB), причем вдоль длины цветовой области (оси х) отложены только значения R (в триаде значений (R, В, G) выделены жирным). В диапазоне RGB белому цвету назначен код (255, 255, 255), а черному цвету - код (0, 0, 0). Кривая характеристики имеет относительно простой характер. Область черного цвета на всем своем протяжении имеет значение RGB (0, 0, 0), в этой части кривая постоянна и неизменна. На границе цветов, в области значения х2 по оси длины, находится точка разрыва. Во все области белого цвета кривая имеет значение RGB (255, 255, 255), то есть она снова постоянна и неизменна. Такая конфигурация кривой может быть характеризующим признаком, то есть храниться в базе данных в виде набора данных. Разумеется, набор данных может также включать в качестве дополнительной информации допуск на ошибку, что позволяет распознавать небольшие отклонения признаков на исследуемом изображении от характеризующих признаков, хранящихся в базе данных.

На фиг.4 схематично показана характеристика изменения окраски. В данном случае, в направлении слева направо, показана характеристика изменения окраски от белого цвета к черному. Характеристика последовательно проходит оттенки серого цвета. Также схематично показан график значений в диапазоне RGB, причем по оси длины х отложены только значения R (в триаде значений (R, В, G) выделены жирным). В этом случае значение RGB также проходит значения от (0, 0, 0) до (255, 255, 255). В этом случае характеристика представляет собой линейно поднимающуюся прямую, описываемую формулой:

R=а*х, где а - крутизна характеристики.

Такая конфигурация характеристики также может быть характеризующим признаком и храниться в базе данных в виде набора данных. Разумеется, и в этом случае набор данных может включать в качестве дополнительной информации допуск на ошибку, что позволяет распознавать небольшие отклонения признаков на исследуемом изображении от характеризующих признаков, хранящихся в базе данных.

На фиг.5 и 6 представлена выборка нескольких фрагментов из трех картин, причем пояснения на примерах призваны проиллюстрировать отличия оригинала от предполагаемой подделки.

Оригинальная картина «Стальные трубы» Дж.Георга Мюллера (1963) и предполагаемые подделки той же тематики должны проиллюстрировать способ, описываемый изобретением, на практическом примере. Для этого был оцифрован оригинал (обозначенный кодом 2009 03 17-3) и определенные участки оригинала, характерные для художника. На общем виде пять характерных областей выделены квадратными белыми рамками. Дополнительно каждой из них присвоен числовой код, предназначенный для предотвращения возможной путаницы. Присвоены следующие числовые коды;

- 2009 03 17-3-001

- 2009 03 17-3-002

- 2009 03 17-3-003

- 2009 03 17-3-004

- 2009 03 17-3-005.

Аналогичным образом поступили с обеими предполагаемыми подделками. На изображении с кодом 2009 03 17-2 и изображении с кодом 2009 03 17-3-1 также выделено по пять областей изображения с помощью квадратных рамок. Разумеется, эти области изображения выбраны таким образом, чтобы их можно было сравнить с характерными участками оригинального изображения. Этим областям присвоены следующие коды:

- 2009 03 17-2-001

- 2009 03 17-2-002

- 2009 03 17-2-003

- 2009 03 17-2-004

- 2009 03 17-2-005.

На фиг.5 (оригинальное изображение) белыми рамками обозначены следующие пять фрагментов изображения.

1. Фиг.5а представляет собой фрагмент изображения (код 2009 0317-3-001), расположенный в правом нижнем квадранте картины и изображающий стилизованную трубу, написанную оранжевым, белым, серым, лиловым, черным и охристым цветом, включая отдельные промежуточные оттенки этих цветов. На этом фрагменте характеристика изменения цвета от темной области к светлой области, оканчивающейся на черной горизонтальной линии, является особенно характерной для техники художника и представляет собой, тем самым, характеризующий признак, помещенный в базу данных. Характеристика цветов, сверху вниз, плавно переходит от темного оттенка (черного) в светлый оттенок (желто-белый). Такое тщательное оформление цветовой палитры требует не только умения и художественного таланта, но и отточенной техники. Подобный плавный переход может быть в точности выражен в диапазоне основных цветов RGB, например, плавной функцией. Соответственно, он может быть легко оцифрован.

2. На фиг.5b показан полностью черный фрагмент изображения, который также находится в правом нижнем квадранте, левее от первого фрагмента изображения со смещением в сторону центра. На этом фрагменте виден характерный для художника мазок, который отличается постоянной плотностью цвета и воспроизводится. Этот мазок также может быть описан математической функцией.

3. Фиг.5с, отображающая еще один фрагмент изображения, иллюстрирует наложение красок художником. Фрагмент находится в левом нижнем квадранте изображения и отображает игру теней на поверхности трубы. Для этой фигуры также справедливо утверждение, данное для области изображения на фиг.5а, а именно, что описание наложения красок может быть легко выражено математической функцией. Эта функция в трехмерном пространстве основных цветов (RGB) представляет собой приблизительно линейную кривую, так как соответствующие значения RGB изменяются непрерывно и плавно.

4. На фиг.5d представлен четвертый фрагмент изображения, который находится в левом верхнем квадранте изображения и демонстрирует технику выполнения художником границ цветов, разделяющих области различных цветов. Соответствующие области цветов разделяются границей, которая спокойно переходит в оттенок соответствующей области цвета. Сами области цветов имеют постоянный цветовой фон, как показано на фиг.5b. Этот признак, то есть однотонные области изображения, разделенные границей цвета, оттенок которой соответствует следующей области цвета, является еще одним характеризующим признаком техники художника.

Значение RGB первой области цвета, как и значение RGB второй области цвета, приблизительно постоянно в пределах своих областей цвета. На границе цветов значение RGB резко изменяется. Математическая функция, описывающая этот признак, имеет точку разрыва в этом месте.

5. На фиг.5е представлен пятый фрагмент изображения, который находится в правом верхнем квадранте изображения и иллюстрирует затенение труб, а также отчетливо показывает способ, которым художник передает отбрасывание тени с помощью перехода от светлых оттенков к темным оттенкам.

Пять упомянутых фрагментов изображения в данном случае являются частью хранящихся в базе данных наборов данных, которые включают некоторые характеризующие признаки художника Дж.Г.Мюллера, а именно оформление границы цветов, техника наложения красок и мазок, обеспечивающий равномерный и постоянный цветовой фон в пределах области цвета. Таким образом, в предлагаемом примере пять вышеупомянутых фрагментов изображения заведены в базу данных в качестве примеров характеризующих признаков.

На фиг.6 представлена копия предполагаемой подделки произведения художника Дж.Г.Мюллера, подлинность которой необходимо проверить. Для этого, например, выполняется аналогичное сканирование пяти фрагментов изображения, после чего с помощью способа, описываемого изобретением, эти фрагменты сравниваются с характеризующими признаками, хранящимися в базе данных. Разумеется, эта операция вполне может быть точно так же автоматизирована, причем полотно рассматривается как единое целое или делится программой на произвольно выбираемые сегменты. Впоследствии эти сегменты исследуются согласно изобретению на предмет выявления возможных характеризующих признаков.

На фиг.6а представлен первый обозначенный фрагмент (2009 03 17-2-001) предполагаемой подделки. При осмотре полного изображения наблюдатель обнаружил в одной области границу, отделяющую желтый фон от желто-зеленого фона. Обнаружилось, что граница разделяет обе области цветов не тем образом, которым это делал художник Дж.Г.Мюллер (J.G. Muller) на своих картинах. Так, граница имеет более темный оттенок по сравнению со следующей областью цвета, причем последующая зеленая полоса также окрашена неравномерно. Сравнение с наборами данных, хранящимися в базе данных, не дает положительного совпадения с имеющимися образцами. Граница цветов, являющаяся характеризующим признаком, разделяет две области цветов, которые имеют постоянный однородный цветовой фон. Она не может быть описана функцией, содержащей вышеописанные критерии выбора.

На фиг.6b показана тень, отбрасываемая трубой. Этот фрагмент очень похож на фиг.5с, однако изменение оттенков цвета происходит не плавно, а более резко. Такое изменение не может быть представлено приблизительно линейной кривой в пространстве основных цветов (RGB). Таким образом, в базе данных не может быть найден характеризующий признак, который мог бы быть соотнесен с этим фрагментом изображения.

На фиг.6с и 6d показаны границы цветов. Если сравнить эти фигуры с фрагментом изображения на фиг.5а, то можно легко заметить, что и в этом случае признак границы цветов не совпадает с признаком, хранящимся в базе данных.

На фиг.6е показано наложение красок. К этой фигуре также относится вышесказанное.

Представленные выше фрагменты изображения и сравнение оригинала с предполагаемой подделкой наглядно показывают, как с помощью способа, описываемого изобретением, можно подтвердить или опровергнуть авторство произведения искусства.

На фиг.7 и 7а представлена копия произведения художника Макса Кларенбаха (Max Clarenbach), который родился в 1880 году в городе Нойсс и умер в 1952 году в городе Виттлаер. Макс Кларенбах был немецким художником и одним из основателей дюссельдорфского объединения Зондербунд (Sonderbund). На его богатую оттенками технику оказали большое влияние импрессионисты. Копия и относящийся к ней фрагмент представляют собой пейзаж, на котором изображена заснеженная река. Это изображение показывает, как можно идентифицировать художника по технике письма и мазку. Здесь отчетливо видны постоянно повторяющиеся полукруглые размашистые движения кисти, которые, вероятно, направлены слева направо. Поэтому на левой стороне имеет место уплотнение краски.

На фиг.8 представлена предполагаемая имитация техники художника Макса Кларенбаха. Если внимательнее рассмотреть небо на этой картине, то можно будет убедиться в том, что автор этой картины вел кисть иначе, а именно не всегда слева направо, а еще и сверху вниз. Кроме того, отдельные мазки не имеют характерной дуги и обусловленного ей уплотнения краски.

Фиг.9 еще раз иллюстрирует возможное сравнение возможных характеризующих признаков: границы цветов, наложения красок (перехода цвета) и мазка.

1. Способ определения автора картины, который включает по меньшей мере следующие этапы:
- преобразование исследуемого полотна или фрагментов исследуемого полотна с помощью устройства для оцифровки, в частности сканера, по меньшей мере в один набор данных;
- анализ набора/наборов данных и определение характеризующих признаков или деталей характеризующих признаков, в частности точек, линий, групп точек или линий, или узоров, которые содержатся в наборе данных в цифровом виде, причем определяемые характеризующие признаки хранятся в одном наборе данных,
- при этом для анализа и определения характеризующих признаков в исследуемом изображении или в его фрагментах используют метод Хафа;
- и дополнительный этап, на котором определяют опорные признаки по меньшей мере одного характеризующего признака или деталей характеризующих признаков, содержащихся в наборе данных, причем опорные признаки характеризующих признаков либо уже заложены в базу данных, либо их создают в ходе текущего процесса,
- при этом база данных содержит дополнительную связанную запись для каждого из этих хранящихся характеризующих признаков;
- при этом признаки, которые были распознаны таким образом и проанализированы, сравнивают с характеризующими признаками, хранящимися в базе данных, и при обнаружении одного или нескольких совпадений выводят фамилию автора и/или связанный набор данных с информацией об авторе.

2. Способ по п.1, отличающийся тем, что разрешение устройства для оцифровки может свободно регулироваться.

3. Способ по п.1, отличающийся тем, что опорные признаки создают путем манипулирования по меньшей мере одним из характеризующих признаков или по меньшей мере одной деталью характеризующего признака.

4. Способ по п.3, отличающийся тем, что по меньшей мере один опорный признак выделяют из характеризующего признака путем увеличения или уменьшения соответствующего характеризующего признака или по меньшей мере одной детали характеризующего признака.

5. Способ по п.3, отличающийся тем, что по меньшей мере один опорный признак выделяют из характеризующего признака путем растяжения или сжатия соответствующего характеризующего признака или по меньшей мере одной детали характеризующего признака.

6. Способ по п.3, отличающийся тем, что по меньшей мере один опорный признак выделяют из характеризующего признака путем изменения или изгибания линии соответствующего характеризующего признака или по меньшей мере части линии характеризующего признака.

7. Способ по п.3, отличающийся тем, что по меньшей мере один опорный признак выделяют из характеризующего признака путем изменения угла по меньшей мере между двумя линиями соответствующего характеризующего признака.

8. Устройство для определения авторства картины, которое работает в соответствии с одним из пп.1-7, отличающееся тем, что это устройство включает по меньшей мере одно устройство (1) для оцифровки, предпочтительно сканер, модуль (2) стандартизации, модуль (3) сегментации, модуль (4) классификатора и модуль (5) базы данных.

9. Компьютерная система для определения авторства картины, которая включает по меньшей мере один блок обработки данных, по меньшей мере одно запоминающее устройство, по меньшей мере одно устройство (1) для оцифровки, предпочтительно сканер, по меньшей мере один модуль (2) стандартизации, по меньшей мере один модуль (3) сегментации, по меньшей мере один модуль (4) классификатора и модуль (5) базы данных, отличающаяся тем, что программно-техническое исполнение блока обработки данных обеспечивает его работу в соответствии со способом по одному из пп.1-7.



 

Похожие патенты:

Изобретение относится к средствам выделения линейных объектов на изображении. Техническим результатом является повышение точности выделения протяженных линейных объектов на изображении.

Изобретение относится к средствам сегментации медицинских изображений. Техническим результатом является повышение точности выделения контура анатомической структуры на изображении при его сегментации.

Изобретение относится к средствам обработки цифровых изображений. Техническим результатом является обеспечение выделения объекта со сложным контуром на произвольном текстурированном фоне цифрового изображения.

Изобретение относится к средствам копирования текстовых документов. Техническим результатом является уменьшение степени деградации текста при многократном копировании печатного документа.

Изобретение предназначено для применения в химической промышленности, агропромышленном комплексе, производстве строительных материалов и других отраслях. Способ определения коэффициента неоднородности смеси трудноразделимых сыпучих материалов включает подсчет числа проб, минимально допустимого веса пробы, отбор проб смеси и ее компонентов.

Группа изобретений относится к медицине, а именно к способам и системам для ангиографии. Способ включает этапы формирования множества проекций интересующего объекта, при этом проекции имеют различные проекционные углы, определения геометрических аспектов удлиненного элемента в каждой из проекций, вычисления индекса на основании геометрических аспектов, указания проекций, имеющих требуемое значение индекса.

Изобретение относится к лущению шпона на лущильном станке и может быть использовано для обнаружения сердцевины чурака. .

Изобретение относится к области устройств, используемых людьми для управления машинами, и, в частности, к пассивным устройствам связи. .

Изобретение относится к медицине, а именно к устройствам и способам измерения скорости заживления биологической ткани. .

Изобретение относится к способу и системе распознавания изображений лиц. Техническим результатом является повышение быстродействия распознавания изображений лиц по скетчам и повышение его универсальности.

Изобретение относится к распознаванию данных, а именно к распознаванию лица человека на цифровых изображениях, и может быть использовано в системах технического зрения для ограничения доступа к защищенным от посторонних лиц услугам, ресурсам и объектам.

Изобретение относится к средствам детектирования копий видеоданных. Техническим результатом является повышение точности детектирования копий видеоданных за счет построения траектории представляющих интерес устойчивых точек.

Изобретение относится к области распознавания образов, а именно к способам идентификации личности человека с помощью двух и более разнесенных видеокамер с заранее известным их расположением с применением трехмерной реконструкции лица человека.

Изобретение относится к автоматике и вычислительной технике и может быть использовано для предварительной обработки сообщений графического формата (СГФ). .

Изобретение относится к аналитической химии и может быть использовано для анализа иммунологических проб. .

Изобретение относится к средствам цифрового копирования документов. .

Изобретение относится к технике организации видеонаблюдения, а именно к системам и способам автоматического выделения и отслеживания лица человека для биометрической идентификации личности.
Изобретение относится к средствам биометрической защиты анонимности свидетелей при судебном делопроизводстве. Техническим результатом является повышение надежности защиты анонимности свидетеля. Способ биометрической защиты анонимности свидетелей при судебном делопроизводстве заключается в том, что создают множество электронных одноразовых удостоверений личности свидетеля без указания его имени, получаемых генерированием случайного кода - К, используемого далее при обучении нейронной сети преобразовывать параметры примеров биометрического образа свидетеля в код - К, параметры обученной нейронной сети защищают самошифрованием на фрагментах кода - К, вычисляют хэш-функцию кода - К, одноразовое электронное удостоверение личности свидетеля формируют путем размещения в нем уникального номера удостоверения, шифротекста защищенных параметров обученной нейронной сети и значения хеш-функции кода - К, эти данные орган анонимной регистрации охватывает своей цифровой подписью, далее все примеры биометрических образов свидетеля и случайные коды - К уничтожают, далее при каждом К-том вызове анонимного свидетеля пересылают ему его К-тое электронное удостоверение, пользуясь которым, свидетель предъявляет свой биометрический образ и тем самым анонимно подтверждает свою личность, также, предъявив свой биометрический образ, свидетель получает выходной код - К, проверку которого осуществляют вычислением его хеш-функции и сравнением ее с эталоном, размещенным ранее в одноразовом удостоверении личности. 2 з.п. ф-лы.
Наверх