面向古代手稿应用的高性能多维降维方法图像处理软件

多光谱成像是一项重要技术，用于改善因故意擦除或时间侵蚀而褪色的手写或印刷文本的可读性。通常仅通过观察单个波长即可阅读文本，但在某些情况下，图像需要进一步增强以最大化阅读文本的可能性。存在许多可能的增强技术，本文评估并比较了一组扩展的面向图像处理的降维方法。我们在两份不同手稿上评估了 15 种降维方法。该评估既通过征询精通手稿所用语言的学者对哪种技术更偏好的主观意见进行，也通过使用 Davies-Bouldin 指数和 Dunn 指数评估所得图像聚类的质量进行。我们发现，我们之前用于增强多光谱图像的典型变量分析（Canonical Variates Analysis, CVA）方法（使用 Matlab 实现）确实优于所有其他测试方法。然而，其他方法在特定情况下很可能更合适，因此我们仍建议尝试一系列此类技术。特别是，CVA 是一种有监督聚类技术，因此比无监督技术（如更常用的主成分分析方法（Principle Component Analysis Approach, PCA））需要更多的用户时间和精力。如果 PCA 的结果足以让文本被阅读，那么 CVA 所需的额外努力可能就不合理。为了比较计算时间和图像结果，我们还使用 C 编程语言、GNU 科学库（GSL）和 OpenCV 计算机视觉编程库实现了 CVA 方法。