基于赫库兰尼姆纸莎草纸表面形貌的墨迹检测

阅读赫库兰尼姆纸莎草纸具有挑战性，因为卷轴和墨迹（均为碳基材料）都已碳化。在X射线射线照相和断层扫描中，墨迹检测通常依赖密度或成分驱动的对比度，但碳墨在碳化纸莎草纸上提供的衰减对比度很小。基于形态学假设，我们证明书写区域的表面形貌包含足够的信号来区分墨迹与纸莎草纸。为此，我们基于机械开启的赫库兰尼姆纸莎草纸的三维光学轮廓测量数据训练机器学习模型，以分离墨迹区域和非墨迹区域。我们进一步量化了横向采样如何影响可学习性，以及原生分辨率模型在粗化输入上的表现。我们证明高分辨率形貌本身包含可用于墨迹检测的可用信号。随着横向分辨率降低而下降的分割性能揭示了在数据集中利用形态学信号所需解析的特征空间尺度。这些发现为通过X射线断层扫描对封闭卷轴进行基于形貌的阅读提供了空间分辨率目标的参考。