Summary
하이퍼스펙트럼 반사도 이미징 하이퍼큐브에는 엄청난 양의 데이터에 놀라운 정보가 포함되어 있습니다. 따라서 데이터 집합을 관리하고 연구하기 위한 자동화된 프로토콜의 요청은 널리 정당화됩니다. 스펙트럼 앵글 매퍼, 데이터 조작 및 사용자 조정 가능한 분석 방법의 조합은 실험 결과를 탐색하기 위한 키 턴을 구성합니다.
Abstract
반사분광법(RS)과 광섬유 반사분광(FORS)은 회화에 특히 주의를 기울여 예술 작품을 조사하는 데 잘 어울리는 기술입니다. 대부분의 현대 박물관은 RS 및 FORS의 본질적인 비 침습성과 함께 유물 표면에서 반사 스펙트럼의 현장에서 수집 할 수있는 연구 그룹 휴대용 장비의 처분에 넣어. 안료 및 페인팅 재료 의 전문가에 의해 수행 비교, 참조 스펙트럼의 데이터베이스와 실험 데이터의 팔레트의 특성과 예술가가 사용하는 기술의 특성을 구동. 그러나 이 방법은 특정 기술이 필요하며, 특히 조사대상 스펙트럼의 수가 하이퍼스펙트럼 반사도 이미징(HRI) 데이터 집합의 경우와 같이 커지면 시간이 많이 소요됩니다. HRI 실험 설정은 반사 스펙트럼스펙트럼에 의해 주어진 스펙트럼 정보를 페인팅된 표면에 스펙트럼의 공간 국소화와 연관시키는 다차원 카메라입니다. 결과 데이터 집합은 처음 두 차원이 페인팅을 통해 스펙트럼을 찾는 3D-큐브(하이퍼큐브 또는 데이터 큐브라고 함)이며 세 번째 차원은 스펙트럼 자체(즉, 검출기의 작동 범위에서 파장의 반사)입니다. 검출기의 기능은 동시에 많은 스펙트럼(일반적으로 각 하이퍼큐브에 대해 10,000개 이상)을 수집하여 HRI 데이터 집합을 대량의 정보 저장소로 만들고 데이터를 분석하기 위한 견고하고 자동화된 프로토콜의 개발의 필요성을 정당화합니다. 데이터 수집을 위해 설계된 절차에 대한 설명 후 하이퍼큐브의 잠재력을 체계적으로 활용하는 분석 방법을 제시합니다. 스펙트럼 앵글 매퍼(SAM)와 수집된 스펙트럼의 조작에 기초하여 알고리즘은 수천 개의 스펙트럼을 처리하고 분석하는 동시에 사용자가 조사 중인 샘플의 기능을 공개하도록 지원합니다. 이 접근법의 힘은 밀라노의 무세오 델 노베센토(이탈리아)에서 열리는 주세페 펠리자 다 볼페도의 상징적인 걸작콰르 토 스타토에 적용함으로써 보여줍니다.
Introduction
반사분광(RS) 및 광섬유 반사분광분면(FORS)은 광원에 의해 조명된 표면에 의해 반사되는 빛의 검출에 기초하여, 일반적으로 텅스텐 할로겐 램프. 획득 시스템의 출력은 채택된 실험 설정의 특성에 따라 달라지는 범위에서 파장의 함수로서 반사도를 모니터링하는 스펙트럼에 의해 구성된다1,2,3. 지난 4년 동안 도입된 RS와 FORS는 일반적으로 X선 형광 및 기타 분광기와 함께 사용되어 예술가들이 걸작6,7,8,9를 실현하는 데 사용하는 재료와 기술을 설명합니다. 반사스펙트럼에 대한 연구는 일반적으로 샘플의 데이터를 개인 또는 공용 데이터베이스에서 사용자가 선택한 참조 스펙트럼 그룹과 비교하여 수행됩니다. 샘플의 실현 기간을 준수하는 참조 스펙트럼과 아티스트의 modus 오페란디와 함께 확인되면, 사용자는 반사 스펙트럼의 주요 특징을 인식 (즉, 전환, 흡수, 반사 밴드1,2,10,11) 다음, 다른 기술의 도움으로6,7,8 그들은 그림에 사용 된 안료를 구별합니다. 마지막으로 그들은 참조와 실험 스펙트럼 사이에 존재하는 약간의 차이점에 대해 설명합니다7,9.
대부분의 경우 실험 데이터 집합은 예술 전문가가 선택한 영역에서 수집한 몇 가지 스펙트럼으로 구성되며 그림6,12,13의 특성화에 중요한 것으로 가정합니다. 사용자의 기술과 경험에도 불구하고, 몇 가지 스펙트럼은 완전히 전체 페인트 표면의 특성을 소진 할 수 없습니다. 또한 분석 결과는 항상 수행자의 전문 지식에 크게 의존할 것입니다. 이 시나리오에서는 하이퍼스펙트럼 반사이미징(HRI3,14,15)이 유용한 리소스가 될 수 있습니다. 몇 가지 격리된 스펙트럼 대신 실험 용 설정은 확장된 부분또는 조사 중인 전체 유물의 반사속성을 반환합니다16. 고립 된 스펙트럼의 인수와 관련하여 두 가지 주요 장점은 분명하다. 한편, 반사 특성의 공간 분포의 가용성은 특이한 보이지 않을 지라도 흥미로운 기능을 숨기는 영역을 식별할 수 있게 해줍니다17. 한편, 하이퍼큐브는 데이터의 통계 분석을 가능하게 할 만큼 높은 스펙트럼을 보장한다. 이러한 사실은 페인팅 된 표면 내에서 안료의 분포의 이해를 지원합니다18,19.
HRI를 사용하면 실험 데이터와 참조를 비교하는 것이 어려울 수 있습니다15. 일반적인 검출기는 최소 256 x 256 스펙트럼의 하이퍼큐브를 반환합니다. 이를 위해서는 사용자가 각 참조에 대해 65,000개 이상의 반사스펙트럼을 평가해야 하며, 합리적인 시간에 수동으로 수행하기가 거의 불가능합니다. 따라서 HRI 데이터 집합을 관리하고 분석하기 위한 자동화된 프로토콜에 대한 요청은 15,17보다 더 높습니다. 제안된 방법은 최소한의 참여와 최대 유연성으로 전체 분석 절차를 처리하여 이러한 필요성에 대한 답을 제공합니다.
집에서 만든 코드 집합(재료 테이블)을 포함하는 알고리즘은 실험 설정으로 반환되는 파일을 읽고 관리하며 구성합니다. 그것은 뷰의 필드 (FOV, 하나의 시야의 영역은 단일 하이퍼 큐브에 의해 모니터링 되는 도장의 영역)의 미세 한 선택을 할 수 있으며, 스펙트럼 앵글 매퍼 (SAM) 방법을 기반으로 데이터의 분석을 수행 (SAM) 방법20,21 원래 스펙트럼의 조작에. SAM은 유사성 맵이라고 하는 잘못된 색상 회색 스케일 이미지를 반환합니다. 이러한 맵의 픽셀 값은 하이퍼큐브에 저장된 스펙트럼과 소위 최종 멤버(EMM, 하이퍼큐브에서 모니터링하는 표면의 특징을 설명해야 하는 참조 스펙트럼 그룹) 사이의 각도인 스펙트럼 각도에 해당합니다. 그림에 적용된 RS의 경우, EMM은 마스터의 팔레트와 일치해야 하는 안료의 반사 스펙트럼입니다. 그들은 작가에 대한 사용 가능한 정보, 그림의 실현 기간, 사용자의 전문 지식을 기반으로 선택됩니다. 따라서 SAM의 출력은 페인팅 표면 위에 이러한 안료의 공간 분포를 설명하고 사용자가 예술가와 그 조직에서 사용하는 자료를 기유할 수 있도록 지원하는 맵 집합입니다. 이 알고리즘은 모든 종류의 참조를 원산지와 독립적으로 사용할 수 있는 가능성을 제공합니다. 참조는 하이퍼큐브 내에서 선택된 특정 분광법일 수 있으며, 데이터베이스에서 나오거나, 다른 표면(예: 안료 샘플 또는 아티스트의 팔레트)에 의해 획득되거나, 임의의 반사 분광법을 사용하여 얻을 수 있거나, FORS가 포함된다.
SAM은 안료를 특성화하는 데 효과적이라는 것이 입증되었기 때문에 사용 가능한 분류 방법 중에서 선호되고 있다(Richard23에 의한 책을 참조하여 주요 사용 가능한 분류 방법에 대한 개요를 갖는). 대신 net24,25에서 자유롭게 사용할 수 있는 많은 도구 중 하나를 채택하는 대신 집에서 만든 프로토콜을 개발하는 아이디어는 실질적인 고려 에 달려 있습니다. 기존 GUI 및 소프트웨어의 효과와 과학적 토대에도 불구하고 단일 도구는 사용자의 모든 요구를 거의 충족하지 않습니다. 도구가 원시 데이터를 포함하는 파일을 관리하지 않기 때문에 입력/출력(I/O) 문제가 있을 수 있습니다. 다른 도구가 원하는 접근 방식을 제공하지 않기 때문에 데이터 분석과 관련하여 문제가 있을 수 있습니다. 여러 데이터 집합의 동시 분석이 지원되지 않기 때문에 데이터 처리에 제한이 있을 수 있습니다. 어쨌든 완벽한 도구가 존재하지 않습니다. 각 메서드는 데이터로 조정해야 하거나 그 반대의 경우도 마찬가지입니다. 따라서 집에서 만든 프로토콜의 개발이 바람직하다.
제시된 접근 방식은 완전한 분석 방법 세트(비교를 위해, 모바라키와 Amigo24가 제안한 도구 참조)와 관리하기 쉬운 사용자 인터페이스(참조, 비교를 위해 주 및 동료가 사용하는 소프트웨어 25 참조)를 제공하지 않지만, 그 대가로 스펙트럼 데이터 분석의 여전히 과소평가된 측면에 초점을 맞추고 있습니다. 이 접근법의 힘은 이탈리아 밀라노의 무세오 델 노베센토(Museo del Novecento)에서 열리는 캔버스의 상징적인 오일인 주세페 펠리자 다 볼페도(그림 1)의 쿼토 스타토(Quarto Stato)에 적용함으로써 이 접근법의 힘을 보여줍니다. 이 접근 방식에는 홈메이드 코드를 실행해야 하기 때문에 개발자는 임의로 코드 이름과 프로토콜 설명에 사용되는 입력 및 출력 변수를 모두 선택했습니다. 변수의 이름은 사용자가 변경할 수 있지만 입력 및 아웃 변수는 괄호 내에서 각각 작성되어야하며 결국 쉼표와 사각형 괄호 내에서 분리되고 결국 공백으로 분리되어야 합니다. 반대로 코드의 이름은 변경할 수 없습니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. 하이퍼큐브의 공간 해상도 설정
- 회화의 주요 특징을 식별하기 위해 예술 전문가가 지원하는 도 1(그림 1)의 예비 검사를 수행합니다.
- 그림을 만들기 위해 작가가 사용하는 회화 기법을 인식합니다.
- 캔버스에 페인트의 다른 브러시 스트로크를 식별합니다.
- 브러쉬 스트로크의 특성을 질적으로 추정하여 크기에 특히 주의를 기울입니다.
- 브러시 스트로크가 아티스트가 적용한 것과 유사한 특성을 보여주는 임시 테스트 샘플을 만들어 작가가 사용하는 회화 기술을 모방합니다.
참고: 펠리자 다 볼페도는 디비전화가였습니다. 복원자는 관심 있는 캔버스의 브러시 스트로크를 질적으로 재현하는 테스트 샘플을 준비하도록 요청받았습니다(그림 2, 열 A). - 조사 중인 표면과 인수 장비 사이의 거리를 설정합니다.
참고: 거리는 하이퍼큐브26 의 공간 해상도를 결정하므로 페인팅된 표면의 이미지와 SAM 맵의 브러시 스트로크를 구별할 수 있습니다.- 하이퍼스펙트럼 카메라26 (재료표)의 특성과 테스트 샘플에 그려진 브러시 스트로크의 크기를 고려하여 샘플 표면과 획득 장비 사이의 거리를 평가합니다.
- 이전 단계에서 평가된 거리에 획득 단계와 하이퍼스펙트럼 카메라를 배치합니다. 스테이지에서 테스트 샘플을 정렬하고 샘플 표면의 균일한 조명을 보장합니다.
- 하이퍼스펙트럼 카메라와 함께 제공된 흰색 표준 참조를 사용하여 흰색 교정을 수행합니다. 하이퍼큐브를 획득합니다.
참고: 각 FOV의 경우 하이퍼스펙트럼 카메라는 원시 이미지와 보정된 이미지를 모두 반환합니다. 후자는 분석에 사용되었습니다. - 계측기에서 반환된 파일을 다운로드하여 전용 폴더에 저장합니다.
- 하이퍼큐브의 공간 해상도가 페인팅된 표면의 이미지와 SAM 맵의 다양한 브러시 스트로크를 구별할 수 있는지 확인합니다.
- 하이퍼스펙트럼 카메라로 반환되는 RGB 사진을 검사하여 테스트 샘플을 실현하는 데 사용되는 브러시 스트로크를 인식할 수 있도록 합니다(그림 2, 열 A). 그렇다면 다음 단계로 이동합니다. 그렇지 않으면 1.3.1 단계로 돌아가 다시 시작합니다.
- 데이터 판독 코드를 실행하여 하이퍼스펙트럼 데이터와 FOV의 RGB 이미지가 포함된 파일을 나열합니다HS_FileLister. 코드를 개발하는 데 사용되는 언어의 터미널 창에 다음 명령줄(세미콜론 포함)을 입력하고 Enter 를 눌러 코드를 실행합니다.
[HS_DataList HS_ImageList] = HS_FileLister;- 입력이 필요하지 않으며 하이퍼큐브가 포함된 파일 목록, HS_DataList 및 하이퍼스펙트럼 카메라에서 반환되는 이미지 목록 HS_ImageList.
참고: 각 하이퍼큐브의 크기는 512 x 512 x 204 복셀이며, 여기서 204는 반사도 신호를 모니터링하는 데 사용되는 채널의 수입니다. 채널은 FWHM26에서 7nm의 스펙트럼 해상도로 400nm에서 1,000 nm 사이의 파장 범위에 걸쳐 있습니다.
- 입력이 필요하지 않으며 하이퍼큐브가 포함된 파일 목록, HS_DataList 및 하이퍼스펙트럼 카메라에서 반환되는 이미지 목록 HS_ImageList.
- 자르기 코드를 실행하여 분석해야 하는 하이퍼큐브의 3D 부분을 정의하고 HS_Crop_png. 각 하이퍼큐브에서 모니터링하는 FOV의 2D, RGB 이미지를 표시하는 대화형 창위에 영역을 선택하여 각 데이터 큐브의 원하는 부분을 정의합니다. 터미널 창에 다음 명령줄(세미콜론 포함)을 입력하고 Enter 를 눌러 코드를 실행합니다.
[HS_ImageList] = HS_Crop_png(HS_ImageList);- 하나의 입력(하이퍼스펙트럼 카메라, HS_ImageList 의해 반환되는 이미지 목록)과 하나의 출력(하이퍼큐브를 자르기 위해 공간 좌표와 함께 추가된 입력 목록)이 있습니다.
- CIE(국제 일루미네이션 위원회) 표준의 D65 조명및 1931년 옵저버를 하이퍼큐브에 적용하여 재구축 코드를 실행하여 반사 스펙트럼에서 FOV의 RGB 이미지를 검색합니다 HS_RGB_rebuild. 터미널 창에 다음 명령줄(세미콜론 포함)을 입력하고 Enter 를 눌러 코드를 실행합니다.
[HS_ImageList] = HS_RGB_rebuild(HS_ImageList, HS_DataList);- 두 개의 입력(하이퍼스펙트럼 카메라, HS_ImageList 및 하이퍼큐브, HS_DataList 포함하는 파일 목록이 포함된 이미지가 포함된 목록)과 하나의 출력(반사 스펙트럼 스펙트럼에서 검색된 하이퍼큐브 표면의 RGB 이미지와 함께 추가된 하이퍼스펙트럼 카메라로 반환되는 이미지를 포함하는 입력 목록)이 있습니다.
참고: HS_RGB_Rebuild Jeff Mather27 이 개발한 기능을 활용하여 CIE에서 데이터에 D65 조명및 1931년 관찰자를 적용합니다.
- 두 개의 입력(하이퍼스펙트럼 카메라, HS_ImageList 및 하이퍼큐브, HS_DataList 포함하는 파일 목록이 포함된 이미지가 포함된 목록)과 하나의 출력(반사 스펙트럼 스펙트럼에서 검색된 하이퍼큐브 표면의 RGB 이미지와 함께 추가된 하이퍼스펙트럼 카메라로 반환되는 이미지를 포함하는 입력 목록)이 있습니다.
- 격리된 측정점 선택 코드인 PointSel을 실행하여 테스트 샘플(그림 2, 열 A의 흰색 원 및 숫자)의 표면에 일부 참조 스펙트럼을 수동으로 선택합니다. FOV의 2D, RGB 이미지를 하나씩 표시하는 대화형 창을 클릭하여 측정 점을 선택합니다. 터미널 창에 다음 명령줄(세미콜론 포함)을 입력하고 Enter를 눌러 코드를 실행합니다.
[참조] = 포인트셀(HS_DataList, HS_ImageList);- 두 가지 입력(하이퍼스펙트럼 카메라, HS_ImageList 및 하이퍼큐브, HS_DataList 포함하는 파일 목록) 및 하나의 출력(FOV 내에서 참조로 선택한 스펙트럼을 포함하는 변수, 참조)이 있습니다.
- 원하는 경우 전용 코드인 SaveImPoint를 실행하여 샘플 표면에 참조 위치를 그림 집합에 저장합니다. 터미널 창에 다음 명령줄(세미콜론 포함)을 입력하고 Enter 를 눌러 코드를 실행합니다.
SaveImPoint (참조, HS_ImageList);- 두 가지 입력(참조 스펙트럼, 참조 및 하이퍼 스펙트럼 카메라, HS_ImageList 의해 반환된 이미지를 포함하는 목록이 포함되고 출력이 없습니다(코드는 현재 작업 폴더에 .png 이미지를 저장합니다)가 있습니다.
- 변환 코드 인 RefListToMatrix를 실행하여 참조를 행렬로 구성합니다. 터미널 창에 다음 명령줄(세미콜론 포함)을 입력하고 Enter 를 눌러 코드를 실행합니다.
[References_Matrix] = RefListToMatrix (참조, HS_ImageList(1). 웨이브L);- 두 가지 입력(참조 스펙트럼, 참조 및 검출기가 스펙트럼, HS_ImageList(1)의 데이터 수집 중에 광자를 계산하는 파장의 목록을 포함하는 변수 가 있습니다. WaveL) 및 하나의 출력(매트릭스로 구성된 동일한 참조 스펙트럼, References_Matrix).
참고: SAM 맵을 평가하는 코드는 참조 스펙트럼을 행렬로 구성해야 하기 때문에 이 단계는 필수입니다. 두 번째 입력의 구문인 HS_ImageList(1)입니다. WaveL은 목록에서 변수 WaveL 을 HS_ImageList 회수해야 합니다. 괄호 내의 숫자 1은 HS_ImageList 명명된 목록의 첫 번째 요소를 나타냅니다. 그러나 모든 하이퍼큐브는 파장 범위가 같기 때문에 각 숫자로 대체되거나 나열된 총 이미지 수와 동일할 수 있습니다.
- 두 가지 입력(참조 스펙트럼, 참조 및 검출기가 스펙트럼, HS_ImageList(1)의 데이터 수집 중에 광자를 계산하는 파장의 목록을 포함하는 변수 가 있습니다. WaveL) 및 하나의 출력(매트릭스로 구성된 동일한 참조 스펙트럼, References_Matrix).
- 표준 SAM 맵 평가 코드를 실행하여 전체 스펙트럼을 사용하여 SAM 맵을 추출하여 SAM_Standard. 터미널 창에 다음 명령줄(세미콜론 포함)을 입력하고 Enter 를 눌러 코드를 실행합니다.
SAM_Standard(HS_ImageList, HS_DataList, References_Matrix);- 세 가지 입력 (하이퍼 스펙트럼 카메라에 의해 반환 되는 이미지를 포함 하는 목록, HS_ImageList; 하이퍼 큐브를 포함 하는 파일의 목록, HS_DataList; 그리고 참조 스펙트럼의 매트릭스, References_Matrix) 그리고 출력: 코드는 현재 작업 폴더에 .png 이미지로 SAM 지도를 저장 합니다.
- 획득한 유사성 맵(그림 2, 열 B - E)이 테스트 샘플을 실현하는 데 사용되는 브러시 스트로크의 세부 정보를 표시했는지 확인합니다. 이 경우 프로토콜의 다음 단계로 이동합니다. 그렇지 않으면 1.3.1 단계로 돌아가 다시 시작합니다.
2. 실험 매개 변수를 그림에 조정합니다.
- 연구할 그림의 관심 영역, ROI(들)를 식별합니다( 그림 3A의 빨간색 사각형).
참고: 단일 ROI를 커버하려면 두 개 이상의 FOV가 필요한 것이 일반적입니다. - 이전 단계에서 정의된 거리에서 획득 설정 및 도화를 정렬하고 하이퍼스펙트럼 카메라와 함께 제공된 흰색 표준 참조를 사용하여 흰색 보정을 수행합니다.
참고: 사용자가 현장에서 획득해야 하는 경우(예: 박물관이나 전시회에서 노출된 그림을 연구해야 함) 카메라만 관리할 수 있습니다. 이탈리아 밀라노의 무세오 델 노베센토(Museo del Novecento)의 전용 공간에 영구적으로 노출된 콰르토 스타토의 경우입니다. - 각 ROI(s) ( 그림 3A의 빨간색 사각형 내의 무채해제 영역)의 가장자리 내에서 적어도 하나의 FOV에서 하이퍼스펙트럼 데이터를 획득합니다.
- 계측기에서 반환된 파일을 다운로드하여 전용 폴더에 저장합니다.
- 하이퍼스펙트럼 카메라로 반환되는 RGB 이미지를 보면서 그림 표면의 조명이 균일하게 설정되었는지 확인합니다. 이 경우 다음 단계로 이동하여 2.2단계로 돌아가 다시 시작합니다.
참고: 그림 4 는 이 검사의 중요성을 보여 줍니다(세부 정보에 대한 토론 섹션 참조). - 단계 1.4의 하위 단계를 반복합니다.
- FOV(도 3B)와 FOV(그림 3B의 녹색 원)에서 선택한 참조 스펙트럼과 관련된 SAM 맵(그림 3C)의 RGB 사진을 관찰하여 브러시 스트로크를 구별할 수 있을 만큼 높은 공간 해상도를 갖는지 여부를 확인합니다.
- 조명과 공간 해상도가 제대로 설정된 경우 ROI를 커버하는 데 필요한 다른 FOV를 수집하는 데이터 수집을 완료합니다. 그렇지 않으면 2.2 단계로 돌아가 다시 시작합니다.
참고: ROI를 적용하려면 두 개 이상의 FOV가 필요한 경우 인접한 FOV 간의 어느 정도의 중첩을 통해 결과 맵3,15를 쉽게 스티치합니다. 중첩의 범위는 하이퍼스펙트럼 카메라와 샘플 사이의 거리, 번역, 및 검출기의 수평 각도에 따라 달라집니다28. Quarto Stato에 유도된 실험 캠페인의 경우 중복은 FOV의 40% 이상으로 설정되었습니다.
3. 하이퍼큐브 및 참조 스펙트럼 관리
- 원시 데이터의 I/O 를 수행합니다: 하이퍼큐브를 구성, 읽기 및 관리합니다.
- HS_FileLister 코드를 실행하여 하이퍼큐브와 관련 정보가 포함된 파일 목록을 알고리즘의 처리 시 두 변수에 저장합니다(실제 세부 정보는 1.4.2단계 참조).
참고: 하이퍼스펙트럼 카메라는 코드가 관리하는 HDR(하이 다이나믹 레인지) 파일을 반환하여 Jarek Tuszinsky29에서 개발한 재방문된 스크립트 버전을 악용합니다. - HS_Crop_png 코드를 실행하여 데이터 분석에 사용할 각 FOV의 부분을 선택합니다(실제 세부 정보는 1.4.3단계 참조).
- HS_RGB_Rebuild 코드를 실행하여 반사 스펙트럼에서 FOV의 RGB 이미지를 검색합니다(실제 세부 사항은 1.4.4단계 참조).
- HS_FileLister 코드를 실행하여 하이퍼큐브와 관련 정보가 포함된 파일 목록을 알고리즘의 처리 시 두 변수에 저장합니다(실제 세부 정보는 1.4.2단계 참조).
- 참조 스펙트럼을 구성, 읽기(필요한 경우) 및 관리합니다.
참고: 참조 스펙트럼은 SAM 메서드 내에서 최종 멤버의 역할을 합니다.20,21. 알고리즘의 이 부분은 단호하게 결정되지 는 않지만 선택 모드와 참조 스펙트럼의 원점에서 다릅니다.- PointSel 코드를 실행하고 표시된 대화형 창 내에서 클릭하여 모니터링된 영역(그림 5A)의 표면을 통해 격리된 측정 지점으로 참조 스펙트럼을 식별합니다(실제 세부 사항은 1.4.5단계 참조).
- 레티큘러 선택 코드인 ReticularSel (그림 5B)을 실행하여 모니터링된 영역의 표면에 겹쳐진 측정 점의 일반 망상으로 참조 스펙트럼을 자동으로 선택합니다. 터미널 창에 다음 명령줄(세미콜론 포함)을 입력하고 Enter 를 눌러 코드를 실행합니다.
[참조] = reticularSel (HS_DataList, HS_ImageList, n_pixel);- 세 가지 입력 (하이퍼 스펙트럼 카메라에 의해 반환 된 이미지를 포함 하는 목록, HS_ImageList; 하이퍼 큐브를 포함 하는 파일의 목록, HS_DataList; 그리고 망상의 간격, n_pixel, 픽셀 수로 표현) 그리고 하나의 출력: FOV 내에서 참조로 선택 된 스펙트럼을 포함 하는 변수, 참조.
- 외부 참조 가져오기 코드( Spectra_Importer 실행하여 Quarto Stato에서 획득한 하이퍼큐브와 독립적으로 데이터 집합 및 데이터베이스의 참조가 포함된 변수를 만듭니다. 터미널 창에 다음 명령줄(세미콜론 포함)을 입력하고 Enter 를 눌러 코드를 실행합니다.
[ExtReferences] = Spectra_Importer(file_extension);- 하나의 입력(독립 참조 스펙트럼을 포함하는 파일의 확장, file_extension, apices 사이에 작성된) 및 하나의 출력(외부 참조를 포함하는 변수, ExtReference)이 있습니다.
참고: 외부 참조 가져오기 코드는 tmr 파일을 가져오기 위해 최적화되었지만 필요한 경우 모든 종류의 텍스트 파일을 처리하기 위해 쉽게 수정할 수 있습니다.
- 하나의 입력(독립 참조 스펙트럼을 포함하는 파일의 확장, file_extension, apices 사이에 작성된) 및 하나의 출력(외부 참조를 포함하는 변수, ExtReference)이 있습니다.
- REfListToMatrix 코드를 실행하여 SAM 맵을 평가하는 코드에서 요구하는 대로 References_Matrix 또는 ExtReferences_Matrix 매트릭스에 참조를 넣습니다(실제 세부 정보는 1.4.7 단계 참조).
- RefListToMatrix 코드가 하이퍼큐브및 참조의 파장 범위와 스펙트럼 해상도(즉, 구성 요소 수)를 모두 동일하게 지정할 때까지 기다립니다.
참고: 코드는 하이퍼큐브와 참조모두의 파장 범위를 식별합니다. 코드는 파장 범위를 비교하고 하이퍼큐브와 참조모두에서 모니터링하지 않는 파장 간격을 차단합니다. 이 코드는 이퀄리화 파장 범위에서 낮은 수의 구성 요소(즉, 낮은 스펙트럼 해상도를 특징으로 하는)로 구성된 하이퍼 벡터 그룹(하이퍼큐브 또는 참조)을 식별합니다. 이 코드는 더 긴 하이퍼 벡터(참조 또는 하이퍼큐브)의 구성 요소 수를 더 짧은 요소(하이퍼큐브 또는 참조)로 줄입니다. 이는 더 짧은 하이퍼 벡터의 각 파장에 대해 더 짧은 하이퍼 벡터의 파장에 가장 가까운 파장에 해당하는 더 긴 하이퍼 벡터의 값만 유지함으로써 수행됩니다.- 코드는 자동으로 균등화를 수행합니다. 하이퍼큐브 내에서 참조를 선택한 경우 파장 범위와 스펙트럼 해상도를 동일화할 필요가 없으며 변경되지 않습니다.
- 원하는 경우 전용 코드를 실행하여 샘플 표면에 참조 위치를 그림 집합에 저장합니다(실제 세부 사항은 1.4.7 단계 참조).
참고: 이 옵션은 하이퍼큐브 내에서 참조를 선택한 경우에만 사용할 수 있습니다(3.2.1 단계 및 3.2.2).
4. SAM 분석
- SAM_Complete 코드를 실행하여 유사성 맵을 평가합니다. 터미널 창에 다음 명령줄(세미콜론 포함)을 입력하고 Enter를 눌러 코드를 실행합니다.
SAM_Complete(HS_ImageList, HS_DataList, References_Matrix);- 세 가지 입력 (하이퍼 스펙트럼 카메라, HS_ImageList 의해 반환 되는 이미지를 포함 하는 목록, 하이퍼 큐브를 포함 하는 파일의 목록, HS_DataList; 그리고 참조 매트릭스, References_Matrix 또는 ExtReferences_Matrix) 그리고 출력 (코드는 현재 작업 폴더에 .png 파일으로 SAM 지도를 저장).
참고: 설명된 세 가지 입력 변수 이외에 SAM_complete 코드는 사용자의 기본 설정에 따라 분석 프로토콜을 조정하기 위해 몇 가지 추가 매개 변수를 제공해야 합니다(다음 단계 참조).
- 세 가지 입력 (하이퍼 스펙트럼 카메라, HS_ImageList 의해 반환 되는 이미지를 포함 하는 목록, 하이퍼 큐브를 포함 하는 파일의 목록, HS_DataList; 그리고 참조 매트릭스, References_Matrix 또는 ExtReferences_Matrix) 그리고 출력 (코드는 현재 작업 폴더에 .png 파일으로 SAM 지도를 저장).
- 필요한 경우 원하는 사전 처리 작업에 따라 대화 상자에 숫자 0 또는 1을 입력하여 사전 처리 옵션으로 코드를 공급하고 Enter 를 눌러 계속합니다.
- 0으로 설정된 사전 처리 옵션: 각 반사스펙트럼에 의해 종속된 영역이 1로 정규화됩니다.
- 1으로 설정된 사전 처리 옵션: 각 반사스펙트럼에 의해 고정된 영역이 1로 정규화되고 정규화된 스펙트럼이 한 번 도출된다.
참고: 하이퍼큐브와 참조 모두 동일한 사전 처리 옵션을 거칩니다.
- 원하는 스펙트럼에 해당하는 열의 숫자로 코드를 공급하여 참조 행렬 간에 SAM 분석에 사용할 최종 멤버를 선택합니다. 필요한 경우 공백으로 구분된 숫자를 입력하여 대화 상자에 원하는 열에 해당하는 숫자 시퀀스를 입력합니다. 계속하려면 Enter 를 누릅니다.
참고: 시퀀스[1 23]는 참조 행렬의 처음 세 열 의 선택에 해당합니다. 빈 벡터는 참조 행렬의 모든 열 선택에 해당합니다. - 저장할 맵 집합을 식별하는 이름의 첫 번째 부분을 포함하는 문자열(즉, SAM_Complete 반환된 .png 파일 의 일반적인 부분)으로 코드를 피드합니다. 필요한 경우 대화 상자에 문자열을 삽입합니다. 계속하려면 Enter 를 누릅니다.
참고: 사용자가 테스트하는 경우 모든 출력 .png 이미지의 이름이 테스트로 시작됩니다. - 필요한 경우 원하는 핸들 방법에 따라 대화 상자에 숫자 0, 1 또는 2를 입력하여 데이터를 처리하기 위해 선택한 메서드로 코드를 공급하고 Enter 를 눌러 계속합니다.
- 데이터를 조작하지 않고 메서드를 0으로 설정합니다.
- 분석을 시작하기 전에 고려해야 할 스펙트럼의 파장 범위의 수동 선택이 필요하도록 메서드를 1로 설정합니다(그림 6).
- SAM 맵의 평가 전에 특정 기준에 기초하여 데이터를 주문하도록 알고리즘이 요구하도록 방법을 2로 설정합니다(그림 7).
- 프로토콜이 데이터를 처리하고 현재 작업 폴더에 SAM 맵을 .png 파일로 저장할 때까지 기다립니다.
참고: 핸들 메서드가 0 또는 2로 설정된 경우 사용자는 기다려야 합니다. 1로 설정된 경우 사용자는 대화형 창(그림 6)을 클릭하여 SAM 맵을 평가하기 위해 사용할 스펙트럼의 일부를 선택해야 합니다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
제안된 프로토콜은 HRI 데이터의 관리 및 분석을 위한 흥미로운 기능 집합을 제공합니다. 원시 데이터의 I/O(3.1단계)는 분석 방법을 적용하기 전에 해결해야 하는 첫 번째 문제이며 많은 양의 데이터를 처리할 때 중요한 문제가 될 수 있습니다. 본 경우 원시 데이터에 관한 유일한 작업은 실험 결과를 전용 폴더에 저장하고 판독 코드를 실행할 때 하드 디스크를 탐색하여 선택하는 것입니다(단계 3.1.1). 그 후, 자르기 및 RGB 재구축 코드는 분석될 데이터의 선택(단계 3.1.2)의 구체화를 허용하고 하이퍼큐브 의 획득 시 실험 조건이 제대로 설정되었는지 확인할 수 있습니다(단계 3.1.3, 자세한 내용은 그림 4 및 토론 섹션을 참조).
데이터 큐브를 올바르게 수집한 것으로 확인되면 알고리즘은 SAM analysis20,21(단계 3.2)의 최종 멤버를 선택할 수 있는 다양한 가능성을 제공합니다. 처음 두 옵션(3.2.1 및 3.2.2 단계)은 일부 격리된 측정 지점(그림 5A)을 수동으로 선택하거나 페인팅 표면을 자동으로 샘플링하여 하이퍼큐브 중 참조를 검색하여 하나 이상의 FOV(그림 5B) 내에서 측정 점을 정확하게 선택합니다. 격리된 측정 점을 기반으로 한 분석은 망상 기반보다 빠르지만 중요한 스펙트럼을 식별하기 위해 FOV(들)의 주의하고 정보에 입각한 관찰을 의미합니다. 이것은 안료와 그려진 표면을 다루는 좋은 경험을 의미합니다. 망상 선택으로 인해 알고리즘이 시간이 많이 소요되고 사용자가 많은 출력 이미지를 관찰하여 몇 개의 유용한 유사성 맵을 검색하도록 합니다. 그러나, 망상 선택은 하이퍼큐브의 완전한 스크리닝을 제공하고, 대부분, 실험적 맥락의 경험 없이 수행될 수 있다. 원칙적으로 샘플링 거리가 결정되면, n_pixel, 사용자는 세부 사항을 잃을 확률이 매우 낮은 FOV의 관찰을 소홀히 할 수 있습니다.
하이퍼큐브 내 참조 스펙트럼을 선택하는 것 외에도 알고리즘은 조사 중인 샘플의 데이터를 다른 소스에 속한 참조와 비교할 수 있는 기회를 제공합니다(3.2.4단계). 외부 참조 스펙트럼 가져오기 코드는 그림 표면에 속하지 않는 참조의 I/O를 관리합니다. 행렬 변환기 코드는 하이퍼큐브와 외부 참조(단계 3.2.4)의 파장 범위와 스펙트럼 해상도를 균등화합니다. 이 가능성은 샘플의 특성화와 관련하여 사용자의 기능을 확장합니다. 실제로 사용자는 반사도 데이터 측면에서 사용 가능한 모든 종류의 리소스를 활용할 수 있습니다. 하이퍼큐브는 사용자 스펙트럼 아카이브와 함께, 임시 샘플또는 저자 또는 다른 아티스트에 속한 다른 개체(그림, 팔레트, 색조 또는 무엇이든)에 수집된 새로운 데이터와 함께 공용 데이터베이스와 비교할 수 있습니다. 더욱이, 외부 참조는 모든 종류의 반사기술을 악용하여 도 6 및 도 7 에 표시된 참조가 HRI 데이터에 사용되는 카메라가 아닌 휴대용 FORS 소형 분광계(재료 표)에 의해 획득되도록 얻을 수 있다.
데이터 관리 외에도 알고리즘은 데이터 분석에 대한 원래의 접근 방식을 제공합니다. SAM 맵(4.1-4.5 단계)을 평가하기 전에 스펙트럼을 조작할 수 있습니다. 이러한 가능성은 안료의 분포를 조사하기 위한 SAM 방법의 선택에 근거를 찾는다. 실제로 SAM은 다차원 공간(즉, 획득 채널과 동일한 여러 구성 요소가 있는 하이퍼 벡터)의 벡터가 될 수 있는 반사스펙트럼을 고려합니다. 따라서 분석의 주요 목적은 상이하지만 유사한 참조를 비교하여 아티스트가 사용하는 안료와 가장 일치하는 것을 구별하는 경우, 참조 스펙트럼의 거의 동일한 구성 요소(즉, 하이퍼 벡터에서 거의 동일한 값에 해당하는 파장)는 특히 유용하지 않아야 하며 알고리즘은 이러한 구성 요소를 분석에서 제외할 수 있다.
프로토콜은 데이터를 조작하기 위한 두 가지 옵션(단계 4.5)을 지원합니다( 사용자가 수동으로 분석할 반사도 데이터의 파장 부분(들)을 정의하거나 자동으로(그림 7)을 정의할 수 있다. 수동 선택은 간단합니다. 선택한 사전 처리 옵션(단계 4.2)에 따라 미리 처리된 참조 스펙트럼 또는 첫 번째 파생 상품은 대화형 창, 그림 6A에 나타나고 사용자는 그래프 표면을 클릭하여 하나 이상의 파장 간격을 선택합니다. 자동 선택은 선택한 사전 처리 옵션(단계 4.2)에 따라 미리 처리된 참조 스펙트럼 또는 첫 번째 유도체에 적용되는 최대 분산의 수학적 기준을 기반으로 합니다. 이 알고리즘은 선택한 참조 내에서 분산(정규화 및 도 7A에서 대쉬선으로 표시됨)을 계산하고 이 기준에 따라 모든 스펙트럼(참조 및 하이퍼큐브 모두)을 주문합니다(도 7B의 대선은 정규화 및 주문된 분산을 나타냅니다). 즉, 최대 분산이 n번째 파장에 해당하는 경우, 각 사전 처리 스펙트럼(참조 및 하이퍼큐브)의 제1 위치로 이동됩니다(도 7A 및 도 7B의 배경의 유색 부분은 데이터의 재배열을 그래픽으로 설명합니다). 실질적으로, 미리 처리된 스펙트럼의 구성 요소는 주 성분 분석30과 유사하게 정렬됩니다.
스펙트럼을 조작하면 알고리즘은 SAM 맵을 평가합니다. 수동 조작(그림 6)에 따라 프로토콜은 선택된 파장의 그룹에 해당하는 두 개의 맵 과 전체 스펙트럼을 사용하여 얻은 맵 의 세 세트를 반환합니다. 그렇지 않으면, 자동 조작(그림 7)에 따라 알고리즘은 분산 값에 부동 임계값을 적용하고 초과 임계값(즉, 자동으로 선택됨)에 대응하는 재배열된 하이퍼 벡터 구성 요소와 분산값의 아래 임계값(즉, 자동으로 거부됨)에 대한 임계값의 증가에서 SAM 맵을 평가합니다. 이러한 맵 집합과 전체 스펙트럼(항상 알고리즘에 의해 반환됨)에서 얻은 맵 세트는 N이 임계값에 의해 가정된 값 수인 맵 의 총 집합을 생성합니다. 임계값(그림 8)이 증가함에 따라 얻은 유사성 맵 세트는 데이터 조작이 콘텐츠를 변경하지 않고 매핑된 영역의 세부 정보에 대한 새로운 통찰력을 제공하고 결과적으로 샘플과 참조 간의 유사성과 차이점을 구별하는 데 도움이 될 수 있음을 보여줍니다.
그림 1: 쿼토 스타토. 그림의 사진, 1899-1901, 293 x 545cm, 캔버스에 기름, 주세페 펠리자 다 볼페도, 무세오 델 노베센토, 밀라노, 이탈리아. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 2: 실험 조건의 정의. (A) 임시 준비 시험 샘플; 화이트 서클 과 숫자는 참조로 선택한 스펙트럼에 해당하는 측정 점을 식별합니다. (B) SAM 맵은 참조 스펙트럼 번호 1, (C) 번호 2, (D) 번호 3 및 (E) 번호 4에 대하여 평가되었다. 회색 색상 막대 는 스펙트럼 각도의 값 범위를 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 3: 정의된 실험 조건을 쿼토 스타토에 적용합니다. (A) 실험 캠페인에 대해 선택한 ROI(빨간색 사각형); 각 사각형에서 ROI를 커버하는 데 필요한 FOV가 강조 표시됩니다(변경되지 않은 영역). (B) 패널 A. (C) 각 FOV(녹색 원) 내에서 선택한 참조 스펙트럼에 대하여 평가된 4개의 미하드 영역의 RGB 사진. 회색 색상 막대는 스펙트럼 각도의 값 범위를 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
도 4: 시료 표면의 적절한 조명과 부적절한 조명. (A) 적색 면(Red Circle)의 작은 부분이 부적절한 조명으로 인해 변경된 반사특성에 의해 영향을 받는 FOV의 일부. (B) FOV가 제대로 조명될 때 발생하는 그림(블루 서클)의 작은 부분입니다. (C) FOV가 부적절하게 그리고 적절하게 조명될 때 원 중앙에 있는 측정점의 반사 스펙트럼(각각 빨간색 과 파란색 선 ). (D) 부적절한 조명 측정점의 스펙트럼을 참조로 사용하여 얻은 FOV의 SAM 맵. (E) 적절한 조명 측정점의 스펙트럼을 사용하여 얻은 FOV의 SAM 맵을 참조로 한다. 회색 색상 막대 는 (D) 및 (E)를 지칭하며 선택된 FOV의 하이퍼큐브 스펙트럼의 제1 유도체및 (A) 및 (B)의 중간에 측정점의 스펙트럼의 첫 번째 유도체를 비교한 스펙트럼 각도의 값의 범위를 나타낸다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 5: 하이퍼큐브 내의 참조 선택. (A) 격리된 측정점 선택 모드; 녹색 원은 표시된 FOV에서 수동으로 선택한 참조 스펙트럼의 위치를 나타냅니다. (B) 망상 선택 모드; 그린 서클 은 표시된 FOV에 5픽셀로 설정된 샘플링 간격(n_pixel)을 사용하여 레티큘럼을 적용하여 선택한 참조 스펙트럼의 위치를 나타냅니다. (A) 및 (B)에 보고된 이미지는 CIE 표준에서 하이퍼큐브로 D65 조명및 1931관측자를 적용하는 반사스펙트럼에서 검색된 FOV의 RGB 이미지의 그레이스케일 변환이다. 회색 색상 막대 는 이 이미지의 정규화된 강도를 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 6: 수동 데이터 조작 모드. (A) 사용자가 참조 스펙트럼을 선택된 파장의 선택된 분수로 나눌 수 있는 대화형 창의 측면입니다. (B) SAM 맵을 평가하기 위해 선택한 데이터의 일부가 분홍색 배경에 의해 강조 표시된 동일한 참조(A)입니다. (A) 및 (B)는 참조의 미리 처리된 스펙트럼을 표시합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 7: 자동 데이터 조작 모드. (A) 도 6 (컬러 라인)과 정규화된 최대 분산(Black Dashed Line)에 보고된 정규화된 네 개의 정규화된 참조의 첫 번째 파생상품입니다. (b) 최대 분산의 기준에 따라 정렬된 (A)의 동일한 유도체; 정규화된 최대 분산의 정렬된 값도 보고되었습니다(Black Dashed Line). 배경의 일부 부분은 하이퍼 벡터의 재배열을 시각적으로 설명하기 위해 다른 색조로 착색되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 8: 자동 데이터 조작 모드에서 얻은 SAM 맵입니다. (A-C) 도 7의 참조 스펙트럼의 제1 유도체 내에서 평가된 정규화된 최대 분산의 정렬된 값; 곡선의 녹색 및 빨간색 단면은 각각 선택한(임계값 이상)과 거부된 데이터 분획(임계값 아래)을 나타냅니다. 패널은 임계값(검은 점선 세그먼트)이 증가함에 따라 어떤 일이 일어나는지 보여줍니다. 각 패널은 도 7의 스펙트럼의 네 파생 상품에 대해 얻은 값 그룹에 대해 SAM 맵을 보고합니다. 녹색 모서리 맵은 오버 임계값 분획을 참조하고 빨간색 가장자리 맵은 아래 임계값을 참조합니다. 회색 색상 막대는 스펙트럼 각도의 값 범위를 나타냅니다. 이 예에서 임계값의 증가를 결정하는 단계는 정규화된 최대 분산의 0.5%와 같습니다. (C)에 보고된 임계값은 0.09이며, 추가 증가가 20값의 임의로 고정된 하한, 즉 하이퍼스펙트럼 카메라의 획득 채널 총 수의 10%보다 낮은 하이퍼 벡터의 선택된 구성 요소의 수를 감소시키기 때문에 마지막으로 고려된 임계값이다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
하이퍼스펙트럼 반사도 이미징 데이터 집합은 정보의 큰 저장소입니다. 따라서 데이터를 분석하기 위한 강력하고 자동화된 프로토콜의 개발은 잠재 잠재력을 악용하는 핵심 전환점입니다15,17. 제안된 알고리즘은 회화의 안료의 특성화에 특히 주의를 기울여 문화유산 분야에서 이러한 필요성에 대한 답을 제시합니다. SAM20,21에 기초하여, 알고리즘은 실험 조건의 설정에서 안료의 분포의 평가에 이르기까지 전체 분석 과정에서 사용자를 지원합니다. 알고리즘에는 여전히 완전한 그래픽 인터페이스가 없으며 결과를 볼 수 있는 도구를 제공하지 는 않지만(이 목적을 위해 오픈 소스 소프트웨어가 사용되었으며 재료 테이블을 참조) 데이터 분석에 대한 접근 방식을 조절하기 위해 구현된 가능성 집합은 이러한 단점의 균형을 광범위하게 조정합니다.
프로토콜은 샘플과 검출기 모두의 특성에 따라 획득 시스템을 설정합니다. 한편, 펠리자 다 볼페도가 쿼토 스타토를 만들기 위해 사용하는 디비전리스트 기법은 하이퍼큐브가 나란히 배치된 다른 안료의 작은 브러시 스트로크를 구별할 것을 요구합니다. 한편, 하이퍼스펙트럼 카메라는 1.07 mm26의 공간 해상도로 0.55 x 0.55m의 면적을 감지하는 수동 조정 시스템으로 150mm와 무한 사이의 초점 범위를 가지고 있다. 테스트 샘플(그림 2)에서 획득한 몇 개의 하이퍼큐브에 알고리즘을 적용하면 데이터 수집에 적합한 작업 거리를 설정하는 데 도움이 됩니다. 측정값을 관찰하면 실험 캠페인의 작동 거리를 30cm로 설정할 수 있으며, 이는 대상에서 0.31mm의 해상도에 해당합니다. 이 작업 거리는 또한 Quarto Stato에서 실시된 실험 세션 중에 성공적으로 채택되었습니다(그림 3). 작업 거리가 정의되면 샘플 표면의 조명은 중요한 문제3,15로 남아 있습니다. FOV의 일부가 균일한 조명 대신 고르지 않은(도 4A의 빨간색 원)을 표시하면(그림 4B의 블루 서클) 반사속성속성이 크게 변경되고 전체 절차가 손상됩니다(그림 4D 대 그림4E). 이 프로토콜은 데이터를 획득하는 동안 고르지 않은 조명(그리고 일반적으로 모니터링된 영역의 유물에 대해 보다 일반적으로) 데이터를 수집하는 동안(RGB, 1.4.1 단계 및 SAM 지도, 1.4.9단계, 사용자가 확인할 수 있는 단계 1.4.9) 및 제2단계의 분석 수단에 의한 FOV의 손상된 부분을 제외하여 후방을 방지합니다(4.2단계).
이 프로토콜을 사용하면 최대 자유와 함께 참조(즉, SAM 맵 평가에 사용되는 최종 멤버)를 선택할 수 있습니다. 한편으로는, EM은 하이퍼큐브의 가장자리 내에서 두 가지 매너로 선택할 수 있습니다: 격리된 측정점 선택(단계 1.4.5 및 3.1.2 단계에서 그림 5A ) 또는 망상 측정점 선택(단계 3.1.3에서 그림 5B ). 첫 번째는 중요한 측정 지점을 수동으로 식별하기 위해 사용자의 일부 전문 지식이 필요하기 때문에 정보에 입각한 선택으로 정의할 수 있습니다. FOV의 망상 샘플링은 샘플링 간격의 값만 수행해야 하기 때문에 후자는 블라인드 선택으로 정의될 수 있습니다. 한편, 조사 중인 그림 외부에서 EMM을 검색할 수 있습니다(3.1.4단계). 쿼토 스타토에서 진행된 실험 캠페인 동안, 휴대용 미니어처 FORS 분광기(자료 표)는 아티스트가 속한 초안 샘플에서 스펙트럼을 수집하는 데 사용되었으며 현재 볼페도(펠리자 다 볼페도 스튜디오 무세오, 볼페도(AL), 이탈리아에 위치한 스튜디오 박물관에 보관되어 있습니다. 이러한 반사도 데이터는 SAM 맵의 평가에 사용되었으며 그 중 일부는 그림 6 및 그림 7에 보고됩니다. 스펙트럼의 절대 강도와 기준의 중요성을 제한하기 때문에, 사전 처리는 하이퍼큐브와 EM 모두에 대해 필수적이며, 특히 약간 다른 설정 또는 수술 조건으로부터 얻은 경우32.
프로토콜의 마지막 주요 기능은 실험 데이터를 조작할 수 있는 기회입니다. 조작의 경우, EM의 가장 중요한 구성 요소(즉, 최종 멤버의 스펙트럼의 해당 부분의 식별이 아티스트가 사용하는 자료를 특성화하는 데 도움이 된다)를 식별하기 위한 것입니다. 이 작업은 수동으로 수행하거나(그림 6) 또는 자동으로 수행할 수 있습니다(그림 7). 첫 번째 경우, 알고리즘은 연기자의 전문 지식을 활용하는 반면, 두 번째 경우에는 수시로 SAM 맵을 평가하는 데 사용되는 구성 요소를 결정하는 통계적 기준이다. 두 경우 모두, 조작은 결과 유사성 맵의 수를 증가시키고 결과적으로 하이퍼큐브에 의해 전달되는 정보를 공개하는 기능을 확장합니다. 특히 기준 기반 선택은 페인팅된 표면의 많은 통찰력을 생성합니다(그림 8).
개별적으로 촬영, 확대 기능은 단순한 기술적 인 이점으로 나타날 수 있지만, 함께 그들은 적어도 두 가지 주요 포인트를 의미. 알고리즘은 모든 종류의 사용자가 성공적으로 적용할 수 있으며 분석 시나리오를 크게 넓힐 수 있습니다. 실제로 프로토콜의 주요 단계(즉, 참조 선택 및 데이터 조작)는 사용자의 기술과 경험을 무시하고 자동으로 수행될 수 있습니다. 하이퍼큐브 외부에서 스펙트럼으로 분석을 유도할 수 있는 가능성으로 조사 중인 샘플의 특성화에 대해 연구원의 처분에 있는 모든 반사도 데이터를 활용할 수 있습니다.
요약하면 프로토콜은 매우 유연한 도구가 될 수 있습니다. 그래픽 인터페이스 및 지원되는 분석 방법의 수에 관한 몇 가지 개선과 함께, 하이퍼스펙트럼 반사도 이미징을 통해 도색 된 표면에서 얻은 데이터의 처리 및 분석에 관한 기술의 상태를 넘어서는 단계가 될 수 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개 할 것이 없습니다.
Acknowledgments
이 연구는 프로젝트 MOBARTECH의 프레임 워크에서 지역 롬바르디아에 의해 투자되었다: 우나 피아타 포르마 모바일 tecnologica, 인터아티바 e partecipata lo 스튜디오 당, 라 conservazione e 라 valorizzazione 디 베니 스테리코 - 아티스틱 - 라 라이스 라 카르사 e'l'Innovazione.
저자들은 무세오 델 노베센토의 직원들이 현장에서 실험적인 세션과 스튜디오 무세오에 대한 접근을 위해 아소시아지오네 펠리자 다 볼페도에 대한 지원에 감사드립니다.
Materials
| Name | Company | Catalog Number | Comments |
| ImageJ/Fiji | Specim (Oulo, Finlad) | N/A | Portable reflectance hyperspectral camera used to acquire the hypercubes |
| MATLAB 2019b | StellarNet Inc (Tampa, Florida, USA) | N/A | Portable reflectance spectrometer used to acquire independent reflectance spectra |
| Specim IQ Hyperspectral Camera | National Institutes of Health (Bethesda, Maryland, USA) | N/A | Open source Java image processing program |
| StellarNet BLUE-wave Miniature Spectrometer | MathWorks (Natick, Massachusset, USA) | N/A | Program Language and numerical computing environment |
References
- Picollo, M., et al. Fiber Optics Reflectance Spectroscopy: a non-destructive technique for the analysis of works of art. Optical Sensors and Microsystems. , Springer. 259-265 (2002).
- Bacci, M., et al. Non-destructive spectroscopic investigations on paintings using optical fibers. MRS Online Proceedings Library Archive. 267, (1992).
- Liang, H. Advances in multispectral and hyperspectral imaging for archaeology and art conservation. Applied Physics A. 106, 309-323 (2012).
- Bullock, L. Reflectance spectrophotometry for measurement of colour change. National Gallery Technical Bulletin. 2, 49-55 (1978).
- Saunders, D. Colour change measurement by digital image processing. National Gallery Technical Bulletin. , 66-77 (1988).
- Appolonia, L., et al. Combined use of FORS, XRF and Raman spectroscopy in the study of mural paintings in the Aosta Valley (Italy). Analytical and Bioanalytical Chemistry. 395, 2005-2013 (2009).
- Pouyet, E. K., et al. New insights into Pablo Picasso's La Miséreuse accroupie using X-ray fluorescence imaging and reflectance spectroscopies combined with micro-analyses of samples. SN Applied Sciences. 2, 1-6 (2020).
- Garofano, I., Perez-Rodriguez, J. L., Robador, M. D., Duran, A. An innovative combination of non-invasive UV-Visible-FORS, XRD and XRF techniques to study Roman wall paintings from Seville, Spain. Journal of Cultural Heritage. 22, 1028-1039 (2016).
- Dupuis, G., Elias, M., Simonot, L. Pigment identification by fiber-optics diffuse reflectance spectroscopy. Applied Spectroscopy. 56, 1329-1336 (2002).
- Bacci, M., Picollo, M. Non-destructive spectroscopic detection of cobalt (II) in paintings and glass. Studies in Conservation. 41, 136-144 (1996).
- Cosentino, A. FORS spectral database of historical pigments in different binders. E-Conservation Journal. , 54-65 (2014).
- Leona, M., Winter, J. Fiber optics reflectance spectroscopy: a unique tool for the investigation of Japanese paintings. Studies in Conservation. 46, 153-162 (2001).
- Cheilakou, E., Troullinos, M., Koui, M. Identification of pigments on Byzantine wall paintings from Crete (14th century AD) using non-invasive Fiber Optics Diffuse Reflectance Spectroscopy (FORS). Journal of Archaeological Science. 41, 541-555 (2014).
- Kubik, M. Hyperspectral imaging: a new technique for the non-invasive study of artworks. Physical Techniques in the Study of Art, Archaeology and Cultural. 2, 199-259 (2007).
- Fischer, C., Kakoulli, I. Multispectral and hyperspectral imaging technologies in conservation: current research and potential applications. Studies in Conservation. 51, 3-16 (2006).
- Daniel, F., et al. Hyperspectral imaging applied to the analysis of Goya paintings in the Museu of Zaragoza (Spain). Microchemical Journal. 126, 113-120 (2016).
- Baronti, S., Casini, A., Lotti, F., Porcinai, S. Principal component analysis of visible and near-infrared multispectral images of works of art. Chemometrics and Intelligent Laboratory Systems. 39, 103-114 (1997).
- Mansfield, J. R., et al. Near infrared spectroscopic reflectance imaging: supervised vs. unsupervised analysis using an art conservation application. Vibrational Spectroscopy. 19, 33-45 (1999).
- Clodius, W. B. Multispectral and Hyperspectral Image Processing, Part 1: Initial Processing. Encyclopedia of Optical Engineering: Las-Pho. 2, 1390 (2003).
- Kruse, F. A., et al. The spectral image processing system (SIPS)-interactive visualization and analysis of imaging spectrometer data. AIP Conference Proceedings. , (1993).
- Yang, C., Everitt, J. H., Bradford, J. M. Yield estimation from hyperspectral imagery using spectral angle mapper (SAM). Transactions of the ASABE. 51, 729-737 (2008).
- Delaney, J. K. D., et al. Integrated X-ray fluorescence and diffuse visible-to-near-infrared reflectance scanner for standoff elemental and molecular spectroscopic imaging of paints and works on paper. Heritage Science. 6, 1-12 (2018).
- Richards, J. A. Remote sensing digital image analysis. 3, Springer. (1999).
- Mobaraki, N., Amigo, J. M. HYPER-Tools. A graphical user-friendly interface for hyperspectral image analysis. Chemometrics and Intelligent Laboratory Systems. 172, 174-187 (2018).
- Zhu, C. Y., et al. Optimization of a hyperspectral imaging system for rapid detection of microplastics down to 100 µm. MethodsX. 8, 101175 (2021).
- Behmann, J., et al. Specim IQ: evaluation of a new, miniaturized handheld hyperspectral camera and its application for plant phenotyping and disease detection. Sensors. 18, 441 (2018).
- Mather, J. Spectral and XYZ Color Functions. MATLAB Central File Exchange. , Available from: https://www.mathworks.com/matlabcentral/fileexchange/7021-spectral-and-xyz-color-functions (2021).
- Chen, C. -Y., Klette, R. Image stitching-Comparisons and new techniques. International Conference on Computer Analysis of Images and Patterns. , (1999).
- Tuszynski, J. read_envihdr. MATLAB Central File Exchange. , Available from: https://www.mathworks.com/matlabcentral/fileexchange/38500-read_envihdr (2021).
- Jolliffe, I. T., Cadima, J. Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. 374, 20150202 (2016).
- Schneider, C. A., Rasband, W. S., Eliceiri, K. W. NIH Image to ImageJ: 25 years of image analysis. Nature Methods. 9, 671-675 (2012).
- Rinnan, Å, Van Den Berg, F., Engelsen, S. B. Review of the most common pre-processing techniques for near-infrared spectra. Trends in Analytical Chemistry. 28, 1201-1222 (2009).
