需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

应用高光谱反射成像技术研究画家的颜料调色板与绘画技法

2.2K 次观看

⸱

DOI：

10.3791/62202

⸱

2021年6月18日

 ,  ,  ,  ,  , 
1Dipartimento di Scienza dei Materiali, Università degli Studi di Milano-Bicocca, 2CNR-IBFM, 3Dipartimento di Fisica, Università degli Studi di Milano-Bicocca

本文内容

摘要

高光谱反射成像数据立方体包含大量数据中的丰富信息。因此，对自动化流程以管理和研究这些数据集的需求具有充分合理性。光谱角制图、数据处理与一种用户可调节的分析方法相结合，构成了探索实验结果的关键手段。

摘要

反射光谱法（Reflectance Spectroscopy, RS）和光纤反射光谱法（Fiber Optics Reflectance Spectroscopy, FORS）是用于艺术品研究的成熟技术，尤其适用于绘画作品的分析。目前大多数现代博物馆为其研究团队配备了便携式设备，结合RS与FORS本身所具有的非侵入性特点，使得在不损害艺术品的前提下开展现场分析成为可能。 原位 从文物表面采集反射光谱。由颜料和绘画材料专家将实验数据与参考光谱数据库进行比对，从而实现对艺术家所用颜料色板及绘画技法的表征。然而，这种方法需要专业知识，且耗时较长，尤其当需要分析的光谱数量庞大时——例如高光谱反射成像（HRI）数据集的情况。HRI实验装置是多维相机，可将反射光谱提供的光谱信息与光谱在绘画表面的空间位置相关联。所得数据集为三维立方体（称为高光谱立方体或数据立方体），其中前两个维度表示光谱在画作上的空间位置，第三个维度为光谱本身（即该点绘画表面反射率随探测器工作波长范围内的波长变化情况）。探测器能够同时采集大量光谱（通常每个高光谱立方体包含远超10,000个光谱），使得HRI数据集成为信息丰富的资源，也因而有必要开发稳健且尽可能自动化的数据分析流程。在介绍数据采集流程之后，我们提出一种系统性挖掘高光谱立方体潜力的分析方法。该方法基于光谱角制图（Spectral Angle Mapper, SAM）及对采集光谱的处理，可同时处理和分析数千个光谱，并在此过程中提供支持 用户揭示所研究样品的特征。该方法的强大之处通过将其应用于 第四等级，意大利米兰（意大利）二十世纪博物馆收藏的朱塞佩·佩利扎·达·沃尔佩多的标志性杰作。

引言

反射光谱法（Reflectance Spectroscopy, RS）和光纤反射光谱法（Fiber Optics Reflectance Spectroscopy, FORS）基于检测物体表面在光源（通常为钨卤素灯）照射下反射的光。采集系统的输出为光谱数据，其中反射率作为波长的函数在特定波长范围内进行监测，该范围取决于所用实验装置的特性。1,2,3在过去的四十年中引入4,5，RS 和 FORS 通常与X射线荧光及其他光谱技术联用，以分析艺术家创作杰作所使用的材料和技法6,7,8,9反射光谱的研究通常通过将样品数据与用户在个人或公共数据库中选择的一组参考光谱进行比较来完成。一旦选定符合样品制作时期及其他相关条件的参考光谱，并与样品光谱特征相匹配，即可用于进一步分析。 运作方式 艺术家的身份已被确认后，用户能够识别反射光谱的主要特征（即，过渡带、吸收带和反射带）1,2,10,11）然后借助其他技术6,7,8 它们区分 颜料在绘画中的使用情况。最后，他们讨论了参考光谱与实验光谱之间存在的微小差异7,9.

在大多数情况下，实验数据集由少量光谱组成，这些光谱采集自由艺术专家选定的区域，并被认为对画作的表征具有重要意义6, 12,13。尽管操作者具备专业技能和丰富经验，但少量光谱仍无法全面涵盖整个绘画表面的特征。此外，分析结果始终在很大程度上依赖于操作者的专业水平。在此背景下，高光谱反射成像（Hyperspectral Reflectance Imaging, HRI3,14,15）可能成为一种有用的工具。与采集少量孤立光谱不同，该实验方法可获取被测对象大范围区域甚至整体的反射特性16。相较于孤立光谱的采集，其两个主要优势显而易见：一方面，反射特性空间分布的可获取性使得研究者能够识别出隐藏有趣特征的区域，即使这些区域在视觉上并不显著17；另一方面，高光谱数据立方体（hypercubes）可提供足够数量的光谱，从而支持对数据进行统计分析。上述特点有助于深入理解颜料在绘画表面的分布情况18,19。

使用高光谱反射成像（HRI）时，将实验数据与参考数据进行比较可能难以处理15。典型的探测器会返回至少为 256 × 256 个光谱的超立方数据。这意味着用户需要将超过 65,000 个反射光谱逐一与参考光谱进行比对，这一任务在合理的时间内几乎无法手动完成。因此，开发可靠且尽可能自动化的协议来管理与分析 HRI 数据集的需求显得尤为迫切15,17。本研究所提出的方法通过以最小的人工干预和最大的灵活性处理整个分析流程，满足了这一需求。

一个由一组自编代码（材料表）构成的算法读取、管理和组织实验装置返回的文件。该算法可对视场区域（FOVs，单个视场指由一个高光谱立方体监测的画作区域）进行精细选择，并基于光谱角匹配法（SAM）20,21 及原始光谱的处理对数据进行分析。SAM 输出称为相似性图的伪彩色灰度图像。这些图中像素值对应光谱角，即存储在高光谱立方体 中的光谱与所谓端元光谱（EMs，一组参考光谱，用于描述高光谱立方体所监测表面的特征）之间夹角的余弦值22。在遥感技术应用于绘画分析的情况下，端元光谱是应与画家调色板相匹配的颜料反射光谱。其选择依据包括关于艺术家的已知信息、画作创作时期以及使用者的专业判断。因此，SAM 的输出是一组描述这些颜料在画作表面空间分布的图像，有助于使用者推断艺术家所使用的材料及其在文物中的分布情况。该算法允许使用各种来源的参考光谱，不受其获取方式限制。这些参考光谱可以是从高光谱立方体内部选定的特定光谱，也可以来自数据库，或通过其他仪器在不同表面上获取（例如颜料样品或艺术家的调色板），亦可通过任何类型的反射光谱技术（包括 FORS）获得。

在现有的分类方法中，SAM 因被证明在色素表征方面具有有效性而受到青睐（参见 Richard23 的著作，以了解主要的现有分类方法概述）。 相比之下，选择开发自定义协议而非采用网络上大量免费工具24,25，是基于一项实际考虑。尽管现有的图形用户界面（GUI）和软件具有科学依据且效果良好，但单一工具很难满足用户的所有需求。可能存在输入/输出（I/O）问题，例如某工具无法处理包含原始数据的文件；也可能存在数据分析方面的问题，例如另一工具未提供所需分析方法；还可能存在数据处理能力的限制，例如不支持多个数据集的同步分析。无论如何，目前并不存在一种完美的工具，每种方法都需要根据数据进行调整，或对数据进行相应调整。因此，优先选择开发自定义协议。

本文提出的方法既未提供一套完整的分析方法（作为对比，参见 Mobaraki 和 Amigo 提出的工具24），也未配备易于操作的用户界面（作为对比，参见 Zhu 及其同事所使用的软件25）；但作为补偿，该方法聚焦于高光谱数据分析中一个仍被低估的方面：对检测到的光谱进行操控的可能性。本文通过将该方法应用于意大利米兰二十世纪博物馆（Museo del Novecento）收藏的乔瓦尼·佩利扎·达·沃尔佩多（Giuseppe Pellizza da Volpedo）的标志性布面油画《第四阶层》（Quarto Stato）（图1），展示了该方法的强大功能。需注意的是，由于该方法需要运行自行编写的代码，开发者在描述本实验方案时可任意命名代码，以及输入和输出变量。用户可更改变量名称，但必须按以下格式提供：输入变量应分别置于圆括号内，如有多个则用逗号分隔；输出变量应置于方括号内，如有多个则用空格分隔。 但代码名称则不可更改。

访问受限。请登录或开始试用以查看此内容。

方案

1. 设置超立方体的空间分辨率

  1. 对涂漆表面进行初步检查（图1由艺术专家支持以识别画作的主要特征。
    1. 识别艺术家在创作绘画时所采用的图像表现技法。
    2. 识别画布上不同的笔触。
    3. 定性估计笔画的特征，特别注意其尺寸大小。
  2. 模仿艺术家所使用的图示技法进行创作 临时的 笔触特征与该艺术家所用笔触相似的测试样本。
    注意：佩列扎·达·沃尔佩多（Pellizza da Volpedo）是一位分色主义画家。已邀请一位修复师制备若干测试样本，以定性再现目标画布的笔触特征（图2，第 A 列).
  3. 设置待测表面与采集设备之间的距离。
    注意：距离决定了高光谱数据立方体的空间分辨率26 因此，有可能区分绘画表面图像和SAM图中的笔触。
    1. 根据高光谱相机的特性，评估样品表面与采集设备之间的距离26 (材料表) 以及测试样本中绘制的笔触大小。
    2. 将采集平台和高光谱相机置于上一步骤确定的距离处。将测试样品放置在平台上，并确保样品表面 illumination 均匀。
    3. 使用高光谱相机配套的白色标准参考板进行白平衡校准。采集高光谱数据立方体（hypercubes）。
      注意：对于每个视野（FOV），高光谱相机均提供原始图像和校准后图像，分析中使用的是后者。
    4. 下载仪器返回的文件，并将其保存到专用文件夹中。
  4. 检查高光谱数据立方体的空间分辨率是否能够区分绘画表面图像和SAM图中的不同笔触。
    1. 检查高光谱相机返回的RGB图像，以确保用于制备测试样本的笔画能够被识别（图2，第 A 列）。如果满足条件，则继续下一步；否则返回步骤 1.3.1 并重新开始。
    2. 列出包含高光谱数据的文件以及 通过运行数据读取代码获取视场的RGB图像， HS_FileLister在用于开发代码的语言的终端窗口中输入以下命令行（包括分号）材料表）并按压 输入 运行代码：
      [HS_DataList HS_ImageList] = HS_FileLister;
      1. 无需输入，输出包含两个部分：包含高光谱数据立方体的文件列表， HS_DataList以及高光谱相机返回的图像列表， HS_图像列表.
        注意：每个超立方体的尺寸为 512 × 512 × 204 个体素，其中 204 为用于监测反射信号的通道数。通道覆盖 400 至 1,000 nm 的波长范围，光谱分辨率为 7 nm（FWHM）。26.
    3. 运行裁剪代码，定义需要分析的超立方体的三维部分， HS_裁剪_png. 在交互窗口中选择一个区域，以定义每个数据立方体的所需部分，该窗口显示由每个高光谱立方体监测的视场（FOV）的二维RGB图像。在终端窗口中输入以下命令行（包括分号），然后按回车 进入 运行代码：
      [HS_ImageList] = HS_Crop_png(HS_ImageList);
      1. 有一个输入（高光谱相机返回的图像列表， HS_图像列表）和一个输出（将空间坐标添加到输入列表中，以最终裁剪高光谱立方体）。
    4. 应用国际照明委员会（CIE）标准中的D65光源和1931标准观察者参数，结合重建代码对高光谱数据立方体进行处理，从反射光谱中重建视场（FOV）的RGB图像。 HS_RGB_rebuild. 在终端窗口中输入以下命令行（包括分号），然后按回车键 输入 运行代码：
      [HS_图像列表] = HS_RGB_重建(HS_图像列表, HS_数据列表);
      1. 有两个输入（包含高光谱相机返回图像的列表， HS_图像列表以及包含高光谱数据立方体的文件列表， HS_DataList）和一个输出（包含高光谱相机返回图像的输入列表，以及从反射光谱中提取的高光谱立方体表面的RGB图像）。
        注意： HS_RGB_重建 利用了 Jeff Mather 开发的功能27 应用D65光源和1931标准观察者 从 CIE 到数据。
    5. 在测试样品表面手动选择一些参考光谱（白色圆圈 和 数字 在 图2，第 A 列）通过运行孤立测量点选择代码， PointSel. 通过点击交互式窗口来选择测量点，该窗口会逐个显示视场（FOV）的二维RGB图像。在终端窗口中输入以下命令行（包括分号），然后按回车 输入 运行代码：
      [参考文献] = PointSel(HS_DataList, HS_ImageList);
      1. 有两个输入（包含高光谱相机返回图像的列表， HS_图像列表以及包含超立方体的文件列表， HS_DataList）和一个输出（一个变量， 参考文献，包含在视野（FOV）内选定为参考的光谱。
    6. 如有需要，可通过运行专用代码将参考点在样品表面的位置信息保存为一组图片。 保存图像点. 在终端窗口中输入以下命令行（包括分号），然后按回车键 输入 运行代码：
      ​SaveImPoint(参考文献, HS_图像列表);
      1. 有两个输入（包含参考光谱的变量， 参考文献，以及高光谱相机返回的图像列表， HS_图像列表）且无输出（代码会将 .png 图像保存在当前工作文件夹中）。
    7. 通过运行转换代码，将参考文献整理成矩阵形式， RefListToMatrix. 在终端窗口中输入以下命令行（包括分号），然后按回车键 输入 运行代码：
      [参考文献_矩阵] = RefListToMatrix(参考文献, HS_图像列表(1).波长);
      1. 有两个输入（包含参考光谱的变量， 参考文献以及在光谱数据采集过程中探测器记录光子的波长列表， HS_ImageList(1).WaveL）以及一个输出（将相同的参考光谱整理成矩阵， 参考文献_矩阵).
        注意：此步骤为必需操作，因为评估 SAM 图像的代码要求将参考光谱组织成矩阵形式。第二个输入的语法， HS_ImageList(1).WaveL，需要调用该变量 WaveL 从列表中 HS_图像列表括号内的数字1表示名为的列表中的第一个元素 HS_图像列表；但由于所有高光谱数据立方体具有相同的波长范围，因此可用小于或等于所列图像总数的任意数字替代。
    8. 使用全光谱运行标准的SAM图谱评估代码来提取SAM图谱， SAM_标准. 在终端窗口中输入以下命令行（包括分号），然后按回车键 进入 运行代码：
      SAM_标准(HS_图像列表, HS_数据列表, 参考矩阵);
      1. 有三个输入（包含高光谱相机返回图像的列表， HS_图像列表；包含高光谱数据立方的文件列表， HS_DataList；以及参考光谱的矩阵， 参考文献_矩阵）且无输出：代码会将SAM图以.png图像格式保存在当前工作文件夹中。
    9. 检查所获得的相似性图谱（图2，B - E 列) 显示用于制备测试样本的笔触细节。如果符合此情况，则进入方案的下一步；否则返回步骤 1.3.1 并重新开始。

2. 根据绘画调整实验参数

  1. 确定待研究画作的兴趣区域（ROI）（图中红色矩形所示） 图3A).
    注意：通常需要多个视野（FOV）才能覆盖单个感兴趣区域（ROI）。
  2. 根据前述步骤中定义的距离，设置采集装置和绘画作品的位置，并使用高光谱相机配套的白色标准参考板进行白平衡校准。
    注意：如果用户必须进行一项 原位 获取（即他们必须学习 博物馆或展览中展出的一幅画作），他们只能控制相机。这种情况属于 第四阶级，永久陈列于意大利米兰二十世纪博物馆的专设展区。
  3. 从每个感兴趣区域（ROI）边缘内的至少一个视场（FOV）获取高光谱数据（红色矩形内无阴影区域） 图3A).
  4. 下载仪器返回的文件，并将其保存到专用文件夹中。
  5. 通过观察高光谱相机返回的RGB图像，检查画作表面的照明是否已均匀设置。若满足条件，则进入下一步；否则返回步骤2.2并重新开始。
    注意： 图4 说明了进行此项检查的重要性（参见 讨论 详见该部分的详细说明。
  6. 重复步骤1.4的子步骤。
  7. 检查数据的空间分辨率是否足够高，可通过观察视场（FOVs）的RGB图像来辨别笔触。图3B）以及SAM图谱（图3C) 与在视场（FOVs）内选定的参考光谱相关绿色圆圈 在 图3B).
  8. 如果照明和空间分辨率已正确设置，则继续采集覆盖感兴趣区域（ROI）所需的其他视野图像；否则返回步骤2.2并重新开始。
    ​注意：当一个感兴趣区域（ROI）需要多个视野（FOV）进行覆盖时，应确保相邻视野之间具有一定程度的重叠，以便于拼接生成的图像地图3,15重叠程度取决于高光谱相机与样品之间的距离、平移距离以及探测器的水平视场角。28在针对实验活动的情况下，开展于 第四阶级，重叠区域已设定为至少占视场的40%。

3. 超立方体与参考光谱管理

  1. 执行原始数据的输入/输出：组织、读取和管理高光谱数据立方体。
    1. 运行 HS_FileLister 代码，将包含高光谱数据立方体的文件列表及相关信息存储到算法可用的两个变量中（具体操作详见步骤 1.4.2）。
      注意：高光谱相机返回 hdr（高动态范围）文件，代码通过使用 Jarek Tuszinsky 开发的脚本的改进版本进行处理29。
    2. 运行 HS_Crop_png 代码，选择每个视场（FOV）中用于数据分析的部分（具体操作详见步骤 1.4.3）。
    3. 运行 HS_RGB_Rebuild 代码，从反射光谱中重建视场的 RGB 图像（具体操作详见步骤 1.4.4）。
  2. 组织、读取（如需要）并管理参考光谱。
    注意：参考光谱将在 SAM 方法中作为端元使用20,21。该部分算法并非唯一确定，而是取决于参考光谱的选择方式及其来源。
    1. 运行 PointSel 代码，并在显示的交互窗口中点击，以在监测区域表面选择孤立的测量点作为参考光谱（图 5A）（具体操作详见步骤 1.4.5）。
    2. 通过运行网状选择代码 ReticularSel ，自动选择覆盖在监测区域表面的规则网状测量点作为参考光谱（图 5B）。在终端窗口中输入以下命令行（包括分号），然后按 Enter 键运行代码：
      [References] = ReticularSel(HS_DataList, HS_ImageList, n_pixel);
      1. 该函数有三个输入参数（包含高光谱相机返回图像的列表 HS_ImageList；包含高光谱数据立方体的文件列表 HS_DataList；以及网状点间距 n_pixel，以像素数表示）和一个输出参数：一个包含在视场中选作参考的光谱的变量 References。
    3. 运行外部参考导入代码 Spectra_Importer，创建一个变量，用于存储来自与在 Quarto Stato 上采集的高光谱数据立方体无关的数据集和数据库的参考光谱。在终端窗口中输入以下命令行（包括分号），然后按 Enter 键运行代码：
      [ExtReferences] = Spectra_Importer(file_extension);
      1. 该函数有一个输入参数（包含独立参考光谱的文件扩展名 file_extension，需用单引号括起）和一个输出参数（一个包含外部参考光谱的变量 ExtReferences）。
        注意：外部参考导入代码已针对导入 tmr 文件进行了优化，但如有需要，可轻松修改以处理任何类型的文本文件。
    4. 运行 RefListToMatrix 代码，将参考光谱整理为矩阵形式，即 References_Matrix 或 ExtReferences_Matrix，以满足计算 SAM 图像代码的要求（具体操作详见步骤 1.4.7）。
    5. 等待 RefListToMatrix 代码完成高光谱数据立方体与参考光谱在波长范围和光谱分辨率（即组分数）上的对齐。
      ​注意：该代码首先识别高光谱数据立方体和参考光谱的波长范围，比较两者并截去未被两者共同监测的波长区间。接着，在对齐后的波长范围内，识别组分数较少（即光谱分辨率较低）的一组高维向量（高光谱数据立方体或参考光谱）。然后，将组分数较多的高维向量（参考光谱或高光谱数据立方体）的组分数缩减至较短者水平。具体方法是：对较短高维向量中的每个波长，仅保留较长高维向量中对应最接近该波长的数值。
      1. 该代码自动执行对齐过程。若参考光谱是在高光谱数据立方体内选取的，则无需进行波长范围和光谱分辨率的对齐，二者保持不变。
    6. 如需要，可通过运行专用代码将参考光谱在样品表面的位置信息保存为一组图像（具体操作详见步骤 1.4.7）。
      ​注意：此功能仅在参考光谱于高光谱数据立方体内选取时（步骤 3.2.1 和 3.2.2）可用。

4. SAM 分析

  1. 运行 SAM_完整版 用于评估相似性图谱的代码。在终端窗口中输入以下命令行（包括分号），然后按回车 输入 运行代码：
    SAM_Complete(HS_ImageList, HS_DataList, References_Matrix);
    1. 有三个输入（包含高光谱相机返回图像的列表， HS_图像列表；包含高光谱数据立方体的文件列表， HS_DataList；以及参考矩阵， 参考文献_矩阵 或 扩展参考文献_矩阵）且无其他输出（代码会将 SAM 图像作为 .png 文件保存在当前工作文件夹中）。
      注意：除了上述三种描述的输入变量外，其余 SAM完全型 代码必须输入少量额外参数，以便根据用户偏好定制分析流程（见后续步骤）。
  2. 必要时，通过输入数字 0 或 1 来为代码提供预处理选项 根据所需的预处理操作选择对话框，然后按下 输入 继续。
    1. 预处理选项设置为0：每个反射光谱所覆盖的面积被归一化为1。
    2. 预处理选项设置为1：每个反射光谱所覆盖的面积被归一化至1，然后对该归一化光谱进行一次求导。
      注意：超立方体和参考数据均需进行相同的预处理操作。
  3. 在参考矩阵中选择用于SAM分析的端元，方法是输入对应所需光谱的列号。如有需要，在对话框中输入所需列号的序列，列号之间用空格分隔。按 输入 继续。
    注意：序列 [1 2 3] 表示选择参考矩阵的前三列；空向量表示选择参考矩阵的所有列。
  4. 将包含用于标识待保存地图集名称前缀的字符串输入代码中（即由代码返回的 .png 文件名的公共部分） SAM_完整版）。如需要，在对话框中插入字符串。按 输入 继续。
    注意：如果用户输入 test，则所有输出的 .png 图像文件名将以前缀 test 开头。
  5. 必要时，在对话框中输入数字 0、1 或 2 以指定所需的数据处理方法，然后按 输入 继续。
    1. 将方法设置为 0，以不对数据进行任何处理。
    2. 将方法设置为1，以在开始分析前手动选择需考虑的光谱波长范围图6).
    3. 将方法设为 2，以要求算法在评估 SAM 图谱之前，根据特定标准对数据进行排序图7).
  6. 等待协议处理数据，并将SAM图以.png文件格式保存至当前工作文件夹中。
    注意：如果手柄方法已设置为 0 或 2，用户只需等待；如果已设置为 1，用户必须通过点击交互窗口，选择用于评估 SAM 图谱的光谱区域图6).

访问受限。请登录或开始试用以查看此内容。

结果

本方案提出了一套用于管理与分析人机交互（HRI）数据的实用功能。在应用任何分析方法之前，原始数据的输入/输出（I/O，步骤 3.1）始终是首先需要解决的问题，而在处理大量数据时，这一问题可能尤为关键。在当前方案中，针对原始数据的唯一操作是将实验结果存储到一个专用文件夹中，并在运行读取代码时通过浏览硬盘选择该文件夹（步骤 3.1.1）。随后，裁剪与RGB重建代码可用于进一步细化待分析数据的选择（步骤 3.1.2），并检查在采集高光谱数据立方体时实验条件是否已正确设置（步骤 3.1.3，详见图4及讨论部分的详细说明）。

在确认数据立方体已正确采集后，该算法提供了多种选择端元以进行SAM分析20,21（步骤3.2）。前两种选项（步骤3.2.1和3.2.2）通过手动选择若干孤立的测量点（图5A），或通过自动采样画作表面，在...

访问受限。请登录或开始试用以查看此内容。

讨论

高光谱反射成像数据集蕴含大量信息，因此开发稳健且可能实现自动化的数据分析协议，是充分发挥其潜力的关键环节15,17。本研究所提出的算法针对文化遗产领域，特别关注绘画颜料的表征，满足了这一需求。该算法基于SAM20,21，可在从实验条件设置到颜料分布评估的整个分析过程中为用户提供支持。尽管该算法目前尚不具备完整的图形用户界面，也未提供结果可视化工具（为此已采用一款开源软件31，并推荐使用，详见材料表），但其所实现的多种可调参数和分析策略在很大程度上弥补了这些不足。

该方案根据样品和探测器的特性设置采集系统。一方面，佩利扎·达·沃尔佩多采用的分色主义技法 第四阶级 要求高光谱数据立方体能够区分并列放置的不同颜料的小笔触。另一方面，高光谱相机的焦距范围为15...

访问受限。请登录或开始试用以查看此内容。

披露

作者无任何利益冲突需要披露。

致谢

本研究由伦巴第大区政府资助，项目名称为MOBARTECH：一个用于历史艺术遗产的研究、保护与价值提升的移动技术平台、互动与参与式平台——研究与创新合作协议招标项目。

作者感谢二十世纪博物馆工作人员在研究期间提供的支持 原位 实验环节以及佩利扎·达·沃尔佩多协会对工作室博物馆的访问支持。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
ImageJ/FijiSpecim (芬兰奥卢)N/A用于采集高光谱数据立方体的便携式反射率高光谱相机
MATLAB 2019bStellarNet 公司（美国佛罗里达州坦帕）N/A用于采集独立反射光谱的便携式反射光谱仪
Specim IQ 高光谱相机美国国立卫生研究院（美国马里兰州贝塞斯达）N/A 开源的 Java 图像处理程序
StellarNet BLUE-wave 微型光谱仪 MathWorks 公司（美国马萨诸塞州纳蒂克）N/A编程语言及数值计算环境

参考文献

  1. 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).
  2. Bacci, M., et al. Non-destructive spectroscopic investigations on paintings using optical fibers. MRS Online Proceedings Library Archive. 267, (1992).
  3. Liang, H. Advances in multispectral and hyperspectral imaging for archaeology and art conservation. Applied Physics A. 106, 309-323 (2012).
  4. Bullock, L. Reflectance spectrophotometry for measurement of colour change. National Gallery Technical Bulletin. 2, 49-55 (1978).
  5. Saunders, D. Colour change measurement by digital image processing. National Gallery Technical Bulletin. , 66-77 (1988).
  6. 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).
  7. 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).
  8. 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).
  9. Dupuis, G., Elias, M., Simonot, L. Pigment identification by fiber-optics diffuse reflectance spectroscopy. Applied Spectroscopy. 56, 1329-1336 (2002).
  10. Bacci, M., Picollo, M. Non-destructive spectroscopic detection of cobalt (II) in paintings and glass. Studies in Conservation. 41, 136-144 (1996).
  11. Cosentino, A. FORS spectral database of historical pigments in different binders. E-Conservation Journal. , 54-65 (2014).
  12. Leona, M., Winter, J. Fiber optics reflectance spectroscopy: a unique tool for the investigation of Japanese paintings. Studies in Conservation. 46, 153-162 (2001).
  13. 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).
  14. 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).
  15. Fischer, C., Kakoulli, I. Multispectral and hyperspectral imaging technologies in conservation: current research and potential applications. Studies in Conservation. 51, 3-16 (2006).
  16. 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).
  17. 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).
  18. 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).
  19. Clodius, W. B. Multispectral and Hyperspectral Image Processing, Part 1: Initial Processing. Encyclopedia of Optical Engineering: Las-Pho. 2, 1390(2003).
  20. Kruse, F. A., et al. The spectral image processing system (SIPS)-interactive visualization and analysis of imaging spectrometer data. AIP Conference Proceedings. , (1993).
  21. 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).
  22. 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).
  23. Richards, J. A. Remote sensing digital image analysis. 3, Springer. (1999).
  24. 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).
  25. Zhu, C. Y., et al. Optimization of a hyperspectral imaging system for rapid detection of microplastics down to 100 µm. MethodsX. 8, 101175(2021).
  26. 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).
  27. 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).
  28. Chen, C. -Y., Klette, R. Image stitching-Comparisons and new techniques. International Conference on Computer Analysis of Images and Patterns. , (1999).
  29. Tuszynski, J. read_envihdr. MATLAB Central File Exchange. , Available from: https://www.mathworks.com/matlabcentral/fileexchange/38500-read_envihdr (2021).
  30. 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).
  31. Schneider, C. A., Rasband, W. S., Eliceiri, K. W. NIH Image to ImageJ: 25 years of image analysis. Nature Methods. 9, 671-675 (2012).
  32. 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).

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

反射光谱学光纤反射绘画技法颜料分析光谱角制图调色板表征笔触分析无损成像艺术品保护
应用高光谱反射成像技术研究画家的颜料调色板与绘画技法
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。