Waiting
Login-Verarbeitung ...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Chemistry
Click here for the English version

Chemistry

Anvendelse hyperspektral reflektion imaging til at undersøge paletter og teknikker malere

Published: June 18, 2021 doi: 10.3791/62202
Automatic Translation
1, 1, 1,2, 2, 2,3, 1
1Dipartimento di Scienza dei Materiali, Università degli Studi di Milano-Bicocca, 2CNR-IBFM, 3Dipartimento di Fisica, Università degli Studi di Milano-Bicocca

Summary

Hyperspektrale Reflektion Imaging hypercubes omfatter bemærkelsesværdige oplysninger i en stor mængde data. Derfor er anmodningen om automatiserede protokoller til styring og undersøgelse af datasæt bredt begrundet. Kombinationen af Spectral Angle Mapper, datamanipulation og en brugerjusterbar analysemetode udgør en nøgledrejning til at udforske de eksperimentelle resultater.

Abstract

Reflektionsspektroskopi (RS) og fiberoptikrefleksspektroskopi (FORS) er veletablerede teknikker til undersøgelse af kunstværker med særlig vægt på malerier. De fleste moderne museer stiller til rådighed for deres forskningsgrupper bærbare udstyr, der sammen med den iboende ikke-invasivitet af RS og FORS, gør det muligt in situ indsamling af reflektion spektre fra overfladen af artefakter. Sammenligningen, udført af eksperter i pigmenter og malematerialer, af de eksperimentelle data med databaser med referencespektre driver karakteriseringen af paletterne og af de teknikker, der anvendes af kunstnerne. Denne tilgang kræver imidlertid specifikke færdigheder, og det er tidskrævende, især hvis antallet af det spektre, der skal undersøges, bliver stort, som det er tilfældet med hyperspektrale reflektor imaging (HRI) datasæt. HRI eksperimentelle opsætninger er flerdimensionelle kameraer, der forbinder de spektrale oplysninger, givet af reflektionsspektret, med den rumlige lokalisering af spektret over den malede overflade. De resulterende datasæt er 3D-kuber (kaldet hypercubes eller data-terninger), hvor de to første dimensioner lokalisere spektret over maleriet og den tredje er selve spektret (dvs. reflektionen af dette punkt af den malede overflade versus bølgelængden i den operative rækkevidde af detektoren). Detektorens evne til samtidig at indsamle et stort antal spektre (typisk meget mere end 10.000 for hver hypercube) gør HRI datasæt store reservoirer af information og begrunder behovet for udvikling af robuste og muligvis automatiserede protokoller til at analysere dataene. Efter beskrivelsen af den procedure, der er designet til dataindsamlingen, præsenterer vi en analysemetode, der systematisk udnytter hypercubes potentiale. Baseret på Spectral Angle Mapper (SAM) og på manipulation af det indsamlede spektre håndterer og analyserer algoritmen tusindvis af spektre, samtidig med at det understøtter brugeren til at afsløre funktionerne i de prøver, der undersøges. Kraften i tilgangen illustreres ved at anvende den på Quarto Stato, det ikoniske mesterværk af Giuseppe Pellizza da Volpedo, der blev afholdt i Museo del Novecento i Milano (Italien).

Introduction

Reflektionsspektroskopi (RS) og Fiber Optics Reflectance spektroskopi (FORS) er baseret på påvisning af det lys, der reflekteres af overflader, der engang er oplyst af en lyskilde, typisk en wolfram-halogenlampe. Produktion af anskaffelsessystemet udgøres af spektre, hvor reflektionen overvåges som en funktion af bølgelængden i et interval, der afhænger af egenskaberne ved det anvendte eksperimentelle setup1,2,3. RS og FORS, der er indført i løbet af de sidste fire årtier4,5, anvendes typisk i kombination med røntgenlyscens og andre spektroskopier til at beskrive de materialer og teknikker, som kunstnere bruger til at realisere deres mesterværker6,7,8,9. Undersøgelsen af reflektionsspektret udføres normalt ved at sammenligne dataene fra stikprøven med en gruppe referencespektre, som brugeren har udvalgt i personlige eller offentlige databaser. Når referencespektret, der er i overensstemmelse med prøvens realiseringsperiode og kunstnerens modus operandi, er blevet identificeret, genkender brugeren hovedtrækkene i reflektionsspektret (dvs. overgangs-, absorptions- og refleksionsbånd1,2,10,11) og derefter ved hjælp af andre teknikker6,7,8 de skelner mellem de pigmenter, der er blevet brugt i malerierne. Endelig diskuterer de de små forskelle, der er mellem referencerne og det eksperimentelle spektre7,9.

I de fleste tilfælde består de eksperimentelle datasæt af et par spektre, indsamlet fra områder valgt af kunsteksperter og antages at være signifikante for karakteriseringen af maleriet6,12,13. På trods af brugerens færdigheder og erfaring kan et par spektre ikke fuldt ud udtømme egenskaberne for hele den malede overflade. Desuden vil resultatet af analysen altid være stærkt afhængigt af den udøvende kunstners ekspertise. I dette scenario kan Hyperspektral Reflectance Imaging (HRI3,14,15) være en nyttig ressource. I stedet for et par isolerede spektre returnerer de eksperimentelle opsætninger refleksionsegenskaberne for udvidede dele eller endda af hele artefaktet, der undersøges16. De to største fordele i forbindelse med erhvervelsen af det isolerede spektre er indlysende. På den ene side gør tilgængeligheden af den rumlige fordeling af reflektionsegenskaberne det muligt at identificere områder, der skjuler interessante træk, selvom de måske ikke virker ejendommelige17. På den anden side garanterer hypercubes en række spektre, der er høje nok til at muliggøre den statistiske analyse af dataene. Disse kendsgerninger understøtter forståelsen af fordelingen af pigmenter inden for den malede overflade18,19.

Med HRI kan sammenligningen af de eksperimentelle data med referencerne være svær at håndtere15. En typisk detektor returnerer hypercubes på mindst 256 x 256 spektre. Dette ville kræve, at brugeren til at evaluere mere end 65.000 reflektion spektre mod hver reference, en opgave næsten umuligt at blive udført manuelt i en rimelig tid. Derfor er anmodningen om robuste og muligvis automatiserede protokoller til styring og analyse af HRI datasæt mere end berettiget15,17. Den foreslåede metode opfylder dette behov ved at håndtere hele analyseproceduren med minimal inddragelse og maksimal fleksibilitet.

En algoritme, der indeholder et sæt hjemmelavede koder (Tabel over materialer), læser, administrerer og organiserer de filer, der returneres af eksperimentel opsætning. Det gør det muligt at studere det fine udvalg af dele af synsfelterne (FOVs, et synsfelt er det område af maleriet, der overvåges af en enkelt hypercube), og udfører analysen af dataene baseret på SAM-metoden (Spectral Angle Mapper)20,21 og på manipulationen af det oprindelige spektre. SAM returnerer falske gråtonebilleder kaldet lighedskort. Værdierne af disse korts pixels svarer til de spektralvinkler, der er vinklerne mellem det spektre, der er gemt i hypercubes, og de såkaldte slutmedlemmer (EMs, en gruppe referencespektre, der skal beskrive overfladens egenskaber, der overvåges af hypercubes)22. I tilfælde af RS anvendes på malerier, EMs er reflektion spektre af pigmenter, der skal matche paletten af Master. De vælges ud fra de tilgængelige oplysninger om kunstneren, maleriets realiseringsperiode og brugerens ekspertise. Derfor er SAM's output et sæt kort, der beskriver de rumlige fordelinger af disse pigmenter over maleriets overflade, og som understøtter brugeren til at udlede de materialer, der anvendes af kunstneren og deres organisation i artefaktet. Algoritmen giver mulighed for at anvende alle slags referencer uafhængigt af deres oprindelse. Referencerne kan være specifikke spektre udvalgt i hypercubes, kommer fra databaser, erhverves af et andet instrument på en anden overflade (såsom prøver af pigmenter eller paletten af kunstneren, for eksempel), eller fås ved hjælp af nogen form for reflektion spektroskopi, FORS inkluderet.

SAM er blevet foretrukket blandt de tilgængelige klassificeringsmetoder, fordi det har vist sig at være effektivt til at karakterisere pigmenter (se bogen af Richard23 for at få et overblik over de vigtigste tilgængelige klassificeringsmetoder). I stedet bygger tanken om at udvikle en hjemmelavet protokol i stedet for at vedtage et af de mange værktøjer, der er frit tilgængelige på nettet24,25, af praktiske overvejelser. På trods af effektiviteten og det videnskabelige grundlag af de eksisterende GUI'er og software opfylder et enkelt værktøj næppe alle brugerens behov. Der kan være et I/O-problem (Input/Output), fordi et værktøj ikke administrerer den fil, der indeholder de rå data. Der kan være et problem med hensyn til analysen af dataene, fordi et andet værktøj ikke giver den ønskede tilgang. Der kan være en begrænsning i håndteringen af dataene, fordi den samtidige analyse af flere datasæt ikke understøttes. Under alle omstændigheder findes der ikke et perfekt værktøj. Hver metode skal justeres til dataene eller omvendt. Derfor er udviklingen af en hjemmelavet protokol blevet foretrukket.

Den præsenterede tilgang tilbyder hverken et komplet sæt analysemetoder (se til sammenligning det værktøj, der foreslås af Mobaraki og Amigo24) eller en brugervenlig brugergrænseflade (se til sammenligning den software, der anvendes af Zhu og kolleger25), men til gengæld fokuserer den på et stadig undervurderet aspekt af hyperspektral dataanalyse: muligheden for at manipulere det fundne spektre. Metodens kraft illustreres ved at anvende den på maleriet Quarto Stato af Giuseppe Pellizza da Volpedo (Figur 1), en ikonisk olie på lærred afholdt i Museo del Novecento i Milano, Italien. Bemærk, at da tilgangen kræver at køre hjemmelavede koder, valgte udvikleren vilkårligt navnene på koderne og både de input- og outputvariabler, der bruges i beskrivelsen af protokollen. Navnene på variablerne kan ændres af brugeren, men de skal leveres som følger: input og ud variabler skal skrives henholdsvis inden for parenteser og i sidste ende adskilt af komma og inden for kantede parenteser og i sidste ende adskilt af et hvidt rum. Tværtimod kan navnene på koderne ikke ændres.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Indstil hypercubes rumlige opløsning

  1. Udfør en indledende inspektion af den malede overflade (figur 1), der understøttes af kunsteksperter for at identificere maleriets hovedtræk.
    1. Anerkend de billedteknikker, som kunstneren anvender til at skabe maleriet.
    2. Identificer de forskellige penselstrøg af maling på lærredet.
    3. Skøn, kvalitativt, egenskaberne ved penselstrøg med særlig vægt på deres størrelse.
  2. Efterligne billedteknikken, der anvendes af kunstneren ved at skabe ad hoc-testprøver , hvor penselstrøgene viser egenskaber svarende til dem, der anvendes af kunstneren.
    BEMÆRK: Pellizza da Volpedo var en divisionsmaler. En restaurator blev bedt om at forberede nogle testprøver, der kvalitativt gengiver penselstrøgene på lærredet af interesse (Figur 2, kolonne A).
  3. Indstil afstanden mellem den undersøgte overflade og anskaffelsesudstyret.
    BEMÆRK: Afstanden bestemmer hypercubes26'ernes rumlige opløsning26 og dermed muligheden for at skelne penselstrøgene på billederne og SAM-kortene over den malede overflade.
    1. Vurder afstanden mellem prøvens overflade og anskaffelsesudstyret under hensyntagen til hyperspektralkameraets egenskaber26 (materialetabel) og størrelsen af de penselstrøg, der er trukket i prøveprøverne.
    2. Sæt erhvervelse fase og hyperspektral kamera på afstand evalueret i det foregående trin. Arranger prøveprøverne på scenen, og sørg for ensartet belysning af prøvernes overflade.
    3. Udfør en hvid kalibrering ved hjælp af den hvide standardreference, der følger med det hyperspektrale kamera. Hent hypercubes.
      BEMÆRK: For hver FOV returnerer det hyperspektrale kamera både rå og kalibrerede billeder. Sidstnævnte er blevet anvendt til analysen.
    4. Download de filer, der returneres af instrumentet, og gem dem i en dedikeret mappe.
  4. Kontroller, om hypercubes rumlige opløsning kan skelne mellem de forskellige penselstrøg på billederne og SAM-kort over den malede overflade.
    1. Undersøg de RGB-billeder, der returneres af hyperspektralkameraet, for at sikre, at de penselstrøg, der bruges til at realisere testprøverne, kan genkendes (figur 2, kolonne A). Hvis det er tilfældet, skal du gå videre til de næste trin. ellers gå tilbage til trin 1.3.1 og genstarte.
    2. Liste de filer, der indeholder de hyperspektrale data og RGB billeder af FOVs ved at køre data læsning kode, HS_FileLister. Skriv følgende kommandolinje (semikolon inkluderet) i terminalvinduet på det sprog, der bruges til at udvikle koderne (Materialetabel), og tryk på Enter for at køre koden:
      [HS_DataList HS_ImageList] = HS_FileLister;
      1. Ingen input er påkrævet, og der er to udgange: listen over de filer, der indeholder hypercubes, HS_DataList, og listen over de billeder, der returneres af hyperspektrale kamera, HS_ImageList.
        BEMÆRK: Størrelsen af hver hypercube er 512 x 512 x 204 voxels, hvor 204 er antallet af kanaler, der bruges til at overvåge reflektionssignalet. Kanalerne spænder over bølgelængden mellem 400 og 1.000 nm med en spektral opløsning på 7 nm ved FWHM26.
    3. Definer den 3D-del af hypercubes, der skal analyseres ved at køre beskæringskoden , HS_Crop_png. Definer den ønskede del af hver datakube ved at vælge et område over et interaktivt vindue, der viser 2D, RGB-billedet af FOV'en, der overvåges af hver hypercube. Skriv følgende kommandolinje (semikolon inkluderet) i terminalvinduet, og tryk på Enter for at køre koden:
      [HS_ImageList] = HS_Crop_png, stk. HS_ImageList)
      1. Der er et input (listen over de billeder, der returneres af hyperspektralkameraet, HS_ImageList) og et output (inputlisten tilføjet med de rumlige koordinater for til sidst at beskære hypercubes).
    4. Anvend D65-belysningen og 1931-observatøren fra CIE-standarderne (International Commission on Illumination) på hypercubes for at hente RGB-billederne af FOV(erne) fra reflektionsspektret ved at køre rekonstruktionskoden , HS_RGB_rebuild. Skriv følgende kommandolinje (semikolon inkluderet) i terminalvinduet, og tryk på Enter for at køre koden:
      [HS_ImageList] = HS_RGB_rebuild, stk. HS_ImageList, HS_DataList)
      1. Der er to indgange (listen, der indeholder de billeder, der returneres af det hyperspektrale kamera, HS_ImageList, og listen over de filer, der indeholder hypercubes, HS_DataList) og en output (inputlisten, der indeholder de billeder, der returneres af hyperspektrale kamera tilføjet med RGB billeder af overflader af hypercubes hentet fra reflektion spektre).
        BEMÆRK: HS_RGB_Rebuild udnytter de funktioner, der er udviklet af Jeff Mather27 til at anvende D65 illuminant og 1931 observatør fra CIE til data.
    5. Vælg manuelt et referencespektre på prøvningsprøvernes overflader (hvide cirkler og tal i figur 2, kolonne A) ved at køre den isolerede valgkode for målepunkter, PointSel. Vælg målepunkterne ved at klikke på et interaktivt vindue, der en efter en viser 2D-RGB-billederne af FOV(erne). Skriv følgende kommandolinje (semikolon inkluderet) i terminalvinduet, og tryk på Enter for at køre koden:
      [Referencer] = Punktsel(HS_DataList, HS_ImageList);
      1. Der er to indgange (listen, der indeholder de billeder, der returneres af hyperspektralkameraet, HS_ImageList, og listen over de filer, der indeholder hypercubes, HS_DataList) og et output (en variabel, Referencer, der indeholder det spektre, der er valgt som referencer i FOV(erne)).
    6. Hvis det ønskes, skal du gemme placeringen af referencerne over stikprøvernes overflade i et sæt billeder ved at køre den dedikerede kode, SaveImPoint. Skriv følgende kommandolinje (semikolon inkluderet) i terminalvinduet, og tryk på Enter for at køre koden:
      SaveImPoint(referencer, HS_ImageList);
      1. Der er to indgange (variablen, der indeholder referencespektret, Referencer og listen, der indeholder de billeder, der returneres af hyperspektralkameraet, HS_ImageList) og ingen udgange (koden gemmer .png billeder i den aktuelle arbejdsmappe).
    7. Organiser referencerne i en matrix ved at køre konverteringskoden RefListToMatrix. Skriv følgende kommandolinje (semikolon inkluderet) i terminalvinduet, og tryk på Enter for at køre koden:
      [References_Matrix] = RefListToMatrix(Referencer, HS_ImageList, stk. 1). WaveL);
      1. Der er to indgange (variablen, der indeholder referencespektret, Referencer og listen over de bølgelængder, hvor detektoren tæller fotonerne under dataindsamlingen af spektret, HS_ImageList(1). WaveL) og et output (det samme referencespektre organiseret i en matrix, References_Matrix).
        BEMÆRK: Dette trin er obligatorisk, fordi den kode, der evaluerer SAM-kortene, kræver, at referencespektret organiseres i en matrix. Syntaksen for det andet input, HS_ImageList(1). WaveL, er forpligtet til at tilbagekalde variablen WaveL fra listen HS_ImageList. Tallet 1 i parentes refererer til det første element på listen, der er nævnt som HS_ImageList. Men da alle hypercubes har samme bølgelængdeområde, kan det erstattes af hvert antal mindre eller lig med det samlede antal listede billeder.
    8. Uddrag SAM kort ved hjælp af hele spektret ved at køre standard SAM kort evaluering kode, SAM_Standard. Skriv følgende kommandolinje (semikolon inkluderet) i terminalvinduet, og tryk på Enter for at køre koden:
      SAM_Standard, HS_ImageList, HS_DataList, References_Matrix)
      1. Der er tre indgange (listen, der indeholder de billeder, der returneres af det hyperspektrale kamera, HS_ImageList, listen over de filer, der indeholder hypercubes, HS_DataList; og matrixen af referencespektret, References_Matrix) og intet output: Koden gemmer SAM-kortene som .png billeder i den aktuelle arbejdsmappe.
    9. Kontroller, om de opnåede lighedskort (figur 2, kolonne B - E) viser detaljerne i de penselstrøg, der bruges til at realisere testprøverne. Hvis dette er tilfældet, skal du gå videre til næste trin i protokollen. ellers gå tilbage til trin 1.3.1 og genstarte.

2. Juster de eksperimentelle parametre til maleriet

  1. Identificer de områder af interesse, investeringsafkast(er) for det maleri, der skal studeres (røde rektangler i figur 3A).
    BEMÆRK: Det er almindeligt, at mere end én FOV er nødvendig for at dække et enkelt investeringsafkast.
  2. Arranger anskaffelsesopsætningen og malingen på den afstand, der er defineret i de foregående trin, og udfør den hvide kalibrering, der anvender den hvide standardreference, der følger med hyperspektralkameraet.
    BEMÆRK: Hvis brugerne skal gøre en in situ erhvervelse (dvs. de skal studere et maleri udsat i et museum eller på en udstilling), kan de kun styre kameraet. Dette er tilfældet med Quarto Stato, som er permanent eksponeret i et dedikeret rum på Museo del Novecento i Milano, Italien.
  3. Hent hyperspektrale data fra mindst én FOV inden for kanten af hvert eller flere investeringsafkast (uskarnerede områder i de røde rektangler i figur 3A).
  4. Download de filer, der returneres af instrumentet, og gem dem i en dedikeret mappe.
  5. Kontroller, om belysningen af maleriets overflade er indstillet ensartet ved at se på de RGB-billeder, der returneres af det hyperspektrale kamera. Hvis dette er tilfældet, skal du gå til de næste trin, ellers gå tilbage til trin 2.2 og genstarte.
    BEMÆRK: Figur 4 illustrerer vigtigheden af denne kontrol (se diskussionsafsnittet for detaljerne).
  6. Gentag undertrinnene i trin 1.4.
  7. Kontroller, om dataene har en rumlig opløsning, der er høj nok til at skelne penselstrøgene ved at observere RGB-billederne af FOV'erne (figur 3B) og SAM-kortene (figur 3C), der er relateret til det referencespektre, der er valgt i FOV'erne (grønne cirkler i figur 3B).
  8. Hvis belysningen og den rumlige opløsning er korrekt indstillet, skal du udfylde indsamlingen af de data, der erhverver de andre FOV'er, der er nødvendige for at dække investeringsafkastene ellers gå tilbage til trin 2.2 og genstart.
    BEMÆRK: Når et investeringsafkast kræver, at mere end én FOV er dækket, skal du sikre en vis grad af superposition mellem tilstødende FOV'er for nemt at sy de resulterende kort3,15. Omfanget af overlapningen afhænger af afstanden mellem det hyperspektrale kamera og prøven, af oversættelsen og den vandrette synsvinkel på detektoren28. I forbindelse med den eksperimentelle kampagne, der blev gennemført på Quarto Stato, er overlapningen blevet fastsat til at være mindst 40 % af de fov'er.

3. Hypercubes og referencespektrestyring

  1. Udfør I/O af de rå data: organisere, læse og administrere hypercubes.
    1. Kør HS_FileLister-koden for at gemme listen over de filer, der indeholder hypercubes og de relaterede oplysninger, i to variabler, der er til rådighed for algoritmen (se trin 1.4.2 for de praktiske detaljer).
      BEMÆRK: Det hyperspektrale kamera returnerer HDR-filer (højt dynamisk område), som koden formår at udnytte en revideret version af scriptet udviklet af Jarek Tuszinsky29.
    2. Kør HS_Crop_png-koden for at vælge den del af hver FOV, der skal bruges i analysen af dataene (se trin 1.4.3 for de praktiske detaljer).
    3. Kør HS_RGB_Rebuild-koden for at hente RGB-billederne af DEP'erne fra reflektionsspektret (se trin 1.4.4 for de praktiske detaljer).
  2. Organiser, læs (hvis det er nødvendigt) og administrer referencespektret.
    BEMÆRK: Referencespektret vil spille rollen som slutmedlemmer inden for SAM-metoden20,21. Denne del af algoritmen bestemmes ikke univocally, men afhænger af valgtilstanden og af oprindelsen af referencespektret.
    1. Kør PointSel-koden , og klik i det viste interaktive vindue for at identificere referencespektret som isolerede målepunkter over overfladen af det eller de overvågede områder (figur 5A) (se trin 1.4.5 for de praktiske detaljer).
    2. Vælg automatisk referencespektret som et almindeligt reticulum af målepunkter, der er overlejret til overfladen af det eller de overvågede områder, ved at køre retikulær udvælgelseskoden ReticularSel (Figur 5B). Skriv følgende kommandolinje (semikolon inkluderet) i terminalvinduet, og tryk på Enter for at køre koden:
      [Referencer] = ReticularSel(HS_DataList, HS_ImageList, n_pixel);
      1. Der er tre indgange (listen, der indeholder de billeder, der returneres af hyperspektralkameraet, HS_ImageList, listen over de filer, der indeholder hypercubes, HS_DataList; og afstanden mellem reticulum, n_pixel, udtrykt i antal pixels) og et output: en variabel, der indeholder det spektre, der er valgt som referencer i FOV'erne, Referencer.
    3. Kør den eksterne referenceimportørkode , Spectra_Importer, for at oprette en variabel, der indeholder referencer fra datasæt og databaser uafhængigt af de hypercubes, der er erhvervet på Quarto Stato. Skriv følgende kommandolinje (semikolon inkluderet) i terminalvinduet, og tryk på Enter for at køre koden:
      [ExtReferences] = Spectra_Importer(file_extension);
      1. Der er et input (udvidelsen af filen, der indeholder den uafhængige referencespektre, file_extension, skrevet mellem apices) og et output (en variabel, der indeholder de eksterne referencer, ExtReferences).
        BEMÆRK: Den eksterne referenceimportørkode er optimeret til import af tmr-filer, men om nødvendigt kan den let ændres for at håndtere enhver form for tekstfil.
    4. Kør RefListToMatrix-koden for at placere referencerne i en matrix, References_Matrix eller ExtReferences_Matrix, som krævet af den kode, der evaluerer SAM-kortene (se trin 1.4.7 for de praktiske detaljer).
    5. Vent på , at RefListToMatrix-koden udligner både bølgelængdeområdet og den spektrale opløsning (dvs. antallet af komponenter) af hypercubes og referencerne.
      BEMÆRK: Koden identificerer bølgelængde intervaller af både hypercubes og referencer. Koden sammenligner bølgelængde intervaller og afskærer bølgelængde interval (r), der ikke overvåges af både hypercubes og referencer. Koden identificerer gruppen af hypervektorer (hypercubes eller referencer) sammensat af det lavere antal komponenter (dvs. karakteriseret ved den lavere spektrale opløsning) i det udlignede bølgelængdeområde. Koden reducerer antallet af komponenter i de længere hyper-vektorer (referencer eller hypercubes) til de kortere (hypercubes eller referencer). Dette gøres ved at holde, for hver bølgelængde af de kortere hyper-vektorer, kun værdierne af de længere hyper-vektorer, der svarer til den nærmeste bølgelængde til de kortere hyper-vektorer.
      1. Koden udfører automatisk udligningen. Hvis referencerne er valgt inden for hypercubes, behøver bølgelængdeområdet og spektralopløsningen ikke at blive udlignet, og de forbliver uændrede.
    6. Hvis det ønskes, skal du gemme placeringen af referencerne over prøvernes overflade i et sæt billeder ved at køre den dedikerede kode (se trin 1.4.7 for de praktiske detaljer).
      BEMÆRK: Denne indstilling er kun tilgængelig, hvis referencerne er valgt inden for hypercubes (trin 3.2.1 og 3.2.2).

4. SAM analyse

  1. Kør SAM_Complete-koden for at evaluere lighedskortene. Skriv følgende kommandolinje (semikolon inkluderet) i terminalvinduet, og tryk på Enter for at køre koden:
    SAM_Complete, stk. HS_ImageList, HS_DataList, References_Matrix);
    1. Der er tre indgange (listen, der indeholder de billeder, der returneres af det hyperspektrale kamera, HS_ImageList, listen over de filer, der indeholder hypercubes, HS_DataList; og referencematrixen, References_Matrix eller ExtReferences_Matrix) og ingen udgange (koden gemmer SAM-kortene som .png filer i den aktuelle arbejdsmappe).
      BEMÆRK: Bortset fra de tre beskrevne inputvariabler skal SAM_complete-koden fodres med få ekstra parametre for at skræddersy analyseprotokollen i henhold til brugerens præferencer (se de næste trin).
  2. Når det er nødvendigt, skal du fodre koden med forbehandlingsindstillingen ved at skrive tallet 0 eller 1 i dialogboksen afhængigt af den ønskede forbehandling og trykke på Enter for at fortsætte.
    1. Forbehandlingsindstilling indstillet til 0: Det område, der understøttes af hvert reflektionsspektrum, normaliseres til 1.
    2. Forbehandlingsindstilling indstillet til 1: Det område, der understøttes af hvert reflektionsspektrum, normaliseres til 1, og derefter udledes det normaliserede spektrum én gang.
      BEMÆRK: Både hypercubes og referencerne gennemgår den samme forbehandlingsmulighed.
  3. Vælg de slutmedlemmer, der skal bruges til SAM-analysen blandt referencematrixen, ved at give koden tallene på de kolonner, der svarer til det ønskede spektre. Når det er nødvendigt, skal du indtaste rækkefølgen af tal, der svarer til de ønskede kolonner, i dialogboksen ved at skrive de tal, der er adskilt af et blankt mellemrum. Tryk på Enter for at fortsætte.
    BEMÆRK: Sekvensen [1 2 3] svarer til valget af de første tre kolonner i referencematrixen. en tom vektor svarer til markeringen af alle kolonnerne i referencematrixen.
  4. Fodre koden med en streng, der indeholder den første del af navnet, der identificerer de kortsæt, der skal gemmes (dvs. den fælles del af navnet på de .png filer, der returneres af SAM_Complete). Indsæt strengen i dialogboksen, når det er nødvendigt. Tryk på Enter for at fortsætte.
    BEMÆRK: Hvis brugertyperne tester, starter navnet på alle output .png billeder med testen.
  5. Når det er nødvendigt, skal du fodre koden med den metode, der er valgt til at håndtere dataene, ved at skrive tallet 0, 1 eller 2 i dialogboksen afhængigt af den ønskede håndtagsmetode og trykke på Enter for at fortsætte.
    1. Indstil metoden til 0 for ingen manipulation af dataene.
    2. Indstil metoden til 1 for at kræve manuel udvælgelse af det eller de spektre bølgelængdeinterval(er), der skal tages i betragtning, før analysen påbegyndes (figur 6).
    3. Indstil metoden til 2 for at kræve, at algoritmen bestiller dataene på grundlag af et specifikt kriterium før evalueringen af SAM-kortene (figur 7).
  6. Vent på, at protokollen behandler dataene og gemmer SAM-kortene i den aktuelle arbejdsmappe som .png filer.
    BEMÆRK: Hvis håndtagsmetoden er indstillet til 0 eller 2, skal brugeren bare vente. Hvis den er indstillet til 1, skal brugeren vælge den eller de dele af spektret, der skal anvendes til evaluering af SAM-kortene, ved at klikke på et interaktivt vindue (Figur 6).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Den foreslåede protokol indeholder et sæt interessante funktioner til forvaltning og analyse af HRI-data. I/O (trin 3.1) i de rå data er altid det første problem, der skal løses, før der anvendes en analysemetode, og det kan blive et kritisk problem, når der beskæftiger sig med store mængder data. I det foreliggende tilfælde er den eneste opgave med hensyn til de rå data at gemme de eksperimentelle resultater i en dedikeret mappe og vælge det ved at gennemse harddisken, når du kører læsekoden (trin 3.1.1). Derefter gør beskærings- og RGB-genopbygningskoderne det muligt at analysere forfinelsen af udvælgelsen af dataene (trin 3.1.2) og kontrollerer, at forsøgsbetingelserne er blevet korrekt fastsat på tidspunktet for erhvervelsen af hypercubes (trin 3.1.3, se figur 4 og diskussionsafsnittet for yderligere detaljer).

Når det er bekræftet, at datakuberne er korrekt erhvervet, giver algoritmen forskellige muligheder for at vælge slutmedlemmerne til SAM-analysen20,21 (trin 3.2). De to første muligheder (trin 3.2.1 og 3.2.2) henter referencerne blandt hypercubes ved manuelt at vælge nogle isolerede målepunkter (figur 5A) eller ved automatisk at prøve overfladen af maleriet, hvilket giver et retikulært udvalg af målepunkter inden for et eller flere FOV'er (figur 5B). Analysen baseret på isolerede målepunkter er hurtigere end det retikulære, men det indebærer en omhyggelig og muligvis informeret observation af FOV(erne) for at identificere det betydelige spektre. Det betyder god erfaring med pigmenter og malede overflader. Reticular markeringen gør algoritmen tidskrævende og tvinger brugeren til at observere en masse output billeder til at hente en håndfuld nyttige lighed kort. Retikulær udvælgelse giver dog en komplet screening af hypercubes, og for det meste kan det udføres uden erfaring med den eksperimentelle kontekst. I princippet, når prøveudtagningsafstanden, n_pixel, er besluttet, kan brugeren forsømme observationen af FOV (r) med en meget lav sandsynlighed for at miste detaljer.

Ud over udvælgelsen af referencespektret i hypercubes giver algoritmen mulighed for at sammenligne dataene fra den undersøgte prøve med referencer, der tilhører andre kilder (trin 3.2.4). Den eksterne referencespektreimportørkode styrer I/O af referencer, der ikke tilhører maleriets overflade. Matrixkonverterkoden udligner bølgelængdeområdet og spektralopløsningen af både hypercubes og de eksterne referencer (trin 3.2.4). Denne mulighed udvider brugerens egenskaber med hensyn til karakteriseringen af prøven. Faktisk kan brugeren udnytte enhver form for tilgængelig ressource med hensyn til reflektionsdata. Hypercubes kan sammenlignes med offentlige databaser, med brugerens spektrale arkiver, med nye data indsamlet på ad hoc forberedte prøver eller endda på andre genstande (malerier, paletter, nuancer eller hvad som helst), der tilhører forfatteren eller andre kunstnere. Desuden kan de eksterne referencer opnås ved at udnytte enhver form for reflektionsteknikker så meget, at referencerne i figur 6 og figur 7 er erhvervet af et bærbart FORS-miniaturespektrometer (Materialetabel) og ikke af det kamera, der anvendes til HRI-dataene.

Ud over datastyring tilbyder algoritmen også en original tilgang til dataanalysen. Det gør det muligt at manipulere spektret, før sam-kortene evalueres (trin 4.1-4.5). Denne mulighed finder sin begrundelse i valget af SAM-metoden til at undersøge fordelingen af pigmenterne. Faktisk betragter SAM reflektionsspektret, da de ville være vektorer i et flerdimensionelt rum (dvs. hypervektorer med en række komponenter svarende til anskaffelseskanalernes). Hvis hovedformålet med analysen derfor er at sammenligne forskellige, men lignende referencer for at skelne mellem, hvilke der bedst matcher de pigmenter, der anvendes af kunstneren, bør de næsten identiske komponenter i referencespektret (dvs. bølgelængderne, der svarer til næsten identiske værdier i hypervektorerne), ikke være særlig nyttige, og algoritmen gør det muligt at udelukke disse komponenter fra analysen.

Protokollen understøtter to muligheder for at manipulere dataene (trin 4.5): Brugeren kan definere bølgelængdedelen(e) af de reflektionsdata, der skal analyseres manuelt (figur 6) eller automatisk (Figur 7). Det manuelle valg er ligetil. Det forbehandlede referencespektre eller deres første derivater, afhængigt af den valgte forbehandlingsindstilling (trin 4.2), vises i et interaktivt vindue, Figur 6A, og brugeren vælger et eller flere bølgelængdeintervaller, Figur 6B, ved at klikke på grafoverfladen. Den automatiske udvælgelse er baseret på det matematiske kriterium for den maksimale afvigelse, der anvendes på det forarbejdede referencespektre eller deres første derivater, afhængigt af den valgte forbehandlingsindstilling (trin 4.2). Algoritmen beregner variansen (normaliseret og vises som en stiplet linje i figur 7A) i de valgte referencer og forevis alle spektret (både referencer og hypercubes) i overensstemmelse hermed til dette kriterium ( den stiplede linje i figur 7B repræsenterer den normaliserede og bestilte varians). Med andre ord, hvis den maksimale varians svarer til nth bølgelængde, vil indholdet af den nth komponent i hvert forarbejdet spektrum (referencer og hypercubes) blive flyttet til den første position af en omlagt hyper-vektor og så videre (de farvede dele af baggrunden i figur 7A og figur 7B grafisk forklare genarrangementet af data). Praktisk set bestilles komponenterne i det forarbejdede spektre svarende til hovedkomponentanalyse30.

Når spektret er blevet manipuleret, algoritmen evaluerer SAM kort. Efter manuel manipulation (figur 6) returnerer protokollen tre sæt kort: to svarende til grupperne af udvalgte og afviste bølgelængder og et opnået, der anvender hele spektret. Ellers anvender algoritmen efter den automatiske manipulation (figur 7) en flydende tærskel på variansværdierne og evaluerer SAM-kortene ved forhøjelsen af tærsklen for både de omordnede hypervektorkomponenter, der svarer til overtærsklen (dvs. automatisk valgt) og til undertærsklen (dvs. automatisk afviste) værdier af variansen. Disse sæt kort, sammen med det, der opnås fra hele spektret (altid returneret af algoritmen), resulterer i i alt (2N + 1) sæt kort, hvor N er antallet af værdier, der antages af tærsklen. De lighedskort, der er opnået ved forhøjelsen af tærsklen (figur 8), viser, at datamanipulation ikke ændrer indholdet, men snarere giver ny indsigt i detaljerne i det eller de kortlagte områder og derfor kan bidrage til at skelne mellem ligheder og forskelle mellem prøverne og referencerne.

Figure 1
Figur 1: Kvarto Stato. Et billede af maleriet, 1899-1901, 293 x 545 cm, olie på lærred, Giuseppe Pellizza da Volpedo, Museo del Novecento, Milano, Italien. Klik her for at se en større version af dette tal.

Figure 2
Figur 2: Definition af forsøgsbetingelserne. De hvide cirkler og tal identificerer de målepunkter, der svarer til det spektre, der er valgt som referencer. (B) SAM-kortene evalueres med hensyn til referencespektrum nummer 1, (C) nummer 2, (D) nummer 3 og (E) nummer 4. Den grå farvelinje angiver værdiområdet for de spektrale vinkler. Klik her for at se en større version af dette tal.

Figure 3
Figur 3: Anvendelsen af de definerede forsøgsbetingelser på Quarto Stato. (A) De investeringsafkast, der er valgt til forsøgskampagnen (røde rektangler) I hvert rektangel er en FOV af dem, der er nødvendig for at dække investeringsafkast, blevet fremhævet (uskarnerede områder). (B) RGB-billederne af de fire uskarpe områder i panel A. (C) SAM-kortene evalueres med hensyn til et referencespektrum, der er valgt inden for hvert FOV (Grønne cirkler). Den grå farvelinje angiver værdiområdet for de spektrale vinkler. Klik her for at se en større version af dette tal.

Figure 4
Figur 4: Korrekt versus forkert belysning af prøvens overflade. (A) En del af FOV'en, hvor en lille brøkdel af den malede overflade (Rød Cirkel) påvirkes af ændrede reflektionsegenskaber på grund af forkert belysning. (B) Den samme lille brøkdel af maleriet (Blå Cirkel), som det resulterer i, når FOV'en er korrekt oplyst. (C) Målepunktets spektre i midten af cirklerne, når FOV'en er forkert og korrekt oplyst (henholdsvis rød og blå linje ). (D) SAM-kortet over FOV'en, der er opnået ved hjælp af spektret af det ukorrekt belyste målepunkt som reference. (E) SAM-kortet over FOV'en, der er opnået ved hjælp af spektret af det korrekte belyste målepunkt som reference. Den grå farve bar refererer til (D) og (E) og angiver spektrale vinklers værdiområde, der er opnået ved at sammenligne de første derivater af spektret af hypercube af den valgte FOV og det første derivat af målepunktet i midten af de farvede cirkler i (A) og (B). Klik her for at se en større version af dette tal.

Figure 5
Figur 5: Valg af referencer inden for hypercubes. (A) Den isolerede valgmåde for målepunkter; de grønne cirkler angiver placeringen af det referencespektre, der manuelt er valgt på den viste FOV. B) Den nye valgtilstand De grønne cirkler angiver placeringen af det referencespektre, der er valgt ved at anvende et reticulum, hvor prøveudtagningsintervallet (n_pixel) er indstillet til fem pixel til den viste FOV. Det billede, der er rapporteret i både (A) og (B), er den gråtonekonvertering af RGB-billedet af FOV, der er hentet fra reflektionsspektret, der anvender D65-belysningen og 1931-observatøren fra CIE-standarderne til hypercube; Den grå farvelinje refererer til den normaliserede intensitet af dette billede. Klik her for at se en større version af dette tal.

Figure 6
Figur 6: Den manuelle datamanipulationstilstand. (A) Det aspekt af det interaktive vindue, der giver brugeren mulighed for at opdele referencespektret i de valgte og afviste brøkdele af bølgelængder. (B) De samme referencer til (A), hvor de dele af data, der er udvalgt til evaluering af SAM-kortene, er blevet fremhævet med en lyserød baggrund. A) og B) viser referencernes forbehandlede spektre. Klik her for at se en større version af dette tal.

Figure 7
Figur 7: Den automatiske datamanipulationstilstand. (A) De første derivater af de fire normaliserede referencer, der er rapporteret i figur 6 (farvede linjer) og deres normaliserede maksimale varians (Sort stiplet linje). B) De samme derivater af (A) sorteret efter kriteriet om den maksimale afvigelse De sorterede værdier for den normaliserede maksimale afvigelse er også rapporteret (sort stiplet linje). Nogle dele af baggrunden er blevet farvet med forskellige nuancer i forsøget på visuelt at illustrere re-arrangement af hyper-vektorer. Klik her for at se en større version af dette tal.

Figure 8
Figur 8: SAM-kortene, der er opnået ved automatisk datamanipulationstilstand. (A-C) De sorterede værdier af den normaliserede maksimale varians, der vurderes inden for de første derivater i referencespektret i figur 7 Kurvens grønne og røde sektioner angiver henholdsvis den valgte (overtærskelværdier) og den afviste brøkdel af dataene (under tærskelværdier). Panelerne viser, hvad der sker ved forhøjelsen af tærsklen (Black Stiplede segment); hvert panel rapporterer SAM-kortene for begge de værdigrupper, der er opnået for de fire derivater af spektret i figur 7 De grønne kantede kort refererer til overtærskelfraktionerne, mens de røde kantede kort henviser til dem under tærskel. De grå farvelinjer angiver værdiområdet for de spektrale vinkler. I dette eksempel er det trin, der bestemmer forhøjelsen af tærsklen, lig med 0,5 % af den normaliserede maksimale varians. de grænseværdier, der er rapporteret i (C), er 0,09, og det er den sidst overvejede tærskelværdi, fordi en yderligere stigning vil reducere antallet af udvalgte komponenter i hypervektorerne under den vilkårligt fastsatte nedre grænse på 20 værdier, dvs. Klik her for at se en større version af dette tal.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Hyperspektrale reflektionsdatasæt er store reservoirer af information; derfor er udviklingen af robuste og muligvis automatiserede protokoller til analyse af dataene en vigtig drejning for at udnytte deres potentiale15,17. Den foreslåede algoritme opfylder dette behov inden for kulturarv med særlig vægt på karakteriseringen af maleriernes pigmenter. Baseret på SAM20,21 understøtter algoritmen brugeren under hele analyseprocessen fra indstillingen af de eksperimentelle betingelser til evalueringen af fordelingen af pigmenter. Selvom algoritmen stadig ikke har en komplet grafisk grænseflade, og at den ikke giver et værktøj til visning af resultaterne (til dette formål er der brugt en open source-software31, og det anbefales, se Tabel over materialer), det sæt muligheder, der er implementeret for at modulere tilgangen til dataanalysen, afbalancerer i vid udstrækning disse ulemper.

Protokollen indstiller anskaffelsessystemet i overensstemmelse med både prøvens og detektorens egenskaber. På den ene side kræver divisionsteknikken, der anvendes af Pellizza Da Volpedo til at skabe Quarto Stato, at hypercubes skelner mellem små penselstrøg af forskellige pigmenter placeret side om side. På den anden side har hyperspektralkameraet et fokusområde mellem 150 mm og uendeligt med et manuelt justeringssystem, der ved 1 m afstand til målet registrerer et areal på 0,55 x 0,55 m med en rumlig opløsning på 1,07 mm26. Anvendelsen af algoritmen på få hypercubes erhvervet på testprøverne (figur 2) hjælper med at etablere en passende arbejdsafstand til dataindsamlingen. Observationen af målingerne gør det muligt at indstille arbejdsafstanden for forsøgskampagnen til 30 cm, svarende til en opløsning på 0,31 mm ved målet.  Denne arbejdsafstand blev også med held vedtaget under de eksperimentelle sessioner, der blev gennemført på Quarto Stato (figur 3). Når arbejdsafstanden er defineret, forbliver belysningen af prøvens overflade et kritisk problem3,15. Når en del af en FOV viser ujævn (rød cirkel i figur 4A) i stedet for ensartet belysning (blå cirkel i figur 4B), ændres reflektionsegenskaberne dramatisk (figur 4C), og hele proceduren kompromitteres (figur 4D vs. Figur4E). Protokollen forhindrer ujævn belysning (og mere generelt mod genstande i de overvågede områder) under erhvervelsen af dataene (ved at returnere RGB, trin 1.4.1 og SAM-kort, trin 1.4.9, der kan kontrolleres af brugeren) og en efterfølgende ved at udelukke de kompromitterede dele af FOV'erne fra analysen ved hjælp af beskæringskoden (trin 1.4.2 og 3.1.2).

Protokollen giver brugeren mulighed for at vælge referencerne (dvs. de endelige medlemmer, der bruges til evaluering af SAM-kortene) med den maksimale frihed. På den ene side kan EMs vælges inden for hypercubes kanter på to manerer: isoleret valg af målepunkter (figur 5A i trin 1.4.5 og 3.1.2) eller valg af retikulære målepunkter (figur 5B i trin 3.1.3). Den første kan defineres som informeret udvælgelse, fordi det kræver en vis ekspertise i brugeren til manuelt at identificere de væsentlige målepunkter. Sidstnævnte kan defineres som blindvalg, fordi den nye prøveudtagning af fov'erne kun kræver, at værdien af prøveudtagningsintervallet udføres. På den anden side kan EMs hentes uden for det undersøgte maleri (trin 3.1.4). Under den eksperimentelle kampagne, der blev gennemført på Quarto Stato, blev et bærbart miniature FORS-spektrometer (Table of Materials) brugt til at indsamle spektre fra udkast til prøver, der tilhører kunstneren og i øjeblikket opbevares i Studio Museum beliggende i Volpedo (Pellizza da Volpedo Studio Museo, Volpedo (AL), Italien). Disse reflektionsdata er blevet anvendt til evaluering af SAM-kortene, og nogle af dem er rapporteret i figur 6 og figur 7. Da det begrænser betydningen af den absolutte intensitet og af spektrets baseline, er forbehandlingen obligatorisk for både hypercubes og EMs, især hvis de er opnået fra lidt forskellige opsætninger eller operative forhold32.

Den sidste hovedfunktion i protokollen er chancen for at manipulere de eksperimentelle data. Med henblik på manipulation er det hensigten, at identifikationen af de vigtigste komponenter i EMs (dvs. af disse dele af spektret af slutmedlemmerne skal hjælpe med at karakterisere de materialer, der anvendes af kunstneren). Denne opgave kan udføres manuelt (figur 6) eller automatisk (figur 7). I det første tilfælde drager algoritmen fordel af den udøvende kunstners ekspertise, mens det i det andet tilfælde er et statistisk kriterium, der bestemmer de komponenter, der tid for gang vil blive brugt til at evaluere SAM-kortene. I begge tilfælde øger manipulationen antallet af de resulterende lighedskort og udvider dermed evnen til at videregive de oplysninger, der bæres af hypercubes. Især genererer det kriteriebaserede valg et stort antal indsigter i den malede overflade (figur 8).

Individuelt kan de opregnede funktioner fremstå som rene tekniske fordele, men tilsammen indebærer de mindst to hovedpunkter. Algoritmen kan med succes anvendes af enhver form for bruger, og det kan betydeligt udvide scenariet for analysen. Faktisk kan de vigtigste trin i protokollen (dvs. udvælgelsen af referencer og manipulation af dataene) udføres automatisk uden hensyntagen til brugerens færdigheder og erfaring. Med mulighed for at drive analysen med spektre uden for hypercubes, alle reflektionsdata i bortskaffelsen af forskerne kan udnyttes til karakterisering af prøven under undersøgelsen.

Sammenfattende kan protokollen være et ekstremt fleksibelt værktøj. Med nogle forbedringer med hensyn til den grafiske grænseflade og antallet af understøttede analysemetoder kan det være et skridt ud over det nyeste inden for håndtering og analyse af data fra malede overflader ved hjælp af hyperspektral reflektionsbilleddannelse.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne har intet at afsløre.

Acknowledgments

Denne forskning blev finansieret af Regione Lombardia inden for rammerne af projektet MOBARTECH: una piattaforma mobile tecnologica, interattiva e partecipata per lo studio, la conservazione e la valorizzazione di beni storico-artistici - Call Accordi per la Ricerca e l'Innovazione.

Forfatterne er taknemmelige for personalet på Museo del Novecento for støtten under in situ eksperimentelle sessioner og til Associazione Pellizza da Volpedo for adgang til Studio Museo.

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

DOWNLOAD MATERIALS LIST

References

  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).

Tags

Kemi udgave 172 Hyperspektral Reflektions imaging reflektionsspektroskopi fiberoptik reflektionsspektroskopi Spektral vinkel mapper datamanipulation tilpasset justerbar analyse malerier pigmenter
Anvendelse hyperspektral reflektion imaging til at undersøge paletter og teknikker malere
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Caccia, M., Caglio, S., Galli, A.,… More

Caccia, M., Caglio, S., Galli, A., Interlenghi, M., Castiglioni, I., Martini, M. Applying Hyperspectral Reflectance Imaging to Investigate the Palettes and the Techniques of Painters. J. Vis. Exp. (172), e62202, doi:10.3791/62202 (2021).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter