Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de método

Aplicación de imágenes de reflectancia hiperespectral para investigar las paletas y las técnicas de los pintores

2.2K visualizaciones

⸱

DOI:

10.3791/62202

⸱

18 de junio de 2021

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

En este artículo

Resumen

Los hipercubos de imágenes de reflectancia hiperespectral incluyen información notable en una gran cantidad de datos. Por lo tanto, la solicitud de protocolos automatizados para administrar y estudiar los conjuntos de datos está ampliamente justificada. La combinación de Spectral Angle Mapper, manipulación de datos y un método de análisis ajustable por el usuario constituye un giro clave para explorar los resultados experimentales.

Resumen

La espectroscopia de reflectancia (RS) y la espectroscopia de reflectancia de fibra óptica (FORS) son técnicas bien establecidas para la investigación de obras de arte con especial atención a las pinturas. La mayoría de los museos modernos ponen a disposición de sus grupos de investigación equipos portátiles que, junto con la no invasividad intrínseca de RS y FORS, hace posible la colección in situ de espectros de reflectancia de la superficie de los artefactos. La comparación, realizada por expertos en pigmentos y materiales de pintura, de los datos experimentales con bases de datos de espectros de referencia impulsa la caracterización de las paletas y de las técnicas utilizadas por los artistas. Sin embargo, este enfoque requiere habilidades específicas y lleva mucho tiempo, especialmente si el número de espectros a investigar se vuelve grande, como es el caso de los conjuntos de datos de imágenes de reflectancia hiperespectral (HRI). Las configuraciones experimentales HRI son cámaras multidimensionales que asocian la información espectral, dada por los espectros de reflectancia, con la localización espacial de los espectros sobre la superficie pintada. Los conjuntos de datos resultantes son cubos 3D (llamados hipercubos o cubos de datos) donde las dos primeras dimensiones ubican el espectro sobre la pintura y la tercera es el espectro en sí (es decir, la reflectancia de ese punto de la superficie pintada frente a la longitud de onda en el rango operativo del detector). La capacidad del detector para recopilar simultáneamente un gran número de espectros (típicamente mucho más de 10,000 por cada hipercubo) hace que los conjuntos de datos HRI sean grandes reservas de información y justifica la necesidad de desarrollar protocolos robustos y, posiblemente, automatizados para analizar los datos. Después de la descripción del procedimiento diseñado para la adquisición de datos, presentamos un método de análisis que explota sistemáticamente el potencial de los hipercubos. Basado en Spectral Angle Mapper (SAM) y en la manipulación de los espectros recolectados, el algoritmo maneja y analiza miles de espectros mientras que al mismo tiempo ayuda al usuario a revelar las características de las muestras bajo investigación. El poder del enfoque se ilustra aplicándolo a Quarto Stato, la obra maestra icónica de Giuseppe Pellizza da Volpedo, celebrada en el Museo del Novecento de Milán (Italia).

Introducción

La espectroscopia de reflectancia (RS) y la espectroscopia de reflectancia de fibra óptica (FORS) se basan en la detección de la luz reflejada por superficies una vez iluminadas por una fuente de luz, típicamente una lámpara halógena de tungsteno. La salida del sistema de adquisición está constituida por espectros donde la reflectancia se monitoriza en función de la longitud de onda en un rango que depende de las características de la configuración experimental empleada1,2,3. Introducidos durante las últimas cuatro décadas4,5, RS y FORS se utilizan típicamente en combinación con fluorescencia de rayos X y otras espectroscopias para describir los materiales y las técnicas utilizadas por los artistas para realizar sus obras maestras6,7,8,9. El estudio de los espectros de reflectancia se realiza generalmente comparando los datos de la muestra con un grupo de espectros de referencia seleccionados por el usuario en bases de datos personales o públicas. Una vez identificados los espectros de referencia que cumplen con el período de realización de la muestra y con el modus operandi del artista, el usuario reconoce las principales características de los espectros de reflectancia (es decir, bandas de transición, absorción y reflexión1,2,10,11) y luego, con la ayuda de otras técnicas6,7,8 distinguen los pigmentos que se han utilizado en las pinturas. Finalmente discuten las ligeras diferencias que existen entre las referencias y los espectros experimentales7,9.

En la mayoría de los casos, los conjuntos de datos experimentales se componen de unos pocos espectros, recogidos de áreas elegidas por expertos en arte y asumidas como significativas para la caracterización de la pintura6,12,13. A pesar de las habilidades y la experiencia del usuario, algunos espectros no pueden agotar completamente las características de toda la superficie pintada. Además, el resultado del análisis siempre dependerá en gran medida de la experiencia del ejecutante. En este escenario, las imágenes de reflectancia hiperespectral (HRI3,14,15) podrían ser un recurso útil. En lugar de unos pocos espectros aislados, las configuraciones experimentales devuelven las propiedades de reflectancia de porciones extendidas o incluso de todo el artefacto bajo investigación16. Las dos principales ventajas con respecto a la adquisición de los espectros aislados son evidentes. Por un lado, la disponibilidad de la distribución espacial de las propiedades de reflectancia permite la identificación de áreas que esconden características interesantes, aunque no parezcan peculiares17. Por otro lado, los hipercubos garantizan un número de espectros lo suficientemente alto como para permitir el análisis estadístico de los datos. Estos hechos apoyan la comprensión de la distribución de pigmentos dentro de la superficie pintada18,19.

Con HRI, la comparación de los datos experimentales con las referencias podría ser difícil de manejar15. Un detector típico devuelve hipercubos de al menos 256 x 256 espectros. Esto requeriría que el usuario evaluara más de 65.000 espectros de reflectancia contra cada referencia, una tarea casi imposible de realizar manualmente en un tiempo razonable. Por lo tanto, la solicitud de protocolos robustos y, posiblemente, automatizados para gestionar y analizar conjuntos de datos de HRI está más que justificada15,17. El método propuesto responde a esta necesidad manejando todo el procedimiento analítico con la mínima participación y la máxima flexibilidad.

Un algoritmo que comprende un conjunto de códigos caseros (Tabla de materiales) lee, administra y organiza los archivos devueltos por la configuración experimental. Permite estudiar la selección fina de las porciones de los Campos de Visión (FOVs, un campo de visión es el área de la pintura monitoreada por un solo hipercubo) y realiza el análisis de los datos basado en el método Spectral Angle Mapper (SAM)20,21 y en la manipulación de los espectros originales. SAM devuelve imágenes en escala de grises en color falso denominadas mapas de similitud. Los valores de los píxeles de estos mapas corresponden a los ángulos espectrales que son los ángulos entre los espectros almacenados en los hipercubos y los llamados Miembros Finales (EMs, un grupo de espectros de referencia que deben describir las características de la superficie monitoreada por los hipercubos)22. En el caso de rs aplicados a pinturas, los EM son los espectros de reflectancia de pigmentos que deben coincidir con la paleta del Maestro. Se eligen en función de la información disponible sobre el artista, el período de realización de la pintura y la experiencia del usuario. Por lo tanto, la salida del SAM es un conjunto de mapas que describe las distribuciones espaciales de estos pigmentos sobre la superficie de la pintura y que ayuda al usuario a inferir los materiales utilizados por el artista y su organización en el artefacto. El algoritmo ofrece la posibilidad de emplear todo tipo de referencias independientemente de su origen. Las referencias pueden ser espectros específicos seleccionados dentro de los hipercubos, provenir de bases de datos, ser adquiridos por un instrumento diferente en una superficie diferente (como muestras de pigmentos o la paleta del artista, por ejemplo), u obtenerse empleando cualquier tipo de espectroscopia de reflectancia, FORS incluido.

SAM ha sido preferido entre los métodos de clasificación disponibles porque se ha demostrado que es eficaz para caracterizar pigmentos (consulte el libro de Richard23 para tener una visión general de los principales métodos de clasificación disponibles). En cambio, la idea de desarrollar un protocolo casero en lugar de adoptar una de las muchas herramientas disponibles gratuitamente en la red24,25 se basa en una consideración práctica. A pesar de la efectividad y la base científica de las GUI y el software existentes, una sola herramienta apenas satisface todas las necesidades del usuario. Podría haber un problema de entrada/salida (E/S) porque una herramienta no administra el archivo que contiene los datos sin procesar. Podría haber un problema con respecto al análisis de los datos porque otra herramienta no proporciona el enfoque deseado. Podría haber una limitación en el manejo de los datos porque no se admite el análisis simultáneo de múltiples conjuntos de datos. En cualquier caso, no existe una herramienta perfecta. Cada método debe ajustarse a los datos o viceversa. Por lo tanto, se ha preferido el desarrollo de un protocolo casero.

El enfoque presentado no ofrece ni un conjunto completo de métodos analíticos (véase, para la comparación, la herramienta propuesta por Mobaraki y Amigo24) ni una interfaz de usuario fácil de administrar (véase, para la comparación, el software empleado por Zhu y sus compañeros de trabajo25), pero, a cambio, se centra en un aspecto aún subestimado del análisis de datos hiperespectrales: la oportunidad de manipular los espectros detectados. El poder del enfoque se ilustra aplicándolo a la pintura Quarto Stato de Giuseppe Pellizza da Volpedo (Figura 1), un icónico óleo sobre lienzo que se encuentra en el Museo del Novecento en Milán, Italia. Tenga en cuenta que, dado que el enfoque requiere ejecutar códigos caseros, el desarrollador eligió arbitrariamente los nombres de los códigos y las variables de entrada y salida utilizadas en la descripción del protocolo. Los nombres de las variables pueden ser cambiados por el usuario, pero deben proporcionarse de la siguiente manera: las variables de entrada y salida deben escribirse respectivamente entre corchetes y, finalmente, separarse por comas y entre corchetes y, finalmente, separarse por un espacio en blanco. Por el contrario, los nombres de los códigos no pueden ser alterados.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

1. Establecer la resolución espacial de los hipercubos

  1. Realizar una inspección preliminar de la superficie pintada (Figura 1) apoyada por expertos en arte para identificar las principales características de la pintura.
    1. Reconocer las técnicas pictóricas empleadas por el artista para crear la pintura.
    2. Identifique las diferentes pinceladas de pintura en el lienzo.
    3. Estimar, cualitativamente, las características de las pinceladas con especial atención a su tamaño.
  2. Imitar la técnica pictórica utilizada por el artista mediante la creación de muestras de prueba ad-hoc donde las pinceladas muestran características similares a las aplicadas por el artista.
    NOTA: Pellizza da Volpedo fue un pintor divisionista. Se pidió a un restaurador que preparara algunas muestras de prueba que reprodujeran cualitativamente las pinceladas del lienzo de interés (Figura 2, columna A).
  3. Establezca la distancia entre la superficie bajo investigación y el equipo de adquisición.
    NOTA: La distancia determina la resolución espacial de los hipercubos26 y por lo tanto la posibilidad de distinguir las pinceladas en las imágenes y mapas SAM de la superficie pintada.
    1. Evaluar la distancia entre la superficie de la muestra y el equipo de adquisición teniendo en cuenta las características de la cámara hiperespectral26 (Tabla de Materiales) y el tamaño de las pinceladas extraídas en las muestras de prueba.
    2. Coloque la etapa de adquisición y la cámara hiperespectral a la distancia evaluada en el paso anterior. Organice las muestras de prueba en el escenario y garantice una iluminación uniforme de la superficie de las muestras.
    3. Realice una calibración en blanco utilizando la referencia estándar blanca suministrada con la cámara hiperespectral. Adquirir los hipercubos.
      NOTA: Para cada FOV, la cámara hiperespectral devuelve imágenes en bruto y calibradas. Estos últimos se han utilizado para el análisis.
    4. Descargue los archivos devueltos por el instrumento y guárdelos en una carpeta dedicada.
  4. Compruebe si la resolución espacial de los hipercubos puede distinguir las diferentes pinceladas en las imágenes y los mapas SAM de la superficie pintada.
    1. Inspeccione las imágenes RGB devueltas por la cámara hiperespectral para asegurarse de que se puedan reconocer las pinceladas utilizadas para realizar las muestras de prueba (Figura 2, columna A). Si es así, pase a los siguientes pasos; de lo contrario, vuelva al paso 1.3.1 y reinicie.
    2. Enumere los archivos que contienen los datos hiperespectrales y las imágenes RGB de los FOV ejecutando el código de lectura de datos HS_FileLister. Escriba la siguiente línea de comandos (punto y coma incluido) en la ventana del terminal del lenguaje utilizado para desarrollar los códigos (Tabla de materiales) y presione Entrar para ejecutar el código:
      [HS_DataList HS_ImageList] = HS_FileLister;
      1. No se requiere entrada y hay dos salidas: la lista de los archivos que contienen los hipercubos, HS_DataList y la lista de las imágenes devueltas por la cámara hiperespectral, HS_ImageList.
        NOTA: El tamaño de cada hipercubo es de 512 x 512 x 204 vóxeles donde 204 es el número de canales utilizados para monitorear la señal de reflectancia. Los canales abarcan el rango de longitud de onda entre 400 y 1.000 nm con una resolución espectral de 7 nm en FWHM26.
    3. Defina la parte 3D de los hipercubos que deben analizarse ejecutando el código de recorte , HS_Crop_png. Defina la parte deseada de cada cubo de datos seleccionando un área sobre una ventana interactiva que muestre la imagen 2D RGB del FOV monitoreado por cada hipercubo. Escriba la siguiente línea de comandos (punto y coma incluido) en la ventana del terminal y presione Entrar para ejecutar el código:
      [HS_ImageList] = HS_Crop_png(HS_ImageList);
      1. Hay una entrada (la lista de las imágenes devueltas por la cámara hiperespectral, HS_ImageList) y una salida (la lista de entrada agregada con las coordenadas espaciales para eventualmente recortar los hipercubos).
    4. Aplique el iluminador D65 y el observador de 1931 de los estándares CIE (Comisión Internacional de Iluminación) a los hipercubos para recuperar las imágenes RGB de los FOV (s) de los espectros de reflectancia ejecutando el código de reconstrucción, HS_RGB_rebuild. Escriba la siguiente línea de comandos (punto y coma incluido) en la ventana del terminal y presione Entrar para ejecutar el código:
      [HS_ImageList] = HS_RGB_rebuild(HS_ImageList, HS_DataList);
      1. Hay dos entradas (la lista que contiene las imágenes devueltas por la cámara hiperespectral, HS_ImageList, y la lista de los archivos que contienen los hipercubos, HS_DataList) y una salida (la lista de entrada que contiene las imágenes devueltas por la cámara hiperespectral agregadas con las imágenes RGB de las superficies de los hipercubos recuperados de los espectros de reflectancia).
        NOTA: HS_RGB_Rebuild explota las funciones desarrolladas por Jeff Mather27 para aplicar el iluminador D65 y el observador de 1931 de CIE a los datos.
    5. Seleccione manualmente algunos espectros de referencia en las superficies de las muestras de prueba (círculos blancos y números en la figura 2, columna A) ejecutando el código de selección de puntos de medición aislados, PointSel. Seleccione los puntos de medición haciendo clic en una ventana interactiva que muestra, una por una, las imágenes 2D RGB de los FOV. Escriba la siguiente línea de comandos (punto y coma incluido) en la ventana del terminal y presione Entrar para ejecutar el código:
      [Referencias] = PointSel(HS_DataList, HS_ImageList);
      1. Hay dos entradas (la lista que contiene las imágenes devueltas por la cámara hiperespectral, HS_ImageList, y la lista de los archivos que contienen los hipercubos, HS_DataList) y una salida (una variable, Referencias, que contiene los espectros seleccionados como referencias dentro de los FOV).
    6. Si lo desea, almacene la posición de las referencias sobre la superficie de los ejemplos en un conjunto de imágenes ejecutando el código dedicado, SaveImPoint. Escriba la siguiente línea de comandos (punto y coma incluido) en la ventana del terminal y presione Entrar para ejecutar el código:
      SaveImPoint(Referencias, HS_ImageList);
      1. Hay dos entradas (la variable que contiene los espectros de referencia, Referencias y la lista que contiene las imágenes devueltas por la cámara hiperespectral, HS_ImageList) y ninguna salida (el código guarda .png imágenes en la carpeta de trabajo actual).
    7. Organice las referencias en una matriz ejecutando el código de conversión, RefListToMatrix. Escriba la siguiente línea de comandos (punto y coma incluido) en la ventana del terminal y presione Entrar para ejecutar el código:
      [References_Matrix] = RefListToMatrix(Referencias, HS_ImageList(1). WaveL);
      1. Hay dos entradas (la variable que contiene los espectros de referencia, Referencias y la lista de las longitudes de onda en las que el detector cuenta los fotones durante la adquisición de datos de los espectros, HS_ImageList(1). WaveL) y una salida (los mismos espectros de referencia organizados en una matriz, References_Matrix).
        NOTA: Este paso es obligatorio porque el código que evalúa los mapas SAM requiere que los espectros de referencia se organicen en una matriz. La sintaxis de la segunda entrada, HS_ImageList(1). WaveL, es necesario para recuperar la variable WaveL de la lista HS_ImageList. El número 1 entre paréntesis se refiere al primer elemento de la lista nombrado como HS_ImageList; sin embargo, dado que todos los hipercubos tienen el mismo rango de longitud de onda, se puede sustituir por cada número menor o igual al número total de imágenes enumeradas.
    8. Extraiga los mapas SAM utilizando todos los espectros ejecutando el código de evaluación de mapas SAM estándar , SAM_Standard. Escriba la siguiente línea de comandos (punto y coma incluido) en la ventana del terminal y presione Entrar para ejecutar el código:
      SAM_Standard (HS_ImageList, HS_DataList, References_Matrix);
      1. Hay tres entradas (la lista que contiene las imágenes devueltas por la cámara hiperespectral, HS_ImageList; la lista de los archivos que contienen los hipercubos, HS_DataList; y la matriz de los espectros de referencia, References_Matrix) y ninguna salida: el código guarda los mapas SAM como .png imágenes en la carpeta de trabajo actual.
    9. Compruebe si los mapas de similitud obtenidos (Figura 2, columnas B - E) muestran los detalles de las pinceladas utilizadas para realizar las muestras de prueba. Si este es el caso, pase al siguiente paso del protocolo; de lo contrario, vuelva al paso 1.3.1 y reinicie.

2. Ajustar los parámetros experimentales a la pintura

  1. Identificar la(s) Región(es) de Interés, ROI(s), de la pintura a estudiar (rectángulos rojos en la Figura 3A).
    NOTA: Es común que se necesite más de un FOV para cubrir un solo ROI.
  2. Organice la configuración de adquisición y la pintura a la distancia definida en los pasos anteriores y realice la calibración en blanco empleando la referencia estándar blanca suministrada con la cámara hiperespectral.
    NOTA: Si los usuarios deben hacer una adquisición in situ (es decir, deben estudiar una pintura expuesta en un museo o en una exposición), solo pueden administrar la cámara. Es el caso de Quarto Stato, que se expone permanentemente en un espacio dedicado al Museo del Novecento de Milán, Italia.
  3. Adquiera los datos hiperespectrales de al menos un FOV dentro del borde de cada ROI (s) (áreas sin sombra dentro de los rectángulos rojos en la Figura 3A).
  4. Descargue los archivos devueltos por el instrumento y guárdelos en una carpeta dedicada.
  5. Compruebe si la iluminación de la superficie de la pintura se ha establecido de manera uniforme mirando las imágenes RGB devueltas por la cámara hiperespectral. Si este es el caso, vaya a los siguientes pasos, de lo contrario, vuelva al paso 2.2 y reinicie.
    NOTA: La figura 4 ilustra la importancia de esta comprobación (consulte la sección Discusión para obtener más detalles).
  6. Repita los subpasos del paso 1.4.
  7. Compruebe si los datos tienen una resolución espacial lo suficientemente alta como para distinguir las pinceladas observando las imágenes RGB de los FOV (Figura 3B) y los mapas SAM (Figura 3C) relacionados con los espectros de referencia seleccionados dentro de los FOV (círculos verdes en la Figura 3B).
  8. Si la iluminación y la resolución espacial se han establecido correctamente, complete la recopilación de los datos adquiriendo los otros FOV necesarios para cubrir el ROI (s); de lo contrario, vuelva al paso 2.2 y reinicie.
    NOTA: Cuando un ROI requiera que se cubra más de un FOV, asegure un cierto grado de superposición entre los FOV adyacentes para unir fácilmente los mapas resultantes3,15. La extensión de la superposición depende de la distancia entre la cámara hiperespectral y la muestra, de la traslación y del ángulo de visión horizontal del detector28. En el caso de la campaña experimental conducida en Quarto Stato, la superposición se ha establecido en al menos el 40% de los FOV.

3. Hipercubos y la gestión de espectros de referencia

  1. Realice la E/S de los datos sin procesar: organice, lea y administre los hipercubos.
    1. Ejecute el código HS_FileLister para almacenar la lista de los archivos que contienen los hipercubos y la información relacionada en dos variables a disposición del algoritmo (consulte el paso 1.4.2 para obtener los detalles prácticos).
      NOTA: La cámara hiperespectral devuelve archivos hdr (alto rango dinámico) que el código administra explotando una versión revisada del script desarrollado por Jarek Tuszinsky29.
    2. Ejecute el código HS_Crop_png para seleccionar la parte de cada FOV que se utilizará en el análisis de los datos (consulte el paso 1.4.3 para obtener los detalles prácticos).
    3. Ejecute el código HS_RGB_Rebuild para recuperar las imágenes RGB de los FOV de los espectros de reflectancia (consulte el paso 1.4.4 para obtener los detalles prácticos).
  2. Organice, lea (si es necesario) y administre los espectros de referencia.
    NOTA: Los espectros de referencia desempeñarán el papel de los miembros finales dentro del método SAM20,21. Esta parte del algoritmo no está determinada unívocamente, sino que depende del modo de selección y del origen de los espectros de referencia.
    1. Ejecute el código PointSel y haga clic en la ventana interactiva que se muestra para identificar los espectros de referencia como puntos de medición aislados sobre la superficie de los áreas monitoreadas (Figura 5A) (consulte el paso 1.4.5 para obtener los detalles prácticos).
    2. Seleccione automáticamente los espectros de referencia como un retículo regular de puntos de medición superpuestos a la superficie de las áreas monitoreadas ejecutando el código de selección reticular, ReticularSel (Figura 5B). Escriba la siguiente línea de comandos (punto y coma incluido) en la ventana del terminal y presione Entrar para ejecutar el código:
      [Referencias] = ReticularSel(HS_DataList, HS_ImageList, n_pixel);
      1. Hay tres entradas (la lista que contiene las imágenes devueltas por la cámara hiperespectral, HS_ImageList; la lista de los archivos que contienen los hipercubos, HS_DataList; y el espaciado del retículo, n_pixel, expresado en número de píxeles) y una salida: una variable que contiene los espectros seleccionados como referencias dentro de los FOV, Referencias.
    3. Ejecute el código del importador de referencias externas, Spectra_Importer, para crear una variable que contenga referencias de conjuntos de datos y bases de datos independientes de los hipercubos adquiridos en Quarto Stato. Escriba la siguiente línea de comandos (punto y coma incluido) en la ventana del terminal y presione Entrar para ejecutar el código:
      [ExtReferences] = Spectra_Importer(file_extension);
      1. Hay una entrada (la extensión del archivo que contiene los espectros de referencia independientes, file_extension, escrito entre ápices) y una salida (una variable que contiene las referencias externas, ExtReferences).
        NOTA: El código del importador de referencia externo se ha optimizado para importar archivos tmr pero, si es necesario, se puede modificar fácilmente para tratar con cualquier tipo de archivo de texto.
    4. Ejecute el código RefListToMatrix para colocar las referencias en una matriz, References_Matrix o ExtReferences_Matrix, según lo requiera el código que evalúa los mapas SAM (consulte el paso 1.4.7 para obtener los detalles prácticos).
    5. Espere a que el código RefListToMatrix iguale tanto el rango de longitud de onda como la resolución espectral (es decir, el número de componentes) de los hipercubos y las referencias.
      NOTA: El código identifica los rangos de longitud de onda tanto de los hipercubos como de las referencias. El código compara los rangos de longitud de onda y corta los intervalos de longitud de onda que no son monitoreados tanto por los hipercubos como por las referencias. El código identifica el grupo de hipervectores (los hipercubos o las referencias) constituido por el menor número de componentes (es decir, caracterizado por la menor resolución espectral) en el rango de longitud de onda ecualizada. El código reduce el número de componentes de los hipervectores más largos (las referencias o los hipercubos) al de los más cortos (los hipercubos o las referencias). Esto se hace manteniendo, para cada longitud de onda de los hipervectores más cortos, solo los valores de los hipervectores más largos que corresponden a la longitud de onda más cercana a la de los hipervectores más cortos.
      1. El código realiza automáticamente la ecualización. Si las referencias se han seleccionado dentro de los hipercubos, el rango de longitud de onda y la resolución espectral no necesitan ser igualados y permanecen sin cambios.
    6. Si lo desea, almacene la posición de las referencias sobre la superficie de las muestras en un conjunto de imágenes ejecutando el código dedicado (consulte el paso 1.4.7 para obtener los detalles prácticos).
      NOTA: Esta opción sólo está disponible si las referencias se han seleccionado dentro de los hipercubos (pasos 3.2.1 y 3.2.2).

4. Análisis SAM

  1. Ejecute el código SAM_Complete para evaluar los mapas de similitud. Escriba la siguiente línea de comandos (punto y coma incluido) en la ventana del terminal y presione Entrar para ejecutar el código:
    SAM_Complete (HS_ImageList, HS_DataList, References_Matrix);
    1. Hay tres entradas (la lista que contiene las imágenes devueltas por la cámara hiperespectral, HS_ImageList; la lista de los archivos que contienen los hipercubos, HS_DataList; y la matriz de referencia, References_Matrix o ExtReferences_Matrix) y ninguna salida (el código guarda los mapas SAM como archivos .png en la carpeta de trabajo actual).
      NOTA: Aparte de las tres variables de entrada descritas, el código SAM_complete debe alimentarse con pocos parámetros adicionales para adaptar el protocolo de análisis de acuerdo con las preferencias del usuario (consulte los siguientes pasos).
  2. Cuando sea necesario, alimente el código con la opción de preprocesamiento escribiendo el número 0 o 1 en el cuadro de diálogo dependiendo de la operación de preprocesamiento deseada y presione Entrar para continuar.
    1. Opción de preprocesamiento establecida en 0: el área subtendida por cada espectro de reflectancia se normaliza a 1.
    2. La opción de preprocesamiento se establece en 1: el área subtendida por cada espectro de reflectancia se normaliza a 1 y luego el espectro normalizado se deriva una vez.
      NOTA: Tanto los hipercubos como las referencias se someten a la misma opción de preprocesamiento.
  3. Seleccione los miembros finales que se utilizarán para el análisis SAM entre la matriz de referencia alimentando el código con los números de las columnas que corresponden a los espectros deseados. Cuando sea necesario, introduzca en el cuadro de diálogo la secuencia de números correspondientes a las columnas deseadas escribiendo los números separados por un espacio en blanco. Pulse Intro para continuar.
    NOTA: La secuencia [1 2 3] corresponde a la selección de las tres primeras columnas de la matriz de referencia; un vector vacío corresponde a la selección de todas las columnas de la matriz de referencia.
  4. Alimente el código con una cadena que contenga la primera parte del nombre que identificará los conjuntos de mapas que se guardarán (es decir, la parte común del nombre de los archivos .png devueltos por SAM_Complete). Cuando sea necesario, inserte la cadena en el cuadro de diálogo. Pulse Intro para continuar.
    NOTA: Si el usuario escribe prueba, el nombre de todas las imágenes de .png de salida comenzará con prueba.
  5. Cuando sea necesario, alimente el código con el método seleccionado para manejar los datos escribiendo el número 0, 1 o 2 en el cuadro de diálogo dependiendo del método de controlador deseado y presione Entrar para continuar.
    1. Establezca el método en 0 para que no se manipulen los datos.
    2. Establezca el método en 1 para requerir la selección manual de los rangos de longitud de onda de los espectros que se considerarán antes de comenzar el análisis (Figura 6).
    3. Establezca el método en 2 para requerir que el algoritmo ordene los datos sobre la base de un criterio específico antes de la evaluación de los mapas SAM (Figura 7).
  6. Espere a que el protocolo procese los datos y guarde los mapas SAM en la carpeta de trabajo actual como archivos .png.
    NOTA: Si el método handle se ha establecido en 0 o 2, el usuario debe esperar. Si se ha establecido en 1, el usuario debe seleccionar la(s) porción(es) de los espectros que se emplearán para evaluar los mapas SAM haciendo clic en una ventana interactiva (Figura 6).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

El protocolo propuesto ofrece un conjunto de características interesantes para la gestión y el análisis de los datos de HRI. La E/S (paso 3.1) de los datos sin procesar es siempre el primer problema que debe resolverse antes de aplicar cualquier método de análisis y puede convertirse en un problema crítico cuando se trata de grandes cantidades de datos. En el presente caso, la única tarea con respecto a los datos sin procesar es almacenar los resultados experimentales en una carpeta dedicada y seleccionarlos navegando po...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Los conjuntos de datos de imágenes de reflectancia hiperespectral son grandes depósitos de información; por lo tanto, el desarrollo de protocolos robustos y, posiblemente, automatizados para analizar los datos es un giro clave para explotar su potencial15,17. El algoritmo propuesto responde a esta necesidad en el campo del patrimonio cultural con especial atención a la caracterización de los pigmentos de las pinturas. Basado en SAM20,21

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no tienen nada que revelar.

Agradecimientos

Esta investigación fue financiada por regione Lombardia en el marco del proyecto 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.

Los autores agradecen al personal del Museo del Novecento el apoyo durante las sesiones experimentales in situ y a la Associazione Pellizza da Volpedo el acceso al Studio Museo.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
ImageJ/FijiSpecim (Oulo, Finlad)N/ACámara hiperespectral de reflectancia portátil utilizada para adquirir los hipercubos
MATLAB 2019bStellarNet Inc (Tampa, Florida, EE. UU.)N/AEspectrómetro de reflectancia portátil utilizado para adquirir espectros de reflectancia independientes
Cámara hiperespectral Specim IQ Institutos Nacionalesde Salud (Bethesda, Maryland, EE. UU.)/A  Programa de procesamiento de imágenes Java de código abierto
StellarNet BLUE-wave Miniature Spectrometer  MathWorks (Natick, Massachusset, EE. UU.)N/ALenguaje de programa y entorno de computación numérica
N

Referencias

  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).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Etiquetas

Espectroscopia de reflectanciareflectancia por fibra ópticatécnicas de pinturaanálisis de pigmentosmapeador de ángulo espectralcaracterización de la paletaanálisis de las pinceladasimagen no invasivaconservación del arte
Aplicación de imágenes de reflectancia hiperespectral para investigar las paletas y las técnicas de los pintores
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.