Waiting
Login processing...

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

Chemistry

تطبيق التصوير انعكاس Hyperspectral للتحقيق في لوحات وتقنيات الرسامين

Published: June 18, 2021 doi: 10.3791/62202

Summary

Hyperspectral انعكاس التصوير hypercubes تشمل معلومات ملحوظة في كمية كبيرة من البيانات. ولذلك، فإن طلب بروتوكولات آلية لإدارة ودراسة مجموعات البيانات له ما يبرره على نطاق واسع. إن الجمع بين مخطط الزاوية الطيفية، والتلاعب بالبيانات، وطريقة التحليل القابل للتعديل من قبل المستخدم يشكل منعطفا رئيسيا لاستكشاف النتائج التجريبية.

Abstract

التحليل الطيفي العاكس (RS) والألياف البصرية انعكاس الطيف (FORS) هي تقنيات راسخة للتحقيق في الأعمال الفنية مع إيلاء اهتمام خاص للوحات. وضعت معظم المتاحف الحديثة تحت تصرف مجموعاتها البحثية المعدات المحمولة التي ، جنبا إلى جنب مع عدم الغازية الجوهرية من RS و FORS ، يجعل من الممكن جمع أطياف العاكسة في الموقع من سطح القطع الأثرية. المقارنة، التي يقوم بها خبراء في الأصباغ ومواد الطلاء، من البيانات التجريبية مع قواعد بيانات الأطياف المرجعية يدفع توصيف لوحات والتقنيات المستخدمة من قبل الفنانين. ومع ذلك ، يتطلب هذا النهج مهارات محددة ويستغرق وقتا طويلا خاصة إذا أصبح عدد الأطياف التي سيتم التحقيق فيها كبيرا كما هو الحال في مجموعات بيانات تصوير انعكاس الأطياف الفائقة (HRI). الإعدادات التجريبية HRI هي كاميرات متعددة الأبعاد تربط المعلومات الطيفية ، التي تعطى من أطياف العاكسة ، مع التعريب المكاني للأطياف على السطح المطلي. مجموعات البيانات الناتجة هي مكعبات ثلاثية الأبعاد (تسمى hypercubes أو مكعبات البيانات) حيث يحدد البعدان الأولان الطيف فوق اللوحة والثالث هو الطيف نفسه (أي انعكاس تلك النقطة من السطح المطلي مقابل الطول الموجي في النطاق العملي للكاشف). قدرة الكاشف على جمع عدد كبير من الأطياف في وقت واحد (عادة أكثر بكثير من 10،000 لكل hypercube) يجعل مجموعات البيانات HRI خزانات كبيرة من المعلومات ويبرر الحاجة إلى تطوير بروتوكولات قوية ، وربما الآلي لتحليل البيانات. بعد وصف الإجراء المصمم للحصول على البيانات ، نقدم طريقة تحليل تستغل بشكل منهجي إمكانات ال hypercubes. استنادا إلى مخطط زاوية الطيفية (SAM) وعلى التلاعب في الأطياف التي تم جمعها، الخوارزمية يعالج ويحلل الآلاف من الأطياف وفي الوقت نفسه أنها تدعم المستخدم للكشف عن ملامح العينات قيد التحقيق. وتتجلى قوة هذا النهج من خلال تطبيقه على كوارتو ستاتو، التحفة الفنية الشهيرة لجوزيبي بيليزا دا فولبيدو، التي عقدت في متحف ديل نوفيسنتو في ميلانو (إيطاليا).

Introduction

ويستند التحليل الطيفي العاكس (RS) والألياف البصرية انعكاس الطيف (FORS) على الكشف عن الضوء الذي تعكسه السطوح مضاءة مرة واحدة من قبل مصدر الضوء، وعادة مصباح التنغستن الهالوجين. 11- وينتج نظام الاحتياز من أطياف يرصد فيها العاكس كدالة للطول الموجي في نطاق يعتمد على خصائص الإعداد التجريبي المستخدم 1،2،3. تم تقديم RS و FORS خلال العقود الأربعة الماضية4,5، وعادة ما تستخدم في تركيبة مع مضان الأشعة السينية وغيرها من التحليلات لوصف المواد والتقنيات المستخدمة من قبل الفنانين لتحقيق روائعهم6,7,8,9. وعادة ما تجرى دراسة أطياف العاكسة بمقارنة البيانات المأخوذة من العينة بمجموعة من الأطياف المرجعية التي يختارها المستعمل في قواعد البيانات الشخصية أو العامة. بمجرد تحديد الأطياف المرجعية التي تتوافق مع فترة تحقيق العينة وطريقة عمل الفنان ، يتعرف المستخدم على السمات الرئيسية لأطياف الانعكاس (أي الانتقال والامتصاص ونطاقات الانعكاس1،2،10،11) ومن ثم ، بمساعدة تقنيات أخرى6،7،8 يميزون الأصباغ التي استخدمت في اللوحات. وأخيرا يناقشون الاختلافات الطفيفة التي توجد بين المراجع والأطياف التجريبية7،9.

وفي معظم الحالات، تتألف مجموعات البيانات التجريبية من بعض الأطياف، التي جمعت من المناطق التي اختارها خبراء الفن ويفترض أنها مهمة لتوصيف اللوحة 6،12،13. على الرغم من مهارات وتجربة المستخدم ، لا يمكن لبعض الأطياف استنفاد خصائص السطح المطلي بالكامل. وعلاوة على ذلك، فإن نتيجة التحليل ستعتمد دائما اعتمادا قويا على خبرة المؤدي. في هذا السيناريو، يمكن أن يكون التصوير انعكاسي Hyperspectral (HRI3,14,15) موردا مفيدا. بدلا من بعض الأطياف المعزولة ، تعيد الإعدادات التجريبية خصائص العاكسة لأجزاء ممتدة أو حتى للقطعة الأثرية بأكملها قيد التحقيق16. والميزتان الرئيسيتان فيما يتعلق باقتناء الأطياف المعزولة واضحتان. من ناحية ، يتيح توافر التوزيع المكاني لخصائص العاكسة تحديد المناطق التي تخفي ميزات مثيرة للاهتمام ، على الرغم من أنها قد لا تبدو غريبة17. من ناحية أخرى ، يضمن hypercubes عددا من الأطياف عالية بما يكفي لتمكين التحليل الإحصائي للبيانات. تدعم هذه الحقائق فهم توزيع الأصباغ داخل السطح المطلي18,19.

ومع المؤسسات المعلوماتية، قد يكون من الصعب التعامل مع المقارنة بين البيانات التجريبية والمراجع(15). كاشف نموذجي يعود hypercubes من 256 × 256 على الأقل الأطياف. وسيتطلب ذلك من المستعمل تقييم أكثر من 000 65 أطياف عاكسة مقابل كل مرجع، وهي مهمة يكاد يكون من المستحيل تنفيذها يدويا في وقت معقول. ولذلك، فإن طلب بروتوكولات قوية، وربما آلية، لإدارة وتحليل مجموعات بيانات المؤسسات العربية هو أكثر من مبرر15,17. الأسلوب المقترح يجيب على هذه الحاجة من خلال التعامل مع الإجراء التحليلي بأكمله مع الحد الأدنى من المشاركة والمرونة القصوى.

خوارزمية تتألف من مجموعة من الرموز المصنوعة منزليا (جدول المواد) يقرأ ويدير وينظم الملفات التي تم إرجاعها بواسطة الإعداد التجريبي. يسمح الاختيار الدقيق لأجزاء من حقول الرؤية (FOVs ، مجال واحد للعرض هو مساحة اللوحة التي رصدها hypercube واحد) أن تدرس ويؤدي تحليل البيانات على أساس الطيفية زاوية مخطط (SAM) الأسلوب20،21 وعلى التلاعب في الأطياف الأصلية. ترجع SAM صور ذات مقياس رمادي اللون زائفة تسمى خرائط التشابه. تتوافق قيم وحدات البكسل في هذه الخرائط مع الزوايا الطيفية التي هي الزوايا بين الأطياف المخزنة في الأطياف الفائقة وما يسمى بالأعضاء النهائيين (EMs، وهي مجموعة من الأطياف المرجعية التي يجب أن تصف ملامح السطح الذي يتم رصده بواسطة ال hypercubes)22. في حالة RS المطبقة على اللوحات ، فإن EMs هي أطياف عاكسة للأصباغ التي يجب أن تتطابق مع لوحة الماجستير. يتم اختيارهم بناء على المعلومات المتاحة عن الفنان ، وفترة تحقيق اللوحة ، وخبرة المستخدم. لذلك ، فإن إخراج SAM هو مجموعة من الخرائط التي تصف التوزيعات المكانية لهذه الأصباغ على سطح اللوحة وتدعم المستخدم لاستنتاج المواد المستخدمة من قبل الفنان وتنظيمه في القطعة الأثرية. الخوارزمية توفر إمكانية توظيف جميع أنواع المراجع بشكل مستقل عن أصلها. يمكن أن تكون المراجع أطياف محددة مختارة داخل الهايبركوبات ، تأتي من قواعد البيانات ، يتم الحصول عليها بواسطة أداة مختلفة على سطح مختلف (مثل عينات من الأصباغ أو لوحة الفنان ، على سبيل المثال) ، أو يمكن الحصول عليها باستخدام أي نوع من التحليل الطيفي العاكس ، بما في ذلك FORS.

وقد تم تفضيل SAM بين أساليب التصنيف المتاحة لأنه ثبت أن تكون فعالة لخصائص الأصباغ (الرجوع إلى الكتاب من قبل Richard23 أن يكون لمحة عامة عن أساليب التصنيف الرئيسية المتاحة). وبدلا من ذلك، فإن فكرة وضع بروتوكول منزلي الصنع بدلا من اعتماد واحدة من الأدوات العديدة المتاحة بحرية على الشبكة 24,25 تعتمد على دراسة عملية. وعلى الرغم من فعالية وأسس علمية من GUIs القائمة والبرمجيات، أداة واحدة بالكاد يلبي جميع احتياجات المستخدم. قد يكون هناك مشكلة Input/Output (الإدخال/الإخراج) لأن الأداة لا تدير الملف الذي يحتوي على البيانات الأولية. وقد تكون هناك مشكلة تتعلق بتحليل البيانات لأن أداة أخرى لا توفر النهج المنشود. قد يكون هناك قيود في التعامل مع البيانات لأن التحليل المتزامن لمجموعات بيانات متعددة غير مدعوم. على أي حال، أداة مثالية غير موجودة. يجب تعديل كل طريقة إلى البيانات أو العكس بالعكس. ولذلك، يفضل وضع بروتوكول منزلي الصنع.

ولا يقدم النهج المعروض مجموعة كاملة من الأساليب التحليلية (انظر، للمقارنة، الأداة التي اقترحها موباراكي و Amigo24) ولا واجهة مستخدم سهلة الإدارة (انظر، للمقارنة، البرمجيات التي يستخدمها تشو وزملاء العمل25)، ولكنه يركز في المقابل على جانب لا يزال أقل من الواقع في تحليل البيانات الطيفية الفائقة: فرصة التلاعب بالأطياف المكتشفة. وتتجلى قوة هذا النهج من خلال تطبيقه على لوحة كوارتو ستاتو لجوزيبي بيليزا دا فولبيدو (الشكل 1)، وهو زيت مبدع على قماش يقام في متحف ديل نوفيسنتو في ميلانو، إيطاليا. لاحظ أنه بما أن النهج يتطلب تشغيل رموز منزلية الصنع، اختار المطور بشكل تعسفي أسماء الرموز ومتغيرات الإدخال والإخراج المستخدمة في وصف البروتوكول. يمكن للمستخدم تغيير أسماء المتغيرات ولكن يجب توفيرها على النحو التالي: يجب كتابة متغيرات الإدخال والخروج على التوالي داخل الأقواس وفصلها في النهاية بفاصلة وضمن أقواس مربعة وفصلها في نهاية المطاف بمساحة بيضاء. على العكس من ذلك لا يمكن تغيير أسماء الرموز.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. تعيين القرار المكاني من hypercubes

  1. إجراء فحص أولي للسطح المطلي (الشكل 1) بدعم من خبراء الفن لتحديد السمات الرئيسية لللوحة.
    1. التعرف على التقنيات التصويرية المستخدمة من قبل الفنان لإنشاء اللوحة.
    2. تحديد ضربات فرشاة مختلفة من الطلاء على قماش.
    3. تقدير، نوعيا، خصائص ضربات الفرشاة مع إيلاء اهتمام خاص لحجمها.
  2. تقليد التقنية التصويرية المستخدمة من قبل الفنان عن طريق إنشاء عينات اختبار مخصصة حيث تظهر ضربات الفرشاة خصائص مماثلة لتلك التي يطبقها الفنان.
    ملاحظة: كان بيليزا دا فولبيدو رساما شعبيا. طلب من المرمم إعداد بعض عينات الاختبار التي تستنسخ نوعيا ضربات الفرشاة من قماش الاهتمام (الشكل 2، العمود A).
  3. تعيين المسافة بين السطح قيد التحقيق ومعدات الاستحواذ.
    ملاحظة: تحدد المسافة الدقة المكانية للh hypercubes26 وبالتالي إمكانية تمييز ضربات الفرشاة على الصور وخرائط SAM للسطح المطلي.
    1. تقييم المسافة بين سطح العينة ومعدات الاستحواذ مع الأخذ في الاعتبار خصائص الكاميرا الطيفية الفائقة26 (جدول المواد) وحجم ضربات الفرشاة المرسومة في عينات الاختبار.
    2. وضع مرحلة الاستحواذ والكاميرا الطيفية الفائقة على المسافة التي تم تقييمها في الخطوة السابقة. ترتيب عينات الاختبار على خشبة المسرح وضمان إضاءة موحدة لسطح العينات.
    3. قم بإجراء معايرة بيضاء باستخدام المرجع القياسي الأبيض المزود بكاميرا فائقة الطيف. الحصول على فرط.
      ملاحظة: لكل FOV، ترجع الكاميرا فائقة الطيف الصور الخام والمعايرة. وقد استخدمت هذه الأخيرة للتحليل.
    4. تحميل الملفات التي عاد بها الصك وحفظها في مجلد مخصص.
  4. تحقق مما إذا كان القرار المكاني للhypercubes يمكن تمييز ضربات فرشاة مختلفة على الصور وخرائط SAM من السطح المطلي.
    1. فحص الصور RGB التي تم إرجاعها بواسطة الكاميرا hyperspectral للتأكد من أن ضربات الفرشاة المستخدمة لتحقيق عينات الاختبار يمكن التعرف عليها (الشكل 2، العمود A). إذا كان الأمر كذلك، انتقل إلى الخطوات التالية؛ وإلا العودة إلى الخطوة 1.3.1 وإعادة تشغيل.
    2. سرد الملفات التي تحتوي على البيانات hyperspectral والصور RGB من FOVs عن طريق تشغيل رمز قراءة البيانات، HS_FileLister. اكتب سطر الأوامر التالي (تضمين الفاصلة المنقوطة) في إطار المحطة الطرفية للغة المستخدمة لتطوير الرموز (جدول المواد) واضغط على Enter لتشغيل التعليمات البرمجية:
      [HS_DataList HS_ImageList] = HS_FileLister؛
      1. لا يلزم إدخال وهناك مخرجان: قائمة الملفات التي تحتوي على hypercubes ، HS_DataList ، وقائمة الصور التي تم إرجاعها بواسطة الكاميرا الطيفية الفائقة ، HS_ImageList.
        ملاحظة: حجم كل hypercube هو 512 × 512 × 204 voxels حيث 204 هو عدد القنوات المستخدمة لمراقبة إشارة العاكسة. تمتد القنوات على نطاق الطول الموجي بين 400 و 1000 نانومتر بدقة طيفية تبلغ 7 نانومتر عند FWHM26.
    3. تعريف الجزء 3D من hypercubes التي يجب تحليلها عن طريق تشغيل التعليمات البرمجية الاقتصاص، HS_Crop_png. حدد الجزء المطلوب من كل مكعب بيانات عن طريق تحديد منطقة عبر إطار تفاعلي يعرض صورة RGB 2D ل FOV التي يتم مراقبتها بواسطة كل hypercube. اكتب سطر الأوامر التالي (تضمين الفاصلة المنقوطة) في إطار المحطة الطرفية واضغط على Enter لتشغيل التعليمات البرمجية:
      [HS_ImageList] = HS_Crop_png(HS_ImageList)؛
      1. هناك إدخال واحد (قائمة الصور التي تم إرجاعها بواسطة الكاميرا الطيفية الفائقة ، HS_ImageList) ومخرج واحد (تمت إضافة قائمة الإدخال مع الإحداثيات المكانية لاقتصاص hypercubes في نهاية المطاف).
    4. تطبيق D65 illuminant و 1931 المراقب من CIE (اللجنة الدولية للإضاءة) المعايير على hypercubes لاسترداد الصور RGB من FOV (ق) من أطياف الانعكاس عن طريق تشغيل رمز إعادة البناء، HS_RGB_rebuild. اكتب سطر الأوامر التالي (تضمين الفاصلة المنقوطة) في إطار المحطة الطرفية واضغط على Enter لتشغيل التعليمات البرمجية:
      [HS_ImageList] = HS_RGB_rebuild(HS_ImageList، HS_DataList)؛
      1. هناك إدخالان (القائمة التي تحتوي على الصور التي أعادتها الكاميرا الطيفية الفائقة ، HS_ImageList ، وقائمة الملفات التي تحتوي على hypercubes ، HS_DataList) ومخرج واحد (قائمة الإدخال التي تحتوي على الصور التي أعادتها الكاميرا الطيفية الفائقة المضافة مع صور RGB لأسطح ال hypercubes المستردة من أطياف العاكسة).
        ملاحظة: HS_RGB_Rebuild يستغل الوظائف التي تم تطويرها بواسطة Jeff Mather27 لتطبيق illuminant D65 ومراقب 1931 من CIE إلى البيانات.
    5. حدد يدويا بعض الأطياف المرجعية على أسطح عينات الاختبار (دوائر بيضاء وأرقام في الشكل 2، العمود A) عن طريق تشغيل رمز تحديد نقاط القياس المعزول، PointSel. حدد نقاط القياس بالنقر فوق نافذة تفاعلية تعرض، واحدا تلو الآخر، صور 2D وRGB ل FOV(s). اكتب سطر الأوامر التالي (تضمين الفاصلة المنقوطة) في إطار المحطة الطرفية واضغط على Enter لتشغيل التعليمات البرمجية:
      [المراجع] = نقطةسيل (HS_DataList، HS_ImageList)؛
      1. هناك إدخالان (القائمة التي تحتوي على الصور التي تم إرجاعها بواسطة الكاميرا الطيفية الفائقة ، HS_ImageList ، وقائمة الملفات التي تحتوي على hypercubes ، HS_DataList) ومخرج واحد (متغير ، مراجع ، يحتوي على الأطياف المحددة كمراجع داخل FOV(s)).
    6. إذا رغبت في ذلك، قم بتخزين موضع المراجع على سطح العينات في مجموعة من الصور عن طريق تشغيل التعليمات البرمجية المخصصة، SaveImPoint. اكتب سطر الأوامر التالي (تضمين الفاصلة المنقوطة) في إطار المحطة الطرفية واضغط على Enter لتشغيل التعليمات البرمجية:
      SaveImPoint(المراجع، HS_ImageList)؛
      1. هناك إدخالان (المتغير الذي يحتوي على الأطياف المرجعية والمراجع والقائمة التي تحتوي على الصور التي تم إرجاعها بواسطة الكاميرا الطيفية الفائقة HS_ImageList) ولا توجد مخرجات (يحفظ الرمز .png الصور في مجلد العمل الحالي).
    7. تنظيم المراجع في مصفوفة عن طريق تشغيل رمز التحويل RefListToMatrix. اكتب سطر الأوامر التالي (تضمين الفاصلة المنقوطة) في إطار المحطة الطرفية واضغط على Enter لتشغيل التعليمات البرمجية:
      [References_Matrix] = RefListToMatrix(المراجع، HS_ImageList(1). WaveL);
      1. هناك مدخلان (المتغير الذي يحتوي على الأطياف المرجعية والمراجع وقائمة الأطوال الموجية التي يحسب فيها الكاشف الفوتونات أثناء الحصول على البيانات من الأطياف، HS_ImageList(1). WaveL) واحد الإخراج (نفس الأطياف المرجعية نظمت في مصفوفة ، References_Matrix).
        ملاحظة: هذه الخطوة إلزامية لأن التعليمات البرمجية التي تقيم مخططات SAM تتطلب الأطياف المرجعية ليتم تنظيمها في مصفوفة. بناء الجملة الإدخال الثاني HS_ImageList(1). WaveL مطلوب لاستدعاء WaveL المتغير من القائمة HS_ImageList. يشير الرقم 1 ضمن الأقواس إلى العنصر الأول من القائمة المسماة باسم HS_ImageList; ومع ذلك ، لأن جميع hypercubes لها نفس نطاق الطول الموجي ، يمكن استبداله بكل عدد ثانوي أو يساوي العدد الإجمالي للصور المدرجة.
    8. استخراج خرائط SAM باستخدام الأطياف بأكملها عن طريق تشغيل معيار SAM خرائط رمز التقييم، SAM_Standard. اكتب سطر الأوامر التالي (تضمين الفاصلة المنقوطة) في إطار المحطة الطرفية واضغط على Enter لتشغيل التعليمات البرمجية:
      SAM_Standard (HS_ImageList، HS_DataList، References_Matrix)؛
      1. هناك ثلاثة مدخلات (القائمة التي تحتوي على الصور التي عادت بها الكاميرا الطيفية الفائقة ، HS_ImageList ؛ قائمة الملفات التي تحتوي على hypercubes ، HS_DataList ؛ ومصفوفة الأطياف المرجعية ، References_Matrix) وليس الإخراج: يحفظ الرمز خرائط SAM كما .png الصور في مجلد العمل الحالي.
    9. تحقق مما إذا كانت خرائط التشابه التي تم الحصول عليها (الشكل 2، الأعمدة B - E) تعرض تفاصيل ضربات الفرشاة المستخدمة لتحقيق عينات الاختبار. إذا كان هذا هو الحال، انتقل إلى الخطوة التالية من البروتوكول; وإلا العودة إلى الخطوة 1.3.1 وإعادة تشغيل.

2. ضبط المعلمات التجريبية إلى اللوحة

  1. تحديد المنطقة (المناطق) ذات الاهتمام، ROI(s)، من اللوحة التي سيتم دراستها (المستطيلات الحمراء في الشكل 3A).
    ملاحظة: من الشائع أن أكثر من FOV واحد ضروري لتغطية عائد استثمار واحد.
  2. ترتيب الإعداد اقتناء واللوحة على مسافة محددة في الخطوات السابقة وتنفيذ المعايرة البيضاء باستخدام المرجع القياسي الأبيض المقدمة مع الكاميرا hyperspectral.
    ملاحظة: إذا كان يجب على المستخدمين القيام باقتناء في الموقع (أي، يجب عليهم دراسة لوحة مكشوفة في متحف أو في معرض)، يمكنهم فقط إدارة الكاميرا. هذه هي حالة كوارتو ستاتو، التي تتعرض بشكل دائم في مساحة مخصصة في متحف ديل نوفيسنتو في ميلانو، إيطاليا.
  3. الحصول على البيانات الطيفية من واحد على الأقل FOV داخل حافة كل ROI (ق) (المناطق غير المظللة داخل المستطيلات الحمراء في الشكل 3A).
  4. تحميل الملفات التي عاد بها الصك وحفظها في مجلد مخصص.
  5. تحقق مما إذا كان قد تم تعيين إضاءة سطح اللوحة بشكل موحد من خلال النظر إلى صور RGB التي أعادتها الكاميرا الطيفية الفائقة. إذا كانت هذه هي الحالة، انتقل إلى الخطوات التالية، وإلا انتقل إلى الخطوة 2.2 ثم أعد تشغيل.
    ملاحظة: يوضح الشكل 4 أهمية هذا الاختيار (راجع قسم المناقشة للحصول على التفاصيل).
  6. كرر الخطوات الفرعية للخطوة 1.4.
  7. تحقق مما إذا كانت البيانات ذات دقة مكانية عالية بما يكفي لتمييز ضربات الفرشاة من خلال مراقبة صور RGB لFOVs (الشكل 3B) وخرائط SAM (الشكل 3C) المتعلقة بالأطياف المرجعية المختارة داخل FOVs (الدوائر الخضراء في الشكل 3B).
  8. إذا تم تعيين الإضاءة والدقة المكانية بشكل صحيح، أكمل جمع البيانات التي تحصل على FOVs الأخرى اللازمة لتغطية عائد الاستثمار(ق)؛ وإلا العودة إلى الخطوة 2.2 وإعادة تشغيل.
    ملاحظة: عندما يتطلب عائد الاستثمار تغطية أكثر من FOV واحد، تأكد من وجود درجة معينة من التراكب بين FOVs المجاورة لخياطة الخرائط الناتجة بسهولة3,15. يعتمد مدى التداخل على المسافة بين الكاميرا الطيفية والعينة ، على الترجمة ، والزاوية الأفقية لعرض الكاشف28. وفي حالة الحملة التجريبية المفضية إلى كوارتو ستاتو، من المقرر أن يكون التداخل على الأقل 40 في المائة من المركبات النووية المفتوحة.

3. Hypercubes وإدارة الأطياف المرجعية

  1. تنفيذ الإدخال/إخراج البيانات الأولية: تنظيم وقراءة وإدارة hypercubes.
    1. تشغيل التعليمات البرمجية HS_FileLister لتخزين قائمة الملفات التي تحتوي على hypercubes والمعلومات ذات الصلة إلى متغيرين تحت تصرف الخوارزمية (راجع الخطوة 1.4.2 للحصول على التفاصيل العملية).
      ملاحظة: ترجع الكاميرا الفائقة الطيفية ملفات HDR (النطاق الديناميكي العالي) التي يديرها الرمز لاستغلال نسخة تمت إعادة النظر فيها من السيناريو الذي طوره Jarek Tuszinsky29.
    2. تشغيل رمز HS_Crop_png لتحديد جزء من كل FOV لاستخدامها في تحليل البيانات (راجع الخطوة 1.4.3 للحصول على التفاصيل العملية).
    3. تشغيل رمز HS_RGB_Rebuild لاسترداد الصور RGB من FOVs من أطياف الانعكاس (انظر الخطوة 1.4.4 للحصول على التفاصيل العملية).
  2. تنظيم وقراءة (إذا لزم الأمر) ، وإدارة الأطياف المرجعية.
    ملاحظة: سوف تلعب الأطياف المرجعية دور الأعضاء النهائيين ضمن طريقة SAM20,21. لا يتم تحديد هذا الجزء من الخوارزمية بشكل أحادي ولكن يعتمد على وضع التحديد وعلى أصل الأطياف المرجعية.
    1. قم بتشغيل رمز PointSel وانقر داخل النافذة التفاعلية المعروضة لتحديد الأطياف المرجعية كنقاط قياس معزولة على سطح المنطقة (المناطق) (الشكل 5A) (انظر الخطوة 1.4.5 للحصول على التفاصيل العملية).
    2. حدد تلقائيا الأطياف المرجعية ك reticulum منتظمة لقياس النقاط التي فرضت على سطح المنطقة (المناطق) رصدها عن طريق تشغيل رمز التحديد reticular، ReticularSel (الشكل 5B). اكتب سطر الأوامر التالي (تضمين الفاصلة المنقوطة) في إطار المحطة الطرفية واضغط على Enter لتشغيل التعليمات البرمجية:
      [المراجع] = ReticularSel(HS_DataList، HS_ImageList، n_pixel)؛
      1. هناك ثلاثة مدخلات (القائمة التي تحتوي على الصور التي أعادتها الكاميرا الطيفية الفائقة ، HS_ImageList ؛ قائمة الملفات التي تحتوي على hypercubes ، HS_DataList ؛ والتباعد بين الشبكية ، n_pixel ، التي تم التعبير عنها في عدد من بكسل) ومخرج واحد: متغير يحتوي على الأطياف المحددة كمراجع داخل FOVs ، المراجع.
    3. تشغيل رمز المستورد المراجع الخارجية، Spectra_Importer، لإنشاء متغير يحتوي على مراجع من مجموعات البيانات وقواعد البيانات مستقلة عن hypercubes المكتسبة على كوارتو ستاتو. اكتب سطر الأوامر التالي (تضمين الفاصلة المنقوطة) في إطار المحطة الطرفية واضغط على Enter لتشغيل التعليمات البرمجية:
      [الإذعانات] = Spectra_Importer(file_extension)؛
      1. هناك إدخال واحد (امتداد الملف الذي يحتوي على أطياف مرجعية مستقلة، file_extension، مكتوبة بين apices) ومخرج واحد (متغير يحتوي على المراجع الخارجية، ExtReferences).
        ملاحظة: تم تحسين رمز المستورد مرجع خارجي لاستيراد ملفات tmr ولكن إذا لزم الأمر، يمكن تعديلها بسهولة للتعامل مع أي نوع من الملفات النصية.
    4. تشغيل رمز RefListToMatrix لوضع المراجع في مصفوفة أو References_Matrix أو ExtReferences_Matrix، كما هو مطلوب من قبل التعليمات البرمجية التي تقيم خرائط SAM (راجع الخطوة 1.4.7 للحصول على تفاصيل العملية).
    5. انتظر حتى يقوم رمز RefListToMatrix بمساواة نطاق الطول الموجي والدقة الطيفية (أي عدد المكونات) للموجات الفائقة والمراجع.
      ملاحظة: تعرف التعليمات البرمجية نطاقات الطول الموجي لكل من hypercubes والمراجع. يقارن الرمز نطاقات الطول الموجي ويقطع الفاصل الزمني الطول الموجي (الأطوال الموجية) التي لا يتم رصدها من قبل كل من hypercubes والمراجع. ويحدد الرمز مجموعة المتجهات الفائقة (الموجات الفائقة أو المراجع) التي يشكلها العدد الأدنى من المكونات (أي التي تتميز بدقة طيفية أقل) في نطاق الطول الموجي المتساوي. يقلل الرمز عدد مكونات المتجهات الفرطية الأطول (المراجع أو ال hypercubes) إلى تلك الأقصر (ال hypercubes أو المراجع). ويتم ذلك عن طريق حفظ، لكل طول موجي من ناقلات فرط أقصر، فقط قيم ناقلات فرط أطول التي تتوافق مع أقرب طول موجي لتلك التي أقصر ناقلات فرط.
      1. التعليمات البرمجية تلقائيا تنفيذ عملية المساواة. إذا تم اختيار المراجع داخل hypercubes ، فإن نطاق الطول الموجي والدقة الطيفية لا تحتاج إلى معادلة وتظل دون تغيير.
    6. إذا رغبت في ذلك، قم بتخزين موضع المراجع على سطح العينات في مجموعة من الصور عن طريق تشغيل التعليمات البرمجية المخصصة (راجع الخطوة 1.4.7 للحصول على التفاصيل العملية).
      ملاحظة: يتوفر هذا الخيار فقط إذا تم تحديد المراجع داخل hypercubes (الخطوتين 3.2.1 و 3.2.2).

4. تحليل سام

  1. تشغيل التعليمات البرمجية SAM_Complete لتقييم خرائط التشابه. اكتب سطر الأوامر التالي (تضمين الفاصلة المنقوطة) في إطار المحطة الطرفية واضغط على Enter لتشغيل التعليمات البرمجية:
    SAM_Complete (HS_ImageList، HS_DataList، References_Matrix)؛
    1. هناك ثلاثة مدخلات (القائمة التي تحتوي على الصور التي تم إرجاعها بواسطة الكاميرا الطيفية الفائقة ، HS_ImageList ؛ قائمة الملفات التي تحتوي على hypercubes ، HS_DataList ؛ والمصفوفة المرجعية ، References_Matrix أو ExtReferences_Matrix) ولا مخرجات (يحفظ الرمز خرائط SAM كملفات .png في مجلد العمل الحالي).
      ملاحظة: بخلاف متغيرات الإدخال الثلاثة الموصوفة، يجب تغذية رمز SAM_complete بمعلمات إضافية قليلة لتخصيص بروتوكول التحليل وفقا لتفضيلات المستخدم (راجع الخطوات التالية).
  2. عند الحاجة، قم بتغذية التعليمات البرمجية بخيار المعالجة المسبقة بكتابة الرقم 0 أو 1 في مربع الحوار اعتمادا على عملية المعالجة المسبقة المطلوبة واضغط على Enter للمتابعة.
    1. خيار المعالجة المسبقة المحدد إلى 0: يتم تطبيع المنطقة التي يتم تقسيمها من قبل كل طيف عاكس إلى 1.
    2. خيار المعالجة المسبقة المحدد إلى 1: يتم تطبيع المنطقة التي ينقسم إليها كل طيف عاكس إلى 1 ثم يتم اشتقاق الطيف العادي مرة واحدة.
      ملاحظة: كل من hypercubes والمراجع تخضع نفس الخيار قبل المعالجة.
  3. حدد الأعضاء النهائيين المراد استخدامهم لتحليل SAM بين المصفوفة المرجعية عن طريق تغذية التعليمات البرمجية بأرقام الأعمدة التي تتوافق مع الأطياف المطلوبة. عند الحاجة، أدخل في مربع الحوار تسلسل الأرقام المطابقة للأعمدة المطلوبة بكتابة الأرقام مفصولة بمساحة بيضاء. اضغط على Enter للمتابعة.
    ملاحظة: التسلسل [1 2 3] يتوافق مع اختيار الأعمدة الثلاثة الأولى من المصفوفة المرجعية; متجه فارغ يتوافق مع تحديد كافة أعمدة المصفوفة المرجعية.
  4. تغذية التعليمات البرمجية مع سلسلة تحتوي على الجزء الأول من الاسم الذي سيتم تحديد مجموعات من الخرائط ليتم حفظها (أي الجزء المشترك من اسم الملفات .png التي تم إرجاعها من قبل SAM_Complete). عند الحاجة، إدراج السلسلة في مربع الحوار. اضغط على Enter للمتابعة.
    ملاحظة: إذا كان اختبار أنواع المستخدمين، ثم اسم كافة الإخراج .png الصور سيبدأ مع الاختبار.
  5. عند الحاجة، تغذية التعليمات البرمجية مع الأسلوب المحدد لمعالجة البيانات بكتابة رقم 0 أو 1 أو 2 في مربع الحوار اعتمادا على أسلوب المعالج المطلوب ثم اضغط Enter للمتابعة.
    1. تعيين الأسلوب إلى 0 من أجل أي معالجة البيانات.
    2. تعيين الأسلوب إلى 1 لتتطلب التحديد اليدوي لنطاق الطول الموجي (نطاقات) الأطياف للنظر فيها قبل بدء التحليل (الشكل 6).
    3. تعيين الأسلوب إلى 2 لطلب الخوارزمية لطلب البيانات على أساس معيار محدد قبل تقييم خرائط SAM (الشكل 7).
  6. انتظر البروتوكول لمعالجة البيانات وحفظ مخططات SAM في مجلد العمل الحالي كملفات .png.
    ملاحظة: إذا تم تعيين الأسلوب مقبض إلى 0 أو 2، يجب على المستخدم الانتظار فقط. إذا تم تعيينها إلى 1، يجب على المستخدم تحديد جزء (أجزاء) الأطياف التي سيتم استخدامها لتقييم خرائط SAM بالنقر على نافذة تفاعلية (الشكل 6).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

ويقدم البروتوكول المقترح مجموعة من السمات المثيرة للاهتمام لإدارة وتحليل بيانات المؤسسات. الإدخال/إخراج (الخطوة 3.1) من البيانات الأولية هي دائما المشكلة الأولى التي يجب حلها قبل تطبيق أي أسلوب تحليل ويمكن أن تصبح مشكلة حرجة عند التعامل مع كميات كبيرة من البيانات. في هذه الحالة، المهمة الوحيدة المتعلقة البيانات الخام لتخزين النتائج التجريبية في مجلد مخصص وتحديده عن طريق استعراض القرص الثابت عند تشغيل رمز القراءة (الخطوة 3.1.1). وبعد ذلك، تسمح رموز إعادة البناء الخاصة بزراعة المحاصيل وإعادة البناء في RGB بتحليل اختيار البيانات (الخطوة 3.1.2) والتحقق من أن الظروف التجريبية قد تم تعيينها بشكل صحيح في لحظة الحصول على ال hypercubes (الخطوة 3.1.3، انظر الشكل 4 وقسم المناقشة لمزيد من التفاصيل).

بمجرد التحقق من أن تم الحصول على مكعبات البيانات بشكل صحيح، الخوارزمية يوفر إمكانيات مختلفة لتحديد الأعضاء النهائيين لتحليل SAM20,21 (الخطوة 3.2). 12- ويسترجع الخياران الأولان (الخطوتان 3-2-1 و3-2-2) المراجع بين المركبات الفائقة عن طريق اختيار بعض نقاط القياس المعزولة يدويا (الشكل 5A) أو بأخذ عينات تلقائية من سطح اللوحة، مما يوفر اختيارا شبكيا لنقاط القياس داخل واحد أو أكثر من مركبات FOVs (الشكل 5ب). التحليل القائم على نقاط قياس معزولة أسرع من واحد على أساس شبكي، لكنه ينطوي على مراقبة دقيقة، وربما، مستنيرة من FOV (ق) لتحديد الأطياف الهامة؛ وهذا يعني تجربة جيدة في التعامل مع الأصباغ والأسطح المطلية. اختيار reticular يجعل الخوارزمية تستغرق وقتا طويلا ويجبر المستخدم لمراقبة الكثير من الصور الإخراج لاسترداد حفنة من خرائط التشابه مفيدة. ومع ذلك ، فإن اختيار الشبكية يوفر فحصا كاملا للhypercubes ، ومعظمها ، يمكن أن يتم ذلك دون خبرة في السياق التجريبي. من حيث المبدأ ، بمجرد تحديد مسافة أخذ العينات ، n_pixel ، يمكن للمستخدم إهمال مراقبة FOV (ق) مع احتمال منخفض جدا لفقدان التفاصيل.

وبالإضافة إلى اختيار الأطياف المرجعية داخل الأطياف الفائقة، تتيح الخوارزمية الفرصة لمقارنة البيانات من العينة قيد التحقيق مع المراجع التي تنتمي إلى مصادر أخرى (الخطوة 3-2-4). يدير رمز مستورد الأطياف المرجعي الخارجي الإدخال/إخراج المراجع التي لا تنتمي إلى سطح اللوحة. 10- ويعادل رمز محول المصفوفة نطاقات الطول الموجي والدقة الطيفية لكل من ال hypercubes والمراجع الخارجية (الخطوة 3-2-4). هذا الاحتمال يوسع قدرات المستخدم فيما يتعلق تحديد خصائص العينة. في الواقع ، يمكن للمستخدم استغلال كل نوع من الموارد المتاحة من حيث بيانات العاكسة. يمكن مقارنة ال hypercubes بقواعد البيانات العامة ، مع المحفوظات الطيفية للمستخدم ، مع بيانات جديدة تم جمعها على عينات معدة لفترة معينة أو حتى على أشياء أخرى (لوحات ، لوحات ، ألوان ، أو أيا كان) تعود للمؤلف أو لفنانين آخرين. وعلاوة على ذلك، يمكن الحصول على المراجع الخارجية باستغلال أي نوع من تقنيات العاكسة إلى حد أن المراجع المبينة في الشكل 6 والشكل 7 قد تم الحصول عليها بواسطة مطياف مصغر محمول من نوع FORS (جدول المواد) وليس بواسطة الكاميرا المستخدمة لبيانات المؤسسات المعلوماتية.

بالإضافة إلى إدارة البيانات ، تقدم الخوارزمية نهجا أصليا لتحليل البيانات أيضا. يسمح بمعالجة الأطياف قبل تقييم خرائط SAM (الخطوات 4.1-4.5). هذا الاحتمال يجد مبرراته في اختيار طريقة SAM للتحقيق في توزيعات الأصباغ. وفي الواقع، تعتبر SAM أطياف العاكسة كما أنها ستكون ناقلات في فضاء متعدد الأبعاد (أي ناقلات فائقة مع عدد من المكونات يساوي عدد قنوات الاستحواذ). لذلك ، إذا كان الهدف الرئيسي من التحليل هو مقارنة مراجع مختلفة ولكن مماثلة للتمييز بين أفضل واحد يطابق الأصباغ المستخدمة من قبل الفنان ، فإن المكونات المتطابقة تقريبا من الأطياف المرجعية (أي الأطوال الموجية التي تتوافق مع قيم متطابقة تقريبا في ناقلات فرط) لا ينبغي أن تكون مفيدة بشكل خاص وتسمح الخوارزمية باستبعاد هذه المكونات من التحليل.

يدعم البروتوكول خيارين لمعالجة البيانات (الخطوة 4.5): يمكن للمستخدم تحديد جزء الطول الموجي (أجزاء) بيانات العاكسة التي سيتم تحليلها يدويا (الشكل 6) أو تلقائيا (الشكل 7). التحديد اليدوي واضح. تظهر الأطياف المرجعية المعالجة مسبقا أو مشتقاتها الأولى، اعتمادا على خيار المعالجة المسبقة المحدد (الخطوة 4.2)، على نافذة تفاعلية، الشكل 6A، ويختار المستخدم فاصلا (فترات) طول موجي واحد أو أكثر، الشكل 6B، بالنقر على سطح الرسم البياني. ويستند الاختيار التلقائي إلى المعيار الرياضي للتباين الأقصى المطبق على الأطياف المرجعية المعالجة مسبقا أو مشتقاتها الأولى، اعتمادا على خيار المعالجة المسبقة المحدد (الخطوة 4-2). تحسب الخوارزمية التباين (تم تسويته وعرضه كخط متقطع في الشكل 7A) ضمن المراجع المحددة وترتيب جميع الأطياف (كل المراجع وفرط الأطياف) وفقا لهذا المعيار (يمثل الخط المتقطع في الشكل 7B التباين الذي تم تسويته وترتيبه). وبعبارة أخرى، إذا كان التباين الأقصى يتوافق مع الطول الموجي nth، سيتم نقل محتوى المكون nth لكل طيف معالج مسبقا (المراجع وhypercubes) إلى الموضع الأول من ناقل فرط إعادة ترتيب وهلم جرا (الأجزاء الملونة من الخلفية في الشكل 7A والشكل 7B شرح بيانيا إعادة ترتيب البيانات). عمليا، يتم طلب مكونات الأطياف المعالجة مسبقا مماثلة لتحليل المكون الرئيسي30.

بمجرد أن يتم التلاعب بالأطياف ، تقوم الخوارزمية بتقييم خرائط SAM. وبعد المعالجة اليدوية (الشكل 6)، يرجع البروتوكول ثلاث مجموعات من الخرائط: اثنتان مناظرتان لمجموعات الأطوال الموجية المختارة والمرفضة وواحدة تم الحصول عليها باستخدام الأطياف بأكملها. وإلا، بعد المعالجة التلقائية (الشكل 7)، تطبق الخوارزمية عتبة عائمة على قيم التباين وتقيم خرائط SAM عند زيادة العتبة لكل من مكونات المتجهات الفائقة التي أعيد ترتيبها والمقابلة للعتبة الزائدة (أي المحددة تلقائيا) والقيم الدنيا (أي المرفوضة تلقائيا) للتباين. هذه المجموعات من الخرائط، جنبا إلى جنب مع تلك التي تم الحصول عليها من الأطياف كلها (عاد دائما من قبل الخوارزمية)، يؤدي إلى ما مجموعه (2N + 1) مجموعات من الخرائط حيث N هو عدد القيم المفترضة من قبل عتبة. وتوضح مجموعات خرائط التشابه التي تم الحصول عليها عند زيادة العتبة (الشكل 8) أن معالجة البيانات لا تغير المحتوى بل توفر رؤى جديدة في تفاصيل المناطق (المناطق) المرسومة، وبالتالي يمكن أن تساعد في التمييز بين أوجه التشابه والاختلاف بين العينات والمراجع.

Figure 1
الشكل 1: كوارتو ستاتو. صورة للوحة، 1899-1901، 293 × 545 سم، زيت على قماش، جوزيبي بيليزا دا فولبيدو، موسيو ديل نوفيسنتو، ميلانو، إيطاليا. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

Figure 2
الشكل 2: تعريف الظروف التجريبية. (أ) عينات الاختبار المعدة لفترة معينة؛ (ب) الاختبارات المعدة لفترة محددة؛ (ج) الاختبارات المعدة العينات؛ (ج) الاختبارات التي تم إعدادها العينات؛ (ج) الاختبارات التي تم إعدادها العينات تحدد الدوائر والأرقام البيضاء نقاط القياس المقابلة للأطياف المحددة كمراجع. (ب) خرائط SAM التي تم تقييمها فيما يتعلق بالطيف المرجعي رقم 1، (C) رقم 2، (D) رقم 3، ورقم (E) 4. يشير شريط الألوان الرمادي إلى نطاق قيم الزوايا الطيفية. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

Figure 3
الشكل 3: تطبيق الشروط التجريبية المحددة على كوارتو ستاتو. (أ) مؤشرات الاستثمار المختارة للحملة التجريبية (المستطيلات الحمراء)؛ في كل مستطيل تم تسليط الضوء على FOV من تلك اللازمة لتغطية العائد على الاستثمار (المناطق غير المظللة). (ب) صور RGB للمناطق الأربع غير المظللة من لوحة A. (C) خرائط SAM تقييمها فيما يتعلق الطيف المرجعية المختارة داخل كل FOV (الدوائر الخضراء). يشير شريط الألوان الرمادي إلى نطاق قيم الزوايا الطيفية. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

Figure 4
الشكل 4: الإضاءة المناسبة مقابل غير السليمة لسطح العينة. (أ) جزء من FOV حيث يتأثر جزء صغير من السطح المطلي (الدائرة الحمراء) بخصائص العاكسة المعدلة بسبب الإضاءة غير السليمة. (ب) نفس الجزء الصغير من اللوحة (الدائرة الزرقاء) كما ينتج عندما يتم إضاءة FOV بشكل صحيح. (ج) أطياف انعكاس نقطة القياس في وسط الدوائر عندما يكون FOV مضاء بشكل غير صحيح وصحيح (الخط الأحمر والأزرق على التوالي). (د) خريطة SAM الخاصة ب FOV التي تم الحصول عليها باستخدام طيف نقطة القياس المضيئة غير السليمة كمرجع. (ه) خريطة SAM الخاصة ب FOV التي تم الحصول عليها باستخدام طيف نقطة القياس المضيئة المناسبة كمرجع. يشير شريط الألوان الرمادي إلى (D) و (E) ويشير إلى نطاق قيم الزوايا الطيفية التي تم الحصول عليها مقارنة المشتقات الأولى من أطياف الهايبر كيوب من FOV المحدد والمشتق الأول من طيف نقطة القياس في وسط الدوائر الملونة في (A) و (B). يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

Figure 5
الشكل 5: اختيار المراجع داخل hypercubes. (أ) وضع اختيار نقاط القياس المعزولة؛ تشير الدوائر الخضراء إلى موقع الأطياف المرجعية المحددة يدويا على FOV الموضحة. (ب) وضع التحديد الشبكي؛ تشير الدوائر الخضراء إلى موقع الأطياف المرجعية المحددة من خلال تطبيق إعادة تحديد الرتل مع تعيين الفاصل الزمني لأخذ العينات (n_pixel) إلى خمس وحدات بكسل على FOV الموضح. الصورة التي تم الإبلاغ عنها في كل من (A) و (B) هي تحويل تدرج الرمادي لصورة RGB ل FOV التي تم استردادها من أطياف العاكسة التي تطبق D65 illuminant ومراقب 1931 من معايير CIE إلى hypercube؛ يشير شريط الألوان الرمادي إلى كثافة هذه الصورة التي تم تسويتها. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

Figure 6
الشكل 6: وضع معالجة البيانات اليدوية. (أ) جانب النافذة التفاعلية التي تسمح للمستخدم بتقسيم الأطياف المرجعية إلى كسور مختارة ومرفضة من الأطوال الموجية. (ب) نفس المراجع (أ) حيث تم تسليط الضوء على أجزاء من البيانات المختارة لتقييم خرائط SAM من خلال خلفية وردية اللون. (أ) و (ب) عرض الأطياف المعالجة مسبقا من المراجع. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

Figure 7
الشكل 7: وضع معالجة البيانات التلقائي. (أ) المشتقات الأولى من المراجع الأربعة العادية المبلغ عنها في الشكل 6 (الخطوط الملونة) وتباينها الأقصى العادي (الخط المتقطع الأسود). (ب) نفس مشتقات (أ) التي تم فرزها وفقا لمعيار التباين الأقصى؛ تم الإبلاغ عن القيم التي تم فرزها لتباين الحد الأقصى الذي تم تسويتها أيضا (خط متقطع أسود). وقد تم تلوين بعض أجزاء من الخلفية مع الأشكال المختلفة في محاولة لتوضيح بصريا إعادة ترتيب ناقلات فرط. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

Figure 8
الشكل 8: خرائط SAM التي تم الحصول عليها من خلال وضع معالجة البيانات التلقائي. (A-C) القيم المفرزة للتباين الأقصى الذي تم تسويتها الذي تم تقييمه ضمن المشتقات الأولى من الأطياف المرجعية للرجوع إلى الشكل 7؛ يشير المقطعان الأخضر والأحمر من المنحنى، على التوالي، إلى الكسر المحدد (فوق القيم العتبية) والكسر المرفوض للبيانات (تحت قيم العتبة). وتبين اللوحات ما يحدث عند زيادة العتبة (الجزء الأسود المنقط)؛ كل لوحة تقارير خرائط سام لكلا المجموعتين من القيم التي تم الحصول عليها للمشتقات الأربعة من أطياف الشكل 7؛ تشير الخرائط ذات الحواف الخضراء إلى الكسور فوق العتبة بينما تشير الخرائط ذات الحواف الحمراء إلى الكسور السفلية. تشير أشرطة الألوان الرمادية إلى نطاق قيم الزوايا الطيفية. في هذا المثال، الخطوة التي تحدد زيادة العتبة يساوي 0.5٪ من التباين الأقصى تسويتها; قيم العتبة المذكورة في (C) هي 0.09 وهي آخر قيمة عتبة مدروسة لأن زيادة أخرى من شأنها أن تقلل من عدد المكونات المختارة من ناقلات فرط أقل من الحد الأدنى الثابت بشكل تعسفي من 20 القيم، أي 10٪ من العدد الإجمالي لقنوات الاستحواذ للكاميرا hyperspectral. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

مجموعات بيانات التصوير العاكسة الفائقة الطيفية هي خزانات كبيرة للمعلومات؛ لذلك، تطوير بروتوكولات قوية، وربما الآلي لتحليل البيانات هو بدوره مفتاح لاستغلال إمكاناتها15،17. وتستجيب الخوارزمية المقترحة لهذه الحاجة في مجال التراث الثقافي مع إيلاء اهتمام خاص لتوصيف أصباغ اللوحات. واستنادا إلى SAM20,21، تدعم الخوارزمية المستخدم خلال عملية التحليل بأكملها من وضع الظروف التجريبية إلى تقييم توزيع الأصباغ. على الرغم من أن الخوارزمية لا تزال لا تحتوي على واجهة رسومية كاملة وأنها لا توفر أداة لعرض النتائج (لهذا الغرض تم استخدام برنامج مفتوح المصدر31 ويوصى به ، انظر جدول المواد) ، فإن مجموعة الاحتمالات التي تم تنفيذها لتعديل النهج المتبع في تحليل البيانات توازن هذه العيوب على نطاق واسع.

ويحدد البروتوكول نظام الامتلاك وفقا لخصائص العينة وجهاز الكشف على حد سواء. من ناحية ، تتطلب تقنية Divisionist المستخدمة من قبل Pellizza Da Volpedo لإنشاء Quarto Stato أن يميز فرط الكبس بين ضربات الفرشاة الصغيرة من الأصباغ المختلفة الموضوعة جنبا إلى جنب. ومن ناحية أخرى، فإن الكاميرا الطيفية الفائقة لديها نطاق تركيز يتراوح بين 150 ملم وبلا حدود مع نظام ضبط يدوي على مسافة متر واحد من الهدف يكتشف مساحة 0.55 × 0.55 متر بدقة مكانية تبلغ 1.07 ملم26. ويساعد تطبيق الخوارزمية على عدد قليل من ال hypercubes المكتسبة على عينات الاختبار (الشكل 2) على تحديد مسافة عمل مناسبة للحصول على البيانات. وتسمح مراقبة القياسات بتعيين مسافة العمل للحملة التجريبية إلى 30 سم، وهو ما يقابل دقة 0.31 ملم عند الهدف.  كما اعتمدت مسافة العمل هذه بنجاح خلال الدورات التجريبية التي أجريت على كوارتو ستاتو (الشكل 3). وبمجرد تحديد مسافة العمل، تظل إضاءة سطح العينة مسألة حاسمة 3,15. عندما يظهر جزء من FOV متفاوتة (الدائرة الحمراء في الشكل 4A) بدلا من الإضاءة موحدة (الدائرة الزرقاء في الشكل 4B)، خصائص انعكاس تغيير كبير (الشكل 4C) ويتم اختراق الإجراء كله (الشكل 4D مقابل Figure4E). يمنع البروتوكول الإضاءة غير المستوية (وبشكل عام ضد القطع الأثرية في المناطق الخاضعة للمراقبة) أثناء الحصول على البيانات (عن طريق إعادة RGB ، الخطوة 1.4.1 وخرائط SAM الخطوة 1.4.9 يمكن التحقق من قبل المستخدم) والخلفية عن طريق استبعاد الأجزاء للخطر من FOVs من التحليل بواسطة رمز الاقتصاص (الخطوتين 1.4.2 و 3.1.2).

يسمح البروتوكول للمستخدم بتحديد المراجع (أي الأعضاء النهائيين المستخدمين لتقييم خرائط SAM) مع أقصى قدر من الحرية. فمن ناحية، يمكن اختيار الأجهزة EMs ضمن حواف الهايبركوبس حسب طريقتين: اختيار نقاط القياس المعزولة (الشكل 5A في الخطوتين 1.4.5 و3.1.2) أو اختيار نقاط القياس الشبكية (الشكل 5B في الخطوة 3.1.3). ويمكن تعريف الأول بأنه اختيار مستنير لأنه يتطلب بعض الخبرة في المستخدم لتحديد نقاط القياس الهامة يدويا. ويمكن تعريف هذا الأخير على أنه اختيار أعمى لأن أخذ العينات الشبكية من FOVs يتطلب فقط قيمة الفاصل الزمني لأخذ العينات التي يتعين القيام بها. ومن ناحية أخرى، يمكن استرجاع اللوحات من خارج اللوحة قيد التحقيق (الخطوة 3-1-4). خلال الحملة التجريبية التي أجريت على كوارتو ستاتو، تم استخدام مطياف FORS مصغر محمول (جدول المواد) لجمع الأطياف من عينات مسودة تخص الفنان ويحتفظ به حاليا في متحف الاستوديو الموجود في فولبيدو (Pellizza da Volpedo Studio Museo، Volpedo (AL)، إيطاليا). وقد استخدمت بيانات التفكر هذه لتقييم خرائط SAM، وأبلغ عن بعضها في الشكل 6 والشكل 7. نظرا لأنه يحد من أهمية الكثافة المطلقة لخط الأساس للأطياف ، فإن المعالجة المسبقة إلزامية لكل من hypercubes وEMs ، خاصة إذا تم الحصول عليها من أجهزة إعداد مختلفة قليلا أو ظروف عمل 32.

السمة الرئيسية الأخيرة للبروتوكول هي فرصة التلاعب بالبيانات التجريبية. للتلاعب، من المفترض أن يساعد تحديد أهم مكونات EMs (أي أجزاء أطياف الأعضاء النهائيين في توصيف المواد المستخدمة من قبل الفنان). يمكن إنجاز هذه المهمة يدويا (الشكل 6) أو تلقائيا (الشكل 7). في الحالة الأولى، تستفيد الخوارزمية من خبرة المؤدي بينما، في الحالة الثانية، هو معيار إحصائي يحدد المكونات التي، مرة بعد مرة، سيتم استخدامها لتقييم خرائط SAM. وفي كلتا الحالتين، يزيد التلاعب من عدد خرائط التشابه الناتجة عن ذلك، وبالتالي يوسع القدرة على الكشف عن المعلومات التي تحملها الكبر. وعلى وجه الخصوص، يولد الاختيار القائم على المعيار عددا كبيرا من الرؤى للسطح المطلي (الشكل 8).

ويمكن أن تظهر السمات المذكورة، إذا أخذت على حدة، على أنها مجرد فوائد تقنية، ولكنها تنطوي معا على نقطتين رئيسيتين على الأقل. يمكن تطبيق الخوارزمية بنجاح من قبل أي نوع من المستخدمين ويمكن أن توسع بشكل كبير سيناريو التحليل. في الواقع، يمكن تنفيذ الخطوات الرئيسية للبروتوكول (أي اختيار المراجع والتلاعب في البيانات) تلقائيا، متجاهلا مهارات المستخدم وخبرته. مع إمكانية دفع التحليل مع الأطياف من خارج hypercubes ، يمكن استغلال جميع بيانات الانعكاس في التخلص من الباحثين لتوصيف العينة قيد التحقيق.

وباختصار، يمكن أن يكون البروتوكول أداة مرنة للغاية. مع بعض التحسينات فيما يتعلق بالواجهة الرسومية وعدد طرق التحليل المدعومة ، يمكن أن تكون خطوة أبعد من حالة الفن فيما يتعلق بالتعامل مع وتحليل البيانات التي تم الحصول عليها من الأسطح المطلية عن طريق تصوير العاكسة الطيفية الفائقة.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

وليس لدى صاحبي البلاغ ما يكشفان عنه.

Acknowledgments

تم تمويل هذا البحث من قبل Regione Lombardia في إطار مشروع MOBARTECH: una piattaforma المحمول tecnologica، interattiva e partecipata لكل استوديو لو، لا كونسرازيون إي لا فالوريزازيوني دي بيني ستوريكو-فني - Call Accordi لكل لا Ricerca e l'Innovazione.

ويشكر المؤلفون الموظفين في متحف ديل نوفيسنتو على الدعم الذي تقدموه خلال الدورات التجريبية في الموقع، وعلى Associazione Pellizza da Volpedo على إمكانية الوصول إلى ستوديو موسيو.

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

الكيمياء، العدد 172، تصوير العاكسة الطيفية، التحليل الطيفي للعكس، التحليل الطيفي لعكس الألياف البصرية، مخطط زاوية الطيفية، التلاعب بالبيانات، التحليل القابل للتعديل حسب الطلب، اللوحات، الأصباغ
تطبيق التصوير انعكاس Hyperspectral للتحقيق في لوحات وتقنيات الرسامين
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