Waiting
Login processing...

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

Chemistry

Application de l’imagerie par réflectance hyperspectrale pour étudier les palettes et les techniques des peintres

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

Les hypercubes d’imagerie par réflectance hyperspectrale incluent des informations remarquables dans une grande quantité de données. Par conséquent, la demande de protocoles automatisés pour gérer et étudier les ensembles de données est largement justifiée. La combinaison de Spectral Angle Mapper, de la manipulation de données et d’une méthode d’analyse réglable par l’utilisateur constitue un élément clé pour explorer les résultats expérimentaux.

Abstract

La spectroscopie de réflectance (RS) et la spectroscopie de réflectance par fibre optique (FORS) sont des techniques bien établies pour l’étude des œuvres d’art avec une attention particulière aux peintures. La plupart des musées modernes mettent à la disposition de leurs groupes de recherche des équipements portables qui, associés au caractère intrinsèque non invasif de RS et FORS, rendent possible la collecte in situ de spectres de réflectance à partir de la surface des artefacts. La comparaison, réalisée par des experts en pigments et en matériaux de peinture, des données expérimentales avec des bases de données de spectres de référence conduit à la caractérisation des palettes et des techniques utilisées par les artistes. Cependant, cette approche nécessite des compétences spécifiques et prend du temps, surtout si le nombre de spectres à étudier devient important, comme c’est le cas des ensembles de données d’imagerie par réflectance hyperspectrale (HRI). Les installations expérimentales HRI sont des caméras multidimensionnelles qui associent l’information spectrale, donnée par les spectres de réflectance, à la localisation spatiale des spectres sur la surface peinte. Les ensembles de données résultants sont des cubes 3D (appelés hypercubes ou cubes de données) où les deux premières dimensions localisent le spectre sur la peinture et la troisième est le spectre lui-même (c’est-à-dire la réflectance de ce point de la surface peinte par rapport à la longueur d’onde dans la gamme opératoire du détecteur). La capacité du détecteur à collecter simultanément un grand nombre de spectres (généralement beaucoup plus de 10 000 pour chaque hypercube) fait des ensembles de données HRI de grands réservoirs d’informations et justifie la nécessité de développer des protocoles robustes et, éventuellement, automatisés pour analyser les données. Après la description de la procédure conçue pour l’acquisition de données, nous présentons une méthode d’analyse qui exploite systématiquement le potentiel des hypercubes. Basé sur spectral Angle Mapper (SAM) et sur la manipulation des spectres collectés, l’algorithme gère et analyse des milliers de spectres tout en aidant l’utilisateur à dévoiler les caractéristiques des échantillons étudiés. La puissance de l’approche est illustrée en l’appliquant à Quarto Stato, le chef-d’œuvre emblématique de Giuseppe Pellizza da Volpedo, conservé au Museo del Novecento de Milan (Italie).

Introduction

La spectroscopie de réflectance (RS) et la spectroscopie de réflectance par fibre optique (FORS) sont basées sur la détection de la lumière réfléchie par les surfaces une fois éclairées par une source lumineuse, généralement une lampe tungstène-halogène. La sortie du système d’acquisition est constituée de spectres où la réflectance est surveillée en fonction de la longueur d’onde dans une plage qui dépend des caractéristiques de la configuration expérimentale utilisée1,2,3. Introduits au cours des quatre dernières décennies4,5, RS et FORS sont généralement utilisés en combinaison avec la fluorescence des rayons X et d’autres spectroscopies pour décrire les matériaux et les techniques utilisés par les artistes pour réaliser leurs chefs-d’œuvre6,7,8,9. L’étude des spectres de réflectance est généralement réalisée en comparant les données de l’échantillon avec un groupe de spectres de référence sélectionnés par l’utilisateur dans des bases de données personnelles ou publiques. Une fois que les spectres de référence conformes à la période de réalisation de l’échantillon et au modus operandi de l’artiste ont été identifiés, l’utilisateur reconnaît les principales caractéristiques des spectres de réflectance (c.-à-d. bandes de transition, d’absorption et de réflexion1,2,10,11) puis, à l’aide d’autres techniques6,7,8 ils distinguent les pigments qui ont été utilisés dans les peintures. Enfin, ils discutent des légères différences qu’il existe entre les références et les spectres expérimentaux7,9.

Dans la plupart des cas, les ensembles de données expérimentales sont composés de quelques spectres, collectés à partir de zones choisies par des experts en art et supposés importants pour la caractérisation de la peinture6,12,13. Malgré les compétences et l’expérience de l’utilisateur, quelques spectres ne peuvent pas épuiser complètement les caractéristiques de toute la surface peinte. De plus, le résultat de l’analyse dépendra toujours fortement de l’expertise de l’artiste interprète. Dans ce scénario, l’imagerie par réflectance hyperspectrale (HRI3,14,15) pourrait être une ressource utile. Au lieu de quelques spectres isolés, les configurations expérimentales renvoient les propriétés de réflectance de portions étendues ou même de l’ensemble de l’artefact étudié16. Les deux principaux avantages en ce qui concerne l’acquisition des spectres isolés sont évidents. D’une part, la disponibilité de la distribution spatiale des propriétés de réflectance permet d’identifier les zones qui cachent des caractéristiques intéressantes, même si elles peuvent ne pas sembler particulières17. D’autre part, les hypercubes garantissent un nombre de spectres suffisamment élevé pour permettre l’analyse statistique des données. Ces faits appuient la compréhension de la distribution des pigments dans la surface peinte18,19.

Avec HRI, la comparaison des données expérimentales avec les références pourrait être difficile à gérer15. Un détecteur typique renvoie des hypercubes d’au moins 256 x 256 spectres. Cela obligerait l’utilisateur à évaluer plus de 65 000 spectres de réflectance par rapport à chaque référence, une tâche presque impossible à effectuer manuellement dans un délai raisonnable. Par conséquent, la demande de protocoles robustes et, éventuellement, automatisés pour gérer et analyser les ensembles de données HRI est plus que justifiée15,17. La méthode proposée répond à ce besoin en gérant l’ensemble de la procédure analytique avec un minimum d’implication et une flexibilité maximale.

Un algorithme comprenant un ensemble de codes faits maison (Table des matériaux) lit, gère et organise les fichiers renvoyés par la configuration expérimentale. Il permet d’étudier la sélection fine des parties des champs de vision (FOV, un champ de vision est la zone de la peinture surveillée par un seul hypercube) et effectue l’analyse des données sur la base de la méthode Spectral Angle Mapper (SAM)20,21 et sur la manipulation des spectres originaux. SAM renvoie des images en niveaux de gris de fausses couleurs appelées cartes de similarité. Les valeurs des pixels de ces cartes correspondent aux angles spectraux qui sont les angles entre les spectres stockés dans les hypercubes et les membres dits finaux (ME, un groupe de spectres de référence qui devrait décrire les caractéristiques de la surface surveillée par les hypercubes)22. Dans le cas de RS appliqué aux peintures, les EM sont les spectres de réflectance des pigments qui doivent correspondre à la palette du Maître. Ils sont choisis en fonction des informations disponibles sur l’artiste, de la période de réalisation du tableau et de l’expertise de l’utilisateur. Par conséquent, la sortie du SAM est un ensemble de cartes qui décrit les distributions spatiales de ces pigments sur la surface de la peinture et qui aide l’utilisateur à déduire les matériaux utilisés par l’artiste et leur organisation dans l’artefact. L’algorithme offre la possibilité d’employer toutes sortes de références indépendamment de leur origine. Les références peuvent être des spectres spécifiques sélectionnés dans les hypercubes, provenir de bases de données, être acquises par un instrument différent sur une surface différente (comme des échantillons de pigments ou la palette de l’artiste, par exemple), ou être obtenues en utilisant tout type de spectroscopie de réflectance, FORS inclus.

La SAM a été préférée parmi les méthodes de classification disponibles car il a été démontré qu’elle était efficace pour caractériser les pigments (voir le livre de Richard23 pour avoir un aperçu des principales méthodes de classification disponibles). Au lieu de cela, l’idée de développer un protocole fait maison plutôt que d’adopter l’un des nombreux outils disponibles gratuitement sur le net24,25 repose sur une considération pratique. Malgré l’efficacité et la base scientifique des interfaces graphiques et des logiciels existants, un seul outil ne répond guère à tous les besoins de l’utilisateur. Il peut y avoir un problème d’entrée/sortie (E/S) car un outil ne gère pas le fichier contenant les données brutes. Il pourrait y avoir un problème concernant l’analyse des données parce qu’un autre outil ne fournit pas l’approche souhaitée. Il pourrait y avoir une limitation dans le traitement des données car l’analyse simultanée de plusieurs jeux de données n’est pas prise en charge. Dans tous les cas, un outil parfait n’existe pas. Chaque méthode doit être ajustée aux données ou vice versa. Par conséquent, le développement d’un protocole fait maison a été préféré.

L’approche présentée n’offre ni un ensemble complet de méthodes analytiques (voir, à titre de comparaison, l’outil proposé par Mobaraki et Amigo24) ni une interface utilisateur facile à gérer (voir, à titre de comparaison, le logiciel utilisé par Zhu et ses collègues25), mais, en échange, elle se concentre sur un aspect encore sous-estimé de l’analyse de données hyperspectrales: la possibilité de manipuler les spectres détectés. La puissance de l’approche est illustrée en l’appliquant au tableau Quarto Stato de Giuseppe Pellizza da Volpedo (Figure 1), une huile sur toile emblématique conservée au Museo del Novecento de Milan, en Italie. Notez que, puisque l’approche nécessite l’exécution de codes faits maison, le développeur a choisi arbitrairement les noms des codes et les variables d’entrée et de sortie utilisées dans la description du protocole. Les noms des variables peuvent être modifiés par l’utilisateur, mais ils doivent être fournis comme suit: les variables d’entrée et de sortie doivent être écrites respectivement entre parenthèses et éventuellement séparées par une virgule et entre crochets et éventuellement séparées par un espace blanc. Au contraire, les noms des codes ne peuvent pas être modifiés.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Définissez la résolution spatiale des hypercubes

  1. Effectuer une inspection préliminaire de la surface peinte (Figure 1) soutenue par des experts en art pour identifier les principales caractéristiques de la peinture.
    1. Reconnaître les techniques picturales employées par l’artiste pour créer le tableau.
    2. Identifiez les différents coups de pinceau de peinture sur la toile.
    3. Estimer, qualitativement, les caractéristiques des coups de pinceau avec une attention particulière à leur taille.
  2. Imiter la technique picturale utilisée par l’artiste en créant des échantillons de test ad hoc où les coups de pinceau présentent des caractéristiques similaires à celles appliquées par l’artiste.
    NOTE: Pellizza da Volpedo était un peintre divisionniste. On a demandé à un restaurateur de préparer des échantillons d’essai qui reproduisent qualitativement les coups de pinceau de la toile d’intérêt (figure 2, colonne A).
  3. Définissez la distance entre la surface étudiée et l’équipement d’acquisition.
    REMARQUE: La distance détermine la résolution spatiale des hypercubes26 et donc la possibilité de distinguer les coups de pinceau sur les images et les cartes SAM de la surface peinte.
    1. Évaluer la distance entre la surface de l’échantillon et l’équipement d’acquisition en tenant compte des caractéristiques de la caméra hyperspectrale26 (Table des matériaux) et de la taille des coups de pinceau dessinés dans les échantillons d’essai.
    2. Placez l’étape d’acquisition et la caméra hyperspectrale à la distance évaluée à l’étape précédente. Disposez les échantillons d’essai sur la scène et assurez un éclairage uniforme de la surface des échantillons.
    3. Effectuez un étalonnage blanc à l’aide de la référence étalon blanche fournie avec la caméra hyperspectrale. Acquérir les hypercubes.
      REMARQUE: Pour chaque champ de vision, la caméra hyperspectrale renvoie à la fois des images brutes et calibrées. Ces derniers ont été utilisés pour l’analyse.
    4. Téléchargez les fichiers renvoyés par l’instrument et enregistrez-les dans un dossier dédié.
  4. Vérifiez si la résolution spatiale des hypercubes peut distinguer les différents coups de pinceau sur les images et les cartes SAM de la surface peinte.
    1. Inspectez les images RVB renvoyées par la caméra hyperspectrale pour vous assurer que les coups de pinceau utilisés pour réaliser les échantillons de test peuvent être reconnus (Figure 2, colonne A). Si c’est le cas, passez aux étapes suivantes; sinon, revenez à l’étape 1.3.1 et redémarrez.
    2. Répertoriez les fichiers contenant les données hyperspectrales et les images RVB des FOV en exécutant le code de lecture des données, HS_FileLister. Tapez la ligne de commande suivante (point-virgule inclus) dans la fenêtre du terminal de la langue utilisée pour développer les codes (Table des matériaux) et appuyez sur Entrée pour exécuter le code :
      [HS_DataList HS_ImageList] = HS_FileLister;
      1. Aucune entrée n’est requise et il y a deux sorties: la liste des fichiers contenant les hypercubes, HS_DataList, et la liste des images renvoyées par la caméra hyperspectrale, HS_ImageList.
        REMARQUE: La taille de chaque hypercube est de 512 x 512 x 204 voxels où 204 est le nombre de canaux utilisés pour surveiller le signal de réflectance. Les canaux couvrent la gamme de longueurs d’onde comprise entre 400 et 1 000 nm avec une résolution spectrale de 7 nm à FWHM26.
    3. Définissez la partie 3D des hypercubes qui doit être analysée en exécutant le code de recadrage, HS_Crop_png. Définissez la partie souhaitée de chaque cube de données en sélectionnant une zone sur une fenêtre interactive qui affiche l’image RVB 2D du champ de vision surveillé par chaque hypercube. Tapez la ligne de commande suivante (point-virgule inclus) dans la fenêtre du terminal et appuyez sur Entrée pour exécuter le code :
      [HS_ImageList] = HS_Crop_png(HS_ImageList);
      1. Il y a une entrée (la liste des images renvoyées par la caméra hyperspectrale, HS_ImageList) et une sortie (la liste d’entrée ajoutée avec les coordonnées spatiales pour éventuellement recadrer les hypercubes).
    4. Appliquer l’illuminant D65 et l’observateur de 1931 des normes CIE (Commission internationale de l’éclairage) aux hypercubes pour récupérer les images RVB du ou des FOV des spectres de réflectance en exécutant le code de reconstruction, HS_RGB_rebuild. Tapez la ligne de commande suivante (point-virgule inclus) dans la fenêtre du terminal et appuyez sur Entrée pour exécuter le code :
      [HS_ImageList] = HS_RGB_rebuild(HS_ImageList, HS_DataList);
      1. Il y a deux entrées (la liste contenant les images renvoyées par la caméra hyperspectrale, HS_ImageList, et la liste des fichiers contenant les hypercubes, HS_DataList) et une sortie (la liste d’entrée contenant les images renvoyées par la caméra hyperspectrale ajoutée avec les images RVB des surfaces des hypercubes récupérées à partir des spectres de réflectance).
        NOTE: HS_RGB_Rebuild exploite les fonctions développées par Jeff Mather27 pour appliquer l’illuminant D65 et l’observateur 1931 de CIE aux données.
    5. Sélectionnez manuellement certains spectres de référence sur les surfaces des échantillons d’essai (cercles blancs et nombres dans la figure 2, colonne A) en exécutant le code de sélection des points de mesure isolés, PointSel. Sélectionnez les points de mesure en cliquant sur une fenêtre interactive qui affiche, une par une, les images RVB 2D du ou des FOV. Tapez la ligne de commande suivante (point-virgule inclus) dans la fenêtre du terminal et appuyez sur Entrée pour exécuter le code :
      [Références] = PointSel(HS_DataList, HS_ImageList);
      1. Il y a deux entrées (la liste contenant les images renvoyées par la caméra hyperspectrale, HS_ImageList, et la liste des fichiers contenant les hypercubes, HS_DataList) et une sortie (une variable, Références, contenant les spectres sélectionnés comme références dans le(s) champ(s) de gestion).
    6. Si vous le souhaitez, stockez la position des références sur la surface des exemples dans un ensemble d’images en exécutant le code dédié, SaveImPoint. Tapez la ligne de commande suivante (point-virgule inclus) dans la fenêtre du terminal et appuyez sur Entrée pour exécuter le code :
      SaveImPoint(Références, HS_ImageList);
      1. Il y a deux entrées (la variable contenant les spectres de référence, Références, et la liste contenant les images renvoyées par la caméra hyperspectrale, HS_ImageList) et aucune sortie (le code enregistre .png images dans le dossier de travail actuel).
    7. Organisez les références dans une matrice en exécutant le code de conversion RefListToMatrix. Tapez la ligne de commande suivante (point-virgule inclus) dans la fenêtre du terminal et appuyez sur Entrée pour exécuter le code :
      [References_Matrix] = RefListToMatrix(Références, HS_ImageList(1). WaveL);
      1. Il y a deux entrées (la variable contenant les spectres de référence, Références, et la liste des longueurs d’onde auxquelles le détecteur compte les photons lors de l’acquisition des données des spectres, HS_ImageList(1). WaveL) et une sortie (les mêmes spectres de référence organisés en matrice, References_Matrix).
        Remarque : Cette étape est obligatoire car le code qui évalue les cartes SAM nécessite que les spectres de référence soient organisés dans une matrice. La syntaxe de la deuxième entrée, HS_ImageList(1). WaveL, est nécessaire pour rappeler la variable WaveL de la liste HS_ImageList. Le chiffre 1 entre parenthèses fait référence au premier élément de la liste nommé HS_ImageList; cependant, comme tous les hypercubes ont la même gamme de longueurs d’onde, il peut être substitué par chaque nombre mineur ou égal au nombre total d’images répertoriées.
    8. Extrayez les cartes SAM à l’aide de l’ensemble des spectres en exécutant le code d’évaluation des cartes SAM standard, SAM_Standard. Tapez la ligne de commande suivante (point-virgule inclus) dans la fenêtre du terminal et appuyez sur Entrée pour exécuter le code :
      SAM_Standard(s) HS_ImageList, HS_DataList, References_Matrix);
      1. Il y a trois entrées (la liste contenant les images renvoyées par la caméra hyperspectrale, HS_ImageList; la liste des fichiers contenant les hypercubes, HS_DataList; et la matrice des spectres de référence, References_Matrix) et aucune sortie: le code enregistre les cartes SAM en tant qu’images .png dans le dossier de travail actuel.
    9. Vérifiez si les cartes de similarité obtenues (Figure 2, colonnes B à E) affichent les détails des coups de pinceau utilisés pour réaliser les échantillons de test. Si tel est le cas, passez à l’étape suivante du protocole ; sinon, revenez à l’étape 1.3.1 et redémarrez.

2. Ajuster les paramètres expérimentaux à la peinture

  1. Identifier la ou les régions d’intérêt, le(s) ROI(s), de la peinture à étudier (rectangles rouges à la figure 3A).
    REMARQUE: Il est courant que plusieurs FOV soient nécessaires pour couvrir un seul retour sur investissement.
  2. Organisez la configuration d’acquisition et la peinture à la distance définie dans les étapes précédentes et effectuez l’étalonnage blanc en utilisant la référence standard blanche fournie avec la caméra hyperspectrale.
    REMARQUE : Si les utilisateurs doivent faire une acquisition in situ (c.-à-d. qu’ils doivent étudier une peinture exposée dans un musée ou lors d’une exposition), ils ne peuvent gérer que la caméra. C’est le cas de Quarto Stato, qui est exposé en permanence dans un espace dédié au Museo del Novecento de Milan, en Italie.
  3. Acquérir les données hyperspectrales à partir d’au moins un champ de vision dans le bord de chaque retour sur investissement (zones non ombragées dans les rectangles rouges de la figure 3A).
  4. Téléchargez les fichiers renvoyés par l’instrument et enregistrez-les dans un dossier dédié.
  5. Vérifiez si l’éclairage de la surface de la peinture a été réglé uniformément en regardant les images RVB renvoyées par la caméra hyperspectrale. Si tel est le cas, passez aux étapes suivantes, sinon revenez à l’étape 2.2 et redémarrez.
    REMARQUE : La figure 4 illustre l’importance de cette vérification (voir la section Discussion pour plus de détails).
  6. Répétez les sous-étapes de l’étape 1.4.
  7. Vérifiez si les données ont une résolution spatiale suffisamment élevée pour distinguer les coups de pinceau en observant les images RVB des FOV (Figure 3B) et les cartes SAM (Figure 3C) liées aux spectres de référence sélectionnés dans les FOV (cercles verts dans la Figure 3B).
  8. Si l’éclairage et la résolution spatiale ont été correctement réglés, compléter la collecte des données en acquérant les autres FOV nécessaires pour couvrir le(s) ROI(s) ; sinon, revenez à l’étape 2.2 et redémarrez.
    REMARQUE: Lorsqu’un retour sur investissement nécessite que plus d’un champ de vision soit couvert, assurez-vous d’un certain degré de superposition entre les FOV adjacents pour assembler facilement les cartes résultantes3,15. L’étendue du chevauchement dépend de la distance entre la caméra hyperspectrale et l’échantillon, de la translation et de l’angle de vue horizontal du détecteur28. Dans le cas de la campagne expérimentale menée sur Quarto Stato, le chevauchement a été fixé à au moins 40% des FOV.

3. Hypercubes et gestion des spectres de référence

  1. Effectuez les E/S des données brutes : organisez, lisez et gérez les hypercubes.
    1. Exécutez le code HS_FileLister pour stocker la liste des fichiers contenant les hypercubes et les informations associées dans deux variables à la disposition de l’algorithme (voir l’étape 1.4.2 pour les détails pratiques).
      REMARQUE: La caméra hyperspectrale renvoie des fichiers hdr (plage dynamique élevée) que le code gère en exploitant une version revisitée du script développé par Jarek Tuszinsky29.
    2. Exécutez le code HS_Crop_png pour sélectionner la partie de chaque champ de vision à utiliser dans l’analyse des données (voir l’étape 1.4.3 pour les détails pratiques).
    3. Exécutez le code HS_RGB_Rebuild pour récupérer les images RVB des FOV à partir des spectres de réflectance (voir l’étape 1.4.4 pour les détails pratiques).
  2. Organisez, lisez (si nécessaire) et gérez les spectres de référence.
    REMARQUE : Les spectres de référence joueront le rôle des membres finaux dans la méthode SAM20,21. Cette partie de l’algorithme n’est pas déterminée de manière univoque mais dépend du mode de sélection et de l’origine des spectres de référence.
    1. Exécutez le code PointSel et cliquez dans la fenêtre interactive affichée pour identifier les spectres de référence en tant que points de mesure isolés sur la surface de la ou des zones surveillées (Figure 5A) (voir l’étape 1.4.5 pour les détails pratiques).
    2. Sélectionnez automatiquement les spectres de référence comme un réticulum régulier de points de mesure superposés à la surface de la ou des zones surveillées en exécutant le code de sélection réticulaire, ReticularSel (Figure 5B). Tapez la ligne de commande suivante (point-virgule inclus) dans la fenêtre du terminal et appuyez sur Entrée pour exécuter le code :
      [Références] = ReticularSel(HS_DataList, HS_ImageList, n_pixel);
      1. Il y a trois entrées (la liste contenant les images renvoyées par la caméra hyperspectrale, HS_ImageList; la liste des fichiers contenant les hypercubes, HS_DataList; et l’espacement du réticulum, n_pixel, exprimé en nombre de pixels) et une sortie: une variable contenant les spectres sélectionnés comme références dans les FOV, Références.
    3. Exécutez le code de l’importateur de références externes, Spectra_Importer, pour créer une variable contenant des références provenant de jeux de données et de bases de données indépendants des hypercubes acquis sur Quarto Stato. Tapez la ligne de commande suivante (point-virgule inclus) dans la fenêtre du terminal et appuyez sur Entrée pour exécuter le code :
      [ExtReferences] = Spectra_Importer(file_extension);
      1. Il y a une entrée (l’extension du fichier contenant les spectres de référence indépendants, file_extension, écrits entre apices) et une sortie (une variable contenant les références externes, ExtReferences).
        REMARQUE: Le code de l’importateur de référence externe a été optimisé pour l’importation de fichiers tmr mais, si nécessaire, il peut être facilement modifié pour traiter tout type de fichier texte.
    4. Exécutez le code RefListToMatrix pour placer les références dans une matrice, References_Matrix ou ExtReferences_Matrix, comme l’exige le code qui évalue les cartes SAM (voir l’étape 1.4.7 pour les détails pratiques).
    5. Attendez que le code RefListToMatrix égalise à la fois la gamme de longueurs d’onde et la résolution spectrale (c’est-à-dire le nombre de composants) des hypercubes et des références.
      REMARQUE: Le code identifie les plages de longueurs d’onde des hypercubes et des références. Le code compare les plages de longueurs d’onde et coupe les intervalles de longueur d’onde qui ne sont pas surveillés à la fois par les hypercubes et les références. Le code identifie le groupe d’hyper-vecteurs (les hypercubes ou les références) constitué par le nombre inférieur de composants (c’est-à-dire caractérisé par la résolution spectrale inférieure) dans la gamme de longueurs d’onde égalisée. Le code réduit le nombre de composants des hyper-vecteurs les plus longs (les références ou les hypercubes) à celui des plus courts (les hypercubes ou les références). Cela se fait en ne conservant, pour chaque longueur d’onde des hyper-vecteurs plus courts, que les valeurs des hyper-vecteurs plus longs qui correspondent à la longueur d’onde la plus proche de celle des hyper-vecteurs plus courts.
      1. Le code effectue automatiquement l’égalisation. Si les références ont été sélectionnées dans les hypercubes, la gamme de longueurs d’onde et la résolution spectrale n’ont pas besoin d’être égalisées et elles restent inchangées.
    6. Si vous le souhaitez, stockez la position des références sur la surface des échantillons dans un ensemble d’images en exécutant le code dédié (voir l’étape 1.4.7 pour les détails pratiques).
      Remarque : Cette option n’est disponible que si les références ont été sélectionnées dans les hypercubes (étapes 3.2.1 et 3.2.2).

4. Analyse SAM

  1. Exécutez le code SAM_Complete pour évaluer les cartes de similitude. Tapez la ligne de commande suivante (point-virgule inclus) dans la fenêtre du terminal et appuyez sur Entrée pour exécuter le code :
    SAM_Complete(s) HS_ImageList, HS_DataList, References_Matrix);
    1. Il y a trois entrées (la liste contenant les images renvoyées par la caméra hyperspectrale, HS_ImageList; la liste des fichiers contenant les hypercubes, les HS_DataList; et la matrice de référence, References_Matrix ou ExtReferences_Matrix) et aucune sortie (le code enregistre les cartes SAM en tant que fichiers .png dans le dossier de travail actuel).
      REMARQUE: Outre les trois variables d’entrée décrites, le code SAM_complete doit être alimenté avec quelques paramètres supplémentaires pour adapter le protocole d’analyse en fonction des préférences de l’utilisateur (voir les étapes suivantes).
  2. Si nécessaire, alimentez le code avec l’option de prétraitement en tapant le chiffre 0 ou 1 dans la boîte de dialogue en fonction de l’opération de prétraitement souhaitée et appuyez sur Entrée pour continuer.
    1. Option de prétraitement définie sur 0 : la zone sous-tendue par chaque spectre de réflectance est normalisée à 1.
    2. Option de prétraitement définie sur 1 : la zone sous-tendue par chaque spectre de réflectance est normalisée à 1, puis le spectre normalisé est dérivé une fois.
      REMARQUE : Les hypercubes et les références subissent la même option de prétraitement.
  3. Sélectionnez les membres finaux à utiliser pour l’analyse SAM dans la matrice de référence en alimentant le code avec les numéros des colonnes qui correspondent aux spectres souhaités. Si nécessaire, entrez dans la boîte de dialogue la séquence de nombres correspondant aux colonnes souhaitées en tapant les nombres séparés par un espace blanc. Appuyez sur Entrée pour continuer.
    NOTE : La séquence [1 2 3] correspond à la sélection des trois premières colonnes de la matrice de référence ; un vecteur vide correspond à la sélection de toutes les colonnes de la matrice de référence.
  4. Alimentez le code avec une chaîne contenant la première partie du nom qui identifiera les ensembles de cartes à enregistrer (c’est-à-dire la partie commune du nom des fichiers .png renvoyés par SAM_Complete). Si nécessaire, insérez la chaîne dans la boîte de dialogue. Appuyez sur Entrée pour continuer.
    REMARQUE: Si l’utilisateur tape test, le nom de toutes les images de sortie .png commencera par test.
  5. Si nécessaire, alimentez le code avec la méthode sélectionnée pour gérer les données en tapant le nombre 0, 1 ou 2 dans la boîte de dialogue en fonction de la méthode de poignée souhaitée et appuyez sur Entrée pour continuer.
    1. Définissez la méthode sur 0 pour aucune manipulation des données.
    2. Réglez la méthode sur 1 pour exiger la sélection manuelle de la ou des gammes de longueurs d’onde des spectres à considérer avant de commencer l’analyse (Figure 6).
    3. Définissez la méthode sur 2 pour exiger que l’algorithme ordonne les données sur la base d’un critère spécifique avant l’évaluation des cartes SAM (Figure 7).
  6. Attendez que le protocole traite les données et enregistre les cartes SAM dans le dossier de travail actuel en tant que fichiers .png.
    Remarque : Si la méthode handle a été définie sur 0 ou 2, l’utilisateur doit simplement attendre. S’il a été défini sur 1, l’utilisateur doit sélectionner la ou les portions des spectres à utiliser pour évaluer les cartes SAM en cliquant sur une fenêtre interactive (Figure 6).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Le protocole proposé offre un ensemble de fonctionnalités intéressantes pour la gestion et l’analyse des données HRI. L’E/S (étape 3.1) des données brutes est toujours le premier problème qui doit être résolu avant d’appliquer une méthode d’analyse et il peut devenir un problème critique lors du traitement de grandes quantités de données. Dans le cas présent, la seule tâche concernant les données brutes est de stocker les résultats expérimentaux dans un dossier dédié et de le sélectionner en parcourant le disque dur lors de l’exécution du code de lecture (étape 3.1.1). Par la suite, les codes de recadrage et de reconstruction RVB permettent d’affiner la sélection des données à analyser (étape 3.1.2) et de vérifier que les conditions expérimentales ont été correctement réglées au moment de l’acquisition des hypercubes (étape 3.1.3, voir la figure 4 et la section Discussion pour plus de détails).

Une fois vérifié que les cubes de données ont été correctement acquis, l’algorithme offre différentes possibilités pour sélectionner les membres finaux pour l’analyse SAM20,21 (étape 3.2). Les deux premières options (étapes 3.2.1 et 3.2.2) récupèrent les références parmi les hypercubes en sélectionnant manuellement certains points de mesure isolés (Figure 5A) ou en échantillonnant automatiquement la surface de la peinture permettant une sélection réticulaire des points de mesure au sein d’un ou plusieurs FOV (Figure 5B). L’analyse basée sur des points de mesure isolés est plus rapide que l’analyse basée sur le réticulaire, mais elle implique une observation attentive et, éventuellement, éclairée du ou des FOV pour identifier les spectres significatifs; cela signifie une bonne expérience du traitement des pigments et des surfaces peintes. La sélection réticulaire rend l’algorithme chronophage et oblige l’utilisateur à observer beaucoup d’images de sortie pour récupérer une poignée de cartes de similitude utiles. Cependant, la sélection réticulaire fournit un criblage complet des hypercubes et, la plupart du temps, elle peut être effectuée sans expérience du contexte expérimental. En principe, une fois la distance d’échantillonnage, n_pixel, décidée, l’utilisateur peut négliger l’observation du ou des FOV avec une très faible probabilité de perdre des détails.

En plus de la sélection des spectres de référence au sein des hypercubes, l’algorithme offre la possibilité de comparer les données de l’échantillon étudié avec des références appartenant à d’autres sources (étape 3.2.4). Le code importateur de spectres de référence externes gère les E/S des références qui n’appartiennent pas à la surface du tableau. Le code du convertisseur matriciel égalise les plages de longueurs d’onde et la résolution spectrale des hypercubes et des références externes (étape 3.2.4). Cette possibilité étend les capacités de l’utilisateur en ce qui concerne la caractérisation de l’échantillon. En effet, l’utilisateur peut exploiter tous les types de ressources disponibles en termes de données de réflectance. Les hypercubes peuvent être comparés à des bases de données publiques, aux archives spectrales de l’utilisateur, à de nouvelles données collectées sur des échantillons préparés ad hoc ou même sur d’autres objets (peintures, palettes, teintes, etc.) appartenant à l’auteur ou à d’autres artistes. De plus, les références externes peuvent être obtenues en exploitant n’importe quel type de techniques de réflectance à tel point que les références montrées dans les figures 6 et 7 ont été acquises par un spectromètre miniature FORS portable (Table des matériaux) et non par la caméra utilisée pour les données HRI.

Au-delà de la gestion des données, l’algorithme offre également une approche originale de l’analyse des données. Il permet de manipuler les spectres avant d’évaluer les cartes SAM (étapes 4.1-4.5). Cette possibilité trouve sa raison d’être dans le choix de la méthode SAM pour étudier les distributions des pigments. En fait, SAM considère les spectres de réflectance comme ils seraient des vecteurs dans un espace multidimensionnel (c’est-à-dire des hyper-vecteurs avec un nombre de composants égal à celui des canaux d’acquisition). Par conséquent, si l’objectif principal de l’analyse est de comparer des références différentes mais similaires pour distinguer lequel correspond le mieux aux pigments utilisés par l’artiste, alors les composants presque identiques des spectres de référence (c’est-à-dire les longueurs d’onde qui correspondent à des valeurs presque identiques dans les hyper-vecteurs) ne devraient pas être particulièrement utiles et l’algorithme permet d’exclure ces composants de l’analyse.

Le protocole prend en charge deux options pour manipuler les données (étape 4.5) : l’utilisateur peut définir la ou les portions de longueur d’onde des données de réflectance à analyser manuellement (Figure 6) ou automatiquement (Figure 7). La sélection manuelle est simple. Les spectres de référence prétraités ou leurs premières dérivées, selon l’option de prétraitement sélectionnée (étape 4.2), apparaissent dans une fenêtre interactive, Figure 6A, et l’utilisateur sélectionne un ou plusieurs intervalles de longueur d’onde, Figure 6B, en cliquant sur la surface du graphique. La sélection automatique est basée sur le critère mathématique de la variance maximale appliquée aux spectres de référence prétraités ou à leurs premières dérivées, en fonction de l’option de prétraitement sélectionnée (étape 4.2). L’algorithme calcule la variance (normalisée et affichée sous forme de ligne pointillée dans la figure 7A) dans les références sélectionnées et ordonne tous les spectres (à la fois les références et les hypercubes) en fonction de ce critère (la ligne en pointillés de la figure 7B représente la variance normalisée et ordonnée). En d’autres termes, si la variance maximale correspond à la nième longueur d’onde, le contenu de la nième composante de chaque spectre prétraité (références et hypercubes) sera déplacé à la première position d’un hyper-vecteur réarrangé et ainsi de suite (les parties colorées de l’arrière-plan de la figure 7A et de la figure 7B expliquent graphiquement la réorganisation des données). En pratique, les composants des spectres prétraités sont ordonnés de la même manière que l’analyse en composantes principales30.

Une fois les spectres manipulés, l’algorithme évalue les cartes SAM. Suite à la manipulation manuelle (Figure 6), le protocole renvoie trois ensembles de cartes : deux correspondant aux groupes de longueurs d’onde sélectionnées et rejetées et une obtenue en utilisant l’ensemble des spectres. Sinon, à la suite de la manipulation automatique (Figure 7), l’algorithme applique un seuil flottant aux valeurs de variance et évalue les cartes SAM à l’augmentation du seuil pour les composantes hyper-vectorielles réorganisées correspondant au seuil supérieur (c’est-à-dire automatiquement sélectionné) et aux valeurs sous seuil (c’est-à-dire automatiquement rejetées) de la variance. Ces ensembles de cartes, ainsi que ceux obtenus à partir de l’ensemble des spectres (toujours renvoyés par l’algorithme), donnent un total de (2N + 1) ensembles de cartes où N est le nombre de valeurs supposées par le seuil. Les ensembles de cartes de similitude obtenues à l’augmentation du seuil (figure 8) illustrent que la manipulation des données ne modifie pas le contenu, mais fournit plutôt de nouvelles informations sur les détails de la ou des zones cartographiées et, par conséquent, peut aider à distinguer les similitudes et les différences entre les échantillons et les références.

Figure 1
Figure 1 : Quarto Stato. Un tableau du tableau, 1899-1901, 293 x 545 cm, huile sur toile, Giuseppe Pellizza da Volpedo, Museo del Novecento, Milan, Italie. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 2
Figure 2: Définition des conditions expérimentales. (A) Les échantillons d’essai préparés ad hoc ; les Cercles Blancs et les Nombres identifient les points de mesure correspondant aux spectres sélectionnés comme références. (B) Les cartes SAM évaluées par rapport au spectre de référence numéro 1, (C) numéro 2, (D) numéro 3 et (E) numéro 4. La barre de couleur grise indique la plage de valeurs des angles spectraux. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 3
Figure 3 : L’application des conditions expérimentales définies à Quarto Stato. (A) Les ROI sélectionnés pour la campagne expérimentale (Rectangles rouges); dans chaque rectangle, un champ de vision de ceux nécessaires pour couvrir le retour sur investissement a été mis en évidence (zones non ombragées). (B) Les images RVB des quatre zones non ombragées du panneau A. (C) Les cartes SAM évaluées par rapport à un spectre de référence sélectionné dans chaque champ de vision (cercles verts). La barre de couleur grise indique la plage de valeurs des angles spectraux. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 4
Figure 4 : Éclairage correct ou inadéquat de la surface de l’échantillon. (A) Une partie du champ de vision où une petite fraction de la surface peinte (cercle rouge) est affectée par des propriétés de réflectance altérées en raison d’un éclairage inadéquat. (B) La même petite fraction de la peinture (cercle bleu) que lorsque le champ de vision est correctement éclairé. (C) Les spectres de réflectance du point de mesure au centre des cercles lorsque le champ de vision est mal et correctement éclairé (ligne rouge et bleue respectivement). D) La carte SAM du champ de vision obtenue en utilisant comme référence le spectre du point de mesure mal éclairé. (E) La carte SAM du champ de vision obtenue en utilisant le spectre du point de mesure éclairé approprié comme référence. La barre de couleur grise fait référence à (D) et (E) et indique la plage de valeurs des angles spectraux obtenus en comparant les premières dérivées des spectres de l’hypercube du champ de vision sélectionné et la première dérivée du spectre du point de mesure au centre des cercles colorés en (A) et (B). Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 5
Figure 5: Sélection des références dans les hypercubes. (A) Le mode de sélection des points de mesure isolés; les cercles verts indiquent l’emplacement des spectres de référence sélectionnés manuellement sur le champ de vision affiché. B) Le mode de sélection réticulaire; les cercles verts indiquent l’emplacement des spectres de référence sélectionnés en appliquant un réticulum avec l’intervalle d’échantillonnage (n_pixel) réglé sur cinq pixels au champ de vision affiché. L’image rapportée à la fois en (A) et (B) est la conversion en niveaux de gris de l’image RVB du champ de vision récupérée à partir des spectres de réflectance appliquant l’éclairement D65 et l’observateur 1931 des normes CIE à l’hypercube; la barre de couleur grise fait référence à l’intensité normalisée de cette image. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 6
Figure 6: Le mode de manipulation manuelle des données. (A) Aspect de la fenêtre interactive qui permet à l’utilisateur de diviser les spectres de référence en fractions de longueurs d’onde sélectionnées et rejetées. (B) Les mêmes références de (A) où les parties de données sélectionnées pour l’évaluation des cartes SAM ont été mises en évidence par un fond rose. (A) et (B) affichent les spectres prétraités des références. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 7
Figure 7 : Le mode de manipulation automatique des données. (A) Les premières dérivées des quatre références normalisées rapportées à la figure 6 (Lignes colorées) et leur variance maximale normalisée (Ligne pointillée noire). B) Les mêmes dérivés de (A) triés selon le critère de la variance maximale; les valeurs triées de la variance maximale normalisée ont également été signalées (ligne pointillée noire). Certaines parties de l’arrière-plan ont été colorées avec différentes teintes dans le but d’illustrer visuellement le réarrangement des hyper-vecteurs. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 8
Figure 8 : Les cartes SAM obtenues par le mode de manipulation automatique des données. (A-C) Les valeurs triées de la variance maximale normalisée évaluée dans les premières dérivées des spectres de référence de la figure 7; les sections verte et rouge de la courbe indiquent, respectivement, la fraction sélectionnée (au-dessus des valeurs seuils) et rejetée des données (sous les valeurs seuils). Les panneaux montrent ce qui se passe à l’augmentation du seuil (segment pointillé noir); chaque panel rapporte les cartes SAM pour les deux groupes de valeurs obtenues pour les quatre dérivées des spectres de la figure 7; les cartes à bords verts font référence aux fractions au-dessus du seuil tandis que les cartes à bords rouges se réfèrent aux fractions inférieures au seuil. Les barres de couleur grise indiquent la plage de valeurs des angles spectraux. Dans cet exemple, l’étape qui détermine l’augmentation du seuil est égale à 0,5 % de la variance maximale normalisée ; les valeurs seuils indiquées en (C) sont de 0,09 et c’est la dernière valeur seuil considérée parce qu’une nouvelle augmentation réduirait le nombre de composants sélectionnés des hyper-vecteurs en dessous de la limite inférieure arbitrairement fixée de 20 valeurs, c’est-à-dire 10% du nombre total de canaux d’acquisition de la caméra hyperspectrale. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Les ensembles de données d’imagerie par réflectance hyperspectrale sont de grands réservoirs d’information; par conséquent, le développement de protocoles robustes et, éventuellement, automatisés pour analyser les données est un tournant clé pour exploiter leur potentiel15,17. L’algorithme proposé répond à ce besoin dans le domaine du patrimoine culturel avec une attention particulière à la caractérisation des pigments des peintures. Basé sur SAM20,21, l’algorithme accompagne l’utilisateur tout au long du processus d’analyse, de la mise en place des conditions expérimentales à l’évaluation de la distribution des pigments. Bien que l’algorithme ne dispose toujours pas d’une interface graphique complète et qu’il ne fournisse pas d’outil pour visualiser les résultats (à cette fin, un logiciel open source a été utilisé31 et il est recommandé, voir Table des matériaux), l’ensemble des possibilités mises en œuvre pour moduler l’approche de l’analyse des données équilibre largement ces inconvénients.

Le protocole définit le système d’acquisition en fonction des caractéristiques de l’échantillon et du détecteur. D’une part, la technique divisionniste employée par Pellizza Da Volpedo pour créer Quarto Stato exige que les hypercubes distinguent les petits coups de pinceau de différents pigments placés côte à côte. D’autre part, la caméra hyperspectrale a une plage de mise au point comprise entre 150 mm et infinie avec un système de réglage manuel qui, à une distance de 1 m de la cible, détecte une zone de 0,55 x 0,55 m avec une résolution spatiale de 1,07 mm26. L’application de l’algorithme à quelques hypercubes acquis sur les échantillons de test (Figure 2) permet d’établir une distance de travail appropriée pour l’acquisition des données. L’observation des mesures permet de régler la distance de travail de la campagne expérimentale à 30 cm, correspondant à une résolution de 0,31 mm à la cible.  Cette distance de travail a également été adoptée avec succès lors des sessions expérimentales menées sur Quarto Stato (Figure 3). Une fois la distance de travail définie, l’éclairage de la surface de l’échantillon reste un problème critique3,15. Lorsqu’une partie d’un champ de vision montre un éclairage inégal (cercle rouge sur la figure 4A) au lieu d’un éclairage uniforme (cercle bleu sur la figure 4B), les propriétés de réflectance changent considérablement (figure 4C) et toute la procédure est compromise (figure 4D vs figure 4E). Le protocole empêche l’éclairage inégal (et plus généralement contre les artefacts dans les zones surveillées) lors de l’acquisition des données (en renvoyant les cartes RVB, étape 1.4.1, et SAM, étape 1.4.9, qui peuvent être vérifiées par l’utilisateur) et a posteriori en excluant les parties compromises des FOV de l’analyse au moyen du code de recadrage (étapes 1.4.2 et 3.1.2).

Le protocole permet à l’utilisateur de sélectionner les références (c’est-à-dire les membres finaux utilisés pour l’évaluation des cartes SAM) avec le maximum de liberté. D’une part, les ME peuvent être choisis à l’intérieur des bords des hypercubes de deux manières : sélection de points de mesure isolés (Figure 5A aux étapes 1.4.5 et 3.1.2) ou sélection de points de mesure réticulaires (Figure 5B à l’étape 3.1.3). La première peut être définie comme une sélection éclairée car elle nécessite une certaine expertise de l’utilisateur pour identifier manuellement les points de mesure significatifs. Cette dernière peut être définie comme une sélection à l’aveugle car l’échantillonnage réticulaire des FOV ne nécessite que la valeur de l’intervalle d’échantillonnage. D’autre part, les EM peuvent être récupérés à l’extérieur du tableau étudié (étape 3.1.4). Au cours de la campagne expérimentale menée sur Quarto Stato, un spectromètre FORS miniature portable (Table des matériaux) a été utilisé pour collecter des spectres à partir d’échantillons de brouillon appartenant à l’artiste et actuellement conservés dans le Studio Museum situé à Volpedo (Pellizza da Volpedo Studio Museo, Volpedo (AL), Italie). Ces données de réflectance ont été utilisées pour l’évaluation des cartes SAM et certaines d’entre elles sont rapportées dans les figures 6 et 7. Comme il limite l’importance de l’intensité absolue et de la ligne de base des spectres, le prétraitement est obligatoire tant pour les hypercubes que pour les ME, surtout s’ils ont été obtenus à partir de configurations ou de conditions opératoires légèrement différentes32.

La dernière caractéristique principale du protocole est la possibilité de manipuler les données expérimentales. Pour la manipulation, il est prévu que l’identification des composants les plus importants des ME (c.-à-d. des parties des spectres des membres finaux devrait aider à caractériser les matériaux utilisés par l’artiste). Cette tâche peut être accomplie manuellement (Figure 6) ou automatiquement (Figure 7). Dans le premier cas, l’algorithme tire parti de l’expertise de l’interprète tandis que, dans le second cas, il s’agit d’un critère statistique qui détermine les composants qui, temps par temps, seront utilisés pour évaluer les cartes SAM. Dans les deux cas, la manipulation augmente le nombre de cartes de similarité résultantes et étend par conséquent la capacité de divulguer les informations transportées par les hypercubes. En particulier, la sélection basée sur des critères génère un grand nombre d’informations sur la surface peinte (Figure 8).

Prises individuellement, les caractéristiques énumérées peuvent apparaître comme de simples avantages techniques, mais ensemble, elles impliquent au moins deux points clés principaux. L’algorithme peut être appliqué avec succès par n’importe quel type d’utilisateur et il peut élargir considérablement le scénario de l’analyse. En fait, les principales étapes du protocole (c’est-à-dire la sélection des références et la manipulation des données) peuvent être effectuées automatiquement, sans tenir compte des compétences et de l’expérience de l’utilisateur. Avec la possibilité de piloter l’analyse avec des spectres provenant de l’extérieur des hypercubes, toutes les données de réflectance à l’élimination des chercheurs peuvent être exploitées pour la caractérisation de l’échantillon étudié.

En résumé, le protocole peut être un outil extrêmement flexible. Avec quelques améliorations concernant l’interface graphique et le nombre de méthodes d’analyse prises en charge, il peut être un pas au-delà de l’état de l’art en ce qui concerne la manipulation et l’analyse des données obtenues à partir de surfaces peintes au moyen de l’imagerie de réflectance hyperspectrale.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs n’ont rien à divulguer.

Acknowledgments

Cette recherche a été financée par regione Lombardia dans le cadre du projet 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.

Les auteurs remercient le personnel du Museo del Novecento pour le soutien apporté lors des sessions expérimentales in situ et l’Associazione Pellizza da Volpedo pour l’accès au 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

Chimie Numéro 172 Imagerie par réflectance hyperspectrale Spectroscopie de réflectance Spectroscopie de réflectance par fibre optique Mappeur d’angle spectral manipulation de données analyse réglable sur mesure peintures pigments
Application de l’imagerie par réflectance hyperspectrale pour étudier les palettes et les techniques des peintres
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