Summary
Гиперспектральные рефлекторные гиперкубы визуализации включают замечательную информацию в большой объем данных. Поэтому запрос на автоматизированные протоколы для управления и изучения наборов данных широко обоснован. Сочетание Spectral Angle Mapper, манипулирования данными и настраиваемого пользователем метода анализа представляет собой ключевой поворот для изучения экспериментальных результатов.
Abstract
Спектроскопия отражения (RS) и волоконно-оптическая спектроскопия отражения (FORS) являются хорошо зарекомендовавшими себя методами исследования произведений искусства с особым вниманием к картинам. Большинство современных музеев предоставили в распоряжение своих исследовательских групп портативное оборудование, которое вместе с присущей им неинвазивностью RS и FORS делает возможным коллекцию in situ спектров отражения с поверхности артефактов. Сравнение, проведенное экспертами по пигментам и материалам для рисования, экспериментальных данных с базами справочных спектров приводит к характеристике палитр и методов, используемых художниками. Однако этот подход требует определенных навыков и отнимает много времени, особенно если количество исследуемых спектров становится большим, как в случае наборов данных гиперспектральной отражательной визуализации (HRI). Экспериментальные установки HRI представляют собой многомерные камеры, которые связывают спектральную информацию, задаваемую спектрами отражения, с пространственной локализацией спектров над окрашенной поверхностью. Результирующие наборы данных представляют собой 3D-кубы (называемые гиперкубами или кубами данных), где первые два измерения располагают спектр над картиной, а третье - сам спектр (т. Е. Отражение этой точки окрашенной поверхности по отношению к длине волны в рабочем диапазоне детектора). Способность детектора одновременно собирать большое количество спектров (обычно гораздо более 10 000 на каждый гиперкуб) делает наборы данных HRI большими резервуарами информации и обосновывает необходимость разработки надежных и, возможно, автоматизированных протоколов для анализа данных. После описания процедуры, предназначенной для сбора данных, мы представляем метод анализа, который систематически использует потенциал гиперкубов. Основанный на Spectral Angle Mapper (SAM) и на манипулировании собранными спектрами, алгоритм обрабатывает и анализирует тысячи спектров, в то же время он поддерживает пользователя в раскрытии особенностей исследуемых образцов. Сила подхода иллюстрируется его применением к Quarto Stato, культовому шедевру Джузеппе Пеллицца да Вольпедо, проходящему в Музее Новеченто в Милане (Италия).
Introduction
Спектроскопия отражения (RS) и волоконно-оптическая спектроскопия отражения (FORS) основаны на обнаружении света, отраженного поверхностями, когда-то освещенными источником света, обычно вольфрамово-галогенной лампой. Выход системы сбора состоит из спектров, где отражение контролируется как функция длины волны в диапазоне, который зависит от характеристик используемой экспериментальной установки1,2,3. Введенные в течение последних четырех десятилетий4,5, RS и FORS обычно используются в сочетании с рентгеновской флуоресценцией и другими спектроскопиями для описания материалов и методов, используемых художниками для реализации своих шедевров6,7,8,9. Изучение спектров отражения обычно выполняется путем сравнения данных из образца с группой эталонных спектров, выбранных пользователем в личных или общедоступных базах данных. После того, как эталонные спектры, соответствующие периоду реализации образца и modus operandi художника, были идентифицированы, пользователь распознает основные особенности спектров отражения (т.е. полосы перехода, поглощения и отражения1,2,10,11), а затем, с помощью других методов6,7,8 они различают пигменты, которые были использованы в картинах. Наконец, они обсуждают небольшие различия, существующие между ссылками и экспериментальными спектрами7,9.
В большинстве случаев экспериментальные наборы данных состоят из нескольких спектров, собранных из областей, выбранных экспертами по искусству и предполагаемых значимыми для характеристики картины6,12,13. Несмотря на навыки и опыт пользователя, несколько спектров не могут полностью исчерпать характеристики всей окрашенной поверхности. Более того, результат анализа всегда будет сильно зависеть от экспертизы исполнителя. В этом сценарии гиперспектральная рефлектационная визуализация (HRI3,14,15) может быть полезным ресурсом. Вместо нескольких изолированных спектров экспериментальные установки возвращают свойства отражения расширенных частей или даже всего исследуемого артефакта16. Два основных преимущества в отношении получения изолированных спектров очевидны. С одной стороны, наличие пространственного распределения свойств отражательной способности позволяет идентифицировать области, которые скрывают интересные особенности, даже если они могут показаться необразными17. С другой стороны, гиперкубы гарантируют количество спектров, достаточно высоких, чтобы обеспечить статистический анализ данных. Эти факты подтверждают понимание распределения пигментов внутри окрашенной поверхности18,19.
С HRI сравнение экспериментальных данных со ссылками может быть трудным для обработки15. Типичный детектор возвращает гиперкубы размером не менее 256 x 256 спектров. Это потребует от пользователя оценки более 65 000 спектров отражения против каждого эталона, что почти невозможно выполнить вручную за разумное время. Поэтому запрос на надежные и, возможно, автоматизированные протоколы для управления и анализа наборов данных HRI более чем оправдан15,17. Предлагаемый метод отвечает этой потребности, обрабатывая всю аналитическую процедуру с минимальным участием и максимальной гибкостью.
Алгоритм, содержащий набор самодельных кодов (Таблица материалов), считывает, управляет и упорядочивает файлы, возвращаемые экспериментальной установкой. Он позволяет изучать тонкий выбор участков полей зрения (FOV, одним полем зрения является область картины, контролируемой одним гиперкубом) и выполняет анализ данных на основе метода Spectral Angle Mapper (SAM) 20,21 и манипулирования исходными спектрами. SAM возвращает ложные цветные изображения в оттенках серого, называемые картами подобия. Значения пикселей этих карт соответствуют спектральным углам, которые являются углами между спектрами, хранящимися в гиперкубах, и так называемыми конечными членами (EM, группа эталонных спектров, которые должны описывать особенности поверхности, контролируемые гиперкубами)22. В случае RS, применяемых к картинам, EM - это спектры отражения пигментов, которые должны соответствовать палитре Мастера. Они выбираются на основе имеющейся информации о художнике, периоде реализации картины и опыте пользователя. Таким образом, вывод SAM представляет собой набор карт, которые описывают пространственное распределение этих пигментов по поверхности живописи и которые помогают пользователю сделать вывод о материалах, используемых художником, и их организации в артефакте. Алгоритм предлагает возможность использования всех видов ссылок независимо от их происхождения. Ссылки могут быть конкретными спектрами, выбранными в гиперкубах, поступать из баз данных, быть получены другим инструментом на другой поверхности (например, образцы пигментов или палитра художника) или быть получены с использованием любого вида спектроскопии отражения, включая FORS.
SAM был предпочтительным среди доступных методов классификации, поскольку было продемонстрировано, что он эффективен для характеристики пигментов (см. книгу Richard23, чтобы иметь обзор основных доступных методов классификации). Вместо этого идея разработки самодельного протокола, а не принятия одного из многих инструментов, свободно доступных в сети24,25, опирается на практическое соображение. Несмотря на эффективность и научную основу существующих графических интерфейсов и программного обеспечения, один инструмент вряд ли удовлетворяет все потребности пользователя. Может возникнуть проблема ввода-вывода (I/O), поскольку инструмент не управляет файлом, содержащим необработанные данные. Может возникнуть проблема с анализом данных, поскольку другой инструмент не обеспечивает желаемого подхода. Обработка данных может быть ограничена, поскольку одновременный анализ нескольких наборов данных не поддерживается. В любом случае, идеального инструмента не существует. Каждый метод должен быть адаптирован к данным или наоборот. Поэтому разработка самодельного протокола была предпочтительной.
Представленный подход не предлагает ни полного набора аналитических методов (см., для сравнения, инструмент, предложенный Mobaraki и Amigo24), ни простого в управлении пользовательского интерфейса (см., для сравнения, программное обеспечение, используемое Чжу и коллегами25), но, взамен, он фокусируется на все еще недооцененном аспекте гиперспектрального анализа данных: возможности манипулировать обнаруженными спектрами. Сила подхода иллюстрируется его применением к картине «Quarto Stato » Джузеппе Пеллицца да Вольпедо (рисунок 1), культовому холсту маслом, хранящемуся в Музее Новеченто в Милане, Италия. Обратите внимание, что, поскольку подход требует запуска самодельных кодов, разработчик произвольно выбирает имена кодов и как входные, так и выходные переменные, используемые в описании протокола. Имена переменных могут быть изменены пользователем, но они должны быть предоставлены следующим образом: входные и выходные переменные должны быть записаны соответственно в скобках и в конечном итоге разделены запятой и в квадратных скобках и в конечном итоге разделены пробелом. Напротив, названия кодов не могут быть изменены.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Установите пространственное разрешение гиперкубов
- Выполните предварительный осмотр окрашенной поверхности (рисунок 1) при поддержке искусствоведов для выявления основных особенностей картины.
- Распознайте живописные приемы, используемые художником для создания картины.
- Определите различные мазки кисти краски на холсте.
- Оцените, качественно, характеристики мазков кисти с особым вниманием к их размеру.
- Имитируйте живописную технику, используемую художником, создавая специальные тестовые образцы, где мазки кисти показывают характеристики, аналогичные тем, которые применял художник.
ПРИМЕЧАНИЕ: Пеллицца да Вольпедо был художником-дивизионистом. Реставратора попросили подготовить несколько тестовых образцов, которые качественно воспроизводят мазки кисти интересующего полотна (рисунок 2, колонка А). - Установите расстояние между исследуемой поверхностью и оборудованием для сбора.
ПРИМЕЧАНИЕ: Расстояние определяет пространственное разрешение гиперкубов26 и, следовательно, возможность различать мазки кисти на изображениях и sam-картах окрашенной поверхности.- Оценить расстояние между поверхностью образца и оборудованием сбора с учетом характеристик гиперспектральной камеры26 (Таблица материалов) и размера мазков кисти, нарисованных в тестовых образцах.
- Поместите этап захвата и гиперспектральную камеру на расстояние, оцененное на предыдущем шаге. Расположите испытуемые образцы на сцене и обеспечьте равномерное освещение поверхности образцов.
- Выполните белую калибровку с использованием белого стандартного эталона, поставляемого с гиперспектральной камерой. Приобретите гиперкубы.
ПРИМЕЧАНИЕ: Для каждого FOV гиперспектральная камера возвращает как необработанные, так и калиброванные изображения. Последние были использованы для анализа. - Загрузите файлы, возвращенные инструментом, и сохраните их в выделенной папке.
- Проверьте, может ли пространственное разрешение гиперкубов различать различные мазки кисти на изображениях и sam-картах окрашенной поверхности.
- Проверьте RGB-снимки, возвращаемые гиперспектральной камерой, чтобы убедиться, что мазки кисти, используемые для реализации тестовых образцов, могут быть распознаны (рисунок 2, колонка A). Если да, перейдите к следующим шагам; в противном случае вернитесь к шагу 1.3.1 и перезагрузите компьютер.
- Перечислите файлы, содержащие гиперспектральные данные и RGB-изображения FOV, выполнив код чтения данных HS_FileLister. Введите следующую командную строку (включая точку с запятой) в окне терминала языка, используемого для разработки кодов (Таблица материалов), и нажмите клавишу ВВОД , чтобы запустить код:
[HS_DataList HS_ImageList] = HS_FileLister;- Вход не требуется, и есть два выхода: список файлов, содержащих гиперкубы, HS_DataList, и список изображений, возвращаемых гиперспектральной камерой, HS_ImageList.
ПРИМЕЧАНИЕ: Размер каждого гиперкуба составляет 512 x 512 x 204 вокселя, где 204 - количество каналов, используемых для мониторинга сигнала отражения. Каналы охватывают диапазон длин волн от 400 до 1000 нм со спектральным разрешением 7 нм при FWHM26.
- Вход не требуется, и есть два выхода: список файлов, содержащих гиперкубы, HS_DataList, и список изображений, возвращаемых гиперспектральной камерой, HS_ImageList.
- Определите 3D-часть гиперкубов, которую необходимо проанализировать, выполнив код обрезки , HS_Crop_png. Определите нужную часть каждого куба данных, выбрав область над интерактивным окном, которая показывает 2D, RGB-изображение FOV, отслеживаемое каждым гиперкубом. Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
[HS_ImageList] = HS_Crop_png(HS_ImageList);- Есть один вход (список изображений, возвращаемых гиперспектральной камерой, HS_ImageList) и один выход (входной список, добавленный с пространственными координатами, чтобы в конечном итоге обрезать гиперкубы).
- Примените к гиперкубам стандарты осветителя D65 и наблюдателя 1931 года из CIE (Международная комиссия по освещению) для получения RGB-изображений FOV (ов) из спектров отражения, выполнив нормы восстановления HS_RGB_rebuild. Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
[HS_ImageList] = HS_RGB_rebuild(HS_ImageList, HS_DataList);- Существует два входа (список, содержащий изображения, возвращаемые гиперспектральной камерой, HS_ImageList и список файлов, содержащих гиперкубы, HS_DataList) и один выходной (входной список, содержащий изображения, возвращенные гиперспектральной камерой, добавленные с RGB-изображениями поверхностей гиперкубов, полученными из спектров отражения).
ПРИМЕЧАНИЕ: HS_RGB_Rebuild использует функции, разработанные Джеффом Матером27 , для применения к данным осветителя D65 и наблюдателя 1931 года от CIE.
- Существует два входа (список, содержащий изображения, возвращаемые гиперспектральной камерой, HS_ImageList и список файлов, содержащих гиперкубы, HS_DataList) и один выходной (входной список, содержащий изображения, возвращенные гиперспектральной камерой, добавленные с RGB-изображениями поверхностей гиперкубов, полученными из спектров отражения).
- Вручную выберите некоторые эталонные спектры на поверхностях тестовых образцов (белые круги и числа на рисунке 2, колонка A), выполнив код выбора изолированных точек измерения PointSel. Выберите точки измерения, щелкнув интерактивное окно, которое одно за другим показывает 2D, RGB изображения FOV. Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
[Ссылки] = PointSel(HS_DataList, HS_ImageList);- Есть два входа (список, содержащий изображения, возвращаемые гиперспектральной камерой, HS_ImageList, и список файлов, содержащих гиперкубы, HS_DataList) и один выход (переменная, References, содержащая спектры, выбранные в качестве ссылок в FOV(s)).
- При необходимости сохраните положение ссылок над поверхностью образцов в наборе рисунков, выполнив выделенный код SaveImPoint. Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
SaveImPoint(Ссылки, HS_ImageList);- Есть два входа (переменная, содержащая эталонные спектры, References и список, содержащий изображения, возвращаемые гиперспектральной камерой, HS_ImageList) и нет выходов (код сохраняет .png изображений в текущей рабочей папке).
- Организуйте ссылки в матрицу, выполнив код преобразования RefListToMatrix. Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
[References_Matrix] = RefListToMatrix(Ссылки, HS_ImageList(1). WaveL);- Существует два входа (переменная, содержащая эталонные спектры, References и список длин волн, на которых детектор подсчитывает фотоны во время сбора данных спектров, HS_ImageList(1). WaveL) и один выход (те же эталонные спектры, организованные в матрицу, References_Matrix).
ПРИМЕЧАНИЕ: Этот шаг является обязательным, поскольку код, который вычисляет карты SAM, требует, чтобы эталонные спектры были организованы в матрицу. Синтаксис второго входа, HS_ImageList(1). WaveL, требуется отозвать переменную WaveL из списка HS_ImageList. Цифра 1 в скобках относится к первому элементу списка, названному как HS_ImageList; однако, поскольку все гиперкубы имеют одинаковый диапазон длин волн, он может быть заменен каждым числом, незначительным или равным общему количеству перечисленных изображений.
- Существует два входа (переменная, содержащая эталонные спектры, References и список длин волн, на которых детектор подсчитывает фотоны во время сбора данных спектров, HS_ImageList(1). WaveL) и один выход (те же эталонные спектры, организованные в матрицу, References_Matrix).
- Извлеките карты SAM, используя все спектры, выполнив стандартный код оценки карт SAM SAM_Standard. Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
SAM_Standard (HS_ImageList, HS_DataList, References_Matrix);- Есть три входа (список, содержащий изображения, возвращаемые гиперспектральной камерой, HS_ImageList; список файлов, содержащих гиперкубы, HS_DataList; и матрица эталонных спектров, References_Matrix) и нет вывода: код сохраняет карты SAM как .png изображений в текущей рабочей папке.
- Проверьте, отображаются ли на полученных картах сходства (рисунок 2, столбцы B - E) детали мазков кисти, используемых для реализации тестовых образцов. Если это так, перейдите к следующему шагу протокола; в противном случае вернитесь к шагу 1.3.1 и перезагрузите компьютер.
2. Отрегулируйте экспериментальные параметры к покраске
- Определите интересующую область (регионы), рентабельность инвестиций в изучаемую картину (красные прямоугольники на рисунке 3A).
ПРИМЕЧАНИЕ: Обычно для покрытия одной рентабельности инвестиций необходимо более одного FOV. - Организуйте настройку сбора и покраску на расстоянии, определенном на предыдущих шагах, и выполните белую калибровку с использованием белого стандарта эталона, поставляемого с гиперспектральной камерой.
ПРИМЕЧАНИЕ: Если пользователи должны сделать приобретение in situ (т.е. они должны изучить картину, выставленную в музее или на выставке), они могут управлять только камерой. Это случай Quarto Stato, который постоянно экспонируется в специальном пространстве в Museo del Novecento в Милане, Италия. - Получите гиперспектральные данные по крайней мере из одного FOV в пределах края каждого ROI (незатененные области в красных прямоугольниках на рисунке 3A).
- Загрузите файлы, возвращенные инструментом, и сохраните их в выделенной папке.
- Проверьте, равномерно ли установлено освещение поверхности картины, глядя на RGB-изображения, возвращаемые гиперспектральной камерой. Если это так, перейдите к следующим шагам, в противном случае вернитесь к шагу 2.2 и перезапустите.
ПРИМЕЧАНИЕ: Рисунок 4 иллюстрирует важность этой проверки (подробности см. в разделе Обсуждение ). - Повторите подшаги шага 1.4.
- Проверьте, имеют ли данные достаточно высокое пространственное разрешение, чтобы различать мазки кисти, наблюдая за RGB-изображениями FOV (рисунок 3B) и картами SAM (рисунок 3C), связанными с эталонными спектрами, выбранными в FOV (зеленые круги на рисунке 3B).
- Если освещение и пространственное разрешение были правильно установлены, завершите сбор данных, получив другие FOV, необходимые для покрытия ROI (ов); в противном случае вернитесь к шагу 2.2 и перезагрузите компьютер.
ПРИМЕЧАНИЕ: Когда ROI требует покрытия более одного FOV, обеспечьте определенную степень суперпозиции между соседними FOV, чтобы легко сшить полученные карты3,15. Степень перекрытия зависит от расстояния между гиперспектральной камерой и образцом, от трансляции и горизонтального угла обзора детектора28. В случае экспериментальной кампании, проведенной на Quarto Stato, перекрытие было установлено, по крайней мере, на 40% FOV.
3. Управление гиперкубами и эталонными спектрами
- Выполняйте операции ввода-вывода необработанных данных: упорядочивайте, считывайте гиперкубы и управляйте ими.
- Запустите код HS_FileLister для хранения списка файлов, содержащих гиперкубы и связанную с ними информацию, в двух переменных, имеющихся в распоряжении алгоритма (см. шаг 1.4.2 для получения практических сведений).
ПРИМЕЧАНИЕ: Гиперспектральная камера возвращает файлы hdr (расширенный динамический диапазон), которыми управляет код, используя пересмотренную версию сценария, разработанную Яреком Тушинским29. - Запустите код HS_Crop_png , чтобы выбрать часть каждого FOV, которая будет использоваться при анализе данных (см. шаг 1.4.3 для получения практических сведений).
- Запустите код HS_RGB_Rebuild , чтобы получить RGB-изображения FOV из спектров отражения (см. шаг 1.4.4 для получения практических сведений).
- Запустите код HS_FileLister для хранения списка файлов, содержащих гиперкубы и связанную с ними информацию, в двух переменных, имеющихся в распоряжении алгоритма (см. шаг 1.4.2 для получения практических сведений).
- Упорядочивайте, считывайте (при необходимости) и управляйте эталонными спектрами.
ПРИМЕЧАНИЕ: Эталонные спектры будут играть роль конечных членов в методе SAM20,21. Эта часть алгоритма не определяется однозначно, а зависит от режима выбора и от происхождения эталонных спектров.- Запустите код PointSel и щелкните в отображаемом интерактивном окне, чтобы определить контрольные спектры как изолированные точки измерения на поверхности контролируемой области (областей) (рисунок 5A) (см. шаг 1.4.5 для получения практических сведений).
- Автоматически выбирайте контрольные спектры в виде обычного сетки измерительных точек, наложенных на поверхность контролируемой области (областей), запуская код ретикулярного выбора ReticularSel (рисунок 5B). Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
[Ссылки] = ReticularSel(HS_DataList, HS_ImageList, n_pixel);- Есть три входа (список, содержащий изображения, возвращаемые гиперспектральной камерой, HS_ImageList; список файлов, содержащих гиперкубы, HS_DataList; и интервал между ретикулумами, n_pixel, выраженный в количестве пикселей) и один выход: переменная, содержащая спектры, выбранные в качестве ссылок в FOV, References.
- Запустите код импортера внешних ссылок Spectra_Importer, чтобы создать переменную, содержащую ссылки из наборов данных и баз данных независимо от гиперкубов, полученных в Quarto Stato. Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
[ExtReferences] = Spectra_Importer(file_extension);- Есть один вход (расширение файла, содержащего независимые спектры ссылок, file_extension, записанные между apices) и один вывод (переменная, содержащая внешние ссылки, ExtReferences).
ПРИМЕЧАНИЕ: Код внешнего импортера ссылок был оптимизирован для импорта файлов tmr, но при необходимости его можно легко модифицировать для работы с любым типом текстового файла.
- Есть один вход (расширение файла, содержащего независимые спектры ссылок, file_extension, записанные между apices) и один вывод (переменная, содержащая внешние ссылки, ExtReferences).
- Запустите код RefListToMatrix , чтобы поместить ссылки в матрицу, References_Matrix или ExtReferences_Matrix, как того требует код, оценивающий сопоставления SAM (см. шаг 1.4.7 для получения практических сведений).
- Подождите, пока код RefListToMatrix выровняет как диапазон длин волн, так и спектральное разрешение (т. е. количество компонентов) гиперкубов и ссылок.
ПРИМЕЧАНИЕ: Код определяет диапазоны длин волн как гиперкубов, так и ссылок. Код сравнивает диапазоны длин волн и отсекает интервалы длин волн, которые не контролируются как гиперкубами, так и ссылками. Код идентифицирует группу гипервекторов (гиперкубов или ссылок), состоящую из меньшего числа компонентов (т.е. характеризующихся более низким спектральным разрешением) в уравненном диапазоне длин волн. Код уменьшает количество компонентов более длинных гипервекторов (ссылок или гиперкубов) до числа более коротких (гиперкубов или ссылок). Это делается путем сохранения для каждой длины волны более коротких гипервекторов только значений более длинных гипервекторов, которые соответствуют ближайшей длине волны к длине волны более коротких гипервекторов.- Код автоматически выполняет выравнивание. Если ссылки были выбраны внутри гиперкубов, диапазон длин волн и спектральное разрешение не нужно выравнивать, и они остаются неизменными.
- При желании сохраните положение ссылок над поверхностью образцов в наборе изображений, выполнив специальный код (см. шаг 1.4.7 для получения практических сведений).
ПРИМЕЧАНИЕ: Эта опция доступна только в том случае, если ссылки были выбраны в гиперкубах (шаги 3.2.1 и 3.2.2).
4. Анализ SAM
- Запустите код SAM_Complete для оценки карт сходства. Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
SAM_Complete (HS_ImageList, HS_DataList, References_Matrix);- Есть три входа (список, содержащий изображения, возвращаемые гиперспектральной камерой, HS_ImageList; список файлов, содержащих гиперкубы, HS_DataList; и ссылочная матрица, References_Matrix или ExtReferences_Matrix) и нет выходов (код сохраняет карты SAM в виде файлов .png в текущей рабочей папке).
ПРИМЕЧАНИЕ: Помимо трех описанных входных переменных, код SAM_complete должен быть снабжен несколькими дополнительными параметрами, чтобы адаптировать протокол анализа в соответствии с предпочтениями пользователя (см. следующие шаги).
- Есть три входа (список, содержащий изображения, возвращаемые гиперспектральной камерой, HS_ImageList; список файлов, содержащих гиперкубы, HS_DataList; и ссылочная матрица, References_Matrix или ExtReferences_Matrix) и нет выходов (код сохраняет карты SAM в виде файлов .png в текущей рабочей папке).
- При необходимости введите в код параметр предварительной обработки, введя цифру 0 или 1 в диалоговом окне в зависимости от требуемой операции предварительной обработки, и нажмите клавишу ВВОД , чтобы продолжить.
- Опция предварительной обработки установлена на 0: площадь, подтеняемая каждым спектром отражения, нормализуется до 1.
- Опция предварительной обработки установлена на 1: площадь, субтентенция каждого спектра отражения, нормализуется до 1, а затем нормализованный спектр выводится один раз.
ПРИМЕЧАНИЕ: И гиперкубы, и ссылки проходят одну и ту же опцию предварительной обработки.
- Выберите конечные элементы, которые будут использоваться для анализа SAM среди эталонной матрицы, снабдив код номерами столбцов, соответствующих требуемым спектрам. При необходимости введите в диалоговое окно последовательность чисел, соответствующую нужным столбцам, введя числа, разделенные пробелом. Нажмите Enter , чтобы продолжить.
ПРИМЕЧАНИЕ: Последовательность [1 2 3] соответствует выбору первых трех столбцов эталонной матрицы; пустой вектор соответствует выделению всех столбцов эталонной матрицы. - Введите в код строку, содержащую первую часть имени, которая будет идентифицировать наборы сохраняемых карт (т. е. общую часть имени .png файлов, возвращаемых SAM_Complete). При необходимости вставьте строку в диалоговое окно. Нажмите Enter , чтобы продолжить.
ПРИМЕЧАНИЕ: Если пользователь вводит тест, то имя всех выходных .png изображений будет начинаться с test. - При необходимости введите в код метод, выбранный для обработки данных, введя число 0, 1 или 2 в диалоговом окне в зависимости от требуемого метода дескриптора и нажмите клавишу ВВОД , чтобы продолжить.
- Задайте для метода значение 0, чтобы не манипулировать данными.
- Установите для метода значение 1, чтобы потребовать ручного выбора диапазона (диапазонов) длин волн спектров, которые необходимо учитывать перед началом анализа (рисунок 6).
- Установите для метода значение 2, чтобы алгоритм упорядочил данные на основе определенного критерия перед оценкой карт SAM (рисунок 7).
- Подождите, пока протокол обработает данные и сохранит карты SAM в текущей рабочей папке в виде .png файлов.
ПРИМЕЧАНИЕ: Если для метода handle установлено значение 0 или 2, пользователь должен просто подождать. Если установлено значение 1, пользователь должен выбрать часть (части) спектров, которые будут использоваться для оценки карт SAM, щелкнув интерактивное окно (рисунок 6).
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Предлагаемый протокол предлагает набор интересных функций для управления и анализа данных HRI. Ввод-вывод (шаг 3.1) необработанных данных всегда является первой проблемой, которая должна быть решена перед применением любого метода анализа, и она может стать критической проблемой при работе с большими объемами данных. В данном случае единственной задачей, касающейся необработанных данных, является сохранение экспериментальных результатов в выделенной папке и выбор ее путем просмотра жесткого диска при запуске кода чтения (шаг 3.1.1). После этого коды обрезки и перестроения RGB позволяют уточнить выбор данных, подлежащих анализу (шаг 3.1.2), и проверяют, что экспериментальные условия были правильно установлены в момент приобретения гиперкубов (шаг 3.1.3, см. Рисунок 4 и раздел Обсуждение для получения дополнительной информации).
После проверки правильности получения кубов данных алгоритм предлагает различные возможности выбора конечных элементов для анализа SAM20,21 (шаг 3.2). Первые два варианта (этапы 3.2.1 и 3.2.2) извлекают ссылки между гиперкубами путем ручного выбора некоторых изолированных точек измерения (рисунок 5А) или путем автоматического отбора проб поверхности картины, обеспечивая ретикулярный выбор точек измерения в пределах одного или нескольких FOV (рисунок 5B). Анализ, основанный на изолированных точках измерения, происходит быстрее, чем ретикулярный, но он подразумевает тщательное и, возможно, обоснованное наблюдение FOV (FOV) для выявления значимых спектров; это означает хороший опыт работы с пигментами и окрашенными поверхностями. Выбор ретикулярных частот делает алгоритм трудоемким и заставляет пользователя наблюдать за большим количеством выходных изображений, чтобы получить несколько полезных карт сходства. Однако ретикулярный отбор обеспечивает полный скрининг гиперкубов и, в основном, может проводиться без опыта экспериментального контекста. В принципе, как только расстояние выборки, n_pixel, определено, пользователь может пренебречь наблюдением FOV (ов) с очень низкой вероятностью потери деталей.
Помимо выбора эталонных спектров внутри гиперкубов, алгоритм дает возможность сравнивать данные исследуемого образца со ссылками, относящимися к другим источникам (шаг 3.2.4). Код внешнего импортера спектров ссылок управляет вводом-выводом ссылок, которые не принадлежат поверхности картины. Код матричного преобразователя уравнивает диапазоны длин волн и спектральное разрешение как гиперкубов, так и внешних ссылок (шаг 3.2.4). Эта возможность расширяет возможности пользователя относительно характеристики образца. Действительно, пользователь может использовать любой доступный ресурс с точки зрения данных отражения. Гиперкубы можно сравнить с публичными базами данных, со спектральными архивами пользователя, с новыми данными, собранными на специально подготовленных образцах или даже на других объектах (картинах, палитрах, оттенках или чем-то еще), принадлежащих автору или другим художникам. Кроме того, внешние ссылки могут быть получены с использованием любого вида методов отражения настолько, что ссылки, показанные на рисунке 6 и рисунке 7 , были получены портативным миниатюрным спектрометром FORS (Таблица материалов), а не камерой, используемой для данных HRI.
Помимо управления данными, алгоритм также предлагает оригинальный подход к анализу данных. Он позволяет манипулировать спектрами перед оценкой карт SAM (шаги 4.1-4.5). Эта возможность находит свое обоснование в выборе метода SAM для исследования распределения пигментов. Фактически, SAM рассматривает спектры отражения так, как они были бы векторами в многомерном пространстве (т. е. гипервекторами с числом компонентов, равным числу каналов сбора). Поэтому, если основной целью анализа является сравнение разных, но похожих ссылок, чтобы определить, какой из них лучше всего соответствует пигментам, используемым художником, то почти идентичные компоненты эталонных спектров (т.е. длины волн, которые соответствуют почти идентичным значениям в гипервекторах) не должны быть особенно полезными и алгоритм позволяет исключить эти компоненты из анализа.
Протокол поддерживает два варианта манипулирования данными (шаг 4.5): пользователь может определить длину волны части (частей) данных отражения для анализа вручную (рисунок 6) или автоматически (рисунок 7). Ручной выбор прост. Предварительно обработанные эталонные спектры или их первые производные, в зависимости от выбранного варианта предварительной обработки (шаг 4.2), появляются в интерактивном окне, рисунок 6A, и пользователь выбирает один или несколько интервалов длин волн, рисунок 6B, щелкнув по поверхности графика. Автоматический выбор основан на математическом критерии максимальной дисперсии, применяемой к предварительно обработанным эталонным спектрам или их первым производным, в зависимости от выбранного варианта предварительной обработки (шаг 4.2). Алгоритм вычисляет дисперсию (нормализованную и отображаемую в виде пунктирной линии на рисунке 7A) в пределах выбранных ссылок и упорядочивает все спектры (как ссылки, так и гиперкубы) в соответствии с этим критерием ( пунктирная линия на рисунке 7B представляет нормализованную и упорядоченную дисперсию). Другими словами, если максимальная дисперсия соответствует n-й длине волны, то содержание n-й составляющей каждого предварительно обработанного спектра (ссылок и гиперкубов) будет перемещено в первую позицию перестроенного гипервектора и так далее (цветные участки фона на фиг.7А и рисунке 7В графически объясняют перегруппировку данных). Практически компоненты предварительно обработанных спектров упорядочены аналогично анализу главных компонентов30.
После манипулирования спектрами алгоритм оценивает карты SAM. После ручной манипуляции (рисунок 6) протокол возвращает три набора карт: два, соответствующих группам выбранных и отклоненных длин волн, и один, полученный с использованием целых спектров. В противном случае, после автоматической манипуляции (рисунок 7), алгоритм применяет плавающий порог к значениям дисперсии и оценивает карты SAM при увеличении порога как для перестроенных гипервекторных компонентов, соответствующих превышению порога (т.е. автоматически выбранному), так и для ниже пороговых (т.е. автоматически отклоняемых) значений дисперсии. Эти наборы карт вместе с теми, которые получены из целых спектров (всегда возвращаемых алгоритмом), приводят к суммарному (2N + 1) наборам карт, где N — число значений, принятых порогом. Наборы карт сходства, полученные при повышении порога (рисунок 8), иллюстрируют, что манипулирование данными не изменяет содержание, а скорее дает новое представление о деталях картографируемой области (областей) и, следовательно, может помочь различить сходства и различия между выборками и ссылками.
Рисунок 1: Куарто Стато. Картина картины, 1899-1901, 293 x 545 см, холст, масло, Джузеппе Пеллицца да Вольпедо, Музей Новеченто, Милан, Италия. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 2: Определение экспериментальных условий. (А) Специальные подготовленные испытательные образцы; Белые круги и числа определяют точки измерения, соответствующие спектрам, выбранным в качестве эталонов. (B) Карты SAM, оцененные в отношении эталонного спектра No 1, (C) No 2, (D) No 3 и (E) No 4. Серая цветовая полоса указывает диапазон значений спектральных углов. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 3: Применение определенных экспериментальных условий к Quarto Stato. (A) ROI, отобранные для экспериментальной кампании (красные прямоугольники); в каждом прямоугольнике выделен FOV из тех, которые необходимы для покрытия ROI (Незатененные области). (B) RGB-изображения четырех незатененных областей панели A. (C) Карты SAM, оцененные в отношении эталонного спектра, выбранного в пределах каждого FOV (зеленые круги). Серая цветовая полоса указывает диапазон значений спектральных углов. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 4: Правильное или неправильное освещение поверхности образца. (A) Часть FOV, где небольшая часть окрашенной поверхности (красный круг) подвержена изменению свойств отражательной способности из-за неправильного освещения. (B) Та же небольшая часть картины (синий круг), которая получается при правильном освещении поля зрения. (C) Спектры отражения точки измерения в центре окружностей, когда FOV неправильно и правильно освещен (красная и синяя линия , соответственно). (D) Карта ЗРК FOV, полученная с использованием спектра неправильно освещенной измерительной точки в качестве эталона. (E) Sam-карта FOV, полученная с использованием спектра соответствующей освещенной измерительной точки в качестве эталона. Серая цветовая полоса относится к (D) и (E) и указывает диапазон значений спектральных углов, полученных при сравнении первых производных спектров гиперкуба выбранного FOV и первой производной спектра точки измерения в центре цветных окружностей в (A) и (B). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 5: Выбор ссылок внутри гиперкубов. (A) Режим выбора изолированных точек измерения; Зеленые круги обозначают местоположение эталонных спектров, выбранных вручную на показанном FOV. B) режим ретикулярного отбора; Зеленые круги указывают местоположение эталонных спектров, выбранных путем применения сетки с интервалом выборки (n_pixel), установленным равным пяти пикселям к показанному FOV. Изображение, представленное как в (A), так и в (B), представляет собой преобразование В оттенки серого RGB-изображения FOV, полученного из спектров отражения с применением осветителя D65 и наблюдателя 1931 года из стандартов CIE в гиперкуб; Серая цветовая полоса относится к нормализованной интенсивности этого изображения. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 6: Режим ручного манипулирования данными. (A) Аспект интерактивного окна, который позволяет пользователю разделить эталонные спектры на выбранные и отклоненные доли длин волн. (B) Те же ссылки (A), где части данных, отобранные для оценки карт SAM, были выделены розовым фоном. (A) и (B) отображают предварительно обработанные спектры ссылок. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 7: Режим автоматической обработки данных. (A) Первые производные от четырех нормализованных ссылок, представленных на рисунке 6 (Цветные линии), и их нормализованная максимальная дисперсия (черная пунктирная линия). (B) те же производные (A), отсортированные по критерию максимальной дисперсии; также были зарегистрированы отсортированные значения нормализованной максимальной дисперсии (черная пунктирная линия). Некоторые части фона были окрашены различными оттенками в попытке визуально проиллюстрировать переустройство гипервекторов. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 8: Карты SAM, полученные в режиме автоматической обработки данных. (А-С) Отсортированные значения нормализованной максимальной дисперсии, оцененной в пределах первых производных эталонных спектров рисунка 7; Зеленый и красный участки кривой обозначают соответственно выбранную (сверх пороговых значений) и отклоненную долю данных (под пороговыми значениями). Панели показывают, что происходит при повышении порога (Black Dotted Segment); каждая панель сообщает карты SAM для обеих групп значений, полученных для четырех производных спектров рисунка 7; Карты с зелеными краями относятся к дробям, превышающим пороговые значения, в то время как карты с красными краями относятся к ниже пороговым. Серые цветовые полосы обозначают диапазон значений спектральных углов. В этом примере шаг, определяющий увеличение порога, равен 0,5% от нормализованной максимальной дисперсии; пороговые значения, указанные в (C), равны 0,09, и это последнее рассматриваемое пороговое значение, поскольку дальнейшее увеличение уменьшило бы количество выбранных компонентов гипервекторов ниже произвольно фиксированного нижнего предела в 20 значений, т. е. 10% от общего числа каналов сбора гиперспектральной камеры. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Наборы данных визуализации гиперспектрального отражения представляют собой большие резервуары информации; поэтому разработка надежных и, возможно, автоматизированных протоколов для анализа данных является ключевым поворотом для использования их потенциала15,17. Предложенный алгоритм отвечает этой потребности в области культурного наследия с особым вниманием к характеристике пигментов картин. Основанный на SAM20,21, алгоритм поддерживает пользователя в течение всего процесса анализа от установки экспериментальных условий до оценки распределения пигментов. Хотя алгоритм по-прежнему не имеет полного графического интерфейса и не предоставляет инструмент для просмотра результатов (для этого было использовано программное обеспечение с открытым исходным кодом31 и рекомендуется, см. Таблицу материалов), набор возможностей, реализованных для модуляции подхода к анализу данных, широко уравновешивает эти недостатки.
Протокол устанавливает систему сбора в соответствии с характеристиками как образца, так и детектора. С одной стороны, дивизионистская техника, используемая Пеллицзой Да Вольпедо для создания Quarto Stato, требует, чтобы гиперкубы различали небольшие мазки кисти различных пигментов, расположенных бок о бок. С другой стороны, гиперспектральная камера имеет диапазон фокусировки от 150 мм до бесконечности с ручной системой регулировки, которая на расстоянии 1 м от цели обнаруживает площадь 0,55 х 0,55 м с пространственным разрешением 1,07 мм26. Применение алгоритма к нескольким гиперкубам, полученным на тестовых образцах (рисунок 2), помогает установить подходящее рабочее расстояние для сбора данных. Наблюдение за измерениями позволяет установить рабочее расстояние для экспериментальной кампании на уровне 30 см, что соответствует разрешению 0,31 мм на цели. Это рабочее расстояние также было успешно принято во время экспериментальных сессий, проведенных на Quarto Stato (рисунок 3). После определения рабочего расстояния освещение поверхности образца остается критической проблемой3,15. Когда часть FOV показывает неравномерность (красный круг на рисунке 4A) вместо равномерного освещения (синий круг на рисунке 4B), свойства отражательной способности резко изменяются (рисунок 4C), и вся процедура скомпрометирована (рисунок 4D против рисунка 4E). Протокол предотвращает неравномерное освещение (и в более общем плане в отношении артефактов в контролируемых областях) во время сбора данных (путем возврата RGB, шаг 1.4.1, и карт SAM, шаг 1.4.9, которые могут быть проверены пользователем) и апостериори путем исключения скомпрометированных частей FOV из анализа с помощью кода обрезки (шаги 1.4.2 и 3.1.2).
Протокол позволяет пользователю выбирать ссылки (т.е. конечные члены, используемые для оценки карт SAM) с максимальной свободой. С одной стороны, ЭМ могут быть выбраны в пределах краев гиперкубов двумя способами: изолированным выбором точек измерения (рисунок 5А на этапах 1.4.5 и 3.1.2) или выбором ретикулярных точек измерения (рисунок 5В на этапе 3.1.3). Первый может быть определен как информированный выбор, поскольку он требует некоторого опыта пользователя для ручной идентификации значимых точек измерения. Последний может быть определен как слепой отбор, поскольку для ретикулярной выборки ФОВ требуется только значение интервала выборки. С другой стороны, ЭМ могут быть извлечены из-за пределов исследуемой картины (шаг 3.1.4). Во время экспериментальной кампании, проведенной на Quarto Stato, портативный миниатюрный спектрометр FORS (Таблица материалов) использовался для сбора спектров из черновых образцов, принадлежащих художнику и в настоящее время хранящихся в Музее-студии, расположенном в Вольпедо (Pellizza da Volpedo Studio Museo, Volpedo (AL), Италия). Эти данные о отражении использовались для оценки карт SAM, и некоторые из них представлены на рисунке 6 и рисунке 7. Поскольку это ограничивает важность абсолютной интенсивности и базовой линии спектров, предварительная обработка является обязательной как для гиперкубов, так и для РАЗВИВАЮЩИХся систем, особенно если они были получены из несколько разных установок или условий эксплуатации32.
Последней главной особенностью протокола является возможность манипулировать экспериментальными данными. Для манипуляции предполагается, что идентификация наиболее значимых компонентов ЭМ (т.е. тех частей спектров конечных элементов должна помочь охарактеризовать материалы, используемые художником). Эта задача может быть выполнена вручную (рисунок 6) или автоматически (рисунок 7). В первом случае алгоритм использует опыт исполнителя, а во втором случае это статистический критерий, определяющий компоненты, которые время от времени будут использоваться для оценки карт SAM. В обоих случаях манипуляция увеличивает количество результирующих карт сходства и, следовательно, расширяет возможности раскрытия информации, переносимой гиперкубами. В частности, выбор на основе критериев генерирует большое количество представлений о окрашенной поверхности (рисунок 8).
Взятые по отдельности, перечисленные функции могут показаться просто техническими преимуществами, но вместе они подразумевают, по крайней мере, два основных ключевых момента. Алгоритм может быть успешно применен любым пользователем и может значительно расширить сценарий анализа. Фактически, основные шаги протокола (т.е. выбор ссылок и манипулирование данными) могут выполняться автоматически, без учета навыков и опыта пользователя. Благодаря возможности проведения анализа спектрами извне гиперкубов, все данные о отражении, имеющиеся в распоряжении исследователей, могут быть использованы для характеристики исследуемого образца.
Таким образом, протокол может быть чрезвычайно гибким инструментом. С некоторыми улучшениями в отношении графического интерфейса и количества поддерживаемых методов анализа, это может быть шагом за пределы уровня техники в отношении обработки и анализа данных, полученных с окрашенных поверхностей с помощью гиперспектральной отражательной визуализации.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Авторам нечего раскрывать.
Acknowledgments
Это исследование было профинансировано Regione Lombardia в рамках проекта 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.
Авторы благодарны сотрудникам Museo del Novecento за поддержку во время экспериментальных сессий in situ и Ассоциации Пеллицца да Вольпедо за доступ к 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 |
References
- 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).
- Bacci, M., et al. Non-destructive spectroscopic investigations on paintings using optical fibers. MRS Online Proceedings Library Archive. 267, (1992).
- Liang, H. Advances in multispectral and hyperspectral imaging for archaeology and art conservation. Applied Physics A. 106, 309-323 (2012).
- Bullock, L. Reflectance spectrophotometry for measurement of colour change. National Gallery Technical Bulletin. 2, 49-55 (1978).
- Saunders, D. Colour change measurement by digital image processing. National Gallery Technical Bulletin. , 66-77 (1988).
- 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).
- 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).
- 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).
- Dupuis, G., Elias, M., Simonot, L. Pigment identification by fiber-optics diffuse reflectance spectroscopy. Applied Spectroscopy. 56, 1329-1336 (2002).
- Bacci, M., Picollo, M. Non-destructive spectroscopic detection of cobalt (II) in paintings and glass. Studies in Conservation. 41, 136-144 (1996).
- Cosentino, A. FORS spectral database of historical pigments in different binders. E-Conservation Journal. , 54-65 (2014).
- Leona, M., Winter, J. Fiber optics reflectance spectroscopy: a unique tool for the investigation of Japanese paintings. Studies in Conservation. 46, 153-162 (2001).
- 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).
- 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).
- Fischer, C., Kakoulli, I. Multispectral and hyperspectral imaging technologies in conservation: current research and potential applications. Studies in Conservation. 51, 3-16 (2006).
- 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).
- 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).
- 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).
- Clodius, W. B. Multispectral and Hyperspectral Image Processing, Part 1: Initial Processing. Encyclopedia of Optical Engineering: Las-Pho. 2, 1390 (2003).
- Kruse, F. A., et al. The spectral image processing system (SIPS)-interactive visualization and analysis of imaging spectrometer data. AIP Conference Proceedings. , (1993).
- 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).
- 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).
- Richards, J. A. Remote sensing digital image analysis. 3, Springer. (1999).
- 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).
- Zhu, C. Y., et al. Optimization of a hyperspectral imaging system for rapid detection of microplastics down to 100 µm. MethodsX. 8, 101175 (2021).
- 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).
- 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).
- Chen, C. -Y., Klette, R. Image stitching-Comparisons and new techniques. International Conference on Computer Analysis of Images and Patterns. , (1999).
- Tuszynski, J. read_envihdr. MATLAB Central File Exchange. , Available from: https://www.mathworks.com/matlabcentral/fileexchange/38500-read_envihdr (2021).
- 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).
- Schneider, C. A., Rasband, W. S., Eliceiri, K. W. NIH Image to ImageJ: 25 years of image analysis. Nature Methods. 9, 671-675 (2012).
- 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).
