Waiting
Login processing...

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

Chemistry

Tillämpa hyperspektral reflektansavbildning för att undersöka paletter och tekniker för målare

Published: June 18, 2021 doi: 10.3791/62202

Summary

Hyperspektrala reflektansavbildningshyperkuber innehåller anmärkningsvärd information i en stor mängd data. Därför är begäran om automatiserade protokoll för att hantera och studera datamängderna allmänt motiverad. Kombinationen av Spektralvinkelmapper, datamanipulation och en användarjusterbar analysmetod utgör en nyckelsväng för att utforska de experimentella resultaten.

Abstract

Reflektansspektroskopi (RS) och fiberoptikreflektansspektroskopi (FORS) är väletablerade tekniker för undersökning av konstverk med särskild uppmärksamhet på målningar. De flesta moderna museer ställer till sina forskargruppers förfogande bärbar utrustning som tillsammans med RS och FORS inneboende icke-invasivitet möjliggör insamling av reflektansspektra från artefakternas yta. Jämförelsen, utförd av experter på pigment och målningsmaterial, av experimentella data med databaser med referensspektra driver karakteriseringen av paletterna och av de tekniker som används av konstnärerna. Den här metoden kräver dock specifika färdigheter och det är tidskrävande, särskilt om antalet spektra som ska undersökas blir stort som är fallet med HRI-data uppsättningar (Hyperspectral Reflectance Imaging). HRI:s experimentella inställningar är flerdimensionella kameror som associerar spektralinformationen, som ges av reflektansspektrat, med den rumsliga lokaliseringen av spektrat över den målade ytan. De resulterande datamängderna är 3D-kuber (så kallade hyperkuber eller datakuber) där de två första dimensionerna lokaliserar spektrumet över målningen och den tredje är själva spektrumet (dvs. reflektansen av den punkten på den målade ytan kontra våglängden i detektorns operativa intervall). Detektorns förmåga att samtidigt samla in ett stort antal spektra (vanligtvis mycket mer än 10 000 för varje hypercube) gör HRI-datamängderna till stora informationsreservoarer och motiverar behovet av utveckling av robusta och eventuellt automatiserade protokoll för att analysera data. Efter beskrivningen av förfarandet för datainsamlingen presenterar vi en analysmetod som systematiskt utnyttjar hyperkubers potential. Baserat på Spectral Angle Mapper (SAM) och på manipulering av det insamlade spektrat hanterar och analyserar algoritmen tusentals spektra samtidigt som den stöder användaren att avslöja funktionerna i de prover som undersöks. Kraften i tillvägagångssättet illustreras genom att tillämpa det på Quarto Stato, det ikoniska mästerverket av Giuseppe Pellizza da Volpedo, som hålls i Museo del Novecento i Milano (Italien).

Introduction

Reflektansspektroskopi (RS) och fiberoptikreflektansspektroskopi (FORS) är baserade på detektion av ljuset som reflekteras av ytor som en gång belystes av en ljuskälla, vanligtvis en volfram-halogenlampa. Anskaffningssystemets utdata består av spektra där reflektansen övervakas som en funktion av våglängden inom ett område som beror på egenskaperna hos den använda experimentella installationen1,2,3. RS och FORS introducerades under de senaste fyra decennierna4,5 och används vanligtvis i kombination med röntgenfluorescens och andra spektroskopier för att beskriva materialen och teknikerna som används av konstnärer för att förverkliga sina mästerverk6,7,8,9. Studien av reflektansspektrat utförs vanligtvis genom att jämföra data från provet med en grupp referensspektra som valts av användaren i personliga eller offentliga databaser. När referensspektrat som överensstämmer med provets genomförandeperiod och konstnärens arbetssätt har identifierats, känner användaren igen huvuddragen i reflektansspektrat (dvs. övergångs-, absorptions- och reflektionsband1,2,10,11) och sedan, med hjälp av andra tekniker6,7,8 de skiljer de pigment som har använts i målningarna. Slutligen diskuterar de de små skillnader som finns mellan referenserna och det experimentella spektrat7,9.

I de flesta fall består de experimentella dataseten av några spektra, samlade från områden som valts av konstexperter och antas vara signifikanta för karakteriseringen av målningen6,12,13. Trots användarens färdigheter och erfarenhet kan några spektra inte helt uttömma egenskaperna hos hela den målade ytan. Dessutom kommer resultatet av analysen alltid att vara starkt beroende av den utövandes expertis. I det här scenariot kan hyperspektral reflektansavbildning (HRI3,14,15) vara en användbar resurs. I stället för några enstaka spektra returnerar de experimentella installationerna reflektansegenskaperna hos utökade delar eller till och med av hela artefakten som undersöks16. De två främsta fördelarna med förvärvet av det isolerade spektrat är uppenbara. Å ena sidan gör tillgången till den rumsliga fördelningen av reflektansegenskaperna det möjligt att identifiera områden som döljer intressanta funktioner, även om de kanske inte verkar märkliga17. Å andra sidan garanterar hyperkubenen ett antal spektra som är tillräckligt höga för att möjliggöra statistisk analys av uppgifterna. Dessa fakta stöder förståelsen av fördelningen av pigment inom den målade ytan18,19.

Med HRI kan jämförelsen av experimentella data med referenserna vara svår att hantera15. En typisk detektor returnerar hyperkuber på minst 256 x 256 spektra. Detta skulle kräva att användaren utvärderar mer än 65 000 reflektansspektra mot varje referens, en uppgift som är nästan omöjlig att utföra manuellt inom rimlig tid. Därför är begäran om robusta och eventuellt automatiserade protokoll för att hantera och analysera HRI-data uppsättningar mer än motiverad15,17. Den föreslagna metoden besvarar detta behov genom att hantera hela det analytiska förfarandet med minsta möjliga engagemang och maximal flexibilitet.

En algoritm som består av en uppsättning hemgjorda koder (Table of Materials) läser, hanterar och organiserar filerna som returneras av den experimentella installationen. Det gör det möjligt att studera det fina urvalet av delar av synfälten (FOV, ett synfält är det område av målningen som övervakas av en enda hyperkuber) och utför analysen av data baserat på SAM-metoden (Spectral Angle Mapper)20,21 och på manipulering av det ursprungliga spektrat. SAM returnerar falska gråskalebilder med färg som kallas likhetskartor. Värdena för pixlarna på dessa kartor motsvarar de spektralvinklar som är vinklarna mellan spektrat som lagras i hyperkubenen och de så kallade slutmedlemmarna (EMs, en grupp referensspektra som bör beskriva egenskaperna hos ytan som övervakas av hyperkuben)22. När det gäller RS som tillämpas på målningar är EMs reflektansspektra av pigment som ska matcha Mästarens palett. De väljs baserat på tillgänglig information om konstnären, målningens genomförandeperiod och användarens expertis. Därför är sam-resultatet en uppsättning kartor som beskriver de rumsliga fördelningarna av dessa pigment över målningsytan och som hjälper användaren att härleda de material som konstnären och deras organisation använder i artefakten. Algoritmen erbjuder möjligheten att använda alla typer av referenser oberoende av deras ursprung. Referenserna kan vara specifika spektra som väljs inom hyperkuben, komma från databaser, förvärvas av ett annat instrument på en annan yta (t.ex. prover av pigment eller konstnärens palett, till exempel), eller erhållas med någon form av reflektansspektroskopi, inklusive FORS.

SAM har föredragits bland de tillgängliga klassificeringsmetoderna eftersom det har visat sig vara effektivt för att karakterisera pigment (se boken av Richard23 för att ha en översikt över de viktigaste tillgängliga klassificeringsmetoderna). Tanken på att utveckla ett hemgjort protokoll i stället för att anta ett av de många verktyg som är fritt tillgängligt på nätet24,25 bygger i stället på ett praktiskt övervägande. Trots effektiviteten och den vetenskapliga grunden för de befintliga GUI och programvara, uppfyller ett enda verktyg knappast alla användarens behov. Det kan finnas ett I/O-problem (Input/Output) eftersom ett verktyg inte hanterar filen som innehåller rådata. Det kan finnas ett problem med analysen av data eftersom ett annat verktyg inte ger önskat tillvägagångssätt. Det kan finnas en begränsning i hanteringen av data eftersom samtidig analys av flera data uppsättningar inte stöds. I vilket fall som helst finns inte ett perfekt verktyg. Varje metod måste justeras till data eller vice versa. Därför har utvecklingen av ett hemgjort protokoll föredragits.

Det presenterade tillvägagångssättet erbjuder varken en komplett uppsättning analysmetoder (se för jämförelse det verktyg som föreslagits av Mobaraki och Amigo24) eller ett lätthanterat användargränssnitt (se för jämförelse den programvara som används av Zhu och medarbetare25), men i utbyte fokuserar den på en fortfarande underskattad aspekt av hyperspektral dataanalys: möjligheten att manipulera det upptäckta spektrat. Kraften i tillvägagångssättet illustreras genom att tillämpa den på målningen Quarto Stato av Giuseppe Pellizza da Volpedo (figur 1), en ikonisk olja på duk som hålls i Museo del Novecento i Milano, Italien. Observera att eftersom metoden kräver att du kör hemgjorda koder valde utvecklaren godtyckligt namnen på koderna och både indata- och utdatavariablerna som används i beskrivningen av protokollet. Namnen på variablerna kan ändras av användaren, men de måste anges enligt följande: indata- och utvariablerna måste skrivas inom parentes och så småningom separeras av kommatecken och inom hakparenteser och så småningom separeras av ett tomt utrymme. Tvärtom kan namnen på koderna inte ändras.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Ställ in hyperkubernas rumsliga upplösning

  1. Utför en preliminär inspektion av den målade ytan (figur 1) med stöd av konstexperter för att identifiera målningens huvuddrag.
    1. Känn igen de bildtekniker som konstnären använder för att skapa målningen.
    2. Identifiera de olika penseldragen av färg på duken.
    3. Uppskatta, kvalitativt, egenskaperna hos penseldragen med särskild uppmärksamhet på deras storlek.
  2. Efterlikna den bildteknik som konstnären använder genom att skapa ad hoc-testprover där penseldragen visar egenskaper som liknar de som konstnären använder.
    OBS: Pellizza da Volpedo var en divisionsmålare. En återställare ombads att förbereda några prov som kvalitativt återger penseldragen på den duk som är av intresse (figur 2, kolumn A).
  3. Ställ in avståndet mellan den undersökta ytan och förvärvsutrustningen.
    OBS: Avståndet bestämmer hyperkuber26:s rumsliga upplösning och därmed möjligheten att urskilja penseldragen på bilderna och SAM-kartorna över den målade ytan.
    1. Utvärdera avståndet mellan provets yta och anskaffningsutrustningen med beaktande av egenskaperna hos hyperspektralkameran26 (Materialförteckning) och storleken på de penseldrag som dras i provexemplaret.
    2. Sätt förvärvsstadiet och hyperspektralkameran på det avstånd som utvärderades i föregående steg. Ordna proverna på scenen och säkerställ en jämn belysning av provernas yta.
    3. Utför en vit kalibrering med hjälp av den vita standardreferensen som medföljer hyperspektralkameran. Skaffa hyperkuber.
      OBS: För varje FOV returnerar hyperspektralkameran både råa och kalibrerade bilder. De senare har använts för analysen.
    4. Ladda ner filerna som returneras av instrumentet och spara dem i en dedikerad mapp.
  4. Kontrollera om hyperkubenens rumsliga upplösning kan skilja de olika penseldragen på bilderna och SAM-kartorna på den målade ytan.
    1. Inspektera RGB-bilderna som returneras av hyperspektralkameran för att säkerställa att penseldragen som används för att realisera testproverna kan kännas igen (bild 2, kolumn A). Om så är fallet, gå vidare till nästa steg; annars gå tillbaka till steg 1.3.1 och starta om.
    2. Lista filerna som innehåller hyperspektrala data och RGB-avbildningar av FOVs genom att köra dataläsningskoden HS_FileLister. Skriv följande kommandorad (semikolon ingår) i det terminalfönster på det språk som används för att utveckla koderna (Materialförteckningen) och tryck på Retur för att köra koden:
      [HS_DataList HS_ImageList] = HS_FileLister;
      1. Ingen inmatning krävs och det finns två utgångar: listan över filerna som innehåller hyperkuber, HS_DataList och listan över bilderna som returneras av hyperspektralkameran , HS_ImageList.
        OBS: Storleken på varje hyperkuber är 512 x 512 x 204 voxels där 204 är antalet kanaler som används för att övervaka reflektanssignalen. Kanalerna spänner över våglängdsområdet mellan 400 och 1 000 nm med en spektralupplösning på 7 nm vid FWHM26.
    3. Definiera 3D-delen av hyperkuben som måste analyseras genom att köra beskärningskoden HS_Crop_png. Definiera önskad del av varje datakub genom att välja ett område över ett interaktivt fönster som visar 2D, RGB-bilden av FOV som övervakas av varje hyperkuben. Skriv följande kommandorad (semikolon ingår) i terminalfönstret och tryck på Retur för att köra koden:
      [HS_ImageList] = HS_Crop_png(HS_ImageList);
      1. Det finns en inmatning (listan över de bilder som returneras av hyperspektralkameran, HS_ImageList) och en utgång (indatalistan som läggs till med de rumsliga koordinaterna för att så småningom beskära hyperkubenen).
    4. Tillämpa D65-belysnings- och 1931-observatören från CIE-standarderna (International Commission on Illumination) på hyperkuben för att hämta RGB-bilderna av FOV:erna från reflektan genom att köra ombyggnadskoden, HS_RGB_rebuild. Skriv följande kommandorad (semikolon ingår) i terminalfönstret och tryck på Retur för att köra koden:
      [HS_ImageList] = HS_RGB_rebuild(HS_ImageList, HS_DataList);
      1. Det finns två ingångar (listan som innehåller bilderna som returneras av hyperspektralkameran, HS_ImageList och listan över filerna som innehåller hyperkuber, HS_DataList) och en utgång (indatalistan som innehåller bilderna som returneras av den hyperspektrala kameran som lagts till med RGB-bilderna av ytorna på hyperkubbarna som hämtats från reflektan).
        OBS: HS_RGB_Rebuild utnyttjar de funktioner som utvecklats av Jeff Mather27 för att tillämpa D65-illuminöten och 1931-observatören från CIE på data.
    5. Välj manuellt några referensspektra på provexemplarets ytor (Vita cirklar och siffror i figur 2, kolumn A) genom att köra den isolerade valkoden för mätpunkter, PointSel. Välj mätpunkterna genom att klicka på ett interaktivt fönster som visar, en efter en, 2D- och RGB-bilderna av FOV:erna. Skriv följande kommandorad (semikolon ingår) i terminalfönstret och tryck på Retur för att köra koden:
      [Referenser] = PointSel(HS_DataList, HS_ImageList);
      1. Det finns två ingångar (listan som innehåller bilderna som returneras av hyperspektralkameran, HS_ImageList och listan över filerna som innehåller hyperkuber, HS_DataList) och en utdata (en variabel, Referenser, som innehåller spektrat valt som referenser inom FOV:erna).
    6. Om så önskas lagrar du referensernas position över exempelytan i en uppsättning bilder genom att köra den dedikerade koden SaveImPoint. Skriv följande kommandorad (semikolon ingår) i terminalfönstret och tryck på Retur för att köra koden:
      SaveImPoint(Referenser, HS_ImageList);
      1. Det finns två indata (variabeln som innehåller referensspektrat, Referenser och listan som innehåller bilderna som returneras av hyperspektralkameran, HS_ImageList) och inga utdata (koden sparar .png bilder i den aktuella arbetsmappen).
    7. Ordna referenserna i en matris genom att köra konverteringskoden RefListToMatrix. Skriv följande kommandorad (semikolon ingår) i terminalfönstret och tryck på Retur för att köra koden:
      [References_Matrix] = RefListToMatrix(Referenser, HS_ImageList(1). WaveL);
      1. Det finns två ingångar (variabeln som innehåller referensspektrat, Referenser, och listan över våglängderna vid vilka detektorn räknar fotonerna under datainsamlingen av spektrat, HS_ImageList(1). WaveL) och en utdata (samma referensspektra ordnad i en matris, References_Matrix).
        Det här steget är obligatoriskt eftersom koden som utvärderar SAM-kartorna kräver att referensspektrat ordnas i en matris. Syntaxen för den andra inmatningen , HS_ImageList(1). WaveL, krävs för att återkalla variabeln WaveL från listan HS_ImageList. Siffran 1 inom parentes refererar till det första elementet i listan som heter HS_ImageList. Men eftersom alla hyperkuber har samma våglängdsområde kan det ersättas med varje nummer som är mindre eller lika med det totala antalet listade bilder.
    8. Extrahera SAM-kartorna med hela spektrat genom att köra standardkoden för SAM-kartor, SAM_Standard. Skriv följande kommandorad (semikolon ingår) i terminalfönstret och tryck på Retur för att köra koden:
      SAM_Standard(HS_ImageList, HS_DataList, References_Matrix).
      1. Det finns tre ingångar (listan som innehåller bilderna som returneras av hyperspektralkameran, HS_ImageList; listan över filerna som innehåller hyperkuber, HS_DataList; och matrisen för referensspektrat, References_Matrix) och ingen utdata: koden sparar SAM-kartorna som .png bilder i den aktuella arbetsmappen.
    9. Kontrollera om de erhållna likhetskartorna (bild 2, kolumnerna B - E) visar detaljerna i de penseldrag som används för att realisera testproverna. Om så är fallet går du vidare till nästa steg i protokollet. annars gå tillbaka till steg 1.3.1 och starta om.

2. Justera försöksparametrarna till målningen

  1. Identifiera regionerna för intresse, ROI(er) för den målning som ska studeras (röda rektanglar i figur 3A).
    OBS: Det är vanligt att mer än en FOV är nödvändig för att täcka en enda ROI.
  2. Ordna förvärvsinställningen och målningen på det avstånd som definierats i föregående steg och utför den vita kalibreringen med hjälp av den vita standardreferensen som medföljer hyperspektralkameran.
    OBS: Om användarna måste göra ett in situ-förvärv (dvs. de måste studera en målning som exponeras i ett museum eller på en utställning), kan de bara hantera kameran. Detta gäller Quarto Stato, som är permanent exponerad i ett särskilt utrymme på Museo del Novecento i Milano, Italien.
  3. Hämta hyperspektrala data från minst en FOV inom kanten av varje ROI(er) (oformade områden i de röda rektanglarna i figur 3A).
  4. Ladda ner filerna som returneras av instrumentet och spara dem i en dedikerad mapp.
  5. Kontrollera om belysningen av målningens yta har ställts in på ett enhetligt sätt genom att titta på de RGB-bilder som returneras av hyperspektralkameran. Om så är fallet går du till nästa steg, annars går du tillbaka till steg 2.2 och startar om.
    OBS: Figur 4 illustrerar vikten av denna kontroll (se avsnittet Diskussion för mer information).
  6. Upprepa understegen i steg 1.4.
  7. Kontrollera om data har en rumslig upplösning som är tillräckligt hög för att särskilja penseldragen genom att observera RGB-bilderna på FOV:erna (figur 3B) och SAM-kartorna (figur 3C) relaterade till det referensspektra som valts inom FOV :erna (gröna cirklar i figur 3B).
  8. Om belysningen och den rumsliga upplösningen har ställts in på rätt sätt, slutför insamlingen av de uppgifter som inhämtar de andra fovs som är nödvändiga för att täcka avkastningen på investeringen. annars gå tillbaka till steg 2.2 och starta om.
    OBS: När en ROI kräver att mer än en FOV täcks, se till att en viss grad av superposition mellan intilliggande FOVs enkelt sy de resulterande kartorna3,15. Överlappningens omfattning beror på avståndet mellan hyperspektralkameran och provet, på översättningen och detektorns horisontella synvinkel28. När det gäller den experimentella kampanj som har genomförts på Quarto Stato har överlappningen fastställts till minst 40 % av de fovs.

3. Hyperkuber och referensspektrahantering

  1. Utför I/O för rådata: organisera, läsa och hantera hyperkuber.
    1. Kör HS_FileLister-koden för att lagra listan över filerna som innehåller hyperkuben och relaterad information i två variabler som står till algoritmens förfogande (se steg 1.4.2 för praktiska detaljer).
      OBS: Hyperspektralkameran returnerar hdr-filer (högt dynamiskt omfång) som koden hanterar att utnyttja en återbesökt version av skriptet som utvecklats av Jarek Tuszinsky29.
    2. Kör HS_Crop_png-koden för att välja den del av varje FOV som ska användas vid analys av data (se steg 1.4.3 för praktiska detaljer).
    3. Kör HS_RGB_Rebuild-koden för att hämta RGB-avbildningarna på FOV:erna från reflektansspektrat (se steg 1.4.4 för praktiska detaljer).
  2. Ordna, läs (om det behövs) och hantera referensspektrat.
    REFERENSspektrat kommer att spela rollen som slutmedlemmarna inom SAM-metoden20,21. Den här delen av algoritmen är inte entydigt bestämd utan beror på urvalsläget och referensspektrats ursprung.
    1. Kör PointSel-koden och klicka i det interaktiva fönstret som visas för att identifiera referensspektrat som isolerade mätpunkter över ytan på det övervakade området (figur 5A) (se steg 1.4.5 för praktiska detaljer).
    2. Välj automatiskt referensspektrat som ett regelbundet reticulum av mätpunkter som läggs ovanpå ytan på det övervakade området eller de övervakade området genom att köra den retikulära urvalskoden ReticularSel (figur 5B). Skriv följande kommandorad (semikolon ingår) i terminalfönstret och tryck på Retur för att köra koden:
      [Referenser] = ReticularSel(HS_DataList, HS_ImageList, n_pixel);
      1. Det finns tre indata (listan som innehåller bilderna som returneras av hyperspektralkameran, HS_ImageList; listan över filerna som innehåller hyperkuber, HS_DataList; och avståndet mellan retikulum, n_pixel, uttryckt i antal pixlar) och en utgång: en variabel som innehåller spektrat valt som referenser inom FOVs, Referenser.
    3. Kör den externa referens import import koden, Spectra_Importer, för att skapa en variabel som innehåller referenser från data uppsättningar och databaser oberoende av hyperkuber som förvärvats på Quarto Stato. Skriv följande kommandorad (semikolon ingår) i terminalfönstret och tryck på Retur för att köra koden:
      [ExtReferences] = Spectra_Importer(file_extension);
      1. Det finns en inmatning (tillägget av filen som innehåller det oberoende referensspektrat, file_extension, skrivet mellan apices) och en utdata (en variabel som innehåller de externa referenserna, ExtReferences).
        OBS: Den externa referensimportörkoden har optimerats för import av tmr-filer, men om det behövs kan den enkelt ändras för att hantera alla typer av textfiler.
    4. Kör RefListToMatrix-koden för att placera referenserna i en matris, References_Matrix eller ExtReferences_Matrix, enligt koden som utvärderar SAM-kartorna (se steg 1.4.7 för praktiska detaljer).
    5. Vänta tills RefListToMatrix-koden utjämnar både våglängdsområdet och spektralupplösningen (dvs. antalet komponenter) för hyperkuben och referenserna.
      OBS: Koden identifierar våglängdsintervallen för både hyperkuber och referenser. Koden jämför våglängdsintervallen och skär av våglängdsintervallen som inte övervakas av både hyperkubenen och referenserna. Koden identifierar gruppen av hypervektorer (hyperkuber eller referenser) som utgörs av det lägre antalet komponenter (dvs. kännetecknas av den lägre spektralupplösningen) i det utjämnade våglängdsområdet. Koden minskar antalet komponenter i de längre hypervektorerna (referenserna eller hyperkubenerna) till de kortare (hyperkubenerna eller referenserna). Detta görs genom att för varje våglängd av de kortare hypervektorerna hålla endast värdena för de längre hypervektorerna som motsvarar närmaste våglängd till de kortare hypervektorerna.
      1. Koden utför automatiskt utjämningen. Om referenserna har valts inom hyperkuben behöver våglängdsområdet och spektralupplösningen inte utjämnas och de förblir oförändrade.
    6. Om så önskas, förvara referensernas position över provernas yta i en uppsättning bilder genom att köra den dedikerade koden (se steg 1.4.7 för praktiska detaljer).
      Det här alternativet är endast tillgängligt om referenserna har valts inom hyperkuben (steg 3.2.1 och 3.2.2).

4. SAM-analys

  1. Kör den SAM_Complete koden för att utvärdera likhetsmapporna. Skriv följande kommandorad (semikolon ingår) i terminalfönstret och tryck på Retur för att köra koden:
    SAM_Complete(HS_ImageList, HS_DataList, References_Matrix).
    1. Det finns tre ingångar (listan som innehåller bilderna som returneras av hyperspektralkameran, HS_ImageList; listan över filerna som innehåller hyperkuber, HS_DataList; och referensmatrisen, References_Matrix eller ExtReferences_Matrix) och inga utdata (koden sparar SAM-kartorna som .png filer i den aktuella arbetsmappen).
      Obs: Förutom de tre beskrivna indatavariablerna måste SAM_complete-koden matas med få ytterligare parametrar för att skräddarsy analysprotokollet enligt användarens preferenser (se nästa steg).
  2. När det behövs matar du koden med förbearbetningsalternativet genom att skriva siffran 0 eller 1 i dialogrutan beroende på önskad förbearbetning och trycker på Retur för att fortsätta.
    1. Förbearbetningsalternativ inställt på 0: det område som är informaterat av varje reflektansspektrum normaliseras till 1.
    2. Förbearbetningsalternativ inställt på 1: det område som är informat av varje reflektansspektrum normaliseras till 1 och sedan härleds det normaliserade spektrumet en gång.
      OBS: Både hyperkuber och referenser genomgår samma förbehandlingsalternativ.
  3. Välj de slut medlemmar som ska användas för SAM-analysen bland referensmatrisen genom att mata koden med numren på de kolumner som motsvarar önskat spektra. Ange i dialogrutan sekvensen av tal som motsvarar önskade kolumner genom att skriva siffrorna avgränsade med ett tomt utrymme. Tryck på Retur för att fortsätta.
    ANMÄRKNING: Sekvensen [1 2 3] motsvarar valet av referensmatrisens tre första kolumner. En tom vektor motsvarar valet av alla kolumner i referensmatrisen.
  4. Mata koden med en sträng som innehåller den första delen av namnet som identifierar de uppsättningar kartor som ska sparas (dvs. den gemensamma delen av namnet på .png filer som returneras av SAM_Complete). Infoga strängen i dialogrutan när det behövs. Tryck på Retur för att fortsätta.
    OBS: Om användaren skriver test börjar namnet på alla utdata .png bilder med test.
  5. När det behövs matar du koden med den metod som valts för att hantera data genom att skriva numret 0, 1 eller 2 i dialogrutan beroende på önskad referensmetod och tryck på Retur för att fortsätta.
    1. Ange metoden till 0 för ingen manipulering av data.
    2. Ställ in metoden på 1 för att kräva att det eller de våglängdsintervall för spektrat som ska beaktas manuellt väljs innan analysen påbörjas (figur 6).
    3. Ställ in metoden till 2 för att kräva att algoritmen beställer data på grundval av ett specifikt kriterium före utvärderingen av SAM-kartorna (figur 7).
  6. Vänta tills protokollet bearbetar data och sparar SAM-kartorna i den aktuella arbetsmappen när .png filer.
    OBS: Om handtagsmetoden har ställts in på 0 eller 2 måste användaren bara vänta. Om den har ställts in på 1 måste användaren välja den eller de delar av spektrat som ska användas för att utvärdera SAM-kartorna genom att klicka på ett interaktivt fönster (bild 6).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Det föreslagna protokollet erbjuder en uppsättning intressanta funktioner för hantering och analys av HRI-data. I/O (steg 3.1) av rådata är alltid det första problemet som måste lösas innan någon analysmetod tillämpas och det kan bli en kritisk fråga när man hanterar stora mängder data. I det aktuella fallet är den enda uppgiften när det gäller rådata att lagra de experimentella resultaten i en dedikerad mapp och välja den genom att bläddra på hårddisken när du kör läskoden (steg 3.1.1). Därefter gör ombyggnadskoderna för beskärning och RGB att förfiningen av urvalet av de data som ska analyseras (steg 3.1.2) och kontrollerar att försöksförhållandena har fastställts korrekt vid tidpunkten för förvärvet av hyperkuber (steg 3.1.3, se figur 4 och avsnittet Diskussion för ytterligare information).

När det har verifierats att datakuber har förvärvats korrekt erbjuder algoritmen olika möjligheter att välja slut medlemmar för SAM-analysen20,21 (steg 3.2). De två första alternativen (steg 3.2.1 och 3.2.2) hämtar referenserna bland hyperkubenen genom att manuellt välja några isolerade mätpunkter (figur 5A) eller genom att automatiskt ta prov på målningens yta och ge ett reticular urval av mätpunkter inom en eller flera FOV (figur 5B). Analysen på isolerade mätpunkter är snabbare än den retikulärbaserade, men den innebär en noggrann och eventuellt välgrundad observation av FOV:erna för att identifiera det signifikanta spektrat. Detta innebär god erfarenhet av att hantera pigment och målade ytor. Det reticular valet gör algoritmen tidskrävande och tvingar användaren att observera många utdatabilder för att hämta en handfull användbara likhetskartor. Reticular urvalet ger dock en fullständig screening av hyperkuber och, mestadels, det kan utföras utan erfarenhet av det experimentella sammanhanget. I princip, när provtagningsavståndet, n_pixel, har beslutats, kan användaren försumma observationen av FOV: erna med en mycket låg sannolikhet att förlora detaljer.

Förutom valet av referensspektra inom hyperkubenen erbjuder algoritmen möjlighet att jämföra data från det undersökta provet med referenser som tillhör andra källor (steg 3.2.4). Den externa referensspektraimportörkoden hanterar I/O för referenser som inte tillhör målningens yta. Matriskonverterarkoden utjämnar våglängdsintervallen och spektralupplösningen för både hyperkuber och externa referenser (steg 3.2.4). Den här möjligheten utökar användarens funktioner när det gäller karakteriseringen av exemplet. Användaren kan faktiskt utnyttja alla typer av tillgängliga resurser när det gäller återspeglingsdata. Hyperkubenen kan jämföras med offentliga databaser, med användarens spektralarkiv, med nya data som samlas in på ad hoc-förberedda prover eller till och med på andra föremål (målningar, paletter, nyanser eller vad som helst) som tillhör författaren eller andra konstnärer. Dessutom kan de externa referenserna erhållas genom att utnyttja alla typer av reflektanstekniker så mycket att referenserna i figur 6 och figur 7 har förvärvats av en bärbar FORS-miniatyrspektrometer (Materialförteckning) och inte av den kamera som används för HRI-data.

Utöver datahanteringen erbjuder algoritmen också en ursprunglig metod för dataanalysen. Det möjliggör manipulering av spektrat innan du utvärderar SAM-kartorna (steg 4.1-4.5). Denna möjlighet finner sin logik i valet av SAM-metoden för att undersöka pigmentens fördelningar. I själva verket betraktar SAM reflektansspektrat eftersom de skulle vara vektorer i ett flerdimensionellt utrymme (dvs. hypervektorer med ett antal komponenter som motsvarar förvärvskanalernas). Om det huvudsakliga syftet med analysen är att jämföra olika men liknande referenser för att skilja vilka som bäst matchar de pigment som används av konstnären, bör därför de nästan identiska komponenterna i referensspektrat (dvs. våglängderna som motsvarar nästan identiska värden i hypervektorerna) inte vara särskilt användbara och algoritmen gör det möjligt att utesluta dessa komponenter från analysen.

Protokollet stöder två alternativ för att manipulera data (steg 4.5): användaren kan definiera våglängdsdelen av reflektansdata som ska analyseras manuellt (bild 6) eller automatiskt (bild 7). Det manuella valet är enkelt. Det förbehandlade referensspektrat eller deras första derivat, beroende på det valda förbearbetningsalternativet (steg 4.2), visas i ett interaktivt fönster, bild 6A, och användaren väljer ett eller flera våglängdsintervall, bild 6B, genom att klicka på grafytan. Det automatiska urvalet baseras på det matematiska kriteriet för den maximala varians som tillämpas på det förbehandlade referensspektrat eller deras första derivat, beroende på det valda förbearbetningsalternativet (steg 4.2). Algoritmen beräknar variansen (normaliserad och visad som en streckad linje i bild 7A) inom de valda referenserna och beställer alla spektra (både referenser och hyperkuber) i enlighet med detta kriterium (den streckade linjen i figur 7B representerar den normaliserade och ordnade variansen). Med andra ord, om den maximala variansen motsvarar den n: e våglängden, kommer innehållet i den n: e komponenten i varje förbehandlat spektrum (referenser och hyperkuber) att flyttas till den första positionen för en omorganiserad hypervektor och så vidare (de färgade delarna av bakgrunden i figur 7A och figur 7B förklarar grafiskt omfördelningen av data). I praktiken beställs komponenterna i det förbehandlade spektrat som liknar huvudkomponentanalys30.

När spektrat har manipulerats utvärderar algoritmen SAM-kartorna. Efter den manuella manipuleringen (figur 6) returnerar protokollet tre uppsättningar kartor: två som motsvarar grupperna av valda och avvisade våglängder och en som erhålls med hela spektrat. I annat fall tillämpar algoritmen efter den automatiska manipuleringen (bild 7) ett flytande tröskelvärde för variansvärdena och utvärderar SAM-kartorna när tröskelvärdet ökar för både de omorganiserade hypervektorkomponenterna som motsvarar tröskelvärdet över (dvs. automatiskt valt) och till variansens undertröskelvärden (dvs. automatiskt avvisade) värden. Dessa uppsättningar kartor, tillsammans med de som erhålls från hela spektrat (alltid returneras av algoritmen), resulterar i totalt (2N + 1) uppsättningar kartor där N är antalet värden som antas av tröskelvärdet. De uppsättningar likhetskartor som erhålls vid det ökande tröskelvärdet (figur 8) visar att datamanipulation inte ändrar innehållet utan snarare ger nya insikter om detaljerna i det kartlagda området eller de kartlagda området och följaktligen kan bidra till att skilja likheter och skillnader mellan proverna och referenserna.

Figure 1
Bild 1: Quarto Stato. En bild av målningen, 1899-1901, 293 x 545 cm, olja på duk, Giuseppe Pellizza da Volpedo, Museo del Novecento, Milano, Italien. Klicka här för att se en större version av den här figuren.

Figure 2
Figur 2: Definition av försöksbetingelserna. A) De ad hoc-förberedda proverna. De vita cirklarna och siffrorna identifierar de mätpunkter som motsvarar det spektra som valts som referenser. B) Sam-kartorna som utvärderats med avseende på referensspektrumnummer 1, C) nummer 2, D- nummer 3 och E- nummer 4. Grå färgfältet anger värdeintervallet för spektralvinklarna. Klicka här för att se en större version av den här figuren.

Figure 3
Figur 3: Tillämpning av de definierade försöksbetingelserna på Quarto Stato. A) De rom-avtal som valts ut för den experimentella kampanjen (röda rektanglar). I varje rektangel har en FOV av de som är nödvändiga för att täcka avkastningen markerats (oformade områden). B) RGB-bilderna av de fyra oformade områdena på panel A. C) SAM-kartorna utvärderade med avseende på ett referensspektrum som valts inom varje FOV (Gröna cirklar). Grå färgfältet anger värdeintervallet för spektralvinklarna. Klicka här för att se en större version av den här figuren.

Figure 4
Figur 4: Korrekt kontra felaktig belysning av provets yta. (A) En del av FOV där en liten del av den målade ytan (Röd cirkel) påverkas av ändrade reflektansegenskaper på grund av felaktig belysning. (B) Samma lilla del av målningen (Blå cirkel) som den resulterar i när FOV är korrekt belyst. (C) Mätpunktens reflektansspektra i mitten av cirklarna när FOV är felaktigt och korrekt belyst (röd respektive blå linje ). D) SAM-kartan över FOV som erhållits med hjälp av spektrumet av den felaktiga belysta mätpunkten som referens. E) SAM-kartan över FOV som erhållits med hjälp av spektrumet av den rätt upplysta mätpunkten som referens. Grå färgstapeln refererar till (D) och (E) och anger värdeintervallet för de spektralvinklar som erhålls och jämför de första derivaten av spektrat av hyperkuben hos den valda FOV och det första derivatet av mätpunktens spektrum i mitten av de färgade cirklarna i (A) och (B). Klicka här för att se en större version av den här figuren.

Figure 5
Bild 5: Referensval inom hyperkubenen. De gröna cirklarna anger platsen för referensspektrat som valts manuellt på FOV som visas. B) Retikulärt urvalsläge. De gröna cirklarna anger platsen för det referensspektra som valts genom att använda ett retikulum med samplingsintervallet (n_pixel) inställt på fem pixlar på FOV som visas. Den bild som rapporteras i både A och (B) är gråskalekonverteringen av RGB-bilden av FOV som hämtats från reflektansspektrat som tillämpar D65-belysningen och 1931-observatören från CIE-standarder till hyperkuben. Grå färgfältet refererar till den normaliserade intensiteten i den här bilden. Klicka här för att se en större version av den här figuren.

Figure 6
Bild 6: Det manuella datamanipulationsläget. (A) Den aspekt av det interaktiva fönstret som gör det möjligt för användaren att dela upp referensspektrat i de valda och avvisade fraktionerna av våglängder. B) Samma hänvisningar till A, där de delar av data som valts ut för utvärdering av samkartorna har markerats med en rosa bakgrund. A) och B) visa referensernas förbehandlade spektra. Klicka här för att se en större version av den här figuren.

Figure 7
Bild 7: Det automatiska datamanipulationsläget. (A) De första derivaten av de fyra normaliserade referenserna som rapporteras i figur 6 (färgade linjer) och deras normaliserade maximala varians (Svart streckad linje). B) Samma derivat av A sorterade enligt kriteriet om den maximala variansen. De sorterade värdena för den normaliserade maximala variansen har också rapporterats (Svart streckad linje). Vissa delar av bakgrunden har färgats med olika nyanser i försöket att visuellt illustrera hypervektorernas omarrangemang. Klicka här för att se en större version av den här figuren.

Figure 8
Bild 8: SAM-kartorna som erhålls genom det automatiska datamanipulationsläget. (A-C) De sorterade värdena för den normaliserade maximala variansen som utvärderades inom de första derivaten av referensspektrat i figur 7. De gröna och röda avsnitten i kurvan anger respektive de valda (över tröskelvärdena) och förkastade delen av uppgifterna (under tröskelvärden). Panelerna visar vad som händer vid höjningen av tröskeln (Black Dotted Segment); Varje panel rapporterar samkartorna för båda de värdegrupper som erhållits för de fyra derivaten av spektrat i figur 7. De gröna kantade kartorna refererar till övertröskelfraktionerna medan de röda kantade kartorna refererar till de under tröskelvärden. De grå färgstaplarna anger värdeintervallet för spektralvinklarna. I det här exemplet är steget som bestämmer tröskelvärdets ökning lika med 0,5 % av den normaliserade maximala variansen. De tröskelvärden som rapporteras i C är 0,09 och det är det senast beaktade tröskelvärdet eftersom en ytterligare ökning skulle minska antalet valda komponenter i hypervektorerna under den godtyckligt fasta nedre gränsen på 20 värden, dvs. 10 % av hyperspektralkamerans totala antal förvärvskanaler. Klicka här för att se en större version av den här figuren.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Hyperspektrala reflektansavbildningsdatauppsättningar är stora informationsreservoarer. Därför är utvecklingen av robusta och eventuellt automatiserade protokoll för att analysera data en viktig vändning för att utnyttja deras potential15,17. Den föreslagna algoritmen svarar på detta behov inom kulturarvet med särskild uppmärksamhet på karakteriseringen av målningarnas pigment. Baserat på SAM20,21 stöder algoritmen användaren under hela analysprocessen från inställningen av de experimentella förhållandena till utvärderingen av fördelningen av pigment. Även om algoritmen fortfarande inte har ett komplett grafiskt gränssnitt och att den inte tillhandahåller ett verktyg för att visa resultaten (för detta ändamål har en programvara med öppen källkod använts31 och det rekommenderas, se tabell över material), balanserar uppsättningen möjligheter som implementeras för att modulera tillvägagångssättet för dataanalysen i stor utsträckning dessa nackdelar.

Protokollet ställer in förvärvssystemet enligt egenskaperna hos både provet och detektorn. Å ena sidan kräver den divisionistiska teknik som används av Pellizza Da Volpedo för att skapa Quarto Stato att hyperkubenen skiljer mellan små penseldrag av olika pigment placerade sida vid sida. Å andra sidan har hyperspektralkameran ett fokusområde mellan 150 mm och oändligt med ett manuellt justeringssystem som på 1 m avstånd till målet detekterar ett område på 0,55 x 0,55 m med en rumslig upplösning på 1,07 mm26. Tillämpningen av algoritmen på få hyperkuber som förvärvats på testproverna (figur 2) hjälper till att fastställa ett lämpligt arbetsavstånd för datainsamlingen. Observationen av mätningarna gör det möjligt att ställa in arbetsavståndet för den experimentella kampanjen till 30 cm, vilket motsvarar en upplösning på 0,31 mm vid målet.  Detta arbetsavstånd antogs också framgångsrikt under de experimentella sessioner som genomfördes på Quarto Stato (figur 3). När arbetsavståndet har definierats är belysningen av provets yta fortfarande en kritisk fråga3,15. När en del av en FOV visar ojämn (röd cirkel i figur 4A) i stället för enhetlig belysning (Blå cirkel i figur 4B) ändras reflektansegenskaperna dramatiskt (figur 4C) och hela proceduren äventyras (figur 4D kontra figur 4E). Protokollet förhindrar ojämn belysning (och mer i allmänhet mot artefakter i de övervakade områdena) under förvärvet av data (genom att returnera RGB, steg 1.4.1, och SAM-kartor, steg 1.4.9, som kan kontrolleras av användaren) och en posteriori genom att utesluta de komprometterade delarna av FOVs från analysen med hjälp av beskärningskoden (steg 1.4.2 och 3.1.2).

Protokollet gör det möjligt för användaren att välja referenser (dvs. de slutmedlemmar som används för utvärdering av SAM-kartorna) med maximal frihet. Å ena sidan kan EU väljas inom hyperkubens kanter på två sätt: isolerat val av mätpunkter (figur 5A i steg 1.4.5 och 3.1.2) eller val av reticularmätningspunkter (figur 5B i steg 3.1.3). Den första kan definieras som informerat urval eftersom det kräver viss expertis hos användaren för att manuellt identifiera de betydande mätpunkterna. Det senare kan definieras som blindval eftersom den retikulära provtagningen av fovs endast kräver att värdet av provtagningsintervallet utförs. Å andra sidan kan EMs hämtas utanför den målning som undersöks (steg 3.1.4). Under den experimentella kampanjen som genomfördes på Quarto Stato användes en bärbar miniatyr FORS-spektrometer (Table of Materials) för att samla in spektra från utkastprover som tillhör konstnären och för närvarande hålls i Studio Museum i Volpedo (Pellizza da Volpedo Studio Museo, Volpedo (AL), Italien). Dessa reflektansdata har använts för utvärdering av SAM-kartorna och några av dem redovisas i figur 6 och figur 7. Eftersom det begränsar betydelsen av den absoluta intensiteten och spektras baslinje är förbehandlingen obligatorisk för både hyperkuber och EU, särskilt om de har erhållits från något olika inställningar eller operativa förhållanden32.

Den sista huvudfunktionen i protokollet är chansen att manipulera experimentella data. För manipulering är avsikten att identifieringen av de viktigaste komponenterna i EMs (dvs. av dessa delar av slutmedlemmarnas spektra ska bidra till att karakterisera de material som konstnären använder). Den här uppgiften kan utföras manuellt (bild 6) eller automatiskt (bild 7). I det första fallet utnyttjar algoritmen utförarens expertis medan det i det andra fallet är ett statistiskt kriterium som bestämmer de komponenter som tid för tid kommer att användas för att utvärdera SAM-kartorna. I båda fallen ökar manipuleringen antalet resulterande likhetskartor och utökar följaktligen förmågan att lämna ut den information som hyperkubenerna bär. I synnerhet genererar det kriteriebaserade urvalet ett stort antal insikter om den målade ytan (figur 8).

Om man tar individuellt kan de uppräknade funktionerna bara framstå som tekniska fördelar, men tillsammans innebär de minst två huvudpunkter. Algoritmen kan tillämpas framgångsrikt av alla typer av användare och den kan avsevärt bredda analysscenariot. Faktum är att protokollets huvudsteg (dvs. valet av referenser och manipulering av data) kan utföras automatiskt, utan hänsyn till användarens färdigheter och erfarenhet. Med möjlighet att driva analysen med spektra utifrån hyperkuber kan alla reflektansdata i bortskaffandet av forskarna utnyttjas för karakteriseringen av det undersökta provet.

Sammanfattningsvis kan protokollet vara ett extremt flexibelt verktyg. Med vissa förbättringar när det gäller det grafiska gränssnittet och antalet analysmetoder som stöds kan det vara ett steg utöver den senaste tekniken när det gäller hantering och analys av data som erhållits från målade ytor med hjälp av hyperspektral reflektansavbildning.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Författarna har inget att avslöja.

Acknowledgments

Denna forskning finansierades av Regione Lombardia inom ramen för projektet MOBARTECH: una piattaforma mobile tecnologica, interattiva e partecipata per lo studio, la conservazione e la valorizzazione di beni storico-artistici - Call Accordi per la Ricerca e l'Innovazione.

Författarna är tacksamma mot personalen på Museo del Novecento för stödet under de experimentella sessionerna på plats och till Associazione Pellizza da Volpedo för tillgången till Studio Museo.

Materials

Name Company Catalog Number Comments
ImageJ/Fiji Specim (Oulo, Finlad) N/A Portable reflectance hyperspectral camera used to acquire the hypercubes
MATLAB 2019b StellarNet Inc (Tampa, Florida, USA) N/A Portable reflectance spectrometer used to acquire independent reflectance spectra
Specim IQ Hyperspectral Camera National Institutes of Health (Bethesda, Maryland, USA) N/A  Open source Java image processing program
StellarNet BLUE-wave Miniature Spectrometer  MathWorks (Natick, Massachusset, USA) N/A Program Language and numerical computing environment

DOWNLOAD MATERIALS LIST

References

  1. Picollo, M., et al. Fiber Optics Reflectance Spectroscopy: a non-destructive technique for the analysis of works of art. Optical Sensors and Microsystems. , Springer. 259-265 (2002).
  2. Bacci, M., et al. Non-destructive spectroscopic investigations on paintings using optical fibers. MRS Online Proceedings Library Archive. 267, (1992).
  3. Liang, H. Advances in multispectral and hyperspectral imaging for archaeology and art conservation. Applied Physics A. 106, 309-323 (2012).
  4. Bullock, L. Reflectance spectrophotometry for measurement of colour change. National Gallery Technical Bulletin. 2, 49-55 (1978).
  5. Saunders, D. Colour change measurement by digital image processing. National Gallery Technical Bulletin. , 66-77 (1988).
  6. Appolonia, L., et al. Combined use of FORS, XRF and Raman spectroscopy in the study of mural paintings in the Aosta Valley (Italy). Analytical and Bioanalytical Chemistry. 395, 2005-2013 (2009).
  7. Pouyet, E. K., et al. New insights into Pablo Picasso's La Miséreuse accroupie using X-ray fluorescence imaging and reflectance spectroscopies combined with micro-analyses of samples. SN Applied Sciences. 2, 1-6 (2020).
  8. Garofano, I., Perez-Rodriguez, J. L., Robador, M. D., Duran, A. An innovative combination of non-invasive UV-Visible-FORS, XRD and XRF techniques to study Roman wall paintings from Seville, Spain. Journal of Cultural Heritage. 22, 1028-1039 (2016).
  9. Dupuis, G., Elias, M., Simonot, L. Pigment identification by fiber-optics diffuse reflectance spectroscopy. Applied Spectroscopy. 56, 1329-1336 (2002).
  10. Bacci, M., Picollo, M. Non-destructive spectroscopic detection of cobalt (II) in paintings and glass. Studies in Conservation. 41, 136-144 (1996).
  11. Cosentino, A. FORS spectral database of historical pigments in different binders. E-Conservation Journal. , 54-65 (2014).
  12. Leona, M., Winter, J. Fiber optics reflectance spectroscopy: a unique tool for the investigation of Japanese paintings. Studies in Conservation. 46, 153-162 (2001).
  13. Cheilakou, E., Troullinos, M., Koui, M. Identification of pigments on Byzantine wall paintings from Crete (14th century AD) using non-invasive Fiber Optics Diffuse Reflectance Spectroscopy (FORS). Journal of Archaeological Science. 41, 541-555 (2014).
  14. Kubik, M. Hyperspectral imaging: a new technique for the non-invasive study of artworks. Physical Techniques in the Study of Art, Archaeology and Cultural. 2, 199-259 (2007).
  15. Fischer, C., Kakoulli, I. Multispectral and hyperspectral imaging technologies in conservation: current research and potential applications. Studies in Conservation. 51, 3-16 (2006).
  16. Daniel, F., et al. Hyperspectral imaging applied to the analysis of Goya paintings in the Museu of Zaragoza (Spain). Microchemical Journal. 126, 113-120 (2016).
  17. Baronti, S., Casini, A., Lotti, F., Porcinai, S. Principal component analysis of visible and near-infrared multispectral images of works of art. Chemometrics and Intelligent Laboratory Systems. 39, 103-114 (1997).
  18. Mansfield, J. R., et al. Near infrared spectroscopic reflectance imaging: supervised vs. unsupervised analysis using an art conservation application. Vibrational Spectroscopy. 19, 33-45 (1999).
  19. Clodius, W. B. Multispectral and Hyperspectral Image Processing, Part 1: Initial Processing. Encyclopedia of Optical Engineering: Las-Pho. 2, 1390 (2003).
  20. Kruse, F. A., et al. The spectral image processing system (SIPS)-interactive visualization and analysis of imaging spectrometer data. AIP Conference Proceedings. , (1993).
  21. Yang, C., Everitt, J. H., Bradford, J. M. Yield estimation from hyperspectral imagery using spectral angle mapper (SAM). Transactions of the ASABE. 51, 729-737 (2008).
  22. Delaney, J. K. D., et al. Integrated X-ray fluorescence and diffuse visible-to-near-infrared reflectance scanner for standoff elemental and molecular spectroscopic imaging of paints and works on paper. Heritage Science. 6, 1-12 (2018).
  23. Richards, J. A. Remote sensing digital image analysis. 3, Springer. (1999).
  24. Mobaraki, N., Amigo, J. M. HYPER-Tools. A graphical user-friendly interface for hyperspectral image analysis. Chemometrics and Intelligent Laboratory Systems. 172, 174-187 (2018).
  25. Zhu, C. Y., et al. Optimization of a hyperspectral imaging system for rapid detection of microplastics down to 100 µm. MethodsX. 8, 101175 (2021).
  26. Behmann, J., et al. Specim IQ: evaluation of a new, miniaturized handheld hyperspectral camera and its application for plant phenotyping and disease detection. Sensors. 18, 441 (2018).
  27. Mather, J. Spectral and XYZ Color Functions. MATLAB Central File Exchange. , Available from: https://www.mathworks.com/matlabcentral/fileexchange/7021-spectral-and-xyz-color-functions (2021).
  28. Chen, C. -Y., Klette, R. Image stitching-Comparisons and new techniques. International Conference on Computer Analysis of Images and Patterns. , (1999).
  29. Tuszynski, J. read_envihdr. MATLAB Central File Exchange. , Available from: https://www.mathworks.com/matlabcentral/fileexchange/38500-read_envihdr (2021).
  30. Jolliffe, I. T., Cadima, J. Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. 374, 20150202 (2016).
  31. Schneider, C. A., Rasband, W. S., Eliceiri, K. W. NIH Image to ImageJ: 25 years of image analysis. Nature Methods. 9, 671-675 (2012).
  32. Rinnan, Å, Van Den Berg, F., Engelsen, S. B. Review of the most common pre-processing techniques for near-infrared spectra. Trends in Analytical Chemistry. 28, 1201-1222 (2009).

Tags

Kemi nummer 172 Hyperspektral reflektansavbildning reflektansspektroskopi fiberoptikreflektansspektroskopi spektralvinkelmapper datamanipulation anpassad justerbar analys målningar pigment
Tillämpa hyperspektral reflektansavbildning för att undersöka paletter och tekniker för målare
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