Summary

تطبيق التصوير انعكاس Hyperspectral للتحقيق في لوحات وتقنيات الرسامين

Published: June 18, 2021
doi:

Summary

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

Abstract

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

Introduction

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

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

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

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

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

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

Protocol

1. تعيين القرار المكاني من hypercubes إجراء فحص أولي للسطح المطلي (الشكل 1) بدعم من خبراء الفن لتحديد السمات الرئيسية لللوحة. التعرف على التقنيات التصويرية المستخدمة من قبل الفنان لإنشاء اللوحة. تحديد ضربات فرشاة مختلفة من الطلاء على قماش. تقدير، نوعيا، خصا?…

Representative Results

ويقدم البروتوكول المقترح مجموعة من السمات المثيرة للاهتمام لإدارة وتحليل بيانات المؤسسات. الإدخال/إخراج (الخطوة 3.1) من البيانات الأولية هي دائما المشكلة الأولى التي يجب حلها قبل تطبيق أي أسلوب تحليل ويمكن أن تصبح مشكلة حرجة عند التعامل مع كميات كبيرة من البيانات. في هذه الحالة، المهمة الو…

Discussion

مجموعات بيانات التصوير العاكسة الفائقة الطيفية هي خزانات كبيرة للمعلومات؛ لذلك، تطوير بروتوكولات قوية، وربما الآلي لتحليل البيانات هو بدوره مفتاح لاستغلال إمكاناتها15،17. وتستجيب الخوارزمية المقترحة لهذه الحاجة في مجال التراث الثقافي مع إيلاء اهتمام خاص …

Disclosures

The authors have nothing to disclose.

Acknowledgements

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

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

Materials

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

  1. Picollo, M., et al. Fiber Optics Reflectance Spectroscopy: a non-destructive technique for the analysis of works of art. Optical Sensors and Microsystems. , 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, (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. 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. 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, &. #. 1. 9. 7. ;., 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).

Play Video

Cite This Article
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).

View Video