Applicare l'imaging della riflettanza iperspettrale per indagare le tavolozze e le tecniche dei pittori

La spettroscopia di riflettanza (RS) e la spettroscopia di riflettanza a fibre ottiche (FORS) si basano sul rilevamento della luce riflessa da superfici una volta illuminate da una sorgente luminosa, in genere una lampada alogena al tungsteno. L’output del sistema di acquisizione è costituito da spettri in cui la riflettanza è monitorata in funzione della lunghezza d’onda in un intervallo che dipende dalle caratteristiche del setup sperimentale impiegato1,2,3. Introdotti negli ultimi quattro ^decenni4,5, RS e FORS sono tipicamente utilizzati in combinazione con la fluorescenza a raggi X e altre spettroscopie per descrivere i materiali e le tecniche utilizzate dagli artisti per realizzare i loro capolavori6,7,8,9. Lo studio degli spettri di riflettanza viene solitamente eseguito confrontando i dati del campione con un gruppo di spettri di riferimento selezionati dall’utente in database personali o pubblici. Una volta individuati gli spettri di riferimento conformi al periodo di realizzazione del campione e al modus operandi dell’artista, l’utente riconosce le caratteristiche principali degli spettri di riflettanza (ovvero bande di transizione, assorbimento e riflessione1,2,10,11) e quindi, con l’ausilio di altre tecniche6,7,8 distinguono i pigmenti che sono stati utilizzati nei dipinti. Infine discutono le lievi differenze che esistono tra i riferimenti e gli spettri ^{sperimentali7,9}.

Nella maggior parte dei casi, i dataset sperimentali sono composti da pochi spettri, raccolti da aree scelte da esperti d’arte e ritenuti significativi per la caratterizzazione del dipinto6,12,13. Nonostante le competenze e l’esperienza dell’utente, alcuni spettri non possono esaurire completamente le caratteristiche dell’intera superficie verniciata. Inoltre, il risultato dell’analisi sarà sempre fortemente dipendente dall’esperienza dell’esecutore. In questo scenario, Hyperspectral Reflectance Imaging (HRI3,14,15) potrebbe essere una risorsa utile. Invece di pochi spettri isolati, le configurazioni sperimentali restituiscono le proprietà di riflettanza di porzioni estese o anche dell’intero manufatto oggetto di ^indagine16. I due principali vantaggi rispetto all’acquisizione degli spettri isolati sono evidenti. Da un lato, la disponibilità della distribuzione spaziale delle proprietà di riflettanza consente l’identificazione di aree che nascondono caratteristiche interessanti, anche se potrebbero non sembrare ^peculiari17. D’altra parte, gli ipercubi garantiscono un numero di spettri abbastanza alto da consentire l’analisi statistica dei dati. Questi fatti supportano la comprensione della distribuzione dei pigmenti all’interno della superficie ^{verniciata18,19}.

Con HRI, il confronto dei dati sperimentali con i riferimenti potrebbe essere difficile da ^gestire15. Un rivelatore tipico restituisce ipercubi di almeno 256 x 256 spettri. Ciò richiederebbe all’utente di valutare più di 65.000 spettri di riflettanza rispetto a ciascun riferimento, un compito quasi impossibile da eseguire manualmente in un tempo ragionevole. Pertanto, la richiesta di protocolli robusti e, possibilmente, automatizzati per gestire e analizzare i set di dati HRI è più che ^{giustificata15,17}. Il metodo proposto risponde a questa esigenza gestendo l’intera procedura analitica con il minimo coinvolgimento e la massima flessibilità.

Un algoritmo che comprende un insieme di codici fatti in casa (Table of Materials) legge, gestisce e organizza i file restituiti dalla configurazione sperimentale. Permette di studiare la selezione fine delle porzioni dei Campi visivi (FOV, un campo visivo è l’area del dipinto monitorata da un singolo ipercubo) ed esegue l’analisi dei dati basata sul metodo Spectral Angle Mapper (SAM)^20,21 e sulla manipolazione degli spettri originali. SAM restituisce immagini in scala di grigi a falsi colori chiamate mappe di somiglianza. I valori dei pixel di queste mappe corrispondono agli angoli spettrali che sono gli angoli tra gli spettri memorizzati negli ipercubi e i cosiddetti End Member (EM, un gruppo di spettri di riferimento che dovrebbe descrivere le caratteristiche della superficie monitorata dagli ipercubi)²². Nel caso di RS applicato ai dipinti, gli EM sono gli spettri di riflettanza dei pigmenti che dovrebbero corrispondere alla tavolozza del Master. Sono scelti in base alle informazioni disponibili sull’artista, al periodo di realizzazione del dipinto e alla competenza dell’utente. Pertanto, l’output del SAM è un insieme di mappe che descrive le distribuzioni spaziali di questi pigmenti sulla superficie pittorica e che supporta l’utente a dedurre i materiali utilizzati dall’artista e la loro organizzazione nel manufatto. L’algoritmo offre la possibilità di impiegare tutti i tipi di riferimenti indipendentemente dalla loro origine. I riferimenti possono essere spettri specifici selezionati all’interno degli ipercubi, provenire da database, essere acquisiti da uno strumento diverso su una superficie diversa (come campioni di pigmenti o la tavolozza dell’artista, per esempio), o essere ottenuti utilizzando qualsiasi tipo di spettroscopia di riflettanza, FORS incluso.

Il SAM è stato preferito tra i metodi di classificazione disponibili perché si è dimostrato efficace per caratterizzare i pigmenti (si rimanda al libro di ^Richard23 per avere una panoramica dei principali metodi di classificazione disponibili). Invece, l’idea di sviluppare un protocollo fatto in casa piuttosto che adottare uno dei tanti strumenti liberamente disponibili in ^rete24,25 si basa su una considerazione pratica. Nonostante l’efficacia e le basi scientifiche delle GUI e del software esistenti, un singolo strumento difficilmente soddisfa tutte le esigenze dell’utente. Potrebbe esserci un problema di input/output (I/O) perché uno strumento non gestisce il file contenente i dati grezzi. Potrebbe esserci un problema per quanto riguarda l’analisi dei dati perché un altro strumento non fornisce l’approccio desiderato. Potrebbe esserci una limitazione nella gestione dei dati perché l’analisi simultanea di più set di dati non è supportata. In ogni caso, uno strumento perfetto non esiste. Ogni metodo deve essere adattato ai dati o viceversa. Pertanto, è stato preferito lo sviluppo di un protocollo fatto in casa.

L’approccio presentato non offre né un set completo di metodi analitici (vedi, per confronto, lo strumento proposto da Mobaraki e ^Amigo24) né un’interfaccia utente facile da gestire (vedi, per confronto, il software impiegato da Zhu e ^colleghi25), ma, in cambio, si concentra su un aspetto ancora sottovalutato dell’analisi dei dati iperspettrali: l’opportunità di manipolare gli spettri rilevati. La potenza dell’approccio è illustrata applicandola al dipinto Quarto Stato di Giuseppe Pellizza da Volpedo (Figura 1), un iconico olio su tela conservato nel Museo del Novecento di Milano, Italia. Si noti che, poiché l’approccio richiede l’esecuzione di codici fatti in casa, lo sviluppatore ha scelto arbitrariamente i nomi dei codici e le variabili di input e output utilizzate nella descrizione del protocollo. I nomi delle variabili possono essere modificati dall’utente ma devono essere forniti come segue: le variabili di input e out devono essere scritte rispettivamente tra parentesi ed eventualmente separate da virgola e tra parentesi quadre ed eventualmente separate da uno spazio bianco. Al contrario, i nomi dei codici non possono essere modificati.