Aplicando imagens de reflectância hiperespectral para investigar as paletas e as técnicas dos pintores

Espectroscopia reflectância (RS) e Espectroscopia de Reflexão de Fibra Óptica (FORS) baseiam-se na detecção da luz refletida por superfícies uma vez iluminadas por uma fonte de luz, tipicamente uma lâmpada de tungstênio-halógeno. A saída do sistema de aquisição é constituída por espectros onde a reflexão é monitorada em função do comprimento de onda em uma faixa que depende das características da configuração experimental ^{empregada1,2,3}. Introduzidos durante as últimas quatro ^décadas4,5, RS e FORS são tipicamente usados em combinação com fluorescência de raios-X e outras espectroscopias para descrever os materiais e as técnicas usadas pelos artistas para realizar suas obras-primas6,7,8,9. O estudo do espectro de reflexão é geralmente realizado comparando os dados da amostra com um grupo de espectros de referência selecionados pelo usuário em bancos de dados pessoais ou públicos. Uma vez identificado o espectro de referência que cumpre o período de realização da amostra e com o modus operandi do artista, o usuário reconhece as principais características do espectro de reflexão (ou seja, bandas de transição, absorção e reflexão1,2,10,11) e, em seguida, com a ajuda de outras técnicas6,7,8 eles distinguem os pigmentos que têm sido usados nas pinturas. Por fim, discutem as pequenas diferenças que existem entre as referências e o espectro ^{experimental7,9}.

Na maioria dos casos, os conjuntos de dados experimentais são compostos por alguns espectros, coletados a partir de áreas escolhidas por especialistas em arte e considerados significativos para a caracterização da pintura6,12,13. Apesar das habilidades e da experiência do usuário, alguns espectros não conseguem esgotar totalmente as características de toda a superfície pintada. Além disso, o resultado da análise sempre dependerá fortemente da expertise do artista. Nesse cenário, a Imagem de Reflectância Hiperespectral (HRI3,14,15) pode ser um recurso útil. Em vez de alguns espectros isolados, as configurações experimentais retornam as propriedades de reflexão de porções estendidas ou mesmo de todo o artefato sob ^{investigação16}. As duas principais vantagens em relação à aquisição dos espectros isolados são evidentes. Por um lado, a disponibilidade da distribuição espacial das propriedades de reflexão permite identificar áreas que escondem características interessantes, embora possam não parecer ^peculiares17. Por outro lado, os hipercubos garantem uma série de espectros altos o suficiente para permitir a análise estatística dos dados. Esses fatos sustentam a compreensão da distribuição de pigmentos dentro da superfície ^pintada18,19.

Com o HRI, a comparação dos dados experimentais com as referências pode ser difícil de lidar ^com15. Um detector típico retorna hipercubos de pelo menos 256 x 256 espectros. Isso exigiria que o usuário avaliasse mais de 65.000 espectros de reflexão contra cada referência, tarefa quase impossível de ser realizada manualmente em um tempo razoável. Portanto, a solicitação de protocolos robustos e, possivelmente, automatizados para gerenciar e analisar conjuntos de dados HRI é mais do que ^{justificada15,17}. O método proposto responde a essa necessidade, lidando com todo o procedimento analítico com o mínimo de envolvimento e a máxima flexibilidade.

Um algoritmo composto por um conjunto de códigos caseiros (Tabela de Materiais) lê, gerencia e organiza os arquivos retornados pela configuração experimental. Permite que a fina seleção das porções dos Campos de Visão (FOVs, um campo de visão é a área da pintura monitorada por um único hipercubo) seja estudada e realize a análise dos dados com base no método Spectral Angle Mapper (SAM)^20,21 e na manipulação do espectro original. O SAM retorna falsas imagens em escala cinza chamadas mapas de similaridade. Os valores dos pixels desses mapas correspondem aos ângulos espectrais que são os ângulos entre os espectros armazenados nos hipercubos e os chamados Membros Finais (EMs, um grupo de espectros de referência que devem descrever as características da superfície monitoradas pelos hipercubos)²². No caso do RS aplicado às pinturas, os EMs são os espectros de reflexão de pigmentos que devem combinar com a paleta do Mestre. Eles são escolhidos com base nas informações disponíveis sobre o artista, no período de realização da pintura e na expertise do usuário. Portanto, a saída do SAM é um conjunto de mapas que descreve as distribuições espaciais desses pigmentos sobre a superfície da pintura e que suporta o usuário a inferir os materiais utilizados pelo artista e sua organização no artefato. O algoritmo oferece a possibilidade de empregar todo tipo de referências independentemente de sua origem. As referências podem ser espectros específicos selecionados dentro dos hipercubos, provenientes de bancos de dados, ser adquiridos por um instrumento diferente em uma superfície diferente (como amostras de pigmentos ou a paleta do artista, por exemplo), ou ser obtido empregando qualquer tipo de espectroscopia de reflexão, fors incluído.

O SAM tem sido preferido entre os métodos de classificação disponíveis porque tem sido demonstrado ser eficaz para caracterizar pigmentos (consulte o livro de ^Richard23 para ter uma visão geral dos principais métodos de classificação disponíveis). Em vez disso, a ideia de desenvolver um protocolo caseiro em vez de adotar uma das muitas ferramentas disponíveis livremente na ^rede24,25 depende de uma consideração prática. Apesar da eficácia e da base científica dos GUIs e softwares existentes, uma única ferramenta dificilmente satisfaz todas as necessidades do usuário. Pode haver um problema de Entrada/Saída (I/O) porque uma ferramenta não gerencia o arquivo que contém os dados brutos. Pode haver um problema quanto à análise dos dados porque outra ferramenta não fornece a abordagem desejada. Pode haver uma limitação no manuseio dos dados porque a análise simultânea de múltiplos conjuntos de dados não é suportada. De qualquer forma, uma ferramenta perfeita não existe. Cada método deve ser ajustado aos dados ou vice-versa. Por isso, o desenvolvimento de um protocolo caseiro tem sido preferido.

A abordagem apresentada não oferece nem um conjunto completo de métodos analíticos (ver, para comparação, a ferramenta proposta por Mobaraki e ^Amigo24) nem uma interface de usuário fácil de gerenciar (ver, para comparação, o software empregado por Zhu e colegas de ^trabalho25), mas, em troca, foca-se em um aspecto ainda subestimado da análise de dados hiperespectrais: a oportunidade de manipular o espectro detectado. O poder da abordagem é ilustrado aplicando-o à pintura Quarto Stato de Giuseppe Pellizza da Volpedo (Figura 1), um óleo icônico sobre tela realizado no Museo del Novecento em Milão, Itália. Observe que, uma vez que a abordagem requer a execução de códigos caseiros, o desenvolvedor escolheu arbitrariamente os nomes dos códigos e as variáveis de entrada e saída usadas na descrição do protocolo. Os nomes das variáveis podem ser alterados pelo usuário, mas devem ser fornecidos da seguinte forma: as variáveis de entrada e saída devem ser escritas respectivamente entre parênteses e eventualmente separadas por vírgula e dentro de suportes quadrados e eventualmente separadas por um espaço branco. Pelo contrário, os nomes dos códigos não podem ser alterados.