Waiting
Elaborazione accesso...

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

Chemistry

पैलेट्स और पेंटर्स की तकनीकों की जांच करने के लिए हाइपरस्पेक्ट्रल परावर्तकता इमेजिंग लागू करना

Published: June 18, 2021 doi: 10.3791/62202
Automatic Translation
1, 1, 1,2, 2, 2,3, 1
1Dipartimento di Scienza dei Materiali, Università degli Studi di Milano-Bicocca, 2CNR-IBFM, 3Dipartimento di Fisica, Università degli Studi di Milano-Bicocca

Summary

हाइपरस्पेक्ट्रल रिफ्लेक्टेंस इमेजिंग हाइपरक्यूब्स में बड़ी मात्रा में डेटा में उल्लेखनीय जानकारी शामिल है। इसलिए, डेटासेट का प्रबंधन और अध्ययन करने के लिए स्वचालित प्रोटोकॉल के लिए अनुरोध व्यापक रूप से उचित है। वर्णक्रमीय कोण मैपर, डेटा हेरफेर, और एक उपयोगकर्ता-समायोज्य विश्लेषण विधि का संयोजन प्रयोगात्मक परिणामों की खोज के लिए एक कुंजी-मोड़ का गठन करता है।

Abstract

परावर्तकता स्पेक्ट्रोस्कोपी (आरएस) और फाइबर ऑप्टिक्स परावर्तकता स्पेक्ट्रोस्कोपी (FORS) चित्रों पर विशेष ध्यान देने के साथ कला के कार्यों की जांच के लिए अच्छी तरह से स्थापित तकनीकें हैं। अधिकांश आधुनिक संग्रहालयों ने अपने शोध समूहों के निपटान में रखा पोर्टेबल उपकरण, जो आरएस और एफओआरएस की आंतरिक गैर-आक्रामकता के साथ मिलकर, कलाकृतियों की सतह से परावर्तकता स्पेक्ट्रा के इन सीटू संग्रह को संभव बनाता है। तुलना, रंजक और पेंटिंग सामग्री में विशेषज्ञों द्वारा प्रदर्शन किया, संदर्भ स्पेक्ट्रा के डेटाबेस के साथ प्रयोगात्मक डेटा पैलेट और कलाकारों द्वारा उपयोग की जाने वाली तकनीकों के लक्षण वर्णन को चलाता है। हालांकि, इस दृष्टिकोण के लिए विशिष्ट कौशल की आवश्यकता होती है और यह समय लेने वाला है, खासकर अगर जांच किए जाने वाले स्पेक्ट्रा की संख्या बड़ी हो जाती है जैसा कि हाइपरस्पेक्ट्रल रिफ्लेक्टेंस इमेजिंग (एचआरआई) डेटासेट के मामले में है। एचआरआई प्रयोगात्मक सेटअप बहु-आयामी कैमरे हैं जो वर्णक्रमीय जानकारी को जोड़ते हैं, जो परावर्तकता स्पेक्ट्रा द्वारा दी गई है, चित्रित सतह पर स्पेक्ट्रा के स्थानिक स्थानीयकरण के साथ। परिणामी डेटासेट 3 डी-क्यूब्स (जिसे हाइपरक्यूब्स या डेटा-क्यूब्स कहा जाता है) हैं जहां पहले दो आयाम पेंटिंग पर स्पेक्ट्रम का पता लगाते हैं और तीसरा स्पेक्ट्रम ही है (यानी, डिटेक्टर की ऑपरेटिव रेंज में तरंग दैर्ध्य बनाम चित्रित सतह के उस बिंदु की परावर्तकता)। डिटेक्टर की क्षमता एक साथ बड़ी संख्या में स्पेक्ट्रा (आमतौर पर प्रत्येक हाइपरक्यूब के लिए 10,000 से अधिक) एकत्र करने की क्षमता एचआरआई डेटासेट को जानकारी के बड़े जलाशय बनाती है और डेटा का विश्लेषण करने के लिए मजबूत और संभवतः, स्वचालित प्रोटोकॉल के विकास की आवश्यकता को सही ठहराती है। डेटा अधिग्रहण के लिए डिज़ाइन की गई प्रक्रिया के विवरण के बाद, हम एक विश्लेषण विधि प्रस्तुत करते हैं जो व्यवस्थित रूप से हाइपरक्यूब्स की क्षमता का शोषण करती है। वर्णक्रमीय कोण मैपर (एसएएम) के आधार पर और एकत्र स्पेक्ट्रा के हेरफेर पर, एल्गोरिथ्म हजारों स्पेक्ट्रा को संभालता है और विश्लेषण करता है जबकि एक ही समय में यह उपयोगकर्ता को जांच के तहत नमूनों की विशेषताओं का अनावरण करने का समर्थन करता है। दृष्टिकोण की शक्ति को क्वार्टो स्टैटो पर लागू करके सचित्र किया गया है, जो ग्यूसेप पेलिज़ा दा वोल्पेडो द्वारा प्रतिष्ठित कृति है, जो मिलान (इटली) में म्यूज़ियो डेल नोवेसेंटो में आयोजित की गई है।

Introduction

परावर्तकता स्पेक्ट्रोस्कोपी (आरएस) और फाइबर ऑप्टिक्स परावर्तन स्पेक्ट्रोस्कोपी (FORS) एक बार प्रकाश स्रोत द्वारा प्रकाशित सतहों द्वारा परावर्तित प्रकाश का पता लगाने पर आधारित हैं, आमतौर पर एक टंगस्टन-हैलोजन लैंप। अधिग्रहण प्रणाली का आउटपुट स्पेक्ट्रा द्वारा गठित किया जाता है जहां परावर्तकता को एक सीमा में तरंग दैर्ध्य के एक समारोह के रूप में मॉनिटर किया जाता है जो नियोजित प्रयोगात्मक सेटअप 1,2,3 की विशेषताओं पर निर्भर करता है। पिछले चार दशकों के दौरान पेश किया गया 4,5, आरएस और एफओआरएस आमतौर पर एक्स-रे प्रतिदीप्ति और अन्य स्पेक्ट्रोस्कोपी के साथ संयोजन में उपयोग किया जाता है ताकि कलाकारों द्वारा अपनी उत्कृष्ट कृतियों को महसूस करने के लिए उपयोग की जाने वाली सामग्रियों और तकनीकों का वर्णन किया जा सके। परावर्तकता स्पेक्ट्रा का अध्ययन आमतौर पर व्यक्तिगत या सार्वजनिक डेटाबेस में उपयोगकर्ता द्वारा चुने गए संदर्भ स्पेक्ट्रा के एक समूह के साथ नमूने से डेटा की तुलना करके किया जाता है। एक बार संदर्भ स्पेक्ट्रा जो नमूने की प्राप्ति अवधि का अनुपालन करता है और कलाकार के मोडस ऑपरेंडी की पहचान की गई है, तो उपयोगकर्ता परावर्तकता स्पेक्ट्रा (यानी, संक्रमण, अवशोषण, और प्रतिबिंब बैंड 1,2,10,11) की मुख्य विशेषताओं को पहचानता है और फिर, अन्य तकनीकों की मदद से 6,7,8 वे उन पिगमेंट्स को अलग करते हैं जिनका उपयोग चित्रों में किया गया है। अंत में वे मामूली अंतर पर चर्चा करते हैं कि संदर्भों और प्रयोगात्मक स्पेक्ट्रा 7,9 के बीच मौजूद हैं।

ज्यादातर मामलों में, प्रयोगात्मक डेटासेट कुछ स्पेक्ट्रा से बने होते हैं, जो कला विशेषज्ञों द्वारा चुने गए क्षेत्रों से एकत्र किए जाते हैं और पेंटिंग 6,12,13 के लक्षण वर्णन के लिए महत्वपूर्ण माना जाता है। कौशल और उपयोगकर्ता के अनुभव के बावजूद, कुछ स्पेक्ट्रा पूरी तरह से पूरी तरह से चित्रित सतह की विशेषताओं को समाप्त नहीं कर सकते हैं। इसके अलावा, विश्लेषण का परिणाम हमेशा कलाकार की विशेषज्ञता पर दृढ़ता से निर्भर होगा। इस परिदृश्य में, हाइपरस्पेक्ट्रल परावर्तकता इमेजिंग (HRI3,14,15) एक उपयोगी संसाधन हो सकता है। कुछ अलग स्पेक्ट्रा के बजाय, प्रयोगात्मक सेटअप विस्तारित भागों या यहां तक कि जांच 16 के तहत पूरी कलाकृति के परावर्तकता गुणों को वापस करते हैं। पृथक स्पेक्ट्रा के अधिग्रहण के संबंध में दो मुख्य फायदे स्पष्ट हैं। एक तरफ, परावर्तकता गुणों के स्थानिक वितरण की उपलब्धता उन क्षेत्रों की पहचान की अनुमति देती है जो दिलचस्प विशेषताओं को छिपाते हैं, भले ही वे अजीब नहीं लग सकते हैं17। दूसरी ओर, हाइपरक्यूब्स डेटा के सांख्यिकीय विश्लेषण को सक्षम करने के लिए पर्याप्त उच्च स्पेक्ट्रा की एक संख्या की गारंटी देते हैं। ये तथ्य चित्रित सतह 18,19 के भीतर पिगमेंट के वितरण की समझ का समर्थन करते हैं।

एचआरआई के साथ, संदर्भों के साथ प्रयोगात्मक डेटा की तुलना 15 को संभालना मुश्किल हो सकता है। एक विशिष्ट डिटेक्टर कम से कम 256 x 256 स्पेक्ट्रा के हाइपरक्यूब्स देता है। इसके लिए उपयोगकर्ता को प्रत्येक संदर्भ के खिलाफ 65,000 से अधिक परावर्तकता स्पेक्ट्रा का मूल्यांकन करने की आवश्यकता होगी, एक उचित समय में मैन्युअल रूप से किए जाने के लिए लगभग असंभव कार्य। इसलिए, एचआरआई डेटासेट का प्रबंधन और विश्लेषण करने के लिए मजबूत और संभवतः, स्वचालित प्रोटोकॉल के लिए अनुरोध उचित 15,17 से अधिक है। प्रस्तावित विधि न्यूनतम भागीदारी और अधिकतम लचीलेपन के साथ पूरी विश्लेषणात्मक प्रक्रिया को संभालकर इस आवश्यकता का उत्तर देती है।

एक एल्गोरिथ्म जिसमें होम-मेड कोड (सामग्री की तालिका) का एक सेट शामिल है, प्रयोगात्मक सेटअप द्वारा लौटाई गई फ़ाइलों को पढ़ता है, प्रबंधित करता है और व्यवस्थित करता है। यह फील्ड्स ऑफ व्यू (एफओवी, एक क्षेत्र के दृश्य के हिस्सों के ठीक चयन की अनुमति देता है, एक एकल हाइपरक्यूब द्वारा निगरानी की गई पेंटिंग का क्षेत्र है) का अध्ययन किया जाना चाहिए और स्पेक्ट्रल एंगल मैपर (एसएएम) विधि 20,21 और मूल स्पेक्ट्रा के हेरफेर के आधार पर डेटा का विश्लेषण करता है। SAM गलत रंग ग्रे-स्केल छवियों को देता है जिसे समानता मानचित्र कहा जाता है। इन मानचित्रों के पिक्सेल के मान वर्णक्रमीय कोणों के अनुरूप होते हैं जो हाइपरक्यूब्स में संग्रहीत स्पेक्ट्रा और तथाकथित अंत सदस्यों (ईएम, संदर्भ स्पेक्ट्रा का एक समूह जो हाइपरक्यूब्स द्वारा निगरानी की गई सतह की विशेषताओं का वर्णन करना चाहिए) के बीच के कोण हैं) 22। चित्रों पर लागू आरएस के मामले में, ईएम पिगमेंट के परावर्तकता स्पेक्ट्रा हैं जिन्हें मास्टर के पैलेट से मेल खाना चाहिए। उन्हें कलाकार के बारे में उपलब्ध जानकारी, पेंटिंग की प्राप्ति अवधि और उपयोगकर्ता की विशेषज्ञता के आधार पर चुना जाता है। इसलिए, एसएएम का आउटपुट मानचित्रों का एक सेट है जो पेंटिंग की सतह पर इन पिगमेंट के स्थानिक वितरण का वर्णन करता है और जो उपयोगकर्ता को कलाकृति में कलाकार और उनके संगठन द्वारा उपयोग की जाने वाली सामग्रियों का अनुमान लगाने का समर्थन करता है। एल्गोरिथ्म अपने मूल से स्वतंत्र रूप से सभी प्रकार के संदर्भों को नियोजित करने की संभावना प्रदान करता है। संदर्भ हाइपरक्यूब्स के भीतर चयनित विशिष्ट स्पेक्ट्रा हो सकते हैं, डेटाबेस से आते हैं, एक अलग सतह पर एक अलग उपकरण द्वारा अधिग्रहित किए जा सकते हैं (जैसे कि पिगमेंट के नमूने या कलाकार के पैलेट, उदाहरण के लिए), या किसी भी प्रकार के परावर्तकता स्पेक्ट्रोस्कोपी को नियोजित करते हुए प्राप्त किया जा सकता है, FORS शामिल है।

एसएएम को उपलब्ध वर्गीकरण विधियों के बीच प्राथमिकता दी गई है क्योंकि इसे वर्णकों की विशेषता के लिए प्रभावी होने के लिए प्रदर्शित किया गया है (मुख्य उपलब्ध वर्गीकरण विधियों का अवलोकन करने के लिए रिचर्ड 23 द्वारा पुस्तक का संदर्भ लें)। इसके बजाय, नेट 24,25 पर स्वतंत्र रूप से उपलब्ध कई उपकरणों में से एक को अपनाने के बजाय एक घर-निर्मित प्रोटोकॉल विकसित करने का विचार एक व्यावहारिक विचार पर निर्भर करता है। मौजूदा जीयूआई और सॉफ़्टवेयर की प्रभावशीलता और वैज्ञानिक नींव के बावजूद, एक एकल उपकरण शायद ही उपयोगकर्ता की सभी जरूरतों को पूरा करता है। कोई इनपुट/आउटपुट (I/O) समस्या हो सकती है क्योंकि कोई उपकरण कच्चे डेटा वाली फ़ाइल को प्रबंधित नहीं करता है. डेटा के विश्लेषण के बारे में एक समस्या हो सकती है क्योंकि एक अन्य उपकरण वांछित दृष्टिकोण प्रदान नहीं करता है। डेटा की हैंडलिंग में एक सीमा हो सकती है क्योंकि एकाधिक डेटासेट का एक साथ विश्लेषण समर्थित नहीं है। किसी भी मामले में, एक सही उपकरण मौजूद नहीं है। प्रत्येक विधि को डेटा में समायोजित किया जाना चाहिए या इसके विपरीत। इसलिए, एक घर-निर्मित प्रोटोकॉल के विकास को प्राथमिकता दी गई है।

प्रस्तुत दृष्टिकोण न तो विश्लेषणात्मक तरीकों का एक पूरा सेट प्रदान करता है (देखें, तुलना के लिए, मोबाराकी और अमिगो24 द्वारा प्रस्तावित उपकरण) और न ही एक आसान-से-प्रबंधित उपयोगकर्ता-इंटरफ़ेस (तुलना के लिए, देखें, झू और सहकर्मियों द्वारा नियोजित सॉफ़्टवेयर25), लेकिन, बदले में, यह हाइपरस्पेक्ट्रल डेटा विश्लेषण के अभी भी अंडररेटेड पहलू पर केंद्रित है: पता लगाए गए स्पेक्ट्रा में हेरफेर करने का अवसर। दृष्टिकोण की शक्ति को इसे चित्र Quarto Stato पर लागू करके सचित्र किया गया है Giuseppe Pellizza da Volpedo (चित्रा 1), मिलान, इटली में Museo del Novecento में आयोजित कैनवास पर एक प्रतिष्ठित तेल। ध्यान दें कि, चूंकि दृष्टिकोण को घर-निर्मित कोड चलाने की आवश्यकता होती है, इसलिए डेवलपर ने मनमाने ढंग से कोड के नाम और प्रोटोकॉल के विवरण में उपयोग किए जाने वाले इनपुट और आउटपुट चर दोनों को चुना। चर के नाम उपयोगकर्ता द्वारा बदले जा सकते हैं लेकिन उन्हें निम्नानुसार प्रदान किया जाना चाहिए: इनपुट और आउट चर को क्रमशः कोष्ठक के भीतर लिखा जाना चाहिए और अंततः अल्पविराम द्वारा और वर्ग कोष्ठक के भीतर अलग किया जाना चाहिए और अंततः एक सफेद स्थान द्वारा अलग किया जाना चाहिए। इसके विपरीत कोड के नामों को बदला नहीं जा सकता है।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. हाइपरक्यूब्स के स्थानिक संकल्प सेट करें

  1. पेंटिंग की मुख्य विशेषताओं की पहचान करने के लिए कला विशेषज्ञों द्वारा समर्थित चित्रित सतह (चित्रा 1) का प्रारंभिक निरीक्षण करें।
    1. पेंटिंग बनाने के लिए कलाकार द्वारा नियोजित सचित्र तकनीकों को पहचानें।
    2. कैनवास पर पेंट के विभिन्न ब्रश स्ट्रोक की पहचान करें।
    3. अनुमान, गुणात्मक रूप से, उनके आकार पर विशेष ध्यान देने के साथ ब्रश स्ट्रोक की विशेषताएं।
  2. तदर्थ परीक्षण नमूने बनाकर कलाकार द्वारा उपयोग की जाने वाली सचित्र तकनीक की नकल करें जहां ब्रश स्ट्रोक कलाकार द्वारा लागू किए गए लोगों के समान विशेषताओं को दिखाते हैं।
    नोट: Pellizza दा Volpedo एक प्रभागीय चित्रकार था. एक पुनर्स्थापनाकर्ता को कुछ परीक्षण नमूने तैयार करने के लिए कहा गया था जो गुणात्मक रूप से ब्याज के कैनवास के ब्रश स्ट्रोक को पुन: पेश करते हैं (चित्रा 2, कॉलम ए)।
  3. जांच के तहत सतह और अधिग्रहण उपकरण के बीच की दूरी निर्धारित करें।
    नोट: दूरी hypercubes26 के स्थानिक संकल्प निर्धारित करता है और इसलिए छवियों और चित्रित सतह के SAM मानचित्रों पर ब्रश स्ट्रोक को अलग करने की संभावना है।
    1. हाइपरस्पेक्ट्रल कैमरा 26 (सामग्री की तालिका) की विशेषताओं और परीक्षण नमूनों में खींचे गए ब्रश स्ट्रोक के आकार को ध्यान में रखते हुए नमूने की सतह और अधिग्रहण उपकरण के बीच की दूरी का मूल्यांकन करें।
    2. अधिग्रहण चरण और पिछले चरण में मूल्यांकन की गई दूरी पर हाइपरस्पेक्ट्रल कैमरा रखो। मंच पर परीक्षण नमूनों की व्यवस्था करें और नमूनों की सतह की समान रोशनी सुनिश्चित करें।
    3. हाइपरस्पेक्ट्रल कैमरे के साथ प्रदान किए गए सफेद मानक संदर्भ का उपयोग करके एक सफेद अंशांकन निष्पादित करें। Hypercubes प्राप्त करें।
      नोट:: प्रत्येक FOV के लिए, हाइपरस्पेक्ट्रल कैमरा कच्चे और कैलिब्रेटेड छवियों दोनों देता है। उत्तरार्द्ध का उपयोग विश्लेषण के लिए किया गया है।
    4. उपकरण द्वारा लौटाई गई फ़ाइलों को डाउनलोड करें और उन्हें एक समर्पित फ़ोल्डर में सहेजें।
  4. जांचें कि क्या हाइपरक्यूब्स का स्थानिक रिज़ॉल्यूशन चित्रित सतह की छवियों और एसएएम मानचित्रों पर विभिन्न ब्रश स्ट्रोक को अलग कर सकता है।
    1. हाइपरस्पेक्ट्रल कैमरा द्वारा लौटाए गए आरजीबी चित्रों का निरीक्षण करें ताकि यह सुनिश्चित किया जा सके कि परीक्षण नमूनों को महसूस करने के लिए उपयोग किए जाने वाले ब्रश स्ट्रोक को पहचाना जा सकता है (चित्रा 2, कॉलम ए)। यदि हां, तो अगले चरणों पर जाएं; अन्यथा चरण 1.3.1 पर वापस जाएँ और पुनरारंभ करें।
    2. डेटा पठन कोड चलाकर हाइपरस्पेक्ट्रल डेटा और FOVs की RGB छवियों वाली फ़ाइलों को सूचीबद्ध करें, HS_FileLister। कोड (सामग्री तालिका) को विकसित करने के लिए उपयोग की जाने वाली भाषा की टर्मिनल विंडो में निम्न आदेश पंक्ति (अर्धविराम शामिल) टाइप करें और कोड को चलाने के लिए Enter दबाएँ:
      [HS_DataList HS_ImageList] = HS_FileLister;
      1. कोई इनपुट की आवश्यकता नहीं है और दो आउटपुट हैं: हाइपरक्यूब्स वाली फ़ाइलों की सूची, HS_DataList, और हाइपरस्पेक्ट्रल कैमरा द्वारा लौटाई गई छवियों की सूची, HS_ImageList।
        नोट: प्रत्येक हाइपरक्यूब का आकार 512 x 512 x 204 voxels है जहां 204 परावर्तकता संकेत की निगरानी के लिए उपयोग किए जाने वाले चैनलों की संख्या है। चैनल FWHM26 पर 7 nm के वर्णक्रमीय रिज़ॉल्यूशन के साथ 400 और 1,000 nm के बीच तरंग दैर्ध्य सीमा को फैलाते हैं।
    3. HS_Crop_png , फसल कोड चलाकर विश्लेषण किया जाना चाहिए कि hypercubes के 3D भाग को परिभाषित करें। प्रत्येक हाइपरक्यूब द्वारा मॉनिटर किए गए एफओवी की 2 डी, आरजीबी छवि को दिखाने वाली इंटरैक्टिव विंडो पर एक क्षेत्र का चयन करके प्रत्येक डेटा-क्यूब के वांछित भाग को परिभाषित करें। टर्मिनल विंडो में निम्न आदेश पंक्ति (अर्धविराम शामिल) टाइप करें और कोड को चलाने के लिए Enter दबाएँ:
      [HS_ImageList] = HS_Crop_png (HS_ImageList);
      1. एक इनपुट है (हाइपरस्पेक्ट्रल कैमरा द्वारा लौटाई गई छवियों की सूची, HS_ImageList) और एक आउटपुट (इनपुट सूची को अंततः हाइपरक्यूब्स को क्रॉप करने के लिए स्थानिक निर्देशांक के साथ जोड़ा गया है)।
    4. D65 illuminant और 1931 पर्यवेक्षक CIE (रोशनी पर अंतर्राष्ट्रीय आयोग) मानकों से हाइपरक्यूब्स के लिए लागू करने के लिए फिर से निर्माण कोड, HS_RGB_rebuild चलाकर परावर्तकता स्पेक्ट्रा से FOV (s) की RGB छवियों को पुनः प्राप्त करने के लिए। टर्मिनल विंडो में निम्न आदेश पंक्ति (अर्धविराम शामिल) टाइप करें और कोड को चलाने के लिए Enter दबाएँ:
      [HS_ImageList] = HS_RGB_rebuild (HS_ImageList, HS_DataList);
      1. दो इनपुट हैं (हाइपरस्पेक्ट्रल कैमरा द्वारा लौटाई गई छवियों वाली सूची, HS_ImageList, और हाइपरक्यूब्स, HS_DataList वाली फ़ाइलों की सूची) और एक आउटपुट (हाइपरस्पेक्ट्रल कैमरे द्वारा लौटाई गई छवियों वाली इनपुट सूची को परावर्तकता स्पेक्ट्रा से पुनर्प्राप्त हाइपरक्यूब्स की सतहों की आरजीबी छवियों के साथ जोड़ा गया है)।
        नोट: HS_RGB_Rebuild डेटा के लिए CIE से D65 illuminant और 1931 पर्यवेक्षक को लागू करने के लिए Jeff Mather27 द्वारा विकसित कार्यों का शोषण करता है।
    5. मैन्युअल रूप से परीक्षण नमूनों की सतहों पर कुछ संदर्भ स्पेक्ट्रा का चयन करें (चित्र2 में सफेद वृत्त और संख्याएं, स्तंभ A) पृथक मापने वाले बिंदु चयन कोड, PointSel चलाकर। एक इंटरैक्टिव विंडो पर क्लिक करके माप बिंदुओं का चयन करें जो दिखाता है, एक-एक करके, FOV (s) की 2D, RGB छवियों को दर्शाता है। टर्मिनल विंडो में निम्न आदेश पंक्ति (अर्धविराम शामिल) टाइप करें और कोड को चलाने के लिए Enter दबाएँ:
      [संदर्भ] = PointSel (HS_DataList, HS_ImageList);
      1. दो इनपुट हैं (हाइपरस्पेक्ट्रल कैमरा द्वारा लौटाई गई छवियों वाली सूची, HS_ImageList, और हाइपरक्यूब्स, HS_DataList वाली फ़ाइलों की सूची) और एक आउटपुट (एक चर, संदर्भ, जिसमें एफओवी (ओं) के भीतर संदर्भ के रूप में चयनित स्पेक्ट्रा शामिल है)।
    6. यदि वांछित हो, तो समर्पित कोड, SaveImPoint चलाकर नमूनों की सतह पर संदर्भों की स्थिति को चित्रों के एक सेट में संग्रहीत करें. टर्मिनल विंडो में निम्न आदेश पंक्ति (अर्धविराम शामिल) टाइप करें और कोड को चलाने के लिए Enter दबाएँ:
      SaveImPoint (संदर्भ, HS_ImageList);
      1. दो इनपुट हैं (संदर्भ स्पेक्ट्रा, संदर्भ, और हाइपरस्पेक्ट्रल कैमरा, HS_ImageList द्वारा लौटाई गई छवियों वाली सूची वाले चर) और कोई आउटपुट नहीं (कोड वर्तमान कार्य फ़ोल्डर में .png छवियों को बचाता है)।
    7. रूपांतरण कोड, RefListToMatrix चलाकर एक मैट्रिक्स में संदर्भ ों को व्यवस्थित करें। टर्मिनल विंडो में निम्न आदेश पंक्ति (अर्धविराम शामिल) टाइप करें और कोड को चलाने के लिए Enter दबाएँ:
      [References_Matrix] = RefListToMatrix (संदर्भ, HS_ImageList (1). WaveL);
      1. दो इनपुट हैं (संदर्भ स्पेक्ट्रा, संदर्भ, और तरंग दैर्ध्य की सूची वाले चर जिस पर डिटेक्टर स्पेक्ट्रा के डेटा अधिग्रहण के दौरान फोटॉनों की गिनती करता है, HS_ImageList (1)। WaveL) और एक आउटपुट (एक ही संदर्भ स्पेक्ट्रा एक मैट्रिक्स में आयोजित, References_Matrix)।
        नोट:: यह चरण अनिवार्य है क्योंकि SAM मैप्स का मूल्यांकन करने वाले कोड को मैट्रिक्स में व्यवस्थित करने के लिए संदर्भ स्पेक्ट्रा की आवश्यकता होती है. दूसरे इनपुट का वाक्यविन्यास, HS_ImageList (1). WaveL, HS_ImageList सूची से चर WaveL याद करने के लिए आवश्यक है। कोष्ठक के भीतर संख्या 1 सूची के पहले तत्व को संदर्भित करता है जिसे HS_ImageList के रूप में नामित किया गया है; हालांकि, चूंकि सभी हाइपरक्यूब्स में एक ही तरंग दैर्ध्य सीमा होती है, इसलिए इसे प्रत्येक संख्या द्वारा मामूली या सूचीबद्ध छवियों की कुल संख्या के बराबर प्रतिस्थापित किया जा सकता है।
    8. मानक SAM मानचित्र मूल्यांकन कोड चलाकर पूरे स्पेक्ट्रा का उपयोग करके SAM मानचित्र निकालें, SAM_Standard। टर्मिनल विंडो में निम्न आदेश पंक्ति (अर्धविराम शामिल) टाइप करें और कोड को चलाने के लिए Enter दबाएँ:
      SAM_Standard (HS_ImageList, HS_DataList, References_Matrix);
      1. तीन इनपुट हैं (हाइपरस्पेक्ट्रल कैमरा द्वारा लौटाई गई छवियों वाली सूची, HS_ImageList; हाइपरक्यूब्स, HS_DataList वाली फ़ाइलों की सूची; और संदर्भ स्पेक्ट्रा के मैट्रिक्स, References_Matrix) और कोई आउटपुट नहीं: कोड वर्तमान कार्य फ़ोल्डर में .png छवियों के रूप में एसएएम मानचित्रों को सहेजता है।
    9. जांचें कि क्या प्राप्त समानता मानचित्र (चित्रा 2, कॉलम बी - ई) परीक्षण नमूनों को महसूस करने के लिए उपयोग किए जाने वाले ब्रश स्ट्रोक के विवरण को प्रदर्शित करते हैं। यदि यह मामला है, तो प्रोटोकॉल के अगले चरण में ले जाएँ; अन्यथा चरण 1.3.1 पर वापस जाएँ और पुनरारंभ करें।

2. पेंटिंग के लिए प्रयोगात्मक मापदंडों को समायोजित करें

  1. अध्ययन की जाने वाली पेंटिंग के ब्याज, ROI (s) के क्षेत्र (ओं) की पहचान करें ( चित्र 3A में लाल आयत)।
    नोट: यह आम है कि एक से अधिक FOV एक ही ROI को कवर करने के लिए आवश्यक है।
  2. अधिग्रहण सेटअप और पेंटिंग को पिछले चरणों में परिभाषित दूरी पर व्यवस्थित करें और हाइपरस्पेक्ट्रल कैमरे के साथ आपूर्ति किए गए सफेद मानक संदर्भ को नियोजित करते हुए सफेद अंशांकन करें।
    नोट: यदि उपयोगकर्ताओं को एक इन सीटू अधिग्रहण करना चाहिए (यानी, उन्हें एक संग्रहालय में या एक प्रदर्शनी में उजागर एक पेंटिंग का अध्ययन करना चाहिए), तो वे केवल कैमरे का प्रबंधन कर सकते हैं। यह क्वार्टो स्टेटो का मामला है, जो स्थायी रूप से मिलान, इटली में Museo del Novecento में एक समर्पित स्थान में उजागर किया गया है।
  3. प्रत्येक ROI (s) के किनारे के भीतर कम से कम एक FOV से हाइपरस्पेक्ट्रल डेटा प्राप्त करें ( चित्रा 3A में लाल आयतों के भीतर अनशेड क्षेत्र)।
  4. उपकरण द्वारा लौटाई गई फ़ाइलों को डाउनलोड करें और उन्हें एक समर्पित फ़ोल्डर में सहेजें।
  5. जांचें कि क्या पेंटिंग की सतह की रोशनी को हाइपरस्पेक्ट्रल कैमरे द्वारा लौटाए गए आरजीबी छवियों को देखकर समान रूप से सेट किया गया है। यदि यह मामला है, तो अगले चरणों पर ले जाएँ, अन्यथा चरण 2.2 पर वापस जाएँ और पुनरारंभ करें।
    नोट:: चित्र 4 इस जाँच के महत्व को दर्शाता है (विवरण के लिए चर्चा अनुभाग देखें)।
  6. चरण 1.4 के उप-चरणों को दोहराएँ।
  7. जांचें कि क्या डेटा में FOVs (चित्रा 3B) के RGB चित्रों और SAM मानचित्र (चित्रा 3C) को देखकर ब्रश स्ट्रोक को अलग करने के लिए पर्याप्त स्थानिक रिज़ॉल्यूशन है, जो FOVs (चित्रा 3B में हरे रंग के हलकों) के भीतर चयनित संदर्भ स्पेक्ट्रा से संबंधित है।
  8. यदि रोशनी और स्थानिक संकल्प ठीक से सेट किया गया है, तो आरओआई (ओं) को कवर करने के लिए आवश्यक अन्य एफओवी प्राप्त करने वाले डेटा के संग्रह को पूरा करें; अन्यथा चरण 2.2 पर वापस जाएँ और पुनरारंभ करें।
    नोट: जब एक ROI को कवर करने के लिए एक से अधिक FOV की आवश्यकता होती है, तो परिणामी maps3,15 को आसानी से सिलाई करने के लिए आसन्न FOVs के बीच सुपरपोजिशन की एक निश्चित डिग्री सुनिश्चित करें। ओवरलैपिंग की सीमा हाइपरस्पेक्ट्रल कैमरा और नमूने के बीच की दूरी पर निर्भर करती है, अनुवाद पर, और डिटेक्टर 28 के दृश्य के क्षैतिज कोण पर। Quarto Stato पर conduced प्रयोगात्मक अभियान के मामले में, ओवरलैप को कम से कम एफओवी का 40% होने के लिए सेट किया गया है।

3. Hypercubes और संदर्भ स्पेक्ट्रा प्रबंधन

  1. कच्चे डेटा का I/O निष्पादित करें: हाइपरक्यूब्स को व्यवस्थित, पढ़ें और प्रबंधित करें.
    1. हाइपरक्यूब्स वाली फ़ाइलों की सूची और संबंधित जानकारी को एल्गोरिथ्म के निपटान में दो चर में संग्रहीत करने के लिए HS_FileLister कोड चलाएँ (व्यावहारिक विवरण के लिए चरण 1.4.2 देखें)।
      नोट:: हाइपरस्पेक्ट्रल कैमरा HDR (उच्च डायनेमिक श्रेणी) फ़ाइलें देता है जो कोड Jarek Tuszinsky29 द्वारा विकसित स्क्रिप्ट के पुनरीक्षित संस्करण का शोषण करने का प्रबंधन करता है।
    2. डेटा के विश्लेषण में उपयोग किए जाने वाले प्रत्येक FOV के भाग का चयन करने के लिए HS_Crop_png कोड चलाएँ (व्यावहारिक विवरण के लिए चरण 1.4.3 देखें)।
    3. परावर्तकता स्पेक्ट्रा से FOVs की RGB छवियों को पुनर्प्राप्त करने के लिए HS_RGB_Rebuild कोड चलाएँ (व्यावहारिक विवरण के लिए चरण 1.4.4 देखें)।
  2. व्यवस्थित करें, पढ़ें (यदि आवश्यक हो), और संदर्भ स्पेक्ट्रा का प्रबंधन करें।
    नोट:: संदर्भ स्पेक्ट्रा SAM विधि के भीतर अंत सदस्यों की भूमिका निभाएंगे20,21. एल्गोरिथ्म का यह हिस्सा एकनिष्ठ रूप से निर्धारित नहीं है, लेकिन चयन मोड और संदर्भ स्पेक्ट्रा की उत्पत्ति पर निर्भर करता है।
    1. PointSel कोड चलाएँ और मॉनिटर किए गए क्षेत्र (ओं) (चित्रा 5A) की सतह पर अलग-अलग मापने वाले बिंदुओं के रूप में संदर्भ स्पेक्ट्रा की पहचान करने के लिए प्रदर्शित इंटरैक्टिव विंडो के भीतर क्लिक करें (व्यावहारिक विवरण के लिए चरण 1.4.5 देखें)।
    2. स्वचालित रूप से संदर्भ स्पेक्ट्रा को रेटिकुलर चयन कोड, रेटिकुलर सेल (चित्रा 5 बी) चलाकर मॉनिटर किए गए क्षेत्र (ओं) की सतह पर अधिरोपित बिंदुओं को मापने के नियमित रेटिकुलम के रूप में चुनें। टर्मिनल विंडो में निम्न आदेश पंक्ति (अर्धविराम शामिल) टाइप करें और कोड को चलाने के लिए Enter दबाएँ:
      [संदर्भ] = रेटिकुलर सेल (HS_DataList, HS_ImageList, n_pixel);
      1. तीन इनपुट हैं (हाइपरस्पेक्ट्रल कैमरा द्वारा लौटाई गई छवियों वाली सूची, HS_ImageList; हाइपरक्यूब्स, HS_DataList वाली फ़ाइलों की सूची; और रेटिकुलम, n_pixel, पिक्सेल की संख्या में व्यक्त) और एक आउटपुट की रिक्ति: एक चर जिसमें एफओवी, संदर्भ के भीतर संदर्भ के रूप में चयनित स्पेक्ट्रा होता है।
    3. बाहरी संदर्भ आयातक कोड चलाएँ, Spectra_Importer, डेटासेट और डेटाबेस से संदर्भ युक्त एक चर बनाने के लिए Quarto Stato पर अधिग्रहित hypercubes से स्वतंत्र है। टर्मिनल विंडो में निम्न आदेश पंक्ति (अर्धविराम शामिल) टाइप करें और कोड को चलाने के लिए Enter दबाएँ:
      [ExtReferences] = Spectra_Importer (file_extension);
      1. एक इनपुट है (स्वतंत्र संदर्भ स्पेक्ट्रा युक्त फ़ाइल का विस्तार, file_extension, एपिस के बीच लिखा गया है) और एक आउटपुट (बाहरी संदर्भों वाला एक चर, ExtReferences)।
        नोट:: बाहरी संदर्भ आयातक कोड tmr फ़ाइलों को आयात करने के लिए ऑप्टिमाइज़ किया गया है, लेकिन, यदि आवश्यक हो, तो इसे किसी भी प्रकार की पाठ फ़ाइल से निपटने के लिए आसानी से संशोधित किया जा सकता है।
    4. संदर्भों को मैट्रिक्स, References_Matrix या ExtReferences_Matrix में रखने के लिए RefListToMatrix कोड चलाएँ, जैसा कि SAM मानचित्रों का मूल्यांकन करने वाले कोड द्वारा आवश्यक है (व्यावहारिक विवरण के लिए चरण 1.4.7 देखें).
    5. RefListToMatrix कोड के लिए प्रतीक्षा करें तरंग दैर्ध्य रेंज और वर्णक्रमीय संकल्प (यानी, घटकों की संख्या) हाइपरक्यूब्स और संदर्भों के दोनों को बराबर करने के लिए।
      नोट:: कोड हाइपरक्यूब्स और संदर्भ दोनों की तरंग दैर्ध्य श्रेणियों की पहचान करता है। कोड तरंग दैर्ध्य श्रेणियों की तुलना करता है और तरंग दैर्ध्य अंतराल (ओं) को काटता है जो हाइपरक्यूब्स और संदर्भ दोनों द्वारा निगरानी नहीं की जाती है। कोड हाइपर-वैक्टर (हाइपरक्यूब्स या संदर्भ) के समूह की पहचान करता है जो समान तरंग दैर्ध्य सीमा में घटकों की कम संख्या (यानी, कम वर्णक्रमीय रिज़ॉल्यूशन की विशेषता) द्वारा गठित होता है। कोड लंबे समय तक हाइपर-वैक्टर (संदर्भ या हाइपरक्यूब्स) के घटकों की संख्या को छोटे लोगों (हाइपरक्यूब्स या संदर्भ) के लिए कम कर देता है। यह छोटे हाइपर-वैक्टर के प्रत्येक तरंग दैर्ध्य के लिए, केवल लंबे समय तक हाइपर-वैक्टर के मूल्यों को रखकर किया जाता है जो छोटे हाइपर-वैक्टर के निकटतम तरंग दैर्ध्य के अनुरूप होते हैं।
      1. कोड स्वचालित रूप से equalization निष्पादित करता है। यदि संदर्भों को हाइपरक्यूब्स के भीतर चुना गया है, तो तरंग दैर्ध्य सीमा और वर्णक्रमीय रिज़ॉल्यूशन को बराबर करने की आवश्यकता नहीं है और वे अपरिवर्तित रहते हैं।
    6. यदि वांछित हो, तो समर्पित कोड चलाकर नमूनों की सतह पर संदर्भों की स्थिति को चित्रों के एक सेट में संग्रहीत करें (व्यावहारिक विवरण के लिए चरण 1.4.7 देखें)।
      नोट:: यह विकल्प केवल तभी उपलब्ध होता है जब संदर्भ हाइपरक्यूब्स (चरण 3.2.1 और 3.2.2) में चयनित किए गए हैं.

4. सैम विश्लेषण

  1. समानता मानचित्रों का मूल्यांकन करने के लिए SAM_Complete कोड चलाएँ। टर्मिनल विंडो में निम्न आदेश पंक्ति (अर्धविराम शामिल) टाइप करें और कोड को चलाने के लिए Enter दबाएँ:
    SAM_Complete (HS_ImageList, HS_DataList, References_Matrix);
    1. तीन इनपुट हैं (हाइपरस्पेक्ट्रल कैमरा द्वारा लौटाई गई छवियों वाली सूची, HS_ImageList; हाइपरक्यूब्स, HS_DataList वाली फ़ाइलों की सूची; और संदर्भ मैट्रिक्स, References_Matrix या ExtReferences_Matrix) और कोई आउटपुट नहीं (कोड वर्तमान कार्य फ़ोल्डर में .png फ़ाइलों के रूप में एसएएम मानचित्र ों को सहेजता है)।
      नोट:: तीन वर्णित इनपुट चर के अलावा, SAM_complete कोड को उपयोगकर्ता की प्राथमिकताओं के अनुसार विश्लेषण प्रोटोकॉल को दर्जी करने के लिए कुछ अतिरिक्त पैरामीटर के साथ खिलाया जाना चाहिए (अगले चरण देखें)।
  2. जब आवश्यक हो, तो वांछित पूर्व-प्रसंस्करण कार्रवाई के आधार पर संवाद बॉक्स में संख्या 0 या 1 लिखकर पूर्व-प्रसंस्करण विकल्प के साथ कोड फ़ीड करें और जारी रखने के लिए Enter दबाएँ।
    1. पूर्व-प्रसंस्करण विकल्प 0 पर सेट करें: प्रत्येक परावर्तकता स्पेक्ट्रम द्वारा सबटेंड किए गए क्षेत्र को 1 तक सामान्यीकृत किया जाता है।
    2. पूर्व-प्रसंस्करण विकल्प 1 पर सेट करें: प्रत्येक परावर्तकता स्पेक्ट्रम द्वारा सबटेंड किए गए क्षेत्र को 1 तक सामान्यीकृत किया जाता है और फिर सामान्यीकृत स्पेक्ट्रम को एक बार व्युत्पन्न किया जाता है।
      नोट:: दोनों हाइपरक्यूब्स और संदर्भ एक ही पूर्व-संसाधन विकल्प से गुजरते हैं।
  3. इच्छित स्पेक्ट्रा के अनुरूप स्तंभों की संख्या के साथ कोड को खिलाकर संदर्भ मैट्रिक्स के बीच SAM विश्लेषण के लिए उपयोग किए जाने वाले अंतिम सदस्यों का चयन करें. जब आवश्यक हो, तो संवाद बॉक्स में एक सफेद स्थान द्वारा अलग की गई संख्याओं को टाइप करके वांछित स्तंभों से संबंधित संख्याओं के अनुक्रम को दर्ज करें। जारी रखने के लिए Enter दबाएँ.
    नोट:: अनुक्रम [1 2 3] संदर्भ मैट्रिक्स के पहले तीन स्तंभों के चयन से मेल खाती है; एक खाली वेक्टर संदर्भ मैट्रिक्स के सभी स्तंभों के चयन से मेल खाता है।
  4. कोड को नाम के पहले भाग वाले स्ट्रिंग के साथ फ़ीड करें जो सहेजे जाने वाले मानचित्रों के सेट की पहचान करेगा (यानी, SAM_Complete द्वारा लौटाई गई .png फ़ाइलों के नाम का सामान्य हिस्सा)। जब आवश्यक हो, तो स्ट्रिंग को संवाद बॉक्स में डालें। जारी रखने के लिए Enter दबाएँ.
    नोट:: यदि उपयोगकर्ता प्रकार परीक्षण, तो सभी आउटपुट .png छवियों का नाम परीक्षण के साथ शुरू होगा।
  5. जब आवश्यक हो, तो इच्छित हैंडल विधि के आधार पर संवाद बॉक्स में संख्या 0, 1, या 2 लिखकर डेटा को हैंडल करने के लिए चयनित विधि के साथ कोड फ़ीड करें और जारी रखने के लिए Enter दबाएँ.
    1. डेटा के हेरफेर के लिए विधि को 0 पर सेट करें.
    2. विश्लेषण शुरू करने से पहले विचार करने के लिए स्पेक्ट्रा की तरंग दैर्ध्य श्रेणी (ओं) के मैन्युअल चयन की आवश्यकता के लिए विधि को 1 पर सेट करें (चित्रा 6)।
    3. SAM मानचित्रों के मूल्यांकन से पहले किसी विशिष्ट मानदंड के आधार पर डेटा को ऑर्डर करने के लिए एल्गोरिथ्म की आवश्यकता के लिए विधि को 2 पर सेट करें (चित्रा 7).
  6. डेटा को संसाधित करने के लिए और वर्तमान कार्य फ़ोल्डर में SAM मैप्स को .png फ़ाइलों के रूप में सहेजने के लिए प्रोटोकॉल की प्रतीक्षा करें.
    नोट:: यदि हैंडल विधि 0 या 2 करने के लिए सेट किया गया है, तो उपयोगकर्ता बस प्रतीक्षा करनी चाहिए। यदि इसे 1 पर सेट किया गया है, तो उपयोगकर्ता को एक इंटरैक्टिव विंडो (चित्रा 6) पर क्लिक करके एसएएम मानचित्रों का मूल्यांकन करने के लिए नियोजित किए जाने वाले स्पेक्ट्रा के भाग (ओं) का चयन करना होगा।

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

प्रस्तावित प्रोटोकॉल प्रबंधन और एचआरआई डेटा के विश्लेषण के लिए दिलचस्प सुविधाओं का एक सेट प्रदान करता है। कच्चे डेटा का I/O (चरण 3.1) हमेशा पहली समस्या होती है जिसे किसी भी विश्लेषण विधि को लागू करने से पहले हल किया जाना चाहिए और बड़ी मात्रा में डेटा से निपटने पर यह एक महत्वपूर्ण मुद्दा बन सकता है। वर्तमान मामले में, कच्चे डेटा के बारे में एकमात्र कार्य प्रयोगात्मक परिणामों को एक समर्पित फ़ोल्डर में संग्रहीत करना है और पठन कोड (चरण 3.1.1) चलाते समय हार्ड डिस्क ब्राउज़ करके इसका चयन करना है। उसके बाद, फसल और RGB पुनर्निर्माण कोड डेटा के चयन के शोधन का विश्लेषण करने की अनुमति देते हैं (चरण 3.1.2) और जांचकरता है कि प्रयोगात्मक स्थितियों को हाइपरक्यूब्स के अधिग्रहण के क्षण में ठीक से सेट किया गया है (चरण 3.1.3, आगे के विवरण के लिए चित्रा 4 और चर्चा अनुभाग देखें)।

एक बार सत्यापित होने के बाद कि डेटा-क्यूब्स को सही ढंग से अधिग्रहित किया गया है, एल्गोरिथ्म SAM विश्लेषण 20,21 (चरण 3.2) के लिए अंतिम सदस्यों का चयन करने के लिए विभिन्न संभावनाएं प्रदान करता है। पहले दो विकल्प (चरण 3.2.1 और 3.2.2) मैन्युअल रूप से कुछ अलग-थलग मापने वाले बिंदुओं (चित्रा 5 ए) का चयन करके या स्वचालित रूप से पेंटिंग की सतह का नमूना लेकर हाइपरक्यूब्स के बीच संदर्भों को पुनर्प्राप्त करते हैं जो एक या अधिक एफओवी (चित्रा 5 बी) के भीतर मापने वाले बिंदुओं का एक रेटिकुलर चयन प्रदान करते हैं। पृथक मापन बिंदुओं पर आधारित विश्लेषण रेटिकुलर आधारित एक की तुलना में तेज है, लेकिन इसका तात्पर्य महत्वपूर्ण स्पेक्ट्रा की पहचान करने के लिए एफओवी (ओं) के एक सावधान और संभवतः सूचित अवलोकन से है; इसका मतलब है कि पिगमेंट और चित्रित सतहों से निपटने का अच्छा अनुभव। रेटिकुलर चयन एल्गोरिथ्म को समय लेने वाला बनाता है और उपयोगकर्ता को उपयोगी समानता मानचित्रों की एक मुट्ठी भर को पुनः प्राप्त करने के लिए बहुत सारी आउटपुट छवियों का निरीक्षण करने के लिए मजबूर करता है। हालांकि, रेटिकुलर चयन हाइपरक्यूब्स की पूरी स्क्रीनिंग प्रदान करता है और ज्यादातर, इसे प्रयोगात्मक संदर्भ के अनुभव के बिना किया जा सकता है। सिद्धांत रूप में, एक बार नमूना दूरी, n_pixel, तय हो जाने के बाद, उपयोगकर्ता विवरण खोने की बहुत कम संभावना के साथ एफओवी (ओं) के अवलोकन की उपेक्षा कर सकता है।

हाइपरक्यूब्स के भीतर संदर्भ स्पेक्ट्रा के चयन के अलावा, एल्गोरिथ्म अन्य स्रोतों (चरण 3.2.4) से संबंधित संदर्भों के साथ जांच के तहत नमूने से डेटा की तुलना करने का अवसर प्रदान करता है। बाहरी संदर्भ स्पेक्ट्रा आयातक कोड उन संदर्भों के I/O का प्रबंधन करता है जो पेंटिंग की सतह से संबंधित नहीं हैं। मैट्रिक्स कनवर्टर कोड तरंग दैर्ध्य श्रेणियों और हाइपरक्यूब्स और बाहरी संदर्भों (चरण 3.2.4) दोनों के वर्णक्रमीय रिज़ॉल्यूशन को बराबर करता है। यह संभावना नमूने के लक्षण वर्णन के बारे में उपयोगकर्ता की क्षमताओं का विस्तार करती है। दरअसल, उपयोगकर्ता परावर्तकता डेटा के संदर्भ में हर प्रकार के उपलब्ध संसाधन का शोषण कर सकता है। हाइपरक्यूब्स की तुलना सार्वजनिक डेटाबेस के साथ की जा सकती है, उपयोगकर्ता के वर्णक्रमीय अभिलेखागार के साथ, तदर्थ तैयार किए गए नमूनों पर या यहां तक कि अन्य वस्तुओं (चित्रों, पैलेट्स, रंगों, या जो भी हो) पर एकत्र किए गए नए डेटा के साथ लेखक या अन्य कलाकारों से संबंधित हैं। इसके अलावा, बाहरी संदर्भों को किसी भी प्रकार की परावर्तकता तकनीकों का इतना अधिक शोषण करते हुए प्राप्त किया जा सकता है कि चित्रा 6 और चित्रा 7 में दिखाए गए संदर्भों को एक पोर्टेबल FORS लघु स्पेक्ट्रोमीटर (सामग्री की तालिका) द्वारा अधिग्रहित किया गया है, न कि एचआरआई डेटा के लिए उपयोग किए जाने वाले कैमरे द्वारा।

डेटा प्रबंधन से परे, एल्गोरिथ्म डेटा विश्लेषण के लिए भी एक मूल दृष्टिकोण प्रदान करता है। यह एसएएम मानचित्रों (चरण 4.1-4.5) का मूल्यांकन करने से पहले स्पेक्ट्रा के हेरफेर की अनुमति देता है। यह संभावना पिगमेंट के वितरण की जांच करने के लिए एसएएम विधि की पसंद में अपना तर्क पाती है। वास्तव में, एसएएम परावर्तकता स्पेक्ट्रा पर विचार करता है क्योंकि वे एक बहु-आयामी स्थान में वैक्टर होंगे (यानी, अधिग्रहण चैनलों के बराबर कई घटकों के साथ हाइपर-वैक्टर)। इसलिए, यदि विश्लेषण का मुख्य उद्देश्य अलग-अलग लेकिन समान संदर्भों की तुलना करना है, तो यह भेद करने के लिए कि कलाकार द्वारा उपयोग किए जाने वाले वर्णकों से सबसे अच्छा कौन सा मेल खाता है, तो संदर्भ स्पेक्ट्रा के लगभग समान घटक (यानी, तरंग दैर्ध्य जो हाइपर-वैक्टर में लगभग समान मूल्यों के अनुरूप हैं) विशेष रूप से उपयोगी नहीं होना चाहिए और एल्गोरिथ्म इन घटकों को विश्लेषण से बाहर करने की अनुमति देता है।

प्रोटोकॉल डेटा (चरण 4.5) में हेरफेर करने के लिए दो विकल्पों का समर्थन करता है: उपयोगकर्ता मैन्युअल रूप से विश्लेषण किए जाने वाले परावर्तकता डेटा के तरंग दैर्ध्य भाग (ओं) को परिभाषित कर सकता है (चित्रा 6) या स्वचालित रूप से (चित्रा 7)। मैन्युअल चयन सीधा है। पूर्व-संसाधित संदर्भ स्पेक्ट्रा या उनके पहले डेरिवेटिव, चयनित पूर्व-प्रसंस्करण विकल्प (चरण 4.2) के आधार पर, एक इंटरैक्टिव विंडो, चित्रा 6A पर दिखाई देते हैं, और उपयोगकर्ता ग्राफ़ की सतह पर क्लिक करके एक या अधिक तरंग दैर्ध्य अंतराल (ओं), चित्रा 6B का चयन करता है। स्वचालित चयन पूर्व-संसाधित संदर्भ स्पेक्ट्रा या उनके पहले डेरिवेटिव पर लागू अधिकतम प्रसरण के गणितीय मानदंड पर आधारित है, जो चयनित पूर्व-प्रसंस्करण विकल्प (चरण 4.2) पर निर्भर करता है। एल्गोरिथ्म चयनित संदर्भों के भीतर विचरण (सामान्यीकृत और चित्रा 7A में डैश्ड लाइन के रूप में प्रदर्शित) की गणना करता है और तदनुसार सभी स्पेक्ट्रा (संदर्भ और हाइपरक्यूब्स दोनों) को इस मानदंड के अनुसार क्रमबद्ध करता है (चित्रा 7 B में डैश्ड लाइन सामान्यीकृत और क्रमित विचरण का प्रतिनिधित्व करती है)। दूसरे शब्दों में, यदि अधिकतम विचरण nth तरंग दैर्ध्य से मेल खाता है, तो प्रत्येक पूर्व-संसाधित स्पेक्ट्रम (संदर्भ और हाइपरक्यूब्स) के nth घटक की सामग्री को फिर से व्यवस्थित हाइपर-वेक्टर की पहली स्थिति में ले जाया जाएगा और इसी तरह (चित्रा 7A और चित्रा 7B में पृष्ठभूमि के रंगीन हिस्से ग्राफिक रूप से डेटा की पुन: व्यवस्था की व्याख्या करते हैं)। व्यावहारिक रूप से, पूर्व-संसाधित स्पेक्ट्रा के घटकों को प्रमुख घटक विश्लेषण 30 के समान आदेश दिया जाता है।

एक बार जब स्पेक्ट्रा में हेरफेर किया गया है, तो एल्गोरिथ्म एसएएम मानचित्रों का मूल्यांकन करता है। मैनुअल हेरफेर (चित्रा 6) के बाद, प्रोटोकॉल मानचित्रों के तीन सेट लौटाता है: चयनित और अस्वीकार किए गए तरंग दैर्ध्य के समूहों के अनुरूप दो और पूरे स्पेक्ट्रा को नियोजित करने वाला एक प्राप्त किया। अन्यथा, स्वचालित हेरफेर (चित्रा 7) के बाद, एल्गोरिथ्म विचरण मानों के लिए एक फ़्लोटिंग थ्रेशोल्ड लागू करता है और थ्रेशोल्ड के ऊपर (यानी, स्वचालित रूप से चयनित) और प्रसरण के अंडर थ्रेशोल्ड (यानी, स्वचालित रूप से अस्वीकार कर दिया गया) मानों के अनुरूप पुन: व्यवस्थित हाइपर-वेक्टर घटकों दोनों के लिए थ्रेशोल्ड की वृद्धि पर SAM मानचित्रों का मूल्यांकन करता है। मानचित्रों के ये सेट, पूरे स्पेक्ट्रा (हमेशा एल्गोरिथ्म द्वारा लौटाए गए) से प्राप्त किए गए के साथ- साथ, मानचित्रों के कुल (2N + 1) सेट के परिणामस्वरूप होते हैं जहां N थ्रेशोल्ड द्वारा ग्रहण किए गए मानों की संख्या है। दहलीज (चित्रा 8) के बढ़ने पर प्राप्त समानता मानचित्रों के सेट बताते हैं कि डेटा हेरफेर सामग्री को नहीं बदलता है, बल्कि मैप किए गए क्षेत्र (ओं) के विवरण में नई अंतर्दृष्टि प्रदान करता है और परिणामस्वरूप, नमूनों और संदर्भों के बीच समानता और अंतर को अलग करने में मदद कर सकता है।

Figure 1
चित्रा 1: Quarto Stato. पेंटिंग की एक तस्वीर, 1899-1901, 293 x 545 सेमी, कैनवास पर तेल, Giuseppe Pellizza da Volpedo, Museo del Novecento, मिलान, इटली। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 2
चित्र 2: प्रयोगात्मक स्थितियों की परिभाषा( A) तदर्थ तैयार परीक्षण नमूने; व्हाइट सर्कल और संख्याएं संदर्भ के रूप में चयनित स्पेक्ट्रा के अनुरूप मापने वाले बिंदुओं की पहचान करती हैं। (बी) संदर्भ स्पेक्ट्रम संख्या 1, (सी) संख्या 2, (डी) संख्या 3, और (ई) संख्या 4 के संबंध में मूल्यांकन किए गए एसएएम मानचित्र। ग्रे रंग पट्टी वर्णक्रमीय कोणों के मानों की सीमा को इंगित करता है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 3
चित्रा 3: Quarto Stato करने के लिए परिभाषित प्रयोगात्मक शर्तों का आवेदन. (ए) प्रयोगात्मक अभियान (लाल आयतों) के लिए चुने गए आरओआई; प्रत्येक आयत में आरओआई को कवर करने के लिए आवश्यक लोगों का एक एफओवी हाइलाइट किया गया है (अनशेडेड एरिया)। (बी) पैनल ए के चार अनशेड क्षेत्रों के आरजीबी चित्र (सी) एसएएम मानचित्रों का मूल्यांकन प्रत्येक एफओवी (ग्रीन सर्किल) के भीतर चयनित संदर्भ स्पेक्ट्रम के संबंध में किया जाता है। ग्रे रंग पट्टी वर्णक्रमीय कोणों के मानों की सीमा को इंगित करता है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 4
चित्र 4: नमूने की सतह की उचित बनाम अनुचित रोशनी। (A) FOV का एक हिस्सा जहां चित्रित सतह (लाल वृत्त) का एक छोटा सा अंश अनुचित रोशनी के कारण परिवर्तित परावर्तकता गुणों से प्रभावित होता है। (बी) पेंटिंग का एक ही छोटा सा अंश (ब्लू सर्कल) जैसा कि एफओवी को ठीक से प्रकाशित करने पर होता है। (सी) हलकों के केंद्र में मापने के बिंदु का परावर्तकता स्पेक्ट्रा जब एफओवी अनुचित रूप से और ठीक से प्रकाशित होता है (क्रमशः लाल और नीली रेखा )। (घ) संदर्भ के रूप में अनुचित प्रबुद्ध मापन बिंदु के स्पेक्ट्रम का उपयोग करके प्राप्त एफओवी का एसएएम मानचित्र। (ई) संदर्भ के रूप में उचित प्रबुद्ध मापन बिंदु के स्पेक्ट्रम का उपयोग करके प्राप्त एफओवी का एसएएम मानचित्र। ग्रे कलर बार (डी) और (ई) को संदर्भित करता है और चयनित एफओवी के हाइपरक्यूब के स्पेक्ट्रा के पहले डेरिवेटिव और (ए) और (बी) में रंगीन हलकों के केंद्र में मापने वाले बिंदु के स्पेक्ट्रम के पहले व्युत्पन्न की तुलना में प्राप्त वर्णक्रमीय कोणों के मूल्यों की सीमा को इंगित करता है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 5
चित्र5: हाइपरक्यूब्स के भीतर संदर्भ चयन. (A) पृथक मापने बिंदु चयन मोड; ग्रीन सर्कल दिखाए गए FOV पर मैन्युअल रूप से चयनित संदर्भ स्पेक्ट्रा के स्थान को इंगित करते हैं। (बी) रेटिकुलर चयन मोड; ग्रीन सर्कल नमूना अंतराल (n_pixel) के साथ एक रेटिकुलम लागू करके चयनित संदर्भ स्पेक्ट्रा के स्थान को इंगित करते हैं जो दिखाए गए एफओवी के लिए पांच पिक्सेल पर सेट होता है। (ए) और (बी) दोनों में रिपोर्ट की गई छवि एफओवी की आरजीबी छवि का ग्रेस्केल रूपांतरण है जो परावर्तकता स्पेक्ट्रा से प्राप्त होता है जो सीआईई मानकों से सीआईई मानकों से हाइपरक्यूब तक डी 65 इलुमिनेंट और 1931 पर्यवेक्षक को लागू करता है; ग्रे रंग पट्टी इस छवि की सामान्यीकृत तीव्रता को संदर्भित करता है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 6
चित्र 6: मैन्युअल डेटा हेरफेर मोड. (A) इंटरैक्टिव विंडो का पहलू जो उपयोगकर्ता को संदर्भ स्पेक्ट्रा को तरंग दैर्ध्य के चयनित और अस्वीकृत अंशों में विभाजित करने की अनुमति देता है। (बी) (ए) के समान संदर्भ जहां एसएएम मानचित्रों के मूल्यांकन के लिए चुने गए डेटा के हिस्सों को गुलाबी पृष्ठभूमि द्वारा हाइलाइट किया गया है। (ए) और (बी) संदर्भों के पूर्व-संसाधित स्पेक्ट्रा को प्रदर्शित करते हैं। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 7
चित्र 7: स्वचालित डेटा हेरफेर मोड. (A) चित्र 6 (रंगीन रेखाएँ) में रिपोर्ट किए गए चार सामान्यीकृत संदर्भों के पहले व्युत्पन्न और उनके सामान्यीकृत अधिकतम प्रसरण (ब्लैक डैश्ड लाइन). (बी) (ए) के समान डेरिवेटिव को अधिकतम विचरण के मानदंड के बाद क्रमबद्ध किया गया है; सामान्यीकृत अधिकतम प्रसरण के सॉर्ट किए गए मानों को भी रिपोर्ट किया गया है (ब्लैक डैश्ड लाइन)। पृष्ठभूमि के कुछ हिस्सों को हाइपर-वैक्टर की पुन: व्यवस्था को नेत्रहीन रूप से चित्रित करने के प्रयास में विभिन्न रंगों के साथ रंगीन किया गया है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 8
चित्रा 8: स्वचालित डेटा हेरफेर मोड द्वारा प्राप्त SAM मानचित्र. (A-C) चित्रा 7 के संदर्भ स्पेक्ट्रा के पहले डेरिवेटिव के भीतर मूल्यांकन किए गए सामान्यीकृत अधिकतम प्रसरण के क्रमबद्ध मान; वक्र के हरे और लाल अनुभाग क्रमशः, चयनित (थ्रेशोल्ड मानों पर) और डेटा के अस्वीकृत अंश (थ्रेशोल्ड मानों के तहत) को इंगित करते हैं। पैनलों से पता चलता है कि दहलीज (ब्लैक डॉटेड सेगमेंट) की वृद्धि पर क्या होता है; प्रत्येक पैनल चित्रा 7 के स्पेक्ट्रा के चार डेरिवेटिव के लिए प्राप्त मूल्यों के दोनों समूहों के लिए एसएएम मानचित्रों की रिपोर्ट करता है; ग्रीन एज्ड मैप्स ओवर थ्रेशोल्ड अंशों को संदर्भित करते हैं जबकि रेड एज्ड मैप्स अंडर थ्रेशोल्ड वाले को संदर्भित करते हैं। ग्रे रंग सलाखों वर्णक्रमीय कोणों के मूल्यों की सीमा को इंगित करते हैं। इस उदाहरण में, थ्रेशोल्ड की वृद्धि निर्धारित करता है जो चरण सामान्यीकृत अधिकतम प्रसरण के 0.5% के बराबर है; (सी) में रिपोर्ट किए गए थ्रेशोल्ड मान 0.09 हैं और यह अंतिम माना जाने वाला थ्रेशोल्ड मान है क्योंकि एक और वृद्धि हाइपर-वैक्टर के चयनित घटकों की संख्या को 20 मानों की मनमाने ढंग से तय की गई निचली सीमा से नीचे कम कर देगी, यानी, हाइपरस्पेक्ट्रल कैमरे के अधिग्रहण चैनलों की कुल संख्या का 10%। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

हाइपरस्पेक्ट्रल परावर्तकता इमेजिंग डेटासेट जानकारी के बड़े जलाशय हैं; इसलिए, डेटा का विश्लेषण करने के लिए मजबूत और संभवतः, स्वचालित प्रोटोकॉल का विकास उनकी क्षमता का फायदा उठाने के लिए एक महत्वपूर्ण मोड़ है15,17। प्रस्तावित एल्गोरिथ्म सांस्कृतिक विरासत के क्षेत्र में इस आवश्यकता का उत्तर देता है, जिसमें चित्रों के वर्णक के लक्षण वर्णन पर विशेष ध्यान दिया जाता है। SAM20,21 के आधार पर, एल्गोरिथ्म प्रयोगात्मक स्थितियों की सेटिंग से लेकर पिगमेंट के वितरण के मूल्यांकन तक पूरी विश्लेषण प्रक्रिया के दौरान उपयोगकर्ता का समर्थन करता है। यद्यपि एल्गोरिथ्म में अभी भी एक पूर्ण ग्राफिकल इंटरफ़ेस नहीं है और यह परिणामों को देखने के लिए एक उपकरण प्रदान नहीं करता है (इस उद्देश्य के लिए एक ओपन-सोर्स सॉफ़्टवेयर का उपयोग किया गया है31 और इसकी सिफारिश की जाती है, सामग्री की तालिका देखें), डेटा विश्लेषण के दृष्टिकोण को संशोधित करने के लिए लागू संभावनाओं का सेट इन कमियों को बड़े पैमाने पर संतुलित करता है।

प्रोटोकॉल नमूना और डिटेक्टर दोनों की विशेषताओं के अनुसार अधिग्रहण प्रणाली सेट करता है। एक तरफ, Quarto Stato बनाने के लिए Pellizza Da Volpedo द्वारा नियोजित डिवीजनिस्ट तकनीक की आवश्यकता होती है कि हाइपरक्यूब्स अलग-अलग पिगमेंट के छोटे ब्रश स्ट्रोक के बीच अंतर करते हैं। दूसरी ओर, हाइपरस्पेक्ट्रल कैमरे में एक मैनुअल समायोजन प्रणाली के साथ 150 मिमी और अनंत के बीच एक फोकस रेंज है जो लक्ष्य के लिए 1 मीटर की दूरी पर 1.07 मिमी 26 के स्थानिक रिज़ॉल्यूशन के साथ 0.55 x 0.55 मीटर के क्षेत्र का पता लगाता है। परीक्षण नमूनों (चित्रा 2) पर अधिग्रहित कुछ हाइपरक्यूब्स के लिए एल्गोरिथ्म का अनुप्रयोग डेटा अधिग्रहण के लिए एक उपयुक्त कार्य दूरी स्थापित करने में मदद करता है। माप का अवलोकन प्रयोगात्मक अभियान के लिए काम की दूरी को 30 सेमी तक निर्धारित करने की अनुमति देता है, जो लक्ष्य पर 0.31 मिमी के रिज़ॉल्यूशन के अनुरूप है।  इस काम की दूरी को क्वार्टो स्टेटो (चित्रा 3) पर आयोजित प्रयोगात्मक सत्रों के दौरान भी सफलतापूर्वक अपनाया गया था। एक बार काम करने की दूरी को परिभाषित करने के बाद, नमूने की सतह की रोशनी एक महत्वपूर्ण मुद्दा 3,15 बनी हुई है। जब एक FOV का एक हिस्सा असमान (चित्रा 4A में लाल वृत्त) को एक समान रोशनी (चित्रा 4B में ब्लू सर्कल) के बजाय दिखाता है, तो परावर्तकता गुण नाटकीय रूप से बदल जाते हैं (चित्रा 4 C) और पूरी प्रक्रिया से समझौता किया जाता है (चित्रा 4D बनाम Figure4E)। प्रोटोकॉल डेटा के अधिग्रहण के दौरान असमान रोशनी (और निगरानी क्षेत्रों में कलाकृतियों के खिलाफ सामान्य रूप से अधिक) को रोकता है (RGB, चरण 1.4.1, और SAM मानचित्र, चरण 1.4.9, जिसे उपयोगकर्ता द्वारा जांचा जा सकता है) और फसल कोड (चरण 1.4.2 और 3.1.2) के माध्यम से विश्लेषण से FOVs के समझौता किए गए भागों को छोड़कर एक पश्चवर्ती।

प्रोटोकॉल उपयोगकर्ता को अधिकतम स्वतंत्रता के साथ संदर्भों (यानी, एसएएम मानचित्रों के मूल्यांकन के लिए उपयोग किए जाने वाले अंतिम सदस्यों) का चयन करने की अनुमति देता है। एक तरफ, ईएम को हाइपरक्यूब्स के किनारों के भीतर दो शिष्टाचार द्वारा चुना जा सकता है: अलग-अलग मापने वाले बिंदु चयन (चरण 1.4.5 और 3.1.2 में चित्रा 5 ए ) या रेटिकुलर मापने वाले बिंदु चयन (चरण 3.1.3 में चित्रा 5 बी )। पहले को सूचित चयन के रूप में परिभाषित किया जा सकता है क्योंकि इसे मैन्युअल रूप से महत्वपूर्ण मापने वाले बिंदुओं की पहचान करने के लिए उपयोगकर्ता में कुछ विशेषज्ञता की आवश्यकता होती है। उत्तरार्द्ध को अंधे चयन के रूप में परिभाषित किया जा सकता है क्योंकि एफओवी के रेटिकुलर नमूने के लिए केवल नमूना अंतराल के मूल्य की आवश्यकता होती है। दूसरी ओर, ईएम को जांच के तहत पेंटिंग के बाहर से पुनर्प्राप्त किया जा सकता है (चरण 3.1.4)। क्वार्टो स्टेटो पर आयोजित प्रयोगात्मक अभियान के दौरान, एक पोर्टेबल लघु FORS स्पेक्ट्रोमीटर (सामग्री की तालिका) का उपयोग कलाकार से संबंधित मसौदा नमूनों से स्पेक्ट्रा एकत्र करने के लिए किया गया था और वर्तमान में वोल्पेडो (पेलिज़ा दा वोल्पेडो स्टूडियो म्यूज़ियो, वोल्पेडो (एएल), इटली) में स्थित स्टूडियो संग्रहालय में रखा गया था। इन परावर्तकता डेटा का उपयोग एसएएम मानचित्रों के मूल्यांकन के लिए किया गया है और उनमें से कुछ को चित्र 6 और चित्र7 में रिपोर्ट किया गया है। चूंकि यह पूर्ण तीव्रता और स्पेक्ट्रा की आधार रेखा के महत्व को सीमित करता है, इसलिए हाइपरक्यूब्स और ईएम दोनों के लिए पूर्व-प्रसंस्करण अनिवार्य है, खासकर अगर वे थोड़ा अलग सेटअप या ऑपरेटिव स्थितियों से प्राप्त किए गए हैं32।

प्रोटोकॉल की अंतिम मुख्य विशेषता प्रयोगात्मक डेटा में हेरफेर करने का मौका है। हेरफेर के लिए, यह इरादा है कि ईएम के सबसे महत्वपूर्ण घटकों की पहचान (यानी, अंत सदस्यों के स्पेक्ट्रा के उन हिस्सों की पहचान को कलाकार द्वारा उपयोग की जाने वाली सामग्रियों को चिह्नित करने में मदद करनी चाहिए)। इस कार्य को मैन्युअल रूप से पूरा किया जा सकता है (चित्रा 6) या स्वचालित रूप से (चित्र7)। पहले मामले में, एल्गोरिथ्म कलाकार की विशेषज्ञता का लाभ उठाता है, जबकि, दूसरे मामले में, यह एक सांख्यिकीय मानदंड है जो उन घटकों को निर्धारित करता है जो समय-समय पर, एसएएम मानचित्रों का मूल्यांकन करने के लिए उपयोग किए जाएंगे। दोनों मामलों में, हेरफेर परिणामी समानता मानचित्रों की संख्या को बढ़ाता है और परिणामस्वरूप हाइपरक्यूब्स द्वारा की गई जानकारी का खुलासा करने की क्षमता का विस्तार करता है। विशेष रूप से, मानदंड-आधारित चयन चित्रित सतह (चित्रा 8) की बड़ी संख्या में अंतर्दृष्टि उत्पन्न करता है।

व्यक्तिगत रूप से लिया गया, गणना की गई विशेषताएं केवल तकनीकी लाभ के रूप में दिखाई दे सकती हैं, लेकिन साथ में वे कम से कम दो मुख्य प्रमुख बिंदुओं का संकेत देते हैं। एल्गोरिथ्म को किसी भी प्रकार के उपयोगकर्ता द्वारा सफलतापूर्वक लागू किया जा सकता है और यह विश्लेषण के परिदृश्य को काफी व्यापक बना सकता है। वास्तव में, प्रोटोकॉल के मुख्य चरण (यानी, संदर्भों का चयन और डेटा का हेरफेर) स्वचालित रूप से किया जा सकता है, कौशल और उपयोगकर्ता के अनुभव को अनदेखा करते हुए। हाइपरक्यूब्स के बाहर से स्पेक्ट्रा के साथ विश्लेषण को चलाने की संभावना के साथ, शोधकर्ताओं के निपटान में सभी परावर्तकता डेटा को जांच के तहत नमूने के लक्षण वर्णन के लिए शोषण किया जा सकता है।

संक्षेप में, प्रोटोकॉल एक अत्यंत लचीला उपकरण हो सकता है। ग्राफिकल इंटरफ़ेस और समर्थित विश्लेषण विधियों की संख्या के बारे में कुछ सुधारों के साथ, यह हाइपरस्पेक्ट्रल परावर्तकता इमेजिंग के माध्यम से चित्रित सतहों से प्राप्त डेटा के हैंडलिंग और विश्लेषण के बारे में कला की स्थिति से परे एक कदम हो सकता है।

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

लेखकों के पास खुलासा करने के लिए कुछ भी नहीं है।

Acknowledgments

इस शोध को प्रोजेक्ट MOBARTECH के ढांचे में रीजन लोम्बार्डिया द्वारा वित्त पोषित किया गया था: una piattaforma मोबाइल tecnologica, interattiva e partecipata प्रति लो स्टूडियो, la conservazione e la valorizzazione di beni storico-artistici - कॉल Accordi प्रति ला Ricerca e l'Innovazione।

लेखकों में सीटू प्रयोगात्मक सत्र के दौरान समर्थन के लिए Museo del Novecento में कर्मचारियों के लिए आभारी हैं और स्टूडियो Museo के लिए उपयोग के लिए Associazione Pellizza दा Volpedo के लिए.

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

रसायन विज्ञान अंक 172 हाइपरस्पेक्ट्रल परावर्तकता इमेजिंग परावर्तकता स्पेक्ट्रोस्कोपी फाइबर ऑप्टिक्स परावर्तकता स्पेक्ट्रोस्कोपी वर्णक्रमीय कोण मैपर डेटा हेरफेर कस्टम-समायोज्य विश्लेषण चित्रों पिगमेंट
पैलेट्स और पेंटर्स की तकनीकों की जांच करने के लिए हाइपरस्पेक्ट्रल परावर्तकता इमेजिंग लागू करना
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