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.
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).
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.
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<sup class="xref"…
The authors have nothing to disclose.
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.
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 |