Применение гиперспектральной отражательной визуализации для исследования палитр и техник художников

Резюме

Гиперспектральные рефлекторные гиперкубы визуализации включают замечательную информацию в большой объем данных. Поэтому запрос на автоматизированные протоколы для управления и изучения наборов данных широко обоснован. Сочетание Spectral Angle Mapper, манипулирования данными и настраиваемого пользователем метода анализа представляет собой ключевой поворот для изучения экспериментальных результатов.

Аннотация

Спектроскопия отражения (RS) и волоконно-оптическая спектроскопия отражения (FORS) являются хорошо зарекомендовавшими себя методами исследования произведений искусства с особым вниманием к картинам. Большинство современных музеев предоставили в распоряжение своих исследовательских групп портативное оборудование, которое вместе с присущей им неинвазивностью RS и FORS делает возможным коллекцию in situ спектров отражения с поверхности артефактов. Сравнение, проведенное экспертами по пигментам и материалам для рисования, экспериментальных данных с базами справочных спектров приводит к характеристике палитр и методов, используемых художниками. Однако этот подход требует определенных навыков и отнимает много времени, особенно если количество исследуемых спектров становится большим, как в случае наборов данных гиперспектральной отражательной визуализации (HRI). Экспериментальные установки HRI представляют собой многомерные камеры, которые связывают спектральную информацию, задаваемую спектрами отражения, с пространственной локализацией спектров над окрашенной поверхностью. Результирующие наборы данных представляют собой 3D-кубы (называемые гиперкубами или кубами данных), где первые два измерения располагают спектр над картиной, а третье - сам спектр (т. Е. Отражение этой точки окрашенной поверхности по отношению к длине волны в рабочем диапазоне детектора). Способность детектора одновременно собирать большое количество спектров (обычно гораздо более 10 000 на каждый гиперкуб) делает наборы данных HRI большими резервуарами информации и обосновывает необходимость разработки надежных и, возможно, автоматизированных протоколов для анализа данных. После описания процедуры, предназначенной для сбора данных, мы представляем метод анализа, который систематически использует потенциал гиперкубов. Основанный на Spectral Angle Mapper (SAM) и на манипулировании собранными спектрами, алгоритм обрабатывает и анализирует тысячи спектров, в то же время он поддерживает пользователя в раскрытии особенностей исследуемых образцов. Сила подхода иллюстрируется его применением к Quarto Stato, культовому шедевру Джузеппе Пеллицца да Вольпедо, проходящему в Музее Новеченто в Милане (Италия).

Введение

Спектроскопия отражения (RS) и волоконно-оптическая спектроскопия отражения (FORS) основаны на обнаружении света, отраженного поверхностями, когда-то освещенными источником света, обычно вольфрамово-галогенной лампой. Выход системы сбора состоит из спектров, где отражение контролируется как функция длины волны в диапазоне, который зависит от характеристик используемой экспериментальной ^{установки1,2,3}. Введенные в течение последних четырех ^{десятилетий4,5}, RS и FORS обычно используются в сочетании с рентгеновской флуоресценцией и другими спектроскопиями для описания материалов и методов, используемых художниками для реализации своих шедевров6,7,8,9. Изучение спектров отражения обычно выполняется путем сравнения данных из образца с группой эталонных спектров, выбранных пользователем в личных или общедоступных базах данных. После того, как эталонные спектры, соответствующие периоду реализации образца и modus operandi художника, были идентифицированы, пользователь распознает основные особенности спектров отражения (т.е. полосы перехода, поглощения и отражения1,2,10,11), а затем, с помощью других методов6,7,8 они различают пигменты, которые были использованы в картинах. Наконец, они обсуждают небольшие различия, существующие между ссылками и экспериментальными ^{спектрами7,9}.

В большинстве случаев экспериментальные наборы данных состоят из нескольких спектров, собранных из областей, выбранных экспертами по искусству и предполагаемых значимыми для характеристики картины6,12,13. Несмотря на навыки и опыт пользователя, несколько спектров не могут полностью исчерпать характеристики всей окрашенной поверхности. Более того, результат анализа всегда будет сильно зависеть от экспертизы исполнителя. В этом сценарии гиперспектральная рефлектационная визуализация (HRI3,14,15) может быть полезным ресурсом. Вместо нескольких изолированных спектров экспериментальные установки возвращают свойства отражения расширенных частей или даже всего исследуемого ^{артефакта16}. Два основных преимущества в отношении получения изолированных спектров очевидны. С одной стороны, наличие пространственного распределения свойств отражательной способности позволяет идентифицировать области, которые скрывают интересные особенности, даже если они могут показаться ^{необразными17}. С другой стороны, гиперкубы гарантируют количество спектров, достаточно высоких, чтобы обеспечить статистический анализ данных. Эти факты подтверждают понимание распределения пигментов внутри окрашенной ^{поверхности18,19}.

С HRI сравнение экспериментальных данных со ссылками может быть трудным для ^{обработки15}. Типичный детектор возвращает гиперкубы размером не менее 256 x 256 спектров. Это потребует от пользователя оценки более 65 000 спектров отражения против каждого эталона, что почти невозможно выполнить вручную за разумное время. Поэтому запрос на надежные и, возможно, автоматизированные протоколы для управления и анализа наборов данных HRI более чем ^{оправдан15,17}. Предлагаемый метод отвечает этой потребности, обрабатывая всю аналитическую процедуру с минимальным участием и максимальной гибкостью.

Алгоритм, содержащий набор самодельных кодов (Таблица материалов), считывает, управляет и упорядочивает файлы, возвращаемые экспериментальной установкой. Он позволяет изучать тонкий выбор участков полей зрения (FOV, одним полем зрения является область картины, контролируемой одним гиперкубом) и выполняет анализ данных на основе метода Spectral Angle Mapper (SAM) ^20,21 и манипулирования исходными спектрами. SAM возвращает ложные цветные изображения в оттенках серого, называемые картами подобия. Значения пикселей этих карт соответствуют спектральным углам, которые являются углами между спектрами, хранящимися в гиперкубах, и так называемыми конечными членами (EM, группа эталонных спектров, которые должны описывать особенности поверхности, контролируемые гиперкубами)²². В случае RS, применяемых к картинам, EM - это спектры отражения пигментов, которые должны соответствовать палитре Мастера. Они выбираются на основе имеющейся информации о художнике, периоде реализации картины и опыте пользователя. Таким образом, вывод SAM представляет собой набор карт, которые описывают пространственное распределение этих пигментов по поверхности живописи и которые помогают пользователю сделать вывод о материалах, используемых художником, и их организации в артефакте. Алгоритм предлагает возможность использования всех видов ссылок независимо от их происхождения. Ссылки могут быть конкретными спектрами, выбранными в гиперкубах, поступать из баз данных, быть получены другим инструментом на другой поверхности (например, образцы пигментов или палитра художника) или быть получены с использованием любого вида спектроскопии отражения, включая FORS.

SAM был предпочтительным среди доступных методов классификации, поскольку было продемонстрировано, что он эффективен для характеристики пигментов (см. книгу ^Richard23, чтобы иметь обзор основных доступных методов классификации). Вместо этого идея разработки самодельного протокола, а не принятия одного из многих инструментов, свободно доступных в ^{сети24,25,} опирается на практическое соображение. Несмотря на эффективность и научную основу существующих графических интерфейсов и программного обеспечения, один инструмент вряд ли удовлетворяет все потребности пользователя. Может возникнуть проблема ввода-вывода (I/O), поскольку инструмент не управляет файлом, содержащим необработанные данные. Может возникнуть проблема с анализом данных, поскольку другой инструмент не обеспечивает желаемого подхода. Обработка данных может быть ограничена, поскольку одновременный анализ нескольких наборов данных не поддерживается. В любом случае, идеального инструмента не существует. Каждый метод должен быть адаптирован к данным или наоборот. Поэтому разработка самодельного протокола была предпочтительной.

Представленный подход не предлагает ни полного набора аналитических методов (см., для сравнения, инструмент, предложенный Mobaraki и ^Amigo24), ни простого в управлении пользовательского интерфейса (см., для сравнения, программное обеспечение, используемое Чжу и ^{коллегами25}), но, взамен, он фокусируется на все еще недооцененном аспекте гиперспектрального анализа данных: возможности манипулировать обнаруженными спектрами. Сила подхода иллюстрируется его применением к картине «Quarto Stato » Джузеппе Пеллицца да Вольпедо (рисунок 1), культовому холсту маслом, хранящемуся в Музее Новеченто в Милане, Италия. Обратите внимание, что, поскольку подход требует запуска самодельных кодов, разработчик произвольно выбирает имена кодов и как входные, так и выходные переменные, используемые в описании протокола. Имена переменных могут быть изменены пользователем, но они должны быть предоставлены следующим образом: входные и выходные переменные должны быть записаны соответственно в скобках и в конечном итоге разделены запятой и в квадратных скобках и в конечном итоге разделены пробелом. Напротив, названия кодов не могут быть изменены.

протокол

1. Установите пространственное разрешение гиперкубов

1. Выполните предварительный осмотр окрашенной поверхности (рисунок 1) при поддержке искусствоведов для выявления основных особенностей картины.
   1. Распознайте живописные приемы, используемые художником для создания картины.
   2. Определите различные мазки кисти краски на холсте.
   3. Оцените, качественно, характеристики мазков кисти с особым вниманием к их размеру.
2. Имитируйте живописную технику, используемую художником, создавая специальные тестовые образцы, где мазки кисти показывают характеристики, аналогичные тем, которые применял художник.
   ПРИМЕЧАНИЕ: Пеллицца да Вольпедо был художником-дивизионистом. Реставратора попросили подготовить несколько тестовых образцов, которые качественно воспроизводят мазки кисти интересующего полотна (рисунок 2, колонка А).
3. Установите расстояние между исследуемой поверхностью и оборудованием для сбора.
   ПРИМЕЧАНИЕ: Расстояние определяет пространственное разрешение ^{гиперкубов26} и, следовательно, возможность различать мазки кисти на изображениях и sam-картах окрашенной поверхности.
   1. Оценить расстояние между поверхностью образца и оборудованием сбора с учетом характеристик гиперспектральной ^{камеры26} (Таблица материалов) и размера мазков кисти, нарисованных в тестовых образцах.
   2. Поместите этап захвата и гиперспектральную камеру на расстояние, оцененное на предыдущем шаге. Расположите испытуемые образцы на сцене и обеспечьте равномерное освещение поверхности образцов.
   3. Выполните белую калибровку с использованием белого стандартного эталона, поставляемого с гиперспектральной камерой. Приобретите гиперкубы.
      ПРИМЕЧАНИЕ: Для каждого FOV гиперспектральная камера возвращает как необработанные, так и калиброванные изображения. Последние были использованы для анализа.
   4. Загрузите файлы, возвращенные инструментом, и сохраните их в выделенной папке.
4. Проверьте, может ли пространственное разрешение гиперкубов различать различные мазки кисти на изображениях и sam-картах окрашенной поверхности.
   1. Проверьте RGB-снимки, возвращаемые гиперспектральной камерой, чтобы убедиться, что мазки кисти, используемые для реализации тестовых образцов, могут быть распознаны (рисунок 2, колонка A). Если да, перейдите к следующим шагам; в противном случае вернитесь к шагу 1.3.1 и перезагрузите компьютер.
   2. Перечислите файлы, содержащие гиперспектральные данные и RGB-изображения FOV, выполнив код чтения данных HS_FileLister. Введите следующую командную строку (включая точку с запятой) в окне терминала языка, используемого для разработки кодов (Таблица материалов), и нажмите клавишу ВВОД , чтобы запустить код:
      [HS_DataList HS_ImageList] = HS_FileLister;
      1. Вход не требуется, и есть два выхода: список файлов, содержащих гиперкубы, HS_DataList, и список изображений, возвращаемых гиперспектральной камерой, HS_ImageList.
         ПРИМЕЧАНИЕ: Размер каждого гиперкуба составляет 512 x 512 x 204 вокселя, где 204 - количество каналов, используемых для мониторинга сигнала отражения. Каналы охватывают диапазон длин волн от 400 до 1000 нм со спектральным разрешением 7 нм при ^FWHM26.
   3. Определите 3D-часть гиперкубов, которую необходимо проанализировать, выполнив код обрезки , HS_Crop_png. Определите нужную часть каждого куба данных, выбрав область над интерактивным окном, которая показывает 2D, RGB-изображение FOV, отслеживаемое каждым гиперкубом. Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
      [HS_ImageList] = HS_Crop_png(HS_ImageList);
      1. Есть один вход (список изображений, возвращаемых гиперспектральной камерой, HS_ImageList) и один выход (входной список, добавленный с пространственными координатами, чтобы в конечном итоге обрезать гиперкубы).
   4. Примените к гиперкубам стандарты осветителя D65 и наблюдателя 1931 года из CIE (Международная комиссия по освещению) для получения RGB-изображений FOV (ов) из спектров отражения, выполнив нормы восстановления HS_RGB_rebuild. Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
      [HS_ImageList] = HS_RGB_rebuild(HS_ImageList, HS_DataList);
      1. Существует два входа (список, содержащий изображения, возвращаемые гиперспектральной камерой, HS_ImageList и список файлов, содержащих гиперкубы, HS_DataList) и один выходной (входной список, содержащий изображения, возвращенные гиперспектральной камерой, добавленные с RGB-изображениями поверхностей гиперкубов, полученными из спектров отражения).
         ПРИМЕЧАНИЕ: HS_RGB_Rebuild использует функции, разработанные Джеффом ^{Матером27} , для применения к данным осветителя D65 и наблюдателя 1931 года от CIE.
   5. Вручную выберите некоторые эталонные спектры на поверхностях тестовых образцов (белые круги и числа на рисунке 2, колонка A), выполнив код выбора изолированных точек измерения PointSel. Выберите точки измерения, щелкнув интерактивное окно, которое одно за другим показывает 2D, RGB изображения FOV. Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
      [Ссылки] = PointSel(HS_DataList, HS_ImageList);
      1. Есть два входа (список, содержащий изображения, возвращаемые гиперспектральной камерой, HS_ImageList, и список файлов, содержащих гиперкубы, HS_DataList) и один выход (переменная, References, содержащая спектры, выбранные в качестве ссылок в FOV(s)).
   6. При необходимости сохраните положение ссылок над поверхностью образцов в наборе рисунков, выполнив выделенный код SaveImPoint. Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
      SaveImPoint(Ссылки, HS_ImageList);
      1. Есть два входа (переменная, содержащая эталонные спектры, References и список, содержащий изображения, возвращаемые гиперспектральной камерой, HS_ImageList) и нет выходов (код сохраняет .png изображений в текущей рабочей папке).
   7. Организуйте ссылки в матрицу, выполнив код преобразования RefListToMatrix. Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
      [References_Matrix] = RefListToMatrix(Ссылки, HS_ImageList(1). WaveL);
      1. Существует два входа (переменная, содержащая эталонные спектры, References и список длин волн, на которых детектор подсчитывает фотоны во время сбора данных спектров, HS_ImageList(1). WaveL) и один выход (те же эталонные спектры, организованные в матрицу, References_Matrix).
         ПРИМЕЧАНИЕ: Этот шаг является обязательным, поскольку код, который вычисляет карты SAM, требует, чтобы эталонные спектры были организованы в матрицу. Синтаксис второго входа, HS_ImageList(1). WaveL, требуется отозвать переменную WaveL из списка HS_ImageList. Цифра 1 в скобках относится к первому элементу списка, названному как HS_ImageList; однако, поскольку все гиперкубы имеют одинаковый диапазон длин волн, он может быть заменен каждым числом, незначительным или равным общему количеству перечисленных изображений.
   8. Извлеките карты SAM, используя все спектры, выполнив стандартный код оценки карт SAM SAM_Standard. Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
      SAM_Standard (HS_ImageList, HS_DataList, References_Matrix);
      1. Есть три входа (список, содержащий изображения, возвращаемые гиперспектральной камерой, HS_ImageList; список файлов, содержащих гиперкубы, HS_DataList; и матрица эталонных спектров, References_Matrix) и нет вывода: код сохраняет карты SAM как .png изображений в текущей рабочей папке.
   9. Проверьте, отображаются ли на полученных картах сходства (рисунок 2, столбцы B - E) детали мазков кисти, используемых для реализации тестовых образцов. Если это так, перейдите к следующему шагу протокола; в противном случае вернитесь к шагу 1.3.1 и перезагрузите компьютер.

2. Отрегулируйте экспериментальные параметры к покраске

1. Определите интересующую область (регионы), рентабельность инвестиций в изучаемую картину (красные прямоугольники на рисунке 3A).
   ПРИМЕЧАНИЕ: Обычно для покрытия одной рентабельности инвестиций необходимо более одного FOV.
2. Организуйте настройку сбора и покраску на расстоянии, определенном на предыдущих шагах, и выполните белую калибровку с использованием белого стандарта эталона, поставляемого с гиперспектральной камерой.
   ПРИМЕЧАНИЕ: Если пользователи должны сделать приобретение in situ (т.е. они должны изучить картину, выставленную в музее или на выставке), они могут управлять только камерой. Это случай Quarto Stato, который постоянно экспонируется в специальном пространстве в Museo del Novecento в Милане, Италия.
3. Получите гиперспектральные данные по крайней мере из одного FOV в пределах края каждого ROI (незатененные области в красных прямоугольниках на рисунке 3A).
4. Загрузите файлы, возвращенные инструментом, и сохраните их в выделенной папке.
5. Проверьте, равномерно ли установлено освещение поверхности картины, глядя на RGB-изображения, возвращаемые гиперспектральной камерой. Если это так, перейдите к следующим шагам, в противном случае вернитесь к шагу 2.2 и перезапустите.
   ПРИМЕЧАНИЕ: Рисунок 4 иллюстрирует важность этой проверки (подробности см. в разделе Обсуждение ).
6. Повторите подшаги шага 1.4.
7. Проверьте, имеют ли данные достаточно высокое пространственное разрешение, чтобы различать мазки кисти, наблюдая за RGB-изображениями FOV (рисунок 3B) и картами SAM (рисунок 3C), связанными с эталонными спектрами, выбранными в FOV (зеленые круги на рисунке 3B).
8. Если освещение и пространственное разрешение были правильно установлены, завершите сбор данных, получив другие FOV, необходимые для покрытия ROI (ов); в противном случае вернитесь к шагу 2.2 и перезагрузите компьютер.
   ПРИМЕЧАНИЕ: Когда ROI требует покрытия более одного FOV, обеспечьте определенную степень суперпозиции между соседними FOV, чтобы легко сшить полученные ^{карты3,15}. Степень перекрытия зависит от расстояния между гиперспектральной камерой и образцом, от трансляции и горизонтального угла обзора ^{детектора28}. В случае экспериментальной кампании, проведенной на Quarto Stato, перекрытие было установлено, по крайней мере, на 40% FOV.

3. Управление гиперкубами и эталонными спектрами

1. Выполняйте операции ввода-вывода необработанных данных: упорядочивайте, считывайте гиперкубы и управляйте ими.
   1. Запустите код HS_FileLister для хранения списка файлов, содержащих гиперкубы и связанную с ними информацию, в двух переменных, имеющихся в распоряжении алгоритма (см. шаг 1.4.2 для получения практических сведений).
      ПРИМЕЧАНИЕ: Гиперспектральная камера возвращает файлы hdr (расширенный динамический диапазон), которыми управляет код, используя пересмотренную версию сценария, разработанную Яреком ^{Тушинским29}.
   2. Запустите код HS_Crop_png , чтобы выбрать часть каждого FOV, которая будет использоваться при анализе данных (см. шаг 1.4.3 для получения практических сведений).
   3. Запустите код HS_RGB_Rebuild , чтобы получить RGB-изображения FOV из спектров отражения (см. шаг 1.4.4 для получения практических сведений).
2. Упорядочивайте, считывайте (при необходимости) и управляйте эталонными спектрами.
   ПРИМЕЧАНИЕ: Эталонные спектры будут играть роль конечных членов в методе SAM^20,21. Эта часть алгоритма не определяется однозначно, а зависит от режима выбора и от происхождения эталонных спектров.
   1. Запустите код PointSel и щелкните в отображаемом интерактивном окне, чтобы определить контрольные спектры как изолированные точки измерения на поверхности контролируемой области (областей) (рисунок 5A) (см. шаг 1.4.5 для получения практических сведений).
   2. Автоматически выбирайте контрольные спектры в виде обычного сетки измерительных точек, наложенных на поверхность контролируемой области (областей), запуская код ретикулярного выбора ReticularSel (рисунок 5B). Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
      [Ссылки] = ReticularSel(HS_DataList, HS_ImageList, n_pixel);
      1. Есть три входа (список, содержащий изображения, возвращаемые гиперспектральной камерой, HS_ImageList; список файлов, содержащих гиперкубы, HS_DataList; и интервал между ретикулумами, n_pixel, выраженный в количестве пикселей) и один выход: переменная, содержащая спектры, выбранные в качестве ссылок в FOV, References.
   3. Запустите код импортера внешних ссылок Spectra_Importer, чтобы создать переменную, содержащую ссылки из наборов данных и баз данных независимо от гиперкубов, полученных в Quarto Stato. Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
      [ExtReferences] = Spectra_Importer(file_extension);
      1. Есть один вход (расширение файла, содержащего независимые спектры ссылок, file_extension, записанные между apices) и один вывод (переменная, содержащая внешние ссылки, ExtReferences).
         ПРИМЕЧАНИЕ: Код внешнего импортера ссылок был оптимизирован для импорта файлов tmr, но при необходимости его можно легко модифицировать для работы с любым типом текстового файла.
   4. Запустите код RefListToMatrix , чтобы поместить ссылки в матрицу, References_Matrix или ExtReferences_Matrix, как того требует код, оценивающий сопоставления SAM (см. шаг 1.4.7 для получения практических сведений).
   5. Подождите, пока код RefListToMatrix выровняет как диапазон длин волн, так и спектральное разрешение (т. е. количество компонентов) гиперкубов и ссылок.
      ПРИМЕЧАНИЕ: Код определяет диапазоны длин волн как гиперкубов, так и ссылок. Код сравнивает диапазоны длин волн и отсекает интервалы длин волн, которые не контролируются как гиперкубами, так и ссылками. Код идентифицирует группу гипервекторов (гиперкубов или ссылок), состоящую из меньшего числа компонентов (т.е. характеризующихся более низким спектральным разрешением) в уравненном диапазоне длин волн. Код уменьшает количество компонентов более длинных гипервекторов (ссылок или гиперкубов) до числа более коротких (гиперкубов или ссылок). Это делается путем сохранения для каждой длины волны более коротких гипервекторов только значений более длинных гипервекторов, которые соответствуют ближайшей длине волны к длине волны более коротких гипервекторов.
      1. Код автоматически выполняет выравнивание. Если ссылки были выбраны внутри гиперкубов, диапазон длин волн и спектральное разрешение не нужно выравнивать, и они остаются неизменными.
   6. При желании сохраните положение ссылок над поверхностью образцов в наборе изображений, выполнив специальный код (см. шаг 1.4.7 для получения практических сведений).
      ПРИМЕЧАНИЕ: Эта опция доступна только в том случае, если ссылки были выбраны в гиперкубах (шаги 3.2.1 и 3.2.2).

4. Анализ SAM

1. Запустите код SAM_Complete для оценки карт сходства. Введите следующую командную строку (включая точку с запятой) в окне терминала и нажмите клавишу ВВОД , чтобы запустить код:
   SAM_Complete (HS_ImageList, HS_DataList, References_Matrix);
   1. Есть три входа (список, содержащий изображения, возвращаемые гиперспектральной камерой, HS_ImageList; список файлов, содержащих гиперкубы, HS_DataList; и ссылочная матрица, References_Matrix или ExtReferences_Matrix) и нет выходов (код сохраняет карты SAM в виде файлов .png в текущей рабочей папке).
      ПРИМЕЧАНИЕ: Помимо трех описанных входных переменных, код SAM_complete должен быть снабжен несколькими дополнительными параметрами, чтобы адаптировать протокол анализа в соответствии с предпочтениями пользователя (см. следующие шаги).
2. При необходимости введите в код параметр предварительной обработки, введя цифру 0 или 1 в диалоговом окне в зависимости от требуемой операции предварительной обработки, и нажмите клавишу ВВОД , чтобы продолжить.
   1. Опция предварительной обработки установлена на 0: площадь, подтеняемая каждым спектром отражения, нормализуется до 1.
   2. Опция предварительной обработки установлена на 1: площадь, субтентенция каждого спектра отражения, нормализуется до 1, а затем нормализованный спектр выводится один раз.
      ПРИМЕЧАНИЕ: И гиперкубы, и ссылки проходят одну и ту же опцию предварительной обработки.
3. Выберите конечные элементы, которые будут использоваться для анализа SAM среди эталонной матрицы, снабдив код номерами столбцов, соответствующих требуемым спектрам. При необходимости введите в диалоговое окно последовательность чисел, соответствующую нужным столбцам, введя числа, разделенные пробелом. Нажмите Enter , чтобы продолжить.
   ПРИМЕЧАНИЕ: Последовательность [1 2 3] соответствует выбору первых трех столбцов эталонной матрицы; пустой вектор соответствует выделению всех столбцов эталонной матрицы.
4. Введите в код строку, содержащую первую часть имени, которая будет идентифицировать наборы сохраняемых карт (т. е. общую часть имени .png файлов, возвращаемых SAM_Complete). При необходимости вставьте строку в диалоговое окно. Нажмите Enter , чтобы продолжить.
   ПРИМЕЧАНИЕ: Если пользователь вводит тест, то имя всех выходных .png изображений будет начинаться с test.
5. При необходимости введите в код метод, выбранный для обработки данных, введя число 0, 1 или 2 в диалоговом окне в зависимости от требуемого метода дескриптора и нажмите клавишу ВВОД , чтобы продолжить.
   1. Задайте для метода значение 0, чтобы не манипулировать данными.
   2. Установите для метода значение 1, чтобы потребовать ручного выбора диапазона (диапазонов) длин волн спектров, которые необходимо учитывать перед началом анализа (рисунок 6).
   3. Установите для метода значение 2, чтобы алгоритм упорядочил данные на основе определенного критерия перед оценкой карт SAM (рисунок 7).
6. Подождите, пока протокол обработает данные и сохранит карты SAM в текущей рабочей папке в виде .png файлов.
   ПРИМЕЧАНИЕ: Если для метода handle установлено значение 0 или 2, пользователь должен просто подождать. Если установлено значение 1, пользователь должен выбрать часть (части) спектров, которые будут использоваться для оценки карт SAM, щелкнув интерактивное окно (рисунок 6).

Результаты

Предлагаемый протокол предлагает набор интересных функций для управления и анализа данных HRI. Ввод-вывод (шаг 3.1) необработанных данных всегда является первой проблемой, которая должна быть решена перед применением любого метода анализа, и она может стать критической проблемой при раб?...

Обсуждение

Наборы данных визуализации гиперспектрального отражения представляют собой большие резервуары информации; поэтому разработка надежных и, возможно, автоматизированных протоколов для анализа данных является ключевым поворотом для использования их ^{потенциала15,17}

Материалы

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