Paletleri ve Ressamların Tekniklerini Araştırmak İçin Hiperspektral Yansıtma Görüntüleme Uygulama

Özet

Hiperspektral Reflectance Imaging hiperkubes, çok miktarda veriye dikkat çekici bilgiler içerir. Bu nedenle, veri kümelerini yönetmek ve incelemek için otomatik protokoller isteği yaygın olarak haklıdır. Spektral Açı Eşleyici, veri manipülasyonu ve kullanıcı tarafından ayarlanabilir analiz yönteminin birleşimi, deneysel sonuçları keşfetmek için önemli bir dönüş oluşturur.

Özet

Reflektör Spektroskopisi (RS) ve Fiber Optik Reflektör Spektroskopisi (FORS), özellikle resimlere dikkat ederek sanat eserlerinin araştırılması için iyi kurulmuş tekniklerdir. Çoğu modern müze, RS ve FORS'un içsel non-invazivliği ile birlikte, eserlerin yüzeyinden yansıtıcı spektrumların yerinde toplanmasını mümkün kılan araştırma gruplarının taşınabilir ekipmanlarının emrine unmaktadır. Pigmentler ve boyama materyalleri uzmanları tarafından gerçekleştirilen, deneysel verilerin referans spektrum veri tabanları ile karşılaştırılması, paletlerin ve sanatçıların kullandığı tekniklerin karakterizasyonunu yönlendirir. Bununla birlikte, bu yaklaşım belirli beceriler gerektirir ve özellikle araştırılacak spektrum sayısının Hiperspektral Yansıtma Görüntüleme (HRI) veri kümelerinde olduğu gibi büyük olması zaman alıcıdır. HRI deneysel kurulumları, yansıtıcı spektrum tarafından verilen spektral bilgileri, spektranın boyalı yüzey üzerindeki mekansal lokalizasyonu ile ilişkilendiren çok boyutlu kameralardır. Elde edilen veri kümeleri, ilk iki boyutun spektrumu boyama üzerinde bulduğu 3B küplerdir (hiperkubes veya veri küpleri olarak adlandırılır), üçüncüsü spektrumun kendisidir (yani, boyalı yüzeyin bu noktasının dedektörün çalışma aralığındaki dalga boylarına karşı yansıması). Dedektörün aynı anda çok sayıda spektrum (genellikle her hiperkübe için 10.000'den fazla) toplama yeteneği, HRI veri kümelerini büyük bilgi rezervuarları haline getirir ve verileri analiz etmek için sağlam ve muhtemelen otomatik protokollerin geliştirilmesi ihtiyacını haklı çıkarır. Veri toplama için tasarlanan prosedürün açıklamasından sonra, hiperkubelerin potansiyelini sistematik olarak sömüren bir analiz yöntemi sunuyoruz. Spektral Açı Eşleyicisi'ne (SAM) ve toplanan spektrumların manipülasyonuna dayanarak, algoritma binlerce spektrumu işler ve analiz eder, aynı zamanda kullanıcının incelenmekte olan örneklerin özelliklerini ortaya çıkarmasını destekler. Yaklaşımın gücü, Giuseppe Pellizza da Volpedo'nun Milano'daki (İtalya) Museo del Novecento'da düzenlenen ikonik başyapıtı Quarto Stato'ya uygulanarak gösterilmiştir.

Giriş

Reflektör Spektroskopisi (RS) ve Fiber Optik Yansıtma Spektroskopisi (FORS), genellikle bir tungsten-halojen lamba olan bir ışık kaynağı tarafından aydınlatılan yüzeyler tarafından yansıtılan ışığın algılanmasına dayanır. Alım sisteminin çıktısı, yansıtıcılığın, kullanılan deneysel kurulumun özelliklerine bağlı bir aralıkta dalga boyunun bir işlevi olarak izlendiği spektra tarafından oluşturulmuştır1,2,3. Son ⁴⁰ yıl içinde tanıtılan RS ve FORS^{, tipik} olarak X-ışını floresan ve diğer spektroskopilerle birlikte sanatçıların başyapıtlarını gerçekleştirmek için kullandıkları malzemeleri ve teknikleri tanımlamak için kullanılır6,7,8,9. Yansıtma spektrumunun incelenmesi genellikle örnekteki veriler ile kullanıcı tarafından kişisel veya genel veritabanlarında seçilen bir referans spektrum grubu karşılaştırılarak gerçekleştirilir. Numunenin gerçekleşme süresine ve sanatçının modus operandisine uygun referans spektrumu belirlendikten sonra, kullanıcı yansıtma spektrumunun ana özelliklerini (yani, geçiş, emilim ve yansıma bantları1,2,10,11) ve daha sonra diğer tekniklerin yardımıyla ^tanır6,7,8 resimlerde kullanılan pigmentleri ayırt ederler. Son olarak, referanslar ve deneysel ^spektra7,9 arasında var olan küçük farklılıkları tartışıyorlar.

Çoğu durumda, deneysel veri kümeleri, sanat uzmanları tarafından seçilen alanlardan toplanan ve tablonun karakterizasyonu için önemli olduğu varsayılan birkaç spektrumdan oluşur6,12,13. Kullanıcının becerilerine ve deneyimine rağmen, birkaç spektrum tüm boyalı yüzeyin özelliklerini tamamen tüketemez. Ayrıca, analizin sonucu her zaman sanatçının uzmanlığına güçlü bir şekilde bağlı olacaktır. Bu senaryoda, Hiperspektral Yansıtma Görüntüleme (HRI3,14,15) yararlı bir kaynak olabilir. Birkaç yalıtılmış spektrum yerine, deneysel kurulumlar genişletilmiş bölümlerin ve hatta inceleme altındaki tüm eserin yansıtıcı özelliklerini ^{döndürür16}. İzole tayfın kazanılmasıyla ilgili iki ana avantaj açıktır. Bir yandan, yansıtıcı özelliklerin mekansal dağılımının mevcudiyeti, tuhaf görünmeseler de ilginç özellikleri gizleyen alanların tanımlanmasını ^sağlar17. Öte yandan, hiperkubeler, verilerin istatistiksel analizini sağlayacak kadar yüksek bir dizi spektrumunu garanti eder. Bu gerçekler, pigmentlerin boyalı yüzey içindeki dağılımının anlaşılmasını ^{desteklemez18,19}.

HRI ile deneysel verilerin referanslarla karşılaştırılması zor ^olabilir15. Tipik bir dedektör en az 256 x 256 spektrumda hiperkubes verir. Bu, kullanıcının her referansa karşı 65.000'den fazla yansıtma spektrumunu değerlendirmesini gerektirir, bu da makul bir sürede manuel olarak gerçekleştirilmesi neredeyse imkansızdır. Bu nedenle, HRI veri kümelerini yönetmek ve çözümlemek için sağlam ve büyük olasılıkla otomatik protokoller isteği haklı ^15,17'den daha fazladır. Önerilen yöntem, tüm analitik prosedürü minimum katılım ve maksimum esneklikle ele alarak bu ihtİyaka cevap verir.

Ev yapımı kodlar kümesini (Malzeme Tablosu) içeren bir algoritma, deneysel kurulum tarafından döndürülen dosyaları okur, yönetir ve düzenler. Görüş Alanlarının bölümlerinin (FOV'lar, bir görüş alanı, tek bir hiperkube tarafından izlenen resmin alanıdır) ince seçilmesine izin verir ve Spektral Açı Eşleyici (SAM) ^{yöntemi20,21'e} ve orijinal spektrumun manipülasyonuna dayalı verilerin analizini gerçekleştirir. SAM, benzerlik eşlemeleri adı verilen yanlış renkli gri ölçekli görüntüler döndürür. Bu haritaların piksellerinin değerleri, hiperkubelerde depolanan spektrumlar ile Son Üyeler (EM'ler, hiperkübeler tarafından izlenen yüzeyin özelliklerini tanımlaması gereken bir referans spektrum grubu) arasındaki açılara karşılık gelir ²². Resimlere uygulanan RS durumunda, EM'ler, Ana paletle eşleşmesi gereken pigmentlerin yansıtıcı spektrumlarıdır. Sanatçı hakkındaki mevcut bilgilere, resmin gerçekleşme süresine ve kullanıcının uzmanlığına göre seçilirler. Bu nedenle, SAM'in çıktısı, bu pigmentlerin boyama yüzeyi üzerindeki mekansal dağılımlarını açıklayan ve kullanıcının sanatçı ve organizasyonu tarafından eserde kullanılan malzemeleri çıkarmasını destekleyen bir harita kümesidir. Algoritma, her türlü referansı kökenlerinden bağımsız olarak kullanma imkanı sunar. Referanslar hiperkubeler içinde seçilen belirli bir spektrum olabilir, veritabanlarından gelebilir, farklı bir yüzeyde farklı bir enstrüman tarafından edinilebilir (örneğin pigment örnekleri veya sanatçının paleti gibi) veya fors dahil her türlü yansıtıcı spektroskopi kullanılarak elde edilebilir.

SAM, pigmentleri karakterize etmek için etkili olduğu gösterildiğinden mevcut sınıflandırma yöntemleri arasında tercih edilmiştir (mevcut ana sınıflandırma yöntemlerine genel bir bakış için ^{Richard23'ün} kitabına bakın). Bunun yerine, ^net24,25'te serbestçe bulunan birçok araçtan birini benimsemek yerine ev yapımı bir protokol geliştirme fikri pratik bir değerlendirmeye dayanmaktadır. Mevcut CE'lerin ve yazılımın etkinliğine ve bilimsel temeline rağmen, tek bir araç kullanıcının tüm ihtiyaçlarını neredeyse hiç karşılamaz. Bir araç ham verileri içeren dosyayı yönetmediği için bir Giriş/Çıkış (I/O) sorunu olabilir. Başka bir araç istenen yaklaşımı sağlamadığı için verilerin analiziyle ilgili bir sorun olabilir. Birden çok veri kümesinin eşzamanlı çözümlemesi desteklenmediği için verilerin işlenmesinde bir sınırlama olabilir. Her durumda, mükemmel bir araç yoktur. Her yöntem verilere göre ayarlanmalıdır veya tam tersi. Bu nedenle ev yapımı bir protokolün geliştirilmesi tercih edilmiştir.

Sunulan yaklaşım, ne tam bir analitik yöntem kümesi (bkz. karşılaştırma için Mobaraki ve ^Amigo24 tarafından önerilen araç) ne de yönetilmesi kolay bir kullanıcı arayüzü (bkz. karşılaştırma için, Zhu ve iş arkadaşları tarafından kullanılan ^yazılım25), ancak karşılığında, hiperspektral veri analizinin hala hafife alınmış bir yönüne odaklanır: tespit edilen spektrumları manipüle etme fırsatı. Yaklaşımın gücü, İtalya'nın Milano kentindeki Museo del Novecento'da tutulan tuval üzerine ikonik bir yağ olan Giuseppe Pellizza da Volpedo'nun Quarto Stato tablosuna (Şekil 1) uygulanarak gösterilmiştir. Yaklaşım ev yapımı kodları çalıştırmayı gerektirdiğinden, geliştiricinin kodların adlarını ve protokolün açıklamasında kullanılan giriş ve çıkış değişkenlerini keyfi olarak seçtiğini unutmayın. Değişkenlerin adları kullanıcı tarafından değiştirilebilir, ancak aşağıdaki gibi sağlanmalıdır: giriş ve çıkış değişkenleri sırasıyla köşeli ayraçlar içinde yazılmalı ve sonunda virgülle ve köşeli ayraçlar içinde ayrılmalı ve sonunda beyaz bir boşlukla ayrılmalıdır. Aksine, kodların adları değiştirilemez.

Protokol

1. Hiperkübelerin uzamsal çözünürlüğünü ayarlayın

1. Resmin ana özelliklerini belirlemek için sanat uzmanları tarafından desteklenen boyalı yüzeyin (Şekil 1) ön incelemesini gerçekleştirin.
   1. Resmi oluşturmak için sanatçı tarafından kullanılan resimsel teknikleri tanıyın.
   2. Tuvaldeki farklı fırça darbelerini tanımlayın.
   3. Nitel olarak, fırça darbelerinin özelliklerini boyutlarına özellikle dikkat ederim.
2. Fırça darbelerinin sanatçı tarafından uygulananlara benzer özellikler gösterdiği geçici test örnekleri oluşturarak sanatçının kullandığı resimsel tekniği taklit edin.
   NOT: Pellizza da Volpedo Bir Tümen ressamıydı. Bir restorardan, ilgi çekici tuvalin fırça darbelerini niteliksel olarak yeniden üreten bazı test örnekleri hazırlaması istendi (Şekil 2, sütun A).
3. İnceleme altındaki yüzey ile satın alma ekipmanı arasındaki mesafeyi ayarlayın.
   NOT: Mesafe, hiperkubes26'nın uzamsal çözünürlüğünü ve dolayısıyla boyalı yüzeyin görüntülerdeki fırça darbelerini ve SAM haritalarını ayırt etme olasılığını belirler.
   1. Hiperspektral ^{kamera26'nın} (Malzeme Masası) özelliklerini ve test örneklerinde çizilen fırça darbelerinin boyutunu dikkate alarak numunenin yüzeyi ile alım ekipmanı arasındaki mesafeyi değerlendirin.
   2. Satın alma aşamasını ve hiperspektral kamerayı önceki adımda değerlendirilen mesafeye koyun. Test örneklerini sahnede düzenleyin ve numunelerin yüzeyinin düzgün bir şekilde aydınlatılmasını sağlayın.
   3. Hiperspektral kamera ile birlikte verilen beyaz standart referansı kullanarak beyaz bir kalibrasyon gerçekleştirin. Hiperkubeleri alın.
      NOT: Her FOV için hiperspektral kamera hem ham hem de kalibre edilmiş görüntüler döndürür. İkincisi analiz için kullanılmıştır.
   4. Cihaz tarafından döndürülen dosyaları indirin ve özel bir klasöre kaydedin.
4. Hiperkübelerin uzamsal çözünürlüğünün, boyalı yüzeyin görüntülerdeki ve SAM haritalarındaki farklı fırça darbelerini ayırt edip etmediğini kontrol edin.
   1. Test örneklerini gerçekleştirmek için kullanılan fırça darbelerinin tanınabildiğine emin olmak için hiperspektral kamera tarafından döndürülen RGB resimlerini inceleyin (Şekil 2, sütun A). Öyleyse, sonraki adımlara geçin; aksi takdirde 1.3.1 adımına geri dönün ve yeniden başlatın.
   2. Veri okuma kodunu çalıştırarak hiperspektral verileri ve FOV'lerin RGB görüntülerini içeren dosyaları listeleyin, HS_FileLister. Kodları geliştirmek için kullanılan dilin terminal penceresine aşağıdaki komut satırını (noktalı virgül dahil) yazın ve kodu çalıştırmak için Enter tuşuna basın:
      [HS_DataList HS_ImageList] = HS_FileLister;
      1. Giriş gerekmez ve iki çıkış vardır: hiperkübeleri, HS_DataList içeren dosyaların listesi ve hiperspektral kamera tarafından döndürülen görüntülerin listesi , HS_ImageList.
         NOT: Her hiperkübenin boyutu 512 x 512 x 204 vokseldir, burada 204 yansıtma sinyalini izlemek için kullanılan kanal sayısıdır. Kanallar dalga boyu aralığını FWHM26'da 7 nm spektral çözünürlükle 400 ila 1.000 nm arasında ^kapsar.
   3. Kırpma kodu, HS_Crop_png çalıştırarak analiz edilmesi gereken hiperkübelerin 3B bölümünü tanımlayın. Her hiperkübe tarafından izlenen FOV'un 2B, RGB görüntüsünü gösteren etkileşimli bir pencere üzerinde bir alan seçerek her veri küpünün istenen bölümünü tanımlayın. Terminal penceresine aşağıdaki komut satırını (noktalı virgül dahil) yazın ve kodu çalıştırmak için Enter tuşuna basın:
      [HS_ImageList] = HS_Crop_png(HS_ImageList);
      1. Bir giriş (hiperspektral kamera tarafından döndürülen görüntülerin listesi, HS_ImageList) ve bir çıktı (sonunda hiperkübeleri kırpmak için uzamsal koordinatlarla eklenen giriş listesi).
   4. CIE (Uluslararası Aydınlatma Komisyonu) standartlarından D65 aydınlatma ve 1931 gözlemcisini, FOV'ların RGB görüntülerini yeniden oluşturma kodunu çalıştırarak yansıtma spektrumundan almak için hiperkübelere uygulayın, HS_RGB_rebuild. Terminal penceresine aşağıdaki komut satırını (noktalı virgül dahil) yazın ve kodu çalıştırmak için Enter tuşuna basın:
      [HS_ImageList] = HS_RGB_rebuild(HS_ImageList, HS_DataList);
      1. İki giriş (hiperspektral kamera tarafından döndürülen görüntüleri içeren liste, HS_ImageList ve hiperkubes içeren dosyaların listesi, HS_DataList) ve bir çıkış (yansıtıcılık spektrumundan alınan hiperkübelerin yüzeylerinin RGB görüntüleriyle eklenen hiperspektral kamera tarafından döndürülen görüntüleri içeren giriş listesi).
         NOT: HS_RGB_Rebuild , Jeff ^Mather27 tarafından CIE'den D65 illuminant ve 1931 gözlemcisini verilere uygulamak için geliştirilen işlevlerden yararlanır.
   5. Yalıtılmış ölçüm noktaları seçim kodu PointSel'i çalıştırarak test örneklerinin yüzeylerinde (Şekil 2'deki Beyaz Daireler ve Sayılar, sütun A) bazı referans spektrumlarını el ile seçin. FOV'ların 2D, RGB görüntülerini tek tek gösteren etkileşimli bir pencereyi tıklatarak ölçüm noktalarını seçin. Terminal penceresine aşağıdaki komut satırını (noktalı virgül dahil) yazın ve kodu çalıştırmak için Enter tuşuna basın:
      [Kaynaklar] = PointSel(HS_DataList, HS_ImageList);
      1. İki giriş (hiperspektral kamera tarafından döndürülen görüntüleri içeren liste, HS_ImageList ve hiperkubeleri içeren dosyaların listesi, HS_DataList) ve bir çıktı (FOV'lar içinde referans olarak seçilen spektrumları içeren bir değişken, Başvurular) vardır.
   6. İsterseniz, özel kod SaveImPoint'i çalıştırarak örneklerin yüzeyi üzerindeki başvuruların konumunu bir resim kümesinde saklayın. Terminal penceresine aşağıdaki komut satırını (noktalı virgül dahil) yazın ve kodu çalıştırmak için Enter tuşuna basın:
      SaveImPoint(Başvurular, HS_ImageList);
      1. İki giriş vardır (başvuru spektrumunu içeren değişken, Başvurular ve hiperspektral kamera tarafından döndürülen görüntüleri içeren liste, HS_ImageList) ve çıkış yoktur (kod geçerli çalışma klasörüne .png görüntüler kaydeder).
   7. Dönüştürme kodu RefListToMatrix'i çalıştırarak başvuruları bir matris halinde düzenleyin. Terminal penceresine aşağıdaki komut satırını (noktalı virgül dahil) yazın ve kodu çalıştırmak için Enter tuşuna basın:
      [References_Matrix] = RefListToMatrix(Başvurular, HS_ImageList(1). WaveL);
      1. İki giriş vardır (referans spektrumunu, Referansları ve spektranın veri alımı sırasında dedektörün fotonları saydığı dalga boylarının listesini içeren değişken , HS_ImageList(1). WaveL) ve bir çıktı (matris olarak düzenlenmiş aynı referans spektrumları, References_Matrix).
         NOT: SAM eşlemelerini değerlendiren kod, başvuru spektrumlarının bir matris halinde düzenlenmesini gerektirdiğinden, bu adım zorunludur. İkinci girişin sözdizimi HS_ImageList(1). WaveL, WaveL değişkenini listeden geri çağırmak için gereklidir HS_ImageList. Köşeli ayraçlar içindeki 1 sayısı, listenin HS_ImageList olarak adlandırılan ilk öğesine başvurur; ancak, tüm hiperkübeler aynı dalga boyu aralığına sahip olduğundan, küçük veya listelenen toplam görüntü sayısına eşit olan her sayıyla değiştirilebilir.
   8. Standart SAM eşlemeleri değerlendirme kodunu çalıştırarak tüm spektrumları kullanarak SAM haritalarını ayıklayın , SAM_Standard. Terminal penceresine aşağıdaki komut satırını (noktalı virgül dahil) yazın ve kodu çalıştırmak için Enter tuşuna basın:
      SAM_Standard(HS_ImageList, HS_DataList, References_Matrix);
      1. Üç giriş vardır (hiperspektral kamera tarafından döndürülen görüntüleri içeren liste, HS_ImageList; hiperkubes, HS_DataList içeren dosyaların listesi; ve referans spektrumunun matrisi, References_Matrix) ve çıktı yoktur: kod SAM haritalarını geçerli çalışma klasöründe .png görüntüler olarak kaydeder.
   9. Elde edilen benzerlik haritalarının (Şekil 2, B - E sütunları) test örneklerini gerçekleştirmek için kullanılan fırça darbelerinin ayrıntılarını görüntüleyip görüntülemediğini kontrol edin. Bu durumda, protokolün bir sonraki adımına geçin; aksi takdirde 1.3.1 adımına geri dönün ve yeniden başlatın.

2. Deneysel parametreleri resme ayarlayın

1. Çalışılacak tablonun İlgi Alanlarını, yatırım getirilerini tanımlayın ( Şekil 3A'daki kırmızı dikdörtgenler).
   NOT: Tek bir yatırım getirisini kapsamak için birden fazla FOV'un gerekli olması yaygındır.
2. Alım kurulumunu ve boyamayı önceki adımlarda tanımlanan mesafede düzenleyin ve hiperspektral kamera ile birlikte verilen beyaz standart referansı kullanarak beyaz kalibrasyonu gerçekleştirin.
   NOT: Kullanıcıların yerinde bir satın alma yapmaları gerekiyorsa (yani, bir müzede veya sergide açıkta kalan bir tabloyu incelemeleri gerekir), yalnızca kamerayı yönetebilirler. Bu, İtalya'nın Milano kentindeki Museo del Novecento'da özel bir alanda kalıcı olarak açığa çıkan Quarto Stato'nun durumudur.
3. Hiperspektral verileri her yatırım getirisinin ( Şekil 3A'daki kırmızı dikdörtgenler içindeki gölgesiz alanlar) kenarındaki en az bir FOV'dan alın.
4. Cihaz tarafından döndürülen dosyaları indirin ve özel bir klasöre kaydedin.
5. Hiperspektral kamera tarafından döndürülen RGB görüntülere bakarak resmin yüzeyinin aydınlatmasının düzgün bir şekilde ayarlanıp ayarlanmadığını kontrol edin. Bu durumda, sonraki adımlara geçin, aksi takdirde 2.2 adımına geri dönün ve yeniden başlatın.
   NOT: Şekil 4 bu denetimin önemini göstermektedir (ayrıntılar için Tartışma bölümüne bakın).
6. 1.4 adımının alt adımlarını yineleyin.
7. FOV'ler içinde seçilen referans spektrumlarıyla (Şekil 3B'deki yeşil daireler) ilgili FOV'lerin RGB resimlerini (Şekil 3B) ve SAM haritalarını (Şekil 3C) gözlemleyerek verilerin fırça darbelerini ayırt edecek kadar yüksek bir uzamsal çözünürlüğe sahip olup olmadığını kontrol edin.
8. Aydınlatma ve uzamsal çözünürlük uygun şekilde ayarlanmışsa, yatırım getirilerini kapsamak için gerekli diğer FOV'ları edinen verilerin toplanmasını tamamlayın; aksi takdirde 2.2.
   NOT: Bir yatırım getirisinin birden fazla FOV'un kapsanmasını gerektirdiğinde, elde eden haritaları kolayca dikmek için bitişik FOV'lar arasında belirli bir dereceye kadar süperpozisyon ^{sağlayın3,15}. Üst üste binmenin boyutu, hiperspektral kamera ile örnek arasındaki çeviriye ve dedektörün yatay görüş açısına ^{bağlıdır28}. Quarto Stato'ya yapılan deneysel kampanya durumunda, çakışma FOV'lerin en az% 40'ı olarak ayarlanmıştır.

3. Hiperkubes ve referans spektrum yönetimi

1. Ham verilerin kullanıcı/ç'sini gerçekleştirin: hiperkübeleri düzenleyin, okuyun ve yönetin.
   1. Hiperkübeleri ve ilgili bilgileri içeren dosyaların listesini algoritmanın emrinde iki değişkende depolamak için HS_FileLister kodunu çalıştırın (pratik ayrıntılar için adım 1.4.2'ye bakın).
      NOT: Hiperspektral kamera, kodun Jarek Tuszinsky29 tarafından geliştirilen komut dosyasının yeniden ziyaret edilen bir sürümünden yararlanarak yönettiği HDR (yüksek dinamik aralık) dosyalarını döndürür.
   2. Verilerin analizinde kullanılacak her FOV bölümünü seçmek için HS_Crop_png kodunu çalıştırın (pratik ayrıntılar için adım 1.4.3'e bakın).
   3. FOV'lerin RGB görüntülerini yansıtma spektrumundan almak için HS_RGB_Rebuild kodunu çalıştırın (pratik ayrıntılar için adım 1.4.4'e bakın).
2. Başvuru spektrumunu düzenleyin, okuyun (gerekirse) ve yönetin.
   NOT: Referans spektrumları SAM yönteminde son üyelerin rolünü oynayacaktır^20,21. Algoritmanın bu bölümü tek yönlü olarak belirlenmez, ancak seçim moduna ve başvuru spektrumunun kaynağına bağlıdır.
   1. PointSel kodunu çalıştırın ve referans spektrumunu izlenen alanların yüzeyi üzerinde yalıtılmış ölçüm noktaları olarak tanımlamak için görüntülenen etkileşimli pencerenin içini tıklatın (Şekil 5A) (pratik ayrıntılar için adım 1.4.5'e bakın).
   2. Retiküler seçim kodu ReticularSel 'i (Şekil 5B) çalıştırarak, izlenen alanların yüzeyine bindirilen ölçüm noktalarının düzenli bir retikülü olarak referans spektrumunu otomatik olarak seçin. Terminal penceresine aşağıdaki komut satırını (noktalı virgül dahil) yazın ve kodu çalıştırmak için Enter tuşuna basın:
      [Kaynaklar] = ReticularSel(HS_DataList, HS_ImageList, n_pixel);
      1. Üç giriş (hiperspektral kamera tarafından döndürülen görüntüleri içeren liste, HS_ImageList; hiperkubes içeren dosyaların listesi, HS_DataList; ve reticulum'un aralıkları, n_pixel, piksel sayısıyla ifade edilir) ve bir çıktı vardır: FOV'ler, Başvurular içinde referans olarak seçilen spektrumları içeren bir değişken.
   3. Quarto Stato'da alınan hiperkübelerden bağımsız veri kümelerinden ve veritabanlarından başvurular içeren bir değişken oluşturmak için dış başvurular alma kodunu Spectra_Importer çalıştırın. Terminal penceresine aşağıdaki komut satırını (noktalı virgül dahil) yazın ve kodu çalıştırmak için Enter tuşuna basın:
      [ExtReferences] = Spectra_Importer(file_extension);
      1. Bir giriş (apices arasında yazılmış bağımsız başvuru spektrumunu içeren dosyanın uzantısı, file_extension) ve bir çıktı (dış başvuruları içeren bir değişken, ExtReferences).
         NOT: Harici referans içe aktarıcı kodu tmr dosyalarını içe aktarmak için optimize edilmiştir, ancak gerekirse, her türlü metin dosyasıyla başa çıkmak için kolayca değiştirilebilir.
   4. Sam eşlemelerini değerlendiren kodun gerektirdiği şekilde başvuruları bir matrise, References_Matrix veya ExtReferences_Matrix koymak için RefListToMatrix kodunu çalıştırın (pratik ayrıntılar için adım 1.4.7'ye bakın).
   5. RefListToMatrix kodunun hem dalga boyu aralığını hem de hiperkübelerin ve başvuruların spektral çözünürlüğünü (yani bileşen sayısını) eşitlemesini bekleyin.
      NOT: Kod, hem hiperkübelerin hem de başvuruların dalga boyu aralıklarını tanımlar. Kod dalga boyu aralıklarını karşılaştırır ve hem hiperkübeler hem de başvurular tarafından izlenmeyen dalga boyu aralıklarını keser. Kod, eşitlenmiş dalga boyu aralığındaki daha düşük sayıda bileşen (yani, alt spektral çözünürlük ile karakterize edilir) tarafından oluşan hiper vektör grubunu (hiperkubeler veya başvurular) tanımlar. Kod, daha uzun hiper vektörlerin (başvurular veya hiperkübeler) bileşenlerinin sayısını daha kısa olanların (hiperkubes veya başvurular) sayısına azaltır. Bu, daha kısa hiper vektörlerin her dalga boyu için, yalnızca daha kısa hiper vektörlerin en yakın dalga boylarına karşılık gelen daha uzun hiper vektörlerin değerlerini tutarak yapılır.
      1. Kod otomatik olarak eşitleme gerçekleştirir. Başvurular hiperkubeler içinde seçilmişse, dalga boyu aralığının ve spektral çözünürlüğün eşitleştirilmesi gerekmez ve değişmeden kalırlar.
   6. İsterseniz, özel kodu çalıştırarak örneklerin yüzeyi üzerindeki başvuruların konumunu bir resim kümesinde saklayın (pratik ayrıntılar için adım 1.4.7'ye bakın).
      NOT: Bu seçenek yalnızca başvurular hiperkübeler içinde seçilmişse kullanılabilir (adım 3.2.1 ve 3.2.2).

4. SAM analizi

1. Benzerlik eşlemelerini değerlendirmek için SAM_Complete kodunu çalıştırın. Terminal penceresine aşağıdaki komut satırını (noktalı virgül dahil) yazın ve kodu çalıştırmak için Enter tuşuna basın:
   SAM_Complete(HS_ImageList, HS_DataList, References_Matrix);
   1. Üç giriş vardır (hiperspektral kamera tarafından döndürülen görüntüleri içeren liste, HS_ImageList; hiperkubes, HS_DataList içeren dosyaların listesi; ve referans matrisi, References_Matrix veya ExtReferences_Matrix) ve çıktı yoktur (kod SAM eşlemelerini geçerli çalışma klasöründe .png dosyaları olarak kaydeder).
      NOT: Açıklanan üç giriş değişkeni dışında, analiz protokolünü kullanıcının tercihlerine göre uyarlamak için SAM_complete kodu birkaç ek parametreyle beslenmelidir (sonraki adımlara bakın).
2. Gerektiğinde, istediğiniz ön işleme işlemine bağlı olarak iletişim kutusuna 0 veya 1 sayısını yazarak kodu ön işleme seçeneğiyle besleyin ve devam etmek için Enter tuşuna basın.
   1. Ön işleme seçeneği 0 olarak ayarlanır: her yansıtma spektrumu tarafından alt edilen alan 1 olarak normalleştirilir.
   2. Ön işleme seçeneği 1 olarak ayarlanır: her yansıtma spektrumu tarafından alt edilen alan 1 olarak normalleştirilir ve daha sonra normalleştirilmiş spektrum bir kez türetilir.
      NOT: Hem hiperkubes hem de başvurular aynı ön işleme seçeneğinden geçer.
3. Kodu istenen spektruma karşılık gelen sütunların numaralarıyla besleyerek referans matrisi arasında SAM analizi için kullanılacak son üyeleri seçin. Gerektiğinde, sayıları beyaz bir boşlukla ayırarak istediğiniz sütunlara karşılık gelen sayıların sırasını iletişim kutusuna girin. Devam etmek için Enter tuşuna basın.
   NOT: [1 2 3] dizisi, referans matrisinin ilk üç sütununun seçimine karşılık gelir; boş bir vektör, başvuru matrisinin tüm sütunlarının seçimine karşılık gelir.
4. Kodu, kaydedilecek eşleme kümelerini tanımlayacak adın ilk bölümünü içeren bir dizeyle besleyin (örneğin, SAM_Complete tarafından döndürülen .png dosyalarının adının ortak bölümü). Gerektiğinde, dizeyi iletişim kutusuna ekleyin. Devam etmek için Enter tuşuna basın.
   NOT: Kullanıcı test türüne sahipse, tüm çıktı .png görüntülerin adı testle başlar.
5. Gerektiğinde, istediğiniz tanıtıcı yöntemine bağlı olarak iletişim kutusuna 0, 1 veya 2 sayısını yazarak verileri işlemek için seçilen yöntemle kodu besleyin ve devam etmek için Enter tuşuna basın.
   1. Verilerin hiçbir şekilde manipüle olmaması için yöntemi 0 olarak ayarlayın.
   2. Analize başlamadan önce dikkate alınacak spektrumların dalga boyu aralıklarının manuel olarak seçilmesini gerektirecek şekilde yöntemi 1 olarak ayarlayın (Şekil 6).
   3. SAM eşlemelerinin değerlendirilmesinden önce algoritmanın verileri belirli bir ölçüte göre sıralamasını gerektirmek için yöntemi 2 olarak ayarlayın (Şekil 7).
6. Protokolün verileri işlemesini ve SAM eşlemelerini geçerli çalışma klasörüne .png dosyaları olarak kaydetmesini bekleyin.
   NOT: Tanıtıcı yöntemi 0 veya 2 olarak ayarlanmışsa, kullanıcının beklemesi gerekir. 1 olarak ayarlanmışsa, kullanıcı etkileşimli bir pencereye tıklayarak SAM haritalarını değerlendirmek için kullanılacak spektrumların bölümlerini seçmelidir (Şekil 6).

Sonuçlar

Önerilen protokol, HRI verilerinin yönetimi ve analizi için bir dizi ilginç özellik sunar. Ham verilerin I/O'su (adım 3.1) her zaman herhangi bir analiz yöntemi uygulanmadan önce çözülmesi gereken ilk sorundur ve büyük miktarda veriyle uğraşırken kritik bir sorun haline gelebilir. Mevcut durumda, ham verilerle ilgili tek görev, deneysel sonuçları ayrılmış bir klasörde depolamak ve okuma kodunu çalıştırırken sabit diske göz atarak seçmektir (adım 3.1.1). Bundan sonra, kırpma ve RGB yeniden ...

Tartışmalar

Hiperspektral yansıtma görüntüleme veri kümeleri büyük bilgi rezervuarlarıdır; bu nedenle, verileri analiz etmek için sağlam ve muhtemelen otomatik protokollerin geliştirilmesi, potansiyellerinden yararlanmak için önemli bir ^{dönüştür15,17}. Önerilen algoritma, kültürel miras alanındaki bu ihtİyara, resim pigmentlerinin karakterizasyonuna özellikle dikkat şekilde cevap verir. ^{SAM20,21'e<...}

Malzemeler

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