Att. 6.2 Sviluppo di un dimostratore per l’analisi dei pigmenti
è stato implementato il software per l’analisi dei pigmenti il cui nucleo centrale è costituito dal Self-Organizing Map (SOM). Il suo algoritmo riesce a classificare un oggetto semplicemente calcolando la distanza con i neuroni e individuando quello a distanza minima come neurone vincente. Individuato il BMU (best matching unit) ad esso viene associato il dato d’ingresso, mentre i pesi sinaptici dei neuroni della rete vengono aggiornati da un algoritmo di apprendimento, il quale rafforza il legame con i neuroni vicini ed inibisce il legame con i neuroni lontani. Dopo l’apprendimento, la rete SOM classifica automaticamente i dati in ingresso in modo da associare i dati simili allo stesso neurone, o a neuroni vicini, mentre i dati del tutto diversi li associa a neuroni molto distanti tra loro.
Il software è stato testato sulla tavola pittorica relativa al Ritratto di Lionello d’Este attraverso uno scanner multispettrale, realizzato nell’ambito del progetto SIDART, il quale è basato su uno spettrofotometro veloce non a contatto a geometria 45°/0°.
Per ciascun canale, la tavola è stata suddivisa in 5 step differenti in modo che ogni immagine, relativa a ciascuno step, sia in parte sovrapponibile a quella dello step precedente o successivo. A partire da queste ed attraverso un algoritmo, che utilizza la Zero mean Normalized Cross-Correlation function (ZNCC) è previsto di ottenere un’unica immagine priva di zone ripetute. Ottenute le immagini per ciascun canale, queste saranno registrate affinché sia assicurata la corretta sovrapposizione di tutte le immagini relative a ciascuna banda.
Nel caso del Ritratto di Lionello, il numero dei dati da analizzare è molto vasto, ciò ha indotto ad implementare l’utilizzo della PCA, Principal Component Analisis, la quale permette la riduzione del numero di variabili in gioco. Infatti, ogni canale acquisito fornisce una matrice 1067x689, per cui il totale dei dati da analizzare è dato da una matrice n-dimensionale, dove n corrisponde al numero di bande utilizzate.
I dati così ridotti sono prima analizzati dal Self-Organizing Map ed in seguito è ricostruita la matrice, in modo da ottenere una visione bidimensionale dei dati multispettrali e consentire una facile individuazione visuale dei pigmenti simili.