Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Jri:
Presidente: Prof. Doutor Pedro Manuel Corra Calvente Barahona
Arguente: Prof. Doutor Pedro Miguel Torres Mendes Jorge
Vogal: Prof. Doutor Nuno Manuel Robalo Correia
Novembro, 2012
iii
Copyright
c Pedro Filipe Marques de Almeida, Faculdade de Cincias e Tecnologia,
Universidade Nova de Lisboa
Durante o perodo em que a dissertao foi realizada vrios elementos, quer institu-
cionais quer individuais, contriburam para o seu sucesso, tendo representado uma ajuda
preciosa. Na vida deparamo-nos com inmeras dificuldades, contudo com muito esforo
e dedicao consegue-se ultrapassar essas dificuldades. Felizmente ao longo da disser-
tao surgiram ajudas muito teis e as quais ficaro para sempre. Gostaria assim de
expressar os meus sinceros agradecimentos:
Ao meu orientador, Rui Jesus, pelo tempo disponibilizado, pelo seu conhecimento
e pelo seu gosto em ajudar.
professora Maria Joo Melo, pela simpatia e motivao para chegar mais alm;
Exma. Isabel Carlos, directora do Centro de Arte Moderna, e Dra. Ana Vascon-
celos, curadora do Centro de Arte Moderna da Fundao Calouste Gulbenkian.
vii
viii
Aos meus colegas de curso, Nuno Grade, Ana Fernandes, Srgio Silva, Andr Simes
pelo suporte dado ao longo da elaborao da dissertao.
minha namorada Nicole Silva, por todo o apoio, fora, carinho, dedicao e
pacincia reveladas ao longo de todo o desenvolvimento.
ix
x
Abstract
Traditionally, the analysis of works of art was made only by historians and other
experts, which is a long and complicated process, requiring the analysis of several evi-
dences. Among these evidences are the analysis of the painters brushstroke, the analysis
of painters signature and the analysis of the materials used. With the development of
techniques for image and signal processing and analysis it was found that they could
support the historians in the analysis of works of art, helping to solve many of the un-
knowns of which still exist about some painters. Some museums have decided to create
digital repositories from their collection so that researchers can work in these documents,
thus avoiding physical contact with the work of art.
Among those interested in this kind of tools are the museums and police departments.
The museums want to authenticate and restore all their works of art. Police departments
that fight smuggling and forgery of works of art are also interested because it would
allow to validate the authenticity of confiscated works more quickly.
This work considered two main phases, focusing on the works of painter Amadeo
de Souza-Cardoso. In a first phase the signatures were analysed, by the application of
image processing and pattern recognition techniques, in order to verify the authenticity
and atribution as well as to group similar signatures. The second phase was directed
to the analysis of materials used in paintings starting from hyperspectral images of the
paintings.
xi
xii
Contedo
1 Introduo 1
1.1 Motivao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Descrio e Objectivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Soluo Apresentada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Principais Contribuies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.5 Estrutura do Documento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Trabalho Relacionado 7
2.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Extraco de Caractersticas . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.1 SIFT Scale Invariant Feature Transform . . . . . . . . . . . . . . . 8
2.2.2 Gabor Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.3 Bag-of-Features . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Anlise Computacional de Obras de Arte . . . . . . . . . . . . . . . . . . . 11
2.3.1 Tcnica de Extraco da Orientao Dominante . . . . . . . . . . . 11
2.3.2 Classificao de Pinturas utilizando Caractersticas Locais e Globais 12
2.3.3 Autenticidade de Pinturas Baseada na Utilizao de Wavelets . . . 14
2.4 Anlise de Assinaturas Digitais . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4.1 Autenticao Baseada nas Caractersticas Geomtricas das Assina-
turas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4.2 Autenticao de Texto Utilizando Caractersticas de Textura . . . . 21
2.4.3 Identificao de Assinaturas Utilizando Pontos de Interesse . . . . 22
2.4.4 Classificao de Assinaturas atravs de SVMs . . . . . . . . . . . . 23
2.5 Aquisio e Anlise de Imagens Hiperespectrais . . . . . . . . . . . . . . . 25
2.5.1 Aquisio de Imagens Hiperespectrais . . . . . . . . . . . . . . . . . 25
2.5.2 Objectivos para Visualizao de Imagens Hiperespectrais . . . . . . 26
2.5.3 Visualizao de Imagens Hiperespectrais Atravs do Mapeamento
de Trs Comprimentos de Onda . . . . . . . . . . . . . . . . . . . . 27
xiii
xiv CONTEDO
4 Resultados 71
4.1 Resultados da Anlise de Assinaturas . . . . . . . . . . . . . . . . . . . . . 71
4.1.1 Identificao de Perodos Artsticos . . . . . . . . . . . . . . . . . . 71
4.1.2 Classificao de Pinturas Baseada em Caractersticas das Assinaturas 73
4.2 Classificao de Pinturas Baseada em Caractersticas de Pincelada . . . . . 78
4.3 Resultados do Mapeamento de Materiais . . . . . . . . . . . . . . . . . . . 79
4.3.1 Mapeamento de Materiais atravs de Classificao Supervisionada 80
4.3.2 Mapeamento de Materiais atravs de Classificao No-Supervisionada 83
4.3.3 Resultados do Mapeamento de Materiais atravs de Classificao
com Base de Dados Externa . . . . . . . . . . . . . . . . . . . . . . . 84
4.4 Classificao de Pinturas Baseada em Diferentes Tipos de Anlise . . . . . 91
4.4.1 Atribuio de Pinturas . . . . . . . . . . . . . . . . . . . . . . . . . . 91
CONTEDO xv
6 Apndice 111
6.1 Lista de Elementos Qumicos Materiais Puros . . . . . . . . . . . . . . . . . 111
xvi CONTEDO
Lista de Figuras
xvii
xviii LISTA DE FIGURAS
2.20 Imagens pseudo-cor obtidas atravs do mapeamento directo dos scores nos
canais (R, G, B). (a) (P1, P2, P3) (b) (P2, P2, P3)[TKDO03]. . . . . . . . . . . 29
2.21 Classificao de uma imagem hiperspectral com a respectiva legenda de
cores [GBHD04]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.22 (a) A vermelho os pixels classificados como lapis lazuli (configurao VIS
+ UV). (b) A vermelho os pixels classificados como lead-tin yellow e lead
white. (c) Exemplo de espectros adquiridos com cada um dos instrumentos
[PDMDRP08]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.23 (Esquerda) Imagem da pintura Harlequin Musician. (Centro-Esquerda) Cubo
hiperespectral e clustering de pixels. (Centro-Direita) Espectro dos materi-
ais que constituem a base de dados. (Direita) Mapeamento dos materiais.
[DZT+ 10] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.24 (A) Imagem de luminescncia infravermelhos. (B) Mapeamento dos espec-
tros de emisso primrios. (C) Imagem da pintura Harlequin Musician. (D)
Mapeamento dos espectros de referncia que so luminescentes no cubo
hiperespectral. Em baixo, os espectros obtidos utilizando Luminescence
Imaging Spectroscopy e Hyperspectral Camera [DZT+ 10]. . . . . . . . . . 36
xxi
xxii LISTA DE TABELAS
A vida de cada pintor continua a ser uma incgnita para cada historiador de arte, ha-
vendo um grande interesse em descobrir alguns dos segredos mais bem guardados. As
ferramentas de processamento de imagem podem ser uma soluo para muitos dos pro-
blemas dos historiadores.
1.1 Motivao
Na primeira dcada do sculo XXI surgiram inmeras tcnicas de anlise e processa-
mento de imagem e tambm novas formas de analisar sinais complexos. O incremento
do poder computacional fez com que surgissem novas tcnicas, mais complexas e pre-
cisas, de analisar imagens digitais. Inmeras reas, desde a medicina histria de arte
viram neste facto uma oportunidade para aplicarem algum desse conhecimento nos seus
mtodos. Ao nvel da histria de arte, tcnicas como o reconhecimento automtico de
padres em imagens digitais, desenvolvidas nos ltimos anos, podem ser aplicadas a
imagens de obras de arte com o objectivo de validar a sua autenticidade e auxiliar na
sua conservao. O desenvolvimento tecnolgico tambm contribuiu para o surgimento
de cmaras hiperespectrais, capazes de captar dados como a luz reflectida num objecto
numa determinada gama de frequncias, podendo constituir uma importante fonte de in-
formao. Esta tecnologia tem sido utilizada ao longo dos anos para captao e posterior
anlise de imagens de terreno atravs de imagens de satlite. Contudo, comeam a sur-
gir aplicaes deste tipo de tcnicas na rea da histria de arte, nomeadamente ao nvel
da anlise de materiais utilizados na pintura. As imagens de satlite permitem identi-
ficar sobretudo zonas com determinados materiais ou com a presena de determinadas
espcies de rvores e minerais. No caso de uma imagem hiperespectral de uma pintura,
1
1. I NTRODUO 1.2. Descrio e Objectivos
a sua anlise pode permitir identificar os materiais utilizados pelo pintor. Assim, tanto
o reconhecimento de padres em imagens digitais como a anlise de materiais podero
fornecer informaes importantes acerca de um pintor e da poca em que este viveu.
O processo de anlise de obras de arte poder obter benefcios com a incluso de algu-
mas tcnicas de processamento de imagem como auxlio aos historiadores no processo de
anlise. Processos como a anlise de autenticao de uma pintura, anlise de atribuio
de autor de uma pintura, anlise dos materiais utilizados na mesma, anlise de zonas da
pintura com materiais semelhantes podem ser agilizados, recorrendo deste modo a um
conjunto de ferramentas construdas para o efeito.
4. Anlise dos materiais utilizados nas pinturas atravs do estudo de imagens hipe-
respectrais captadas em vrias pinturas do pintor em anlise. Esta anlise permitir
tambm efectuar a verificao de autenticidade e atribuio de pinturas.
2
1. I NTRODUO 1.3. Soluo Apresentada
3
1. I NTRODUO 1.4. Principais Contribuies
4
1. I NTRODUO 1.5. Estrutura do Documento
4. Resultados: Este captulo descreve a forma como as diferentes tcnicas foram avali-
adas e os respectivos resultados da avaliao de cada uma delas de modo a mostrar
a sua robustez e eficcia.
5
1. I NTRODUO 1.5. Estrutura do Documento
6
2
Trabalho Relacionado
2.1 Introduo
Este captulo apresenta trabalhos realizados na anlise de obras de arte que utilizam tc-
nicas de reconhecimento de padres. O desenvolvimento da dissertao incidiu numa
primeira fase sobre reconhecimento de padres em imagens digitais, processo que efec-
tuado em duas fases principais. Primeiro feita a extraco de informao a partir da
imagem digital RGB. Essa informao pode ser baseada na cor ou na textura da imagem.
A seco "Extraco de Caractersticas" descreve algumas das tcnicas computacionais
que permitem tanto a extraco de caractersticas em imagens como a organizao das
mesmas para futura classificao baseada em padres semelhantes. Em segundo lugar,
surge a classificao com vista ao reconhecimento de padres semelhantes ao longo das
imagens. Assim, a cada imagem de entrada do algoritmo atribuda uma etiqueta de
acordo com a construo do classificador. A seco "Anlise Computacional de Obras
de Arte" descreve alguns dos mtodos de classificao existentes aplicados na rea da
anlise de obras de arte. A seco "Anlise de Assinaturas Digitais" foca algumas das ca-
ractersticas especficas extradas para a anlise de assinaturas incidindo principalmente
nos mtodos de classificao de assinaturas.
Alm da anlise de imagens digitais RGB, o desenvolvimento da dissertao incidiu
tambm sobre a anlise de imagens hiperespectrais. A quarta seco designada "Aquisi-
o e Anlise de Imagens Hiperespectrais" aborda a anlise de imagens hipersespectrais,
descrevendo como estas so adquiridas. A seco "Anlise de Imagens Hiperespectrais
7
2. T RABALHO R ELACIONADO 2.2. Extraco de Caractersticas
em Obras de Arte" apresenta alguns dos trabalhos de investigao que efectuaram an-
lise de materiais em obras de arte a partir de imagens hiperespectrais, tentando utilizar
vrios tipos de informao.
Por fim, a ltima seco apresenta uma discusso sobre os trabalhos analisados, fa-
zendo a respectiva ligao com os problemas que se pretendem resolver com o desenvol-
vimento da dissertao.
Este mtodo foi proposto por David Lowe1 [Low04], sendo um dos mais utilizados ac-
tualmente por vrios sistemas de reconhecimento de objectos a partir de um conjunto
de caractersticas (features). O mtodo detecta um conjunto de pontos de interesse numa
imagem, sendo esses pontos de interesse organizados em vectores de caractersticas.
As localizaes dos pontos de interesse candidatos so obtidas como mximos e m-
nimos do resultado de aplicao de funes Gaussian em vrias escalas. Aps obtidas as
localizaes, aplicado um modelo a cada ponto de interesse de modo a seleccionar os
pontos de interesse de acordo com a sua estabilidade, por exemplo, pontos com pouco
contraste devem ser rejeitados (so mais sensveis ao rudo). Baseado nos gradientes lo-
cais atribui-se uma ou mais orientaes a cada ponto de interesse (ver figura 2.1). Estes
pontos de interesse so representados sob a forma de um descritor e agrupados no con-
junto de descritores de uma imagem.
8
2. T RABALHO R ELACIONADO 2.2. Extraco de Caractersticas
Figura 2.2: Visualizao de caractersticas extradas utilizando o Gabor Filter [PD05] (a)
imagem digital, (b) Aplicao de um filtro de Gabor.
9
2. T RABALHO R ELACIONADO 2.2. Extraco de Caractersticas
normalizadas de certa forma, podem ser usadas como uma wavelet "me" para gerar
uma famlia de Gabor Wavelets no ortogonais. Estas surgiram pelo facto de alguns neu-
rologistas sugerirem que a estrutura espacial das clulas receptivas do crtex visual com
diferentes tamanhos so virtualmente invariantes. Assim, Tai Sing Lee [Lee96] props
que estas clulas eram melhor modeladas como uma famlia de Gabor Wavelets 2D amos-
trando no domnio da frequncia na forma log-polar. Os autores de [FRDF01] utilizam
como representao para as Gabor Wavelets um banco de filtros de Gabor normalizados
para se obter respostas iguais a 0 e desenhados para diminuir a redundncia na repre-
sentao.
Ao longo dos anos este mtodo tem sido muito utilizado para extraco de caracters-
ticas, sendo um dos principais mtodos utilizados na anlise de obras de arte. A utiliza-
o do banco de filtros de Gabor e das Gabor Wavelets pretende capturar as orientaes
principais da pincelada, identificando assim a pincelada caracterstica de cada pintor. O
trabalho apresentado em [BPvdH09] utiliza um banco de filtros de Gabor circular com
o intuito de captar a orientao dominante da pincelada. A extraco de caractersticas
neste caso traduz-se nos contornos captados, sendo depois estes processados de modo
a encontrar a pincelada dominante. Outro dos casos onde surgem os filtros de Gabor
no trabalho apresentado em [She09]. Neste trabalho so extrados vrios conjuntos de
caractersticas, incluindo caractersticas de textura que so obtidas atravs da aplicao
de um filtro de Gabor. Num dos principais trabalhos realizados sobre a obra de Van
Gogh, a extraco de caractersticas foi efectuada utilizando Gabor Wavelets de modo a
captar as pinceladas mais hesitantes, sugerindo que este tipo de caractersticas poderia
ser representativo de falsificaes. Alm da utilizao de Gabor Wavelets, foram tambm
utilizadas Complex Wavelets, uma aproximao mais simplificada das Gabor Wavelets,
de modo a captar as diversas escalas onde determinados pormenores da pintura se des-
tacam [JHB+ 08].
2.2.3 Bag-of-Features
10
2. T RABALHO R ELACIONADO 2.3. Anlise Computacional de Obras de Arte
Figura 2.3: Exemplo de construo do histograma que representa uma imagem [FFLT].
11
2. T RABALHO R ELACIONADO 2.3. Anlise Computacional de Obras de Arte
Figura 2.4: Fase de filtragem (a, b). Fase de extraco da orientao (c, d, e) [BPvdH09].
Esta tcnica foi validada atravs de duas abordagens: comparao com os resulta-
dos obtidos por humanos e comparao com outras tcnicas existentes no estado da arte.
Atravs da comparao cruzada entre a POET e os vrios peritos, concluiu-se que os
resultados obtidos computacionalmente esto de acordo com a maioria dos resultados
apresentados pelos peritos. Esta tcnica foi tambm comparada com outras duas tcni-
cas: os filtros adaptveis de escala nica (single-scale steerable filters [FA91], SF, designao
inglesa) e a anlise dos componentes principais multi-escala (multi-scale principal compo-
nents analysis [FM02], MS-PCA). Os resultados obtidos com a POET foram significativa-
mente melhores do que os resultados obtidos com as restantes tcnicas, concluindo-se
assim uma tcnica atractiva e eficaz para estimar a orientao predominante da pince-
lada em imagens digitais.
12
2. T RABALHO R ELACIONADO 2.3. Anlise Computacional de Obras de Arte
Para classificar as pinturas em [She09], foi construda uma infraestrutura com duas gran-
des camadas: uma contendo os classificadores de caractersticas locais e globais, sendo
estes baseados numa rede neuronal com uma funo de base radial (radial basis function,
RBF) e outra camada contendo uma fuso de esquemas de classificao de pontuao
(score) baseados em regresso linear.
O classificador (ver figura 2.5) baseado na rede neuronal RBF foi criado, contendo trs
camadas: a camada de entrada de dados, a camada oculta e a camada de sada de dados.
As caractersticas individuais so extradas e o classificador construdo com base em
cada caracterstica. Para cada vector de caractersticas que entra na rede neuronal, uma
pontuao calculada.
13
2. T RABALHO R ELACIONADO 2.3. Anlise Computacional de Obras de Arte
este esquema obtm-se uma medida de verosimilhana entre a palavra de cdigo que
representa cada artista e um vector de caractersticas.
Diferentes conjuntos de caractersticas tm diferentes graus de importncia no clculo
da pontuao de uma determinada imagem. O esquema de fuso das pontuaes di-
vidido em duas camadas: uma camada de propagao das redes, combinando os dados
de sada de cada um dos classificadores; e uma camada com uma funo de propagao
(neste caso utilizou-se regresso linear) para combinar as pontuaes mais relevantes ob-
tidas na camada anterior e produzir a etiqueta final de uma pintura, indicando o artista
que a pintou.
Este trabalho foi validado atravs da comparao do seu desempenho com o desempe-
nho de outras tcnicas. Resultados dessas comparaes relatados em [She09] mostram
que a taxa de acerto para a tcnica construda foi de 69.7%, corroborando assim a efici-
ncia da tcnica face s taxas de acerto obtidas com outras tcnicas j implementadas e
que revelaram percentagens obtidas inferiores a 55%. Outro dos aspectos importantes na
validao da tcnica foi identificar quais os tipos de caractersticas que conduziam a um
melhor desempenho do sistema, verificando-se que uma combinao das caractersticas
globais com as caractersticas locais (taxa de acerto obtida de 69.7%) era a melhor con-
figurao do sistema invs de uma configurao com apenas um tipo de caractersticas
(taxas de acerto de 60.3% e 58.7% para a configurao apenas com caractersticas locais
ou globais, respectivamente).
14
2. T RABALHO R ELACIONADO 2.3. Anlise Computacional de Obras de Arte
pincis utilizados em cada pintura atravs das marcas que estes deixaram na mesma.
A fluidez da tinta tambm um dos passos tidos em conta na anlise pois de facto
importante analisar o impacto visual dos materiais de pintura utilizados.
Na sequncia dos passos anteriores, tambm realizada a anlise da qualidade do
leo e das tintas utilizadas na pintura de modo a identificar por exemplo de onde so
provenientes os materiais ou onde foram fabricados. Por fim, o ltimo passo a ter em
conta na anlise a anlise da superfcie onde a pintura se encontra, mais propriamente
a tela em si. Isto porque por vezes as pinceladas so efectuadas sobre uma tela seca,
outras sobre um tela humedecida ou at sobre figuras j pintadas na mesma tela.
Em [JHB+ 08] descrito o trabalho de trs grupos de investigadores com vista veri-
ficao de autenticidade de obras de arte tendo em conta o conjunto de indicaes apre-
sentado anteriormente. Ambos os grupos desenvolveram tcnicas utilizando o mesmo
conjunto de dados, 101 imagens de pinturas de Van Gogh e possveis falsificaes. Cada
grupo incidiu a sua investigao num tipo de wavelets diferente (ver figura 2.6).
Figura 2.6: Wavelet Templates utilizados por cada grupo de investigao [JHB+ 08].
15
2. T RABALHO R ELACIONADO 2.3. Anlise Computacional de Obras de Arte
Este grupo (oriundo de Princeton) decidiu utilizar apenas 76 imagens do total disponibi-
lizadas, sendo 65 de Van Gogh, seis de outros artistas e cinco atribudas a Van Gogh, mas
que no foram definitivamente confirmadas [JHB+ 08].
Extraco das Caractersticas Tambm neste caso as imagens foram divididas em pat-
ches de 512 x 512 pixels. Para cada patch, os coeficientes de wavelet (ver figura 2.6, (b))
so modulados por uma Hidden Markov Tree (HMT). Neste modelo, cada coeficiente
associado a um estado oculto, tendo um de dois valores, contorno ou no contorno, in-
dicando se o coeficiente do wavelet template se sobrepe a um contorno na imagem. Isto
permitiu definir uma matriz de transies entre os estados ocultos, obtendo-se depois um
16
2. T RABALHO R ELACIONADO 2.3. Anlise Computacional de Obras de Arte
conjunto de vectores designados por vectores m-similaridade sobre os quais ser poss-
vel calcular a semelhana entre duas imagens. As 108 caractersticas extradas segundo
o modelo anterior foram ordenadas e numeradas de acordo com a sua eficcia em dis-
tinguir patches provenientes das obras de Van Gogh e no Van Gogh. Verificou-se que
as caractersticas que dominavam a ordenao permitiam identificar as escalas a que a
informao detalhada se reala. Estas escalas caractersticas acabam por ser diferentes
para diferentes orientaes, parecendo ser uma caracterstica do estilo de Van Gogh.
Este grupo, designado por Maastricht Group, guiou-se por trs princpios bsicos: (1) os
contornos so importantes, (2) as imagens devem ser analisadas a vrias escalas, e (3)
as semelhanas entre as imagens so reflectidas na textura local (padro da pincelada)
[JHB+ 08].
17
2. T RABALHO R ELACIONADO 2.3. Anlise Computacional de Obras de Arte
Para tornar este processo (descrito em [JHB+ 08]) mais rigoroso, construiu-se uma re-
presentao mais detalhada das imagens atravs da criao de um histograma multi-
dimensional que captura a informao de configurao das frequncias espaciais e ori-
entaes num nico patch. Utilizando estes histogramas para as pinturas, este grupo
incluiu na sua anlise um modelo para efectuar classificao automtica com auxlio de
Support Vector Machines (SVM) [MMR+ 01]. Este requeria um conjunto de vectores de
entrada e as respectivas labels representando as suas classes. Os vectores de entrada so
assim os vectores multi-dimensionais enquanto que as labels representam a autenticidade
dos quadros, Van Gogh e no Van Gogh. A seguir, foi efectuada uma validao cruzada
leaving-one-out para treinar o desempenho geral da SVM construda com as 101 pinturas
disponibilizadas.
18
2. T RABALHO R ELACIONADO 2.4. Anlise de Assinaturas Digitais
19
2. T RABALHO R ELACIONADO 2.4. Anlise de Assinaturas Digitais
20
2. T RABALHO R ELACIONADO 2.4. Anlise de Assinaturas Digitais
21
2. T RABALHO R ELACIONADO 2.4. Anlise de Assinaturas Digitais
Depois de extrados os descritores utilizando o mtodo SIFT (ver figura 2.12), procede-
se aplicao do mtodo L&R referido anteriormente para matching de pares de assina-
turas. Um dos problemas na autenticao de assinaturas a distoro no linear nas
imagens das assinaturas, o que afecta razoavelmente o processo de matching. Contudo
este mtodo suficientemente robusto quanto a isso, podendo verificar-se isso pela ima-
gem 2.13 que apresenta o matching entre pares de assinaturas.
22
2. T RABALHO R ELACIONADO 2.4. Anlise de Assinaturas Digitais
23
2. T RABALHO R ELACIONADO 2.4. Anlise de Assinaturas Digitais
Figura 2.14: Extraco de caractersticas: (a) pr-processamento (b) altura (c) histograma
vertical mximo (d) histograma horizontal mximo (e) centro horizontal (f) centro verti-
cal (g) nmero local horizontal mximo (h) nmero local vertical mximo (i) pontos de
contorno (j) caractersticas de grelha [OSK05].
24
2. T RABALHO R ELACIONADO 2.5. Aquisio e Anlise de Imagens Hiperespectrais
SVMs permitiu obter melhores resultados do que a classificao com HMM, revelando
assim que esta poder ser uma tcnica promissora para revolver alguns dos problemas
de autenticao de assinaturas.
Por fim, importa ainda realar um outro trabalho de investigao [KY05] onde a ve-
rificao de autenticidade de assinaturas efectuada no s recorrendo a SVMs, mas
combinando estas com um classificador Nave Bayes e um classificador linear usado em
conjuno com o mtodo Principal Component Analysis (PCA) [Pea01].
25
2. T RABALHO R ELACIONADO 2.5. Aquisio e Anlise de Imagens Hiperespectrais
Figura 2.17: Esquema do sistema de captao de dados. (c1) controlo digital do filtro, (c2)
controlo analgico do filtro (c3) controlo do shutter e tempo de exposio (c4) sinal digital
da imagem [dAeTdC04].
26
2. T RABALHO R ELACIONADO 2.5. Aquisio e Anlise de Imagens Hiperespectrais
7. Igual peso dos comprimentos de onda: todos os comprimentos de onde devem ter
igual peso na visualizao, funcionando assim o mtodo para qualquer nmero de
bandas e sendo independente do intervalo de frequncias.
27
2. T RABALHO R ELACIONADO 2.5. Aquisio e Anlise de Imagens Hiperespectrais
Apesar do mtodo anteriormente descrito ser utilizado em situaes pontuais para iden-
tificar a presena de determinados elementos numa imagem hiperespectral, existem al-
guns mtodos mais complexos para efectuar uma anlise visual do contedo de uma
imagem hiperespectral. O mtodo Principal Components Analysis (PCA) [Pea01] tem
sido aplicado ao longo dos anos na anlise de imagens hiperespectrais. O PCA efec-
tivo a comprimir informao em conjuntos de dados multivariados atravs do clculo
das projeces ortogonais que maximizam a quantidade de varincia dos dados. tipi-
camente efectuado atravs da decomposio dos vectores prprios da matriz de covari-
ncia da dimenso espectral no cubo hiperespectral. No caso de imagens hiperespectrais,
este mtodo utilizado para condensar a informao de um espectro num conjunto mais
pequeno de variveis.
Figura 2.19: Aplicao de diferentes algoritmos a imagens hiperespectrais (a) PCA, CLS
and MCR-ALS [JAMB08].
28
2. T RABALHO R ELACIONADO 2.5. Aquisio e Anlise de Imagens Hiperespectrais
X = TPT + E (2.1)
Figura 2.20: Imagens pseudo-cor obtidas atravs do mapeamento directo dos scores nos
canais (R, G, B). (a) (P1, P2, P3) (b) (P2, P2, P3)[TKDO03].
29
2. T RABALHO R ELACIONADO 2.5. Aquisio e Anlise de Imagens Hiperespectrais
30
2. T RABALHO R ELACIONADO 2.5. Aquisio e Anlise de Imagens Hiperespectrais
31
2. T RABALHO R ELACIONADO 2.6. Anlise de Imagens Hiperespectrais em Obras de Arte
Para construir uma representao visual consistente basta apenas associar uma cor a
cada um dos espectros de referncia, sendo depois cada pixel representado pela cor do
material a que foi atribudo. Um exemplo disso a figura 2.21.
O mapeamento de materiais numa determinada cena pode ser efectuado de uma forma
mais automtica face ao mtodo anterior, designando-se assim por classificao no-
supervisionada. No mtodo anterior, o utilizador deve fornecer um conjunto de espectros
de referncia de modo a construir uma base de dados para treino do classificador. Neste
caso, a classificao segue um processo mais automtico, no sendo necessrio construir
uma base de dados para treino. O agrupamento de pixels com o mesmo material feito
recorrendo a alguns dos mtodos de clustering como o caso do K-Means. O K-Means
um mtodo para agrupamento de dados, sendo normalmente a distncia Euclidiana a
principal mtrica utilizada para agrupar dados semelhantes. Nos trabalhos descritos em
[SMG99, SR02], o K-Means foi combinado com o Spectral Angle Mapper devido ao seu
elevado desempenho em identificar espectros com caractersticas semelhantes.
O K-Means associado ao SAM tem revelado resultados positivos, contudo existem
dois problemas inerentes ao mesmo. Em primeiro lugar, surge o problema da definio
do nmero de clusters para a anlise de uma determinada cena, sendo o nmero de clus-
ters fundamental pois representa o nmero de materiais a mapear. Em segundo lugar, no
existe forma a priori de identificar que material ir ser mapeado em cada um dos clusters.
Para resolver este problema, o trabalho descrito em [SMG99] efectuou uma projeco de
cada cluster num conjunto de espectros de referncia. Ou seja, definiu-se um conjunto
de espectros de referncia, efectuou-se o clustering com um determinado nmero de clus-
ters (nmero de clusters elevado permite uma melhor eficincia) e por fim, para cada um
dos clusters, identificou-se o espectro de referncia mais semelhante (utilizando o SAM),
sendo esse o material que o cluster representa. Este mtodo pode ser utilizado com vista
a mapeamento automtico de materiais, contudo devido aos problemas decorrentes do
mtodo para fins de visualizao este acaba por se tornar menos automtico.
32
2. T RABALHO R ELACIONADO 2.6. Anlise de Imagens Hiperespectrais em Obras de Arte
saber que problemas o restaurador vai encontrar, aplicando-se a mesma ideia validao
de autenticidade. Para identificao dos materiais numa pintura o mtodo mais popular
a anlise de micro-amostras da camada da pintura. Contudo existe o problema deste
ser um mtodo invasivo e da anlise ser apenas num ponto especfico, no sendo gene-
ralizada para a sua vizinhana. Para colmatar estes problemas existe um conjunto de
alternativas no invasivas, tal como a anlise com raios-X de fluorescncia (XRF), as c-
maras hiperespectrais ou a espectroscopia Raman. A ideia base destes mtodos o facto
de inferirem dados da imagem explorando o facto dos materiais reflectirem, absorve-
rem e emitirem radiao electromagntica que depende directamente da sua composio
molecular.
O trabalho apresentado em [PDMDRP08] tira partido de alguns dos mtodos no
invasivos. O objectivo principal do trabalho era efectuar o clustering de pixels que apre-
sentassem semelhanas a nvel da reflectncia, da absoro e da emisso de radiao elec-
tromagntica. Na prtica, o pretendido seria distinguir pixels com a mesma informao
espectral, o que significa materiais semelhantes. Destacando assim materiais semelhan-
tes poderia realar reas onde houve um retoque da pintura ou reas com o material
original. Um dos pontos a destacar no trabalho referenciado o facto do algoritmo cons-
trudo aceitar trs tipos de dados captados com instrumentos diferentes: (1) reflectncia
visual, adquirida entre 400 e 750 nm com espaamento de 50 nm (VIS), (2) reflectncia
por infravermelhos (IR), captada entre 800 e 1100 nm com espaamento 50 nm , (3) Ban-
das visveis UV captadas com um filtro UV entre 400 e 750 nm com espaamento de 50
nm (UV).
33
2. T RABALHO R ELACIONADO 2.6. Anlise de Imagens Hiperespectrais em Obras de Arte
Figura 2.22: (a) A vermelho os pixels classificados como lapis lazuli (configurao VIS +
UV). (b) A vermelho os pixels classificados como lead-tin yellow e lead white. (c) Exemplo
de espectros adquiridos com cada um dos instrumentos [PDMDRP08].
34
2. T RABALHO R ELACIONADO 2.6. Anlise de Imagens Hiperespectrais em Obras de Arte
O trabalho apresentado em [DZT+ 10] descreve cada um dos mtodos de aquisio da re-
flectncia dos materiais existentes numa cena. Entre os mtodos enumere-se: Hyperspec-
tral Cameras, Luminescence Imaging Spectroscopy, Fiber-Optic Reflection Spectrometer
(FORS), Polarized Light Microscopy, X-ray Fluorescence Spectrometry (XRF) e Scanning
Electron MicroscopyEnergy Dispersive Spectrometry. Os mtodos enunciados foram
utilizados para adquirir o conjunto de dados necessrio para anlise. Esses dados con-
sistiam em duas imagens, uma hiperespectral e outra de infravermelhos, adquiridas na
pintura Harlequin Musician do pintor Pablo Picasso, sendo depois combinadas numa nica
imagem contendo 260 comprimentos de onda (entre 441 e 1680 nm) e posteriormente
processadas por algoritmos geomtricos convexos.
Aps a construo do cubo da pintura procedeu-se a uma reduo do rudo atra-
vs de um conjunto de normas. O processamento do cubo j tratado foi efectuado utili-
zando um programa de processamento de imagens espectrais designado ENVI2 . Na ca-
deia de processamento do cubo espectral, um conjunto de passos foram tidos em conta.
Em primeiro lugar calcularam-se as imagens prprias usando o mtodo Minimum Noise
Fraction (MNF). Em seguida, calculou-se o ndice de pureza do pixel e em ltimo lugar,
utilizou-se o ENVI Nd visualizer para encontrar a base de dados de espectros de refern-
cia atravs de clustering. Para garantir que os espectros de referncia descrevem bem a
superfcie da pintura, utilizou-se o SAM para mapeamento dos materiais de acordo com
os espectros de referncia encontrados (ver figura 2.23).
35
2. T RABALHO R ELACIONADO 2.7. Discusso
tambm aplicado neste caso, revelando-se tambm uma eficcia generalizada no mapea-
mento dos diferentes materiais (ver figura 2.24).
Figura 2.24: (A) Imagem de luminescncia infravermelhos. (B) Mapeamento dos espec-
tros de emisso primrios. (C) Imagem da pintura Harlequin Musician. (D) Mapeamento
dos espectros de referncia que so luminescentes no cubo hiperespectral. Em baixo, os
espectros obtidos utilizando Luminescence Imaging Spectroscopy e Hyperspectral Ca-
mera [DZT+ 10].
Por fim, efectuou-se a atribuio de cada um dos espectros encontrados de forma au-
tomtica atravs de clustering a cada um dos materiais puros utilizados pelo pintor. Esta
atribuio revelou vrios aspectos. Em primeiro lugar, possvel concluir que os mate-
riais puros utilizados na construo da pintura em anlise podem ser mapeados e iden-
tificados utilizando a anlise de imagens hiperespectrais. Complementando os dados de
reflectncia com a Luminescence Imaging Spectroscopy e a anlise pontual XRF condu-
ziu a um desempenho significativo na atribuio dos materiais, a nvel de mapeamento e
identificao. Os resultados obtidos no trabalho descrito em [DZT+ 10] revelaram ser sig-
nificativos ao ponto de se considerar uma tcnica para efectuar o mapeamento efectivo
de materiais.
2.7 Discusso
Os trabalhos descritos neste captulo ilustram o estado da arte associado ao tema da dis-
sertao. Esta seco surge pela necessidade de efectuar uma comparao entre algumas
das tcnicas ou mtodos apresentados anteriormente. A dissertao divide-se em duas
partes que incidem sobre o mesmo domnio, anlise de obras de arte.
A primeira parte consiste na anlise das imagens digitais de assinaturas, sendo as
primeiras trs seces focadas na anlise de alguns dos mtodos para processamento e
anlise de imagem. A seco 2.2 apresenta uma viso geral de duas tcnicas utilizadas
36
2. T RABALHO R ELACIONADO 2.7. Discusso
para extraco de caractersticas, assim como um mtodo para organizao das mesmas.
Apesar de uma grande quantidade de trabalhos de investigao utilizar os filtros de Ga-
bor para extraco de caractersticas, neste caso devido s caractersticas muito incons-
tantes das assinaturas (constantes variaes de escala, rotao, translao e da geometria)
optou-se como tcnica principal para extraco de caractersticas a SIFT pois invariante
aos problemas anteriores. O Gabor permite uma anlise global da imagem, sendo as ca-
ractersticas extradas a nvel global enquanto que as SIFT extraem um conjunto de carac-
tersticas locais, obtendo-se para cada imagem um conjunto de vectores de caractersticas
que podero ser organizadas utilizando a tcnica Bag-of-Features.
A seco 2.3 enuncia alguns dos trabalhos de investigao com vista a anlise de obras
de arte, destacando-se principalmente a validao de autenticidade e atribuio de autor
nos trabalhos descritos. Esta seco tem como principal objectivo estabelecer um contexto
para a respectiva dissertao ao nvel do trabalho j realizado no mesmo domnio. A
maioria dos mtodos apresentados efectua uma anlise da pincelada caracterstica do
pintor, normalmente realizada atravs de filtros de Gabor ou Gabor Wavelets, contudo
devido s razes apresentadas no pargrafo anterior, o Gabor foi preterido face s SIFT.
Ainda no mbito da primeira parte da dissertao surge a seco 2.4, totalmente de-
dicada ao relato de vrios trabalhos de investigao com vista a verificao de autenti-
cidade de imagens de assinaturas digitais. Pode-se encontrar uma enorme diversidade
de caractersticas extradas das assinaturas e tambm de classificadores utilizados. Aps
anlise do estado da arte, verificou-se que no existia uma ferramenta para validao de
assinaturas de pintores, nem existia nenhuma ferramenta que conjugasse as SIFT com as
Support Vector Machines para classificao de assinaturas. Assim, surge o interesse em
desenvolver uma ferramenta que permita efectuar verificao de autenticidade e atribui-
o de autor de pinturas baseada nas caractersticas da assinatura do pintor em questo.
A segunda parte da dissertao consistia no mapeamento dos materiais de pinturas
atravs da anlise de imagens hiperespectrais. A nvel do trabalho relacionado destacam-
se duas seces, 2.5 e 2.6. A seco 2.5 pretende estabelecer um contexto para os da-
dos que se pretende analisar. Para contextualizao, descrita a forma como os dados
so captados e alguns dos mtodos para anlise dos dados adquiridos. De realar um
conjunto de objectivos para visualizao de imagens hiperespectrais descritos em 2.5.2,
sendo estes fundamentais no desenvolvimento da dissertao. Inicialmente foram abor-
dados dois mtodos em 2.5.3 e 2.5.4, sendo o segundo um mtodo bastante utilizado
no estado da arte para anlise de imagens hiperespectrais. Contudo, devido ao facto
destes no permitirem atingir alguns dos objectivos considerados como indispensveis
para construo de um novo mtodo foram preteridos. Caminhou-se assim no sentido
de alguns algoritmos de classificao, sendo que face aos resultados obtidos em vrios
trabalhos de investigao com a tcnica SAM, considerou-se que esta seria a principal
tcnica a utilizar.
Por fim, a seco 2.6 aborda a aplicao de imagens hiperespectrais na anlise de obras
37
2. T RABALHO R ELACIONADO 2.7. Discusso
de arte, destacando-se a utilizao de alguns dos mtodos para anlise de cubos hiperes-
pectrais. Face aos trabalhos analisados verificam-se de facto mapeamentos de materiais
efectuados de forma efectiva, contudo pretende-se ir mais longe a nvel do mapeamento
de materiais atravs da construo de um mtodo mais robusto, para efectuar tambm
uma anlise ao nvel das misturas, algo em que o SAM pouco vantajoso. Os mtodos
anteriores revelaram algumas dificuldades a nvel da semelhana de espectros de materi-
ais diferentes, ou seja, quando a curva espectral semelhante em dois espectros mas estes
pertencem a materiais diferentes. O desenvolvimento da dissertao pretende resolver
este problema de forma a considerar estes casos no processo de mapeamento.
38
3
Anlise de Obras de Arte
Este captulo descreve o trabalho desenvolvido ao longo da dissertao com vista a reali-
zar a soluo proposta.
3.1 Introduo
Este captulo encontra-se dividido em vrias seces de acordo com os objectivos defini-
dos. A figura 3.1 apresenta um diagrama estruturando todo o desenvolvimento da dis-
sertao. Neste diagrama possvel visualizar as vrias fases do desenvolvimento, assim
como o objectivo principal de todo o desenvolvimento, verificao de autenticidade e
atribuio de autor de pinturas. A primeira fase consiste na anlise das imagens digitais
de assinaturas, estando presente no diagrama no primeiro bloco, onde se pode destacar
a identificao de perodos de assinaturas e a construo de um sistema de classificao
de assinaturas em termos de atribuio e autenticidade. A segunda fase engloba a re-
construo parcial do classificador de pinturas baseado em caractersticas de pincelada
com vista integrao no sistema de classificao combinada de pinturas. A terceira fase,
representada pelo terceiro bloco engloba a anlise de imagens hiperespectrais, tendo sido
construdos vrios mtodos para anlise de obras de arte. Construiu-se um mtodo de
classificao recorrendo a uma base de dados interna, um mtodo automtico de classifi-
cao, um mtodo de classificao recorrendo a uma base de dados externa e um mtodo
para anlise de misturas e validao de autenticidade baseada na anlise dos materiais.
Por fim, surge o ltimo bloco onde se encontra o sistema combinado para verificao de
autenticidade e atribuio de pinturas baseado em vrios tipos de caractersticas, quer se-
jam caractersticas da pincelada do artista, quer caractersticas das assinaturas do pintor
em anlise.
39
3. A NLISE DE O BRAS DE A RTE 3.2. Anlise de Assinaturas
40
3. A NLISE DE O BRAS DE A RTE 3.2. Anlise de Assinaturas
que a resoluo era 150x100 pixels. Definiu-se um valor mdio para a resoluo (250x250
pixels) e converteram-se todas as imagens de acordo com esse valor sempre mantendo o
aspect ratio (relao entre a altura e a largura da imagem) da imagem.
Ao extrair as caractersticas utilizando a SIFT, verificou-se que devido textura bas-
tante irregular dos quadros onde as assinaturas estavam contidas, grande parte das ca-
ractersticas era proveniente do fundo da imagem e no do contedo da assinatura (ver
figura 3.2, (a)). Para colmatar esse aspecto, surgiram duas hipteses: efectuar a extrac-
o das SIFT em pontos regulares; ou tentar extrair o background das imagens de alguma
forma de modo a eliminar as caractersticas provenientes do mesmo. Devido constante
rotao e translao nas imagens, seria praticamente impossvel definir um conjunto de
pontos que capturassem as caractersticas de igual modo em todas as assinaturas. Assim
optou-se por se proceder extraco do fundo da imagem.
Figura 3.2: Extraco dos pontos de interesse utilizando a SIFT. (a) Aplicadas imagem
original. (b) Aplicadas imagem aps aplicao da extraco do background.
41
3. A NLISE DE O BRAS DE A RTE 3.2. Anlise de Assinaturas
Figura 3.4: Extraco dos background da imagem. (a) Resultado da extraco automtica.
(b) Resultado da extraco manual.
Apesar da eficcia do mtodo anterior ter sido elevada, em casos onde a assinatura se
confundia com o fundo, teve de se recorrer a um mtodo bem menos automtico, sendo
necessrio utilizar uma ferramenta de edio de imagem para extrair o restante fundo
manualmente. Este foi um processo demorado de modo a que a extraco do fundo no
afectasse o contedo da assinatura. O resultado pode comprovar-se na figura 3.4, (b).
42
3. A NLISE DE O BRAS DE A RTE 3.2. Anlise de Assinaturas
De referir que devido fraca qualidade das imagens e ineficiente extraco do fundo
em alguns casos, tanto de forma automtica como de forma manual, algumas assinaturas
foram excludas do estudo pois a natureza das mesmas iria afectar de forma negativa os
resultados. Resultou assim num total de 114 assinaturas de Amadeo de Souza-Cardoso e
67 pertencentes a outros pintores. Com as imagens das falsificaes no houve qualquer
problema.
Figura 3.5: Extraco de caractersticas. (a) Pontos de interesse SIFT. (b) Aplicao dos
filtros de Gabor.
43
3. A NLISE DE O BRAS DE A RTE 3.2. Anlise de Assinaturas
N
X 1
xj (t) = Pi,j (t i) (3.1)
i=0
44
3. A NLISE DE O BRAS DE A RTE 3.2. Anlise de Assinaturas
Nt,j K
Pt,j = P log (3.3)
Nt,j nt
onde nt representa o nmero de imagens onde a "palavra" visual t est presente e Nt,j
o nmero de ocorrncias do termo t na imagem j.
Apesar do Gabor no ter sido utilizado como caracterstica principal, utilizou-se o
Gabor para demonstrar o que foi referido no incio desta seco, o facto de no caso em
estudo a tcnica SIFT permitir obter resultados mais significativos do que o Gabor. O
Gabor foi utilizado recorrendo a um banco de 24 filtros, com 4 escalas diferentes e 6 rota-
es, sendo que as caractersticas de textura representadas pelo Gabor traduzem-se num
vector de 48 valores. A utilizao deste tipo de caractersticas pressups uma aborda-
gem global, sendo os filtros utilizados com o mesmo tamanho das imagens. No captulo
2.2.2, foi relatado o funcionamento deste tipo de caractersticas, podendo observar-se um
exemplo do tipo de informao extrada na imagem 3.5, (b).
45
3. A NLISE DE O BRAS DE A RTE 3.2. Anlise de Assinaturas
k X
X
arg min || xj i k2 (3.4)
s
i=1 xj Si
46
3. A NLISE DE O BRAS DE A RTE 3.2. Anlise de Assinaturas
pelos vrios clusters a utilizao do ndice de Silhouette [KR05], sendo este clculo indi-
cativo se o nmero de clusters o mais adequado para a partio dos dados encontrada.
Aps a aplicao do K-Means no primeiro nvel obtm-se ento a distribuio mais
geral de assinaturas pelos vrios clusters indicados. Terminado o primeiro nvel de agru-
pamento, o utilizador pode prosseguir a sua anlise tentando encontrar sub-perodos,
seguindo-se o segundo nvel de agrupamento. Aps a seleco de um dos clusters ante-
riormente obtidos, repete-se o processo de construo da Bag-of-Features apenas com as
imagens agrupadas nesse cluster no primeiro nvel. A reconstruo da Bag-of-Features no
novo nvel de agrupamento surge devido ao facto do vocabulrio de "palavras" visuais
para este subconjunto de imagens ser diferente do vocabulrio inicialmente calculado.
Isto porque no primeiro nvel, o vocabulrio de "palavras" visuais foi construdo com
base em todas as imagens do conjunto de dados de entrada no algoritmo. Neste segundo
nvel, o vocabulrio de "palavras" no dever ser o mesmo pois apenas se pretende agru-
par um conjunto restrito de imagens, da o vocabulrio e o peso de cada um das palavras
do vocabulrio no ser o mesmo que no incio do algoritmo. Por esta razo procede-se
aplicao da estratgia Bag-of-Features apenas s imagens contidas no cluster que se
pretende analisar.
ento aplicado de novo o mtodo K-Means para agrupamento dessas imagens,
obtendo-se um conjunto de sub-perodos. Este processo poderia continuar por vrios
nveis, contudo na soluo apresentada apenas foram contemplados 2 nveis de agrupa-
mento, estando preparado para ser extensvel a mais nveis no futuro.
A construo de um mtodo de agrupamento hierrquico menos automtico face s
implementaes hierarquical clustering que j existem prende-se com a maior liberdade
do utilizador, ficando a seu cargo decidir quando a anlise deve prosseguir para um
determinado cluster ou no, algo que no controlado no mtodo hierarquical clustering
j existente. No captulo seguinte sero apresentados alguns resultados decorrentes da
aplicao da ferramenta.
47
3. A NLISE DE O BRAS DE A RTE 3.2. Anlise de Assinaturas
n
X
f (v) = ci K(vi , v) (3.5)
i=1
kvvi k2
onde K(vi , v) representa o Kernel Gaussiano K(vi , v) = e 2 2 , n o nmero de
pontos no treino e c = [c1 , ..., cn ]T o vector de coeficientes estimado pelo mtodo dos
mnimos quadrados [PS03],
(nI + M )c = x (3.6)
48
3. A NLISE DE O BRAS DE A RTE 3.3. Classificao de Pinturas Baseada em Caractersticas de Pincelada
Figura 3.9: Pontos de interesse extrados utilizando a tcnica SIFT numa pintura de Ama-
deo.
49
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
SIFT (ver figura 3.9), sendo depois organizadas utilizando a estratgia Bag-of-Features,
resultando assim num vector de caractersticas para cada imagem. Esses vectores de
caractersticas constituem os dados de entrada do classificador, tendo sido neste caso
tambm utilizado o Regularized Least Squares Classifier (RLSC), semelhana do caso
anterior. No trabalho descrito testaram-se vrias configuraes para o nmero de ima-
gens no treino e no teste, assim como tambm vrios tipos de caractersticas extradas.
No mbito da dissertao esse estudo no era relevante, tendo sido dada especial aten-
o apenas aos resultados finais do classificador com vista construo do classificador
combinado.
50
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
Figura 3.11: Pr-Processamento das imagens hiperespectrais. (a) Imagem original. (b)
Imagem recortada.
51
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
Para cada ponto escolhido, define-se uma rea quadrada de 13x13 pixels sua volta
de modo a captar um conjunto de amostras mais significativas para um mesmo mate-
rial. Devido variabilidade do mesmo material ao longo da mesma superfcie (ver figura
3.13), a captao de uma nica amostra poderia conter demasiado rudo e no ser sufici-
entemente representativa do material em questo. Assim, define-se uma rea contendo
52
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
169 amostras, sendo o espectro de referncia para um dado material calculado atravs da
mdia de todos os espectros da mesma rea. Repete-se este processo para todos os pontos
seleccionados de modo a construir a base de dados de espectros de referncia para cada
um dos materiais seleccionados.
Para efeitos de visualizao, atribui-se um valor (R,G,B) a cada um dos espectros de
referncia de modo a ser possvel construir um output visual onde cada zona da pintura
colorida com a cor do material que lhe foi atribudo atravs do algoritmo de classificao.
Figura 3.14: Espectros com forma semelhante mas pertencentes a materiais diferentes (a)
Base de suporte de uma pintura (b) Pigmento cinzento.
Porm, em alguns casos acontece que dois espectros tm a mesma forma, mas um
deles pode ter uma reflectncia maior que o outro, pertencendo a pigmentos diferentes
(ver figura 3.14). No caso do SAM, iria considerar os espectros como pertencendo ao
mesmo material, influenciando negativamente o resultado da classificao. Para colma-
tar este aspecto, construiu-se um mtodo que combina o SAM com a distncia Euclidiana,
suportando-se no mtodo de matching proposto por David Lowe em [Low04] para mat-
ching de keypoints ou pontos de interesse. O algoritmo segue os seguintes passos:
53
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
2. Ordenar os vrios ngulos p,r para cada um dos materiais da base de dados por
ordem crescente do ngulo obtido. Se o menor ngulo p,r1 calculado for menor
do que uma percentagem (dx ) do segundo menor ngulo p,r2 (mtodo de matching
proposto por David Lowe, ver equao 3.8), ento o pixel p atribudo ao material
de referncia com menor ngulo (r1 ). No caso da ferramenta construda permitida
alguma flexibilidade neste passo de tal modo que se pode definir um threshold sobre
o ngulo espectral. Se o ngulo mnimo calculado for maior ou igual do que o
threshold, ento o pixel contm um material que no est presente na base de dados
e etiquetado como "Unclassified", enquanto que nos restantes casos etiquetado
com o material de referncia para o qual o ngulo espectral mnimo.
v
u n
uX
Edp,r = t (Rp,i Rr,i )2 (3.9)
i=1
A visualizao permite apresentar os resultados num ecr para anlise visual. Aquando
da definio da base de dados de espectros de referncia, o utilizador deve introduzir um
54
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
valor de RGB para cada um dos espectros de referncia. Para cada pixel teste de entrada
no algoritmo de classificao, este classificado como pertencente ao material com o
espectro de referncia mais prximo de acordo com a tcnica utilizada. Esta classificao
pressupe tambm que a cada pixel atribudo o valor RGB correspondente ao material
com que este foi classificado. O utilizador pode optar pode visualizar todos os pixels de
uma imagem hiperespectral, podendo facilmente identificar zonas com o mesmo material
e pode tambm visualizar apenas todos os pixels classificados como pertencentes a um
determinado material contido na base de dados.
1. Seleco de k pixels da imagem hiperespectral que iro ser utilizados como centri-
des iniciais dos k clusters.
Pn
R
p,i c,i
p,c = cos1 qP i=1 P , (3.10)
n 2 n 2
i=1 Rp,i i=1 c,i
3. Para cada pixel p, encontra-se o cluster c de tal modo que p,c mnimo e atribui-se
o pixel a esse cluster.
55
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
A primeira consiste em projectar cada um dos centrides de cada cluster numa base
de dados de espectros de referncia. Utilizando o Spectral Angle Mapper, calcula-
se o ngulo espectral entre cada cluster e cada um dos espectros da base de dados
de referncia. O espectro mais prximo atribudo ao cluster em teste. Esta tcnica
foi utilizada em dois trabalhados anteriores (em [SMG99, SR02]), contudo torna
todo o processo menos automtico pois necessrio definir uma base de dados de
espectros de referncia.
56
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
a informao obtida com esta tcnica, sendo que o segundo efectua uma anlise mais
aprofundada recorrendo a outros tipos de informao.
No estudo de obras de arte por peritos com recursos na rea da anlise qumica, estes
recorrem normalmente a uma anlise utilizando a tcnica FORS a fim de analisar com
mais detalhe determinadas zonas da pintura. Todavia esta anlise feita pontualmente
em determinados pontos do quadro, o que no resulta numa anlise global do mesmo.
Esta informao pontual pode assim ser utilizada para efectuar o mapeamento de materi-
ais, semelhana do trabalho descrito em [DZT+ 10]. O mtodo construdo assemelha-se
ao mapeamento de materiais atravs de classificao supervisionada descrito anterior-
mente em 3.4.2, apenas com a nica diferena ao nvel da construo de base de dados
de espectros de referncia.
57
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
pinturas deste pintor, contudo a presena apenas de materiais puros iria condicionar os
resultados, esperando-se uma classificao pouco assertiva.
Dados de Suporte ao Algoritmo Aps vrios testes efectuados com as mtricas anteri-
ores verificou-se no ser possvel identificar correctamente grande parte dos pigmentos
puros presentes nas pinturas. Isto devido diferena apresentada entre os espectros
puros da base de dados de referncia e os espectros presentes na pintura, algo que era
considervel tendo em conta as condies de rudo e iluminao, assim como a presena
de vernizes aplicados sobre as pinturas. Este facto condicionou a abordagem do pro-
blema pois era expectvel que fosse possvel efectuar a anlise de pinturas de Amadeo
de Souza-Cardoso a partir desta base de dados de referncia. Face aos obstculos encon-
trados foi necessrio combinar vrios tipos de informao num esquema de classificao
combinada semelhante a um fluxograma de deciso (ver figura 3.16).
Para dar suporte ao fluxograma de deciso construdo, teve de ser fornecido um
conjunto de informao complementar alm da imagem hiperespectral de uma pintura.
Apresenta-se em seguida os vrios dados necessrios e respectiva notao matemtica
definida para cada tipo de modo a descrever o algoritmo matematicamente:
Em primeiro lugar foi necessrio calcular a cor na norma CIELab para cada um dos
pixels da imagem hiperespectral. Para um determinado pixel i da imagem hiperes-
pectral considere-se a notao Labi a sua cor na norma CIELab.
58
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
Alm da cor de cada pixel foi tambm necessrio fornecer a base de dados de espec-
tros puros adquiridos com a tcnica FORS num conjunto de amostras dos tubos de
tinta pertencentes ao pintor (figura 3.15), sendo esta constituda por 17 pigmentos
(cuja designao habitual a seguinte: Red Vermillion, Red Carmine, Raw Sienna,
Terra Rossa, Orange Cd, Yellow Ochre, Yellow Cr, Violet, Cerulean Blue, Cobalt
Blue, Prussian Blue, Green Cd, Viridian, Ultramarine, White, Black e Esmerald).
Essa base dados representada pela notao
onde esN representa o espectro de cada um dos materiais puros contidos na base
de dados, N o nmero de materiais puros na base de dados e Pes representa a
base de dados ou conjunto de espectros contidos na mesma. Para complementar a
informao dos espectros puros, forneceu-se tambm para cada material puro uma
lista dos elementos qumicos presentes (ver 6.1) sendo designada por,
onde elN = {sq1 , sq2 , ..., sqK } representa a lista de K elementos qumicos de cada
um dos materiais puros contidos na base de dados, N o nmero de materiais
puros na base de dados e Pel representa a base de dados ou conjunto de listas de
elementos qumicos contidos na mesma.
59
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
onde elM = {sq1 , sq2 , ..., sqK } representa a lista de K elementos qumicos para cada
uma das amostras EDXRF efectuadas na pintura, M o nmero total de amostras
EDXRF e XRFel representa a base de dados de amostras. Alm da lista de elemen-
tos qumicos para cada amostra, forneceu-se tambm a cor na norma CIELab para
cada amostra. Considere-se a seguinte notao,
onde xlab1 representa a cor na norma CIELab para cada uma das amostras EDXRF
efectuadas na pintura, M o nmero total de amostras EDXRF e XRFlab representa
3
Trata-se de uma tcnica analtica utilizada para anlise elementar ou caracterizao qumica de uma
amostra. Baseia-se na anlise da interaco entre algumas fontes de raios-X e uma amostra. Esta interaco
produz um espectro que atravs da anlise dos vrios picos do mesmo permite identificar os elementos
qumicos que a amostra contm.
60
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
a base de dados de cor das amostras. Neste ponto, e para evitar futuros erros de
classificao, tambm necessrio indicar as amostras de cor correspondentes ao
pigmentos branco Brnlab e as amostras correspondentes ao preto P rtlab .
1. Um dos primeiros problemas encontrados foi o facto da anlise EDXRF ser uma
anlise pontual na pintura, o que impossibilitava o facto de se ter uma anlise por
pixel. Para tornar esta anlise global a toda a pintura, recorreu-se a algumas das
tcnicas utilizadas por historiadores e conservadores para tornar a anlise global,
intervalos de tolerncia de cor. Isto , para cada amostra EDXRF existia tambm a
respectiva amostra de cor na norma CIELab. Definindo um intervalo em que a cor
poder ser a mesma que a cor dessa amostra, todos os pixels cuja cor esteja dentro
desse intervalo de tolerncia de cor so considerados como pertencentes amostra
respectiva, generalizando assim cada amostra a conjuntos de pixels (ver figura 3.18).
Figura 3.18: Segmentao atravs de intervalos de tolerncia de cor. (a) Ponto na pintura
onde foi efectuada a amostra. (b) A branco todos os pixels identificados como pertencen-
tes amostra.
61
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
(b) Caso no seja identificado como uma zona no analisada, atravs do conhe-
cimento das amostras de pigmento preto e branco efectuadas na pintura
possvel identificar se o pixel pertence a algum destes materiais. A identifi-
cao destes dois materiais surge numa fase inicial da classificao pela razo
que na identificao dos pixels pertencentes aos materiais puros, essa ser feita
com recurso primeira derivada aplicada a cada um dos espectros. Como
os espectros dos pigmentos preto e branco apresentam zonas horizontais, isto
seria um problema computacional pois iriam surgir divises por zero no cl-
culo das derivadas e muitos erros associados classificao, da a identificao
dos pixels pertencentes a estes dois materiais num passo inicial do algoritmo
(ver exemplo na figura 3.19, (a) e (b)). O resultado descrito pelas condies
seguintes:
(c) Neste primeiro nvel de classificao surge ainda a condio para verificao
de autenticidade, sendo esta efectuada com recurso informao fornecida
pela anlise EDXRF. A condio para que um pixel de uma pintura no per-
tena a um material de Amadeo determinada pela presena de elementos
caractersticos de Amadeo. Isto , para o pixel em anlise identificam-se todas
as amostras correspondentes pelo intervalo de tolerncia de cor Melem . Para
cada lista de elementos de cada amostra, percorrem-se todos os pigmentos
puros da base de dados Pes e procuram-se esses elementos em cada uma das
listas individuais dos materiais puros. Caso haja um elemento contido numa
62
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
(d) Caso o pixel no seja classificado nos passos anteriores, segue-se ento a pos-
sibilidade de ser pertencente a um material puro ou de ser uma mistura de
materiais, sendo a classificao efectuada noutro nvel.
63
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
Figura 3.20: (a) Espectro original da imagem hiperespectral. (b) Espectro aps aplicao
de filtro SavitzkyGolay de ordem binomial e com tamanho do filtro 9.
64
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
de um nico threshold sobre a os ngulos, pois neste caso iro ocorrer menos falsas
atribuies de materiais puros. Esta condio leva assim a duas opes:
(a) Caso o pixel i seja identificado como pertencente a um material puro, a classifi-
cao no termina, seguindo-se um processo de confirmao da classificao.
Como sugesto de alguns peritos envolvidos no projecto em que a dissertao
se integra, decidiu-se construir um processo para confirmao da classifica-
o efectuada. O processo de validao baseado na anlise dos elementos
qumicos, semelhana da condio de verificao de autenticidade. Para o
pixel i em anlise, identificou-se no primeiro nvel a amostra EDXRF (ou v-
rias quando existem vrias para a mesma zona) correspondente (representada
por Melem ). Essa amostra representada por uma lista de elementos qumi-
cos semelhana de cada um dos materiais puros presentes na base de dados.
Compara-se assim a lista de elementos da amostra EDXRF para o pixel de teste
com a lista de elementos do material puro candidato (exemplos descritos em
3.1). Se as listas de elementos forem iguais, ento a atribuio foi efectuada
correctamente e o pixel definitivamente classificado como sendo pertencente
ao material puro (ver 3.22) anteriormente definido como candidato (exemplo
figura 3.19, (d)).
65
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
66
3. A NLISE DE O BRAS DE A RTE 3.4. Mapeamento de Materiais
Figura 3.21: Exemplo de soma linear de dois espectros. (a) Espectro Red Vermillion. (b)
Espectro Yellow Ochre. (c) Espectro soma 60% Red Vermillion e 40% Yellow Ochre.
67
3. A NLISE DE O BRAS DE A RTE 3.5. Classificao de Pinturas Baseada em Diferentes Tipos de Anlise
Visualizao dos Resultados Tal como ser referido no captulo de concluses e traba-
lho futuro, no foi ainda construdo um mtodo de visualizao eficaz para esta anlise
por vrias razes. Para testes utilizou-se a mesma lgica dos mtodos anteriores, atribuir
uma cor a cada um dos espectros presentes na base de dados de pigmentos puros e para
as misturas procedeu-se ao clculo da cor a partir do espectro da mistura seleccionada tal
como foi efectuado no mtodo de classificao no supervisionada.
Para converter a sada do classificador (RLSC) num valor de probabilidade, vrias es-
tratgias tm sido propostas em trabalhos anteriores. Em [Wah99] proposto um mtodo
baseado em regresso logstica para produzir valores probabilsticos a partir de valores
de classificao obtidos por mtodos baseados em Kernel. Contudo esta parece no ser a
melhor alternativa, sendo proposto em [Pla99] um modelo paramtrico para estimar di-
rectamente o valor de probabilidade a posteriori. Em ambos os classificadores anteriores
foi aplicada a segunda estratgia enunciada, respectivamente adaptada ao RLSC.
68
3. A NLISE DE O BRAS DE A RTE 3.5. Classificao de Pinturas Baseada em Diferentes Tipos de Anlise
1
p(w|vx ) = , (3.24)
1+ eAf (vx )+B
enquanto que a sada negativa (por exemplo "No Amadeo") obtida,
69
3. A NLISE DE O BRAS DE A RTE 3.6. Ambiente de Desenvolvimento
3.7 Discusso
Neste captulo foram descritas as principais ferramentas construdas, embora se tenham
efectuado alguns testes com alguns mtodos que acabaram por ser descartados face
sua ineficcia. Relatou-se a construo de um conjunto de mtodos, no existindo qual-
quer interface grfica para interaco construda sobre os mesmos. A sua utilizao num
futuro prximo incide principalmente sobre os resultados produzidos, podendo o utiliza-
dor adaptar alguns dos mtodos de acordo com as suas necessidades. Este um aspecto
bastante interessante a referir, que de acordo com uma determinada anlise, o utilizador
pode aproveitar a flexibilidade dos mtodos e direccionar a anlise num determinado
sentido de acordo com o problema que pretende resolver.
70
4
Resultados
O objectivo deste mtodo descobrir perodos na vida do pintor atravs das caracters-
ticas presentes nas assinaturas. Aps o tratamento dos dados, existiam 114 assinaturas
pertencentes ao pintor. O mtodo teve como entrada as imagens das assinaturas e com o
auxlio de um perito, definiu-se que no primeiro nvel o mais adequado seria apenas dois
clusters. Isto porque ao longo da sua vida Amadeo de Souza- Cardoso teve principal-
mente dois tipos de assinatura, um tipo em que a assinatura era feita com uma estampa
sendo designado pelos peritos por "pouchoir" (1914-1917) e no segundo tipo designado
por "mo livre", o autor autenticava as pinturas com uma representao do seu nome,
variando de caso para caso (1908-1914).
A figura 4.1 mostra as imagens que aps o agrupamento ficaram inseridas no primeiro
71
4. R ESULTADOS 4.1. Resultados da Anlise de Assinaturas
cluster, estando estas ordenadas por ordem crescente de distncia ao centride do mesmo.
Aps alguma anlise com a ajuda de um perito em histria de arte verificam-se dois
aspectos. Neste cluster no existe nenhuma assinatura correspondente ao "pouchoir" e
pela correspondncia com as datas de cada uma das assinaturas conclui-se que este cluster
engloba as assinaturas do pintor no perodo de 1908-1914, uma das fases da sua carreira
artstica.
A figura 4.2 mostra as imagens inseridas no segundo cluster ordenadas de acordo
com a menor distncia ao centride, sendo este dominado pelas assinaturas do "pou-
choir". Alm do "pouchoir", existe tambm um conjunto de assinaturas que em termos
de caractersticas locais possuem caractersticas muito semelhantes ao "pouchoir", mas a
nvel global estas diferem significativamente das restantes imagens contidas no cluster.
Esperava-se que este cluster contivesse apenas as assinaturas do estilo "pouchoir" pois
diferem significativamente de todas as outras assinaturas do pintor. Salvo as excepes
referidas, este cluster contm principalmente as assinaturas construdas pelo artista no
perodo 1914-1917, sendo esse perodo marcado pela utilizao do "pouchoir".
Apesar de se esperar obter apenas um cluster com a assinatura "pouchoir", isso no foi
possvel. Foi feita a tentativa de identificar sub-perodos dentro dos dois super-perodos
encontrados. Tanto a nvel documental como a nvel visual no foi possvel tirar conclu-
ses da identificao de sub-perodos. A nvel visual, independentemente das configura-
es do algoritmo testadas (principalmente fazendo variar o nmero de palavras visuais
e o nmero de clusters), no foi possvel separar as assinaturas que no se assemelhavam
ao "pouchoir" num nico sub-perodo. Isto sugere algo j enunciado, o facto destas pos-
surem caractersticas locais semelhantes ao estilo "pouchoir". Ao nvel do outro cluster
(figura 4.1), a identificao de sub-perodos tambm no revelou padres visuais signifi-
cativos, devendo-se principalmente ao facto das assinaturas apresentarem caractersticas
72
4. R ESULTADOS 4.1. Resultados da Anlise de Assinaturas
bastante distintas entre elas. Face ausncia de um estudo sobre as assinaturas deste
pintor, no foi possvel retirar concluses mais robustas.
Para destacar a eficcia do mtodo construdo, foi experimentado tambm o clustering
utilizando os filtros de Gabor mas estes no revelaram qualquer padro ao longo de um
mesmo cluster, no separando mesmo as assinaturas "pouchoir" num nico cluster. No
foi assim possvel obter uma separao evidente entre as assinaturas do pintor com este
tipo de caractersticas.
O mtodo construdo carece sem dvida de validao com outro conjunto de dados.
Em determinado ponto do projecto procuraram-se assinaturas de outro pintor para vali-
dar este mtodo de modo a permitir a construo de uma ferramenta com maior grau de
fiabilidade. Contudo at data da escrita do documento da dissertao, no foi possvel
obter quaisquer dados.
73
4. R ESULTADOS 4.1. Resultados da Anlise de Assinaturas
Npc
PP ositivosCorrectos = 100, (4.1)
Tp
Nne
PF alsosP ositivos = 100, (4.3)
Tn
Npc + Nnc
PAccuracy = 100, (4.4)
Tp + Tn
onde Npc o nmero de imagens positivas classificadas de forma correcta, ou seja,
classificadas como positivas; Nnc o nmero de imagens negativas classificadas de forma
74
4. R ESULTADOS 4.1. Resultados da Anlise de Assinaturas
Este primeiro classificador foi construdo com o intuito de resolver o problema de atribui-
o do autor de uma pintura baseando-se na assinatura, ou seja, se pertence a Amadeo
ou a outro artista. Como classe positiva do classificador definiu-se a classe "Amadeo" e
como classe negativa "Outros Pintores". A figura 4.3 contm alguns exemplos das ima-
gens utilizadas em cada uma das classes.
Figura 4.3: Exemplos de imagens de entrada no classificador (a) Classe "Amadeo". (b)
Classe "Outros Artistas".
A tabela 4.1 mostra a distribuio dos dados para efeitos de classificao, havendo
114 imagens digitais de assinaturas de Amadeo e 67 de outros pintores, sendo cada um
dos conjuntos repartido pelo treino e pelo teste.
75
4. R ESULTADOS 4.1. Resultados da Anlise de Assinaturas
dos falsos negativos, existe uma diferena percentual de aproximadamente 8%, sendo o
classificador com as caractersticas SIFT o mais eficiente ao nvel da classificao.
Figura 4.4: Exemplos de imagens de entrada no classificador (a) Classe "Amadeo". (b)
Classe "Falsificaes".
A tabela 4.3 mostra a distribuio dos dados para efeitos de classificao, havendo
114 imagens digitais de assinaturas de Amadeo e 10 de assinaturas falsificadas, sendo
cada um dos conjuntos repartido pelo treino e pelo teste.
76
4. R ESULTADOS 4.1. Resultados da Anlise de Assinaturas
Positivos
(%) Falsos Positivos Falsos Negativos Accuracy
Correctos
SIFT 100.0 27.8 0.0 97.7
Gabor 93.5 42.0 6.5 90.6
negativa no vai alm de 72.2%, revelando uma taxa alta de falsos positivos. Face ao con-
junto de teste reduzido, o classificador revela que em mdia 2 em 5 assinaturas negativas
so classificadas de forma errada como positivas. A escassez de dados foi um grande
obstculo neste caso.
Figura 4.5: Exemplos de imagens de entrada no classificador (a) Classe "Amadeo". (b)
Classe "No Amadeo".
A tabela 4.5 mostra a distribuio dos dados para efeitos de classificao, havendo
114 imagens digitais de assinaturas de Amadeo e 77 de outros pintores e falsificaes,
sendo cada um dos conjuntos repartido pelo treino e pelo teste.
De acordo com a distribuio dos dados anteriores, obtiveram-se os resultados des-
critos na tabela 4.6.
Novamente se verifica pelos dados a eficcia significativa do classificador construdo
com as caractersticas SIFT face ao classificador com os filtros de Gabor. semelhana
77
4. R ESULTADOS 4.2. Classificao de Pinturas Baseada em Caractersticas de Pincelada
Positivos
(%) Falsos Positivos Falsos Negativos Accuracy
Correctos
SIFT 98.3 11.9 1.7 94.1
Gabor 88.7 18.2 11.3 85.8
dos casos anteriores, tambm neste caso possvel verificar uma taxa de falsos negativos
relativamente baixa, o que indica que o classificador consegue distinguir bem as imagens
positivas.
Figura 4.6: Exemplos de imagens de entrada no classificador (a) Classe "Amadeo", ima-
gens cedidas pelo Centro de Arte Moderna. (b) Classe "No Amadeo", imagens retiradas
de http://www.guggenheim.org.
78
4. R ESULTADOS 4.3. Resultados do Mapeamento de Materiais
assinaturas como para a classificao com base na pincelada. A figura 4.6 contm alguns
exemplos das imagens utilizadas em cada uma das classes.
Devido escassez de falsificaes para construir um classificador dedicado exclusi-
vamente autenticidade de pinturas com base nas caractersticas de pincelada optou-se
por construir apenas um classificador para teste, resolvendo o problema da atribuio de
autor e autenticidade simultaneamente. O classificador foi testado de forma semelhante
ao classificador anterior com base nas assinaturas, sendo os resultados obtidos atravs da
mdia de 10 iteraes do classificador. Na construo do classificador anterior disserta-
o, o conjunto de treino e teste eram fixos, havendo apenas uma iterao do algoritmo.
Neste caso aplicou-se tambm a aproximao 10-fold cross validation de modo a explo-
rar a robustez da classificao independentemente dos conjuntos de treino escolhidos.
A tabela 4.7 mostra a distribuio dos dados para efeitos de classificao, existindo 200
imagens de pinturas de Amadeo e 110 de outros pintores e falsificaes, optando-se por
uma juno de ambos os problemas.
Tabela 4.7: Distribuio dos dados para atribuio e autenticidade de pinturas com base
nas caractersticas de pincelada.
Positivos
(%) Falsos Positivos Falsos Negativos Accuracy
Correctos
SIFT 99.7 16.0 0.3 93.4
Gabor 84.9 52.2 15.1 70.0
Tabela 4.8: Resultados obtidos na classificao de pinturas com base nas caractersticas
de pincelada.
Tal como j tinha sido descrito na publicao [MJC+ 12], a SIFT a permitir obter resul-
tados bastante positivos, enquanto que os filtros de Gabor se revelaram menos eficientes.
A construo deste classificador revelou tambm alguma ineficcia ao nvel dos falsos
positivos, principalmente devido escassez de dados da classe negativa. Contudo a re-
construo deste classificador no vale apenas pelos resultados individuais pois j tinha
sido comprovada a sua eficcia, vale sim pela integrao num classificador combinado
de pinturas, integrando vrios tipos de informao.
79
4. R ESULTADOS 4.3. Resultados do Mapeamento de Materiais
Figura 4.7: Construo da base da base de dados a partir de amostras retiradas da ima-
gem hiperespectral e respectiva palete de cores atribuda a cada um dos pigmentos.
80
4. R ESULTADOS 4.3. Resultados do Mapeamento de Materiais
Figura 4.8: Resultado visual da classificao. (a) Todos os pigmentos mapeados. (b)
Apenas mapeado o pigmento 8. (c) Apenas mapeado o pigmento 3.
dos trabalhos de investigao analisados, permitindo uma anlise visual mais fcil para
identificao de zonas com o mesmo material. Contudo duas variantes podem surgir de
modo a analisar um pigmento mais especfico. Em 4.8 (b) mapeou-se apenas o pigmento
8 da base de dados numa nica imagem. Neste caso no se definiu nenhum threshold para
identificar quando um determinado espectro pertence base de dados ou no pertence,
sendo classificado como "Unclassified". Por essa razo, aparecem muitos pixels isolados
como atribudos ao material mas que na realidade so pixels fronteira entre materiais e
que realmente no pertencem ao pigmento 8. A figura 4.8 (c) pretende mostrar este factor.
Neste caso mapeou-se o pigmento 3 da base de dados, mas utilizando um threshold sobre
o ngulo espectral de 10o , isto pois o ngulo calculado em graus. Todos os pixels cujo
ngulo espectral mnimo entre o pixel de teste e a base de dados seja acima de 10 graus
so classificados como "Unclassified", eliminando assim parte dos pixels fronteira.
A anlise visual revelou um mtodo bastante efectivo em distinguir os materiais exis-
tentes na base de dados, classificando de uma forma geral correctamente todos os materi-
ais definidos. Todavia surgiu a necessidade de encontrar uma forma numrica de avaliar
o classificador construdo.
81
4. R ESULTADOS 4.3. Resultados do Mapeamento de Materiais
82
4. R ESULTADOS 4.3. Resultados do Mapeamento de Materiais
Regio
1 2 3 4 5 6 7 8 9 10 11 12 13 Total
No
PC (#) 2154
169 168 169 169 169 169 169 169 168 169 153 169 144
T (#) 2197
169 169 169 169 169 169 169 169 169 169 169 169 169
A (%) 98.0
100 99.4 100 100 100 100 100 100 99.4 100 90.0 100 85.2
Tabela 4.9: Resultados obtidos na classificao supervisionada com base de dados in-
terna de acordo com as reas definidas na figura 4.9. PC - Nmero de pixels classificados
correctamente. T - Nmero total de pixels. A - Accuracy da classificao.
83
4. R ESULTADOS 4.3. Resultados do Mapeamento de Materiais
Figura 4.10: Resultado visual da classificao. (a) Todos os clusters mapeados. (b) Apenas
mapeado o cluster 6. (c) Apenas mapeado o cluster 1.
A classificao com a base de dados externa conduziu a dois tipos de anlise, semelhan-
tes na forma como a base dados adquirida e diferindo no processo de classificao.
Apresentam-se em seguida os dois mtodos construdos onde se aplicou este tipo de
informao, sendo o primeiro aplicado a uma pintura falsificada do pintor, enquanto o
segundo se aplica a algumas pinturas autnticas do pintor.
Caso de estudo: Falsificao Das vrias imagens hiperespectrais existentes, duas delas
pertenciam a falsificaes de pinturas do pintor Amadeo de Souza-Cardoso. Para ambas
as pinturas existia uma anlise FORS captada em vrias zonas do quadro. A figura 4.11
mostra os pontos onde foi efectuada a anlise FORS para a falsificao considerada neste
caso de estudo.
Com a ajuda de um perito neste tipo de anlises identificaram-se os pontos existentes
para cada um dos pigmentos respectivos. Para os pigmentos com vrios pontos associa-
dos, calculou-se o espectro mdio dos vrios pontos. Nos restantes casos em que existia
apenas um ponto para um dado pigmento, o espectro de referncia desse pigmento era
igual ao espectro do ponto.
Este mtodo apenas difere do mtodo de classificao supervisionada relatado em
3.4.2 na definio da base de dados de espectros de referncia, sendo o restante processo
efectuado da mesma forma, quer a nvel de classificao como a nvel de visualizao dos
resultados. Procede-se ento atribuio de um valor RGB a cada um dos espectros de
84
4. R ESULTADOS 4.3. Resultados do Mapeamento de Materiais
Figura 4.12: Resultado visual da classificao. (a) Todos os pigmentos de referncia ma-
peados. (b) Apenas mapeado o pigmento 5. (c) Apenas mapeado o pigmento 2.
85
4. R ESULTADOS 4.3. Resultados do Mapeamento de Materiais
primeira anlise visual revela que a informao produzida pela cmara hiperespectral
comparvel com a informao adquirida com o FORS.
De modo a avaliar os resultados obtidos no mapeamento das vrias regies de cor,
seguiu-se o processo de validao anteriormente utilizado para a classificao supervisi-
onada, definindo-se uma regio de interesse para cada um dos pigmentos presentes na
base de dados. Para avaliar o desempenho do classificador analisou-se em primeiro lugar
para cada pigmento o nmero de pixels classificados correctamente, avaliando-se depois
o desempenho geral do classificador tendo em conta todas as regies de interesse selecci-
onadas. De realar que para a pintura em questo no foi possvel avaliar o desempenho
da classificao para alguns dos pigmentos da base de dados visto no ser possvel defi-
nir uma rea com 13x13 pixels que englobasse exclusivamente o respectivo pigmento na
pintura. Os resultados da avaliao encontram-se descritos na tabela 4.10.
Regio No 1 2 3 4 5 6 7 9 14 15 Total
PC (#) 150 169 169 169 169 169 169 169 169 64 1566
T (#) 169 169 169 169 169 169 169 169 169 169 1690
A (%) 88.8 100 100 100 100 100 100 100 100 37.9 92.7
Tabela 4.10: Resultados obtidos na classificao com recurso a base de dados externa. PC
- Nmero de pixels classificados correctamente. T - Nmero total de pixels. A - Accuracy
da classificao.
Os resultados presentes na tabela permitem ter uma ideia geral do desempenho alcan-
ado pelo classificador. Este tipo de classificao revela que os sinais obtidos pelas duas
tcnicas (cmara hiperespectral e FORS) so aparentemente equivalentes e que podem
ser integrados de modo a construir mtodos mais completos e robustos. Para este clas-
sificador, alm do desempenho geral calculou-se tambm o coeficiente kappa, de modo
a ter uma medida complementar de desempenho de acordo com o nmero de classes e
amostras utilizadas. Neste caso de estudo, o valor deste coeficiente foi de 0.918, o que
86
4. R ESULTADOS 4.3. Resultados do Mapeamento de Materiais
face aos dados anteriores revela uma eficcia de classificao elevada, pelo facto de ser
um valor acima de 0.8, um valor considerado muito bom.
Para demonstrar alguns dos resultados obtidos com este mtodo apresenta-se em seguida
a classificao efectuada sobre as algumas pinturas de Amadeo para as quais tinham sido
adquiridas imagens hiperespectrais. Nas figuras 4.14, 4.15 e 4.16 podem visualizar-se as
imagens RGB de trs das pinturas em anlise, assim como alguns dos resultados expe-
rimentais obtidos para esses trs casos. Utilizou-se o valor de 15 pontos para definir o
intervalo de tolerncia de cor CIELab para quando duas cores so semelhantes de modo a
identificar a amostra EDXRF respectiva para cada pixel. Em termos de condio de iden-
tificao dos pigmentos puros utilizou-se o valor de 0.75 para a percentagem da distncia
entre os dois ngulos mnimos. Estes dois valores foram gerais a todas as pinturas nas
quais foi aplicado o algoritmo.
Figura 4.14: (a) Imagem RGB da pintura Mucha. (b) Resultado geral da classificao para
teste. (c) Visualizao individual de uma mistura de Red Vermillion e Yellow Cr, dois
pigmentos puros
Anlise dos Resultados Tal como foi referido no captulo anterior, a visualizao o
menos importante neste mtodo, sendo o seu ponto forte a anlise de diferentes zonas da
pintura, incidindo essa anlise na identificao de misturas e na validao de autentici-
dade de zonas da pintura. Aos historiadores e conservadores, interessa extrair tambm
informao em termos percentuais: a percentagem de pixels classificados como "Zona
No Analisada" (PZN ), ou seja, onde no houve uma anlise EDXRF; a percentagem de
pixels classificados como "No Amadeo" (PN A ), ou seja, no pertencentes a Amadeo; a
percentagem de pixels pertencentes a pigmentos puros (PP P ); e por fim a percentagem de
pixels pertencentes a misturas de pigmentos (PM P ). Em todos os casos, o que se pretendia
87
4. R ESULTADOS 4.3. Resultados do Mapeamento de Materiais
Figura 4.15: (a) Imagem RGB da pintura Doutor. (b) Resultado geral da classificao para
teste. (c) Visualizao individual de uma mistura de Red Vermillion e Yellow Ochre, dois
pigmentos puros
obter era o resultado da diviso entre o nmero de pixels classificados em cada caso e o
nmero de pixels total da imagem hiperespectral.
As figuras 4.14 (b), 4.15 (b) e 4.16 (b) mostram o resultado geral da classificao com
todos os pixels mapeados para trs dos casos de estudo analisados. As zonas estranhas
podem identificar-se pela cor rosa em cada uma das pinturas. Contudo, a anlise pode
efectuar-se de outras formas, perspectivando j a construo de uma interface grfica que
englobe o resultado do mtodo no futuro.
Figura 4.16: (a) Imagem RGB da pintura Geometrico. (b) Resultado geral da classificao
para teste. (c) Visualizao individual de um pigmento puro, o Red Vermillion
88
4. R ESULTADOS 4.3. Resultados do Mapeamento de Materiais
todos os pixels com uma dada mistura. No caso da pintura Mucha, trata-se de uma mis-
tura de Red Vermillion com Yellow Cr, enquanto que na pintura Doutor se trata de uma
mistura de pigmento Red Vermillion e Yellow Ochre, todos pigmentos existentes na base
de dados de Amadeo. Esta identificao efectuada revelou-se substancialmente correcta
pois na realidade a grande maioria das zonas identificadas correspondia uma mistura
real destes dois pigmentos. Na figura 4.16 (c), pode visualizar-se todas as zonas iden-
tificadas como pertencentes ao pigmento puro Red Vermillion, sendo um identificao
bastante eficaz.
Na pintura Doutor de realar, por exemplo, a identificao correcta de algumas
misturas de Viridian com Yellow Ochre, assim como a identificao de alguns pigmentos
puros como o caso do Esmerald (realado por um verde mais carregado na figura 4.15
(b)) ou do Laranja de Cdmio, identificvel pela cor laranja na figura 4.15 (b). No caso
da pintura em questo possvel ainda realar outro factor. A rosa esto identificados
todos os pixels classificados como pertencentes "Zona No Analisada" verificando-se de
facto vrias pequenas zonas onde a anlise elementar no foi efectivamente efectuada. O
facto desta pintura apresentar uma enorme variabilidade de pigmentos e misturas torna
a anlise EDXRF mais restrita quando efectuada num determinado ponto.
Outra das opes o utilizador escolher um ponto para anlise e o programa retornar
quais os pigmentos ou misturas de pigmentos presentes naquele ponto, assim como a
respectiva percentagem dos pigmentos presentes na mistura quando tal possvel. Por
exemplo, tomando como referncia a figura 4.15 (a), facilmente identificvel a zona ime-
diatamente acima do ombro direito do doutor pintada com uma cor verde. Seleccionando
um ponto dessa zona o programa retorna como resultado uma mistura de Yellow Ochre
e Viridian, sendo esta mistura uma abordagem simplificada da mistura de pigmentos tal
como j foi referido.
Em termos de percentagens requisitadas pelos historiadores, para os casos de estudo
em que o mtodo foi aplicado apresentam-se na tabela 4.11. O mtodo foi aplicado a cinco
pinturas autnticas, todavia para duas pinturas apresentam-se apenas as percentagens
calculadas.
(%) PZN PN A PP P PM P
Caso de Estudo: Mucha 4.8 0.0 51.4 43.8
Caso de Estudo: Doutor 11.6 0.0 51.5 36.9
Caso de Estudo: Guitarra 5.4 0.0 23.1 71.5
Caso de Estudo: Janelas 2.8 0.0 28.2 69.0
Caso de Estudo: Geometrico 3.7 0.0 31.4 64.9
89
4. R ESULTADOS 4.3. Resultados do Mapeamento de Materiais
Em relao aos pigmentos puros, existem vrias zonas identificadas em todas as pin-
turas, o que era de todo espectvel de encontrar, destacando-se a identificao do Laranja
de Cdmio e do Esmeralda na pintura Doutor. A pintura Geometrico contm vrias zo-
nas onde foram identificados pigmentos puros, como o caso do Esmerald, do Red Car-
mine e do Red Vermillion. De referir ainda a presena de uma quantidade significativa de
pigmento branco em todos os casos de estudo, sendo essa identificao mais significativa
no caso de estudo da pintura Mucha e da pintura Guitarra.
Por fim, possvel verificar a existncia de grande parte das pinturas cobertas por
misturas de pigmentos. No caso da pintura Guitarra, alm da identificao de algumas
zonas com o pigmento branco, todo o restante da pintura coberta por misturas de pig-
mentos, o mesmo se passando praticamente com o caso de estudo das Janelas.
90
4. R ESULTADOS 4.4. Classificao de Pinturas Baseada em Diferentes Tipos de Anlise
Este classificador tinha como objectivo integrar dois tipos de anlise sobre uma pintura
com vista a verificao de autenticidade ou atribuio da mesma. Ambos os classificado-
res anteriores foram construdos de forma independente. Isto , no caso da assinatura,
existiam assinaturas no treino que no se conhecia a pintura a que pertenciam. Tam-
bm no caso do classificador com base na pincelada, existia uma quantidade significativa
de pinturas que no possua assinatura. Face aos resultados obtidos com cada um dos
classificadores procedeu-se sua integrao num nico classificador.
Ao nvel do treino, devido quantidade algo reduzida de quadros com assinatura,
assumiu-se que cada um dos classificadores poderia ser treinado de forma independente
com os respectivos dados para cada um dos casos. Para ser possvel integrar os dados
num classificador conjunto, o conjunto de teste dever ser o mesmo para cada um dos
classificadores. Assim, invs do conjunto de teste ser escolhido aleatoriamente, um pe-
rito em arte seleccionou um conjunto de pinturas com assinatura para o conjunto de
teste, sendo este fixo. Ao contrrio dos classificadores anteriores, neste caso o teste do
classificador consiste apenas numa iterao pois existe apenas um conjunto de teste fixo.
Tendo em conta as configuraes referidas construram-se dois classificadores, diferindo,
semelhana dos casos anteriores, nos dados de entrada do algoritmo. Cada tipo de ca-
ractersticas tem um peso ao nvel da classificao, todavia neste caso atribui-se o peso
de 50% a cada um dos tipos de caractersticas, assim tanto a anlise de assinatura como a
anlise da pincelada contam de igual modo para a classificao final.
Tabela 4.12: Distribuio dos dados para atribuio de pinturas com base no classificador
conjunto de pinturas.
91
4. R ESULTADOS 4.4. Classificao de Pinturas Baseada em Diferentes Tipos de Anlise
Tabela 4.13: Resultados obtidos na classificao de atribuio pinturas com base no clas-
sificador combinado utilizando a SIFT.
Tabela 4.14: Resultados obtidos na classificao de atribuio pinturas com base no clas-
sificador combinado utilizando os filtros de Gabor.
Os resultados obtidos com os filtros de Gabor demonstram mais uma vez a menor
eficcia em resolver o problema pretendido, sendo o desempenho geral do classificador
combinado significativamente inferior que o classificador combinado utilizando as carac-
tersticas SIFT.
92
4. R ESULTADOS 4.4. Classificao de Pinturas Baseada em Diferentes Tipos de Anlise
Tabela 4.15: Distribuio dos dados para atribuio e autenticao de pinturas com base
no classificador conjunto de pinturas.
Classificador
(%) Assinatura Pincelada
Combinado
Positivos Correctos 96.4 98.2 100
Falsos Positivos 0.0 6.3 0.0
Falsos Negativos 3.6 1.8 0.0
Accuracy 97.2 97.2 100
Tal como o caso anterior, tambm neste caso o classificador combinado permitiu ob-
ter a eficincia mxima possvel em distinguir as assinaturas de cada uma das classes.
A quantidade de dados de teste da classe negativa reduzida pela dificuldade em en-
contrar pinturas de outros pintores com a respectiva assinatura. semelhana dos casos
anteriores, tambm neste caso se efectuou a mesma classificao mas utilizando os filtros
de Gabor como caractersticas de entrada no classificador. Os resultados obtidos para
este classificador encontram-se descritos na tabela 4.17, revelando novamente a eficcia
inferior deste tipo de caractersticas face utilizao da SIFT.
Classificador
(%) Assinatura Pincelada
Combinado
Positivos Hit 92.8 83.9 91.1
Falsos Positivos 56.3 31.3 43.7
Falsos Negativos 7.2 16.1 8.9
Accuracy 81.9 80.5 83.3
Face aos resultados obtidos e aps a comparao com uma tcnica com inmeros
resultados obtidos ao nvel do estado da arte, pode-se afirmar que o classificador cons-
trudo robusto e pode ser submetido a casos de estudo com vista obteno de novas
concluses.
93
4. R ESULTADOS 4.5. Discusso
Classificador
(%) Assinatura Pincelada
Combinado
Caso de Estudo 1 99.3 99.9 99.6
Caso de Estudo 2 98.0 82.6 90.3
Caso de Estudo 3 71.0 99.8 85.9
Tabela 4.18: Resultados obtidos para os trs casos de estudo submetidos ao classificador
combinado de pinturas.
4.5 Discusso
Neste captulo foram apresentados os vrios testes aos mtodos construdos, permitindo
efectuar vrios tipos de anlise. No geral pode-se afirmar que os mtodos apresentam
um desempenho geral bastante significativo, ficando alguns dos mtodos por validar de
uma forma robusta devido a vrios factores.
No mbito da anlise de assinaturas podem-se realar vrias evidncias:
94
4. R ESULTADOS 4.5. Discusso
95
4. R ESULTADOS 4.5. Discusso
A visualizao por um perito era de certo modo eficiente para avaliar os objectivos
pretendidos, contudo surgiu a necessidade de uma avaliao mais eficaz. Com base
em alguns processos de avaliao relatados no estado da arte, construiu-se um m-
todo de avaliao baseado em regies de interesse para cada material. Este mtodo
de avaliao tem a fragilidade de no ser global a toda a pintura, restringindo-se
a 169 valores para cada um dos espectros de referncia. Contudo praticamente
impossvel definir um mtodo global para toda a pintura, pois a imagem hiperes-
pectral captada possui milhes de pixels. Ainda assim, tendo como referncia o
mtodo de avaliao utilizado verificou-se um desempenho elevado na classifica-
o.
96
4. R ESULTADOS 4.5. Discusso
Por fim surge o classificador combinado de pinturas. Este classificador permitiu resol-
ver dois problemas: atribuio de autor de pinturas e atribuio/autenticidade de pintu-
ras. Devido escassez de pinturas falsificadas com assinatura, no foi possvel construir
um classificador dedicado exclusivamente verificao de autenticidade de pinturas.
Este classificador era um dos grandes objectivos do projecto em que a dissertao est in-
serida, revelando resultados positivos. De realar que apesar das quantidades reduzidas
de pinturas no pertencentes a Amadeo de Souza-Cardoso, ambos os classificadores re-
velaram uma eficcia de 100%. Submeteram-se ao classificador construdo trs pinturas
sobre as quais no existe ainda um veredicto se pertencem a Amadeo de Souza-Cardoso
ou no. Os resultados destes trs casos de estudo podem ajudar os historiadores a tirar
algumas concluses. Porm, por vezes, podem surgir situaes inesperadas, como o caso
de uma pintura autntica do pintor sobre a qual foi colocada uma assinatura falsa. Estes
casos extremos exigem uma anlise dos resultados obtidos com ambos os classificadores
individuais (assinatura e pincelada), podendo mesmo o resultado final revelar uma clas-
sificao da pintura no limiar entre pinturas falsas e verdadeiras. A integrao da anlise
dos materiais nesta classificao poderia ser uma soluo para o problema.
97
4. R ESULTADOS 4.5. Discusso
98
5
Concluses e Trabalho Futuro
5.1 Concluses
Em termos de concluses pode enumerar-se um conjunto significativo de resultados que
abrem boas perspectivas para o desenvolvimento futuro.
Ao mtodo para identificao de perodos artsticos faltou uma validao mais efi-
caz com outro conjunto de dados, o que o tornaria mais robusto. Contudo os resultados
obtidos so razoveis apesar de pela anlise se identificarem falhas pontuais no agrupa-
mento. Essas falhas no comprometem de todo a sua eficcia j que foram identificados
os principais perodos na vida de Amadeo de Souza-Cardoso.
O mtodo de classificao de pinturas baseado em caractersticas das assinaturas era
um dos grandes objectivos da dissertao. Com o classificador construdo foi possvel
resolver dois problemas: atribuio e autenticidade. Para demonstrar a eficcia do clas-
sificador, utilizaram-se outro tipo de caractersticas, os filtros de Gabor. A configurao
com as caractersticas SIFT revelou nos trs problemas uma eficcia geral do classificador
acima dos 90%, em alguns casos perto dos 100%, o que revela uma classificao bastante
eficaz. A classificao utilizando os filtros de Gabor foi relativamente menos assertiva, o
que revela neste caso em particular a adequao das caractersticas SIFT para resolver o
problema.
O mtodo de classificao de pinturas baseado em caractersticas de pincelada j ha-
via sido construdo anteriormente, tendo sido feitos apenas testes para demonstrar que
o classificador realmente eficaz com uma filosofia diferente de validao, relativamente
99
5. C ONCLUSES E T RABALHO F UTURO 5.1. Concluses
aos conjuntos de treino e teste fixos que haviam sido construdos anteriormente. Estes
revelaram uma percentagem de acerto perto dos 95%, o que mais uma vez constitui um
resultado significativo.
O mapeamento de materiais atravs de classificao supervisionada combinando duas
das tcnicas mais utilizadas ao nvel do estado da arte revelou resultados bastante posi-
tivos. A construo da base de dados a partir de amostragem da prpria imagem hipe-
respectral da pintura fez com que a base de dados de espectros de referncia tivesse as
mesmas condies de iluminao e rudo que a imagem hiperespectral, o que melhorou
a classificao. A anlise do classificador no totalmente ilustrativa do seu desempe-
nho total mas impossvel no caso de pinturas construir um mtodo que permita validar
todos os resultados do classificador, pois estes so na ordem dos milhes de pixels classi-
ficados.
O mapeamento de materiais atravs de classificao no-supervisionada permitiu
identificar algumas das zonas com materiais semelhantes, todavia a sua aplicao nunca
identificou o pigmento preto, sendo este incorporado nos pigmento branco e nos res-
tantes clusters obtidos, o que constituiu uma limitao. Exceptuando esse factor, pode
constituir um mtodo que permita aos historiadores analisar quais os materiais que se
realam medida que o nmero de clusters aumenta.
Os resultados da classificao com base de dados externa utilizando a informao
captada com a tcnica FORS permitiram efectuar um mapeamento eficaz e bastante efec-
tivo para qualquer uma das situaes em que foi aplicado, quer seja para o caso de estudo
relatado como para a outra pintura falsificada onde foi tambm aplicada. Tal como j foi
referido anteriormente, esta eficcia refora a ideia de que a cmara hiperespectral e a
tcnica FORS produzem informao bastante semelhante podendo ser comparada.
O mapeamento de materiais com anlise das misturas e validao de autenticidade
permitiu analisar com mais pormenor as obras de arte do pintor em estudo, no se res-
tringindo a uma base de dados fixa. A anlise das misturas, excepo de alguns casos,
foi razoavelmente assertiva relativamente s informaes que se conheciam das pintu-
ras. De realar que apesar deste ser um dos problemas que o mtodo se prope resolver,
a metodologia escolhida para anlise das misturas consiste numa abordagem que no se
aplica em termos colorimtricos, e que em termos de curvas espectrais por vezes conduz
a erros ao nvel do classificao. A condio de verificao de autenticidade revelou ser
bastante eficaz nos casos testados, tendo sido de 0% em ambas as pinturas autnticas nas
quais foi aplicada. Este mtodo carece de validao devido inexistncia de uma anlise
com o mtodo EDXRF nas duas pinturas falsificadas para as quais existiam as imagens
hiperespectrais restantes, ficando esse teste para o futuro. Para o futuro fica tambm
um teste mais robusto da condio de verificao de autenticidade com vista integra-
o deste tipo de informao no classificador combinado de pinturas. Devido escassez
de imagens hiperespectrais para construo de um mtodo mais robusto, esta condio
dever ser testada no futuro sendo integrada num classificador de pinturas.
Por fim, surge o classificador combinado de pinturas baseado em diferentes tipos de
100
5. C ONCLUSES E T RABALHO F UTURO
101
5. C ONCLUSES E T RABALHO F UTURO
102
Bibliografia
[BPvdH09] Igor Berezhnoy, Eric O. Postma, e H. Jaap van den Herik. Automatic
extraction of brushstroke orientation from paintings. Mach. Vis. Appl.,
20(1):19, 2009.
103
B IBLIOGRAFIA
[DHR04] P.E. Dennison, K.Q. Halligan, e D.A. Roberts. A comparison of error me-
trics and constraints for multiple endmember spectral mixture analysis
and spectral angle mapper. Remote Sensing of Environment, 93(3):359367,
2004.
[FA91] William T. Freeman e Edward H. Adelson. The design and use of steerable
filters. IEEE Trans. Pattern Anal. Mach. Intell., 13(9):891906, 1991.
104
B IBLIOGRAFIA
[HY97] Kai Huang e Hong Yan. Off-line signature verification based on geometric
feature extraction and neural network classification. Pattern Recognition,
30(1):917, Janeiro 1997.
[JG05] Nathaniel P. Jacobson e Maya R. Gupta. Design goals and solutions for
display of hyperspectral images. In International Conference on Image Pro-
cessing (ICIP 2005), pg. 622625, Genoa, Italy, September 2005. IEEE.
[JHB+ 08] C Richard Johnson, Ella Hendriks, Igor Berezhnoy, Eugene Brevdo, Shan-
non Hughes, Ingrid Daubechies, Jia Li, Eric Postma, e James Z Wang.
Image processing for artist identification. IEEE Signal Processing Magazine,
25(4):3748, July 2008.
105
B IBLIOGRAFIA
[KSX04] Meenakshi K. Kalera, Sargur Srihari, e Aihua Xu. Offline signature veri-
fication and identification using distance statistics. International Journal of
Pattern Recognition and Artificial Intelligence, 18(7):13391360, 2004.
[LdS06] Patricio Loncomilla e Javier Ruiz del Solar. A fast probabilistic model for
hypothesis rejection in sift-based object recognition. In 11th Iberoamerican
Congress on Pattern Recognition (CIARP 2006), pg. 696705, Cancun , Me-
xico, June 2006. Springer.
[Lee96] Tai Sing Lee. Image representation using 2d gabor wavelets. IEEE Trans.
Pattern Analysis and Machine Intelligence, 18:959971, 1996.
106
B IBLIOGRAFIA
[NJT06] Eric Nowak, Frederic Jurie, e Bill Triggs. Sampling strategies for bag-of-
features image classification. In European Conference on Computer Vision,
Graz, 2006.
[Pea01] K. Pearson. On lines and planes of closest fit to systems of points in space.
Philosophical Magazine, 2(6):559572, 1901.
[Pla99] John C. Platt. Probabilistic Outputs for Support Vector Machines and
Comparisons to Regularized Likelihood Methods. In Advances in Large
Margin Classifiers, pg. 6174. MIT Press, 1999.
[PS03] Tomaso Poggio e Steve Smale. The mathematics of learning: dealing with
data. Notices Amer. Math. Soc., 50(5):537544, 2003.
[rui08] Offline Signature Verification Using Local Interest Points and Descriptors.
In 13th Iberoamerican congress on Pattern Recognition: Progress in Pattern Re-
cognition, Image Analysis and Applications (CIARP 08), pg. 2229, Havana,
Cuba, June 2008.
107
B IBLIOGRAFIA
[SBF07] LinLin Shen, Li Bai, e Michael Fairhurst. Gabor wavelets and general
discriminant analysis for face identification and verification. Image Vision
Comput., 25(5):553563, Maio 2007.
[She09] Jialie Shen. Stochastic modeling western paintings for effective classifica-
tion. Pattern Recognition, 42(2):293301, 2009.
[Wah99] Grace Wahba. Support vector machines, reproducing kernel Hilbert spa-
ces and the randomized GACV. In B. Schlkopf, C. J. C. Burges, e A. J.
Smola, editores, Advances in Kernel Methods: Support Vector Learning, pg.
6988. MIT Press, Cambridge, MA, 1999.
108
B IBLIOGRAFIA
[ZVC11] Yingxuan Zhu, Pramod K. Varshney, e Hao Chen. Ica-based fusion for
colour display of hyperspectral images. Int. J. Remote Sens., 32(9):2427
2450, Maio 2011.
109
B IBLIOGRAFIA
110
6
Apndice
Material Elementos
Red Vermillion Hg
Red carmine Sr
Raw Sienna Fe, As
Terra Rossa Fe, As
Orange Cd Cd
Yellow Ochre Fe
Yellow Cr Cr
Violet Co
Cerulean Blue Co, Sn, Ni
Cobalt Blue Co
Prussian Blue Fe
Green Cd Cd, Se
Viridian Cr
Ultramarine Al, Si
White Pb
Black -
Esmerald Cu, As
Tabela 6.1: Elementos qumicos presentes em cada um dos materiais puros de Amadeo
de Souza Cardoso.
111